EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 4: 723 - 736

DOI: https://doi.org/10.12082/dqxxkx.2021.200029

遥感科学与应用技术

基于最优极化特征组合的SAR影像湿地分类

  • 赵泉华 , * ,
  • 冯林达 ,
  • 李玉
展开
  • 辽宁工程技术大学 测绘与地理科学学院遥感科学与应用研究所,阜新 123000

赵泉华（1978— ）,女,河北承德人,博士,教授,主要从事随机几何、空间统计学、模糊集理论等在遥感图像建模、解译及海洋环境遥感等研究。E-mail:

收稿日期: 2020-01-10

  要求修回日期: 2020-04-14

  网络出版日期: 2021-06-25

基金资助

辽宁省教育厅科学技术研究项目(LJ2019JL001)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Wetland Classification of SAR Image based on the Polarization Characteristics Combination

  • ZHAO Quanhua , * ,
  • FENG Linda ,
  • LI Yu
Expand
  • Institute for Remote Sensing Science and Application, School of Geomatics, Liaoning Technical University, Fuxin 123000, China
*ZHAO Quanhua, E-mail:

Received date: 2020-01-10

  Request revised date: 2020-04-14

  Online published: 2021-06-25

Supported by

The Project of Science and Technology Research of Education Department of Liaoning Province(LJ2019JL001)

Copyright

Copyright reserved © 2021
Fold

摘要

快速、准确的湿地地物分类是实现湿地精准监测的基础。为进一步研究湿地地物显著极化特征对分类结果的影响,提出了基于最优极化特征组合的SAR影像湿地分类方法。该方法利用箱型图等方式,在特征选择因子等准则下从多种极化分解方法选择最优极化特征进行组合,并在此基础上实现分类。首先,为了简化极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）影像并降低其斑点噪声,对互易处理后的极化SAR影像进行多视化和精致Lee滤波。然后,进行6种极化分解,得到多种极化特征。再之,利用箱型图、Cloude-Pottier平面散点图和均值散点图详尽分析上述极化特征和双台河口湿地典型地物散射机制间的相关性,并据此在特征选择因子、特征判断因子、H/α平面等和均值标准差的准则下选择最优极化特征组合。最后,以上述最优极化特征组合为输入,设计支持向量机（Support Vector Machine, SVM）分类器,实现湿地的最优分类。本文以辽宁省盘锦市辽河入海口双台河口湿地为例,采用2016年7月的C波段Radarsat-2全极化数据验证最优极化特征组合的有效性。结果表明：① Cloude-Pottier分解的H、A和α、MCSM （Multiple-Component Scattering Model ）分解的表面散射、Pauli分解的T33与Yamaguchi3分解的表面散射和二面角散射为最优极化特征;② 使用最优极化特征组合不仅可以减少极化特征冗余,还可以提高各湿地地物的生产者精度、分类总精度及Kappa系数,其中各湿地地物的生产者精度提高1%~5%,分类的总精度可达到94.25%,Kappa系数达到93.63%。

关键词： 双台河口湿地; 极化分解; 特征提取; 极化特征分析; 极化特征选择; 湿地分类; 支持向量机; SAR影像

本文引用格式

赵泉华 , 冯林达 , 李玉 . 基于最优极化特征组合的SAR影像湿地分类[J]. 地球信息科学学报, 2021 , 23(4) : 723 -736 . DOI: 10.12082/dqxxkx.2021.200029

Abstract

Rapid and accurate classification of wetland features is the basis of accurate wetland monitoring. The key to improve the classification accuracy is to select the best polarization characteristics combination among many polarization characteristics. And in order to further study the influence of significant polarization characteristics of wetland features on classification results, a classification method based on the polarization decomposition characteristics of typical features in this area is proposed. In this method, the optimal polarization characteristics are selected and combined from a variety of polarization decomposition methods under the criteria of feature selection factors and so on by using the box plots, and then the classification is realized on this basis. Firstly, in order to simplify and reduce the speckle noises of PolSAR (Polimertice Synthetic Aperture Radar) image, the original four polarization images are processed by reciprocity, and the three polarization images after reciprocity are processed by multi-looks processing and Refined Lee filtering. Secondly, the data are decomposed into six kinds of polarization decompositions, such as Cloude-Pottierde decomposition and Paulide decomposition, and the polarization characteristics are extracted according to the decomposition results. Thirdly, the correlation between the above polarization characteristics and the scattering mechanism of typical features of Shuangtai Estuary wetland is analyzed in detail by using the box plots, Cloude-Pottier plane scatter plots and power mean scatter plots, and some polarization characteristics are selected under the criteria of feature selection factor, feature judgment factor, H/α plane, A/α plane, H/A plane, mean and standard variance. The selected polarization characteristics are combined. Finally, on the basis of the optimal polarization characteristics combination, the Support Vector Machine (SVM) classifier is designed to achieve the optimal classification of wetland features. Shuangtai Estuary, located at the estuary of Liaohe River in Panjin, Liaoning Province, is known as the "world's largest reed field". In order to verify the effectiveness of the optimal polarization characteristics combination, the C-band Radarsat-2 full polarization data in July, 2016 are utilized as experimental data. Through the qualitative and quantitative analysis of the proposed and the compared algorithm, the conclusions are as follows: the polarimetric entropy H, average alpha angle α and anisotropy A of the Cloude-Pottier decomposition, the single-bounce scattering of MCSM (Multiple-Component Scattering Model) decomposition, T33 of Pauli decomposition, the single-bounce and the double-bounce scattering of Yamaguchi3 decomposition are the optimal polarization characteristics on the one hand, and on the other hand, the optimal polarization characteristics combination can not only reduce the data redundancy and the calculation, and improve the classification efficiency, but also accurately represent the features and improve the producer's accuracy of each wetland category, the overall accuracy and kappa coefficient. Among them, the producer's accuracy of the wetland features has increased by 1% to 5%, the overall accuracyand kappa coefficient can reach 94.25% and 93.63% respectively.

