2023, Vol. 32
PDF
2. 中国地质大学, 湖北 武汉 430074
2. China University of Geosciences, Wuhan 430074, China
随着遥感技术的发展, 地学界对遥感信息提取的效率、精度、时效性等要求不断提高. 光学遥感受限于太阳辐射和天气制约明显, 极大限制了其在地学方面的应用范围[1]. 与之相比, 星载合成孔径雷达(SAR)具备全时段、主动成像、穿透性好、几何失真小等特点[1-4], 成为遥感地质方面的研究热点[5-12].
前人研究发现, 在地表裸露地区, 不同性质岩石抗风化能力具有差异性, 导致地表粗糙程度不同, 在雷达影像上表现出明显的色调差异[13-15]. 而东北地区由于植被覆盖厚、地表风化时间长, 岩体地表形态差异不大, 传统雷达影像特征不明显, 往往造成解译效果不理想.
本文依托中国地质调查局项目, 在东北植被覆盖区选择试验区, 开展不同类型雷达数据对岩体的解译能力和解译边界研究, 同时探索基于雷达数据的岩体智能识别模型, 为地质工作者快速、准确、智能获取信息提供一种途径.
1 研究区概况研究区位于松嫩地块东部, 小兴安岭-张广才岭岩浆弧中部, 总体地形为低山丘陵区, 山脉呈南北走向展布, 海拔高度400~1 600 m. 区内岩性主要由大面积分布的中生代岩浆岩和零星出露的晚古生代地层组成[16], 其中岩浆岩以花岗质岩石发育最为广泛, 其余岩石类型主要包括砂岩、片岩、安山岩、玄武岩、火山碎屑岩等(图 1)❶.
|
图 1 研究区岩石类型分布简图 Fig.1 Distribution map of rock types in the study area 1-砂岩(sandstone); 2-板岩(slate); 3-片岩(schist); 4-火山碎屑岩(pyroclastic rock); 5-松散堆积物(loose deposit); 6-花岗岩(granite); 7-花岗闪长岩(granodiorite); 8-安山岩(andesite); 9-玄武岩(basalt); 10-研究区位置(study area) |
❶刘琪，等. 地质图（L52E019011）中化地质矿产总局黑龙江地质勘查院，2016.
2 数据类型及处理合成孔径雷达通过自身发射和接收目标地物的微波脉冲进行成像, 波段的不同所获得的地物信息也有所差异. 本研究收集的SAR数据包括高分三号、哨兵一号和大地二号, 共计33景(表 1).
|
表 1 卫星有效载荷技术指标 Table 1 Technical indexes of satellite payload |
数据的预处理方面, 利用Python平台软件, 完成哨兵一号和高分三号的数据格式转换, 形成系统可识别的数据格式, 而后进行数据滤波和地理编码工作. 对于哨兵一号, 由于其原始数据仅仅有2个波段, 采用HH(R) + HV(G) + HH/HV(B)的方式进行组合; 对于全极化数据, 采用HH(R) + HV(G) + VV(B)的方式进行组合, 最后对地理编码后不同极化方式的雷达影像按照RGB的方式进行组合, 形成假彩色色调.
3 不同SAR数据解译能力对比在岩体解译中, 影响雷达图像后向散射强度的主要因素是岩石表面粗糙度和复介电常数. 表面粗糙度取决于表面结构行迹, 如砂、砾和卵石的颗粒和风化碎屑, 除未固结的砾石、砂和黏土外, 表面粗糙度与岩性之间没有明确的固定关系. 影响复介电常数的因素主要为岩石的类型、结构、密度和化学成分. 由于岩体含水普遍偏低, 此方面对数值的影响很小. 以上导致传统雷达图像后向散射强度差别不大. 本研究尝试通过极化雷达数据的分解组合, 并结合纹理特征来实现岩体识别, 从而逐步界定不同雷达数据综合解译的能力边界.
