基于Sentinel-1A后向散射特性的高原山區(qū)地物分類探討——以安順市為例

許 璟，安裕倫，劉綏華，韓可欣

(1.黃山學(xué)院 建筑工程學(xué)院，安徽 黃山 245021;2.貴州師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，貴州 貴陽 550001;3.貴州省山地資源與環(huán)境遙感應(yīng)用重點實驗室，貴州 貴陽 550001)

?

基于Sentinel-1A后向散射特性的高原山區(qū)地物分類探討
——以安順市為例

許 璟1，安裕倫2,3*，劉綏華2,3，韓可欣2,3

(1.黃山學(xué)院 建筑工程學(xué)院，安徽 黃山 245021;2.貴州師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，貴州 貴陽 550001;3.貴州省山地資源與環(huán)境遙感應(yīng)用重點實驗室，貴州 貴陽 550001)

探討星載Sentinel-1A雷達(dá)數(shù)據(jù)在高原山區(qū)進(jìn)行地物分類的可行性。以貴州省安順市為研究區(qū)，NDVI數(shù)據(jù)為輔助數(shù)據(jù)，利用單極化多時相的SAR數(shù)據(jù)提取的后向散射特征Sigma σ值，建立符合研究區(qū)實際情況的專家樹決策系統(tǒng)，進(jìn)行地物分類和目標(biāo)識別。結(jié)果表明：雷達(dá)數(shù)據(jù)的分類精度基本能夠達(dá)到實際應(yīng)用要求，特別是水域和建設(shè)用地在圖像上解譯標(biāo)志明顯，分類精度高于TM數(shù)據(jù)，分別達(dá)到90%和80%；植被和耕地精度低于TM數(shù)據(jù)，分別為70%和65%；但總體上TM數(shù)據(jù)的細(xì)節(jié)表現(xiàn)不如SAR數(shù)據(jù)。在分類工作時結(jié)合傳統(tǒng)影像可以有效彌補高原山區(qū)氣候和地形因素帶來的不足，同時也能夠促進(jìn)雷達(dá)數(shù)據(jù)在此類高原山區(qū)的應(yīng)用和推廣。

高原山區(qū)；雷達(dá)數(shù)據(jù)；后向散射；地物分類

0 引言

合成孔徑雷達(dá)(SAR)能夠全天時、全天候?qū)Φ剡M(jìn)行觀測[1-3]，觀測圖像不僅紋理信息豐富，而且具有較高的分辨率，這些特點使SAR數(shù)據(jù)在土地利用分類和目標(biāo)識別上的應(yīng)用具有明顯優(yōu)勢。貴州高原，喀斯特地貌分布廣泛，地貌類型復(fù)雜多變，傳統(tǒng)遙感調(diào)查方法存在一定局限性[4]，加之多云霧、多雨的天氣限制數(shù)據(jù)源的獲取，目前主流的地物分類方法在此類地區(qū)應(yīng)用受到限制。雷達(dá)數(shù)據(jù)的成像特點能夠很好彌補光學(xué)數(shù)據(jù)的不足，在實際工作中，將兩者相輔助使用具有很大的優(yōu)勢。星載雷達(dá)數(shù)據(jù)價格昂貴，獲取不易，但隨著歐洲航天局(ESA)哥白尼計劃開始啟動，繼ERS1/2等衛(wèi)星過后，該計劃的第一顆主要用于環(huán)境監(jiān)視的衛(wèi)星(Sentinel-1A)于2014年4月3日發(fā)射升空，該數(shù)據(jù)目前已經(jīng)允許用戶免費下載使用，這對促進(jìn)雷達(dá)技術(shù)的推廣有重要意義。

