光学遥感在森林植被信息识别、提取等资源监测方面意义重大;然而，却存在对多云雨雾地区森林数据获取难和植被类型严重的"同谱异物"等问题。合成孔径雷达(synthetic aperture radar，SAR)以其全天时、全天候的强穿透成像能力，成为光学遥感的有益补充，有时甚至是数据获取的唯一手段。目前，利用极化SAR(PolSAR)遥感数据进行地物分类在国际遥感领域受到高度重视，已成为SAR的主要研究方向之一(Krylov et al.，2011; Wang et al.，2013; Chen et al.，2013; 郎丰铠等，2012)。支持向量机(SVM)是目前认为比较好的一种监督分类算法，可有效避免经典分类方法中维数灾难、过学习、局部极小等问题，在PolSAR影像分类中得到了广泛应用(Liu et al.，2011; Kilpi et al.，2013; 付仲良等，2012)。然而，由于SAR斑点噪声、分类方法策略及森林植被类型自身复杂特征等各方面的局限，对林地类型尚未有成熟的分类策略。

目前，利用单时相PolSAR、干涉SAR(InSAR)数据的分类方法，大多数只能识别到森林，国内外也取得了一定的研究成果。Strozzi等(2000)利用多时相干涉信息，成功获取了欧洲3个不同地区的土地类型图和森林分布图; Lee等(2005)定义了极化干涉技术中2个相干最优谱系数A₁和A₂，将其应用到L波段影像森林类型分类中，结合地面实况数据，识别出森林区域并指出该技术可进一步区分其内部结构; Liesenberg等(2013)采用不同模式的ALOS数据，将后向散射强度、极化特征、干涉特征以及纹理特征应用到巴西亚马逊的土地利用分类中，并分析了不同模式(双极化/全极化)下这些参数对识别森林的有效性。国内学者陈尔学等(2000)利用SIR-C/L-VV干涉测量数据，通过单时相SAR强度影像和相干影像直方图的对比，说明综合利用InSAR的强度信息和相干信息可最大限度挖掘SAR数据识别植被类型的潜力; 白黎娜等(2003)利用ESR-1和ERS-2串行轨道数据经干涉处理后，采用其强度和相干信息合成多种干涉测量土地利用影像，其中最小值影像和标准差影像可以很好地区分水体和森林;Luo等(2010)将模糊分类技术引入极化干涉SAR分类中，并尝试采用最优相干信息识别森林类型，结果表明该方法对不同结构的森林具有一定的区分能力。

以上研究已经很好地将干涉特征应用到地类及森林分类识别中，但很少有研究涉及具体林地类型的细分以及多时相信息的综合利用。本文针对林地类型的精细分类开展研究，具有一定的学术意义和应用价值。由于生长在不同季节的植被类型含水量有变化，枝叶的密度和植被表面粗糙度所引起的散射强度也不尽相同，故其相干信息也存在一定的差异。因此，本文拟将不同林地类型的SAR后向散射系数、干涉相干系数的时相变化特征引入支持向量机(SVM)分类器，发展一种基于时间序列的多时相、多极化SAR干涉测量林地类型分类识别方法，并深入分析利用多维SAR信息区分不同林地类型的物理机制。

研究区位于黑龙江省逊克县中部林地类型丰富的区域。该县与俄罗斯阿穆尔州隔江相望，地处127°24'—129°17'E，47°58'—49°36'N，面积17 344 km²，海拔180~560 m，属于寒温带大陆性季风气候。地表覆盖类型多样，有森林、农田、水体、城市建设用地等。其中，森林覆盖率达64%，林地类型主要包括有林地、疏林地、灌木林地等。林区阔叶树种主要有蒙古栎(Quercus mongolica)、白桦(Betula platyphylla)、大青杨(Populus ussuriensis)等，树高平均为8~10 m，郁闭度约为0.65; 针叶林主要以落叶松(Larix gmelinii)、樟子松(Pinus sylvestris var. mongolica)、红松(Pinus koraiensis)等为主，树高平均为18~21 m，郁闭度约为0.6; 疏林地多为次生疏林地，郁闭度约为0.2; 灌木林地覆盖度约为0.7。本文选取了图 1所示白色方框区域开展研究工作。该区域数据范围内地表覆盖类型多样，除了不同类型的林地之外，还包括农田及小部分建设用地，在下文的分类系统中统一为"其他"类型。区域长、宽向SAR影像像素数各为1 295，1 155，总面积为1 346 km²。