Key words： Shuangtai Estuary; polarization decomposition; feature extraction; polarization characteristic analysis; polarization characteristic selection; wetland classification; SVM (Support Vector Machine); synthetic aperture radar image

1 引言

双台河口湿地位于渤海北部的辽河入海口,是世界上生态系统保存完好的湿地之一,有着“世界第一大苇田”之称,在湿地研究中具有重要价值。该湿地兼属滨海湿地和内陆湿地,覆盖我国高纬度地区面积最大的滨海芦苇沼泽区,对防洪蓄水、调节当地及周边广大地区气候、防止其近海水质富营养化有着重要作用[1,2]。但近年来,由于环境污染和过度开发,该湿地面积日渐缩小,湿地地物类型结构也遭到了不同程度的破坏[3]。为了切实保护湿地环境,合理开发和利用湿地资源,对湿地地物及其变化的精准监测是必不可少的。
一直以来,遥感技术是实现湿地监测的重要手段之一[4],常用的遥感数据源包括光学、微波、红外、激光雷达等。因光学影像成本低、易获取的优点,大量学者利用光学影像进行湿地研究[5]。徐遥辰等[6]利用CORONA KH-4B影像对杭州西溪湿地进行分类;李健锋等[7]利用Landsat影像对斯里兰卡内陆湖库水体面积进行变化监测;Moreau[8]采用多期气象数据,依据湿地植被在近红外波段的特征,分析与评估了不同的湿地类型在不同时间内的地上生物量和初级生产力,并对比与分析其时空演化规律;Chadwick[9]利用激光雷达监测佛罗里达州长礁岛湿地里的红树林分布。但光学影像存在一定的局限性,如：常用的多光谱影像如Landsat TM（ETM）等影像虽然数据处理简单,应用较普遍,但易受到云雾雨雪等天气的影响,降低湿地分类精度;高光谱影像虽然光谱分辨率高、信息丰富,但空间分辨率低,并且获取较难,数据处理复杂[10]。
近年来合成孔径雷达（Synthetic Aperture Radar, SAR）因全天时、全天候对地观测、不受云雾影响且具有一定穿透能力的特性,所以对湿地地物及其变化的精准监测起到越来越重要的作用。赵泉华等[3]运用Radarsat-2全极化SAR影像研究双台河口湿地的变化原因,采用支持向量机对Freeman分解得到的3种散射机制假彩色影像进行分类;王霄鹏等[11]以覆盖黄河口湿地区域的Radarsat-2全极化SAR影像和Landsat-5 TM影像为例,将4种极化方式的SAR影像与TM影像分别进行融合,采用支持向量机对融合结果进行滨海湿地典型地物土地覆盖分类;廖静娟等[12]采用Radarsat-2影像结合H/α/A分解方法提取鄱阳湖湿地不同地表类型的极化特征量,并进行了Wishart监督分类,取得了较高的精度;Touzi等[13]以Radarsat-2全极化SAR影像结合Touzi分解以区分加拿大渥太华东部Mer bleue湿地的灌木沼泽和莎草沼泽。从上述研究可以看出,极化SAR影像虽已逐渐应用于湿地监测,但由于各类算法中均缺乏对湿地地物极化特征性的详细分析,使得湿地分类精度有待于进一步提高。
为了深入分析湿地地物显著极化特征,以进一步提高分类精度,本文探究了C波段全极化SAR数据的显著极化特征在湿地分类上的应用,对极化特征做了详细分析。首先,结合国家分类标准和双台河口区域实际调查,确定湿地分类体系;然后,对全极化SAR影像进行多视及滤波等极化处理,采用多种分解方法分解得到多种散射机制,利用箱型图、Cloude-Pottier平面散点图和均值散点图对地物进行极化特征分析和选择,得到最优极化特征组合;最后,以最优极化特征组合为输入,运用支持向量机（Support Vector Machine, SVM）分类器得到分类结果,并进行精度评价。

2 研究区概况及数据来源

双台河口湿地位于辽河三角洲（40°52′N, 121°35′E）,是中国高纬度地区面积最大的自然湿地,以海岸湿地、河流湿地和沼泽湿地为其主要类型,其中的典型地物包括草本沼泽、灌丛沼泽、库塘、河流、浅海水域、淤泥质沙滩和稻田7类[3]。本文选取了部分双台河口湿地作为研究区域,包括双台河口湿地内所有湿地类型和典型地物。图1为覆盖部分双台河口湿地部分地区的Landsat-8真彩色影像[14],成像时间为2016年8月8日,分辨率为30 m×30 m。
图1 研究区域（红线框内）

Fig. 1 Study area (inside the red box)

