基于全极化SAR与多光谱的喀斯特山区农村林地提取*

王 平，周忠发※，殷 超

(1.贵州师范大学喀斯特研究院，贵阳 550001； 2.国家喀斯特石漠化防治工程技术研究中心，贵州贵阳 550001)

·技术方法·

基于全极化SAR与多光谱的喀斯特山区农村林地提取*

王 平1， 2，周忠发1， 2※，殷 超1， 2

(1.贵州师范大学喀斯特研究院，贵阳 550001； 2.国家喀斯特石漠化防治工程技术研究中心，贵州贵阳 550001)

目的为加快推动贵州省“互联网+”林业建设，打破贵州喀斯特高原山区遥感监测瓶颈，选取了空间分辨率8m的Radarsat-2全极化SAR数据与空间分辨率6m的SPOT 6多光谱影像作为数据源，探究微波与光学遥感结合在喀斯特山区农村地区的林地提取技术。方法首先采用ENVI SARscape与NEST软件对SAR图像预处理。将Radarsat-2全极化数据与SPOT 6标准假彩色影像进行HSV融合。计算融合图像的平均梯度、信息熵、标准差与均值，评价出最优融合效果的极化方式。基于K均值(K-means)与最大期望(EM聚类)聚类算法分割图像，选择合适的算法，基于聚类分割的阈值进行面向对象的林地分类。最后，基于像素的混淆矩阵精度评价，结合贵州省林业厅调查数据、野外样方和航拍图，建立参考样本评价分类结果。结果(1)融合之后，目视解译出林地边缘明显但较粗糙； 对于在林地中小面积建筑物、农田中的较分散的林地小图斑能够识别，但边缘粗糙； 有林地和灌木林地在色调上区分明显； 在融合后的明度图中的灌木林地有明度较大的像元，此类像元为石旮旯地。(2)通过定量分析，融合之后的影像较SAR和光学数据信息量大。同极化平均梯度大于交叉极化，HH极化方式下各指标最大。图像EM聚类分割比K-means聚类更加细化。EM聚类图像的特征区分明显； (3)研究分类出了有林地、灌木林地和其他林地。面向对象的林地分类总体分类精度达到85.71%。结论研究将微波与光学遥感结合，为喀斯特山区中农村地区的林地提取提供新思路，与传统的林地监测相比，数据获取快捷，提高工作效率，精度准确。有助于通过遥感的手段解决地块破碎区域的林地提取问题，为提高多源遥感技术在喀斯特农村地区中的林地智能监测的能力提供借鉴。

全极化 Radarsat-2 SPOT6 林地提取 图像融合 聚类分析 分类

0 引言

林地是全球生物圈中重要的一环，对维系整个地球的生态平衡起着至关重要的作用[1]。到2020年，全国林业信息化率将达到80%，森林覆盖率将达23%，其中贵州省森林覆盖率达60%。多年来，喀斯特森林植被恢复一直是研究热点问题，光学图像虽然地物光谱信息丰富，在森林植被信息识别、提取等资源监测方面意义重大[2]，然而，却存在对多云雨雾山区数据获取难和植被类型严重的“同谱异物”等问题。合成孔径雷达(SAR)对地观测系统具有全天时全天候等优点，其不受云雾雨雪天气影响，尤其适用于喀斯特高原山区； 但SAR 影像成像与人类视觉系统所接受的影像存在较大差异，造成解译困难[3， 4]。“多传感器信息融合”概念最早提出于20世纪70年代初期，它能综合各数据源优势，得到更精确的多维信息估计，实现遥感数据精准解译[5]。遥感数据的融合一般基于图像变换、彩色技术和算数运算三种方法[6]。目前针对光学和SAR图像融合，常用的算法包括基于HIS变换、HSV变换、Brovey变换、主成分变换和小波变换的融合法[7]。IHS、Brovey、主成分变换等方法易使融合后的影像光谱失真； 小波变换信息虽保真相对较好，但小波基选择困难且计算相对复杂[5]； 基于HSV变换的融合法虽然颜色有些失真，但能保持SAR图像纹理细节[8]，这对于不同林地分类有利。聚类分析是数据挖掘的重要手段，它是一种无监督的统计方法，在图像分割方面应用广泛。目前，主要有K-均值聚类方法、层次聚类方法、模糊聚类方法、谱聚类方法、密度聚类方法等[9]。在同一波段的不同极化方式中，同极化(HH、VV)对于发现地物位置与雷达视线平行的目标更有利，而交叉极化(HV、VH)对于与雷达视线成一定夹角的目标探测效果更好，因此全极化数据能更全面的描述地物散射特性[10]，但目前对于应用全极化数据的分类需进一步研究。由于SAR斑点噪声、分类方法策略及森林植被类型自身复杂特征等各方面的局限，再加上喀斯特地区林地物种复杂多样，受石漠化影响地表复杂，对该区域林地类型尚未有成熟的分类策略[11-12]。

