王慶，曾琪明，廖靜娟

(1.北京大學遙感與GIS研究所，北京100871;2.中國科學院對地觀測與數(shù)字地球科學中心，北京100094)

基于極化分解的極化特征參數(shù)提取與應用

王慶1，曾琪明1，廖靜娟2

(1.北京大學遙感與GIS研究所，北京100871;2.中國科學院對地觀測與數(shù)字地球科學中心，北京100094)

基于極化分解原理，獲取了描述地物散射機制的特征參數(shù)，并組合成一些特征指數(shù)，如雷達植被指數(shù)等。這些特征指數(shù)具有反映體散射信息的能力，從而可間接獲取植被長勢、疏密程度及分布區(qū)域等信息。實驗選擇了鄱陽湖區(qū)Radarsat－2全極化數(shù)據(jù)，結(jié)合野外采集的樣本數(shù)據(jù)，在分析該區(qū)植被特征的基礎(chǔ)上，對不同特征參數(shù)進行了對比分析，對雷達植被指數(shù)與實地測量樣本的生物量參數(shù)進行了相關(guān)分析。實驗結(jié)果表明:文中給出的4種特征參數(shù)對植被引起的隨機散射的描述總體趨勢是一致的，但隨著植被覆蓋密度的增大，不同特征指數(shù)具有一定的差異，其中雷達植被指數(shù)最為準確，適用動態(tài)范圍最大，并且與濕地植被生物量具有較高的線性相關(guān)性，可以定量地反映研究區(qū)的植被疏密及生物量差異信息。

非相干分解;極化分解;散射機制;雷達植被指數(shù)

0 引言

合成孔徑雷達(synthetic aperture radar，SAR)具有全天候、全天時對地觀測的能力，全極化SAR(polarimetric SAR，Pol－SAR)對地觀測可獲取地物散射回波的能量、相位和極化信息［1］。雷達波在與地物作用時受地物結(jié)構(gòu)影響，原發(fā)射電磁波的極化狀態(tài)會發(fā)生變化，極化SAR可獲取各極化通道的相位和幅度參量信息。這是利用極化SAR數(shù)據(jù)提取地物結(jié)構(gòu)等信息的基礎(chǔ)。相比光學遙感僅能獲得植被冠層光照的特點，極化SAR具有電磁散射矢量特性和微波穿透性等優(yōu)勢，對森林和農(nóng)作物等植被的分布、結(jié)構(gòu)及長勢狀況等信息可反演得更準確。但極化SAR研究多集中在極化分解［2］和電磁散射模型［3－4］等方面。為了有效快速地應用極化SAR數(shù)據(jù)，還需借鑒光學遙感(如植被指數(shù))構(gòu)建極化SAR特征參數(shù)并研究其應用，發(fā)揮極化SAR具備的優(yōu)勢。利用全極化SAR數(shù)據(jù)提取或反演植被等目標的相關(guān)信息將是目前及未來研究的熱點［1－4］。

極化分解技術(shù)［5］是研究和應用全極化SAR數(shù)據(jù)的主要方法，因為極化分解技術(shù)本質(zhì)上分離了地物不同散射機制引起的極化特征，利用各種極化分解方法就可以有效地提取目標地物的主要散射特征，從而實現(xiàn)提取目標地物信息的目的。其中，極化分解包含了基于散射矩陣的相干目標極化分解和基于散射矩陣的二階矩(協(xié)方差矩陣或相干矩陣)的非相干目標極化分解［5］。極化特征參數(shù)是基于極化分解技術(shù)得到反映目標散射電磁波特征的參數(shù)或在這些極化分解參數(shù)基礎(chǔ)上組合形成的特定指數(shù)。利用這些特征參數(shù)可以相對容易地解釋電磁波與地物之間的相互作用，簡化了定量反演地物參數(shù)等有關(guān)信息的算法。

