李文吉，姜德才，郑向向，宋艳茹，杨昭颖

（中国自然资源航空物探遥感中心，北京 100083）

昆明市位于云贵高原中部，分布着十分丰富的林地、耕地、湖泊、湖泊湿地、沼泽湿地。该地区的湿地类型是我国湿地的特殊类型和重要组成部分，而林地、湖泊、湿地的保护关乎生物多样性、水源涵养、土壤保持和调洪蓄水[1]。

随着昆明地区人口的增加、城市化的推进，林、耕、湿、湖的保护和当地经济发展的矛盾十分突出。排水垦殖、过度开发、无序旅游、森林砍伐以及城市排污等人为活动，加上气候变化、地质过程等自然因素，使得当地生态平衡受到严重威胁，主要表现在湿地退化、林地减少、水土流失、水质污染、生物多样性降低等。林地、耕地、湿地、湖泊、建筑物等典型地物的普查与动态监测可以为处理好该地区生态保护与经济协调发展提供重要的基础数据。

卫星遥感技术以其广覆盖、时效快、周期性、高可靠等优势，成为典型地物动态监测的有效手段[2]。目前，高分辨率光学遥感在典型地物分类方面的研究已经开展了很多[3-7]。但是，对于多云雾覆盖、多雨的低纬度地区，较长工作波段（1 mm - 1 m）的合成孔径雷达（synthetic aperture radar, SAR）遥感以其穿透性强，在一定程度上可以穿透云雾、植被冠层等，被引入到恶劣天气、气候地区的典型地物监测中[8-15]。

雷达的后向散射电磁波对地物的介电特性（建筑物材料、植被结构、土壤粗糙度、土壤含水量等）敏感[16-18]，在长时间、大面积云雾覆盖地区，SAR是唯一可以获得可靠、持续、稳定的遥感数据源。

王莉雯等在总结湿地雷达监测研究进展时发现：L波段更适合于林灌地区，而C波段更适合于草原地区。因为相比于C波段，波长较长的L波段对植被的几何形状较为敏感，可以穿透树木冠层，易形成二次散射回波，得到较强的后向散射[19]。Ramsey等使用L波段机载SAR数据开展实验并得出结论：HV极化能区分森林湿地、非森林湿地和森林等地物类型，获得较优的总体分类；HH极化能够较高精度的提取沼泽湿地；多极化数据是湿地、林地等地物分类的必要数据[20]。Henry等使用多极化雷达数据开展河流湿地的提取研究，结果表明：在湿地边界提取上，HH极化优于HV、VV极化，但HV极化在湿地提取上也能提供有价值的信息；HH和HV极化的结合使用可以更有效提取河流湿地[21]。Kim等综合使用InSAR影像与雷达高度计测量数据开展森林湿地的水位变化监测，研究发现：水平极化能够较大穿透土壤，交叉极化对立体目标较为敏感[22]。

从以上研究可发现，C波段更适合应用于监测草地等禾本植物广分布的地区，L波段更适合应用于监测森林、灌木广分布的地区。HH和HV极化的结合使用可以更有效提取湿地边界。本研究选取高分辨率L波段HH、HV双极化的ALOS-2 PALSAR-2影像为主要数据源，开展昆明地区典型地物的极化后向散射特性分析。通过分析典型地物的极化后向散射空间分布，评价ALOS-2 PALSAR-2双极化影像在该地区典型地物分类、反演及动态监测应用能力。

1 实验数据及预处理

1.1 实验区及数据源

研究区位于云南省昆明市，云贵高原中部，属亚热带高山地气候，四季如春，年降水量约为1 035 mm/a。2景ALOS-2 PALSAR-2影像的成像时间分别为2016年9月10日、2017年2月10日，影像参数如表1。影像覆盖范围见图1，蓝色矩形框为升轨影像，地理范围为24°43´28˝N～25°26´27˝N、102°11´9˝E～102°56´47˝E； 红 色 矩形框为降轨影像，地理范围为 24°38´33˝N～25°22´21˝N、102°17´46˝E～103°6´25˝E。

辅助数据是美国宇航局（NASA）的SRTM DEM 1 arcsec数据，地面分辨率约为30 m × 30 m，高山地高程精度优于16 m。SRTM DEM 1 arcsec与Google Earth的地理坐标系相同，都是WGS-84。SRTM DEM 1 arcsec用于ALOS-2 PALSAR-2影像的地理编码。

昆明地区坐落着中国第六大淡水湖——滇池，因此，该地区的林地、耕地、湖泊湿地资源十分丰富。基于2景ALOS-2 PALSAR-2影像，在后续实验中将分析该地区五类典型地物的极化SAR后向散射特性。这五类典型地物分别是：建筑物、林地、耕地、湿地、深水。