目前，雷達(dá)數(shù)據(jù)的應(yīng)用研究已經(jīng)展開，邵蕓[5]等利用加拿大遙感中心CV-580機載雷達(dá)系統(tǒng)獲取的雷達(dá)圖像，進(jìn)行了土地覆被類型的分類研究；邵蕓的團(tuán)隊后來還基于星載衛(wèi)星Radarsat-2的目標(biāo)時域散射特性對土地覆蓋類型分類進(jìn)行研究，分析研究區(qū)典型植被散射等結(jié)構(gòu)特征，成功區(qū)分識別了多種目標(biāo)地物[6]；李坤[7]等利用Radarsat-2全極化數(shù)據(jù)，研究水稻的極化響應(yīng)特征及時相變化規(guī)律，并提出使用特征值特征向量的分解方法可以更好地進(jìn)行水稻識別。然而目前雷達(dá)數(shù)據(jù)在貴州的研究還較少，若在高原山區(qū)能夠推廣雷達(dá)數(shù)據(jù)使用，將可免費獲取的哨兵雷達(dá)數(shù)據(jù)應(yīng)用于實踐中，具有重要價值。研究以一些常用的分類因素作為輔助手段，探討基于Sentinel-1A的單極化多時相數(shù)據(jù)的后向散射特性，應(yīng)用專家決策樹分類方法進(jìn)行地物分類和目標(biāo)識別，為今后開展深入研究提供前期參考。

1 研究區(qū)概況與研究數(shù)據(jù)

研究區(qū)位于貴州省安順市西北部，地處東經(jīng)105°50～105°59′，北緯26°11～26°19′，東西長約14.6km，南北寬約11.8km，區(qū)內(nèi)海拔高度在1 000～1 600m之間，土地總面積約155km2，土地覆被類型為林地、耕地、水域、建設(shè)用地等。研究數(shù)據(jù)為單極化多時相Sentinel-1A數(shù)據(jù)，雷達(dá)影像的詳細(xì)系統(tǒng)參數(shù)見表1，選用相同時相的LandsatTM影像作為分類輔助數(shù)據(jù)。

表1 雷達(dá)數(shù)據(jù)來源及屬性

2 SAR數(shù)據(jù)處理方法

研究基于歐空局(ESA)的開源軟件SENTINEL-1 Toolbox1.0.3平臺，分別從濾波、輻射定標(biāo)、多視、地理編碼、地形輻射校正、重投影步驟對SAR數(shù)據(jù)進(jìn)行處理。對于作為輔助的多光譜TM數(shù)據(jù)，進(jìn)行一般的大氣校正、幾何校正和圖像增強處理，處理流程見圖1。

圖1 數(shù)據(jù)處理圖Fig.1 Data processing diagram

后向散射值是發(fā)射的雷達(dá)信號重定向直接回雷達(dá)天線的部分，朝向雷達(dá)的散射截面部分被稱為后向散射截面，通常的符號是Symbolσ，它用于衡量雷達(dá)目標(biāo)的反射強度，其余部分被雷達(dá)反射或吸收[7]。選用未經(jīng)歸一化直接定標(biāo)得到的后項散射特性值作為分類的主要依據(jù)。為了提取這項特征值，需要對雷達(dá)數(shù)據(jù)進(jìn)行輻射定標(biāo)計算，輻射定標(biāo)的過程定義為將雷達(dá)圖像的灰度值轉(zhuǎn)化為目標(biāo)回波的定量值，從而得到反映真實地物目標(biāo)的后向散射特性值[8,9]。哨兵數(shù)據(jù)的定標(biāo)公式[10]為：

value(i)為后向散射特征值，DNi為雷達(dá)數(shù)據(jù)的灰度值，Ai根據(jù)LUT(查找表)中的定標(biāo)算法選擇其中的betaNought(i)，sigmaNought(i)或gamma(i)值。雷達(dá)數(shù)據(jù)發(fā)射的電磁波是隨機分布于地表面的，導(dǎo)致經(jīng)過不同散射體的電磁波由相干疊加在成像上產(chǎn)生了斑點噪聲，在圖像上表現(xiàn)為圖像噪聲亮度的變化，這些噪聲的存在影響了圖像的質(zhì)量[11]。為了最大程度抑制斑點噪聲對圖像的影響，并盡可能保持雷達(dá)圖像的紋理特征，可采用的常見濾波方法有均值濾波、中值濾波、Lee濾波、Frost濾波和Gamma濾波等[12]。研究選用3×3的濾波窗口并對比不同濾波方法下的濾波效果，最終選用了效果最好的Frost濾波方法，如圖2。

