欢迎访问一起赢论文辅导网
经济管理论文
当前位置:首页 > 经济管理论文
基于SAR图像纹理的北极海冰厚度的反演研究
来源:一起赢论文网     日期:2019-04-11     浏览数:420     【 字体:

  极地研究   30 卷    已经被证明可以用来反演海冰厚度[16]。 本文尝试利用纹理特征反演海冰厚度主要基于以下经验理论:  海冰越厚,  生长时间越长,  所受到的外力作用也会越多越复杂,  相应的变形及表面的粗糙程度也会发生变化[15]。本文的纹理特征分析方法采用灰度共生矩阵(GLCM),  它能够反映出图像要素的自身特征以及像素之间的空间关系,  在遥感领域纹理特征分析方面的应用最为广泛[17-19]。利用∑AP 图像以及匹配的平整冰厚度数据,  分析纹理特征和冰厚之间的相关性,  选出最合适的纹理特征拟合经验方程,  然后进行冰厚的反演及误差分析,  并与传统的厚度反演方法进行比较分析。 1   研究区域与数据源  本文使用的 SAR 图像数据是七景北冰洋 Radar-sat-2 双极化(HH+HV)SGF 产品,  是中国第六次北极科学考察的途经区域,  图像区域大部分被一年冰覆盖,  8 11 日图像有部分开阔水面,  其他图像几乎没有明显冰裂缝或开阔水,  适合提取冰表面纹理进行研究。图像详细参数见表 1。研究区域如图 1 所示,  图中颜色代表 2014 8 月平均海冰密集度,  数据来自德国不莱梅大学发布的AMSR2/ASI 产品,  黑色矩形代表 SAR 图像位置, 黑色虚线代表第六次北极科考船航线。 表 1   SAR 图像参数 Table 1. Properties of SAR image 获取时间  分辨率/(m×m)  波束模式  入射角  中心点坐标 2014810日  17:34:38  50×50  SCWA  19.74°—49.458°  78.06°N,154.92°W 2014811日  03:32:10  50×50  SCWA  19.524°—49.455°  75.63°N,157.89°W 2014811日  03:32:40  50×50  SCWA  19.48°—49.438°  77.30°N,160.34°W 2014812日  18:16:53  25×25  SCNA  19.755°—39.588°  77.80°N,161.15°W 2014812日  03:03:33  50×50  SCWA  19.675°—49.433°  78.07°N,154.07°W 2014815日  03:16:10  50×50  SCWA  19.678°—49.422°  78.00°N,157.17°W 2014816日  17:59:36  50×50  SCWA  19.75°—49.459°  78.90°N,159.62°W   1   研究区域位置示意图 Fig.1. Map of study sites  现场冰厚数据来自第六次北极科考,  是利用船侧观测录像提取的。与卫星等大尺度遥感方式相比,  数字摄影产品可以有针对性的对一个区域进行观测,  并且具有更高的分辨率,  能够弥补大尺度遥感的分辨率不足和观测位置的局限。首次北极科学考察就已经对密集冰区进行了航空数字相机遥感观测,  得到了一批不同类型的高分辨率海冰数字影像[20]。目前船侧录像已经广泛用在极地考察中进行冰情的观测,  它的主要优点就是自动化程度高,  可以自动记录走航路线中的冰情,  而且观测结果可以达到很高的精度[21]。其基本原理如图 2 所示,  2   冰厚获取示意图 Fig.2. Method of getting ice thickness  于淼等:  基于 SAR 图像纹理的北极海冰厚度的反演研究  331    当船在冰区前进,  冰层被压碎后随着船体向后滑动,  由于船体的阻碍而发生侧翻露出断面, 根据断面的宽度及参照物就可以计算出相应的海冰厚度[22]。即从观测录像中筛选出带有侧翻海冰的信息,  根据图上翻冰厚度和参照球直径的比例,  乘以参照球的直径就可以得到冰层的实际厚度,  此方法在平整冰的应用上能达到很高的精确度。 在本文的研究中使用的海冰厚度数据是经过预处理,  提取完成的厚度数据,  包括拍摄时间, 经纬度以及对应的海冰厚度,  共计 981 个测量点。为保证精确度,  数据中冰厚最大和最小的两个区间部分数据过于零散,  很难得到有意义的统计数据,  予以剔除,  在余下 970 个测量点的基础上对平整海冰进行厚度反演研究。