丁婭萍,陳仲新※
(1.農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室,北京 100081;2.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所,北京 100081)
及時了解農(nóng)作物種類、結(jié)構(gòu)和分布特征,是進行農(nóng)業(yè)結(jié)構(gòu)調(diào)整的重要依據(jù)[1]。應(yīng)用光學(xué)遙感數(shù)據(jù)進行農(nóng)作物種類識別技術(shù)已經(jīng)相對比較成熟,但是光學(xué)遙感數(shù)據(jù)容易受到云雨天氣的影響,往往在作物生長關(guān)鍵期很少獲得有效、足量的遙感數(shù)據(jù)。微波遙感數(shù)據(jù)可全天時、全天候工作;對植被有一定穿透能力,不僅能獲取植被表層信息,對其內(nèi)部結(jié)構(gòu)等信息都有一定的反映,其主動方式即雷達(dá)遙感對農(nóng)作物識別應(yīng)用廣泛,但大多數(shù)研究集中于水稻的研究[2]。目前,在國內(nèi),雷達(dá)遙感針對旱地作物的識別研究較少[3],但在我國農(nóng)業(yè)信息監(jiān)測系統(tǒng)中發(fā)現(xiàn),在進行我國北方地區(qū)旱地作物監(jiān)測時,由于在作物生長關(guān)鍵時期云雨天氣比較頻繁,光學(xué)遙感數(shù)據(jù)經(jīng)常不能及時、足量地滿足業(yè)務(wù)的需求,針對這一業(yè)務(wù)需求,該文在華北平原選擇研究區(qū),開展應(yīng)用雷達(dá)遙感數(shù)據(jù)進行旱地作物識別與面積監(jiān)測的研究。
雷達(dá)遙感作物識別經(jīng)歷了從單波段、單時相、單極化到多波段、多時相、多極化數(shù)據(jù)的變化[4-6],同時,雷達(dá)遙感數(shù)據(jù)和光學(xué)遙感數(shù)據(jù)的結(jié)合有利于提高作物識別的精度[7-9]。該文首先基于RADARSAT-2雷達(dá)遙感數(shù)據(jù),分析了與衛(wèi)星數(shù)據(jù)同步采集的作物結(jié)構(gòu)參數(shù)數(shù)據(jù)與后向散射特性之間的相關(guān)性;其次,基于RADARSAT-2遙感數(shù)據(jù)進行旱地作物識別的方法研究;最后,結(jié)合資源三號及雷達(dá)遙感數(shù)據(jù)進行作物識別,以多源遙感數(shù)據(jù)來提高遙感數(shù)據(jù)作物識別的能力。
棗強縣 (115°35'~58',37°08'~35')行政隸屬河北省衡水市,位于河北省東南部,衡水市南端,總面積892.3km2,地理位置如圖1所示。氣候類型屬于溫帶半濕潤大陸季風(fēng)氣候,主要土壤類型為潮土,年平均溫度12~13℃,無霜期170~220天,年平均降水量500~900mm,海拔23~29m,地勢平坦。主要土地利用類型為農(nóng)業(yè)用地,作物熟制為一年一熟或一年兩熟,該研究影像獲取時間為2012年7月14日至10月18日共5期影像,該段時間地面主要作物為玉米和棉花,玉米于5月份種植,10月初收獲,棉花為6月份種植,10月下旬收獲。
圖1 影像覆蓋區(qū)域及樣方分布
1.2.1 地面數(shù)據(jù)采集
為了了解植被對雷達(dá)信號的響應(yīng)情況,在2012年8月7日、8月31日、9月24日衛(wèi)星過境時間同步進行了地面植被數(shù)據(jù)的采集及測量工作,采集內(nèi)容及時間如表1所示。過程中,主要通過抽取樣方的方法進行數(shù)據(jù)的采集,抽樣過程中,采取了系統(tǒng)抽樣及隨機抽樣結(jié)合的方法,共采集樣方30個,每個樣方面積為200m×200m大小,樣方分布如圖1所示。
表1 地面數(shù)據(jù)采集內(nèi)容及時間
1.2.2 遙感數(shù)據(jù)源
RADARSAT-2是一顆搭載C波段傳感器的高分辨率商用雷達(dá)衛(wèi)星,該研究購買2012年7月14日、8月7日、8月31日、9月24日、10月18日5個時相的研究區(qū)精細(xì)全極化 (Fine-Quad polarization,F(xiàn)Q)模式RADARSAT-2數(shù)據(jù),該模式數(shù)據(jù)標(biāo)稱幅寬為25km,分辨率近似為5.2m×7.6m(距離向×方位向),該數(shù)據(jù)入射角約為33.6,為四極化方式即HH、HV、VH和VV。
