基于Sentinel-1A后向散射特性的高原山区地物分类探讨——以安顺市为例

许 璟，安裕伦，刘绥华，韩可欣

(1.黄山学院 建筑工程学院，安徽 黄山 245021;2.贵州师范大学 地理与环境科学学院，贵州 贵阳 550001;3.贵州省山地资源与环境遥感应用重点实验室，贵州 贵阳 550001)



基于Sentinel-1A后向散射特性的高原山区地物分类探讨
——以安顺市为例

许 璟1，安裕伦2,3*，刘绥华2,3，韩可欣2,3

(1.黄山学院 建筑工程学院，安徽 黄山 245021;2.贵州师范大学 地理与环境科学学院，贵州 贵阳 550001;3.贵州省山地资源与环境遥感应用重点实验室，贵州 贵阳 550001)

探讨星载Sentinel-1A雷达数据在高原山区进行地物分类的可行性。以贵州省安顺市为研究区，NDVI数据为辅助数据，利用单极化多时相的SAR数据提取的后向散射特征Sigma σ值，建立符合研究区实际情况的专家树决策系统，进行地物分类和目标识别。结果表明：雷达数据的分类精度基本能够达到实际应用要求，特别是水域和建设用地在图像上解译标志明显，分类精度高于TM数据，分别达到90%和80%；植被和耕地精度低于TM数据，分别为70%和65%；但总体上TM数据的细节表现不如SAR数据。在分类工作时结合传统影像可以有效弥补高原山区气候和地形因素带来的不足，同时也能够促进雷达数据在此类高原山区的应用和推广。

高原山区；雷达数据；后向散射；地物分类

0 引言

合成孔径雷达(SAR)能够全天时、全天候对地进行观测[1-3]，观测图像不仅纹理信息丰富，而且具有较高的分辨率，这些特点使SAR数据在土地利用分类和目标识别上的应用具有明显优势。贵州高原，喀斯特地貌分布广泛，地貌类型复杂多变，传统遥感调查方法存在一定局限性[4]，加之多云雾、多雨的天气限制数据源的获取，目前主流的地物分类方法在此类地区应用受到限制。雷达数据的成像特点能够很好弥补光学数据的不足，在实际工作中，将两者相辅助使用具有很大的优势。星载雷达数据价格昂贵，获取不易，但随着欧洲航天局(ESA)哥白尼计划开始启动，继ERS1/2等卫星过后，该计划的第一颗主要用于环境监视的卫星(Sentinel-1A)于2014年4月3日发射升空，该数据目前已经允许用户免费下载使用，这对促进雷达技术的推广有重要意义。

目前，雷达数据的应用研究已经展开，邵芸[5]等利用加拿大遥感中心CV-580机载雷达系统获取的雷达图像，进行了土地覆被类型的分类研究；邵芸的团队后来还基于星载卫星Radarsat-2的目标时域散射特性对土地覆盖类型分类进行研究，分析研究区典型植被散射等结构特征，成功区分识别了多种目标地物[6]；李坤[7]等利用Radarsat-2全极化数据，研究水稻的极化响应特征及时相变化规律，并提出使用特征值特征向量的分解方法可以更好地进行水稻识别。然而目前雷达数据在贵州的研究还较少，若在高原山区能够推广雷达数据使用，将可免费获取的哨兵雷达数据应用于实践中，具有重要价值。研究以一些常用的分类因素作为辅助手段，探讨基于Sentinel-1A的单极化多时相数据的后向散射特性，应用专家决策树分类方法进行地物分类和目标识别，为今后开展深入研究提供前期参考。

1 研究区概况与研究数据

研究区位于贵州省安顺市西北部，地处东经105°50～105°59′，北纬26°11～26°19′，东西长约14.6km，南北宽约11.8km，区内海拔高度在1 000～1 600m之间，土地总面积约155km2，土地覆被类型为林地、耕地、水域、建设用地等。研究数据为单极化多时相Sentinel-1A数据，雷达影像的详细系统参数见表1，选用相同时相的LandsatTM影像作为分类辅助数据。

表1 雷达数据来源及属性

2 SAR数据处理方法

研究基于欧空局(ESA)的开源软件SENTINEL-1 Toolbox1.0.3平台，分别从滤波、辐射定标、多视、地理编码、地形辐射校正、重投影步骤对SAR数据进行处理。对于作为辅助的多光谱TM数据，进行一般的大气校正、几何校正和图像增强处理，处理流程见图1。

