1 引 言
遥感影像分类是城市规划、林业管理、作物估产、生态环境建模以及变化检测等许多应用的基础 [ 1, 2, 3] 。为了从遥感影像中获取精准地物类型信息，相关研究人员分别从信息融合/协同处理、分类算法改进等方面进行了大量研究。信息融合方面，国际图像分析与数据融合委员会相继组织了一系列遥感数据融合竞赛，2006年侧重像素级融合算法对比分析、2007、2009和2010年关注光学与雷达遥感数据融合用于土地利用覆盖信息提取、2008年以高光谱数据融合为主、2011年侧重多角度数据融合、2012年多角度光学数据融合、2013年高光谱与LiDAR数据融合、2014年不同光谱范围和空间分辨率影像融合、2015多传感器超高分辨率信息融合并分为2D和3D两个单元同步进行、2016年侧重多时相和多模式遥感数据、2018年多传感器光学数据应用于城市土地利用/覆盖分类 [ 4, 5, 6, 7, 8] 。信息协同处理方面，Zhu等 [ 2] 以Landsat和PALSAR为数据源分别构建光谱、极化、空间等多特征集对城市地表信息进行提取。刘蕾等 [ 9] 以Landsat、Envisat ASAR及地形信息为多信息协同输入对扎龙湿地进行分类。刘培等 [ 10] 分别从Landsat和PALSAR数据提取极化特征、纹理特征结合光谱特征构建不同特征集进行协同分类。
马慧娟等 [ 11] 针对不同的地貌特征，提取不同的地理参数、纹理特征并结合光谱信息构建了最优的特征集并应用于随机森林分类。徐乔等 [ 12] 提出了一种利用超像素分割来综合应用SAR影像的高维极化特征和空间领域特征的分类方法，能够有效地降低SAR图像中相干斑噪声对分类的影响。何云等 [ 13] 基于Sentinel-2A影像，提取影像的光谱特征、植被、水体指数以及纹理特征，通过使用平均不纯度减小以及袋外（OOB）误差对不同的特征进行优选，利用优选后的特征构建随机森林分类.分类算法方面，基于支持向量机、决策树、最大似然、最小距离、神经网络以及各种分类器集成算法等都广泛应用于遥感影像信息提取。然而没有一种算法能够很好适应复杂多变的地表环境，研究认为在提高城市地表覆盖信息方面，改变信息输入方式比改变分类器自身更容易获取好的分类精度 [ 2] 。
本研究以Landsat和Radarsat-2为数据源，提出了协同光学信息和雷达干涉DEM信息的遥感影像分类方法，通过多源信息协同协作互补，以期达到提高分类精度的目的。首先通过干涉测量技术从SAR影像提取DEM，然后构建RF分类模型，利用Landsat光谱信息、Radsarsat-2的DEM信息以及ASTER GDEM信息构建3组协同策略，最后将所构建协同策略分别输入RF分类器中进行地物信息提取，并与SVM和DT的分类结果进行比较分析。
2 研究区和数据
研究区域为神府东胜矿区（简称神东矿区）。位于陕西榆林的神木镇大柳塔县，是我国最大的煤矿开采地之一，目前年产煤炭总量高达亿吨级，由于常年采煤造成地表沉陷，对地表形变和地表覆盖都造成较大影响。实验主要数据源有：①神东矿区2012年1月20日、2月13获取的Radarsat-2单视复图像（SLC）数据进行干涉生成DEM；②Landsat光学影像，获取时间2012年2月7日，轨道号127/033；③ASTER GDEM数据（如 图1所示）。
图1
3 研究方法
研究方法和研究思路如 图2所示:①首先利用两期Radarsat-2 SAR SLC数据结合外部ASTER GDEM数据进行干涉测量，经过基线估计、干涉图生成、滤波、相位解缠、去平、结合选择控制点的轨道精炼和重去平、相位转高程及地理编码等一系列处理生成研究区DEM地形数据；②对原始光学Landsat 7数据进行热红外波段剔除、光学与雷达数据配准、裁剪等数据预处理后提取光谱特征信息；③利用Landsat提取的光谱信息、Radarsat-2提取的DEM信息和ASTER GDEM地形信息构建A、B、C 3套特征组合策略；④选取研究区一套训练样本集Z，并从Z中随机选取10%的样本集Z’用来训练分类器模型DT、SVM、RF；⑤将特征组合集ABC分别带入训练好的分类器模型生成地表信息分类图；⑥利用90%的剩余样本集对分类结果进行精度评价，从不同特征集组合、不同分类模型及不同地形信息提取方式3个方面，分析地形信息对光学、SAR遥感数据协同分类的影响。
图2
3.1 基于Radarsat-2 SAR数据的DEM提取
