SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)融合在土地覆蓋分類中的應(yīng)用研究

姬永杰 岳彩榮 張王菲（西南林業(yè)大學(xué)林學(xué)院，云南昆明650224）

?

SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)融合在土地覆蓋分類中的應(yīng)用研究

姬永杰 岳彩榮 張王菲
（西南林業(yè)大學(xué)林學(xué)院，云南昆明650224）

摘要：采用ALOS-1-PALSAR數(shù)據(jù)的強(qiáng)度信息、HV/ HH極化比值信息和HV＆HH相干系數(shù)與TM影像融合，以支持向量機(jī)（SVM）的方法對(duì)土地覆蓋進(jìn)行分類，對(duì)比了TM影像、TM+SAR強(qiáng)度影像、TM+HV/ HH比值影像、TM+相干影像的分類結(jié)果。結(jié)果表明：分類精度由高到依次為TM+相干影像>TM+HV/ HH比值影像>TM+SAR強(qiáng)度影像>TM影像；采用SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)融合，可以在不同程度上提高土地利用覆蓋分類的精度。

關(guān)鍵詞：土地覆蓋分類；SAR；TM；融合

土地覆蓋是隨著遙感技術(shù)發(fā)展而出現(xiàn)的一個(gè)新概念，具體是指根據(jù)土地的自然屬性將地球陸地表面分為不同的覆蓋類型，包括地表植被、水體、湖泊、人工建筑物、土壤等類型［1］。土地利用覆蓋變化是全球變化研究中的一個(gè)主要內(nèi)容，隨著遙感技術(shù)的興起，已經(jīng)成為土地覆蓋分類研究的一個(gè)重要手段。大數(shù)據(jù)時(shí)代帶來(lái)了大量不同類型的數(shù)據(jù)源，使得采用多源數(shù)據(jù)進(jìn)行土地利用分類研究不僅成為可能，而且成為一種必然的趨勢(shì)。目前，在土地利用覆蓋類型相關(guān)研究中，主流數(shù)據(jù)仍為光學(xué)數(shù)據(jù)。光學(xué)遙感由于其波長(zhǎng)特征，在多云多雨的地區(qū)會(huì)受到限制，而合成孔徑雷達(dá)（synthetic aperture radar，SAR）技術(shù)由于具有全天時(shí)、全天候的特點(diǎn)，成為傳統(tǒng)光學(xué)圖像不可缺少的補(bǔ)充。近年來(lái)，伴隨著新型SAR傳感器的相繼升空，微波遙感數(shù)據(jù)獲取方式已由單波段、單極化、單角度發(fā)展到多尺度、多頻率、多極化以及多時(shí)相等多種方式，使得SAR與多光譜數(shù)據(jù)相結(jié)合的研究手段在土地覆蓋分類的研究與應(yīng)用中越來(lái)越廣泛［2-3］。光學(xué)數(shù)據(jù)中包含大量的光譜信息，而SAR由于其特殊成像方式，包含了地物的形狀、介電常數(shù)、粗糙度和方位取向等信息，進(jìn)行多源數(shù)據(jù)的融合是實(shí)現(xiàn)兩者互補(bǔ)合作的有效手段。遙感融合主要有3個(gè)層次：像素級(jí)融合、特征級(jí)融合和決策級(jí)融合。但是由于光學(xué)影像和SAR影像的成像方式差異較大，目前針對(duì)高分辨率影像實(shí)現(xiàn)像素級(jí)融合是很困難的，但是針對(duì)分辨率較低的光學(xué)和SAR影像，仍然可用HSV、主成分分析等像素級(jí)融合方法［1-3］。近年來(lái)，日本宇航局向全球開(kāi)放了25 m空間分辨率的L波段的PALSAR數(shù)據(jù)，極大的促進(jìn)了采用L波段數(shù)據(jù)在土地利用覆蓋、森林生物量反演方面的應(yīng)用［4-6］。本研究以L波段PALSAR雙極化數(shù)據(jù)為SAR數(shù)據(jù)源（多視處理后分辨率約為18 m），TM數(shù)據(jù)作為光學(xué)數(shù)據(jù)（分辨率30m），分別將SAR數(shù)據(jù)的強(qiáng)度影像、相干系數(shù)影像及比值影像與TM數(shù)據(jù)采用不同的遙感數(shù)據(jù)融合方法融合，基于SVM對(duì)融合結(jié)果進(jìn)行土地覆蓋分類，探索SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)在土地利用覆蓋分類中的應(yīng)用。

