基于最佳特征矢量組合的遼河口濕地分類研究

包德高，王啟龍，黃紅日

(遼寧省水利水電勘測設計研究院有限責任公司，遼寧 沈陽 110000)

遼河口濕地站是國家陸地生態系統定位觀測研究站網的重要站點，也是遼寧省唯一的濕地生態站，對國際重要濕地遼河口濕地保護與生態修復具有重要的理論與數據支撐作用，其中最主要的一項研究就是濕地的分類研究，濕地分類是濕地研究的基礎，是濕地遙感解譯工作的關鍵技術。

1 研究區域概況及數據介紹

遼河口濕地位于渤海遼東灣的頂部、遼河三角洲中心區域，總面積約為50000hm2，生態類型豐富，文章將遼河口濕地分為淺海水域、草本沼澤、淤泥質沙灘、庫塘、河流、稻田和灌叢沼澤等7類。

文章在提取多種極化特征的基礎上，研究面向遼河口濕地地物類型的最佳極化特征矢量組合，并在此基礎上實現該區域的極化SAR影像濕地分類，技術路線如圖1所示。

圖1 技術路線

文章以RADARSAT-2全極化單視復影像為原始數據，成像時間為2018年7月28日，光束模式為FQ21，波束模式為右視，影像大小為5738像素×3788像素，方位×距離分辨率為5.2m×7.6m。

2 極化特征分析

部分特征對濕地地物的區分程度相似，且不同特征可以表征相同的散射特性，為了研究單一特征對各濕地地物的區分度，文章利用三維散點圖、H/A/α平面散點圖進行極化特性分析。

2.1 三維散點圖

為了分析各類濕地地物對各極化分解下的散射機理的散射特性的不同，文章采用三維空間進行分析表達。圖2以Pauli分解[1]為例。

T11分量中各地物分布分散，草本沼澤在該極化特征中系數最大，具有明顯的集群分布；稻田、河流離群值較多，稻田的功率均值分布要比河流的大，但都沒有呈現明顯的集群分布；其余地物均呈現出明顯的集群分布，其中灌叢沼澤與淤泥質沙灘、庫塘與河流、河流與淺海水域系數較為接近，集群存在部分的交叉現象，淺海水域的系數最小，存在明顯的集群現象，由此可以看出，草本沼澤和淺海水域與其他地物的集群重疊度較低，較易區分。

T22分量中草本沼澤、稻田、河流、庫塘的系數與集群分布情況與T11分量相接近。灌叢沼澤的系數較大，集群也較為明顯，但集群與稻田等地物有部分重疊；淤泥質沙灘、淺海水域的系數較小，呈現出明顯的集群現象且相互分開，但因淺海水域的系數數量級處于10-3級，所以不予區分，可以看出，草本沼澤和淤泥質沙灘與其他地物的集群重疊度較低，較易區分。

T33分量中灌叢沼澤的系數最大，但離群值較多，且與草本沼澤的集群部分重疊；稻田與河流的系數分布分散，沒有集群；淤泥質沙灘、庫塘與淺海水域的系數較小，具有明顯的集群現象且相互分開，但因淺海水域的系數數量級處于10-4級，所以不予區分，由此可以看出，淤泥質沙灘和庫塘與其他地物的集群重疊度較低，較易區分。

利用相同的方式依次分析Pauli、Freeman、MCSM、NNED和Yamaguchi分解中各特征關于7類地物的三維散點圖。不同的地物在不同的特征中的均值不同，集群分布也不同。一般情況下，草本沼澤和灌叢沼澤在各特征中均值均較大，而庫塘、河流和淺海水域的均值均較小，因此淺海水域的系數最小。

2.2 H/A/α平面散點圖

H/A/α分解是一種非相干分解方法，包含的信息十分豐富，應用非常廣泛。圖2為各類樣本在H/α、H/A和A/α二維平面的空間分布圖。從圖2中可以看出，草本沼澤、稻田、灌叢沼澤與淺海水域、淤泥質沙灘、庫塘、河流處于不同的分布范圍，呈現出明顯的區別；在H/α平面、A/α平面和H/A平面中，草本沼澤和灌叢沼澤與其他地物可區分度較高，不存在明顯或大面積的遮擋，其余地物相互間的遮擋現象嚴重，有的甚至是完全被掩蓋。因此，只有草本沼澤和灌叢沼澤可以在H/α平面、A/α平面和H/A平面中區分開來。

