哨兵一号协同吉林一号影像的树种识别研究

来源:用户上传      作者:

　　摘 要：  针对C波段合成孔径雷达影像协同光学影像进行森林分类时失相干现象较为严重的问题，提出将冬季相近时相合成孔径雷达的相干系数影像进行均值处理的方法，有效抑制了失相干现象，得到与森林树种相关的相干系数影像。本文分别利用Sentinel-1后向散射强度、相干系数和吉林一号光学A星影像，对长春市净月潭森林公园的树种进行分类研究。结果显示：在仅用吉林一号光学A星数据进行分类时，总体分类精度为82.3%，Kappa系数为0.79;在使用吉林一号数据和哨兵一号强度数据进行分类时，总体分类精度为85.2%，Kappa系数为0.825;在使用吉林一号数据、哨兵一号强度数据和相干性数据进行分类时，总体分类精度为87.8%，Kappa系数为0.855;在使用吉林一号数据、哨兵一号强度数据和相干性数据进行分类以后，相较于仅使用吉林一号数据，落叶松用户精度由原来的59%提升到了72%，表明光学影像结合C波段合成孔径雷达影像可提高森林树种分类精度。
　　关键词： 分类精度;吉林一号;哨兵一号;相干系数
　　中图分类号 ：S771     文献标识码 ：A    文章编号 ：1006-8023（2020）02-0040-09
　　 Study on Tree Species Identification by Combining Sentinel-1 and JL101A Images
　　 WANG Changqing1， LI Beibei1， ZHU Ruifei1， CHANG Shouzhi2
　　 （1.Chang Guang Satellite Technology Co.Ltd.， Changchun 130000， China; 2.Changchun Urban and Rural Planning and Design Institute， Changchun 130022， China）
　　Abstract： Aiming at the serious problem of de-coherence in the forest classification of the C-band synthetic aperture radar image in conjunction with the optical image， a method of averaging coherence coefficient images in multiple periods in winter obtained by coherent imaging of similar time-phase radar images is proposed to effectively suppress the de-coherence phenomenon to obtain coherence coefficient images related to forest tree species. This paper uses the Sentinel-1 backscattering intensity， coherence coefficient and JL101A image to classify the tree species of the moon lake national forest park in Changchun. The results show that when using only JL101A for classification， the overall classification accuracy is 82.3%， Kappa coefficient is 0.79; when using JL101A data and Sentinel-1 intensity data for classification， the overall classification accuracy is 85.2%， and the Kappa coefficient is 0.825; when using JL101A data， Sentinel-1 intensity data and coherence data for classification， the overall classification accuracy is 87.8%， and the Kappa coefficient is 0.855. After using JL101A data， Sentinel-1 intensity data and coherence data to classify， compared with using only JL101A data， the precision of user accuracy is increased from 59% to 72%. It shows that the optical image combined with the effective coherence coefficient and backscattering intensity of C band synthetic aperture radar image can improve the classification accuracy of forest tree species.
　　Keywords： Classification accuracy; JL101; Sentinel-1; coherence coefficient
　　收稿日期： 2019-10-25
　　基金項目： 吉林省科技发展项目（20170204036SF） 　　第一作者简介： 王长青，硕士，助理研究员。研究方向：合成孔径雷达。E-mail：1548958627@qq.com
　　引文格式： 王长青，李贝贝，朱瑞飞，等.哨兵一号协同吉林一号影像的树种识别研究[J].森林工程，2020，36（2）：40-48.
　　WANG C Q， LI B B， ZHU R F， et al. Study on tree species identification by combining Sentinel-1 and JL101A images[J]. Forest Engineering，2020，36（2）：40-48.
