雙極化SAR參數對植被干旱響應的顯著性分析

王克曉 虞豹 黃祥 李波

王克曉，虞豹，黃祥，等.雙極化SAR參數對植被干旱響應的顯著性分析[J].南方農業，2023，17（11）：1-5，9.

摘 要 為探索以Sentinel-1為代表的雙極化SAR參數對植被干旱信息的可表達性，基于相關分析和主成分變換法分析了相關光學遙感干旱指數及干旱主要信息分量與Sentinel-1特征參數的相關性，并對干旱條件下IRV和IDPRV參數對不同植被類型的響應進行分析，結果表明：基于光學遙感的干旱指數均能不同程度地反映植被的受干旱脅迫程度，植被指數INDV側重于從植被長勢方面的表達，溫度干旱指數ITC偏向于從地表環境溫度的角度來反映干旱情況，綜合植被-溫度干旱指數IVTC偏重于地表溫度對其響應，而IVSW兼顧植被長勢與地表溫度的雙重影響且與水分干旱指數顯著相關；雷達植被指數IRV、雙極化雷達植被指數IDPRV與干旱主要分量信息的相關系數分別為-0.79、-0.65，適合于評估地表植被受干旱程度；IRV和IDPRV對四種土地覆被之間的可區分性整體趨勢基本一致，但IRV比IDPRV具有更高敏感性。本研究可為西南山區農業遙感干旱信息監測提供參考。

關鍵詞 植被；干旱響應；光學干旱指數；雙極化SAR參數；相關性

中圖分類號：S16 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2023.11.001

干旱對農業生產影響重大，且具有顯著的區域化特征[1-2]。由于衛星傳感器能夠宏觀地獲取地表土壤、植被等地表覆蓋物的多源信息，使得基于衛星遙感的農業干旱監測方法已經成為當前用來監測和表征區域農業干旱監測的最有效手段[3-4]。近年來，國內外諸多學者基于衛星遙感數據發展了大量的可用于農業旱情監測的方法，主要是利用可見光、近紅外光、短波紅外光及熱紅外光等光學遙感數據的波段信息反演遙感干旱指數和利用合成孔徑雷達（Synthetic Aperture Radar，SAR）技術，通過監測土壤水分實現區域農業干旱程度定量化評估[5-8]。然而我國西南山區多云霧，嚴重影響光學遙感影像的數據質量，從而極大地限制了光學遙感技術在我國西南地區農業干旱監測中的應用；而在諸多基于SAR技術農業干旱監測的相關研究中，應用較多也是全極化SAR影像數據，其成本相對較高、重訪周期相對較長，不利于作物物候期內多時相數據的連續獲取。歐洲航天局的Sentinel-1影像為雙極化SAR數據集，周期短、數據源穩定，并且可以免費獲取，非常有利于農業干旱監測工作的業務化運行。因此，探索Sentinel-1雙極化SAR特征參數對植被干旱信息的可表達性對于利用SAR技術開展西南山區農業干旱監測有重要意義。

本研究基于Sentinel-2多光譜影像和Landsat 8 OLI/TIRS熱紅外波段構建相應光學遙感干旱指數及其主成分變換主要分量，并與Sentinel-1特征參數進行相關性分析，同時比較不同IRV和IDPRV對不同植被類型的干旱響應分析，探索Sentinel-1雙極化SAR參數對植被干旱的可表達性，旨在為西南山區農業干旱信息監測提供參考。

1? 數據與方法

1.1? 研究區概況

巴南區（見圖1）是重慶市主城九區之一，位于重慶市主城區南部，東經106°26′2″～106°59′53″、北緯29°7′44″～29°45′43″，總面積1 825 km2。區內多為河谷丘陵及長條狀低山地貌，地勢起伏層次分明，以丘陵為主，高山、丘陵、濕地、河谷皆具。氣候屬亞熱帶濕潤氣候區，四季分明，春早秋遲，夏熱冬暖，盛夏多伏旱，冬季多云霧，日照少，濕度大，四季均宜作物生長。

1.2? 數據選擇與處理

選擇研究區夏季嚴重干旱季節的遙感影像數據源，其中光學干旱指數和SAR特征參數所需數據源均為2022年8月11日同天成像的L2A級Sentinel-2多光譜影像和Sentinel-1影像IW模式的雙極化單復視（Single looking complex， SLC）產品。地表溫度數據由氣溫穩定、時間差較短的2022年8月13日成像的Landsat 8 OLI/TIRS的熱紅外波段反演獲取。Sentinel-2產品已經過輻射定標、幾何校正和大氣校正等預處理過程，為保持與溫度產品分辨率的一致性，利用ENVI軟件完成其可見光-紅邊-近紅外-短波紅外等波段降分辨率重采樣為30 m的數據集獲取和光學干旱指數的計算。同時基于SNAP軟件平臺完成Sentinel-1影像數據的軌道校正、輻射定標、條帶拼接、極化矩陣生成、多視及地形校正等處理過程，獲得分辨率為30 m的極化協方差矩陣C2數據進行雙極化SAR參數特征提取。