濾波前 濾波后圖2 濾波效果圖Fig.2 Filtering effect

在進(jìn)行地理編碼的過程中，主要在圖像上尋找合理的配準(zhǔn)點進(jìn)行配準(zhǔn)，一般要求所選配準(zhǔn)點均勻分布在整幅影像中。

鑒于雷達(dá)數(shù)據(jù)的特殊成像方式，經(jīng)過普通的控制點方法校正雷達(dá)影像后，必須考慮普遍存在的因遮擋作用引起的幾何和輻射畸變[13,14]。SAR數(shù)據(jù)存在較大的幾何畸變，研究區(qū)地形復(fù)雜，需要對SAR數(shù)據(jù)進(jìn)行地形輻射校正，減少誤差。具體過程是以研究區(qū)DEM數(shù)據(jù)作為地形輻射校正的基準(zhǔn)，建立DEM地面坐標(biāo)與原始SAR影像坐標(biāo)間的變換關(guān)系[15]。經(jīng)過地形校正的SAR數(shù)據(jù)能夠很好的和同期TM數(shù)據(jù)疊合在一起，并保證兩幅圖像的誤差在1個像元以內(nèi)。

3 后向散射特性分析

一般而言，在雷達(dá)數(shù)據(jù)的圖像上，圖像亮度和后向散射強度呈正比，像元表面越粗糙，其后向散射越強，例如道路、房屋等地物，在圖像屬性上表現(xiàn)為后向散射特征值越大；相反，光滑表面的地物是鏡面反射，其后向散射相對較弱，其中，水域的后向散射很弱。在ENVI平臺上借助10×10大小的窗口運算，將該區(qū)域的后向散射特征值的均值作為該地物的后項散射特征值。圖3展示的是典型水域和建設(shè)用地的后項散射特征值。

圖3 典型地物后向散射特征值示意圖Fig.3 Typical ground backscattering characteristic value diagram

研究區(qū)多期數(shù)據(jù)選擇的不同區(qū)域典型地物的后向散射特征值隨時間變化的情況如圖4所示。

圖4 地物后向散射特征值隨時間變化規(guī)律示意表Fig.4 Geophysical back scattering characteristic value variation with time

研究顯示：研究區(qū)建設(shè)用地存在大量的反射現(xiàn)象，在后向散射圖像上呈現(xiàn)白色高亮的規(guī)則形狀，由表2所示，其Sigma σ值總是>120，遠(yuǎn)高于其它地物；靜止水域水面較平滑，雷達(dá)波到達(dá)水面后產(chǎn)生鏡面反射，返回傳感器的后項散射較少，在圖像上表現(xiàn)為黑色，地物輪廓清晰易辨，其Sigma σ值總是在5～20之間；植被和耕地形狀都不規(guī)則，色調(diào)也不是很均一，植被的Sigma σ值在20～60范圍內(nèi)，耕地在60～120之間。

