基于全極化Radarsat-2數(shù)據(jù)的干旱區(qū)典型綠洲鹽漬化信息提取

古麗努爾·依沙克，依力亞斯江·努爾麥麥提,2，段素素

(1.新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，烏魯木齊 830046；2. 新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046)

土壤鹽漬化作為在干旱、半干旱地區(qū)常見的一種土壤退化現(xiàn)象，其影響范圍日趨擴(kuò)大，嚴(yán)重影響著耕作地的利用[1,2]。據(jù)統(tǒng)計(jì)，全球有8.31 億hm2的鹽漬化土地，占全球陸地面積的7%[3]。我國鹽漬土總面積為3 600 萬hm2，占全國可利用土地面積4.88%[4]。受地理位置、地形地貌、氣候環(huán)境、水文以及人為等多種因素的影響，導(dǎo)致新疆干旱區(qū)土壤鹽漬化程度不斷惡化[5]。調(diào)查顯示，全區(qū)鹽堿土面積847.6 萬hm2，耕地大面積受鹽堿危害[6]。因此，為了防止鹽漬化進(jìn)一步惡化，力爭(zhēng)將其給農(nóng)業(yè)生產(chǎn)帶來的損失降到最低程度，需要加強(qiáng)土壤鹽漬化監(jiān)測(cè)和預(yù)測(cè)方面的研究。

傳統(tǒng)的野外土壤調(diào)查方法，不但消耗人力、物力，并且周期長(zhǎng)、效率低，無法實(shí)現(xiàn)大面積同步動(dòng)態(tài)監(jiān)測(cè)[7]。全極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar, PolSAR)具有高分辨率成像技術(shù)和極化測(cè)量功能，與單極化或多極化SAR相比，能夠不受天氣制約而全天候、全天時(shí)進(jìn)行對(duì)地觀測(cè)，同時(shí)對(duì)植被冠層具有較好的穿透性，從而衍生出植被下面的土壤信息，有助于提高鹽漬化土壤識(shí)別和監(jiān)測(cè)。PolSAR數(shù)據(jù)及其極化特征分解為微波遙感技術(shù)在干旱區(qū)鹽漬地信息提取及鹽漬化動(dòng)態(tài)監(jiān)測(cè)方面提供了一種有效手段，以便及時(shí)、有效地指導(dǎo)干旱區(qū)農(nóng)業(yè)生產(chǎn)實(shí)踐[8,9]。

為了探討全極化合成孔徑雷達(dá)在鹽漬地信息提取方面的研究，進(jìn)一步推進(jìn)在干旱區(qū)土壤鹽漬化及其實(shí)時(shí)監(jiān)測(cè)研究中的應(yīng)用，本文以Radarsat-2數(shù)據(jù)和Landsat8 OLI數(shù)據(jù)為數(shù)據(jù)源，基于Pauli和H/A/α等兩種極化目標(biāo)分解方法對(duì)全極化PolSAR數(shù)據(jù)進(jìn)行極化分解，獲取其特征參數(shù)和最優(yōu)特征子集。在此基礎(chǔ)上對(duì)不同極化方式的影像采用最小距離、最大似然和支持向量機(jī)(Support Vector Machine ，SVM)等不同監(jiān)督分類方法進(jìn)行鹽漬化程度的分類，并對(duì)分類結(jié)果進(jìn)行對(duì)比分析及精度驗(yàn)證，提取研究區(qū)鹽漬化信息，從而體現(xiàn)全極化合成孔徑雷達(dá)數(shù)據(jù)在干旱區(qū)土壤鹽漬化監(jiān)測(cè)方面的應(yīng)用潛力，并實(shí)現(xiàn)鹽漬地信息的高精度提取。

1 材料與方法

1.1 研究區(qū)概況

本研究以渭干河-庫車河三角洲綠洲為研究區(qū)，位于83°06′30″～83°31′40″E，41°24′45″～41°44′50″N，地處天山南麓、塔里木盆地中北部，隸屬于阿克蘇地區(qū)管轄，包括庫車、沙雅和新和三個(gè)縣，是典型的扇形平原綠洲[10]。該區(qū)地勢(shì)北高南低，自西北向東南傾斜，生態(tài)環(huán)境較為脆弱，光熱豐富，夏季炎熱，冬季干冷，屬暖溫帶大陸性干旱氣候，年降水量為50.0～66.5 mm，年均蒸發(fā)量為2 000～2 092 mm[11]。渭-庫綠洲由于農(nóng)作物生長(zhǎng)依賴于灌溉，平原中下部地勢(shì)平坦，排水不當(dāng)導(dǎo)致地下水位升高，在強(qiáng)烈的蒸發(fā)作用下，鹽分隨水分運(yùn)動(dòng)積累于地表造成土壤鹽堿化，這已對(duì)當(dāng)?shù)丶叭纳姝h(huán)境演變和可持續(xù)發(fā)展造成嚴(yán)重影響[8]，研究區(qū)示意圖見圖1。