土地覆被類型數據通過武漢大學楊杰和黃昕教授團隊發布的重慶市2021年30 m分辨率的中國土地覆蓋數據集裁剪獲得，并提取農田、森林、灌木和草地等四種土地覆被類型作為研究對象，參考基準為WGS-84投影坐標系[9]。

1.3? 研究方法

1.3.1? SAR參數與干旱遙感相關指數選取

SAR參數與植被含水量密切相關，可以用來估算與含水量相關的植被特性[10]。根據Sentinel -1數據的雙極化通道特征提取IRV[11]、IPRV[12]、IDPRV[13]，三個植被指數和同極化后向散射系數σ0vv等四個SAR參數進行分析，其中相關的雷達植被指數計算公式如式（1）～（4）所示。另外，基于已有的主要光學干旱遙感監測指數，結合Sentinel 2與Landsat 8 OLI/TIRS遙感影像所能提供的波段信息，本研究選用如表1所示的光學干旱遙感指數。

式中，IRV為雷達植被指數（radar vegetation index），IPRV為極化雷達植被指數（polarimetric radar vegetation index），IDPRV為雙極化雷達植被指數（dual polarimetric radar vegetation index）；[σ0VH]、[σ0VV]分別為VH、VV極化時的散射系數；αDOP為精度衰減因子（dilution of precision），C2為雙極化協方差矩陣，λ1、λ2為矩陣C2的特征值，det（[C2]）為矩陣C2的行列式值，Trace[C2]為矩陣C2的跡。

1.3.2? 地物類型樣點分布設計

以1 km間距在研究區內構建格網，并以逐個單元格中心為樣本分布點。為使圖斑數量相對較少的灌木和草地類型有一定的樣本點數，通過多邊形轉點的方式將其圖斑中心增設為樣本點。同時，基于SNAP平臺對Sentinel-2影像的云掩膜文件進行閾值分割，識別其云層覆蓋與陰影范圍，使所有樣本點位均位于影像云層及陰影以外（見圖2）。

1.3.3? 相關性分析

Pearson相關分析是一種簡單的可用以衡量兩個變量之間相關性的方法，其值介于-1和1之間，其絕對值越大，相關性則越強。其表達式如下：

式中，rp為相關系數，xi、yi分別為變量x、y的樣本觀測值，其平均值分別為[x]、[y]，n為樣本觀測量。

1.3.4? 主成分變換

主成分變換（PCA）是在波段統計特征的基礎上，通過正交變換將多波段影像中有用的信息集中到少數幾個主成分影像中，并使這些主成分影像之間互不相關，從而達到數據降維的目的[15]。本研究利用主成分變換方法對前述光學遙感干旱指數特征集組合進行變換，提取能夠表征干旱程度的主成分波段信息，便于與SAR特征參數進行相關分析，探索不同SAR特征參數對植被干旱程度的可表達性。

2? 結果與分析

2.1? 光學遙感干旱指數的相關性

基于地物類型樣點的光學遙感干旱指數間的相關系數如圖3，可以看出，干旱指數在0.001的水平下都呈現極為顯著的相關性，說明上述干旱指數均能不同程度地反映植被的受干旱脅迫程度，但各指數間的相關性大小差異較大。植被指數INDV與溫度干旱指數ITC的相關系數為0.56，綜合植被-溫度干旱指數IVTC與ITC的相關系數值為0.88，與INDV的相關系數僅為0.21；而IVSW與ITC、INDV的相關系數分別為0.75和0.96，說明IVTC主要偏重于地表溫度對其響應，而IVSW則兼顧了植被長勢與地表溫度的雙重影響。水分干旱指數中，IGVM與ISIWS、IMS的相關性較高，rp值均在0.97以上，但方向為負；而與IVSD的相關值為0.78。整體上看，水分干旱指數與植被指數INDV的相關性均高于與溫度干旱指數ITC的相關性，并與綜合植被-溫度干旱指數IVSW的相關系數值基本一致。

2.2? 干旱主成分與雙極化SAR參數的相關性

利用主成分變換法分別對上述八個光學干旱遙感指數進行信息融合變換，定量耦合不同干旱評估指標的同時去除其冗余信息，獲取能夠表征干旱程度最大信息量的主要主成分分量。在提取的八個主成分中，其中前兩個主成分的貢獻率分別為71.73%和21.29%，累計貢獻率達到93%，表明前兩個主成分能夠較好表達研究區的干旱信息。利用前兩個主成分與SAR參數進行相關性分析（見圖4），可以看出本研究所選取的四個SAR參數與光學遙感指數的前兩個主成分存在不同顯著水平的相關性，但相關系數值各有不同。雷達植被指數IRV、極化雷達植被指數IPRV、雙極化雷達植被指數IDPRV及VV極化通道的后向散射特征σ0vv與第1主成分的相關系數分別為-0.79、-0.16、-0.65和0.33，相關系數對比結果說明IRV和IDPRV兩個參數更適合于作為評估地表植被干旱程度的監測指標。

