基于SPAN與NDVI的全極化SAR數據喀斯特地區土地類型劃分

蘇彩霞，胡 娟，歐衛華，曹永鋒

基于SPAN與NDVI的全極化SAR數據喀斯特地區土地類型劃分

蘇彩霞1，胡 娟2，歐衛華1，曹永鋒1※

（1. 貴州師范大學大數據與計算機科學學院，貴陽 550001；2. 貴州師范大學地理與環境科學學院，貴陽 550001）

地貌復雜性、地物多樣性等特征使得全極化合成孔徑雷達（Synthetic Aperture Radar，SAR）數據的散射機制和散射強度相互交織，從而導致基于傳統Wishart-/的全極化SAR數據難以實現喀斯特地區土地類型的有效劃分。針對此問題，該研究首先用復Wishart距離測度對研究區土地類型樣本進行聚類，同時利用/平面對研究區進行超盒聚類，然后根據超盒聚類結果平均相干矩陣與樣本聚類結果平均相干矩陣間的復Wishart距離進行半監督分類，獲得研究區土地類型劃分的初步結果。在此基礎上利用對建筑物與裸巖地敏感的極化總功率（Polarimetric-Total-Power，SPAN）和對林地、草地與耕地敏感的歸一化植被指數（Normalized Differential Vegetation Index，NDVI）對初步結果繼續進行劃分，最終將研究區土地類型劃分為水體、林地、草地、耕地、建筑地和裸巖地，總體分類精度為81.45%；采用另一地勢相對平緩、地形相對單一的典型喀斯特地區全極化SAR數據進行驗證，在實現該地區土地類型劃分的同時總體分類精度為85.66%。這說明該研究方法能夠實現喀斯特地區土地類型的準確劃分。

全極化SAR；喀斯特地區；土地類型劃分；極化總功率；歸一化植被指數

0 引 言

喀斯特地區不利的自然因素及不合理的人為因素使得植被破壞嚴重、土壤流失過多，從而造成喀斯特地區石漠化程度非常嚴重，生態環境十分惡劣。為了更好掌握喀斯特地區石漠化狀況，研究適用于該地區目標地物識別與土地類型劃分的技術十分重要[1]。基于光學遙感與地理幾何特征的傳統監測技術，基本解決了喀斯特地區因地理環境差導致工作難以進行的問題[2]。然而，由于石漠化嚴重的喀斯特地區常年陰雨、云霧較多，采用光學遙感難以實現該區域土地類型的準確劃分。因此研究有效克服陰雨和云霧天氣并準確實現喀斯特地區土地類型劃分的技術十分迫切。

因全天時、全天候、分辨率高、覆蓋面大、且能夠穿透云層、蔭蔽地物等優點，全極化合成孔徑雷達（Synthetic Aperture Radar，SAR）數據被廣泛應用于目標地物識別和土地類型劃分[3]。如丁建麗等[4]采用繞封模型特征子集選擇方法與支持向量機結合，利用全極化SAR數據實現了新疆干旱區土壤鹽漬化的監測；Niu等[5]基于規則的分類技術和支持向量機利用全極化SAR數據實現了加拿大安大略城市土地覆蓋的分類；馬騰等[6]結合實地數據分析，選取平均散射角、平均特征值、單次反射特征值相對差異度為分類特征變量，通過最小距離法確定決策邊界，并結合樹分類器實現了內蒙古河套灌區的土地類型劃分；Negri等[7]采用支持向量機進行聚類，然后結合條件迭代模式算法及關聯信息，準確實現了巴西亞馬遜地區各種土地類型的劃分。

在喀斯特地區土地類型劃分研究領域，王平等[8]將全極化SAR數據與SPOT6標準假彩色影像進行HSV融合，并計算融合數據的均值、標準差、平均梯隊、信息熵以評價出最優融合的極化方式，最后通過K-means聚類與EM聚類僅獲得了研究區的林地；廖娟[9]將全極化SAR數據與地面GPS數據相結合，采用Wishart監督分類和clump聚類分析實現了研究區土地類型的劃分，但增加了喀斯特地區石漠化的監測成本；向海燕[10]將NDVI、紋理特征、坡度、DEM相結合，對全極化SAR數據進行隸屬度函數分析實現了重慶主城西北部地區土地類型的劃分，但這種方法受云量影響極大，當云量大于20%時分類精度還不到60%，嚴重削弱了全極化SAR穿透云霧的優越性。這說明采用全極化SAR數據對喀斯特地區進行土地類型劃分存在一定的困難。究其原因是：復雜的地形和起伏不定的地面會導致全極化SAR的極化方位角產生偏移，使得與雷達視線方向相傾斜的所有目標地物的后向散射矩陣發生變化[11]，加之種類繁多的植被中存在散射特性相似的物種[12]，導致喀斯特地區各種目標地物的散射機制與散射強度相互交織。