如图 3 所示为厚度数据的地理位置及厚度大小,  图中红线为科考船航线。并将数据随机分为两组,  其中一组数据用于相关分析,  确定待定系数拟合反演方程,另一组数据用于反演厚度并计算误差。  图 3   厚度数据位置及大小示意图 Fig.3. Location and value of ice thickness   2   研究方法  2.1   图像预处理 SAR 数据预处理主要包括辐射校正、几何校正、滤波降噪处理和入射角校正[23]。其中辐射校正是将图像的像元亮度值消除误差后转化为真实的后向散射系数,  并以 d B 为单位保存。再通过几何校正修正图像的几何畸变,  并使用 Polar  Stereo-graphic 投影进行图像投影,  将图像坐标与经纬度进行对应。然后使用 Refined Lee 滤波处理来降低由于雷达波相干作用产生的斑点噪声。最后还用一个基于入射角和后向散射系数之间关系的经验线性方程对入射角进行校正,  降低由于入射角的变化引起的图像在距离向灰度的变化[14,24]2.2    GLCM 参数选取 纹理是所有物体表面先天具有的特性,  反应了物体表面结构组织排列的方式以及它们与周围环境的关系。如图 4 所示,  灰度共生矩阵是用图像灰度级之间联合条件概率密度函数 P(i,  j,  d,  θ)表示纹理,  该函数表示在给定空间距离 d 和方向θ 时,  灰度 i 为起点,  出现灰度级为 j 的概率[25]。所有的 P(i,  j,  d,  θ)用矩阵的形式表示,  称为灰度共生矩阵,  用来量化图像灰度的空间关系。 表 2 Haralick 定义的部分纹理特征值,  根据矩阵便可以计算出多个纹理特征的统计值[19]。 由于 C 波段同极化对地物表面粗糙程度的变化比交叉极化更加敏感[26]。本文使用 HH 极化方式的图像进行纹理提取。在利用灰度共生矩阵提取纹理分析时,  首先要确定计算灰度共生矩阵时所需的 4 个参数:窗口大小、方向 θ、位移量 d 和灰度量化级别 Ng[25]。在实际计算 GLCM ,  改变以  图 4   GLCM 的计算示意及矩阵形式 Fig.4. Diagram of GLCM and form of matrix   极地研究  第 30 卷    表 2   GLCM 纹理特征值表 Table 2. Formula of GLCM texture feature 对比度 2,,=1( )Ngi ji jCon = åi -j P   最大概率 ,maxi jMAX =P  相异性 ,, 1Ngi ji jDis P i j== å-   熵 , ,, 1( ln( ))Ngi j i ji jEnt P P== å- ×  同质性 ,, 121 ( )Ng i ji jPHomi j==+ -å   均值 ,2 , 11 Ngi ji jMea PNg== å  二阶矩 2,, 1( )Ngi ji jASM P== å   方差 2,, 1( )Ngi ji jVar P i m== å-  能量 2,, 1( )Ngi ji jEne P== å   相关性 ,( )ij i j x yx yij PCorm ms s-=å 注: μ 和 σ 是 P 的均值和方差  上 4 个参数的任何一个均会影响 GLCM 中的元素数值,  这就会直接影响纹理特征值的大小,  使得提取的纹理特征不能真实地反映物体的纹理特征, 进而影响与海冰厚度的相关性[27]。但这 4 个参数往往难以确定,  目前没有足够的理论支持参数应该如何选取,  多是凭借个人经验。以往的文献表明方向和灰度量化级别对海冰的纹理特征影响很小[28],  方向 θ 一般选择为 0°、45°、90°、135°四个离散方向,  研究中多采用其中某一方向或者四个方向的纹理平均值[29]。本文选取灰度量化级别为 64,  四个方向取纹理平均值。还需要确定窗口大小和位移,  这里用 5×57×79×911×11 的窗口分别以 1357 的位移进行纹理计算,  以确定最优组合。 根据厚度数据中的经纬度提取纹理特征,  以厚度数据的经纬度值为中心点,  利用 3×3 的窗口从 SAR 图像中获取该点的平均纹理特征值,  并与对应的冰厚进行匹配。由于同一海冰厚度对应的每个纹理值会在一定范围内出现波动,  用直接得到的纹理值和海冰厚度进行分析,  很难得到两者之间的相关性。