SAR数据与光学数据融合在土地覆盖分类中的应用研究

姬永杰 岳彩荣 张王菲（西南林业大学林学院，云南昆明650224）



SAR数据与光学数据融合在土地覆盖分类中的应用研究

姬永杰 岳彩荣 张王菲
（西南林业大学林学院，云南昆明650224）

摘要：采用ALOS-1-PALSAR数据的强度信息、HV/ HH极化比值信息和HV＆HH相干系数与TM影像融合，以支持向量机（SVM）的方法对土地覆盖进行分类，对比了TM影像、TM+SAR强度影像、TM+HV/ HH比值影像、TM+相干影像的分类结果。结果表明：分类精度由高到依次为TM+相干影像>TM+HV/ HH比值影像>TM+SAR强度影像>TM影像；采用SAR数据与光学数据融合，可以在不同程度上提高土地利用覆盖分类的精度。

关键词：土地覆盖分类；SAR；TM；融合

土地覆盖是随着遥感技术发展而出现的一个新概念，具体是指根据土地的自然属性将地球陆地表面分为不同的覆盖类型，包括地表植被、水体、湖泊、人工建筑物、土壤等类型［1］。土地利用覆盖变化是全球变化研究中的一个主要内容，随着遥感技术的兴起，已经成为土地覆盖分类研究的一个重要手段。大数据时代带来了大量不同类型的数据源，使得采用多源数据进行土地利用分类研究不仅成为可能，而且成为一种必然的趋势。目前，在土地利用覆盖类型相关研究中，主流数据仍为光学数据。光学遥感由于其波长特征，在多云多雨的地区会受到限制，而合成孔径雷达（synthetic aperture radar，SAR）技术由于具有全天时、全天候的特点，成为传统光学图像不可缺少的补充。近年来，伴随着新型SAR传感器的相继升空，微波遥感数据获取方式已由单波段、单极化、单角度发展到多尺度、多频率、多极化以及多时相等多种方式，使得SAR与多光谱数据相结合的研究手段在土地覆盖分类的研究与应用中越来越广泛［2-3］。光学数据中包含大量的光谱信息，而SAR由于其特殊成像方式，包含了地物的形状、介电常数、粗糙度和方位取向等信息，进行多源数据的融合是实现两者互补合作的有效手段。遥感融合主要有3个层次：像素级融合、特征级融合和决策级融合。但是由于光学影像和SAR影像的成像方式差异较大，目前针对高分辨率影像实现像素级融合是很困难的，但是针对分辨率较低的光学和SAR影像，仍然可用HSV、主成分分析等像素级融合方法［1-3］。近年来，日本宇航局向全球开放了25 m空间分辨率的L波段的PALSAR数据，极大的促进了采用L波段数据在土地利用覆盖、森林生物量反演方面的应用［4-6］。本研究以L波段PALSAR双极化数据为SAR数据源（多视处理后分辨率约为18 m），TM数据作为光学数据（分辨率30m），分别将SAR数据的强度影像、相干系数影像及比值影像与TM数据采用不同的遥感数据融合方法融合，基于SVM对融合结果进行土地覆盖分类，探索SAR数据与光学数据在土地利用覆盖分类中的应用。

1　研究区自然概况

研究区设在黑龙江省逊克县，位于黑龙江省北部，小兴安岭北麓，黑龙江右岸，地处东经127°24′～129°17′，北纬47°58′～49°36′。境内地形平坦，最高处海拔795 m，属于寒温带大陆性季风气候。冬季漫长而寒冷，夏季短暂而炎热，昼夜温差较大。区域内地表覆盖类型多样，有林地、农地、水体和居民地等，其中森林覆盖率达到64%［7］。

2　数据获取及预处理

2.1数据获取

研究区的光学影像为TM影像；同时获取2003年土地利用分类图作为参考，该图在中国土地利用现状分类统一标准的基础上，结合东北地区制图需要最终将地类划分为林地、农地、草地、沙地、居民地、水体等6类。SAR影像为ALOS-1卫星的PALSAR数据，SAR数据为2个时相的双极化数据，即2007年6月22日、2007年8月7日的HH及HV极化。

