基于極化目標分解的土地覆蓋土地利用分類研究

基于極化目標分解的土地覆蓋土地利用分類研究

0土地覆蓋/土地利用分類隨著土壤資源、環(huán)境和人口問題日益突出，土壤資源的合理使用、環(huán)境生態(tài)的保護以及社會與環(huán)境的協(xié)調發(fā)展越來越受到重視。傳統(tǒng)的土地利用/土地覆蓋分類是采用實地調查的方法進行,該方法效率較低,并且由統(tǒng)計學計算的結果也存在一定偏差。近年來就如何進行高效的、大范圍的土地利用/土地覆蓋監(jiān)測及變化的問題已經(jīng)逐漸成為國內外研究的熱點光學遙感方法由于具有監(jiān)測范圍廣,數(shù)據(jù)獲取的實時性等優(yōu)點已被廣泛應用于大范圍的土地覆蓋/土地利用分類全極化合成孔徑雷達可測量觀測目標的全散射矩陣,全散射矩陣包含著所觀測目標的重要信息。利用目標分解理論對全極化數(shù)據(jù)進行目標散射機制的解譯,可進一步分析物體的物理及幾何特性1研究區(qū)域的概況和數(shù)據(jù)采集1.1陰山山脈范圍本文的研究區(qū)域選擇在內蒙古河套灌區(qū)解放閘灌域。解放閘灌域地處40°19′~41°18′N,106°20′~109°19′E,海拔高程1032~1050m,為干旱、半干旱地區(qū),屬于溫帶大陸性氣候,南北長約87km,東西寬約78km,南鄰黃河,北靠陰山山脈。灌域總控制面積21.568萬hm式中:S1.2研究區(qū)域的確定本研究采用的影像為Radarsat-2全極化精細影像,影像分辨率8m,影像格式SLC。影像獲取時間2013年4月20日,影像覆蓋范圍: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日在試驗區(qū)域進行實地采樣工作,主要目的是根據(jù)已知類別的地面樣本確定最適用于分類的特征值參數(shù)及進行分類精度評定。根據(jù)試驗區(qū)土地覆蓋/土地利用類型判斷,樣本區(qū)域主要包含耕地、裸地、水體、建筑四部分。建筑樣本區(qū)域位于杭錦后旗,覆蓋的建筑類型包含居民地、工業(yè)建筑物、城區(qū)內部道路及廣場等。所選水體樣本區(qū)域中部分水體中包含灌木植被,因此該區(qū)域實際為純水體及含植被水體的混合區(qū)域。耕地與裸地區(qū)域是根據(jù)地面是否已進行翻耕進行判斷。2方法和數(shù)據(jù)處理2.1反射特征值相對差異度法利用極化目標分解理論對該影像Radarsat-2全極化進行處理,提取散射熵(H)、平均散射角(α)、反熵(A)、平均特征值(λ)、單次反射特征值相對差異度(serd)、二次反射特征值相對差異度(derd)參數(shù)。影像處理流程如圖2所示。影像處理采用PolSARproV3.0軟件。該軟件是由歐洲航天局組織開發(fā)的主要應用于全極化及部分極化數(shù)據(jù)進行科學研究和應用的一款開源軟件,可實現(xiàn)對全極化數(shù)據(jù)進行讀取、極化分解、濾波、分類等操作。2.1.1提取的提取矩陣是提取的將散射矢量矩陣k與其共軛轉置矢量矩陣k相干矩陣T式中:參數(shù)α式中:λ對提取的T2.1.3平均特征值及偽概率利用預處理后的T式中:ā為平均散射角;H為散射熵;A為反熵;ue49f為平均特征值;P為由特征值獲得的偽概率。通過式(5)、(6)提取serd、derd參數(shù)其中,λ提取的ā、H、A、ue49f、serd、derd參數(shù)圖像如圖4所示。2.2建筑、水體區(qū)域與裸地、耕地區(qū)域計算建筑、含植被水體、耕地、裸地樣本區(qū)域在ā、H、A、ue49f、serd、derd參數(shù)圖像當中的灰度均值,如表1所示。由表1可知,ā圖像灰度值由于受建筑物及水體中植被影響,容易產(chǎn)生二次散射,因此其灰度值在建筑區(qū)域、水體區(qū)域較高,在耕地及裸地區(qū)域較低。