图1 数据处理图Fig.1 Data processing diagram

后向散射值是发射的雷达信号重定向直接回雷达天线的部分，朝向雷达的散射截面部分被称为后向散射截面，通常的符号是Symbolσ，它用于衡量雷达目标的反射强度，其余部分被雷达反射或吸收[7]。选用未经归一化直接定标得到的后项散射特性值作为分类的主要依据。为了提取这项特征值，需要对雷达数据进行辐射定标计算，辐射定标的过程定义为将雷达图像的灰度值转化为目标回波的定量值，从而得到反映真实地物目标的后向散射特性值[8,9]。哨兵数据的定标公式[10]为：

value(i)为后向散射特征值，DNi为雷达数据的灰度值，Ai根据LUT(查找表)中的定标算法选择其中的betaNought(i)，sigmaNought(i)或gamma(i)值。雷达数据发射的电磁波是随机分布于地表面的，导致经过不同散射体的电磁波由相干叠加在成像上产生了斑点噪声，在图像上表现为图像噪声亮度的变化，这些噪声的存在影响了图像的质量[11]。为了最大程度抑制斑点噪声对图像的影响，并尽可能保持雷达图像的纹理特征，可采用的常见滤波方法有均值滤波、中值滤波、Lee滤波、Frost滤波和Gamma滤波等[12]。研究选用3×3的滤波窗口并对比不同滤波方法下的滤波效果，最终选用了效果最好的Frost滤波方法，如图2。

滤波前 滤波后图2 滤波效果图Fig.2 Filtering effect

在进行地理编码的过程中，主要在图像上寻找合理的配准点进行配准，一般要求所选配准点均匀分布在整幅影像中。

鉴于雷达数据的特殊成像方式，经过普通的控制点方法校正雷达影像后，必须考虑普遍存在的因遮挡作用引起的几何和辐射畸变[13,14]。SAR数据存在较大的几何畸变，研究区地形复杂，需要对SAR数据进行地形辐射校正，减少误差。具体过程是以研究区DEM数据作为地形辐射校正的基准，建立DEM地面坐标与原始SAR影像坐标间的变换关系[15]。经过地形校正的SAR数据能够很好的和同期TM数据叠合在一起，并保证两幅图像的误差在1个像元以内。

3 后向散射特性分析

一般而言，在雷达数据的图像上，图像亮度和后向散射强度呈正比，像元表面越粗糙，其后向散射越强，例如道路、房屋等地物，在图像属性上表现为后向散射特征值越大；相反，光滑表面的地物是镜面反射，其后向散射相对较弱，其中，水域的后向散射很弱。在ENVI平台上借助10×10大小的窗口运算，将该区域的后向散射特征值的均值作为该地物的后项散射特征值。图3展示的是典型水域和建设用地的后项散射特征值。

图3 典型地物后向散射特征值示意图Fig.3 Typical ground backscattering characteristic value diagram

研究区多期数据选择的不同区域典型地物的后向散射特征值随时间变化的情况如图4所示。

图4 地物后向散射特征值随时间变化规律示意表Fig.4 Geophysical back scattering characteristic value variation with time

研究显示：研究区建设用地存在大量的反射现象，在后向散射图像上呈现白色高亮的规则形状，由表2所示，其Sigma σ值总是>120，远高于其它地物；静止水域水面较平滑，雷达波到达水面后产生镜面反射，返回传感器的后项散射较少，在图像上表现为黑色，地物轮廓清晰易辨，其Sigma σ值总是在5～20之间；植被和耕地形状都不规则，色调也不是很均一，植被的Sigma σ值在20～60范围内，耕地在60～120之间。

表2 地物分类区间表

4 分类

4.1 决策树分类

决策树是一个类似流程图的树形结构，运算效率高，在遥感影像分类有着巨大优势[16,17]。利用不同时相的雷达数据，提取不同目标地物的后项散射特性值，通过反复验证不同地物的数据范围，辅助TM衍生出的NDVI数据，自定义数据分类规则，建立符合研究区实际情况的决策树分类系统，结合实际影像解译特征对研究区典型地物进行分类，分析并检验分类精度。依据实际情况，研究拟分出5种地物：水域(包含河流、水库和水塘)、建设用地(包含城镇和居民点)、植被(包含林地、灌木和草地)、耕地(包含水田和旱地)和道路(判别图像特征并手动数字化)。首先提取研究区域的水域，利用雷达数据Sigmaσ值介于5～20之间，可以区分特征完全不同于其它地物的为水域；根据雷达数据Sigmaσ特征值介于20～60之间，结合NDVI>0.03的条件提取植被信息；雷达数据Sigmaσ值介于60～120之间的地物标记为耕地；后向特征值>120的划分为建设用地。研究区土地覆被分类结果如图5所示。

