基于全極化SAR與多光譜的喀斯特山區(qū)農(nóng)村林地提取*

王 平，周忠發(fā)※，殷 超

(1.貴州師范大學(xué)喀斯特研究院，貴陽(yáng) 550001； 2.國(guó)家喀斯特石漠化防治工程技術(shù)研究中心，貴州貴陽(yáng) 550001)

·技術(shù)方法·

基于全極化SAR與多光譜的喀斯特山區(qū)農(nóng)村林地提取*

王 平1， 2，周忠發(fā)1， 2※，殷 超1， 2

(1.貴州師范大學(xué)喀斯特研究院，貴陽(yáng) 550001； 2.國(guó)家喀斯特石漠化防治工程技術(shù)研究中心，貴州貴陽(yáng) 550001)

目的為加快推動(dòng)貴州省“互聯(lián)網(wǎng)+”林業(yè)建設(shè)，打破貴州喀斯特高原山區(qū)遙感監(jiān)測(cè)瓶頸，選取了空間分辨率8m的Radarsat-2全極化SAR數(shù)據(jù)與空間分辨率6m的SPOT 6多光譜影像作為數(shù)據(jù)源，探究微波與光學(xué)遙感結(jié)合在喀斯特山區(qū)農(nóng)村地區(qū)的林地提取技術(shù)。方法首先采用ENVI SARscape與NEST軟件對(duì)SAR圖像預(yù)處理。將Radarsat-2全極化數(shù)據(jù)與SPOT 6標(biāo)準(zhǔn)假彩色影像進(jìn)行HSV融合。計(jì)算融合圖像的平均梯度、信息熵、標(biāo)準(zhǔn)差與均值，評(píng)價(jià)出最優(yōu)融合效果的極化方式?；贙均值(K-means)與最大期望(EM聚類)聚類算法分割圖像，選擇合適的算法，基于聚類分割的閾值進(jìn)行面向?qū)ο蟮牧值胤诸悺Ｗ詈?，基于像素的混淆矩陣精度評(píng)價(jià)，結(jié)合貴州省林業(yè)廳調(diào)查數(shù)據(jù)、野外樣方和航拍圖，建立參考樣本評(píng)價(jià)分類結(jié)果。結(jié)果(1)融合之后，目視解譯出林地邊緣明顯但較粗糙； 對(duì)于在林地中小面積建筑物、農(nóng)田中的較分散的林地小圖斑能夠識(shí)別，但邊緣粗糙； 有林地和灌木林地在色調(diào)上區(qū)分明顯； 在融合后的明度圖中的灌木林地有明度較大的像元，此類像元為石旮旯地。(2)通過定量分析，融合之后的影像較SAR和光學(xué)數(shù)據(jù)信息量大。同極化平均梯度大于交叉極化，HH極化方式下各指標(biāo)最大。圖像EM聚類分割比K-means聚類更加細(xì)化。EM聚類圖像的特征區(qū)分明顯； (3)研究分類出了有林地、灌木林地和其他林地。面向?qū)ο蟮牧值胤诸惪傮w分類精度達(dá)到85.71%。結(jié)論研究將微波與光學(xué)遙感結(jié)合，為喀斯特山區(qū)中農(nóng)村地區(qū)的林地提取提供新思路，與傳統(tǒng)的林地監(jiān)測(cè)相比，數(shù)據(jù)獲取快捷，提高工作效率，精度準(zhǔn)確。有助于通過遙感的手段解決地塊破碎區(qū)域的林地提取問題，為提高多源遙感技術(shù)在喀斯特農(nóng)村地區(qū)中的林地智能監(jiān)測(cè)的能力提供借鑒。