表2 地物分類區(qū)間表

4 分類

4.1 決策樹分類

決策樹是一個類似流程圖的樹形結(jié)構(gòu)，運算效率高，在遙感影像分類有著巨大優(yōu)勢[16,17]。利用不同時相的雷達(dá)數(shù)據(jù)，提取不同目標(biāo)地物的后項散射特性值，通過反復(fù)驗證不同地物的數(shù)據(jù)范圍，輔助TM衍生出的NDVI數(shù)據(jù)，自定義數(shù)據(jù)分類規(guī)則，建立符合研究區(qū)實際情況的決策樹分類系統(tǒng)，結(jié)合實際影像解譯特征對研究區(qū)典型地物進(jìn)行分類，分析并檢驗分類精度。依據(jù)實際情況，研究擬分出5種地物：水域(包含河流、水庫和水塘)、建設(shè)用地(包含城鎮(zhèn)和居民點)、植被(包含林地、灌木和草地)、耕地(包含水田和旱地)和道路(判別圖像特征并手動數(shù)字化)。首先提取研究區(qū)域的水域，利用雷達(dá)數(shù)據(jù)Sigmaσ值介于5～20之間，可以區(qū)分特征完全不同于其它地物的為水域；根據(jù)雷達(dá)數(shù)據(jù)Sigmaσ特征值介于20～60之間，結(jié)合NDVI>0.03的條件提取植被信息；雷達(dá)數(shù)據(jù)Sigmaσ值介于60～120之間的地物標(biāo)記為耕地；后向特征值>120的劃分為建設(shè)用地。研究區(qū)土地覆被分類結(jié)果如圖5所示。

圖5 土地覆被分類結(jié)果圖Fig.5 Land cover classification results

4.2 分類精度評價與分析

由于較難獲取同分辨率的多光譜影像，將TM數(shù)據(jù)進(jìn)行重采樣操作，對比同期TM數(shù)據(jù)監(jiān)督分類結(jié)果。在分類結(jié)果評估中，對比Google Earth高分辨率數(shù)據(jù)目視判讀結(jié)果，并隨機選取分類地物樣本點，定量、客觀檢驗兩種分類結(jié)果的分類精度，評估結(jié)果如表3所示。

表3 地物分類精度

因為SAR數(shù)據(jù)較TM數(shù)據(jù)易從分類得出的建設(shè)用地中提出道路信息，精度評價時候，道路是在未提取之前放入建設(shè)用地共同評價的。從表3可以看出，SAR數(shù)據(jù)水域和建設(shè)用地的精度為90%和80%，高于TM數(shù)據(jù)的85%和79%；在區(qū)分植被和耕地方面，SAR數(shù)據(jù)分類精度的70%和65%低于TM數(shù)據(jù)的75%和70%。但TM數(shù)據(jù)在細(xì)節(jié)表現(xiàn)方面不如SAR數(shù)據(jù)，TM數(shù)據(jù)得出的建設(shè)用地已經(jīng)很難重新從中劃分出道路信息，而SAR數(shù)據(jù)可以較容易的重新數(shù)字化提取道路要素。在進(jìn)行同樣空間尺度的去除小圖斑操作后，統(tǒng)計TM分類圖斑數(shù)有近300個，而SAR分類圖斑數(shù)約為TM的3倍，這些都得益于雷達(dá)圖像的高分辨率特征?；贓NVI軟件，使用混淆矩陣精度驗證法分別提取SAR數(shù)據(jù)和TM數(shù)據(jù)分類結(jié)果的總體精度和Kappa系數(shù)，具體結(jié)果如表4所示。

表4 精度對比表

通過上述分類方法，能夠區(qū)分出水域、建設(shè)用地、植被、耕地和道路(從建設(shè)用地中單獨矢量化提取)5種主要土地覆被類型，總體上解譯精度是符合實際應(yīng)用要求的。通過對照和實際檢查，水域和建設(shè)用地在影像上的解譯性較好，分類精度也較高，在NDVI的輔助下，植被信息也能很好地判別，耕地的解譯效果經(jīng)過比對也是可以滿足實際需要的。但在分類中，TM影像的光譜特征優(yōu)勢使其在植被和耕地的分類精度更高，若能既使用雷達(dá)并使用其它數(shù)據(jù)進(jìn)行輔助，會有更高的分類精度。

根據(jù)分類結(jié)果，分析不同分類地物在SAR影像的解譯特征，詳細(xì)情況見表5。

表5 SAR影像解譯特征

5 結(jié)論與不足之處

由于高原山區(qū)氣候、地形等因素影響遙感數(shù)據(jù)源的獲取，再加上綜合調(diào)查具有周期性，調(diào)查成本較高，調(diào)查的范圍受限，這就導(dǎo)致貴州省遙感應(yīng)用的發(fā)展受到極大限制。研究以TM影像為輔助數(shù)據(jù)，研究免費獲取的星載哨兵雷達(dá)數(shù)據(jù)在這類高原山區(qū)進(jìn)行地物識別和分類的可行性及應(yīng)用情況。研究結(jié)果顯示：