本文以Radarsat-2全极化单视复影像（Single Look Complex, SLC）为原始数据,成像时间为2016年7月28日,光束模式为FQ21,影像大小5738像素×3788像素,方位×距离分辨率为5.2 m×7.6 m。由于Radarsat-2系统属于单基站雷达系统,在单站后向散射的情况下,极化散射矩阵满足互易性定理,即SHV = SVH[15,16]。但由于成像等多种因素影响,导致二者之间具有一定的差异性。通过对HV、VH影像进行直方图统计分析,发现二者的差距很小,因此,为了简化模型,对该数据进行互易化和滤波预处理。在互易化处理中计算原始影像中HV和VH影像的均值作为HV或VH影像。为了消除极化SAR系统固有的相干斑噪声,对SLC数据进行多视化和精致Lee滤波处理,多视化后影像大小为1912像素×1262像素,方位×距离分辨率为15.6 m×22.8 m。图2为预处理后的HH、HV(VH)和VV影像。
图2 极化SAR影像

Fig. 2 PolSAR images

3 研究方法

3.1 极化分解

在极化SAR系统成像过程中,湿地地物通常对不同极化电磁波表现出不同的散射特性,其散射机制可用表面散射、二面角散射和体散射描述。如,表面散射可发生在平静的水面或平整的裸地;二面角散射通常发生于建筑物的立面、粗大的树干、凸起的地面等;农作物、森林、灌丛等地物则易于产生体散射。极化分解是揭示地物散射机制的重要技术手段,极化分解特征对于识别地物类型有着重要的作用。本文针对研究区内典型地物,分析与多种极化分解对应的诸多特性,选取有助于地物分类的显著特征。
目前常用的极化分解方法可分为2类：① 基于散射矩阵的相干目标分解方法,如Pauli分解[17,18]、Cameron分解[19]等;② 基于相干矩阵的非相干目标分解方法,如An_Yang3分解[20]、Cloude-Pottier分解[21]、Freeman-Durden分解[22]、多成分散射模型（Multiple-Component Scattering Model, MCSM）分解[23]和Yamaguchi3分解[24]等。为了详尽分析极化特征与湿地地物间的关系,本文采用的极化分解方法包括：An_Yang3分解、Cloude-Pottier分解、Freeman-Durden分解、MCSM分解、Pauli分解和Yamaguchi3分解6种方法,进而得到20个特征。表1列出各个特征、相应的表达式以及对应的分解方法。
表1 各极化分解对应的特征参数

Tab. 1 The corresponding characteristic parameters under each polarization decomposition

特征参数 公式 含义 编号
OddAn OddAn= k1(T11, T22, T33, T12, T13, T23) OddAn为An_Yang3分解中表面散射功率; k1表明表面散射可由相干矩阵T表示;T11—T23为相干矩阵T中元素 （1）
DblAn DblAn = k2(T11, T22, T33, T12, T13, T23) DblAn为An_Yang3分解中二面角散射功率; k2表明二面角散射可由相干矩阵T表示 （2）
VolAn VolAn = k3(T11, T22, T33, T12, T13, T23) VolAn为An_Yang3分解中体散射功率; k3表明体散射可由相干矩阵T表示 （3）
OddF-D PsF-D=fsF-D1+β2 PsF-D为Freeman-Durden分解中表面散射功率; fsF-D为表面散射的权重,β为参数 （4）
DblF-D PdF-D=fsF-D1+α2 PdF-D为Freeman-Durden分解中二面角散射功率; fdF-D为二面角散射的权重,α为参数 （5）
VolF-D PvF-D=fvF-D PvF-D为Freeman-Durden分解中体散射功率; fvF-D为体散射的权重 （6）
OddMCSM PsMCSM=fsMCSM1+ρ2 PsMCSM为MCSM分解中表面散射功率; fsMCSM为表面散射的权重,ρ为参数 （7）
DblMCSM PdMCSM=fsMCSM1+σ2 PdMCSM为MCSM分解中二面角散射功率; fdYMCSM为二面角散射的权重,σ为参数 （8）
VolMCSM PvMCSM=fvMCSM PvMCSM为MCSM分解中体散射功率; fvMCSM为体散射的权重 （9）
HlxMCSM PHlxMCSM=fHlxMCSM PHlxMCSM为MCSM分解中螺旋体散射功率; fHlxYMCSM为螺旋体散射的权重 （10）
WireMCSM PWireMCSM=fWireMCSM1+γ2+2δ2 PWireMCSM为MCSM分解中线散射功率; fWireMCSM为线散射的权重,γ和δ为参数 （11）
OddYama PsYama=fsYama1+τ2 PsYama为Yamaguchi3分解中表面散射功率; fsYama为表面散射的权重,τ为参数 （12）
DblYama PdYama=fdYama1+ζ2 PdYama为Yamaguchi3分解中二面角散射功率; fdYama为二面角散射的权重,ζ为参数 （13）
VolYama PvYama=fvYama PvYama为Yamaguchi3分解中体散射功率; fvYama为体散射的权重 （14）
T11 T11∈ diag(T) T11为Pauli分解中包含的表面散射信息; diag(T)表明相干矩阵T中对角线元素 （15）
T22 T22∈ diag(T) T22为Pauli分解中包含的二面角散射信息 （16）
T33 T33∈ diag(T) T33为Pauli分解中包含的体散射信息 （17）
α α=∑m=13pmαm α为Cloude-Pottier分解中平均极化散射角,识别主要散射机理; αm为散射角; Pm为相干矩阵T特征值的伪概率,m = 1, 2, 3 （18）
H H=-∑m=13pmlog3(pm) H为Cloude-Pottier分解中极化熵,衡量极化程度 （19）
A A=λ2-λ3λ2+λ3 A为Cloude-Pottier分解中各向异性,衡量非主导散射相对大小; λi为从大到小排列的特征值 （20）
为了表述方便,将上述20个特征参数用以下表示：o={{oi(xi, yi), αi(xi, yi), Hi(xi, yi), Ai(xi, yi)},i=1, …, n, (xi, yi) ∈D},oi={oij, j=1, …, 17}, αi, Hi, Ai},oi1—oi17分别对应表1中特征参数OddAn—T33。其中,i为像素数,n为总像素数,j为前17个特征参数的索引,x和y为每个像素的横纵坐标,o表示特征集合,D为影像域。