1　研究區(qū)自然概況

研究區(qū)設(shè)在黑龍江省遜克縣，位于黑龍江省北部，小興安嶺北麓，黑龍江右岸，地處東經(jīng)127°24′～129°17′，北緯47°58′～49°36′。境內(nèi)地形平坦，最高處海拔795 m，屬于寒溫帶大陸性季風(fēng)氣候。冬季漫長(zhǎng)而寒冷，夏季短暫而炎熱，晝夜溫差較大。區(qū)域內(nèi)地表覆蓋類型多樣，有林地、農(nóng)地、水體和居民地等，其中森林覆蓋率達(dá)到64%［7］。

2　數(shù)據(jù)獲取及預(yù)處理

2.1數(shù)據(jù)獲取

研究區(qū)的光學(xué)影像為TM影像；同時(shí)獲取2003年土地利用分類圖作為參考，該圖在中國(guó)土地利用現(xiàn)狀分類統(tǒng)一標(biāo)準(zhǔn)的基礎(chǔ)上，結(jié)合東北地區(qū)制圖需要最終將地類劃分為林地、農(nóng)地、草地、沙地、居民地、水體等6類。SAR影像為ALOS-1衛(wèi)星的PALSAR數(shù)據(jù)，SAR數(shù)據(jù)為2個(gè)時(shí)相的雙極化數(shù)據(jù)，即2007年6月22日、2007年8月7日的HH及HV極化。

2.2數(shù)據(jù)預(yù)處理

SAR數(shù)據(jù)采用（1）式進(jìn)行了輻射定標(biāo)［8］，然后采用25 m分辨率的DEM進(jìn)行了地形幾何及輻射校正。

式中：NRCS為輻射校正后雷達(dá)截面；I為單視復(fù)數(shù)據(jù)的實(shí)部通道；Q為虛部通道；CF為定標(biāo)系數(shù)。

經(jīng)過(guò)輻射定標(biāo)和影像正射校正后，就可獲得可以使用的強(qiáng)度圖像數(shù)據(jù)，由于HV較HH對(duì)地物可分性更高，本研究以HV影像為例見(jiàn)圖1（a）。

隨著極化信息應(yīng)用的深入，研究發(fā)現(xiàn)對(duì)極化信息進(jìn)行多維度綜合利用可以挖掘更豐富的解譯信息，由于HH和HV的比值圖像與植被的相關(guān)性較高。分別對(duì)2個(gè)時(shí)期的HH和HV進(jìn)行相應(yīng)的比值作計(jì)算，取均值作為融合后HH和HV的比值圖像見(jiàn)圖1（b）。

圖1　強(qiáng)度圖像、比值圖像和相干圖像Fig.1 Intensity image，ratio image and coherence image

因此，本研究通過(guò)計(jì)算HH和HV極化強(qiáng)度圖像數(shù)據(jù)的比值，獲得比值數(shù)據(jù)圖像。同時(shí)，不同極化間的相干性程度也可以用于區(qū)別地物類型，因此，在地形配準(zhǔn)基礎(chǔ)上，以不同時(shí)相的數(shù)據(jù)分別作為主輔影像，采用（2）式［8-9］，得到了歸一化的干涉相干圖。取可分性較高的HH干涉影像為例見(jiàn)圖1（c）。

式中：S1和S2為2幅相干影像；γ為相干系數(shù)。

3　融合與分類結(jié)果評(píng)價(jià)

3.1融合結(jié)果比較

采用HSV變換法、Brovey變換法、PCA變換和Gram-Schmidt融合方法對(duì)PALSAR數(shù)據(jù)和TM數(shù)據(jù)進(jìn)行融合，以HV極化為例，融合結(jié)果見(jiàn)圖2。

HSV變換方法與Brovey變換法使得圖像的高亮度與低亮度之比增強(qiáng)，色彩對(duì)比突出，視覺(jué)效果較好。2幅影像上地物間色彩對(duì)比較明顯，紋理特性保持較好，居民地、植被與水體色調(diào)突出，結(jié)果便于進(jìn)行居民用地及植被覆蓋用地的區(qū)分；但在進(jìn)行水體與農(nóng)田、林地與草地比較時(shí)由于色調(diào)接近基本難以區(qū)分，且由于2種方法均為選取4、3、2共3個(gè)TM低分辨率波段與SAR高分辨率后向散射數(shù)據(jù)進(jìn)行融合，導(dǎo)致2幅影像波譜信息損失較大，整體清晰度相對(duì)較低、色調(diào)相對(duì)單一，效果稍顯模糊。在2種方法的優(yōu)劣方面，HSV在色調(diào)對(duì)比上相對(duì)較好，對(duì)區(qū)分地物效果更好。

