基于Radarsat-2全极化数据的多种雷达植被指数差异分析*

梅 新，聂 雯，刘俊怡

(1.湖北大学资源环境学院，武汉 430062； 2.武汉大学测绘遥感信息工程国家重点实验室，湖北武汉 430079)

0 引言

植被指数作为反映植被生长状态和分布信息的重要参数[1]，通过对植被状态信息的定性和定量表达，在监测环境变化、识别作物生长状态以及动态监测植被变化趋势等方面有着广泛的应用。基于合成孔径雷达(synthetic aperture radar，SAR)提取的雷达植被指数兼具监测植被能力和微波遥感穿透力强、雷达影像不受天气干扰、可全天候获取数据等优势。由于SAR数据在高分辨率成像上比多光谱影像具有更精确的监测能力[2]，雷达植被指数在有云区域作物分类[3]、植被含水量监测[4]和森林监测[5]方面比光学影像更有优势。

目前，常用的雷达植被指数主要有：基于Freeman分解，通过计算体散射、二面角散射和表面散射的雷达植被指数(Freeman_RVI)； 基于H/A/alpha分解计算特征值的雷达植被指数(Van_RVI)和基于后向散射强度计算的雷达植被指数(Kim_RVI)。3种RVI在作物叶面积指数估计[6]、生物量反演[7]和作物估产方面[8]都有广泛的应用和研究。Freeman_RVI提出的时间最早[9]，对植被疏密程度敏感性较高[10]。基于特征矢量分解的Van_RVI包含的信息更为全面，在水土流失监测[11]、土地利用分类[12]和作物倒伏识别[13]等领域有广泛应用。Kim_RVI算法较为简单，在土壤含水量估计[14]等领域有广泛应用。

由于不同雷达植被指数的构建有着不同的理论依据和应用价值，文章基于Radarsat-2全极化数据，构建了Freeman_RVI、Van_RVI和Kim_RVI 3种雷达植被指数。结合Google earth 历史影像和实地调研数据，对研究区域地物采样，选取林地、灌丛、草地、耕地、水生植被、建筑、道路、裸地、湖泊、河流10种典型地物样本，通过RVI分布折线图、不同种类样本均值、标准差等参数对比分析了3种RVI对植被类型地物与非植被类型地物的区分能力、对不同类型的植被地物、非植被地物的敏感程度，为雷达植被指数的应用提供依据。

1 数据与方法

1.1 数据介绍

实验数据为武汉市Radarsat-2全极化合成孔径雷达数据，研究区位置如图1b中红色线框区域，成像时间为2015年6月25日。图像分辨率为8m，卫星通过方向为升轨方向，入射角为45.23°，实验数据Pauli分解假彩图如图1a所示。按照植被分区[15]对研究区域植被分为林地、灌丛、草地、耕地和水生植被5种植被类型，非植被地物类型包括建筑、道路、裸地、湖泊和河流5种。其中，耕地类型为旱地，作物类型主要为芝麻，水生植物主要作物类型为荷花。结合Google earth历史影像(2015年7月29日)，手动选取样本点，样本点统计表为表1所示，分布见图1a，每种地物选取约200个样本， 10种地物总计选取2 166个样本点参与统计分析。

图1 2015年武汉市实验数据覆盖范围及不同地物样本分布

表1 地物样本数量统计表

地物类型样本点数量草地199耕地186水生植物244灌木197乔木249裸地210道路198湖泊217河流231建筑235合计2 166

图2 Radarsat-2数据预处理流程

1.2 数据预处理

由于3种RVI对应极化分解算法不同，SAR影像预处理流程也不同。Radarsat-2 影像预处理如图2所示，具体步骤如下：(1)辐射定标：将Radarsat-2数据DN值转换为后向散射系数，并根据雷达探测角度进行辐射校正； (2)使用窗口大小为11×11的精致Lee滤波减少雷达数据噪声； (3)对滤波后影像进行H/A/alpha分解和Freeman分解，并在此基础上进行RVI的计算； (4)地形校正得到纠正后的RVI。该文利用SAR数据处理软件NEST 4C(Next ESA SAR Toolbox)进行辐射定标和地形校正，利用极化SAR数据处理软件PolSARpro 5.0进行极化滤波和分解。

1.3 雷达植被指数计算

该文选取了3种常用的雷达植被指数，分析计算不同算法的RVI在不同地物上的表现差异，计算结果如图3所示。

(1)Freeman_RVI:Freeman_RVI是最早提出的雷达植被指数。Freeman 基于3种简单散射机制，将全极化SAR数据的协方差矩阵分解得到奇次散射(Fd)、偶次散射(Fs)和体散射(Fv)的散射功率分量。根据3种散射机制分量的比例构建的基于Freeman-Durden分解的雷达植被指数为[6]：

