尼格拉·吐?tīng)栠d 依力亞斯江·努爾麥麥提 王遠(yuǎn)弘

摘要：新疆土壤鹽漬化分布廣泛，選擇我國(guó)南疆渭干河-庫(kù)車(chē)河三角洲綠洲部分區(qū)域?yàn)檠芯繀^(qū)，利用全極化合成孔徑雷達(dá)數(shù)據(jù)對(duì)土壤進(jìn)行分類(lèi)。在多次野外考察及試驗(yàn)的基礎(chǔ)上，針對(duì)全極化合成孔徑雷達(dá)影像提取地物物理性質(zhì)的特征并準(zhǔn)確分類(lèi)的問(wèn)題，提出一種綜合H/A/α & Pauli極化特征分解和支持向量機(jī)（SVM）的分類(lèi)策略，簡(jiǎn)稱(chēng)H/A/α & Pauli-SVM分類(lèi)模型。該模型通過(guò)H/A/α、Pauli分解法分別提取全極化合成孔徑雷達(dá)影像的7種參數(shù)作為最優(yōu)極化特征，并將這些信息組合成1個(gè)特征向量，最后引入較高精度的SVM分類(lèi)算法，選擇訓(xùn)練樣本和驗(yàn)證樣本后對(duì)全極化合成孔徑雷達(dá)影像進(jìn)行監(jiān)督分類(lèi)和精度驗(yàn)證。結(jié)果顯示，該方法相比于本研究采用的其他方法能夠得到更理想的分類(lèi)結(jié)果，分類(lèi)后總體精度提高到了88.87%，κ系數(shù)提高到了0.86。

關(guān)鍵詞：土壤;鹽漬化;極化分解;SVM分類(lèi);H/A/α

中圖分類(lèi)號(hào)：S156.4+1;S127 ? 文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2019）22-0273-06

土壤鹽漬化是易溶性鹽分在土壤表層積累的現(xiàn)象或過(guò)程，是荒漠化和土地退化的主要類(lèi)型之一[1]，土壤鹽漬化不僅造成資源的破壞、農(nóng)業(yè)生產(chǎn)量的減少，而且還對(duì)生物圈和生態(tài)環(huán)境構(gòu)成威脅，成為了世界范圍內(nèi)的環(huán)境問(wèn)題[2]。據(jù)統(tǒng)計(jì)，全球約有8.31億hm2土壤受到鹽漬化的危害[3]。我國(guó)是鹽漬化問(wèn)題較嚴(yán)重的國(guó)家之一，鹽漬土面積大、分布廣[4]。其中，新疆是全國(guó)最大的鹽漬土壤分布區(qū)[5]，鹽堿土種類(lèi)多，被稱(chēng)為世界鹽漬土的博物館[6]，干旱的氣候條件造就了我國(guó)新疆為土壤鹽漬化大區(qū)[7]，為了加快對(duì)土壤鹽漬化的動(dòng)態(tài)監(jiān)測(cè)及治理，了解鹽漬地的性質(zhì)、范圍、地理分布、面積、動(dòng)態(tài)變化和鹽漬程度等方面的信息具有重要意義[8]。

當(dāng)前，在區(qū)域范圍內(nèi)用遙感監(jiān)測(cè)土壤鹽漬化的應(yīng)用已成為國(guó)內(nèi)外學(xué)者研究的主要趨勢(shì)[9]，在遙感圖像的各類(lèi)應(yīng)用中，光學(xué)影像的應(yīng)用范圍最廣泛，各種影像解釋技術(shù)在逐漸發(fā)展[10];然而其缺點(diǎn)也很明顯：很難對(duì)不穩(wěn)定天氣條件下的圖像進(jìn)行解譯，并且基本在白天成像，所以在時(shí)間上也有局限性[11]。近些年興起的全極化合成孔徑雷達(dá)（polarimetric synthetic aperture radar，POLSAR）是一種多通道、多參數(shù)，可以24 h成像于各種氣象條件的雷達(dá)系統(tǒng)。與傳統(tǒng)單極化合成孔徑雷達(dá)圖像相比，POLSAR數(shù)據(jù)能夠獲得目標(biāo)的全極化散射信息[12]，并且將不同地物的散射特征最大程度地以矢量的形式表現(xiàn)出來(lái)，從而揭示地物的散射差別[13]，因此POLSAR影像應(yīng)用程度和領(lǐng)域在不斷擴(kuò)大，相應(yīng)的各種圖像解譯技術(shù)也在快速發(fā)展[14]。