	图 1 研究区地理位置 Fig. 1 The geographic location of test site

ALOS PALSAR卫星数据重复周期为46天，大约1.5个月可获取1个时相的数据。由于L波段多极化的观测能力，比较适合森林资源调查及生态环境监测相关领域的遥感应用，故本研究选用该数据进行林地类型分类识别研究。获取了逊克县2007年6月22日、2007年8月7日和2007年9月22日3个时相的PALSAR双极化(HH/HV)数据，均为PALSAR Level 1.1级产品，方位相、距离相像元大小分别为4.49，9.6 m，本文进行多视化和重采样后像元大小为25 m×25 m。由于该数据所使用的L波段波较长，时间去相干相对较轻，因此在地表覆盖区仍然可以得到有效的InSAR数据。

为了更精确地选择分类训练样本及检验样本，还获取了2003年研究区基于Landsat TM影像的土地利用分类图、2003年逊克县森林资源二类调查图，并在逊克县林业局的协助下，于2012年9月对研究区范围内的土地类型进行了详细调查，共调查188个样点，同时对试验区的主要地类进行了定位和拍照，获得了可靠的地面调查数据。分类参考影像如图 2所示。ALOS PALSAR影像的获取时间为2007年，通过询问当地林业局，得知对于地物类型而言，2007—2012年间基本没有变化，只是耕地中的农作物类型略有变化，因此，时间差别对于分类结果及精度评价的影响甚微。

	图 2 分类参考影像 Fig. 2 Reference image of classification a.地面调查数据The ground investigation data; b.森林资源调查图Investigation map of forest resource; c.土地利用分类图Classification map of land use.

本文主要是在已经识别出林地与非林地(其他地类)的基础上，研究如何将林地类型进一步细分的方法。因此，参照《土地利用/覆盖现状分类国家标准》¹和《森林资源规划设计调查主要技术规定》²中关于林地分类系统的规定，并综合考虑多极化SAR影像对林地类型的识别能力以及研究区实况地表自然属性特征，本研究将林地类型确定为有林地、疏林地和灌木林地。

1)土地利用动态遥感监测规程. 1999.国土资源部行业标准.

2)森林资源规划设计调查主要技术规定. 2004. 国家林业局.

不同时相多极化SAR影像之间的相干系数是本研究所要获取的重要参数之一，表示2个时相影像间的相关程度，反映了2个时相获取间隔内地物目标的变化情况，与不同地物类型有一定的关系，可进行地表覆盖分类甚至森林植被类型的有效识别。2幅影像和之间的相干系数可定义为(Bamler，1998):

$ \gamma = \frac{{|\langle {s_1}s_2^*\rangle |}}{{\sqrt {\langle |{s_1}s_1^*|\rangle \langle |{s_2}s_2^*|\rangle } }}. $

其取值范围是[0，1]。若主辅影像接收到的雷达信号完全一致，则为1，达到最大值; 若接收到的信号完全不一致，则为0，达到最小值。

本研究选用GAMMA遥感软件对ALOS PALSAR 双极化数据进行预处理。该软件包括整个雷达影像处理的全部功能，例如从SAR原始信号处理到SLC影像、多视处理、滤波、正射校正、影像配准、DEM提取及形变分析等。为了得到强度及干涉信息，更好地研究SAR地物解译能力，对所获数据进行辐射定标、多视化、相干性估计、滤波、相位解缠、地理编码等预处理，最终得到一个时间序列的强度影像和干涉影像。

该研究的前提是已经具有了林地-非林地分布图，只对有林地进行分类，将有林地分为不同的林地类型，林地与非林地的分类识别方法不是本文的讨论内容。

PALSAR影像中每类地物的各项参数值会随着时相的变化而变化，如作物物候期的变化、气候变化所引起的水体变化、地表介电常数变化、人类活动及植被变化所引起的林地类型变化等，可为地物类型的区分提供有效信息。因此，利用时相特征分类之前，参考森林资源二类调查及地面实测数据，对多极化、多时相影像中不同林地类型SAR后向散射特征和干涉相干特征进行细致的分析，得到后向散射系数和干涉相干性的时变特征统计信息。

首先，通过选取感兴趣区域(ROI)定性分析不同时相、极化影像中有林地、疏林地、灌木林地3种类型的后向散射系数。为了能直观地表示后向散射系数的可分离性，分析了其在多通道数据中的统计直方图，如图 3所示。图 4反映了6—9月3个时相每种林地类型后向散射系数的变化信息。

	图 3 多时相双极化影像林地类型后向散射系数直方图 Fig. 3 Histogram of multi-temporal and dual-polarization SAR image in backscatter coefficient of forest land type

	图 4 PALSAR双极化影像林地类型后向散射系数时变特征分析 Fig. 4 Time series characteristics of multi-temporal and dual-polarization SAR image in backscatter coefficient of forest land type