采用主成分變換法和Gram-Schmidt法進(jìn)行融合后的效果明顯優(yōu)于HSV變換方法與Brovey變換法，其在保持了多光譜特性的基礎(chǔ)上，融入了SAR高分辨數(shù)據(jù)的空間特性，在空間的分辨率、影像的紋理特性、影像的逼真度、色調(diào)豐富性等方面是前2種方法無(wú)法比擬的。這是由于主成分變換法和Gram-Schmidt法均是6個(gè)波段全參與融合，在波譜信息方面損失極小。2種方法相對(duì)比，主成分（PCA）變換方法對(duì)第一主成分信息高度集中，色調(diào)發(fā)生較大變化，有些許發(fā)生失真，容易造成水體與農(nóng)田的混分；而Gram-Schmidt法在空間紋理與光譜高保真上相對(duì)較好。另外通過(guò)信息熵計(jì)算分析發(fā)現(xiàn)，無(wú)論采用何種方法融合，融合后影像平均熵均高于原始影像，且融合結(jié)果中Gram-Schmidt法信息熵最高。

3.2支持向量機(jī)的分類

Corinna Cortes等于1995年提出支持向量機(jī)（SVM）的概念，其通過(guò)構(gòu)造一個(gè)超平面或者無(wú)限維空間，使得在有限維空間中線性不可分的類別在更高維空間中可以進(jìn)行區(qū)分，因而被廣泛應(yīng)用于遙感影像分類中［10-11］。

SVM的核心是求取能夠?qū)⒋謽颖菊_分開(kāi)的最優(yōu)分類面（OSH），在求解最優(yōu)分類面（OSH）的過(guò)程中往往加入懲罰因子（C）。C值較大時(shí)，分類誤差較小，但計(jì)算時(shí)間偏長(zhǎng)；C值較小時(shí)，分類誤差較大，但計(jì)算時(shí)間較短，因此懲罰因子（C）在一定程度上控制著錯(cuò)分。

最常用的核函數(shù)是高斯核函數(shù)，又稱為徑向基核函數(shù)（RBF），它能將原始特征映射到無(wú)限維，因此本研究采用RBF核函數(shù)來(lái)實(shí)現(xiàn)影像數(shù)據(jù)到高維空間的映射。RBF僅有2個(gè)必備參數(shù)懲罰因子（C）和核參數(shù)（γ），這2個(gè)參數(shù)的取值直接影響到分類精度，研究中采用一種基于交叉驗(yàn)證的“網(wǎng)格”搜尋方法尋找最優(yōu)γ和γ的參數(shù)組合。首先將訓(xùn)練樣本劃分為n部分，其中n-1部分作為模型的訓(xùn)練樣本，其余部分作為模型參數(shù)的檢驗(yàn)樣本，直到選取出檢驗(yàn)精度最高的C和γ的值。根據(jù)經(jīng)驗(yàn)，將C和γ以指數(shù)增長(zhǎng)方式進(jìn)行搜索，可快速且準(zhǔn)確確定C和γ的值，其中C和γ在計(jì)算中分別獨(dú)立增長(zhǎng)。選取Libsvm 2.6軟件提供的參數(shù)選擇模型來(lái)確定C和γ的取值，其取值結(jié)果見(jiàn)表1。

利用支持向量機(jī)的方法，設(shè)置表1中的懲罰因子與核參數(shù)對(duì)單純TM數(shù)據(jù)和3種SAR與TM融合數(shù)據(jù)進(jìn)行分類處理。而后在分類的結(jié)果基礎(chǔ)之上，進(jìn)行3×3窗口的融合處理，再對(duì)同一個(gè)類別進(jìn)行合并，最后只剩下6個(gè)大的類別，即林地、農(nóng)地、草地、沙地、居民地、水體。分類結(jié)果見(jiàn)圖3。

圖3　分類結(jié)果Fig.3 The results of classification

3.3分類結(jié)果評(píng)價(jià)

選取70多個(gè)實(shí)地調(diào)查數(shù)據(jù)，對(duì)4種分類效果進(jìn)行精度評(píng)價(jià)，結(jié)果見(jiàn)表2。

