簡縮極化SAR數據處理與應用研究進展

許 璐 張 紅* 王 超② 吳 樊 張 波 湯益先

①(中國科學院空天信息創新研究院數字地球重點實驗室 北京 100094)

②(中國科學院大學 北京 100049)

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種工作于微波波段的主動式遙感手段，利用電磁波的相干獲取對地觀測影像，具有全天時、全天候成像的優點，在多云多雨區域比傳統的光學遙感更有優勢，對全球地表觀測有重要意義[1]。相較于單極化SAR，全極化SAR包含更加全面的地表散射信息，能有效提高SAR系統進行精確地表分類的能力，在農業[2,3]、環境[4]、海洋[5,6]等應用領域極具潛力。但是，全極化需交替發射水平(H)和垂直(V)兩個線性極化電磁波信號，這對SAR系統天線技術、數據下傳速率、系統功耗等性能提出了更高的要求，其脈沖重復頻率需為傳統雙極化SAR系統的兩倍，而數據覆蓋面積理論上也僅為雙極化系統的1/2[7]，使得系統設計復雜度、系統維護和數據獲取成本增加，限制了全極化SAR的應用。為了彌補這一缺陷，Souyris等人[8]于2005年首次提出簡縮極化SAR的概念。

簡縮極化SAR本質上是一種雙極化系統，相較于全極化SAR，系統的設計和維護復雜度較低、成像范圍更大。目前已提出3種簡縮極化SAR工作模式，分別是發射45°線極化波、接收H和V線極化波的π/4模式[8]；發射左旋或右旋圓極化波、接收左旋和右旋圓極化波的雙圓極化(Dual Circular Polarization,DCP)模式[9]；發射左旋或右旋圓極化波、接收H和V線極化波的混合極化(Hybrid Polarimetric,HP)模式，又被稱為圓極化發射線極化接收模式(Circular Transmit and Linear Receive,CTLR)[10]。相較于傳統線性雙極化SAR，簡縮極化SAR能夠存儲回波信號的相位，信號組合方式更加靈活，從而能獲取更豐富的散射信息，在許多應用中取得了與全極化SAR數據相近的結果。

簡縮極化SAR觀測系統經歷了對月到對地的發展。2008年，印度空間研究組織(IRSO)和美國宇航局(NASA)分別將搭載Mini-SAR的Chandraayan-1衛星和搭載Mini-RF的月球勘測衛星(Lunar Reconnaissance Orbiter,LRO)發射至近極地低空月球軌道，用HP模式簡縮極化SAR系統觀測月球表面極化散射特性[11,12]。2012年4月，IRSO發射RISAT-1衛星[13]，可提供HP模式簡縮極化SAR數據，目標是服務于農業、林業、土壤、地質及海岸線監測等應用領域的全天時和全天候觀測。作為第1顆具備簡縮極化對地觀測模式的星載成像雷達衛星，RISAT-1已向研究人員和應用部門提供了非常有價值的實際數據，為簡縮極化SAR的應用與推廣奠定了基礎。雖然IRSO已在2017～2018年度的年度報告中宣布RISAT-1停止運行，未來仍有多個國家計劃發展簡縮極化SAR系統，如2014年，日本發射ALOS-2衛星，搭載PALSAR-2雷達成像傳感器，將HP模式的簡縮極化成像作為實驗模式[14]；加拿大已于2019年6月12日發射3顆雷達衛星星座任務(RADARSAT Constellation Mission,RCM)衛星[15]；美國DESDynI計劃的L波段干涉SAR[16]、印度的第2次探月任務Chandrayaan-2[17]和RISAT-1A衛星等都將具備HP模式的簡縮極化觀測能力?？梢灶A見，這些任務將為簡縮極化SAR的實際應用提供有利條件。

目前，研究人員們已利用模擬數據和RISAT-1獲取的真實簡縮極化SAR數據開展了簡縮極化SAR數據處理方法與應用研究。本文首先對簡縮極化SAR數據處理方法進行總結，分別介紹簡縮極化SAR的全極化信息重建和極化分解方法，隨后對簡縮極化SAR在農業和海洋領域的應用研究進行綜述，最后提出對簡縮極化SAR未來發展趨勢的設想與展望。

2 簡縮極化SAR數據處理方法

2.1 全極化信息重建

簡縮極化SAR數據處理方法可以分為兩類[18]，第1類是用簡縮極化SAR數據重建全極化數據的相干矩陣或協方差矩陣；第2類是直接提取簡縮極化SAR數據的信息來描述目標的極化散射特性。3種模式的簡縮極化SAR散射矢量均可以表示為全極化SAR散射矩陣元素的線性組合，因此可以很方便地利用全極化SAR進行簡縮極化SAR的數據仿真。反之，如果能夠利用簡縮極化SAR數據重建全極化模式下協方差矩陣，即可直接應用傳統的全極化數據處理和應用算法。因此，全極化信息重建是簡縮極化SAR的重要研究方向。由于目前僅有印度RISAT-1衛星提供了簡縮極化SAR實測數據，ALOS-2衛星并未公開提供其實驗模式數據，絕大部分簡縮極化SAR的研究都建立在仿真數據的基礎上。仿真數據與全極化SAR本質上是同一套數據，因此通過仿真數據重建的全極化偽協方差矩陣可以直接與原始全極化數據進行比較。本節將對基于簡縮極化SAR的全極化信息重建方法進行總結。

2005年，Souyris等人[8]首次提出了π/4模式的結構，并設計了全極化偽協方差矩陣重建算法：(1)假設反射對稱性成立，同極化和交叉極化散射不相關，即=0，將待重建的未知數個數從6個降低到了4個；(2)假設旋轉對稱性條件成立，提出共極化通道與交叉極化通道之間的功率關系