極化目標(biāo)分解于1970年首先由Huynen提出[15]，krogager、Cloude、Pottier等做了大量的基礎(chǔ)性研究[16]，使得目標(biāo)分解邁向了實(shí)用，各種適用于POLSAR影像分類(lèi)的算法在極化特征分解研究的基礎(chǔ)上先后被提出，在眾多算法中，特征提取算法得到的極化特征反映地物性質(zhì)的能力以及利用極化特征作為分類(lèi)參考時(shí)精度是否較高等是POLSAR影像分類(lèi)領(lǐng)域待解決的問(wèn)題。為了充分發(fā)掘POLSAR數(shù)據(jù)的極化特征并利用它提取鹽漬化信息，本研究對(duì)研究區(qū)POLSAR數(shù)據(jù)進(jìn)行3種極化分解，通過(guò)目視解譯和野外考察并同時(shí)結(jié)合高光譜影像選擇訓(xùn)練樣本和驗(yàn)證樣本，利用最大似然分類(lèi)和支持向量機(jī)等監(jiān)督分類(lèi)方法提取研究區(qū)鹽漬地信息，進(jìn)行分類(lèi)后處理得到分類(lèi)總體精度和κ系數(shù)，并對(duì)分類(lèi)結(jié)果進(jìn)行分析。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

本研究區(qū)位于渭-庫(kù)綠洲，渭-庫(kù)綠洲是我國(guó)南疆塔里木盆地北緣、中天山南麓完整且相對(duì)閉合的山前沖洪積平原綠洲，地理坐標(biāo)為83°06′30′～′83°31′40′′E、41°24′45′′～41°44′50′′N(xiāo)[17]（圖1），屬于大陸性暖溫帶干旱氣候，具有降水量少、蒸發(fā)量大、氣候干燥等特點(diǎn)[18]。該研究區(qū)地下水位高，透水性差，隨著土壤表層含鹽量不斷增加，導(dǎo)致地表反射率的增強(qiáng)和植被覆蓋度的降低，形成重度、中輕度鹽漬地[19]。

RADARSAT-2是1顆搭載C波段傳感器的商業(yè)衛(wèi)星，于2007年年末在哈薩克斯坦發(fā)射成功。表1為RADARSAT-2數(shù)據(jù)的主要參數(shù)， 該數(shù)據(jù)具有左右視功能和多種極化方式，用戶(hù)使用更便捷[20]。本研究選用2014年7月4日Radarsat-2四極化（HH、HV、VV、VH）雷達(dá)數(shù)據(jù)作為研究數(shù)據(jù)，并以2014年9月14日Landsat8 OLI高光譜影像數(shù)據(jù)作為參考（圖1），使得鹽漬地目視解譯、訓(xùn)練樣本及驗(yàn)證樣本的選擇更有效。研究區(qū)圖像通過(guò)遙感數(shù)據(jù)處理平臺(tái)ENVI的SARscape模塊進(jìn)行預(yù)處理。

1.2 野外數(shù)據(jù)及分類(lèi)體系

2014年7—8月對(duì)研究區(qū)進(jìn)行野外實(shí)地考察和采樣，根據(jù)野外調(diào)查結(jié)果及研究區(qū)的具體實(shí)地情況，將研究區(qū)地面覆蓋類(lèi)型大體分為5個(gè)大類(lèi)：植被、水體、重度鹽漬地、中輕度鹽漬地和裸露地，獲取了111個(gè)訓(xùn)練樣本數(shù)據(jù)和148個(gè)驗(yàn)證樣本數(shù)據(jù)，每個(gè)地物類(lèi)型至少有10個(gè)樣地，每個(gè)樣地至少有 1 175 像素，具體分類(lèi)類(lèi)別及地物特征描述如表2所示。

