基于Sentinel-1的典型地物时间失相干分析

佀文娜，何 敏，王茂山

（1.河海大学地球科学与工程学院，江苏 南京 211100）

目前基于Sentinel-1数据[1]的地物相干性研究较少，特别是长时间序列的研究。为了系统分析长时间序列下地物的时间失相干现象，实验选取了美国加利福尼亚州南部柯汶纳市及其周边区域进行研究，使用2017-06-20～2020-09-02的50景Sentinel-1影像，分析了典型地物的时间失相干现象，并研究了风雨等天气因素及不同极化方式对相干性的影响。

1 研究方法

1.1 相干性估计

相干性表示从同一片区域获取的两张SAR复影像之间的相似程度，它是由2个复数信号之间的相关系数定义，公式如下：

式中，γ是干涉相关系数；s1和s2是复数信号；上标*表示复共轭，E[·]代表期望。由于在实际观测中，数学期望很难获得，因此假设目标均匀分布，使用移动窗口中L个像素的空间平均来估计相干性[2]。

式中，i代表相干性估计窗的第i个像素；每个估计窗中有L个像素。相干性范围为[0,1]，0表示完全失相干，1表示完全相关。

为了得到更精确的相干性，使用蒋弥[3]等的SHPS-InSAR开源工具包来选取同质点。同质点选取，又名同统计分布样本选择，是以统计推断为手段度量邻域像素与中心像素相似度的一种算法，在同类地物目标具有相同后向散射属性和相同相位散射中心的假设前提之下，将同类像素汇集进行参数估计，可以实现信噪比的提升并兼顾图像分辨率。

实验使用ISCE软件配准单视复数（SLC）图像后，先选取同质样本集合，然后用式（2）获得精确的相干性估计结果。

1.2 影响相干性因素

在实际干涉相干测量中，有许多影响因素，主要的失相干源可以分为以下几个部分：几何失相干、热噪声和时间失相干[4-5]。观测得到的相干性为：

式中，γobs表示观测得到的总相干性；γgeom是几何失相干；γsnr代表雷达热噪声引起的失相干；γtemp表示时间失相干。为了分析时间失相干的影响，其他的失相干源需要被排除或者校正。

在这些失相干因素中，几何失相干很大程度上取决于卫星两次重复访问同一个区域时空间位置的距离，即空间基线[6]。由于哨兵一号系统的轨道狭窄，使得卫星重复访问位置间距很近。经统计，此次研究的垂直基线均小于123 m，正是由于垂直基线较短，相对于时间失相干来说，几何失相干的影响可以忽略不计[7]。

对于系统热噪声引起的失相干，通过官方发布的数据发现，相对于传统的ScanSAR模式，哨兵一号TOPSAR模式的信噪比非常高。通过计算获得系统热噪声引起的失相干大于0.99，所以对此项造成的影响不予考虑。

时间失相干是指在相同区域的两次成像时间间隔内，由于散射体本身特性改变或位置移动，导致相干性降低。时间失相干是失相干源中最难确定的部分，探究影响Sentinel-1时间失相干的因素对形变监测有较大意义。

2 研究区概况与数据集

此次研究区位于美国加利福尼亚州南部柯汶纳附近，地处洛杉矶东部，地形较为平坦，地表类型多样。研究区覆盖范围约为230 km2，如图1所示。实验共收集了50景Sentinel-1卫星TOPSAR干涉宽幅模式C波段双极化影像数据，影像范围如图1红框所示，时间跨度为2017-06-20～2020-09-02，主影像为2017-06-20。

图1 研究区位置

实验使用NLCD 2016作为主要的土地覆盖类型来源，NLCD 2016是美国地质调查局发布的新一代土地覆盖数据，根据Landsat卫星图像和地理空间辅助数据集进行分类和汇编，空间分辨率为30 m，覆盖美国本土地区。NLCD 2016产品基于修正的安德森二级分类系统划分，分为16个土地覆盖级别，研究表明安德森二级分类精度达到82%[8]。

