基于SPAN与NDVI的全极化SAR数据喀斯特地区土地类型划分

苏彩霞，胡 娟，欧卫华，曹永锋

基于SPAN与NDVI的全极化SAR数据喀斯特地区土地类型划分

苏彩霞1，胡 娟2，欧卫华1，曹永锋1※

（1. 贵州师范大学大数据与计算机科学学院，贵阳 550001；2. 贵州师范大学地理与环境科学学院，贵阳 550001）

地貌复杂性、地物多样性等特征使得全极化合成孔径雷达（Synthetic Aperture Radar，SAR）数据的散射机制和散射强度相互交织，从而导致基于传统Wishart-/的全极化SAR数据难以实现喀斯特地区土地类型的有效划分。针对此问题，该研究首先用复Wishart距离测度对研究区土地类型样本进行聚类，同时利用/平面对研究区进行超盒聚类，然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督分类，获得研究区土地类型划分的初步结果。在此基础上利用对建筑物与裸岩地敏感的极化总功率（Polarimetric-Total-Power，SPAN）和对林地、草地与耕地敏感的归一化植被指数（Normalized Differential Vegetation Index，NDVI）对初步结果继续进行划分，最终将研究区土地类型划分为水体、林地、草地、耕地、建筑地和裸岩地，总体分类精度为81.45%；采用另一地势相对平缓、地形相对单一的典型喀斯特地区全极化SAR数据进行验证，在实现该地区土地类型划分的同时总体分类精度为85.66%。这说明该研究方法能够实现喀斯特地区土地类型的准确划分。

全极化SAR；喀斯特地区；土地类型划分；极化总功率；归一化植被指数

0 引 言

喀斯特地区不利的自然因素及不合理的人为因素使得植被破坏严重、土壤流失过多，从而造成喀斯特地区石漠化程度非常严重，生态环境十分恶劣。为了更好掌握喀斯特地区石漠化状况，研究适用于该地区目标地物识别与土地类型划分的技术十分重要[1]。基于光学遥感与地理几何特征的传统监测技术，基本解决了喀斯特地区因地理环境差导致工作难以进行的问题[2]。然而，由于石漠化严重的喀斯特地区常年阴雨、云雾较多，采用光学遥感难以实现该区域土地类型的准确划分。因此研究有效克服阴雨和云雾天气并准确实现喀斯特地区土地类型划分的技术十分迫切。

因全天时、全天候、分辨率高、覆盖面大、且能够穿透云层、荫蔽地物等优点，全极化合成孔径雷达（Synthetic Aperture Radar，SAR）数据被广泛应用于目标地物识别和土地类型划分[3]。如丁建丽等[4]采用绕封模型特征子集选择方法与支持向量机结合，利用全极化SAR数据实现了新疆干旱区土壤盐渍化的监测；Niu等[5]基于规则的分类技术和支持向量机利用全极化SAR数据实现了加拿大安大略城市土地覆盖的分类；马腾等[6]结合实地数据分析，选取平均散射角、平均特征值、单次反射特征值相对差异度为分类特征变量，通过最小距离法确定决策边界，并结合树分类器实现了内蒙古河套灌区的土地类型划分；Negri等[7]采用支持向量机进行聚类，然后结合条件迭代模式算法及关联信息，准确实现了巴西亚马逊地区各种土地类型的划分。

在喀斯特地区土地类型划分研究领域，王平等[8]将全极化SAR数据与SPOT6标准假彩色影像进行HSV融合，并计算融合数据的均值、标准差、平均梯队、信息熵以评价出最优融合的极化方式，最后通过K-means聚类与EM聚类仅获得了研究区的林地；廖娟[9]将全极化SAR数据与地面GPS数据相结合，采用Wishart监督分类和clump聚类分析实现了研究区土地类型的划分，但增加了喀斯特地区石漠化的监测成本；向海燕[10]将NDVI、纹理特征、坡度、DEM相结合，对全极化SAR数据进行隶属度函数分析实现了重庆主城西北部地区土地类型的划分，但这种方法受云量影响极大，当云量大于20%时分类精度还不到60%，严重削弱了全极化SAR穿透云雾的优越性。这说明采用全极化SAR数据对喀斯特地区进行土地类型划分存在一定的困难。究其原因是：复杂的地形和起伏不定的地面会导致全极化SAR的极化方位角产生偏移，使得与雷达视线方向相倾斜的所有目标地物的后向散射矩阵发生变化[11]，加之种类繁多的植被中存在散射特性相似的物种[12]，导致喀斯特地区各种目标地物的散射机制与散射强度相互交织。