圖2 Pauli分解三維散點圖

文章提及的極化分解方法中存在不同特征表征相同的意義，如OddFr、OddMCSM、OddNNED、OddYa和T11均表示表面散射。并且通過極化特性分析可知，不同特征對濕地地物的區分程度相近，如草本沼澤在DblMCSM和T22均區分度較高，且不同特征可以表征相同的散射特性，如DblMCSM和T22，從而造成信息冗余。因此，為了提高濕地分類精度，需要對各特征進行處理，文章通過相關性分析和PCA降維等方法，得到最佳特征矢量組合，使其包含最能表征濕地地物散射特性的特征，從而更易區分各濕地地物。

3 最佳特征矢量組合

文章通過相關性分析，對高相關性特征進行PCA降維，得到第一主成分和第二主成分，再結合低相關性特征，確定最佳特征矢量組合，使其包含最能表征濕地地物散射特性的特征，從而更易區分各濕地地物。

將OddFr、OddNNED、OddMCSM、OddYa、DblFr、DblNNED、DblYa、VolFr、VolNNED、VolYa和T33經PCA降維[2]后的第一主成分和第二主成分與DblMCSM、VolMCSM、T11、T22、H、A和α 七個低相關性的特征作為最佳特征矢量組合，具體見表1。

表1 最佳特征矢量組合表

利用最佳特征矢量組合進行分類，不但能夠減少分類過程中的數據冗余，降低計算量，提高分類效率，而且可以準確表征地物，提高分類精度。

4 基于最佳特征矢量組合的SVM分類及精度評價

文章通過濕地分類體系、以往資料與實地調查相結合，以此為標準對文章所得的分類結果進行評價，并采用基于最佳特征矢量組合的Wishart距離的最大似然分類法、使用全部特征的基于RBF的SVM分類法以及基于聯合熵[3]的SVM分類算法作為對照組，用分類方法、使用特征數量以及特征選擇方法的不同多方面驗證分類結果的有效性，其分類結果見表2。

表2 精度對比表

從總精度和Kappa系數上看，基于最佳特征矢量組合的SVM算法總精度最高，其次是使用全部特征的基于RBF的SVM算法，基于聯合熵的SVM算法次之，基于最佳特征矢量組合的Wishart算法最低。基于最佳特征矢量組合的SVM算法的總精度和Kappa系數分別為93.32%和91.56%。

圖3 H/A/α分解散點圖

4種分類算法對于研究區內濕地地物的分類結果不同。從用戶精度上看，4種算法對淺海水域和草本沼澤的精度較高，均達到95%以上；除了基于最佳特征矢量組合的SVM算法，其余3種算法對淤泥質沙灘的精度均較低；基于最佳特征矢量組合的Wishart算法對于庫塘和河流的精度遠低于其余3種算法；4種算法對稻田精度較低；基于聯合熵的SVM算法對灌叢沼澤的精度最低，基于最佳特征矢量組合的SVM算法的精度最高。

經過分析可知，相比較于只考慮特征數量的使用全部特征的SVM算法和基于聯合熵的SVM算法的分類效果看，基于最佳特征矢量組合的SVM分類對除稻田的其余地物的分類精度分別提升1%以上，有的甚至提升5%以上，如在淤泥質沙灘的分類精度上，基于最佳特征矢量組合的SVM算法比使用全部特征的基于RBF的SVM算法提升8.55%。綜上所述，最佳特征矢量組合對各地物分類精度起到了提高作用，而且在使用同一種分類器的情況下，使用全部特征的分類精度是下降的。

5 結語

通過相關性分析和PCA方法，確定最佳特征矢量組合為MCSM分解的二面角散射、體散射；H/A/α分解的H、A、α；Pauli分解的T11、T22和經PCA降維之后得到前兩個主成分。

最佳特征矢量組合比使用全部特征更能提高分類精度，且不會產生數據冗余。

從散射機理分析，淺海水域的主要散射機制是表面散射；草本沼澤的主要散射機制是表面散射和二面角散射；淤泥質沙灘的主要散射機制是二面角散射；庫塘的主要散射機制是表面散射和二面角散射；河流的主要散射機制是表面散射和二面角散射；稻田和灌叢沼澤的主要散射機制是體散射。