双极化SAR参数对植被干旱响应的显著性分析

王克晓 虞豹 黄祥 李波

王克晓，虞豹，黄祥，等.双极化SAR参数对植被干旱响应的显著性分析[J].南方农业，2023，17（11）：1-5，9.

摘 要 为探索以Sentinel-1为代表的双极化SAR参数对植被干旱信息的可表达性，基于相关分析和主成分变换法分析了相关光学遥感干旱指数及干旱主要信息分量与Sentinel-1特征参数的相关性，并对干旱条件下IRV和IDPRV参数对不同植被类型的响应进行分析，结果表明：基于光学遥感的干旱指数均能不同程度地反映植被的受干旱胁迫程度，植被指数INDV侧重于从植被长势方面的表达，温度干旱指数ITC偏向于从地表环境温度的角度来反映干旱情况，综合植被-温度干旱指数IVTC偏重于地表温度对其响应，而IVSW兼顾植被长势与地表温度的双重影响且与水分干旱指数显著相关；雷达植被指数IRV、双极化雷达植被指数IDPRV与干旱主要分量信息的相关系数分别为-0.79、-0.65，适合于评估地表植被受干旱程度；IRV和IDPRV对四种土地覆被之间的可区分性整体趋势基本一致，但IRV比IDPRV具有更高敏感性。本研究可为西南山区农业遥感干旱信息监测提供参考。

关键词 植被；干旱响应；光学干旱指数；双极化SAR参数；相关性

中图分类号：S16 文献标志码：A DOI：10.19415/j.cnki.1673-890x.2023.11.001

干旱对农业生产影响重大，且具有显著的区域化特征[1-2]。由于卫星传感器能够宏观地获取地表土壤、植被等地表覆盖物的多源信息，使得基于卫星遥感的农业干旱监测方法已经成为当前用来监测和表征区域农业干旱监测的最有效手段[3-4]。近年来，国内外诸多学者基于卫星遥感数据发展了大量的可用于农业旱情监测的方法，主要是利用可见光、近红外光、短波红外光及热红外光等光学遥感数据的波段信息反演遥感干旱指数和利用合成孔径雷达（Synthetic Aperture Radar，SAR）技术，通过监测土壤水分实现区域农业干旱程度定量化评估[5-8]。然而我国西南山区多云雾，严重影响光学遥感影像的数据质量，从而极大地限制了光学遥感技术在我国西南地区农业干旱监测中的应用；而在诸多基于SAR技术农业干旱监测的相关研究中，应用较多也是全极化SAR影像数据，其成本相对较高、重访周期相对较长，不利于作物物候期内多时相数据的连续获取。欧洲航天局的Sentinel-1影像为双极化SAR数据集，周期短、数据源稳定，并且可以免费获取，非常有利于农业干旱监测工作的业务化运行。因此，探索Sentinel-1双极化SAR特征参数对植被干旱信息的可表达性对于利用SAR技术开展西南山区农业干旱监测有重要意义。

本研究基于Sentinel-2多光谱影像和Landsat 8 OLI/TIRS热红外波段构建相应光学遥感干旱指数及其主成分变换主要分量，并与Sentinel-1特征参数进行相关性分析，同时比较不同IRV和IDPRV对不同植被类型的干旱响应分析，探索Sentinel-1双极化SAR参数对植被干旱的可表达性，旨在为西南山区农业干旱信息监测提供参考。

1  数据与方法

1.1  研究区概况

巴南区（见图1）是重庆市主城九区之一，位于重庆市主城区南部，东经106°26′2″～106°59′53″、北纬29°7′44″～29°45′43″，总面积1 825 km2。区内多为河谷丘陵及长条状低山地貌，地势起伏层次分明，以丘陵为主，高山、丘陵、湿地、河谷皆具。气候属亚热带湿润气候区，四季分明，春早秋迟，夏热冬暖，盛夏多伏旱，冬季多云雾，日照少，湿度大，四季均宜作物生长。

1.2  数据选择与处理

选择研究区夏季严重干旱季节的遥感影像数据源，其中光学干旱指数和SAR特征参数所需数据源均为2022年8月11日同天成像的L2A级Sentinel-2多光谱影像和Sentinel-1影像IW模式的双极化单复视（Single looking complex， SLC）产品。地表温度数据由气温稳定、时间差较短的2022年8月13日成像的Landsat 8 OLI/TIRS的热红外波段反演获取。Sentinel-2产品已经过辐射定标、几何校正和大气校正等预处理过程，为保持与温度产品分辨率的一致性，利用ENVI软件完成其可见光-红边-近红外-短波红外等波段降分辨率重采样为30 m的数据集获取和光学干旱指数的计算。同时基于SNAP软件平台完成Sentinel-1影像数据的轨道校正、辐射定标、条带拼接、极化矩阵生成、多视及地形校正等处理过程，获得分辨率为30 m的极化协方差矩阵C2数据进行双极化SAR参数特征提取。

