程騰輝，范文義,2*，吳國(guó)明

(1.東北林業(yè)大學(xué) 林學(xué)院，哈爾濱 150040；2.森林生態(tài)系統(tǒng)可持續(xù)經(jīng)營(yíng)教育部重點(diǎn)實(shí)驗(yàn)室(東北林業(yè)大學(xué))，哈爾濱 150040)

0 引言

合成孔徑雷達(dá)(synthetic aperture radar , SAR)具備全天時(shí)、全天候的成像能力，可以與光學(xué)遙感相互補(bǔ)充，在部分區(qū)域SAR數(shù)據(jù)優(yōu)于光學(xué)遙感數(shù)據(jù)[1]。使用單時(shí)相極化SAR(polarimetric SAR，PolSAR)數(shù)據(jù)進(jìn)行分類(lèi)研究是SAR的重要研究方向之一，現(xiàn)階段已經(jīng)取得了比較好的成果[2-9]。然而，單時(shí)相極化SAR影像在森林、城市和森林城市混雜區(qū)域的分類(lèi)效果并不理想，主要原因是受到相干斑噪聲和地形等的影響[10]。SAR數(shù)據(jù)早年的獲取方式主要是單極化、單時(shí)相、單波段，隨著SAR技術(shù)的發(fā)展，多種SAR傳感器已經(jīng)研發(fā)并投入使用，SAR數(shù)據(jù)的獲取方式包括了多極化、多時(shí)相、多波段和多角度等多種方式，SAR數(shù)據(jù)源的多樣性為散射機(jī)制類(lèi)似區(qū)域土地覆蓋類(lèi)型分類(lèi)提供了更多的可能性，也為數(shù)據(jù)的應(yīng)用方法提供了更多的機(jī)遇。

隨機(jī)森林(Random forest，RF)是一種機(jī)器學(xué)習(xí)算法，該方法采用決策樹(shù)作為基礎(chǔ)技術(shù)支撐[11]，在處理多種類(lèi)型和高維數(shù)據(jù)集時(shí)具有高精度和抗過(guò)擬合的優(yōu)點(diǎn)[12]，可以有效地降低分類(lèi)問(wèn)題中維數(shù)過(guò)大、局部極小等問(wèn)題，在SAR影像土地覆蓋類(lèi)型分類(lèi)研究中廣泛應(yīng)用[13-16]。使用單時(shí)相、多時(shí)相PolSAR、干涉SAR(interferometric SAR，InSAR)、多時(shí)相InSAR影像進(jìn)行土地覆蓋類(lèi)型分類(lèi)研究在國(guó)內(nèi)外已經(jīng)產(chǎn)生了部分研究成果，但是，基于多時(shí)相PolInSAR(polarimetric interferometric SAR，PolInSAR)數(shù)據(jù)的分類(lèi)研究，尤其是將時(shí)相極化分解信息融合進(jìn)行分類(lèi)的研究還比較少見(jiàn)。相關(guān)學(xué)者利用多時(shí)相InSAR數(shù)據(jù)提取不同時(shí)相影像的干涉相干性和后向散射系數(shù)，根據(jù)干涉相干系數(shù)分析地物類(lèi)型、林分疏密度之間的差別，對(duì)土地覆蓋類(lèi)型和林分疏密分類(lèi)取得了可用于實(shí)際應(yīng)用的分類(lèi)結(jié)果[17-21]。李明澤等[22]采用多時(shí)相PolSAR和SPOT數(shù)據(jù)，提出了融合多時(shí)相PolSAR數(shù)據(jù)和光學(xué)數(shù)據(jù)的林分類(lèi)型識(shí)別方法，結(jié)果表明綜合采用多時(shí)相數(shù)據(jù)的極化分解參數(shù)對(duì)于林分類(lèi)型的識(shí)別有很好的制圖效果。Fu等[23]使用Sentinel-1B、Sentinel-2A多時(shí)相雙極化數(shù)據(jù)對(duì)紅河國(guó)家級(jí)自然保護(hù)區(qū)進(jìn)行濕地分類(lèi)研究，提出了一種基于對(duì)象的RF結(jié)合衛(wèi)星圖像數(shù)據(jù)的濕地分類(lèi)方法，結(jié)果表明該方法在對(duì)森林林分類(lèi)型進(jìn)行分類(lèi)識(shí)別的結(jié)果最好。

