基于SAR提高喀斯特地区LUCC光谱分类精度研究*

廖　娟，周忠发，2※，王　昆，黄智灵，陈　全

（1.贵州师范大学喀斯特研究院，贵阳　550001；2.贵州省遥感中心，贵阳　550001）



·技术方法·

基于SAR提高喀斯特地区LUCC光谱分类精度研究*

廖娟1，周忠发1，2※，王昆1，黄智灵1，陈全1

（1.贵州师范大学喀斯特研究院，贵阳550001；2.贵州省遥感中心，贵阳550001）

摘要喀斯特地区复杂地表形态导致地面调查可深入性差、精度不高，遥感则作为该区有效监测与研究人类活动对土地利用 （LUCC）方式与利用程度影响的主要手段。文章利用ALOS多光谱数据与TerraSARX的数据进行融合，讨论了HH极化微波后向散射数据用于改善多光谱遥感数据LUCC分类的精度，并比较了不同融合方法对地物识别。结果表明：2种数据之间的融合充分利用了多光谱的光谱信息与HH极化数据丰富的结构与纹理的特征，增强了不同地物之间的光谱差异，提高地物可分性；PC法融合、IHS法融合分类精度较单独使用ALOS多光谱数据分类精度分别提高了8%与13%，而且由于HH极化对植被含水量的敏感性，提高了“插花”分布的旱地与草地、林地等由植被覆盖的土地利用类型的区分精度。通过该研究探讨了HH极化数据与多光谱数据融合在地表信息提取中的应用，拓展了遥感数据在喀斯特地区土地利用领域应用的范围。

关键词SAR ALOS 融合LUCC分类精度

喀斯特是中国西部四大生态环境脆弱带之一，是一种特殊复杂地表形态的脆弱环境，导致区域性生态劣变，有效土地资源锐减，生物资源的生存空间丧失，目前由于调查手段仍以地面调查与统计资料为主，调查精度低，导致西南喀斯特地区土地资源的利用科学性较差，并且相关研究工作在多时相对比与在区域选择上都受到较大的限制［1］。随者遥感技术的迅猛发展，遥感平台逐步运用于喀斯特地区信息的提取中。对喀斯特石漠化地区进行国土资源遥感调查与研究，主要利用光学数据，利用其光谱特性对地物信息进行提取，目前该手段已获得较好的效果，基本解决了喀斯特山区自然条件恶劣、地面工作难开展的瓶颈［2］。然而，光学数据在反映地物的光谱特征上有较好的表达，但受光谱分辨率与空间分辨率的限制，“同物异谱”或“异物同谱”的现象广泛存在，限制了光学数据对地物的识别能力，另一方面西南喀斯特地区属于我国湿润地区，受全年多云雨天气条件的限制，增加了光学数据的获取难度。合成孔径雷达 （SAR）是一种高分辨率成像雷达，波长较长，能穿透一定云层，不受气候影响；且属主动遥感，可全天时、全天候工作，能穿透一定遮蔽物获取较光学遥感更多的信息量；SAR作为一种微波遥感数据，与光学成像原理的不同，在色调、纹理、地物形状与结构有较大的区别，富含较多光学不具有的信息，在喀斯特地区使用SAR对水稻、烟草［3］等农作物的种植分布、面积提取已经做了一定研究，基本达到地表地物识别的目的。

研究表明，结合光学与SAR各自优点，能有效扩大数据所含的有用信息，增强对地物的识别能力。将光学与SAR进行融合，充分利用SAR丰富的结构、纹理信息、信息量的特点，提高不同地物之间的光谱差异，增强地物之间的可分性。目前，数据融合的算法较多，主要包括主成分变换法 （PC法）、彩色标准化变换法 （Brovey法）、彩色空间变换法 （IHS法）及小波变化法等。在对SAR与光学的融合应用方面，多用于农作物识别、海滨湿地等分类中［4-5］，还未应用于喀斯特地区的LUCC分类中。光学与SAR数据进行融合，一般选择HH与HV双极化方式［6］，研究选取TerraSAR-X的HH极化数据与ALOS多光谱数据进行融合，结合识别地物中难区分的林地、旱地与草地的植被覆盖共性，不同植被覆盖含水量变化较大，只选择对植被含水量变化灵敏的HH极化方式，从而降低数据成本与减少数据处理量。同时，主要对结构、纹理信息、光谱差异角度出发对喀斯特地区不同土地利用类型进行探讨，评价SAR数据在改进喀斯特地区LUCC现状有效监测的应用潜质。