2 研究方法

本研究對(duì)全極化合成孔徑雷達(dá)數(shù)據(jù)采用3種極化分解方法（Pauli分解、H/A/α分解、H/A/α & Pauli分解），結(jié)合最大似然、最小距離和SVM分類(lèi)模型，進(jìn)而實(shí)現(xiàn)該區(qū)域鹽漬地信息的有效提取，本研究詳細(xì)的技術(shù)路線圖見(jiàn)圖2。

2.1 特征值分解理論

2.1.1 Pauli分解 散射矩陣的相干分解方法是目標(biāo)分解中一類(lèi)重要的分解算法。該類(lèi)方法的主要內(nèi)容是把散射矩陣用基本散射矩陣之積或者之和的形式表示出來(lái)，這些基本散射矩陣能夠和某種特定的散射機(jī)制相互聯(lián)系[21]。Pauli基于極化散射矩陣S分解，不同的極化基矩陣被定義而進(jìn)行極化特征的提取，每一個(gè)極化基矩陣代表的地物類(lèi)型不相同[22]。基本的散射矩陣S可以用Pauli基表示為：

K表示Pauli分解得到的極化特征向量，Pauli基分解的第1項(xiàng)的物理意義為單次散射，第2項(xiàng)表示雷達(dá)與目標(biāo)中心視線與二面角法平面重合的二面角散射，第3項(xiàng)與多次散射有關(guān)。

2.1.2 H/A/α分解 H/A/α分解是Ferro-Famil等提出和改進(jìn)的基于特征矢量和特征值分解方法[23]。

2.2 分類(lèi)方法

對(duì)POLSAR數(shù)據(jù)分類(lèi)時(shí)獲得較高的分類(lèi)精度非常重要，傳統(tǒng)遙感圖像分類(lèi)方法計(jì)算速度慢、分類(lèi)精度低，然而支持向量機(jī)（support vector machine，SVM）是一種高效率機(jī)器學(xué)習(xí)算法，反映了結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則，在遙感圖像分類(lèi)領(lǐng)域應(yīng)用很廣[25]，泛化能力好于傳統(tǒng)的分類(lèi)方法[26]，尤其是在小樣本的時(shí)候，分類(lèi)精度較高且穩(wěn)定[27]。所以本研究采用SVM分類(lèi)方法，利用H/A/α、Pauli、H/A/α & Pauli 3種分解方法所得到的目標(biāo)散射特征進(jìn)行土地類(lèi)型分類(lèi)和鹽漬地信息的提取。分類(lèi)過(guò)程包括：選擇分類(lèi)特征參數(shù)組合、目視判讀選取有效的訓(xùn)練樣本、進(jìn)行分類(lèi)處理、選擇驗(yàn)證樣本、進(jìn)行分類(lèi)后處理得到分類(lèi)結(jié)果和相應(yīng)的混淆矩陣。

最小距離法是根據(jù)訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類(lèi)的均值向量和標(biāo)準(zhǔn)差向量，以均值向量作為特征空間中心位置，再根據(jù)圖像中每個(gè)像元到不同類(lèi)型分類(lèi)地物中心的距離[28]，各像元到某一類(lèi)別的中心距離最小，則該像元就與之歸為一類(lèi)。最大似然分類(lèi)法在分類(lèi)方法中得到的總體分類(lèi)精度最高，制圖精度和用戶(hù)精度都能達(dá)到較高標(biāo)準(zhǔn)，漏分誤差和錯(cuò)分誤差較低，而且計(jì)算時(shí)間較短[29]，因此也作為一個(gè)參照。本研究為了更好地進(jìn)行精度的比對(duì)，將最小距離分類(lèi)法與最大似然分類(lèi)法作為參照。