由于全極化SAR數據含有HH、HV、VH、VV 4種極化方式，具有豐富的目標地物信息和很強的目標識別能力，因此充分挖掘全極化SAR數據的特征參數，有效利用全極化SAR數據的散射信息，對目標地物的準確識別非常重要。本文先利用復Wishart距離測度對研究區土地類型樣本進行聚類，同時采用平面對研究區進行超盒聚類，然后根據超盒聚類結果平均相干矩陣與樣本聚類結果平均相干矩陣間的復Wishart距離進行半監督分類，獲得研究區土地類型劃分的初步結果。在此基礎上，采用極化總功率（Polarimetric-Total-Power，SPAN）和歸一化植被指數（Normalized Differential Vegetation Index，NDVI）繼續進行劃分，最后獲取研究區的土地類型，有效解決喀斯特地區散射機制和散射強度相互交織的問題。

1 研究區概況

貴州花江流域石漠化治理示范區地跨2個市州，位于貴州省貞豐縣、關嶺縣和鎮寧縣三縣交界處，介于東經105.526o～105.851o，北緯25.456o～25.767o之間，國土面積約818.847 km2，如圖1所示。該示范區以中三疊統的關嶺組、法郎組白云巖為主要出露地層，還有少量的夜郎組砂頁巖。地貌以中低的巖溶峰叢、巖溶河谷和臺地為主。該地區85%以上的地面都呈基巖裸露狀況，且坡度大于25o的區域占整個示范區的40.9%，為喀斯特地區石漠化的典型代表[13]。研究區范圍較廣，存在林地、耕地、水體、建筑地、裸巖地等多種土地類型，地表形態復雜，常年陰雨較多，地物種類多樣且分布零散，這些特殊的地理、地物和氣候情況使得傳統光學遙感在實現土地類型劃分時受到一定的限制。

圖1 研究區地理位置示意圖

2 研究方法

文中所用的原始數據為2012年12月17日獲取的RADARSAT-2 SAR數據。預處理主要是采用SARscape進行多視處理、斑點濾波、地理編碼和輻射定標[14]。文獻[15]表明研究區植被對SAR數據在交叉極化下的后向散射系數相對敏感。因此，本文將對全極化SAR數據在HV極化下的后向散射系數進行處理與分析。

利用全極化SAR數據實現土地類型劃分的途徑主要有2種[16]。一種途徑是對全極化SAR數據進行精細化建模與目標分解，盡可能優選出能夠全面反映地物散射特性的特征參數[17]。另一種途徑是選取性能優越的分類器（如Wishart分類器[18]、支持向量機[19]、深度學習[20]、隨機森林算法[21]等），以實現極化特征信息的充分利用。由于全極化SAR數據包含非常豐富的地物散射信息，因此本文將充分挖掘并利用全極化SAR數據的特征參數，特別是敏感特征參數，以實現喀斯特地區土地類型的劃分。對于天線互易的單基雷達系統，可令全極化SAR數據的散射矩陣為，則其Pauli散射向量可表示為

式中HH表示水平發射水平接收的極化分量，VV表示垂直發射垂直接收的極化分量，HV表示水平發射垂直接收的極化分量，VH表示垂直發射水平接收的極化分量。根據Cloude-Pottier目標分解理論[22]，其相干矩陣3可表示為

p為每種散射機制出現的概率。極化總功率SPAN為旋轉不變量，其受極化方位影響較小且能綜合體現各種散射機制[25]。其大小為

為使計算過程更具導向性，保證分類結果的正確性，必須對研究區各種土地類型進行適當的采樣。鑒于喀斯特地區各目標地物的散射機制和散射強度會因地形、位置、植被等發生相互交織，本文將計算各土地類型樣本聚類中心相干矩陣3間的復Wishart距離，以確定2種土地類型間散射特征的相似性和差異性。由于計算兩類別聚類中心相干矩陣與間的復Wishart距離時經常出現d(V)≠d(V)，因此將兩類別聚類中心相干矩陣間的復Wishart距離定義為[26]

通過統計分析各土地類型樣本聚類中心相干矩陣間的復Wishart距離，確定出一個復Wishart判定距離D。若D>D，2種土地類型散射特征具有顯著差異；若D≤D，2種土地類型樣本散射特征相似。本文還統計了研究區各土地類型樣本的、、各向異性度、SPAN、NDVI、/空間分布，以分析各特征參數對土地類型的辨識能力，具體如表1所示。