从单一花岗岩岩性纹理对比(图 2、图 3)中可以看出, 在哨兵一号影像上, 假彩色图像比单极化灰度图像(HH或HV)具有更多的色彩信息, 对地物分类更有利, 而不同极化的灰度图像中, HH极化包含更多的细节信息. 高分三号3 m聚束模式下(图 4), 地物精细程度更高, 边界更为明显, 对花岗岩与第四系的界线分辨较为容易. 但是单波段影像没有假彩色影像蕴含更多的地物信息, 因此在具体的解译过程中, 需要相互配合使用.
|
图 2 大地二号HH极化与哨兵一号HH/HV/(HH/HV)图像对比 Fig.2 Comparison of ALOS-2 HH polarization image and Sentinel-1 HH/HV/(HH/HV) image a-HH极化图像(HH polarization image); b-RGB组合假彩色图像(RGB false color composite image) |
|
图 3 高分三号HV极化与哨兵一号HH/HV/(HH/HV)图像对比 Fig.3 Comparison of GF-3 HV polarization image and Sentinel-1 HH/HV/(HH/HV) image a-HV极化图像(HV polarization image); b-RGB组合假彩色图像(RGB false color composite image) |
|
图 4 高分三号3 m影像与哨兵一号假彩色组合影像对比 Fig.4 Comparison of GF-3 3 m image and Sentinel-1 false color composite image a-高分三号UFS 3 m影像(GF-3 UFS 3 m image); b-哨兵一号10 m RGB组合假彩色图像(Sentinel-1 10 m RGB false color composite image) |
不同雷达数据比较显示, 高分三号8 m全极化假彩色(HH/HV/VV)图像细节信息量高于哨兵一号, 对不同岩体类型、岩体与土体和建筑物边界识别效果更好, 但是在边界特征显示上略低于3m分辨率的影像(图 5). 大地二号雷达数据L波段影像对岩体类型及界线分辨效果明显低于高分影像(图 6), 在高精度解译过程中仅作参考. 在对高分三号极化分解以后, 选取Paul分解图像[17-19]对比假彩色图像(图 7), 结果发现Paul分解图压制了图像噪声, 在地物细节上表现更为明显, 尤其对土体与岩体界线解译方面更具优势.
|
图 5 高分三号全极化、单极化与哨兵一号假彩色图像对比 Fig.5 Comparison of GF-3 full polarization, single polarization and Sentinel-1 false color images a-高分三号QPSI 8 m影像(GF-3 QPSI 8 m image); b-高分三号UFS 3 m影像(GF-3 UFS 3 m image); c-哨兵一号10 m假彩色图像(Sentinel-1 10 m false color image) |
|
图 6 高分光学影像与Palsar2 L-HH影像对比 Fig.6 Comparison of high-resolution optical image and Palsar2 L-HH image a-高分影像(high-resolution image); b-Palsar2 L波段HH图像(Palsar2 L-HH image) |
|
图 7 高分三号Paul分解及假彩色组合影像 Fig.7 GF-3 Paul decomposition and false color composite image a-QPSI 8 m Paul分解(QPSI 8 m Paul decomposition); b-QPSI 8 m假彩色(QPSI 8 m false color) |
通过对比研究发现, 分辨率的提升有利于岩体边界细节的提取; 高分三号8 m全极化雷达数据经过极化分解以后, 更有利于岩体的识别; 当前高分三号数据对岩体的解译效果优于哨兵一号和Palsar-2雷达数据.
4 SAR数据的岩体可解译程度在以上研究基础上, 利用高分3号数据对试验区部分岩体进行解译, 并对比地质资料, 综合判断雷达数据对岩体不同属性的可解译程度(表 2), 得出结论如下: 雷达遥感图像能够识别大多数裸露岩体和浅覆盖岩体的类型, 但是对一些具有表征特征的属性, 如破碎程度、风化程度等方面, 容易形成误判; 在数据分辨率方面, 为满足岩体的二级分类调查, 最好采用多极化数据, 1 : 5万需要5 m及以上的地面分辨率(非距离向、方位向分辨率, 是经过地理编码后所得到影像的地面分辨率, 下同)雷达遥感数据, 1 : 10万需要10 m及以上分辨率的雷达遥感数据.
|
|
表 2 岩体调查属性及高分三号雷达遥感可解译程度 Table 2 Rock mass survey attributes and remote sensing interpretation degree of GF-3 radar |
依托中国地质调查局综合地质遥感调查项目, 基于理论研究成果, 开发出基于雷达数据和LSTM网络模型的岩体类型识别模型.
