第４０卷 第２期２０２１年５月 世 界 地 质ＧＬＯＢＡＬＧＥＯＬＯＧＹ
Ｖｏｌ ４０ Ｎｏ ２
Ｍａｙ２０２１ 文章编号：１００４—５５８９（２０２１）０２—０４３８—０７
基于Ｓｅｎｔｉｎｅｌ １Ａ雷达数据和Ｓｅｎｔｉｎｅｌ ２Ａ多光谱数据
特征融合的地物分类
郑煜，陈圣波，陈彦冰，李安臻
吉林大学地球探测科学与技术学院，长春１３００２６
摘要：基于光学影像受云雨等不良天气的影响，导致在地物分类时易造成数据信息缺失，而雷达影像
作为主动式成像，能够较好地克服这一缺陷。笔者选取长春市净月开发区部分地块为研究区域，分别采用最小距离、最大似然和支持向量机３种分类方法，以Ｓ
ｅｎｔｉｎｅｌ １Ａ雷达影像和Ｓｅｎｔｉｎｅｌ ２Ａ多光谱影像为数据源，基于特征融合，提高地物分类精度。结果表明：特征融合后影像的地物分类精度较单一的光学影像有明显提高，且与最小距离
和最大似然相比支持向量机分类精度最高。在无云层覆盖的情况下，融合后支持向量机分类精度达到９
７ ９４％，较光学影像提高８ １１％；在有云层覆盖情况下，融合后支持向量机精度达到７７ ２９％，较光学影像提高１２ ５％，尤其对水域和建筑区的识别精度有较大提高。
关键词：Ｓ
ｅｎｔｉｎｅｌ １Ａ；Ｓｅｎｔｉｎｅｌ ２Ａ；特征融合；地物分类；支持向量机中图分类号：ＴＰ７９ 文献标识码：Ａ
ｄｏｉ：１０ ３９６９／ｊ ｉｓｓｎ １００４ ５５８９ ２０２１ ０２ ０２１收稿日期：２０２０ ０８ ０３；改回日期：２０２０ １２ １１
基金项目：吉林省省校共建计划专项（ＳＸＧＪＸＸ２０１７ ２）与重大科技专项（７１ Ｙ４０Ｇ０４ ９００１ １５／１８）联合资助。通讯作者：陈圣波（１９６７—），男，教授，博士生导师，主要从事空间遥感方面的研究。Ｅ ｍａｉｌ：ｃｈｅｎｓｂ＠ｊｌｕ ｅｄｕ ｃｏｍ
ＧｒｏｕｎｄｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ １ＡｒａｄａｒｄａｔａａｎｄＳｅｎｔｉｎｅｌ ２Ａｍｕｌｔｉｓｐｅｃｔｒａｌｄａｔａ
ＺＨＥＮＧＹｕ，ＣＨＥＮＳｈｅｎｇ ｂｏ，ＣＨＥＮＹａｎ ｂｉｎｇ，ＬＩＡｎ ｚｈｅｎ
ＣｏｌｌｅｇｅｏｆＧｅｏ ｅｘｐｌｏｒａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００２６，Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ：Ｄｕｅｔｏｔｈｅｉｎｆｌｕｅｎｃｅｏｆｃｌｏｕｄｓ，ｒａｉｎａｎｄｏｔｈｅｒｂａｄｗｅａｔｈｅｒ，ｏｐｔｉｃａｌｉｍａｇｅｓａｒｅｐｒｏｎｅｔｏｌｏｓｅｄａｔａｉｎｆｏｒｍａｔｉｏｎｉｎｇｒｏｕｎｄｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｒａｄａｒｉｍａｇｅｓ，ａｓａｃｔｉｖｅｉｍａｇｉｎｇ，ｃａｎｗｅｌｌｏｖｅｒｃｏｍｅｔｈｉｓｄｅｆｅｃｔ．