從表1可知：1）水體的與均較小；2）林地、草地、耕地間的差別均很小，這說明采用傳統Wishart/難以實現喀斯特地區林地、草地、耕地的有效劃分。然而，它們之間的NDVI差別相對較大，即NDVI對林地、草地、耕地間的植被變化相對敏感，且相關文獻研究表明林地、草地、耕地中植被的類型、植株大小、長勢、冠層可用NDVI進行判別[27-28]。尤其是地形復雜的山區，利用全極化SAR數據進行目標識別時采用NDVI加以輔助，可有效提高林地、草地、耕地的劃分精度[29]；3）建筑地與裸巖地均屬于中熵高散射，采用傳統Wishart/難以實現二者的準確劃分。但它們之間的SPAN差別相對較大，即SPAN對裸巖地與建筑地間的變化相對敏感。根據文獻[30]，目標地物散射表面越光滑，SPAN值越小。由于建筑地與裸巖地2種土地類型間光滑度的差異較大，因此采用SPAN對裸巖地與建筑地進行輔助劃分是可行的。

表1 感興趣區域（ROI）不同土地類型散射特征參數的均值

注：為平均散射角，(o)；散射熵；為各向異性度；SPAN為極化總功率；NDVI為歸一化植被指數。

Note：is average scattering angle, (o);is scattering entropy;is anisotropy; SPAN is polarimetric-total-power; NDVI is normalized differential vegetation index.

基于SPAN對建筑地和裸巖地的敏感性與NDVI對林地、草地和耕地的敏感性，本文將引入SPAN和NDVI對喀斯特地區進行土地類型劃分，具體方法如下：

1）SPAN的引入：采用閾值化算法以超盒分割的方式將研究區建筑地與裸巖地的SPAN分為2類，然后采用復Wishart分布進行聚類，以實現建筑地與裸巖地的劃分。其中超盒分割的閾值由SPAN的直方圖確定。

2）NDVI的引入：綜合考慮地貌、土壤、氣候、水文等因素與植被的關系，根據植被地理分布原則可將中國劃分為8個植被區域[31]。本文研究的貴州喀斯特地區屬于亞熱帶常綠闊葉林地區，其NDVI值可從美國LPDAAC的MODIS植被指數產品MOD13Q1中獲取。MOD13Q1為正弦投影、分辨率250 m、周期16 d的合成數據。對于一年365 d而言，從第1天算起到第353天共可合成具有23個波段的NDVI時間序列。根據文獻[32]，亞熱帶常綠闊葉林地區耕地、林地、草地的劃分需要將特定歸一化植被指數NDVI序列與數字高程矩陣DEM結合，具體如表2所示。

表2 耕地、林地、草地的區分條件

注：NDVI的下標數字代表波段，下標1、14、18、19分別表示第1、14、18、19波段的NDVI時間序列，NDVImax為NDVI最大的時間序列。

Note: The subscript number of NDVI represents the band of the time series, the subscripts 1, 14, 18 and 19 represent the NDVI time series of the 1st, 14th, 18th and 19th bands respectively, and NDVImaxis the time series with the maximum of NDVI.

根據上述引入分析，基于SPAN與NDVI的Wishart分類算法實現喀斯特地區各種土地類型劃分是可行的。具體算法步驟如下：

1）首先對全極化SAR數據進行多視處理、斑點濾波、地理編碼、輻射定標等預處理；

2）對預處理后的散射矩陣進行Cloude-Pottier目標分解，提取、、SPAN等散射特征參數；

3）計算土地類型樣本相干矩陣間的復Wishart距離，同時確定復Wishart判定距離D。當2種土地類型樣本相干矩陣間的復Wishart距離D≤D時，合并2種土地類型樣本；同時利用/平面對研究區進行超盒聚類，然后根據超盒聚類結果平均相干矩陣與樣本聚類結果平均相干矩陣間的復Wishart距離進行半監督分類，將整個研究區初步劃分為3類：第1類為水體，第2類為建筑地與裸巖地的混合，第3類為林地、草地、耕地的混合；

4）作出SPAN的直方圖，根據直方圖確定超盒分割的閾值，接著用閾值化算法以超盒分割的方式將建筑地與裸巖地的SPAN初始劃分為2類，然后采用Wishart分類器進行聚類，實現對建筑地與裸巖地的劃分；

5）將獲取的NDVI時間序列轉化為TIF格式，確定NDVImax并選取下標為1、14、18、19的4個波段的NDVI時間序列，同時利用BIGEMAP確定研究區的數字高程矩陣DEM。將NDVI與DEM結合，根據表2的判斷條件即可實現林地、草地、耕地的劃分。