以上研究中已經(jīng)有利用單時(shí)相極化分解、多時(shí)相干涉相干性、多時(shí)相極化分解特征相結(jié)合進(jìn)行地物類(lèi)型分類(lèi)的研究，但尚未有綜合考慮將多時(shí)相干涉相干性和多時(shí)相極化分解特征結(jié)合應(yīng)用于分類(lèi)。因此，本文將干涉相干性引入到多時(shí)相極化分解，結(jié)合經(jīng)典的RF分類(lèi)方法，在時(shí)相因素不同的情況下，比較了不同分類(lèi)方案的分類(lèi)精度，實(shí)現(xiàn)了一種基于多時(shí)相、全極化的RF土地覆蓋類(lèi)型分類(lèi)方法。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于河北省圍場(chǎng)縣境內(nèi)，處于內(nèi)蒙古高原的邊緣(42°22′～42°31′ N，116°53′～117°31′ E)，地形地貌組合為高原-波狀丘陵山地, 包括塞罕壩機(jī)械林場(chǎng)和御道口牧場(chǎng)的大部分區(qū)域，氣候介于半濕潤(rùn)和半干旱之間，是寒溫帶大陸性季風(fēng)氣候[24]。研究區(qū)地表覆蓋類(lèi)型多樣，包括林地、灌草、農(nóng)田、水體、城市及建筑用地等，其中植被覆蓋率達(dá)80%以上，主要由白樺(Betulaplatyphylla)、華北落葉松(Larixprincipis-rupprechtii)、山楊(Populusdavidiana)、油松(Pinustabuliformis)、云杉(Piceaasperata)和樟子松(Pinussylvestrisvar.mongolica)等組成，并且灌草和林分、不同林分混雜分布，呈現(xiàn)明顯的分布不連續(xù)性、破碎性。7—9月是林分生長(zhǎng)季，7月11日林分生長(zhǎng)基本完成，處于生長(zhǎng)旺季，9月19日落葉松和闊葉林均已開(kāi)始出現(xiàn)大面積落葉。本文采用1景衛(wèi)星圖像范圍覆蓋區(qū)域開(kāi)展土地覆蓋類(lèi)型分類(lèi)研究工作，研究區(qū)位置如圖1所示。

1.2 數(shù)據(jù)選擇與準(zhǔn)備

本研究采用日本JAXAALOS-2衛(wèi)星PolSAR數(shù)據(jù)，數(shù)據(jù)的獲取間隔時(shí)間為14 d。由于部分重訪(fǎng)日期獲取影像失敗，因此獲取了塞罕壩地區(qū)5個(gè)時(shí)相的PALSAR全極化Level1.1級(jí)產(chǎn)品數(shù)據(jù)，每幅影像的方位向、距離向分辨率分別為2.64、2.86 m，影像的具體參數(shù)見(jiàn)表1。該數(shù)據(jù)為L(zhǎng)波段數(shù)據(jù)，受時(shí)間相干性的影響較輕，在植被覆蓋區(qū)仍然可得到有效的PolInSAR數(shù)據(jù)。

表1 ALOS-2 PALSAR數(shù)據(jù)主要參數(shù)

