基于全极化Radarsat-2数据的干旱区典型绿洲盐渍化信息提取

2018-12-28 06:04古丽努尔依沙克依力亚斯江努尔麦麦提段素素
中国农村水利水电 2018年12期
关键词:盐渍化盐渍极化

古丽努尔·依沙克,依力亚斯江·努尔麦麦提,2,段素素

(1.新疆大学资源与环境科学学院,乌鲁木齐 830046;2. 新疆大学绿洲生态教育部重点实验室,乌鲁木齐 830046)

土壤盐渍化作为在干旱、半干旱地区常见的一种土壤退化现象,其影响范围日趋扩大,严重影响着耕作地的利用[1,2]。据统计,全球有8.31 亿hm2的盐渍化土地,占全球陆地面积的7%[3]。我国盐渍土总面积为3 600 万hm2,占全国可利用土地面积4.88%[4]。受地理位置、地形地貌、气候环境、水文以及人为等多种因素的影响,导致新疆干旱区土壤盐渍化程度不断恶化[5]。调查显示,全区盐碱土面积847.6 万hm2,耕地大面积受盐碱危害[6]。因此,为了防止盐渍化进一步恶化,力争将其给农业生产带来的损失降到最低程度,需要加强土壤盐渍化监测和预测方面的研究。

传统的野外土壤调查方法,不但消耗人力、物力,并且周期长、效率低,无法实现大面积同步动态监测[7]。全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)具有高分辨率成像技术和极化测量功能,与单极化或多极化SAR相比,能够不受天气制约而全天候、全天时进行对地观测,同时对植被冠层具有较好的穿透性,从而衍生出植被下面的土壤信息,有助于提高盐渍化土壤识别和监测。PolSAR数据及其极化特征分解为微波遥感技术在干旱区盐渍地信息提取及盐渍化动态监测方面提供了一种有效手段,以便及时、有效地指导干旱区农业生产实践[8,9]。

为了探讨全极化合成孔径雷达在盐渍地信息提取方面的研究,进一步推进在干旱区土壤盐渍化及其实时监测研究中的应用,本文以Radarsat-2数据和Landsat8 OLI数据为数据源,基于Pauli和H/A/α等两种极化目标分解方法对全极化PolSAR数据进行极化分解,获取其特征参数和最优特征子集。在此基础上对不同极化方式的影像采用最小距离、最大似然和支持向量机(Support Vector Machine ,SVM)等不同监督分类方法进行盐渍化程度的分类,并对分类结果进行对比分析及精度验证,提取研究区盐渍化信息,从而体现全极化合成孔径雷达数据在干旱区土壤盐渍化监测方面的应用潜力,并实现盐渍地信息的高精度提取。

1 材料与方法

1.1 研究区概况

本研究以渭干河-库车河三角洲绿洲为研究区,位于83°06′30″~83°31′40″E,41°24′45″~41°44′50″N,地处天山南麓、塔里木盆地中北部,隶属于阿克苏地区管辖,包括库车、沙雅和新和三个县,是典型的扇形平原绿洲[10]。该区地势北高南低,自西北向东南倾斜,生态环境较为脆弱,光热丰富,夏季炎热,冬季干冷,属暖温带大陆性干旱气候,年降水量为50.0~66.5 mm,年均蒸发量为2 000~2 092 mm[11]。渭-库绿洲由于农作物生长依赖于灌溉,平原中下部地势平坦,排水不当导致地下水位升高,在强烈的蒸发作用下,盐分随水分运动积累于地表造成土壤盐碱化,这已对当地及全疆的生存环境演变和可持续发展造成严重影响[8],研究区示意图见图1。

图1 研究区示意图Fig.1 Map of study area

1.2 数据资料

Radarsat-2是世界上最先进的一颗搭载C波段传感器的SAR卫星,由加拿大太空署与MDA公司合作,于2007年12月14日成功发射。该卫星可以提供11种波束模式,并且能够进行左右视切换,重访周期短,具有高分辨率的立体成像的能力。本文选用2014年7月4日成像的C波段Radarsat-2全极化(包括HH、HV、VH、VV四种极化方式)视复影像(Single Look Complex, SLC)为研究数据。经综合考虑,选取2014年9月14日Landsat 8 OLI数据[如图1(a)]为光学参考遥感资料。通过ENVI_5.3@软件中的SARscap5.2.1模块对Radarsat-2全极化数据进行预处理,包括影像导入、多视处理(多视比为5∶2)、单波段滤波(7×7窗口的Refined Lee)、DEM自动获取(SRTM 3 Version4),在其基础上进行地理编码和辐射定标。图1b为本研究利用的全极化数据(RGB:HV、VH、VV)。

