基于Freeman全極化分解的干雪識(shí)別指數(shù)模型構(gòu)建

黃 林，李 暉，康 璇

（廈門(mén)理工學(xué)院計(jì)算機(jī)與信息工程學(xué)院，福建 廈門(mén) 361024）

積雪是冰凍圈內(nèi)分布最為廣泛且最為活躍的要素，在水文循環(huán)、雪災(zāi)預(yù)測(cè)等方面具有重要作用［1］。目前，使用光學(xué)遙感數(shù)據(jù)進(jìn)行積雪研究易受多云多雨的影響［2］，而合成孔徑雷達(dá)（synthetic aperture radar，SAR）能夠穿透云層，具有全天候、全天時(shí)成像的特點(diǎn)，在山區(qū)積雪識(shí)別及分類(lèi)應(yīng)用中具有極大的潛力［3］。全極化SAR數(shù)據(jù)可以反映積雪的極化散射特性，區(qū)分地物的散射機(jī)制，為積雪識(shí)別提供了豐富的極化信息，有助于提高積雪識(shí)別的精度［4］。從SAR圖像中提取有效的極化特征對(duì)積雪特性研究和分析具有重要意義。同時(shí)，積雪極化特征的提取也是SAR 圖像識(shí)別的關(guān)鍵技術(shù)，對(duì)積雪的準(zhǔn)確識(shí)別起著重要作用［5］。

國(guó)內(nèi)外學(xué)者利用遙感數(shù)據(jù)對(duì)積雪識(shí)別方法進(jìn)行了大量的研究。龐海洋等［6］基于Landsat8 OLI數(shù)據(jù)源，綜合考慮藍(lán)紫光、藍(lán)光、綠光和短波紅外波段，提出了增強(qiáng)型歸一化差值雪指數(shù)（enhanced normalized difference snow index，ENDSI）。高揚(yáng)等［7］對(duì)青藏高原地區(qū)不同土地覆蓋類(lèi)型下判識(shí)積雪的最優(yōu)歸一化積雪指數(shù)（normalized difference snow index，NDSI）閾值進(jìn)行了研究，表明不同土地覆蓋類(lèi)型下的NDSI 閾值優(yōu)化可以有效提高青藏高原積雪判別精度。馬騰耀等［8］利用GF-3 全極化SAR 數(shù)據(jù)，提出了一種基于特征優(yōu)選的積雪識(shí)別方法。Varade等［9］提出了一種使用全極化SAR數(shù)據(jù)評(píng)估熵（H）和各向異性（A）繪制積雪的新指標(biāo)，并將其稱(chēng)為雷達(dá)雪分?jǐn)?shù)（radar snow fraction，RSF）。王光遠(yuǎn)等［10］基于高分六號(hào)（GF-6）多光譜相機(jī)（PMS）影像的目視解譯結(jié)果，結(jié)合光譜特征規(guī)律，探討了深度學(xué)習(xí)、決策樹(shù)等算法的積雪信息識(shí)別?？佃龋?1］對(duì)SAR 數(shù)據(jù)極化特征和散射特征進(jìn)行組合，采用隨機(jī)森林算法對(duì)積雪進(jìn)行了識(shí)別提取。目前，基于積雪指數(shù)的研究主要使用光學(xué)遙感數(shù)據(jù)，而使用SAR 數(shù)據(jù)構(gòu)建指數(shù)的研究較少。其他領(lǐng)域的SAR 遙感指數(shù)研究主要是通過(guò)不同極化后向散射系數(shù)的數(shù)學(xué)組合［12-14］，或是基于SAR 數(shù)據(jù)的后向散射系數(shù)結(jié)合光學(xué)遙感指數(shù)的反演模型研究［15-19］，其中使用的方法主要還是機(jī)器學(xué)習(xí)方法［20-21］，但利用極化分解技術(shù)獲得不同散射機(jī)理的后向散射分量，進(jìn)而構(gòu)建物理意義更加明確的SAR 遙感指數(shù)的研究還較少［22］。因此，對(duì)于單一極化分解獲取的極化特征的信息提取還有很大的提升空間，如何利用較少的散射信息識(shí)別積雪范圍仍需進(jìn)一步探索。

