利用分層特征組合策略的全極化SAR山區積雪識別

康 璇，李 暉，黃 林

(廈門理工學院 計算機與信息工程學院，福建 廈門 361024)

0 引言

積雪是冰凍圈中覆蓋范圍最廣、最活躍的要素之一[1]，對全球氣候變化、生態環境和社會經濟具有重要的影響作用[2-3]。季節性的積雪融水是河川徑流的主要補給來源，也是西部干旱地區主要的淡水資源[4]。近年來，隨著全球氣候變暖，全球積雪的持續時間和覆蓋范圍明顯減少[3]，準確的積雪識別和監測對氣候變化、災害評估、融雪動態監測和生態環境安全具有重要意義。積雪多分布于高海拔、高緯度山區[4]，傳統的積雪研究方法數據獲取難度大。遙感技術的出現為大范圍、高精度積雪識別監測提供了新的可能。與光學遙感相比，SAR具有穿透云霧、全天時全天候積雪監測和部分穿透性等能力，在積雪遙感領域得到廣泛應用[5-7]。

目前，僅利用SAR圖像單一特征對積雪進行識別，由于SAR圖像中相干斑噪聲的影響，積雪散射系數的測量產生很大偏差，濾波過程中也會損失積雪部分信息，導致積雪識別結果較為破碎。因此，結合后向散射系數和多種極化特征的積雪識別有待進一步探索。鑒于此，本文選取瑪納斯河流域典型區域作為研究區，結合雷達后向散射特征和多種極化分解特征，利用機器學習方法開展多特征分層組合的積雪識別研究，分析不同特征在積雪識別中的作用，以期為極化SAR數據山區積雪識別提供研究思路。

1 研究區與實驗數據

1.1 研究區概況

瑪納斯河流域位于新疆天山中段北麓，準噶爾盆地南部，北緯43°20′～45°55′，東經85°00′～87°00′，是準噶爾內陸區冰川規模最大的內陸河。流域內地勢由東南向西北傾斜，最高海拔為5 243 m，最低為256 m，海拔高程3 600 m以上大部分區域為冰川和永久性積雪覆蓋，平均雪線為3 970 m。瑪納斯河為干旱區典型的山盆結構，水汽來源少、降水稀少、氣候干旱，屬于典型的溫帶大陸性干旱半干旱氣候。流域內積雪在大陸性氣候條件作用下，具有密度低、含水量少、厚度薄等特點[15]，平均積雪覆蓋率1月—2月達到最高，3月開始消融，4月中旬消融結束，8月積雪面積達到最低。冰雪融水是瑪納斯河主要的徑流補給，占瑪納斯河年徑流量的47%，是天山北坡重要的水源[16]，研究區位置如圖1所示。

圖1 研究區位置Fig.1 Location of the study area

1.2 數據與預處理

本文采用全極化Radarsat-2影像作為數據源，成像波段為C波段，成像模式為精細全極化(括HH，HV，VH和VV四種極化方式)，產品模式為單視復數據(Single Look Comple,SLC),獲取時間為2013年12月13日，入射角為43.45°，距離向像元4.733 m，方位向像元4.799 m。對數據進行多視、濾波、地理編碼和輻射定標等預處理，采用Refind Lee濾波進行降噪處理，窗口大小設置為5*5，獲得Radarsat數據的后向散射系數如圖2所示。根據2013年12月積雪期野外同步觀測數據，顯示研究區該日期有降雪。

(a) HH后向散射系數

(b) HV后向散射系數

(c) VH后向散射系數

(d) VV后向散射系數圖2 Radarsat后向散射系數(2013年12月13日)Fig.2 Radarsat backscattering coefficient (December 13,2013)

高分一號衛星(簡稱GF-1衛星)是我國高分辨率對地觀測系統的首發星。GF-1衛星搭載的WFV相機包含藍、綠、紅和近紅外4個波段，空間分辨率16 m，重訪周期4 d。研究選用2013年12月14日GF-1數據作為參考影像，如圖1所示，對數據進行輻射定標、大氣校正及圖像裁剪，獲得研究區地表反射率。

