基于多時相合成孔徑雷達與光學影像的冬小麥種植面積提取

周 濤，潘劍君※，韓 濤，魏善寶

（1. 南京農(nóng)業(yè)大學資源與環(huán)境科學學院，南京 210095；2. 南京農(nóng)業(yè)大學公共管理學院，南京 210095）

·農(nóng)業(yè)信息與電氣技術(shù)·

基于多時相合成孔徑雷達與光學影像的冬小麥種植面積提取

周 濤1，潘劍君1※，韓 濤1，魏善寶2

（1. 南京農(nóng)業(yè)大學資源與環(huán)境科學學院，南京 210095；2. 南京農(nóng)業(yè)大學公共管理學院，南京 210095）

小麥是中國最重要的農(nóng)作物之一，準確、及時掌握小麥種植面積具有重要意義。以探索合成孔徑雷達（synthetic aperture radar，SAR）與光學數(shù)據(jù)對種植結(jié)構(gòu)復雜地區(qū)冬小麥識別的能力，提高識別精度為目的。該研究以多時相 SAR（Sentinel-1A）和光學影像（Landsat-8）為數(shù)據(jù)源，選取種植結(jié)構(gòu)復雜的都市農(nóng)業(yè)區(qū)為研究區(qū)。構(gòu)建不同特征向量組合，利用支持向量機（support vector machine，SVM）提取冬小麥種植面積。通過對比分析基于不同特征向量組合的冬小麥識別精度，結(jié)果表明：1）使用SAR后向散射數(shù)據(jù)得到85.7%的制圖精度和87.9%的用戶精度；2）添加SAR數(shù)據(jù)紋理信息，總體精度高達90.6%，比單獨使用后向散射數(shù)據(jù)在制圖精度和用戶精度上分別提高7.6%和6.7%；3）當SAR數(shù)據(jù)和光學影像結(jié)合時，總體精度高達95.3%（制圖精度97%，用戶精度98.4%），比單獨使用SAR數(shù)據(jù)在制圖精度和用戶精度上分別提高3.7%和3.8%。因此，基于SAR數(shù)據(jù)的都市農(nóng)業(yè)區(qū)冬小麥分類，有著較高分類精度，紋理信息和光學影像的添加能有效提高識別精度。研究結(jié)果可為SAR數(shù)據(jù)的農(nóng)作物識別和應用提供理論基礎。

作物；遙感；合成孔徑雷達；冬小麥；光學影像

周 濤，潘劍君，韓 濤，魏善寶. 基于多時相合成孔徑雷達與光學影像的冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學報，2017，33(10)：215－221. doi：10.11975/j.issn.1002-6819.2017.10.028 http://www.tcsae.org

Zhou Tao, Pan Jianjun, Han Tao, Wei Shanbao. Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(10):215－221. (in Chinese with English abstract)

doi：10.11975/j.issn.1002-6819.2017.10.028 http://www.tcsae.org

0 引 言

冬小麥是中國第二大糧食作物，也是世界的主要糧食作物，準確、及時掌握其種植面積是國家制定糧食政策和經(jīng)濟計劃的重要依據(jù)[1-2]。傳統(tǒng)農(nóng)業(yè)統(tǒng)計報表和采樣調(diào)查法難以又快又準得到農(nóng)作物種植分布信息。遙感技術(shù)的發(fā)展為農(nóng)作物種植面積識別提供了豐富的數(shù)據(jù)源，與傳統(tǒng)方法相比，遙感具有實時、迅速、范圍廣等特點[3]，具有不可替代的優(yōu)勢。目前，國內(nèi)外眾多學者利用光學遙感影像對不同時空尺度下的多種農(nóng)作物進行了分類識別研究，在理論和方法層面都取得了長足的進展。然而，光學遙感數(shù)據(jù)易受云雨天氣影響，而 SAR（synthetic aperture radar）作為一種高分辨率成像雷達，具有不受云雨天氣影響，且不依賴太陽光，可全天時、全天候監(jiān)測等優(yōu)點，為農(nóng)作物分類識別研究提供了強有力的數(shù)據(jù)保障和技術(shù)支持[4-5]。因此，利用SAR數(shù)據(jù)進行農(nóng)作物分類識別研究具有重要意義。

