段素素+依力亚斯江·努尔麦麦提+郭莉丹

摘要：采用Krogager、Pauli两种极化目标分解方法，分别构建基于支持向量机（Support Vector Machine， SVM）的分类模型（分别简称Krogager-SVM和Pauli-SVM），以渭干河-库车河三角洲绿洲地区（渭-库绿洲）为研究区域，利用全极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）遥感影像数据，进行干旱区典型绿洲不同程度盐渍化信息的提取研究。结合野外实地验证数据，将两种模型的分类结果与传统SVM分类作对比分析。结果表明，Krogager-SVM和Pauli-SVM模型改善了传统干旱区盐渍化分类方法，其总体精度从74.17%（传统SVM）分别提高到了80.598 0%和82.387 6%，分别提高了6.43个百分点和8.21个百分点（Kappa系数分别提高0.08和0.12）。表明本研究所提出的分类模型在PolSAR数据的盐渍化信息提取方面有着一定的潜力。

关键词：盐渍化；PolSAR；Pauli分解；Krogager分解；SVM

中图分类号：S156.4 文献标识码：A 文章编号：0439-8114（2018）02-0110-05

DOI：10.14088/j.cnki.issn0439-8114.2018.02.028

Abstract： Two classification models（namely Krogager-SVM and Pauli-SVM） on bases of Support Vector Machine （SVM） wereproposed and conductedrespectively，through using Krogager and Pauli polarization decomposition methods. A fully polarimetric synthetic aperture radar（SAR） remote sensing data was utilized over the study area（on the delta oasis between the Weigan and Kuche River in Xinjiang， China），and different degrees of salinizized soil information in the typical oasis of arid area was extacted. Then by adopting the field verification data comparison and corresponding analysis was conducted between the classification results of proposed methodology and traditional SVM classification method. The results show that the Krogager-SVM and Pauli-SVM classification models improved classification accuracy in contrast with the traditional classification method for soil salinization extraction in the arid regions，and the overall accuracy enhanced from 74.17% to 80.598 0% and 82.387 6% respectively（increased by 6.43% and 8.21%，and the kappa coefficients increased by 0.08 and 0.12 respectively）. This indicates that the classification models proposed in this paper have some potential in the soil salinization extraction by using fully PolSAR data.

Key words： salinization； PolSAR； Pauli decomposition； Krogagger decomposition； SVM

干旱區土壤盐渍化是土地退化的主要形式之一。据统计全球的盐渍化土地面积达到9.52×108 km2，占地球陆地面积的7.26%[1]，表明土壤盐渍化已成为一个全球性问题[2]。中国的盐渍土分布广、面积大，其中较为严重的是西部地区，西部六省就占有全国盐渍土面积的69.03%[3]。新疆的盐渍土范围广、种类多，被称为世界盐渍土的博物馆[4]。如何快速并准确地获取有关盐渍化程度及其分布的有关信息，对于盐渍化的防治具有重要意义。

目前，光学遥感虽然应用广泛、解译方法比较成熟，但光学遥感受天气与时间的限制比较大。而对于雷达遥感来说，因其具有全天候、全天时、穿透性等特点，可以很好解决以上限制，弥补光学遥感的不足之处，适用于研究土壤盐渍化的问题[5]，继而成为获取盐渍化不同程度信息及分布的有效技术手段。本研究选择的数据来源于目前最先进的商用雷达成像系统——全极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）。相比于传统雷达遥感，其可以获取4种极化方式（HH极化、HV极化、VH极化、VV极化）的影像，所获取的地物目标信息更加丰富。但是雷达相较于光学遥感起步晚，解译手段也不够成熟。另外，在盐渍化监测及盐渍地信息提取研究上，大多数研究还处于初步探索阶段[6-8]，如何准确有效地提取全极化数据的极化散射特征信息，获得高精度的分类算法已成为一个重要的研究课题[9]。虽然经过国内外专家学者的积极探索，已经提出了很多关于SAR影像极化特征分解的方法[10-12]以及许多适合于全极化SAR影像的分类算法[13-15]，但是在全极化数据准确获取反映地物实际特征方面还存在问题。全极化PolSAR数据及其极化特征分解为提取干旱区盐渍地信息等方面提供了一种有效的手段[16]。endprint