為了獲取分類(lèi)所需的高精度訓(xùn)練樣本及檢驗(yàn)樣本，地面調(diào)查數(shù)據(jù)主要由2020年土地利用分類(lèi)圖、2020年森林資源調(diào)查小班資料和2021年8月研究區(qū)森林類(lèi)型野外調(diào)查數(shù)據(jù)組成。森林資源二類(lèi)調(diào)查小班資料和土地利用分類(lèi)圖來(lái)源于河北省塞罕壩機(jī)械林場(chǎng)，森林類(lèi)型野外調(diào)查數(shù)據(jù)完成樣地調(diào)查90塊。對(duì)森林資源二類(lèi)調(diào)查小班資料中單一樹(shù)種的小班進(jìn)行整理，主要是將所有闊葉林類(lèi)型、灌草等土地覆蓋類(lèi)型相同的小班進(jìn)行合并，并將面積較小且未在分類(lèi)系統(tǒng)中的小班(如裸巖，礦地等)拆分去除。同時(shí)，結(jié)合野外調(diào)查數(shù)據(jù)共獲得584個(gè)參考樣點(diǎn)，其中，落葉松104個(gè)、針葉混交林73個(gè)、灌草99個(gè)、闊葉林107個(gè)、水體61個(gè)、農(nóng)田79個(gè)、建筑61個(gè)，對(duì)主要樹(shù)種和樣地點(diǎn)分布較為集中的區(qū)域進(jìn)行精準(zhǔn)定位，以確保獲得的地表實(shí)測(cè)數(shù)據(jù)的可靠性。由于地面實(shí)測(cè)時(shí)間和影像數(shù)據(jù)獲取時(shí)間不完全相同，通過(guò)調(diào)查該地區(qū)土地覆蓋類(lèi)型變化，只有部分林分進(jìn)行了間伐，林分密度略有變化。因此，可以認(rèn)為影像獲取時(shí)間和實(shí)測(cè)數(shù)據(jù)獲取時(shí)間之間土地覆蓋類(lèi)型沒(méi)有發(fā)生變化，不影響最后的分類(lèi)結(jié)果。地面調(diào)查數(shù)據(jù)樣地分布如圖1所示。

圖1 研究區(qū)地理位置及樣點(diǎn)分布

2 分類(lèi)與方法

2.1 分類(lèi)系統(tǒng)

本研究參照《TD/T 1010—2015土地利用動(dòng)態(tài)遙感監(jiān)測(cè)規(guī)程》[24]，同時(shí)綜合考慮研究區(qū)的地表特征和多時(shí)相PolInSAR數(shù)據(jù)的地物識(shí)別能力，對(duì)研究區(qū)采用兩級(jí)分類(lèi)。在一級(jí)分類(lèi)系統(tǒng)中分為其他類(lèi)型和有林地；在二級(jí)分類(lèi)系統(tǒng)中，其他類(lèi)型又分為農(nóng)田、水體、建筑和灌草。有林地中落葉松、樺樹(shù)、山楊和油樟松(樟子松和油松)是研究區(qū)的主要樹(shù)種和未來(lái)發(fā)展的目標(biāo)樹(shù)種，云杉、山杏、榆樹(shù)和柞樹(shù)等樹(shù)種占地面積相對(duì)較少，因此將樺樹(shù)、山楊、柞樹(shù)等闊葉林樹(shù)種合并為闊葉林類(lèi)型，將云杉和油樟松合并為針葉混交林類(lèi)型。最終，將分類(lèi)系統(tǒng)劃分為：灌草、落葉松、針葉混交林、闊葉林、水體、農(nóng)田和建筑7類(lèi)。

2.2 研究方法

2.2.1 后向散射和干涉相干性特征參數(shù)提取

每個(gè)時(shí)相的后向散射系數(shù)和不同時(shí)相PolInSAR影像之間的干涉相干性是本文進(jìn)行地物分類(lèi)的重要參數(shù)。后向散射系數(shù)是回波強(qiáng)度的度量，干涉相干性度量了兩幅單時(shí)相單視復(fù)數(shù)(single temporal single look complex，single-temporal SLC)的相關(guān)程度。兩者主要與地表地物類(lèi)型和地物散射方式相關(guān)，后者還代表了主輔影像獲取時(shí)間間隔內(nèi)地物目標(biāo)的變化信息，兩者均可獨(dú)立進(jìn)行部分地物類(lèi)型識(shí)別。兩幅影像s1和s2之間的干涉相干性γ定義為[24]

(1)