其中，SHH,SVV,SHV分別表示HH,VV,HV通道的散射矩陣元素；ρHH-VV為共極化通道相干系數，完全極化波的ρHH-VV為1，完全去極化波的ρHH-VV為0，自然目標的ρHH-VV介于兩者之間；參數N為經驗值，Souyris將其設置為4?；谑?1)可迭代地估計SHV項，并根據全極化與π/4模式協方差矩陣元素之間的關系，重建全極化協方差矩陣。Nord等人[19]提出，式(1)適用于完全隨機的偶極子散射，但是并不適用于完全隨機的體散射，從這一點出發，對Souyris重建算法進行了改進，并推導了DCP和HP模式下簡縮極化SAR數據的重建模型。改進的重建方法將Souyris模型作為初值，根據式(2)進行N和的迭代更新

將更新的N值重新代入模型中，獲取修正的重建結果并繼續更新參數N，直到兩次迭代N的變化較小時，認為模型獲得穩定解。2011年，Yin等人[20]針對反射對稱性條件不成立的情況提出一個基于四分量分解的重建方法，用單位矩陣描述體散射分量，通過體散射功率Pv和螺旋體散射功率Pc，將共極化與交叉極化通道之間的關系修改為

其中，Pv和Ph分別表示體散射功率和螺旋體散射功率。將這一方法應用于兩組AIRSAR C波段圖像的船舶檢測中，實驗結果表明改進后的重建算法比Souyris算法檢測效果更優。

以上全極化信息重構算法沒有以特定地物為目標，可以適用于許多簡縮極化SAR的應用領域，但某些地物的散射機制與假設條件并不相符。針對海面的布拉格散射機制，研究人員提出了其他重建方法。Denbina和Collins等人[21,22]認為Nord模型會受到初值的影響，而遵從布拉格散射機制的平靜海面不應直接采用N=4作為初值。他們提出利用N的平均值進行全極化偽協方差矩陣的計算，建立了與成像入射角的非線性檢驗模型

其中，bi=1,2,3為模型擬合系數，θ表示入射角，改進后的算法可稱為Constant-N算法。利用不同入射角的RADARSAT-2圖像模擬HP模式的簡縮極化SAR數據開展海面目標檢測，結果表明該模型能夠改善海洋場景下的重建效果。Li等人[23]認為已有的重建算法不能滿足定量風速反演對參數N的估計要求，他們利用2062個帶浮標觀測數據的圖像樣本點研究了參數N與雷達入射角、風速和風向之間的關系，明確指出N不僅是入射角的函數，同時也是風速和風向的函數，但入射角對N的影響比風速和風向更為顯著，在入射角大于40°時N的值接近于4，但在入射角小于30°時N的值很大。據此，Li等人提出了一個新非線性回歸模型來估計N

其中，θ表示入射角，Pi=1,2,3,4,5表示模型擬合系數。在實驗結果中該模型的交叉極化項估計精度優于Nord方法和Collins方法，與全極化反演結果之間的均方根誤差(Root-Mean-Square Error,RMSE)僅有1.09 dB。針對海面溢油檢測，Li等人[24]將式(1)等號左邊的部分定義為參數R，提出一個新的參數N估計模型

其中，a和b為模型擬合系數。在溢油檢測對比實驗中，該方法的中誤差、標準差、交叉熵和互信息均優于Souyris重建方法。

以上方法均用參數N描述交叉極化和共極化項之間的關系，特點是針對不同的假設條件和應用需求改變N的迭代估計模型。也有部分研究人員針對HP模式簡縮極化SAR的獨特性質，提出了不需要進行迭代計算的全極化信息重建方法。Espeseth等人[25]提出了兩個利用HP模式Stokes參數(g0,g1,g2,g3)進行全極化信息重建的方法：(1)基于極化度(Degree of Polarization,DoP)的重建方法，根據交叉極化項與去極化能量之間的關系直接計算

這一方法隱含的假設條件是交叉極化項貢獻了所有去極化能量；(2)基于特征值的重建方法，假設HP模式協方差矩陣特征值λ1和λ2的比率直接反應了與散射總功率g0之間的關系，可根據式(8)直接計算

將上述兩種方法應用于L波段和C波段海冰圖像的全極化信息重建，發現L波段的重建效果優于C波段，基于特征值的重建方法與Souryis重建結果相當，略優于基于DoP的重建方法。相較于Souyris方法，這兩種方法無需任何用戶輸入，解算更加簡單。Ajeet Kumar等人[26]假設所有去極化能量都來自體散射分量，HP模式的去極化程度又可以直接由散射熵H衡量，采用Freeman-Durden分解的體散射模型建立體散射分量、散射熵和總散射功率之間的關系，可以直接解得

其中，Pv表示體散射分量，根據HP模式特征值與Stokes參數之間的關系可知，(λ1+λ2)等于散射總能量g0。Ajeet Kumar等人的實驗結果表明，該方法重建結果的Yamaguchi四分量分解結果與原始全極化數據較為接近，最高精度可達95%，在RISAT-1真實HP模式數據中的總體分類精度優于84%，顯著優于Souyris方法和Espeseth特征值重建方法。

Espeseth等人和Ajeet Kumar等人提出的方法雖然規避了迭代求解N的過程，但僅適用于HP模式，且對假設條件的依賴性較強。Yue等人[27]基于反射對稱性假設提出了一個不依賴于參數N的重建方法，利用Wishart-Bayesian正則化模型來重建全極化數據，通過引入一個獨立復高斯分布的估計誤差項，推導了多視全極化SAR圖像協方差矩陣的后驗概率密度函數表達式，將全極化信息重建問題轉化為式(11)的優化問題

