基于Z因子的SAR图像地震受灾靶区解译

韦诗莹 张风丽 张瑞菊 刘杉 邵芸

引言

SAR即英语“Synthetic Aperture Radar”的缩写，意为合成孔径雷达。雷达发展的初期出现的是真实孔径雷达（Real Aperture Radar，RAR），但受天线物理尺寸大小的限制，很难获得高分辨率（SAR图像区分两个相邻地物的能力）的图像。合成孔径雷达技术是雷达沿着轨道连续地获取一系列图像，通过后期处理将这些图像组合起来，最终得到看起来就像来源于一个大天线的，高分辨率的SAR图像。与光学遥感相比，合成孔径雷达能够不受光照和天气条件的限制，全天时、全天候进行对地观测，并且对某些地物具有一定的穿透能力，这些特点使得SAR技术在灾害应急监测、环境监测、海洋监测、地形测绘及军事等方面具有独特的优势，起到其他遥感技术无法替代的作用。

我国是地震灾害较为严重的国家之一，据统计我国7级以上大陆地震的数目占全世界的35%。大地震会造成大量的建筑物损毁和人员伤亡，而且震后一般都伴随着持续的恶劣天气。受到光照及云层的影响，光学遥感卫星无法第一时间拍摄灾区卫星图像，航拍无人机也不能快速进入灾区作业。而雷达遥感技术凭借不受云雨天气影响，可以连续对地观测的优势，成为了地震灾情评估与应急救援中不可或缺的技术手段。

快速获取灾区建筑物损毁信息，对于制订应急救援方案，采取正确的应急措施是非常重要的。目前，利用雷达图像获取震后建筑物损毁信息常用的方法有以下四种。第一种是目视解译，即专业人员通过目视，对比地震前后SAR图像的变化情况，该种方法速度较快，但是对人员专业技能要求较高，对分辨率较低的图像解读难度较大；第二种是差值法，即通过计算建筑物等地物目标，对灾前和灾后SAR图像上某参数的差值、比值等信息，进行损毁检测和损毁区域判别，该方法虽然耗时较短，但是受到SAR图像质量的影响，损毁检测准确度不高；第三种是利用SAR图像的相位特征，即根据地震前后雷达信号波形的变化来进行损毁区域检测，但是该方法受SAR成像条件，例如基线长度、间隔时长、波长及地表植被变化等影响较大，稳健性较低；第四种是利用SAR图像的极化相关参数进行损毁检测，极化参数与雷达信号发射和接收的方式有关，有HH极化（水平发射、水平接收），HV极化（水平发射、垂直接收），VV极化（垂直发射、垂直接收），VH极化（垂直发射、水平接收）四种类型，但该方法需要卫星具备全极化工作能力，同时极化分解速度较慢。

灾后城市建筑物损毁严重区域称为受灾靶区，是本文重点关注的区域，针对上述四类方法的局限性，本文将后向散射强度差值计算与相关系数计算进行组合，组合后的参数称为Z因子，通过对比地震前后Z因子的变化来进行震后建筑物损毁靶区检测。本研究表明该算法能在地震发生后快速对受灾情况进行初步解译，结果准确，耗时少。

基于Z因子的损毁靶区检测方法

针对差值法对受灾靶区检测不准确的问题，我们将灾前灾后后向散射强度的差值和相关性的变化进行组合，形成一个新的特征指数，称为Z因子，以便更好地反映地震前后地物目标在SAR图像上的变化，其中后向散射强度是指雷达传感器向地物发射和接收脉冲信号强度的比值。建筑物损毁后发生倒塌，一般而言二次散射减弱会使得后向散射减小，但有时由于建筑物破碎度较高，粗糙度大幅增大，其后向散射强度有可能反而升高。可见，雷达后向散射强度的变化可被用来描述损毁发生的概率，变化差值绝对值越大，代表发生损毁的可能性越高。Pearson相关系数是描述两幅图像之间的相关程度，它可以反映地震前后后向散射强度的相关性，也可以反映损毁发生的概率，相关性越高代表发生变化的可能性越小。

SAR图像像元是传感器对地物进行采样的最小单元，定义地震前后目标区SAR图像所有像元的雷达后向散射强度差值的均值为d，定义该目标区所有像元灾前灾后的后向散射强度均值的Pearson相关系数为r，则变化指数Z因子表达式为：

其中， |d|是灾前灾后后向散射强度差值取绝对值， max（d）是强度差值的最大值， 是相关系数值的权重。

利用Z因子对高分辨率SAR图像进行建筑物损毁解译，总体方法流程图如图1所示。首先对灾前灾后SAR图像进行预处理，包括对SAR图像进行配准，使用滤波减少SAR图像斑点噪声，将滤波结果进行地理编码和辐射定标，得到两个时相数据的后向散射强度值，然后将城市建筑物区域提取出来，对结果图像分别计算后向散射强度差值和相关系数值，并通过Z值公式将其结果进行组合，计算得到Z值结果图，最后对Z值结果图进行快速解译，圈定受灾靶区范围。