全極化 Radarsat-2 SPOT6 林地提取 圖像融合 聚類分析 分類

0 引言

林地是全球生物圈中重要的一環(huán)，對(duì)維系整個(gè)地球的生態(tài)平衡起著至關(guān)重要的作用[1]。到2020年，全國(guó)林業(yè)信息化率將達(dá)到80%，森林覆蓋率將達(dá)23%，其中貴州省森林覆蓋率達(dá)60%。多年來，喀斯特森林植被恢復(fù)一直是研究熱點(diǎn)問題，光學(xué)圖像雖然地物光譜信息豐富，在森林植被信息識(shí)別、提取等資源監(jiān)測(cè)方面意義重大[2]，然而，卻存在對(duì)多云雨霧山區(qū)數(shù)據(jù)獲取難和植被類型嚴(yán)重的“同譜異物”等問題。合成孔徑雷達(dá)(SAR)對(duì)地觀測(cè)系統(tǒng)具有全天時(shí)全天候等優(yōu)點(diǎn)，其不受云霧雨雪天氣影響，尤其適用于喀斯特高原山區(qū)； 但SAR 影像成像與人類視覺系統(tǒng)所接受的影像存在較大差異，造成解譯困難[3， 4]?！岸鄠鞲衅餍畔⑷诤稀备拍钭钤缣岢鲇?0世紀(jì)70年代初期，它能綜合各數(shù)據(jù)源優(yōu)勢(shì)，得到更精確的多維信息估計(jì)，實(shí)現(xiàn)遙感數(shù)據(jù)精準(zhǔn)解譯[5]。遙感數(shù)據(jù)的融合一般基于圖像變換、彩色技術(shù)和算數(shù)運(yùn)算三種方法[6]。目前針對(duì)光學(xué)和SAR圖像融合，常用的算法包括基于HIS變換、HSV變換、Brovey變換、主成分變換和小波變換的融合法[7]。IHS、Brovey、主成分變換等方法易使融合后的影像光譜失真； 小波變換信息雖保真相對(duì)較好，但小波基選擇困難且計(jì)算相對(duì)復(fù)雜[5]； 基于HSV變換的融合法雖然顏色有些失真，但能保持SAR圖像紋理細(xì)節(jié)[8]，這對(duì)于不同林地分類有利。聚類分析是數(shù)據(jù)挖掘的重要手段，它是一種無監(jiān)督的統(tǒng)計(jì)方法，在圖像分割方面應(yīng)用廣泛。目前，主要有K-均值聚類方法、層次聚類方法、模糊聚類方法、譜聚類方法、密度聚類方法等[9]。在同一波段的不同極化方式中，同極化(HH、VV)對(duì)于發(fā)現(xiàn)地物位置與雷達(dá)視線平行的目標(biāo)更有利，而交叉極化(HV、VH)對(duì)于與雷達(dá)視線成一定夾角的目標(biāo)探測(cè)效果更好，因此全極化數(shù)據(jù)能更全面的描述地物散射特性[10]，但目前對(duì)于應(yīng)用全極化數(shù)據(jù)的分類需進(jìn)一步研究。由于SAR斑點(diǎn)噪聲、分類方法策略及森林植被類型自身復(fù)雜特征等各方面的局限，再加上喀斯特地區(qū)林地物種復(fù)雜多樣，受石漠化影響地表復(fù)雜，對(duì)該區(qū)域林地類型尚未有成熟的分類策略[11-12]。

至2013年，貴州省林地面積10.178 111萬km2，占國(guó)土總面積17.616 770萬km2的57.78%，研究選取的試驗(yàn)地位于貴州省清鎮(zhèn)市，但其林地占國(guó)土面積的比例低于全省平均水平[13]。該地區(qū)地塊破碎，植被破壞嚴(yán)重，地表石灰?guī)r大量裸露，生態(tài)環(huán)境脆弱[14]，由于礦山企業(yè)較多，給該地區(qū)森林資源的保護(hù)帶來了嚴(yán)峻的挑戰(zhàn)。多云多雨的氣候和復(fù)雜的地形使得傳統(tǒng)的環(huán)境監(jiān)測(cè)與單純的光學(xué)遙感手段監(jiān)測(cè)十分困難。目前，采用多源數(shù)據(jù)融合進(jìn)行林地信息提取的研究已經(jīng)比較多，但利用SAR遙感技術(shù)研究復(fù)雜山區(qū)中的林地分類尚不成熟?？λ固厣絽^(qū)地形復(fù)雜，農(nóng)村地區(qū)林地地塊破碎，傳統(tǒng)的人工統(tǒng)計(jì)耗時(shí)耗力，因此，研究為了突破傳統(tǒng)研究瓶頸，嘗試用全極化SAR與多光譜影像，采用HSV融合技術(shù)，再進(jìn)行圖像聚類分割，根據(jù)分割閾值面向?qū)ο筇崛〔煌愋土值兀云诮鉀Q貴州喀斯特山區(qū)中農(nóng)村地區(qū)的小斑塊破碎林地識(shí)別，為森林資源智能監(jiān)測(cè)提供借鑒。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)所在的貴州省清鎮(zhèn)市位于106°7′6″E～106°29′37″E，26°24′5″N～26°45′45″N。地層主要以三疊系下統(tǒng)茅草鋪組為主，灰?guī)r與白云巖大量出露，石漠化現(xiàn)象明顯，區(qū)內(nèi)受烏江支流三岔河切割的影響，導(dǎo)致地貌組合形態(tài)以峰叢洼地、谷地為主[15]； 屬于黔中高原區(qū)，南部地勢(shì)較為平緩，以丘陵和喀斯特化低山為主，地勢(shì)從西南向東北漸減； 屬亞熱帶季風(fēng)濕潤(rùn)氣候，年平均氣溫14℃，無霜期275d，年平均降雨量1150.4 mm，年日照時(shí)數(shù)1433 h； 土壤以黃沙壤、黃壤為主，pH 值為5.5～6.5，呈微酸性，有機(jī)質(zhì)含量豐富[16]。區(qū)內(nèi)地表覆蓋類型多樣且斑塊破碎復(fù)雜，森林覆蓋率為31.1%，根據(jù)《土地利用現(xiàn)狀分類》國(guó)家標(biāo)準(zhǔn)(GBT 21010-2007)農(nóng)村土地調(diào)查分類標(biāo)準(zhǔn)，主要為林地、耕地(主要包括水稻、玉米、煙草)、城鎮(zhèn)村及工礦用地、交通運(yùn)輸用地、水域及水利設(shè)施用地、其他土地(主要包括裸地)等； 其中林地類型包括有林地、灌木林地及其他林地[12]。由于區(qū)內(nèi)其他林地一類地表復(fù)雜多樣化，存在林下種植業(yè)、養(yǎng)殖業(yè)等多元經(jīng)濟(jì)模式，需進(jìn)一步做詳細(xì)研究論證，因此研究中對(duì)于其他林地暫未進(jìn)行細(xì)化分類。