ＰａｒｔｏｆｔｈｅＪｉｎｇｙｕｅＤｅｖｅｌｏｐｍｅｎｔＺｏｎｅｉｎＣｈａｎｇｃｈｕｎｉｓｓｅｌｅｃｔｅｄａｓｔｈｅｒｅｓｅａｒｃｈａｒｅａ，ｕｓｉｎｇｔｈｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ，ｎａｍｅｌｙｍｉｎｉｍｕｍｄｉｓｔａｎｃｅ，ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ｔｈｅＳｅｎｔｉｎｅｌ １ＡｒａｄａｒｉｍａｇｅａｎｄＳｅｎ ｔｉｎｅｌ ２Ａｍｕｌｔｉ ｓｐｅｃｔｒａｌｉｍａｇｅａｒｅｔａｋｅｎａｓｔｈｅｄａｔａｓｏｕｒｃｅｔｏｉｍｐｒｏｖｅｔｈｅｇｒｏｕｎｄｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｂａｓｅｄｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｕｓｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｕｓｉｏｎｉｍａｇｅ
ｓｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｏｐｔｉｃａｌｉｍａｇｅｓ，ａｎｄｔｈｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｃｃｕｒａｃｙｉｓｔｈｅｈｉｇｈｅｓｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｍｉｎｉｍｕｍｄｉｓｔａｎｃｅａｎｄｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄ．Ｉｎｔｈｅａｂｓｅｎｃｅｏｆｃｌｏｕｄｃｏｖｅｒ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｆｔｅｒｆｕｓｉｏｎｒｅａｃｈｅｓ９７ ９４％，ｗｈｉｃｈｉｓ８ １１％ｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｏｐｔｉｃａｌｉｍａｇｅ．Ｉｎｔｈｅｃａｓｅｏｆｃｌｏｕｄｃｏｖｅｒ，ｔｈｅａｃｃｕｒａｃｙｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｆｔｅｒｆｕｓｉｏｎｒｅａｃｈｅｓ７７ ２９％，ｗｈｉｃｈｉｓ１２ ５％ｈｉｇｈｅｒｔｈａｎｔｈｅｏｐｔｉｃａｌｉｍａｇｅ，ｅｓｐｅｃｉａｌｌｙｆｏｒｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｗａｔｅｒａｒｅａａｎｄｂｕｉｌｄｉｎｇａｒｅａ．
Ｋｅｙｗｏｒｄｓ：Ｓｅｎｔｉｎｅｌ １Ａ；Ｓｅｎｔｉｎｅｌ ２Ａ；ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｕｓｉｏｎ；ｇｒｏｕｎｄｏｂｊｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ
０ 引言
地物分类一般被视为遥感目标解译的初始阶段和关键环节。光学遥感影像具有分辨率高、覆盖范围广和成本低等优点［１ ２］，传统利用遥感影像进行地物分类多基于光学影像［３ ４］。但在实际运用中，光学影像易受多云、多雨和多雾等不良天气的影响，不可避免地在地物分类中造成数据信息的缺失，增加分类难度。合成孔径雷达（ＳｙｎｔｈｅｔｉｃＡｐ ｅｒｔｕｒｅＲａｄａｒ，ＳＡＲ）影像具有全天时、全天候、高分辨率和多极化方式等特点［５ ８］，弥补了光学影像易受不良天气影响的弊端，两种数据具有互补性，在土地利用、地形测绘、农作物分类、洪涝灾害监测、森林和湿地监测以及城市监测等实际应用中具有重要意义［９ １４］。