該研究后期借助了光學(xué)遙感影像去除建筑物對分類精度的負(fù)面影響,光學(xué)影像為2012年10月18日的資源三號多光譜、5m分辨率數(shù)據(jù)。
1.3.1 技術(shù)路線
該研究應(yīng)用雷達(dá)遙感數(shù)據(jù)結(jié)合光學(xué)遙感數(shù)據(jù)進行旱地作物識別和面積提取工作,技術(shù)路線如圖2所示。
該研究首先對雷達(dá)遙感影像和資源三號衛(wèi)星影像進行預(yù)處理,之后基于地面實地采集的作物參數(shù)數(shù)據(jù)分析作物參數(shù)對雷達(dá)信號的反應(yīng)機制;其次,對單時相、單極化雷達(dá)影像分類,對比雷達(dá)影像分類的最佳時相及最佳極化方式;第三,對多時相、多極化雷達(dá)影像分類;第四,將資源三號衛(wèi)星數(shù)據(jù)和雷達(dá)遙感數(shù)據(jù)相結(jié)合進行旱地作物識別分類。
圖2 技術(shù)路線
1.3.2 數(shù)據(jù)預(yù)處理
雷達(dá)遙感數(shù)據(jù)預(yù)處理用的是NEST軟件,該軟件為免費開源軟件,可讀取、預(yù)處理、分析和顯示雷達(dá)數(shù)據(jù)。該次數(shù)據(jù)預(yù)處理包括:輻射定標(biāo)、幾何校正、濾波、多時相影像自動配準(zhǔn)等。同時,需要對所用的資源三號衛(wèi)星遙感數(shù)據(jù)進行預(yù)處理主要包括幾何校正、與雷達(dá)影像配準(zhǔn)等。
1.3.3 分類方法及精度驗證方法
分類過程中,通過對常用的幾種基于統(tǒng)計學(xué)的分類方法包括最大似然法、最小距離法、支持向量機法對比,發(fā)現(xiàn)最小距離法對雷達(dá)影像分類效果最佳。最小距離法原理是用特征空間中的距離因素來表示像元數(shù)據(jù)和分類類別特征的相似程度。該方法屬于監(jiān)督分類法,需要有先驗知識,其精度由對已知地物類別的了解程度和訓(xùn)練統(tǒng)計的精度決定,一定程度上也與訓(xùn)練樣本數(shù)量有關(guān)。該研究分類過程中,為了使結(jié)果具有可比性,對于所有的處理,都采用同樣的訓(xùn)練樣本和驗證樣本,其中訓(xùn)練樣本和驗證樣本都來自實地采集數(shù)據(jù)。
該研究精度驗證通過混淆矩陣法實現(xiàn),指標(biāo)有總體精度、用戶精度、制圖精度和Kappa系數(shù)幾項。用戶精度、制圖精度和總體精度從不同側(cè)面描述了分類精度,是簡單明了具有統(tǒng)計意義的精度指標(biāo)。用戶精度表示從分類結(jié)果中任取一個隨機樣本,其所具有的類型與地面實際類型相同的條件概率。制圖精度表示相對于地面獲得的實際資料中的任意一個隨機樣本,分類圖上同一地點的分類結(jié)果與其相一致的條件概率。總體精度是指對每一個隨機樣本,所分類的結(jié)果與地面所對應(yīng)區(qū)域的實際類型相一致的概率。
該研究在2012年8月7日,8月31日,9月24日雷達(dá)衛(wèi)星過研究區(qū)當(dāng)日及前后各一天進行了植被數(shù)據(jù)采集,分析了后向散射系數(shù)平均值與植被參數(shù)相關(guān)性,相關(guān)系數(shù)如表2所示。
農(nóng)作物為分布型目標(biāo),表征其后向散射強度需用平均量,此處σ°為樣方內(nèi)相應(yīng)植被各個象元的后向散射系數(shù)平均值。從表2可以看出,不同作物在不同極化方式下后向散射系數(shù)與作物參數(shù)的相關(guān)性差異較大。在所有植被參數(shù)中,植株高度與后向散射系數(shù)的相關(guān)性最大,這也說明了植被高度對后向散射系數(shù)較為敏感。對于生物量,在VH極化方式條件下,玉米后向散射系數(shù)與生物量相關(guān)性較高,其他極化方式下后向散射系數(shù)與生物量相關(guān)性都較低。對于植被含水量,在VH極化方式下,兩種作物含水量與后向散射系數(shù)相關(guān)性較高,尤其是棉花相關(guān)系數(shù)達(dá)到0.97,在所有極化方式條件下,棉花含水量與后向散射系數(shù)相關(guān)性都較玉米高。對于葉面積指數(shù)而言,棉花葉面積指數(shù)數(shù)據(jù)缺失,玉米葉面積指數(shù)與其后向散射系數(shù)平均值相關(guān)性不大。