因此可通過ā值區(qū)分建筑、水體區(qū)域與裸地、耕地區(qū)域;ue49f值與雷達回波功率密切相關,因此在建筑區(qū)域最大,在水體區(qū)域近似為0,可將λ值應用于建筑區(qū)域與水體區(qū)域的劃分;耕地區(qū)域由于影像獲取時間為春耕后,其表面粗糙度較大。由于serd參數(shù)對于地面粗糙度非常敏感,因此可采用它來進行耕地及裸地的區(qū)分。通過以上分析可知,利用決策樹分類器進行分類的特征為ā、ue49f、serd。2.3圖像在裸地與耕地、裸地區(qū)域的平均灰份,如表1表2,表2利用最小距離法確定決策邊界。決策樹分類器所針對的圖像均為單波段圖像,進行單次劃分的特征空間為一維特征空間,各類型地物的決策邊界為單波段圖像中一個點。決策邊界的確定實際上就是確定該點的灰度值。決策邊界的灰度值可通過不同類型地物灰度均值間的平均灰度來確定。在區(qū)分建筑、水體區(qū)域與耕地、裸地區(qū)域時,利用α圖像在裸地樣本區(qū)域的灰度均值與水體樣本區(qū)域的灰度均值取平均確定決策邊界;在區(qū)分建筑區(qū)域與水體區(qū)域時,通過λ圖像在建筑樣本區(qū)域的灰度均值與水體樣本區(qū)域的灰度均值取平均確定;區(qū)分裸地與耕地區(qū)域時,通過serd圖像在裸地與耕地樣本區(qū)域的灰度均值確定。通過以上方法計算得到的決策邊界灰度值如表2所示。由表2可知,在ā圖像中,根據(jù)整幅圖像像素灰度是否大于36.61°將圖像劃分為2個區(qū)域,分別為建筑、水體區(qū)域以及耕地、裸地區(qū)域。當建筑、水體區(qū)域像素的λ值大于0.18劃分至建筑區(qū)域,如果小于等于0.18劃分至水體區(qū)域。對于裸地及耕地區(qū)域可由serd參數(shù)進行劃分,當像素serd值大于0.89時劃分至耕地區(qū)域,當灰度值小于等于0.89時劃分至裸地區(qū)域。2.4建筑、水體、耕地建筑層利用已確定的決策邊界構建決策樹。決策樹為3層結構,第1層將建筑、水體區(qū)域與裸地、耕地區(qū)域進行分割。將第1層分割結果作為第2層輸入,將建筑與水體、裸地與耕地進行分割形成第3層,從而完成研究區(qū)域的劃分。決策樹如圖5所示。3結果與分析3.1分類結果利用構建的決策樹對研究區(qū)域進行分類,并對分類后影響進行聚類處理以消除孤立像素。處理后的圖像如圖6所示。3.2界定結果分析影像的分類精度采用混淆矩陣進行評定。將通過實地采集的樣本區(qū)域像素視為已知地物類別,與分類后像素結合計算混淆矩陣。混淆矩陣計算結果如表3所示。試驗區(qū)整體分類精度為93.89%,Kappa系數(shù)0.914。其中分類誤差較大的為耕地與裸地區(qū)域及裸地與建筑區(qū)域,分析其原因主要是由于部分翻耕耕地地面較為平坦,而部分裸地出現(xiàn)地面起伏較大的情況,從而導致裸地部分serd值較大造成了誤分類。裸地區(qū)域與建筑區(qū)域出現(xiàn)誤分類像元的主要原因是由于裸地區(qū)域部分地區(qū)出現(xiàn)了二次散射現(xiàn)象,造成了平均散射角值增大的情況。4土地覆蓋/土地利用類型的分類特征利用遙感手段進行土地覆蓋/土地利用分類中的同物異譜及異物同譜現(xiàn)象是制約分類精度的一個關鍵性問題,本文以內蒙古河套灌區(qū)解放閘灌域春耕后Radarsat-2影像為基礎,通過對影像進行Cloude分解提取得到基于特征值的多個參數(shù)圖像。分析了各參數(shù)圖像對于進行土地覆蓋/土地利用類型的適用性。研究表明建筑物區(qū)域或城市內部的空地區(qū)域多產(chǎn)生二次散射,ā值由于能夠較好區(qū)分單次散射、二次散射及體散射,因此對于建筑區(qū)域的提取有較好的效果。當植被區(qū)域由于樹干等因素影響而產(chǎn)生二次散射時,也可利用ā值將其與耕地、裸地等區(qū)域進行區(qū)分;ue49f值與地物回波功率相關,可有效地區(qū)分建筑區(qū)域與含植被水體區(qū)域;耕地和裸地區(qū)域回波功率較為相近但粗糙度不同,而serd參數(shù)對于地物粗糙度敏感,因此利用serd參數(shù)可有效地區(qū)分耕