早期研究多利用單極化SAR數(shù)據(jù)進行農(nóng)作物種植面積提取，Silva等比較分析了利用VV極化、HV極化和HH極化進行多種農(nóng)作物分類識別的精度，結(jié)果表明HH極化的識別精度高于VV極化和HV極化[6]。大量研究也表明，利用單極化SAR數(shù)據(jù)進行農(nóng)作物種植面積提取很難得到理想識別精度[7]。隨著合成孔徑雷達技術(shù)的快速發(fā)展，國內(nèi)外大量學者開展了基于多時相多極化SAR數(shù)據(jù)的農(nóng)作物種植面積提取研究。相比單極化，多極化或全極化 SAR數(shù)據(jù)能夠獲得更加完整的地物散射特征。Skriver等采用C波段和L波段SAR數(shù)據(jù)評價單極化、多極化和多波段SAR數(shù)據(jù)的農(nóng)作物識別精度[8]，發(fā)現(xiàn)L波段全極化SAR數(shù)據(jù)獲得比較好的識別精度；Jiao等研究評價了Radarsat-2數(shù)據(jù)在農(nóng)作物種植面積提取的能力[9]，發(fā)現(xiàn)基于極化分解方法可以較好地提取農(nóng)作物種植面積。長期研究表明多時相SAR數(shù)據(jù)可以作為獨立的數(shù)據(jù)源替代光學遙感進行農(nóng)作物種植面積提取[10]，也有學者對SAR和光學影像的結(jié)合進行評價研究，如Skakun等利用多時相SAR（Radarsat-2）與光學影像（Landsat-8）對烏克蘭的多種農(nóng)作物進行分類研究，發(fā)現(xiàn)光學影像和SAR的結(jié)合可以提高分類精度[11]。此外，由于SAR影像斑點噪聲的影響，以及單波段、單極化信息的有限性，使得在對雷達影像進行分析時，僅依靠目標的對比度對地物目標進行分辨和識別是十分不夠的，還應利用其紋理信息[12-13]。如Yayusman等利用灰度共生矩陣（gray-level co-occurrence Matrix，GLCM）提取SAR的紋理信息用于農(nóng)作物分類識別研究，發(fā)現(xiàn)紋理信息可以在一定程度上提高分類精度[14]。分類算法的選擇直接影響分類結(jié)果，支持向量機（support vector machine，SVM）、最大似然和神經(jīng)網(wǎng)絡是最常用于SAR數(shù)據(jù)分類的分類器，支持向量機因其獨特的特征優(yōu)于傳統(tǒng)的分類算法[15]。Sonobe等利用 SAR（TerraSAR-X）進行農(nóng)作物分類，對比分析分類回歸樹（classification and regression tree，CART）、支持向量機和隨機森林（random forest）識別精度，發(fā)現(xiàn)支持向量機表現(xiàn)最佳，總體精度高達95.0%[16]。

以上研究表明SAR數(shù)據(jù)能很好地應用于農(nóng)作物種植面積提取，但國內(nèi)外基于SAR數(shù)據(jù)農(nóng)作物識別多局限于特定對象（水稻），對于旱地作物，特別是種植結(jié)構(gòu)復雜、地塊細碎的都市農(nóng)業(yè)區(qū)的冬小麥研究較少。南京市高淳區(qū)是中國南方經(jīng)濟發(fā)達、地塊細碎、種植結(jié)構(gòu)復雜的代表性區(qū)域，本研究以該地區(qū)為研究區(qū)，選取 2015—2016年覆蓋該區(qū)域的Sentinel-1A和Landsat-8為數(shù)據(jù)源，以支持向量機為分類器，構(gòu)建并對比分析不同極化后向散射系數(shù)、SAR數(shù)據(jù)紋理信息和光學影像三層次特征向量組合提取冬小麥種植面積的精度，探索多時相SAR與光學數(shù)據(jù)對地塊細碎、種植結(jié)構(gòu)復雜地區(qū)冬小麥種植面積提取的能力，進一步提高冬小麥種植面積識別精度。該研究不僅對比分析了典型地物的后向散射特征，同時評價了SAR數(shù)據(jù)紋理信息和光學影像的引入對SAR數(shù)據(jù)分類的影響。

