湿地是自然界最重要的生态景观和人类生存环境之一^[1]。东部沿海是我国经济最发达、人口密度最大的地区，随着社会发展，人地矛盾日益紧张，滨海湿地海岸线和陆地面积整体呈增长趋势，天然湿地面积急剧减少^[2]。因此对该地区进行长期土地覆被监测具有重要意义。

高分辨率遥感技术是进行土地覆被监测的重要手段。然而传统光学遥感影像易受沿海气候影响，云量较多，而SAR(synthetic aperture radar)具有全天时、全天候工作的特点，可作为补充数据源，其中全极化SAR具有4种极化方式，较单极化和双极化SAR含有更多的目标信息。Yammaha等利用共生矩阵纹理分析方法对极化SAR数据进行湿地植被分类研究，并且取得了比较好的效果^[3]。Cloude等利用H/α分解得到的散射熵H和平均散射角α将地物分为8类不同的散射机制，在此基础上对全极化影像进行非监督分类，并达到了比较好的分类效果^[4]。Moghaddam等利用多波段多极化(L波段HH极化和C波段VV极化)影像，通过基于规则的决策树算法成功识别出5种湿地类型^[5]。李新武等利用Cloude相干最优算法得到的最优相干系数、熵和后向散射系数数据进行土地类型的识别和分类^[6]。王安琪等结合SAR的极化特性，分析了多时相ENVISAT ASAR在不同极化下的三江平原洪河湿地保护区内不同植被类型的散射特性^[7]。此外，叶子伟等利用Radarsat SAR影像，结合DEM和ETM+信息去除影像阴影来进行水体提取^[8]。文献[9]提出一种扩展的基于四分量模型的极化分解方法，显著提高了全极化SAR数据在城区的分类精度。

目前，将全极化SAR数据应用于滨海湿地监测的研究还比较少。因此本研究选择黄河三角洲河口湿地这一具有代表性的湿地作为研究对象，选用Radarsat-2全极化SAR影像，结合由实地踏勘所得到的研究区解译图，基于目标极化分解技术，分析了芦苇、翅碱蓬、互花米草这3种典型滨海湿地植被在不同极化分解通道上的信号响应差异，在研究区范围内进行地物判别分析，并与同分辨率光学影像进行分类对比，探讨全极化SAR数据在滨海湿地遥感监测中的应用潜力。

1 方法与数据处理

本研究选择黄河三角洲为研究区，该地区位于山东省东北一带，地处渤海之滨。

本文使用的全极化SAR数据为2016年9月14日拍摄的Radarsat-2(HH，VV，HV，VH)影像，C波段单视复合数据，成像波束为Q5，距离向分辨率12 m，方位向分辨率8 m，图 1为4种极化方式下的Radarsat-2影像。

为了对比SAR与光学影像对湿地植被的识别能力，本文还选取了2015年9月份拍摄且空间分辨率相同的高分一号光学影像用作对比试验，如图 2。

1.1 Freeman-Durden三分量分解

SAR数据的获取模式与光学数据有本质区别，SAR数据受多种散射机制作用的影响，图像处理计算量庞大且繁复。极化分解理论能够在一定程度上解决这个问题，该理论利用交叉极化相关项中隐含的附加信息，从极化数据集中提取到更多极化特性。Freeman-Durden分解^[10]是一种以物理实际为基础，将三分量散射机制模型用于极化SAR观测的技术。该方法分别对3种基本散射机制进行建模：有随机取向偶极子组成的云状冠层散射即体散射，由一对不同介电常数的正交平面构成的偶次或二次散射，以及适度粗糙表面的单次散射。该模型将原始数据的协方差矩阵分解为以上3种散射分量之和的形式，总的后向散射模型可得到如下4个等式：

$ < {\left| {{S_{HH}}} \right|^2} > = {f_S}{\left| \beta \right|^2} + {f_D}{\left| \alpha \right|^2} + {f_V} $

(1)