1)雷達(dá)數(shù)據(jù)分辨率高，地物分類精度基本滿足實際應(yīng)用需求。地物表現(xiàn)在圖像上為斑塊輪廓清晰，圖像紋理信息豐富。對比幾種地物，其中水域和建設(shè)用地的分類精度較高，在影像上輪廓顯著，清晰可辨，這些優(yōu)勢有助于進(jìn)行如水體監(jiān)測、建筑物違章檢查等工作；但植被和耕地的分類精度不如TM數(shù)據(jù)，主要因為在地物分類過程中，后向散射特征值的范圍界定不夠精確。若能精確界定，便可以嘗試不依賴其它影像只使用雷達(dá)數(shù)據(jù)進(jìn)行分類。下一步研究方向是細(xì)化分類，例如區(qū)分耕地中的水田、旱地等，植被中的林地、草地等。

2)雷達(dá)數(shù)據(jù)的微波成像原理使數(shù)據(jù)受外界因素影響較小，而哨兵數(shù)據(jù)可免費下載，這又使多時相數(shù)據(jù)的獲取更加便利，各種應(yīng)用類型的遙感數(shù)據(jù)來源更加廣泛，特別是為進(jìn)行時效要求很高的農(nóng)作物監(jiān)測等工作帶來便利。

3)從分類結(jié)果來看，山體陰影部分很難區(qū)分，并且錯誤劃分至水域。這是由于地勢多變起伏使得雷達(dá)光束對地面傾斜照射，圖像上表現(xiàn)為產(chǎn)生大量陰影。這和一般分類方法遇到的問題類似，需要進(jìn)一步進(jìn)行研究。

在實際應(yīng)用中，雷達(dá)影像的解譯與應(yīng)用還需借助其它光學(xué)影像，并且在一些影像制作方面，雷達(dá)數(shù)據(jù)也不會代替光學(xué)影像。但隨著雷達(dá)數(shù)據(jù)向多極化多波段等方面發(fā)展，在各領(lǐng)域都會有較大的發(fā)展?jié)摿Γ鋸姶蟮膶Φ赜^測能力將會給高原地區(qū)帶來切實有效的應(yīng)用。

[1] 鄧云凱,趙鳳軍,王宇.星載SAR技術(shù)的發(fā)展趨勢及應(yīng)用淺析[J].雷達(dá)學(xué)報,2012,1(1):1-10.

[2] 李蘭,陳爾學(xué),李增元,等.合成孔徑雷達(dá)森林樹高和地上生物量估測研究進(jìn)展[J].遙感技術(shù)與應(yīng)用,2016,31(4):625-633.

[3] 劉夢琦,周忠發(fā),李波.高原山區(qū)SAR影像處理關(guān)鍵技術(shù)與應(yīng)用探討[J].貴州師范大學(xué)學(xué)報(自然科學(xué)版),2010,28(3):28-33.

[4] 許璟,安裕倫,劉綏華,等.高原山區(qū)星載合成孔徑雷達(dá)數(shù)據(jù)與多光譜數(shù)據(jù)的圖像融合探究——以貴州省畢節(jié)市為例[J].地球與環(huán)境, 2015,43(4):457-463.

[5] SHAO Y,GUO H D, LIU H,et al.Effect of Polarization of GlobeSAR Data on Vegetation Discrimination[J].GEO-CARTO International,1995，10(3):71-76.

[6] 邵蕓,范湘濤,劉浩.基于目標(biāo)時域散射特性的土地覆蓋類型分類研究[J].國土資源遙感,2001(4):40-50.