雷達遙感應用中的自然目標大多為分布目標散射體，其屬于非相干目標，可采用非相干極化分解方法對散射體進行統(tǒng)計性描述。常用的非相干分解方法有Freeman－Durden分解［6］、基于特征矢量和特征值的分解［5，7］、H/A/alpha分解［8］及Van Zyl分解［9］等。采用這些分解方法，都可以在一定約束條件下得到反映目標散射特性的定量信息。這些分解方法分別從基本電磁散射物理模型、數(shù)學正交分解模型及地物散射模型等角度出發(fā)，反演出地物散射回波信息中的單次、偶次和隨機散射的強度，以及與地物結(jié)構(gòu)密切相關(guān)的參數(shù)。本文主要根據(jù)Freeman－Durden分解和特征矢量分解方法，分別介紹雷達植被指數(shù)、基于Freeman分解的雷達植被指數(shù)、Luneburg熵和歸一化Pedestal等4個參數(shù)的推導及物理含義，并以一景覆蓋鄱陽湖濕地的Radarsat－2全極化SAR數(shù)據(jù)為例，結(jié)合研究區(qū)植被特點，研究了這些極化特征參數(shù)與實際地物覆蓋特征的對應關(guān)系，并分析這些參數(shù)之間的關(guān)系，為極化SAR數(shù)據(jù)高效廣泛的應用奠定基礎(chǔ)。

1 特征矢量分解與極化SAR的特征參數(shù)

1.1 特征矢量分解

根據(jù)相干矩陣的特征向量分析，Cloude［5］提出了能包含所有散射機制的分解方法，在分析矩陣群論的基礎(chǔ)上，用Pauli基矩陣把散射矩陣分解成4個散射機制的矢量和，它們分別表示各向同性表面散射、二面角散射和交叉極化散射(含2項)。該分解除了能解釋全極化SAR圖像上地物的物理散射機制外，還具有正交散射機制的優(yōu)點，因為Pauli基是兩兩正交的，于是獲取的散射機制信息是互相獨立的，彼此不相關(guān)的。

以Pauli基為分解基，將散射矩陣分解后系數(shù)矢量化，得到極化目標矢量k［1－2］及其相干矩陣T3，即

由矩陣論可知，相干矩陣T3為半正定的Hermite矩陣，可以通過酉相似變換進行對角化，即

式中:每個T3i都表示一種散射機制，其對應特征值λi(i=1，2，3)反映了不同散射機制的強度;特征值λi及特征向量ui反映了接收回波中所有散射信息;U3為3個特征向量ui組成的矩陣。由此Cloude［8］定義了反映地物散射回波及與地物組織結(jié)構(gòu)隨機性的散射熵［8］(H)，即

式中αi(i=1，2，3)為特征矢量內(nèi)部參數(shù)。

1.2 極化特征參數(shù)

1.2.1 雷達植被指數(shù)

Van［9］把樹狀植被刻畫成各種圓柱介質(zhì)，植被的結(jié)構(gòu)決定了圓柱的大小、疏密和圓柱組合的方向，并應用隨機方向的圓柱電介質(zhì)模型對普通形狀的植被電磁散射進行了計算機模擬，分析了植被電磁散射具有的極化特征，發(fā)現(xiàn)相干矩陣分解得到的第2和第3特征值與該模型等價，于是給出了一個雷達植被指數(shù)(RVI)，即

式中:λ1＞λ2＞λ3;0≤RVI≤4/3;當RVI等于4/3時，對應著較細的圓柱，即植被比較稠密，電磁波與其相互作用時發(fā)生完全隨機性的散射，入射波在介質(zhì)內(nèi)發(fā)生了充分的隨機散射，致使散射回波完全去極化，3個特征值大小相同;而隨著RVI減小至0時(λ3=0)，則對應著粗壯的圓柱，即植被的結(jié)構(gòu)較為簡單，被刻畫成幾個簡單的圓柱組成，此時散射回波主要是單一散射機制，去極化效應較低(入射波與植被相互作用時發(fā)生的隨機散射較少)，絕大多數(shù)入射波都直接經(jīng)過單次或偶次散射后離開，散射波仍能保持著較好的極化特性。因此，對于簡單低密度植被和結(jié)構(gòu)簡單的地物如水面、城市建筑、道路及低粗糙的裸地等，RVI是迅速衰減的。

1.2.2 基于Freeman分解的雷達植被指數(shù)

