基于高分三號極化SAR數據的農作物散射特性分析及分類

高 晗，汪長城,2，楊敏華，胡燦程，羅興軍

(1.中南大學 地球科學與信息物理學院，湖南 長沙 410083;2.中南大學 有色金屬成礦預測教育部重點實驗室，湖南 長沙 410083)

2016-08-10，我國自主研發的首顆高分辨率、多極化通道的C波段合成孔徑雷達(SAR)衛星—高分三號(GF-3)衛星成功發射，其具備12種成像模式，空間分辨率最高可達1 m[1]。這縮短我國在星載SAR系統方面和國際上的差距，同時是我國在對地觀測領域前進的重要一步。GF-3衛星擁有SAR衛星不受云霧、天氣影響的優勢，可以全天候、全天時對海洋和陸地進行監測，而且其獨特的左右姿態模式機動地擴大觀測范圍，提高災害發生時的快速響應能力。雖然以上這些優勢使得GF-3衛星的應用空間十分廣泛，但迄今為止，國內學者研究GF-3衛星的研究重點主要局限在幾何定位[2-3]、圖像質量增強[4]、海洋定量遙感[5-6]、艦船識別[7]等以海洋為主的應用領域，而針對極化SAR地物分類，尤其是極化SAR農作物分類方面的研究還很少。與傳統的光學遙感手段相比，使用極化SAR數據對農作物進行分類，不僅可以克服惡劣天氣和云霧遮蓋的影響，而且還可以借助不同極化通道對農作物結構信息敏感的特點，對農作物進行更為精準的分類，這也對我國“精細農業”的實行和推廣大有裨益[8]。

本文針對GF-3衛星的多極化特征進行研究，選取湖南省岳陽縣洞庭湖流域的一塊農田區作為實驗區域，深入分析不同農作物的極化散射特性。然后分別利用H/α-wishart和H/A/α-wishart分類方法進行農作物分類并進行精度評定。

1 實驗數據及預處理

GF-3衛星的各項圖像質量指標已經通過了在軌驗證[9]和實地驗證[10-11]，其極化隔離度≥37 dB，極化幅度不平衡度<0.3 dB，極化相位不平衡度<±6.9°，噪聲等效后向散射系數≤-20 dB(空間分辨率為1～10 m)，其相對輻射精度為0.7～0.8 dB，絕對輻射精度為1.3～1.4 dB，輻射分辨率<3.0 dB(空間分辨率為1～10 m)，以上指標已經可以滿足不同行業用戶的應用需求。本實驗所用數據為GF-3全極化數據，其具體參數見表1。

表1 衛星參數情況

實驗區域位于湖南省岳陽縣洞庭湖流域。如圖1所示，本文獲取位于該實驗區10 m分辨率的Sentinel-2A光學影像作為對比。光學影像獲取時間與GF-3影像獲取時間為同一天，均為2017-09-15。GF-3的原始數據類型為壓縮后的16位tiff格式，將每個極化通道的數據讀入后，分別得到其實部和虛部。首先要將其強制類型轉換為32位float格式，之后再將實部和虛部進行融合，轉換為復數格式。然后使用高分三號原始數據中提供的定標常數對不同極化通道的散射幅度進行校正，并使用校正后的散射矩陣求得極化相干矩陣T3，并基于T3進行Non-Local濾波。濾波后，對極化數據進行H/A/α分解，統計不同農作物的極化特征，并分析其極化散射特性。最后進行H/α-wishart分類和H/A/α-wishart分類，并評價分類精度。圖2為實驗的整體流程圖，圖3為Non-Local濾波前后的Pauli基偽彩色合成圖。Non-Local濾波[12]是一種極化SAR影像濾波方法，其因為斑點噪聲的高抑制性和細節信息的高保真性，受到行業內廣泛的使用。最后對實驗區進行實地調查，選取了6種主要地物，其中農作物有4類，真實地物覆蓋情況如圖4所示。

圖1 實驗區概覽圖，光學影像為Sentinel-2A數據(10 m分辨率)

2 農作物極化散射特性分析

2.1 H/A/α分解

極化相干矩陣T3是一種基于Pauli基散射向量k的二階統計矩陣：

(1)

圖2 實驗整體流程

圖3 極化SAR影像Pauli基偽彩色合成

圖4 實驗區真實地物類別覆蓋情況

而H/A/α分解方法[13]是國際上公認的反映目標物理散射機制的一種極化分解方法，其主要思想是將T3分解為3種相互獨立的散射機制，其對應的特征值分別代表3種散射機制所占的權重。

1)極化散射熵H代表3個特征值在統計意義上的無序性，其式：

(2)

(3)

其中λi表示對應散射機制的特征值，Pi表示其偽概率。

2)極化散射角α代表該像元主導的散射機制類型，其范圍為[0°,90°]。當α∈[0°,42.5°)，主導的散射機制是表面散射；當α∈(42.5°,47.5°]，主導的散射機制是體散射；當α∈(47.5°,90°]，主導的散射機制是二面角散射。

3)極化散射各項異性度A沒有具體的物理含義，它是為了進一步區分在高熵區域內兩個次優的散射機制的相對大小，其式：

(4)

2.2 實驗區農作物極化散射特性分析

農作物極化散射特性的分析主要通過極化特征的統計來進行。本文對不同類別的農作物及其地物進行極化特征的統計，在這里不僅統計H/A/α分解得到的3個參數的分布，而且還統計同極化通道HH和交叉極化通道HV下的后向散射系數的分布，以及同極化通道HH和VV之間的極化相位差分布見圖5和表2。H/A/α分解得到的極化散射熵H和極化散射角α可以表征地物的物理特征

