基于雷達數(shù)據(jù)的區(qū)域土壤鹽漬化監(jiān)測

馮娟， 丁建麗， 魏雯瑜

(1.新疆大學綠洲生態(tài)教育部重點實驗室，烏魯木齊 830046； 2.吉木薩爾縣氣象局，昌吉 831700)

0 引言

在自然環(huán)境和人類活動的影響下，可溶性鹽類在地表堆積，會形成不同程度的鹽漬化。土壤鹽漬化是造成干旱區(qū)土壤荒漠化的重要原因[1-4]，不僅影響土壤質(zhì)地，而且制約著生產(chǎn)力與生態(tài)系統(tǒng)的穩(wěn)定以及人類的健康[5]。新疆渭庫綠洲處于干旱極干旱地區(qū)，降水稀少而蒸發(fā)力強的自然環(huán)境以及不合理灌溉等人類活動導致該區(qū)鹽漬化問題突出，生態(tài)環(huán)境逐漸脆弱[6]，對生態(tài)安全和農(nóng)業(yè)可持續(xù)發(fā)展構(gòu)成了威脅。如何應用遙感手段，尤其是微波遙感方法宏觀、快速地掌握土壤鹽漬化現(xiàn)狀已成為一個急需解決的問題。

目前，干旱區(qū)區(qū)域尺度的土壤鹽漬化遙感監(jiān)測已成為很多學者的研究趨勢[7-8]。微波遙感是一種常見的地表信息獲取手段，微波數(shù)據(jù)對地物有一定的穿透能力[9-10]，是對地物表面粗糙度、復介電常數(shù)和體結(jié)構(gòu)的反映，在土壤水分監(jiān)測中被認為是最有潛力的手段之一[11]。然而,采用雷達極化分解技術(shù)和多種分類方法同時監(jiān)測土壤鹽漬化并提取鹽漬化信息的研究并不多，基本上還處于初步研究階段[12-14]。

全極化合成孔徑雷達(polarimetric synthetic aperture Radar,PolSAR)是一種多通道、多參數(shù)的微波成像系統(tǒng)，相對于單極化合成孔徑雷達(synthetic aperture Radar,SAR)圖像，能夠提供更加豐富的地物信息。目前，很多學者提出了多種對PolSAR圖像的極化分解方法，并將分解后圖像應用到分類中，結(jié)果表明基于極化分解后數(shù)據(jù)分類效果優(yōu)于單極化分類效果[15-16]。因此目前對PolSAR數(shù)據(jù)極化信息提取已成為重要的研究領(lǐng)域之一。PolSAR數(shù)據(jù)及其極化分解參數(shù)為干旱區(qū)土壤鹽漬化信息監(jiān)測與提取提供了一種有效的方法，可以及時、動態(tài)地對干旱區(qū)農(nóng)業(yè)生產(chǎn)實踐給予指導。

本文采用2種極化分解方法，將Radarsat-2數(shù)據(jù)進行極化分解，利用SVM-Wishart半監(jiān)督協(xié)同分類方法對極化分解后影像進行土壤鹽漬化信息提取，結(jié)合野外實地數(shù)據(jù)，對分類結(jié)果進行驗證與對比分析，旨在探討SAR數(shù)據(jù)在干旱區(qū)土壤鹽漬化監(jiān)測中的應用潛力。

1 研究區(qū)及其數(shù)據(jù)源

1.1 研究區(qū)概況

渭庫綠洲位于新疆塔里木盆地中北部，屬渭干河—庫車河流域，隸屬阿克蘇地區(qū)的新和、沙雅和庫車3個縣管轄，總面積為523.76×104hm2。據(jù)統(tǒng)計，沙雅縣每年因土壤鹽漬化危害的失收面積達2 667 hm2，最高年份曾達8 000 hm2； 因鹽漬化棄草地面積已達4.56×104hm2，新和與庫車2縣鹽漬化面積也都在3.72×104hm2左右[17]。渭庫綠洲屬溫帶大陸性干旱氣候區(qū)，年平均蒸發(fā)量為1 991.0～2 864.3 mm，多年平均降水量為51.3 mm，蒸發(fā)量遠大于降水量； 多年平均氣溫為10.6～14.8 ℃，年極高、極低氣溫分別為41.3℃和-28.7 ℃。降水量少而蒸發(fā)極強，使該地區(qū)土壤鹽漬化現(xiàn)象普遍存在，鹽分不斷在表層溢出，植被覆蓋度不斷減少，最終會形成鹽斑，成為重度鹽漬化區(qū)。在綠洲外圍輕、中度鹽漬化區(qū)域內(nèi)，植物主要以蘆葦、檉柳、駱駝刺、花花柴和鹽爪爪為主。近年來，土壤鹽漬化和沙質(zhì)荒漠化不斷加劇，綠洲土地退化日益加劇，生態(tài)環(huán)境逐漸脆弱，對當?shù)丶靶陆目沙掷m(xù)發(fā)展造成了嚴重影響[18-20](圖1)。

