全 文 ：第 50 卷 第 3 期
2 0 1 4 年 3 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 50，No. 3
Mar．，2 0 1 4
doi:10．11707 / j．1001-7488．20140312
收稿日期: 2013 － 05 － 02; 修回日期: 2013 － 11 － 28。
基金项目: 863 计划课题“高分辨率 SAR 遥感综合实验与应用示范”( 2011AA120405) ; “面向对象 SAR 影像地物高可信解译技术”
(2011AA120404)。
* 陈尔学为通讯作者。
多时相双极化 SAR影像林地类型分类方法*
王馨爽1，2 陈尔学1 李增元1 姚顽强3 赵 磊1
(1．中国林业科学研究院资源信息研究所 北京 100091; 2．国家测绘地理信息局陕西基础地理信息中心 西安 710054;
3．西安科技大学测绘科学与技术学院 西安 710054)
摘 要: 森林在全球碳循环及大自然空气调节中发挥着重要作用，对森林分布的监测与制图意义重大。以黑龙
江省逊克县两景星载 ALOS PALSAR 多时相数据覆盖区为研究区，利用不同时相极化 SAR、干涉 SAR 对植被结构
变化特征的敏感性，结合后向散射系数与干涉相干性的时变特征进行林地类型分类研究，发展基于多时相、多极
化、干涉 SAR 的 SVM 林地类型分类识别方法。结果表明: 多时相的平均干涉相干性对有林地、疏林地及灌木林地
的识别十分有效; 综合运用所选取的多时相干涉、极化比等有效维度信息能很好地突出地物的边缘与结构，更细致
地区分不同林地类型。
关键词: 多时相; 极化; InSAR; 林地类型; 分类
中图分类号:S757 文献标识码: A 文章编号: 1001 － 7488(2014)03 － 0083 － 09
Multi-Temporal and Dual-Polarization SAR for Forest Land Type Classification
Wang Xinshuang1，2 Chen Erxue1 Li Zengyuan1 Yao Wanqiang3 Zhao Lei1
(1 ． Research Institute of Forest Resources Information Techniques，CAF Beijing 100091;
2 ． Shaanxi Geomatics Center，National Administration of Surveying，Mapping and Geo-Information Xi’an 710054;
3 ． Department of Geomatics，Xi’an University of Science and Technology Xi’an 710054)
Abstract: Forest plays an important role on global carbon cycle and nature disturbance，so it is of great significance to
monitor and map forest resources． Xunke County of Heilongjiang Province was selected as the test site and the coverage of
two scenes of ALOS PALSAR images were applied． The sensitivity of multi-temporal PolSAR，InSAR with forest structure
variation and time varying characteristics of backscattering coefficients and interferometric coherences were applied for
forest land type classification． We developed a forest land type classification method based on SVM using multi-temporal，
dual-polarization and interferometric SAR ( InSAR) data． The result showed that the average InSAR coherence of multi-
temporal could effectively identify forest land，sparse forest land and shrub land． The multi-temporal InSAR coherence，
polarization ratios and other effective dimension information selected could effectively highlight the features and structures
of objects and classify forest land types in detail．
Key words: multi-temporal; polarization; InSAR; forest land type; classification
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)
林 业 科 学 50 卷
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。
1 研究区概况与数据源
1. 1 研究区概况
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
48
第 3 期 王馨爽等: 多时相双极化 SAR 影像林地类型分类方法
1. 2 数据源
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．
2 分类方法
2. 1 分类系统
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 ．
2. 2 数据预处理
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):
γ =
〈s1 s
*
2 〉
〈 s1 s
*
1 〉〈 s2 s
*
2槡 〉
。
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
58
林 业 科 学 50 卷
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。
2. 3 典型地物 SAR 时变特征分析
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
68
第 3 期 王馨爽等: 多时相双极化 SAR 影像林地类型分类方法
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
78
林 业 科 学 50 卷
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。
2. 4 基于多时相、多极化、干涉 SAR 的 SVM 分类
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。