其中，X和Y分別表示全極化和簡縮極化的協方差矩陣觀測值，p(X|Y)表示X的后驗概率，C表示全極化協方差矩陣期望值，A是一個2×3的矩陣，表示從全極化到簡縮極化的線性變換，σ為誤差項的方差，n表示視數，q表示維度，對于全極化系統有q=3。利用高效乘子交替方法對上式進行優化，即可獲得全極化協方差矩陣的估計值。由于不依賴于反射對稱性假設，該方法可以獲取所有全極化協方差矩陣元素的估值，但是對的虛部估計精度較低。

表1對上述各全極化信息重建方法的特點進行了簡要總結。Souyris等人建立了重建方法的基本框架，即通過建立SHV與SHH和SVV的關系減少未知量的個數，但采用固定值作為模型參數，對某些場景應用效果不佳。Nord等人用迭代方法估計參數N，實現了對Souyris算法的擴展。后續發展的大部分重建算法都建立在Souyris和Nord算法的基礎上，提出新的參數N估計模型以改善應用表現，在海洋應用領域尤為明顯。部分研究人員根據HP模式的特征直接估計交叉極化項，但是這些方法隱含著對散射機制的假設，因此還需得到更多應用場景下的檢驗。

表1 簡縮極化SAR全極化(FP)信息重建方法小結Tab.1 Summary of Fully Polarimetric (FP)information reconstruction methods for CP SAR

2.2 簡縮極化SAR極化分解

全極化信息的重建過程實際上是利用3個觀測值估計6個待重建參數的非確定性問題，需要通過一定的假設條件降低未知數個數，或者利用迭代優化方法逼近真值，計算復雜度較高?？紤]到SAR數據獲取和地表條件的多樣性，很難提出一個通用的重建模型。文獻[28-30]均不建議從重建角度使用簡縮極化SAR，因為全極化信息重建的過程沒有引入有用信息，假設條件可能為重建結果引入更多誤差。因此，越來越多的研究人員選擇直接從簡縮極化SAR中提取有用信息。本節將對目前主流的簡縮極化SAR極化分解方法進行總結。

2.2.1 基于Stokes參數的極化分解

其中，E表示電場矢量，下角標表示接收極化態，符號*表示復數共軛操作，Re表示取復數實部，Im表示取復數虛部，|·|表示復數的模，〈·〉表示空間平均，g0表示電磁波的總功率，g1表示水平或垂直線極化分量功率值，g2表示方位角ψ=4 5°或ψ=135°時的線極化分量功率值，g3為左旋圓極化和右旋圓極化分量的功率值[1]。根據Stokes矢量可以計算一系列簡縮極化SAR特征，如極化度m、線極化比μL、線極化度PL、圓極化比μC、圓極化度PC、極化橢圓方位角ψ、軸長比r、相對相位δ、圓度χ等。

根據波的二分理論，可以用極化度m將簡縮極化SAR協方差矩陣分為去極化分量和完全極化分量。Charbonneau等人[32]用相對相位δ表征完全極化波中偶次散射與表面散射的占優機制，提出了m-δ分解。Raney認為[11,33]，當發射電磁波具有很強的線極化分量時，圖中二面角結構的朝向發生任意改變均可能造成δ的符號變化，而圓度χ則較為穩定，提出了m-χ分解以描述月球表面隕石坑的偶次散射效應。Cloude等人[34]利用隨機地表二層散射模型(Random Volume Over Ground,RVOG)模型提出m-αs分解方法，αs角從0°變化到90°表示主導散射機制由表面散射變為體散射最后變為偶次散射的過程，將該分解應用于森林火點檢測，發現森林火點的體散射分量明顯低于其他區域。Sabry等人[35]將簡縮極化特征表示為橢圓度角和橫滾角的函數，討論了m-χ分解結果隨橢圓度角的變化，提出利用PC修正偶次散射分量。實驗結果表明不同橢圓度角下的簡縮極化數據描述的散射機制存在差異，右旋HP模式下，改進m-χ分解的城市-植被邊界比mχ分解更加明確。需要注意的是，在提高偶次散射和表面散射的差異的同時，改進m-χ分解的三分量散射功率之和發生變化。

基于Stokes參數的分解方法均根據極化度和g0計算體散射分量，本質上是將極化總功率中的完全去極化部分全部認定為體散射，而實際上，強偶次散射、噪聲等也是造成去極化的原因，因此該類方法容易出現體散射分量過估計的情況。

2.2.2 H/α分解

簡縮極化SAR的H/α分解原理與全極化SAR類似。Guo等人[36]驗證了3種簡縮極化SAR模式的H/α分解結果，發現只有DCP模式能夠區分不同散射機制，提出了DCP模式下的H/α空間：將0.5作為低熵與中熵分界，0.95作為中熵與高熵分界；在低熵區，將α=43°和α=49°分別作為多次散射、體散射、表面散射分界；在中熵區，將α=38°和α=50°作為多次散射、體散射、表面散射分界；在高熵區，將α=43°和α=56.8°作為多次散射、體散射、表面散射分界。Zhang等人[37]針對DCP模式提出了另一個H/α空間劃分：將0.65作為低熵與中熵分界，0.96作為中熵與高熵分界；在低熵區，將α=42°和α=48°分別作為多次散射、體散射、表面散射分界；在中熵區，將α=40°和α=51°作為多次散射、體散射、表面散射分界；在高熵區，將α=34.5°和α=51°作為多次散射、體散射、表面散射分界。謝鐳[38]在其博士論文中推導了3種簡縮極化SAR在不同散射機制下的平均散射角，證實了Guo等人[36]的研究結論，即只有DCP模式的α角具有區分不同散射機制的能力；通過散射熵和散射角的替代參數對分解結果進行了定性和定量比較，發現DCP模式的散射角與全極化SAR呈近似互余的關系，且其H/α分解結果不具備繞雷達視線方向的旋轉不變性。

