雙極化SAR參數(shù)對植被干旱響應(yīng)的顯著性分析

王克曉 虞豹 黃祥 李波

王克曉，虞豹，黃祥，等.雙極化SAR參數(shù)對植被干旱響應(yīng)的顯著性分析[J].南方農(nóng)業(yè)，2023，17（11）：1-5，9.

摘 要 為探索以Sentinel-1為代表的雙極化SAR參數(shù)對植被干旱信息的可表達性，基于相關(guān)分析和主成分變換法分析了相關(guān)光學遙感干旱指數(shù)及干旱主要信息分量與Sentinel-1特征參數(shù)的相關(guān)性，并對干旱條件下IRV和IDPRV參數(shù)對不同植被類型的響應(yīng)進行分析，結(jié)果表明：基于光學遙感的干旱指數(shù)均能不同程度地反映植被的受干旱脅迫程度，植被指數(shù)INDV側(cè)重于從植被長勢方面的表達，溫度干旱指數(shù)ITC偏向于從地表環(huán)境溫度的角度來反映干旱情況，綜合植被-溫度干旱指數(shù)IVTC偏重于地表溫度對其響應(yīng)，而IVSW兼顧植被長勢與地表溫度的雙重影響且與水分干旱指數(shù)顯著相關(guān)；雷達植被指數(shù)IRV、雙極化雷達植被指數(shù)IDPRV與干旱主要分量信息的相關(guān)系數(shù)分別為-0.79、-0.65，適合于評估地表植被受干旱程度；IRV和IDPRV對四種土地覆被之間的可區(qū)分性整體趨勢基本一致，但IRV比IDPRV具有更高敏感性。本研究可為西南山區(qū)農(nóng)業(yè)遙感干旱信息監(jiān)測提供參考。

關(guān)鍵詞 植被；干旱響應(yīng)；光學干旱指數(shù)；雙極化SAR參數(shù)；相關(guān)性

中圖分類號：S16 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2023.11.001

干旱對農(nóng)業(yè)生產(chǎn)影響重大，且具有顯著的區(qū)域化特征[1-2]。由于衛(wèi)星傳感器能夠宏觀地獲取地表土壤、植被等地表覆蓋物的多源信息，使得基于衛(wèi)星遙感的農(nóng)業(yè)干旱監(jiān)測方法已經(jīng)成為當前用來監(jiān)測和表征區(qū)域農(nóng)業(yè)干旱監(jiān)測的最有效手段[3-4]。近年來，國內(nèi)外諸多學者基于衛(wèi)星遙感數(shù)據(jù)發(fā)展了大量的可用于農(nóng)業(yè)旱情監(jiān)測的方法，主要是利用可見光、近紅外光、短波紅外光及熱紅外光等光學遙感數(shù)據(jù)的波段信息反演遙感干旱指數(shù)和利用合成孔徑雷達（Synthetic Aperture Radar，SAR）技術(shù)，通過監(jiān)測土壤水分實現(xiàn)區(qū)域農(nóng)業(yè)干旱程度定量化評估[5-8]。然而我國西南山區(qū)多云霧，嚴重影響光學遙感影像的數(shù)據(jù)質(zhì)量，從而極大地限制了光學遙感技術(shù)在我國西南地區(qū)農(nóng)業(yè)干旱監(jiān)測中的應(yīng)用；而在諸多基于SAR技術(shù)農(nóng)業(yè)干旱監(jiān)測的相關(guān)研究中，應(yīng)用較多也是全極化SAR影像數(shù)據(jù)，其成本相對較高、重訪周期相對較長，不利于作物物候期內(nèi)多時相數(shù)據(jù)的連續(xù)獲取。歐洲航天局的Sentinel-1影像為雙極化SAR數(shù)據(jù)集，周期短、數(shù)據(jù)源穩(wěn)定，并且可以免費獲取，非常有利于農(nóng)業(yè)干旱監(jiān)測工作的業(yè)務(wù)化運行。因此，探索Sentinel-1雙極化SAR特征參數(shù)對植被干旱信息的可表達性對于利用SAR技術(shù)開展西南山區(qū)農(nóng)業(yè)干旱監(jiān)測有重要意義。

本研究基于Sentinel-2多光譜影像和Landsat 8 OLI/TIRS熱紅外波段構(gòu)建相應(yīng)光學遙感干旱指數(shù)及其主成分變換主要分量，并與Sentinel-1特征參數(shù)進行相關(guān)性分析，同時比較不同IRV和IDPRV對不同植被類型的干旱響應(yīng)分析，探索Sentinel-1雙極化SAR參數(shù)對植被干旱的可表達性，旨在為西南山區(qū)農(nóng)業(yè)干旱信息監(jiān)測提供參考。