式中：H代表共軛轉(zhuǎn)置；γ的取值范圍為[0,1]。

2.2.2 極化分解特征參數(shù)提取

極化SAR在成像過(guò)程中，不同地物對(duì)電磁波產(chǎn)生不同的散射特性，如：地面和水體主要是發(fā)生表面散射；農(nóng)作物、森林等則易于產(chǎn)生體散射。極化相干矩陣能夠記錄并描述地物的散射特性，而極化分解是利用散射矩陣、相干矩陣或協(xié)方差矩陣實(shí)現(xiàn)提取地物目標(biāo)散射特性的重要方法。因此，極化分解參數(shù)是地物目標(biāo)的散射特征，是極化SAR圖像分類(lèi)、地表參數(shù)反演等應(yīng)用的重要依據(jù)。采用目標(biāo)分解獲取極化散射信息是利用單時(shí)相極化SAR數(shù)據(jù)進(jìn)行土地覆蓋類(lèi)型分類(lèi)的重要研究方法[2,25-27]，采用極化相干矩陣作為目標(biāo)分解的初始特征。利用PolSARpro_v6.0.2進(jìn)行極化分解參數(shù)的提取，通過(guò)查閱文獻(xiàn)篩選取用該軟件中提供的12種極化分解方法，共81個(gè)極化分解參數(shù)用于下一步的分類(lèi)，具體見(jiàn)表2。

表2 ALOS-2 PALSAR數(shù)據(jù)極化分解初步篩選參數(shù)

2.2.3 分類(lèi)特征組合與分類(lèi)器選擇

按照3種方案組合提取到的特征，3種方案分別是：①單時(shí)相獨(dú)立分類(lèi)(包括5個(gè)時(shí)相后向散射系數(shù)、干涉相干性)共7種特征組合；②單時(shí)相極化分解結(jié)合后向散射、干涉相干性方案共15種特征組合；③多時(shí)相極化分解結(jié)合后向散射、干涉相干性方案共4種特征組合，見(jiàn)表3。

表3 分類(lèi)特征組合方式

初步篩選得到的極化分解方法雖然分解模型和思路不同，但提取到的極化特征之間可能存在一定的相關(guān)性，如果采用初步篩選的所有極化分解特征，就可能會(huì)增加冗余信息，因此需要對(duì)初步篩選的極化分解特征再次篩選。并且5個(gè)時(shí)相的后向散射系數(shù)和干涉相干性之間也可能存在一定的相關(guān)性，同樣需要對(duì)這些特征進(jìn)行篩選。

隨機(jī)抽取地面調(diào)查數(shù)據(jù)中每類(lèi)的50%作為訓(xùn)練樣本，其余作為檢驗(yàn)樣本。對(duì)每種組合方式采用scikit-learn提供的RF分類(lèi)器進(jìn)行土地覆蓋類(lèi)型分類(lèi)。RF分類(lèi)器首先對(duì)分類(lèi)特征進(jìn)行重要性評(píng)估，評(píng)價(jià)標(biāo)準(zhǔn)為平均不純度減少(Mean Decrease in Impurity，MDI)，將分類(lèi)特征按照評(píng)估結(jié)果進(jìn)行排序，逐一進(jìn)行篩選得到分類(lèi)精度最高的特征個(gè)數(shù)。

2.2.4 分類(lèi)結(jié)果精度評(píng)價(jià)標(biāo)準(zhǔn)

使用混淆矩陣計(jì)算生產(chǎn)者精度(PA)、用戶(hù)精度(UA)、總精度(OA)和Kappa系數(shù)4個(gè)指標(biāo)以進(jìn)行精度評(píng)價(jià)。其中Kappa系數(shù)計(jì)算公式為

(2)

式中：K為Kappa系數(shù)；p0為混淆矩陣對(duì)角線(xiàn)樣本之和與總樣本數(shù)的比值，即OA。

3 結(jié)果與分析

3.1 各類(lèi)特征單獨(dú)進(jìn)行RF篩選后的分類(lèi)精度(方案1)