表2　不同數(shù)據(jù)分類精度比較Table 2 The comparison of classification accuracy based on different data

從表2分析得出，3種SAR與TM融合數(shù)據(jù)分類結(jié)果均比較理想，而單純的TM數(shù)據(jù)分類精度偏低，其中SAR相干數(shù)據(jù)與TM的分類精度最高。SAR相干數(shù)據(jù)與TM融合分類數(shù)據(jù)、SAR比值數(shù)據(jù)與TM融合分類數(shù)據(jù)、SAR后向散射數(shù)據(jù)與TM融合分類數(shù)據(jù)、TM數(shù)據(jù)分類精度分別為85.5%、83.2%、80.6%、75.8%，Kappa系數(shù)分別為0.809 1、0.791 7、0.756 9、0.708 2。SAR與TM融合后將更多的空間信息融入，使其比單純的TM數(shù)據(jù)分類精度有較大的提高，這主要由于TM數(shù)據(jù)分類中存在對(duì)水體以及居民地中城市道路的漏分，以及將部分草地錯(cuò)分為農(nóng)地，或?qū)⒘阈橇值劐e(cuò)分水體，造成精度的下降。

在SAR與TM 3種融合結(jié)果中，也存在著部分錯(cuò)分現(xiàn)象。如在SAR后向散射與TM融合數(shù)據(jù)中，由于在HV中，森林和城市用地散射均高，且森林遠(yuǎn)遠(yuǎn)大于城市、農(nóng)地中等、水體散射最弱，但獲取影像受到雨季的影響，水體和農(nóng)地的散射特征相差不明顯，造成部分水體和農(nóng)地錯(cuò)分的現(xiàn)象。SAR比值影像與TM融合數(shù)據(jù)中，森林和水體的差別較小，造成這兩類用地類型的混分。而在SAR干涉影像與TM融合影像中，建筑物與水體的去相干性不同，建筑物去相干較小，而水體去相干較大；同時(shí)，由于L波段林地散射由樹(shù)干主導(dǎo)，林地的時(shí)間去相干與建筑物相似，農(nóng)地次之，因此建筑物和森林不容易區(qū)分；但是結(jié)合TM數(shù)據(jù)對(duì)2種類型的可區(qū)分性，使得其分類精度相較其他數(shù)據(jù)類型更高。

總體分析表明，3種SAR與TM融合分類數(shù)據(jù)精度相差其實(shí)并不大，而SAR比值與TM融合數(shù)據(jù)分類比后向散射與TM融合數(shù)據(jù)分類結(jié)果要高一些。主要是因?yàn)椋篠AR比值數(shù)據(jù)是對(duì)原始的后向散射數(shù)據(jù)進(jìn)行了變換，融入了更多極化信息，對(duì)原有的信息進(jìn)行了增強(qiáng)，也更有助于地物類別的識(shí)別。

4　結(jié)　論

本研究通過(guò)對(duì)PALSAR數(shù)據(jù)的不同信息與TM數(shù)據(jù)融合，探索了SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)在土地利用覆蓋分類應(yīng)用中的可能性。研究表明，3種SAR數(shù)據(jù)新與TM數(shù)據(jù)融合，均可有效增加數(shù)據(jù)信息量，提高分類結(jié)果精度。基于3類SAR信息與TM的分類結(jié)果表明，SAR數(shù)據(jù)相干信息與TM的融合獲得了較高的分類精度，這與SAR相干性對(duì)于光學(xué)影像不易區(qū)分的農(nóng)地和森林具有較好的區(qū)分性有關(guān)，SAR極化比值信息與TM融合分類結(jié)果次之，而SAR后向散射信息與TM融合分類結(jié)果略差，這是由于比值信息相比強(qiáng)度影像增加了更多極化信息。

研究中還發(fā)現(xiàn)，在強(qiáng)度影像中，水體與農(nóng)地的散射特征相差不大，考慮到影像獲取時(shí)的氣象狀況，這可能是由于降雨所導(dǎo)致的，但具體原因仍需進(jìn)一步分析。

綜上所述，采用SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)融合，可以在不同程度上提高土地利用覆蓋分類的精度，在后續(xù)研究中可以結(jié)合SAR數(shù)據(jù)特點(diǎn)，提取更多有效參數(shù)信息，與光學(xué)數(shù)據(jù)結(jié)合進(jìn)行土地利用覆蓋分類研究。

致謝：本研究所使用試驗(yàn)數(shù)據(jù)由中國(guó)林業(yè)科學(xué)院“復(fù)雜地表遙感信息動(dòng)態(tài)分析與建模”（973計(jì)劃）課題小組提供，特此表示感謝。

［參考文獻(xiàn)］

［1］宮攀，陳仲新，唐華俊，等.土地覆蓋分類系統(tǒng)研究進(jìn)展［J］.中國(guó)農(nóng)業(yè)資源與區(qū)劃，2006，27（2）：35-40.