至2013年，贵州省林地面积10.178 111万km2，占国土总面积17.616 770万km2的57.78%，研究选取的试验地位于贵州省清镇市，但其林地占国土面积的比例低于全省平均水平[13]。该地区地块破碎，植被破坏严重，地表石灰岩大量裸露，生态环境脆弱[14]，由于矿山企业较多，给该地区森林资源的保护带来了严峻的挑战。多云多雨的气候和复杂的地形使得传统的环境监测与单纯的光学遥感手段监测十分困难。目前，采用多源数据融合进行林地信息提取的研究已经比较多，但利用SAR遥感技术研究复杂山区中的林地分类尚不成熟。喀斯特山区地形复杂，农村地区林地地块破碎，传统的人工统计耗时耗力，因此，研究为了突破传统研究瓶颈，尝试用全极化SAR与多光谱影像，采用HSV融合技术，再进行图像聚类分割，根据分割阈值面向对象提取不同类型林地，以期解决贵州喀斯特山区中农村地区的小斑块破碎林地识别，为森林资源智能监测提供借鉴。

1 研究区与数据

1.1 研究区概况

研究区所在的贵州省清镇市位于106°7′6″E～106°29′37″E，26°24′5″N～26°45′45″N。地层主要以三叠系下统茅草铺组为主，灰岩与白云岩大量出露，石漠化现象明显，区内受乌江支流三岔河切割的影响，导致地貌组合形态以峰丛洼地、谷地为主[15]； 属于黔中高原区，南部地势较为平缓，以丘陵和喀斯特化低山为主，地势从西南向东北渐减； 属亚热带季风湿润气候，年平均气温14℃，无霜期275d，年平均降雨量1150.4 mm，年日照时数1433 h； 土壤以黄沙壤、黄壤为主，pH 值为5.5～6.5，呈微酸性，有机质含量丰富[16]。区内地表覆盖类型多样且斑块破碎复杂，森林覆盖率为31.1%，根据《土地利用现状分类》国家标准(GBT 21010-2007)农村土地调查分类标准，主要为林地、耕地(主要包括水稻、玉米、烟草)、城镇村及工矿用地、交通运输用地、水域及水利设施用地、其他土地(主要包括裸地)等； 其中林地类型包括有林地、灌木林地及其他林地[12]。由于区内其他林地一类地表复杂多样化，存在林下种植业、养殖业等多元经济模式，需进一步做详细研究论证，因此研究中对于其他林地暂未进行细化分类。

1.2 数据来源

研究的实验数据包括遥感数据和实测调查数据，两类数据获取的时相选取要求同步或准同步。由于光学影像光谱信息丰富，对地表植被覆盖较敏感，因此较易区分不同类别林地，但对于多云雨的喀斯特地区经常存在数据获取不完整的缺陷。SAR影像的纹理较清晰，多极化比较适合森林资源调查及生态环境监测相关领域的遥感应用[2]，但往往存在相干斑噪声、透视收缩等一系列问题，影像解译精度。因此，为了将两类数据优势互补，选取SPOT 6多光谱数据与Radarsat-2全极化SLC数据。运用0.5m分辨率航拍图目视解译与野外实地调查交互作业方式实现野外样方的建立。在实测调查数据的获取中，由于研究区地块破碎，结合研究团队的长期监测，采用GPS定位样方，建立有林地、灌木林地、其他林地三类林地标准样方各10个，为后期建立验证样本做参考。验证数据主要是由贵州省林业厅提供的《贵州省2013年林地年度变更调查成果报告》[12]、研究区航拍图和野外调研的样方数据相结合。