土地覆被类型数据通过武汉大学杨杰和黄昕教授团队发布的重庆市2021年30 m分辨率的中国土地覆盖数据集裁剪获得，并提取农田、森林、灌木和草地等四种土地覆被类型作为研究对象，参考基准为WGS-84投影坐标系[9]。

1.3  研究方法

1.3.1  SAR参数与干旱遥感相关指数选取

SAR参数与植被含水量密切相关，可以用来估算与含水量相关的植被特性[10]。根据Sentinel -1数据的双极化通道特征提取IRV[11]、IPRV[12]、IDPRV[13]，三个植被指数和同极化后向散射系数σ0vv等四个SAR参数进行分析，其中相关的雷达植被指数计算公式如式（1）～（4）所示。另外，基于已有的主要光学干旱遥感监测指数，结合Sentinel 2与Landsat 8 OLI/TIRS遥感影像所能提供的波段信息，本研究选用如表1所示的光学干旱遥感指数。

式中，IRV为雷达植被指数（radar vegetation index），IPRV为极化雷达植被指数（polarimetric radar vegetation index），IDPRV為双极化雷达植被指数（dual polarimetric radar vegetation index）；[σ0VH]、[σ0VV]分别为VH、VV极化时的散射系数；αDOP为精度衰减因子（dilution of precision），C2为双极化协方差矩阵，λ1、λ2为矩阵C2的特征值，det（[C2]）为矩阵C2的行列式值，Trace[C2]为矩阵C2的迹。

1.3.2  地物类型样点分布设计

以1 km间距在研究区内构建格网，并以逐个单元格中心为样本分布点。为使图斑数量相对较少的灌木和草地类型有一定的样本点数，通过多边形转点的方式将其图斑中心增设为样本点。同时，基于SNAP平台对Sentinel-2影像的云掩膜文件进行阈值分割，识别其云层覆盖与阴影范围，使所有样本点位均位于影像云层及阴影以外（见图2）。

1.3.3  相关性分析

Pearson相关分析是一种简单的可用以衡量两个变量之间相关性的方法，其值介于-1和1之间，其绝对值越大，相关性则越强。其表达式如下：

式中，rp为相关系数，xi、yi分别为变量x、y的样本观测值，其平均值分别为[x]、[y]，n为样本观测量。

1.3.4  主成分变换

主成分变换（PCA）是在波段统计特征的基础上，通过正交变换将多波段影像中有用的信息集中到少数几个主成分影像中，并使这些主成分影像之间互不相关，从而达到数据降维的目的[15]。本研究利用主成分变换方法对前述光学遥感干旱指数特征集组合进行变换，提取能够表征干旱程度的主成分波段信息，便于与SAR特征参数进行相关分析，探索不同SAR特征参数对植被干旱程度的可表达性。

2  结果与分析

2.1  光学遥感干旱指数的相关性

基于地物类型样点的光学遥感干旱指数间的相关系数如图3，可以看出，干旱指数在0.001的水平下都呈现极为显著的相关性，说明上述干旱指数均能不同程度地反映植被的受干旱胁迫程度，但各指数間的相关性大小差异较大。植被指数INDV与温度干旱指数ITC的相关系数为0.56，综合植被-温度干旱指数IVTC与ITC的相关系数值为0.88，与INDV的相关系数仅为0.21；而IVSW与ITC、INDV的相关系数分别为0.75和0.96，说明IVTC主要偏重于地表温度对其响应，而IVSW则兼顾了植被长势与地表温度的双重影响。水分干旱指数中，IGVM与ISIWS、IMS的相关性较高，rp值均在0.97以上，但方向为负；而与IVSD的相关值为0.78。整体上看，水分干旱指数与植被指数INDV的相关性均高于与温度干旱指数ITC的相关性，并与综合植被-温度干旱指数IVSW的相关系数值基本一致。

2.2  干旱主成分与双极化SAR参数的相关性

利用主成分变换法分别对上述八个光学干旱遥感指数进行信息融合变换，定量耦合不同干旱评估指标的同时去除其冗余信息，获取能够表征干旱程度最大信息量的主要主成分分量。在提取的八个主成分中，其中前两个主成分的贡献率分别为71.73%和21.29%，累计贡献率达到93%，表明前两个主成分能够较好表达研究区的干旱信息。利用前两个主成分与SAR参数进行相关性分析（见图4），可以看出本研究所选取的四个SAR参数与光学遥感指数的前两个主成分存在不同显著水平的相关性，但相关系数值各有不同。雷达植被指数IRV、极化雷达植被指数IPRV、双极化雷达植被指数IDPRV及VV极化通道的后向散射特征σ0vv与第1主成分的相关系数分别为-0.79、-0.16、-0.65和0.33，相关系数对比结果说明IRV和IDPRV两个参数更适合于作为评估地表植被干旱程度的监测指标。