1? 數(shù)據(jù)與方法

1.1? 研究區(qū)概況

巴南區(qū)（見圖1）是重慶市主城九區(qū)之一，位于重慶市主城區(qū)南部，東經(jīng)106°26′2″～106°59′53″、北緯29°7′44″～29°45′43″，總面積1 825 km2。區(qū)內(nèi)多為河谷丘陵及長條狀低山地貌，地勢起伏層次分明，以丘陵為主，高山、丘陵、濕地、河谷皆具。氣候?qū)賮啛釒駶櫄夂騾^(qū)，四季分明，春早秋遲，夏熱冬暖，盛夏多伏旱，冬季多云霧，日照少，濕度大，四季均宜作物生長。

1.2? 數(shù)據(jù)選擇與處理

選擇研究區(qū)夏季嚴重干旱季節(jié)的遙感影像數(shù)據(jù)源，其中光學干旱指數(shù)和SAR特征參數(shù)所需數(shù)據(jù)源均為2022年8月11日同天成像的L2A級Sentinel-2多光譜影像和Sentinel-1影像IW模式的雙極化單復視（Single looking complex， SLC）產(chǎn)品。地表溫度數(shù)據(jù)由氣溫穩(wěn)定、時間差較短的2022年8月13日成像的Landsat 8 OLI/TIRS的熱紅外波段反演獲取。Sentinel-2產(chǎn)品已經(jīng)過輻射定標、幾何校正和大氣校正等預(yù)處理過程，為保持與溫度產(chǎn)品分辨率的一致性，利用ENVI軟件完成其可見光-紅邊-近紅外-短波紅外等波段降分辨率重采樣為30 m的數(shù)據(jù)集獲取和光學干旱指數(shù)的計算。同時基于SNAP軟件平臺完成Sentinel-1影像數(shù)據(jù)的軌道校正、輻射定標、條帶拼接、極化矩陣生成、多視及地形校正等處理過程，獲得分辨率為30 m的極化協(xié)方差矩陣C2數(shù)據(jù)進行雙極化SAR參數(shù)特征提取。

土地覆被類型數(shù)據(jù)通過武漢大學楊杰和黃昕教授團隊發(fā)布的重慶市2021年30 m分辨率的中國土地覆蓋數(shù)據(jù)集裁剪獲得，并提取農(nóng)田、森林、灌木和草地等四種土地覆被類型作為研究對象，參考基準為WGS-84投影坐標系[9]。

1.3? 研究方法

1.3.1? SAR參數(shù)與干旱遙感相關(guān)指數(shù)選取

SAR參數(shù)與植被含水量密切相關(guān)，可以用來估算與含水量相關(guān)的植被特性[10]。根據(jù)Sentinel -1數(shù)據(jù)的雙極化通道特征提取IRV[11]、IPRV[12]、IDPRV[13]，三個植被指數(shù)和同極化后向散射系數(shù)σ0vv等四個SAR參數(shù)進行分析，其中相關(guān)的雷達植被指數(shù)計算公式如式（1）～（4）所示。另外，基于已有的主要光學干旱遙感監(jiān)測指數(shù)，結(jié)合Sentinel 2與Landsat 8 OLI/TIRS遙感影像所能提供的波段信息，本研究選用如表1所示的光學干旱遙感指數(shù)。

式中，IRV為雷達植被指數(shù)（radar vegetation index），IPRV為極化雷達植被指數(shù)（polarimetric radar vegetation index），IDPRV為雙極化雷達植被指數(shù)（dual polarimetric radar vegetation index）；[σ0VH]、[σ0VV]分別為VH、VV極化時的散射系數(shù)；αDOP為精度衰減因子（dilution of precision），C2為雙極化協(xié)方差矩陣，λ1、λ2為矩陣C2的特征值，det（[C2]）為矩陣C2的行列式值，Trace[C2]為矩陣C2的跡。

1.3.2? 地物類型樣點分布設(shè)計

以1 km間距在研究區(qū)內(nèi)構(gòu)建格網(wǎng)，并以逐個單元格中心為樣本分布點。為使圖斑數(shù)量相對較少的灌木和草地類型有一定的樣本點數(shù)，通過多邊形轉(zhuǎn)點的方式將其圖斑中心增設(shè)為樣本點。同時，基于SNAP平臺對Sentinel-2影像的云掩膜文件進行閾值分割，識別其云層覆蓋與陰影范圍，使所有樣本點位均位于影像云層及陰影以外（見圖2）。

1.3.3? 相關(guān)性分析

Pearson相關(guān)分析是一種簡單的可用以衡量兩個變量之間相關(guān)性的方法，其值介于-1和1之間，其絕對值越大，相關(guān)性則越強。其表達式如下：