3.2 极化特征分析和选择

极化特征分析的目的在于揭示表1中各特征对不同地物的显著性,而分析中用到的各种特征值是通过计算极化SAR影像中不同地物样本得到。为了使由样本估计的特征更好地反映该特征的真实性,样本选取遵循以下准则：① 每类样本能刻画对应地物的典型性;② 样本数足以保证估计特性的准确性（大致根据各类地物所占面积的比例选取,一般应占地物总像素数的20%左右）。各样本所含像素格点集的集合记为{Dr, r=1, …, 7},其中r为地物类型索引,1—7代表地物类型标号,依次为草本沼泽、灌丛沼泽、库塘、河流、浅海水域、淤泥质沙滩和稻田7类地物。本文选取的各类型地物样本的空间分布如图3所示。
图3 各类型地物样本分布

Fig. 3 Sample distribution of various types of features

为了获得最优的极化特征组合,本文采用箱型图[25]、Cloude-Pottier平面散点图和均值散点图分析不同湿地地物类型对不同极化特征的变化规律。其中,箱型图和均值散点图用于表1中OddAn—T33分析,Cloude-Pottier平面散点图用于表1中α、H和A分析,将三者分别得到的极化特征进行组合得到最优极化特征组合。具体极化特征分析和选择的流程见图4所示。
图4 极化特征分析和选择流程

Fig. 4 Flow chart of polarization characteristic analysis and selection

3.2.1 基于箱型图的极化特征分析和选择
对给定样本区域Dr（不失一般性,假设各样本区域内行、列像素数均为2的整数倍）,r=1, …, 7,将其划分为邻接且不交叠的2像素×2像素子块,记为Dr={Drk, k=1, …, nr},其中,k为子块索引（自上向下、从左到右计数）,nr为本区域Dr内的划分子块数。分别计算子块内各特征的均值μ、标准差σ、均值标准差比,如式（21）—式（23）所示。
μ rκj = 1 4 ∑ ο ij
( σ rκj ) 2 = 1 4 ∑ ( ο ij - μ rκj ) 2
( μ / σ ) 2 rκj = μ rκj ( σ rκj ) 2
记(μ/σ)rj = {(μ/σ)rkj, k = 1, 2, …, nr}。按增序排列(μ/σ)rkj,然后确定四分位数（下四分位数（Q1(rj)）、中位数(Q2(rj))、上四分位数(Q3(rj)),并以此构建地物r特征j的箱形图。如图5所示。
图5 7类地物的特征箱型图

注：蓝色折线为特征选择因子Xrj;灰色矩形框为最大值。

Fig. 5 Characteristic box plots of 7 kinds of wetland features

为了确定最优极化特征,本文提出特征选择因子,记为Xrj：
X rj = exp - p rj Q 2 ( rj ) + exp - q rj n r
式中：箱体值为上四分位数减去下四分位数,记为prj = Q3(rj)- Q1(rj);异常值的数量为超出箱体范围的红点个数,记为qrj = N((μ/σ)rj)。Xrj表明地物r在特征j中的区分程度,Xrj越大,表明区分度较好,反之区分度较差。
以图5(a)为例,蓝色折线为特征选择因子Xrj,其中OddAn和VolYama的特征选择因子数值最大,分别为1.576和1.482,并用灰色矩形框标出。再按照上述方法对灌丛沼泽、库塘等其余地物进行标记,分别如图5(b)—图5(g)所示。表2所示为特征参数与地物之间的对应关系。
表2 7类地物的特征箱型图对应表

Tab. 2 Corresponding table of characteristics box plots of 7 kinds of wetland features

地物类型 特征参数
草本沼泽 OddAn、VolYama
灌丛沼泽 VolAn、T22
库塘 OddAn、OddMCSM
河流 DblYama、T22
浅海水域 OddAn、OddMCSM
淤泥质沙滩 DblAn、OddMCSM
稻田 VolAn、VolYama
由表2可知,按照地物类型进行分析,17个特征中有2个特征区分度较好;按照特征参数进行分析,存在不同地物类型对应相同的极化特征,如OddAn对应草本沼泽、库塘和浅海水域3种地物。但在同一特征中7类地物是否能区分开有待讨论,由此分析每个特征下7类地物的区分情况,重点分析在单一地物在17个特征箱型图中区分度较好的地物。图6中不同颜色的箱体和矩形框标记的是在单一地物在17个特征箱型图中区分度较好的地物。
图6 7个特征—7类地物箱型图