以往的研究中都采用了不同方式的分段处理,  文献[14]中采用 K-means 聚类方法对图像进行分割,  将关于像素的冰厚数据转换成关于图像片段的冰厚数据,  文献[15]中采用边缘分割的方法对图像进行预处理,  然后对分割片段内数据进行平均来分析相关性。以上方法比较适合大量的连续数据,  可以保证在每一片段内的数据都可以达到足够的数量,  以便于提取有意义的统计数据。由于本文使用的厚度数据分布很不规律,  直接采用分段平均处理的方法[16],  将零散的厚度数据分组,  转换成厚度段数据,  在定性分组的基础上进行定量的分析,  即在实测数据范围内, 0.1  m 的范围分为一段,  并计算每一厚度段内的平均纹理值作为这一厚度段的纹理值,  便于之后的冰厚与纹理特性之间的相关分析。 图 5 是不同参数组合下纹理特征和厚度的相关系数(P<0.01),  横坐标中 5.1 代表 5×5 窗口,  位移为 1,  以此类推。可以看出对比度、相异性、同质性 3 个特征在小窗口下比较好,  在大位移下受影响很大;  二阶矩、能量、最大概率、熵对窗口大小不敏感,  大位移对其有一定影响;  均值、相关性、方差 3 个特征在大窗口下略好,  受位移影响很小。综上,  考虑应采用中等窗口小位移来提取纹理,  以最大程度上保证各特征值的相关性, 本文选择 9×9 窗口、d=1 来进行后续分析。 2.3   相关分析 GLCM 的参数确定为窗口大小 9×9,  位移量为 1,  灰度量化级别 64,  取四个方向纹理平均值。在此基础上各个纹理特征与海冰厚度的相关系数如表 3 所示。同时还沿袭传统方法,  提取了图像的后向散射系数 σHH,  并分析其与海冰厚度的相关性,  来与纹理反演厚度进行对比分析。由于GLCM 的某些纹理之间存在公式上的相似,  彼此相关,  在多纹理相关分析时应该避开,  以及考虑 日期]  2017 8 月收到来稿, 2018 1 月收到修改稿 [基金项目]  国家重点研发计划专项(2016YFC1402702)、国家自然科学基金面上项目(41676187, 41376186)、国家国际科技合作专项(2011DFA22260)资助 [作者简介]  于淼,  , 1993 年生。硕士研究生,  主要从事海冰遥感研究。E-mail: yumiao2411@mail.dlut.edu.cn [通信作者]  卢鹏, E-mail: lupeng@dlut.edu.cn    于淼等:  基于 SAR 图像纹理的北极海冰厚度的反演研究  333      5   不同纹理参数组合下纹理与冰厚的相关系数(绝对值) Fig.5. Correlation coefficient (absolute value) between texture feature and ice thickness depending on the window size and the displacement  3   相关系数汇总 Table 3. Summary of correlation coefficient 散射特征  相关系数R σHH  0.74 对比度(Con)  0.53 相异性(Dis)  0.59 同质性(Hom)  0.75 二阶矩(ASM)  0.53 能量(Ene)  0.72 最大概率(MAX)  0.55 (Ent)  0.80 均值(Mea)  0.81 方差(Var)  0.79 相关性(Cor)  0.76  纹理特征的波动情况,  最终选取熵和相关性两个纹理特征用于厚度反演。纹理值和厚度之间呈现出比较明显的线性关系,  利用第一组匹配好的实测数据确定待定系数,  从而得到海冰厚度与散射特征之间的经验方程。 得到三个不同的海冰厚度 h 的线性经验方程, 其中方程(1)是只依靠后向散射系数,  是以往研究中最常用的反演厚度方法,  方程(2)是本文使用的纹理反演方法,  方程(3)是结合后向散射系数和纹理的反演方法。 h=43.10·σHH+730.22          (1) h=217.58·Ent+1307.71·Cor3277.68     (2) h=33.37·σHH+254.28·Ent+46.89·Cor2060.68  (3) 2.4   反演结果 将相关分析得到的三个经验方程回代到第二组匹配好的厚度分层数据中来验证规律的可靠性,  并对三个反演方程进行对比,  如图 68所示,  其中横坐标为每一分层内的所有测量点的平均厚度,  纵坐标为相应的平均反演厚度。