1　研究区选择与数据预处理

1.1研究区选择

依据代表性特征显著为主要原则对研究区进行选择，研究选取贵州省安顺市平坝县城关镇、夏云镇、十字回族苗族乡为研究区，研究区位于东经106°12＇28.475″～106°18＇19.275″，北纬26°25＇1.958″～26°28＇37.355″，总面积65km2。。该区地质构造背景属于黔中地台与黔南凹陷过渡地带，为典型喀斯特高原地貌中的低山丘陵、坝地，主要以峰丛谷地、洼地与峰林谷地、洼地为主，地表形态复杂。气候属亚热带高原季风湿润气候区，年平均气温14.1°C，年平均降水量1 305.7mm，年平均日照时数1 241.2h，为中国南方典型湿润气候，多云多雨，光学数据难以获取。研究区内土地利用种类多样，主要可以概括为林地、草地、耕地、水域、道路及建筑用地等六大类，其中旱地主要分布在洼地、谷地、坝子中难以大面积集中分布，与草地、林地等交错杂乱分布，出现“插花”现象，代表了贵州喀斯特地区旱地分布的一个典型现状。

1.2遥感数据预处理

ALOS是日本的对地观测卫星，主要包括海洋、大气观测及陆地观测等，为区域环境监测提供土地覆盖图与土地利用分类图，获取的多光谱空间分辨率为10m，波谱范围为420～890nm，包括4个波段。获取2010年12月10日数据，数据清晰无云，处理主要包括大气校正与几何校正。利用ENVI实现简化黑暗元法进行大气校正。选取德国发射的Terrasar-X卫星，获取2011年9月24日HH极化，分辨率为2.75m EEC数据。Terrasar-X数据预处理过程主要包括噪声滤波、辐射定标、几何精校正。对原始雷达影像进行不同窗口、不同滤波方法的滤波处理，通过对比各种算法，最后选择Frost滤波器3×3窗口。利用公式，对SAR影像进行辐射定标，定标之后，影像的灰度值就变为看后向散射值，其中ks为雷达的校准系数，从头文件中读取；DN为SAR滤波后的影像的灰度值，θ为入射角。利用1：10 000的地形图，采取二次多项式模型对影像进行几何精校正。为使Terrasar-X数据与ALOS数据精确配准采用二次多项式的方法，以几何精校正过后的Terrasar-X数据为标准，对ALOS数据进行几何精纠正，纠正误差在0.8个像元内。

2　实验方法

2.1融合算法

2.1.1主成分变换法 （PC法）

PC法是建立在图像统计特征基础上的多维-线性变换，有方差浓缩、数据压缩的作用。变换后的第一主成分保留总信息量的绝大部分，有利于细部特征的增强与分析［7］。将多光谱的第一主分量与SAR进行直方图匹配，用SAR图像替换第一主分量，做逆主分量变换得到融合图像。

2.1.2彩色标准化变换法 （Brovey法）

彩色标准化融合法，是一种分色变换过程，从理论上分析，这种方法能够提高多光谱图像的几何分辨率，并且能够解决变换后颜色的失真问题［8］。

2.1.3彩色空间变换法 （IHS法）

从多光谱图像中分离出代表空间信息的明度 （I）、代表光谱信息的色度 （H）及饱和度 （S）等3个分量；将SAR与I分量进行直方图匹配，利用SAR代替I分量，最后进行IHS的逆变换，完成图像融合［9］，变换的结果会产生较大的光谱失真。

2.2客观评价指标

SAR与多光谱图像融合效果评价常用客观指标包括4个大类，基于清晰度、光谱逼真度、信息量、纹理信息的客观评价指标，研究分别选取代表这四类的平均梯度、峰值信噪比、熵、边缘互信息指标。以下公式中，M、N分别代表图像的行数、列数，F（i，j）为融合影像在 （i，j）处的像元灰度值（DN）［10］。

2.2.1平均梯度 （AG，Average Gradient）

平均梯度反映的是图像纹理变化特征与微小细节反差变化的速率，主要用于描述图像的清晰度。融合之后的图像的AG越大，图像越清晰，融合效果则越好［11］。平均梯度定义为：

2.2.2峰值信噪比 （PSNR，Peak Signal Noise Ratio）

峰值信噪比是衡量描述融合图像与多光谱图像的能量相似程度的指标。噪声是指多光谱图像与融合图像之差。若PSNR越大，融合图像的光谱保持特性越好，融合效果越好［12］。峰值信噪比定义为：

2.2.3熵 （E，Entropy）

描述图像信息丰富程度的一个重要指标是熵，其大小反映图像所包含的信息量的多少。一般情况下，融合图像的熵越大，所包含的信息量越多，融合效果越好［13］。图像的熵H定义为：

