基于PALSAR雷达数据与多时相TM/ETM+影像的海南岛土地利用分类研究

陈帮乾　李香萍　肖向明　孙瑞　吴志祥　祁栋灵　杨川　陶忠良

摘 要 大面积范围内准确获取土地利用/覆盖变化信息对生产管理和生态环境评价都具有重要的意义。本研究联合2010年25 m分辨率的ALOS PALSAR L波段雷达和2009～2010年多时相Landsat TM/ETM+影像，利用决策树分类方法对海南岛土地利用类型进行分类。结果表明，PALSAR雷达对森林和水体均有较高的识别精度，生产者精度和用户精度均超过88%，但耕地与建筑分类精度最高仅为77%。通过结合森林、建筑与耕地的光谱信息及其年际变化特征，采用多时相TM/ETM+影像合成的NDVI最大值和最小值对PALSAR分类结果进行修正。修正后结果的精度均有显著提升，森林、水体和建筑的生产者和用户精度均超过了92%，相应耕地的精度也分别达到了91%和74%，总体分类精度达到94%，Kappa系数为0.92。本研究表明，联合PALSAR雷达和多时相Landsat系列光学遥感影像，在解决热带地区影像数据源匮乏的同时，能够显著提高土地利用分类精度，具有良好的应用前景。

关键词 PALSAR；TM/ETM+；海南岛；NDVI

中图分类号 S127 文献标识码 A

Land Utilization Mapping in Hainan Island by Using ALOS

PALSAR and Multi-temporal Landsat TM/ETM+ Imagery

CHEN Bangqian1，2， LI Xiangping2， XIAO Xiangming2， SUN Rui1， WU Zhixiang1，

QI Dongling1， YANG Chuan1， TAO Zhongliang1

1 Rubber Research Institute（RRI）， Chinese Academy of Tropical Agricultural Sciences（CATAS）/ Investigation &

Experiment Station of Tropical Cops， Ministry of Agriculture， Danzhou， Hainan 571737， China

2 School of Life Science， Fudan University， Shanghai 200438， China

Abstract Accurately mapping land use / cover change over large area is of vital importance for production management practices and eco-environmental assessment. A decision tree-based land utilization mapping in Hainan Island by using the 25 m ALOS Phased Arrayed L-band Synthetic Aperture Radar（PALSAR）in 2010 and multi-temporal 30-m Landsat TM/ETM+ imagery in 2009-2010 was made. The results indicated that forest and water could be easily identified by PALSAR imagery. Both the producer's accuracy（PA）and user's accuracy（UA）were more than 88%. However， the PA and UA were low for the cropland and built-up land， with a max value of about 77%. On the basis of analyzing the spectral reflectance and their seasonal dynamics of the forest， built-up land and cropland， the maximum/minimum value composited Normalized Difference Vegetation Index（NDVI）were used to revise the PALSAR-based mapping results. Significant improvement in the accuracies was obtained for all the classes. For the forest， water and built-up land， the PA and UA were moe than 92%. The accuracy of the cropland also improved， with PA and UA of 91% and 74%， respectively. The overall accuracy was 94% and kappa was 0.92. This study demonstrated the great application prospective of integrating PALSAR and multi-temporal TM/ETM+ imagery for land use classification， which can not only overcome the shortage of the optical images in tropical area， but also greatly improve the mapping accuracy.

Key words PALSAR； TM/ETM+； Hainan Island； NDVI

doi 10.3969/j.issn.1000-2561.2015.12.020

土地利用/覆盖变化研究是土地资源合理规划、全球气候变化等研究的重要基础，也是遥感应用的重要方向。光学遥感卫星已发展了数十年，影像数据在土地利用/覆盖变化中的应用也较为成熟[1-5]。但是在热带地区，光学影像的应用严重受到了常年多云雨天气的影响。据估计，在任何时刻，有30%的地球表面都是被云覆盖，而在热带与亚热带地区，云覆盖的比例高达50%，在特定的时间范围内大面积获取无云的遥感影像非常困难[6-8]。可喜的是，近十多年来微波遥感尤其是合成孔径雷达SAR（Synthetic Aperture Radar）技术得到了迅速的发展。微波遥感平台属于主动遥感范畴，能够穿透云雨，具有全天候工作能力，并对地物如森林具有较强的穿透力，能够反应地物几何结构、含水量和冠层粗糙度等信息[9]。近年来，日本宇航研究开发机构（Japan Aerospace Exploration Agency，JAXA）先后向全球开放了50和25 m空间分辨率的相控阵型L波段合成孔径雷达（Phased Arrayed L-band Synthetic Aperture Radar，PALSAR）镶嵌产品数据，已极大的促使雷达数据在土地利用分类、森林结构与生物量反演等方面的应用[10-17]。