从图 6 中可以看出,  在使用传统方法 σHH反演厚度 极地研究  第 30 卷    上出现了比较明显的厚冰厚度被低估的现象, 以往的研究中提过此问题[15],  但并未做出解释 , 原因可能是海冰厚度达到一定程度后其表面的粗糙程度变化不够明显。图 7、图 8 显示利用纹理信息对冰厚进行反演在已有数据范围内获得了很好的表现。从表 4 中可以看出有纹理参与的反演方式获得的反演结果误差明显优于传统方法,  且纹理和 σHH共同反演的结果和纹理单独反演相差很小,  可能是由于纹理中已经包含了 σHH中的大部分信息。 后向散射系数 σHH反演结果如图 6 所示:   6   σHH反演海冰厚度结果 Fig.6.  Comparison  between  measured  and  retrieval  ice thickness depending on σHH model  纹理(熵和相关性)反演结果如图 7 所示:   7   纹理反演海冰厚度结果 Fig.7.  Comparison  between  measured  and  retrieval  ice thickness depending on texture feature model 三特征要素(σHH、熵和相关性)反演结果如图8 所示:   8   σHH和纹理反演海冰厚度结果 Fig.8.  Comparison  between  measured  and  retrieval  ice  thickness depending on σHH and texture feature model 4   不同反演方式及反演精度 Table 4. Retrieval models and their precisions 反演方式  相关系数R平均绝对 误差E/cm 平均相对 误差Er/% σHH反演  0.74(P<0.01) 22.56  20.5 纹理反演  0.83(P<0.01) 14.3  13.7 σHH和纹理反演 0.92(P<0.01) 13.8  12.1   3   结论  本文利用七景 SAR 数据和对应的平整海冰厚度数据,  利用灰度共生矩阵,  首先研究了纹理的四个参数值对海冰厚度和纹理特征之间的相关性的影响,  确定了最适合反演海冰厚度的纹理参数和纹理特征,  并得到了利用纹理信息计算海冰厚度的经验公式。利用经验公式对 SAR 图像上的海冰进行了厚度的反演,  并与传统的 σ0厚度反演方式进行了对比。主要结论如下:  1.  GLCM 的参数选择上,  不同的纹理特征和冰厚的相关性对窗口大小和位移量的敏感度不同, 最终确定选用 9×9 的窗口,  位移为 1 来计算矩阵纹理反演厚度最合适,  同时也表明北极海冰的纹理尺度较大,  且比较细致,  这应该是由北极地区复杂的环境导致。 2.  在选择纹理特征值时,  根据公式及意义将 于淼等:  基于 SAR 图像纹理的北极海冰厚度的反演研究  335    纹理分为三组,  可以看到在以往的研究中应用比较多的对比度和二阶矩在厚度方面的相关性并不占优势,  而且数据的方差很大,  很不稳定,  并不适合用来反演计算厚度,  本文选择了熵和相关性来反演厚度。 3.  经过对比验证,  本文的方法相比于传统的只使用后向散射系数的反演方法精度更高,  表明仅用 SAR 直接呈现出的后向散射系数并不能完全体现出海冰厚度的变化,  而且也证实了纹理在海冰厚度的反演方面有着很高的潜力。 另外,  由于本文所使用的厚度数据来自船侧翻冰测量,  由于此方法的局限性,  海冰厚数据多来自平整的中一年冰,  80%以上的数据处于 80130  cm,  薄冰和厚变形冰部分样本很少, 对回归方程的函数类型及其待定系数会有一定的影响,  而且不足 50 cm 区间冰厚的反演情况完全空白,  本方法在薄冰和厚变形冰的应用情况还要验证。此外,  本方法对海冰密集度要求较高, 海水的存在会对纹理值产生很大的影响。以往的研究也表明,  海冰 SAR 图像的散射特征和海冰厚度的相关性在不同的地点、不同的海冰形态上的表现并不一致[30],  目前还没有发现普遍适用的规律,  本文的方法在其他地区的合理性还有待验证。而且,  如果不对纹理信息进行分段统计处理,  直接提取图上纹理信息进行厚度反演的结果并不理想。