图1 研究区地理位置 图2 研究区林业资源分布

表1 SAR与多光谱实验数据数据基本情况

数据类型数据源地点获取时间波段空间分辨率SARRadarsat⁃2贵州省清镇市2014年8月16日HH/VV/HV/VH8m多光谱SPOT6贵州省清镇市2014年9月22日蓝/绿/红/近红外6m

图3 研究区三类影像

图4 研究技术流程

2 研究方法

研究的整体思路是基于SAR与多光谱的融合技术，选择最合适的SAR极化方式，然后基于K-means与EM聚类分析，找到最适合林地分割的阈值，进一步根据面向对象的分类方法对研究区林地提取与分类(图4)。

2.1 SAR预处理方法

SAR成像方式作为一种主动式遥感成像方式，与光学图像相比，其视觉可读性较差且受到相干斑噪声及阴影、透视收缩、迎坡缩短、顶底倒置等几何特征的影响，特别是在山区，受地形影响，雷达图像几何失真较大，SAR信息处理非常困难。成像雷达的斑点噪声的存在是影响SAR图像质量的最大障碍，对林地特征提取和分类造成障碍。因此需要对获取的雷达影像进行预处理，主要运ENVI-SARscape基本模块，包括：头文件读取、多视处理、地理编码及辐射定标(包括正射纠正、几何较正过程)、滤波。此外，图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择[17]，因此还需要将SAR与光学影像进行精确配准。通过雷达影像预处理，减少了斑点噪声、几何形变、阴影的影响，增加有用的解译信息。

2.2 影像融合与融合图像评价方法

研究采用HSV融合方法，首先将SPOT6多光谱影像进行彩色变换，分离出色调(H)、饱和度(S)、明度(V)3个分量； 然后将分离的V分量与雷达影像进行直方图匹配； 最后将匹配后的影像与之前分离的H和S分量进行HSV反变换，得到彩色合成影像[17]。

在对图像融合技术进行研究的同时，开展对图像融合效果的客观、定量评价问题的研究非常重要。同一融合算法对不同类型的图像融合效果不同； 因观察者应用方向不同，评价效果也不同； 或图像参数不同，评价方法不同，因此当前图像融合效果的评价一直没有得到很好的解决。在许多融合应用中，人眼的视觉特性也是非常重要的考虑因素。然而，人为评价结果受很多主观因素影响，这就需要给出客观的评价方法。通常客观评价方法有基于信息量、统计特征、相关性和梯度值的评价[19-20]。

平均梯度(AG)反映了图像的清晰程度，同时还反映出图像中微小细节反差和纹理变换特征(公式1)。其中，M、N为图像的行数和列数，Δxf(i，j)，Δyf(i，j)分别为像元(i，j)在x/y方向上的一阶差分。平均梯度越大，图像越清晰，因此用平均梯度来反映融合图像在微小细节表达能力上的差异[18]。

(1)

图像信息熵(H)的含义为图像的平均信息量，其概念是由信息论的著名创始人香农提出的，信息量增加是图像融合最基本的要求，融合图像中的信息熵越大，说明图像中包含的信息越多，融合效果越好。其中，L为图像总灰度级数，对于256灰度等级的图像L=256，pi为灰度值为i的像素个数与总像素数之比[20]。

(2)

均值是图像中所有像元亮度值的算术平均值。能够反映出地物平均反射强度，其大小决定于一级波谱信息[19-20]。图像标准差(Std)表示像元与图像平均像元值的离散程度，是反映图像信息大小的重要标志(公式3)，式中M、N为图像的行数和列数，g(i，j)为图像中(i，j)位置处像素的灰度值[20-23]。

(3)