具體計算流程如圖2所示。

圖2 喀斯特地區土地類型劃分的計算流程

3 結果與分析

本文采用野外實地采樣與Google Earth采樣相結合對感興趣區域（Region of Interest，ROI）進行了采樣，野外實地采樣點數與Google Earth采樣點數之比約為4∶5。野外實地采樣點位置采用GPS進行定位，采樣時間分別為2016年10月1日—2016年10月15日和2017年5月1日—2017年5月10日。2次共拍攝照片2 261張，其中第1次拍攝1 436張，第2次拍攝825張。通過統計確認，研究區具有林地、草地、耕地、裸巖地、建筑地、水體6種土地類型，共獲取采樣點922個，其中林地200個（實地采樣90個，Google Earth采樣110個）、草地175個（實地采樣78個，Google Earth采樣97個）、耕地162（實地采樣72個，Google Earth采樣90個）、裸巖地135個（實地采樣60個，Google Earth采樣75個）、建筑138（實地采樣62個，Google Earth采樣76個）、水體112個（實地采樣50個，Google Earth采樣62個）。以各種土地類型樣本相干矩陣3的均值為聚類中心，計算土地類型樣本聚類中心相干矩陣間的復Wishart距離，所得結果如表3所示。

表3 6種土地類型樣本聚類中心間的復Wishart距離

從表3可知，水體樣本聚類中心相干矩陣至其他各類樣本聚類中心相干矩陣間的復Wishart距離均大于0.08，這說明水體樣本的散射特征較其他各種土地類型樣本的散射特征存在明顯的差異，即水體相對容易劃分。

表3中林地、草地與耕地3種樣本聚類中心相干矩陣間的復Wishart距離小于0.008，建筑地與裸巖地2種樣本聚類中心相干矩陣間的復Wishart距離小于0.009，這說明林地、草地與耕地3種樣本的散射特征非常相似，建筑地與裸巖地2種樣本的散射特征也非常相似，加之復雜地貌造成極化方位角產生偏移而導致非雷達視線方向后向散射矩陣的變化，這是喀斯特地區土地類型難以準確劃分的根本原因。

將建筑地樣本、裸巖地樣本與林地樣本、草地樣本、耕地樣本進行比較，發現前二者聚類中心相干矩陣至后三者聚類中心相干矩陣間的復Wishart距離均大于0.226，這說明建筑地樣本和裸巖地樣本的散射特征與林地樣本、草地樣本、耕地樣本的散射特征存在顯著差異。

根據表3，本文定義復Wishart判定距離D=0.01。若2種土地類型聚類中心的復Wishart距離D≤D，則判定二者的散射特征相似并以此為依據進行合并。

利用復Wishart判定距離對各土地類型樣本進行聚類合并，可將研究區土地類型樣本分為散射特征相似的3類，以避免像素點因散射特征相似而被錯分。同時利用/平面對研究區進行超盒聚類，然后根據超盒聚類結果平均相干矩陣與樣本聚類結果平均相干矩陣間的復Wishart距離進行迭代，以實現對研究區土地類型的初步劃分，這實質上是一種半監督學習的聚類分析方法，所得結果如圖3所示。

圖3 研究區半監督分類的土地類型劃分結果

從圖3可知，根據超盒聚類結果平均相干矩陣與樣本聚類結果平均相干矩陣間的復Wishart距離進行半監督式聚類分析，可將研究區的土地類型劃分為3大類：第1類為水體，第2類為建筑物與裸巖地，第3類為林地、草地和耕地。該過程主要是將散射特征差異性顯著的水體快速地提取出來，并且在后續劃分過程中不再迭代，避免因聚類中心移動而被誤分。同時獲取具有相似散射特征的其他兩大類（建筑地與裸巖地，林地、草地與耕地），為后續有針對性地制訂準確高效的劃分方案奠定了可靠的前提基礎。

為了實現林地、草地、耕地的劃分，本文從LPDAAC數據庫中下載NDVI時間序列并轉換成TIF格式后，選取NDVI1、NDVI14、NDVI18、NDVI19并確定NDVImax，其中研究區NDVImax分布如圖4a所示。然后在BIGEMAP軟件高程屬性功能中將研究區的邊界導入，采用下載級別16級獲得高分辨率的TIF格式高程分布圖，并將該高程分布圖導入Global Mapper中，就可得到相應的海拔網格數據，即數字高程矩陣DEM，結果如圖4b所示。

從圖4可知，高程較大的區域NDVImax較大，對應的土地類型為林地；數字高程最小的區域NDVImax最小，對應的土地類型為水體；圖4中也有高程較大的區域對應的NDVImax很小，對應的土地類型可能是裸巖地。