其中很重要的一个原因是 SAR图像受固有的相干作用影响[31],  信噪比不高 , 单一像素所体现的信息只有部分反映了地物的真实信息,  其他部分来自无关的随机噪声[32], 使得 SAR 图像一直以来广泛用于定性分析,  直接定点定量地获取地物信息目前还是困难重重。因此,  如果要实现 SAR 图像定点定量地获取信息,  可以考虑从两个方面入手:  一个是对滤波降噪算法的改进[33],  提高图像的信噪比 ,  另一个是结合多种数据对地物信息进行限制以获取更加准确的信息。想要在分段反演的基础上进一步提高精确度,  逐步达到定点反演厚度还需要更深入的研究。接下来的计划中,  考虑使用如卫星测高等更加连续密集的实测厚度数据,  应用图像聚类分析对海冰进行分类,  由于纹理信息更加侧重考虑像素与其周围像素之间的关系,  分类片段和纹理共同作用下的结果值得期待。  参考文献  1  STROEVE J C, SERREZE M C, HOLLAND M M, et al. The Arctics rapidly shrinking sea ice cover: a research synthesis[J]. Climatic Change, 2012, 110(3): 10051027. 2  胡鞍钢,  张新,  张巍.  开发“一带一路一道(北极航道)”建设的战略内涵与构想[J].清华大学学报(哲学社会科学版), 2017,(3): 1522. 3  季青,  庞小平,  许苏清,.  极地海冰厚度探测方法及其应用研究综述[J].  极地研究, 2016, 28(4): 431441. 4  曹梅盛.  冰冻圈遥感[M].  北京:  科学出版社, 2006. 5  国巧真,  陈云浩,  李京,  .  遥感技术在我国海冰研究方面的进展[J].  海洋预报, 2006, 23(4): 95103. 6  张晰,  张杰,  孟俊敏,  .  基于极化散射特征的极化合成孔径雷达海冰分类方法研究:  以渤海海冰分类为例[J].  海洋学报,  2013, 35(5): 95101. 7  KARVONEN J. Baltic sea ice concentration estimation based on C-band HH-polarized SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(6): 18741884. 8  LEHTIRANTA J, SIIRIÄ S, KARVONEN J. Comparing C- and L-band SAR images for sea ice motion estimation[J]. Cryosphere, 2015, 9(1): 357366. 9  KARVONEN J, CHENG B, VIHMA T, et al. A method for sea ice thickness and concentration analysis based on SAR data and a ther-modynamic model[J]. Cryosphere Discussions, 2012, 6(3): 15071526. 10  ZHANG  X,  ZHANG  J,  MENG  J,  et  al.  Analysis  of  multi-dimensional  SAR  for  determining  the  thickness  of  thin  sea  ice  in  the  Bohai Sea[J]. Journal of Oceanology and Limnology, 2013, 31(3): 681698. 11  KIM  J  W,  KIM  D  J,  HWANG  B  J.  Characterization  of  Arctic  sea  ice  thickness  using  high-resolution  spaceborne  polarimetric  SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(1): 1322. 12  郭井学.  基于电磁感应理论的极地海冰厚度探测研究[D].  吉林大学, 2007. 

[返回]
上一篇:平原地区钻井水溶矿区地表形变D-In SAR监测研究
下一篇:基于Sentinel-1ASAR的湖南省宁乡市洪水淹没监测