趙國兵 程吉 李洋 謝文瀚 鄧立¤

1.四川省國土科學技術研究院（四川省衛(wèi)星應用中心），四川成都

2.自然資源部耕地資源調(diào)查監(jiān)測與保護利用重點實驗室，四川成都

3.中國石油大學（華東）海洋與空間信息學院，山東青島

4.青島海洋科學與技術試點國家實驗室海洋礦產(chǎn)資源評價與探測技術功能實驗室，山東青島

0 引言

不透水面是指阻止水分下滲到土壤的城市人工地面，是城市的重要特征地物。城市不透水面面積的變化能夠從一定程度反映城市化的進程和經(jīng)濟的發(fā)展水平[1]。當前，不透水面信息的提取，通常以遙感技術手段選取平原地區(qū)城市進行觀測，卻很少在西部低山丘陵區(qū)城市開展。究其原因，低山丘陵區(qū)城市復雜多變的地形使得單一數(shù)據(jù)源無法很好地滿足提取精度的需要，同時，丘陵氣候多云雨問題也限制了不透水面提取的精度。因此，采用多源數(shù)據(jù)對丘陵城市不透水面開展提取研究，已成為當前熱點。

我國高分辨率對地觀測系統(tǒng)重大專項（簡稱高分專項）自2006 年建設以來，已發(fā)射多顆搭載不同類型傳感器的衛(wèi)星，為行業(yè)應用提供高質(zhì)量高分辨率遙感衛(wèi)星影像[2]。其中，高分1號衛(wèi)星提供的高分辨率光學影像能夠為丘陵地區(qū)不透水面提取提供豐富的光譜信息；高分3號雷達衛(wèi)星能全天時全天候成像，其全極化精細條帶模式可以提供豐富的極化信息與空間幾何結構信息，能與光學影像形成互補。

四川盆地地形主要以低山丘陵為主，是人口和經(jīng)濟的密集地區(qū)。本文以四川盆地低山丘陵區(qū)城市瀘州市為例，以高分1 號光學遙感影像和高分3號全極化雷達影像相融合的方式，進行不透水面提取研究，以期能夠滿足四川盆地內(nèi)低山丘陵區(qū)城市發(fā)展監(jiān)測、自然生態(tài)保護以及國土資源管理對不透水面基礎信息的需求。

1 試驗區(qū)和數(shù)據(jù)概況

1.1 試驗區(qū)概況

如圖1所示，瀘州市位于四川盆地南緣，東與重慶市接壤，南與貴州省連界，西與云南省和四川省宜賓市、自貢市相連，北接四川省內(nèi)江市和重慶市，處于川東南平行褶皺嶺谷區(qū)南端與大婁山的結合部，四川盆地南緣向云貴高原的過渡地帶，兼有盆中丘陵和盆周山地的地貌類型，低山丘陵占市域面積的80%。

1.2 數(shù)據(jù)預處理

圖1 試驗區(qū)地理位置

高分1號是高分專項中的首發(fā)星，搭載有多光譜相機和全色多高光譜相機，其中，全色多光譜相機包含4個可見光波段和1 個全色波段，可見光波段分辨率為8 m，全色波段分辨率則為2 m，重訪周期為4 d。高分1 號同時擁有高空間分辨率、多光譜與高時間分辨率，能為不透水面提取提供豐富的光譜信息和空間信息[3]。本文使用高分1號C衛(wèi)星數(shù)據(jù)，選用了2021年9月21日的PMS數(shù)據(jù)，通過對原始多光譜和全色數(shù)據(jù)進行輻射校正、大氣校正和幾何校正，然后再將校正后的多光譜數(shù)據(jù)和全色數(shù)據(jù)進行融合，得到空間分辨率為2 m 的藍、綠、紅和近紅外波段。高分1號衛(wèi)星詳細參數(shù)如表1所示。

高分3 號是中國首顆空間分辨率達到1 m 的C 波段合成孔徑雷達衛(wèi)星（SAR），不僅涵蓋了傳統(tǒng)的條帶、掃描成像模式，還擁有聚束、條帶、掃描、波浪、全球觀測、高低入射角等多種成像模式，彌補了我國民用高分辨率SAR 衛(wèi)星的空白。同時，高分3 號提供多種極化方式，包括單極化、雙極化和全極化，能為地物識別提供豐富的極化信息[4]。高分3 號衛(wèi)星詳細參數(shù)如表2 所示。對于高分3 號，本文采用了2021 年9 月18 日成像的QPSI 數(shù)據(jù)，做了輻射定標、RPC 幾何校正、Lee 濾波、相干矩陣提取和H-A-Alpha 極化分解。為和光學影像融合匹配，最后將處理得到的高分3 號影像重采樣到2 m，并與高分1 號影像進行空間配準。