采用SPAN和NDVI按照圖2所示的計算流程對研究區的全極化SAR數據進行輔助劃分，所得結果如圖5所示。從圖中可知，研究區的土地類型被分為水體、林地、草地、耕地、建筑地和裸巖地，這與研究區采樣統計結果是相符的。

圖4 研究區的NDVImax與DEM

圖5 研究區基于SPAN和NDVI的土地類型劃分結果

為說明研究區土地類型劃分的準確性，本文對每一種土地類型的劃分精度和總體精度結果如表4所示。

從表4可知，水體的土地類型劃分精度最高，為87.50%；裸巖地的劃分精度次之，為82.96%；建筑地、林地、草地和耕地的劃分精度分別為81.16%、80.50%、80.00%、79.01%。由于雷達電磁波與水面作用時產生的散射主要是各項同性的奇次表面散射和Bragg散射，產生的平均散射角和極化熵均較小，所以水體相對容易識別。由于建筑物和裸巖地特殊的結構和形態特征，雷達電磁波與其發生作用時容易產生二次散射，因此具有較大的平均散射角和極化熵。尤其是裸巖地，其組成部分是大小不同、材質不一的巖石和石礫，散射隨機性更大，所以具有相對較高的劃分精度。林地、草地、耕地均含一定量的枝和葉，雷達電磁波與它們發生作用時主要產生體散射；且植被種類、植株大小、形狀、植株、枝葉、冠層等因素的改變均會導致散射機制和散射強度發生變化，故劃分精度相對較低。相較而言，林地植被高大、枝葉茂盛，體散射較強，三者之中其相對容易識別；草地植被矮小、瘦弱，體散射較弱，相對林地具有一定的差別；最難劃分的耕地，受品種、土壤、地形、光照等諸多因素的影響，且與草地和林地均有模糊的邊界，因此劃分精度相對偏低。總體而言，本方法總體精度為81.45%，能夠有效實現研究區土地類型的劃分。

表4 各種土地類型的分類精度

為進一步說明研究方法的可行性與準確性，采用位于貴州省清鎮市的典型喀斯特丘原盆地（106.118o～106.494oE， 26.401o～26.763oN）的SAR數據進行驗證。該地區屬于黔中高原區，面積約20.8 km2，主要以丘陵和喀斯特低山為主，地勢從西南向東北逐漸變低，土地類型同樣包括水體、林地、草地、耕地、建筑地和裸巖地。利用本文方法對此地區進行土地類型劃分，獲得的結果如圖6所示。。

從圖6可知，本文方法將清鎮市典型喀斯特地區分為水體、林地、草地、耕地、建筑地與裸巖地，獲得的劃分精度分別為89.50%，85.80%，83.72%，82.35%，87.86%，86.57%，且總體精度為85.66%。這表明本文研究方法能夠準確高效地對喀斯特地區的土地類型進行劃分。相比較而言，不管是某種土地類型的劃分精度還是總體劃分精度，用于驗證的清鎮市典型喀斯特地區的劃分結果均優于本文研究區的劃分結果，其主要原因是清鎮市典型喀斯特地區的地勢較為平緩，地形相對單一，這在一定程度上反映了地勢和地形造成的極化方位角偏差對喀斯特地區土地類型劃分影響的顯著性。在整個分類過程中，除輸入常量（樣本、歸一化植被指數NDVI、數字高程DEM）外，文中用于土地類型劃分的參數：平均散射角散射熵相干矩陣均源于全極化SAR的散射矩陣，且沒有采用任何其他方法或光學數據進行輔助，因此本文研究方法計算效率很高。對于某一確定的全極化SAR數據，NDVI來源于MODIS植被指數產品，DEM來源于BIGEMAP軟件，因此土地類型劃分精度受樣本采樣數量、分布、準確性的影響很大，即土地類型采樣必須準確、分布均勻，且樣本量不能太少。

圖6 貴州省清鎮市典型喀斯特地區的土地類型的劃分驗證

4 結 論

由于喀斯特地區地形復雜、地物種類繁多，全極化SAR數據中不同地物的散射機制和散射強度相互交織，因此傳統Wishart/聚類算法難以對喀斯特地區的土地類型實現準確劃分。本文先利用復Wishart距離測度對研究區土地類型樣本進行聚類，同時利用/平面對研究區進行超盒聚類，然后根據超盒聚類結果平均相干矩陣與樣本聚類結果平均相干矩陣間的復Wishart距離進行半監督分類，得到土地類型的初步結果。在此基礎上采用極化總功率（SPAN）和歸一化植被指數（NDVI）對初步結果繼續進行劃分，最后將研究區的土地類型劃分為水體、林地、草地、耕地、建筑地和裸巖地，且總體精度為81.45%。隨后采用另一地勢相對平緩、地形相對單一的典型喀斯特地區的全極化SAR數據進行驗證，總體精度為85.66%，這說明本文研究方法能夠實現喀斯特地區土地類型的準確劃分。

