基于H/A/α分解全極化合成孔徑雷達數據的干旱區土壤鹽漬化分類

尼格拉·吐爾遜 依力亞斯江·努爾麥麥提 王遠弘

摘要：新疆土壤鹽漬化分布廣泛，選擇我國南疆渭干河-庫車河三角洲綠洲部分區域為研究區，利用全極化合成孔徑雷達數據對土壤進行分類。在多次野外考察及試驗的基礎上，針對全極化合成孔徑雷達影像提取地物物理性質的特征并準確分類的問題，提出一種綜合H/A/α & Pauli極化特征分解和支持向量機（SVM）的分類策略，簡稱H/A/α & Pauli-SVM分類模型。該模型通過H/A/α、Pauli分解法分別提取全極化合成孔徑雷達影像的7種參數作為最優極化特征，并將這些信息組合成1個特征向量，最后引入較高精度的SVM分類算法，選擇訓練樣本和驗證樣本后對全極化合成孔徑雷達影像進行監督分類和精度驗證。結果顯示，該方法相比于本研究采用的其他方法能夠得到更理想的分類結果，分類后總體精度提高到了88.87%，κ系數提高到了0.86。

關鍵詞：土壤;鹽漬化;極化分解;SVM分類;H/A/α

中圖分類號：S156.4+1;S127 ? 文獻標志碼： A ?文章編號：1002-1302（2019）22-0273-06

土壤鹽漬化是易溶性鹽分在土壤表層積累的現象或過程，是荒漠化和土地退化的主要類型之一[1]，土壤鹽漬化不僅造成資源的破壞、農業生產量的減少，而且還對生物圈和生態環境構成威脅，成為了世界范圍內的環境問題[2]。據統計，全球約有8.31億hm2土壤受到鹽漬化的危害[3]。我國是鹽漬化問題較嚴重的國家之一，鹽漬土面積大、分布廣[4]。其中，新疆是全國最大的鹽漬土壤分布區[5]，鹽堿土種類多，被稱為世界鹽漬土的博物館[6]，干旱的氣候條件造就了我國新疆為土壤鹽漬化大區[7]，為了加快對土壤鹽漬化的動態監測及治理，了解鹽漬地的性質、范圍、地理分布、面積、動態變化和鹽漬程度等方面的信息具有重要意義[8]。

當前，在區域范圍內用遙感監測土壤鹽漬化的應用已成為國內外學者研究的主要趨勢[9]，在遙感圖像的各類應用中，光學影像的應用范圍最廣泛，各種影像解釋技術在逐漸發展[10];然而其缺點也很明顯：很難對不穩定天氣條件下的圖像進行解譯，并且基本在白天成像，所以在時間上也有局限性[11]。近些年興起的全極化合成孔徑雷達（polarimetric synthetic aperture radar，POLSAR）是一種多通道、多參數，可以24 h成像于各種氣象條件的雷達系統。與傳統單極化合成孔徑雷達圖像相比，POLSAR數據能夠獲得目標的全極化散射信息[12]，并且將不同地物的散射特征最大程度地以矢量的形式表現出來，從而揭示地物的散射差別[13]，因此POLSAR影像應用程度和領域在不斷擴大，相應的各種圖像解譯技術也在快速發展[14]。

極化目標分解于1970年首先由Huynen提出[15]，krogager、Cloude、Pottier等做了大量的基礎性研究[16]，使得目標分解邁向了實用，各種適用于POLSAR影像分類的算法在極化特征分解研究的基礎上先后被提出，在眾多算法中，特征提取算法得到的極化特征反映地物性質的能力以及利用極化特征作為分類參考時精度是否較高等是POLSAR影像分類領域待解決的問題。為了充分發掘POLSAR數據的極化特征并利用它提取鹽漬化信息，本研究對研究區POLSAR數據進行3種極化分解，通過目視解譯和野外考察并同時結合高光譜影像選擇訓練樣本和驗證樣本，利用最大似然分類和支持向量機等監督分類方法提取研究區鹽漬地信息，進行分類后處理得到分類總體精度和κ系數，并對分類結果進行分析。