由于全极化SAR数据含有HH、HV、VH、VV 4种极化方式，具有丰富的目标地物信息和很强的目标识别能力，因此充分挖掘全极化SAR数据的特征参数，有效利用全极化SAR数据的散射信息，对目标地物的准确识别非常重要。本文先利用复Wishart距离测度对研究区土地类型样本进行聚类，同时采用平面对研究区进行超盒聚类，然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督分类，获得研究区土地类型划分的初步结果。在此基础上，采用极化总功率（Polarimetric-Total-Power，SPAN）和归一化植被指数（Normalized Differential Vegetation Index，NDVI）继续进行划分，最后获取研究区的土地类型，有效解决喀斯特地区散射机制和散射强度相互交织的问题。

1 研究区概况

贵州花江流域石漠化治理示范区地跨2个市州，位于贵州省贞丰县、关岭县和镇宁县三县交界处，介于东经105.526o～105.851o，北纬25.456o～25.767o之间，国土面积约818.847 km2，如图1所示。该示范区以中三叠统的关岭组、法郎组白云岩为主要出露地层，还有少量的夜郎组砂页岩。地貌以中低的岩溶峰丛、岩溶河谷和台地为主。该地区85%以上的地面都呈基岩裸露状况，且坡度大于25o的区域占整个示范区的40.9%，为喀斯特地区石漠化的典型代表[13]。研究区范围较广，存在林地、耕地、水体、建筑地、裸岩地等多种土地类型，地表形态复杂，常年阴雨较多，地物种类多样且分布零散，这些特殊的地理、地物和气候情况使得传统光学遥感在实现土地类型划分时受到一定的限制。

图1 研究区地理位置示意图

2 研究方法

文中所用的原始数据为2012年12月17日获取的RADARSAT-2 SAR数据。预处理主要是采用SARscape进行多视处理、斑点滤波、地理编码和辐射定标[14]。文献[15]表明研究区植被对SAR数据在交叉极化下的后向散射系数相对敏感。因此，本文将对全极化SAR数据在HV极化下的后向散射系数进行处理与分析。

利用全极化SAR数据实现土地类型划分的途径主要有2种[16]。一种途径是对全极化SAR数据进行精细化建模与目标分解，尽可能优选出能够全面反映地物散射特性的特征参数[17]。另一种途径是选取性能优越的分类器（如Wishart分类器[18]、支持向量机[19]、深度学习[20]、随机森林算法[21]等），以实现极化特征信息的充分利用。由于全极化SAR数据包含非常丰富的地物散射信息，因此本文将充分挖掘并利用全极化SAR数据的特征参数，特别是敏感特征参数，以实现喀斯特地区土地类型的划分。对于天线互易的单基雷达系统，可令全极化SAR数据的散射矩阵为，则其Pauli散射向量可表示为

式中HH表示水平发射水平接收的极化分量，VV表示垂直发射垂直接收的极化分量，HV表示水平发射垂直接收的极化分量，VH表示垂直发射水平接收的极化分量。根据Cloude-Pottier目标分解理论[22]，其相干矩阵3可表示为

p为每种散射机制出现的概率。极化总功率SPAN为旋转不变量，其受极化方位影响较小且能综合体现各种散射机制[25]。其大小为

为使计算过程更具导向性，保证分类结果的正确性，必须对研究区各种土地类型进行适当的采样。鉴于喀斯特地区各目标地物的散射机制和散射强度会因地形、位置、植被等发生相互交织，本文将计算各土地类型样本聚类中心相干矩阵3间的复Wishart距离，以确定2种土地类型间散射特征的相似性和差异性。由于计算两类别聚类中心相干矩阵与间的复Wishart距离时经常出现d(V)≠d(V)，因此将两类别聚类中心相干矩阵间的复Wishart距离定义为[26]

通过统计分析各土地类型样本聚类中心相干矩阵间的复Wishart距离，确定出一个复Wishart判定距离D。若D>D，2种土地类型散射特征具有显著差异；若D≤D，2种土地类型样本散射特征相似。本文还统计了研究区各土地类型样本的、、各向异性度、SPAN、NDVI、/空间分布，以分析各特征参数对土地类型的辨识能力，具体如表1所示。