图1Google Earth图像的PALSAR-2覆盖区Fig.1 Study area location in Google Earth and PALSAR-2 cover extent

图2 实验处理流程Fig.2 Research processing flow

1.2 数据预处理

基于ALOS-2 PALSAR-2影像，开展昆明地区典型地物的极化散射特性分析流程如图2。

为了降低SAR影像的相干斑噪声并使影像像元大小符合实际地物形状，对ALOS-2 PALSAR-2影像进行多视、滤波处理。升轨影像的多视视数为距离向×方位向=3×8，多视后地面分辨率为距离向×方位向=19.80m×24.90m；降轨影像的多视视数为距离向×方位向=3×8，多视后地面分辨率为距离向×方位向=24.71m×24.75m。滤波方式均使用改进Lee滤波。辐射定标过程采用Ali等的方法[23]。

地理编码过程将ALOS-2 PALSAR-2影像从SAR坐标系编码到WGS84地理坐标系UTM投影，过程如下：

（1）计算ALOS-2 PALSAR-2影像后向散射强度与SRTM DEM 1 arcsec之间的初始几何结构转换模型；

（2）使用SRTM DEM模拟覆盖SAR影像范围的强度图，并用初始几何结构转换模型将模拟的强度图逆转换为SAR坐标系的模拟强度图；

（3）使用基于强度影像互相关性的强度追踪算法，将SAR坐标系模拟的强度图与ALOS-2 PALSAR-2影像后向散射强度图进行精配准，误差控制在小于0.25个像元，用精配准的双线性多项式系数精化初始几何结构转换模型，得到几何结构精化转换模型；

（4）用几何结构精化转换模型将SAR坐标系的ALOS-2 PALSAR-2影像编码到WGS84地理坐标系UTM投影。

昆明地区五类典型地物林地、耕地、湿地、建筑物、深水的Google Earth影像见图3和图4。

2 实验结果与分析

经过多视、滤波、辐射校正、地理编码等处理后的ALOS-2 PALSAR-2影像的平均强度如图5所示。图中分布着建筑物、林地、耕地、湿地、深水等五类该地区的典型地物的592个样本点。

以HH极化通道后向散射强度值为横轴、HV极化通道后向散射强度值为纵轴，将典型地物的592个样本点二维显示为散点，如图6。在图中，湿地为红色实圆点，83个；建筑物为金黄色实圆点，88个；耕地为土灰色实圆点，136个；林地为绿色实圆点，144个；深水为蓝色实圆点，141个。

图3 典型地物——建筑物、林地、耕地、深水Fig.3 Classical terrain features: buildings, forests, farmlands and deep water

图4 典型地物——湿地公园Fig.4 Classical terrain features: wetland parks

通过对升降轨2景PALSAR-2影像（春初、秋末）样本点的极化通道后向散射强度分布图对比分析得：五类典型地物的HH、HV极化后向散射特征空间分布极为相似。基于20160910（升轨，秋末）、20170210（降轨，春初）PALSAR-2影像的典型地物样本点HH、HV极化后向散射强度的均值分别为，建筑物：（-3.24，-10.18），（-1.48，-11.14）；林 地：（-8.07，-12.10），（-7.08，-12.05）； 耕 地：（-8.83，-14.87），（-9.37，-16.66）；湿地：（-9.95，-16.63），（-9.05，-17.62）；深水：（-21.54，-27.89），（-17.02，-31.31），如表2。2景PALSAR-2影像典型地物样本点具有相似的极化特征，既作为互为验证可靠性，也同时说明了昆明地区地物极化后向散射特性基本不受升降轨侧视成像、季节性影响。

图5SAR影像平均强度图及典型地物样本点分布Fig.5 Average intensity map of SAR images and sample pixel distribution of classical terrain features

图6 极化SAR影像的昆明典型地物极化散射图Fig.6 Polarized scattering characteristic map of classical terrain features in Kunming

表2 典型地物样本点极化散射强度均值Table 2 Polarized scattering intensity mean values of classical terrain features

进一步具体分析昆明地区五类典型地物的极化后向散射特征。深水样本点的HH、HV后向散射强度值较小，集中分布在左下角，极化散射特征明显。建筑物，因包含高中低居民楼、村庄、桥梁、交通设施等，样本点的HH、HV后向散射强度值较大，主要分布在样本点集合的右上角但分布较为分散，极化散射特征较为明显。林地、耕地样本点的空间距离较近且有少部分点混合，但在空间分布上，林地多聚集在耕地右上方，说明林地的后向散射强度普遍略高于耕地，这主要是由于林木枝干形成了二次散射回波。湿地样本点在极化后向散射空间分布上与建筑物、林地、耕地均有部分混合，这主要是因为实验选取的湿地为滇池周边和昆明市区的湿地公园，而湿地公园多人工建筑/构筑物，这些湿地公园既体现了湿地的散射特征，又体现了人工建筑物/构筑物的散射特征。