[1]李文吉，姜德才，鄭向向，等. 云貴高原典型地物L波段SAR散射特性分析-以昆明為例[J]. 上海國土資源，2019，40(4)：77-81. Li Wenji, Jiang Decai, Zheng Xiangxiang, et al. L-band SAR scattering characteristics analysis of typical features in Yunnan-Guizhou plateau: A case study of Kunming[J]. Shanghai Land Resources, 2019, 40(4): 77-81. (in Chinese with English abstract)

[2]楊盡利，周忠發，趙正隆，等. 基于ALOS影像的喀斯特山區草地類型提取研究[J]. 中國農業資源與區劃，2013，34(6)：81-85. Yang Jinli, Zhou Zhongfa, Zhao Zhenglong, et al. Research of the grassland types extraction by ALOS image in Karst mountains area[J]. Chinese Journal of Agricultural Resource and Regional Planning, 2013, 34(6): 81-85. (in Chinese with English abstract)

[3]黃明祥，史舟，李艷. SAR遙感技術在農業土地利用遙感調查的應用[J]. 農業工程學報，2004，20(6)：133-137. Huang Mingxiang, Shi Zhou, Li Yan. Application of SAR remote sensing to agricultural land use investigation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(6): 133-137.

[4]依力亞斯江·努爾麥麥提，塔西甫拉提·特依拜，丁建麗，等. 基于多種極化分解方法和全極化合成孔徑雷達數據的干旱區鹽漬化監測[J]. 農業工程學報，2015，31(23)：145-153. Ilyas Nurmemet, Tashpolat Tiyip, Ding Jianli, et al. Monitoring soil salinization in arid area using PolSAR data and polarimetric decomposition method[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23): 145-153.

[5]Niu X, Ban Y F. Multi-temporal RADARSAT-2 polarimetric SAR data for urban land-cover classification using an object-based support vector machine and a rule-based approach[J]. International Journal Remote Sensing, 2012, 34(1): 1-26.

[6]馬騰，王耀強，李瑞平，等. 基于微波遙感極化目標分解的土地覆蓋/土地利用分類[J]. 農業工程學報，2015，31(2)：259-265. Ma Teng, Wang Yaoqiang, Li Ruiping, et al. Land cover/land use classification based on polarimetric target decomposition of microwave remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(2): 259-265.

[7]Negri R G, Dutra L V, Freitas C D C, et al. Exploring the capability of ALOS PALSAR L Band fully polarimetric data for land cover classification in tropical environments[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(12): 1-16.

[8]王平，周忠發，殷超. 基于全極化SAR與多光譜的喀斯特山區農村林地提取[J]. 中國農業資源與區劃，2017，38(7)：41-50.

Wang Ping, Zhou Zhongfa, Yin Chao. Rural woodland extraction based on full polarization SAR and multispectral in Karst mountain areas[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(7): 41-50. (in Chinese with English abstract)

[9]廖娟. 基于全極化SAR 數據的喀斯特地區石漠化遙感監測技術研究[D]. 貴陽：貴州師范大學，2016. Liao Juan. Research on Remote Sensing Monitoring Technology of Rocky Desertification in Karst Area Based on Fully Polarimetric SAR Data[D]. Guiyang: Guizhou Normal University, 2016. (in Chinese with English abstract)

[10]向海燕. 基于光學和SAR數據的多云霧山區土地覆被分類[D]. 重慶：西南大學，2018. Xiang Haiyan. Land Cover Classification in Cloudy and Hilly Regions Based on Optical and SAR Data[D]. Chongqing: Xinan University, 2018. (in Chinese with English abstract)

[11]Kajimoto M, Susaki J. Urban-area extraction from polarimetric SAR images using polarization orientation angle[J]. IEEE Geoence & Remote Sensing Letters, 2013, 10(2): 337-341.