于2014年7月20日~8月3日进行了野外实地考察,在不同程度的盐渍地共布置了35个样点。在0~10 cm深度范围内,每个监测点取三次土样,测定土壤样品的导电率、含盐量等数据,并用GPS获取样点位置信息。根据实地考察情况,将研究区土地类型分为植被、水体、重度盐渍地、中-轻度盐渍地和裸地5种类型。此外,还搜集了研究区相关的统计资料(包括水文、地貌、气象、人口等)。

1.3 Pauli分解

极化目标分解的基本原理是将散射矩阵、协方矩阵或者Mueller矩阵分解成若干个具有一定物理意义的散射机理的和[12]。每一个散射矩阵都描述了某个典型目标与电磁波的作用过程,能够直观的反映观测目标的结构和物化特征,因此能够有效的揭示地物的散射特征。Pauli分解是一种常用的目标分解方法,在散射矩阵[S]矢量化时需选取Pauli基{[Sa][Sb][Sc][Sd]}作为它的基本散射矩阵。Pauli基在正交线基[H,V]下可用矩阵表示为[13]:

(1)

散射矩阵可用Pauli基描述为:

a[Sa]+b[Sb]+c[Sc]+[Sd]

(2)

式中:SHH,SVV表示同极化分量;SHV,SVH则为交叉极化分量;a,b,c,d均为复数。

当介质满足互易定理时,SHV=SVH,Pauli矩阵上最后一个矩阵减少,散射总功率Span可表示为:

Span=|SHH|2+2|SHV|2+|SVV|2=|a|2+|b|2+|c|2

(3)

在Pauli分解的基础上进行矢量化,用矢量形式可表示为:

(4)

由目标散射矢量得到对应的相干矩阵为[15]:

(5)

式中:H表示共轭转置;*表示共轭;‖表示向量的模。

1.4 H/A/α分解

Cloude[16]提出基于目标相干矩阵的特征向量分解方法,用特征值分解方法将目标相干矩阵分解为3种相干矩阵的和,并由相干矩阵的特征值推导出3个特征参量:熵H、各项异性A和α角[17]。

(6)

(7)

式中:αi表示目标的散射机理;βi表示目标定向角;φi为SHH+SVV的相位;δi表示SHH+SVV与SHH-SVV之间的相位差;γi表示SHH+SVV与SHV之间的相位差。取每种散射机制出现的概率为:

(8)

定义3种特征参数的计算式为:

(9)

α=P1α1+P2α2+P3α3

(10)

(11)

散射熵H用于描述各散射机制在总散射过程的随机程度,值越小,散射随机程度越低。散射角α用来描述目标对电磁波散射的自由程度,值越小,散射自由度越低[20]。各项异性度A表示目标散射的各项异性度。

2 结果与分析

2.1 全极化Radasat-2数据目标分解

本文采用ENVI 5.3软件中的SARscap模块对研究区域的Radarst-2影像进行极化分解。多视处理之后得到方位向视数和距离向视数之比为5∶2的影像,然后利用7×7滑动窗口的Refined Lee滤波进行去噪。其次,选用SRTM 3 DEM数据获取定标参数,进行地理编码和辐射定标。再将定标后的数据进行极化分解,提取特征参数。Pauli分解后得到的三个特征参量均为复数,分别为:①单次或奇次散射机制。对应平坦表面、球体或者三面角反射体;②二面角散射机制。由于回波极化与入射波极化关于镜面对称,因此,该分量表示具有二次或偶次反射的散射机制;③绕轴旋转45°的二面角散射机制。H/A/α分解计算得出了三个特征参量:①散射熵H描述了各散射机制在总散射过程中所占的比重,同时它也描述了散射过程的随机性;②散射角α可用来描述目标内部的自由度;③各项异性度A是对散射熵的有效补充,表示目标散射的各项异性程度。为了有效提取并利用PolSAR图像丰富的信息,从得到的特征参数中将噪音较大的两个波段剔除,构建最优特征子集(在文中表示为Pauli&H/A/α)。极化分解的RGB合成图见图2。