1 研究區(qū)和數(shù)據(jù)源

1.1 研究區(qū)概況

本研究試驗區(qū)位于南京市高淳區(qū)（中心位置118°52￠E，31°19￠N），全區(qū)總面積 802 km2（圖 1）。該區(qū)域為北亞熱帶和中亞熱帶過渡季風氣候區(qū)，年平均氣溫16.0 ℃，雨量充沛（年平均降雨量1 157 mm）。地勢西低東高，西部為水網(wǎng)平原區(qū)，東部為低山丘陵區(qū)。農(nóng)作物主要有冬小麥、水稻、油菜等，其中冬小麥生育期是10月下旬到次年 5月下旬。研究區(qū)雖然不是中國冬小麥主產(chǎn)區(qū)，但因其雨水豐沛、作物種植結(jié)構(gòu)復雜、地塊細碎，是中國南方典型的都市農(nóng)業(yè)區(qū)，具有較好代表性。

1.2 多極化星載SAR數(shù)據(jù)：Sentinel-1A

作為 ERS-2 和 Envisat的后續(xù)衛(wèi)星，Sentinel-1是歐盟委員會和歐洲航天局共同倡議的全球環(huán)境與安全監(jiān)測系統(tǒng)（global monitoring for environment and security，GMES）的重要組成部分，是由2顆衛(wèi)星組成的星座，重訪周期為6 d，空間分辨率較高[17]，對農(nóng)作物種植面積提取有很大應用潛力。其中Sentinel-1A是搭載了C波段（5.405 GHz）的SAR傳感器，有4種成像模式：條帶模式（strip map model，SM）、干涉寬幅（interferometric wide swath，IW）模式、超寬幅（extra-wide swath，EW）模式和波模式（wave mode，WM）。本研究選取冬小麥生育期內(nèi)6景Level-1級別單視復（single look complex，SLC）Sentinel-1A數(shù)據(jù)，獲取時間分別為2015年11月22、2016年1月9、2月26日、3月21日、4月14日和5月8日。

圖1 研究區(qū)所在行政邊界及多極化假彩色合成圖Fig.1 Administrative boundary map of study area and false color composite of multi-polarization

1.3 光學遙感影像

Landsat-8是 Landsat系列的升級，其設計特征與Landsat-7基本相同[18]，攜帶的2個主要荷載分別為陸地成像儀（operational land imager，OLI）和熱紅外傳感器（thermal infrared sensor，TIRS）。Landsat-8 的 OLI陸地成像儀包括9個波段，除全色波段8空間分辨率是15m，其余波段均是 30 m。數(shù)據(jù)下載自美國地質(zhì)調(diào)查局 Earth Explorer網(wǎng)站，選取4景Landsat-8 OLI影像，獲取時間分別為2016年2月25日、3月12日、3月28日和4月29日，影像均為Level1T產(chǎn)品，已經(jīng)過系統(tǒng)輻射校正和幾何校正。

GF-1衛(wèi)星于2013年4月從中國甘肅省酒泉衛(wèi)星發(fā)射中心發(fā)射，搭載了2臺2 m分辨率全色/8 m分辨率多光譜GF-1PMS相機，4臺16 m分辨率多光譜GF-1WFV相機[19]。本文獲得1景覆蓋研究區(qū)的GF-1PMS影像，成像時間為2016年4月29日。

1.4 野外調(diào)查數(shù)據(jù)