对图 3、图 4分析表明: 1)该研究区HH极化影像中，灌木林地的后向散射系数略大于有林地; 而在HV极化中，有林地的后向散射最强。可能的解释是: 有林地上的植被是高大乔木，通常L波段微波穿透乔木冠层的能力要比低矮灌木植被弱，因此灌木林地会有更强的表面散射和二面角散射(直接地表、植被-地表、地表-植被散射)，从而会出现灌木林地HH极化后向散射系数高于有林地的现象; 而且乔木植被冠层结构组分的大小、方位分布的随机性也可能高于灌木植被，这种情况下有林地将比灌木林地具有更强的体散射效应，导致HV后向散射系数较高(Ulaby et al.，1981)。2)多时相HH极化影像中，3种林地类型的平均后向散射系数比较接近，可分离性差; 而在HV极化中，有一定的可分离性，但仍需要引入更多的相关特征去增大林地类型之间的可分离度。

另外，对2个时相的PALSAR影像进行干涉，可获得相干系数和相位2个重要参数。干涉相位较多用于DEM生成、植被高度反演和地表沉降等物理参数的获取研究，相干系数已被应用于地物特征的基础性分析。因此，基于同样的ROI分析了3种类型在不同时相的干涉相干性。图 5为多通道数据中相干系数的统计直方图，图 6描述了不同极化林地类型干涉相干系数的时变特征。

	图 5 多时相双极化影像林地类型干涉相干系数直方图 Fig. 5 Histogram of multi-temporal and dual-polarization SAR image in of forest land type

	图 6 PALSAR双极化影像林地类型干涉相干系数时变特征分析 Fig. 6 Time series characteristics of multi-temporal and dual-polarization SAR image in correlation coefficient of forest land type

由图 5、图 6可知: 1)相比于强度信息，HH极化的相干性对于有林地、灌木林地及疏林地的分类识别更有效。其中，HH极化6月与8月、8月与9月干涉相干性对于有林地、灌木林地及疏林地的区分度最高，这表明多时相的干涉相干性对于林地类型的区分有一定的潜力。2)3种林地类型在相邻时相的干涉影像中均表现出了较高的相干性，其中，灌木林地因其植被结构比较稳定而具有最高相干性，疏林地的相干性最小。

鉴于对有林地、疏林地、灌木林地3种林地类型在不同时相、不同极化后向散射系数及干涉相干系数的分析，本文选取了以下3个有效特征参数引入SVM分类器进行SAR林地类型分类。

1)多时相交叉极化HV的平均后向散射系数。其统计直方图如图 7a所示，该参数相比于其他强度信息对不同林地类型有最好的分离度。这是因为研究区灌木林地的平均高低于有林地，HV相比于HH极化对垂直方向的散射响应更强，而疏林地内树木生长稀疏，郁闭度在0.1~0.3之间，相比于郁闭度较大的有林地和灌木林地，其冠层所占比率小，而L波段入射波照射森林时，其后向散射以冠层和树干为主，因此，疏林地接受的回波也相对较少。

	图 7 多时相-极化-干涉有效特征参数统计直方图 Fig. 7 Histogram of efficient parameter derived from multi-temporal,polarization and interference

2)多时相同极化HH干涉的平均相干系数。其统计直方图如图 7b所示，HV极化的相干性对于有林地和灌木林地的区分有困难，而HH的相干性很好地反映了3种林地类型间的可分离性。这是由于外界因素的影响，3种林地类型去相关程度不同。其中，灌木林地相对最高，说明6—9月，其地表变化不如疏林地、有林地明显，这些特征为分类识别提供了重要依据。

3)多时相不同极化之间的强度比。由于不同时相的SAR影像受地形坡度、坡向、阴影等的影响，同一地物或目标的后向散射强度都会不一样，强度比可以尽可能地减小这些环境变化因素的影响，提供单一极化所不具有的独特信息，并且具有不受SAR乘性噪声影响的优势(Oliver et al.，1998)。8月份HH极化和9月份HV极化变化差异最大，可以更大程度地反映介质的物理性质、表面粗糙程度、结构特征等信息，使SAR图像解译的分类算法能更加正确地区分林地类型，该参数对难以区分的植被类型也非常有用(赵英时，2003)。

为了更加直观地描述本研究方法对林地类型的分类识别能力，根据红(R)、绿(G)、蓝(B)空间彩色合成原理，对上文引入的3个有效解译参数依次赋予R、G、B进行彩色叠加显示(图 8b)，能从极化、时相、干涉3种不同维度SAR影像上最大程度地突出有林地、疏林地及灌木林地3种类型的特性。其中，绿色圆圈区域为有林地;红色圆圈内为灌木林地，在图 8b上表现出与林地区分明显的橙红色;黄色圆圈内为少量的疏林地，在图 8b上显示为深绿色。图 8a为6月HH极化(R)、8月HV极化(G)、9月HH极化(B)3个时相的后向散射强度特性彩色叠加显示，与其相比可以看出，综合了干涉、极化比等多维信息较好地突出了地物边缘、结构、强度等信息，更能细致地反映不同林地类型的区别。

	图 8 彩色合成影像 Fig. 8 Color coded image a. 多时相-极化合成Composite of multi-temporal and polarization; b. 多时相-极化-干涉合成Composite of multi-temporal, polarization and interference.

