基于高分1號和高分3號衛(wèi)星影像的四川低山丘陵區(qū)不透水面提取

趙國兵 程吉 李洋 謝文瀚 鄧立¤

1.四川省國土科學(xué)技術(shù)研究院（四川省衛(wèi)星應(yīng)用中心），四川成都

2.自然資源部耕地資源調(diào)查監(jiān)測與保護(hù)利用重點實驗室，四川成都

3.中國石油大學(xué)（華東）海洋與空間信息學(xué)院，山東青島

4.青島海洋科學(xué)與技術(shù)試點國家實驗室海洋礦產(chǎn)資源評價與探測技術(shù)功能實驗室，山東青島

0 引言

不透水面是指阻止水分下滲到土壤的城市人工地面，是城市的重要特征地物。城市不透水面面積的變化能夠從一定程度反映城市化的進(jìn)程和經(jīng)濟(jì)的發(fā)展水平[1]。當(dāng)前，不透水面信息的提取，通常以遙感技術(shù)手段選取平原地區(qū)城市進(jìn)行觀測，卻很少在西部低山丘陵區(qū)城市開展。究其原因，低山丘陵區(qū)城市復(fù)雜多變的地形使得單一數(shù)據(jù)源無法很好地滿足提取精度的需要，同時，丘陵氣候多云雨問題也限制了不透水面提取的精度。因此，采用多源數(shù)據(jù)對丘陵城市不透水面開展提取研究，已成為當(dāng)前熱點。

我國高分辨率對地觀測系統(tǒng)重大專項（簡稱高分專項）自2006 年建設(shè)以來，已發(fā)射多顆搭載不同類型傳感器的衛(wèi)星，為行業(yè)應(yīng)用提供高質(zhì)量高分辨率遙感衛(wèi)星影像[2]。其中，高分1號衛(wèi)星提供的高分辨率光學(xué)影像能夠為丘陵地區(qū)不透水面提取提供豐富的光譜信息；高分3號雷達(dá)衛(wèi)星能全天時全天候成像，其全極化精細(xì)條帶模式可以提供豐富的極化信息與空間幾何結(jié)構(gòu)信息，能與光學(xué)影像形成互補(bǔ)。

四川盆地地形主要以低山丘陵為主，是人口和經(jīng)濟(jì)的密集地區(qū)。本文以四川盆地低山丘陵區(qū)城市瀘州市為例，以高分1 號光學(xué)遙感影像和高分3號全極化雷達(dá)影像相融合的方式，進(jìn)行不透水面提取研究，以期能夠滿足四川盆地內(nèi)低山丘陵區(qū)城市發(fā)展監(jiān)測、自然生態(tài)保護(hù)以及國土資源管理對不透水面基礎(chǔ)信息的需求。

1 試驗區(qū)和數(shù)據(jù)概況

1.1 試驗區(qū)概況

如圖1所示，瀘州市位于四川盆地南緣，東與重慶市接壤，南與貴州省連界，西與云南省和四川省宜賓市、自貢市相連，北接四川省內(nèi)江市和重慶市，處于川東南平行褶皺嶺谷區(qū)南端與大婁山的結(jié)合部，四川盆地南緣向云貴高原的過渡地帶，兼有盆中丘陵和盆周山地的地貌類型，低山丘陵占市域面積的80%。

1.2 數(shù)據(jù)預(yù)處理

圖1 試驗區(qū)地理位置

高分1號是高分專項中的首發(fā)星，搭載有多光譜相機(jī)和全色多高光譜相機(jī)，其中，全色多光譜相機(jī)包含4個可見光波段和1 個全色波段，可見光波段分辨率為8 m，全色波段分辨率則為2 m，重訪周期為4 d。高分1 號同時擁有高空間分辨率、多光譜與高時間分辨率，能為不透水面提取提供豐富的光譜信息和空間信息[3]。本文使用高分1號C衛(wèi)星數(shù)據(jù)，選用了2021年9月21日的PMS數(shù)據(jù)，通過對原始多光譜和全色數(shù)據(jù)進(jìn)行輻射校正、大氣校正和幾何校正，然后再將校正后的多光譜數(shù)據(jù)和全色數(shù)據(jù)進(jìn)行融合，得到空間分辨率為2 m 的藍(lán)、綠、紅和近紅外波段。高分1號衛(wèi)星詳細(xì)參數(shù)如表1所示。

高分3 號是中國首顆空間分辨率達(dá)到1 m 的C 波段合成孔徑雷達(dá)衛(wèi)星（SAR），不僅涵蓋了傳統(tǒng)的條帶、掃描成像模式，還擁有聚束、條帶、掃描、波浪、全球觀測、高低入射角等多種成像模式，彌補(bǔ)了我國民用高分辨率SAR 衛(wèi)星的空白。同時，高分3 號提供多種極化方式，包括單極化、雙極化和全極化，能為地物識別提供豐富的極化信息[4]。高分3 號衛(wèi)星詳細(xì)參數(shù)如表2 所示。對于高分3 號，本文采用了2021 年9 月18 日成像的QPSI 數(shù)據(jù)，做了輻射定標(biāo)、RPC 幾何校正、Lee 濾波、相干矩陣提取和H-A-Alpha 極化分解。為和光學(xué)影像融合匹配，最后將處理得到的高分3 號影像重采樣到2 m，并與高分1 號影像進(jìn)行空間配準(zhǔn)。