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 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
88
第 3 期 王馨爽等: 多时相双极化 SAR 影像林地类型分类方法
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．
3 结果与分析
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%，
98
林 业 科 学 50 卷
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
4 结论与讨论
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。
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
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。
参 考 文 献
白黎娜，李增元，陈尔学，等 ． 2003． 干涉测量土地利用影像分类决
策树法森林识别研究 ． 林业科学，39 (1) :86 － 90．
陈尔学，李增元，车学俭，等 ． 1999． 星载 SAR 干涉测量数据用于森
林识别的初步研究 ． 北京: 第五届全国计算机应用联合学术会
议 ．
付仲良，张文元，孟庆祥 ． 2012． 灰度和纹理特征组合的 SAR 影像
SVM 分类 ． 应用科学学报，30 (5) :498 － 504．
郎丰铠，杨 杰，赵 伶，等 ． 2012． 基于 Freeman 散射熵和各向异性
度的极化 SAR 影像分类算法研究 ． 测绘学报，41 ( 4 ) :
556 － 562．
汤井田，胡 丹，龚智敏 ． 2008． 基于 SVM 的极化 SAR 图像分类研
究 ． 遥感技术与应用，23 (3) :341 － 344．
赵英时 ． 2003． 遥感应用分析原理与方法 ． 北京: 科学出版社 ．
Bamler R， Hartl P． 1998． Synthetic aperture radar interferometry．
Inverse Problems，14 (4) :1 － 54．
Chen Q，Kuang G，Li J，et al． 2013． Unsupervised land cover / land use
classification using PolSAR imagery based on scattering similarity．
IEEE Transactions on Geoscience and Remote Sensing，51 ( 3 ) :
1817 － 1825．
09
第 3 期 王馨爽等: 多时相双极化 SAR 影像林地类型分类方法
Kilpi J，Ahola H A，Rauste Y， et al． 2013． Improved mapping of
tropical forests with optical and SAR imagery，Part I: forest cover
and accuracy assessment using multi-resolution data． Earth
Observations and Remote Sensing，6 (1) :74 － 91．
Krylov V A，Moser G，Serpico S B，et al． 2011． Supervised high-
resolution dual-polarization SAR image classification by finite
mixtures and copulas． Selected Topics in Signal Processing，IEEE
Journal of，5 (3) :554 － 566．
Lee J S，Grunes M R，Ainsworth T，et al． 2005． Forest classification
based on L-band polarimetric and interferometric SAR data．
Proceedings of the 2nd International Workshop POLINSAR 2005
(ESA SP-586)，6. 1 － 6. 7．
Liesenberg V，Gloaguen R． 2013． Evaluating SAR polarization modes at
L-band for forest classification purposes in Eastern Amazon，Brazil．
International Journal of Applied Earth Observation and
Geoinformation，21:122 － 135．
Liu M，Zhang H，Wang C． 2011． Applying the log-cumulants of texture
parameter to fully polarimetric SAR classification using support
vector machines classifier． Radar ( Radar ) ． 2011 IEEE CIE
International Conference on，728 － 731．
Luo H M，Chen E X，Li X W，et al． 2010． Unsupervised classification
of forest from polarimetric interferometric SAR data using fuzzy
clustering． Proceedings of the 2010 International Conference on
Wavelet Analysis and Pattern Recognition，201 － 206．
Oliver C， Quegan S． 1998． Understanding synthetic aperture radar
images． Norwood: Artech House Inc，219 － 222．
Strozzi T，Dammert P B G，Wegmuller U，et al． 2000． Landuse mapping
with ERS SAR interferometry． IEEE Transactions on Geoscience and
Remote Sensing，38(2) :766 － 775．
Ulaby F T，Moore R K，Fung A K． 1981． Microwave remote sensing:
active and passive， vol． 2， radar remote sensing and surface
scattering and emission theory． Addison-Wesley，Advanced Book
Program，Reading，Massachusetts，273 － 284．
Wang S，Liu K，Pei J，et al． 2013． Unsupervised classification of fully
polarimetric SAR images based on scattering power entropy and
copolarized ratio． Geoscience and Remote Sensing， 10 ( 3 ) :
622 － 626．
(责任编辑 石红青)
19