(a) Landsat8 OLI B7(R),B5(G),B4(B)假彩色合成影像(b) Radarsat-2數(shù)據(jù)pauli分解圖[HH-VV](R)，[HV](G)，[HH+VV](B)合成

圖1研究區(qū)示意圖

Fig.1Locationmapofstudyarea

1.2 數(shù)據(jù)源及其預處理

遙感數(shù)據(jù)采用2014年7月4日獲取的Radarsat-2的四極化標準數(shù)據(jù)(表1)。

表1 全極化Radarsat-2數(shù)據(jù)主要參數(shù)Tab.1 Main parameters of fully polarimetric Radarsat-2 data

Radarsat-2為主動微波傳感器，當SAR傳感器以一定入射角度(θ<90°)向地物發(fā)射一定頻率的電磁波束，會導致地物在成像時發(fā)生疊掩或透視收縮現(xiàn)象。此外，影像各像元與傳感器的距離不一，導致影像的后向散射修正系數(shù)亦不相同。本文首先應用SAR Scape5.2.1軟件對雷達數(shù)據(jù)進行預處理，包括數(shù)據(jù)導入、多視處理、噪聲濾波、地理編碼及輻射定標等。

根據(jù)渭庫綠洲地貌、氣候、植被分布及土壤鹽漬化程度等不同條件，選擇7—8月進行野外實地調(diào)查，并在研究區(qū)內(nèi)設(shè)置地下水位觀測井，在研究區(qū)內(nèi)不同鹽漬化程度區(qū)域布置采樣地38個，對每個采樣點地物類型拍照并記錄，然后進行土樣含鹽量和電導率室內(nèi)實驗，共獲得597個樣本點數(shù)據(jù)； 結(jié)合野外考察和研究區(qū)域的實際情況將研究區(qū)地物分為裸地、農(nóng)田、水體、中輕度鹽漬地和重度鹽漬地等5種類型。5種地物類型訓練和驗證樣本具體情況如表2所示。

表2 地物分類訓練和驗證樣本數(shù)量Tab.2 Characteristics of training and validation groups (個)

2 研究方法

本研究對Radarsat-2全極化數(shù)據(jù)進行Freeman-Durden分解和H-α分解2種極化分解，得到相應特征參數(shù)，分析討論參數(shù)特征并構(gòu)建參數(shù)間特征空間，研究各特征空間分布規(guī)律，然后結(jié)合SVM-Wishart半監(jiān)督分類方法對研究區(qū)土地類型進行分類并提取土壤鹽漬化信息。本研究方法的技術(shù)路線如圖2所示。

圖2 技術(shù)路線Fig.2 flowchart of methodology

2.1 PolSAR數(shù)據(jù)極化分解

PolSAR極化數(shù)據(jù)的特征提取主要是利用目標分解方法。由于地物的散射機制不同，目標地物的分類可以依據(jù)所提取不同的散射信息對其分類，而單一的目標分解方法不能有效反映所有地物散射信息，對地物邊緣和復雜區(qū)域很難表示，因此結(jié)合多種散射特性協(xié)同訓練方法，對研究區(qū)目標地物信息進行分類。

H/α分解[21]包含所有散射機理的分解定理，最大的優(yōu)點是在不同極化情況下，保持特征值不變，極化分解的結(jié)果用散射熵、平均散射角和反熵來描述。Freeman-Durden分解[22]將協(xié)方差矩陣分解成3種不同的散射機制： ①表面散射或單次散射，其模型是一階Bragg表面散射體； ②二次散射，其模型是二面角散射體； ③體散射，其模型是一組方向隨機的偶極子集。

表3 散射矩陣分解參數(shù)Tab.3 Scattering matrix decomposition parameters

2.2 SVM-Wishart半監(jiān)督協(xié)同分類方法

2.2.1 樣本篩選

依據(jù)散射分解方法得到散射特征參數(shù)分布情況，對比分析后，選取n個較為可靠的樣本，利用2個支持向量機(support vector machine,SVM)分類器分別對樣本進行分類，將分類結(jié)果標記為相同的樣本，利用歐式距離判別式，即

(1)

