基于SIR-C数据的SAR极化特征参数区分海冰与海水的能力评价

张婷 张杰 刘眉洁 张晰

（1国家海洋局第一海洋研究所，山东青岛266061；2青岛大学，山东青岛266071）

0 引言

地球上海冰的全年覆盖面积约占海洋面积的7%，地球总冰盖面积的67%，主要分布在两极地区。极地地区的海冰对全球气候、海表物理特性和大洋环流等地球物理过程都有明显的影响和作用，是全球气候系统的重要组成部分。因此，海冰得到越来越广泛的研究。

早期对海冰的探测主要依靠人工的统计记录来分析海冰变化，这类方法不但观测范围小，而且耗费大量的人力、物力和财力。合成孔径雷达（Synthetic Aperture Radar，SAR）是微波遥感中的一种常用传感器，可获取高区分率的影像，与传统的地面探测方式相比，SAR监测能高效率地获取大范围的海冰信息，不仅能以图像形式直观反映雷达观测到的海冰表面粗糙度和丰富的纹理信息，还能提供海冰微观物理结构信息等。近年来，大量全极化SAR投入应用，能够提供更多的海冰极化信息，为海冰要素的监测和反演提供更多有用信息。

Nghiem等［1］对北极海冰测绘中的C波段、多极化后向散射信号进行了大量研究，研究成果表明，在微风大入射角时水平后向散射特性能更好地区分一年冰和开阔海面；而在强风及较大的入射角范围内时，垂直后向散射特性能更好地对海冰类型和开阔水面进行区分。Scheuchl等［2］讨论了星载C波段极化SAR数据在海冰探测和分类中的应用，指出三种极化特性HV强度、HH／VV极化比和各向异性可用于海冰边缘的探测，并能很好地对海冰和开阔水面进行区分。Manore等［3］论述了多极化SAR数据在海冰监测中的应用，指出多极化可以提高小角度入射时的冰／水识别能力，但遥感器的系统噪声可能会对冰类型的识别产生影响。Wakabayashi等［4］进行了极化干涉雷达在海冰调查中的应用研究，研究结果表明极化的一致性及相位差以及各向异性都可以用于探测海冰和开阔水面。Geldsetzer等［5］利用RADARSAT-2多极化SAR数据，分析了不同极化对海冰类型的识别能力，指出多极化组合可大大提高海冰类型的识别精度；Sanden等［6］分析了C波段SAR（RADARSAT-2）和L波段SAR（ALOS PALSAR）对海冰类型的识别能力，指出L波段SAR能观测到更多的海冰形变信息。Eriksson等人［7］指出L波段在区分冰水时可用的极化参数比C波段多，如VV后向散射系数，HH和VV的相关系数等。Dierking等人［8］指出在海冰边缘处L波段对冰水的区分能力要优于C波段。Arkett等人［9］指出L波段与C波段相比，在海冰探测中具有一些明显优势，L波段在表面起伏明显、含水量较高的海冰区域具有较好的探测能力，是C波段SAR的有益补充，两者结合对提高海冰监测能力具有积极意义。

本文利用6景南极区域的全极化SIR-C数据，选取了海冰探测中常用的13种极化散射特性，分别分析了L波段和C波段的各种极化散射特性下海冰与海水的区分度，为海冰探测的研究提供了有用的参考。

1 数据介绍

航天飞机成像雷达3号及X波段合成孔径雷达（SIR-C／X-SAR）是一项大型国际空间雷达对地观测计划，其硬件系统由美国宇航局、德国空间局及意大利空间局联合研制［10-11］。1994年4月SIR-C／XSAR第一次升空进行了为期10天的对地探测，同年10月再次升空进行了10天的对地探测。同其他单波段单极化雷达系统相比，SIR-C有着明显的技术特点：它是运行在地球轨道高度的第一个多波段多极化同时成像且具有干涉测量能力的雷达系统；SIR-C有L、C两个波段，有HH、HV、VH、VV四个极化组合；同时SIR-C可提供4种极化回波的相位差数据，据此可求出每一象元的全散射矩阵，获得全极化信息。SIR-C发展并采用了干涉雷达成像技术、扫描雷达成像技术、定标技术及SAR数据实时处理技术［12］。

本文使用的是南极区域的SIR-C全极化影像图，研究区域及影像位置见图1。根据冰水面积相当且影像质量较高的原则，选取了3景L波段影像（图2）及对应的3景C波段影像，共6景影像，影像基本信息见表1。