表1 高分1號衛(wèi)星詳細參數(shù)

表2 高分3號衛(wèi)星詳細參數(shù)

2 技術方法

2.1 特征提取

對于高分辨率的光學影像，為充分利用其光譜信息和空間信息，除光譜波段外，還計算了紋理特征。灰度共生矩陣（GLCM）是一種常用的紋理特征計算方法，該方法從統(tǒng)計的角度描述圖像的紋理，描述了像元間的空間相關特性[5]。通過對可見光進行主成分分析，對包含信息最多的第一主成分分量進行GLCM紋理特征提取，計算得 到 均 值 （Mean）、 方 差 （Variance）、 同 質(zhì) 性（Homogeneity）、 對 比 度 （Contrast）、 相 異 性（Dissimilarity）、 熵 （Entropy）、 二 階 矩 （Second moment）和相關性（Correlation）。試驗區(qū)影像部分紋理特征如圖2所示，顯然，不同的紋理信息充分體現(xiàn)了該區(qū)域的空間結構特征。

圖2 高分1號影像的GLCM紋理特征

對于極化SAR 影像，首先得到散射矩陣S，在對散射矩陣進行相干分解，得到相干矩陣T，矩陣T 的主對角線元素對應著不同的散射機制，第一個主對角線元素T11對應著表面散射，第二個主對角線元素T22 對應著二次散射，第三個主對角線元素T33 對應著體散射[6]。采用相干矩陣的主對角線元素可以為區(qū)分不透水面和其他地物提供有用的極化信息。此外，由于丘陵城市場景中，目標往往復雜多樣，散射特性變化性強，本文還進行了非相干目標分解獲取極化分解分量。Cloude 于1997 年提出的H-A-Alpha 分解方法物理意義明確、簡單易用，是經(jīng)典的極化分解方法之一[7]。本文采用該方法，得到散射熵（H）、散射角（Alpha）和各向異性（A）。圖3 展示了提取的極化SAR特征，可以看出，極化SAR特征提供了不同于光學影像的信息，尤其是協(xié)方差矩陣的主對角線元素，能夠有效增強不透水面，抑制其余地物如水體、裸土等，有效提高不透水面的可識別性。

圖3 高分3號的特征提取

綜上，對于低山丘陵城市場景，為利用高分辨率光學影像的光譜信息，選擇了高分1 號的全部可見光波段；此外，選擇了基于光學影像計算的紋理特征為不透水面分類提供空間信息；對于SAR 數(shù)據(jù)，則充分利用其散射極化信息，對光學影像進行補充，不僅增強了算法對低山丘陵城市中大量存在的裸土與亮不透水面的識別能力，也提供了更多城市幾何結構特征。最終，本文選擇了光學和雷達影像共18個特征組成特征集，如表3所示。

2.2 不透水面分類

數(shù)據(jù)融合包括3 個層次，即像素層、特征層和決策層。像素層是以單個像素為單位做融合，得到融合圖像后再分類，因此，要求極其嚴格的配準，但SAR 影像存在大量的斑點噪聲，會極大降低像素層的融合精度。決策層雖然對圖像配準的要求不高，但是如何構建合適的決策機制需要大量的探索。特征層對不同的數(shù)據(jù)源提取特征，再對特征進行堆疊以及后續(xù)處理，對圖像配準的要求不如像素層嚴格，計算復雜度低于決策層，通過不同的特征能充分利用不同數(shù)據(jù)源的信息，是光學和SAR的極佳融合方式[8]。因此，本文選擇特征級的融合方式，將提取的光學和SAR 特征堆疊形成特征向量，輸入分類器，得到四類地物的分類結果，即不透水面、植被、水體和裸土。最后將所有不透水面類別合并，得到最終的不透水面提取圖。

表3 特征提取

對于分類器，采用了支持向量機（SVM）。SVM 是通過尋找一個最大分割超平面來區(qū)分各個類別，其原理簡單易懂，計算方便且分類精度較高，是常用的機器學習分類算法之一。此外，SVM 還引進了核函數(shù)，使得復雜的非線性分類問題也得到了很好的解決[9]。本文采用的是成對分類（pairwise classification）的策略進行SVM 多分類，核函數(shù)選擇了高斯核函數(shù)。