表1 高分1號衛(wèi)星詳細(xì)參數(shù)

表2 高分3號衛(wèi)星詳細(xì)參數(shù)

2 技術(shù)方法

2.1 特征提取

對于高分辨率的光學(xué)影像，為充分利用其光譜信息和空間信息，除光譜波段外，還計算了紋理特征?；叶裙采仃嚕℅LCM）是一種常用的紋理特征計算方法，該方法從統(tǒng)計的角度描述圖像的紋理，描述了像元間的空間相關(guān)特性[5]。通過對可見光進(jìn)行主成分分析，對包含信息最多的第一主成分分量進(jìn)行GLCM紋理特征提取，計算得 到 均 值 （Mean）、 方 差 （Variance）、 同 質(zhì) 性（Homogeneity）、 對 比 度 （Contrast）、 相 異 性（Dissimilarity）、 熵 （Entropy）、 二 階 矩 （Second moment）和相關(guān)性（Correlation）。試驗區(qū)影像部分紋理特征如圖2所示，顯然，不同的紋理信息充分體現(xiàn)了該區(qū)域的空間結(jié)構(gòu)特征。

圖2 高分1號影像的GLCM紋理特征

對于極化SAR 影像，首先得到散射矩陣S，在對散射矩陣進(jìn)行相干分解，得到相干矩陣T，矩陣T 的主對角線元素對應(yīng)著不同的散射機(jī)制，第一個主對角線元素T11對應(yīng)著表面散射，第二個主對角線元素T22 對應(yīng)著二次散射，第三個主對角線元素T33 對應(yīng)著體散射[6]。采用相干矩陣的主對角線元素可以為區(qū)分不透水面和其他地物提供有用的極化信息。此外，由于丘陵城市場景中，目標(biāo)往往復(fù)雜多樣，散射特性變化性強(qiáng)，本文還進(jìn)行了非相干目標(biāo)分解獲取極化分解分量。Cloude 于1997 年提出的H-A-Alpha 分解方法物理意義明確、簡單易用，是經(jīng)典的極化分解方法之一[7]。本文采用該方法，得到散射熵（H）、散射角（Alpha）和各向異性（A）。圖3 展示了提取的極化SAR特征，可以看出，極化SAR特征提供了不同于光學(xué)影像的信息，尤其是協(xié)方差矩陣的主對角線元素，能夠有效增強(qiáng)不透水面，抑制其余地物如水體、裸土等，有效提高不透水面的可識別性。

圖3 高分3號的特征提取

綜上，對于低山丘陵城市場景，為利用高分辨率光學(xué)影像的光譜信息，選擇了高分1 號的全部可見光波段；此外，選擇了基于光學(xué)影像計算的紋理特征為不透水面分類提供空間信息；對于SAR 數(shù)據(jù)，則充分利用其散射極化信息，對光學(xué)影像進(jìn)行補(bǔ)充，不僅增強(qiáng)了算法對低山丘陵城市中大量存在的裸土與亮不透水面的識別能力，也提供了更多城市幾何結(jié)構(gòu)特征。最終，本文選擇了光學(xué)和雷達(dá)影像共18個特征組成特征集，如表3所示。

2.2 不透水面分類

數(shù)據(jù)融合包括3 個層次，即像素層、特征層和決策層。像素層是以單個像素為單位做融合，得到融合圖像后再分類，因此，要求極其嚴(yán)格的配準(zhǔn)，但SAR 影像存在大量的斑點噪聲，會極大降低像素層的融合精度。決策層雖然對圖像配準(zhǔn)的要求不高，但是如何構(gòu)建合適的決策機(jī)制需要大量的探索。特征層對不同的數(shù)據(jù)源提取特征，再對特征進(jìn)行堆疊以及后續(xù)處理，對圖像配準(zhǔn)的要求不如像素層嚴(yán)格，計算復(fù)雜度低于決策層，通過不同的特征能充分利用不同數(shù)據(jù)源的信息，是光學(xué)和SAR的極佳融合方式[8]。因此，本文選擇特征級的融合方式，將提取的光學(xué)和SAR 特征堆疊形成特征向量，輸入分類器，得到四類地物的分類結(jié)果，即不透水面、植被、水體和裸土。最后將所有不透水面類別合并，得到最終的不透水面提取圖。

表3 特征提取

對于分類器，采用了支持向量機(jī)（SVM）。SVM 是通過尋找一個最大分割超平面來區(qū)分各個類別，其原理簡單易懂，計算方便且分類精度較高，是常用的機(jī)器學(xué)習(xí)分類算法之一。此外，SVM 還引進(jìn)了核函數(shù)，使得復(fù)雜的非線性分類問題也得到了很好的解決[9]。本文采用的是成對分類（pairwise classification）的策略進(jìn)行SVM 多分類，核函數(shù)選擇了高斯核函數(shù)。