1.2 數(shù)據(jù)來源

研究的實(shí)驗(yàn)數(shù)據(jù)包括遙感數(shù)據(jù)和實(shí)測(cè)調(diào)查數(shù)據(jù)，兩類數(shù)據(jù)獲取的時(shí)相選取要求同步或準(zhǔn)同步。由于光學(xué)影像光譜信息豐富，對(duì)地表植被覆蓋較敏感，因此較易區(qū)分不同類別林地，但對(duì)于多云雨的喀斯特地區(qū)經(jīng)常存在數(shù)據(jù)獲取不完整的缺陷。SAR影像的紋理較清晰，多極化比較適合森林資源調(diào)查及生態(tài)環(huán)境監(jiān)測(cè)相關(guān)領(lǐng)域的遙感應(yīng)用[2]，但往往存在相干斑噪聲、透視收縮等一系列問題，影像解譯精度。因此，為了將兩類數(shù)據(jù)優(yōu)勢(shì)互補(bǔ)，選取SPOT 6多光譜數(shù)據(jù)與Radarsat-2全極化SLC數(shù)據(jù)。運(yùn)用0.5m分辨率航拍圖目視解譯與野外實(shí)地調(diào)查交互作業(yè)方式實(shí)現(xiàn)野外樣方的建立。在實(shí)測(cè)調(diào)查數(shù)據(jù)的獲取中，由于研究區(qū)地塊破碎，結(jié)合研究團(tuán)隊(duì)的長(zhǎng)期監(jiān)測(cè)，采用GPS定位樣方，建立有林地、灌木林地、其他林地三類林地標(biāo)準(zhǔn)樣方各10個(gè)，為后期建立驗(yàn)證樣本做參考。驗(yàn)證數(shù)據(jù)主要是由貴州省林業(yè)廳提供的《貴州省2013年林地年度變更調(diào)查成果報(bào)告》[12]、研究區(qū)航拍圖和野外調(diào)研的樣方數(shù)據(jù)相結(jié)合。

圖1 研究區(qū)地理位置 圖2 研究區(qū)林業(yè)資源分布

表1 SAR與多光譜實(shí)驗(yàn)數(shù)據(jù)數(shù)據(jù)基本情況

數(shù)據(jù)類型數(shù)據(jù)源地點(diǎn)獲取時(shí)間波段空間分辨率SARRadarsat?2貴州省清鎮(zhèn)市2014年8月16日HH/VV/HV/VH8m多光譜SPOT6貴州省清鎮(zhèn)市2014年9月22日藍(lán)/綠/紅/近紅外6m

圖3 研究區(qū)三類影像

圖4 研究技術(shù)流程

2 研究方法

研究的整體思路是基于SAR與多光譜的融合技術(shù)，選擇最合適的SAR極化方式，然后基于K-means與EM聚類分析，找到最適合林地分割的閾值，進(jìn)一步根據(jù)面向?qū)ο蟮姆诸惙椒▽?duì)研究區(qū)林地提取與分類(圖4)。

2.1 SAR預(yù)處理方法

SAR成像方式作為一種主動(dòng)式遙感成像方式，與光學(xué)圖像相比，其視覺可讀性較差且受到相干斑噪聲及陰影、透視收縮、迎坡縮短、頂?shù)椎怪玫葞缀翁卣鞯挠绊?，特別是在山區(qū)，受地形影響，雷達(dá)圖像幾何失真較大，SAR信息處理非常困難。成像雷達(dá)的斑點(diǎn)噪聲的存在是影響SAR圖像質(zhì)量的最大障礙，對(duì)林地特征提取和分類造成障礙。因此需要對(duì)獲取的雷達(dá)影像進(jìn)行預(yù)處理，主要運(yùn)ENVI-SARscape基本模塊，包括：頭文件讀取、多視處理、地理編碼及輻射定標(biāo)(包括正射糾正、幾何較正過程)、濾波。此外，圖像融合的關(guān)鍵是融合前兩幅圖像的精確配準(zhǔn)以及處理過程中融合方法的選擇[17]，因此還需要將SAR與光學(xué)影像進(jìn)行精確配準(zhǔn)。通過雷達(dá)影像預(yù)處理，減少了斑點(diǎn)噪聲、幾何形變、陰影的影響，增加有用的解譯信息。

2.2 影像融合與融合圖像評(píng)價(jià)方法

研究采用HSV融合方法，首先將SPOT6多光譜影像進(jìn)行彩色變換，分離出色調(diào)(H)、飽和度(S)、明度(V)3個(gè)分量； 然后將分離的V分量與雷達(dá)影像進(jìn)行直方圖匹配； 最后將匹配后的影像與之前分離的H和S分量進(jìn)行HSV反變換，得到彩色合成影像[17]。