　　0 引言
　　森林在全球水文、生态、碳循环及气候变化中起着重要作用[1]。在森林的科学研究中，森林类型划分是森林树高、胸径和生物量等参数提取的基础[2]，也是林业遥感关键技术模型和林业遥感产品不可或缺的关键参数[3]，其在森林应用和研究中具有重要意义。森林类型划分有基于传统的人工方式和基于遥感技术的方式[4]。基于传统的人工方式不仅需要消耗大量的人力物力财力，而且需要大量的调研时间[5]，且只能对点进行观测，对于环境条件较差、人力无法到达的区域不能进行森林资源调查，重复监测周期长[6]。基于遥感技术的分类方法可以对大范围区域进行监测，具有观测快、重复周期短和成本低等优点[7]，目前已成为森林分类的常用方法。使用遥感技术进行地物分类的方法主要包括光学遥感分类和合成孔径雷达（Synthetic Aperture Radar，SAR）分类[8-9]，其中使用SAR数据进行地物分类的方法主要是基于SAR后向散射强度影像进行分类。胡宇宸[10]利用ENVISAT ASAR双极化数据结合TM图像进行了森林分类研究，结 果显示将多源数据融合能提高森林分类的精度。赵明瑶等[11]、王新云等[12]协同HJ-1B光学数据和RADARSAT-2 C波段雷达数据，通过影像融合提高了草地分类精度。近年来，有学者提出联合L波段SAR的强度数据和相干性数据进行森林分类的方法，但少有基于C波段相干性数据的森林分类研究。哨兵一号（Sentinel-1）是欧空局研制的C波段SAR卫星[13]，目前使用Sentinel-1数据进行森林分类的研究多使用后向散射强度数据，本文提出使用Sentinel-1相干性数据和强度数据进行森林分类的方法，以期提高森林分类精度。本文使用吉林省长春市净月潭国家森林公园的Sentinel-1强度数据、相干性数据以及吉林一号光学A星数据，使用SVM支持向量机方法进行森林分类研究。
　　1 研究区以及数据介绍
　　净月潭国家森林公园位于吉林省长春市东南部，为国家AAAAA级风景区，是长春市的天然氧吧。其地理空间范围为125°25′52″～ 125°30′35″E，43°45′ ～ 43°48′18″N，海拔为220 ～ 406.5 m，地处温带半湿润季风气候区。景区面积为96.38 km2，其中水域面積为5.3 km2，潭水将公园分为南北两部分，潭南为平原地带，潭北为低山丘陵地带。公园内共有550多种高等植物，内含30多个树种的完整生态系统，其中以黑皮油松（Pinus tabuliformis），长白落叶松（Larix olgensis）和樟子松（P. sylvestris var.mongolica）为主，另有少量的蒙古栎（Quercu mongolica）、水曲柳（Fraxinus mand shurica）和胡桃楸（Juglans mandshurica），森林覆盖率达96%以上。本文对净月潭森林公园内的主要树种进行森林分类研究。
　　吉林一号光学A星是吉林一号卫星星座中的高分光学卫星，共有4个波段，其中全色波段分辨率为0.72 m，多光谱波段分辨率为2.88 m，幅宽为11.6 km，净月潭森林公园的吉林一号光学A星影像如图1所示。
　　本研究使用的Sentinel-1数据从欧空局获取，重复周期为12 d，C波段中心波长为5.6 cm。Sentinel-1有Sentinel-1A和Sentinel-1B两颗卫星，其成像模式共有4种，分别为条带模式（Strip Map，SM）、干涉宽条幅模式（Interferometric Wide Swath，IW）、超宽幅模式（Extra Wide Swath，EW）和波模式（Wave，WV）[14]，Sentinel-1默认成像模式为IW模式。IW成像模式下获取的数据为双极化模式（VV极化和VH极化），幅宽为250 km，空间分辨率为5 m × 20 m。Sentinel-1 IW模式数据几何分布如图2所示。从图2中可以看出，IW模式数据在距离向上共有3个子条带，每个子条带由多个连续的子刈幅（burst）组成。
　　本研究使用的外业调查数据为东北林业大学邢艳秋教授团队提供，调查时间为2017年9月14日至2017年9月21日，调查方式为单木检尺，获取了净月潭国家森林公园的树种分布以及其他林木参数，树种分布如图3所示。
　　净月潭森林公园内林地多为人工林，树种较为繁杂，但仍以黑皮油松、长白落叶松和樟子松为主。黑皮油松主要分布在净月潭森林公园的北部，而长白落叶松和樟子松主要分布在净月潭南部。本文针对公园内的主要树种（油松、落叶松和樟子松）进行森林分类研究。