2.2.3 基于模型的三分量分解

基于模型的極化分解方法在全極化SAR中應用廣泛，分別將方向隨機的偶極子集合、二面角反射器和布拉格表面散射體的散射矩陣作為體散射、偶次散射和表面散射模型。Freeman-Durden分解是全極化SAR最常用的分解方法之一，2014年，Guo等人[39]將其推廣至π/4模式和HP模式的簡縮極化SAR數據中，在反射對稱性假設條件下，給出了模型的求解過程，以Re的符號作為表面散射或偶次散射占優的判別條件。劉萌等人[40]以HP模式為例提出一個基于模型的三分量分解方法，采用An模型作為體散射模型，認為完全去極化部分全部屬于體散射分量，利用相對相位δ進行主導散射機制的判別，但是該模型本質上是一個二分模型，當判定表面散射或偶次散射占主導時，另一種散射機制的值實際為0。Han等人[41]將Freeman-Durden分解用于簡縮極化SAR干涉測量中，建立了π/4模式和HP模式的極化干涉三分量分解方程，首先用Stokes參數估計體散射分量，用RVOG模型估計偶次散射地形相位，生成包含8個未知數、4個復已知數的8個實方程組，隨后用數值方法實現了3種散射機制的功率值和相位中心的聯合反演。Ajeet Kumar等人[42]針對HP模式提出了一個三分量分解模型，采用Yamaguchi提出的改進體散射模型、Freeman-Durden分解的表面散射和偶次散射模型，以g3的符號作為表面散射或偶次散射占優的判別條件，并采用與Sabry等人類似的策略，用圓極化度修正了偶次散射強度。用RISAT-1真實HP模式圖像對該方法進行驗證，發現該方法能夠較好地區分表面散射和二面角散射。

表2總結了上述3類簡縮極化SAR分解方法的優缺點。無論是基于Stokes參數的分解還是基于模型的分解都存在體散射過估計的問題，即三分量假彩色合成圖色調偏“綠”。這是由于大部分分解方法將去極化全部歸因于體散射機制，忽略了偶次散射和表面散射對去極化的貢獻。體散射過估計可能導致復雜城市場景與植被覆蓋區域的混淆，因此這些極化方法更適用于森林、平原等自然地物為主的場景。此外，基于模型的分解隱含著對散射機制的假設，而且目前很少有研究關注簡縮極化SAR的負功率像素問題，各模型的適用性仍然有待更進一步的檢驗。根據謝鐳[38]的分析，簡縮極化的H/α分解存在散射熵過估計的問題，在城市區域表現較為明顯?？紤]到理論上只有DCP模式的α角能進行不同散射機制的區分，而目前已發射和計劃發射的星載簡縮極化SAR均為HP模式數據，H/α分解的實用價值受到一定限制。由于簡縮極化散射熵和極化度本質上都描述去極化程度，目前更多研究人員將H/α分解的結果作為特征，而非直接使用H/α空間本身開展應用。

3 簡縮極化SAR應用

隨著簡縮極化SAR系統和數據處理技術研究的不斷深入，國內外科研人員對簡縮極化SAR在不同應用領域的表現進行了檢驗，研究結果表明簡縮極化SAR在分類、地表參數反演、目標檢測等領域能夠取得與全極化相當的結果。本章將對其在農業和海洋領域的應用進行總結。

3.1 農業應用

3.1.1 農作物分類

與全極化SAR類似，Wishart分類是簡縮極化SAR最主要的分類方法之一?；谥亟ǖ膫稳珮O化數據，Souyris等人[8]對荷蘭Flevoland地區的仿真π/4模式數據進行Wishart分類實驗，其結果接近全極化SAR。Ainsworth等人[43]對比了全極化、雙極化和簡縮極化SAR的Wishart分類精度，實驗結果中簡縮極化SAR的分類精度優于雙極化SAR。Vineet Kumar等人[44]對ALOS-2的全極化、仿真簡縮極化和真實簡縮極化數據進行Wishart分類，發現真實簡縮極化數據在偶次散射主導區域的分類精度略高于仿真簡縮極化數據，而在農作物區域的分類精度則略低于仿真數據。

表2 簡縮極化SAR極化分解方法小結Tab.2 Summary of the polarimetric decomposition methods for CP SAR

基于極化分解特征，研究人員們主要利用機器學習方法開展農作物分類研究，將簡縮極化的農作物分類結果與全極化進行對比。Charbonneau等人[45]用決策樹分類器對HP模式的農作物分類能力進行了研究，分別構建m-δ三分量分解、Stokes矢量和Stokes子參數3組特征空間，實驗結果表明Stokes矢量空間能獲取最好的總體分類精度，接近甚至優于全極化SAR。Ohki等人[46]用400景ALOS-2全極化圖像進行了日本的土地利用/土地覆蓋(Land Use and Land Cover,LULC)分類，用支持向量機(Support Vector Machine,SVM)分類器對比了不同輸入特征下全極化、仿真HP模式簡縮極化和雙極化數據的分類精度，實驗結果中，簡縮極化對水稻、草地、農作物和裸地的分類精度略低于全極化數據，對水體、森林和建筑的分類精度與全極化相當。Brisco等人[47]用5景全極化數據仿真π/4模式和HP模式，將簡縮極化、雙極化與全極化數據的水稻提取和濕地提取的精度進行比較，結果證明HP模式的簡縮極化SAR能取得比HH/HV雙極化SAR更好的分類結果。Xu等人[48]用隨機森林(Random Forest,RF)對比了HP模式與全極化SAR的農作物分類精度，發現在像素級分類策略下HP模式的分類精度略低于全極化，而在目標級分類策略下的分類精度與全極化相當；此外，用4景RADARSAT-2數據進行HP模式、π/4模式和全極化SAR的玉米種植區提取[49]，發現多時相情況下簡縮極化SAR的提取精度與全極化相當。Mahdianpari等人[50]用4景5月-7月的全極化、雙極化和簡縮極化SAR圖像進行農作物分類，獲得了相似的實驗結論：在像素級分類策略下，簡縮極化SAR的農作物分類精度與雙極化相當，低于全極化；在對象級分類策略下，簡縮極化SAR的農作物分類精度與全極化相當，優于雙極化。此外，Mahdianpari等人還發現體散射特征對全極化和簡縮極化最重要，7月下旬的數據對C波段農作物分類最有利，但僅憑單時相圖像很難獲得高精度分類結果。