2.3  IRV与IDPRV对不同植被类型的响应

为比较干旱条件下IRV和IDPRV对不同植被类型的响应程度，本研究基于SAR影像特征分别绘制了两者对农田、森林、灌木及草地等四种土地覆被的箱型分布图（见图5）。可见，在IRV和IDPRV两个SAR参数特征上，四种土地覆被之间的可区分性整体趋势基本一致：即农田与森林、灌木和草地的区分性及草地与森林的区分性均较为显著，灌木和草地的可区分显著性水平相对减小。在IRV特征上，森林与灌木的区分显著水平为0.01，而其他土地覆被间的区分显著性均为0.000 1；在IDPRV特征上，森林与灌木的区分显著水平仅为0.05，农田与灌木和草地的区分显著性为0.001。对比可知，干旱条件下，IRV比IDPRV在对不同植被类型的可区分性上仍具有很高敏感性，不仅适用于植被类型的区分，还可用于不同植被类型的干旱程度监测。

3  结论

本研究在分析相关光学遥感干旱指数相关性的基础上，通过主成分分析获取能够表示干旱信息的主要信息分量，并与Sentinel-1数据提取的SAR特征参数进行相关性分析，开展干旱条件下由其衍生的IRV和IDPRV两个参数对不同植被类型的响应分析，结论如下。

1）相关光学遥感干旱指数间相关性表明，不同类型的干旱指数侧重表达的方面不同，植被指数INDV用于干旱监测主要侧重于从植被长势方面的表达，温度干旱指数ITC则主要从地表环境温度的角度来反映干旱情况。而不同的综合植被-温度干旱指数所表达的侧重点也有所不同，IVTC偏重于地表温度对其响应（rp=0.88），IVSW则兼顾了植被长势与地表温度的双重影响。水分干旱指数中，IGVM、ISIWS、IMS三个指数存在较高相关性，且与IVSW的相关系数值也均在0.8以上。

2）基于主成分变换的干旱最大信息分量与SAR参数的相关性分析，雷达植被指数IRV、双极化雷达植被指数IDPRV与干旱最大分量信息的相关系数分别为-0.79和-0.65，表明IRV和IDPRV两个参数更适合于评估地表植被受干旱程度。

3）IRV和IDPRV对农田、森林、灌木及草地等不同土地覆被的箱型分布表明，IRV和IDPRV对四种土地覆被之间的可区分性整体趋势基本一致，但IRV比IDPRV具有更高敏感性。

参考文献：

[1]  王利民，刘佳，张有智，等.我国农业干旱灾害时空格局分析[J].中国农业资源与区划，2021，42（1）：96-105.

[2]  赵海燕，张文千，邹旭恺，等.气候变化背景下中国农业干旱时空变化特征分析[J].中国农业气象，2021，42（1）：69-79.

[3]  姚远，陈曦，钱静.遥感数据在农业旱情监测中的应用研究进展[J].光谱学与光谱分析，2019，39（4）：1005-1012.

[4]  刘宪锋，朱秀芳，潘耀忠，等.农业干旱監测研究进展与展望[J].地理学报，2015，70（11）：1835-1848.

[5]  黄友昕，刘修国，沈永林，等.农业干旱遥感监测指标及其适应性评价方法研究进展[J].农业工程学报，2015，31（16）：186-195.

[6]  吴泽棉，邱建秀，刘苏峡，等.基于土壤水分的农业干旱监测研究进展[J].地理科学进展，2020，39（10）：1758-1769.

[7]  宋扬，房世波，卫亚星.农业干旱遥感监测指数及其适用性研究进展[J].科技导报，2016，34（5）：45-52.

[8]  胡文英，罗永琴.农业干旱遥感监测模型综述[J].云南地理环境研究，2013，25（4）：51-55.

[9]  YANG J， HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data， 2021， 13（8）：3907-3925.

[10]  谢小曼，李俐，张迁迁，等.SAR遥感指数研究进展[J].中国农业信息，2019，31（5）：13-24.

[11] TRUDEL M， CHARBONNEAU F， LECONTE R. Using RADARSAT-2 polarimetric and ENVISAT-ASAR dual-polarization data for estimating soil moisture over agricultural fields[J]. Canadian Journal of Remote Sensing， 2012， 38（4）： 514-527.

[12] GEBA C J， MAXIM S，YISOK O. Polarimetric Radar Vegetation Index for Biomass Estimation in Desert Fringe Ecosystems[J]. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56：7102-7108.

[13] MANDAL D ， KUMAR V ， RATHA D， et al. Dual polarimetric radar vegetation index for crop growth monitoring using sentinel-1 SAR data[J]. Remote Sensing of Environment， 2020， 247： 111954.

[14]  韩东，王鹏新，张悦，等.农业干旱卫星遥感监测与预测研究进展[J]，智慧农业（中英文），2021，3（2）：1-14.

[15]  杨博雄，杨雨绮.利用PCA进行深度学习图像特征提取后的降维研究[J].计算机系统应用，2019，28（1）：279-283.

（责任编辑：丁志祥）