[12]劉利敏，余潔，王彥兵，等. 一種利用地物散射特性進行后續類別調整的極化SAR影像分類方法[J]. 光譜學與光譜分析，2014，34(1)：151-156. Liu Limin, Yu Jie, Wang Yanbing, et al. A novel PolSAR image classification method with subsequent category adjustment by terrain scattering characteristic. Spectroscopy and Spectral Analysis, 2014, 34(1): 151-156. (in Chinese with English abstract)

[13]賀祥，熊康寧，李晨，等. 巖溶山區石漠化生態治理的土壤質量效應研究：以貴州省花江巖谷石漠化治理示范區為例[J]. 貴州農業科學，2011，39(5)：99-102. He Xiang, Xiong Kangning, Li Chen, et al. Study on soil quality effect in ecological management of rocky desertification in Kasrt mountain area: A case study of Huajiang Canyon demonstration area of Guizhou province[J]. Guizhou Agricultural Sciences, 2011, 39(5): 99-102. (in Chinese with English abstract)

[14]陳希，蘭安軍，熊康寧. 基于多源遙感數據的石漠化信息提取研究[J]. 信陽師范學院學報：自然科學版，2018，31(3)：437-442. Chen Xi, Lan Anjun, Xiong Kangning. Research on the information extraction of rocky deserification based on multi-source remote sensing image data[J]. Journal of Xinyang Normal University：Natural Science Edition, 2018, 31(3): 437-442. (in Chinese with English abstract)

[15]楊春艷，楊廣斌，陳智虎. 西南山區不同巖性背景下植被覆蓋特征分析：以盤縣為例[J]. 貴州師范大學學報：自然科學版，2016，34(6)：1-7. Yang Chunyan, Yang Guangbin, Chen Zhihu. Analysis of vegetation cover under the background of different lithology characteristics in the mountain area in Southwest of China: A case study of Panxian[J]. Journal of Normal University：Natural Science Edition, 2016, 34(6): 1-7. (in Chinese with English abstract)

[16]吳永輝，計科峰，郁文賢. SVM全極化SAR圖像分類中的特征選擇[J]. 信號處理，2007，23(6)：877-881. Wu Yonghui, Ji Kefeng, Yu Wenxian. A new feature selection algorithm for SVM-based fully polarimetric SAR image classification[J]. Signal Processing, 2007, 23(6): 877-881. (in Chinese with English abstract)

[17]Chen S W, Wang X S, Xiao S P, et a1. General polarimetric model: Based decomposition for coherency matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3): 1843-1855.

[18]楊杰，史磊，李平湘. 基于極化相干最優與極化總功率的Wishart-H/Alpha分類[J]. 武漢大學學報信息科學版，2012，37(1)：22-25. Yang Jie, Shi Lei, Li Pingxiang. Wishart-H/Alpha classification based on optimal coherence and polarimetric span[J]. Geomatrics and Information Science of Wuhan University, 2012, 37(1): 22-25. (in Chinese with English abstract)

[19]滑文強，王爽，侯彪. 基于半監督學習的SVM-Wishart極化SAR圖像分類方法[J]. 雷達學報，2015，4(1)：93-98. Hua Wenqiang, Wang Shuang, Hou Biao. Semi-supervised learning for classification of polarimetric SAR image based on SVM-Wishart[J]. Journal of Radars, 2015, 4(1): 93-98. (in Chinese with English abstract)

[20]鄧鴻儒，徐佳，單文龍，等. 利用主動深度學習提取極化SAR影像建筑區[J]. 測繪科學技術學報，2018，35(3)：61-67. Deng Hongru, Xu Jia, Shan Wenlong, et al. Polarized SAR image building area extraction using acitive deep learning[J]. Journal of Geomatics Science and Technology, 2018, 35(3): 61-67. (in Chinese with English abstract)

[21]岳繼博，楊貴軍，馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比[J]. 農業工程學報，2016，32(18)：175-182. Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182.

[22]Cloude S R, Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518.

[23]Pottier E, Cloude S R. Application of the H/A/alpha polarimetric decomposition theorem for land classification[J]. Proceedings of SPIE - The International Society for Optical Engineering, 1997, 3120: 132-143.

[24]Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249-2258.

[25]Alberga V. A study of land cover classification using polarimetric SAR parameters[J]. International Journal of Remote Sensing, 2007, 28(17): 3851-3870.

[26]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, 4(12): 722-731.