Freeman［6］基于3種簡單散射機制即奇次、偶次散射和體散射的模型定義了3種散射矩陣，將全極化SAR數(shù)據(jù)的協(xié)方差矩陣分解后得到3類散射機制的功率分量。體散射是指入射波進入植被內(nèi)部發(fā)生了多次散射，其散射回波為隨機散射波，它發(fā)生了明顯的去極化效應。因此，體散射成分越多，則表明該地物去極化特性越顯著，回波隨機程度越高。本文根據(jù)3種分量的比例推導出雷達植被指數(shù)。全極化SAR獲得的總協(xié)方差矩陣C3可以表征3種散射機制的協(xié)方差矩陣之和，即

式中:fv，fd和fs分別為體散射、偶次散射和奇次散射3種散射機制模型的貢獻權(quán)重;Cvolume，Cdihedral和Csurface分別為上述3種散射機制模型的協(xié)方差矩陣。于是定義基于Freeman分解的雷達植被指數(shù)(RVIFreeman)為

RVIFreeman的取值范圍是［0，1］。當雷達波照射區(qū)域為裸露地面或面狀地物時，因為體散射分量fv趨向于零，所以RVIFreeman的取值也趨向于零;當觀測區(qū)包含有樹林或灌木時，雷達波穿透冠層與地面發(fā)生單次散射的能量減小，因此fs將減小;同理，雷達波入射地面反射到樹干發(fā)生二面角反射的回波也降低，因此fd也將減小;而體散射功率會增大，致使RVIFreeman的取值趨向于1。該雷達植被指數(shù)的缺點是Freeman分解未區(qū)分粗糙裸地和植被冠層的散射機制，但粗糙裸地的散射強度要遠低于植被冠層(特別是濃密植被的后向散射強度)，所以對于高密度覆蓋的植被區(qū)域，RVIFreeman仍具有較好的定量指示意義。這是由于非相干目標極化分解所基于的二階矩具有表征功率信息的能力。

1.2.3 Luneburg熵

根據(jù)特征矢量分解得到的3個特征值，Luneburg［10］定義了目標隨機程度算子，即

1.2.4 歸一化的Pedestal

由極化合成［1－2，11］的概念可知，在獲取目標的散射矩陣之后，可以計算在發(fā)射和接收天線任意極化組合下接收到的回波功率;由此得到目標的極化響應圖，進行歸一化后，對于純目標而言，其接收功率的范圍在［0，1］，而對于分布目標而言，其功率歸一化最小值＞0;由于極化合成中功率P(ψr，xr，ψt，xt)的計算為T3特征值的二次型，即最小的接收功率為最小的特征值項，而最大的接收功率為最大的特征值項，兩者系數(shù)相同［2］;故可推知歸一化的極化響應圖的基座高度(Pedestal)，即

式中λ1≥λ2≥λ3。由于相干矩陣的特征值與最優(yōu)化的后向散射極化相關(guān)，最小和最大的特征值也對應著最小和最大的可接收到的后向散射功率，即當雷達天線適當配置時可得到最小或最大的目標后向散射功率，分別對應著最小或最大特征值。因此，兩者之比可反映地物的去極化特性。對純目標而言，其Pedestal=0，即無去極化特性;對分布目標而言，其Pedestal＞0，說明分布目標具有去極化特點;當分布目標的3個特征值相同時，則去極化最大，Pedestal=1。

2 實驗數(shù)據(jù)及實驗區(qū)植被特征

2.1 數(shù)據(jù)源與研究區(qū)范圍

本研究使用一景2010－03－24 T 22:00獲取的Radarsat－2標準全極化數(shù)據(jù)，其中數(shù)據(jù)范圍為E116°05'40″～116°26'46″，N28°49'16″～29°10'25″。圖像的空間分辨率為5.4 m×8.0 m(距離×方位向)，入射角為30.28°～32.02°(近距～遠距)，測繪帶為25 km×25 km(距離×方位向)，具體范圍如圖1所示。

圖1 研究區(qū)光學圖像、濕地苔草樣本及雷達圖像Fig.1Optical image，carex samples and SAR image of study area