图5 土地覆被分类结果图Fig.5 Land cover classification results

4.2 分类精度评价与分析

由于较难获取同分辨率的多光谱影像，将TM数据进行重采样操作，对比同期TM数据监督分类结果。在分类结果评估中，对比Google Earth高分辨率数据目视判读结果，并随机选取分类地物样本点，定量、客观检验两种分类结果的分类精度，评估结果如表3所示。

表3 地物分类精度

因为SAR数据较TM数据易从分类得出的建设用地中提出道路信息，精度评价时候，道路是在未提取之前放入建设用地共同评价的。从表3可以看出，SAR数据水域和建设用地的精度为90%和80%，高于TM数据的85%和79%；在区分植被和耕地方面，SAR数据分类精度的70%和65%低于TM数据的75%和70%。但TM数据在细节表现方面不如SAR数据，TM数据得出的建设用地已经很难重新从中划分出道路信息，而SAR数据可以较容易的重新数字化提取道路要素。在进行同样空间尺度的去除小图斑操作后，统计TM分类图斑数有近300个，而SAR分类图斑数约为TM的3倍，这些都得益于雷达图像的高分辨率特征。基于ENVI软件，使用混淆矩阵精度验证法分别提取SAR数据和TM数据分类结果的总体精度和Kappa系数，具体结果如表4所示。

表4 精度对比表

通过上述分类方法，能够区分出水域、建设用地、植被、耕地和道路(从建设用地中单独矢量化提取)5种主要土地覆被类型，总体上解译精度是符合实际应用要求的。通过对照和实际检查，水域和建设用地在影像上的解译性较好，分类精度也较高，在NDVI的辅助下，植被信息也能很好地判别，耕地的解译效果经过比对也是可以满足实际需要的。但在分类中，TM影像的光谱特征优势使其在植被和耕地的分类精度更高，若能既使用雷达并使用其它数据进行辅助，会有更高的分类精度。

根据分类结果，分析不同分类地物在SAR影像的解译特征，详细情况见表5。

表5 SAR影像解译特征

5 结论与不足之处

由于高原山区气候、地形等因素影响遥感数据源的获取，再加上综合调查具有周期性，调查成本较高，调查的范围受限，这就导致贵州省遥感应用的发展受到极大限制。研究以TM影像为辅助数据，研究免费获取的星载哨兵雷达数据在这类高原山区进行地物识别和分类的可行性及应用情况。研究结果显示：

1)雷达数据分辨率高，地物分类精度基本满足实际应用需求。地物表现在图像上为斑块轮廓清晰，图像纹理信息丰富。对比几种地物，其中水域和建设用地的分类精度较高，在影像上轮廓显著，清晰可辨，这些优势有助于进行如水体监测、建筑物违章检查等工作；但植被和耕地的分类精度不如TM数据，主要因为在地物分类过程中，后向散射特征值的范围界定不够精确。若能精确界定，便可以尝试不依赖其它影像只使用雷达数据进行分类。下一步研究方向是细化分类，例如区分耕地中的水田、旱地等，植被中的林地、草地等。

2)雷达数据的微波成像原理使数据受外界因素影响较小，而哨兵数据可免费下载，这又使多时相数据的获取更加便利，各种应用类型的遥感数据来源更加广泛，特别是为进行时效要求很高的农作物监测等工作带来便利。

3)从分类结果来看，山体阴影部分很难区分，并且错误划分至水域。这是由于地势多变起伏使得雷达光束对地面倾斜照射，图像上表现为产生大量阴影。这和一般分类方法遇到的问题类似，需要进一步进行研究。

在实际应用中，雷达影像的解译与应用还需借助其它光学影像，并且在一些影像制作方面，雷达数据也不会代替光学影像。但随着雷达数据向多极化多波段等方面发展，在各领域都会有较大的发展潜力，其强大的对地观测能力将会给高原地区带来切实有效的应用。

[1] 邓云凯,赵凤军,王宇.星载SAR技术的发展趋势及应用浅析[J].雷达学报,2012,1(1):1-10.

[2] 李兰,陈尔学,李增元,等.合成孔径雷达森林树高和地上生物量估测研究进展[J].遥感技术与应用,2016,31(4):625-633.