1 研究區概況及數據

1.1 研究區概況

本研究區位于渭-庫綠洲，渭-庫綠洲是我國南疆塔里木盆地北緣、中天山南麓完整且相對閉合的山前沖洪積平原綠洲，地理坐標為83°06′30′～′83°31′40′′E、41°24′45′′～41°44′50′′N[17]（圖1），屬于大陸性暖溫帶干旱氣候，具有降水量少、蒸發量大、氣候干燥等特點[18]。該研究區地下水位高，透水性差，隨著土壤表層含鹽量不斷增加，導致地表反射率的增強和植被覆蓋度的降低，形成重度、中輕度鹽漬地[19]。

RADARSAT-2是1顆搭載C波段傳感器的商業衛星，于2007年年末在哈薩克斯坦發射成功。表1為RADARSAT-2數據的主要參數， 該數據具有左右視功能和多種極化方式，用戶使用更便捷[20]。本研究選用2014年7月4日Radarsat-2四極化（HH、HV、VV、VH）雷達數據作為研究數據，并以2014年9月14日Landsat8 OLI高光譜影像數據作為參考（圖1），使得鹽漬地目視解譯、訓練樣本及驗證樣本的選擇更有效。研究區圖像通過遙感數據處理平臺ENVI的SARscape模塊進行預處理。

1.2 野外數據及分類體系

2014年7—8月對研究區進行野外實地考察和采樣，根據野外調查結果及研究區的具體實地情況，將研究區地面覆蓋類型大體分為5個大類：植被、水體、重度鹽漬地、中輕度鹽漬地和裸露地，獲取了111個訓練樣本數據和148個驗證樣本數據，每個地物類型至少有10個樣地，每個樣地至少有 1 175 像素，具體分類類別及地物特征描述如表2所示。

2 研究方法

本研究對全極化合成孔徑雷達數據采用3種極化分解方法（Pauli分解、H/A/α分解、H/A/α & Pauli分解），結合最大似然、最小距離和SVM分類模型，進而實現該區域鹽漬地信息的有效提取，本研究詳細的技術路線圖見圖2。

2.1 特征值分解理論

2.1.1 Pauli分解 散射矩陣的相干分解方法是目標分解中一類重要的分解算法。該類方法的主要內容是把散射矩陣用基本散射矩陣之積或者之和的形式表示出來，這些基本散射矩陣能夠和某種特定的散射機制相互聯系[21]。Pauli基于極化散射矩陣S分解，不同的極化基矩陣被定義而進行極化特征的提取，每一個極化基矩陣代表的地物類型不相同[22]?；镜纳⑸渚仃嘢可以用Pauli基表示為：

K表示Pauli分解得到的極化特征向量，Pauli基分解的第1項的物理意義為單次散射，第2項表示雷達與目標中心視線與二面角法平面重合的二面角散射，第3項與多次散射有關。

2.1.2 H/A/α分解 H/A/α分解是Ferro-Famil等提出和改進的基于特征矢量和特征值分解方法[23]。

2.2 分類方法

對POLSAR數據分類時獲得較高的分類精度非常重要，傳統遙感圖像分類方法計算速度慢、分類精度低，然而支持向量機（support vector machine，SVM）是一種高效率機器學習算法，反映了結構風險最小化的原則，在遙感圖像分類領域應用很廣[25]，泛化能力好于傳統的分類方法[26]，尤其是在小樣本的時候，分類精度較高且穩定[27]。所以本研究采用SVM分類方法，利用H/A/α、Pauli、H/A/α & Pauli 3種分解方法所得到的目標散射特征進行土地類型分類和鹽漬地信息的提取。分類過程包括：選擇分類特征參數組合、目視判讀選取有效的訓練樣本、進行分類處理、選擇驗證樣本、進行分類后處理得到分類結果和相應的混淆矩陣。