目前，在结合ＳＡＲ与光学影像进行地物分类的研究中，更侧重于通过不同的数据融合算法和多时相数据达到提高地物分类精度的目的［１５ １９］。Ｐｅｉｅｔａｌ ［１５］提出了一种基于全极化ＳＡＲ影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法，利用主被动遥感数据在不同地表景观类型提取上的潜力，有效地提取土地覆盖信息。Ｌｉｕｅｔａｌ ［１６］针对不同融合算法差异，对主成分分析（ＰＣＡ）、Ｇｒａｍ Ｓｃｈｍｉｄｔ（ＧＳ）、Ｂｒｏｖｅｙ和小波变换４种融合算法进行比较，基于面向对象技术对旱地作物进行分类，结果表明融合后分类精度均有所提高，其中，ＧＳ和Ｂｒｏｖｅｙ融合优于另外２种融合算法。张海龙等［１７］利用改进的ＳｙｎｔｈｅｔｉｃＶａｒｉａｂｌｅＲａｔｉｏ（ＳＶＲ）算法融合ＲａｄａｒｓａｔＳＡＲ与ＬａｎｄｓａｔＴＭ影像，采用ＢＰ神经网络模型进行监督分类，提
高地物分类精度。王宇航等［１８］基于Ｇｒａｍ Ｓｃｈｍｉｄｔ（ＧＳ）融合算法，对Ｑｕｉｃｋｂｉｒｄ影像和Ｒａｄａｒｓａｔ ２全极化ＳＡＲ影像进行融合，识别地表覆盖及森林类型，提高了总体分类精度。Ｂｌａｅｓｅｔａｌ ［１９］将光学影像和３～５幅ＳＡＲ影像进行组合，用于作物识别，成功提高了作物分类精度。Ｓｔｅｉｎｈａｕｓｅｎｅｔａｌ ［２０］通过１幅Ｓｅｎ ｔｉｎｅｌ ２影像和８幅Ｓｅｎｔｉｎｅｌ １影像进行组合，改善了多云季风地区的土地利用和土地覆盖分类精度。
然而，直接通过不同的融合算法和采用不同时相影像进行融合分类时，数据量较大，易产生数据冗余。笔者以Ｓｅｎｔｉｎｅｌ １Ａ雷达数据和Ｓｅｎｔｉｎｅｌ ２Ａ多光谱数据作为数据源，通过分析提取有效特征信息，进行特征融合，以长春市净月开发区部分地块为研究区，分别对无云和有云覆盖条件下的地物进行分类，以探究雷达和光学影像特征融合对于地物分类的优势。
１ 研究区域与数据预处理
研究区位于吉林省长春市净月开发区，经纬度范围为４３°４８′～４３°５０′Ｎ，１２５°２７′～１２５°３０′Ｅ，研究区面积为１０ｋｍ２。该区域包括有林地、耕地、水域和建筑区等多种地物类型，且各种地物所占比例相当。
选取２０１９年７月２４日的Ｓｅｎｔｉｎｅｌ １Ａ（简称Ｓ１）ＳＡＲ数据和２０１９年７月２８
日的Ｓｅｎｔｉｎｅｌ ２Ａ（简称Ｓ２）多光谱数据（无云）进行特征融合分类分析；选取２０１９年９月２２日的Ｓ１ＳＡＲ数据和２０１９年９月２６日的Ｓ２多光谱数据（有云）分析受不良天气影响时，特征融合的分类优势。
Ｓ１卫星是哥白尼全球监测计划的第一颗环境卫星，于２０１４年４月３日发射。本文采用ＩＷＧＲＤ地距多视影像，宽幅为２５０ｋｍ，地面分辨率为５ｍ×２０ｍ。利用欧空局的ＥＳＡＳＮＡＰ软件对Ｓ１数据进行辐射定标、多视、滤波和地形校正等预处理，并重采样为分辨率１０ｍ×１０ｍ的影像，采用投影参数为ＵＴＭ（ｚｏｎｅ５０）／ＷＧＳ８４。
Ｓ２卫星是“全球环境与安全监测”计划的第２颗卫星，于２０１５年６月２３日发射。本文选取Ｓ２影像的蓝、绿、红、近红外波段数据，利用欧空局的Ｓｅｎ２ｃｏｒ插件对Ｓ２影像进行辐射定标和大气校正等预处理，采用投影参数为ＵＴＭ（ｚｏｎｅ５０）／ＷＧＳ８４。