在樣本的選擇上，遵循隨機、分布均勻、盡量包含每類地物中不同類型對象的原則，選擇了13 427個樣本，其中，包含8 907 個訓練樣本和4 520 個測試樣本，具體信息如表4所示。

表4 樣本選擇

2.3 精度評定

為全面反應采取融合算法的提取效果，選擇混淆矩陣及其衍生指標總體精度（OA）、Kappa 系數(shù)、用戶精度（UA）、制圖精度（PA）、漏分誤差（CE）和錯分誤差進行精度評定。OA、Kappa 系數(shù)、UA、PA、OE 和CE 的計算公式分別為[10]：

其中，N 為觀察樣本總量，K 為類別個數(shù)，Xii為混淆矩陣第i 個主對角線樣本數(shù)，表示第i 類中被正確分類的像元個數(shù)；Xi+為第i 行的觀察樣本總和，X+i為第i 列的觀察樣本總和。OA 反映總測試樣本中分類正確的比例，但只考慮了混淆矩陣中的主對角線元素，Kappa系數(shù)則還考慮了混淆矩陣的非主對角線元素。UA 反映在分類結果圖中某類被正確識別的精度，PA 則反映在實際影像中，某類得到正確識別的比例。CE 表示分類結果圖中被分為某一類地物實際上有多少應該是別的類別，OE 則反映實際的某一類地物有多少被錯誤地分到其它類別。

3 結果分析

3.1 定性分析

在低山丘陵城市，地形復雜、地物分布較雜，植被、裸土、水體大量分布，且大量裸土與不透水面相鄰，給不透水面提取造成極大的困難，通過融合使用高分辨率光學和SAR 影像特征，能夠較好地提取出丘陵城市的不透水面。由圖4和圖5可以看出，在該試驗區(qū)內(nèi)，各類別基本分類正確，雖然還有部分細節(jié)存在誤差，但對于大范圍城市不透水面制圖已基本滿足使用需求，不透水面主要位于試驗區(qū)西南和南部地區(qū)，與試驗區(qū)真實影像的不透水面覆蓋相吻合。

3.2 定量分析

試驗結果的混淆矩陣和其余精度評價指標分別如表5和表6 所示。從混淆矩陣中可以看出，試驗總體精度達83.23%，Kappa 系數(shù)達0.77，總體滿足大范圍低山丘陵城市不透水面提取精度。易與不透水面產(chǎn)生混淆的主要是裸土，這是由于丘陵城市中裸土分布范圍廣、面積較大，且大量與不透水面相鄰所造成的。低山丘陵城市由于受地形限制，城市化水平稍遜于平原城市，因此，城市邊緣地區(qū)建筑物大多矮小，其散射回波有限，若周圍裸土較粗糙，在SAR 影像上的灰度差異較小，很難改善光學影像已經(jīng)存在的不透水面和裸土的光譜混淆，并且，由于低山丘陵高差起伏，SAR 影像存在疊掩、頂?shù)孜灰频?，使得山脊部分呈現(xiàn)高亮，與不透水面的高亮特征類似。其次，易與不透水面產(chǎn)生混淆的是水體。在試驗結果中，大部分陰影都得到了正確的分類，但仍然有部分新建高樓陰影投射面積極大，光譜信息嚴重缺失，部分陰影被錯誤識別為水體。

圖4 分類結果圖

圖5 不同地物分類概率圖

表5 混淆矩陣

表6 精度評價指標

4 結論

本文以高分1 號光學影像和高分3 號全極化雷達影像為基礎數(shù)據(jù)源，通過特征提取，挖掘不同數(shù)據(jù)源的信息，在特征層進行數(shù)據(jù)融合，以經(jīng)典機器學習算法SVM 為技術支撐，得到大范圍丘陵城市的不透水面制圖，總體精度達83.23%，Kappa 系數(shù)達0.77，基本能夠滿足低山丘陵城市在相關應用及監(jiān)管中的不透水面制圖需求。但是，該算法仍然存在部分細節(jié)處的混淆，主要是裸土與亮不透水面、水體與陰影不透水面混淆引起的。接下來，可探索雷達數(shù)據(jù)在光學陰影的特征，以進一步提高不透水面提取精度，但也需要同時考慮到雷達影像自身存在的雷達陰影、疊掩以及頂?shù)孜灰频葞缀螁栴}。