图1 研究区域图Fig.1.Research area

图2 L波段SIR-C影像图Fig.2.L-band SIR-C images

表1 选取的6景SIR-C影像的基本信息Table 1.Basic information of 6 selected SIR-C images

2 极化特征介绍

SAR探测海冰时常用的13种主要特征参数如表2所示。

表2 所用的极化特征参数Table 2.Sea ice polarization parameters in six groups

海冰SAR极化比是海冰SAR后向散射系数的比值，是反映海冰SAR去极化特性的重要参量之一。极化相关系数也是描述海冰极化特性的重要参数，可以反映不同海冰极化后向散射系数之间的相关性，也是重要的海冰SAR去极化特征参数之一。H-A-α分解是为了处理全极化数据发展起来的特征矩阵分解方法。

3 数据处理与分析

3.1 数据处理

SAR发射的单频电磁波由分布式地物散射，导致不同散射元的回波存在波程差，因而回波相干叠加产生相干斑［14］，使极化SAR图像解译困难，直接影响到目标检测、分类和识别等［15］。抑制相干斑噪声的常用算法有：Lee滤波算法、增强Lee滤波算法、Kuan滤波算法、增强Kuan滤波算法等［16］。本文利用了增强极化Lee滤波算法去除SAR图像的相干斑噪声［17］，图3是滤波前后的影像图。

图3 滤波前后的SIR-C影像Fig.3.SIR-C image before and after filtering

从6景影像中分别选取海冰和海水的样本，以分析海冰和海水的极化特征差异。利用目视解译方法，进行海冰、海水样本的选择。以PR53003影像为例，示意如图4。

为了确保样本的准确性、尽可能地避免误判，选择海冰特征最为明显的像元作为海冰样本，选择清晰、均匀的海水像元作为海水样本。同时，尽可能选择空间上分散、来自不同区域的像元，以使结果更具代表性。所使用的6景SIR-C影像中，每景影像均选取海冰、海水各20个样本区域，每个样本区域均包含100个像元。

3.2 极化特征计算与分析

分别计算了L波段和C波段下海冰和海水各60个样本区域的各种特征参数，计算了海冰和海水的各种特征参数的平均值（表3），并做出特征图（图5—图17），统计分析各种特征参数对海冰与海水的区分能力。

图4 PR53003影像及选取的海冰、海水样本（海域中绿色框内为选取的海冰样本，红色框内为所选取的海水样本）Fig.4.PR53003 Image and selected samples of sea ice（green box）and seawater（red box）

表3 海冰和海水的各种特征参数的平均值Table 3.The average characteristic parameters of sea ice and seawater

图5是L波段和C波段下海冰与海水的HH后向散射系数关系图，其中σ表示后向散射系数（下同）。可以看出，在L波段海冰和海水大部分样本点有明显的区分，海冰的HH极化后向散射系数大于海水的HH极化后向散射系数，但是仍有两者混在一起无法区分的样本；在C波段海冰和海水有明显的区分，海冰的后向散射系数基本＞－6 dB，而海水的后向散射系数＜－6 dB。

图5 不同波段下海冰与海水的HH图Fig.5.The HH figure of sea ice and seawater on different bands

图6显示，在L波段和C波段海冰和海水均有明显的区分，L波段下海冰的HV极化后向散射系数基本＞－14 dB，而海水的HV极化后向散射系数＜－14 dB；C波段下海冰的HV极化后向散射系数基本＞－11 dB，而海水的HV极化后向散射系数＜－11 dB。

图7显示，在L波段海冰和海水的VV极化后向散射系数无明显的区分；在C波段海冰和海水大部分样本点可以区分，海冰的VV极化后向散射系数大于海水的VV极化后向散射系数，但是仍有两者混在一起无法区分的样本。

图6 不同波段下海冰与海水的HV图Fig.6.The HV figure of sea ice and seawater on different bands

图7 不同波段下海冰与海水的VV图Fig.7.The VV figure of sea ice and seawater on different bands

图8显示，在L波段和C波段海冰和海水均有明显的区分，L波段下海冰的同极化比VV／HH＜1 dB，而海水的同极化比VV／HH＞1 dB；C波段下海冰的同极化比VV／HH基本＜0.6 dB，而海水的同极化比VV／HH＞0.6 dB。L波段下的海冰与海水区分能力更明显。

图8 不同波段下海冰与海水的VV／HH图Fig.8.The VV／HH figure of sea ice and seawater on different bands

图9显示，在L波段海冰和海水大部分样本点有明显的区分，海冰的交叉极化比HV／HH大于海水的交叉极化比HV／HH，但是仍有两者混在一起无法区分的样本；在C波段海冰和海水的交叉极化比HV／HH无明显的区分。

图9 不同波段下海冰与海水的HV／HH图Fig.9.The HV／HH figure of sea ice and seawater on different bands