上述研究結果均證明簡縮極化有能力取得與全極化相當的農作物分類精度，整體表現優于雙極化SAR，在Charbonneau等人[45]的實驗結果中簡縮極化SAR甚至能取得比全極化更優的分類精度，Brisco等人[47]的實驗結果中HP模式與全極化的水稻識別精度均超過90%。對于農作物分類，數據的選擇和特征的選擇都對分類結果有很大影響。部分研究人員在分類時對簡縮極化SAR的特征性質也進行了分析。Xie等人[51]討論了μL和PL在水稻種植區提取中的有效性；此外，提出一個基于表面散射分量和散射角替代參數的農作物分類特征空間[52]，用TerraSAR-X數據實現了中國南方地區的水稻、桉樹、甘蔗、香蕉、水體、建筑分類，該方法可同時適用于全極化、HH/VV雙極化和簡縮極化數據。Uppala等人[53,54]對比了水稻、玉米等農作物區域與建筑等人工目標在RISAT-1真實HP模式數據中的后向散射強度和極化分解結果，用非參數平行6面體最小距離分類器進行水稻和玉米種植區提取，其結果與LISS-II光學數據具有較好的一致性。國賢玉等人[55]從仿真HP模式數據中提取了22個特征，采用基于SVM的前序搜索策略進行3類水稻田分類的特征優選，選擇RR極化后向散射系數σRR,m-δ分解偶次散射和體散射分量、m-χ分解偶次散射分量和μC構造決策樹，其總體分類精度與相同參數下的SVM方法相當，均優于90%。Chirakkal等人[56]對比了RISAT-1數據m-δ和m-χ分解對印度北部和西部的農作物分類精度，最大似然分類器的結果表明m-χ分解的分類效果更優。

上述研究結果證明了簡縮極化SAR用于農作物分類的潛力，考慮到其幅寬的優勢，簡縮極化SAR很適合進行大面積農作物分類，在多時相數據和合適的特征集下分類精度可以達到全極化SAR的水平。

3.1.2 農作物參數反演

隨著SAR載荷的發展，SAR數據的時間分辨率逐漸提高，多時相數據為農作物生長監測和生物物理學參數的反演提供了機會。許多學者研究了簡縮極化SAR特征隨農作物生長的變化情況及其與農作物生物物理學參數之間的關系。Ballester等人[57]用ESAR L波段時間序列全極化數據仿真HP模式數據開展冬小麥、玉米和油菜生長監測，研究了簡縮極化特征與種植面積、物候階段、葉面積指數(Leaf Area Index,LAI)、濕生物量、高度等參數的關系，用線性模型描述了δ與小麥、玉米濕生物量的關系和m與冬油菜高度的關系，用對數平方模型描述了μC與玉米濕生物量的關系。研究結果表明HP模式簡縮極化SAR能為農作物的定性與定量監測提供充足的靈敏度。Zhang等人[58]用覆蓋油菜全生育期的5景仿真HP模式數據進行油菜生長參數的反演，考察了27維極化參數的時間演進規律，RF方法的重要性排序表明g0,g3,m,δ,χ,μC,PC、后向散射系數、極化分解體散射分量對生物量較為敏感，在各單參數模型中，g3能獲取最優生物量反演精度，圓極化比μC能獲取最優LAI和株高反演精度。Dave等人[59]研究了旱地和灌溉地條件下棉花的株高、株齡和生物量與12維HP模式特征和4維偽全極化特征之間的關系，結果表明簡縮極化特征與棉花的生物物理參數具有較好的相關性，而偽全極化特征并沒有獲取更優越的結果。Homayouni等人[60]評估了C波段RADARSAT-2全極化和仿真HP模式數據的體散射與表面散射之比(Volume to Surface Ratio,VSR)在監測作物生長方面的潛力，研究表明VSR與歸一化植被指數(Normalized Difference Vegetation Index,NDVI)和土壤調整植被指數(Soil Adjusted Vegetation Index,SAVI)有強相關性，HP模式VSR與農作物生物量之間相關性略高于全極化，其中，與玉米和油菜生物量的相關性超過0.8。Guo等人[61]用改進的水云模型驗證了簡縮極化數據反演水稻生物物理參數的能力，結果表明簡縮極化對水稻株高、穗生物量、冠層含水量的反演精度較高，R2大于0.89；對LAI的反演精度略低，最高R2為0.75。各類特征中，g0,σRL,σRV,m-χ分解對株高較為敏感，g0,σRV,σRH,σRR,σRL對含水量較為敏感，σRH,σRR,m-χ和m-δ分解對穗生物量較為敏感。Liu等人[62]提出了一個基于遺傳算法的非線性偏最小二乘(Genetic Partial Least Square,GA-PLS)模型，從19維特征中選擇最敏感的參數進行冬小麥LAI的估計，R2達到0.7。

上述研究表明簡縮極化SAR對農作物參數反演有較好潛力，表3對其實驗結論進行了簡要總結，可以發現指示散射機制變化的Stokes子參數對生物量和LAI反演有一定優勢，m-χ分解在株高和生物量反演中具有優勢。