通过官方发布的国家气候数据中心（NCDC）档案，此次研究收集了覆盖研究区所有气象站的气象数据，包括每小时风速和日降水量等数据。

3 结果与分析

从图2可以看出，水体的失相干现象非常严重，呈现的亮度最低。人工建筑物的相干性很高，相干图上的亮度最高。常绿树的相干性低，呈现的亮度较低。农作物的相干性较高，呈现的亮度较高。对比三张相干图可以看到，随着时间基线增大，失相干现象越来越明显。

图2 研究区土地覆盖分类图和相干图

3.1 典型地物的时间失相干现象

实验选取4种典型地物进行时间失相干分析，分别为：水体、人工建筑物、常绿林、农作物。常绿林和混合林是研究区内覆盖的主要树种，其中常绿林占绝大部分，故选取常绿林作为树林代表。图3是4种地物随时间基线变化的时序相干性，时间基线最长为39个月。可以从图中明显看到，不同地物的相干性不同，随着时间变化，失相干现象也不同。

图3 随时间变化的地物相干性

水体的相干性最低，是因为水体的表面相对于C波段较为光滑，导致绝大多数雷达入射波发生镜面反射，雷达传感器几乎无法接收到返回的电磁波。当水体受到外界因素干扰或地形因素影响，水体的表面粗糙度较大时，此时虽然其后向散射强度较大，但由于水体的形态不断在变化，导致相干值很低。

图4是水体相干性的概率密度直方图，结合图3、4可知，水体相干性的平均值在0.25左右，大多数分布在0.15～0.25区间内。对于秒级失相干的水体，相干性应该接近0，Touzi[9]等认为这个现象是估计相干性时的自然偏差。相干性估计偏差受平均视数大小的影响，本次实验取的估计窗口大小为9×9，这个大小的估计窗口会有约0.2的相干值估计偏差[14]。图4中有少部分水体相干值较大，这是由于土地分类的不准确，水体周围相干性较高的点如水岸等被误分类。

图4 水体相干性的概率密度直方图

人工建筑物的相干值最高，这是因为其后向散射特性较为稳定，而且人工建筑物大多会发生双弹反射，将入射波几乎完全反射回传感器。从图3中可以看到，人工建筑物的相干性最初在0.64左右，随着时间基线增长，相干性自然下降，且下降速度逐渐减缓，在数月后基本保持在0.55左右。时间基线达到39个月时，相干值在0.52附近。

常绿树的相干性较为平稳，但值很低，在0.28左右。这是因为此地区分布的橡树冠层较高，C波段的入射波在冠层中多次发生散射，即体散射，大部分能量在这个过程中被散射或吸收，导致相干值较低。

农作物的相干性变化最大。研究的前5个月，相干性有明显的下降，从0.57降到0.4以下，然后总体上趋于稳定。前5个月相干值明显下降的原因，是由于随时间基线增长，相干性的自然下降，还可能是受土壤含水量变化的影响[15]。由于农作物相对较为低矮，时间失相干程度较轻，而且有一部分能量由地面反射回雷达传感器，因此其相干值相对于树木偏高。

图3中人工建筑物和农作物存在相干性骤降的现象，比如2018-03-11，主要受天气因素影响，在下一节中具体分析。

3.2 天气对相干性的影响

为了研究天气对相干性的影响，收集了研究区内所有气象站的每小时风速和日降水量数据。

统计每小时风速后发现，风速大于6 m/s的仅有2017-12-05和2018-07-09两次，分别为7.5 m/s和6.2 m/s，两者的相干性都没有明显变化（如图3箭头标识）。因此判定小于7.5 m/s的风速对C波段相干性几乎无影响。

因数据量较大，经查询研究期间的日降水量，截取了有较大降水分布的区间进行分析，如图5所示。区间内共获取影像31张，获取时有较大降水的影像有7张，日期分别为2018-03-11、2018-05-22、2018-10-13、2018-11-30和2019-01-17、2019-03-06、2019-05-17，如X轴上标记O所示，对应降水量分别为17.8mm、4.3 mm、20.8 mm、16.5 mm、66.5 mm、21.2 mm和11.8 mm，用标记*在图5标识。

