基于高分三号极化SAR数据的农作物散射特性分析及分类

高 晗，汪长城,2，杨敏华，胡灿程，罗兴军

(1.中南大学 地球科学与信息物理学院，湖南 长沙 410083;2.中南大学 有色金属成矿预测教育部重点实验室，湖南 长沙 410083)

2016-08-10，我国自主研发的首颗高分辨率、多极化通道的C波段合成孔径雷达(SAR)卫星—高分三号(GF-3)卫星成功发射，其具备12种成像模式，空间分辨率最高可达1 m[1]。这缩短我国在星载SAR系统方面和国际上的差距，同时是我国在对地观测领域前进的重要一步。GF-3卫星拥有SAR卫星不受云雾、天气影响的优势，可以全天候、全天时对海洋和陆地进行监测，而且其独特的左右姿态模式机动地扩大观测范围，提高灾害发生时的快速响应能力。虽然以上这些优势使得GF-3卫星的应用空间十分广泛，但迄今为止，国内学者研究GF-3卫星的研究重点主要局限在几何定位[2-3]、图像质量增强[4]、海洋定量遥感[5-6]、舰船识别[7]等以海洋为主的应用领域，而针对极化SAR地物分类，尤其是极化SAR农作物分类方面的研究还很少。与传统的光学遥感手段相比，使用极化SAR数据对农作物进行分类，不仅可以克服恶劣天气和云雾遮盖的影响，而且还可以借助不同极化通道对农作物结构信息敏感的特点，对农作物进行更为精准的分类，这也对我国“精细农业”的实行和推广大有裨益[8]。

本文针对GF-3卫星的多极化特征进行研究，选取湖南省岳阳县洞庭湖流域的一块农田区作为实验区域，深入分析不同农作物的极化散射特性。然后分别利用H/α-wishart和H/A/α-wishart分类方法进行农作物分类并进行精度评定。

1 实验数据及预处理

GF-3卫星的各项图像质量指标已经通过了在轨验证[9]和实地验证[10-11]，其极化隔离度≥37 dB，极化幅度不平衡度<0.3 dB，极化相位不平衡度<±6.9°，噪声等效后向散射系数≤-20 dB(空间分辨率为1～10 m)，其相对辐射精度为0.7～0.8 dB，绝对辐射精度为1.3～1.4 dB，辐射分辨率<3.0 dB(空间分辨率为1～10 m)，以上指标已经可以满足不同行业用户的应用需求。本实验所用数据为GF-3全极化数据，其具体参数见表1。

表1 卫星参数情况

实验区域位于湖南省岳阳县洞庭湖流域。如图1所示，本文获取位于该实验区10 m分辨率的Sentinel-2A光学影像作为对比。光学影像获取时间与GF-3影像获取时间为同一天，均为2017-09-15。GF-3的原始数据类型为压缩后的16位tiff格式，将每个极化通道的数据读入后，分别得到其实部和虚部。首先要将其强制类型转换为32位float格式，之后再将实部和虚部进行融合，转换为复数格式。然后使用高分三号原始数据中提供的定标常数对不同极化通道的散射幅度进行校正，并使用校正后的散射矩阵求得极化相干矩阵T3，并基于T3进行Non-Local滤波。滤波后，对极化数据进行H/A/α分解，统计不同农作物的极化特征，并分析其极化散射特性。最后进行H/α-wishart分类和H/A/α-wishart分类，并评价分类精度。图2为实验的整体流程图，图3为Non-Local滤波前后的Pauli基伪彩色合成图。Non-Local滤波[12]是一种极化SAR影像滤波方法，其因为斑点噪声的高抑制性和细节信息的高保真性，受到行业内广泛的使用。最后对实验区进行实地调查，选取了6种主要地物，其中农作物有4类，真实地物覆盖情况如图4所示。

图1 实验区概览图，光学影像为Sentinel-2A数据(10 m分辨率)

2 农作物极化散射特性分析

2.1 H/A/α分解

极化相干矩阵T3是一种基于Pauli基散射向量k的二阶统计矩阵：

(1)

图2 实验整体流程

图3 极化SAR影像Pauli基伪彩色合成

图4 实验区真实地物类别覆盖情况

而H/A/α分解方法[13]是国际上公认的反映目标物理散射机制的一种极化分解方法，其主要思想是将T3分解为3种相互独立的散射机制，其对应的特征值分别代表3种散射机制所占的权重。

1)极化散射熵H代表3个特征值在统计意义上的无序性，其式：

(2)

(3)

其中λi表示对应散射机制的特征值，Pi表示其伪概率。

2)极化散射角α代表该像元主导的散射机制类型，其范围为[0°,90°]。当α∈[0°,42.5°)，主导的散射机制是表面散射；当α∈(42.5°,47.5°]，主导的散射机制是体散射；当α∈(47.5°,90°]，主导的散射机制是二面角散射。

3)极化散射各项异性度A没有具体的物理含义，它是为了进一步区分在高熵区域内两个次优的散射机制的相对大小，其式：

(4)

2.2 实验区农作物极化散射特性分析

农作物极化散射特性的分析主要通过极化特征的统计来进行。本文对不同类别的农作物及其地物进行极化特征的统计，在这里不仅统计H/A/α分解得到的3个参数的分布，而且还统计同极化通道HH和交叉极化通道HV下的后向散射系数的分布，以及同极化通道HH和VV之间的极化相位差分布见图5和表2。H/A/α分解得到的极化散射熵H和极化散射角α可以表征地物的物理特征