圖5 極化散射特征統計圖

Hα/(°)Ameanstdmeanstdmeanstd荷塘0.800.0542.754.360.470.09西瓜(大棚)0.820.0436.953.640.230.07二季水稻0.810.0846.602.950.240.10一季水稻0.860.0545.432.75 0.250.08水體0.660.0529.722.530.370.08裸地0.720.0730.304.720.250.09σHH/dBσHV/dBΔφHH_VV/(°)meanstdmeanstdmeanstd荷塘-3.241.53-12.101.75-17.2030.32西瓜(大棚)-5.750.77-12.340.89-13.7610.66二季水稻-6.441.50-14.091.46-14.8037.95一季水稻-8.111.18-14.941.04-5.9026.23水體-20.252.77-27.102.42-2.0441.55裸地-8.390.97-15.901.38-7.9011.24

和結構信息，而各項異性度A則可以進一步將地物進行劃分。另外，對于C波段SAR數據，同極化通道間的極化相位差對農作物的結構表征十分重要，其在一定程度上表示了微波在農作物內部的穿透深度。

圖5為極化熵H、極化散射角α等6個極化特征在不同類別下的統計分布曲線。通過圖5和表2的結果可以得到以下結論：

1)水體的熵均值最低，其次是裸地，這是由這兩種地物本身較高的同質性導致的。從極化散射角來看，水體和裸地這兩類都表現出很明顯的表面散射。這說明使用H和α可以很好地將水體和裸地與農作物分離開來。從同極化通道和交叉極化通道的后向散射系數分布來看，水體的后向散射系數分布曲線明顯不同于裸地及農作物；

2)西瓜(大棚)與其余農作物相比，其極化散射角主要分布在[20°,40°]之間，呈現表面散射，這與實際情況很吻合。因為在9月，西瓜是在大棚里進行種植。而且從同極化通道的后向散射系數分布曲線和極化相位差分布曲線來看，西瓜(大棚)與其余農作物的區分度也較高；

3)從極化散射角分布曲線來看，荷塘、二季水稻和一季水稻都表現為體散射，這是因為C波段的穿透能力較差，微波主要作用于這3種作物的冠層；

4)雖然荷塘使用各項異性參數來進行區分，但荷塘的同極化后向散射系數分布與其余農作物的后向散射系數分布相比有更大的差異，其同極化后向散射系數均值明顯大于其余農作物；

5)二季水稻和一季水稻因結構較相似，在后向散射系數、極化散射熵、極化散射角和各項異性參數上的分布差異較小，經典的幾種極化特征很難將二者區分開來。然而二者的極化相位差的差異較大，主要原因在于其處于不同的生長周期。

3 極化SAR農作物分類

3.1 非監督分類方法

本文使用H、A和α3個極化分解參數可以按照H/α分類平面或H/A/α分類空間對極化圖像進行劃分，如圖6所示，將本文實驗數據參數分解的情況投影在3個平面——H/α平面、H/A平面和A/α平面。所劃分的每一類都有對應的物理表示。

通過上述劃分后，可以將H/α分類結果或H/A/α分類結果作為初始分類，然后進行wishart分類迭代。其迭代原則為距離最小原則，其wishart距離式為:

(5)

3.2 實驗區農作物分類結果

首先，本文分別使用H/α分割和H/A/α分割來對實驗區的農作物進行初始劃分，之后使用wishart迭代得到分類結果，結果如圖7所示。然后本文對分類的精度進行評價，得到兩種分類方法所對應的混淆矩陣，如表3和表4所示。最終得到H/α-wishart分類結果的整體精度為85.30%，Kappa系數為0.822 4；而H/A/α-wishart分類結果的整體精度為86.57%，Kappa系數為0.837 7。后者的分類精度整體上略高于前者。

圖6 分類平面投影

圖7 實驗區農作物分類結果圖

%

表4 H/A/α-wishart分類混淆矩陣 %

從混淆矩陣來看，H/A/α-wishart分類所增加的各項異性參數A進一步將水體和裸地與農作物類別分離開來，而且其使得二季水稻分類精度更高。就具體的地物類別來看，以表面散射為主的水體、裸地和西瓜(大棚)平均精度都較高，在90%以上，荷塘和一季水稻的平均精度在80%～90%之間。而二季水稻的平均精度不到60%，造成這種情況的主要原因是經典的極化分類方法無法將二季水稻和一季水稻很好地區分。最后，如圖8所示，本文將兩種方法的精度進行比較后，可以得出結論：就農作物分類而言，H/A/α-wishart整體上要略優于H/α-wishart分類，但就工程應用來說，兩者的結果都可以滿足基本要求。

圖8 分類精度對比直方圖

4 結 論

為了驗證GF-3衛星的多極化特征是否可以用于農作物分類，本文選取洞庭湖流域的農田區域進行實驗。實驗首先對極化SAR數據進行預處理，其中濾波方法選用Non-Local濾波，然后對極化SAR數據進行H/A/α分解，針對分解得到的3個參數以及同極化HH后向散射系數、交叉極化HV后向散射系數和同極化相位差共6個極化特征進行不同類別的統計分析后，得出GF-3衛星對農作物及水體和裸地的表征正常。最后利用H/α-wishart和H/A/α-wishart兩種分類方法對進行分類，結果表明兩種方法的分類精度都達到了85%以上，Kappa系數大于0.8，而且經過精度對比，后者的整體精度略高于前者。綜上所述，GF-3衛星極化SAR數據可以正確反映農作物的極化散射特征，并可以用于極化SAR農作物分類的相關研究。