2.3 分类方法与图像分类精度验证

首先采用非监督分类中的K均值与EM聚类来确定三类林地特征阈值，然后基于阈值进行面向对象的图像分类。K-均值(K-Means)聚类算法是在1967年由麦克奎因首次提出的，它是聚类分析中的一种基本划分式方法，在图像分割中意义重大，其基本思想为随机选择多个初始类簇中心，将每个样本分配到最近的类簇中心所属的集合之中，形成了均值聚类的初始分布[18]。EM聚类算法也叫最大期望算法，它是在概率模型中寻找参数最大似然估计或者最大后验估计的算法。EM 模型首先假设遥感影像数据集由有限个参数化高斯密度分布，根据一定的比例构成，通过迭代计算，得出各密度分布的最大似然参数估计，最后通过密度分布的概率大小来确定类别的归属[19]。研究采用了eCognition软件面向对象的分类方法，首先进行像素合并和对象分割，通过对影像特征统计，可对小斑块地物分类，通过人机交互建立知识库，自动提取目标，从更多的因素提取地物信息[24]。

分类精度计算采用基于像素的混淆矩阵评价方法，被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。精度验证由制图精度、用户精度和总体精度三部分组成。制图精度表示将整个影像的像元正确分为某一类的像元数(混淆矩阵对角线值)与某一类真实参考总数(混淆矩阵中某一类列的总和)的比率。用户精度指正确分到某一类的像元总数(混淆矩阵对角线值)与将整个影像的像元分为某一类的像元总数(混淆矩阵中某一类行的总和)比率。总体精度表示总体分类精度，等于被正确分类的像元总和除以总像元数，表示涉及到所有像素分类的正确性。具体操作方法首先在 ArcMap10.2中，在研究区范围内自动生成随机点； 基于野外调研的GPS定位样方，进行人工筛选解译上述样本点，结合0.5m分辨率航拍图和《贵州省2013年林地年度变更调查成果报告》进行样点删除与修正并保存成.shp格式的文件输出； 最后将样本的点文件导入eCognition软件中并转化为参考样本进行精度评价。

3 结果与分析

3.1 SAR后向散射系数与HSV融合结果

经过SAR图像预处理之后得到4幅不同计划方式的图像。后向散射系数是雷达影像用来表征不同地物特征的元素之一，不同地物对同一雷达卫星发射的某一个波段中不同的极化方式会产生不同的散射特点。根据对四种极化方式影像的后向散射系数的提取与统计(图5、图6)，发现同极化方式(HH、VV)下的回波信号要高于交叉极化方式(HV、VH)。VH与VV极化方式对三类林地的特征区分明显。VV极化方式中各林地类型之间的后向散射系数差值最大，区分最明显。但总体来看，三类地物特征的边缘不明显，仅仅以雷达后向散射系数作为阈值分类不明显。

图5 四种极化方式SAR影像

图6 不同林地类型SAR后向散射系数统计

综合数据处理的计算速度与融合效果，研究采用HSV变换融合方法，采用Matlab软件分析图像[21， 22]。如图7所示，为不同极化方式下SAR与多光谱影像4， 3， 2(红外，红，绿)波段HSV融合的结果。

图7 不同极化方式SAR与多光谱图像HSV融合对比(局部截图)

图8 HSV融合结果对比图(以HH极化为例)

3.2 融合结果评价

3.2.1 主观评价

对比0.5m航拍影像，目视解译四类SAR极化方式的融合结果(图7、图8)区分不大，HSV融合方法很好的保留了图像的光谱与纹理信息； 而且经过HSV融合，SAR影像的阴影得到一定程度的消除，有助于对地貌(峰丛、峰林等)的恢复； 同极化方式下对于融合后山体阴影消除没有交叉极化效果好； 对于乔木、灌木覆盖集中的地块边缘识别明显。线性地物(道路)能被识别出基本轮廓，但轮廓识别不连续，这主要是由于喀斯特山区地表复杂，SAR影像对地表返回的散射信号敏感所致； 在雷达影像上，灌木林地通常分布在农村居民点或农田，在林地中的小面积建筑物能够区分，对农村居民建筑物等轮廓清晰地物能够得到较好识别，对农田周围的灌木林地也能够基本区分出来； 疏林地内树木生长稀疏，和郁闭度较大的有林地和灌木林地相比，其冠层所占比率小，但由于SAR与多光谱影像空间分辨率较航拍影像低，因此融合结果在影像上表现出解译山体、林地边缘轮廓较粗糙； 石旮旯地且通常零星分布在农田与灌木林地周围，在SAR图像中由于受角反射器结构影响返回信号较强，因此，在融合后的明度图中农田与灌木林地中会有明度较高的像元出现，这种在像元“异常”解译为石旮旯地。