式中，L为图像的灰度级数，p（i）为灰度值为i的像素数Di与图像总像素数D之比。

2.2.4通用图像质量指标 （UIQI，Universal Image Quality Index）

UIQI是用于衡量不同图像之间的总体结构相似性。融合图像与源图像之间的UIQI越大，融合图像与源图像的结构相似性越好，融合效果越好［14］。源图像X与融合图像F的UIQI定义为：

式中，μX与μF分别为X与F的均值，σX与σF分别为X与F的方差，σXF为X与F的协方差。

2.3分类方法与效果评价

利用监督分类中的支持向量机方法对融合之后的影像进行分类。支持向量机是基于研究小样本情况下机器学习规律的统计学习理论的一种新的机器学习方法，它以结构风险最小化为准则，对实际应用中有限训练样本的问题，表现出很多优于已有方法的性能［15］，SVM能自动寻找对分类有较大区别能力的间隔区边缘的训练样本点，构造出分类器，可将不同类之间的间隔最大化。首先选择研究区内LUCC的训练场，再根据训练场计算不同LUCC的DN，将不同LUCC的DN看做是n维实空间中的数据点，到n-1个超平面，使它尽可能多地将需要分辨的n类数据点正确分离，同时使分类数据点距离平面的距离最远，达到分类目的。利用分类精度与Kappa系数对分类结果进行评价。

通过野外实地调查，利用GPS定点记录，生成地表LUCC真实感兴趣区 （ROI），与分类结果叠加对比，输出混淆矩阵，利用分类精度与Kappa系数对分类结果进行评价。分类精度包括旱地分类精度与总体分类精度，旱地分类精度为正确分为旱地的像元数与旱地真实参考总数 （混淆矩阵中旱地的总和），总体分类精度等于被正确分类的像元总和除以总像元数。Kappa系数 （公式5）通过把所有地表真实分类中的像元总数 （N）乘以混淆矩阵对角线 （xkk）的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。

3　结果与分析

3.1融合结果分析

3.1.1视觉效果比较

参与融合的ALOS影像、SAR影像及融合后的影像如图1～3所示。由目视可知，研究区LUCC种类丰富，主要有林地、草地、旱地、水域、道路及建筑用地等类型，融合结果均保留了原光学的光谱信息与SAR的纹理结构特性，其中PC法融合的纹理结构更清晰，能较好描述道路与建筑用地的轮廓，但各类融合影像的光谱保持性差异程度难以目视判别。

图1　研究区融合结果

图2　放大实验区局部区域 （a）

图3　放大实验区局部区域 （b）

3.1.2客观分析比较

为了对融合结果进行定量分析，分别从清晰度、信息量、光谱逼真度及纹理信息等4个角度，利用平均梯度、峰值信噪比、熵、通用图像质量指标参数对融合结果进行定量评价。

在清晰度方面，PC法融合的效果是最好的，平均梯度最大，这是由于进行多光谱图像的主成分变换，第一主分量用SAR图像替换，保持了SAR的空间结构，SAR图像的分辨率较高，在一定程度上提高清晰度，与目视效果相同。而在信息丰富程度上，IHS法的熵是最高的，说明IHS法融合的能较好的保持信息量，这是代表空间信息的I被SAR取代，SAR具有微波特征，能接收在微波段地物的特征，与可见光与近红外波段表现的特征不同，即SAR能接收不同于可见光、近红外波段所能提供的某些信息，丰富了空间信息量；其次是PC法，第一主成分被SAR替换后，融合图像保持了较多SAR的空间信息。SAR本身不具有光谱信息，且与光学影像成像原理完全不同，在光谱特性的保持上，3种融合方法差别不大，而PC法仅替代了第一主成分，保留了其他光学成分，保持光谱特性的能力高于Brovey、IHS法。结构相似性与纹理保持上，PC融合的效果是最好的，能较好地保持源图像的结构。

表1　融合结果定量评价分析

3.2不同融合方法下地物光谱表达

提取ALOS与融合之后影像的不同地物光谱曲线，对比分析融合后的影像所含信息量相比多光谱数据的变化，探讨融合是否扩大了不同地物之间的光谱差异。从地物光谱的对比图中可以分析得到，3种融合效果都在一定程度上丰富多光谱数据的信息量，拉大了地物之间的光谱差异，与客观评价中的结果是相符的。从光谱曲线走势来看，IHS融合是最大地拉开了地物间差异，DN值的整体范围58～159，跨度达到了100，相当于原始多光谱67，增加了49.25%。

