本文内容来源于《测绘通报》2024年第5期，审图号：GS京（2024）0777号
李淑1,2
, 李鹏1,2
, 李振洪3, 王厚杰1,2
1. 中国海洋大学海洋地球科学学院河口海岸带研究所海底科学与探测技术教育部重点实验室, 山东 青岛 ;
2. 青岛海洋科学与技术国家实验室海洋地质过程与环境功能实验室, 山东 青岛 ;
基金项目：国家自然科学基金(-4)
关键词：潮沟 全极化SAR 多光谱遥感 协同分类 特征提取
引文格式：李淑, 李鹏, 李振洪, 等. 协同全极化SAR与光学遥感的潮沟精细提取方法[J]. 测绘通报，2024(5)：29-34, 40. DOI: 10.13474/j.cnki.11-2246.2024.0506.
摘要 ：潮沟系统是粉砂淤泥质潮滩中最为活跃的地貌单元, 受潮汐周期性冲刷、人类活动和海平面上升等因素的影响, 大范围潮沟精细监测具有挑战性。本文提出了一种基于高分三号全极化合成孔径雷达(SAR)与PlanetScope多光谱遥感影像的潮沟探测和提取方法。通过融合光谱、指数、极化、纹理等特征, 构建最优特征集, 结合最大似然法、支持向量机及随机森林算法开展协同分类, 获得了黄河口3m分辨率的潮沟精细分布信息。结果表明, 该方法的总体精度达到99%, F1值为0.98, 提取结果优于单一数据源。本文方法有望为河口海岸带潮沟制图提供一种经济、有效的选择, 有助于定量描述潮沟形态演变、稳定性及驱动因素。
潮滩是陆地到海洋的过渡地带，是平均最高潮位和最低潮位间的海陆过渡地带[1]，是全球气候变化影响的高度敏感区域[2]。潮沟是潮间带海水、沉积物和营养物输送的主要通道，是嵌入潮滩的最显著地貌单元，对邻近潮滩的生态环境有显著影响[3]。黄河口地区发育了密集的潮沟体系，与陆地水系的单向河流系统不同，潮汐具有双向流的特点[4]。
潮沟发育主要依赖于沉积过程和水动力之间的微妙平衡，在潮汐、波浪、风暴潮、海平面上升及人类活动共同作用下，潮沟的形态特征和发育过程具有复杂、敏感和多变的特点[5]，对潮滩稳定和海岸工程构成较大威胁，同时对港口、通航水道、风电场和堤坝的建设产生影响[6]。此外，上述因素会进一步影响潮滩的沉积、水文及整个海岸生态系统[7]。因此，精准提取和监测潮沟的形态演化特征对河口三角洲资源保护和合理开发利用具有重要的理论和实际应用价值。
传统基于人工的野外调查与目视解译是分析潮沟演化和稳定性的常见方法[8]，但仅适用于小区域短期监测，对于一些可达性较差的潮沟区域并不理想，大范围精细潮沟形态难以实现快速有效监测。近年来，卫星遥感监测技术已被广泛应用于自动或半自动地物目标探测与提取，通过获取时序影像，可以用于开展潮沟形态的时空特征提取[9]。然而，目前公开可获取的遥感数据多为中低分辨率影像，对于精细尺度的潮沟提取存在局限性。以黄河口为例，该地区地物分布复杂、光谱特征相似，并且光学遥感影像通常受到云雾天气的影响，潮沟提取存在较多混合像元与噪声信息，使得精细提取受到制约[10–11]。
与光学遥感相比，合成孔径雷达(SAR)具有全天候、全天时特点，能够获取丰富的极化信息，抑制杂波、抗干扰能力强[12]，近年来已成为水体信息提取的重要数据源[13]。SAR影像能够反映地物后向散射特征，使得以镜面散射为主的水体呈现出不同于其他地物的后向散射能力，有效弥补了光学影像的局限性。
已有研究表明，光学遥感与合成孔径雷达数据融合可发挥各自优势，丰富地物特征，实现地物精准识别[14–15]。因此，本文提出一种融合光学遥感与全极化SAR影像的精细潮沟提取方法，构建黄河口潮沟分布数据集，并对该方法进行分析与评估。
1 研究区与数据源1.1 研究区
研究区为黄河三角洲(如图 1所示)，位于山东省东北部沿海，南接莱州湾，北接渤海湾[16]。该地区为三角洲冲积平原，地形平坦，平均海拔不到10 m。黄河口附近海域受黄、渤海潮汐水动力影响，属于典型不规则半日潮，河口平均潮差0.6~0.8 m[17]。该区域潮间带宽广，粉砂淤泥质潮滩广布，发育了大面积潮沟[18]。
|
 
|
|
图 1 研究区域(底图为GF-6遥感影像)
|
|
图选项
|