3.2.2 客观评价

研究运用Matlab与ENVI软件，选用了平均梯度、信息熵、标准差与均值评价融合图像效果。从表2中可以看出，基于HSV融合方法的融合图像比多光谱与雷达影像都有所提升，HH极化平均梯度最大，说明HH极化方式下图像层次丰富，图像更加清晰，其次是VV极化，交叉极化的平均梯度要小于同极化。与原始SAR和多光谱图像相比，HSV融合图像的信息熵、标准差更大，说明通过该方法的融合能够丰富图像的信息，HH极化方式信息最丰富。从统计特征的均值来看，SAR数据在影像上表现为后向散射系数，其成像机理不同于光学影像，其均值均为负值。从四种极化方式来看，HH极化方式下的融合结果平均反射强度更强。

3.3 聚类与分类结果及精度验证

采用NEST雷达处理软件对HH极化方式下融合后的图像进行K-Means与EM聚类分析(图9)，再用Matlab图像处理函数进行编程多维显示[21-23]。从图9中可以看出，K-Means聚类与EM聚类方法分割类别均为6类，从图9中可分析出基于EM聚类的分割更加细化，分类斑块面积更小，较适合小区域尺度的研究，有助于区分地物特征较相近的三类林地。

表2 图像评价客观指标

数据类型波段/极化方式平均梯度信息熵标准差均值HSV融合HH极化157374063969748VV极化159768754336307VH极化137467453585738HV极化138567560955791SPOT6Blue043510540037051Green056416796837361Red0212111108628583NIR0332361560593513Radarsat⁃2HH极化059011275-883VV极化026007253-856 VH极化028006237-1509HV极化068009238-1497

图9 HH极化聚类分割3D图

通过NEST软件图像分析，将聚类图像进行定量统计分析(图10)，根据野外样方定位信息，分别得到有林地、灌木林地、其他林地三类林地的图像剖面像元分布图，图像直方图，阈值概率统计图，三类林地有明显的特征区分。其中有林地与灌木林地的像元值分布更均匀，像元剖面的图谱分布更加平稳，这主要是由于有林地与灌木林地的郁闭度较高，其统计特征更加明显。通过统计，三类有林地的聚类后像元均值分布在5.1、5.4、4.9，考虑阈值的相似性，参考航拍图纠正，以像元为中心±0.1作为设置阈值。有林地为5.0～5.2，灌木林地为5.3～5.5，其他林地为4.8～5.0。

选择阈值划分更细化的EM聚类分析，根据其阈值，用eCognition软件对影像基于分割阈值进行面向对象的林地分类。选择野外采集的样本点和航拍图并结合了贵州省林业厅统计数据，目视解译样本作为评价样本，确定了700个参考样本(图11-左)，进行基于像素的混淆矩阵分类精度评价。从表3可以看出，有林地的制图精度最高，其次是其他林地，灌木林地的制图精度相对较低，但也达到了78.09%。从用户精度来看，三类林地都能达到80%。总体分类精度能达到85.71%。综合数据的分析过程，统计结果的误差来源主要和数据空间分辨率、验证数据与实测数据的时间差等有关。首先，目前任何一种遥感技术都不能完全模拟出真实地表的存在状态，因此无论从SAR数据的极化方式还是多光谱数据光谱角度来分析，这种来自于遥感数据分辨率的误差必然存在。其次，虽然林业资源在短时间内变化较小，但因传统的林业统计跨度时间较长，研究未考虑季节变化，必定会造成统计数据与实验结果有所差距。最后通过分类最终输出分类结果并制图(图11-右)。

表3 林地类别识别精度

类别参考分类制图精度(%)用户精度(%)有林地灌木林地其他林地总数计算分类有林地23212424892809355灌木林地61643220278098119其他林地123420425085008160总数250210240700总体精度8571

图11 验证样本点空间分布图(左)及HH极化-HSV融合-EM聚类林地分类图(右)