表2 各極化方式后向散射系數(shù)平均值與植被參數(shù)相關(guān)系數(shù)
分類過程中,首先比較各極化方式分類效果,發(fā)現(xiàn)VV極化優(yōu)于HH極化,這兩者同極化優(yōu)于交叉極化方式分類效果。比較各時相分類效果,因10月18日雷達(dá)遙感影像過境時玉米已經(jīng)收獲,未參與分類,比較了前4個時相分類效果發(fā)現(xiàn)9月24日雷達(dá)影像分類效果最佳,采集的植被參數(shù)內(nèi)容中發(fā)現(xiàn),此時,兩種植被植株高度與生物量差異達(dá)到最大。同時,隨著極化方式和時相的增加,作物分類精度也會增加,但因HV和VH這兩種交叉極化方式分類效果基本一致,分類時,只用一種交叉極化方式參與即可,兩種都參與反而會降低分類效率。該研究用3種極化方式及4時相RADARSAT-2雷達(dá)遙感數(shù)據(jù)進行旱地作物識別,精度最高達(dá)到85%,達(dá)不到實際應(yīng)用的需求或低于科研預(yù)期的效果。分析原因認(rèn)為,雷達(dá)遙感影像本身是相干波成像,在電磁波疊加的地方響應(yīng)值較高,表現(xiàn)在圖像上為很多規(guī)律排列的亮點,雖然通過濾波方法會一定程度上抑制噪斑的影響效果,但同時也失掉了一些有效信息,從而影響了分類效果。同時,分析混淆矩陣時發(fā)現(xiàn),建筑物跟棉花容易混淆,因農(nóng)村建筑物零散低矮,且是土結(jié)構(gòu),二面角反射不明顯,院落內(nèi)部和周圍會種植蔬菜和樹木,降低了建筑物本身的后向散射系數(shù),導(dǎo)致其后向散射系數(shù)易與棉花混淆,影響了作物識別的精度。
圖3 最小距離法分類結(jié)果
通過資源三號遙感數(shù)據(jù)提取建筑物區(qū)域,將其作為掩膜參與雷達(dá)影像作物識別過程,發(fā)現(xiàn)雷達(dá)影像分類精度有了較顯著的提高,精度達(dá)到了93%,基本達(dá)到了實際應(yīng)用的需求。分類結(jié)果如圖3A,與同樣處理下光學(xué)遙感數(shù)據(jù)分類精度94%相當(dāng),如圖3B所示。結(jié)果表明,應(yīng)用雷達(dá)遙感數(shù)據(jù)進行旱地作物識別應(yīng)用效果較好,同時,也證明多源遙感數(shù)據(jù)參與分類會提高作物分類精度。雷達(dá)影像及光學(xué)影像分類混淆矩陣如表3、表4所示。從分類圖及混淆矩陣可以看出光學(xué)遙感數(shù)據(jù)對河流水體的識別能力較差,而雷達(dá)遙感數(shù)據(jù)對地物邊界識別不是非常清楚,兩者各有優(yōu)勢。
研究結(jié)果表明,在旱地作物分類應(yīng)用中,多源遙感數(shù)據(jù)聯(lián)合參與分類可提高作物識別精度;另外,雷達(dá)影像一定程度上可成為光學(xué)遙感影像的有效代替,當(dāng)難以獲取足量有效地光學(xué)遙感影像時,雷達(dá)遙感影像可代替光學(xué)遙感影像工作。
表3 雷達(dá)影像分類精度
表4 光學(xué)影像分類精度
該研究目的是基于雷達(dá)遙感數(shù)據(jù)進行旱地作物識別和面積統(tǒng)計,主要結(jié)論如下:
(1)分析玉米和棉花結(jié)構(gòu)參數(shù)與雷達(dá)后向散射系數(shù)之間的相關(guān)性發(fā)現(xiàn),植株高度與后向散射系數(shù)相關(guān)性最大,其次是植被含水量、生物量和葉面積指數(shù)與后向散射系數(shù)相關(guān)性較低。
(2)基于雷達(dá)遙感影像旱地作物識別研究發(fā)現(xiàn),VV極化分類效果優(yōu)于其他極化方式,2012年9月24日雷達(dá)影像分類效果優(yōu)于其他時相,分類效果最佳的極化方式和時相的研究為其他研究者選擇和訂購雷達(dá)影像提供了可參考的依據(jù)。同時,隨著時相和極化方式的增加,作物識別精度有所提高,但VH極化和HV極化分類效果一致,分類時只選擇一種即可,否則會降低分類效率。通過對多時相、多極化雷達(dá)影像進行分類,其精度可達(dá)到85%。在此基礎(chǔ)上,以資源三號衛(wèi)星遙感數(shù)據(jù)提取建筑物區(qū)域作為掩膜,參與雷達(dá)影像分類,其精度最高達(dá)到93%,達(dá)到了實際應(yīng)用的需求。同樣情況下,對光學(xué)影像進行掩膜處理后,其分類精度達(dá)到94%,雷達(dá)影像分類精度與光學(xué)影像分類精度相當(dāng)。