(1)

(2)Van_RVI:Van用随机取向的介电圆柱体模型，应用随机方向的圆柱电介质模型对普通形状的植被电磁散射进行了模拟，通过分析植被区域电磁散射具有极化特性，提出雷达植被指数为[16]：

(2)

式(2)中，λ1、λ2、λ3为极化相干矩阵T3的特征值，且λ1>λ2>λ3。

(3)Kim_RVI:Kim根据同极化和交叉极化后向散射系数之间的关系，推导出的雷达植被指数为[17]：

(3)

式(3)中，σHH、σVV为同极化后向散射系数，σHV为交叉极化后向散射系数。

图3 3种雷达植被指数计算结果

2 3种RVI比较与分析

根据目视判别和实地调研，结合Google earth影像，试验区土地覆被分为林地、灌丛、草地、耕地、水生植物、建筑、道路、裸地、湖泊、河流10种类型。对试验区选取了2 166个样本点，得到不同植被、非植被类型地物RVI分布折线图如图4。从数据分布特性分析比较了3种雷达植被指数对于植被与非植被、不同种类植被、不同种类非植被的敏感程度。

由图4(a)、(b)、(c)对比可见， 3种雷达植被指数对于不同类型植被的敏感性不同。植被类型地物的Van_RVI值主要分布在大于0.4区域，非植被样本的Van_RVI主要分布在小于0.4区域(图4(4))，植被与非植被在值域上交集较少，可用于提取植被；Kim_RVI折线图中，植被RVI>0.4，且不同种植被折线图峰值较为聚集，对植被类型的识别能力较弱；Freeman_RVI对植被密集的林地非常敏感，绝大多数的RVI>0.9。3种植被指数均能有效区分耕地与林地，对草地、灌木和水生植物的识别能力较差。

对比非植被样本折线图4(d)、(e)、(f)，Kim_RVI、Freeman_RVI对建筑区域较为敏感，但对于水体、裸地区分能力较差。Kim_RVI非植被样本多集中在0.1～0.6区间，与植被区域(>0.4)交集较大，且耕地(0.3～0.6)与水体、道路和裸地分布一致，难以区分；Freeman_RVI对密集建筑区极为敏感，主要样本RVI>0.4，难以与植被区分；Van_RVI在非植被区域折线图分布较为离散，建筑、道路样本无明显规律，水体的Van_RVI分布较为集中(RVI<0.35)，裸地样本Van_RVI值稍大于水体，但与建筑、道路难以区分。

图4 不同地物类型样本的RVI分布折线

2.1 植被与非植被

从植被与非植被的区分能力，对3种RVI比较分析，得到分布特征折线图如图5。对植被与非植被样本统计混合样本数，计算得到Van_RVI、Freeman_RVI、Kim_RVI混分率分别为： 12.7%、26%和19.7%。Van_RVI的植被与非植被的可分离性最强，Freeman_RVI对植被与非植被的区分能力最弱。

2.2 植被

对林地、灌丛、草地、耕地、水生植物分别统计样本特征，得到不同种类植被混分率。其中， 3种雷达植被指数都对林地、耕地的识别能力较好，特征折线图如图6。耕地的Van_RVI、Freeman_RVI、Kim_RVI混分率分别为： 16%、17.5%和13.3%； 林地的Van_RVI、Freeman_RVI、Kim_RVI混分率分别为： 17.5%、18.7%和27.2%。草地、灌丛与水生植物之间可分离性较差，难以有效识别。

2.3 非植被

雷达植被指数对非植被类型地物总体敏感性较差，但Freeman_RVI、Kim_RVI对建筑较为敏感，建筑样本分布折线图如图7所示。由于研究区域主要集中在城市区域，建筑高度较高且密集，体散射分量较大，Freeman_RVI对密集建筑区敏感程度很高。

图5 植被类型地物样本与非植被类型地物样本RVI分布折线

图6 不同植被类型地物样本RVI分布折线

图7 建筑样本RVI分布折线

2.4 3种RVI比较分析

对10类样本数据，从数据分布范围、均值、样本数据标准差等方面对3种算法的RVI进行了比较分析。表1为10种地物类型的样本平均值及数值分布范围， 3种雷达植被指数对部分地物敏感程度较为一致，主要为：林地>水生植物>草地、灌丛>耕地>非植被。但不同参数的取值范围有较大差异，Freeman_RVI在不同地物中均值差异最大，说明Freeman_RVI对不同地物敏感程度较好。非植被地物类型中，RVI平均值分布主要规律为：建筑>道路、裸地>水体。Freeman_RVI、Kim_RVI在建筑区域均值较高，对建筑区域非常敏感，Kim_RVI水体样本均值较高，对水体敏感。