研究中的地形信息主要是通过Radarsat-2雷达卫星INSAR干涉测量方法提取。Radarsat-2是继Radarsat-1后加拿大发射的一颗高分辨率商用雷达卫星，对其进行InSAR处理的主要流程和技术路线见 图2右上部分。其中基线在干涉测量中是一个至关重要的参数，值的大小会影响到干涉图的质量 [14] 。研究中利用ENVI SARScape 软件对Radarsat-2两幅SAR数据进行基线估算，得到空间基线为418.341 m，相位每变化一个2π周期，高程变化值为55.160 m。影像配准过程中，参考外部ASTER GDEM数据使用ENVI SARScape InSAR处理流程中的自动配准方法，以保证配准精度的可靠。DEM生成的过程中，对生成的干涉相位图进行去平处理，以提高DEM数据的精度 [15] 。最后利用解缠后的相位值反算地面高程并进行地理编码获取与研究区光学影像统一坐标系的DEM数据，如 图3所示。
图3
3.2 分类模型构建
随机森林（RF, Random Forest）是利用一系列CARTs树作为个体学习器进行集成学习预测分类的，某种程度上属于Bagging算法的一个变体 [16] 。Bagging是并行式集成学习方法最著名的代表，它是基于自主采样法（bootstrap sampling）从 t个训练样本集中随机有放回采样获取规模同样大小的t个训练样本集，新的 t个样本集中约有63.2%的原始训练样本 [17] 。通过自助采样法获取的训练样本集既有较大的差异性又有一定程度的相互重叠，从而确保产生比较好的基分类器。整个随机森林算法中，通过bootstrap算法对训练样本集D进行重构生成多棵决策树，每个决策树生成一种分类结果，通过投票法对结果进行集成输出。随机树生成过程中不进行剪枝，每个节点根据信息增益选择最优分类特征。
支持向量机（Support Vector Machines，SVM）分类器是通过寻找一个最优的超平面，根据样例个体到超平面的距离进行划分 [18] 。对于样例的线性不可分的问题，SVM算法利用核函数将样本映射到高维的线性可分的特征空间。研究过程中选取径向基函数作为核函数进行实验。
3.3 随机的样本选择和特征选取
样本的选择直接影响分类结果的精度和可靠性，研究参考Google Earth高分影像以及研究区实际情况将地表分为：建筑、植被、水体、固沙区和沙地5种地物类型，并提取训练样本集Z；采用分层随机抽样法从Z中提取10%样本作为训练样本，剩余的90%作为验证。将Landsat 7 ETM+光学影像特征、ASTER GDEM和InSAR干涉处理得到的DEM地形特征，构建3种特征组合的协同分类方案，如 表1所示。
表1 光学与雷达遥感数据协同分类方案
Table 1
| 特征组合方案 | 特征信息 | 分类方法 | |||
|---|---|---|---|---|---|
| A | ETM+ 光谱特征 | RF | SVM | DT | |
| B | ETM+ 光谱特征 + InSAR DEM | RF | SVM | DT | |
| C | ETM+ 光谱特征 + ASTER GDEM | RF | SVM | DT | |
4 结果与讨论
4.1 实验结果
基于所选样本集和不同协同分类策略，通过MATLAB编程，随机抽取10%样本训练模型，为确保精度可靠性消除随机选样可能带来的误差，在50次随机选取样本下建立分类模型对试验区进行随机森林（RF）、支持向量机（SVM）、决策树（DT）分类并进行平均精度分析。
表2 不同方案下不同分类方法精度评定
Table 2
| 评定指标 | 方案A | 方案B | 方案C | ||||||
|---|---|---|---|---|---|---|---|---|---|
| RF | SVM | DT | RF | SVM | DT | RF | SVM | DT | |
| 精度/% | 96.8 | 82.26 | 95.61 | 97.74 | 83.65 | 94.82 | 97.54 | 83.55 | 96.01 |
| Kappa | 0.958 8 | 0.782 5 | 0.944 0 | 0.970 9 | 0.798 4 | 0.934 4 | 0.968 3 | 0.797 3 | 0.948 9 |
图4
图4
不同方案下RF分类结果
Fig.4
RF classification results of different feature combination strategies