2 研究方法

2.1 Radarsat-2散射極化特征提取

(1) 后向散射特征提取

(1)

(2)

(2) 極化分解及極化特征提取

Pauli分解[19]將散射矩陣S分解為各Pauli基矩陣的復數形式的加權和，每個Pauli基矩陣對應一種基本的散射機制，公式如下：

(3)

Freeman分解[20]在Van Zyl的基礎上，以極化協方差矩陣為分解對象，將其分解為表面散射、體散射和二面角散射3種散射機理。該方法以物理實際為基礎，分別對3種基本散射機理進行建模，可以較好地描述自然散射體。該極化協方差矩陣可表示為：

(4)

式中，fs，fd，fv分別代表面散射、二面角散射和體散射分量貢獻值。

(5)

Yamaguchi分解[22]為了更廣泛地適用于散射體具有復雜幾何散射結構的情況，在Freeman分解基礎上，引入了第4種散射分量——螺旋體散射，彌補了Freeman分解無法用于不對稱問題的缺陷。

2.2 特征組合及積雪分類策略

全極化SAR數據不僅能夠反映不同地物的后向散射系數信息差異，還包含豐富的極化信息，對積雪識別具有重要作用。為探索目標極化分解特征、后向散射特征及交叉極化和同極化比值和差值對積雪識別的貢獻，本研究將處理全極化Radarsat-2后得到的20個特征圖像(如表1所示)進行不同組合，得到3種特征集(如表2所示)。

表1 基于Radarsat-2影像特征參數Tab.1 Image feature parameters based on Radarsat-2

表2 分類特征集Tab.2 Classification feature set

① 基于極化分解特征的積雪識別

② 基于極化和散射特征的積雪識別

2.3 分類方法及精度評價

2.3.1 分類方法

隨機森林(Random Forest，RF)算法是以決策樹為基本分類器的集成學習方法[23]，該方法采用Bagging方法為每棵決策樹抽取一組獨立同分布的樣本集，對樣本集進行訓練產生決策樹，最終結果通過決策樹投票表決確定。與其他機器學習算法相比，RF算法在處理高維數據時可訓練少量樣本建立分類規則，抑制過擬合現象的產生，且對異常值和噪聲數據具有很好的魯棒性和穩定性[23-24]。同時，RF算法具有特征優選的能力，將未參與訓練的袋外數據(Out-Of-Bag，OOB)作為測試樣本，計算單棵決策樹的OOB誤分率，估計每個特征的重要性。本研究將決策樹數目設為100，每棵決策樹的特征數m計算如下：

m=sqr(M)，

(6)

式中，M為用于分類的特征總數。由于RF在處理高維度特征分類時性能表現優異，具有訓練速度快、準確率高等優點，在SAR圖像分類領域得到廣泛應用，本文選擇隨機森林算法進行積雪識別。

圖3 本文算法流程Fig.3 Flow chart of the proposed algorithm

2.3.2 精度評價

研究參考GF-1光學影像，選擇和確定積雪和非積雪樣本，樣本點盡可能均勻分布在研究區內。在GF-1影像上選取訓練樣本，其中積雪樣本55個區域，非積雪樣本66個區域。在GF-1衛星影像上，隨機生成200個驗證樣本，其中積雪樣本94個，非積雪樣本106個。利用混淆矩陣計算精度指標和調和平均值F1(F-Measure)，對3.2節的分類結果進行精度評價。精度指標包含精度總體精度(Overall Accuracy，OA)、Kappa系數(Kappa Coefficient)、生產者精度(Producer’s Accuracy，PA)和用戶精度(User’s Accuracy，UA)；F1表示PA和UA的調和平均值，計算如下[25]：

(7)