5.1 数据部分采用高分三号数据对岩体进行智能识别, 对数据进行地理编码后, 采用不同极化雷达影像按照RGB方式进行组合, 形成假彩色色调, 将不同波段雷达影像组合, 得到智能识别模型的输入影像. 根据各类岩体类型的不同特征与波段性质, 建立各类别样本分类数据集.
5.2 模型部分基于多象感知的双向LSTM网络模型(图 8)主要包括5个部分: 构建多象的样本序列; 使用Gabor过滤器和TPLBP (Three-Patch Local Binary Pattern)方法来提取反向散射特征; 通过全连接的MLP (Multilayer Perceptron)网络(图 9)对提取的特征进行降维; 然后经过双向LSTM神经网络对数据的多象特征进行学习; 最后利用分类器识别出各个目标的具体类型.
|
图 8 基于多象感知的双向蕴杂栽酝网络的岩体识别模型 Fig.8 Rock mass identification model based on multi-image perception two-way LSTM network |
|
图 9 MLP全连接层 Fig.9 Multilayer perception fully connected layer |
具体实现步骤: 为了从SAR影像中提取多方面特征目标, 应选择不同时相和角度的相应图像序列并从中构建原始数据集; 对于SAR图像, Gabor过滤器可以根据象位信息来捕获影像的全局空间特征, TPLBP方法则使用短二进制串来编码影像的局部空间特征, 两者结合可以使提取出的特征更加全面精准, 为不同种类岩体识别分类提供较为准确的信息; 在得到Gabor和TPLBP提取的特征之后, 需要继续对所提取特征空间的维数进行削减操作, 以最小化模型后续训练可能产生的信息损失, 所采用的降维方法是MLP全连接网络, 由输入层、单个隐藏层和输出层构成, 前两层为实际降维的步骤.
MLP网络结构可描述如下:
| $ f\left(y_i \mid X\right)=\operatorname{softmax}\left[b^{(2)}+W^{(2)}\left(\mathrm{R}\left(b^{(1)}+W^{(1)} X\right)\right)\right] $ |
其中X为SAR影像的输入特征向量, y表示类别, f为X属于类别yi的概率, b为偏差, W为权重, R为线性激活函数(ReLU).
之后应用双向LSTM网络, 其每个隐藏层中包含两个循环网络层--第一个对图像序列正向处理, 另一个对序列进行反向处理. 由于两者连接到同一输出层, 所以该网络能够得到当前数据点前后的全部信息, 能够提取到更加全面的信息. 与之相比, 标准的LSTM结构只能获取数据点之前的序列信息, 导致信息量不足. 最后分类器会对之前识别的特征进行分类比较, 得出相应的岩体分类结果.
模型精度评价采用两种方式: 一是利用总体精度(Accuracy, Acc)、Kappa系数、F1-Score三个指标衡量模型的优劣, 并对每一个类别的精确率(Precision)、召回率(Recall)和F1-Measure进行分析, 其中Acc是对识别结果的总体评价, 其值等于正确识别的样本个数除以总的样本个数, Kappa系数可以反映参考数据与识别结果之间的吻合程度, F1-Score是对模型准确率和召回率的加权平均; 二是将模型分析结果与实测岩体分布图对比, 从而反映模型的总体预测效果.
5.3 结果与评价将人工解译出的岩体类型与原始影像结合生成训练数据集, 导入网络模型(图 10)中对其进行训练, 使用图像增强等方法增加训练的数据, 最终保存验证集精度最好的模型. 实验的硬件平台为GTX 1080 Ti GPU, 实验框架为Python=3.7, kares=2.3.1和tensorflow=2.1.0.
|
图 10 双向LSTM网络结构 Fig.10 Two-way LSTM network structure |
利用训练好的模型, 对影像数据的每一个像元进行预测, 得到一个与原始影像的宽和高相同的图片, 作为全图的预测标签图. 在此过程中, 需要把每一个像元作为64×64邻域的中心进行预测, 该邻域的标签, 即为该像元的标签值. 为了使最终输出标签的数目与原始影像的像元数目一致, 需要对影像的上下左右各填充32个像元, 填充值为0. 本研究在试验区随机选取共8 866个样本点, 参数设置为: batch_size=1024, epoch=800, learning_rate=0.0001.