3 結(jié)果與分析

3.1 全極化Radarsat-2數(shù)據(jù)極化分解

本研究對(duì)研究區(qū)Radarsat-2影像采用遙感數(shù)據(jù)處理平臺(tái)ENVI軟件SARscape開(kāi)發(fā)模塊進(jìn)行多種目標(biāo)極化分解和特征參數(shù)提取等處理，多種極化分解所產(chǎn)生的極化參數(shù)按照SARscape模塊里面的表達(dá)方式描述。

H/A/α分解后，分別得到了散射角α、極化熵H、反熵A以及顏色波段紅、綠、藍(lán)等6個(gè)參數(shù)（圖3、圖4），可以看出反熵A和散射角α的圖像噪聲較大，地物物理特征不明顯，不能夠反映地物的信息。極化熵H，彩色波段紅、綠、藍(lán)圖像的信息量則更豐富及清晰。Pauli分解后得到K1、K2、K3 3個(gè)參數(shù)（圖5），相對(duì)于H/A/α分解，Pauli分解后3個(gè)參數(shù)能清晰地反映更多的地物極化信息，同時(shí)提高了圖像對(duì)比度和對(duì)地物的識(shí)別能力。在以上9個(gè)參數(shù)中選擇最優(yōu)特征參數(shù)（H/A/α-H、H/A/α-紅、H/A/α-綠、H/A/α-藍(lán)、Pauli-K1、Pauli-K2、Pauli-K3）可以保留POLSAR圖像的最大信息量而抑制POLSAR數(shù)據(jù)難以去除的斑點(diǎn)噪聲，并在提高圖像分類(lèi)精度的同時(shí)節(jié)省圖像分類(lèi)需要的時(shí)間，從而提高速度和分類(lèi)效率。根據(jù)H/A/α、Pauli分解后的參數(shù)特征，本研究選用H/A/α、Pauli 2種目標(biāo)分解方法噪聲較小的最佳特征信息組合成H/A/α & Pauli目標(biāo)分解方法，進(jìn)而充分挖掘和提取POLSAR圖像中包含的豐富信息，充分發(fā)揮POLSAR數(shù)據(jù)信息豐富的優(yōu)點(diǎn)。由圖6可以看出，H/A/α & Pauli分解的RGB合成彩色圖像比H/A/α分解圖像更清晰，能更好地反映地物的真實(shí)信息。

3.2 基于目標(biāo)極化分解POLSAR圖像分類(lèi)

本研究將實(shí)地野外考察和高光譜影像數(shù)據(jù)作為參考信息進(jìn)行目視解譯，選取符合條件的訓(xùn)練樣本及驗(yàn)證樣本（表2）。訓(xùn)練樣本選擇完之后均用同樣的驗(yàn)證樣本進(jìn)行分類(lèi)后處理，以方便科學(xué)地對(duì)不同的分類(lèi)方法結(jié)果進(jìn)行對(duì)比分析。圖7、圖8、圖9為對(duì)3種不同的分解方法分別進(jìn)行SVM方法、最大似然、最小距離分類(lèi)的圖像。