式中xi和xj分別表示第t類樣本的群聚中心和通過分類后標記相同的任意樣本，選取距群中心距離最小的樣本作為挑選的最終樣本。

2.2.2 SVM分類

SVM分類方法對解決小樣本、高維及非線性等問題有較好的效果，在遙感影像分類中得到了廣泛應用。采用SVM分類方法對土壤鹽漬化信息進行提取，重點在于模型類型及參數(shù)選擇。本文利用高斯徑向基核函數(shù)(radial basis function，RBF)分類方法對研究區(qū)土壤鹽漬化信息進行分類，RBF核函數(shù)中c為懲罰參數(shù)，g為核參數(shù)，其中c用來平衡模型的經(jīng)驗風險和結(jié)構(gòu)風險，可用來提高所建模型的泛化性能；g用來控制模型的回歸誤差，利用精細網(wǎng)格搜索法來選擇最佳的c和g。

2.2.3 復Wishart分類

Lee等[23]根據(jù)極化協(xié)方差矩陣提出了一種基于最大似然法的Wishart監(jiān)督分類方法，應用最大似然法得到每個像素點相關(guān)矩陣與類別中心矩陣的Wishart距離，即

(2)

式中: tr表示矩陣的跡；Z表示任意樣本的協(xié)方差矩陣；Vt表示第t類樣本的聚類中心，任意樣本若滿足

d(Z,Vt)≤d(Z,Vj)，

(3)

則認為該點屬于第t類。

本文實驗具體步驟如下： 利用Lee濾波算法對SAR影像進行濾波處理，利用極化分解方法將PolSAR進行極化分解，得到影像分解后的特征參數(shù)與特征向量，確定每個像素的占有散射機制，根據(jù)研究區(qū)地類特征，將影像中各個像素組成的混合散射類型進行初步聚類，對每類隨機選擇n個樣本中C1和C2作為訓練集，剩余樣本S1和S2作為驗證樣本。利用SVM根據(jù)C1和C2樣本對研究區(qū)分別進行地物分類，再分別用S1和S2樣本對分類結(jié)果進行驗證，對上述分類過程進行迭代，直到迭代停止。最終對2個SVM分類結(jié)果進行標記，對于同一地物有相同標記的作為最后標記，如果標記不同，對所有標記相同的點計算聚類中心，最后用復Wishart分類對不同標記的類別進行重分類。

3 結(jié)果與分析

3.1 全極化Radarsat-2數(shù)據(jù)目標分解特征參數(shù)

Freeman-Durden分解和H-α分解的極化分解參數(shù)如圖3所示，其中Freeman-Durden分解后得到3種散射機制，分別為體散射、二次散射和單次散射。H-α分解有3個有效參數(shù)，散射熵H是確定散射隨機性的一個重要參數(shù)，而α與散射機制有直接關(guān)系，給出基于H-α分解的3個特征參量(散射熵、平均散射角及反熵)空間分布。H從0到1表示媒質(zhì)從各向同性散射到完全隨機散射，當H值較高時，表示目標不只是一種等階的散射矩陣，此時對目標的去極化效應較強，散射中的噪聲趨于一個隨機過程，需要對過程中的所有特征值進行考慮； 而當H值較小時，針對目標去極化的效果較弱，其中目標散射矩陣中占主導地位的主要是最大特征值對應的特征向量。從圖3(a)—(c)中可以得到，植被覆蓋區(qū)為農(nóng)田時主要散射為體散射和單次散射，鹽漬地單次散射和體散射都低于農(nóng)田，水體在3種散射機制中都最弱。從重度鹽漬地到中度再到輕度鹽漬地的過渡中，顏色逐漸變深，說明散射值逐漸增大。在重度鹽漬地范圍內(nèi)植被覆蓋度小，其后向散射值小于農(nóng)田和輕度鹽漬地。在輕度鹽漬地范圍內(nèi)，由于影像獲取時間、地理位置和氣溫等因素，該區(qū)域一般為草地覆蓋，而草地的植株高度及含水量都比農(nóng)田低，在分解后的影像中輕度鹽漬地在體散射上表現(xiàn)出數(shù)值高于重度鹽漬地而低于農(nóng)田的特征。從如圖3(d)中可知，鹽漬地在中高散射熵區(qū)域隨機性較強，對于輕中度鹽漬地，植被植株低矮，而植被散射各向異性較強，同時區(qū)域鹽分含量不同，使得該區(qū)域散射的隨機性較強。

(a) 體散射(b) 二次散射(c) 單次散射

(d) 散射熵(e) 平均散射角(f) 反熵

圖3極化分解參數(shù)