基于模型的分解直接與地物真實(shí)散射機(jī)制相關(guān)聯(lián)，具有一定的物理意義。Freeman 分解是第一個(gè)被提出的基于模型的分解［23］，相對(duì)于其他分解方法，F(xiàn)reeman分解更符合地物的散射機(jī)制，對(duì)地物散射特征描述得更加充分［24］?；诖耍疚膶?duì)全極化SAR數(shù)據(jù)進(jìn)行Freeman分解，通過(guò)極化特征值在積雪與非積雪面的特征，構(gòu)建一種新的指數(shù)進(jìn)行干雪識(shí)別。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

以新疆天山中段北麓瑪納斯河流域（43.79°N～44.09°N，85.74°E～86.13°E）作為研究區(qū)，地表覆蓋物主要為草地，氣候?qū)儆谥袦貛Т箨懶愿珊禋夂颍傮w降水量較少，受水汽來(lái)源、地形和高程影響較大。根據(jù)自然高度帶，研究區(qū)可劃分為3 帶：50%以上區(qū)域海拔高度在0～1 300 m，為草原至半灌木過(guò)渡帶；南部約25%地區(qū)海拔在1 300～2 000 m，為地草甸草原帶；最南部少部分地區(qū)海拔在2 000～2 700 m，為云杉林帶［25］。2013 年12 月12 日至2013 年12 月16 日期間，在研究區(qū)內(nèi)開(kāi)展了為期5 d 與Radarast-2 衛(wèi)星SAR 數(shù)據(jù)同步的地面積雪實(shí)地觀測(cè)，獲取研究區(qū)觀測(cè)點(diǎn)的雪深、海拔、坡度、氣溫、下墊面等信息，根據(jù)實(shí)地觀測(cè)，研究區(qū)積雪深度范圍介于0～20 cm。

1.2 數(shù)據(jù)源及預(yù)處理

獲取2013年12月13日的Radarsat-2全極化數(shù)據(jù)，包括HH、HV、VV、VH 4種極化方式，為單視復(fù)數(shù)數(shù)據(jù)（single look complex，SLC）C 波段產(chǎn)品，距離向和方位向分辨率分別為4.733 m 和4.799 m，中心入射角為43.45 °。結(jié)合實(shí)地觀測(cè)和天氣情況，對(duì)應(yīng)積雪狀態(tài)為干雪。同時(shí)，選擇2013 年10 月6日的Landsat-8 OLI 數(shù)據(jù)（無(wú)雪期）、2013 年12 月14 日的GF-1 WFV 數(shù)據(jù)（干雪期）輔助參考。無(wú)雪期數(shù)據(jù)用于與積雪期數(shù)據(jù)對(duì)照判斷積雪區(qū)域及積雪區(qū)下墊面，干雪期數(shù)據(jù)用于同一時(shí)期SAR 數(shù)據(jù)的積雪判斷與精度評(píng)價(jià)參考。查詢(xún)歷史天氣記錄（https：//lishi.tianqi.com）可知，2013年12月13—14日溫度均在0 ℃以下，未有降水（降雪）記錄，說(shuō)明干雪期SAR 數(shù)據(jù)和干雪期GF-1 WFV 數(shù)據(jù)在地表覆蓋類(lèi)型上具有一致性。

為保證與光學(xué)遙感數(shù)據(jù)空間分辨率（20 m）相近，對(duì)Radarsat-2數(shù)據(jù)的距離向和方位向分別采用3×3 多視處理。對(duì)于全極化Radarsat-2 數(shù)據(jù)，相干斑濾波不僅需要考慮4 個(gè)通道（HH、HV、VH、VV）的濾波，還要考慮各個(gè)通道之間的相關(guān)性。因此，選用Refined Lee 濾波算法進(jìn)行斑抑制，濾波窗口設(shè)置為5×5。最后，選擇影像對(duì)應(yīng)的DEM數(shù)對(duì)影像進(jìn)行地理編碼，本文選用NASA提供的90 m分辨率數(shù)據(jù)STRM4 DEM（https：//srtm.csi.cgiar.org/）對(duì)影像區(qū)域進(jìn)行地理編碼操作，將影像從斜距幾何轉(zhuǎn)換為地圖投影坐標(biāo)。