由 表2分类精度评定可知，在方案A中仅仅利用Landsat7 ETM+的光谱信息参与分类，3种不同的分类方法中RF分类精度最高达到96.8%、SVM分类精度最低为82.26%、DT分类精度接近RF分类的精度为95.61%。在方案B中，加入了InSAR提取的DEM特征，3种不同方案的分类精度分别是：RF为97.74%、SVM为83.65%、DT为94.82%。在方案C中，加入了光学获取的ASTER GDEM数据，3种不同分类方案的分类精度为：RF为97.54%、SVM为83.55%、DT为96.01%；在不同方案A、B、C中，RF分类结果均优于SVM和DT分类结果。
在分类方案A、B和C中对比发现：在方案A中RF分类精度为96.8%，DT分类精度为95.61%，两者相差仅有1.19%；但是在方案B中，RF分类精度为97.74%，DT分类精度为94.82%，两者相差达到了2.92%，而在方案C中，RF分类精度97.54%，DT分类精度为96.01%，两者相差达为1.53%。
4.2 讨论
为研究不同分类方案中，地形特征对分类精度的作用以及不同分类器在设计方案中的鲁棒性和普适性，分别对提出的3种方案做如下讨论。
针对方案A与方案B、C。考虑到研究区位于陕西北部的黄土高原与内蒙古高原的过渡区域，地貌以草滩、黄土丘陵、低山丘陵为主，加上多年的煤炭开采沉陷的影响形成了复杂的地形地貌结构，导致了仅利用光学影像不能准确地进行土地利用信息的提取。而加入地形辅助数据（DEM数据）能够对光学影像的信息特征进行拓展充分利用研究区的地形地貌特征数据（DEM高程信息）从而能够更加高精度地提取土地利用信息。因此方案B、C的分类方法总体上的分类精度明显优于方案A中3种分类结果。表明了外部地形特征辅助数据能够一定程度上提高光学遥感影像的分类精度。
方案B与方案C。方案B和方案C中均加入了外部DEM辅助特征数据，不同的是B中加入的是由InSAR技术提取的，C中的DEM数据来源是ASTER GDEM。由于ASTER GDEM数据对云层信息改正的得不完善而且对复杂的丘陵、山区等地貌复杂、起伏剧烈地区的地形地貌信息表达不足的情况；而利用InSAR技术提取的DEM数据能够借助雷达影像的特点更加真实地反映被云层和山体等阴影地区的地形地貌特征。因此，方案B和方案C的分类精度评定结果可得B的RF、SVM分类结果明显优于方案C的RF、SVM分类结果，表明利用Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略。
RF与DT算法。基于一系列CARTs树为个体学习器的RF集成分类器的实验结果与（1）和（2）的结论一致。在方案A中RF分类精度为96.8%，DT分类精度为95.61%，两者相差仅有1.19%;在方案B中，RF分类精度为97.74%，DT分类精度为94.82%，两者相差达到了2.92%;而在方案C中，RF分类精度97.54%，DT分类精度为96.01%，两者相差达为1.53%。可见在3种不同分类策略中，DT分类模型和RF分类模型对比中，验证了单棵DT的不稳定性。实验表明：通过多棵决策树生成的RF算法的鲁棒性和提取精度均优于DT算法和SVM算法。
5 结 语
本文主要研究了在地形信息辅助下的光学和雷达遥感协同处理方法。以Radarsat-2雷达影像和Landsat光学影像为数据源，通过选取典型研究区域，构建A、B、C 3套协同策略，训练RF、SVM、DT 3种分类器模型进行实验，结果表明：
（1）雷达与光学协同处理能够有效提高地表分类精度，且利用研究区雷达数据反演获取的地形信息比通过共享的免费数据更能有效提高分类精度，为今后光学影像分类精度的提高扩展了新的辅助数据源。
（2）在算法选择方面，验证了RF分类模型在雷达与光学协同分类方面，要优于单棵决策树和SVM的分类模型，可见RF分类模型有较高的噪声容忍度和较好的泛化能力。
（3）研究中以光学影像为主，通过多时相SAR影像提取的地形辅助数据作为辅助数据进行地物分类研究；在开阔光学和雷达遥感协同地表信息提取思路的同时对RF算法进行验证。为地形复杂的地区的遥感信息提取与地物分类研究提供了新的思路。
参考文献
Remote Sensing Sensors and Applications in Environmental Resources Mapping and Modelling
[J].
Assessment of Spectral, Polarimetric, Temporal, and Spatial Dimensions for Urban and Peri-urban Land Cover Classification Using Landsat and SAR Data