圖1 研究區(qū)示意圖Fig.1 Map of study area

1.2 數(shù)據(jù)資料

Radarsat-2是世界上最先進(jìn)的一顆搭載C波段傳感器的SAR衛(wèi)星，由加拿大太空署與MDA公司合作，于2007年12月14日成功發(fā)射。該衛(wèi)星可以提供11種波束模式，并且能夠進(jìn)行左右視切換，重訪周期短，具有高分辨率的立體成像的能力。本文選用2014年7月4日成像的C波段Radarsat-2全極化(包括HH、HV、VH、VV四種極化方式)視復(fù)影像(Single Look Complex, SLC)為研究數(shù)據(jù)。經(jīng)綜合考慮，選取2014年9月14日Landsat 8 OLI數(shù)據(jù)[如圖1(a)]為光學(xué)參考遙感資料。通過ENVI_5.3@軟件中的SARscap5.2.1模塊對(duì)Radarsat-2全極化數(shù)據(jù)進(jìn)行預(yù)處理，包括影像導(dǎo)入、多視處理(多視比為5∶2)、單波段濾波(7×7窗口的Refined Lee)、DEM自動(dòng)獲取(SRTM 3 Version4)，在其基礎(chǔ)上進(jìn)行地理編碼和輻射定標(biāo)。圖1b為本研究利用的全極化數(shù)據(jù)(RGB:HV、VH、VV)。

于2014年7月20日～8月3日進(jìn)行了野外實(shí)地考察，在不同程度的鹽漬地共布置了35個(gè)樣點(diǎn)。在0～10 cm深度范圍內(nèi)，每個(gè)監(jiān)測(cè)點(diǎn)取三次土樣，測(cè)定土壤樣品的導(dǎo)電率、含鹽量等數(shù)據(jù)，并用GPS獲取樣點(diǎn)位置信息。根據(jù)實(shí)地考察情況，將研究區(qū)土地類型分為植被、水體、重度鹽漬地、中-輕度鹽漬地和裸地5種類型。此外，還搜集了研究區(qū)相關(guān)的統(tǒng)計(jì)資料(包括水文、地貌、氣象、人口等)。

1.3 Pauli分解

極化目標(biāo)分解的基本原理是將散射矩陣、協(xié)方矩陣或者M(jìn)ueller矩陣分解成若干個(gè)具有一定物理意義的散射機(jī)理的和[12]。每一個(gè)散射矩陣都描述了某個(gè)典型目標(biāo)與電磁波的作用過程，能夠直觀的反映觀測(cè)目標(biāo)的結(jié)構(gòu)和物化特征，因此能夠有效的揭示地物的散射特征。Pauli分解是一種常用的目標(biāo)分解方法，在散射矩陣[S]矢量化時(shí)需選取Pauli基{[Sa][Sb][Sc][Sd]}作為它的基本散射矩陣。Pauli基在正交線基[H,V]下可用矩陣表示為[13]：

(1)

散射矩陣可用Pauli基描述為：

a[Sa]+b[Sb]+c[Sc]+[Sd]

(2)

式中：SHH，SVV表示同極化分量；SHV，SVH則為交叉極化分量；a,b,c,d均為復(fù)數(shù)。

當(dāng)介質(zhì)滿足互易定理時(shí)，SHV=SVH，Pauli矩陣上最后一個(gè)矩陣減少，散射總功率Span可表示為：

Span=|SHH|2+2|SHV|2+|SVV|2=|a|2+|b|2+|c|2

(3)

在Pauli分解的基礎(chǔ)上進(jìn)行矢量化，用矢量形式可表示為：

(4)

由目標(biāo)散射矢量得到對(duì)應(yīng)的相干矩陣為[15]：

(5)