Fig. 6 7 characteristics—7 kinds of wetland features box plots

考虑到不同地物之间存在可分度相互影响的情况,本文提出了特征判断因子,记为Yrj,首先以每张图中第一个被标记地物为标准,之后逐个遍历图中被标记地物,被标记地物记为K。
Y rj = Q ( Kj ) + Q ( rj ) p Kj + p rj = Q 3 ( Kj ) - Q 3 ( rj ) + Q 1 ( Kj ) - Q 1 ( Kj ) ) p Kj + p rj ,     K ≠ r
式中： pKj = Q3(Kj) -Q1(Kj),prj = Q3(rj) -Q1(rj)。
关于Q(Kj)和Q(rj)的结果有3种情况需要讨论：
（1）若Q(Kj)和Q(rj)异号,则表明存在这2类地物可分度为0的情况。如OddAn箱型图中草本沼泽的箱体与灌丛沼泽的不可区分。当出现这种情况时,说明被标记地物在该极化特征下无法跟其他地物区分开,用-1表示。
（2）若Q(Kj)和Q(rj)同号且 Q ( Kj ) - Q ( rj ) ∈ 1 , + ∞ ,表明被比较的这2类地物可分度最好,集群不存在交叉现象,如OddAn箱型图中库塘的箱体和河流的相互独立存在。
（3）若Q(Kj)和Q(rj)同号且 Q ( Kj ) - Q ( rj ) ∈ 0,1 ,表明被比较的这2类地物有一定的可分度。如OddAn箱型图中草本沼泽与库塘有一定的可分度。在这种情况下,选取0.8 <Yrj< 1作为地物之间可分度的判断条件,处于这个范围的表明地物之间的可分度较高,反之较低。
根据式（25）的判断标准,若发现1类地物与其余地物的可分度均较高或者可分度最好,则表明该地物在该特征下区分度较好;否则区分度较差。
以图6(a)为例,黄色折线、浅绿色折线和灰色折线分别为草本沼泽、库塘和浅海水域的特征判断因子Yrj,其中黄色折线出现-1,浅绿色折线中除表示灌丛沼泽的Y21、库塘的Y31和浅海水域的Y51分别为0.483、0和0.098之外其余均大于0.8,灰色折线中除表示灌丛沼泽的Y21、库塘的Y31、和浅海水域的Y51分别为0.521、0.098和0,其余均大于0.8。由此判断草本沼泽、库塘和浅海水域在OddAn中区分度较差。再按照上述方法对DblAn、VolAn等其余特征进行标记,分别如图6(b)—图6(g)所示,图中不同颜色的折线对应相同颜色的地物。
根据极化特征和地物的双向选择箱型图的分析可知,只有库塘、淤泥质沙滩和河流能利用箱型图可区分开,前二者在极化特征OddMCSM中区分度较好,后者在极化特征DblYama中区分度较好,但其余地物的区分度较差。因此其余地物需要利用Cloude-Pottier分解做进一步的极化特征分析和选择。
3.2.2 基于Cloude-Pottier平面散点图的极化特征分析和选择
Cloude和Pottier将H与α构成一个二维平面的特征空间,并将这个二维平面划分为9个区域,9个区域刻画了自然界中各种散射机理。分析其成图可以获得湿地的散射类型分布信息[26]。
在特征α、H、A上选取各类地物样本（单个像素）,并在组成的H/α、H/A和A/α二维平面上显示其空间分布,如图7所示。从图7可看出,在H/α平面中灌丛沼泽区分度较好;其余地物的集群相互交叉,可分性较差,不易区分。在A/α平面中草本沼泽和灌丛沼泽的区分度较好;其余地物的集群相互交叉,可分性较差,地物区分不明显。在H/A平面中灌丛沼泽因熵值较高所以与其他地物的遮挡较少,区分度较好;其余地物的集群相互交错较难区分。表3为在H/α特征空间每个子区域相应的散射特征与实际地物对照表。
图7 Cloude-Pottier分解平面

Fig. 7 Cloude-Pottier decomposition plan diagram

表3 H/α空间散射机理与实际地物对照

Tab. 3 Comparison between H/α spatial scattering mechanism and actual ground objects

0≤H<0.5 0.5≤H<0.9 0.9≤H<1
散射类型 地物 散射类型 地物 散射类型 地物
0°≤α<40° 低熵表面散射 库塘
河流
浅海水域
淤泥质沙滩		 中熵表面散射 库塘
河流
浅海水域
淤泥质沙滩		 高熵表面散射 现实不存在
40°≤α<42.5° 中熵植被散射 草本沼泽
灌丛沼泽
稻田		 高熵植被散射 灌丛沼泽
42.5°≤α<47.5° 低熵偶极子散射 草本沼泽
47.5°≤α<50° 低熵多重散射 草本沼泽 高熵多重散射 现实不存在
50°≤α<90° 中熵多重散射 草本沼泽
由图7及表3可知：
（1）库塘、河流、浅海水域和淤泥质沙滩的极化散射角在40°以下,属于低熵表面散射和中熵表面散射,散射角较小,表面散射分量更强。
（2）草本沼泽的熵值较大,极化散射角在55°以下,散射机制体现为低熵多重散射、低熵偶极子散射、中熵植被散射和中熵多重散射,多表现为二面角散射和体散射,这与实际草本沼泽所含地物种类较多有关。
（3）灌丛沼泽的熵值在0.8以上,极化散射角在55°以下,散射机制体现为中熵植被散射和高熵植被散射,所以表面散射分量在该地类中起到的作用比较小,主要机制是二面角散射和体散射。
（4）稻田的熵值较大,极化散射角在42.5~47.5°之间,散射机制体现为中熵植被散射,体散射分量更强。
在H/α平面、A/α平面和H/A平面可以区分草本沼泽和灌丛沼泽,但浅海水域和稻田则需进一步进行区分。
3.2.3 基于均值散点图的极化特征分析和选择
经过分析可以发现浅海水域在表面散射中区分度较好,稻田在体散射中的区分度较好。为此设计均值散点图重点考察浅海水域、稻田在表面散射和体散射中的区分情况。如图8所示。
图8 浅海水域、稻田-散射机制散点图