图4　多光谱与融合图像地物的光谱对比分析

ALOS影像地物在1、2、3波段的DN值集中在20个值中，在波段4中，地物之间的差异加大，主要由于在水域与林地，水对近红外波段吸收较强，能与植被或是土壤形成较大反差；由于近红外对叶子的细胞壁与细胞空隙折射率不同，林地由高大的乔木或者是茂密的灌丛组成，其植被含水量与细胞结构与草地、旱地中的农作物不同，能在4波段形成较大的反射；IHS融合代表空间信息的明度 （I）被SAR取代，较大程度上改变了源图像的空间信息，明显提高可见光波段的各地物之间的差异，完全分离了水域与建筑用地。建筑用地能形成多个角反射器，回波较强易识别；一般地，水面、水泥道路属于光滑表面，HH极化对光滑表面会形成镜面反射，研究区道路由水泥道路与土路组成，土路受土壤含水量、粗糙度、土壤质地影响不能形成光滑表面，故不能较好区分道路。在多光谱中，草地与旱地较难分辨，融合了SAR之后的多光谱数据却能在较明显地区分两者，对于人工种植农作物的旱地而言，具有一定的种植几何形状，特别是在SAR的视向与垄的走向不同时，对后向散射回波会很大，与光学遥感仅能获得植被冠层光照特点相比，SAR具有电磁散射矢量特性与微波穿透性等优势，对植被冠层之下的信息可表达得更准确［16］，且HH极化方式具有对植被含水量变化的灵敏性，利用不同植被含水量差异，拉大差异，能较好区分旱地-草地。

Brovey法融合中各地物的光谱曲线走势与IHS法融合基本相同，但是光谱之间的差距小于IHS法，DN值也是最低的。PC法融合走势与原始ALOS影像相似，在一定程度上拉大了地物之间的光谱差异，效果却不明显，较好的保留了除第一主成分之外的原始ALOS影像成分，保持了一定光谱特征。

3.3分类结果分析

图5与表2中表明，对光学与SAR数据进行融合，能有效提高不同土地利用类型之间的光谱差异，增强了地物之间的可分性，IHS法融合分类结果最好，其次为PC法融合分类结果，相比原始ALOS影像分类，PC法融合分类精度与IHS法融合分类分别提高了8%与13%，同时，旱地的分类精度也提高了。

图5　不同融合结果分类

利用原始ALOS影像分类基本能将地物区分，但建筑用地-道路，旱地-草地的区分较差，沿西北-东南走向将部分林地错分为水域，这可能是由于地形的影响，山体使得阴面地物无反射率与水域低反射率相似。但在融合之后的分类中有效地消除原始光学影像山体阴影问题，解决了将林地错分为水域的现象；融合之后提高旱地的分类精度，选择HH极化方式，利用HH对不同植被含水量的敏感性，区分灌丛、草被、农作物、乔木等不同植被覆盖，从植被覆盖类型以及植被覆盖度的角度出发能较好解决在喀斯特地区识别由于喀斯特地貌大面积初露地表、地块破碎导致旱地“插花”分布的调查困难，提高了旱地-草地-林地的区分度。

表2　分类结果评价分析

4　结论与讨论

研究针对喀斯特地区土地利用调查难开展、精度低、“插花”现象明显等现状，该研究主要采用PC、IHS、Brovey等3种融合算法对光学与SAR数据进行融合，探讨后向散射数据改善了光学数据的光谱信息，研究结果表明：（1）将光学影像与SAR数据融合，能在喀斯特地区，显著提高地物间的光谱差异，增强地物间的可分性，较利用原始光学影像，PC法融合分类精度与IHS法融合分类分别提高了8%与13%。（2）不同地物信息提取要求不同的融合算法。IHS法融合是最有效拉开地物之间的光谱差异，而PC融合却能更好的保持纹理与结构特征，在光谱特性相似的林地、旱地、草地可以使用IHS法融合，若是为了对形状与结构要求较高的水域、居民点或者道路，可以采取PC融合。将光学影像与SAR数据融合，能够有效地消除原始光学影像山体阴影问题，解决了将林地错分为水域的现象，但为什么能消除山体阴影的原因在此次研究中未涉及，在今后的研究需进一步探讨。