［2］鄭凱，管磊，劉佳佳.利用多光譜與合成孔徑雷達(dá)圖像研究土地利用/土地覆動(dòng)態(tài)變化［J］.中國(guó)海洋大學(xué)學(xué)報(bào)，2009，39（S）：445-449.

［3］陳富龍，王超，張紅，等.單極化合成孔徑雷達(dá)影像在土地利用分類中的潛力分析［J］.遙感技術(shù)與應(yīng)用，2008，23（3）：289-294.

［4］劉騮.合成孔徑雷達(dá)與光學(xué)圖像融合檢測(cè)方法與仿真研究［D］.上海：上海交通大學(xué)，2013.

［5］朱俊杰.高分辨率光學(xué)和SAR遙感數(shù)據(jù)融合及典型目標(biāo)提取方法研究［D］.北京：中國(guó)科學(xué)院遙感應(yīng)用研究所，2005.

［6］何祺勝.星載雷達(dá)圖像在干旱區(qū)鹽漬地信息提取中的應(yīng)用研究［D］.烏魯木齊：新疆大學(xué)，2007.

［7］王馨爽.多維度SAR森林及其類型分類識(shí)別方法研究［D］.西安：西安科技大學(xué)，2013.

［8］Li Weiguo，Jiang Nan，Ge Guangxiu.Analysis of spectral characteristics based on optical remote sensing and SAR image fusion［J］.Journal of Applied Polymer Science，2014，9（11）：2035-2038.

［9］卜麗靜，吳暢，何志博，等.利用紋理特征的SAR與光學(xué)圖像融合方法研究［J］.測(cè)繪工程，2015，24（5）：6-10.

［10］Lee J S，Grunes M R，Pottier E，et al.Unsupervised terrain classification preserving polarimetric scattering characteristics［J］.IEEE Transactions on Geoscience ＆Remote Sensing，2004，42（4）：722-731.

［11］Hellmann M，Cloude S R，et al.Classification using polarimetric and interferometric SAR data［C］/ / Geoscience and Remote Sensing，1997.IGARSS′97.Remote Sensing - A Scientific Vision for Sustainable Development，IEEE，1997.

（責(zé)任編輯曹龍）

第1作者：姬永杰（1979—），男，助理研究員。研究方向：林業(yè)遙感。Email：jiyongjie＠swfc.edu.cn。

Use Fusion of SAR and Optical images for Land Cover Classification

Ji Yongjie，Yue Cairong，Zhang Wangfei
（College of Forestry，Southwest Forestry University，Kunming Yunnan 650224，China）

Abstract：In this paper，we fused TM image with intensity information of ALOS-1-PALSAR data，the information of HV/ HH polarization ratio and coherence coefficient.The support vector machine（SVM）method was used to classify the land cover.The classification results of TM image，TM+SAR intensity image，TM+HV/ HH ratio image and TM+ coherence image were compared.The results showed that the highest classification accuracy was the fusion of TM and coherence image，the followed one was TM and HV/ HH，then was TM and intensity image and the lowest one is TM image.To varying degrees，the classification accuracy of land utilizes and cover could be improved with the fusion of optical images and SAR images.

Key words：classification of land cover，Synthetic Aperture Radar（SAR），TM，fusion

通信作者：張王菲（1979—），女，副教授。研究方向：GIS及遙感技術(shù)在林業(yè)中的應(yīng)用。Email：mewhff＠163.com。

基金項(xiàng)目：西南林業(yè)大學(xué)科研啟動(dòng)基金項(xiàng)目（SWFC.IP2012111209）資助；國(guó)家自然科學(xué)地區(qū)科學(xué)基金（31260156）資助；西南地區(qū)生物多樣性保育國(guó)家林業(yè)局重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助。

收稿日期：2016-03-09

doi：10.11929/ j.issn.2095-1914.2016.03.027

中圖分類號(hào)：S771.8

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-1914（2016）03-0158-05