從分類(lèi)結(jié)果（圖9-a）可知，總體上鹽漬地主要分布在研究區(qū)的南部、東部和東南部地區(qū)。鹽漬地在綠洲以?xún)?nèi)呈現(xiàn)條帶狀分布，而在綠洲以外呈現(xiàn)片狀分布，且重度鹽漬地與中輕度鹽漬地分布區(qū)域有很多交集。3種分類(lèi)方法里中輕度鹽漬地混分和錯(cuò)分成植被的現(xiàn)象較嚴(yán)重，原因是中輕度鹽漬地有鹽生植被紅柳、鹽穗木、鹽節(jié)木、蘆葦?shù)雀采w，當(dāng)植被覆蓋度較大時(shí)容易被混分和錯(cuò)分為植被。由分類(lèi)結(jié)果圖7、圖8、圖9比較可以看出，采用H/A/α & Pauli分解分類(lèi)后的3種分類(lèi)結(jié)果都比較理想，H/A/α分解后3種不同方法分類(lèi)結(jié)果較差，尤其是H/A/α-最小距離方法的重度和中輕度鹽漬地誤分現(xiàn)象比較嚴(yán)重，且“椒鹽”現(xiàn)象比較明顯，相對(duì)而言Pauli分解后采用的3種分類(lèi)方法能使這種現(xiàn)象明顯減少。本研究根據(jù)野外考察得到的驗(yàn)證樣本數(shù)據(jù)，定量分析H/A/α & Pauli-SVM分類(lèi)模式的效果，統(tǒng)計(jì)了12種分類(lèi)模型分類(lèi)總精度以及κ系數(shù)2個(gè)反映分類(lèi)器效果的指標(biāo)，這2個(gè)指標(biāo)的數(shù)值越大，代表分類(lèi)性能越好，具體精度評(píng)價(jià)見(jiàn)表3。

對(duì)未極化分解圖像（四極化分量組合）分類(lèi)時(shí)，采用最小距離與最大似然法得到的總體精度相差較小，分別為 75.78%、75.55%，κ系數(shù)分別為0.70、0.69，采用SVM分類(lèi)時(shí)總體精度為76.36%，κ系數(shù)為0.70。H/A/α分解方法后進(jìn)行的3種不同分類(lèi)中，H/A/α-SVM的精度最高，相比于H/A/α-最小距離與H/A/α-最大似然，總體精度分別從76.39%、 77.49%提高到 81.04% ，κ系數(shù)分別由 0.69、0.71提高到0.75。Pauli分解分類(lèi)方法中，Pauli-SVM的總體精度相比于Pauli-最小距離與Pauli-最大似然分別提高4.92%、2.72%，κ系數(shù)分別提高0.08、0.04。在H/A/α & Pauli分解分類(lèi)方法中，H/A/α & Pauli-SVM分解的總體精度與κ系數(shù)最高，總體精度分別比H/A/α & Pauli最小距離與H/A/α & Pauli-最大似然高6.86%、1.21%，κ系數(shù)分別提高 0.08、0.01。在對(duì)3種不同分解方法進(jìn)行最小距離分類(lèi)時(shí)，H/A/α & Pauli-最小距離方法的總體精度比H/A/α- 最小距離、Pauli分解-最小距離高5.62%、1.79%，κ系數(shù)分別提高0.09、0.06。對(duì)于SVM分類(lèi)法而言，H/A/α & Pauli-SVM的總體精度最高，相比H/A/α-SVM、Pauli-SVM方法總體精度從81.04%、85.14%提高到了88.87%，κ系數(shù)也從0.75、0.80提高到0.86。對(duì)于最大似然分類(lèi)方法而言，H/A/α & Pauli-最大似然的總體精度最高，相比H/A/α-最大似然、Pauli-最大似然方法總體精度從77.49%、82.42%提高到了87.66%。

總而言之，就分解方法而言，H/A/α、Pauli分解法相比于未進(jìn)行分解的四極化圖像能夠較好地提高精度，本研究提出的H/A/α & Pauli方法則更具有優(yōu)勢(shì)，是一種很好的分類(lèi)特征的選擇。在3種分類(lèi)方法中，SVM分類(lèi)法具有分類(lèi)優(yōu)勢(shì)能夠獲得更高的精度，基于最大似然準(zhǔn)則的分類(lèi)方法與最小距離方法的推廣性和泛化能力不足。通過(guò)試驗(yàn)結(jié)果對(duì)比和分析可知，極化分解后的分類(lèi)精度比未分解（4個(gè)極化分量組合）時(shí)要高，組合不同目標(biāo)分解后的最優(yōu)特征分量能夠顯著地提高分類(lèi)后精度。本研究提出的H/A/α & Pauli-SVM方法不僅降低了極化信息的冗余度，綜合概括了POLSAR數(shù)據(jù)豐富的極化信息，并且能最大程度地減少POLSAR數(shù)據(jù)本身攜帶的斑點(diǎn)噪聲。通過(guò)構(gòu)建H/A/α & Pauli-SVM分類(lèi)模型，斑點(diǎn)噪聲較大的極化特征分量（如H/A/α-散射角、H/A/α-α）被剔除，較有效地克服了SAR圖像的斑點(diǎn)噪聲問(wèn)題。