参考文献

［1］袁道先.岩溶石漠化问题的全球视野和我国的治理对策与经验.草业科学，2008，9（25）∶1～6

［2］杨尽利，周忠发，赵正隆，等.基于ALOS影像的喀斯特山区草地类型提取研究.中国农业资源与区划，2013，34（6）∶81～85

［3］廖娟，周忠发，李波，等.基于高分辨率SAR数据的高原山区烟草后向散射特征分析.中国烟草科学，2014，35（6）∶74～79

［4］贾坤，李强子，田亦陈，等.微波后向散射数据改进农作物光谱分类精度研究.光谱学与光谱分析，2011，31（2）∶484～487

［5］丁娅萍，陈仲新.基于最小距离法的RADARSAT-2遥感数据旱地作物识别.中国农业资源与区划，2014，35（6）∶79，19

［6］陈劲松，林珲，邵云.微波遥感农业应用研究——水稻生长监测.北京∶科学出版社，2010

［7］武文波，康停军，姚静.基于IHS变换和主成分变换的遥感影像融合.辽宁工程技术大学学报 （自然科学版），2009，28（1）∶28 ～31

［8］瞿继双，王超，王正志.基于数据融合的遥感图像处理技术.中国图象图形学报，2002，7A（10）∶985～993

［9］任琦，许有田，郭庆堂，等.QuickBird遥感影像数据处理方法的探讨.测绘科学，2009，34（s1）∶31～33

［10］ 徐赣.基于小波的图像融合及去云方法研究.北京∶中国科学院研究生院，2007，23～25

［11］ 蔡怀行，雷宏.SAR与可见光图像融合效果客观评价.科学技术与工程，2011，11（15）∶3456～3461

［12］ 阳方林，郭红阳.像素级图像融合效果的评价方法研究.测试技术学报，2002，16（4）∶276～279

［13］Shi W，Zhu CQ，Tian Y，et al.Wavelet-based image fusion and quality assessment.International Journal of Applied Earth Observation and Geoinformation，2005，（6）∶241～251

［14］Piella G，Heijmans H.A new quality metric for image fusion.Proceedings of IEEE International Conference on Image Processing，2003，2∶173 ～76

［15］ 唐克，魏琪，杜涛.基于支持向量机的高空无人机侦察目标识别.火力与指挥控制，2010，35（3）∶82～99

［16］ 王庆，曾琪明，廖静娟.基于极化分解的极化特征参数提取与应用.国土资源遥感，2012，（3）∶103～110

·技术方法·

IMPROVING KARST REGION LUCC SOECTRA CLASSIFICATION ACCURACY BASED ON SAR

Liao Juan1，Zhou Zhongfa1，2※，Wang Kun1，Huang Zhiling1，Chen Quan1
（1.Institute of Karst，Guizhou Normal University，Guiyang 550001，China；2.The Remote Sensing Center of Guizhou Province，Guiyang 550001，China）

AbstractThe surface morphology of Karst area is complex which causes difficult ground land investigation and low accuracy of investigation.Remote sensing is used as the main means of effective monitoring and studying human activity which impacts land use pattern and utilization degree.Combining ALOS multi spectral data with TerraSAR_X polarization data，this paper discussed how the HH polarized microwave backscatter data was used to improve LUCC classification accuracy of the multi spectral remote sensing data.And then it compared the different fusion methods which were more suitable for every object to distinguish ground object.The results showed that：the combination with the two kinds of data could make full use of the characteristics of the spectral information of multi spectral data，as well as the rich texture and structure information of HH polarization data，enhance the spectral differences among different objects，and improve the distinguishable of ground features.Compared to the method of separately using spectral data，the classification accuracy using the PC method and IHS method improved 8，13 percentage，respectively.And the HH polarization improved the distinguish accuracy of"flower"distribution of dry land，grassland，and woodland，because of the sensitivity of vegetation water content of HH.This research expanded the scope of application of remote sensing data in the field of land and resources and has the value of popularization.

KeywordsSAR；ALOS；fusion；LAUCC；classification accuracy

中图分类号：TP39；S127；F301.24

文献标识码：A

文章编号：1005-9121［2016］01-0050-08

doi：10.7621/cjarrp.1005-9121.20160109

收稿日期：2015-05-28

作者简介：廖娟 （1990—），女，汉，四川遂宁人，硕士。研究方向：地理信息系统与遥感。※通信作者：周忠发 （1969—），男，贵州遵义人，教授、博士生导师。研究方向：地理信息系统与遥感。Email：fa6897@163.com

*资助项目：受贵州师范大学研究生创新基金资助 （研创2014（17））；国家重点基础研究发展计划课题“人为干预下喀斯特山地石漠化的演变机制与调控”（2012CB723202）；贵州省科技计划课题“岩土类型格局”（黔科合JZ字［2014］200201）；贵州省软科学研究项目“国家重点生态功能区生态文明建设与科技支撑研究——以贵州为例”（黔科合R字［2014］2012号）