　　2 数据处理
　　2.1 Sentinel-1数据处理
　　本研究使用的Sentinel-1数据是长春市2016年11月24日的影像，其在面向森林分类研究的预处理流程主要包括以下步骤：提取研究区、去除热噪声、辐射定标、去脉冲、多视处理、滤波、辐射地形校正和几何校正。
　　（1）提取研究区
　　由于IW模式下Sentinel-1影像幅宽较大，空间分辨率较高，导致其影像数据量较大，数据处理耗时较长，通过提取研究区所在的子条带和burst来达到缩减数据量的目的。长春市在Sentinel-1影像的IW2子条带内，burst范围为4～7。 　　（2）辐射定标
　　辐射定标是通过建立原始影像DN值与标准后向散射截面的关系，从而将原始影像转化为具有实际物理意义量值的过程。Sentinel-1辐射定标公式为：
　　value（i）= |DNi| Ai2   （1）
　　式中：value（i）可以是σ0i、β0i;Ai可以是sigmaNought（i）、betaNought（i）。
　　（3）多视处理
　　在SAR系统中，多视处理是将合成孔径雷达的多普勒带宽分割成N等份，每一份独立成像得到多视子图像，再求取N幅多视子图像强度平均值的过程。多视处理在抑制相干斑噪声的同时，将分辨单元从矩形转化为方形。本研究使用的多视比例为5∶ 1。
　　（4）滤波
　　在SAR影像中，每個像元的回波信号是由像元内大量微小散射体共同作用的结果[15]。由于微小散射体反射的雷达波频率相同，所以回波信号是由微小散射体反射信号相干叠加的结果，该现象造成了SAR影像中固有存在的相干斑噪声。滤波是除了多视处理以外对相干斑噪声抑制较为有效的技术手段。本研究采用对同质区域进行滤波平滑的同时仍能对边缘有较好保留的精化Lee滤波方法[16]。
　　（5）辐射地形校正
　　由于SAR为侧视成像，SAR影像为地物目标后向散射的结果，地物目标后向散射能量的大小除了与地物形状、结构、粗糙度和湿度等相关，还受到当地入射角的影响，当地入射角越小，后向散射越强。SAR影像的该特性在分类时会导致不同地形坡度下同种地物的错分以及不同种地物的误分，对分类结果造成巨大影响。根据Sentinel-1轨道信息和DEM数据可得到当地入射角，利用公式（2）和公式（3）对后向散射系数进行地形辐射校正。
　　r0=σ0/cos θ。  （2）
　　ρ0=r0×pix×cos ɑ。  （3）
　　式中：σ0为后向散射系数;θ为当地入射角;r0为入射角校正之后的后向散射系数;pix为像元面积归一化因子;ɑ为影像中心入射角;ρ0为辐射地形校正之后的后向散射系数。
　　（6）几何校正
　　由于SAR独特的成像方式，导致其在SAR影像中存在固有的几何畸变，常见的几何畸变包括叠掩、透视收缩、顶底位移和雷达阴影等。利用研究区的DEM数据和卫星成像时的轨道信息生成模拟SAR影像，根据模拟SAR影像与真实SAR影像之间的后向散射强度特征、纹理特征等对真实SAR影像进行几何校正，消除几何畸变，并将SAR影像从距离向多普勒坐标系转化到大地坐标系[17]。
　　经过以上预处理，得到的长春市Sentinel-1 VV极化影像如图4所示。
　　2.2 吉林一号光学A星数据处理
　　本研究使用吉林一号光学A星的多光谱数据进行森林分类研究，包含红、绿、蓝和近红外波段，成像时间为2016年8月28日。在分类之前对其进行辐射定标、大气校正和几何精校正处理。
　　（1）辐射定标：辐射定标是利用原始影像DN值与辐射亮度值之间的函数关系，将原始影像转化为具有实际物理意义量值的过程。
　　（2）大气校正：大气校正是消除电磁波因在传输过程中被大气分子和气溶胶吸收及散射而导致的衰减现象，它是遥感数据进行地面应用的前提，本研究采用6S大气辐射传输模型对影像进行大气校正。
　　（3）几何精校正：本研究以高分光学影像为底图，对吉林一号光学A星数据进行几何校正，校正后净月潭森林公园影像如图5所示。
　　2.3 技术流程
　　本研究基于Sentinel-1数据和吉林一号光学A星数据，对净月潭森林公园进行森林分类研究，其技术流程如图6所示，用于森林分类的Sentinel-1数据包括VV极化和VH极化的强度数据与相干性数据。
　　3 结果与分析
　　3.1 相干系数
　　由于C波段波长较短，受植被冠层影响较大， Sentinel-1数据在时隔12 d之后，在森林区域大多为失相干状态，并且时间间隔越长失相干现象越严重，如图7所示。图7中白色区域为高相干区域，对应城市建筑物;黑色区域为低相干区域，对应植被和水体，且水体相干性低于植被。