在樣本的選擇上，遵循隨機(jī)、分布均勻、盡量包含每類地物中不同類型對象的原則，選擇了13 427個樣本，其中，包含8 907 個訓(xùn)練樣本和4 520 個測試樣本，具體信息如表4所示。

表4 樣本選擇

2.3 精度評定

為全面反應(yīng)采取融合算法的提取效果，選擇混淆矩陣及其衍生指標(biāo)總體精度（OA）、Kappa 系數(shù)、用戶精度（UA）、制圖精度（PA）、漏分誤差（CE）和錯分誤差進(jìn)行精度評定。OA、Kappa 系數(shù)、UA、PA、OE 和CE 的計算公式分別為[10]：

其中，N 為觀察樣本總量，K 為類別個數(shù)，Xii為混淆矩陣第i 個主對角線樣本數(shù)，表示第i 類中被正確分類的像元個數(shù)；Xi+為第i 行的觀察樣本總和，X+i為第i 列的觀察樣本總和。OA 反映總測試樣本中分類正確的比例，但只考慮了混淆矩陣中的主對角線元素，Kappa系數(shù)則還考慮了混淆矩陣的非主對角線元素。UA 反映在分類結(jié)果圖中某類被正確識別的精度，PA 則反映在實際影像中，某類得到正確識別的比例。CE 表示分類結(jié)果圖中被分為某一類地物實際上有多少應(yīng)該是別的類別，OE 則反映實際的某一類地物有多少被錯誤地分到其它類別。

3 結(jié)果分析

3.1 定性分析

在低山丘陵城市，地形復(fù)雜、地物分布較雜，植被、裸土、水體大量分布，且大量裸土與不透水面相鄰，給不透水面提取造成極大的困難，通過融合使用高分辨率光學(xué)和SAR 影像特征，能夠較好地提取出丘陵城市的不透水面。由圖4和圖5可以看出，在該試驗區(qū)內(nèi)，各類別基本分類正確，雖然還有部分細(xì)節(jié)存在誤差，但對于大范圍城市不透水面制圖已基本滿足使用需求，不透水面主要位于試驗區(qū)西南和南部地區(qū)，與試驗區(qū)真實影像的不透水面覆蓋相吻合。

3.2 定量分析

試驗結(jié)果的混淆矩陣和其余精度評價指標(biāo)分別如表5和表6 所示。從混淆矩陣中可以看出，試驗總體精度達(dá)83.23%，Kappa 系數(shù)達(dá)0.77，總體滿足大范圍低山丘陵城市不透水面提取精度。易與不透水面產(chǎn)生混淆的主要是裸土，這是由于丘陵城市中裸土分布范圍廣、面積較大，且大量與不透水面相鄰所造成的。低山丘陵城市由于受地形限制，城市化水平稍遜于平原城市，因此，城市邊緣地區(qū)建筑物大多矮小，其散射回波有限，若周圍裸土較粗糙，在SAR 影像上的灰度差異較小，很難改善光學(xué)影像已經(jīng)存在的不透水面和裸土的光譜混淆，并且，由于低山丘陵高差起伏，SAR 影像存在疊掩、頂?shù)孜灰频?，使得山脊部分呈現(xiàn)高亮，與不透水面的高亮特征類似。其次，易與不透水面產(chǎn)生混淆的是水體。在試驗結(jié)果中，大部分陰影都得到了正確的分類，但仍然有部分新建高樓陰影投射面積極大，光譜信息嚴(yán)重缺失，部分陰影被錯誤識別為水體。

圖4 分類結(jié)果圖

圖5 不同地物分類概率圖

表5 混淆矩陣

表6 精度評價指標(biāo)

4 結(jié)論

本文以高分1 號光學(xué)影像和高分3 號全極化雷達(dá)影像為基礎(chǔ)數(shù)據(jù)源，通過特征提取，挖掘不同數(shù)據(jù)源的信息，在特征層進(jìn)行數(shù)據(jù)融合，以經(jīng)典機(jī)器學(xué)習(xí)算法SVM 為技術(shù)支撐，得到大范圍丘陵城市的不透水面制圖，總體精度達(dá)83.23%，Kappa 系數(shù)達(dá)0.77，基本能夠滿足低山丘陵城市在相關(guān)應(yīng)用及監(jiān)管中的不透水面制圖需求。但是，該算法仍然存在部分細(xì)節(jié)處的混淆，主要是裸土與亮不透水面、水體與陰影不透水面混淆引起的。接下來，可探索雷達(dá)數(shù)據(jù)在光學(xué)陰影的特征，以進(jìn)一步提高不透水面提取精度，但也需要同時考慮到雷達(dá)影像自身存在的雷達(dá)陰影、疊掩以及頂?shù)孜灰频葞缀螁栴}。