4 结论

研究探讨了采用Radarsat-2与SPOT6数据融合技术提取喀斯特山区中农村地区的林地。其关键在于融合方法、极化方式与分割算法的选择，来准确确定各类别的特征阈值。根据不同极化方式下图像处理结果对比分析，总结出以下结论。

(1)在喀斯特高原山区，针对峰丛洼地与峰丛谷地地貌类型的农村地区，应用HSV融合之后，图像质量均高于SAR与多光谱图像，图像的平均反射率较大，信息量更加丰富； 同极化较交叉极化融合效果好，HH极化方式下融合图像的在四类极化方式中质量最好，将SAR数据与多光谱数据互补，为提供喀斯特山区林地分类精度提供借鉴。

(2)基于HH极化方式，EM聚类比K-Means聚类更加细化，三类林地的阈值特征更加明显，实现了用星载SAR对喀斯特山区农村的林地提取。基于阈值的面向对象影像分类对三类林地的分类精度较高，满足应用需求。

(3)由于有林地地物边缘特征明显，且大多成片分布于山体，HSV融合能充分体现SAR影像散射强度与纹理信息，根据实地调查与林地空间分布规律，位于山体及轻度石漠化地区的林地大部分为有林地，这类林地识别特征明显，制图和用户精度较高。对于分布于道路周边、农田周围的灌木林地和其他林地，受石漠化的影响，制图和用户精度相对较低。

研究发现，由于高原山区完整的遥感数据获取困难，导致数据获取时间上的差异，影响结果准确性，后期将投入时间与精力，结合多时相，分析复杂地区的林地提取方法，进一步提高识别精度，寻找更可靠、便捷、快速的分类方法； 其次，由于喀斯特地区石漠化现象的存在，且农作物套种较多，研究区人为干预较大，其他林地一类影像像元较复杂，因此，没有做详细划分。下一步将更加深入的研究疏林地、未成林地、苗圃的影像特征，从而更好服务于喀斯特山区林地智能监测。

[1] 徐培培.近十年来中国林地空间分布变化遥感应用研究.北京：北京师范大学，2014.2～4

[2] 王馨爽， 陈尔学，李增元，等.多时相双极化SAR影像林地类型分类方法.林业科学， 2014, 50(3): 83～91

[3] 刘祗坤， 吴全， 苏根成.土地利用类型变化与生态系统服务价值分析——以赤峰市农牧交错带为例.中国农业资源与区划， 2015, 36(3): 56～61

[4] 卜丽静， 吴畅，何志博，等.利用纹理特征的SAR与光学图像融合方法研究.测绘工程， 2015, 24(5): 5～10

[5] 李军， 林宗坚.基于特征的遥感影像数据融合方法.中国图象图形学报， 1997， 2(Z1)： 103～107

[6] 赵英时. 遥感应用分析原理与方法.北京：科学出版社， 2013.256～262

[7] 杨丽萍， 陈发虎，颉耀文.国内多源遥感影像信息融合技术的新进展.遥感技术与应用， 2007, 22(1): 116～122

[8] 常化文,陈春香. 一种IHS变换图像融合法的改进算法.微计算机信息， 2007, 23(18): 280～296

[9] Macqueen J B.Some methods for classification and analysis of multivariate observations.Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability， 1967： 281～297

[10]Stephen Johnson.Hierarchical clustering schemes.Psychometrika， 1967, 32(3): 241～254