从表1可知：1）水体的与均较小；2）林地、草地、耕地间的差别均很小，这说明采用传统Wishart/难以实现喀斯特地区林地、草地、耕地的有效划分。然而，它们之间的NDVI差别相对较大，即NDVI对林地、草地、耕地间的植被变化相对敏感，且相关文献研究表明林地、草地、耕地中植被的类型、植株大小、长势、冠层可用NDVI进行判别[27-28]。尤其是地形复杂的山区，利用全极化SAR数据进行目标识别时采用NDVI加以辅助，可有效提高林地、草地、耕地的划分精度[29]；3）建筑地与裸岩地均属于中熵高散射，采用传统Wishart/难以实现二者的准确划分。但它们之间的SPAN差别相对较大，即SPAN对裸岩地与建筑地间的变化相对敏感。根据文献[30]，目标地物散射表面越光滑，SPAN值越小。由于建筑地与裸岩地2种土地类型间光滑度的差异较大，因此采用SPAN对裸岩地与建筑地进行辅助划分是可行的。

表1 感兴趣区域（ROI）不同土地类型散射特征参数的均值

注：为平均散射角，(o)；散射熵；为各向异性度；SPAN为极化总功率；NDVI为归一化植被指数。

Note：is average scattering angle, (o);is scattering entropy;is anisotropy; SPAN is polarimetric-total-power; NDVI is normalized differential vegetation index.

基于SPAN对建筑地和裸岩地的敏感性与NDVI对林地、草地和耕地的敏感性，本文将引入SPAN和NDVI对喀斯特地区进行土地类型划分，具体方法如下：

1）SPAN的引入：采用阈值化算法以超盒分割的方式将研究区建筑地与裸岩地的SPAN分为2类，然后采用复Wishart分布进行聚类，以实现建筑地与裸岩地的划分。其中超盒分割的阈值由SPAN的直方图确定。

2）NDVI的引入：综合考虑地貌、土壤、气候、水文等因素与植被的关系，根据植被地理分布原则可将中国划分为8个植被区域[31]。本文研究的贵州喀斯特地区属于亚热带常绿阔叶林地区，其NDVI值可从美国LPDAAC的MODIS植被指数产品MOD13Q1中获取。MOD13Q1为正弦投影、分辨率250 m、周期16 d的合成数据。对于一年365 d而言，从第1天算起到第353天共可合成具有23个波段的NDVI时间序列。根据文献[32]，亚热带常绿阔叶林地区耕地、林地、草地的划分需要将特定归一化植被指数NDVI序列与数字高程矩阵DEM结合，具体如表2所示。

表2 耕地、林地、草地的区分条件

注：NDVI的下标数字代表波段，下标1、14、18、19分别表示第1、14、18、19波段的NDVI时间序列，NDVImax为NDVI最大的时间序列。

Note: The subscript number of NDVI represents the band of the time series, the subscripts 1, 14, 18 and 19 represent the NDVI time series of the 1st, 14th, 18th and 19th bands respectively, and NDVImaxis the time series with the maximum of NDVI.

根据上述引入分析，基于SPAN与NDVI的Wishart分类算法实现喀斯特地区各种土地类型划分是可行的。具体算法步骤如下：

1）首先对全极化SAR数据进行多视处理、斑点滤波、地理编码、辐射定标等预处理；

2）对预处理后的散射矩阵进行Cloude-Pottier目标分解，提取、、SPAN等散射特征参数；

3）计算土地类型样本相干矩阵间的复Wishart距离，同时确定复Wishart判定距离D。当2种土地类型样本相干矩阵间的复Wishart距离D≤D时，合并2种土地类型样本；同时利用/平面对研究区进行超盒聚类，然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督分类，将整个研究区初步划分为3类：第1类为水体，第2类为建筑地与裸岩地的混合，第3类为林地、草地、耕地的混合；

4）作出SPAN的直方图，根据直方图确定超盒分割的阈值，接着用阈值化算法以超盒分割的方式将建筑地与裸岩地的SPAN初始划分为2类，然后采用Wishart分类器进行聚类，实现对建筑地与裸岩地的划分；

5）将获取的NDVI时间序列转化为TIF格式，确定NDVImax并选取下标为1、14、18、19的4个波段的NDVI时间序列，同时利用BIGEMAP确定研究区的数字高程矩阵DEM。将NDVI与DEM结合，根据表2的判断条件即可实现林地、草地、耕地的划分。