表2 不同地物样本点的雷达植被指数分布

地物类型RVIs平均值(分布范围)Freeman_RVIⅤan_RVIKim_RVI植被林地0.87(0.60～1.0)0.68(0.50～0.97)0.86(0.57～1.4)水生植物0.71(0.40～1.0)0.53(0.35～0.70)0.68(0.40～1.18)灌丛0.69(0.34～1.0)0.49(0.37～0.60)0.67(0.33～1.0)草地0.64(0.42～0.9)0.51(0.35～0.68)0.68(0.42～1.0)耕地0.48(0.29～0.92)0.43(0.30～0.59)0.49(0.31～0.68)非植被建筑0.70(0.23～1)0.33(0.12～0.58)0.63(0.11～1.37)道路0.40(0.11～0.64)0.32(0.16～0.49)0.39(0.06～0.7)裸地0.35(0.06～0.63)0.31(0.1～0.5)0.38(0.06～0.62)湖泊0.26(0.14～0.40)0.26(0.17～0.38)0.45(0.30～0.66)河流0.26(0.15～0.42)0.26(0.13～0.40)0.49(0.26～0.80)

表3 不同地物样本点的雷达植被指数标准差

地物类型RVIs标准差Freeman_RVIⅤan_RVIKim_RVI植被林地0.130.100.18水生植物0.170.090.16灌丛0.180.160.16草地0.120.080.15耕地0.120.070.10非植被建筑0.140.090.13道路0.240.110.28裸地0.120.090.14湖泊0.130.090.13河流0.070.050.09总体0.210.140.16

表4 3种雷达植被指数对不同植被识别潜力

林地灌丛耕地草地水生植物植被Freeman_RVI++—+——+Van_RVI++—+——++Kim_RVI+—+——- 注:++、+、-、—分别代表区分能力强、区分能力较强、区分能力较弱、不能区分

对10种地物分布统计样本方差，得到不同地物样本点的3种RVI方差，方差值越小数据震荡越小，对同种地物识别越敏感，计算结果如表2。Van_RVI在非植被样本中标准差最低，RVI数值较为集中，且植被区域RVI平均值较低(表1)，便于区分植被与非植被。Freeman_RVI、Kim_RVI在建筑区域，样本数据震荡较大，且建筑样本RVI均值较高，部分建筑RVI值易于植被区域混合，对植被提取和分类干扰较大。Kim_RVI对水体也较为敏感，水体RVI均值与耕地较为相近，对植被提取干扰也较大。湖泊与河流的样本方差在3种RVI中无明显区别。

通过以上对比分析得到的3种RVI对植被的区分能力见表格3。3种RVI对灌木、水生植物、草地的区分能力较差，很难从其他植被中分离出目标地物。3种RVI都对林地、耕地较为敏感。3种RVI对非植被地物敏感性差别较大，Kim_RVI和Freeman_RVI对建筑敏感性良好，Kim_RVI对水体也较为敏感，Van_RVI对5种非植被类型地物敏感性都较差。

3 结论

该文针对典型的5种植被和5种非植被地物，结合Google earth历史影像选取样本点，计算3种常用雷达植被指数，并提取样本RVI值，通过对比植被与非植被、不同种类植被、不同种类非植被RVI值，比较3种雷达植被指数对不同类型地物的敏感程度。结果表明， 3种雷达植被指数对植被总体敏感程度较为相似，但对于不同植被类型， 3种雷达植被指数敏感性存在差异。通过对比研究，得到3种雷达植被指数的适用性如下。

(1)Freeman_RVI对于植被密集的林地较为敏感，可用于大面积林地提取，如森林制图等应用； 对植被与非植被区分情况良好； 基于Freeman分解的雷达植被指数，对于体散射比例显著的建筑区较为敏感，RVI值与植被难以区分；Freeman_RVI对水体、道路、裸地敏感性差，难以有效区分。

(2)Van_RVI的植被样本统计标准差最低，对研究区域植被与非植被地物类型的区分性最强，相比其他两种植被指数，更适用于植被提取； 在5种植被样本中，Van_RVI对于区分耕地与林地、灌木与林地效果良好； 但对于非植被地物间的区分能力较差。

(3)Kim_RVI图像预处理流程最为简单，计算时间最短，最适用于应急情况下的植被指数产品生产； 在5种植被样本中，对耕地与林地的区分能力较好，且对水生植被有一定的敏感性； 但对不同种类植被RVI均值差别不大，对不同种类植被区分能力较弱； 植被与非植被样本混分率最高，对植被与非植被的区分能力较差。