最小距離法是根據訓練樣本數據計算出每一類的均值向量和標準差向量，以均值向量作為特征空間中心位置，再根據圖像中每個像元到不同類型分類地物中心的距離[28]，各像元到某一類別的中心距離最小，則該像元就與之歸為一類。最大似然分類法在分類方法中得到的總體分類精度最高，制圖精度和用戶精度都能達到較高標準，漏分誤差和錯分誤差較低，而且計算時間較短[29]，因此也作為一個參照。本研究為了更好地進行精度的比對，將最小距離分類法與最大似然分類法作為參照。

3 結果與分析

3.1 全極化Radarsat-2數據極化分解

本研究對研究區Radarsat-2影像采用遙感數據處理平臺ENVI軟件SARscape開發模塊進行多種目標極化分解和特征參數提取等處理，多種極化分解所產生的極化參數按照SARscape模塊里面的表達方式描述。

H/A/α分解后，分別得到了散射角α、極化熵H、反熵A以及顏色波段紅、綠、藍等6個參數（圖3、圖4），可以看出反熵A和散射角α的圖像噪聲較大，地物物理特征不明顯，不能夠反映地物的信息。極化熵H，彩色波段紅、綠、藍圖像的信息量則更豐富及清晰。Pauli分解后得到K1、K2、K3 3個參數（圖5），相對于H/A/α分解，Pauli分解后3個參數能清晰地反映更多的地物極化信息，同時提高了圖像對比度和對地物的識別能力。在以上9個參數中選擇最優特征參數（H/A/α-H、H/A/α-紅、H/A/α-綠、H/A/α-藍、Pauli-K1、Pauli-K2、Pauli-K3）可以保留POLSAR圖像的最大信息量而抑制POLSAR數據難以去除的斑點噪聲，并在提高圖像分類精度的同時節省圖像分類需要的時間，從而提高速度和分類效率。根據H/A/α、Pauli分解后的參數特征，本研究選用H/A/α、Pauli 2種目標分解方法噪聲較小的最佳特征信息組合成H/A/α & Pauli目標分解方法，進而充分挖掘和提取POLSAR圖像中包含的豐富信息，充分發揮POLSAR數據信息豐富的優點。由圖6可以看出，H/A/α & Pauli分解的RGB合成彩色圖像比H/A/α分解圖像更清晰，能更好地反映地物的真實信息。

3.2 基于目標極化分解POLSAR圖像分類

本研究將實地野外考察和高光譜影像數據作為參考信息進行目視解譯，選取符合條件的訓練樣本及驗證樣本（表2）。訓練樣本選擇完之后均用同樣的驗證樣本進行分類后處理，以方便科學地對不同的分類方法結果進行對比分析。圖7、圖8、圖9為對3種不同的分解方法分別進行SVM方法、最大似然、最小距離分類的圖像。

從分類結果（圖9-a）可知，總體上鹽漬地主要分布在研究區的南部、東部和東南部地區。鹽漬地在綠洲以內呈現條帶狀分布，而在綠洲以外呈現片狀分布，且重度鹽漬地與中輕度鹽漬地分布區域有很多交集。3種分類方法里中輕度鹽漬地混分和錯分成植被的現象較嚴重，原因是中輕度鹽漬地有鹽生植被紅柳、鹽穗木、鹽節木、蘆葦等覆蓋，當植被覆蓋度較大時容易被混分和錯分為植被。由分類結果圖7、圖8、圖9比較可以看出，采用H/A/α & Pauli分解分類后的3種分類結果都比較理想，H/A/α分解后3種不同方法分類結果較差，尤其是H/A/α-最小距離方法的重度和中輕度鹽漬地誤分現象比較嚴重，且“椒鹽”現象比較明顯，相對而言Pauli分解后采用的3種分類方法能使這種現象明顯減少。本研究根據野外考察得到的驗證樣本數據，定量分析H/A/α & Pauli-SVM分類模式的效果，統計了12種分類模型分類總精度以及κ系數2個反映分類器效果的指標，這2個指標的數值越大，代表分類性能越好，具體精度評價見表3。