2.2 實驗區(qū)植被特征

鄱陽湖濕地植被主要分布于2個區(qū)域:水陸過渡區(qū)和出露草洲。水陸過渡區(qū)內(nèi)主要為沼澤地，由于緊接水陸分界線，其下墊面為潛育土層，水分飽和，可見殘留浮葉植物和一些沼生植被;出露草洲的土層為草甸土，土壤水分較足，生長沼生植物。這2個區(qū)域的植被大部分為多年生草本植物，如苔草、蘆葦?shù)?，覆蓋密度大，沒有粗壯的莖桿和闊葉，莖葉形態(tài)相似，葉片從根部到頂部寬度窄細分布均勻。

雷達波與實驗區(qū)植被的相互作用可以利用“水云”模型［12］來模擬。總后向散射系數(shù)中土壤的單次散射貢獻量隨著單位體積內(nèi)植被重量的增大而呈指數(shù)級衰減。在植被密集區(qū)，總后向散射系數(shù)是與植被的后向散射強度近似成正比。

“水云”模型是把植被看成一定高度層狀物，內(nèi)部分布著各種微小粒子和空氣分子，粒子的密度反映了生物量的大小。對生物量的估算模型可簡化為

式中:K為常數(shù);A為單位面積，m2;H為冠層的高度，m;D為微小顆粒密度，g·m－3;B為生物量，g·m－2，其與高度和植被顆粒密度的乘積成正比。圖2給出了野外采集的樣本數(shù)據(jù)參數(shù)，包括單位面積下植被平均高度和植被顆粒密度(單位體積植被質(zhì)量)與單位面積生物量間的關(guān)系。可見生物量與植被顆粒密度的線性相關(guān)性更強，這也表明利用“水云”模型的散射機理來解釋鄱陽湖苔草植被冠層的后向散射特征是合理的。

圖2 鄱陽湖濕地植被生物量與植被高度、植被顆粒密度間的關(guān)系Fig.2Respective correlation between wetland biomass and height，density of the carex in Poyang Lake

3 實驗結(jié)果與分析

3.1 極化特征參數(shù)計算結(jié)果

首先根據(jù)頭文件參數(shù)對獲取的散射矩陣數(shù)據(jù)進行輻射定標，繼而應用式(1)(2)可得相干矩陣T3及協(xié)方差矩陣C3，應用特征值分解和Freeman分解方法求得每個像素對應的特征值及Freeman分解的3個參數(shù)。根據(jù)1.2節(jié)各極化特征參數(shù)計算公式得到的結(jié)果如圖3所示。

圖3 -1研究區(qū)4個極化特征參數(shù)分布圖Fig.3-1Distribution of polarization characteristic parameters of four types in study area

圖3 -2研究區(qū)4個極化特征參數(shù)分布圖Fig.3-2Distribution of polarization characteristic parameters of four types in study area

由圖3(a)可見，在鄱陽湖各河流入口處(圖像中心位置)及附近洲灘地帶，絕大多數(shù)的RVI＞0.7。這是因為該地區(qū)分布大量茂密的苔草和蘆葦?shù)戎脖?，而圖像左下角的農(nóng)田及城市區(qū)域的RVI＜0.6，水域的RVI則更低(＜0.2)。在一些靠近湖邊植被較為密集的區(qū)域，其RVI＞1.0，如圖上呈紅色調(diào)區(qū)域。與此類似，圖3(b)—(d)均可見，在植被較密集的洲灘，RVIFreeman、Luneburg熵及歸一化Pedestal的數(shù)值均接近于1，其色調(diào)均趨向紅色。而水體、農(nóng)場區(qū)域以及沙灘地，數(shù)值趨于減小，色調(diào)多為藍色。因此，這4個極化特征參數(shù)反映體散射的趨勢是基本一致的，即隨著植被密集度的增大，各參數(shù)值也相應增大。