具体计算流程如图2所示。

图2 喀斯特地区土地类型划分的计算流程

3 结果与分析

本文采用野外实地采样与Google Earth采样相结合对感兴趣区域（Region of Interest，ROI）进行了采样，野外实地采样点数与Google Earth采样点数之比约为4∶5。野外实地采样点位置采用GPS进行定位，采样时间分别为2016年10月1日—2016年10月15日和2017年5月1日—2017年5月10日。2次共拍摄照片2 261张，其中第1次拍摄1 436张，第2次拍摄825张。通过统计确认，研究区具有林地、草地、耕地、裸岩地、建筑地、水体6种土地类型，共获取采样点922个，其中林地200个（实地采样90个，Google Earth采样110个）、草地175个（实地采样78个，Google Earth采样97个）、耕地162（实地采样72个，Google Earth采样90个）、裸岩地135个（实地采样60个，Google Earth采样75个）、建筑138（实地采样62个，Google Earth采样76个）、水体112个（实地采样50个，Google Earth采样62个）。以各种土地类型样本相干矩阵3的均值为聚类中心，计算土地类型样本聚类中心相干矩阵间的复Wishart距离，所得结果如表3所示。

表3 6种土地类型样本聚类中心间的复Wishart距离

从表3可知，水体样本聚类中心相干矩阵至其他各类样本聚类中心相干矩阵间的复Wishart距离均大于0.08，这说明水体样本的散射特征较其他各种土地类型样本的散射特征存在明显的差异，即水体相对容易划分。

表3中林地、草地与耕地3种样本聚类中心相干矩阵间的复Wishart距离小于0.008，建筑地与裸岩地2种样本聚类中心相干矩阵间的复Wishart距离小于0.009，这说明林地、草地与耕地3种样本的散射特征非常相似，建筑地与裸岩地2种样本的散射特征也非常相似，加之复杂地貌造成极化方位角产生偏移而导致非雷达视线方向后向散射矩阵的变化，这是喀斯特地区土地类型难以准确划分的根本原因。

将建筑地样本、裸岩地样本与林地样本、草地样本、耕地样本进行比较，发现前二者聚类中心相干矩阵至后三者聚类中心相干矩阵间的复Wishart距离均大于0.226，这说明建筑地样本和裸岩地样本的散射特征与林地样本、草地样本、耕地样本的散射特征存在显著差异。

根据表3，本文定义复Wishart判定距离D=0.01。若2种土地类型聚类中心的复Wishart距离D≤D，则判定二者的散射特征相似并以此为依据进行合并。

利用复Wishart判定距离对各土地类型样本进行聚类合并，可将研究区土地类型样本分为散射特征相似的3类，以避免像素点因散射特征相似而被错分。同时利用/平面对研究区进行超盒聚类，然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行迭代，以实现对研究区土地类型的初步划分，这实质上是一种半监督学习的聚类分析方法，所得结果如图3所示。

图3 研究区半监督分类的土地类型划分结果

从图3可知，根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督式聚类分析，可将研究区的土地类型划分为3大类：第1类为水体，第2类为建筑物与裸岩地，第3类为林地、草地和耕地。该过程主要是将散射特征差异性显著的水体快速地提取出来，并且在后续划分过程中不再迭代，避免因聚类中心移动而被误分。同时获取具有相似散射特征的其他两大类（建筑地与裸岩地，林地、草地与耕地），为后续有针对性地制订准确高效的划分方案奠定了可靠的前提基础。

为了实现林地、草地、耕地的划分，本文从LPDAAC数据库中下载NDVI时间序列并转换成TIF格式后，选取NDVI1、NDVI14、NDVI18、NDVI19并确定NDVImax，其中研究区NDVImax分布如图4a所示。然后在BIGEMAP软件高程属性功能中将研究区的边界导入，采用下载级别16级获得高分辨率的TIF格式高程分布图，并将该高程分布图导入Global Mapper中，就可得到相应的海拔网格数据，即数字高程矩阵DEM，结果如图4b所示。

从图4可知，高程较大的区域NDVImax较大，对应的土地类型为林地；数字高程最小的区域NDVImax最小，对应的土地类型为水体；图4中也有高程较大的区域对应的NDVImax很小，对应的土地类型可能是裸岩地。

采用SPAN和NDVI按照图2所示的计算流程对研究区的全极化SAR数据进行辅助划分，所得结果如图5所示。从图中可知，研究区的土地类型被分为水体、林地、草地、耕地、建筑地和裸岩地，这与研究区采样统计结果是相符的。