基于同时期ＧｏｏｇｌｅＥａｒｔｈ高分辨率影像，并结合实地考察，选取２０个具有明显标志的建筑物拐点、道路交叉口和河流拐点等作为地面控制点，并确保在图幅中均匀分布。在Ｓ１和Ｓ２数据预处理的基础上，利用地面控制点进行精确配准处理，配准误差控制在０ ５个像元内。裁剪出研究区域范围，裁剪后的研究区Ｓ１和Ｓ２数据如图１所示。
９
３
４
第２期 郑煜，等：基于Ｓｅｎｔｉｎｅｌ １Ａ雷达数据和Ｓｅｎｔｉｎｅｌ ２Ａ多光谱数据特征融合的地物分类
ａ ７月２４日Ｓ１数据；ｂ ７月２８日Ｓ２数据；ｃ ９月２２日Ｓ１数据；ｄ ９月２６日Ｓ２数据。
图１ 研究区Ｓ１和Ｓ２数据
Ｆｉｇ １ Ｓ１ａｎｄＳ２ｄａｔａｏｆｓｔｕｄｙａｒｅａ
２ 研究方法
基于Ｓ２多光谱数据，提取有效光谱特征信息，融合Ｓ１ＳＡＲ数据纹理特征信息，分别采用３种分类方法对融合前后影像进行地物分类，并评价分类精度。
２ １ 特征提取与图像融合
采用主成分分析法（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌ ｙｓｉｓ，ＰＣＡ），对Ｓ２数据进行光谱特征提取，结果显示前２个波段集中了原始影像９８％以上的信息，完全可以代表原始影像的光谱信息（图２ａ），因此选取前２个波段作为Ｓ２影像的光谱特征数据。基于灰度共生矩阵（ＧＬＣＭ）算法提取Ｓ１影像的纹理特征信息（图２ｂ）。
对Ｓ２光谱特征信息和Ｓ１纹理特征信息基于Ｇｒａｍ Ｓｃｈｍｉｄｔ（ＧＳ）进行特征层的图像融合（图２ｃ）。ＧＳ融合方法可以对参与融合的各波段进行最佳匹配，不受波段限制，较好地保留空间纹理特征信息和光谱特征信息。
２ ２ 分类方法与精度评价
基于最小距离（ＭｉｎｉｍｕｍＤｉｓｔａｎｃｅ，ＭＤ）、最大似然（ＭａｘｉｍｕｍＬｉｋｅｌｉｈｏｏｄ，ＭＬ）、支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）３种分类方法分别对单一的Ｓ２（无云）影像和基于Ｓ２（无云）与同时期Ｓ１特征融合后影像进行地物分类，并采用混淆矩阵算法计算融合前后３种分类方法的总体分类精度和Ｋａｐｐａ系数，评价最优算法，并采用最优分类方法，对单一的Ｓ２（有云）影像和基于Ｓ２（有云）与同时期Ｓ１特征融合后影像进行地物分类，探究在光学影像受不良天气影响时，融合ＳＡＲ影像对地物分类的识别能力。整体技术路线如图３所示。
长春分类信息
３ 结果与分析
３ １ 无云影像分类结果与精度评价
根据研究区土地利用特点，将研究区分为４个类别，分别为水域、林地、耕地和建筑区。以同时期ＧｏｏｇｌｅＥａｒｔｈ高分辨率影像为参考进行样本的选择，在Ｓ２（无云）数据中计算Ｊｅｆｆｒｅｙｓ Ｍａｔｕｓｉｔａ距离和感兴趣区域每个组合的ＴｒａｎｓｆｏｒｍｅｄＤｉｖｅｒ ｇｅｎｃｅ。这两个参数的大小决定了训练样本选择的合理性，确保各个地物之间的可分离性均＞１ ９。利用３种不同分类方法（ＭＤ、ＭＬ、ＳＶＭ）分别对单一的Ｓ２（无云）影像和融合后影像进行分类，检验融合前后影像识别地物的能力，出最优的分类方法。分类结果如图４、５所示，可以看出，３种分类方法中，特征融合后影像的分类效果较融合前均有明显改善。
通过混淆矩阵算法，计算融合前后影像分类的总体分类精度和Ｋａｐｐａ系数（表１）。从表１中可以看出，采用ＭＤ、ＭＬ、ＳＶＭ３种分类方法分别对融合前后影像进行分类时，ＳＶＭ分类方法精度最高，融合前后分类精度分别为８９ ８３％和９７ ９４％；ＭＬ分类方法精度次之，融合前后分类精度分别为８９ ７４％和９７ ５９％；ＭＤ分类方法精度较差，融合前后分类精度分别为８１ ９８％和８８ ９１％。
