引用本文
赵兴刚, 柳林, 钱静. 基于TerraSAR-X全极化数据的北极地区海冰信息提取[J]. 国土资源遥感, 2014,26(3): 130-134
ZHAO Xinggang, LIU Lin, QIAN Jing. Classification of Arctic sea ice with TerraSAR-X polarimetric data[J]. REMOTE SENSING FOR LAND & RESOURCES,2014,26(3): 130-134  
Permissions
Copyright©2014, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于TerraSAR-X全极化数据的北极地区海冰信息提取
赵兴刚1, 柳林2, 钱静3
1. 核工业二一六大队,乌鲁木齐 830011
2. 中国科学院测量与地球物理研究所,武汉 430077
3. 中国科学院深圳先进技术研究院,深圳 518055

第一作者简介: 赵兴刚(1980-),男,测绘工程师,主要从事工程测量、航空摄影测量及卫星遥感等方面的研究。Email:187357466@QQ.com。

收稿日期: 2013-06-08
基金: 国家重大科学研究计划项目(编号: 2012CB957702)、中国科学院战略性先导科技专项子课题(编号: XDA05030201)、“十二五”国家科技支撑计划课题(编号: 2011BAK12B02)和德国宇航局TerraSAR-X数据计划项目(编号: TSX_MTH0940)共同资助
摘要

北极地区海冰既受全球气候变化的影响,同时也影响着全球气候的变化,因此,北极地区已成为研究全球气候变化的热点区域之一。然而,由于北极地区环境恶劣,传统的实地勘测方法成本高,且难度较大。遥感技术,特别是合成孔径雷达(SAR)和全极化SAR技术的迅速发展,为北极地区海冰信息的提取提供了更加有效的数据获取方法。以TerraSAR-X全极化数据为基础,采用SEATH(separability and thresholds)面向对象影像分析方法,评估各种极化特征用于提取北极地区海冰信息的能力,并通过分类实验对其结果进行验证。研究表明: |VV|,T11和SPAN等极化特征对海冰具有较好的区分度,这将为大范围的北极地区海冰信息提取以及海冰监测卫星的参数设计提供理论基础。

关键词: TerraSAR-X; 全极化SAR数据; 海冰信息提取; 面向对象
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2014)03-0130-05 doi: 10.6046/gtzyyg.2014.03.21
Classification of Arctic sea ice with TerraSAR-X polarimetric data
ZHAO Xinggang1, LIU Lin2, QIAN Jing3
1. No.216 Geological Party of Nuclear Industry, Urumqi 830011, China
2. State Key Laboratory of Geodesy and Earth’s Dynamics, Institute of Geodesy and Geophysics, Chinese Academy of Sciences, Wuhan 430077, China
3. Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
Abstract

Arctic sea ice has become a hot topic in the research on globe climate change, because it has been affected by the global climate change and can in turn affect the global climate. The traditional survey methods are seriously limited by the severe climate and environment of Arctic area. The development of remote sensing, especially for the Synthetic Aperture Radar (SAR) and Polarimetric SAR, can yield more effective methods for data acquisition in the study of Arctic sea ice. In this paper, the TerraSAR-X polarimetric data and the SEATH(SEparability and THresholds)object-oriented algorithm have been introduced to evaluate the capability of polarimetric features in the Arctic sea ice classification, and some classification examples are presented to show their performances. The classification results demonstrate that the polarimetric features of |VV|, T11 and SPAN show a better performance in Arctic sea ice extraction. The achievement will provide a theoretical foundation for the classification of large-area Arctic sea ice and the parameter design of sea ice monitoring satellites.

Keyword: TerraSAR-X; polarimetric SAR; extraction of sea ice; object-oriented algorithm
0 引言