方案1的7種特征組合結(jié)合RF分類(lèi)器分類(lèi)的Kappa系數(shù)隨特征數(shù)量的變化，如圖2(a)所示，Kappa系數(shù)的最大值均不是在特征數(shù)量最多時(shí)獲取，證明RF特征篩選是有效的。就不同時(shí)相而言，獲得最優(yōu)分類(lèi)精度所使用極化分解特征的數(shù)量和類(lèi)別均不相同，證明時(shí)相信息對(duì)分類(lèi)結(jié)果產(chǎn)生了影響。單時(shí)相分類(lèi)在7月11日(林木生長(zhǎng)初期)獲得最高分類(lèi)精度，總體精度為87.33%，Kappa系數(shù)為0.851 0，但使用單一時(shí)相極化分解特征進(jìn)行分類(lèi)落葉松和針葉混交林之間存在嚴(yán)重的混分，落葉松的生產(chǎn)者精度、針葉混交林的用戶(hù)精度均低于65%，不能滿(mǎn)足目前的實(shí)際運(yùn)用要求；單獨(dú)使用后向散射或干涉相干性時(shí)，雖具備一定程度的時(shí)相信息，但總體分類(lèi)精度均低于80%，也不滿(mǎn)足實(shí)際需要。

3.2 單時(shí)相極化分解特征結(jié)合后向散射、干涉相干性進(jìn)行RF篩選后的分類(lèi)精度(方案2)

在方案2中增加一部分時(shí)相特征(后向散射、干涉相干性)，結(jié)合不同時(shí)相下的極化分解特征進(jìn)行分類(lèi)結(jié)果的Kappa系數(shù)變化如圖2(b)所示。相較于方案1的7種分類(lèi)方法，方案2各方法總體精度的增幅為3%～7%。對(duì)比方案2中15種分類(lèi)結(jié)果發(fā)現(xiàn)，后向散射系數(shù)結(jié)合單時(shí)相極化分解能夠明顯提高總體分類(lèi)精度，其中b711方法在15種分類(lèi)結(jié)果中最優(yōu)，總體精度為90.75%，Kappa系數(shù)為0.891 4，但落葉松和針葉混交林之間的混分現(xiàn)象仍然非常嚴(yán)重，落葉松的生產(chǎn)者精度、針葉混交林的用戶(hù)精度均低于70%；干涉相干性結(jié)合單時(shí)相極化分解明顯提高落葉松和針葉混交林之間的分類(lèi)精度，落葉松生產(chǎn)者精度最高為68.97%，針葉混交林最高為77.78%；兩者融合結(jié)合單時(shí)相極化分解雖然能進(jìn)一步提高2種樹(shù)種的分類(lèi)精度，但仍低于80%。因此，該方案在實(shí)際生產(chǎn)應(yīng)用中仍然存在一定的缺憾，需要尋找更高精度的分類(lèi)方案。

3.3 多時(shí)相、多特征綜合使用的分類(lèi)精度(方案3)

綜合單時(shí)相不同極化分解方法仍然不能解決主要樹(shù)種和次要樹(shù)種之間的混分現(xiàn)象，分類(lèi)精度無(wú)法進(jìn)一步提升以滿(mǎn)足實(shí)際生產(chǎn)的需求，因此，進(jìn)一步增加時(shí)相信息，結(jié)合多時(shí)相極化分解、后向散射和干涉相干性，最終得到最優(yōu)的分類(lèi)精度，見(jiàn)表4。

表4 多時(shí)相、多特征結(jié)合的分類(lèi)精度

對(duì)比3種方案的所有分類(lèi)精度可知，單獨(dú)融合多時(shí)相極化分解特征相對(duì)于單時(shí)相極化分解，總體分類(lèi)精度提高了1.71%，Kappa系數(shù)提高了0.020 2，增幅并不明顯；將多時(shí)相后向散射和干涉相干性結(jié)合多時(shí)相極化分解特征，即方案3中bcpsp方法，總體分類(lèi)精度達(dá)到93.84%，Kappa系數(shù)為0.927 6。相較于方案1和方案2中的方法分類(lèi)精度均有較大的提升，總體精度和Kappa系數(shù)的增幅分別為3.09%～18.5%、0.036 2～0.217 6。并且落葉松的生產(chǎn)者精度為75.41%，針葉混交林的用戶(hù)精度為80.56%，主要樹(shù)種和次要樹(shù)種的分類(lèi)精度得到提高，基本上滿(mǎn)足實(shí)際生產(chǎn)的需要。