式中：H表示共軛轉(zhuǎn)置；*表示共軛；‖表示向量的模。

1.4 H/A/α分解

Cloude[16]提出基于目標(biāo)相干矩陣的特征向量分解方法，用特征值分解方法將目標(biāo)相干矩陣分解為3種相干矩陣的和，并由相干矩陣的特征值推導(dǎo)出3個(gè)特征參量：熵H、各項(xiàng)異性A和α角[17]。

(6)

(7)

式中：αi表示目標(biāo)的散射機(jī)理；βi表示目標(biāo)定向角；φi為SHH+SVV的相位；δi表示SHH+SVV與SHH-SVV之間的相位差；γi表示SHH+SVV與SHV之間的相位差。取每種散射機(jī)制出現(xiàn)的概率為：

(8)

定義3種特征參數(shù)的計(jì)算式為：

(9)

α=P1α1+P2α2+P3α3

(10)

(11)

散射熵H用于描述各散射機(jī)制在總散射過程的隨機(jī)程度，值越小，散射隨機(jī)程度越低。散射角α用來描述目標(biāo)對(duì)電磁波散射的自由程度，值越小，散射自由度越低[20]。各項(xiàng)異性度A表示目標(biāo)散射的各項(xiàng)異性度。

2 結(jié)果與分析

2.1 全極化Radasat-2數(shù)據(jù)目標(biāo)分解

本文采用ENVI 5.3軟件中的SARscap模塊對(duì)研究區(qū)域的Radarst-2影像進(jìn)行極化分解。多視處理之后得到方位向視數(shù)和距離向視數(shù)之比為5∶2的影像，然后利用7×7滑動(dòng)窗口的Refined Lee濾波進(jìn)行去噪。其次，選用SRTM 3 DEM數(shù)據(jù)獲取定標(biāo)參數(shù)，進(jìn)行地理編碼和輻射定標(biāo)。再將定標(biāo)后的數(shù)據(jù)進(jìn)行極化分解，提取特征參數(shù)。Pauli分解后得到的三個(gè)特征參量均為復(fù)數(shù)，分別為:①單次或奇次散射機(jī)制。對(duì)應(yīng)平坦表面、球體或者三面角反射體；②二面角散射機(jī)制。由于回波極化與入射波極化關(guān)于鏡面對(duì)稱，因此，該分量表示具有二次或偶次反射的散射機(jī)制；③繞軸旋轉(zhuǎn)45°的二面角散射機(jī)制。H/A/α分解計(jì)算得出了三個(gè)特征參量：①散射熵H描述了各散射機(jī)制在總散射過程中所占的比重，同時(shí)它也描述了散射過程的隨機(jī)性；②散射角α可用來描述目標(biāo)內(nèi)部的自由度；③各項(xiàng)異性度A是對(duì)散射熵的有效補(bǔ)充，表示目標(biāo)散射的各項(xiàng)異性程度。為了有效提取并利用PolSAR圖像豐富的信息，從得到的特征參數(shù)中將噪音較大的兩個(gè)波段剔除，構(gòu)建最優(yōu)特征子集(在文中表示為Pauli&H/A/α)。極化分解的RGB合成圖見圖2。

2.2 鹽漬地信息提取

針對(duì)有限樣本情況下的統(tǒng)計(jì)學(xué)習(xí)問題，1995年Vapnik[21]提出基于統(tǒng)計(jì)學(xué)習(xí)理論(Statistic Learning Theory或SLT)的機(jī)器學(xué)習(xí)方法—支持向量機(jī)(SVM)。SVM分類的主要思想可概括為：首先，經(jīng)過非線性變換將低維空間中的難于線性劃分的樣本映射到高維特征空間；其次，在高維特征空間中尋求最優(yōu)分類超平面，使結(jié)構(gòu)風(fēng)險(xiǎn)最小化，從而實(shí)現(xiàn)在高維空間中的線性可分，是精度和穩(wěn)定性較高的一種分類方法[22]。這種分類算法對(duì)解決小樣本、非線性及高維模式識(shí)別問題具有優(yōu)越性[23]。利用SVM分類算法需考慮設(shè)定核函數(shù)類型。經(jīng)過Roli F[24]等人的研究表明，徑向基核函數(shù)(Radial Basis Function，RBF)的分類精度比多項(xiàng)式核函數(shù)、Sigmoid 核函數(shù)和線性核函數(shù)的精度高本研究選用 RBF 函數(shù)作為核函數(shù)[25]。