比较融合前后的分类精度，３种分类方法中，Ｓ１和Ｓ２（无云）特征融合后影像的总体分类精度和
ｋａｐｐａ系数均高于单一的Ｓ２影像，其中，ＳＶＭ分类精度较融合前提高了８ １１％；ＭＬ分类精度较融合前提高了７ ８５％；ＭＤ分类精度较融合前提高
０
４
４ 世 界 地 质 第４０卷
ａ Ｓ１数据纹理特征提取；ｂ Ｓ２数据光谱特征提取；ｃ Ｓ１和Ｓ２数据特征融合。
图２ Ｓ１和Ｓ２数据特征提取和特征融合
Ｆｉｇ ２ Ｓ１ａｎｄＳ２ｄａｔａｃｈａｒａｃｔｅｒｉｓｔｉｃｓｅｘｔｒａｃｔｉｏｎａｎｄｆｕｓｉｏ
ｎ
图３ 研究方法技术路线
Ｆｉｇ ３ Ｒｅｓｅａｒｃｈｍｅｔｈｏｄｓａｎｄｔｅｃｈｎｉｃａｌｆｌｏｗｃｈａｒｔ
了６ ９３％。
由此可知，融合雷达影像和光学影像进行地物分类时有较大优势，且选择合适的分类方法对获得高精度的分类结果具有重要意义，本文ＳＶＭ分类方法在分别对融合前后影像进行分类和融合后分类精度提高程度上均优于另外２种分类方法。３ ２ 有云影像分类结果与精度评价
根据以上分类方法和步骤，使用Ｓ２（有云）影像结合同时期的Ｓ１影像，采用分类精度最优的ＳＶＭ分类方法对地物进行分类，探究在光学影像
质量较差时，融合ＳＡＲ影像能否提高分类精度。如图６所示，分别为使用单一Ｓ
２（有云）影像对研究区进行分类结果和辅助Ｓ１影像进行特征融合后的分类结果，表２为融合前后分类精度。由表２可知，融合后总体分类精度提高了１２ ５％，Ｋａｐｐａ系数提高０ １７１１，较融合前有明显提高，其中，建筑区和水域的分类精度提高较大，建筑区识别精度提高了２
０ ０４％，水域识别精度更是达到了１００％。由此可见，在Ｓ２影像受不良天气影响时，如有云层覆盖情况下，辅助Ｓ１影像进行特征融合
１
４４第２期 郑煜，等：基于Ｓｅｎｔｉｎｅｌ １Ａ雷达数据和Ｓｅｎｔｉｎｅｌ ２Ａ多光谱数据特征融合的地物分类
ａ ＭＤ分类结果；ｂ ＭＬ分类结果；ｃ ＳＶＭ分类结果。
图４ 基于Ｓ２（无云）影像的分类结果
Ｆｉｇ ４ ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎＳ２（ｃｌｏｕｄｌｅｓｓ）ｉｍａｇｅ
ｓ
ａ ＭＤ分类结果；ｂ ＭＬ分类结果；ｃ ＳＶＭ分类结果。
图５ 基于Ｓ１和Ｓ２（无云）影像特征融合的分类结果
Ｆｉｇ ５ ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎＳ１ａｎｄＳ２（ｃｌｏｕｄｌｅｓｓ）ｉｍａｇｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｕｓｉｏ
ｎ
ａ Ｓ１和Ｓ２有云融合影像；ｂ Ｓ２（有云）影像分类结果；ｃ Ｓ１和Ｓ２（有云）融合影像分类结果。
图６ 特征融合影像和特征融合前后ＳＶＭ分类结果
Ｆｉｇ ６ ＣｈａｒａｃｔｅｒｉｓｔｉｃｓｆｕｓｉｏｎｉｍａｇｅａｎｄＳＶＭｃｌａｓｓｉｆ
ｉｃａｔｉｏｎｒｅｓｕｌｔｓｂｅｆｏｒｅａｎｄａｆｔｅｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｕｓｉｏｎ
２
４４ 世 界 地 质 第４０卷
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论