式中，rp為相關(guān)系數(shù)，xi、yi分別為變量x、y的樣本觀測值，其平均值分別為[x]、[y]，n為樣本觀測量。

1.3.4? 主成分變換

主成分變換（PCA）是在波段統(tǒng)計特征的基礎(chǔ)上，通過正交變換將多波段影像中有用的信息集中到少數(shù)幾個主成分影像中，并使這些主成分影像之間互不相關(guān)，從而達到數(shù)據(jù)降維的目的[15]。本研究利用主成分變換方法對前述光學遙感干旱指數(shù)特征集組合進行變換，提取能夠表征干旱程度的主成分波段信息，便于與SAR特征參數(shù)進行相關(guān)分析，探索不同SAR特征參數(shù)對植被干旱程度的可表達性。

2? 結(jié)果與分析

2.1? 光學遙感干旱指數(shù)的相關(guān)性

基于地物類型樣點的光學遙感干旱指數(shù)間的相關(guān)系數(shù)如圖3，可以看出，干旱指數(shù)在0.001的水平下都呈現(xiàn)極為顯著的相關(guān)性，說明上述干旱指數(shù)均能不同程度地反映植被的受干旱脅迫程度，但各指數(shù)間的相關(guān)性大小差異較大。植被指數(shù)INDV與溫度干旱指數(shù)ITC的相關(guān)系數(shù)為0.56，綜合植被-溫度干旱指數(shù)IVTC與ITC的相關(guān)系數(shù)值為0.88，與INDV的相關(guān)系數(shù)僅為0.21；而IVSW與ITC、INDV的相關(guān)系數(shù)分別為0.75和0.96，說明IVTC主要偏重于地表溫度對其響應(yīng)，而IVSW則兼顧了植被長勢與地表溫度的雙重影響。水分干旱指數(shù)中，IGVM與ISIWS、IMS的相關(guān)性較高，rp值均在0.97以上，但方向為負；而與IVSD的相關(guān)值為0.78。整體上看，水分干旱指數(shù)與植被指數(shù)INDV的相關(guān)性均高于與溫度干旱指數(shù)ITC的相關(guān)性，并與綜合植被-溫度干旱指數(shù)IVSW的相關(guān)系數(shù)值基本一致。

2.2? 干旱主成分與雙極化SAR參數(shù)的相關(guān)性

利用主成分變換法分別對上述八個光學干旱遙感指數(shù)進行信息融合變換，定量耦合不同干旱評估指標的同時去除其冗余信息，獲取能夠表征干旱程度最大信息量的主要主成分分量。在提取的八個主成分中，其中前兩個主成分的貢獻率分別為71.73%和21.29%，累計貢獻率達到93%，表明前兩個主成分能夠較好表達研究區(qū)的干旱信息。利用前兩個主成分與SAR參數(shù)進行相關(guān)性分析（見圖4），可以看出本研究所選取的四個SAR參數(shù)與光學遙感指數(shù)的前兩個主成分存在不同顯著水平的相關(guān)性，但相關(guān)系數(shù)值各有不同。雷達植被指數(shù)IRV、極化雷達植被指數(shù)IPRV、雙極化雷達植被指數(shù)IDPRV及VV極化通道的后向散射特征σ0vv與第1主成分的相關(guān)系數(shù)分別為-0.79、-0.16、-0.65和0.33，相關(guān)系數(shù)對比結(jié)果說明IRV和IDPRV兩個參數(shù)更適合于作為評估地表植被干旱程度的監(jiān)測指標。

2.3? IRV與IDPRV對不同植被類型的響應(yīng)

為比較干旱條件下IRV和IDPRV對不同植被類型的響應(yīng)程度，本研究基于SAR影像特征分別繪制了兩者對農(nóng)田、森林、灌木及草地等四種土地覆被的箱型分布圖（見圖5）。可見，在IRV和IDPRV兩個SAR參數(shù)特征上，四種土地覆被之間的可區(qū)分性整體趨勢基本一致：即農(nóng)田與森林、灌木和草地的區(qū)分性及草地與森林的區(qū)分性均較為顯著，灌木和草地的可區(qū)分顯著性水平相對減小。在IRV特征上，森林與灌木的區(qū)分顯著水平為0.01，而其他土地覆被間的區(qū)分顯著性均為0.000 1；在IDPRV特征上，森林與灌木的區(qū)分顯著水平僅為0.05，農(nóng)田與灌木和草地的區(qū)分顯著性為0.001。對比可知，干旱條件下，IRV比IDPRV在對不同植被類型的可區(qū)分性上仍具有很高敏感性，不僅適用于植被類型的區(qū)分，還可用于不同植被類型的干旱程度監(jiān)測。

3? 結(jié)論

本研究在分析相關(guān)光學遙感干旱指數(shù)相關(guān)性的基礎(chǔ)上，通過主成分分析獲取能夠表示干旱信息的主要信息分量，并與Sentinel-1數(shù)據(jù)提取的SAR特征參數(shù)進行相關(guān)性分析，開展干旱條件下由其衍生的IRV和IDPRV兩個參數(shù)對不同植被類型的響應(yīng)分析，結(jié)論如下。