4 結(jié)論

本研究針對(duì)H/A/α與Pauli 2類(lèi)分解方法各自的特點(diǎn)和近年來(lái)基于模型的分解研究進(jìn)展，采用一種H/A/α & Pauli-SVM分類(lèi)方法。該方法利用H/A/α分解獲得噪聲較小的散射熵H和彩色波段紅、綠、藍(lán)，同時(shí)加入Pauli分解得到的奇次散射、偶次散射、體散射等極化特征，最后利用SVM方法進(jìn)行分類(lèi)。結(jié)果表明，該方法最大程度地提取了目標(biāo)地物極化信息，增加了圖像的信息量和可判讀程度。目標(biāo)極化分解參數(shù)作為特征信息分類(lèi)處理比起未進(jìn)行分解的圖像來(lái)說(shuō)可以得到較好的效果。在相同訓(xùn)練樣本的情況下，所得分類(lèi)總體精度最高，相比H/A/α-SVM、Pauli-SVM方法總體精度從81.04%、85.14%提高到了88.87%，κ系數(shù)也從0.75、0.80提高到了0.86。但中輕度鹽漬地混分和錯(cuò)分成植被的現(xiàn)象較嚴(yán)重，原因是中輕度鹽漬地有鹽生植被紅柳、鹽穗木、鹽節(jié)木、蘆葦?shù)雀采w，容易被混分和錯(cuò)分為植被。本研究采用的H/A/α & Pauli-SVM分類(lèi)方法利用全極化POLSAR數(shù)據(jù)，通過(guò)目標(biāo)極化分解方法并用最優(yōu)參數(shù)組合成為分類(lèi)特征信息能夠得到較理想的分類(lèi)結(jié)果，證明該方法對(duì)提取鹽漬化信息以及對(duì)土壤鹽漬化監(jiān)測(cè)具有優(yōu)勢(shì)和潛力。

參考文獻(xiàn)：

[1]李紅軍. 公路建設(shè)在鹽漬土路段路基填料改性技術(shù)研討[J]. 中國(guó)西部科技，2007（11）：22-23，25.

[2]翁永玲，戚浩平，方洪賓，等. 基于PLSR方法的青海茶卡-共和盆地土壤鹽分高光譜遙感反演[J]. 土壤學(xué)報(bào)，2010，47（6）：1255-1263.

[3]于沛玉. 鹽脅迫下K+對(duì)珠美海棠幼苗生理特性的影響[D]. 天津：天津農(nóng)學(xué)院，2014.

[4]李建國(guó)，濮勵(lì)杰，朱 明，等. 土壤鹽漬化研究現(xiàn)狀及未來(lái)研究熱點(diǎn)[J]. 地理學(xué)報(bào)，2012，67（9）：1233-1245.

[5]樊自立，喬 木，徐海量，等. 合理開(kāi)發(fā)利用地下水是新疆鹽漬化耕地改良的重要途徑[J]. 干旱區(qū)研究，2011，28（5）：737-743.

[6]張琦珠. 新疆鹽堿土的改良利用——第一講：鹽堿土的概念及新疆鹽堿土的形成[J]. 新疆農(nóng)墾科技，1983（1）：58-60

[7]田長(zhǎng)彥，周宏飛，劉國(guó)慶. 21世紀(jì)新疆土壤鹽漬化調(diào)控與農(nóng)業(yè)持續(xù)發(fā)展研究建議[J]. 干旱區(qū)地理，2000，23（2）：177-181.