[27]白燕英，高聚林，張寶林. 基于NDVI與EVI的作物長勢監測研究[J]. 農業機械學報，2019，50(9)：153-161. Bai Yanying, Gao Julin, Zhang Baolin. Monitoring of crops growth based on NDVI and EVI[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 153-161. (in Chinese with English abstract)

[28]王利民，楊玲波，劉佳，等. GF-1和MODIS影像冬小麥長勢監測指標NDVI的對比[J]. 作物學報，2018，44(7)：1043-1054. Wang Limin, Yang Lingbo, Liu Jia, et al. Comparison of growth monitoring index NDVI between GF-1 and MODIS images in winter wheat[J]. Acta Agronomica Sinica. 2018, 44(7): 1043-1054. (in Chinese with English abstract)

[29]梅新，聶雯，劉俊怡. 基于Radarsat-2全極化數據的多種雷達植被指數差異分析[J]. 中國農業資源與區劃，2019，40(3)：26-33. Mei Xin, Nie Wen, Liu Junyi. Difference analysis of multiply radar vegetation indices base on RADARSAT-2 full-polarization data[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(3): 26-33. (in Chinese with English abstract)

[30]周振明，王文生，周惠慧. 基于SERD與SPAN的全極化SAR數據海岸線分類[J]. 海洋測繪，2016，36(2)：34-38. Zhou Zhenming, Wang Wensheng, Zhou Huihui. A full-polarization SAR data coastline classification based on SERD and SPAN[J]. Hydrographic Surveying and Charting, 2016, 36(2): 34-38. (in Chinese with English abstract)

[31]侯學燃. 中國自然地理，植物地理(下冊)[M]. 北京：科學出版社，1988.

[32]郝瑩瑩，羅小波，仲波，等. 基于植被分區的中國植被類型分類方法[J]. 遙感技術與應用，2017，32(2)：315-323. Hao Yingying, Luo Xiaobo, Zhong Bo, et al. Methods of the national vegetation classification based on vegetation partition[J]. Remote Sensing Technology and Application, 2017, 32(2): 315-323. (in Chinese with English abstract)

Land type classification of full polarization SAR data using SPAN and NDVI in Karst Areas, China

Su Caixia1, Hu Juan2, Ou Weihua1, Cao Yongfeng1※

(1.,,550001,; 2.,,550001,)

Topographical complexity of landscapes and diversity of terrain features have caused to interweave with the scattering mechanism and intensity of full polarization Synthetic Aperture Radar (SAR) data. This makes it difficult for the traditional Wishart-/(polarization entropy/scattering angle) classification to effectively classify land types in Karst areas. In this study, a complex Wishart distance measure was used for the class clustering of land type in research areas. A super-box clustering was carried out using the/α plane. The semi-supervised classification was also carried out, according to the complex Wishart distance between the average coherence matrix of super-box and sample clustering. The obtained data of land classification were further processed using the Polarimetric-Total-Power (SPAN) and the Normalized Differential Vegetation Index (NDVI), where the SPAN was sensitive to buildings and bare rock land, whereas, the NDVI was sensitive to wood land, grass land and cultivated land. An effective classification of land types was finally realized in the Karst areas. Specifically, the complex Wishart distance between two types of sample was calculated to determine the similarity of scattering characteristics in the samples of different land types, and the clustering was also performed during this time. Eight kinds of super-box clustering were divided into using the/plane. Three kinds of preliminary clustering were obtained, including the first type of water body, the second type of construction and bare rock land, as well as the third type of wood land, grass land and cultivated land. The SPAN was then used to classify the building and bare rock land, using a threshold in the way of super-box segmentation. The wood land, the grass land, and the cultivated land were classified by introducing a combination of the NDVI and Digital Elevation Matrix (DEM). The improved method can be used to effectively classify the water body, woodland, grassland, farmland, construction land, and bare rock land, with the overall accuracy of 81.45%. To verify the improved method, the another full-polarization SAR data was selected from the typical Karst areas, where the terrain was relatively flat, while the topography was relatively single. This case study demonstrated that the land classification was successfully implemented, where the overall classification accuracy reached 85.66%. The finding can provide a novel way to accurately classify various land types, and thereby serve as an ideal supplementary means to monitor rocky desertification evolution in Karst areas.

full polarization SAR; Karst Area; land types classification; SPAN; NDVI

蘇彩霞，胡娟，歐衛華，等. 基于SPAN與NDVI的全極化SAR數據喀斯特地區土地類型劃分[J]. 農業工程學報，2020，36(24)：265-272.doi：10.11975/j.issn.1002-6819.2020.24.031 http://www.tcsae.org

Su Caixia, Hu Juan, Ou Weihua, et al. Land type classification of full polarization SAR data using SPAN and NDVI in Karst Areas, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 265-272. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.24.031 http://www.tcsae.org

2020-05-26

2020-12-11

貴州省科學技術基金資助（黔科合基礎[2018]1114）；國家自然科學基金（61762021）

蘇彩霞，主要從事遙感圖像處理方面的研究。Email：sucaixia@163.com

曹永鋒，教授，博士生導師，主要從事SAR圖像處理與解譯方面的研究。Email：yongfengcao.cyf@gmail.com

10.11975/j.issn.1002-6819.2020.24.031

S127

A

1002-6819(2020)-24-0265-08