虽然雷达影像几乎不受云干扰，但其成像属物理过程，并易受大气和土壤湿度影响，噪声相对较多，成像精度目前总体不及光学遥感影像。由于地表类型的复杂性，光学卫星影像在地物识别过程中也存在局限性，同谱异物和异物同谱现象比较普遍。有效结合光学和雷达遥感影像，可实现不同数据源间的优势互补，更有利于获取更高精度的土地覆盖利用信息[18-19]。比如陈劲松等[9]综合应用Landsat TM/ETM+、HJ-1A/1B CCD光学影像和X波段TerraSAR数据研究了广东省雷州半岛的土地利用，表明使用多源数据能有效提高土地利用信息提取精度；Reiche等[14]融合了Landsat NDVI（Normalized Difference Vegetation Index）和PALSAR数据研究维提岛森林砍伐过程，总体分类精度达到了95.5%。

海南岛中国最大的热带岛屿，准确高效的获取土地利用信息对生态环境评价具有重要意义。蔡运龙[20]、赵健等[21]与王树东等[22]先后利用TM影像解译了海南岛不同历史时期的土地利用类型；最近，Dong等[23]联合50 m空间分辨率的PALSAR和250～500 m的MODIS影像提取了海南岛2007年的森林和橡胶面积。本研究拟综合利用空间分辨率更高的PALSAR（25 m）雷达和多时相TM/ETM+光学影像（30 m），探讨联合光学与雷达影像的热带地区土地利用分类方法，完成海南岛2010年土地利用信息的准确提取。

1 数据与方法

1.1 研究区域

海南岛（图 1）地处北纬18°10′～20°10′，东经 108°37′～111°03′之间，是中国最大的热带岛屿，占中国热带总面积的42.4%[24]。全岛地形四周低平，中间高耸，以最高山脉五指山（海拔1 867.1 m）、鹦歌岭（海拔1 811.6 m）为隆起核心，向外围逐级下降，由山地、丘陵、台地和平原组成环形层状地貌，梯结构明显。全岛属于海洋性热带季风气候，全年温暖湿润，年平均气温22～27 ℃，年光照为1 750～2 650 h；降雨量在1 000～2 600 mm之间，每年5～10月为雨季，占全年总降水量的70%～90%。自然植被主要分布在中部山区，包括热带季雨林，热带雨林，常绿阔叶林，红树林等，人工森林主要分布在山地四周的台地，耕地主要分布在平原，及沿海区域[25]。

1.2 地面样本数据

地面数据调查时间为2011年11月、2012年9月和2013年7月。调查对象主要为森林（橡胶林与人工林）、耕地、水体和建筑。调查过程中采用GPS相机记录土地利用信息，然后将带地理坐标的照片转成kml文件，结合谷哥地球绘制感兴区域（Region of Interest，ROI）。野外照片已上传至全球野外地理信息照片数据库（http：//www.eomf.ou.edu/photos）。该数据库是一个面向公众和市民的科学数据平台，用户可以免费上传、下载数据，目前已收集海南岛地区近8 000张野外照片。虽然野外调查时间晚于影像获取时间（2010年），但是所调查的土地利用类型相对固定，调查数据依然可用。本研究一共绘制了927个森林、21个水体、69个耕地和16个建筑ROI，分别相当于52 563、19 406、9 763和17 285个30 m×30 m像元（图1）。最后，应用ENVI的分层随机抽样方法，对不同土地类型的ROI按7 ∶ 3的比例进行随机抽样，其中70%的样本用于分类算法训练，30%的样本用于结果验证。