在對(duì)圖像融合技術(shù)進(jìn)行研究的同時(shí)，開展對(duì)圖像融合效果的客觀、定量評(píng)價(jià)問題的研究非常重要。同一融合算法對(duì)不同類型的圖像融合效果不同； 因觀察者應(yīng)用方向不同，評(píng)價(jià)效果也不同； 或圖像參數(shù)不同，評(píng)價(jià)方法不同，因此當(dāng)前圖像融合效果的評(píng)價(jià)一直沒有得到很好的解決。在許多融合應(yīng)用中，人眼的視覺特性也是非常重要的考慮因素。然而，人為評(píng)價(jià)結(jié)果受很多主觀因素影響，這就需要給出客觀的評(píng)價(jià)方法。通常客觀評(píng)價(jià)方法有基于信息量、統(tǒng)計(jì)特征、相關(guān)性和梯度值的評(píng)價(jià)[19-20]。

平均梯度(AG)反映了圖像的清晰程度，同時(shí)還反映出圖像中微小細(xì)節(jié)反差和紋理變換特征(公式1)。其中，M、N為圖像的行數(shù)和列數(shù)，Δxf(i，j)，Δyf(i，j)分別為像元(i，j)在x/y方向上的一階差分。平均梯度越大，圖像越清晰，因此用平均梯度來反映融合圖像在微小細(xì)節(jié)表達(dá)能力上的差異[18]。

(1)

圖像信息熵(H)的含義為圖像的平均信息量，其概念是由信息論的著名創(chuàng)始人香農(nóng)提出的，信息量增加是圖像融合最基本的要求，融合圖像中的信息熵越大，說明圖像中包含的信息越多，融合效果越好。其中，L為圖像總灰度級(jí)數(shù)，對(duì)于256灰度等級(jí)的圖像L=256，pi為灰度值為i的像素個(gè)數(shù)與總像素?cái)?shù)之比[20]。

(2)

均值是圖像中所有像元亮度值的算術(shù)平均值。能夠反映出地物平均反射強(qiáng)度，其大小決定于一級(jí)波譜信息[19-20]。圖像標(biāo)準(zhǔn)差(Std)表示像元與圖像平均像元值的離散程度，是反映圖像信息大小的重要標(biāo)志(公式3)，式中M、N為圖像的行數(shù)和列數(shù)，g(i，j)為圖像中(i，j)位置處像素的灰度值[20-23]。

(3)

2.3 分類方法與圖像分類精度驗(yàn)證

首先采用非監(jiān)督分類中的K均值與EM聚類來確定三類林地特征閾值，然后基于閾值進(jìn)行面向?qū)ο蟮膱D像分類。K-均值(K-Means)聚類算法是在1967年由麥克奎因首次提出的，它是聚類分析中的一種基本劃分式方法，在圖像分割中意義重大，其基本思想為隨機(jī)選擇多個(gè)初始類簇中心，將每個(gè)樣本分配到最近的類簇中心所屬的集合之中，形成了均值聚類的初始分布[18]。EM聚類算法也叫最大期望算法，它是在概率模型中尋找參數(shù)最大似然估計(jì)或者最大后驗(yàn)估計(jì)的算法。EM 模型首先假設(shè)遙感影像數(shù)據(jù)集由有限個(gè)參數(shù)化高斯密度分布，根據(jù)一定的比例構(gòu)成，通過迭代計(jì)算，得出各密度分布的最大似然參數(shù)估計(jì)，最后通過密度分布的概率大小來確定類別的歸屬[19]。研究采用了eCognition軟件面向?qū)ο蟮姆诸惙椒?，首先進(jìn)行像素合并和對(duì)象分割，通過對(duì)影像特征統(tǒng)計(jì)，可對(duì)小斑塊地物分類，通過人機(jī)交互建立知識(shí)庫(kù)，自動(dòng)提取目標(biāo)，從更多的因素提取地物信息[24]。

分類精度計(jì)算采用基于像素的混淆矩陣評(píng)價(jià)方法，被正確分類的像元數(shù)目沿著混淆矩陣的對(duì)角線分布，總像元數(shù)等于所有真實(shí)參考源的像元總數(shù)。精度驗(yàn)證由制圖精度、用戶精度和總體精度三部分組成。制圖精度表示將整個(gè)影像的像元正確分為某一類的像元數(shù)(混淆矩陣對(duì)角線值)與某一類真實(shí)參考總數(shù)(混淆矩陣中某一類列的總和)的比率。用戶精度指正確分到某一類的像元總數(shù)(混淆矩陣對(duì)角線值)與將整個(gè)影像的像元分為某一類的像元總數(shù)(混淆矩陣中某一類行的總和)比率?？傮w精度表示總體分類精度，等于被正確分類的像元總和除以總像元數(shù)，表示涉及到所有像素分類的正確性。具體操作方法首先在 ArcMap10.2中，在研究區(qū)范圍內(nèi)自動(dòng)生成隨機(jī)點(diǎn)； 基于野外調(diào)研的GPS定位樣方，進(jìn)行人工篩選解譯上述樣本點(diǎn)，結(jié)合0.5m分辨率航拍圖和《貴州省2013年林地年度變更調(diào)查成果報(bào)告》進(jìn)行樣點(diǎn)刪除與修正并保存成.shp格式的文件輸出； 最后將樣本的點(diǎn)文件導(dǎo)入eCognition軟件中并轉(zhuǎn)化為參考樣本進(jìn)行精度評(píng)價(jià)。