該研究雖然在利用雷達(dá)遙感數(shù)據(jù)進行華北平原旱地作物識別和面積監(jiān)測研究方面有一定創(chuàng)新性,但限于時間、能力問題,還有一些問題有待解決或者完善。
(1)因時間問題,在2012年7月14日與10月18日兩個時期沒有采集玉米和棉花的植被參數(shù)數(shù)據(jù),導(dǎo)致植被對雷達(dá)信號響應(yīng)機制分析沒有覆蓋作物的整個生長期,一定程度上影響了該研究的完整性。
(2)該研究區(qū)處于華北平原棗強縣域,該地區(qū)常年地面種植作物品種單一,研究進行期間大多數(shù)土地只種植了玉米跟棉花,且這兩種作物形態(tài)結(jié)構(gòu)差異較大,希望之后的研究能在植被品種更加復(fù)雜或作物結(jié)構(gòu)形態(tài)差異不大的地區(qū)進行。
(3)進一步優(yōu)化旱地作物識別方法,爭取在更大的尺度上進行旱地作物識別工作,同時引入植被生長模型,進行作物生長長勢監(jiān)測等研究。
[1]韓立建,潘耀忠,賈斌,等.基于多時相IRS-P6衛(wèi)星AWiFS影像的水稻種植面積提取方法.農(nóng)業(yè)工程學(xué)報,2007,23(05):137~143
[2]陳勁松,林暉,邵蕓.微波遙感農(nóng)業(yè)應(yīng)用研究——水稻生長監(jiān)測.北京:科學(xué)出版社2010,14~16
[3]Jia K,Li Q,Tian Y,et al.Crop classification using multi-configuration SAR data in the North China Plain.International Journal of Remote Sensing,2012,33(1):170~183
[4]李坤,邵蕓,張風(fēng)麗.基于多極化機載合成孔徑雷達(dá) (SAR)數(shù)據(jù)的水稻識別.浙江大學(xué)學(xué)報 (農(nóng)業(yè)與生命科學(xué)版),2011,37(2):181~186
[5]Bouvet A.,Le Toan T.Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta.Remote Sensing of Environment,2011,115(4):1090 ~1101
[6]Gherboudj I.,Magagi R.,Berg A..A.et al.Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data.Remote Sensing of Environment,2011,115(1):33~43
[7]Liu L,Wang J,Bao Y,et al.Predicting winter wheat condition,grain yield and protein content using multi‐temporal EnviSat‐ASAr and Landsat TM satellite images.International Journal of Remote Sensing,2006,27(4):737~753
[8]Huang S,Potter C,Crabtree R L,et al.Fusing optical and radar data to estimate sagebrush,herbaceous,and bare ground cover in Yellowstone.Remote Sensing of Environment,2010,114(2):251 ~264
[9]Hadria R,Duchemin B,Baup F,et al.Combined use of optical and radar satellite data for the detection of tillage and irrigation operations:Case study in Central Morocco.Agricultural water management,2009,96(7):1120~1127