對未極化分解圖像（四極化分量組合）分類時，采用最小距離與最大似然法得到的總體精度相差較小，分別為 75.78%、75.55%，κ系數分別為0.70、0.69，采用SVM分類時總體精度為76.36%，κ系數為0.70。H/A/α分解方法后進行的3種不同分類中，H/A/α-SVM的精度最高，相比于H/A/α-最小距離與H/A/α-最大似然，總體精度分別從76.39%、 77.49%提高到 81.04% ，κ系數分別由 0.69、0.71提高到0.75。Pauli分解分類方法中，Pauli-SVM的總體精度相比于Pauli-最小距離與Pauli-最大似然分別提高4.92%、2.72%，κ系數分別提高0.08、0.04。在H/A/α & Pauli分解分類方法中，H/A/α & Pauli-SVM分解的總體精度與κ系數最高，總體精度分別比H/A/α & Pauli最小距離與H/A/α & Pauli-最大似然高6.86%、1.21%，κ系數分別提高 0.08、0.01。在對3種不同分解方法進行最小距離分類時，H/A/α & Pauli-最小距離方法的總體精度比H/A/α- 最小距離、Pauli分解-最小距離高5.62%、1.79%，κ系數分別提高0.09、0.06。對于SVM分類法而言，H/A/α & Pauli-SVM的總體精度最高，相比H/A/α-SVM、Pauli-SVM方法總體精度從81.04%、85.14%提高到了88.87%，κ系數也從0.75、0.80提高到0.86。對于最大似然分類方法而言，H/A/α & Pauli-最大似然的總體精度最高，相比H/A/α-最大似然、Pauli-最大似然方法總體精度從77.49%、82.42%提高到了87.66%。

總而言之，就分解方法而言，H/A/α、Pauli分解法相比于未進行分解的四極化圖像能夠較好地提高精度，本研究提出的H/A/α & Pauli方法則更具有優勢，是一種很好的分類特征的選擇。在3種分類方法中，SVM分類法具有分類優勢能夠獲得更高的精度，基于最大似然準則的分類方法與最小距離方法的推廣性和泛化能力不足。通過試驗結果對比和分析可知，極化分解后的分類精度比未分解（4個極化分量組合）時要高，組合不同目標分解后的最優特征分量能夠顯著地提高分類后精度。本研究提出的H/A/α & Pauli-SVM方法不僅降低了極化信息的冗余度，綜合概括了POLSAR數據豐富的極化信息，并且能最大程度地減少POLSAR數據本身攜帶的斑點噪聲。通過構建H/A/α & Pauli-SVM分類模型，斑點噪聲較大的極化特征分量（如H/A/α-散射角、H/A/α-α）被剔除，較有效地克服了SAR圖像的斑點噪聲問題。

4 結論

本研究針對H/A/α與Pauli 2類分解方法各自的特點和近年來基于模型的分解研究進展，采用一種H/A/α & Pauli-SVM分類方法。該方法利用H/A/α分解獲得噪聲較小的散射熵H和彩色波段紅、綠、藍，同時加入Pauli分解得到的奇次散射、偶次散射、體散射等極化特征，最后利用SVM方法進行分類。結果表明，該方法最大程度地提取了目標地物極化信息，增加了圖像的信息量和可判讀程度。目標極化分解參數作為特征信息分類處理比起未進行分解的圖像來說可以得到較好的效果。在相同訓練樣本的情況下，所得分類總體精度最高，相比H/A/α-SVM、Pauli-SVM方法總體精度從81.04%、85.14%提高到了88.87%，κ系數也從0.75、0.80提高到了0.86。但中輕度鹽漬地混分和錯分成植被的現象較嚴重，原因是中輕度鹽漬地有鹽生植被紅柳、鹽穗木、鹽節木、蘆葦等覆蓋，容易被混分和錯分為植被。本研究采用的H/A/α & Pauli-SVM分類方法利用全極化POLSAR數據，通過目標極化分解方法并用最優參數組合成為分類特征信息能夠得到較理想的分類結果，證明該方法對提取鹽漬化信息以及對土壤鹽漬化監測具有優勢和潛力。

參考文獻：

[1]李紅軍. 公路建設在鹽漬土路段路基填料改性技術研討[J]. 中國西部科技，2007（11）：22-23，25.