受全球气候变暖以及北极圈低温层融化的影响, 北极地区的海冰面积已经呈现出逐年缩小的趋势。2011年1月, Flanner等在利用1979— 2008年间的卫星数据进行相关研究后指出, 位于北极圈附近的海冰、冰川以及格陵兰岛的冰层面积正在逐渐萎缩[1]。此外, 由于北极地区冰层消退, 地面白色覆盖物日渐减少, 使地表吸收更多的太阳辐射能量, 从而加剧了全球变暖现象。因此, 监测北极地区海冰面积的变化, 获取准确可靠的海冰分布图, 将为研究全球气候变化提供重要的基础数据[2, 3, 4, 5]。但北极地区气候环境恶劣, 传统的实地勘测和航拍方法不仅成本高, 而且实施难度大。与传统观测方法相比, 卫星遥感具有观测范围广、信息量大、获取信息快、数据更新周期短、可重复观测和连续观测等特点。但是, 受北极气候条件以及长达数月的极夜天气的影响, 光学遥感的应用受到了严重限制。合成孔径雷达(SAR)是一种主动式的传感器, 具备全天时、全天候获取数据的能力, 为研究北极地区海冰提供了一种有效的数据源 [6, 7, 8]。面向对象影像分析方法克服了传统基于像元影像分析方法只能利用光谱信息的局限性, 能有效提高遥感影像的分类精度[9]。然而, 如何从过多的特征信息中遴选出对分类识别作用较大的特征子集, 是影响该方法处理速度和分类精度的关键[10, 11, 12]。SEATH算法[12]是目前比较有代表性的面向对象特征的优化方法, 该算法既能获取类别间的最佳分离特征, 还可以计算出该特征的最适宜分类阈值, 并且执行效率高。为此, 本文将以SEATH方法为基础, 探讨各种SAR极化特征用于提取北极地区海冰信息的可行性, 并对几种应用典型极化特征提取的海冰分布图进行比较分析, 从而提出一种基于面向对象影像分析的TerraSAR-X全极化数据北极地区海冰信息提取方法。

1 面向对象的影像分析算法

在面向对象的影像分析处理中, 遴选最优特征子集是降低运算复杂度、提高数据处理速度和影像分类精度的关键。SEATH算法是一种具有代表性的面向对象特征的优选方法, 由计算特征的可分度和计算特征的分类阈值2个步骤组成。

1.1 计算特征的可分度

SEATH算法是一种基于训练样本的统计方法。因此, 在计算各个特征的可分度之前, 需要首先建立一个包含所有目标地物类型的训练样本区。对于给定的训练样本区, 首先估计样本区内每一类地物的概率分布, 从而计算每2类地物之间的可分度。

当样本区的特征满足正态概率分布时(如果对象特征不符合正态概率分布, 说明该特征分离性差, 不考虑用于分类), Bhattacharyya距离(B距离)[12]可以作为描述该特征分离度的一个标准。对于一个给定的特征(满足正态概率分布)和2个给定的地物类型, 可分度B的计算公式为

B= 18(m1-m2)2 2σ12+σ22+ 12ln σ12+σ222σ1σ2, (1)

式中: mi和 σi2(i=1, 2)分别代表2种地物类型对应给定特征的均值和方差。对于某一特征, 如果2种地物类型具有完全相同的概率分布曲线, 则B为0, 此时2种地物完全不能分离; 如果2种地物类型的概率分布曲线完全不重叠, 则B为无穷大, 此时2种地物具有最大的可分度; 如果2种地物类型的概率分布曲线具有一定的重叠度, 则B为一个给定实数, 此时2种地物具有一定的可分度, 且随着B的增大, 可分度逐渐增大。

由于B取值范围为[0, ∞ ), 难以精确地衡量某一特征的可分度, 因此, 引入了一个具有有限取值范围的变量, 即Jeffries-Matusita距离(J距离)[12], 其取值范围为[0, 2], 计算公式为

J=2(1-e-B) , (2)

J值和特征的可分度B相关, 当J值趋向于零时, 特征的可分度比较小; 当J值趋向于2时, 特征的可分度较大。因此, 根据J值的大小, 即可遴选出用于地物分类的特征。

1.2 计算特征的分类阈值

遥感影像的分类不仅需要确定用于分类的特征, 还需要确定该特征的分类阈值, 以保证类间具有最大的分离度。对于某一符合正态概率分布的特征, 分别对2种地物C1和C2选取样本区, 则该特征的任意值x满足混合高斯概率分布模型, 即

p(x)=p(x|C1)p(C1)+p(x|C2)p(C2) , (3)

式中: p(x|C1)为均值mc1、方差 σc12的标准正态分布概率函数; p(x|C2)为均值mc2、方差 σc22的标准正态分布概率函数; p(C1), p(C2)分别为地物C1, C2的分布概率。对于分类阈值, 则应该满足

p(x|C1)p(C1)=p(x|C2)p(C2) 。 (4)

由式(4)即可计算出该特征的分类阈值, 即

x1(2)= 1σc12-σc22mc2σc12-mc1σc22±σc1(mc1-mc2)2+2A(σc12-σc22)　, (5)

其中,

A=log σc1σc2·p(C2p(C1。 (6)