[11]许晓丽. 基于聚类分析的图像分割算法研究.哈尔滨：哈尔滨工程大学,2012.6～23

[12]曾亮. 多波段多极化SAR图像融合解译研究.杭州：杭州电子科技大学,2012.10～19

[13]贵州省林业厅. 贵州省2013年林地年度变更调查成果报告.2014

[14]王瑾， 周忠发，胡九超，等.石漠化地区现代烟草农业基地单元工程配置对土地利用的影响.江苏农业科学， 2015, 43(2): 381～384

[15]廖娟， 周忠发，王昆，等.基于SAR提高喀斯特地区LUCC光谱分类精度研究．中国农业资源与区划， 2016, 37(1): 50～56

[16]符勇， 周忠发，王昆，等.基于 SAR技术的高原山区烟草估产模型.江苏农业科学， 2015, 43(2): 393～396

[17]邓书斌.ENVI遥感图像处理方法(第2版).北京：高等教育出版社,2014.17～25

[18]骆剑承， 周成虎，梁怡，等.有限混合密度模型及遥感影像 EM聚类算法.中国图象图形学报， 2002, 7(4): 336～340

[19]张艳宁， 李映.SAR图像处理的关键技术.北京：电子工业出版社， 2014.340～347

[20]崔岩梅， 倪国强，钟堰利，等.利用统计特性进行图像融合效果分析及评价.北京理工大学学报,2000, 20(1): 103～106

[21]Macqueen.Some methods for classication and analysis of multivariata observation.Proc.5th Berkeley Symp.Math.Statist, 1967，(1)： 281～297

[22]张岩.MATLAB图像处理超级学习手册.北京：人民邮电出版社， 2014.268～296

[23]Rafael C.G，Richard E.W.数字图像处理(第二版).北京：电子工业出版社， 2005.224～265

[24]尹作霞， 杜培军.面向对象的高光谱遥感影像分类方法研究.遥感信息, 2007，(4)： 29～32

RURALWOODLANDEXTRACTIONBASEDONFULLPOLARIZATIONSARANDMULTISPECTRALINKARSTMOUNTAINAREAS*

WangPing1,2，ZhouZhongfa1,2※，YinChao1,2

(1.Guizhou Normal University，Guiyang 550001，China； 2.National Remote Sensing Center of China-Guizhou Division /State Key Environment Technology Research Center for Karst Rocky Desertification Rehabilitation of China，Guiyang, Guizhou 550001，China)

To speed up the construction of "Internet +" forestry Guizhou province and break the bottleneck on remote sensing monitoring in the Guizhou Karst plateau area, combing microwave and optical remote sensing methods, this paper explored the extracting technology of forest land in the rural areas of the Karst mountainous area based on the data of Radarsat-2 and the SPOT6 with the spatial resolution 8m and 6m. SARscape ENVI and NEST software were used to preprocess the SAR image. And then, it calculated the average gradient, the information entropy, the standard deviation and the mean value of the fused image, and evaluate the optimal fusion of polarization mode based on K-means and maximum expected (EM clustering) clustering algorithm. Finally, it established classification results of the reference sample combined with the Guizhou Provincial Forestry Department survey data and field sampling data. The results showed that: (1) the visual interpretation of the woodland edge was obvious but rough. Woodland and shrub land were obviously different because the brightness of shrub forest had a big pixel.(2) By quantitative analysis, image data volume after fusion was even greater than SAR and optical data. The average gradient of the same polarization was larger than the cross polarization, and the HH polarization mode was the biggest. EM clustering segmentation was more detailed than K-means clustering. (3) The overall classification accuracy was 85.71%. The combination of microwave and optical remote sensing was a new way to extract forest land in the rural areas of Karst mountainous area, which was faster and more accuracy compared with the traditional forest land monitoring. It can solve the problem of forest land extraction by remote sensing, and improve the ability of intelligent monitoring with multi source remote sensing technology in the rural areas of Karst.

full polarization; Radarsat-2; SPOT6; forest land extraction; image fusion; clustering analysis; classification

TP75; TN957.52

A

1005-9121[2017]07041-10

10.7621/cjarrp.1005-9121.20170707

2016-08-07

王平(1991—)，女，河北保定人，硕士。研究方向：喀斯特山区遥感应用研究。

※通讯作者：周忠发(1969—)，男，贵州遵义人，教授、博士生导师。研究方向：地理信息系统与遥感。Email：fa6897@163.com

*

国家自然科学基金地区项目“喀斯特石漠化地区生态资产与区域贫困耦合机制研究”(41661088)； 贵州省高层次创新型人才培养计划——“百”层次人才(黔科合平台人才[2016]5674)； 贵州省科技计划“基于北斗卫星的山地高效农业产业园区智能管理系统开发与应用”(黔科合GY字[2015]3001)； 国家遥感中心贵州分部平台建设(黔科合计Z字[2012]4003)(黔科合计Z字[2013]4003)