[7] 李坤,邵蕓,張風(fēng)麗.基于RadarSat-2全極化數(shù)據(jù)的水稻識別[J].遙感技術(shù)與應(yīng)用,2012,27(1):86-93.

[8]張海龍,蔣建軍,吳宏安,等.SAR與TM影像融合及在BP神經(jīng)網(wǎng)絡(luò)分類中的應(yīng)用[J].測繪學(xué)報,35(3):229-239.

[9] ZONG P L,KENDALL L,CARDER.Absorption spectrum of phytoplankton pigments derived from hyperspectral remote-sensing reflectance[J].Remote Sensing of Environment,2004,89(3):361-368.

[10]SENTINEL TEAM.Sentinel-1 UserHandbook[EB/OL].(2013-09-01)[2014-10-04].https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-sar.

[11]韓春明,郭華東,王長林,等.一種改進(jìn)的SAR圖像斑點噪聲濾波方法[J].遙感學(xué)報,2001,8(2):121-127.

[12]駱明君.合成孔徑雷達(dá)圖像斑點噪聲抑制與濾波[J].信息與電子工程,2009,7(1):9-12.

[13]符思濤,李震,田幫森.全極化合成孔徑雷達(dá)影像地形糾正及其在雪冰制圖中的應(yīng)用[J].中國圖象圖形學(xué)報,2014,19(1):150-157.

[14]張永紅,張繼賢,林宗堅,等.地形引起的雷達(dá)輻射畸變及其校正[J].測繪科學(xué),2002,27(4):23-26.

[15]郭華東.雷達(dá)對地觀測理論與應(yīng)用[M].北京:科學(xué)出版社,2000,183-191.

[16]馬源.基于隨機化屬性選擇和決策樹的組合分類器[J].貴州師范大學(xué)學(xué)報(自然科學(xué)版),2016,34(1):98-102.

[17]張正健,李愛農(nóng),雷光斌,等.基于多尺度分割和決策樹算法的山區(qū)遙感影像變化檢測方法——以四川攀西地區(qū)為例[J].生態(tài)學(xué)報, 2014,34(24):7222-7232.

Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features——A case study in Anshun city

XU Jing1,AN Yulun2,3*,LIU Suihua2,3,Han Kexin2,3

(1.School of Architecture and Engineering,Huangshan University,Huangshan，Anhui 245021,China;2.School of Geographic and Environmental Science, Guizhou Normal University,Guiyang,Guizhou 550001,China;3.Guizhou Mountain Resources and Environmental Remote Sensing Application Laboratory,Guiyang ,Guizhou 550001,China)

The paper establishes expert decision system tree which in conformity with the practical situation of Anshun city of Guizhou Province study area about object classification and recognition. By using the Sigma backscatter extracted from multi-temporal SAR data and other data such as NDVI, we explore the feasibility of feature classification of the spaceborne Sentinel-1A radar data in plateau mountainous. The result showed that the radar data classification accuracy can meet the requirements of practical application, especially in water bodies and buildings on the image which interpreting marks are obvious. Their classification accuracy is 90% and 80%, which is higher than TM data. The accuracy of vegetation and cultivated land is 70% and 65%, which is lower than that of TM data. Overall, the details of the TM data are not as good as SAR data. The SAR data combined with traditional image can effectively make up for the inadequacy of climate and terrain factors in mountain plateau in the work of classification, it not only has great practical significance, but also can improve the application and promotion of radar data in such plateau mountainous areas.

plateau area; radar data; backscatter; terrain classification

1004—5570(2016)06-0015-05

2016-09-27

國家自然科學(xué)基金項目(41161002);貴州省省長基金項目(黔省專合字(2011)46號)；貴州省科學(xué)技術(shù)基金(黔科合J字[2014]2127)

許 璟(1990-)，女，碩士，研究方向：地理信息系統(tǒng)與遙感應(yīng)用，E-mail:460096669@qq.com.

*通訊作者：安裕倫(1957-)，男，教授，研究方向：自然地理學(xué)、GIS和環(huán)境遙感，E-mail:anyulun@126.com.

TP391

A