高分三号(GF-3)是我国首颗分辨率达到1 m的C波段多极化SAR卫星，能够获取高质量SAR影像[19]。本文选取GF-3全极化条带(QPSI)数据。PlanetScope是美国Planet商业陆地观测小卫星系统，相比其他光学卫星，具有高分辨率、高频次、全覆盖能力，能够实现全球每日覆盖，能够获取3 m分辨率的海量多光谱影像[20]。详细参数见表 1。结合验潮资料，本文选取2022年潮位较低的GF-3全极化SAR影像和PlanetScope多光谱影像。
采用基于多源遥感资料的潮沟提取技术，技术流程如图 2所示，主要包括数据预处理、特征提取、协同分类和分类后处理。
使用ENVI 5.6和PIE SAR进行影像预处理，其中PlanetScope L1B数据无须辐射校正，需要大气校正、几何精校正、图像镶嵌和裁剪。GF-3 SAR数据预处理包括辐射校正、极化滤波及极化矩阵转换。
多光谱影像的光谱特征能够反映地物反射或发射电磁波的能力，能较为直观地反映地物特征。本文采用主成分分析(PCA)提取PlanetScope光谱特征，将多个波段信息转换到主成分，从而实现对多光谱影像的信息增强和冗余信息去除[21]。
水体反射主要在蓝波段和绿波段，归一化水体指数(NDWI)能够结合可见光和近红外波段反射率差异有效区分出陆地和水体，因此选用NDW指数特征用于更好地区分出水体[22]。另外，考虑研究区植被、裸地、水体多的特点，又加入对植被响应敏感的归一化植被指数(NDVI)，用于丰富影像指数特征，以提高协同分类精度(见表 2)。
|
|
|
|
|
|
|
|
|
注：ρNIR、ρR、ρG、ρB分别为近红外、红、绿、蓝波段反射率，分别对应PlanetScope 4、3、2、1波段。
|
SAR数据反映了地物极化散射信息，利用水体散射特征相对于其他地物差异较大的特点，能够更有效地区分潮沟与其他地物类型。选取GF-3全极化SAR影像，通过极化分解和灰度共生矩阵提取极化特征和纹理特征。对预处理后的GF-3全极化影像进行H-A-α分解和Pauli分解提取极化特征。考虑极化总功率(SPAN)是表征像素间散射机制强度信息的有效参数，包含更详细的图像结构[23]，因此将SPAN引入极化SAR初始分类，其表达式见表 3。
纹理特征是遥感解译中所依据的重要信息，是模式识别的重要特征。纹理特征在基于像元的分类方法中被广泛应用，作为辅助信息有助于提升自动解译的精度。基于统计特征值的灰度共生矩阵法(GLCM)是一种较成熟、有效的方法，能够从多测度描述影像纹理特征[24]。因此，采用灰度共生矩阵提取了8个纹理特征(均值、方差、同质性、对比度、差异性、熵、角二阶矩、相关性)。
经过地理配准后，利用层叠法将光谱特征、指数特征、极化特征、纹理特征进行叠加。选用3种监督学习分类器对上述特征集进行分类，即最大似然法(ML)、支持向量机(SVM)及随机森林(RF)，以获取初步的水体提取结果。
(1) ML分类器：假定各类分布函数近似为正态分布，并选择训练区计算各个待分类样本的归属概率。在两类或多类判决中，用统计方法根据贝叶斯判决法则中的最大似然法建立非线性判别函数集进行图像分类[25]。
(2) SVM分类器：作为一种二分模型，SVM寻找可以将正负样本点分开的最优分类超平面，使得该超平面在保证分类精度的同时，能够使支持向量到分离超平面的距离实现最大化[26]。优点是能够处理高维数据，适用于小样本数据，同时具有较好的稳健性和可解释性。
(3) RF分类器：作为一种基于决策树的集成算法，每个决策树分类器通过投票决定最优的分类结果，能够有效降低过拟合风险[27]。此外，所生成决策树的过程都是独立的，可以并行计算处理不同的样本和特征子集。
经过监督分类后，可以获得水体二值化影像，采用数学形态法进行孔洞填充、删除孤立的小图斑。此外，参考现有数据集，通过目视解译和人工修正剔除黄河、养殖池等，从而获得精确的潮沟信息。
采用混淆矩阵对分类结果进行精度评估，混淆矩阵模型见表 4。其中，真阳性(true positive，TP)表示样本真实标签为正，预测标签也为正；假阳性(false positive，FP)表示样本真实标签为负，但预测标签为正；真阴性(true negative，TN)表示样本真实标签为负，预测标签也为负；假阴性(false negative，FN)表示样本真实标签为正，而预测标签为负。TP表示实际为水体的像元被准确地分为水体。