[3] 刘梦琦,周忠发,李波.高原山区SAR影像处理关键技术与应用探讨[J].贵州师范大学学报(自然科学版),2010,28(3):28-33.

[4] 许璟,安裕伦,刘绥华,等.高原山区星载合成孔径雷达数据与多光谱数据的图像融合探究——以贵州省毕节市为例[J].地球与环境, 2015,43(4):457-463.

[5] SHAO Y,GUO H D, LIU H,et al.Effect of Polarization of GlobeSAR Data on Vegetation Discrimination[J].GEO-CARTO International,1995，10(3):71-76.

[6] 邵芸,范湘涛,刘浩.基于目标时域散射特性的土地覆盖类型分类研究[J].国土资源遥感,2001(4):40-50.

[7] 李坤,邵芸,张风丽.基于RadarSat-2全极化数据的水稻识别[J].遥感技术与应用,2012,27(1):86-93.

[8]张海龙,蒋建军,吴宏安,等.SAR与TM影像融合及在BP神经网络分类中的应用[J].测绘学报,35(3):229-239.

[9] ZONG P L,KENDALL L,CARDER.Absorption spectrum of phytoplankton pigments derived from hyperspectral remote-sensing reflectance[J].Remote Sensing of Environment,2004,89(3):361-368.

[10]SENTINEL TEAM.Sentinel-1 UserHandbook[EB/OL].(2013-09-01)[2014-10-04].https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-sar.

[11]韩春明,郭华东,王长林,等.一种改进的SAR图像斑点噪声滤波方法[J].遥感学报,2001,8(2):121-127.

[12]骆明君.合成孔径雷达图像斑点噪声抑制与滤波[J].信息与电子工程,2009,7(1):9-12.

[13]符思涛,李震,田帮森.全极化合成孔径雷达影像地形纠正及其在雪冰制图中的应用[J].中国图象图形学报,2014,19(1):150-157.

[14]张永红,张继贤,林宗坚,等.地形引起的雷达辐射畸变及其校正[J].测绘科学,2002,27(4):23-26.

[15]郭华东.雷达对地观测理论与应用[M].北京:科学出版社,2000,183-191.

[16]马源.基于随机化属性选择和决策树的组合分类器[J].贵州师范大学学报(自然科学版),2016,34(1):98-102.

[17]张正健,李爱农,雷光斌,等.基于多尺度分割和决策树算法的山区遥感影像变化检测方法——以四川攀西地区为例[J].生态学报, 2014,34(24):7222-7232.

Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features——A case study in Anshun city

XU Jing1,AN Yulun2,3*,LIU Suihua2,3,Han Kexin2,3

(1.School of Architecture and Engineering,Huangshan University,Huangshan，Anhui 245021,China;2.School of Geographic and Environmental Science, Guizhou Normal University,Guiyang,Guizhou 550001,China;3.Guizhou Mountain Resources and Environmental Remote Sensing Application Laboratory,Guiyang ,Guizhou 550001,China)

The paper establishes expert decision system tree which in conformity with the practical situation of Anshun city of Guizhou Province study area about object classification and recognition. By using the Sigma backscatter extracted from multi-temporal SAR data and other data such as NDVI, we explore the feasibility of feature classification of the spaceborne Sentinel-1A radar data in plateau mountainous. The result showed that the radar data classification accuracy can meet the requirements of practical application, especially in water bodies and buildings on the image which interpreting marks are obvious. Their classification accuracy is 90% and 80%, which is higher than TM data. The accuracy of vegetation and cultivated land is 70% and 65%, which is lower than that of TM data. Overall, the details of the TM data are not as good as SAR data. The SAR data combined with traditional image can effectively make up for the inadequacy of climate and terrain factors in mountain plateau in the work of classification, it not only has great practical significance, but also can improve the application and promotion of radar data in such plateau mountainous areas.

plateau area; radar data; backscatter; terrain classification

1004—5570(2016)06-0015-05

2016-09-27

国家自然科学基金项目(41161002);贵州省省长基金项目(黔省专合字(2011)46号)；贵州省科学技术基金(黔科合J字[2014]2127)

许 璟(1990-)，女，硕士，研究方向：地理信息系统与遥感应用，E-mail:460096669@qq.com.

*通讯作者：安裕伦(1957-)，男，教授，研究方向：自然地理学、GIS和环境遥感，E-mail:anyulun@126.com.

TP391

A