3.1.3 農作物生長物候監測

農作物的生物物理參數與其物候特征息息相關，除了利用多時相簡縮極化SAR進行參數反演，研究人員們還針對農作物生長物候階段本身開展分類研究。2013年，Yang等人[63]獲取了9景仿真HP模式數據，用決策樹方法進行了秈稻移栽田和粳稻直播田的分類，并根據水稻樣本極化特征的時間演進情況，將其物候特征劃分為7個階段。2017年，Yang等人[64]從時間序列光學、全極化和仿真簡縮極化SAR數據中提取了149維特征(包含26維簡縮極化SAR特征)，提出了一種基于Monte Carlo相關性限制(Monte Carlo and the Correlation Limitation,MCCL)的特征選擇方法，用多類相關向量機(multiclass Relevant Vector Machine,mRVM)分別實現了對秈稻移栽田和粳稻直播田的物候階段分類。Lopez-Sanchez等人[65]詳細分析了水稻在10景RADARSAT-2全極化數據、HH/VV雙極化數據和仿真HP模式中的極化特征變化，分別利用全極化的H/A/α分解結果和簡縮極化的αs,m和Freeman-Durden分解體散射分量，構造水稻物候分類特征空間。Izumi等人[66]對全圓極化(Full-Circular Polarimetric,FCP)和DCP模式簡縮極化SAR的水稻物候監測進行研究，對不同物候期的水稻在FCP和DCP數據中的后向散射系數、3種散射機制響應以及H/α分解結果進行了分析，論證了圓極化基SAR數據對水稻物候時期的分辨能力。

表3 基于簡縮極化SAR特征的農作物生物物理學參數反演研究小結Tab.3 Summary of crop biophysical parameter inversion based on CP SAR features

上述研究證明了簡縮極化SAR在農業應用中的潛力，但由于RISAT-1數據獲取存在一定難度，大部分研究仍然采用仿真HP模式數據。由于HP模式和DCP模式都是圓極化發射，仿真數據本質上提供了相同的信息，部分研究通過極化基變換將圓極化接收的后向散射系數視為HP模式的特征。此外，HP模式的Stokes子參數具有指示散射機制變化的能力，如μC和PC，而π/4模式不具備這一特性，因此上述研究很少考慮π/4模式。

3.2 海洋應用

3.2.1 船舶檢測

部分研究人員針對船舶檢測需求對簡縮極化SAR的全極化信息重建算法進行了改進，如2.1節中總結的Yin等人[20]和Collins等人[22]均提出改進的重建算法，分別采取似然比檢測器和最小比檢測器對改進后的全極化信息重建結果進行船舶檢測，取得了優于Souyris重建模型的船舶檢測結果；Collins等人對比了10組通道組合的船舶檢測結果，發現重建的HV通道能夠在所有入射角和目標朝向中都取得很好的檢測效果，甚至優于全極化SAR。2014年，Atteia等人[67]對3種分辨率的仿真RCM數據進行全極化信息重建，討論了入射角、船舶朝向對船舶檢測的影響，發現船舶檢測的總體精度隨著入射角的增大而提高，在中低分辨率和中低入射角下，簡縮極化SAR檢測性能優于雙極化。

基于簡縮極化特征，Shirvany等人[68]提出一個基于空間平均的去極化度計算方法，成功識別海面上的船舶、浮標以及溢油目標，通過不同入射角下的檢測結果驗證了該特征的魯棒性。Yin等人[69]發現船舶目標周圍的海洋背景像素具有較低的極化度m，原因是船體和海面之間多次反射造成去極化；δ和χ雖然會受到海面低風速區(Low Wind Region,LWR)的影響，但是LWR區域的船舶和弱船舶目標均可通過三分量分解識別，證明簡縮極化的特征組合在海面目標檢測方面具有魯棒性。曹成會[70]用歐氏距離對40個簡縮極化SAR特征進行船舶檢測性能評估，發現表征散射機制變化的特征參數具有較高的船海對比度，如PC、橢圓方位角、χ,δ和α角等。

上述研究探索了目標和虛警在不同特征中的表現，初步證明了簡縮極化SAR在船舶檢測中的有效性。在此基礎上，研究人員們設計了不同的簡縮極化SAR船舶檢測算法，以提高船海對比度或減少虛警。Xu等人[71]用m-δ分解的體散射分量和相對相位構造了一個新的特征以降低虛警，引入視覺注意模型增強特征對弱船舶目標的檢測性能，設計了基于Log-normal的恒虛警率(Constant False Alarm Rate,CFAR)船舶檢測算法，對3景RADARSAT-2仿真HP數據的船舶檢測率和虛警率均優于基于強度或散射總功率SPAN的CFAR檢測結果。Fan等人[72]將CFAR檢測結果作為初始結果，使用雙層滑窗濾波降低海雜波的影響，用SVM分類器實現船舶檢測，降低了虛警；此外，使用基于像素的全卷積網絡U-Net對船舶、陸地和海洋進行分類[73]，用GF-3數據驗證該方法，發現仿真HP模式的船舶檢測表現優于HH單極化和HH/HV雙極化數據，此外，U-Net在降低虛警方面較CFAR方法和Faster RCNN網絡更具優勢。Gao等人[74]提出了一種基于功率熵-GAMMA分布的CFAR檢測方法，將散射總功率分解成高熵散射(High-Entropy Scattering Amplitude,HESA)和低熵散射(Low-Entropy Scattering Amplitude,LESA)兩部分，其中HESA分量可以提高船海對比度，在降低虛警的同時保證檢測率，其有效性在C波段和L波段仿真HP模式數據中得到了驗證。此外，Gao等人[75]將Notch濾波器引入簡縮極化SAR，推導了海雜波在HP模式下Notch距離的概率密度函數，最后用基于廣義GAMMA分布的CFAR算法實現了船舶檢測。Ji等人[76]用ReliefF方法進行簡縮極化特征評估，使用加權SVM進行船舶檢測，最后用m-χ分解的表面散射分量濾除方位向模糊，取得了與全極化SAR相近的船舶檢測結果。Cao等人[77]利用歐氏距離和互信息對40維全極化、簡縮極化和雙極化SAR特征的船舶檢測性能進行對比，發現簡縮極化特征總體上優于全極化或雙極化，此外，基于X-Bragg模型構造了一個新特征(phase factor)，在各種海況下均取得了良好的檢測性能，但無法在檢測的同時完全保持船舶目標的結構。