2 研究方法

2.1 Freeman極化分解、極化特征獲取與指數(shù)構(gòu)建

在散射過(guò)程中，對(duì)SAR 目標(biāo)極化效應(yīng)進(jìn)行定量描述的常用方法是運(yùn)用極化散射矩陣，它包含目標(biāo)的全部極化信息，其定義為

式（1）中：S表示單個(gè)像素散射特性；Shh、Svv表示同極化項(xiàng)；Shv、Svh表示交叉極化項(xiàng)。

極化協(xié)方差矩陣同極化散射矩陣一樣，包含雷達(dá)測(cè)量得到的全部目標(biāo)極化信息。對(duì)于互易介質(zhì)Shv= Svh，極化散射矩陣矢量可表示為以3×3 的視矩陣為例，協(xié)方差矩陣C 定義為

式（2）中：*表示共軛矩陣；T表示矩陣的轉(zhuǎn)置；|·|表示矩陣的模；〈·〉表示隨機(jī)散射介質(zhì)在各向同性下的空間統(tǒng)計(jì)平均。

極化分解可以基于散射矩陣、相干矩陣或協(xié)方差矩陣實(shí)現(xiàn)［26］。全極化SAR 圖像通常使用9 個(gè)獨(dú)立參量表示接收到的數(shù)據(jù)，從而構(gòu)成協(xié)方差矩陣或者相干矩陣，二者是等價(jià)的，都是非負(fù)定Hermitian矩陣［27］。Freeman分解以極化協(xié)方差矩陣為分解對(duì)象，將地物分為體散射、面散射和二面角散射3 類(lèi)散射機(jī)制［28］。相對(duì)于其他分解方法，F(xiàn)reeman 分解更符合地物的散射機(jī)制，對(duì)地物散射特征描述得更加充分。3類(lèi)散射方式的協(xié)方差矩陣分量為

式（3）～式（5）中：C1為面散射對(duì)應(yīng)的協(xié)方差矩陣分量；C2為二面角散射對(duì)應(yīng)的協(xié)方差矩陣分量；C3為體散射對(duì)應(yīng)協(xié)方差矩陣分量；fs、fd、fv為各分量貢獻(xiàn)值；α、β為各種散射方式下極化散射矩陣分量中水平極化波與垂直極化波的比值?？偟臉O化協(xié)方差矩陣可表示為

由式（1）～（6）可解出未知量的值，并得到3類(lèi)散射分量的功率為

式（7）～式（9）中：Ps、Pd、Pv分別為散射、二面角散射和體散射各分量的散射功率。

極化分解后獲得的極化參數(shù)，都可作為積雪識(shí)別過(guò)程中的一個(gè)特征［29］?；跇O化參數(shù)在覆蓋與非覆蓋區(qū)的不同散射機(jī)理，選取可以較大程度增加積雪與非積雪間差異的極化特征以構(gòu)建歸一化指數(shù)。

2.2 Ostu閾值分割

Ostu 算法［30］是由日本學(xué)者大津提出的，也稱(chēng)最大類(lèi)間方差法，是圖像分割領(lǐng)域的經(jīng)典算法。Ostu 算法的思想是：根據(jù)直方圖確定閾值t，將灰度圖像分成背景和前景2 部分，前景與背景的類(lèi)間方差越大，說(shuō)明兩者的差別越大［31］。若大小為m×n的圖像，設(shè)圖像中像素的灰度值小于閾值t的像素個(gè)數(shù)為n0，大于閾值t的像素個(gè)數(shù)為n1，則有

由式（10）～式（13），類(lèi)間方差g（t）可表示為

式（10）～式（14）中：ω0為背景像素點(diǎn)所占比例；ω1為前景像素點(diǎn)所占比例；μ 為圖像灰度值；μ0和μ1分別為背景和前景的均值。通過(guò)不斷對(duì)閾值t進(jìn)行遍歷，當(dāng)g（t）取得最大時(shí)，類(lèi)間方差最大，即錯(cuò)分概率最小，此時(shí)t即為最佳閾值。