2.3? IRV與IDPRV對不同植被類型的響應

為比較干旱條件下IRV和IDPRV對不同植被類型的響應程度，本研究基于SAR影像特征分別繪制了兩者對農田、森林、灌木及草地等四種土地覆被的箱型分布圖（見圖5）。可見，在IRV和IDPRV兩個SAR參數特征上，四種土地覆被之間的可區分性整體趨勢基本一致：即農田與森林、灌木和草地的區分性及草地與森林的區分性均較為顯著，灌木和草地的可區分顯著性水平相對減小。在IRV特征上，森林與灌木的區分顯著水平為0.01，而其他土地覆被間的區分顯著性均為0.000 1；在IDPRV特征上，森林與灌木的區分顯著水平僅為0.05，農田與灌木和草地的區分顯著性為0.001。對比可知，干旱條件下，IRV比IDPRV在對不同植被類型的可區分性上仍具有很高敏感性，不僅適用于植被類型的區分，還可用于不同植被類型的干旱程度監測。

3? 結論

本研究在分析相關光學遙感干旱指數相關性的基礎上，通過主成分分析獲取能夠表示干旱信息的主要信息分量，并與Sentinel-1數據提取的SAR特征參數進行相關性分析，開展干旱條件下由其衍生的IRV和IDPRV兩個參數對不同植被類型的響應分析，結論如下。

1）相關光學遙感干旱指數間相關性表明，不同類型的干旱指數側重表達的方面不同，植被指數INDV用于干旱監測主要側重于從植被長勢方面的表達，溫度干旱指數ITC則主要從地表環境溫度的角度來反映干旱情況。而不同的綜合植被-溫度干旱指數所表達的側重點也有所不同，IVTC偏重于地表溫度對其響應（rp=0.88），IVSW則兼顧了植被長勢與地表溫度的雙重影響。水分干旱指數中，IGVM、ISIWS、IMS三個指數存在較高相關性，且與IVSW的相關系數值也均在0.8以上。

2）基于主成分變換的干旱最大信息分量與SAR參數的相關性分析，雷達植被指數IRV、雙極化雷達植被指數IDPRV與干旱最大分量信息的相關系數分別為-0.79和-0.65，表明IRV和IDPRV兩個參數更適合于評估地表植被受干旱程度。

3）IRV和IDPRV對農田、森林、灌木及草地等不同土地覆被的箱型分布表明，IRV和IDPRV對四種土地覆被之間的可區分性整體趨勢基本一致，但IRV比IDPRV具有更高敏感性。

參考文獻：

[1]? 王利民，劉佳，張有智，等.我國農業干旱災害時空格局分析[J].中國農業資源與區劃，2021，42（1）：96-105.

[2]? 趙海燕，張文千，鄒旭愷，等.氣候變化背景下中國農業干旱時空變化特征分析[J].中國農業氣象，2021，42（1）：69-79.

[3]? 姚遠，陳曦，錢靜.遙感數據在農業旱情監測中的應用研究進展[J].光譜學與光譜分析，2019，39（4）：1005-1012.

[4]? 劉憲鋒，朱秀芳，潘耀忠，等.農業干旱監測研究進展與展望[J].地理學報，2015，70（11）：1835-1848.

[5]? 黃友昕，劉修國，沈永林，等.農業干旱遙感監測指標及其適應性評價方法研究進展[J].農業工程學報，2015，31（16）：186-195.

[6]? 吳澤棉，邱建秀，劉蘇峽，等.基于土壤水分的農業干旱監測研究進展[J].地理科學進展，2020，39（10）：1758-1769.

[7]? 宋揚，房世波，衛亞星.農業干旱遙感監測指數及其適用性研究進展[J].科技導報，2016，34（5）：45-52.

[8]? 胡文英，羅永琴.農業干旱遙感監測模型綜述[J].云南地理環境研究，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]? 謝小曼，李俐，張遷遷，等.SAR遙感指數研究進展[J].中國農業信息，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]? 韓東，王鵬新，張悅，等.農業干旱衛星遙感監測與預測研究進展[J]，智慧農業（中英文），2021，3（2）：1-14.

[15]? 楊博雄，楊雨綺.利用PCA進行深度學習圖像特征提取后的降維研究[J].計算機系統應用，2019，28（1）：279-283.

（責任編輯：丁志祥）