本研究采取野外 GPS 調(diào)查和目視解譯相結(jié)合的方法，直接從 GF-1PMS影像上獲取標準樣本集。于 2016年5月17日對研究區(qū)域進行野外調(diào)查，根據(jù)野外調(diào)查，小麥、油菜、林地、裸地、水體、居民地被確定為最終的分類類型。在目視解譯地塊的支持下，基于在區(qū)域的百分比來確定每種類型的數(shù)目，獲得18 780個地面驗證像素點。采用分層隨機抽樣方法選擇樣本集的大約 50%作為訓練樣本，其余的50%被用于執(zhí)行分類精度評定（表1）。利用混淆矩陣評價分類結(jié)果，評價要素有：總體分類精度、Kappa系數(shù)、制圖精度和用戶精度。

表1 每個類型訓練和驗證樣本像素數(shù)Table 1 Numbers of pixels per class for training and validation data

2 研究方法

2.1 數(shù)據(jù)預處理

利用SARscape（ENVISARscape5.2）軟件進行SAR數(shù)據(jù)的預處理，主要包括多視、配準、多時相雷達影像濾波、地理編碼和輻射定標等，得到dB為單位空間分辨率為15 m的定標結(jié)果。并利用ENVI5.3對光學影像做預處理，其中Landsat-8 OLI預處理包括輻射定標和大氣校正等，大氣校正在ENVIFLAASH模型下完成。為了統(tǒng)一空間分辨率，把Landsat-8 OLI的全色波段與其余波段融合。GF-1PMS預處理包括輻射定標、大氣校正、正射校正、圖像融合，得到空間分辨率為2 m的參考影像。然后對所有遙感影像做幾何校正，誤差小于0.5個像元。

2.2 紋理特征提取

灰度共生矩陣是一種常用的、鑒別能力很好的描述紋理特征的方法，是建立在估計圖像的二階組合條件概率密度函數(shù)基礎上的統(tǒng)計方法[20]，目前已是公認的一種提取紋理特征的有效方法[21]。經(jīng)試驗，本研究選用 5×5窗口提取如下6種統(tǒng)計量：

式中，n為灰度值的階數(shù)，p(i,j)是n×n的歸一化共生矩陣，μ為p(i,j)的均值。

2.3 分類器選擇

分類方法是遙感影像分類的重要內(nèi)容，有效地選擇合適的分類方法是提高分類精度的關鍵[22]。其中支持向量機分類是一種建立在統(tǒng)計學習理論基礎上的機器學習方法，可以自動尋找那些對分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準確率[23]。在各種監(jiān)督、非監(jiān)督的分類方法中，支持向量機分類是基于SAR數(shù)據(jù)農(nóng)作物分類最可靠的方法之一[24]。

為了探究不同特征及其組合提取冬小麥種植面積的能力，獲得最佳特征向量組合，提高冬小麥識別精度。本文構(gòu)建不同極化后向散射系數(shù)、SAR數(shù)據(jù)紋理信息、光學影像3層次特征向量組合（特征向量組合見表2），然后對比分析不同特征向量組合提取冬小麥種植面積的精度。