图4 研究区的NDVImax与DEM

图5 研究区基于SPAN和NDVI的土地类型划分结果

为说明研究区土地类型划分的准确性，本文对每一种土地类型的划分精度和总体精度结果如表4所示。

从表4可知，水体的土地类型划分精度最高，为87.50%；裸岩地的划分精度次之，为82.96%；建筑地、林地、草地和耕地的划分精度分别为81.16%、80.50%、80.00%、79.01%。由于雷达电磁波与水面作用时产生的散射主要是各项同性的奇次表面散射和Bragg散射，产生的平均散射角和极化熵均较小，所以水体相对容易识别。由于建筑物和裸岩地特殊的结构和形态特征，雷达电磁波与其发生作用时容易产生二次散射，因此具有较大的平均散射角和极化熵。尤其是裸岩地，其组成部分是大小不同、材质不一的岩石和石砾，散射随机性更大，所以具有相对较高的划分精度。林地、草地、耕地均含一定量的枝和叶，雷达电磁波与它们发生作用时主要产生体散射；且植被种类、植株大小、形状、植株、枝叶、冠层等因素的改变均会导致散射机制和散射强度发生变化，故划分精度相对较低。相较而言，林地植被高大、枝叶茂盛，体散射较强，三者之中其相对容易识别；草地植被矮小、瘦弱，体散射较弱，相对林地具有一定的差别；最难划分的耕地，受品种、土壤、地形、光照等诸多因素的影响，且与草地和林地均有模糊的边界，因此划分精度相对偏低。总体而言，本方法总体精度为81.45%，能够有效实现研究区土地类型的划分。

表4 各种土地类型的分类精度

为进一步说明研究方法的可行性与准确性，采用位于贵州省清镇市的典型喀斯特丘原盆地（106.118o～106.494oE， 26.401o～26.763oN）的SAR数据进行验证。该地区属于黔中高原区，面积约20.8 km2，主要以丘陵和喀斯特低山为主，地势从西南向东北逐渐变低，土地类型同样包括水体、林地、草地、耕地、建筑地和裸岩地。利用本文方法对此地区进行土地类型划分，获得的结果如图6所示。。

从图6可知，本文方法将清镇市典型喀斯特地区分为水体、林地、草地、耕地、建筑地与裸岩地，获得的划分精度分别为89.50%，85.80%，83.72%，82.35%，87.86%，86.57%，且总体精度为85.66%。这表明本文研究方法能够准确高效地对喀斯特地区的土地类型进行划分。相比较而言，不管是某种土地类型的划分精度还是总体划分精度，用于验证的清镇市典型喀斯特地区的划分结果均优于本文研究区的划分结果，其主要原因是清镇市典型喀斯特地区的地势较为平缓，地形相对单一，这在一定程度上反映了地势和地形造成的极化方位角偏差对喀斯特地区土地类型划分影响的显著性。在整个分类过程中，除输入常量（样本、归一化植被指数NDVI、数字高程DEM）外，文中用于土地类型划分的参数：平均散射角散射熵相干矩阵均源于全极化SAR的散射矩阵，且没有采用任何其他方法或光学数据进行辅助，因此本文研究方法计算效率很高。对于某一确定的全极化SAR数据，NDVI来源于MODIS植被指数产品，DEM来源于BIGEMAP软件，因此土地类型划分精度受样本采样数量、分布、准确性的影响很大，即土地类型采样必须准确、分布均匀，且样本量不能太少。

图6 贵州省清镇市典型喀斯特地区的土地类型的划分验证

4 结 论

由于喀斯特地区地形复杂、地物种类繁多，全极化SAR数据中不同地物的散射机制和散射强度相互交织，因此传统Wishart/聚类算法难以对喀斯特地区的土地类型实现准确划分。本文先利用复Wishart距离测度对研究区土地类型样本进行聚类，同时利用/平面对研究区进行超盒聚类，然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督分类，得到土地类型的初步结果。在此基础上采用极化总功率（SPAN）和归一化植被指数（NDVI）对初步结果继续进行划分，最后将研究区的土地类型划分为水体、林地、草地、耕地、建筑地和裸岩地，且总体精度为81.45%。随后采用另一地势相对平缓、地形相对单一的典型喀斯特地区的全极化SAR数据进行验证，总体精度为85.66%，这说明本文研究方法能够实现喀斯特地区土地类型的准确划分。