根据式(5)(6)计算出分类阈值x1和x2(式(5)取“ +” 或“ -” 时, 分别得到x1和x2) 。这里将选取位于mc1和mc2之间的值作为影像分类的阈值。

2 实验及其结果分析
2.1 实验数据与实验区

本次实验选用一景北极地区的TerraSAR-X全极化数据。该数据的采集时间为2011年5月7日, 中心点坐标为(N74.5271° , E128.3543° ), 距离向分辨率为1.9 m, 方位向分辨率为6.6 m。首先, 对获取的源数据进行多视处理(距离向多视参数为10, 方位向多视参数为5), 以去除SAR斑点噪声的影响。多视处理之后, 距离向分辨率降为19 m, 方位向分辨率降为33 m。

实验区如图1所示。由于海冰比海水具有更高的回波能量, 因此, 在图1所示的区域中, 海冰呈明亮的白色调, 而海水则色调相对较深。

图1 实验区TerraSAR-X彩色合成图像Fig.1 Color composite image of test site(R: |HH|-|VV|; G: |HV|; B: |HH|+|VV| )

2.2 极化特征的提取及影像分割

为检验TerraSAR-X全极化数据各种特征对北极地区海冰信息的识别能力, 此次实验选取了|HH|, HV, VV, SPAN(所有极化通道的能量之和)以及极化相干矩阵的对角线元素(T11, T22, T33)、Cloude分解的3个特征(熵H、各向异性值A及代表散射机制的角度Alpha)等特征量, 并对其影像进行分割。实验所采用的分割尺度为10, 特征值和形状异质性的权值分别为0.9和0.1, 紧密度和平滑度的权值分别为0.5和0.5。其中, 用于分割的特征主要包括T11, T22, T33和SPAN, 权重指数分别为1, 1, 1, 3。

2.3 计算极化特征的J距离和分类阈值

根据前文叙述, 在计算各个极化特征的J距离之前, 首先需要为每一类地物选择训练样本区。根据海冰和海水的色调特征, 利用分割后的影像分别采样, 获得的样本区如图2所示。

图2 海水和海冰样本区Fig.2 Sample areas of sea ice and water

2.3.1 J距离的计算

利用图2所示的样本区数据, 根据式(2)即可计算出各个特征的J距离(表1)。

表1 极化特征的J距离 Tab.1 J distance of polarimetric features

由表1可见, J≥ 1.8的特征有5个, 分别为|VV|, T11, SPAN, |HH|和H; 1.0≤ J< 1.8特征有4个, 分别为T33, T22, |HV|和Alpha; J< 1.0的特征有一个, 为A。在具体的分类处理中, 一般选取对应J距离最大的2个特征作为候选的分类特征。在该实验区中, 应选取的候选分类特征为|VV|和SPAN。

2.3.2 分类阈值的计算

根据图2所示的样本区, 采用式(5)(6), 即可计算出各个特征对应的分类阈值(表2)。

表2 极化特征的分类阈值 Tab.2 Classification thresholds of polarimetric features

表2给出了各个特征对应的2个分类阈值x1和x2。在具体的分类处理中, 应选取mc1和mc2之间的值作为影像的分类阈值, 如|VV|特征的阈值应选取0.094 7, Alpha特征的阈值应选取43.479 6。

2.4 海冰信息提取结果分析

为验证上述分类特征选取的正确性, 同时比较极化特征用于海冰信息提取的有效性, 根据在2.3节中计算出的各个极化特征所对应的分类阈值对实验区影像进行分类处理。

由于极化特征较多, 本文将根据上述极化特征J距离值的大小, 分别选取J≥ 1.8的特征|VV|、1.0≤ J< 1.8的特征T33以及J< 1.0的特征A作为代表进行分类实验。|VV|, T33和A特征对应的分类阈值分别为0.094 7, 0.045 1和0.317 3, 分类后的图像如图3所示。

图3 几种极化特征的海冰分类图Fig.3 Classification results of sea ice based on several polarimetric features

从图3可以看出, 根据|VV|特征得到的分类结果具有最高的分类精度, 其次为根据T33特征得到的分类结果, 分类精度最低的为根据A特征得到的分类结果。

根据2.3节的描述, |VV|特征J=1.845; T33特征J=1.139; A特征J=0.321。随着3个特征对应的J距离值的依次减小, 所对应的分类精度也依次降低。因此, J距离是一种评价特征可分度的有效参数。就采用TerraSAR-X全极化数据进行北极地区的海冰提取而言, 最有效的极化特征应该为J距离值比较大的几个, 如|VV|, T11和SPAN等, 应用这几个特征可以获得较高的分类精度。