圖2 極化分解結(jié)果Fig.2 Decomposition result

特征提取和分類算法是影像分類中的關(guān)鍵步驟[26]，為了有效的提取鹽漬地信息，并且探究更高效的分類算法，本文結(jié)合野外實(shí)地考察數(shù)據(jù)和Landsat 8 OLI光學(xué)影像作為輔助參考數(shù)據(jù)進(jìn)行判讀，選取了一定量的訓(xùn)練樣本。基于Pauli分解、H/A/α分解方法所得到的目標(biāo)散射特征和最佳特征子集，結(jié)合SVM分類方法，建立了Pauli-SVM分類、H/A/α-SVM分類和Pauli&H/A/α-SVM分類模型。此外，為了對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，將極化分解結(jié)果與傳統(tǒng)分類方法(最小距離分類和最大似然分類)相結(jié)合，建立Pauli-最小距離分類、H/A/α-最小距離分類、Pauli&H/A/α-最小距離分類、Pauli-最大似然分類、H/A/α-最大似然分類和Pauli&H/A/α-最大似然分類模型，對(duì)全極化Radarsat-2影像進(jìn)行鹽漬地信息的提取。根據(jù)野外考察數(shù)據(jù)，將該地區(qū)主要的地物類型分為水體、植被、重度鹽漬地、中-輕度鹽漬地和裸地5類。為驗(yàn)證該方法的有效性，將未經(jīng)分解的原始數(shù)據(jù)和不同特征子集下的極化數(shù)據(jù)利用三種分類方法進(jìn)行分類并輸出結(jié)果(分類結(jié)果見圖3)。

從Pauli&H/A/α-SVM分類結(jié)果圖中可看出，鹽漬地總體分布渭干河和庫車河的下游，零碎分布在綠洲內(nèi)部并且呈條狀，在綠洲外則片狀分布，重度鹽漬地和中-輕度鹽漬地相互交錯(cuò)分布在綠洲東南部。通過對(duì)分類結(jié)果圖進(jìn)行對(duì)比可見，預(yù)處理之后的最大似然分類和最小距離分類比較細(xì)碎，有 “椒鹽”現(xiàn)象出現(xiàn)。極化分解后的這兩種分類結(jié)果也較差，并且鹽漬地誤分現(xiàn)象較嚴(yán)重。相比之下，基于極化分解的SVM分類效果更為理想，而基于最優(yōu)特征子集的Pauli&H/A/α-SVM分類方法在不同程度的鹽漬地信息提取中體現(xiàn)出了顯著的優(yōu)勢(shì)。

2.3 精度分析

在監(jiān)督分類的過程中，所選取的樣本對(duì)分類結(jié)果會(huì)產(chǎn)生一定的影響，本文分類過程中結(jié)合野外實(shí)地考察信息和光學(xué)遙感影像，通過目視判讀方法，選取了較理想的訓(xùn)練樣本，且所采用的數(shù)據(jù)均為同一組訓(xùn)練樣本數(shù)據(jù)。根據(jù)實(shí)地勘測(cè)的驗(yàn)證樣本數(shù)據(jù)，分析上述分類模型的有效性和信息提取精度。通過計(jì)算基于極化分解的最小距離、最大似然和SVM分類模型的混淆矩陣得出生產(chǎn)者精度(Prod. Acc)和用戶精度(User Acc)，并且計(jì)算出各種分類結(jié)果的總體精度和Kappa系數(shù)，其值越大，表明分類準(zhǔn)確度越高。所得結(jié)果見表1。

圖3 分類結(jié)果Fig.3 Classification result

表1 不同極化方式三種分類方法結(jié)果對(duì)比表Tab.1 Results of three classification methods with different polarization

