2021遥感应用组三等奖：基于PolSAR和高光谱遥感的黄河口湿地协同分类研究

作品介绍

一、作品概述

受人类活动和气候变化的影响，滨海湿地正经历着显著的变化。滨海湿地生态系统的监测具有重要的现实意义。同时，随着卫星遥感技术的快速发展，可以利用高空间分辨率、高光谱分辨率和高时间分辨率的多源数据对滨海湿地进行高精度分类。

本作品利用珠海1号星座轨道高光谱卫星(OHS)和高分3号(GF-3)全极化合成孔径雷达(SAR)数据的光谱、指数、极化和纹理特征利用最大似然度(ML)、马氏距离(MD)和支持向量机(SVM)三种机器学习方法提取黄河三角洲7种滨海湿地。结果表明，两种数据协同分类的总体精度分别为97.3%、89.0%和97.2%，显著高于单一数据。

二、处理流程

本作品的主要技术流程如图1所示，主要包括5个模块，分别是：预处理、特征提取、数据融合、协同分类、分类后评估。

图1 本作品主要技术流程图

2.1 数据说明

本作品采用的数据是两种国产卫星遥感影像，GF-3全极化SAR影像和珠海1号OHS高光谱影像。其中GF-3和OHS影像的详细参数如下表1-3所示。

表1 GF-3全极化SAR影像参数

表2 OHS高光谱影像参数

本研究的训练和验证样本主要来源于野外现场调查和谷歌地球、GF-2高分辨率光学遥感影像目视解译两种方法。其中GF-2影像的全色波段空间分辨率是0.8 m，多光谱波段空间分辨率为3.2 m，为了获取高分辨率的影像，本作品将GF-2全色和多光谱波段融合在一起。波段融合前，还需要将多波段和全色波段分别进行正射校正处理。正射校正后的影像借助ENVI 5.6中的“Gram-Schmidt Pan Sharpening”工具，多光谱数据作为低空间分辨率输入影像，全色数据作为高空间分辨率影像，传感器选择GF-2 PMS1，然后输出空间分辨率为0.8 m的多光谱影像数据。

图2 GF-2全色和多光谱融合

图3 GF-2全色和多光谱融合后自然真彩色影像(传感器:PMS1，R：Band 4，G：Band 3，B：Band 2，获取时间：2020-04-03)

2020年11月,实验小组在黄河三角洲国家级自然保护区进行实地调查,利用GPS RTK对不同湿地分布和生物类型进行定位、记录和拍照。以上两类数据构成样本数据和验证数据，用于建立分类器，验证准确性。表3列出了分类训练和验证样本的每个类样本点数。

表3 不同湿地类型分类训练和验证样本的数量

图4 分类样本和训练样本选择

2.2 影像预处理

两种国产数据分别使用ENVI 5.6进行影像预处理，其中GF-3数据的预处理过程包括辐射校正、极化滤波、极化矩阵转换；OHS数据的预处理过程包括辐射校正、大气校正。GF-3预处理过程主要通过ENVI 5.6中 SARScape插件完成。OHS预处理过程主要参考欧比特公司的官方数据处理文档《“珠海一号”OHS 高光谱数据预处理操作手册》。

预处理后得到OHS影像可借助软件中“Build 3D Cube”功能绘制光谱立方体。

图5 OHS光谱立方体

2.3 特征提取

2.3.1 GF-3特征提取

GF-3数据的特征集包括极化特征和纹理特征，其中极化特征是通过H-A-α极化分解得到，纹理特征是通过Freeman三分量极化分解和灰度共生矩阵计算得到纹理特征。

基于H-A-α极化分解得到的极化特征（alpha、anisotropy、entropy）如下图所示：

(a)alpha

(b)anisotropy

(c)entropy

图6 GF-3极化特征：(a) alpha；(b) anisotropy；(c) entropy

纹理特征基于ENVI 5.6 中灰度共生矩阵提取得到，操作示意图如下：

图7 GF-3基于灰度共生矩阵提取纹理特征

最后得到生成均值、方差、同质性、对比度、不相似性、熵、能量、相关性这8个纹理特征，结果如下：

图8 GF-3纹理特征假彩色影像(R：均值，G：方差，B：同质性)

2.3.2 OHS特征提取

OHS数据的特征集包括光谱特征和指数特征。其中光谱特征由PCA提取得到，并根据影像中心波长来计算指数特征NDVI和NDWI，如下图所示：

图9 OHS指数特征：(a) NDVI；(b)NDWI

图10 基于OHS数据绘制黄河口七种湿地地物类型的光谱曲线

2.4 特征融合

GF-3特征集经过重采样和地理编码处理之后波段叠加在一起；OHS特征集经过正射校正之后波段叠加在一起。其中波段叠加所采用的工具是ENVI 5.6中的“Build Layer Stack”工具，如下图所示：

图11 波段叠加

波段叠加的过程中可以对影像进行重采样、裁剪、重投影，把影像从地理坐标系投影到投影坐标系（WGS 1984 UTM Zone 50N）。

2.5 分类

融合的特征集基于训练样本集采用ENVI 5.6中的监督分类工具：最大似然、马氏距离、支持向量机分别进行分类。

(a)最大似然法分类

(b)马氏距离法分类

(c)支持向量机法分类

图12 监督分类：(a) 最大似然法分类；(b) 马氏距离法分类；(c) 支持向量机法分类

2.6 精度评估

多组分类结果基于ENVI 5.6中“Confusion Matrix Using Ground Truth ROIs”进行分类后精度评估，操作图如下所示：

图13 分类后精度评估

评估结果包括混淆矩阵、总体精度、Kappa系数、各地物的用户精度、制图精度。

三、研究结果

1、全极化GF-3数据分类效果要远远低于高光谱OHS数据和两种数据协同分类效果。

图14 分类结果图

2、三种分类器中支持向量机（SVM）分类效果最稳定，其次是最大似然法（ML），分类效果稳定性的是马氏距离法（MD）。

图15 各地物占比图

四、分析与讨论

1、精度评定

分类结果精度评定参数：

总体精度（OA）

Kappa系数

图16 分类结果精度图（1）

2、结论：

全极化GF-3数据分类结果精度最差；

高光谱OHS数据分类结果精度很高，高光谱影像数据在湿地地物分类上有很大的优势；

全极化GF-3数据和高光谱OHS数据协同分类的结果精度在两种单一数据源分类的精度上都有一定的提高。

图17 分类结果精度图（2）

GF-3得到的地物精度很低，大部分都在60%以下；

OHS得到的地物精度很高，基本都在90%以上，只有基于MD方法得到的碱蓬和草地的分类精度要低于80%；

协同分类的地物精度很高，基本上都在单一数据源上有一定的提升；

协同分类出现错分的情况要比单一的高光谱OHS数据少。

图18 混淆矩阵