3 结论

本文在对实验区影像进行分割的基础上, 首先采用SEATH算法对TerraSAR-X全极化数据的各个极化特征进行海冰信息提取的可行性分析, 然后计算各个极化特征对应的分类阈值, 并由此进行分类实验。实验结果表明:

1)SEATH算法提供的J距离是一种有效的特征可分度评价参数。

2)采用TerraSAR-X全极化数据提取北极地区海冰信息时, 应选取特征|VV|, T11和SPAN等。

3)本文的相关研究成果将为利用TerraSAR-X全极化数据大范围的北极地区海冰信息提取提供理论依据, 并为后续的海冰变化监测提供技术支持。

The authors have declared that no competing interests exist.

参考文献
[1] Flanner M G, Shell K M, Barlage M, et al. Radiative forcing and albedo feedback from the Northern Hemisphere cryosphere between 1979 and 2008[J]. Nature Geoscience, 2011, 4(3): 151-155. [本文引用:1] [JCR: 12.367]
[2] Sou T, Flato G M. Sea ice in the Canadian Arctic Archipelago: Modeling the past(1950—2004)and the future(2041—2060)[J]. J Climate, 2009, 22(8): 2181-2198. [本文引用:1] [JCR: 4.362]
[3] Hanesiak J M, Barber D G, De Abreu R A, et al. Local and regional albedo observations of arctic first-year sea ice during melt ponding[J]. J Geophys Res, 2007, 106(C1): 1005-1016. [本文引用:1] [JCR: 3.021]
[4] 张璐, 张占海, 李群, 等. 近30年北极海冰异常变化趋势[J]. 极地研究, 2009, 21(4): 344-352.
Zhang L, Zhang Z H, Li Q, et al. Status of the recent declining of Arctic sea ice studies[J]. Chinese Journal of Polar Research, 2009, 21(4): 344-352. [本文引用:1] [CJCR: 0.485]
[5] 赵进平, 李涛. 极低太阳高度条件下穿透海冰的太阳辐射研究[J]. 中国海洋大学学报: 自然科学版, 2009, 39(5): 822-828.
Zhao J P, Li T. The solar radiation penetrating sea ice with very low solar altitude[J]. Periodical of Ocean University of China, 2009, 39(5): 822-828. [本文引用:1] [CJCR: 0.502]
[6] Nghiem S, Bertoia C. Study of multi-polarization C-band backscatter signatures for Arctic sea ice mapping with future satellite SAR: Ice and icebergs[J]. Canadian Journal of Remote Sensing, 2001, 27(5): 387-402. [本文引用:1] [JCR: 0.986]
[7] Belchansky G I, Douglas D C, Platonov N G. Duration of the Arctic sea ice melt season: Regional and interannual variability, 1979-2001[J]. Journal of Climate, 2004, 17(1): 67-80. [本文引用:1] [JCR: 4.362]
[8] Deng H W, Clausi D A. Unsupervised segmentation of synthetic aperture Radar sea ice imagery using a novel Markov rand om field model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 528-538. [本文引用:1] [JCR: 3.467]
[9] 张颖娜, 张超, 赵冬玲, 等. 利用RelieFO和海明遗传算法的面向对象分类特征选择算法[J]. 武汉大学学报: 信息科学版, 2010, 35(12): 1444-1447.
Zhang Y N, Zhang C, Zhao D L, et al. Object-oriented feature selection algorithms with ReliefFO and Haiming genetic algorithm[J]. Geomatics and Information Science of Wuhan University, 2010, 35(12): 1444-1447. [本文引用:1] [CJCR: 0.779]
[10] 叶志伟, 郑肇葆, 万幼川, 等. 基于蚁群优化的特征选择新方法[J]. 武汉大学学报: 信息科学版, 2007, 32(12): 1127-1130.
Ye Z W, Zheng Z B, Wan Y C, et al. A novel approach for feature selection based on ant colony optimization algorithm[J]. Geomatics and Information Science of Wuhan University, 2007, 32(12): 1127-1130. [本文引用:1] [CJCR: 0.779]
[11] Bruzzone L, Serpico S B. A technique for feature selection in multiclass problems[J]. International Journal of Remote Sensing, 2000, 21(3): 549-563. [本文引用:1]
[12] Tarantino E, Figorito B. Mapping rural areas with widespread plastic covered vineyards using true color aerial data[J]. Remote Sensing, 2012, 4(7): 1913-1928. [本文引用:4] [JCR: 2.101]