1.3 遥感影像及预处理

PALSAR数据源于日本宇航研究开发机构JAXA（http：//www.eorc.jaxa.jp）。该数据已经过多视化和正射校正处理，空间分辨率为25 m，包含HH和HV极化波段。本研究使用的是2010年镶嵌产品，幅宽为1°×1°，覆盖全海南岛共需要7景。应用公式将HH和HV极化波段振辐数据转化为归一化的雷达截面后向散射数据[26]：

σ0（dB）=10×log10DN2+CF （1）

式中σ0为后向散射系数，DN为HH或HV波段像元值，CF为绝对校正因子，取值-83。此外，还计算了2个波段的比值（HH/HV）和差值（HH-HV）。比值和差值波段目前已被广泛用于土地利用的分类[13，27]。

Landsat TM/ETM+影像来源于美国地质勘探局（United States Geological Survey， USGS，http：//glovis.usgs.gov/），空间分辨率为30 m。本研究采用2009～2010年的多景TM/ETM+影像合成无云影像，覆盖海南岛共需要4景TM/ETM+影像，影像信息统计见表1。

所获取的TM/ETM+影像为Level 1T产品，已具有很高的几何定位精度。影像首先通过Fmask进行自动云掩膜[6]，再利用LEDAPS进行大气校正[28]，然后计算归一化植被指数NDVI[29]：

NDVI= （2）

式中ρred、ρNIR为TM/ETM+的红光和近红外波段地表反射率。为了修正森林、建筑和耕地结果，分别对2009～2010年的TM/ETM+影像光谱波段和植被指数进行最大/最小值合成。为了消除落叶林的影响，最小值合成时仅使用4～12月的TM/ETM+遥感影像。植被指数的计算与影像的合成由交互式数据语言（Interactive Data Language，IDL）开发的程序自动完成。

1.4 分类算法构建

首先以PALSAR雷达影像为数据源，采用决策树分类方法实现水体、森林、耕地和建筑的分类，然后利用多时相的TM/ETM+合成的光谱和植被指数对分类结果进行修正。在Dong等[13]提出的50 m PALSAR影像分类算法基础上，基于训练样本ROI绘制不同土地类型的HH、HV、HH/HV和HH-HV波段后向散射系数的直方图，构建决策树分类规则（图2）。图2表明水体具有较小的后向散射系数，在HH和HV波段与耕地有少量重叠，非常容易分离。森林和建筑都具有较高的HH与HV后向散射系数，但建筑的HH反射率更大。森林的比值波段数值相对较高，差值波段数值相对较低。耕地后向反射率间于水体与森林及建筑之间，但彼此有一定的重叠。相比之下，森林是除水体外较易分离的类型。根据这4种地表类型的直方图信息，以95%为置信区间，双侧以2.5%和97.5%分位数为阈值，单侧以5%或95%分位数为阈值（HH、HV和HH-HV波段阈值圆整到0.5，比值波段阈值圆整到0.05），构建决策树分类规则如下：

If （HH<-15.0）&&（HV<-24.0） then水体

else if（-17.0

else if（HH>-8.0）&&（0.05-17） then建筑

else耕地或其它

由于雷达成像是纯物理过程，建筑与森林、高生物量作物与森林等具有相似的后向散射系数（图2），最终影响分类精度。利用光学遥感影像的光谱信息，可对PALSAR分类结果进行修正，提高分类精度。理论上，森林和耕地都具有比建筑更大的最大NDVI值（NDVImax），耕地受耕作影响，最小NDVI值（NDVImin）会低于生长季的森林（图3）。修正过程包含2步：（1）保持PALSAR水体像元不变，利用NDVImax剔除PALSAR森林中的建筑像元，再利NDVImin过滤部分高生物量的耕地，获得高精度的森林分布图；（2）将建筑中具有高NDVImax值的像元修正为耕地。修正阈值根据训练样本的直方图确定（图3），分别以建筑和耕地95%为置信区间为域值，并作适当圆整处理。本研究中，森林与建筑NDVImax修正值为0.65，森林与耕地NDVImin为0.45，建筑与耕地NDVImax为0.65。

1.5 分类结果后处理

采用了地面样本ROI的随机抽样结果（30%）对分类结果计算混淆矩阵和卡帕系数（Kappa），定量评价分类精度，同时将部分分类结果与统计年鉴中的统计数据进行比较。分类结果专题图的制作在ArcGIS软件中实现。

2 结果与分析

2.1 PALSAR分类结果精度分析

表2为基于PALSAR雷达影像的海南岛土地利用分类精度评估结果。水体分类精度最高，用户精度和生产者精度分别达到了93.83%和95.99%，其误分像元主要来自于耕地（223和346个像元）。其主要原因是耕地中包含了水稻田，在水稻种植初期将会判定为水体。森林分类精度次之，用户精度和生产者精度分别为88.21%和89.10%，分类误差主要来自建筑类（1 349和949个像元）。建筑和耕地的分类精度最低，用户精度和生产者精度均在62.47%～77.03%之间。总体分类精度为84.74%，卡帕系数为0.76，有待于进一步的提高。

2.2 NDVI修正结果精度分析

建筑与森林具有相似的雷达后向散射系数，在建筑密集的城市或村庄地区，基于PALSAR影像的森林分类结果中混有不少建筑像元。图4展示了海口市区PALSAR森林分类结果经NDVImax修正过程。图4-a为2010年7月6日的TM影像，采用中红外（B5，1.55～1.75 μm）、近红外（B4，0.76～0.90 μm）和红光波段（B3，0.63～0.69 μm）RGB假彩色合成。当叠加PALSAR森林分类结果时，表明大量城市建筑被误分为森林（图4-b）。当过滤掉NDVImax<0.65的森林像元后，误分的城市建筑像元显著降低（图4-c）。过滤后的城市还有少量森林像元，其原因是城市中存在不少园林绿地。

表3为经过NDVImax和NDVIstd修正后的PALSAR分类精度评估结果。建筑精度提升最为显著，用户精度和生产者精度分别为92.73%和95.45%，远高于修正前的68.70%和75.80%；其次是森林，其分类精度为99.89%和94.81%，明显高于修正前的88.21%和89.10%。耕地的生产者精度提升至91.05%，用户精度为74.31%。由于目前仅含4个范围较大的分类，耕地还包含了一些较模糊的过渡类型，如间于森林与耕地之间的幼林人工林、部分果园林等，最终分类精度较低。水体的分类精度略有提升，其原因是滤波处理消除了部分椒盐噪声。经NDVI修正后，总体分类精度达到了94.70%，Kappa系数提升到了0.92。

2.3 海南岛的土地利用分类结果

图5为海南岛4种土地利用类型的空间分布图及部分区域叠加对比图。海南岛内陆水体主要集中在松涛水库（中北部）和大广坝水库（中西部），其余部分多分布在沿海区域及东部的文昌和琼海地区。文昌与琼海内陆地区有较多的水体，主要原因是该地区存在大量的水产养殖[30]。中部地区地形复杂，水体最少。森林主要分布在中部和南部的山区，以及松涛水库周围的平原及丘陵地带，其中分布在儋州市、琼中县、白沙县等地的森林多为橡胶。耕地主要分布在沿海的平原地区及靠近东北的定安县市周围。统计森林面积为2.08×106 hm2，比当年统计年鉴数据高3.6×104 hm2[31]。

2.4 不确定性分析及应用前景

由于PALSAR影像是由2010年的多景影像镶嵌而成，原始影像存在时间差导致区域地表植被存在物候差异，可能会影响分类精度。另外，用于修正的TM/ETM+影像的获取时间为2009～2010年，NDVI最大值修正过程中无法正确识别影像获取时段之内的部分土地利用变化。在城市地区，当土地类型由有植被覆盖的地表转变为建筑后，最大值合成仍会选择拥有植被时期的NDVI值，造成新建筑仍然具有较大的NDVI值，修正时会带来误差。此外，使用NDVImax和NDVIstd修正建筑分类结果时，会将裸土归类为建筑。海南岛的裸土主要分布在沿海沙滩、西部干旱且土壤养分条件极差的地区，虽然面积不多，但也降低了建筑的分类误差。