2.2 盐渍地信息提取

针对有限样本情况下的统计学习问题,1995年Vapnik[21]提出基于统计学习理论(Statistic Learning Theory或SLT)的机器学习方法—支持向量机(SVM)。SVM分类的主要思想可概括为:首先,经过非线性变换将低维空间中的难于线性划分的样本映射到高维特征空间;其次,在高维特征空间中寻求最优分类超平面,使结构风险最小化,从而实现在高维空间中的线性可分,是精度和稳定性较高的一种分类方法[22]。这种分类算法对解决小样本、非线性及高维模式识别问题具有优越性[23]。利用SVM分类算法需考虑设定核函数类型。经过Roli F[24]等人的研究表明,径向基核函数(Radial Basis Function,RBF)的分类精度比多项式核函数、Sigmoid 核函数和线性核函数的精度高本研究选用 RBF 函数作为核函数[25]。

图2 极化分解结果Fig.2 Decomposition result

特征提取和分类算法是影像分类中的关键步骤[26],为了有效的提取盐渍地信息,并且探究更高效的分类算法,本文结合野外实地考察数据和Landsat 8 OLI光学影像作为辅助参考数据进行判读,选取了一定量的训练样本。基于Pauli分解、H/A/α分解方法所得到的目标散射特征和最佳特征子集,结合SVM分类方法,建立了Pauli-SVM分类、H/A/α-SVM分类和Pauli&H/A/α-SVM分类模型。此外,为了对实验结果进行对比分析,将极化分解结果与传统分类方法(最小距离分类和最大似然分类)相结合,建立Pauli-最小距离分类、H/A/α-最小距离分类、Pauli&H/A/α-最小距离分类、Pauli-最大似然分类、H/A/α-最大似然分类和Pauli&H/A/α-最大似然分类模型,对全极化Radarsat-2影像进行盐渍地信息的提取。根据野外考察数据,将该地区主要的地物类型分为水体、植被、重度盐渍地、中-轻度盐渍地和裸地5类。为验证该方法的有效性,将未经分解的原始数据和不同特征子集下的极化数据利用三种分类方法进行分类并输出结果(分类结果见图3)。

从Pauli&H/A/α-SVM分类结果图中可看出,盐渍地总体分布渭干河和库车河的下游,零碎分布在绿洲内部并且呈条状,在绿洲外则片状分布,重度盐渍地和中-轻度盐渍地相互交错分布在绿洲东南部。通过对分类结果图进行对比可见,预处理之后的最大似然分类和最小距离分类比较细碎,有 “椒盐”现象出现。极化分解后的这两种分类结果也较差,并且盐渍地误分现象较严重。相比之下,基于极化分解的SVM分类效果更为理想,而基于最优特征子集的Pauli&H/A/α-SVM分类方法在不同程度的盐渍地信息提取中体现出了显著的优势。

2.3 精度分析

在监督分类的过程中,所选取的样本对分类结果会产生一定的影响,本文分类过程中结合野外实地考察信息和光学遥感影像,通过目视判读方法,选取了较理想的训练样本,且所采用的数据均为同一组训练样本数据。根据实地勘测的验证样本数据,分析上述分类模型的有效性和信息提取精度。通过计算基于极化分解的最小距离、最大似然和SVM分类模型的混淆矩阵得出生产者精度(Prod. Acc)和用户精度(User Acc),并且计算出各种分类结果的总体精度和Kappa系数,其值越大,表明分类准确度越高。所得结果见表1。

图3 分类结果Fig.3 Classification result

表1 不同极化方式三种分类方法结果对比表Tab.1 Results of three classification methods with different polarization