表2 特征向量組合Table 2 Combination of characteristic vector

3 結(jié)果與分析

3.1 典型地物后向散射特征

首先基于訓練樣本，平均屬于每個類別的所有像素的后向散射系數(shù)，進一步得到每個類別后向散射系數(shù)的時相變化規(guī)律，典型地物（小麥、油菜、林地）在不同極化下的后向散射系數(shù)分析見表3。從表3中可以看出不同地物后向散射系數(shù)的時相變化差異明顯：相比于同極化（VV極化），交叉極化（VH極化）的后向散射值一直比較??；林地VV極化和VH極化后向散射系數(shù)均是先減小后增加，然后在2016年3月21日衰減到最小值后增加；小麥和油菜VH極化后向散射系數(shù)分別由2015年11月22日的–13.2和–11.5 dB衰減到2016年3月21日的–16.2和–12.8 dB，然后均在2016年5月8日增加到最大值；小麥和油菜VV極化后向散射系數(shù)分別由2015年11月22日的–6.7和–4.2 dB衰減到2016年4月14日的–11.9dB和2016年3月21日的–7.4 dB，然后增加到2016年5月8日的最大值；從以上后向散射變化特點表明：1）冬小麥 VV極化衰減比VH極化要大，這是因為小麥具有明顯的垂直結(jié)構(gòu)，VV極化在傳播過程中易受到垂直結(jié)構(gòu)的影響，使地表后向散射在傳播過程中衰減的更多，導致VV極化下降幅度較大；2）在生長初期，土壤對后向散射特征起主導作用[25-26]，隨著小麥逐漸生長，葉密度、桿密度逐漸增加，此時小麥比較均勻的覆蓋在地表面，土壤散射作用的主導位置逐漸減小，轉(zhuǎn)向冠層散射作用占據(jù)了主導位置，散射值呈現(xiàn)出隨著葉密度的增加逐漸減小的變化趨勢。從抽穗期到成熟期，由于麥穗的出現(xiàn)，植被含水量的逐漸減小，冠層密度的降低，使得土壤的散射作用逐漸增強，從而使得VH極化與VV極化散射值增加；3）不同地物的不同極化后向散射系數(shù)時相變化規(guī)律表現(xiàn)出明顯差異，為利用 VH極化和VV極化后向散射系數(shù)提取冬小麥種植面積提供理論基礎。

本研究分析了冬小麥、油菜和林地后向散射特征的差異，大量學者開展了其他不同種植結(jié)構(gòu)區(qū)域農(nóng)作物 SAR識別研究，如Oyoshi等利用多時相Radarsat-2進行農(nóng)作物種植面積提取，發(fā)現(xiàn)單子葉作物小麥和水稻后向散射系數(shù)時相變化規(guī)律差異明顯，VH極化方式的識別精度達到83%[27]。Sonobe等利用TerraSAR-X數(shù)據(jù)對小麥、玉米、大豆、甜菜和草地進行遙感識別研究，結(jié)果表明不同植被后向散射系數(shù)和極化散射機制存在較大差異，識別精度高達95%[16]。Dusseux等利用多時相SAR數(shù)據(jù)進行草地的識別，結(jié)果發(fā)現(xiàn)同是單子葉植被的草地、小麥和玉米的后向散射系數(shù)差異明顯，總體精度高達96%[28]。Xu等人利用Radarsat-2研究小麥物理參數(shù)如何影響其后向散射特征，結(jié)果表明HV極化對葉片長度最敏感，而HH極化幾乎不受葉長度的影響[29]。以上結(jié)果表明，SAR數(shù)據(jù)在不同種植結(jié)構(gòu)區(qū)域農(nóng)作物遙感識別有較好的應用潛力。

表3 典型地物不同極化后向散射對比Table 3 Comparison of different polarimetric backscattering of typical land covers

3.2 可分離性評價

J-M 距離（Jeffries-Matusita distance）常用于評價 2個類別間的差異性程度，J-M距離值為0到2，大于1.9說明類別間可分離性好，大于1.7小于1.9說明類別間分離性較好[16]。為了定量評價地物的可分離性，分別計算了基于不同特征向量組合典型地物（小麥、油菜、林地）的 J-M 距離，計算結(jié)果見表 4。從表 4中可以看出：VV+VH、T、VV+VH+T、S、L、VV+VH+T+L和 E的特征組合上，地物可分性很好，J-M距離在1.829到2.000之間；VV和VH特征組合的J-M距離在1.457到1.733之間，可分離性較差；冬小麥在單極化上可分離性較差，而在 VV+VH+T特征組合上可分離性很好。以往眾多研究表明，單極化SAR數(shù)據(jù)在進行農(nóng)作物識別時存在一定的局限性，已不能滿足現(xiàn)有的應用需求[30]，多種極化方式及其組合可有效提高農(nóng)作物分類與識別精度[31]。分析結(jié)果表明，基于SAR數(shù)據(jù)的VV+VH和VV+VH+T組合地物可分離性較好，而SAR和光學數(shù)據(jù)的組合可分離性最高，需要進一步分析基于不同特征組合冬小麥提取精度。