热带地区常年多云雨，严重影响光学遥感影像的获取，联合不受云层干扰的雷达影像，可实现数据优势互补，提高土地利用分类精度。本研究表明，联合PALSAR与多时相TM/ETM+遥感影像，既能克服影像数据匮乏的问题，又可实现森林和水体的精确分类，同时也能较准确的实现建筑与耕地分离。本研究所使用的数据和方法，可以应用于其它地区，但需其中的参数阈值需要验证或调整。比如Shimada等[11]在利用PALSAR影像进行全球森林面积提取研究过程中，表明用于森林分类的HH和HV波段阈值在不同地区存在小幅度的变化。

3 结论

本研究利用2010年PALSAR雷达和2009～2010年多时相TM/ETM+光学数据，采用决策树分类方法实现了海南岛30空间分辨率的森林、水体、建筑及耕地面积的提取。

（1）PALSAR雷达影像对森林和水体的识别精度最高，分类结果的用户精度和生产者精度均在88%以上，但对于耕地和建筑分类精度较低，用户精度和生产者精度最高才77%；

（2）利用多时相TM/ETM+影像合成的NDVI最大/最小值，能够过滤PALSAR森林分类结果中的建筑像元和部分耕地像元，提高森林分类精度；同时也可以对建筑和耕地分类结果进行修正。利用NDVI修正后的分类结果精度有显著提升，森林、水体和建筑的生产者精度和用户精度均超过了92%，总体分类精度达到了94%，Kappa系数为0.92。但是，耕地类型的精度还有待于进一步的提升。

通过联合PALSAR雷达影像和TM/ETM+等多源数据，既能克服热带地区影像数据匮乏的问题，又能实现数据优势互补，能显著提高热带地区土地利用监测的效率和精度，因此在热带地区具有较强的应用前景。

参考文献

[1] Pal Mahesh， Mather Paul M. An assessment of the effectiveness of decision tree methods for land cover classification[J]. Remote Sensing of Environment， 2003， 86（4）： 554-565.

[2] Kandrika Sreenivas， Roy P S. Land use land cover classification of Orissa using multi-temporal IRS-P6 awifs data： A decision tree approach[J]. International Journal of Applied Earth Observation and Geoinformation， 2008， 10（2）： 186-193.

[3] Otukei J R， Blaschke T. Land cover change assessment using decision trees， support vector machines and maximum likelihood classification algorithms[J]. International Journal of Applied Earth Observation and Geoinformation， 2010， 12（Supplement 1）： S27-S31.

[4] 林 楠， 姜琦刚， 杨佳佳， 等. 基于资源一号02C高分辨率数据的农业区土地利用分类[J]. 农业机械学报， 2015， 46（1）： 278-284.

[5] 费树军， 李建军. 利用陆地卫星TM影像进行森林土地面积调查的方法[J]. 内蒙古林业调查设计， 1997（4）： 127-129.

[6] Zhu Zhe， Curtis Woodcock. Object-based cloud and cloud shadow detection in Landsat imagery[J]. Remote Sensing of Environment， 2012（118）： 83-94.

[7] Wang Bin， Ono Atsuo， MuramatsuKanako， et al. Automated detection and removal of clouds and their shadows from Landsat TM images[J]. IEICE Transactions on Information and Systems， 1999， E82（2）： 453-460.

[8] Watmough Gary R， Atkinson Peter M， Hutton Craig W. A combined spectral and object-based approach to transparent cloud removal in an operational setting for Landsat ETM+[J]. International Journal of Applied Earth Observation and Geoinformation， 2011， 13（2）： 220-227.

[9] 陈劲松， 韩 宇， 陈 工， 等. 基于多源遥感信息融合的广东省土地利用分类方法--以雷州半岛为例[J]. 生态学报， 2014（24）： 7 233-7 242.

[10] Dong J， Xiao X， Sheldon S， et al. A 50 m forest cover map in Southeast Asia from ALOS/PALSAR and its application on forest fragmentation assessment[J]. PLoS One， 2014， 9（1）： e85 801.

[11] Shimada Masanobu， Itoh Takuya， Motooka Takeshi， et al. New global forest/non-forest maps from ALOS PALSAR data（2007-2010）[J]. Remote Sensing of Environment， 2014， 155： 13-31.