经验证, 预测结果图整体区域预测分布正确, 部分类别中存在"椒盐现象"(图 11). 本实验利用Recall、Precision、F1、Kappa和Acc作为精度评价的指标, 总体精度达到83.0%(表 3).
|
图 11 岩体模型预测结果与实际岩体类型对比 Fig.11 Comparison between prediction result of rock mass model and actual rock type a-岩体模型预测结果(prediction of rock mass model); b-实际岩体类型(actual rock type)❶; 1-花岗岩/花岗闪长岩(granite/granodiorite); 2-板岩(slate); 3-火山碎屑岩(pyroclastic rock); 4-水域(water); 5-松散堆积物(loose deposit) |
❶吕长禄，等.黑龙江省亚布力镇幅地质图( L52C004002 ).黑龙江省地质调查研究总院，2006.
|
|
表 3 岩体模型精度评价结果 Table 3 Accuracy evaluation result of rock mass model |
(1) 采用极化雷达数据的分解组合, 结合影像纹理特征, 能够有效提升对岩体类型的识别能力, 但对其他表征属性无法直接解译. 经对比研究, 高分三号8 m全极化雷达数据经极化分解后, 更有利于岩体的识别和机器学习模型训练.
(2) 基于高分三号雷达数据及多象感知的双向LSTM网络模型, 可以有效地实现对岩体的智能识别, 结果显示总精度达到83.0%, 能够为地质工作者提供辅助决策依据.
(3) 研究显示, Paul分解图能够有效压制噪声提升影像质量; MLP全连接网络降维方法可以较好地解决多极化信息应用于神经网络分类技术所产生的数据冗余和高误差问题. 下一步将继续研究优化雷达数据预处理的方法, 提升智能解译模型的泛化能力, 为遥感岩体信息的快速、精确提取提供科学途径.
| [1] |
闫柏琨, 王润生, 甘甫平, 等. 热红外遥感岩矿信息提取研究进展[J]. 地球科学进展, 2005, 20(10): 1116-1126. Yan B K, Wang R S, Gan F P, et al. Progresses in minerals information extraction using thermal remote sensing[J]. Advances in Earth Science, 2005, 20(10): 1116-1126. DOI:10.3321/j.issn:1001-8166.2005.10.011 |
| [2] |
谭衢霖, 邵芸, 范湘涛. 雷达遥感的地质学应用及其进展[J]. 遥感技术与应用, 2002, 17(5): 269-275. Tan Q L, Shao Y, Fan X T. Geology application of radar remote sensing technology and its development[J]. Remote Sensing Technology and Application, 2002, 17(5): 269-275. DOI:10.3969/j.issn.1004-0323.2002.05.008 |
| [3] |
Blom R G, Crippen R E, Elachi C. Detection of subsurface features in SEASAT radar images of Means Valley, Mojave Desert, California[J]. Geology, 1984, 12(6): 346-349. DOI:10.1130/0091-7613(1984)12<346:DOSFIS>2.0.CO;2 |
| [4] |
谭衢霖, 邵芸. 成像雷达(SAR)遥感地质应用综述[J]. 地质找矿论丛, 2003, 18(1): 59-65. Tan Q L, Shao Y. Geological application of radar remote sensing technology and its development[J]. Contributions to Geology and Mineral Resources Research, 2003, 18(1): 59-65. |
| [5] |
Guo H D, Zhu L P, Shao Y, et al. Detection of structural and lithological features underneath a vegetation canopy using SIR-C/X-SAR data in Zhao Qing test site of southern China[J]. Journal of Geophysical Research: Planets, 1996, 101(E10): 23101-23108. DOI:10.1029/96JE01974 |
| [6] |
Paradella W R, Bignelli P A, Veneziani P, et al. Airborne and spaceborne synthetic aperture radar (SAR) integration with Landsat TM and gamma ray spectrometry for geological mapping in a tropical rainforest environment, the Carajas Mineral Province, Brazil[J]. International Journal of Remote Sensing, 1997, 18(7): 1483-1501. DOI:10.1080/014311697218232 |
| [7] |
Pal S K, Majumdar T J, Bhattacharya A K. ERS-2 SAR and IRS-1C LISS Ⅲ data fusion: A PCA approach to improve remote sensing based geological interpretation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 61(5): 281-297. DOI:10.1016/j.isprsjprs.2006.10.001 |
| [8] |