Fig.3Parametersofpolarizationdecomposition

3.2 各分解參數(shù)特征空間分布

同種極化分解后對得到的分解參數(shù)進行特征空間構(gòu)建。Freeman-Durden分解和H-α分解分別得到3個分解參數(shù)，再在同種分解法內(nèi)部隨機取2種分解參數(shù)構(gòu)建特征空間，共得到6種參數(shù)特征空間(圖4)。

(a) 體散射與二次散射(b) 體散射與單次散射(c) 單次散射與二次散射

(d) 散射熵與平均散射角(e) 散射熵與反熵(f) 反熵與平均散射角

圖4參數(shù)特征空間構(gòu)建

Fig.4Parametersspaceconstruction

如圖4所示，各分解參數(shù)之間密度分布，從外側(cè)向內(nèi)部逐漸增高。特征空間分布中由Freeman-Durden分解得到的分解參數(shù)所構(gòu)建的特征空間(圖4(a)—(c))，離散度小，參數(shù)值域較小，數(shù)值分布較集中，其中體散射與單次散射構(gòu)成的特征空間參數(shù)數(shù)值分布較為廣泛，密度中心突出，且類別辨識度較高。H-α分解得到的分解參數(shù)所構(gòu)建的特征空間(圖4(d)—(f))，數(shù)值分布廣泛，且離散度高于Freeman-Durden分解后參數(shù)特征空間的數(shù)值離散度。

對各個特征空間散點分布進行研究發(fā)現(xiàn)，經(jīng)過H-α極化分解散射熵與平均散射角構(gòu)成的特征空間具有明顯規(guī)律，對該特征空間進行逐步分析，如圖5所示。

(a) 散射熵與平均散射角的散點圖(b) 散點圖對應Radar-sat-2影像

圖5H-α特征空間

Fig.5FeaturespaceofH-α

從圖5可以看出，重度鹽漬地(C區(qū)域黃色部分)的散射熵與平均散射角較小，而農(nóng)田(B區(qū)域綠色部分)在散點圖特征空間中表現(xiàn)出散射熵與平均散射角較高，而水體(A區(qū)域藍色部分)則呈現(xiàn)出離散分布。

3.3 SVM-Wishart鹽漬化信息提取及精度評價

利用SVM-Wishart方法對處理后的PolSAR影像分類，結(jié)果如圖6所示。

(a) H/α分解SVM-Wishart分類(b) Freeman-Durden分解SVM-Wishart分類(c) Freeman-Durden分解SVM分類

圖6SVM-Wishart分類結(jié)果

Fig.6SVM-Wishartclassificationresults

圖6中可以看出，研究區(qū)裸地面積最大(包括沙漠與礫石地)，其次為農(nóng)田面積，重度鹽漬地面積小于中輕度鹽漬地面積。將分類結(jié)果與實際采樣點比對，發(fā)現(xiàn)中輕度鹽漬地主要為鹽漬草地。重度鹽漬地一般處于地勢平坦的低洼處，其植被覆蓋少，后向散射值與水體相近。研究中分別采用Freeman-Durden分解和H/α分解2種分解方法，對SAR影像進行分解分類，與傳統(tǒng)的光學影像分類相比，通過極化分解得到6個特征參數(shù)： 體散射、二次散射、單次散射、散射熵、平均散射角及反熵，由于每類地物都具有獨特的散射特性，其表現(xiàn)的特征值也各不相同，如農(nóng)田主要散射為體散射和單次散射，經(jīng)過分解后，影像對地表結(jié)構(gòu)更敏感，地物結(jié)構(gòu)信息更容易體現(xiàn)，分類結(jié)果顯示出規(guī)則的紋理信息，表現(xiàn)出規(guī)則的田間規(guī)劃。而鹽漬地從輕度到重度，散射值逐漸減小，其后向散射值小于農(nóng)田，重度鹽漬地趨近與水體。利用分解后的SAR影像進行鹽漬地信息識別時表現(xiàn)出一定的優(yōu)勢，從分類中可以得到研究區(qū)內(nèi)鹽漬地主要集中在綠洲的東北角，其中綠洲內(nèi)部鹽漬地呈帶狀分布，而荒漠綠洲交錯帶的鹽漬地呈片狀分布的結(jié)果。綠洲東北角的土壤鹽漬化現(xiàn)象較為明顯且逐漸嚴重的主要原因是綠洲東北角海拔較低，綠洲內(nèi)部農(nóng)業(yè)與人類活動排放的水向地勢較低的該區(qū)段累積，導致地下水位增高，而高溫強蒸發(fā)加少量的降水，最終造成了該區(qū)段土壤鹽漬化程度加重。