注：各个子图中3个坐标轴都表示散射功率。

Fig. 8 Scatter diagram of scattering mechanism of muddy beach and paddy field

根据浅海水域和稻田的面积大小各选取不同数量的样本,样本大小为2像素×2像素,分别求取样本的功率均值和标准差：
μ 5 n 5 a = 1 4 ∑ ο ij       ( σ 5 n 5 a ) 2 = 1 4 ∑ ( ο ij - μ 5 n 5 a ) 2 μ 7 n 7 b = 1 4 ∑ ο ij       ( σ 7 n 7 b ) 2 = 1 4 ∑ ( ο ij - μ 7 n 7 b ) 2
式中：a = 1, …, 5,;n5 = 1, …, 99; b = 1, …, 5;n7 = 1, …, 60。n5、n7表示样本数,a、b分别表示除Cloude-Pottier分解之外的其余5种分解的表面散射和体散射。
根据 μ 5 n 5 a 和 μ 7 n 7 b 分别构建关于浅海水域和稻田的均值散点图,其中标准差定量表示图中样本的分散程度,图中刻画了各个地类在空间上的分布特征,可以直观地看出数据的均值大小和分散程度。
同一地物在不同的极化特征下均值不同,并且具有不同的集群分布。由图8(a)可知,从均值上看,均值相近,数量级在10-3~10-2。从数据的集中程度上看,OddF-D、OddMCSM和T11分散程度较大,其标准差分别为5.480×10-3、4.320×10-3和4.510×10-3;OddAn和OddYama较为集中,标准差分别为4.200×10-3和4.120×10-3。由此浅海水域在OddYama的区分度较好。
由图8(b)可知,从均值上看,VolMCSM的均值最小,数量级在10-9~10-8;其余4种分解方法均值大小相近,数量级在10-3~10-2之间。从数据的集中程度上看,VolAn和VolF-D分散程度较大,分别为2.034×10-2和3.227×10-2;T33和VolYama的标准差分别为1.187×10-2和1.254×10-2。由此稻田在T33的区分度较好。
表4为本文得到的最优极化特征组合。
表4 最优极化特征组合与湿地地物对应

Tab. 4 Optimal polarization characteristic combination and wetland features

特征参数 区分地物
OddMCSM 库塘、淤泥质沙滩
OddYama 浅海水域
DblYama 河流
T33 稻田
α 与H构成平面可区分灌丛沼泽;与A构成平面可区分草本沼泽和灌丛沼泽
H 与A构成平面可区分灌丛沼泽
A 同H或α构成平面区分地物

4 分类结果及精度评价

本文算法为基于最优极化特征组合的SVM分类器[27,28,29],对比算法为基于Wishart距离的最大似然分类法和基于20个极化特征的SVM分类法(简称对比SVM算法)。结合湿地分类体系、以往资料、图1和实地调查对分类结果进行分析。本文均选用径向基函数(Radial Basis Function, RBF)作为SVM分类器的基函数。
图9为本文算法及对比算法分类结果。由图9可知,3种方法对草本沼泽和浅海水域分类较好,而对其余5类地物的分类效果存在差异。其中,Wishart方法的分类精度要明显低于其他2种分类方法;本文算法与对比SVM算法效果相近,局部区域有误分现象,如本文算法和对比SVM算法在河流等区域分类结果有所差异,但后2种分类结果基本吻合。
图9 本文算法及对比算法的湿地分类结果

Fig. 9 The wetland classification results of the algorithm and the comparison algorithm

本文采用衡量各类地物的总精度(Overall Accuracy, OA)、生产者精度(Producer's Accuracy)和衡量总体分类性能的Kappa系数作为定量评价精度指标。其中,总精度表示样本正确分类个数与样本总个数之比;生产者精度表示样本中被正确分为该类的样本数量与实际对应地物类别的样本数量之比;Kappa系数是分类器性能的一种常用度量,Kappa系数越接近于1,分类性能越优良。分类精度各指标如表5所示。
表5 本文算法及对比算法的精度对比

Tab. 5 The accuracy comparison between the algorithm and two comparison algorithms (%)