总体来说，昆明地区五类典型地物的极化后向散射特性较为明显，可作为使用SAR后向散射强度、极化参数、极化分解等开展典型地物提取、动态监测的可行性提供有力支撑。

3 结论

以L波段HH、HV双极化高分辨率ALOS-2 PALSAR-2遥感影像为主要数据源，开展低纬亚热带高山地昆明地区的建筑物、林地、耕地、湿地、深水等五类典型地物的极化后向散射特性分析研究。首先，导入同一覆盖区的升降轨2景ALOS-2 PALSAR-2遥感影像，对影像进行多视、滤波、辐射校正处理，降低了SAR的相干斑噪声并使影像像元大小符合实际地物形状；然后，借助于辅助数据SRTM DEM 1 arcsec，对SAR影像进行地面编码；接着，在Google Earth平台采集五类典型地物的样本点地理坐标；最后，提取所有样本点的极化后向散射强度值并开展极化散射空间特征分析。实验结果表明：

（1）昆明地区五类典型地物的HH、HV极化散射特性基本不受升降轨侧视成像、季节性影响；

（2）昆明地区五类典型地物样本点的HH、HV极化后向散射空间分布区分度较为明显，其中，水体、建筑物在HH、HV极化散射空间上明显区别于其它三类地物，林地与耕地在HH、HV极化空间上有少量混合但各自存在聚类效应，而湿地与建筑物、林地、耕地在HH、HV极化空间上均有混合；

（3）昆明地区五类典型地物样本点较为明显的HH、HV极化后向散射特性，有力证明了HH、HV双极化SAR具有多云多雾多雨、低纬亚热带地带典型地物分类、反演及动态监测的应用潜力，可作为光学或热通道遥感开展地物监测的有效补充手段，为生态多样性动态监测与保护提供基础数据。

致谢：感谢日本宇宙航空研究开发机构（JAXA）提供的ALOS-2 PALSAR-2影像，感谢美国地质调查局（USGS）提供的SRTM DEM 1 arcsec数据。

参考文献(References)

[1]黄贤金,杨达源. 山水林田湖生命共同体与自然资源用途管制路径创新[J]. 上海国土资源,2016,37(3):1-4.HUANG X J, YANG D Y. Orderly ecological system for mountains,rivers, forest, farmland and lakes, and innovation path of purpose regulation of natural resources[J]. Shanghai Land & Resources,2016,37(3):1-4.

[2]卢崇顶. 国外遥感卫星发展简介[J]. 上海地质,2001,22(3):28-35.LU C D. Brief introduction on the delelopment of the remote sensing satellite abroad[J]. Shanghai Geology, 2001,22(3):28-35.

[3]陈基伟,李俊祥. 特大城市地表水遥感信息系统研究[J]. 上海地质,2004,25(4):7-10.CHEN J W, LI J X. Research on metropolitan surface water GIS using remote sensing technology[J]. Shanghai Geology,2004,25(4):7-10.

[4]干嘉元,王荣华,过仲阳. 利用航空遥感图像进行河道自动提取的方法研究[J]. 上海地质,2007,28(1):67-70.GAN J Y, WANG R H, GUO Z Y. Rivers automaticly extracting from aerial remote sensing images[J]. Shanghai Geology,2007,28(1):67-70.

[5]王旭辉. 遥感技术及在城市国土规划中的应用[J]. 上海国土资源,2014,35(1):88-91.WANG X H. Remote sensing technologies and their application to urban planning[J]. Shanghai Land & Resources, 2014,35(1):88-91.

[6]谢火艳,唐婉. 基于遥感影像的广州南沙区土地利用动态变化分析[J]. 上海国土资源,2018,39(1):57-59,68.XIE H Y, TANG W. Analyses for dynamics changes in land use based on remote sensing images of the Nansha district of Guangzhou city[J]. Shanghai Land & Resources, 2018,39(1):57-59,68.

[7]常琳,王瑞雪,马思顺. 遥感技术在昆明市官渡区地质灾害详查中的应用[J]. 地质灾害与环境保护,2017,28(3):91-95.CHANG L, WANG R X, MA S S. The application of RS technique for investigation of geological hazards in Guandu district of Kunming[J]. Journal of Geological Hazards and Environment Preservation, 2017,28(3):91-95.

[8]陈基炜. 合成孔径雷达干涉测量技术及其对城市遥感的意义[J].上海地质,2001,22(4):52-55.CHEN J W. The technology of interferometry SAR and its significant for urban remote sensing[J]. Shanghai Geology,2001,22(4):52-55.