$ < {\left| {{S_{VV}}} \right|^2} > = {f_S} + {f_D} + {f_V} $

(2)

$ < \left| {{S_{HH}}{S_{VV}}} \right| > = {f_S}\beta + {f_D}\alpha + {f_V}/3 $

(3)

$ < {\left| {{S_{HV}}} \right|^2} > = {f_V}/3 $

(4)

式中，下标V的变量对应体散射；下标D对应偶次散射；下标S对应单次散射。

由各散射成分权重的估计，可得到总的散射功率Span：

$ \begin{array}{l} {\rm{Span}} = {\left| {{S_{HH}}} \right|^2} + {\rm{ }}2{\left| {{S_{HV}}} \right|^2} + {\rm{ }}{\left| {{S_{VV}}} \right|^2} = {\rm{ }}\\ \;\;\;\;\;\;\;\;\;\;\;\;\;{P_S} + {\rm{ }}{P_D} + {P_V} \end{array} $

(5)

式中，3种散射分量的散射功率如下：

$ {P_S} = {f_S}\left( {1 + {{\left| \beta \right|}^2}} \right) $

(6)

$ {P_D} = {f_D}\left( {1 + {{\left| \alpha \right|}^2}} \right) $

(7)

$ {P_V} = {f_V} $

(8)

这个组合散射模型可以描述自然散射体的极化后向散射，用来初步确定哪种散射机制成分在极化SAR数据的后向散射模型中占主要地位。三分量散射机制模型可以有效区分覆盖地表的不同地物类型，并且有助于确定当前的地表覆盖状态^[11]。

1.2 数据预处理

本实验首先对原始影像进行初步处理，包括几何校正、祛噪、生成协方差矩阵；之后对处理后的数据进行freeman-Durden分解，得到3种散射机制分量如图 3(a)、3(b)、3(c)所示。实验根据研究重要性以及分布特点在研究区范围内选择了3种典型湿地植被进行研究，包括芦苇、翅碱蓬和互花米草。本实验参考地面实测数据在预处理后的图像上选择均匀的有单类重点地物分布的样本(图 3(d))进行响应系数提取；为了便于分析，还对数据进行了归一正则化处理。

2 实验结果与分析 2.1 地物散射机理与分解特征响应分析

本文使用的数据获取时间为秋季，植被种类繁多且混杂生长，物种间混淆度高，光谱信息具有高相似性，因此即使在高分光学影像中，部分植被类型的解译也极为困难，其中翅碱蓬的混淆现象尤为严重，几乎只能通过实地踏勘来进行判别。但不同物种的冠层盖度，生长疏密度，植被含水量，粗糙度等生态特性不同，导致散射方式互异，在极化SAR数据上可表征为不同极化分量间的响应差异。

本实验分别统计了3种地物在不同分解特征中的响应系数曲线，如图 4所示，结合地物散射机理分析可以发现：

1) 互花米草主要生活于潮间带，空间分布较为密集，呈杂草状，因此雷达信号穿过该类地物时极易产生体散射。图 4(a)显示，其在体散射通道中具有强响应，在偶次散射与面散射同道中响应系数很低。

2) 翅碱蓬一般生长在近海滩涂，入海口处最为集中，植被覆盖度较低，与裸露的潮滩往往形成破碎型景观，雷达信号经过翅碱蓬的部分产生大量体散射，而经过潮滩的部分产生大量单次散射(表面散射)。图 4(b)显示，其在单次散射和体散射通道中具有较强响应，在偶次散射通道中响应系数较低。

3) 芦苇是湿地环境中生长的主要植物之一，空间分布繁茂集中，植被高度较高，且大多生长在水中，繁茂的空间形态易产生大量体散射，而部分信号通过水面导致大量二面角散射的产生。图 4(c)显示，芦苇在体散射通道与偶次散射通道中具有强响应，而单次散射响应较弱。