3 結(jié)果與分析

3.1 SAR后向散射系數(shù)與HSV融合結(jié)果

經(jīng)過SAR圖像預(yù)處理之后得到4幅不同計(jì)劃方式的圖像。后向散射系數(shù)是雷達(dá)影像用來表征不同地物特征的元素之一，不同地物對(duì)同一雷達(dá)衛(wèi)星發(fā)射的某一個(gè)波段中不同的極化方式會(huì)產(chǎn)生不同的散射特點(diǎn)。根據(jù)對(duì)四種極化方式影像的后向散射系數(shù)的提取與統(tǒng)計(jì)(圖5、圖6)，發(fā)現(xiàn)同極化方式(HH、VV)下的回波信號(hào)要高于交叉極化方式(HV、VH)。VH與VV極化方式對(duì)三類林地的特征區(qū)分明顯。VV極化方式中各林地類型之間的后向散射系數(shù)差值最大，區(qū)分最明顯。但總體來看，三類地物特征的邊緣不明顯，僅僅以雷達(dá)后向散射系數(shù)作為閾值分類不明顯。

圖5 四種極化方式SAR影像

圖6 不同林地類型SAR后向散射系數(shù)統(tǒng)計(jì)

綜合數(shù)據(jù)處理的計(jì)算速度與融合效果，研究采用HSV變換融合方法，采用Matlab軟件分析圖像[21， 22]。如圖7所示，為不同極化方式下SAR與多光譜影像4， 3， 2(紅外，紅，綠)波段HSV融合的結(jié)果。

圖7 不同極化方式SAR與多光譜圖像HSV融合對(duì)比(局部截圖)

圖8 HSV融合結(jié)果對(duì)比圖(以HH極化為例)

3.2 融合結(jié)果評(píng)價(jià)

3.2.1 主觀評(píng)價(jià)

對(duì)比0.5m航拍影像，目視解譯四類SAR極化方式的融合結(jié)果(圖7、圖8)區(qū)分不大，HSV融合方法很好的保留了圖像的光譜與紋理信息； 而且經(jīng)過HSV融合，SAR影像的陰影得到一定程度的消除，有助于對(duì)地貌(峰叢、峰林等)的恢復(fù)； 同極化方式下對(duì)于融合后山體陰影消除沒有交叉極化效果好； 對(duì)于喬木、灌木覆蓋集中的地塊邊緣識(shí)別明顯。線性地物(道路)能被識(shí)別出基本輪廓，但輪廓識(shí)別不連續(xù)，這主要是由于喀斯特山區(qū)地表復(fù)雜，SAR影像對(duì)地表返回的散射信號(hào)敏感所致； 在雷達(dá)影像上，灌木林地通常分布在農(nóng)村居民點(diǎn)或農(nóng)田，在林地中的小面積建筑物能夠區(qū)分，對(duì)農(nóng)村居民建筑物等輪廓清晰地物能夠得到較好識(shí)別，對(duì)農(nóng)田周圍的灌木林地也能夠基本區(qū)分出來； 疏林地內(nèi)樹木生長(zhǎng)稀疏，和郁閉度較大的有林地和灌木林地相比，其冠層所占比率小，但由于SAR與多光譜影像空間分辨率較航拍影像低，因此融合結(jié)果在影像上表現(xiàn)出解譯山體、林地邊緣輪廓較粗糙； 石旮旯地且通常零星分布在農(nóng)田與灌木林地周圍，在SAR圖像中由于受角反射器結(jié)構(gòu)影響返回信號(hào)較強(qiáng)，因此，在融合后的明度圖中農(nóng)田與灌木林地中會(huì)有明度較高的像元出現(xiàn)，這種在像元“異?！苯庾g為石旮旯地。

3.2.2 客觀評(píng)價(jià)

研究運(yùn)用Matlab與ENVI軟件，選用了平均梯度、信息熵、標(biāo)準(zhǔn)差與均值評(píng)價(jià)融合圖像效果。從表2中可以看出，基于HSV融合方法的融合圖像比多光譜與雷達(dá)影像都有所提升，HH極化平均梯度最大，說明HH極化方式下圖像層次豐富，圖像更加清晰，其次是VV極化，交叉極化的平均梯度要小于同極化。與原始SAR和多光譜圖像相比，HSV融合圖像的信息熵、標(biāo)準(zhǔn)差更大，說明通過該方法的融合能夠豐富圖像的信息，HH極化方式信息最豐富。從統(tǒng)計(jì)特征的均值來看，SAR數(shù)據(jù)在影像上表現(xiàn)為后向散射系數(shù)，其成像機(jī)理不同于光學(xué)影像，其均值均為負(fù)值。從四種極化方式來看，HH極化方式下的融合結(jié)果平均反射強(qiáng)度更強(qiáng)。