为了较好地利用全极化PolSAR数据及其极化特征信息，本研究采用ENVI5.3软件中的SARscape模块对研究区全极化雷达遥感影像进行预处理以及极化分解操作，将两种极化分解得到的极化特征分别组合成特征量，然后分别选取一定的训练样本进行盐渍化程度的分类，根据野外实地验证数据，将两种分类结果与传统SVM分类结果进行对比分析和精度验证。

1 研究方法

1.1 极化目标分解

目标分解理论最早是由1970年荷兰学者Huynen[17]在其博士论文《雷达目标唯象理论》中提出的。自20世纪80年代后期以来，众多专家和学者在此基础上不断探索，使得目标分解理论蓬勃发展，逐渐形成了较为完整的理论体系[18]。目标分解的主要思想是将一个随机媒质散射问题的各种矩阵表现形式（如散射矩阵、Mueller矩阵、协方差矩阵、相干矩阵等）描述为基本散射矩阵之和（或之积）的形式，并将基本散射矩阵与相映的物理机制对映起来[19]。鉴于相干分解具备操作简单、计算量小、有利于减少相干斑噪声且极化分解特征量可与某种确定的物理散射机理相对应等优点，因此本研究选择Pauli分解和Krogager分解[20]这两种相干分解方法对影像极化散射信息进行提取与分析。对于合成孔径雷达数据来说，最简单的相干分解方法为Pauli极化分解方法[16，21]，是采用Pauli作为基本散射矩阵进行分解的。设Pauli为{Sa，Sb，Sc，Sd}，公式如下：

式中，H表示共轭转置矩阵；*表示共轭；||表示向量的模。另外本研究还运用Krogager 分解得到代表球、二面角和螺旋体的3种散射矩阵。

1.2 支持向量机（SVM）

支持向量机（Support Vector Machine，SVM）由Vapnik[22，23]在20世纪90年代提出的一种机器学习的方法。SVM是从线性可分情况下的最优分类超平面（Optimal Hyperplane，OHP）发展而提出来的。这种分类算法对于解决小样本、非线性及高维模式识别等问题具有优越性，适合用于结构复杂且噪聲干扰严重的SAR图像，因此本研究选择这种精度高且稳定性好的分类算法进行盐渍化信息的提取。采用SVM模型对遥感图像分类，需要选择合适的核函数。研究表明，径向基核函数（Radial Basis Function，RBF）的分类精度一般要比多项式核函数（Polynomial）、Sigmoid核和线性核函数（Linear）的精度高。因此本研究选用RBF函数作为核函数。

2 试验结果与分析

2.1 研究区域概况与数据资料

2.1.1 研究区域概况 研究区域位于83°06′30″～83°31′40″E，41°24′45″～41°44′50″N。研究区域渭-库绿洲位于天山南麓，是典型的山前冲积平原，属于大陆性暖温带干旱气候，年均降水量为46.5 mm，年均蒸发量为1 374.1 mm，降水量远低于蒸发量，年内分配不均，极端干旱。受地形、气候、水文等因素的影响，该区域盐渍化现象较为严重。研究区域是新和、沙雅和库车3县经济发展的核心地带，盐渍化现象严重影响了该地经济等方面的可持续发展。

2.1.2 数据资料 选用2014年7月4日成像的Radarsat-2全极化（包括HH、VV、HV、VH4种极化方式）单视复图像（Single Look Complex，SLC）数据。在综合比较图像质量后，选取2014年9月14日Landsat8 OLI影像（图1a）数据为试验的辅助材料。另外，还收集了有关统计资料（包括地型、气象、水文、人口、社会、经济等）以及矢量数据、文献等资料。

采用ENVI5.3软件的SARscape模块，实现全极化SAR影像的导入及预处理。数据预处理过程主要包括多视处理、相干斑滤波、数字高程模型提取等。本研究将导入的PolSAR影像进行多视处理（在图像的距离向分辨率和方位分辨率做平均）。其中多视比设为5∶2，经处理降低了相干斑的影响，提高了辐射分辨率，继而采用效果较好的Refined Lee滤波算法进行相干斑噪声的抑制。将SAR数据从斜距投影转换为地理坐标投影，需要在图像滤波的基础上提取图像的数字高程模型，进行地理编码及辐射定标的校正（本研究影像的投影方式为UTM、Zone 44 North、Datum：WGS-84）。经过全极化雷达图像的预处理操作后，有效减少了影像的相干斑噪声，对几何变形、辐射畸变等进行了校正（图1b）。