选择了可分离性最好的单时相(8月)双极化影像，采用同样的特征参数进行SVM分类，如图 9a所示。从分类结果中可以看到，单时相双极化SAR影像分类中，有林地能较好地与非林地区分，即图 9中的其他地类。然而，灌木林地及疏林地的混分情况比较严重; 而本文引入HV极化平均后向散射系数、HH极化平均相干系数、不同时相-极化后向散射强度比这3个有效参数之后，所得到的SVM林地类型分类结果得到了很大程度提高，本文所发展的分类方法可使有林地、疏林地及灌木林地得到更好的区分。

	图 9 林地类型分类结果 Fig. 9 Classification result of forest land type

得到分类结果后，需要依据外业调查的地面实况数据进行精度评价，通过混淆矩阵验证分类结果与地面真实训练区样本之间的吻合程度。由于实际中获取条件的限制，通过地面调查得到所有验证点存在很大的困难，故采用均匀抽样的方法，以各个类型的部分像元代替整幅影像来评价精度。为了使检验样本更精更准，本文还采用了研究区森林资源二类调查数据以及Landsat TM影像作为参考。本研究共均匀选取了76个样本训练区，其位置分布如图 10所示，其中，有林地检验样本共2 484个像元，疏林地2 042个，灌木林地1 759个，其他地类检验样本像元总数1 318个。得到的精度验证结果如表 1所示。可以看出，引入有效多维度SAR特征信息后，林地类型的分类精度得到了很大程度提高，分类总精度为92.25%，Kappa系数为0.90，比单时相的分类结果提高了14%左右。本文所发展的2种多维度SVM分类方法都取得了较为满意的地物解译结果。

	图 10 ROI位置分布 Fig. 10 Location distribution of ROI

表 1 林地类型分类精度验证 Tab.1 Accuracy validation of forest land type classification results

表 1 林地类型分类精度验证 Tab.1 Accuracy validation of forest land type classification results 分类方法 Classification method 有林地 Forest land(%) 疏林地 Sparse forest lnad(%) 灌木林地 Shrub land(%) 总精度 Overall accuracy(%) Kappa系数 Kappa coefficient 单时相SVM Single-temporal of SVM 96.76 55.51 60.01 78.19 0.69 多时相-极化-干涉SVM Multi-temporal, multi- polarization and InSAR of SVM 99.00 83.99 82.43 92.25 0.90

林地类型的分类识别对于森林资源二类调查有重要的基础性意义。本文从极化、时相、干涉等多个维度信息开展林地分类方法研究:首先，对所获数据进行预处理，得到了一个时间序列的SAR后向散射强度和干涉相干影像;其次，分析不同林地类型SAR后向散射强度、干涉相干特征向量的时相变化特征，选择对分类有效的极化、干涉特征，并引入不同时相、极化的后向散射强度比，利用SVM分类器进行分类识别;最后，采用地面实况数据，并参考研究区的森林资源二类调查数据及Landsat TM影像进行精度评价。主要结论如下:

1)相比于同极化(HH)，交叉极化(HV)后向散射强度更有利区分林地类型，但是单靠强度信息得不到较满意的分类结果。

2)通常情况下，同极化(HH)林地类型的干涉相干性高于交叉极化(HV)，且HH极化的干涉相干系数与不同林地类型有一定的相关性，是区分有林地、灌木林地及疏林地的有效参数。

3)将有效解译参数依次赋予R、G、B进行彩色叠加显示，得到的彩色合成SAR影像能从极化、时相、干涉3种不同维度最大程度地突出有林地、疏林地及灌木林地3种类型的特性。

4)本文所发展的多时相、多极化SAR林地类型分类方法，分类总精度为92.25%，Kappa系数为0.90，比基于单时相多极化SAR的最好分类结果的精度提高了14%左右。

整幅影像范围内地表类型多样，除了林地之外，还有农田、建设用地等其他地类。若将本文方法应用到整幅影像覆盖范围，需要首先将林地与非林地识别开来，然后就可以采用本文的方法将林地进一步分成几大林地类型，除了需要在整个影像覆盖范围内定义各林地类型的ROI外，在分类特征选择及分类器训练和精度评价等方面和小区域并无本质的不同。另外，本研究尚未涉及对有林地类型的进一步细分(如针叶林、阔叶林等)，在以后的研究中可结合多时相SAR数据的概率密度联合分布模型、干涉相干性对森林类型识别敏感性分析等做一些更深层次的研究。