3.2 極化特征參數(shù)與植被參數(shù)相關(guān)性分析

3.2.1 極化特征參數(shù)與植被覆蓋度關(guān)系

根據(jù)實地調(diào)查和圖像解譯，選擇了7個植被密度不同的區(qū)域(如中心灘地、湖邊等)，并將其按疏密程度定性為非常密、高密、中等、低密、一般、稀疏、較稀疏(圖4(a))。圖4(b)(c)密度分割圖綠色區(qū)域分別表示雷達植被指數(shù)RVI＞0.6和基于Freeman分解的雷達植被指數(shù)RVIFreeman＞0.6，結(jié)果與該地區(qū)的植被分布基本吻合，但后者分布范圍比前者更大。

圖4 疏密不同的植被區(qū)域及雷達植被指數(shù)的閾值分割Fig.4Vegetation region of different density and the segmentation of radar vegetation index

表1為這7個植被疏密不同的區(qū)域的特征參數(shù)平均值及數(shù)值范圍，其均值大小趨勢與植被疏密程度是呈正比關(guān)系。但不同參數(shù)的取值范圍具有較大差異，其中Luneburg熵與RVIFreeman取值跨度最大，且標準差也很大，說明這2個參數(shù)描述地物體散射時非常敏感。

表1 不同區(qū)域的極化特征參數(shù)平均值及數(shù)值范圍Tab.1Mean value and range of the characteristic parameters of different areas

3.2.2 極化特征參數(shù)與RVI的關(guān)系

本文極化特征參數(shù)從不同角度反映了地物的散射信息，它們具有各自特點，也有一定的相關(guān)性。分析上述研究區(qū)的植被數(shù)據(jù)，得到RVI與其他特征參數(shù)之間的關(guān)系(圖5)。

圖5 研究區(qū)極化特征參數(shù)分別與雷達植被指數(shù)的關(guān)系Fig.5Correlation between polarization characteristic parameters and radar vegetation index in study area

結(jié)果顯示:由Cloude［8］提出的H－Alpha平面［8］可知植被的散射熵分布于0.6～0.9之間，結(jié)構(gòu)特別密集復雜(如森林冠層類型)的體散射，其散射熵分布于0.9～1。圖5(a)中的散點分布也主要集中在這一“中熵”區(qū)域，少部分落入“高熵”0.9～1區(qū)域。而且，雷達植被指數(shù)與散射熵之間較強相關(guān)性可以表明RVI對該區(qū)域植被疏密程度的反映是正確的，可以間接地反映植被生物量的信息。理論上，由“水云”模型可知，植被密度的增大，下墊面的散射成分降低，導致了雷達波在植被內(nèi)部的散射增多，從而對極化入射波的去極化能力顯著增強，即交叉極化HV或VH的后向散射功率增強，于是產(chǎn)生的散射熵越大［8］，體散射比例越顯著，植被密集程度也就越高，因此RVI也相應增大。

圖5(b)則反映了Luneburg熵與RVI并沒有明顯的相關(guān)性，但RVI在0.4～1變化區(qū)間內(nèi)，Luneburg熵值絕大多數(shù)分布于0.4～0.8區(qū)間。因此前文圖3(c)所示的結(jié)果并不能準確反映植被疏密的定量變化，僅可以定性判斷該區(qū)體散射等隨機散射的強弱。圖5(b)顯示的Luneburg熵值較大的區(qū)域面積較廣，主要是因為Luneburg熵在反映植被體散射引起隨機性變化的同時，對諸如斑點、二次散射及單次散射相混合時產(chǎn)生的隨機性也非常敏感。

由圖5(c)可見，歸一化Pedestal與RVI的相關(guān)性很強，說明其對植被疏密敏感性也很高，會隨植被密度的增大極化響應基座高度就越大，即無論極化坐標基如何選擇，其最小可接收功率都將增大，但其動態(tài)范圍相比RVI較小些。

RVI與RVIFreeman的相關(guān)性見圖5(d)。從圖中可知，兩者在有些區(qū)域相關(guān)性很高，但有些區(qū)域RVIFreeman數(shù)值達到了飽和，而對應的RVI卻未飽和。這主要是由于RVIFreeman是基于簡單散射模型的推導［6］，其分解方法沒有保證結(jié)果的互不相關(guān)性，結(jié)果所包含的信息量也有限，不如基于特征矢量分解的結(jié)果全面。因此，在一些非植被地物散射區(qū)域(如水陸交接處)的粗糙地表(其表面粗糙度和較濕潤的地表具有較高的介電常數(shù))散射回波的去極化效應明顯，引起的隨機散射分量較高，造成了RVIFreeman升高。也就是說，F(xiàn)reeman分解中表征隨機散射的散射矩陣模型及協(xié)方差模型尚不能區(qū)分植被與粗糙裸土的散射特征。