2.2数据预处理

SAR数据采用（1）式进行了辐射定标［8］，然后采用25 m分辨率的DEM进行了地形几何及辐射校正。

式中：NRCS为辐射校正后雷达截面；I为单视复数据的实部通道；Q为虚部通道；CF为定标系数。

经过辐射定标和影像正射校正后，就可获得可以使用的强度图像数据，由于HV较HH对地物可分性更高，本研究以HV影像为例见图1（a）。

随着极化信息应用的深入，研究发现对极化信息进行多维度综合利用可以挖掘更丰富的解译信息，由于HH和HV的比值图像与植被的相关性较高。分别对2个时期的HH和HV进行相应的比值作计算，取均值作为融合后HH和HV的比值图像见图1（b）。

图1　强度图像、比值图像和相干图像Fig.1 Intensity image，ratio image and coherence image

因此，本研究通过计算HH和HV极化强度图像数据的比值，获得比值数据图像。同时，不同极化间的相干性程度也可以用于区别地物类型，因此，在地形配准基础上，以不同时相的数据分别作为主辅影像，采用（2）式［8-9］，得到了归一化的干涉相干图。取可分性较高的HH干涉影像为例见图1（c）。

式中：S1和S2为2幅相干影像；γ为相干系数。

3　融合与分类结果评价

3.1融合结果比较

采用HSV变换法、Brovey变换法、PCA变换和Gram-Schmidt融合方法对PALSAR数据和TM数据进行融合，以HV极化为例，融合结果见图2。

HSV变换方法与Brovey变换法使得图像的高亮度与低亮度之比增强，色彩对比突出，视觉效果较好。2幅影像上地物间色彩对比较明显，纹理特性保持较好，居民地、植被与水体色调突出，结果便于进行居民用地及植被覆盖用地的区分；但在进行水体与农田、林地与草地比较时由于色调接近基本难以区分，且由于2种方法均为选取4、3、2共3个TM低分辨率波段与SAR高分辨率后向散射数据进行融合，导致2幅影像波谱信息损失较大，整体清晰度相对较低、色调相对单一，效果稍显模糊。在2种方法的优劣方面，HSV在色调对比上相对较好，对区分地物效果更好。

采用主成分变换法和Gram-Schmidt法进行融合后的效果明显优于HSV变换方法与Brovey变换法，其在保持了多光谱特性的基础上，融入了SAR高分辨数据的空间特性，在空间的分辨率、影像的纹理特性、影像的逼真度、色调丰富性等方面是前2种方法无法比拟的。这是由于主成分变换法和Gram-Schmidt法均是6个波段全参与融合，在波谱信息方面损失极小。2种方法相对比，主成分（PCA）变换方法对第一主成分信息高度集中，色调发生较大变化，有些许发生失真，容易造成水体与农田的混分；而Gram-Schmidt法在空间纹理与光谱高保真上相对较好。另外通过信息熵计算分析发现，无论采用何种方法融合，融合后影像平均熵均高于原始影像，且融合结果中Gram-Schmidt法信息熵最高。

3.2支持向量机的分类

Corinna Cortes等于1995年提出支持向量机（SVM）的概念，其通过构造一个超平面或者无限维空间，使得在有限维空间中线性不可分的类别在更高维空间中可以进行区分，因而被广泛应用于遥感影像分类中［10-11］。

SVM的核心是求取能够将待分样本正确分开的最优分类面（OSH），在求解最优分类面（OSH）的过程中往往加入惩罚因子（C）。C值较大时，分类误差较小，但计算时间偏长；C值较小时，分类误差较大，但计算时间较短，因此惩罚因子（C）在一定程度上控制着错分。

