基于极化目标分解的土地覆盖土地利用分类研究

基于极化目标分解的土地覆盖土地利用分类研究

0土地覆盖/土地利用分类随着土壤资源、环境和人口问题日益突出，土壤资源的合理使用、环境生态的保护以及社会与环境的协调发展越来越受到重视。传统的土地利用/土地覆盖分类是采用实地调查的方法进行,该方法效率较低,并且由统计学计算的结果也存在一定偏差。近年来就如何进行高效的、大范围的土地利用/土地覆盖监测及变化的问题已经逐渐成为国内外研究的热点光学遥感方法由于具有监测范围广,数据获取的实时性等优点已被广泛应用于大范围的土地覆盖/土地利用分类全极化合成孔径雷达可测量观测目标的全散射矩阵,全散射矩阵包含着所观测目标的重要信息。利用目标分解理论对全极化数据进行目标散射机制的解译,可进一步分析物体的物理及几何特性1研究区域的概况和数据采集1.1阴山山脉范围本文的研究区域选择在内蒙古河套灌区解放闸灌域。解放闸灌域地处40°19′~41°18′N,106°20′~109°19′E,海拔高程1032~1050m,为干旱、半干旱地区,属于温带大陆性气候,南北长约87km,东西宽约78km,南邻黄河,北靠阴山山脉。灌域总控制面积21.568万hm式中:S1.2研究区域的确定本研究采用的影像为Radarsat-2全极化精细影像,影像分辨率8m,影像格式SLC。影像获取时间2013年4月20日,影像覆盖范围:40°56′40″~40°49′18″N,106°59′39″~107°08′02″E。于2013年04月21日-2013年04月23日在试验区域进行实地采样工作,主要目的是根据已知类别的地面样本确定最适用于分类的特征值参数及进行分类精度评定。根据试验区土地覆盖/土地利用类型判断,样本区域主要包含耕地、裸地、水体、建筑四部分。建筑样本区域位于杭锦后旗,覆盖的建筑类型包含居民地、工业建筑物、城区内部道路及广场等。所选水体样本区域中部分水体中包含灌木植被,因此该区域实际为纯水体及含植被水体的混合区域。耕地与裸地区域是根据地面是否已进行翻耕进行判断。2方法和数据处理2.1反射特征值相对差异度法利用极化目标分解理论对该影像Radarsat-2全极化进行处理,提取散射熵(H)、平均散射角(α)、反熵(A)、平均特征值(λ)、单次反射特征值相对差异度(serd)、二次反射特征值相对差异度(derd)参数。影像处理流程如图2所示。影像处理采用PolSARproV3.0软件。该软件是由欧洲航天局组织开发的主要应用于全极化及部分极化数据进行科学研究和应用的一款开源软件,可实现对全极化数据进行读取、极化分解、滤波、分类等操作。2.1.1提取的提取矩阵是提取的将散射矢量矩阵k与其共轭转置矢量矩阵k相干矩阵T式中:参数α式中:λ对提取的T2.1.3平均特征值及伪概率利用预处理后的T式中:ā为平均散射角;H为散射熵;A为反熵;ue49f为平均特征值;P为由特征值获得的伪概率。通过式(5)、(6)提取serd、derd参数其中,λ提取的ā、H、A、ue49f、serd、derd参数图像如图4所示。2.2建筑、水体区域与裸地、耕地区域计算建筑、含植被水体、耕地、裸地样本区域在ā、H、A、ue49f、serd、derd参数图像当中的灰度均值,如表1所示。由表1可知,ā图像灰度值由于受建筑物及水体中植被影响,容易产生二次散射,因此其灰度值在建筑区域、水体区域较高,在耕地及裸地区域较低。因此可通过ā值区分建筑、水体区域与裸地、耕地区域;ue49f值与雷达回波功率密切相关,因此在建筑区域最大,在水体区域近似为0,可将λ值应用于建筑区域与水体区域的划分;耕地区域由于影像获取时间为春耕后,其表面粗糙度较大。由于serd参数对于地面粗糙度非常敏感,因此可采用它来进行耕地及裸地的区分。通过以上分析可知,利用决策树分类器进行分类的特征为ā、ue49f、serd。2.3图像在裸地与耕地、裸地区域的平均灰份,如表1表2,表2利用最小距离法确定决策边界。决策树分类器所针对的图像均为单波段图像,进行单次划分的特征空间为一维特征空间,各类型地物的决策边界为单波段图像中一个点。决策边界的确定实际上就是确定该点的灰度值。决策边界的灰度值可通过不同类型地物灰度均值间的平均灰度来确定。在区分建筑、水体区域与耕地、裸地区域时,利用α图像在裸地样本区域的灰度均值与水体样本区域的灰度均值取平均确定决策边界;在区分建筑区域与水体区域时,通过λ图像在建筑样本区域的灰度均值与水体样本区域的灰度均值取平均确定;区分裸地与耕地区域时,通过serd图像在裸地与耕地样本区域的灰度均值确定。通过以上方法计算得到的决策边界灰度值如表2所示。由表2可知,在ā图像中,根据整幅图像像素灰度是否大于36.61°将图像划分为2个区域,分别为建筑、水体区域以及耕地、裸地区域。当建筑、水体区域像素的λ值大于0.18划分至建筑区域,如果小于等于0.18划分至水体区域。对于裸地及耕地区域可由serd参数进行划分,当像素serd值大于0.89时划分至耕地区域,当灰度值小于等于0.89时划分至裸地区域。2.4建筑、水体、耕地建筑层利用已确定的决策边界构建决策树。决策树为3层结构,第1层将建筑、水体区域与裸地、耕地区域进行分割。将第1层分割结果作为第2层输入,将建筑与水体、裸地与耕地进行分割形成第3层,从而完成研究区域的划分。决策树如图5所示。3结果与分析3.1分类结果利用构建的决策树对研究区域进行分类,并对分类后影响进行聚类处理以消除孤立像素。处理后的图像如图6所示。3.2界定结果分析影像的分类精度采用混淆矩阵进行评定。将通过实地采集的样本区域像素视为已知地物类别,与分类后像素结合计算混淆矩阵。混淆矩阵计算结果如表3所示。试验区整体分类精度为93.89%,Kappa系数0.914。其中分类误差较大的为耕地与裸地区域及裸地与建筑区域,分析其原因主要是由于部分翻耕耕地地面较为平坦,而部分裸地出现地面起伏较大的情况,从而导致裸地部分serd值较大造成了误分类。裸地区域与建筑区域出现误分类像元的主要原因是由于裸地区域部分地区出现了二次散射现象,造成了平均散射角值增大的情况。4土地覆盖/土地利用类型的分类特征利用遥感手段进行土地覆盖/土地利用分类中的同物异谱及异物同谱现象是制约分类精度的一个关键性问题,本文以内蒙古河套灌区解放闸灌域春耕后Radarsat-2影像为基础,通过对影像进行Cloude分解提取得到基于特征值的多个参数图像。分析了各参数图像对于进行土地覆盖/土地利用类型的适用性。研究表明建筑物区域或城市内部的空地区域多产生二次散射,ā值由于能够较好区分单次散射、二次散射及体散射,因此对于建筑区域的提取有较好的效果。当植被区域由于树干等因素影响而产生二次散射时,也可利用ā值将其与耕地、裸地等区域进行区分;ue49f值与地物回波功率相关,可有效地区分建筑区域与含植被水体区域;耕地和裸地区域回波功率较为相近但粗糙度不同,而serd参数对于地物粗糙度敏感,因此利用serd参数可有效地区分耕