3 結果與分析

3.1 積雪的極化散射特征分析

(1) 極化特征分析

全極化SAR能夠獲得目標的散射矩陣、極化協方差矩陣和極化相干矩陣，這些極化散射矩陣綜合了地物目標的極化、相位和能量特性，能夠對散射過程中目標的極化變化信息進行完整的記錄和描述[26-27]。極化目標分解是基于目標的散射矩陣、協方差矩陣或相干矩陣，將復雜的目標散射過程分解為多個簡單散射機制之和，從而提取極化特征參數，用于地物分類識別。

圖4 極化分解假彩色合成圖(R(P_dblF_dblHY_dbl)，G(P_volF_volAY_vol)，B(P_oddF_oddFig.4 Polarization decomposition false color composite(R(P_dblF_dblHY_dbl),G(P_volF_volAY_vol),B(P_oddF_odd

(2) 后向散射特征分析

分別提取積雪和非積雪的后向散射特征值，如圖5所示。

圖5 積雪和非積雪的后向散射特征值Fig.5 Backscattering features of snow and non-snow

為了進一步探究積雪與非積雪可分離性，對4種后向散射強度進行頻率分布統計分析(如圖6所示)。

(a) HH極化

(b) VV極化

(c) HV極化

(d) VH極化圖6 積雪、非積雪不同后向散射系數頻率分布Fig.6 Frequency distribution of different backscattering coefficients of snow and non-snow

根據頻率分布可以看出，積雪和非積雪均呈現單峰，積雪在4種后向散射強度中保持最高。對于同極化，積雪后向散射強度主要集中在-25～-5 dB，低于-14 dB，積雪后向散射強度高于非積雪，在-14 dB以上，積雪后向散射強度低于非積雪。在交叉極化條件下，積雪后向散射強度集中在-30～-15 dB之間，在-25 dB以下，積雪后向散射強度高于非積雪，高于-25 dB，積雪后向散射強度低于非積雪。由此，可將后向散射強度作為積雪識別分類特征。

3.2 基于不同分類方法結果比較

為了檢驗本文方法的有效性，對3個特征集分別使用RF、SVM、神經網絡(Neural Networks，NNS)和最小距離分類(Minimum Distance Classification)4種分類器進行分類對比，分類結果如圖7～圖10所示。

圖7 隨機森林在3個特征集的積雪識別結果Fig.7 Snow cover recognition results of random forest in three feature sets

圖8 支持向量機在3個特征集的積雪識別結果Fig.8 Snow recognition results of SVM in three feature sets

圖9 最小距離分類在3個特征集的積雪識別結果Fig.9 Snow recognition results of minimum distance classification in three feature sets

圖10 神經網絡在3個特征集的積雪識別結果Fig.10 Snow recognition results of NNS in three feature sets

圖7～圖10分別為RF、SVM、最小距離分類和NNS利用特征集T1，T2和T3的積雪識別結果。對比發現，RF和NNS的整體識別效果優于SVM和最小距離分類。與RF結果相比，在研究區北部，NNS的識別結果較為破碎，少數積雪像元被誤判，沒有很好地將農田輪廓分出。在SVM識別結果中，西南部山區識別結果出現一些細碎斑點，非積雪像元被識別為積雪像元。最小距離分類整體識別效果最差，大量積雪范圍被高估。

表3 不同分類方法識別結果Tab.3 Recognition results of different classification methods

3.3 基于不同特征組合的隨機森林積雪識別結果比較

使用RF分類器，分別利用特征集T1，T2和T3進行積雪識別，結果如圖7(a)～(c)所示。從分類結果可以看出，通過T1，T2，T3特征集基本可以將積雪與非積雪部分區分開，但在局部區域識別結果存在差異。僅利用目標極化特征T1進行分類(圖7(a))，積雪識別范圍較完整，但積雪內部區域出現細小斑塊；加入4種后向散射特征T2(圖7(b))及Diff和Ratio(圖7(c))后，各分類結果圖中斑塊均有所減少，獲得的積雪區域較為完整。從整體識別結果看，基于極化特征T1的識別結果積雪區域存在大量破碎斑塊；與T1特征集對比，加入全極化后向散射特(T2后的識別結果積雪區域較為完整，但仍存在少量細小碎塊)；在以上特征的基礎上添加Diff和Ratio(T3)，對積雪的識別效果最好，分類結果破碎度有所降低。