本文中，通過(guò)Ostu 自動(dòng)閾值分割算法確定閾值t，將小于閾值的像素點(diǎn)記為非積雪點(diǎn)，將大于閾值的像素點(diǎn)記為積雪點(diǎn)，對(duì)得到的積雪指數(shù)模型進(jìn)行分割，以達(dá)到積雪識(shí)別的目的。

2.3 監(jiān)督分類(lèi)與精度評(píng)價(jià)

在遙感圖像監(jiān)督分類(lèi)中，距離法和最大似然法是較常用的2種方法。本文選用最小距離、馬式距離和最大似然分類(lèi)方法對(duì)研究區(qū)進(jìn)行分類(lèi)，獲得積雪與非積雪。

在閾值分割和監(jiān)督分類(lèi)之后，本文以同一時(shí)期的GF-1 WFV 數(shù)據(jù)作為參考，隨機(jī)選擇積雪區(qū)域與非積雪區(qū)域各10 個(gè)進(jìn)行精度評(píng)價(jià)，共130 541 個(gè)像元，其中積雪像元70 952 個(gè)，非積雪像元59 589個(gè)，對(duì)識(shí)別結(jié)果建立混淆矩陣。以總體精度（overall accuracy，OA）、Kappa系數(shù)（Kappa coefficient）、用戶(hù)精度（user’s accuracy，UA）和制圖精度（producer’s accuracy，PA）對(duì)識(shí)別結(jié)果進(jìn)行精度評(píng)價(jià)?？傮w精度可以分析整體精度效果，Kappa系數(shù)可以確定積雪識(shí)別結(jié)果與真值的一致性，用戶(hù)精度和制圖精度可以體現(xiàn)誤分率和漏分率。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 Freeman極化分解特征分析

Freeman 極化分解后的極化特征為Freeman_Dbl、Freeman_Vol和Freeman_Odd，分別表示二面角散射、體散射和面散射，圖1 為研究區(qū)Radarsat-2 全極化數(shù)據(jù)Freeman極化分解后結(jié)果。

由于研究區(qū)積雪深度范圍介于0～20 cm，相對(duì)較淺，C波段的電磁波可以在雪表面發(fā)生折射，并穿透干雪。當(dāng)有積雪覆蓋時(shí)，在干雪條件下，主要散射為雪-地界面的面散射，雪層體散射比總體面散射少［32］，結(jié)合光學(xué)遙感數(shù)據(jù)可知，積雪覆蓋區(qū)表現(xiàn)為藍(lán)紫色。無(wú)雪覆蓋區(qū)主要出現(xiàn)在高覆蓋度草地和林地，主要散射為植被體散射，圖像呈綠色。

3.2 基于Freeman極化分解的FSCI_Vol_Dbl構(gòu)建

在Freeman 極化分解的圖像中，選擇干雪期積雪覆蓋區(qū)域與非積雪覆蓋區(qū)域，分別統(tǒng)計(jì)各散射特征的概率分布密度，結(jié)果如圖2 所示。由圖2（a）可知，在積雪覆蓋區(qū)，3 個(gè)散射分量的分布由小到大分別是二面角散射、體散射和面散射；二面角散射介于-29～-21 dB，主要集中在-25 dB；體散射介于-22～-14 dB，主要集中在-19 dB；面散射介于-20～-5 dB，分布特征呈高原形，數(shù)值較不集中。因此可知，二面角散射分布較為集中，且與體散射、面散射均存在較高的可分離性；體散射普遍小于面散射，且由于積雪覆蓋較淺，體散射和面散射無(wú)法直接分開(kāi)，有較多區(qū)域混合在一起。由圖2（b）可知，2個(gè)散射分量的分布由小到大的分布是二面角散射、面散射和體散射；二面角散射介于-29～-15 dB，主要集中在-24 dB；體散射主要集中在-8 dB，且普遍比面散射大；面散射分布進(jìn)一步擴(kuò)大，分布范圍介于-20～-1 dB之間。