表4 典型地物的J-M距離Table 4 J-M distance for typical land covers

3.3 冬小麥分類精度評價

基于SAR和光學影像的不同特征組合進行冬小麥種植面積識別，提取精度見表5。

3.3.1 基于單時相SAR數(shù)據(jù)冬小麥識別精度分析

當使用遙感影像進行農(nóng)作物遙感識別時，要盡量選擇包含關鍵信息的時相。為確定冬小麥 SAR遙感識別的最佳時相，本文利用單時相 SAR數(shù)據(jù)的紋理信息和多極化（VV極化、VH極化）后向散射的組合進行冬小麥遙感識別，分類精度見表6。從表6中可以看出，單時相SAR數(shù)據(jù)遙感識別精度小于85%，在冬小麥生長中后期分類精度較高，四月中旬分類精度最高。McNairn等研究也表明SAR數(shù)據(jù)在農(nóng)作物生長中后期分類精度較高[25]。這主要是由于在農(nóng)作物生長早期覆蓋度相對較低，土壤對后向散射特征起主導作用。冬小麥在三月下旬到四月上旬快速生長，覆蓋度迅速增加，冬小麥散射作用逐漸增強，與其他植被可分離性好。五月上旬，冬小麥、油菜和林地散射特征可分性較差。綜合以上分析表明：單時相 SAR數(shù)據(jù)尚不能滿足種植結(jié)構(gòu)復雜地區(qū)冬小麥遙感識別精度要求；南京地區(qū)冬小麥散射特征在四月中旬左右可分離性最好。

表5 不同特征向量組合冬小麥分類精度Table 5 Classification accuracy of winter wheat with different characteristic vector

表6 單時相SAR數(shù)據(jù)分類結(jié)果Table 6 Classification results of single-temporal SAR data

3.3.2 基于SAR后向散射特征冬小麥識別精度分析

Aschbacher等研究表明，就單一時相SAR數(shù)據(jù)而言，單一的極化方式和低空間分辨率大大限制了農(nóng)作物SAR分類識別的效果，尤其是在地塊破碎、種植結(jié)構(gòu)復雜區(qū)域[32]。因此，該研究進一步利用多時相單極化和多時相多極化SAR數(shù)據(jù)進行冬小麥分類研究。從表5可以看出，VV和VH特征組合的制圖精度和用戶精度都低于75%，而VV特征組合的分類精度高于VH，這表明基于單極化SAR數(shù)據(jù)進行種植結(jié)構(gòu)復雜地區(qū)冬小麥種植面積提取具有一定局限性，這與 Xu[29]等利用多時相 Radarsat-2 數(shù)據(jù)在河北進行冬小麥識別試驗研究結(jié)果一致；VV+VH特征組合的制圖精度和用戶精度分別是85.7%和87.9%，在一般情況下，當制圖精度和用戶精度都大于85%，認為這種作物的分類是可靠的[11]，這說明多極化 SAR數(shù)據(jù)可以替代光學影像用于種植結(jié)構(gòu)復雜地區(qū)冬小麥種植面積提??；VV+VH特征組合比VV在制圖精度和用戶精度上分別提高27.3%和13.6%，比VH在制圖精度和用戶精度上分別提高35.4%和33.4%，這主要是由于冬小麥對VV極化和VH極化有不同的散射機制，VV+VH特征組合比VV和VH提供更加豐富的小麥雷達波散射信息，有效提高了冬小麥分類識別精度。Silva等利用多極化SAR數(shù)據(jù)進行農(nóng)作物分類與識別研究，結(jié)果VV-VH極化組合比VV極化精度提高25.9%，VV-HV-HH極化組合總體精度高達91.4%[6]。