對分類結果進行精度評價，混淆矩陣如表4所示，精度對比如圖11所示。對比發現，在3種特征組合的分類精度中，僅利用極化特征T1進行分類，積雪和非積雪的分類精度均偏低，二者之間存在一定程度的混淆，積雪和非積雪的生產者精度分別為77.66%和77.36%，F1分別為0.76和0.78，總體分類精度為77.50%，Kappa系數僅0.55。加入4種全極化后向散射特征T2后，整體分類精度有所提高，積雪和非積雪的生產者精度分別提高3.19%和2.83%，F1均提高了0.03，總體分類精度提高至80.50%，Kappa系數提高至0.61。結合極化特征、后向散射特征以及Diff、Ratio特征(T3)分類，總體分類精度和Kappa系數最高，分別為83.00%和0.66，積雪和非積雪的生產者精度和用戶精度均達到最高，F1值均高于0.80，與僅利用極化特征T1相比均提高了0.06。綜上，通過對比3種特征集的分類結果，利用特征集T3總體分類精度最高，分類效果最佳，其次為特征集T2，特征集T1的分類精度最低。

表4 分類結果的混淆矩陣Tab.4 Confusion matrix of classification results

(a) 用戶精度

(b) 生產者精度

(c) 調和平均值

(d) 總體精度+Kappa系數圖11 分類精度對比Fig.11 Comparison of classification accuracy

為了進一步對積雪識別結果進行分析和討論，在研究區內分別選取3個典型區域(A，B，C),同時引入2013年12月14日GF-1光學影像，使用近紅外波段(R)、紅波段(G)和綠波段(B)進行波段組合,如圖12所示。將前述隨機森林分類結果與GF-1影像進行對比發現：① A區位于研究區西北部，土地類型主要為農田和少量村莊，地勢平坦。由于12月14日的GF-1影像在A區有大面積云遮掩，選擇Pauli分解彩色合成圖像進行對比。在對比3種特征集識別結果發現，基于特征集T2和T3積雪識別精度較特征集T1高，農田輪廓較為清晰，但部分積雪范圍被低估，特征集T1識別精度最低，非積雪區域被低估，出現較多誤分結果。② B區位于研究區西部，地勢較為平坦，土地覆蓋主要為草地和林地。對比3種特征集識別結果，特征集T3積雪識別效果最好，積雪和非積雪邊界較為清晰，特征集T1和特征集T2積雪范圍大致被識別，但積雪內部出現很多細小非積雪斑塊，較多積雪被誤分，可能是由于地表覆蓋較為復雜，對雷達散射信號產生影響。③ C區位于研究區東南部，下墊面為高覆蓋度草地，地勢起伏較大。受地形起伏影響，該區域有陰影和疊掩現象，對SAR基于3種特征集識別結果有很多破碎斑塊，非積雪范圍被誤分，特征集T3識別結果相對較好，草地回波散射對積雪識別產生一定影響，導致整體識別精度效果較低。

圖12 積雪識別結果局部分析Fig.12 Local analysis of snow cover recognition

4 結束語

本文以新疆瑪納斯河流域為研究區，C波段全極化Radarsat-2影像作為數據源，結合后向散射特征和不同極化目標分解得到的極化特征組成特征集，利用RF方法分別對極3種不同特征組合進行積雪和非積雪識別分類研究，實現該研究區內積雪范圍制圖。

本研究基于多種極化分解特征和后向散射特征結合，用于山區積雪識別，雖然識別精度有所提高，但本文僅使用了幾種極化特征，如何獲得SAR圖像中更豐富極化信息，提取對積雪識別更優的特征值，還需要做更深層次的研究。