地物类型 Wishart SVM 本文算法
草本沼泽 94.78 92.37 95.63
灌丛沼泽 88.46 91.93 96.23
库塘 36.68 95.83 96.15
河流 62.78 92.35 93.67
浅海水域 91.11 97.52 99.99
淤泥质沙滩 97.96 71.95 74.63
稻田 75.25 67.31 72.35
OA 78.37 90.44 94.25
Kappa 74.00 89.82 93.63
由表5可知,各算法针对不同湿地地物类型分类效果不同。对于除库塘之外的其它地物类型,本文算法的生产者精度均高于对比SVM算法,其中草本沼泽和淤泥质沙滩要高出3%左右,灌丛沼泽高出4%左右,河流高出1%左右,浅海水域高出2%左右,稻田高出5%左右;对于库塘湿地,本文算法和对比SVM算法的生产者精度相当。表5可以看出,本文算法总精度和Kappa指标均高于对比算法,验证了本文方法在分类精度上的优势。
分析各类地物的生产者精度可知：首先,草本沼泽和浅海水域的生产者精度较高,均达到90%以上;其次,灌丛沼泽、库塘、淤泥质沙滩和河流的生产者精度存在较大差异;最后,稻田的生产者精度大致相同,其中最高的为Wishart算法达到75.25%,精度最低的是对比SVM算法,为67.31%。
其中对比SVM算法对草本沼泽的生产者精度最低,为92.37%;本文算法的生产者精度最高,达到95.63%。Wishart算法对浅海水域的生产者精度最低,为91.11%;本文算法的生产者精度最高,达到99.99%。Wishart算法对灌丛沼泽的生产者精度最低,为88.46%;本文算法的生产者精度最高,达到96.23%。Wishart算法在库塘上的生产者精度最低,为36.68%;生产者精度最高的是本文算法,达到96.15%;Wishart算法在库塘湿地中的生产者精度低的原因是将库塘错分为河流和淤泥质沙滩。Wishart算法对河流的生产者精度最低,为62.78%;生产者精度最高的是本文算法,达到93.67%;Wishart算法在河流湿地中的生产者精度低的原因是将河流错分为浅海水域。对比SVM算法对淤泥质沙滩的生产者精度最低,为71.95%;Wishart算法的生产者精度最高,达到97.96%。对比SVM算法对稻田的生产者精度最低,为67.31%;生产者精度最高的是Wishart算法,达到75.25%;对比SVM算法在稻田湿地中的生产者精度低的原因是将稻田错分为灌丛沼泽。

5 结论

本文主要分析了湿地地物与极化特征的关系,并研究了最优极化特征组合对湿地地物分类的影响。以双台河口湿地为例,采用C波段Radarsat-2全极化SAR数据,提取极化分解方法中的特征参数,利用箱型图、Cloude-Pottier平面散点图和均值散点图对特征参数进行极化特征分析,得到最优极化特征组合,以最优极化特征组合为输入,设计SVM分类器,得到该湿地地物的最优分类结果,验证最优极化特征组合在提高分类精度和降低极化特征冗余方面的有效性。可以得出以下结论：
（1）H/α平面和A/α平面是区分草本沼泽和灌丛沼泽的主要特征,MCSM分解的表面散射是区分库塘、淤泥质沙滩和其他地物的主要特征,Yamaguchi3分解的二面角散射是区分河流和其他地物的主要特征,Yamaguchi3分解的表面散射是区分浅海水域和其他地物的主要特征,而Pauli分解的T33是区分稻田和其他地物的主要特征。
（2）相较于Wishart分类器,基于SVM分类器的总精度和Kappa系数分别提高了12.07%和15.82%,说明SVM分类器更适用于该研究区域的湿地分类;在基于SVM分类器中,利用最优极化特征组合的总精度、Kappa系数高于利用全部极化特征,均提高了3.81%,并且各湿地地物的生产者精度提高1%~5%,说明最优极化特征组合可提高分类精度。
（3）本文选取的最优极化特征组合不仅仅减少数据冗余,降低计算量,提高分类效率,还可以准确表征地物,提高分类精度。
本文还存在一些不足,如深入研究不同分类器对湿地地物类型分类的适用性。此外,由于Radarsat-2全极化SAR影像分辨率的局限性,难以进行更精细的地物分类,后续将在能够获取更高分辨率全极化SAR影像的情况下,进一步研究更精细的湿地地物类别的散射机理及高精度分类。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
于昊天, 黄时豪, 刘亚军, 等. 鄱阳湖湿地土壤酶及微生物生物量的剖面分布特征[J]. 环境科学研究, 2017,30(11):1715-1722.

[ Yu H T, Huang S H, Liu Y J, et al. Profile distribution characteristics of soil enzymes and microbial biomass in the Poyang Lake wetland[J]. Research of Environmental Sciences, 2017,30(11):1715-1722. ]

[2]
吴海明, 袁佐栋, 张建, 等. 规模化人工湿地的温室气体释放通量[J]. 环境科学研究, 2016,29(8):1195-1199.

[ Wu H M, Yuan Z D, Zhang J, et al. Greenhouse gas emissions from large-scale constructed wetlands[J]. Research of Environmental Sciences, 2016,29(8):1195-1199. ]

[3]
赵泉华, 胡广臣, 李晓丽, 等. 基于全极化SAR影像的双台河口湿地分类及其变化分析[J]. 环境科学研究, 2019,32(2):309-316.

[ Zhao Q H, Hu G C, Li X L, et al. Full PolSAR image based on wetland classification and change analysis of the Shuangtai estuary wetland[J]. Research of Environmental Sciences, 2019,32(2):309-316. ]

[4]
陈炯, 贾海峰, 杨健, 等. 基于极化SAR的河流有机物污染监测研究[J]. 环境科学, 2010,31(9):2017-2022.

[ Chen J, Jia H F, Yang J, et al. Monitoring of organic pollutants in river based on polarimetric SAR[J]. Environmental Science, 2010,31(9):2017-2022. ]

[5]
宋伟东, 杨冬, 李恩宝, 等. 盘锦市湿地信息提取与动态变化监测[J]. 测绘科学, 2016,41(9):60-65,79.

[ Song W D, Yang D, Li E B, et al. Wetland information extraction and dynamic monitoring of Panjin[J]. Science of Surveying and Mapping, 2016,41(9):60-65,79. ]

[6]
徐遥辰, 刘贲, 卢奂, 等. 基于CORONA KH-4B影像的湿地景观格局重建——以杭州西溪湿地为例[J]. 浙江大学学报(工学版), 2018,52(11):2233-2242.