3種方案均顯示Kappa系數(shù)隨參與分類(lèi)特征數(shù)量的增加而增長(zhǎng)，但當(dāng)特征數(shù)量增加到30個(gè)之后Kappa系數(shù)的增長(zhǎng)趨勢(shì)變緩；當(dāng)Kappa系數(shù)達(dá)到最大值之后，增加參與分類(lèi)的特征數(shù)量，Kappa值呈現(xiàn)緩慢下降趨勢(shì)，如圖2所示，其中，(a)為方案1，(b)、(c)、(d)為方案2;(e)為方案3。對(duì)分類(lèi)精度產(chǎn)生重要影響的主要集中在MDI值較大的部分，后續(xù)增加的特征不僅無(wú)助于分類(lèi)，甚至還增大了分類(lèi)噪聲。

篩選3種方案當(dāng)中分類(lèi)結(jié)果較好的如圖3所示，對(duì)于塞罕壩地區(qū)灌草、農(nóng)田、落葉松、針葉混交林和闊葉林混雜分布調(diào)查，圖3(c)與實(shí)際情況最為符合，這進(jìn)一步證明了采用bcpsp方法結(jié)合RF分類(lèi)器的有效性。

圖3 3種方案最優(yōu)結(jié)果

4 結(jié)論

本文以河北省圍場(chǎng)縣塞罕壩機(jī)械林場(chǎng)和御道口牧場(chǎng)為研究區(qū)，對(duì)所獲的多時(shí)相PolInSAR數(shù)據(jù)進(jìn)行輻射定標(biāo)、配準(zhǔn)(兩兩配準(zhǔn))和濾波等預(yù)處理，得到1個(gè)具有多時(shí)相信息的后向散射強(qiáng)度、干涉相干性和極化分解參數(shù)多特征數(shù)據(jù)集。將經(jīng)過(guò)1次篩選的極化分解數(shù)據(jù)、后向散射、干涉相干系數(shù)組合形成3種研究方案，并結(jié)合RF分類(lèi)器進(jìn)行二次特征篩選、分類(lèi)，最終得到了基于多時(shí)相全極化、干涉SAR的最優(yōu)隨機(jī)森林土地覆蓋類(lèi)型分類(lèi)方法。通過(guò)對(duì)3種方案進(jìn)行比較分析，得到以下結(jié)論。

(1)對(duì)于類(lèi)似塞罕壩地區(qū)，灌草、農(nóng)田和不同林分混雜分布的地區(qū)，單時(shí)相極化分解不足以支持林分類(lèi)型分類(lèi)的精確應(yīng)用，如不能獲取多時(shí)相數(shù)據(jù)，在生長(zhǎng)季的初期是最佳的土地覆蓋類(lèi)型識(shí)別時(shí)間。

(2)分類(lèi)精度在RF重要性評(píng)估的前30個(gè)特征提升較快，當(dāng)極化特征繼續(xù)增加時(shí)分類(lèi)精度的提升趨勢(shì)減緩，達(dá)到最高后反而開(kāi)始降低。

(3)綜合多時(shí)相、多特征數(shù)據(jù)可以很好地將不同林分類(lèi)型區(qū)分開(kāi)來(lái)。本文提出的方法得到的總體分類(lèi)精度為93.84%，Kappa系數(shù)為0.927 6，比最優(yōu)單時(shí)相(7月11日)極化分解分類(lèi)結(jié)果提升了6.51%，取得了可用于實(shí)際生產(chǎn)應(yīng)用的分類(lèi)結(jié)果。

本研究是將多時(shí)相PolInSAR應(yīng)用于塞罕壩地區(qū)土地覆蓋類(lèi)型分類(lèi)和林分類(lèi)型識(shí)別，雖然得到了一些初步的結(jié)論，但是仍然有許多問(wèn)題要在未來(lái)解決，如對(duì)提取到的分類(lèi)特征并未做全面的冗余分析；對(duì)于全極化數(shù)據(jù)還可以嘗試提取紋理特征、不同時(shí)相之間的相關(guān)系數(shù)等作為分類(lèi)參數(shù)。因此，在未來(lái)的研究中可就分類(lèi)特征篩選和進(jìn)一步分析干涉相干對(duì)林分類(lèi)型識(shí)別的敏感性進(jìn)行更深層次的研究。