[1]李文吉，姜德才，郑向向，等. 云贵高原典型地物L波段SAR散射特性分析-以昆明为例[J]. 上海国土资源，2019，40(4)：77-81. Li Wenji, Jiang Decai, Zheng Xiangxiang, et al. L-band SAR scattering characteristics analysis of typical features in Yunnan-Guizhou plateau: A case study of Kunming[J]. Shanghai Land Resources, 2019, 40(4): 77-81. (in Chinese with English abstract)

[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[J]. 中国农业资源与区划，2013，34(6)：81-85. Yang Jinli, Zhou Zhongfa, Zhao Zhenglong, et al. Research of the grassland types extraction by ALOS image in Karst mountains area[J]. Chinese Journal of Agricultural Resource and Regional Planning, 2013, 34(6): 81-85. (in Chinese with English abstract)

[3]黄明祥，史舟，李艳. SAR遥感技术在农业土地利用遥感调查的应用[J]. 农业工程学报，2004，20(6)：133-137. Huang Mingxiang, Shi Zhou, Li Yan. Application of SAR remote sensing to agricultural land use investigation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(6): 133-137.

[4]依力亚斯江·努尔麦麦提，塔西甫拉提·特依拜，丁建丽，等. 基于多种极化分解方法和全极化合成孔径雷达数据的干旱区盐渍化监测[J]. 农业工程学报，2015，31(23)：145-153. Ilyas Nurmemet, Tashpolat Tiyip, Ding Jianli, et al. Monitoring soil salinization in arid area using PolSAR data and polarimetric decomposition method[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23): 145-153.

[5]Niu X, Ban Y F. Multi-temporal RADARSAT-2 polarimetric SAR data for urban land-cover classification using an object-based support vector machine and a rule-based approach[J]. International Journal Remote Sensing, 2012, 34(1): 1-26.

[6]马腾，王耀强，李瑞平，等. 基于微波遥感极化目标分解的土地覆盖/土地利用分类[J]. 农业工程学报，2015，31(2)：259-265. Ma Teng, Wang Yaoqiang, Li Ruiping, et al. Land cover/land use classification based on polarimetric target decomposition of microwave remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(2): 259-265.

[7]Negri R G, Dutra L V, Freitas C D C, et al. Exploring the capability of ALOS PALSAR L Band fully polarimetric data for land cover classification in tropical environments[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(12): 1-16.

[8]王平，周忠发，殷超. 基于全极化SAR与多光谱的喀斯特山区农村林地提取[J]. 中国农业资源与区划，2017，38(7)：41-50.

Wang Ping, Zhou Zhongfa, Yin Chao. Rural woodland extraction based on full polarization SAR and multispectral in Karst mountain areas[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(7): 41-50. (in Chinese with English abstract)

[9]廖娟. 基于全极化SAR 数据的喀斯特地区石漠化遥感监测技术研究[D]. 贵阳：贵州师范大学，2016. Liao Juan. Research on Remote Sensing Monitoring Technology of Rocky Desertification in Karst Area Based on Fully Polarimetric SAR Data[D]. Guiyang: Guizhou Normal University, 2016. (in Chinese with English abstract)

[10]向海燕. 基于光学和SAR数据的多云雾山区土地覆被分类[D]. 重庆：西南大学，2018. Xiang Haiyan. Land Cover Classification in Cloudy and Hilly Regions Based on Optical and SAR Data[D]. Chongqing: Xinan University, 2018. (in Chinese with English abstract)

[11]Kajimoto M, Susaki J. Urban-area extraction from polarimetric SAR images using polarization orientation angle[J]. IEEE Geoence & Remote Sensing Letters, 2013, 10(2): 337-341.

[12]刘利敏，余洁，王彦兵，等. 一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法[J]. 光谱学与光谱分析，2014，34(1)：151-156. Liu Limin, Yu Jie, Wang Yanbing, et al. A novel PolSAR image classification method with subsequent category adjustment by terrain scattering characteristic. Spectroscopy and Spectral Analysis, 2014, 34(1): 151-156. (in Chinese with English abstract)

[13]贺祥，熊康宁，李晨，等. 岩溶山区石漠化生态治理的土壤质量效应研究：以贵州省花江岩谷石漠化治理示范区为例[J]. 贵州农业科学，2011，39(5)：99-102. He Xiang, Xiong Kangning, Li Chen, et al. Study on soil quality effect in ecological management of rocky desertification in Kasrt mountain area: A case study of Huajiang Canyon demonstration area of Guizhou province[J]. Guizhou Agricultural Sciences, 2011, 39(5): 99-102. (in Chinese with English abstract)