图5 随时间变化的地物相干性和降水量

为了更直观、多样、全面地看到相干性的变化情况，构建了前31幅影像的相干系数矩阵图，如图6所示。通过改变主影像，获得了后续影像与主影像之间的相干性。每一小格代表横轴对应日期与纵轴对应日期获取影像的相干性，4个相干系数矩阵均为对称矩阵，箭头指示位置表示有较大降水。

图6 相干系数矩阵图

综合图5、6可以发现，图5有*标记的7景影像,由于获取影像时有降水，导致人工建筑物和农作物的相干性下降。人工建筑物因为表面雨水，影响射入波的反射，从而导致相干性下降；农作物相干性下降的原因分为农作物和土壤2个因素，雨水使农作物散射特性发生变化，也使土壤含水量发生变化，导致相干性下降。总体来看，降水量越大，人工建筑物和农作物的时间失相干现象越严重。

2018-01-22无降水，但是农作物的相干值下降，而人工建筑物的相干值不变，这可能是因为10 d前有连续2 d的较大降水，人工建筑物表面的雨水已蒸发，但土壤的含水量变化较慢，所以导致返回信号变化。

2019-02-10降水量仅为1.05 mm，虽然相比于前后两景，相干值有回升，其中人工建筑物回升较大，农作物回升较小，但相比于平均值，人工建筑物和农作物的相干值仍较低。有回升是因为获取前后两景卫星影像时有较大降水，此次获取影像时是小降水，因而影响较小。相干值比平均值低是因为获取影像的5 d前有连续的较大降水，土壤含水量的变化导致农作物相干性低，而人工建筑物表面雨水挥发快，所以降水对农作物相干性的影响比对人工建筑物的影响持续性久。

从图3中还可以看到2019-12-13～2020-04-11的影像相干值有小幅降低，如图3中矩形框所示。这是因为在此期间内一直有10～20 mm的小降水影响。其他无降水影响的时期，4种地物的相干性都比较稳定。

3.3 不同极化方式对相干性的影响

此次研究是在Sentinel-1卫星干涉宽幅模式下获取的双极化数据，分别为VV极化和VH极化，前文的分析均基于VV极化。

图7是VV极化减VH极化的相干性差值，2种极化方式的相干值差值在0.02～0.11之间。总体来看VH极化方式比VV极化方式相干值低，信号的损失更大。

图7 两种极化方式相干性差值

常绿林的相干性差值较为稳定，在0.02左右。水体的相干性差值一直有较小波动，但一直维持在0.03～0.05之间，这个波动可能是由于土地覆盖分类不准确导致的小偏差。人工建筑物和农作物的相干性差值曲线与图3的变化趋势几乎一致，特别在有降水因素影响的时期，VV与VH的相干性差值明显减小。说明VH极化对变化的感知能力没有VV极化强，但反过来也可以发现VH极化的相干性较为稳定，抗外界干扰能力更强。

4 结语

实验使用时间基线最长为39个月的50景Sentinel-1卫星影像，定量分析了不同地物的时间失相干现象，并分析了风雨等天气因素和不同极化方式对地物相干性的影响。此次研究使用同质点选取方法获得相干值，并借助NLCD数据进行不同地物的相干性研究，还通过从NCDC档案获取的每小时风速和日降水量对地物相干性下降的原因进行分析。主要得出以下结论：①Sentinel-1数据典型地物的失相干特征区别较大，可以较好的指导地物识别、辅助土地分类，尤其是建筑物的识别分类；②小于7.5 m/s的风速对相干性几乎无影响，而降水是导致地物失相干的重要因素，通过影响土壤含水量导致农作物相干性降低，对农作物相干性的影响比对人工建筑物的影响大且持续性久；③VH极化方式抗干扰能力更强，VV极化方式对变化的感知能力更强。上述实验研究表明：选取相干目标应考虑土地覆盖类型的影响，特别是在植被覆盖区域做形变分析，也需要利用气象数据对干涉图失相干情况进行评估，同时应充分利用不同极化方式的数据。