[ Xu, Y C, Liu B, Lu H, et al. Reconstruction of landscape pattern based on CORONA KH-4B image: a case study in Xixi Wetland, Hangzhou[J]. Journal of Zhejiang University (Engineering Science), 2018,52(11):2233-2242. ]

[7]
李健锋, 叶虎平, 张宗科, 等. 基于Landsat影像的斯里兰卡内陆湖库水体时空变化分析[J]. 地球信息科学学报, 2019,21(5):781-788.

[ Li J F, Ye H P, Zhang Z K, et al. Spatiotemporal change analysis of Sri Lanka Inland water based on Landsat imagery[J]. Journal of Geo-information Science, 2019,21(5):781-788. ]

[8]
Moreau S, Bosseno R, Xing F G, et al. Assessing the biomass dynamics of Andean bofedal and totora, high-protein wetland grasses from NOAA/AVHRR[J]. Remote Sensing of Environment, 2003,85(4):516-529.

[9]
Chadwick J. Integrated LiDAR and IKONOS multispectral imagery for mapping mangrove distribution and physical properties[J]. International Journal of Remote Sensing, 2015,32(21):6765-6781.

[10]
张树文, 颜凤芹, 于灵雪, 等. 湿地遥感研究进展[J]. 地理科学, 2013,33(11):1406-1412.

[ Zhang S W, Yan F Q, Yu L X, et al. Application of remote sensing technology to wetland research[J]. Scientia Geographica sinica, 2013,33(11):1406-1412. ]

[11]
王霄鹏, 张杰, 马毅, 等. 不同极化方式SAR与TM融合影像滨海湿地分类精度比较[J]. 海洋学研究, 2014,32(1):40-46.

[ Wang X P, Zhang J, Ma Y, et al. Comparison of coastal wetland classification accuracy using fused images of different-polarization SAR and TM images[J]. Journal of Marine Sciences, 2014,32(1):40-46. ]

[12]
廖静娟, 王庆. 利用Radarsat-2极化雷达数据探测湿地地表特征与分类[J]. 国土资源遥感, 2009,21(3):70-73.

[ Liao J J, Wang Q. Wetland characterization and classification using polarimetric Radarsat-2 data[J]. Remote Sensing for Land and Resources, 2009,21(3):70-73. ]

[13]
Touzi R, Dechamps A, Rother G. Wetland characterization using polarimetric Radarsat-2 capability[J]. Canadian Journal of Remote Sensing, 2007,33(suppl 1):s56-s67.

[14]
数据来源于美国地质调查局[EB/OL].(https://earthexplorer.usgs.gov/).

[ The data set is provided by the United States geological survey[EB/OL].(https://earthexplorer.usgs.gov/). ]

[15]
Maître H. Processing of synthetic aperture radar images[M]. Wiley: ISTE, 2008.

[16]
Lee J S, Pottier E. Polarimetric radar imaging: From basics to applications[M]. Boca Raton: Crc Press, 2009:53-97.

[17]
Cao F, Hong W, Wu Y R, et al. An unsupervised segmentation with an adaptive number of clusters using the span H/α/A space and the complex Wishart clustering for fully polarimetric SAR data analysis[J]. IEEE Transactions onGeoscience and Remote Sensing, 2007,45(11):3454-3467.

[18]
Cloude S R. Recent developments in radar polarimetry: Areview[C]. IEEE Asia Pacific Microwave Conference, 1992:955-955.

[19]
Cameron W L, Leung LK. Feature motivated polarization scattering matrix decomposition[C]. IEEE International Radar Conference, 1990:293-305.

[20]
An W, Cui Y, Yang J. Three-component model-based decomposition for polarimetric sar data[C]. IEEE Transactions on Geoscience and Remote Sensing, 2010:2732-2739.

[21]
Cloude S R, Pottier E. An entropy based classification scheme for land applications of polaritmetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997,35(1):68-78.

[22]
Freeman A, Durden S. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998,36(3):963-973.

DOI

[23]
Zhang LM, Zou B, Cai H, et al. Multiple-component scattering model for polarimetric SAR image decomposition[J]. IEEE Geoscience and Remote Sensing Letters, 2008,5(4):603-607.

[24]
Yamaguchi Y, Moriyama T, Ishido M, et al. Four-component scattering-model for polarimetric SAR image decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005,43(8):1699-1706.

[25]
Lang H, Zhang J, Zhang X, et al. Ship classification in SAR image by joint feature and classifier selection[J]. IEEE Geoscience and Remote Sensing Letters, 2015,13(2):1-5.

[26]
Cloude S R, Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996,34(2):498-518.

[27]
Aghababaee H, Amini J, Tzeng Y. Contextual PolSAR image classification using fractal dimension and support vector machines[J]. European Journal of Remote Sensing, 2013,46(1):317-332.

[28]
李远远, 梅红波, 任晓杰, 等. 基于确定性系数和支持向量机的地质灾害易发性评价[J]. 地球信息科学学报, 2018,20(12):1699-1709.

[ Li Y Y, Mei H B, Ren X J, et al. Geological disaster susceptibility evaluation based on certainty factor and support vector machine[J]. Journal of Geo-information Science, 2018,20(12):1699-1709. ]

[29]
Asfaram A, Ghaedi M, Azhandi M H A, et al. Statistical experimental design, Least Square-Support Vector Machine (LS-SVM) and Artificial Neural Network (ANN) methods for modeling the facilitated adsorption of methylene blue dye[J]. Rsc Advances, 2016,46(6):40502-40516.

Options
文章导航

/

〈 〉