最常用的核函数是高斯核函数，又称为径向基核函数（RBF），它能将原始特征映射到无限维，因此本研究采用RBF核函数来实现影像数据到高维空间的映射。RBF仅有2个必备参数惩罚因子（C）和核参数（γ），这2个参数的取值直接影响到分类精度，研究中采用一种基于交叉验证的“网格”搜寻方法寻找最优γ和γ的参数组合。首先将训练样本划分为n部分，其中n-1部分作为模型的训练样本，其余部分作为模型参数的检验样本，直到选取出检验精度最高的C和γ的值。根据经验，将C和γ以指数增长方式进行搜索，可快速且准确确定C和γ的值，其中C和γ在计算中分别独立增长。选取Libsvm 2.6软件提供的参数选择模型来确定C和γ的取值，其取值结果见表1。

利用支持向量机的方法，设置表1中的惩罚因子与核参数对单纯TM数据和3种SAR与TM融合数据进行分类处理。而后在分类的结果基础之上，进行3×3窗口的融合处理，再对同一个类别进行合并，最后只剩下6个大的类别，即林地、农地、草地、沙地、居民地、水体。分类结果见图3。

图3　分类结果Fig.3 The results of classification

3.3分类结果评价

选取70多个实地调查数据，对4种分类效果进行精度评价，结果见表2。

表2　不同数据分类精度比较Table 2 The comparison of classification accuracy based on different data

从表2分析得出，3种SAR与TM融合数据分类结果均比较理想，而单纯的TM数据分类精度偏低，其中SAR相干数据与TM的分类精度最高。SAR相干数据与TM融合分类数据、SAR比值数据与TM融合分类数据、SAR后向散射数据与TM融合分类数据、TM数据分类精度分别为85.5%、83.2%、80.6%、75.8%，Kappa系数分别为0.809 1、0.791 7、0.756 9、0.708 2。SAR与TM融合后将更多的空间信息融入，使其比单纯的TM数据分类精度有较大的提高，这主要由于TM数据分类中存在对水体以及居民地中城市道路的漏分，以及将部分草地错分为农地，或将零星林地错分水体，造成精度的下降。

在SAR与TM 3种融合结果中，也存在着部分错分现象。如在SAR后向散射与TM融合数据中，由于在HV中，森林和城市用地散射均高，且森林远远大于城市、农地中等、水体散射最弱，但获取影像受到雨季的影响，水体和农地的散射特征相差不明显，造成部分水体和农地错分的现象。SAR比值影像与TM融合数据中，森林和水体的差别较小，造成这两类用地类型的混分。而在SAR干涉影像与TM融合影像中，建筑物与水体的去相干性不同，建筑物去相干较小，而水体去相干较大；同时，由于L波段林地散射由树干主导，林地的时间去相干与建筑物相似，农地次之，因此建筑物和森林不容易区分；但是结合TM数据对2种类型的可区分性，使得其分类精度相较其他数据类型更高。

总体分析表明，3种SAR与TM融合分类数据精度相差其实并不大，而SAR比值与TM融合数据分类比后向散射与TM融合数据分类结果要高一些。主要是因为：SAR比值数据是对原始的后向散射数据进行了变换，融入了更多极化信息，对原有的信息进行了增强，也更有助于地物类别的识别。

4　结　论

本研究通过对PALSAR数据的不同信息与TM数据融合，探索了SAR数据与光学数据在土地利用覆盖分类应用中的可能性。研究表明，3种SAR数据新与TM数据融合，均可有效增加数据信息量，提高分类结果精度。基于3类SAR信息与TM的分类结果表明，SAR数据相干信息与TM的融合获得了较高的分类精度，这与SAR相干性对于光学影像不易区分的农地和森林具有较好的区分性有关，SAR极化比值信息与TM融合分类结果次之，而SAR后向散射信息与TM融合分类结果略差，这是由于比值信息相比强度影像增加了更多极化信息。

研究中还发现，在强度影像中，水体与农地的散射特征相差不大，考虑到影像获取时的气象状况，这可能是由于降雨所导致的，但具体原因仍需进一步分析。

综上所述，采用SAR数据与光学数据融合，可以在不同程度上提高土地利用覆盖分类的精度，在后续研究中可以结合SAR数据特点，提取更多有效参数信息，与光学数据结合进行土地利用覆盖分类研究。

致谢：本研究所使用试验数据由中国林业科学院“复杂地表遥感信息动态分析与建模”（973计划）课题小组提供，特此表示感谢。

［参考文献］

［1］宫攀，陈仲新，唐华俊，等.土地覆盖分类系统研究进展［J］.中国农业资源与区划，2006，27（2）：35-40.