1）相關(guān)光學遙感干旱指數(shù)間相關(guān)性表明，不同類型的干旱指數(shù)側(cè)重表達的方面不同，植被指數(shù)INDV用于干旱監(jiān)測主要側(cè)重于從植被長勢方面的表達，溫度干旱指數(shù)ITC則主要從地表環(huán)境溫度的角度來反映干旱情況。而不同的綜合植被-溫度干旱指數(shù)所表達的側(cè)重點也有所不同，IVTC偏重于地表溫度對其響應(yīng)（rp=0.88），IVSW則兼顧了植被長勢與地表溫度的雙重影響。水分干旱指數(shù)中，IGVM、ISIWS、IMS三個指數(shù)存在較高相關(guān)性，且與IVSW的相關(guān)系數(shù)值也均在0.8以上。

2）基于主成分變換的干旱最大信息分量與SAR參數(shù)的相關(guān)性分析，雷達植被指數(shù)IRV、雙極化雷達植被指數(shù)IDPRV與干旱最大分量信息的相關(guān)系數(shù)分別為-0.79和-0.65，表明IRV和IDPRV兩個參數(shù)更適合于評估地表植被受干旱程度。

3）IRV和IDPRV對農(nóng)田、森林、灌木及草地等不同土地覆被的箱型分布表明，IRV和IDPRV對四種土地覆被之間的可區(qū)分性整體趨勢基本一致，但IRV比IDPRV具有更高敏感性。

參考文獻：

[1]? 王利民，劉佳，張有智，等.我國農(nóng)業(yè)干旱災(zāi)害時空格局分析[J].中國農(nóng)業(yè)資源與區(qū)劃，2021，42（1）：96-105.

[2]? 趙海燕，張文千，鄒旭愷，等.氣候變化背景下中國農(nóng)業(yè)干旱時空變化特征分析[J].中國農(nóng)業(yè)氣象，2021，42（1）：69-79.

[3]? 姚遠，陳曦，錢靜.遙感數(shù)據(jù)在農(nóng)業(yè)旱情監(jiān)測中的應(yīng)用研究進展[J].光譜學與光譜分析，2019，39（4）：1005-1012.

[4]? 劉憲鋒，朱秀芳，潘耀忠，等.農(nóng)業(yè)干旱監(jiān)測研究進展與展望[J].地理學報，2015，70（11）：1835-1848.

[5]? 黃友昕，劉修國，沈永林，等.農(nóng)業(yè)干旱遙感監(jiān)測指標及其適應(yīng)性評價方法研究進展[J].農(nóng)業(yè)工程學報，2015，31（16）：186-195.

[6]? 吳澤棉，邱建秀，劉蘇峽，等.基于土壤水分的農(nóng)業(yè)干旱監(jiān)測研究進展[J].地理科學進展，2020，39（10）：1758-1769.

[7]? 宋揚，房世波，衛(wèi)亞星.農(nóng)業(yè)干旱遙感監(jiān)測指數(shù)及其適用性研究進展[J].科技導報，2016，34（5）：45-52.

[8]? 胡文英，羅永琴.農(nóng)業(yè)干旱遙感監(jiān)測模型綜述[J].云南地理環(huán)境研究，2013，25（4）：51-55.

[9]? YANG J， HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data， 2021， 13（8）：3907-3925.

[10]? 謝小曼，李俐，張遷遷，等.SAR遙感指數(shù)研究進展[J].中國農(nóng)業(yè)信息，2019，31（5）：13-24.

[11] TRUDEL M， CHARBONNEAU F， LECONTE R. Using RADARSAT-2 polarimetric and ENVISAT-ASAR dual-polarization data for estimating soil moisture over agricultural fields[J]. Canadian Journal of Remote Sensing， 2012， 38（4）： 514-527.

[12] GEBA C J， MAXIM S，YISOK O. Polarimetric Radar Vegetation Index for Biomass Estimation in Desert Fringe Ecosystems[J]. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56：7102-7108.

[13] MANDAL D ， KUMAR V ， RATHA D， et al. Dual polarimetric radar vegetation index for crop growth monitoring using sentinel-1 SAR data[J]. Remote Sensing of Environment， 2020， 247： 111954.

[14]? 韓東，王鵬新，張悅，等.農(nóng)業(yè)干旱衛(wèi)星遙感監(jiān)測與預(yù)測研究進展[J]，智慧農(nóng)業(yè)（中英文），2021，3（2）：1-14.

[15]? 楊博雄，楊雨綺.利用PCA進行深度學習圖像特征提取后的降維研究[J].計算機系統(tǒng)應(yīng)用，2019，28（1）：279-283.

（責任編輯：丁志祥）