3.3.3 引入SAR紋理信息冬小麥識別精度分析

為充分研究利用Sentinel-1A數(shù)據(jù)，本研究引入其紋理信息進行分類識別研究。利用T特征組合進行分類，冬小麥的制圖精度和用戶精度都低于75%，表明只利用紋理信息很難滿足冬小麥分類識別精度要求；VV+VH+T特征組合冬小麥制圖精度和用戶精度分別高達93.3%和94.6%（總體精度90.6%，kappa系數(shù)0.86），比VV+VH在制圖精度和用戶精度上分別提高7.6%和6.7%。這說明由于SAR影像斑點噪聲的影響，以及單波段、單極化信息的有限性，增加紋理信息后，SAR影像的分類精度明顯提高[12]，進一步驗證了 SAR數(shù)據(jù)可以應用于種植結(jié)構(gòu)復雜地區(qū)冬小麥種植面積提取。與其他研究結(jié)果對比，該研究分類精度有較大提高。如Xu等人利用多時相SAR數(shù)據(jù)進行冬小麥識別，其中HH+HV+VV組合的制圖精度和用戶精度分別為84.73%和76.61%[29]。這主要由于該研究添加了SAR數(shù)據(jù)紋理信息，有效地提高了識別精度。Jia等人研究也表明利用紋理信息可以提高SAR數(shù)據(jù)分類精度[33]。

光學影像常受云雨天氣影響，在生長早期進行農(nóng)作物種植面積提取難以滿足精度要求[34]。本文選取 2016年 1月9、2月26兩景Sentinel-1A，進一步對比分析了冬小麥生長早期SAR數(shù)據(jù)遙感識別精度。特征組合E分類精度大于70%，表明Sentinel-1A在種植結(jié)構(gòu)復雜地區(qū)冬小麥生長早期遙感識別有一定應用潛力，后期將添加Sentinel-1A干涉圖像和高程信息，有望進一步提高分類精度。

3.3.4 引入光學影像冬小麥識別精度分析

為研究SAR和光學影像的結(jié)合對冬小麥種植面積提取的影響，通過對比分析引入光學影像前后冬小麥識別精度表明：VV+VH+T特征組合的分類精度比 S高出2.4%，這表明多時相SAR冬小麥識別精度高于單時相光學影像；VV+VH+T+L特征組合分類精度最高，制圖精度和用戶精度分別高達97%和98.4%（總體精度95.3%，Kappa系數(shù)0.91），比VV+VH+T在制圖精度和用戶精度上分別提高3.7%和3.8%。對比其他冬小麥提取研究，本文冬小麥識別精度有較大提高。如Jia等人利用ASAR和TerraSAR進行中國華北平原冬小麥識別研究，冬小麥最高制圖精度和用戶精度分別為94.11%和92.57%[33]。這主要是由于該研究利用了SAR和光學影像的組合進行冬小麥識別，光學影像包含豐富的光譜信息，SAR數(shù)據(jù)具有較多的空間紋理信息，SAR和光學影像的結(jié)合能夠彌補兩類遙感影像在農(nóng)作物識別的缺陷提高分類精度。McNairn[25]等研究表明，SAR和光學影像結(jié)合可以提高總體精度，并能提高個別作物分類精度。由以上可以得出：當由于天氣影響，難以獲得理想光學影像時，SAR可以作為光學影像的補充數(shù)據(jù)提高農(nóng)作物識別精度，也可以作為獨立的遙感影像數(shù)據(jù)源完成冬小麥的分類識別。

4 結(jié) 論

本研究利用多時相多極化星載SAR和光學影像，構(gòu)建不同極化后向散射系數(shù)、SAR數(shù)據(jù)紋理信息和光學影像特征向量組合，然后對比分析不同特征向量組合提取冬小麥種植面積的精度，最終得到以下結(jié)論：

1）在冬小麥生長過程中，后向散射特征變化明顯，在四月中旬左右南京地區(qū)冬小麥與其他植被后向散射特征差異較大，可以為農(nóng)作物種植面積提取提供理論依據(jù)。