［2］郑凯，管磊，刘佳佳.利用多光谱与合成孔径雷达图像研究土地利用/土地覆动态变化［J］.中国海洋大学学报，2009，39（S）：445-449.

［3］陈富龙，王超，张红，等.单极化合成孔径雷达影像在土地利用分类中的潜力分析［J］.遥感技术与应用，2008，23（3）：289-294.

［4］刘骝.合成孔径雷达与光学图像融合检测方法与仿真研究［D］.上海：上海交通大学，2013.

［5］朱俊杰.高分辨率光学和SAR遥感数据融合及典型目标提取方法研究［D］.北京：中国科学院遥感应用研究所，2005.

［6］何祺胜.星载雷达图像在干旱区盐渍地信息提取中的应用研究［D］.乌鲁木齐：新疆大学，2007.

［7］王馨爽.多维度SAR森林及其类型分类识别方法研究［D］.西安：西安科技大学，2013.

［8］Li Weiguo，Jiang Nan，Ge Guangxiu.Analysis of spectral characteristics based on optical remote sensing and SAR image fusion［J］.Journal of Applied Polymer Science，2014，9（11）：2035-2038.

［9］卜丽静，吴畅，何志博，等.利用纹理特征的SAR与光学图像融合方法研究［J］.测绘工程，2015，24（5）：6-10.

［10］Lee J S，Grunes M R，Pottier E，et al.Unsupervised terrain classification preserving polarimetric scattering characteristics［J］.IEEE Transactions on Geoscience ＆Remote Sensing，2004，42（4）：722-731.

［11］Hellmann M，Cloude S R，et al.Classification using polarimetric and interferometric SAR data［C］/ / Geoscience and Remote Sensing，1997.IGARSS′97.Remote Sensing - A Scientific Vision for Sustainable Development，IEEE，1997.

（责任编辑曹龙）

第1作者：姬永杰（1979—），男，助理研究员。研究方向：林业遥感。Email：jiyongjie＠swfc.edu.cn。

Use Fusion of SAR and Optical images for Land Cover Classification

Ji Yongjie，Yue Cairong，Zhang Wangfei
（College of Forestry，Southwest Forestry University，Kunming Yunnan 650224，China）

Abstract：In this paper，we fused TM image with intensity information of ALOS-1-PALSAR data，the information of HV/ HH polarization ratio and coherence coefficient.The support vector machine（SVM）method was used to classify the land cover.The classification results of TM image，TM+SAR intensity image，TM+HV/ HH ratio image and TM+ coherence image were compared.The results showed that the highest classification accuracy was the fusion of TM and coherence image，the followed one was TM and HV/ HH，then was TM and intensity image and the lowest one is TM image.To varying degrees，the classification accuracy of land utilizes and cover could be improved with the fusion of optical images and SAR images.

Key words：classification of land cover，Synthetic Aperture Radar（SAR），TM，fusion

通信作者：张王菲（1979—），女，副教授。研究方向：GIS及遥感技术在林业中的应用。Email：mewhff＠163.com。

基金项目：西南林业大学科研启动基金项目（SWFC.IP2012111209）资助；国家自然科学地区科学基金（31260156）资助；西南地区生物多样性保育国家林业局重点实验室开放基金资助。

收稿日期：2016-03-09

doi：10.11929/ j.issn.2095-1914.2016.03.027

中图分类号：S771.8

文献标志码：A

文章编号：2095-1914（2016）03-0158-05