圖2 干雪期積雪區(qū)與非積雪區(qū)散射特征概率分布密度Fig.2 Sampling histogram of snow covered area and non snow covered area in dry snow period

對(duì)比圖2（a）和圖2（b）發(fā)現(xiàn)，積雪區(qū)體散射小于非積雪區(qū)的體散射，面散射在積雪區(qū)與非積雪區(qū)均呈高原型；由數(shù)值大小坐落范圍分析可知，二面角散射與體散射、面散射均存在較好的分離度，但二面角散射與體散射均分布較為集中。因此，基于二面角散射與體散射的規(guī)律，將二面角散射與體散射構(gòu)建差值指數(shù)為

式（15）中：FSCI_Vol_Dbl表示由體散射、二面角散射計(jì)算的積雪覆蓋度結(jié)果；Freeman_Vol為Freeman 的體散射；Freeman_Dbl為Freeman 的二面角散射。FSCI_Vol_Dbl通過(guò)積雪區(qū)與非積雪區(qū)體散射與面散射的特點(diǎn)，計(jì)算出的范圍為-1.0～0，一般越接近于0，亮度值越高，積雪覆蓋度越高。

同時(shí)，為了進(jìn)一步驗(yàn)證選擇二面角散射與體散射優(yōu)于其他分量構(gòu)建指數(shù)，在干雪期，本文從其他分量呈現(xiàn)出的規(guī)律，構(gòu)建了另外2種積雪范圍識(shí)別指數(shù)。

1）基于面散射、體散射在積雪與非積雪區(qū)的規(guī)律，選擇面散射、體散射分量做差值，構(gòu)建指數(shù)為

式（16）中：FSCI_Vol_Odd表示由面散射、體散射計(jì)算的積雪覆蓋度結(jié)果；Freeman_Vol為Freeman 的體散射；Freeman_Odd為Freeman的面散射。

2）基于二面角散射與面散射的規(guī)律，選擇二面角散射、面散射做差值，構(gòu)建指數(shù)為

式（17）中：FSCI_Odd_Dbl表示由面散射、二面角散射計(jì)算的積雪覆蓋度結(jié)果；Freeman_Odd為Freeman 的面散射；Freeman_Dbl為Freeman的二面角散射。

3.3 利用FSCI_Vol_DBl進(jìn)行積雪識(shí)別的分析與比較

3.3.1 3種指數(shù)積雪識(shí)別對(duì)比

將3 種指數(shù)得到的結(jié)果與GF-1 WFV 影像、NDSI 進(jìn)行比較，基于Freeman 分解特征分量的指數(shù)構(gòu)建結(jié)果與對(duì)比如圖3 所示。NDSI 利用積雪在光譜的可見(jiàn)光部分比短紅外波段更高反射率的特點(diǎn)，使用綠色和短紅外波段進(jìn)行計(jì)算，范圍為-1.0～1.0，值越接近于1，亮度值越高，積雪覆蓋度越高。由于同時(shí)期獲取的GF-1 WFV 數(shù)據(jù)只有4 個(gè)波段，缺少計(jì)算NDSI 所需的短紅外（SWIR）波段，且該時(shí)期GF-1 WFV 數(shù)據(jù)北部被大量云層覆蓋，因此，本文同時(shí)利用同時(shí)期的GF-1 WFV 影像（見(jiàn)圖3（a））、2013 年12 月9 日的Landsat-8 OLI 數(shù)據(jù)計(jì)算的NDSI（見(jiàn)圖3（b））與FSCI_Vol_Dbl結(jié)果進(jìn)行比較。由于Landsat-8 OLI得到的NDSI比GF-1 WFV數(shù)據(jù)提前5 d，因此會(huì)存在一定誤差。

圖3 基于Freemman分解特征分量的指數(shù)構(gòu)建結(jié)果與對(duì)比Fig.3 Index construction results and comparison based on Freeman decomposition feature component