3.2.3 RVI與生物量的關(guān)系

在野外同步采集了80個樣本點，獲得了樣本點的RVI與生物量(濕重)間的分布關(guān)系(圖6(a))，其回歸系數(shù)為0.402 5，相關(guān)系數(shù)為0.63;剔除若干異常點后，重新進行最小二乘線性回歸后的回歸系數(shù)約為0.612 2，相關(guān)系數(shù)達到0.78，且擬合得到的RVI與實際RVI的均方根誤差約為0.15(圖6(b))。

圖6 鄱陽湖地區(qū)雷達植被指數(shù)與濕地生物量的相關(guān)性Fig.6Correlation between radar vegetation index and wetland biomass in Poyang Lake

考慮到SAR圖像本身具有的相干斑現(xiàn)象，該相關(guān)系數(shù)表明雷達植被指數(shù)RVI與苔草植被的生物量間具有較強的線性相關(guān)性，即與植被疏密程度有較好的相關(guān)性。由“水云”模型［12］可知，植被密集區(qū)域的“微粒”密度較大，體散射分量較單次散射和二面角散射成分多，因此RVI隨植被密度的增大呈遞增。鄱陽湖濕地植被在水分充足的洲灘區(qū)域生長旺盛，覆蓋高度密集，對應的生物量也比較大，其RVI呈現(xiàn)較高的數(shù)值，說明圖3(a)給出的RVI變化趨勢及分布特征與植被生物量相一致。

4 結(jié)論

1)極化特征參數(shù)是基于極化分解技術(shù)得到的反映目標地物散射電磁波特征的參數(shù)。分解得到的3個特征值通過一定組合可以獲得具有與地物覆蓋信息密切相關(guān)的特征參數(shù)，這些特征參數(shù)對于定性解譯圖像和定量反演地物參數(shù)都非常有幫助。

2)雷達植被指數(shù)RVI與散射熵、Luneburg熵、歸一化Pedestal及RVIFreeman間的對比分析表明，這些參數(shù)對于提取雷達波與植被內(nèi)部發(fā)生的體散射信息具有一定的指示意義，其變化趨勢總體上是一致的。但雷達植被指數(shù)所反映的植被疏密及對應生物量最為準確，其次為與RVI線性相關(guān)性高的歸一化Pedestal，但其動態(tài)范圍較小。而RVIFreeman在除高密集植被或高強度的體散射區(qū)域外，與RVI也有較好的相關(guān)性，Luneburg熵則更多地反映了地物結(jié)構(gòu)的隨機性。

3)野外采集樣本的數(shù)據(jù)分析表明，RVI與樣本生物量之間具有較強的相關(guān)性。對于鄱陽湖濕地苔草這類結(jié)構(gòu)較簡單的植被，RVI與生物量變化趨勢是一致的，RVI可進一步用于提取植被分布特征信息的提取和植被生物量參數(shù)的反演等［13］。

4)本文在Freeman分解基礎(chǔ)上所提出的一種新的RVI參數(shù)，尚存在對粗糙裸土和植被隨機散射區(qū)分不足的缺陷。在后續(xù)研究中，可根據(jù)植被特點適當改進Freeman分解中的植被散射模型，以求更準確地得到反映植被長勢、生物量等相關(guān)參數(shù)的雷達植被指數(shù)。

［1］王超，張紅，陳曦，等.全極化合成孔徑雷達圖像處理［M］.北京:科學出版社，2008.Wang C，Zhang H，Chen X.et al.Full Polarimetric SAR Image Processing［M］.Beijing:Science Press，2008(in Chinese).

［2］Lee J S，Pottier E.Polarimetric Radar Imaging:From Basics to Applications［M］.New York:CRC Press，2009:229－262.