图5 极化散射特征统计图

Hα/(°)Ameanstdmeanstdmeanstd荷塘0.800.0542.754.360.470.09西瓜(大棚)0.820.0436.953.640.230.07二季水稻0.810.0846.602.950.240.10一季水稻0.860.0545.432.75 0.250.08水体0.660.0529.722.530.370.08裸地0.720.0730.304.720.250.09σHH/dBσHV/dBΔφHH_VV/(°)meanstdmeanstdmeanstd荷塘-3.241.53-12.101.75-17.2030.32西瓜(大棚)-5.750.77-12.340.89-13.7610.66二季水稻-6.441.50-14.091.46-14.8037.95一季水稻-8.111.18-14.941.04-5.9026.23水体-20.252.77-27.102.42-2.0441.55裸地-8.390.97-15.901.38-7.9011.24

和结构信息，而各项异性度A则可以进一步将地物进行划分。另外，对于C波段SAR数据，同极化通道间的极化相位差对农作物的结构表征十分重要，其在一定程度上表示了微波在农作物内部的穿透深度。

图5为极化熵H、极化散射角α等6个极化特征在不同类别下的统计分布曲线。通过图5和表2的结果可以得到以下结论：

1)水体的熵均值最低，其次是裸地，这是由这两种地物本身较高的同质性导致的。从极化散射角来看，水体和裸地这两类都表现出很明显的表面散射。这说明使用H和α可以很好地将水体和裸地与农作物分离开来。从同极化通道和交叉极化通道的后向散射系数分布来看，水体的后向散射系数分布曲线明显不同于裸地及农作物；

2)西瓜(大棚)与其余农作物相比，其极化散射角主要分布在[20°,40°]之间，呈现表面散射，这与实际情况很吻合。因为在9月，西瓜是在大棚里进行种植。而且从同极化通道的后向散射系数分布曲线和极化相位差分布曲线来看，西瓜(大棚)与其余农作物的区分度也较高；

3)从极化散射角分布曲线来看，荷塘、二季水稻和一季水稻都表现为体散射，这是因为C波段的穿透能力较差，微波主要作用于这3种作物的冠层；

4)虽然荷塘使用各项异性参数来进行区分，但荷塘的同极化后向散射系数分布与其余农作物的后向散射系数分布相比有更大的差异，其同极化后向散射系数均值明显大于其余农作物；

5)二季水稻和一季水稻因结构较相似，在后向散射系数、极化散射熵、极化散射角和各项异性参数上的分布差异较小，经典的几种极化特征很难将二者区分开来。然而二者的极化相位差的差异较大，主要原因在于其处于不同的生长周期。

3 极化SAR农作物分类

3.1 非监督分类方法

本文使用H、A和α3个极化分解参数可以按照H/α分类平面或H/A/α分类空间对极化图像进行划分，如图6所示，将本文实验数据参数分解的情况投影在3个平面——H/α平面、H/A平面和A/α平面。所划分的每一类都有对应的物理表示。

通过上述划分后，可以将H/α分类结果或H/A/α分类结果作为初始分类，然后进行wishart分类迭代。其迭代原则为距离最小原则，其wishart距离式为:

(5)

3.2 实验区农作物分类结果

首先，本文分别使用H/α分割和H/A/α分割来对实验区的农作物进行初始划分，之后使用wishart迭代得到分类结果，结果如图7所示。然后本文对分类的精度进行评价，得到两种分类方法所对应的混淆矩阵，如表3和表4所示。最终得到H/α-wishart分类结果的整体精度为85.30%，Kappa系数为0.822 4；而H/A/α-wishart分类结果的整体精度为86.57%，Kappa系数为0.837 7。后者的分类精度整体上略高于前者。

图6 分类平面投影

图7 实验区农作物分类结果图

%

表4 H/A/α-wishart分类混淆矩阵 %

从混淆矩阵来看，H/A/α-wishart分类所增加的各项异性参数A进一步将水体和裸地与农作物类别分离开来，而且其使得二季水稻分类精度更高。就具体的地物类别来看，以表面散射为主的水体、裸地和西瓜(大棚)平均精度都较高，在90%以上，荷塘和一季水稻的平均精度在80%～90%之间。而二季水稻的平均精度不到60%，造成这种情况的主要原因是经典的极化分类方法无法将二季水稻和一季水稻很好地区分。最后，如图8所示，本文将两种方法的精度进行比较后，可以得出结论：就农作物分类而言，H/A/α-wishart整体上要略优于H/α-wishart分类，但就工程应用来说，两者的结果都可以满足基本要求。

图8 分类精度对比直方图

4 结 论

为了验证GF-3卫星的多极化特征是否可以用于农作物分类，本文选取洞庭湖流域的农田区域进行实验。实验首先对极化SAR数据进行预处理，其中滤波方法选用Non-Local滤波，然后对极化SAR数据进行H/A/α分解，针对分解得到的3个参数以及同极化HH后向散射系数、交叉极化HV后向散射系数和同极化相位差共6个极化特征进行不同类别的统计分析后，得出GF-3卫星对农作物及水体和裸地的表征正常。最后利用H/α-wishart和H/A/α-wishart两种分类方法对进行分类，结果表明两种方法的分类精度都达到了85%以上，Kappa系数大于0.8，而且经过精度对比，后者的整体精度略高于前者。综上所述，GF-3卫星极化SAR数据可以正确反映农作物的极化散射特征，并可以用于极化SAR农作物分类的相关研究。