[2]翁永玲，戚浩平，方洪賓，等. 基于PLSR方法的青海茶卡-共和盆地土壤鹽分高光譜遙感反演[J]. 土壤學報，2010，47（6）：1255-1263.

[3]于沛玉. 鹽脅迫下K+對珠美海棠幼苗生理特性的影響[D]. 天津：天津農學院，2014.

[4]李建國，濮勵杰，朱 明，等. 土壤鹽漬化研究現狀及未來研究熱點[J]. 地理學報，2012，67（9）：1233-1245.

[5]樊自立，喬 木，徐海量，等. 合理開發利用地下水是新疆鹽漬化耕地改良的重要途徑[J]. 干旱區研究，2011，28（5）：737-743.

[6]張琦珠. 新疆鹽堿土的改良利用——第一講：鹽堿土的概念及新疆鹽堿土的形成[J]. 新疆農墾科技，1983（1）：58-60

[7]田長彥，周宏飛，劉國慶. 21世紀新疆土壤鹽漬化調控與農業持續發展研究建議[J]. 干旱區地理，2000，23（2）：177-181.

[8]關元秀，劉高煥，劉慶生，等. 黃河三角洲鹽堿地遙感調查研究[J]. 遙感學報，2001，5（1）：46-52.

[9]關元秀，劉高煥. 區域土壤鹽漬化遙感監測研究綜述[J]. 遙感技術與應用，2001，16（1）：40-44.

[10]李 軍. 光學遙感圖像在艦船目標檢測中的應用分析[J]. 艦船電子工程，2016，36（10）：30-34，103.

[11]趙孟銀. 遙感影像去云方法研究[D]. 天津：天津科技大學，2016.

[12]王云艷. 基于多層網絡模型的全極化SAR圖像分類[D]. 武漢：武漢大學，2015.

[13]曲永超. 基于極化目標分解的全極化Radarsat-2圖像分類[D]. 南京：南京大學，2016.

[14]肖 艷. 面向對象的PolSAR影像分類研究[D]. 長春：吉林大學，2017.

[15]王春樂，禹衛東. Huynen類型目標分解方法的比較與分析[J]. 中國科學院大學學報，2011，28（3）：402-409.

[16]丁維雷. 基于全極化雷達的目標識別方法研究[D]. 哈爾濱：哈爾濱工程大學，2013.

[17]王 娟，張 飛，于海洋，等. 基于LUCC的渭干河-庫車河三角洲綠洲水文及生態特征[J]. 水土保持研究，2016，23（2）：236-242.

[18]李 飛. 中國西北干旱區潛在植被的演替[D]. 蘭州：西北師范大學，2009.

[19]白燕英. 基于多時相遙感影像的鹽漬化農田表層土壤水分反演研究[D]. 呼和浩特：內蒙古農業大學，2014.

[20]陳思偉，代大海，李 盾，等. Radarsat-2的系統組成及技術革新分析[J]. 航天電子對抗，2008，24（1）：33-36.

[21]黃曉東. 極化目標模型分解的不一致性研究[D]. 武漢：中國地質大學，2013.

[22]何 密，李永禎，王雪松，等. 基于Pauli基分解的極化校準算法[J]. 宇航學報，2011，32（12）：2589-2595.

[23]Ferro-Famil L，Pottier E，Lee J S. Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing，2017，39（11）：2332-2342.

[24]朱海洲，賈銀山. 基于支持向量機的遙感圖像分類研究[J]. 科學技術與工程，2010，10（15）：3659-3663.

[25]吳建寧，王 玨. 基于支持向量機的步態分類方法[J]. 測試技術學報，2006，20（4）：299-303.

[26]趙傳峰，姜漢橋，郭新華. 支持向量機在小樣本預測中的應用[J]. 油氣田地面工程，2009，28（2）：21-23.

[27]陳超祥，陳華鋒，葉時平. 高分辨率影像中基于紋理的建筑區信息提取[J]. 計算機工程，2011，37（21）：126-130.

[28]金 杰，朱海巖，李子瀟，等. ENVI遙感圖像處理中幾種監督分類方法的比較[J]. 水利科技與經濟，2014，20（1）：146-148，160.