对分类精度(表1)进行对比可看出,本文提出的基于极化目标分解(Pauli分解和H/A/α分解)的分类精度较高,而未经分解的传统分类结果较差。此外,与SVM分类方法相比,最大似然和最小距离分类方法在不同程度盐碱地信息的提取中处在较劣势的地位。与未分解-SVM、最大似然以及最小距离分类结果相比相比极化分解后的各分类精度提高较为明显,具体表现为:与未分解-SVM分类相比, Pauli-SVM分类、H/A/α-SVM分类和Pauli&H/A/α-SVM 分类法总体精度从76.91%提高到84.14%、78.16%和85.04%,同时kappa系数从0.69提高到0.78,0.70和0.80。在重度盐渍化信息提取中,Pauli-SVM分类和Pauli&H/A/α-SVM分类的精度提高较显著,分别达到82.47%和81.06%,而未分解-SVM分类法只有71.50%。其中,中-轻度盐渍地精度从78.10%、82.88%和84.65提高到 88.89%。上述表明本文提出的基于极化分解(Pauli-SVM、H/A/α-SVM、Pauli&H/A/α-SVM)的分类方法在不同程度盐渍地信息的提取方面具有优越性,有效地提高了盐渍化信息的精确度。其主要原因分析如下。

(1)SVM是一种实现结构风险最小化准则的机器学习模型,将两类正确分开的同时,可以保证其分类间隔最大,并且能够自动寻找有较好辨别能力的支持向量,具有较好的推广性和泛化能力。SVM 分类的优势在解决小样本、非线性及高维模式识别问题上得到充分发挥,因此在训练数据极少的情况下仍有较好的分类效果[27]。

(2)本文通过Pauli分解和H/A/α分解所获取的极化散射信息都具有一定的物理意义,可以在一定程度上与地物的散射机制形成相互对应关系,从而可以有效区分不同地物类型。因此,基于极化目标分解的分类精确度得到了显著提高,有利于区分不同程度的盐渍地信息。

(3)此外,文中将斑点噪声较大的极化特征分量(如,anisotropy、alpha)从H/A/α分解得到的参量中剔除,选取噪音相对较小的参数,将其与Pauli分解所获取的分量相结合,构成最佳特征子集,在本文中表示为:Pauli &H/A/α。此方法能够有效抑制斑点噪声,降低其干扰,因而可以有利于影像分类精度的提高。

3 结 语

本文利用全极化PolSAR数据,通过Pauli分解、H/A/α分解两种分解方法提取了各极化特征分量和特征子集,并且利用最小距离、最大似然和SVM三种监督分类方法对研究区进行盐渍地信息的分类处理,得出结论如下。

(1)基于 SVM的分类结果与最大似然和最小距离分类结果相比,总体精度得到了不同程度的提高。总体分类精度从77.37%(Pauli&H/A/α-最小距离分类)和80.00% (Pauli&H/A/α-最大似然分类)提高到85.04%(Pauli&H/A/α-SVM)。SVM分类有效的减少错分现象,取得了较理想的盐渍化分类效果。

(2)基于Pauli分解和H/A/α分解的SVM、最大似然、最小距离分类与传统分类效果相比得到明显的提高。尤其对重度盐渍地和中-轻度盐渍地信息的提取得到有效的改善,中-轻度盐渍地分类精度从78.18%和77.86%提升到88.89%,重度盐渍地分类精度则从71.87%和74.61%提升到81.06%。

(3)通过对研究结果对比可知,经筛选后得到的极化特征子集(Pauli&H/A/α),其分类结果与基于Pauli分解和H/A/α分解分类结果相比精度最高。总体精度从84.14%(Pauli-SVM)、78.16% (H/A/α-SVM)提高到85.04% (Pauli&H/A/α-SVM)。

综上所述,通过Pauli分解和H/A/α分解两种极化分解方法,能够更充分的利用全极化PolSAR数据的信息,同时在此基础上抑制斑点噪声,从而有效提高盐渍地信息的提取精度。本研究表明,极化分解在PolSAR影像盐渍化监测研究中具有一定的发展潜力,基于极化分解的SVM分类方法更适用于PolSAR影像盐渍地信息的高精度提取。

猜你喜欢
盐渍化盐渍极化
蔬菜大棚土壤盐渍化成因及防治措施
盐渍土二次相变温度变化规律
盐渍池深度对渍菜理化特性和微生物的影响
认知能力、技术进步与就业极化
极化雷达导引头干扰技术研究
土地质量地球化学调查成果在判定土壤盐渍化、沙化中的应用
基于干扰重构和盲源分离的混合极化抗SMSP干扰
脱硫石膏对滨海盐渍土理化性能的影响研究
1989—2019 年宁夏银北灌区土壤盐渍化时空变化分析
甘肃苏干湖湿地土壤盐渍化、地下水位埋深及其对生态环境的影响