運用野外實際采樣點，驗證SAR影像分類結(jié)果精度，結(jié)果如表4所示。

表4 土壤鹽漬化信息監(jiān)測分類信息驗證Tab.4 Precision validation of monitoring accuracy of salinized soil information

利用Freeman-Durden分解和H/α分解，結(jié)合SVM-Wishart分類得出，Kappa系數(shù)分別為0.83和0.71，總體分類精度分別為88.00%和78.96%，從數(shù)值上看分類精度Freeman-Durden分解分類結(jié)果優(yōu)于H/α分解，主要體現(xiàn)在鹽漬地和農(nóng)田的提取方面，可能原因是H/α分解后特征參數(shù)由其特性只分成了8類，應用SVM進行迭代時由于初始類別的局限，類別劃分界限相對粗糙，對復雜地物的劃分缺乏靈活性，許多植被以及輕度鹽漬地都沒有被劃分清楚，鹽漬地的等級邊界沒有很好地被區(qū)分，細節(jié)部分沒有被識別出來，從而導致分類精度偏低； 而Freeman-Durden分解將極化數(shù)據(jù)劃分為3個初始聚類，然后對各個初始聚類進行細分類再合并到指定的類別數(shù)目，最后在各初始聚類內(nèi)利用分類器進行SVM迭代劃分為15類，細節(jié)可以較為突出地體現(xiàn)出來，水體、重度鹽漬地和裸地等局部地物也可以被較好地區(qū)分，因而分類精度相對較高。Freeman-Durden分解后利用SVM-Wishart分類的效果優(yōu)于傳統(tǒng)的SVM分類，其原因可概括為通過SVM-Wishart協(xié)同分類，在兼顧了2種分類條件的前提下，結(jié)合2種分類的優(yōu)勢，充分利用了PolSAR影像分解后的特征參數(shù)，提高了分類精度。

4 結(jié)論與討論

本研究利用Freeman-Durden和H/α這2種目標分解技術(shù)分別對SAR影像進行目標分解，結(jié)合SVM-Wishart分類方法對研究區(qū)地物類型進行信息提取，通過對2種分解方法的分類結(jié)果進行定性與定量比較與分析，得出以下結(jié)論：

1)應用不同極化分解得到的特征參數(shù)進行影像類型識別和參數(shù)特征空間構(gòu)建，不同參數(shù)信息識別度不同，且參數(shù)之間特征空間分布不同，H/α分解后特征參數(shù)構(gòu)成的特征空間存在明顯規(guī)律，地物類型與空間特征關(guān)系密切，較好地反映了地物的分布情況。

2)利用SVM-Wishart半監(jiān)督協(xié)同分類方法，對干旱區(qū)土壤鹽漬化信息進行提取，分類結(jié)果表明，經(jīng)過Freeman-Durden分解分類效果優(yōu)于H/α分解分類效果，基于Freeman-Durden分解能夠更好地識別地物類型，更好地反映豐富的地物信息，但2種分解方法都驗證了結(jié)合極化分解參數(shù)提取地物信息的有效性。

3)半監(jiān)督SVM-Wishart分類效果優(yōu)于傳統(tǒng)SVM分類效果。SVM-Wishart分類方法結(jié)合了2種分類方法的優(yōu)勢，可以更好地對土壤鹽漬化信息進行提取。

對PolSAR數(shù)據(jù)分解提取土壤鹽漬化信息，發(fā)現(xiàn)特征參數(shù)對土壤各類信息敏感度不同，粗糙度較小的重度鹽漬地的雷達后向散射值較小，容易與水體混分，今后可以在分類前結(jié)合光學影像先將水體與鹽漬地進行區(qū)分。同時分類結(jié)果顯示，對于單獨的相干矩陣并不能對雷達圖像包含的信息進行充分挖掘，而結(jié)合目標分解后的參數(shù)構(gòu)成的特征空間信息，可以更好地對研究區(qū)信息進行提取。本文只是采用了Freeman-Durden分解和H/α分解，未對其他分解方法進行研究，今后的土壤鹽漬化信息提取研究中，可考慮利用極化分解后參數(shù)構(gòu)成的特征空間規(guī)律和極化分解后特征參數(shù)的交叉組合，使研究內(nèi)容更加豐富與完善。利用全極化Radarsat-2數(shù)據(jù)，結(jié)合極化分解后參數(shù)特征空間通過半監(jiān)督分類法提取土壤鹽漬化信息，對于干旱區(qū)土壤鹽漬化監(jiān)測具有一定的研究意義。