3.3 聚類與分類結(jié)果及精度驗(yàn)證

采用NEST雷達(dá)處理軟件對(duì)HH極化方式下融合后的圖像進(jìn)行K-Means與EM聚類分析(圖9)，再用Matlab圖像處理函數(shù)進(jìn)行編程多維顯示[21-23]。從圖9中可以看出，K-Means聚類與EM聚類方法分割類別均為6類，從圖9中可分析出基于EM聚類的分割更加細(xì)化，分類斑塊面積更小，較適合小區(qū)域尺度的研究，有助于區(qū)分地物特征較相近的三類林地。

表2 圖像評(píng)價(jià)客觀指標(biāo)

數(shù)據(jù)類型波段/極化方式平均梯度信息熵標(biāo)準(zhǔn)差均值HSV融合HH極化157374063969748VV極化159768754336307VH極化137467453585738HV極化138567560955791SPOT6Blue043510540037051Green056416796837361Red0212111108628583NIR0332361560593513Radarsat?2HH極化059011275-883VV極化026007253-856 VH極化028006237-1509HV極化068009238-1497

圖9 HH極化聚類分割3D圖

通過NEST軟件圖像分析，將聚類圖像進(jìn)行定量統(tǒng)計(jì)分析(圖10)，根據(jù)野外樣方定位信息，分別得到有林地、灌木林地、其他林地三類林地的圖像剖面像元分布圖，圖像直方圖，閾值概率統(tǒng)計(jì)圖，三類林地有明顯的特征區(qū)分。其中有林地與灌木林地的像元值分布更均勻，像元剖面的圖譜分布更加平穩(wěn)，這主要是由于有林地與灌木林地的郁閉度較高，其統(tǒng)計(jì)特征更加明顯。通過統(tǒng)計(jì)，三類有林地的聚類后像元均值分布在5.1、5.4、4.9，考慮閾值的相似性，參考航拍圖糾正，以像元為中心±0.1作為設(shè)置閾值。有林地為5.0～5.2，灌木林地為5.3～5.5，其他林地為4.8～5.0。

選擇閾值劃分更細(xì)化的EM聚類分析，根據(jù)其閾值，用eCognition軟件對(duì)影像基于分割閾值進(jìn)行面向?qū)ο蟮牧值胤诸悺＿x擇野外采集的樣本點(diǎn)和航拍圖并結(jié)合了貴州省林業(yè)廳統(tǒng)計(jì)數(shù)據(jù)，目視解譯樣本作為評(píng)價(jià)樣本，確定了700個(gè)參考樣本(圖11-左)，進(jìn)行基于像素的混淆矩陣分類精度評(píng)價(jià)。從表3可以看出，有林地的制圖精度最高，其次是其他林地，灌木林地的制圖精度相對(duì)較低，但也達(dá)到了78.09%。從用戶精度來看，三類林地都能達(dá)到80%?？傮w分類精度能達(dá)到85.71%。綜合數(shù)據(jù)的分析過程，統(tǒng)計(jì)結(jié)果的誤差來源主要和數(shù)據(jù)空間分辨率、驗(yàn)證數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的時(shí)間差等有關(guān)。首先，目前任何一種遙感技術(shù)都不能完全模擬出真實(shí)地表的存在狀態(tài)，因此無論從SAR數(shù)據(jù)的極化方式還是多光譜數(shù)據(jù)光譜角度來分析，這種來自于遙感數(shù)據(jù)分辨率的誤差必然存在。其次，雖然林業(yè)資源在短時(shí)間內(nèi)變化較小，但因傳統(tǒng)的林業(yè)統(tǒng)計(jì)跨度時(shí)間較長(zhǎng)，研究未考慮季節(jié)變化，必定會(huì)造成統(tǒng)計(jì)數(shù)據(jù)與實(shí)驗(yàn)結(jié)果有所差距。最后通過分類最終輸出分類結(jié)果并制圖(圖11-右)。

表3 林地類別識(shí)別精度

類別參考分類制圖精度(%)用戶精度(%)有林地灌木林地其他林地總數(shù)計(jì)算分類有林地23212424892809355灌木林地61643220278098119其他林地123420425085008160總數(shù)250210240700總體精度8571

圖11 驗(yàn)證樣本點(diǎn)空間分布圖(左)及HH極化-HSV融合-EM聚類林地分類圖(右)

4 結(jié)論

研究探討了采用Radarsat-2與SPOT6數(shù)據(jù)融合技術(shù)提取喀斯特山區(qū)中農(nóng)村地區(qū)的林地。其關(guān)鍵在于融合方法、極化方式與分割算法的選擇，來準(zhǔn)確確定各類別的特征閾值。根據(jù)不同極化方式下圖像處理結(jié)果對(duì)比分析，總結(jié)出以下結(jié)論。