[14]陈希，兰安军，熊康宁. 基于多源遥感数据的石漠化信息提取研究[J]. 信阳师范学院学报：自然科学版，2018，31(3)：437-442. Chen Xi, Lan Anjun, Xiong Kangning. Research on the information extraction of rocky deserification based on multi-source remote sensing image data[J]. Journal of Xinyang Normal University：Natural Science Edition, 2018, 31(3): 437-442. (in Chinese with English abstract)

[15]杨春艳，杨广斌，陈智虎. 西南山区不同岩性背景下植被覆盖特征分析：以盘县为例[J]. 贵州师范大学学报：自然科学版，2016，34(6)：1-7. Yang Chunyan, Yang Guangbin, Chen Zhihu. Analysis of vegetation cover under the background of different lithology characteristics in the mountain area in Southwest of China: A case study of Panxian[J]. Journal of Normal University：Natural Science Edition, 2016, 34(6): 1-7. (in Chinese with English abstract)

[16]吴永辉，计科峰，郁文贤. SVM全极化SAR图像分类中的特征选择[J]. 信号处理，2007，23(6)：877-881. Wu Yonghui, Ji Kefeng, Yu Wenxian. A new feature selection algorithm for SVM-based fully polarimetric SAR image classification[J]. Signal Processing, 2007, 23(6): 877-881. (in Chinese with English abstract)

[17]Chen S W, Wang X S, Xiao S P, et a1. General polarimetric model: Based decomposition for coherency matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3): 1843-1855.

[18]杨杰，史磊，李平湘. 基于极化相干最优与极化总功率的Wishart-H/Alpha分类[J]. 武汉大学学报信息科学版，2012，37(1)：22-25. Yang Jie, Shi Lei, Li Pingxiang. Wishart-H/Alpha classification based on optimal coherence and polarimetric span[J]. Geomatrics and Information Science of Wuhan University, 2012, 37(1): 22-25. (in Chinese with English abstract)

[19]滑文强，王爽，侯彪. 基于半监督学习的SVM-Wishart极化SAR图像分类方法[J]. 雷达学报，2015，4(1)：93-98. Hua Wenqiang, Wang Shuang, Hou Biao. Semi-supervised learning for classification of polarimetric SAR image based on SVM-Wishart[J]. Journal of Radars, 2015, 4(1): 93-98. (in Chinese with English abstract)

[20]邓鸿儒，徐佳，单文龙，等. 利用主动深度学习提取极化SAR影像建筑区[J]. 测绘科学技术学报，2018，35(3)：61-67. Deng Hongru, Xu Jia, Shan Wenlong, et al. Polarized SAR image building area extraction using acitive deep learning[J]. Journal of Geomatics Science and Technology, 2018, 35(3): 61-67. (in Chinese with English abstract)

[21]岳继博，杨贵军，冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比[J]. 农业工程学报，2016，32(18)：175-182. Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182.

[22]Cloude S R, Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518.

[23]Pottier E, Cloude S R. Application of the H/A/alpha polarimetric decomposition theorem for land classification[J]. Proceedings of SPIE - The International Society for Optical Engineering, 1997, 3120: 132-143.

[24]Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249-2258.

[25]Alberga V. A study of land cover classification using polarimetric SAR parameters[J]. International Journal of Remote Sensing, 2007, 28(17): 3851-3870.

[26]Lee J S, Grunes M R, Pottier E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 4(12): 722-731.

[27]白燕英，高聚林，张宝林. 基于NDVI与EVI的作物长势监测研究[J]. 农业机械学报，2019，50(9)：153-161. Bai Yanying, Gao Julin, Zhang Baolin. Monitoring of crops growth based on NDVI and EVI[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 153-161. (in Chinese with English abstract)

[28]王利民，杨玲波，刘佳，等. GF-1和MODIS影像冬小麦长势监测指标NDVI的对比[J]. 作物学报，2018，44(7)：1043-1054. Wang Limin, Yang Lingbo, Liu Jia, et al. Comparison of growth monitoring index NDVI between GF-1 and MODIS images in winter wheat[J]. Acta Agronomica Sinica. 2018, 44(7): 1043-1054. (in Chinese with English abstract)