表4對上述方法的性能進行了簡要總結。其中，Xu等人[71]、Fan等人[72,73]、Gao等人[75]和Ji等人[76]的研究是在已有簡縮極化SAR特征的基礎上，設計特征增強方法或者檢測器來提升檢測性能；Gao等人[74]、Cao等人[77]則是通過構造新的特征參量來改進檢測結果。這兩類方法都可以取得與全極化相當，甚至更優的檢測結果。但是，上述研究大多采用模擬HP模式數據，其海雜波分布繼承自全極化SAR，各類虛警與全極化SAR具有較強的一致性。受分辨率、幅寬、入射角等因素的影響，真實SAR數據中的目標散射特性可能與模擬數據不同，因此，未來還需利用真實數據對上述方法進行檢驗。

表4 簡縮極化SAR船舶檢測算法小結Tab.4 Summary of the ship detection methods of CP SAR

3.2.2 溢油檢測

海面溢油檢測是海洋環境監測的重要部分。相較于只能提供散射強度信息的單極化SAR，全極化SAR可以通過散射機制的差異辨別溢油和海水[78]。簡縮極化SAR繼承了部分全極化信息，在溢油檢測中的應用得到了廣泛關注。如2.1節所述，Li等人[24]針對溢油檢測提出一個新的參數N估計模型；Zhang等人[78]評價了Souyris模型和Nord模型的重建信息在浮油檢測中的性能，發現在不同入射角和風速下重建信息與原始觀測均有較好的一致性。

海面溢油檢測的基礎是光滑油膜的散射機制不同于海面布拉格散射。部分簡縮極化SAR特征本身具有指示散射機制變化的能力，因此無需進行全極化信息的重建也可以實現對溢油的識別。Li等人[79,80]通過對RADARSAT-2仿真HP模式數據的分析，發現油膜覆蓋區域的m顯著低于海面，并提出可以用χ和δ的符號區分油膜覆蓋區域和海面。Kumar等人[81]對比了RISAT-1真實HP模式數據中溢油、虛警和海面在4種極化分解結果中的差異，發現在不同極化分解方法的偶次散射和表面散射分量，中溢油的強度存在差異，在體散射分量和表面散射分量中，溢油和虛警與海洋的對比度也存在比較明顯的差異，從而驗證了簡縮極化SAR極化分解方法探測海面溢油的潛力。Migliaccio等人[82]用2景ALOS-PALSAR和2景RADARSAT-2數據開展全極化、HH/VV雙極化和HP模式的溢油檢測實驗，發現簡縮極化的χ和一致性系數(conformity coefficient)可以在無需外部閾值的情況下實現對溢油的識別，H和m也可以實現溢油與虛警的識別。Yin等人[83]指出，海面溢油和船舶目標一般不遵循Bragg散射模型，利用X-Bragg模型構造了3個極化參數，進行船舶和海面溢油的聯合檢測。Nunziata等人[84]對一系列HP模式特征區分溢油和虛警的能力進行了評估，提出用δ的標準差進行海面溢油檢測。Buono等人[85]分析了溢油、虛警和海水在L波段和C波段仿真π/4模式和HP模式數據特征值中的響應，發現π/4模式和全極化SAR的海水表面均具有較大的λ1，π/4模式的溢油檢測性能與全極化相當，略優于HP模式。Zhang等人[86]提取全極化、雙極化、仿真π/4模式和HP模式簡縮極化SAR中的多維極化特征，用SVM、ANN和最大似然分類方法進行溢油與生物浮油等虛警的分類，發現HP模式的總體分類精度優于雙極化和π/4模式。謝廣奇等人[87]使用HP模式特征值計算散射熵、極化比和基準高度，對前者使用統計閾值分割，對后兩者采用OTSU閾值分割，以實現溢油檢測，實驗結果中，RADARSAT-2仿真HP數據的溢油檢測率優于基于全極化幾何強度與共極化功率比的K均值分類檢測方法以及基于混合全極化參數的溢油檢測方法，總體精度與全極化SAR檢測結果相當。Dabboor等人[88,89]研究了4種不同分辨率的仿真RCM數據對溢油的探測能力，發現30 m和50 m分辨率的仿真數據具備檢測溢油的潛力，但分類結果總體精度不高；2019年，進一步分析3種中分辨率的仿真RCM簡縮極化數據的噪聲水平和海面溢油檢測性能[90]，發現入射角越大，浮油探測表現越好，且50 m分辨率的ScanSAR模式能取得最高分類精度，對原油和虛警的識別率優于96%，對虛警和乳化油的識別率優于95%。

上述研究通過仿真和真實數據證明簡縮極化SAR的特征能夠實現對溢油、虛警和潔凈海面的區分，并且可以取得與全極化相當甚至更優的結果，在未來可能成為海面溢油檢測的主要手段之一。但是，上述研究主要關心簡縮極化SAR的特征對溢油的響應，只有部分研究人員采用機器學習算法實現了溢油檢測并進行精度評價，而機器學習算法對訓練數據和訓練參數依賴性較強，因此，未來仍需設計更加簡潔有效的溢油檢測算法，為簡縮極化SAR的業務化運行做準備。