圖3（c）為FSCI_Vol_Dbl的結(jié)果，可見(jiàn)，利用二面角散射與體散射構(gòu)建的指數(shù)在積雪覆蓋區(qū)的灰度值遠(yuǎn)遠(yuǎn)高于非積雪覆蓋區(qū)，可以通過(guò)亮暗差異反映積雪覆蓋；圖3（d）為FSCI_Vol_Odd的結(jié)果，可見(jiàn)，構(gòu)建的指數(shù)在積雪覆蓋區(qū)與無(wú)雪覆蓋區(qū)亮度差異并不明顯，在積雪區(qū)與非積雪區(qū)無(wú)法通過(guò)灰度值大小直觀反映出積雪覆蓋；圖3（e）為FSCI_Odd_Dbl的結(jié)果，可見(jiàn)，展現(xiàn)出的積雪覆蓋效果較不理想，主要原因是面散射的概率分布范圍較寬，密度較不集中，無(wú)法較統(tǒng)一地將積雪與非積雪的差異增大。

由圖3的結(jié)果對(duì)比可見(jiàn)，利用二面角散射與體散射構(gòu)建的指數(shù)是積雪覆蓋度的最佳指示因子，增大了積雪與非積雪的差異，突出了積雪范圍。

FSCI_Vol_Dbl與Landsat-8 OLI數(shù)據(jù)計(jì)算的NDSI相比，兩者在研究區(qū)內(nèi)積雪與非積雪區(qū)輪廓較為明顯，二者顏色分布較為相似。與GF-1 WFV數(shù)據(jù)相比，F(xiàn)SCI_Vol_Dbl中積雪區(qū)/非積雪區(qū)體現(xiàn)的差異比NDSI大，NDSI數(shù)據(jù)中整個(gè)研究區(qū)內(nèi)亮度值均較高，存在較大的積雪高估范圍。FSCI_Vol_Dbl利用Freeman極化分解后的特征分量，通過(guò)非線(xiàn)性變換，增強(qiáng)了FSCI_Vol_Dbl低值部分，并抑制了高值部分，使得FSCI_Vol_Dbl數(shù)值較一地達(dá)到飽和狀態(tài)，從而對(duì)高覆蓋度積雪區(qū)敏感度降低。因二面角散射與體散射均為負(fù)值，計(jì)算出FSCI_Vol_Dbl的值為負(fù)數(shù)，在-1～0，避免了數(shù)據(jù)過(guò)大或過(guò)小給數(shù)據(jù)分析造成影響。此外，F(xiàn)SCI_Vol_Dbl還能夠消除部分山區(qū)積雪識(shí)別易受云層覆蓋限制的影響。由于Freeman 極化分解獲取的特征分量為體與面的散射，極易受地形因素影響，計(jì)算得出FSCI_Vol_Dbl的值接近-1，一般表示為地勢(shì)起伏較大的山地，地形復(fù)雜，使得出現(xiàn)小于-1 的異常值。FSCI_Vol_Dbl的值接近0，一般表示為該地區(qū)為積雪覆蓋。

確定積雪與非積雪間的閾值，通過(guò)數(shù)值的比較，即可判斷積雪與非積雪，快速提取積雪空間分布信息。本文利用Ostu 閾值分割算法對(duì)FSCI_Vol_Dbl得到的閾值結(jié)果為-0.246。以-0.246 為閾值確定的積雪與非積雪區(qū)，具體如圖4 所示。由圖4 可見(jiàn)，F(xiàn)SCI_Vol_Dbl識(shí)別結(jié)果與GF-1 WFV影像中積雪范圍相似，可以識(shí)別積雪。

圖4 FSCI_Vol_Dbl閾值分割結(jié)果Fig.4 Threshold division result of FSCI_Vol_Dbl

3.3.2 與監(jiān)督分類(lèi)結(jié)果比較

圖5 為利用FSCI_Vol_Dbl進(jìn)行監(jiān)督分類(lèi)的干雪識(shí)別結(jié)果。其中，圖5（a）、圖5（b）、圖5（c）分別為FSCI_Vol_Dbl以最小距離、馬氏距離和最大似然法得到的積雪識(shí)別結(jié)果。

圖5 監(jiān)督分類(lèi)積雪識(shí)別結(jié)果Fig.5 Snow cover recognize results of supervised classification