[J].
Remote Sensing Image Interpretation for Urban Environment Analysis: Methods, System and Examples
[J].
Research of Information Integration and Classifier Ensemble for Land Cover Types Identification
[J].
遥感信息融合和分类器集成的地类高精度识别
[J].
Multi-temporal Very High Resolution from Space: Outcome of the 2016 IEEE GRSS Data Fusion Contest
[J].
Processing of Extremely High-resolution LiDAR and RGB Data: Outcome of the 2015 IEEE GRSS Data Fusion Contest–Part A: 2-D Contest
[J].
Processing of Extremely High Resolution LiDAR and RGB Data: Outcome of the 2015 IEEE GRSS Data Fusion Contest—Part B: 3-D Contest
[J].
Processing of Multiresolution Thermal Hyperspectral and Digital Color Data: Outcome of the 2014 IEEE GRSS Data Fusion Contest
[J].
Wetland Mapping in the Zhalong Natural Reserve Using Optical and Radar Remotely Sensed Data and Ancillary Topographical Data
[J].
刘蕾
兼容光学雷达影像及地形辅助数据的扎龙湿地遥感分类
[J].
A Novel Remotely Sensed Image Classification based on Ensemble Learning and Feature Integration
[J].
刘培, 杜培军, 谭琨
一种基于集成学习和特征融合的遥感影像分类新方法
[J].
Random Forest Classification of Landsat 8 Imagery for the Complex Terrain Area based on the Combination of Spectral, Topographic and Texture Information
[J].
马慧娟,高小红,谷晓天
随机森林方法支持的复杂地形区土地利用/土地覆被分类研究
[J].
Multi-feature-based Classification Method Using Random Forest and Superpixels for Polarimetric SAR Images
[J].
徐乔
综合多特征的极化SAR图像随机森林分类算法
[J].
Land-cover Classification of Random Forest based on Sentinel-2A Image Feature Optimization
[J].
何云
基于Sentinel-2A影像特征优选的随机森林土地覆盖分类
[J].
Du Yong, Research on Extraction of High-precision DEM based on InSAE Baseline Correction
[D].
An Analysis of Different INSAR Flattening Algorithms and Their Influence on DEM Accuracy
[J].
艾彬,黎夏
InSAR平地相位去除算法及其对DEM精度影响研究
[J].
Random Forest in Remote Sensing: A Review of Applications and Future Directions
[J].
Bagging-based Selective Clusterer Ensemble
[J].
唐伟,周志华
基于 Bagging 的选择性聚类集成
[J].