[12] Kou Weili， Xiao Xiangming， Dong Jinwei， et al. Mapping deciduous rubber plantation areas and stand ages with PALSAR and Landsat Images[J]. Remote Sensing， 2015， 7（1）： 1 048-1 073.

[13] Dong Jinwei， Xiao Xiangming， Sheldon Sage， et al. A comparison of forest cover maps in Mainland Southeast Asia from multiple sources： PALSAR， MERIS， MODIS and FRA[J]. Remote Sensing of Environment， 2012（127）： 60-73.

[14] Reiche Johannes， Verbesselt Jan， Hoekman Dirk， et al. Fusing Landsat and SAR time series to detect deforestation in the tropics[J]. Remote Sensing of Environment， 2015， 156： 276-293.

[15] Pantze Andreas， Santoro Maurizio， Fransson Johan E S. Change detection of boreal forest using bi-temporal ALOS PALSAR backscatter data[J]. Remote Sensing of Environment， 2014， 155： 120-128.

[16] Motohka Takeshi， Shimada Masanobu， Uryu Yumiko， et al. Using time series PALSAR gamma nought mosaics for automatic detection of tropical deforestation： A test study in Riau， Indonesia[J]. Remote Sensing of Environment， 2014， 155： 79-88.

[17] Suzuki Rikie， Kim Yongwon， Ishii Reiichiro. Sensitivity of the backscatter intensity of ALOS/PALSAR to the above-ground biomass and other biophysical parameters of boreal forest in Alaska[J]. Polar Science， 2013， 7（2）： 100-112.

[18] Zhu Zhe， Woodcock Curtis E， Rogan John， et al. Assessment of spectral， polarimetric， temporal， and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Remote Sensing of Environment， 2012， 117： 72-82.

[19] Lehmann Eric A.， Caccetta Peter， Lowell Kim， et al. SAR and optical remote sensing： Assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system[J]. Remote Sensing of Environment， 2015， 156： 335-348.

[20] 蔡运龙. 海南岛土地利用的遥感调查与机助制图[J]. 国土资源遥感， 1993（4）： 17-27.

[21] 赵 健， 魏成阶， 黄丽芳， 等. 土地利用动态变化的研究方法及其在海南岛的应用[J]. 地理研究， 2001， 20（6）： 723-730.

[22] 王树东， 张立福， 陈小平， 等. 基于Landsat TM的热带精细地物信息提取的模型与方法——以海南岛为例[J]. 生态学报， 2012， 32（22）： 7 036-7 044.

[23] Dong Jinwei， Xiao Xiangming， Sheldon Sage， et al. Mapping tropical forests and rubber plantations in complex landscapes by integrating PALSAR and MODIS imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2012， 74： 20-33.

[24] 陈磊夫. 海南省森林资源动态变化及可持续性评价研究[D]. 儋州： 华南热带农业大学， 2007.

[25] 王树东， 欧阳志云， 张翠萍， 等. 海南岛主要森林类型时空动态及关键驱动因子[J]. 生态学报， 2012， 32（23）： 7 364-7 374.

[26] Rosenqvist Ake， Shimada Masanobu， Ito Norimasa， et al. ALOS PALSAR： a pathfinder mission for global-scale monitoring of the environment[J]. IEEE Transactions on Geoscience and Remote Sensing， 2007， 11（45）： 3 307-3 316.

[27] Dong Jinwei， Xiao Xiangming， Chen Bangqian， et al. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment， 2013， 134： 392-402.

[28] Masek J G， Vermote E F， Saleous N， et al. LEDAPS Landsat Calibration， reflectance， atmospheric correction preprocessing code.[EB/OL]. [2012-04-24].http： //daac.ornl.gov/MODELS/guides/LEDAPS.html.

[29] Tucker Compton J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[30] 吴岩峻， 张京红， 田光辉， 等. 利用遥感技术进行海南省水产养殖调查[J]. 热带作物学报， 2006， 27（2）： 108-111.

[31] 海南省统计局， 国家统计局海南调查队. 海南统计年鉴2011[M]. 中国统计出版社， 2011.