2.2 试验结果与分析

在图像预处理的基础上，对雷达图像进行Pauli和Krogager极化分解，获取与物理散射机制相对应的极化特征分量。将Pauli、Krogager极化分解得到的极化散射信息分别组合成一个特征量，选取一定量的训练样本，结合高精度的SVM算法进行两种分类模型的分类，提取不同程度盐渍化的信息。将结果与传统的SVM监督分类进行结果对比和精度验证，分类效果对比见图2。

从Pauli-SVM分类结果看出，从全局看大部分的盐渍地集中分布在库车河的下游以及典型绿洲的东和东南部地区。盐渍地在绿洲外部主要呈现片状分布，而在绿洲内部则呈条状分布，另外重度盐渍地在中-轻度盐渍地中交错分布。从分类结果还能看出，Pauli-SVM分类结果较为理想，传统SVM分类结果较差，中-轻度与重度盐渍地错分现象比较严重，且分布比较细碎，“椒盐”现象较多，Krogager-SVM与Pauli-SVM分类的结果较为相近，能较好地区分中-轻度与重度盐渍地信息，减少了“椒盐”现象。相比传统SVM分类算法，本研究提出的两种分类模型在不同程度盐渍地的提取中体现出了一定的优越性。

根据野外考察的验证样本数据，对SVM、Krogager-SVM、Pauli-SVM 3种模型的分类结果的精度进行混淆矩阵评价，评价指标包括分类总体精度、用户精度、生产者精度等指标（表1）。endprint

从混淆矩阵可以看出，本研究提出的基于Pauli分解的SVM分类和基于Krogager分解的SVM分类方法比传统SVM分类精度高，相比传统SVM分类，Krogager-SVM和Pauli-SVM分类模型的总体精度从74.170 9%分别提高到了80.598 0%和82.387 6%，分别提高了6.43个百分点和8.21个百分点（kappa系数上分别提高了0.08和0.12）。在重度盐渍化信息提取方面，相比传统SVM分类算法，其精度从68.16%分别提高到70.80%和79.27%。中-轻度盐渍化信息的分类精度提高最明显，Krogager-SVM和Pauli-SVM分类模型的生产者精度从SVM分类模型的71.15%分别提高到84.01%和84.95%。未经过极化分解的全极化数据其分类精度较低，尤其是对于盐渍化信息的提取效果相对较差，其原因可能是全极化PolSAR数据未经过极化分解处理，使得其丰富的极化信息不能被有效地利用，不利于地物的识别，导致其分类精度较低。另外，经过Krogager、Pauli极化分解处理，所提取的极化特征具有明显的物理含义，可以很好地扩大地物之间的差异性，有利于区分不同地物类型，尤其对不同程度盐渍地的识别较为有效。本研究提出的Krogager-SVM和Pauli-SVM分类模型提高了盐渍化信息的提取精度，在盐渍化的提取方面具有一定的优越性。

3 小结

本研究利用全极化合成孔径雷达（PolSAR）数据，采用Pauli和Krogager极化分解的特征量分别与高精度的SVM分类算法相结合，构建了Krogager-SVM和Pauli-SVM的分类模型，对研究区进行盐渍化信息的提取研究。基于野外验证样本数据，对该分类模型的精度进行评价与验证。结果表明，该方法在中-轻度盐渍化、重度盐渍化以及总体精度上均有提高，充分利用了全极化合成孔径雷达的极化信息。

1）通过两种极化分解方法获取了6个特征参数，分别为Pauli_K1、Pauli_K2、Pauli_K3和Krogager_KD、Krogager_KH、Krogager_KS，从而为本研究提出的两种分类模型Pauli-SVM和Krogager-SVM的构建提供了极化特征信息。

2）通过与传统SVM分类结果的定性和定量对比分析表明，Pauli-SVM分类模型的分类精度最高，其分类总精度和Kappa系数分别为82.387 6%和0.769 7，其次是Krogager-SVM方法（82.38%和 0.77%），传统SVM分类方法的分类精度最低，仅为74.170 9%和0.662 1。相对而言，本研究提出的分类模型能更有利于不同程度盐渍地的识别，可较有效地减小雷达图像的“椒盐”现象。

3）本研究提出的分类模型对中-轻度和重度盐渍地信息的提取精度有比较明显的提高，具体表现为Krogager-SVM和Pauli-SVM分类器较传统SVM分类算法，重度盐渍地提取精度从68.16%分别提高到70.80%和79.27%，中-轻度盐渍地的精度提高最为显著，从71.15%分别提高到 84.01%和84.95%。因此，基于极化分解的SVM分类模型更利于盐渍地信息的提取。

参考文献：

[1] 李凤全，吴樟荣.半干旱地区土地盐碱化预警以吉林省西部土地盐渍化预警为例[J].水土保持通报，2002，22（1）：57-59.