　　冬季的Sentinel-1影像相干性普遍高于植被生长期的相干性。对于生长期的植被，由于在两期影像时间范围内，植被冠层变化较大，对于受冠层影响较大的C波段来说极易失相干;但在冬季，由于长春市气温较低，植被生长基本处于停滞状态，地面变化较植被生长期小，相干性较强，如图8所示。
　　由于单景相干系数影像易受到风等随机性因素的影响而导致局部地区失相干，为了减弱随机事件对分类的影响，求取净月潭公园冬季17景具有较强相干性的相干系数影像的均值影像，结果如图9所示。
　　从图9可以看出，净月潭森林公园以西的城区相干性最强，植被次之，水体相干性最低，并且VV极化平均相干系数普遍高于VH极化平均相干系数。对油松、落叶松和樟子松各取6个样点，分析平均相干系数与树种之间的关系，得到图10结果。
　　从图10可以看出在植被区中樟子松相干性最强，油松次之，落叶松相干性最低，相干性与植被类型表现出了明显的相关性，因此相干性可作为树种分类的有效参数。
　　3.2 分类结果以及精度评价
　　本研究利用SVM支持向量机方法分别对吉林一号光学A星数据、吉林一号光学A星数据结合Sentinel-1强度数据、吉林一号光学A星数据结合Sentinel-1强度和相干性数据进行分类研究，得到的分类结果如图11所示。
　　从图11可以看出，在仅用光学影像得到的分类结果中，由于部分建筑物为白色，导致有较多云层被误分为建筑物，但在光SAR影像联合分类结果中由于SAR影像穿云透雨的特性，建筑物和云层得到了正确的分类结果。在仅用光学影像和光学影像结合SAR强度数据得到的分类结果中，樟子松被误分为了落叶松和草地，但在光学影像结合SAR影像强度数据和相干性数据的分类结果中得到了正确分类。在视觉方面，仅用光学影像和光学影像结合SAR强度数据得到的分类结果不均匀，碎片化较为严重，观感较差;光学影像结合SAR影像强度数据和相干性数据得到的分类结果较为平滑，也更符合地面真实情况。 　　利用SVM支持向量机方法进行分类的精度见表1和表2。
　　从表1和表2可以看出，在总体分类精度中，光学影像结合SAR影像强度数据和相干性数据的分类精度最高，光学影像结合SAR强度数据的分类精度次之，仅用光学影像的分 类精度最 低，Kappa系数亦呈现相同的趋势。光学影像结合SAR影像强度数据和相干性数据的分类结果中落叶松的分类精度得到了大幅提升，而樟子松和油松的分类精度提升较小。从图10中可以看出，樟子松的相干系数略高于油松，但两者相差不大，而落叶松的相干系数明显小于樟子松和油松，所以在结合了相干性数据之后落叶松的分类精度得到了大幅提升，而樟子松和油松提升不大。
　　4 结论
　　基于吉林一号光学A星数据和Sentinel-1数据，利用SVM支持向量機方法对长春市净月潭国家森林公园进行了分类研究。通过冬季邻近时相SAR的相干系数均值影像，并结合Sentinel-1双极化强度图和吉林一号高分光学影像进行了森林分类研究，得到了如下结论：
　　（1）吉林一号光学A星数据结合Sentinel-1强度和相干性数据的分类精度较吉林一号光学A星数据结合Sentinel-1强度数据的分类精度更高，仅用吉林一号光学A星数据进行分类的精度最低。
　　（2）处于植被生长期的Sentinel-1影像容易失相干，但冬季影像相干性普遍较高，并与植被类型存在相关性。
　　（3）在净月潭森林公园冬季Sentinel-1相干系数影像中，樟子松相干性最高，油松次之，落叶松相干性最低。
　　（4）Sentinel-1影像可以明显改善光学影像中云和白色建筑物的错分现象。
　　综上所述，光学影像结合Sentinel-1强度数据和有效相干性数据能够提高森林分类精度，为国家林草部门提供更精确的数据信息。
　　致谢： 感谢东北林业大学邢艳秋教授团队提供的野外数据支持。
　　 【参 考 文 献】
　　[1]  罗环敏. 基于极化干涉SAR的森林结构信息提取模型与方法[D]. 成都： 电子科技大学， 2011.
　　LUO H M. Models and methods of extracting forest structure information by polarimetric SAR interferometry[D]. Chengdu： University of Electronic Science and Technology of China， 2011.
　　[2]  王馨爽，陈尔学，李增元，等.多时相双极化SAR影像林地类型分类方法[J].林业科学，2014，50（3）：83-91.