對(duì)分類精度(表1)進(jìn)行對(duì)比可看出，本文提出的基于極化目標(biāo)分解(Pauli分解和H/A/α分解)的分類精度較高，而未經(jīng)分解的傳統(tǒng)分類結(jié)果較差。此外，與SVM分類方法相比，最大似然和最小距離分類方法在不同程度鹽堿地信息的提取中處在較劣勢(shì)的地位。與未分解-SVM、最大似然以及最小距離分類結(jié)果相比相比極化分解后的各分類精度提高較為明顯，具體表現(xiàn)為：與未分解-SVM分類相比， Pauli-SVM分類、H/A/α-SVM分類和Pauli&H/A/α-SVM 分類法總體精度從76.91%提高到84.14%、78.16%和85.04%，同時(shí)kappa系數(shù)從0.69提高到0.78，0.70和0.80。在重度鹽漬化信息提取中，Pauli-SVM分類和Pauli&H/A/α-SVM分類的精度提高較顯著，分別達(dá)到82.47%和81.06%，而未分解-SVM分類法只有71.50%。其中，中-輕度鹽漬地精度從78.10%、82.88%和84.65提高到 88.89%。上述表明本文提出的基于極化分解(Pauli-SVM、H/A/α-SVM、Pauli&H/A/α-SVM)的分類方法在不同程度鹽漬地信息的提取方面具有優(yōu)越性，有效地提高了鹽漬化信息的精確度。其主要原因分析如下。

(1)SVM是一種實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的機(jī)器學(xué)習(xí)模型，將兩類正確分開的同時(shí)，可以保證其分類間隔最大，并且能夠自動(dòng)尋找有較好辨別能力的支持向量，具有較好的推廣性和泛化能力。SVM 分類的優(yōu)勢(shì)在解決小樣本、非線性及高維模式識(shí)別問題上得到充分發(fā)揮，因此在訓(xùn)練數(shù)據(jù)極少的情況下仍有較好的分類效果[27]。

(2)本文通過Pauli分解和H/A/α分解所獲取的極化散射信息都具有一定的物理意義，可以在一定程度上與地物的散射機(jī)制形成相互對(duì)應(yīng)關(guān)系，從而可以有效區(qū)分不同地物類型。因此，基于極化目標(biāo)分解的分類精確度得到了顯著提高，有利于區(qū)分不同程度的鹽漬地信息。

(3)此外，文中將斑點(diǎn)噪聲較大的極化特征分量(如，anisotropy、alpha)從H/A/α分解得到的參量中剔除，選取噪音相對(duì)較小的參數(shù)，將其與Pauli分解所獲取的分量相結(jié)合，構(gòu)成最佳特征子集，在本文中表示為：Pauli &H/A/α。此方法能夠有效抑制斑點(diǎn)噪聲，降低其干擾，因而可以有利于影像分類精度的提高。

3 結(jié) 語

本文利用全極化PolSAR數(shù)據(jù)，通過Pauli分解、H/A/α分解兩種分解方法提取了各極化特征分量和特征子集，并且利用最小距離、最大似然和SVM三種監(jiān)督分類方法對(duì)研究區(qū)進(jìn)行鹽漬地信息的分類處理，得出結(jié)論如下。

(1)基于 SVM的分類結(jié)果與最大似然和最小距離分類結(jié)果相比，總體精度得到了不同程度的提高?？傮w分類精度從77.37%(Pauli&H/A/α-最小距離分類)和80.00% (Pauli&H/A/α-最大似然分類)提高到85.04%(Pauli&H/A/α-SVM)。SVM分類有效的減少錯(cuò)分現(xiàn)象，取得了較理想的鹽漬化分類效果。

(2)基于Pauli分解和H/A/α分解的SVM、最大似然、最小距離分類與傳統(tǒng)分類效果相比得到明顯的提高。尤其對(duì)重度鹽漬地和中-輕度鹽漬地信息的提取得到有效的改善，中-輕度鹽漬地分類精度從78.18%和77.86%提升到88.89%，重度鹽漬地分類精度則從71.87%和74.61%提升到81.06%。

(3)通過對(duì)研究結(jié)果對(duì)比可知，經(jīng)篩選后得到的極化特征子集(Pauli&H/A/α)，其分類結(jié)果與基于Pauli分解和H/A/α分解分類結(jié)果相比精度最高?？傮w精度從84.14%(Pauli-SVM)、78.16% (H/A/α-SVM)提高到85.04% (Pauli&H/A/α-SVM)。

綜上所述，通過Pauli分解和H/A/α分解兩種極化分解方法，能夠更充分的利用全極化PolSAR數(shù)據(jù)的信息，同時(shí)在此基礎(chǔ)上抑制斑點(diǎn)噪聲，從而有效提高鹽漬地信息的提取精度。本研究表明，極化分解在PolSAR影像鹽漬化監(jiān)測(cè)研究中具有一定的發(fā)展?jié)摿?，基于極化分解的SVM分類方法更適用于PolSAR影像鹽漬地信息的高精度提取。

□