[8]關(guān)元秀，劉高煥，劉慶生，等. 黃河三角洲鹽堿地遙感調(diào)查研究[J]. 遙感學(xué)報(bào)，2001，5（1）：46-52.

[9]關(guān)元秀，劉高煥. 區(qū)域土壤鹽漬化遙感監(jiān)測(cè)研究綜述[J]. 遙感技術(shù)與應(yīng)用，2001，16（1）：40-44.

[10]李 軍. 光學(xué)遙感圖像在艦船目標(biāo)檢測(cè)中的應(yīng)用分析[J]. 艦船電子工程，2016，36（10）：30-34，103.

[11]趙孟銀. 遙感影像去云方法研究[D]. 天津：天津科技大學(xué)，2016.

[12]王云艷. 基于多層網(wǎng)絡(luò)模型的全極化SAR圖像分類(lèi)[D]. 武漢：武漢大學(xué)，2015.

[13]曲永超. 基于極化目標(biāo)分解的全極化Radarsat-2圖像分類(lèi)[D]. 南京：南京大學(xué)，2016.

[14]肖 艷. 面向?qū)ο蟮腜olSAR影像分類(lèi)研究[D]. 長(zhǎng)春：吉林大學(xué)，2017.

[15]王春樂(lè)，禹衛(wèi)東. Huynen類(lèi)型目標(biāo)分解方法的比較與分析[J]. 中國(guó)科學(xué)院大學(xué)學(xué)報(bào)，2011，28（3）：402-409.

[16]丁維雷. 基于全極化雷達(dá)的目標(biāo)識(shí)別方法研究[D]. 哈爾濱：哈爾濱工程大學(xué)，2013.

[17]王 娟，張 飛，于海洋，等. 基于LUCC的渭干河-庫(kù)車(chē)河三角洲綠洲水文及生態(tài)特征[J]. 水土保持研究，2016，23（2）：236-242.

[18]李 飛. 中國(guó)西北干旱區(qū)潛在植被的演替[D]. 蘭州：西北師范大學(xué)，2009.

[19]白燕英. 基于多時(shí)相遙感影像的鹽漬化農(nóng)田表層土壤水分反演研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2014.

[20]陳思偉，代大海，李 盾，等. Radarsat-2的系統(tǒng)組成及技術(shù)革新分析[J]. 航天電子對(duì)抗，2008，24（1）：33-36.

[21]黃曉東. 極化目標(biāo)模型分解的不一致性研究[D]. 武漢：中國(guó)地質(zhì)大學(xué)，2013.

[22]何 密，李永禎，王雪松，等. 基于Pauli基分解的極化校準(zhǔn)算法[J]. 宇航學(xué)報(bào)，2011，32（12）：2589-2595.

[23]Ferro-Famil L，Pottier E，Lee J S. Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing，2017，39（11）：2332-2342.

[24]朱海洲，賈銀山. 基于支持向量機(jī)的遙感圖像分類(lèi)研究[J]. 科學(xué)技術(shù)與工程，2010，10（15）：3659-3663.

[25]吳建寧，王 玨. 基于支持向量機(jī)的步態(tài)分類(lèi)方法[J]. 測(cè)試技術(shù)學(xué)報(bào)，2006，20（4）：299-303.

[26]趙傳峰，姜漢橋，郭新華. 支持向量機(jī)在小樣本預(yù)測(cè)中的應(yīng)用[J]. 油氣田地面工程，2009，28（2）：21-23.

[27]陳超祥，陳華鋒，葉時(shí)平. 高分辨率影像中基于紋理的建筑區(qū)信息提取[J]. 計(jì)算機(jī)工程，2011，37（21）：126-130.

[28]金 杰，朱海巖，李子瀟，等. ENVI遙感圖像處理中幾種監(jiān)督分類(lèi)方法的比較[J]. 水利科技與經(jīng)濟(jì)，2014，20（1）：146-148，160.