[29]梅新，聂雯，刘俊怡. 基于Radarsat-2全极化数据的多种雷达植被指数差异分析[J]. 中国农业资源与区划，2019，40(3)：26-33. Mei Xin, Nie Wen, Liu Junyi. Difference analysis of multiply radar vegetation indices base on RADARSAT-2 full-polarization data[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(3): 26-33. (in Chinese with English abstract)

[30]周振明，王文生，周惠慧. 基于SERD与SPAN的全极化SAR数据海岸线分类[J]. 海洋测绘，2016，36(2)：34-38. Zhou Zhenming, Wang Wensheng, Zhou Huihui. A full-polarization SAR data coastline classification based on SERD and SPAN[J]. Hydrographic Surveying and Charting, 2016, 36(2): 34-38. (in Chinese with English abstract)

[31]侯学燃. 中国自然地理，植物地理(下册)[M]. 北京：科学出版社，1988.

[32]郝莹莹，罗小波，仲波，等. 基于植被分区的中国植被类型分类方法[J]. 遥感技术与应用，2017，32(2)：315-323. Hao Yingying, Luo Xiaobo, Zhong Bo, et al. Methods of the national vegetation classification based on vegetation partition[J]. Remote Sensing Technology and Application, 2017, 32(2): 315-323. (in Chinese with English abstract)

Land type classification of full polarization SAR data using SPAN and NDVI in Karst Areas, China

Su Caixia1, Hu Juan2, Ou Weihua1, Cao Yongfeng1※

(1.,,550001,; 2.,,550001,)

Topographical complexity of landscapes and diversity of terrain features have caused to interweave with the scattering mechanism and intensity of full polarization Synthetic Aperture Radar (SAR) data. This makes it difficult for the traditional Wishart-/(polarization entropy/scattering angle) classification to effectively classify land types in Karst areas. In this study, a complex Wishart distance measure was used for the class clustering of land type in research areas. A super-box clustering was carried out using the/α plane. The semi-supervised classification was also carried out, according to the complex Wishart distance between the average coherence matrix of super-box and sample clustering. The obtained data of land classification were further processed using the Polarimetric-Total-Power (SPAN) and the Normalized Differential Vegetation Index (NDVI), where the SPAN was sensitive to buildings and bare rock land, whereas, the NDVI was sensitive to wood land, grass land and cultivated land. An effective classification of land types was finally realized in the Karst areas. Specifically, the complex Wishart distance between two types of sample was calculated to determine the similarity of scattering characteristics in the samples of different land types, and the clustering was also performed during this time. Eight kinds of super-box clustering were divided into using the/plane. Three kinds of preliminary clustering were obtained, including the first type of water body, the second type of construction and bare rock land, as well as the third type of wood land, grass land and cultivated land. The SPAN was then used to classify the building and bare rock land, using a threshold in the way of super-box segmentation. The wood land, the grass land, and the cultivated land were classified by introducing a combination of the NDVI and Digital Elevation Matrix (DEM). The improved method can be used to effectively classify the water body, woodland, grassland, farmland, construction land, and bare rock land, with the overall accuracy of 81.45%. To verify the improved method, the another full-polarization SAR data was selected from the typical Karst areas, where the terrain was relatively flat, while the topography was relatively single. This case study demonstrated that the land classification was successfully implemented, where the overall classification accuracy reached 85.66%. The finding can provide a novel way to accurately classify various land types, and thereby serve as an ideal supplementary means to monitor rocky desertification evolution in Karst areas.

full polarization SAR; Karst Area; land types classification; SPAN; NDVI

苏彩霞，胡娟，欧卫华，等. 基于SPAN与NDVI的全极化SAR数据喀斯特地区土地类型划分[J]. 农业工程学报，2020，36(24)：265-272.doi：10.11975/j.issn.1002-6819.2020.24.031 http://www.tcsae.org

Su Caixia, Hu Juan, Ou Weihua, et al. Land type classification of full polarization SAR data using SPAN and NDVI in Karst Areas, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 265-272. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.24.031 http://www.tcsae.org

2020-05-26

2020-12-11

贵州省科学技术基金资助（黔科合基础[2018]1114）；国家自然科学基金（61762021）

苏彩霞，主要从事遥感图像处理方面的研究。Email：sucaixia@163.com

曹永锋，教授，博士生导师，主要从事SAR图像处理与解译方面的研究。Email：yongfengcao.cyf@gmail.com

10.11975/j.issn.1002-6819.2020.24.031

S127

A

1002-6819(2020)-24-0265-08