[9]杨成生,张勤,曲菲霏,等. 基于相位回归性分析的SAR差分干涉图大气延迟改正研究[J]. 上海国土资源,2012,33(3):11-15.Yang C S, ZHANG Q, QU F F, et al. Obtaining an atmospheric delay correction for differential SAR interferograms based on regression analysis of the atmospheric delay phase[J]. Shanghai Land & Resources, 2012,33(3):11-15.

[10]陆衍. 遥感影像云雾分离的BP神经网络方法研究[J]. 上海国土资源,2015,36(3):95-97.LU Y. Research on cloud and fog separation by a back-propagation(BP) network[J]. Shanghai Land & Resources, 2015,36(3):95-97.

[11]王荣华,干嘉元,过仲阳,等. 模糊理论在遥感图像分类中的应用[J]. 上海地质,2007,28(4):52-55.WANG R H, GAN J Y, GUO Z Y, et al. The application of fuzzy theory in remote sensing images classification[J]. Shanghai Geology, 2007,28(4):52-55.

[12]葛大庆,张玲,王艳,等. 上海地铁10号线建设与运营过程中地面沉降效应的高分辨率InSAR监测及分析[J]. 上海国土资源,2014,35(4):62-67.GE D Q, ZHANG L, WANG Y, et al. Monitoring subsidence on Shanghai Metro line 10 during construction and operation using high-resolution InSAR[J]. Shanghai Land & Resources,2014,35(4): 62-67.

[13]魏善蓉,金晓媚,王凯霖,等. 基于遥感的柴达木盆地湖泊面积变化与气候响应分析[J]. 地学前缘,2017,24(5):427-433.WEI S R, JIN X M, WANG K L, et al. Response of lake area variation to climate change in Qaidam basin based on remote sensing[J]. Earth Science Frontiers, 2017,24(5):427-433.

[14]黄亚博,廖顺宝. 多源数据的土地覆被样本自动提取[J]. 遥感学报,2017,21(5):757-766.HUANG Y B, LIAO S B. Automatic collection for land cover classification based on multisource datasets[J]. Journal of Remote Sensing, 2017,21(5):757-766.

[15]李庆旭,张彪,王爽,等. 京津风沙源区2000-2015年植被覆盖状况的区域差异研究[J]. 地学前缘,2018,25(5):304-310.LI Q X, ZHANG B, WANG S, et al. Regional differences of vegetation cover in the Beijing-Tianjin sandstorm source region from 2000 to 2015[J]. Earth Science Frontiers, 2018,25(5):304-310.

[16]沈鹏,汪长城,朱建军,等. 融合升降轨的极化干涉SAR三层模型植被高度反演方法[J]. 测绘学报,2017,46(11):1868-1879.SHEN P, WANG C C, ZHU J J, et al. Vegetation height inversion method with three-layer model by fusing the ascending and descending PolInSAR data[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(11):1868-1879.

[17]廖静娟,庞自振. 多极化SAR数据反演额济纳冲积扇地表参数[J].地球信息科学学报,2009,11(1):77-83.LIAO J J, PANG Z Z. Surface parameters retrieval from alluvial fan in Ejina area of inner Mongolia using multi-polarization SAR data[J]. Geo-Information Science, 2009,11(1):77-83.

[18]李平湘,刘致曲,杨杰,等. 利用随机森林回归进行极化SAR土壤水分反演[J]. 武汉大学学报:信息科学版,2019,44(3):405-412.LI P X, LIU Z Q, YANG J, et al. Soil moisture retrieval of winter wheat fields based on random forest regression using quadpolarimetric SAR images[J]. Geomatics and Information Science of Wuhan University, 2019,44(3):405-412.

[19]王莉雯,卫亚星. 湿地生态系统雷达遥感监测研究进展[J]. 地理科学进展,2011,30(9):1107-1117.WANG L W, WEI Y X. Progress in monitoring wetland ecosystems by radar remote sensing[J]. Progress in Geography,2011,30(9):1107-1117.

[20]RAMSEY E W, NELSON G A, SAPKOTA S K, et al. Using multiple-polarization L-band radar to monitor marsh burn recovery[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999,37(1):635-639.

[21]HENRY J, CHASTANET P, FELLAH K, et al. Envisat multipolarized ASAR data forflood mapping[J]. International Journal of Remote Sensing, 2006,27(10):1921-1929.

[22]KIM J W, LU Z, LEE H, et al. Integrated analysis of PALSAR/Radarsat-1 InSAR and ENVISAT altimeter data for mapping of absolute water level changes in Louisiana wetlands[J]. Remote Sensing of Environment, 2009,113(11):2356-2365.

[23]ALI M Z, QAZI W, ASLAM N. A comparative study of ALOS-2 PALSAR and landsat-8 imagery for land cover classification using maximum likelihood classifier[J]. Egyptian Journal of Remote Sensing & Space Science, 2018,21:29-35.