2.2 极化分解通道显著性特征分析

根据三种极化分解通道响应曲线(图 5)与综合响应系数(表 1)分析可知：

1) 偶次散射的产生受特殊结构因素限制，故地物响应值很低，在影像上(图 3(a))呈大面积黑色。互花米草、翅碱蓬与周围多数地物混淆在一起，难以精确区分，但芦苇恰好相反，响应显著，呈亮白色。因此芦苇可单独根据偶次散射通道信息进行判别。

2) 单次散射通道是散射效应分布最为均衡的极化分量，无大面积黑斑，且无严重混淆现象，影像中(图 3(b))各类别轮廓清晰可见，是保留原始特征最为全面的散射分量。其中芦苇的响应系数在表面散射通道中处于较低水平，与其在偶次散射通道中的响应具有明显的反差特性，该特性可用于提高这类地物的判别精度。此外，翅碱蓬在面散射通道中具有强响应，与其他两种地物具有反差特性。

3) 在体散射通道中，3种地物类别具有严重混淆性，仅利用体散射通道信息不能进行判别。但通过影像(图 3(c))可以发现显示亮度较高的地区均为生长茂盛的植被，周围水体、潮滩等则响应偏低，因此该通道虽然对本文所选的地物类别提取无益，但有助于植被与其他地物的判别。

2.3 特征融合与可分性对比分析

本文对Freeman-Durden分解所得到的三分量数据进行了显著性特征分析。为了将不同通道中的有利信息进行整合、压缩，实验在上述特征分析的基础上进行了以下简单特征融合：

$ {B_1} = D + O - V $

(9)

$ {B_2} = D + V - O $

(10)

$ {B_3} = V $

(11)

式中, D指代偶次散射; O指代单次散射; V指代体散射。

这样就得到了一幅综合三分量显著特征信息的融合影像(图 6)。将融合影像与极化分解三分量假彩色影像(图 3(d))，同分辨率光学影像(图 2)进行细节对比(图 7)发现：

1) 基于极化分解得到的图像能够较好地区分在光学影像中判别效果不佳的地物。而融合影像对于本文选择的地物比原始的极化分解影像具有更高的判别能力，互花米草的类间平滑度更高，而翅碱蓬的类间差异对比性比更为突出，具有高度可分性。

2) 芦苇在融合影像中产生了一些错分现象，但在小区域范围内地物混淆程度比原始极化分解影像低。

为了定量评价融合影像的优劣，本实验分别对极化分解影像、高分光学影像以及融合影像进行MLC(maximum likelihood classification)分类，根据分类精度(表 2)可知：

(1) 从用户精度上看，上述3种影像对互花米草和翅碱蓬的分类效果都不甚理想，但融合影像和极化分解影像的精度要远高于同分辨率光学影像，而高分光学影像对芦苇的提取效果最好。

(2) 从总体分类精度上来看3种影像差距不大，极化分解影像以及融合影像略高于光学影像。

以上结果表明，全极化SAR在滨海湿地植被的监测上具有与同分辨率光学影像相等的能力，且对一些混生植被的判别能力强于光学影像。

3 结束语

1) 对Radarsat-2全极化SAR影像进行Freeman-Durden分解得到3种散射特征，分析发现地物在3通道中的信号响应情况与其散射机理一致，全极化SAR数据可利用物种间的空间特性差异优化地物的提取与判别。

2) 分析了芦苇、翅碱蓬、互花米草3种典型滨海植被在不同散射机制通道上的响应特性，发现地物在不同极化分解通道上的响应系数有显著差异。翅碱蓬唯一对单次散射具有强响应，芦苇唯一对偶次散射具有强响应，互花米草对偶次散射和单次散射皆具有弱响应。

3) 基于响应分析结果对极化分解特征进行基于先验条件的融合，实现了不同极化分量信息的整合，融合影像在总体精度上略高于同分辨率光学影像，对翅碱蓬和互花米草这两类地物的分类精度显著高于光学影像，全极化SAR影像不仅在数据获取条件上具有优势，在混生植被的判别上同样具有优势。