(1)在喀斯特高原山區(qū)，針對(duì)峰叢洼地與峰叢谷地地貌類型的農(nóng)村地區(qū)，應(yīng)用HSV融合之后，圖像質(zhì)量均高于SAR與多光譜圖像，圖像的平均反射率較大，信息量更加豐富； 同極化較交叉極化融合效果好，HH極化方式下融合圖像的在四類極化方式中質(zhì)量最好，將SAR數(shù)據(jù)與多光譜數(shù)據(jù)互補(bǔ)，為提供喀斯特山區(qū)林地分類精度提供借鑒。

(2)基于HH極化方式，EM聚類比K-Means聚類更加細(xì)化，三類林地的閾值特征更加明顯，實(shí)現(xiàn)了用星載SAR對(duì)喀斯特山區(qū)農(nóng)村的林地提取?；陂撝档拿嫦?qū)ο笥跋穹诸悓?duì)三類林地的分類精度較高，滿足應(yīng)用需求。

(3)由于有林地地物邊緣特征明顯，且大多成片分布于山體，HSV融合能充分體現(xiàn)SAR影像散射強(qiáng)度與紋理信息，根據(jù)實(shí)地調(diào)查與林地空間分布規(guī)律，位于山體及輕度石漠化地區(qū)的林地大部分為有林地，這類林地識(shí)別特征明顯，制圖和用戶精度較高。對(duì)于分布于道路周邊、農(nóng)田周圍的灌木林地和其他林地，受石漠化的影響，制圖和用戶精度相對(duì)較低。

研究發(fā)現(xiàn)，由于高原山區(qū)完整的遙感數(shù)據(jù)獲取困難，導(dǎo)致數(shù)據(jù)獲取時(shí)間上的差異，影響結(jié)果準(zhǔn)確性，后期將投入時(shí)間與精力，結(jié)合多時(shí)相，分析復(fù)雜地區(qū)的林地提取方法，進(jìn)一步提高識(shí)別精度，尋找更可靠、便捷、快速的分類方法； 其次，由于喀斯特地區(qū)石漠化現(xiàn)象的存在，且農(nóng)作物套種較多，研究區(qū)人為干預(yù)較大，其他林地一類影像像元較復(fù)雜，因此，沒有做詳細(xì)劃分。下一步將更加深入的研究疏林地、未成林地、苗圃的影像特征，從而更好服務(wù)于喀斯特山區(qū)林地智能監(jiān)測(cè)。

[1] 徐培培.近十年來中國(guó)林地空間分布變化遙感應(yīng)用研究.北京：北京師范大學(xué)，2014.2～4

[2] 王馨爽， 陳爾學(xué)，李增元，等.多時(shí)相雙極化SAR影像林地類型分類方法.林業(yè)科學(xué)， 2014, 50(3): 83～91

[3] 劉祗坤， 吳全， 蘇根成.土地利用類型變化與生態(tài)系統(tǒng)服務(wù)價(jià)值分析——以赤峰市農(nóng)牧交錯(cuò)帶為例.中國(guó)農(nóng)業(yè)資源與區(qū)劃， 2015, 36(3): 56～61

[4] 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.測(cè)繪工程， 2015, 24(5): 5～10

[5] 李軍， 林宗堅(jiān).基于特征的遙感影像數(shù)據(jù)融合方法.中國(guó)圖象圖形學(xué)報(bào)， 1997， 2(Z1)： 103～107

[6] 趙英時(shí). 遙感應(yīng)用分析原理與方法.北京：科學(xué)出版社， 2013.256～262

[7] 楊麗萍， 陳發(fā)虎，頡耀文.國(guó)內(nèi)多源遙感影像信息融合技術(shù)的新進(jìn)展.遙感技術(shù)與應(yīng)用， 2007, 22(1): 116～122

[8] ?；?陳春香. 一種IHS變換圖像融合法的改進(jìn)算法.微計(jì)算機(jī)信息， 2007, 23(18): 280～296

[9] Macqueen J B.Some methods for classification and analysis of multivariate observations.Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability， 1967： 281～297

[10]Stephen Johnson.Hierarchical clustering schemes.Psychometrika， 1967, 32(3): 241～254

[11]許曉麗. 基于聚類分析的圖像分割算法研究.哈爾濱：哈爾濱工程大學(xué),2012.6～23

[12]曾亮. 多波段多極化SAR圖像融合解譯研究.杭州：杭州電子科技大學(xué),2012.10～19

[13]貴州省林業(yè)廳. 貴州省2013年林地年度變更調(diào)查成果報(bào)告.2014

[14]王瑾， 周忠發(fā)，胡九超，等.石漠化地區(qū)現(xiàn)代煙草農(nóng)業(yè)基地單元工程配置對(duì)土地利用的影響.江蘇農(nóng)業(yè)科學(xué)， 2015, 43(2): 381～384

[15]廖娟， 周忠發(fā)，王昆，等.基于SAR提高喀斯特地區(qū)LUCC光譜分類精度研究．中國(guó)農(nóng)業(yè)資源與區(qū)劃， 2016, 37(1): 50～56