为了评估3种分类器的性能，本文计算了4个重要指标：精确率(precision，P)、召回率(recall，R)、总体精度(accuracy，A)和F1分数。其中，P为正确识别为水体像元占识别为水体像元的比例；R为正确识别为水体的像元占真实水体像元的比例；A为正确识别为水体像元占总像元的比例；F1同时考虑了查全率和查准率，可以认为是查准率和召回率的加权平均，范围为0~1，值越大表示分类精度越高。公式分别为
利用混淆矩阵对3种监督学习分类算法进行精度评估，结果如表 5和图 3所示。SVM和RF两种分类算法的总体精度相对较好，F1相对较高，相对于ML表现出明显优势。协同后的分类结果总体精度在0.95以上，F1在0.9以上，相比单一多光谱影像和GF-3全极化SAR影像有明显提升。多光谱与全极化SAR特征融合可以优势互补，有助于水体分类精度提升，表明了该方法的可靠性。
特征提取的目的在于选取尽可能少的特征组成特征集，准确地反映地类差异，提高分类精度。但是，随着多光谱和全极化SAR数据各类特征越多，参与分类的变量越多，容易发生“维数灾难”。因此，本文通过估算每个特征变量的贡献度确定各类特征的重要性，从而剔除贡献率较低的特征，优化参与协同分类的特征集。
如图 4所示，本文对两类数据提取的21个特征进行重要性排序。前十名中，PlanetScope多光谱特征贡献了5个(PCA1、PCA2、NDWI、NDVI和PCA3)，GF-3全极化SAR贡献了5个(Entropy、Pauli-Dbl、Pauli-Vol、Span和Alpha)。光谱特征和指数特征的贡献较为突出，光谱反射率较好地反映了不同地类特征。另外，Pauli极化特征和H-A-α极化特征表现较为突出，极化面散射成分可以反映地类的表面起伏特征。依据特征重要性，本文选取贡献率较高的前16个特征参与分类。
利用ML、SVM和RF机器学习分类器对黄河口地区的PlanetScope、GF-3全极化SAR及协同数据集进行分类。图 5给出了黄河口地区两类单一数据与协同数据的水体提取结果。
(1) GF-3全极化SAR影像对于潮沟的提取效果相对较差，产生了漏分现象，尤其在北岸和东岸有盐沼植被分布的区域几乎很难提取出潮沟，主要是由于受斑点噪声的干扰。
(2) PlanetScope影像提取的潮沟信息较好，绝大部分水体可以准确区分，但仍存在部分水体被误分为潮滩的现象，主要由于该地区地物类型复杂，容易出现异物同谱现象。
(3) 两种数据的协同分类结果最好，水体提取结果较为完整，也存在部分被误分的情况，主要是受潮汐影响，影像获取时刻部分细小河道的水位较低，不易与潮滩区分。
(1) 未剔除黄河、海域及人工湖泊等。因此，将PS卫星过境时的瞬时水边线作为海岸线，对水体提取结果进行裁剪，采用手动剔除的方法去除黄河和人工湖泊水体信息。
(2) 潮沟提取存在断裂、小孔洞、孤立图斑现象，使得潮沟系统连通性遭到破坏。为提高潮沟系统提取的精确度，采用数学形态法对提取结果进行潮沟断裂点连接、孔洞填充和剔除小斑块处理。
(3) 存在受潮位影响被划分为潮滩的现象。由于潮位较低或长时间无潮水充填，曝滩时间较长，容易与潮滩混淆错分为潮滩。因此，选用临近时期GF-2高分辨率光学影像作为参考进行修订。
本文基于GF-3全极化SAR和PlanetScope多光谱数据融合，提出了一种河口海岸带潮沟半自动提取方法，结合其光谱特征、指数特征、纹理特征和极化特征数据集，采用监督分类算法提取出潮沟信息。结果表明，协同分类提取潮沟的方法具有较大优势，其精度高于单一数据方法，总体分类精度达到0.99，评估了该方法在潮沟探测和提取方面的可行性，有望为潮沟连续动态监测提供参考。未来研究中，我们将扩大到其他类遥感数据，提高可用影像的时空分辨率，对河口潮沟系统形态特征开展长时序定量分析，进一步探讨潮沟系统的发育演变规律和系统稳定性。
作者简介
：李淑(1998—), 女, 硕士生, 研究方向为海岸带遥感。E-mail:
