基于GF-3全極化SAR數據的濱海濕地信息提取方法

何陳臨秋， 程 博， 陳金奮， 張曉平

(1.中國科學院空天信息創新研究院，北京 100094； 2.中國科學院大學，北京 100049)

0 引言

濱海濕地作為海洋與陸地交匯的過渡帶，具有調節氣候、護岸減災和水產養殖等功能。因人類生存及生產活動的侵蝕與破壞，我國濱海濕地面積急劇減少，生態功能日益退化[1]。面對土地利用轉型和可持續發展的要求，對濱海濕地生態系統的遙感監測研究成為認識和了解濱海濕地的有效途徑，也是促進濱海濕地保護與科學發展的重要保證。在濱海濕地信息提取研究中，對于濕地地物類別的區分難度相對較大，有些地物類型之間特點極為相似，反映在遙感影像上的特征差異較小，空間位置分布也存在錯綜復雜邊界模糊的難點。因此，如何選擇和利用能夠反映濱海濕地地物差異的特征變量，高效地提取濕地信息，是濕地信息提取研究工作需要解決的問題。

近年來，由于全極化合成孔徑雷達(synthetic aperture Radar,SAR)影像能夠快速客觀地提供充足的地物散射信息，豐富的極化特征可以直接反映地物目標結構特點，全極化SAR數據在濱海濕地研究中已逐步占據主要地位，多元化的濕地資源監測研究方向呈現不斷升溫的趨勢。圍繞全極化SAR的濕地分類方法研究熱點主要集中于利用極化特征向量進行圖像分類，數據選擇上也多以Radarsat-2、TerraSAR、ALOS等國外衛星為主： Schmitt等[2]基于Curvelet變換的變化檢測方法證實了利用極化分解進行濕地制圖和變化檢測分析的巨大潛力； Touzi等[3-4]將Huynen參數應用于Cloude特征分解，用對稱散射型來描述目標物理特性，使得濕地分類取得更好的應用效果； 陳媛媛等[5]采用特征組合方式，利用SVM方法對沿海灘涂進行分類，得出各向異性度參數與平均散射度結合可以提高地物分類精度的結果； 亓寧軒等[6]為改進單波段極化濕地分類現存問題，將星載C波段和機載P波段的極化特征組合構建高維特征數據集，充分利用兩波段的互補信息，為濕地分類提供更好的依據； 徐夢竹等[7]結合極化特征與香農熵，有效提升了海水和泥、沙灘的分類精度，并利用主動深度學習方法擇優選擇樣本以改善分類效果。雖然全極化SAR數據在濱海濕地研究中已取得初步進展，但受濱海濕地自身復雜性和極化特征冗余等諸多因素的影響，基于全極化SAR數據的濱海濕地信息提取精度依然難以取得實質性的突破。

綜上，為提高國產SAR衛星的行業應用能力，降低極化信息冗余度，本研究針對國產高分三號(GF-3)影像的全極化特征，基于極化目標分解方法和可分性指數來探究極化特征選擇對濱海濕地信息提取結果的影響，力圖為建立統一完善的濱海濕地國產衛星遙感分類體系提供新的技術支撐。

1 研究區概況與數據源

研究區是位于遼寧省盤錦市的遼河口國家級濕地自然保護區，地理坐標介于E121°28′24.58″～121°58′27.49″和N40°45′00″～41°05′54.13″之間，面積達12萬hm2。遼河口濕地自然保護區地處渤海遼東灣北部，是遼河三角洲的中心區域，地物類型主要包括自然水域、蘆葦沼澤、翅堿蓬灘涂、淤泥質海灘和養殖池塘等濕地類型以及屬于非濕地類型的建筑用地。遼河口濕地自然保護區優越的地理位置和良好的生態環境使其成為鳥類棲息繁殖和遷徙停歇的理想場所，區域內繁茂的蘆葦和翅堿蓬植被也具有極高的生態價值和經濟價值。因此，對其開展遙感監測可以準確掌握遼河口濕地自然保護區的地物類型與空間分布，保護濱海濕地資源免于侵占和破壞。

研究使用的全極化SAR數據是成像于2019年3月28日的GF-3雷達影像(圖1)，C波段單視復數數據，成像模式為全極化條帶1模式(QPSI)，入射角為44.635°，頻率為5.4G Hz，方位向分辨率為5.197 5 m，距離向分辨率為2.248 4 m。由于SAR數據獲取過程中存在電磁波信號在方位向和距離向上的壓縮現象，影像會產生嚴重的輻射與幾何畸變。同時合成孔徑雷達主動發射的電磁波與地物后向散射的電磁波發生干涉，形成SAR影像特有的相干噪聲[8]。所以為了獲取正確的極化信息、提高分類精度，采用國產雷達影像數據處理軟件PIE-SAR 6.0對全極化SAR數據依次進行復數據轉換、多視處理、自適應濾波、地理編碼等預處理來減少斑點噪聲和幾何畸變帶來的影響。預處理后影像如圖1所示。

圖1 預處理后GF-3全極化SAR影像(HH極化)Fig.1 Pre-processed full-pol SAR image from GF-3 satellite (HH polarization)

2 研究方法與結果

通過極化目標分解方法提取極化特征，然后利用可分性指數進行特征的優化選擇，以極化特征和地物類型作為變量構建原始訓練樣本集，結合隨機森林分類模型提取研究區中的地物信息，最后采用混淆矩陣對分類結果進行精度評價。流程圖如圖2所示。

圖2 研究方法流程圖Fig.2 Flow chart of research methods

2.1 分類系統

由于濱海濕地具有高度多樣性、結構復雜性和區域差異性的特點，各類型濕地之間、濕地地物與非濕地地物之間均易發生混淆，在遙感影像上難以區分，因此對濱海濕地進行科學分類是濕地研究的前提保障。

參考2009年頒布的《濕地分類》國家標準以及《濕地公約》[9]，結合遼河口濕地自然保護區地表類型分布的實地調研結果，本文根據中國濱海濕地的綜合分類系統[10]建立了適合本研究區域以及研究目標的分類體系(表1)，將研究區的地物類型分為： 蘆葦沼澤、翅堿蓬灘涂、淤泥質海灘、自然水域、水稻田、養殖池塘6種濕地地物類型以及建筑用地1種非濕地類型共7種地物類型。

表1 研究區遙感分類體系Tab.1 Remote sensing classification system of the research area

2.2 特征提取與選擇

目標分解理論首先由Huynen[11]提出，為了更好地解譯極化數據，將極化散射矩陣以符合散射體物理機理的形式標出，有助于提高極化信息利用效率，是地物目標極化信息提取的主要方法[8]。

極化特征能夠直接反映地物目標的結構特點，包括對稱性和表面粗糙度等其他雷達參數無法提供的信息，在濕地分類應用中，這種優勢可以提供強有力的技術支持。各類濕地地物在不同目標分解方法提取的極化特征上表現出明顯差異(圖3)，例如： 在Pauli分解的極化特征圖像中，水體為黑色，蘆葦沼澤為大面積規則的暗紫色色塊，光灘為紫紅色，翅堿蓬灘涂為灰白色，稻田主要為規則形狀的亮灰色塊，水產養殖區為黃棕色和綠色的細小網格； 而在Freeman分解的極化特征圖像中，水體為黑色或深藍色，蘆葦沼澤為大面積規則的紫色和棕色色塊，光灘為紫紅色，翅堿蓬灘涂為亮白色，稻田主要為規則形狀的亮藍色，水產養殖區為黃棕色和綠色的細小網格。

(a) Pauli極化分解 (b) Freeman極化分解圖3 極化分解特征假彩色影像Fig.3 False color images of polarization decomposition features

依據地物目標的不同散射機制，可以通過多種目標分解方法提取不同極化信息對地物進行分類，但盲目增加分解特征數量可能會造成信息冗余，從而降低分類精度。研究采用5種極化目標分解方法提取了15項極化分解特征(表2)，并利用可分性指數計算分析各個特征對不同地物的區分能力。

表2 極化分解特征Tab.2 Polarization decomposition features

可分性指數公式[20]為：

SIab=|μa-μb|/Sa+Sb)

(1)

式中：μ和S分別為a類地物或b類地物在某一特征下的均值和標準差?？煞中灾笖礢Iab的值越大表明a類地物和b類地物之間的可分性越好，0.82則說明該特征幾乎可區分所有地物類別。

圖4 研究區各類地物可分性指數柱狀圖Fig.4 Columnar chart of SI of different objects in the research area

2.3 分類方法

隨機森林分類法[21-22]是通過多個分類器的集合，生成大量CART決策樹進行共同投票，分類結果由每個決策樹的得分決定。這種方法通過減少分類誤差的方差來提高分類精度，并且具有較好的穩定性。以經過極化目標分解方法提取和可分性指數優化選擇的5種極化特征作為預測變量，以及作為目標變量的7類遼河口濕地自然保護區地物類型，二者構成容量為N的原始訓練樣本集； 基于自助法重采樣技術，在原始集合中隨機抽取自助樣本集，每個自助樣本集作為訓練數據集生成單棵分類樹； 分類樹的單個節點上按照節點不純度最小的原則從隨機抽取的M個特征變量中選擇1個特征分支生成新的分類樹，直至隨機數充分生長。隨機森林法隨機抽取樣本集和特征變量，使得分類器不會過度擬合，并且可以處理大量離散型數據，而且可以通過人工設定閾值來調整分類結果。分類結果如圖5所示。

圖5 分類結果Fig.5 Classification result

2.4 精度評價

為確定分類結果準確性，需要對分類結果與實際地表情況之間的吻合程度進行評價。研究團隊于2020年9月赴遼寧遼河口濕地自然保護區開展了野外調查工作，獲取蘆葦沼澤、翅堿蓬灘涂、淤泥質海灘、稻田、河流、養殖區等主要濱海濕地地物類型以及建筑用地等非濕地地物的驗證點信息。在實際野外調查作業中，記錄各驗證點準確的經緯度坐標數據，并拍攝記錄驗證點周圍的植被類型、植被覆蓋度和土地利用現狀。

本文利用實地驗證和目視解譯獲取的112個驗證樣本點與實驗分類結果進行對比并生成混淆矩陣，混淆矩陣對角線上的值表示此類地物的正確分類像元數，非對角線值表示錯分像元數[23]。由于各地物類別樣本像元數總數不一，所以采用更加合理的加權平均表示總精度。

利用可分性指數優化選擇極化特征，結合隨機森林法進行濱海濕地保護區的地物分類，此種方法的分類結果對應的混淆矩陣、用戶精度、生產精度、總體精度和Kappa系數如表3所示。通過極化目標分解方法和可分性指數得到的極化特征集，在隨機森林模型中發揮了積極的作用，總體分類精度達到75.47%，Kappa系數為0.70。結果表明國產高分三號全極化SAR數據能夠適用于濱海濕地保護區的地物分類，并且所提取的各種極化分解特征對于不同濕地地物的區分能力差異明顯且具備較高質量。

表3 分類結果混淆矩陣Tab.3 The confusion matrix of the classification result

3 結論與展望

研究選取遼寧省遼河口濕地自然保護區GF-3全極化SAR數據，通過可分性指數，將不同極化目標分解方法提取的特征信息進行優化選擇，利用隨機森林法實現濱海濕地保護區的雷達圖像地物分類。結論表明：

1)對于極化目標分解方法提取的極化特征，因地物響應與其散射機理相關，所以不同濕地地物對不同極化分解特征的響應具有顯著差異。

2)可分性指數作為優化極化特征選擇的一種指標，可以有效降低極化信息冗余度，提高分類效率。

3)國產GF-3衛星的全極化SAR數據大大豐富了我國高分辨率雷達數據的自給率，可以在濱海濕地監測與資源保護遙感應用方面提供數據保障和信息服務。

后續將考慮進一步分析典型濕地地物對不同極化特征的響應差異，提高特征選擇標準，加入分層分類法和其他波段的雷達數據來展開濕地分類研究，以期更加準確地提取濕地地物信息，更加細致地反映濕地利用現狀，更加科學地進行濕地資源監測。