[2] METTERNICHT G I，ZINCK J A.Remote sensing of soil salinity：Potentials and constraints[J].Remote Sensing of Environment，2003，85（1）：1-20.

[3] 水利部计划司，农水司，中国水利水电科学研究院.全国灌溉面积发展“九五”计划及2010年规划[R].1997.

[4] 王遵亲.中国盐渍土[M].北京：科学出版社，1993.

[5] 李生勇，霍轶珍，王海霞.内蒙古自治区河套灌区冻结期土壤盐分的多极化雷达响应分析[J].江苏农业科学，2016，44（3）：348-352.

[6] METTERNICHT G I. Fuzzy classification of JERS-1 SAR data：An evaluation of its performance for soil salinity mapping[J].Ecological Modelling，1998，111（1）：61-74.

[7] LHISSOU R，CHOKMANI K，HARTI A E，et al. Soil salinity estimation using RADARSAT 2 polarimetric data in arid and sub-arid regions：Morocco and Tunisia cases[J].Egu General Assembly，2013，15：1-10.

[8] LI Y Y，ZHAO K，DING Y L，et al. An empirical method for soil salinity and moisture inversion in west of Jilin[J].Proceedings of E International Conference on Remote Sensing Environment & Transportation Engineering，2013，31（6）：19-21.

[9] 陳劲松，邵 芸，董 庆，等.全极化SAR数据信息提取研究[J].遥感技术与应用，2003，18（3）：153-158.

[10] CLOUDE S R. Target decomposition theorems in radar scattering[J]. Electronics Letters，2007，21（1）：22-24.endprint

[11] FREEMAN A. Fitting a two-component scattering model to polarimetric SAR data from forests[J].IEEE Transactions on Geoscience and Remote Sensing，2007，45（8）：2583-2592.

[12] YAMAGUCHI Y，MORIYAMA T，ISHIDO M，et al. Four-component scattering model for polarimetric SAR image decomposition[J].IEEE Transactions on Geoscience and Remote Sensing，2005，43（8）：1699-1706.

[13] LEE J S，GRUNES M R，POTTIER E，et al. Unsupervised terrain classification preserving polarimetric scattering characteristics[J].IEEE Transactions on Geoscience and Remote Sensing，2004，42（4）：722-731.

[14] POTTIER E，LEE J S. Application of the《H/A/α》 polarimetric decomposition theorem for unsupervised classification of fully polarimetric SAR data based on the Wishart distribution[J].Proceeding of Committeeon Earth Observing Satellites SAR Workshop Toulouse，2000，450：335-340.

[15] 郎丰铠，杨 杰，赵伶俐，等.基于Freeman散射熵和各向异性度的极化SAR影像分算法研究[J].测绘学报，2012，41（4）：556-562.

[16] 依力亚斯江·努尔麦麦提，塔西甫拉提·特依拜，丁建丽，等.基于多种极化分解方法和全極化合成孔径雷达数据的干旱区盐渍化监测[J].农业工程学报，2015，31（23）：145-153.

[17] HUYNEN J R. Phenomenological Theory of Radar Targets[D].Netherlands：Technical University of Delft，1970.

[18] 吴尚蓉，任建强，陈仲新，等.基于三分量分解优化模型的农用地SAR影像提取方法[J].农业工程学报，2015，31（2）：266-276.

[19] CLOUDE S R，POTTIER E. A review of target decomposition theorems in radar polarimetry[J].IEEE Trans Geosci Remote Sens，1996，34（2）：498-518.

[20] KROGAGER E. New decomposition of the radar target scattering matrix[J].Electronics Letters，1990，26（18）：1525-1527.

[21] 陈 军，杜培军，谭 琨.一种基于Pauli分解和支持向量机的全极化合成孔径雷达监督分类算法[J].科学技术与工程，2014， 14（17）：104-142.

[22] VAPNIK V N.统计学习理论[M].许建华，张学工，译.北京：电子工业出版社，2004.

[23] VAPNIK V N. An overview of statistical learning theory[J].IEEE Transaction on Neural Networks，1999，10（5）：988-999.endprint