图1 方法流程图

图2 地震受灾情况：绿色方框代表日本熊本市范围，黄色方框代表受灾靶区益城町范围，白色方框代表受灾靶区中两处建筑物损毁详细情况，红色方框代表损毁建筑物

日本熊本地震灾区SAR数据

2016年4月14日，日本熊本市发生7级地震，造成49人遇难，大量建筑物受到不同程度的损毁。日本大地2号（ALOS 2）陆地观测卫星获取了此次地震前后的高分辨率SAR数据，经过对近几年地震前后获取的SAR数据进行对比发现，此次地震前后的SAR数据分辨率高，数据时间间隔短，地表及地表植被季节性变化对SAR图像影响较小，具备良好的损毁检测条件。同时损毁区域集中在城市居民区，人口密集度较大，从减灾角度进行损毁检测具有更大的现实意义。因此本文选取日本熊本市地区地震前后ALOS 2数据作为实验数据源。

在进行SAR数据分析之前，首先收集了地震前后光学遥感数据和建筑物损毁地面调查结果，作为损毁检测结果的参照。根据地震前后光学遥感数据目视解译的结果，受灾情况如图2所示，绿色方框代表日本熊本市范围，截取本次受灾靶区益城町中两处（白色方框）建筑物损毁情况进行目视解译，目视解译结果如图中红色部分所示，由光学图像显示得到益城町区 域建筑物损毁情况非常严重。图3则显示了本次地震建筑物损毁整体分布情况的地面调查结果，红色表示损毁严重区域。

图3 建筑物损毁地面调查情况

图4 ALOS 2原始图像

图5 预处理结果

SAR图像选取了地震前后（2016年3月7日和2016年4月18日）两个时相，HH极化的高分辨率ALOS 2数据（图4），分辨率为1.43m×2.03m。本次SAR数据均为沿着卫星飞行方向的右方侧视成像，入射角均为36.2度。首先对地震前后SAR图像进行预处理，并裁剪出熊本市城市区域。预处理包括配准、滤波、地理编码与辐射定标，并将城市范围的山林、河流区域去除，实验区预处理后的SAR图像如图 5所示。其中图像配准是对不同时间、不同条件（气候、亮度、入射角等）获取的两幅图像进行匹配的过程；滤波是为了减少SAR图像上的斑点噪声（SAR图像上随机的白点）对图像的影响；由于该信息编码在雷达系统下，需要对图像进行地理编码，将SAR数据从斜距坐标系转到地理坐标系；辐射定标则是将地理编码后的SAR数据归一化到同一标准，以便于对两幅SAR图像数据进行分析计算。

实验结果与讨论

以预处理结果为基础，分别以两个单一参数（后向散射强度差值、后向散射强度的Pearson相关系数）和组合参数Z因子作为检测参数，对目标区地震前后的SAR图像进行受灾靶区快速解译。解译结果如图6和图7所示。

图 6（a）是对地震前后图像进行单一后向散射强度的差值变化检测的结果，差值绝对值越大，代表变化可能性越高，在图中呈现偏红色和蓝色，在该区域差值范围在[-5,5]之间。差值结果图中的益城町区域没有明显显示出来，说明仅使用该结果无法对地震损毁区域进行解译判定。

图6（b）是灾前灾后后向散射强度Pearson相关系数的计算结果，相关系数越低，建筑物受到损毁的可能性则越高，在图中则显示为偏蓝色。该实验区相关系数数值范围为[-1,1]。建筑物损毁引起后向散射变化，降低了相关性，因此可以明显看到受损较为严重的益城町区域，存在大片较为集中的蓝色的区域，说明Pearson相关系数比后向散射强度差值法更适用于对地震损毁区域的解译判定，但解译结果中损毁建筑比较分散不符合地面调查结果。

图 7是相关系数值的权重w取值为0.5时，Z因子计算的计算结果。Z值越大，损毁可能性越高，在结果图中呈现为黄色或红色区域，更容易被人眼识别。该实验区的Z值范围是[-0.5,0.5]。根据公式，红色方框范围内Z因子值较高并且较为集中，判定为本次地震受灾靶区，对比地面真实调查数据情况（图3），该区域确实是本次地震中建筑物损毁最为严重的区域。

图6 强度差值法及相关系数法结果图

图7 Z因子结果图

从图6、图7的对比可以看出，Z因子方法同时考虑灾害前后建筑物后向散射强度的变化和相关性，可以较为准确获取地震后受灾情况，解译人员在Z值结果图中能快速获取受灾靶区范围，比单使用一个检测因子的结果更为准确。

结语

本文针对常用的差值法受SAR图像斑点噪声影响较大的问题，提出了结合强度差值与相关系数的Z因子方法对受灾靶区进行圈定，并利用ALOS 2数据对震后受灾靶区进行快速解译实验。首先对地震前后SAR图像进行预处理，然后计算差值与相关系数，将两者结合计算Z因子，得到地震损毁结果图，最后进行解译，确定受灾靶区范围。基于2016年4月14日日本熊本地震前后的高分辨率ALOS 2图像的实验表明，基于Z因子的损毁检测方法能够较准确地圈定地震后建筑物严重损毁区域，进而帮助解译人员快速识别受灾靶区，为灾后救援和应急响应提供信息支持。