［3］Cloude S.Polarisation:Applications in Remote Sensing［M］.Oxford:Oxford University Press，2010:178－189.

［4］金亞秋，徐豐.極化散射與SAR遙感信息理論與方法［M］.北京:科學出版社，2008.Jin Y Q，Xu F.Theory and Approach for Polarimetric Scattering and Information Retrieval of SAR Remote Sensing［M］.Beijing:Science Press，2008(in Chinese with English Abstract).

［5］Cloude S R，Pottier E.A Review of Target Decomposition Theorems in Radar Polarimetry［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34(2):498－518.

［6］Freeman A，Durden S L.A Three－component Scattering Model for Polarimetric SAR Data［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，36(3):963－973.

［7］Cloude S R.Target Decomposition Theorems in Radar Scattering［J］.Electronics Letters，1985，21(1):22－24.

［8］Cloude S R，Pottier E.An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35(1):68－78.

［9］Van Zyl J J.An Overview of the Analysis of Multi－frequency Polarimetric SAR Data［C］//6th European Conference on Synthetic Aperture Radar(EUSAR 2006).Dresden，Germany，2006:16－18.

［10］Luneburg E.Foundations of the Mathematical Theory of Polarimetry［R］//Final Report PhaseI，N00014－00－M－0152，EML Consultants，2001.

［11］Van Zyl J J，Zebker H A，Elachi C.Imaging Radar Polarization Signatures:Theory and Observation［J］.Radio Science，1987，22(4):529－543.

［12］Attema E P W，Ulaby F T.Vegetation Modeled as a Water Cloud［J］.Radio Science，1978，13(2):357－364.

［13］廖靜娟，王慶.利用Radarsat－2極化雷達數(shù)據(jù)探測濕地地表特征與分類［J］.國土資源遙感，2009(3):70－73.Liao J J，Wang Q.Wetland Characterization and Classification Using Polarimetric Radarsat－2 Data［J］.Remote Sensing for Land and Resources，2009(3):70－73(in Chinese with English Abstract).

Extraction and Application of Polarimetric Characteristic Parameters Based on Polarimetric Decomposition

WANG Qing1，ZENG Qi－ming1，LIAO Jing－juan2
(1.Institute of Remote Sensing and GIS，Peking University，Beijing 100871，China;2.Center for Earth Observation and Digital Earth，Chinese Academy of Sciences，Beijing 100094，China)

Based on the polarization decomposition，the authors obtained a set of characteristic parameters to characterize the surface features，and formed some indices by combing these characteristic parameters to extract vegetation growing information such as radar vegetation indexes.These characteristic parameters have the function of reflecting the backscattering information and indirectly obtaining such information as vegetation growing，density and distribution areas.A scene of Radarsat－2 full polarimetric SAR data covering Poyang Lake region was chosen for this experiment and the sample data which included the biomass and vegetation density information were collected in the field at the same time.On the basis of an analysis of vegetation characteristics in this test region，the characteristic parameters were compared with each other and analyzed for their physical meaning.The radar vegetation index and field measurements of biomass sample parameters were statistically correlated.The experimental results show that the four characteristic parameters described in this paper give the same overall trend on the random scattering of vegetation，but different indexes have different indications with the increasing vegetation density，of which the most accurate index is the radar vegetation index，which has the maximum dynamic range.The radar vegetation index has a high linear correlation with the biomass of wetland vegetation，so that it can be used to quantitatively infer the vegetation covering density and the biomass information.

non－coherent decomposition;polarimetric decomposition;scattering mechanism;radar vegetation index

TP 79

A

1001－070X(2012)03－0103－08

王慶(1986－)，男，博士研究生，主要從事微波遙感應用研究。E－mail:wangqing_rs@pku.edu.cn。

曾琪明(1964－)，男，教授，博士生導師，主要從事微波遙感研究。E－mail:qmzeng@pku.edu.cn。

(責任編輯:邢宇)

10.6046/gtzyyg.2012.03.19

2011－10－08;

2012－01－04

國家863課題(編號:2012AA121304，2008AA121806)和教育部博士點基金(編號:20090001110039)共同資助。