由圖5可見(jiàn)：整體上，3種監(jiān)督分類(lèi)方法都完成了積雪范圍的識(shí)別，且范圍與光學(xué)遙感影像相近。其中，在光學(xué)數(shù)據(jù)北部被云覆蓋的地區(qū)（圖3a），SAR 數(shù)據(jù)可以減輕云層的影響，達(dá)到了識(shí)別效果。從分類(lèi)方法上分析，F(xiàn)SCI_Vol_Dbl的最小距離分類(lèi)對(duì)積雪識(shí)別的范圍斑塊化較少，結(jié)果較平滑，但存在部分非積雪覆蓋地區(qū)誤分為積雪地區(qū)，易誤判的地區(qū)集中在山區(qū)的背陰面及地形起伏較大的地區(qū)；馬氏距離分類(lèi)的結(jié)果較零碎，積雪識(shí)別的范圍在所有方法中最小，積雪地區(qū)存在較多非積雪斑塊；最大似然分類(lèi)的結(jié)果與馬氏距離相近，但識(shí)別的積雪零碎斑塊比馬氏距離少。研究區(qū)南部地區(qū)地勢(shì)較高，地形復(fù)雜，該地區(qū)的識(shí)別結(jié)果在最小距離分類(lèi)的結(jié)果中與馬氏距離、最大似然分類(lèi)結(jié)果差異較大。

表1 為混淆矩陣精度評(píng)價(jià)結(jié)果，精度評(píng)價(jià)中將FSCI_Vol_Dbl閾值分割的結(jié)果（圖4）與所有監(jiān)督分類(lèi)結(jié)果（圖5）比較。從OA 和Kappa 系數(shù)上看，利用本文提出的FSCI_Vol_Dbl進(jìn)行積雪識(shí)別的精度介于80%～90%，Kappa 系數(shù)介于0.60～0.80，呈現(xiàn)出高度的一致性。通過(guò)FSCI_Vol_Dbl閾值分割的精度比最小距離監(jiān)督分類(lèi)精度高3.73%，比馬氏距離監(jiān)督分類(lèi)精度高0.9%，與最大似然分類(lèi)結(jié)果相當(dāng)。從UA和制圖精度（PA）分析，F(xiàn)SCI_Vol_Dbl閾值分割的結(jié)果UA 高于PA，可見(jiàn)，通過(guò)FSCI_Vol_Dbl指數(shù)閾值分割識(shí)別積雪對(duì)積雪像元的判斷高于非積雪像元。

表1 混淆矩陣精度評(píng)價(jià)結(jié)果Table 1 Precision evaluation of confusion matrix

4 結(jié)論

對(duì)新疆瑪納斯河流域全極化SAR 數(shù)據(jù)通過(guò)極化分解技術(shù)，獲得不同散射機(jī)理的后向散射分量，根據(jù)概率分布密度在干雪期積雪覆蓋面與非積雪覆蓋面極化特征的規(guī)律，構(gòu)建了基于極化分解的干雪識(shí)別指數(shù)模型。結(jié)果表明，基于極化分解的極化特征分量受到積雪覆蓋影響，通過(guò)增大不同散射機(jī)理的數(shù)值差構(gòu)建指數(shù)模型，利用閾值可劃分積雪/非積雪范圍，總體精度為85.83%，Kappa 系數(shù)為0.716，具有一定的準(zhǔn)確性，在進(jìn)行山地積雪識(shí)別時(shí)具有一定的參考意義。

同時(shí)，由于受山地地形環(huán)境復(fù)雜、植被類(lèi)型多樣、其他大氣狀況、積雪本身的晶體狀態(tài)及下墊面等因素的影響，SAR指數(shù)的適用范圍往往具有一定的地域性和時(shí)效性，本文指數(shù)是否適合其他區(qū)域的研究還需要進(jìn)一步驗(yàn)證。后續(xù)將綜合地形等因素，充分利用獲取的散射特征，構(gòu)建從機(jī)理層次與積雪緊密聯(lián)系的指數(shù)進(jìn)行研究。