孟树, 叶发旺, 刘洪成. 新疆乌伦古河地区卫星SAR影像岩性识别研究[J]. 世界核地质科学, 2017, 34(3): 153-160. Meng S, Ye F W, Liu H C. Study on lithology identification by satellite SAR image in Wulunguhe area, Xinjiang[J]. World Nuclear Geoscience, 2017, 34(3): 153-160. |
| [9] |
郑鸿瑞, 徐志刚, 甘乐, 等. 合成孔径雷达遥感地质应用综述[J]. 国土资源遥感, 2018, 30(2): 12-19. Zheng H R, Xu Z G, Gan L, et al. Synthetic aperture radar remote sensing technology in geological application: A review[J]. Remote Sensing for Land & Resources, 2018, 30(2): 12-19. |
| [10] |
刘洪成, 孟树, 叶发旺, 等. UExplore_SAR软件在铀矿地质勘查中的应用[J]. 世界核地质科学, 2018, 35(2): 84-91. Liu H C, Meng S, Ye F W, et al. The application of UExplore_SAR software in uranium geological exploration[J]. World Nuclear Geoscience, 2018, 35(2): 84-91. |
| [11] |
李志忠, 杨日红, 党福星, 等. 高光谱遥感卫星技术及其地质应用[J]. 地质通报, 2009, 28(2/3): 270-277. Li Z Z, Yang R H, Dang F X, et al. The hyperspectral remote sensing technology and its application[J]. Geological Bulletin of China, 2009, 28(2/3): 270-277. |
| [12] |
汤沛, 邱玉宝, 赵志芳. 合成孔径雷达(SAR)在地质、灾害应用研究中的新进展[J]. 云南大学学报, 2012, 34(S2): 305-313. Tang P, Qiu Y B, Zhao Z F. The new progress of synthetic aperture radar (SAR) in geological and disaster researching[J]. Journal of Yunnan University, 2012, 34(S2): 305-313. |
| [13] |
Mackenzie J S, Ringrose P S. Use of SEASAT SAR imagery for geological mapping in a volcanic terrain: Askja Caldera, Iceland[J]. International Journal of Remote Sensing, 1986, 7(2): 181-194. |
| [14] |
Guo H D, Liao J J, Wang C L, et al. Use of multifrequency, multipolarization shuttle imaging radar for volcano mapping in the Kunlun Mountains of Western China[J]. Remote Sensing of Environment, 1997, 59(2): 364-374. |
| [15] |
倪卓娅. 基于SAR影像的岩性分类及其在地质上的应用研究[D]. 北京: 中国地质大学, 2012. Ni Z Y. Research on lithological classification using SAR image and its application on geology[D]. Beijing: China University of Geosciences, 2012. |
| [16] |
刘恺, 张进江, 葛茂卉, 等. 中生代兴蒙造山带东缘的古太平洋板块俯冲[J]. 矿物岩石地球化学通报, 2016, 35(6): 1098-1108. Liu K, Zhang J J, Ge M H, et al. Mesozoic subduction of the Paleo-Pacific plate along the eastern margin of the Xing-Meng Orogenic Belt[J]. Bulletin of Mineralogy, Petrology and Geochemistry, 2016, 35(6): 1098-1108. |
| [17] |
Qi Z X, Yeh A G O, Li X, et al. A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data[J]. Remote Sensing of Environment, 2012, 118: 21-39. |
| [18] |
陈启浩, 聂宇靓, 李林林, 等. 极化分解后多纹理特征的建筑物损毁评估[J]. 遥感学报, 2017, 21(6): 955-965. Chen Q H, Nie Y L, Li L L, et al. Buildings damage assessment using texture features of polarization decomposition components[J]. Journal of Remote Sensing, 2017, 21(6): 955-965. |
| [19] |
刘修国, 陈奇, 陈启浩, 等. 综合多特征的高分辨率极化SAR图像分割[J]. 系统工程与电子技术, 2015, 37(3): 553-559. Liu X G, Chen Q, Chen Q H, et al. Integrated multi-feature segmentation method for high resolution polarimetric SAR images[J]. Systems Engineering and Electronics, 2015, 37(3): 553-559. |