[16]符勇， 周忠發(fā)，王昆，等.基于 SAR技術(shù)的高原山區(qū)煙草估產(chǎn)模型.江蘇農(nóng)業(yè)科學(xué)， 2015, 43(2): 393～396

[17]鄧書斌.ENVI遙感圖像處理方法(第2版).北京：高等教育出版社,2014.17～25

[18]駱劍承， 周成虎，梁怡，等.有限混合密度模型及遙感影像 EM聚類算法.中國(guó)圖象圖形學(xué)報(bào)， 2002, 7(4): 336～340

[19]張艷寧， 李映.SAR圖像處理的關(guān)鍵技術(shù).北京：電子工業(yè)出版社， 2014.340～347

[20]崔巖梅， 倪國(guó)強(qiáng)，鐘堰利，等.利用統(tǒng)計(jì)特性進(jìn)行圖像融合效果分析及評(píng)價(jià).北京理工大學(xué)學(xué)報(bào),2000, 20(1): 103～106

[21]Macqueen.Some methods for classication and analysis of multivariata observation.Proc.5th Berkeley Symp.Math.Statist, 1967，(1)： 281～297

[22]張巖.MATLAB圖像處理超級(jí)學(xué)習(xí)手冊(cè).北京：人民郵電出版社， 2014.268～296

[23]Rafael C.G，Richard E.W.數(shù)字圖像處理(第二版).北京：電子工業(yè)出版社， 2005.224～265

[24]尹作霞， 杜培軍.面向?qū)ο蟮母吖庾V遙感影像分類方法研究.遙感信息, 2007，(4)： 29～32

RURALWOODLANDEXTRACTIONBASEDONFULLPOLARIZATIONSARANDMULTISPECTRALINKARSTMOUNTAINAREAS*

WangPing1,2，ZhouZhongfa1,2※，YinChao1,2

(1.Guizhou Normal University，Guiyang 550001，China； 2.National Remote Sensing Center of China-Guizhou Division /State Key Environment Technology Research Center for Karst Rocky Desertification Rehabilitation of China，Guiyang, Guizhou 550001，China)

To speed up the construction of "Internet +" forestry Guizhou province and break the bottleneck on remote sensing monitoring in the Guizhou Karst plateau area, combing microwave and optical remote sensing methods, this paper explored the extracting technology of forest land in the rural areas of the Karst mountainous area based on the data of Radarsat-2 and the SPOT6 with the spatial resolution 8m and 6m. SARscape ENVI and NEST software were used to preprocess the SAR image. And then, it calculated the average gradient, the information entropy, the standard deviation and the mean value of the fused image, and evaluate the optimal fusion of polarization mode based on K-means and maximum expected (EM clustering) clustering algorithm. Finally, it established classification results of the reference sample combined with the Guizhou Provincial Forestry Department survey data and field sampling data. The results showed that: (1) the visual interpretation of the woodland edge was obvious but rough. Woodland and shrub land were obviously different because the brightness of shrub forest had a big pixel.(2) By quantitative analysis, image data volume after fusion was even greater than SAR and optical data. The average gradient of the same polarization was larger than the cross polarization, and the HH polarization mode was the biggest. EM clustering segmentation was more detailed than K-means clustering. (3) The overall classification accuracy was 85.71%. The combination of microwave and optical remote sensing was a new way to extract forest land in the rural areas of Karst mountainous area, which was faster and more accuracy compared with the traditional forest land monitoring. It can solve the problem of forest land extraction by remote sensing, and improve the ability of intelligent monitoring with multi source remote sensing technology in the rural areas of Karst.

full polarization; Radarsat-2; SPOT6; forest land extraction; image fusion; clustering analysis; classification

TP75; TN957.52

A

1005-9121[2017]07041-10

10.7621/cjarrp.1005-9121.20170707

2016-08-07

王平(1991—)，女，河北保定人，碩士。研究方向：喀斯特山區(qū)遙感應(yīng)用研究。

※通訊作者：周忠發(fā)(1969—)，男，貴州遵義人，教授、博士生導(dǎo)師。研究方向：地理信息系統(tǒng)與遙感。Email：fa6897@163.com

*

國(guó)家自然科學(xué)基金地區(qū)項(xiàng)目“喀斯特石漠化地區(qū)生態(tài)資產(chǎn)與區(qū)域貧困耦合機(jī)制研究”(41661088)； 貴州省高層次創(chuàng)新型人才培養(yǎng)計(jì)劃——“百”層次人才(黔科合平臺(tái)人才[2016]5674)； 貴州省科技計(jì)劃“基于北斗衛(wèi)星的山地高效農(nóng)業(yè)產(chǎn)業(yè)園區(qū)智能管理系統(tǒng)開發(fā)與應(yīng)用”(黔科合GY字[2015]3001)； 國(guó)家遙感中心貴州分部平臺(tái)建設(shè)(黔科合計(jì)Z字[2012]4003)(黔科合計(jì)Z字[2013]4003)