　　WANG X S， CHEN E X， LI Z Y， et al. Multi-temporal and dual-polarization SAR for forest land type classification[J]. Science Silvae Sinicae， 2014， 50（3）： 83-91.
　　[3]  凌飞龙.面向植被识别的SAR图像分类方法研究[D].北京：中国林业科学研究院，2010.
　　LING F L. Study on classification method using SAR images for vegetated area identification[D]. Beijing： Chinese Academy of Forestry， 2010.
　　[4]  王馨爽.多维度SAR森林及其类型分类识别方法研究[D].西安：西安科技大学，2013.
　　WANG X S. Multi-dimension SAR for forest recognition and forest type classification[D]. Xian： Xi’an University of Science and Technology， 2013.
　　[5]  郭栋.基于多源数据的复杂种植结构区作物遥感分类[D].哈尔滨：东北农业大学，2017.
　　GUO D. Crop remote sensing classification based on multi-source data in complex cropping structure area[D]. Harbin： Northeast Agricultural University， 2017.
　　[6]  付瑜.基于多时相SAR数据和SPOT数据的盘古林场林分类型识别[D].哈尔滨：东北林业大学，2016.
　　FU Y. Forest type classification based on multi-temporal SAR and SPOT remote sensing data in Pangu Forest Farm[D]. Harbin： Northeast Forestry University， 2016.
　　[7]  任潇洒.长春九台区农作物多源遥感分类方法研究[D].长春：吉林大学，2018.
　　REN X S. Research on crop classification methods by multisource remote sensing in Jiutai Area， Changchun[D]. Changchun： Jilin University， 2018.
　　[8]  王宇航，范文义，刘超逸.基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类[J].东北林业大学学报，2016，44（9）：44-49. 　　WANG Y H， FAN W Y， LIU C Y. An object-based fusion of QUICKBIRD data and RADARSAT SAR data for classification analysis[J]. Journal of Northeast Forestry University， 2016， 44（9）：44-49.
　　[9]  肖艷.面向对象的PolSAR影像分类研究[D].长春：吉林大学，2017.
　　XIAO Y. Research on object-oriented classification for PolSAR images[D]. Changchun： Jilin University， 2017.
　　[10]  胡宇宸.基于多时相ENVISAT ASAR数据森林分类制图[D].郑州：河南农业大学，2014.
　　HU Y C. Forest mapping using multi-temporal ENVISAT ASAR data[D]. Zhengzhou： Henan Agricultural University， 2014.
　　[11]  赵明瑶，刘会云，张晓丽，等.基于林分结构响应的PALSAR森林结构参数估测[J].北京林业大学学报，2015，37（6）：61-69.
　　ZHAO M Y， LIU H Y， ZHANG X L， et al. Estimation of forest structural parameters based on stand structure response and PALSAR data[J]. Journal of Beijing Forestry University， 2015， 37（6）：61-69.
　　[12]  王新云，郭艺歌，何杰.基于多源遥感数据的草地生物量估算方法[J].农业工程学报，2014，30（11）：159-166.
　　WANG X Y， GUO Y G， HE J. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（11）：159-166.
　　[13]  朱琳.基于Sentinel多源遥感数据的作物分类及种植面积提取研究[D].杨凌：西北农林科技大学，2018.
　　ZHU L. Study on crop classification and area extraction based on multi-source remote sensing data of Sentinel[D]. Yangling： Northwest A&F University， 2018.
　　[14]  杨魁，杨建兵，江冰茹.Sentinel-1卫星综述[J].城市勘测，2015，4（2）：24-28.
　　YANG K， YANG J B， JIANG B R. Sentinel-1 satellite review[J]. Urban Geotechnical Investigation & Surveying， 2015， 4（2）：24-28.
　　[15]  ARDHUIN F， COLLARD F， CHAPRON B， et al. Estimates of ocean wave heights and attenuation in sea ice using the SAR wave mode on Sentinel-1A[J]. Geophysical Research Letters， 2015， 42（7）：2317-2325.
　　[16]  杨永恬.ENVISATASAR森林分类研究[D].北京：北京林业大学，2004.
　　YANG Y T. Study on forest classification by ENVISATASAR image[D]. Beijing： Beijing Forestry University， 2004.
　　[17]  姜媛.极化SAR图像特征提取与分类方法研究[D].成都：电子科技大学，2016.
　　JIANG Y. Research of feature extraction and classification for polarimetric SAR image[D]. Chengdu： University of Electronic Science and Technology of China， 2016.
转载注明来源:https://www.xzbu.com/1/view-15165401.htm