3.2.3 海冰檢測與分類

冰川對全球環境變化具有重要影響，研究人員們用簡縮極化SAR開展了海冰檢測與分類。Denbina等[21]完善了全極化SAR信息重建的模型，利用似然比檢測冰川目標，發現當入射角較小時HP模式的檢測精度較低，而當入射角大于28°時，重建的交叉極化項與全極化SAR具有相似的檢測性能。Li和Perrie[91]對仿真HP模式數據進行H/α分解和m-χ分解，對比了一年冰、新冰、漂流薄冰、破碎浮冰、中度粗糙浮冰、冰山和開闊水域的極化特征，認為m-χ分解的假彩色合成圖具備區分不同海冰的能力。Singha等人[92,93]用ANN方法對RISAT-1獲取的全極化、雙極化和HP模式數據進行海冰分類，結果中，HP模式對光滑一年冰、粗糙一年冰或多年冰、新冰和開闊水域的分類精度超過96%，并且與全極化數據符合的很好，特征貢獻排序表明香農熵和g0對海冰分類最為有效。Espeseth等人[94]獲取了3對覆蓋范圍重疊的RISAT-1簡縮極化數據和RADARSAT-2全極化數據，評估了不同類型海冰在模擬和真實HP數據中的極化特征差異，發現二者的散射系數具有較高的斯皮爾曼相關系數，RH或RR通道散射強度和g0對海冰分類最敏感，且不受非圓特性的影響。Nasonova等人[95]利用Kolmogorov-Smirnov統計分析了仿真RCM數據的極化特征，用SVM方法分別進行了海冰融化前期(pre-melt)和后期(advanced melt)的分類實驗，結果表明海冰融化前期的分類精度高于融化后期，灰度共生矩陣(Gray Level Co-occurrence Matrices,GLCM)紋理特征的引入可以將海冰分類總體精度提升約10%，大入射角(39.6～42.2)的HP模式海冰分類效果優于小入射角(22.3～24.2)，與Denbina等[21]的研究結果相符。Dabboor等人[96]比較了一年冰和多年冰在23維高分辨仿真RCM數據極化特征中的KS距離，選擇KS距離大于0.5的特征輸入RF分類器，取得了與全極化相當的海冰分類精度。Ghanbari等人[97]提出一個基于同質區域預分割和SVM的海冰分類方法，對全極化、雙極化和仿真HP模式的海冰分類精度進行比較，發現僅使用強度特征時HP模式的分類精度顯著優于雙極化，使用20維特征時HP模式的總體精度與全極化相當，均高于90%。

上述研究證明簡縮極化SAR在海冰檢測與分類中具有很好的潛力，其結果可以與全極化相媲美。由于海冰類型多樣、紋理復雜，而SAR圖像受入射角和成像幾何影響較大，因此未來仍有必要針對不同頻率、不同分辨率、不同模式的簡縮極化SAR數據開展海冰紋理特性、散射特征和分類方法研究。

3.3 其他應用

除了上述應用外，研究人員們還對簡縮極化SAR在土壤濕度估計[98-101]、森林參數反演[102-105]、變化檢測[106,107]、濕地監測[108-111]、專題圖測繪[112-115]、建筑損壞評估[116,117]等方面的應用進行了探索，研究結果表明簡縮極化SAR與全極化SAR具有良好的一致性，論證了簡縮極化SAR在這些應用領域的有效性。

4 結束語

簡縮極化SAR因能在保持較高信息量的同時實現大范圍觀測，在過去十余年中引起了研究人員的廣泛關注。本文首先回顧了當前主流的簡縮極化SAR數據處理方法，對簡縮極化SAR重建方法和極化分解方法進行了綜述，隨后對簡縮極化SAR在農業和海洋應用領域的研究成果進行了總結。

全極化信息重建方法是簡縮極化SAR的重要研究內容，但重建算法本質上是用較少觀測量估計較多參數的過程，得到的偽全極化信息并不全面，還面臨計算過程中的信息損失。此外，由于雷達散射信號對物質介電常數十分敏感，很難提出統一的全極化信息重建方法以適應不同應用目的、不同地物分布、不同成像條件下的數據處理需求，因此在使用重建算法之前有必要對假設條件進行檢驗。目前并沒有可靠的研究結果能夠證明重建偽全極化信息優于原始簡縮極化信息，重建算法的發展速度已經放緩，研究人員們越來越多的使用簡縮極化本身的特征開展研究。

目前，已發射的和計劃中的簡縮極化SAR載荷系統都采取HP模式，研究人員們已經對該模式的極化特征進行了較為深入的探索。圓極化和線極化特征描述地物散射特性的能力不同，π/4模式和DCP模式的特征與HP模式具有不同的性質，其潛力仍然有待挖掘。未來應加強對π/4模式和DCP模式特征提取方法的研究，對其在不同應用領域中的適用性進行評價。

在農業和海洋應用領域，許多研究人員將真實或仿真簡縮極化SAR數據與全極化和雙極化SAR進行了對比，在大部分實驗結果中，簡縮極化SAR的表現優于雙極化SAR，接近全極化SAR，在個別研究中甚至優于全極化SAR。這是由于全極化SAR雖然提供了最全面的信息，但信息量的提升未必一定帶來精度的提高，簡縮極化SAR的特征在某些情況下可能更加優越。綜上所述，不應當將簡縮極化SAR僅僅視為全極化SAR的替代，未來仍需更多地針對簡縮極化SAR本身的特點進行算法設計，并進行更多驗證。

簡縮極化SAR系統的主要特點是發射電磁波與接收電磁波的獨特極化基，而發射波極化狀態偏離理想發射模式時會影響簡縮極化SAR產品質量和應用結果。目前僅有印度、日本和加拿大發射了具有HP模式簡縮極化成像能力的衛星，針對簡縮極化系統設計與定標的研究仍在進行中。未來，隨著加拿大RCM數據的公開發布，簡縮極化SAR的數據特點和應用潛力將得到更加廣泛的研究與檢驗。