图10显示，在L波段海冰和海水有明显的区分，海冰的交叉极化比HV／VV＞－6 dB，而海水的交叉极化比HV／VV＜－6 dB；C波段下海冰和海水大部分样本点有明显的区分，海冰的交叉极化比HV／VV大于海水的交叉极化比HV／VV，但是仍有两者混在一起无法区分的样本。

图10 不同波段下海冰与海水的HV／VV图Fig.10.The HV／VV figure of sea ice and seawater on different bands

图11显示，在L波段和C波段海冰和海水均有明显的区分，L波段下海冰的同极化相关系数ρHH-VV＜0.85，而海水的同极化相关系数ρHH-VV＞0.85；C波段下海冰的同极化相关系数ρHH-VV基本＜0.8，而海水的同极化相关系数ρHH-VV＞0.8。L波段下同极化相关系数ρHH-VV区分海冰与海水的能力更明显。

图12显示，在L波段和C波段海冰和海水的交叉极化相关系数ρHH-HV均无明显的区分。

图13显示，在L波段和C波段海冰和海水的交叉极化相关系数ρHV-VV均无明显的区分。

图11 不同波段下海冰与海水的ρHH-VV图Fig.11.TheρHH-VV figure of sea ice and seawater on different bands

图12 不同波段下海冰与海水的ρHH-HV图Fig.12.TheρHH-HV figure of sea ice and seawater on different bands

图13 不同波段下海冰与海水的ρHV-VV图Fig.13.TheρHV-VV figure of sea ice and seawater on different bands

图14显示，在L波段和C波段海冰和海水均有明显的区分，L波段下海冰的散射熵＞0.35，而海水的散射熵＜0.3；C波段下海冰的散射熵＞0.4，而海水的散射熵＜0.4。L波段下散射熵区分海冰与海水的能力更明显。

图15显示，在L波段和C波段海冰和海水的反熵均无明显的区分。

图14 不同波段下海冰与海水的散射熵（Entropy，H）图Fig.14.The Entropy figure of sea ice and seawater on different bands

图15 不同波段下海冰与海水的反熵（Anisotropy，A）图Fig.15.The Anisotropy figure of sea ice and seawater on different bands

图16显示，在L波段海冰和海水有明显的区分，海冰的Alpha角＜53°，而海水的Alpha角＞52°；C波段下海冰的Alpha角基本小于海水的Alpha角，但仍有混在一起无法区分的样本。

图17显示，在L波段和C波段海冰和海水的特征值λ均无明显的区分。

3.3 不同极化特征海冰提取能力对比

借鉴模式识别领域两类样本区分所采用的“类间距”概念，利用如下的指标来评判不同算法的海冰信息提取能力差异：

其中μi、μw分别为海冰、海水样本某一特征参数计算结果的均值分别为相应计算结果的方差。某一特征参数的D＿iw越大，则该特征参数对海冰和海水的区分能力越好；反之，则表明该特征参数对两者的区分能力弱［18］。

针对本文选取的13种极化特征参数，将上述算法分别应用于所选择的L波段和C波段影像的海冰、海水样本，由相应样本计算结果的均值和方差计算D＿iw，结果如图18所示。

图16 不同波段下海冰与海水的Alpha角（alpha，α）图Fig.16.The Alpha figure of sea ice and seawater on different bands

图17 不同波段下海冰与海水的特征值λ图Fig.17.The Lambda figure of sea ice and seawater on different bands

图18 L波段和C波段下13种极化特征参数提取海冰能力对比Fig.18.Comparison of sea ice extraction capability between 13 kinds of polarization characteristic parameters on L-band and C-band

从图18中可以直观地看出：L波段下区分海冰与海水的最佳参数是散射熵、交叉极化比HV／VV、同极化比VV／HH、同极化相关系数ρHH-VV、HV极化后向散射系数、Alpha角，其次是HH极化后向散射系数、交叉极化比HV／HH。C波段区分效果最好的参数是散射熵、同极化相关系数ρHH-VV、HV极化后向散射系数、同极化比VV／HH，其次是HH极化后向散射系数、交叉极化比HV／VV、Alpha角和VV极化后向散射系数。且总体来看，L波段区分海冰和海水的能力好于C波段。

4 结论

本文利用1994年10月的6景SIR-C影像，评估了L波段和C波段下13种主要的SAR极化特征参数区分海冰、海水信息的能力。结果表明：L波段下有6种参数能较好地区分海冰和海水，它们是：散射熵、交叉极化比HV／VV、同极化比VV／HH、同极化相关系数ρHH-VV、HV极化后向散射系数、Alpha角；另外，HH极化后向散射系数、交叉极化比HV／ HH具有一定的区分海冰和海水的能力；其余5种难以区分海冰和海水。C波段下有4种参数能较好地区分海冰和海水，它们是：散射熵、同极化相关系数ρHH-VV、HV极化后向散射系数、同极化比VV／HH；HH极化后向散射系数、交叉极化比HV／VV、Alpha角和VV极化后向散射系数这4种参数具有一定的区分海冰和海水的能力；其余5种难以区分海冰和海水。根据本文的分析，L波段区分海冰和海水的能力好于C波段，这为海冰探测的研究提供了有用的参考。本文中没有涉及冰厚的变化对于本研究结果的影响，作者将在下一步的工作中考虑不同冰厚情况下的L波段与C波段冰水区分能力评价。

1 Yu Q Y，Moloney C，Williams FM.SAR Sea-ice Texture Classification using DiscreteWavelet Transform Based Methods／／2002 IEEE International Geoscience and Remote Sensing Symposium.Toronto，Ontario，Canada：IEEE，2002：3041—3043.

2 Scheuchl B，Caves R，Cumming I，et al.Automated sea ice classification using spaceborne polarimetric SAR data／／IEEE International Symposium Geoscience and Remote Sensing.Sydney，NSW：IEEE，2001：3117—3119.

3 Manore M J，Flett D G，De Abreu R A，etal.Multi-polarization SAR data for operational icemonitoring／／IEEE 2001 International Geoscience and Remote Sensing Symposium.Sydney，NSW：IEEE，2001：1246—1248.

4 Wakabayashi H，Matsuoka T，Nakamura K，et al.Polarimetric characteristics of sea ice in the sea of Okhotsk observed by airborne L-band SAR.IEEE Transactions on Geoscience and Remote Sensing，2004，42（11）：2412—2425.

5 Geldsetzer T，Van der Sanden JJ，Drouin H.Advanced SAR applications for Canada′s river and lake ice／／2011 IEEE International Geoscience and Remote Sensing Symposium（IGARSS）.Vancouver，BC：IEEE，2011：3168—3170.

6 Van der Sanden JJ，Drouin H.Satellite SARObservationsof River Ice Cover：A RADARSAT-2（C-band）and ALOSPALSAR（L-band）Comparison／／CGU HSCommittee on River Ice Processes and the Environment.Winnipeg Manitoba，2011：179—197.

7 Eriksson L，Drinkwater M，Holt B，et al.SIR-C polarimetric radar results from theWeddell Sea，Antarctica／／1998 IEEE International Geoscience and Remote Sensing Symposium Proceedings，Seattle，WA：IEEE，1998：2222—2224.

8 Dierking W，Busche T.Sea Ice Monitoring by L-Band SAR：An assessment based on literature and comparisons of JERS-1 and ERS-1 imagery.IEEE Transactions on Geoscience and Remote Sensing，2006，44（2）：957—970.

9 Arkett M，Flett D，De Abreu R，et al.Evaluating ALOS-PALSAR for icemonitoring-what can L-band do for the North American ice service？／／2008 IEEE International Geoscience and Remote Sensing Symposium.Boston，MA：IEEE，2008：188—191.

10 Stofen E R，Evans D L，Schmullius C，et al.Overview of Results of spaceborne imaging Radar-C，X-band synthetic aperture radar（SIR-C／XSAR）.IEEE Transactions on Geoscience and Remote Sensing，1995，33（4）：817—828.

11 郭华东.雷达对地观测技术与作用.遥感技术与应用，1994，9（4）：58—60.

12 郭华东.航天多波段全极化干涉雷达的地物探测.遥感学报，1997，1（1）：32—39.

13 Lee JS，Pottier E.Polarimetric Radar Imaging：From Basics to Applications.Boca Raton：CRC Press，2009.

14 李莹，郑永果.一种改进的增强Lee滤波算法.计算机应用与软件，2012，29（7）：243—245.

15 江勇，张晓玲，师君.极化SAR改进Lee滤波相干斑抑制研究.电子科技大学学报，2009，38（1）：5—8.

16 Kuan D T，Sawchuk A A，Strand TC，et al.Adaptive noise smoothing filter for imageswith signal-dependent noise.IEEE Transactions on Pattern Analysisand Machine Intelligence，1985，7（2）：165—177.

17 谭衡霖，邵芸，范湘涛，等.全方向自适应动态窗口SAR斑点噪声抑制算法.遥感学报，2002，6（6）：464—469.

18 Webb A R.统计模式识别（第二版）.王萍，杨培龙，罗颖听译.北京：电子工业出版社，2004.