2）同一尺度VV極化的冬小麥識別精度高于VH極化，單極化、單時相SAR數(shù)據(jù)難以滿足種植結(jié)構(gòu)復雜地區(qū)冬小麥種植面積提取的精度要求。VV+VH特征組合的制圖精度和用戶精度分別是85.7%和87.9%，比VH在制圖精度和用戶精度上分別提高35.4%和33.4%。

3）VV+VH+T特征組合冬小麥制圖精度和用戶精度分別高達93.3%和94.6%，比VV+VH在制圖精度和用戶精度上分別提高7.6%和6.7%。SAR數(shù)據(jù)紋理信息的引入可以有效提高分類精度。

4）VV+VH+T+L特征組合表現(xiàn)最佳，制圖精度和用戶精度分別高達97%和98.4%（總體精度95.3%，Kappa系數(shù)0.91），比VV+VH+T在制圖精度和用戶精度上分別提高3.7%和3.8%。SAR和光學影像的結(jié)合可以提高冬小麥識別精度。

綜上所述，當受天氣影響，在作物關鍵生長期無法獲得理想光學影像時，多時相 SAR數(shù)據(jù)可以替代光學影像進行種植結(jié)構(gòu)復雜地區(qū)冬小麥種植面積提取。此外，SAR數(shù)據(jù)紋理信息和光學數(shù)據(jù)的引入可以有效提高分類精度。

一般認為, 在種植結(jié)構(gòu)單一、簡單地區(qū)冬小麥較易識別, 而種植結(jié)構(gòu)復雜、地塊細碎區(qū)域識別精度較低。與以往研究相比，本研究選取中國南方種植結(jié)構(gòu)復雜、雨水豐沛的都市農(nóng)業(yè)區(qū)進行冬小麥遙感識別研究，獲得了較高的識別精度，對種植結(jié)構(gòu)單一地區(qū)應有更高分類精度，因此本研究結(jié)果對不同種植結(jié)構(gòu)區(qū)域有較好實用性和擴展性。Sentinel-1作為多極化重訪周期為6 d的雙星系統(tǒng)，其數(shù)據(jù)免費下載，將為中國農(nóng)業(yè)生產(chǎn)提供有力的數(shù)據(jù)支撐。另一方面，高分三號作為中國首顆分辨率達到 1 m的C頻段多極化合成孔徑雷達（SAR）衛(wèi)星，于2016年8月發(fā)射。本研究結(jié)果，可以為高分三號的農(nóng)作物識別及應用提供理論依據(jù)。本文在以下方面還需要在今后的研究中進一步補充：本文僅利用了C波段多極化SAR數(shù)據(jù)進行冬小麥識別研究，沒有對小麥進行敏感的檢測。下一步本研究將對冬小麥和土壤物理參數(shù)進行檢測，進而探索這些物理參數(shù)與后向散射系數(shù)之間的關系；隨著雷達技術(shù)不斷發(fā)展，開展多波段、全極化、高空間分辨率、多入射角SAR數(shù)據(jù)的農(nóng)作物種植面積提取將是重要趨勢。

[1]蔡愛民，邵蕓，李坤，等. 冬小麥不同生長期雷達后向散射特征分析與應用[J]. 農(nóng)業(yè)工程學報，2010，26(7)：205－212.Cai Aimin, Shao Yun, Li Kun, et al. Analysis of backscattering characters of winter wheat in different phenophase and its application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 205－212. (in Chinese with English abstract)

[2]朱長明，駱劍承，沈占鋒，等. 基于地塊特征基元與多時相遙感數(shù)據(jù)的冬小麥播種面積快速提取[J]. 農(nóng)業(yè)工程學報，2011，27(9)：94－99.Zhu Changming, Luo Jiancheng, Shen Zhanfeng, et al.Winter wheat planting area extraction using multi-temporal remote sensing data based on field parcel characteristic[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(9): 94－99. (in Chinese with English abstract)

[3]李瑤，張立福，黃長平，等. 基于 MODIS植被指數(shù)時間譜的太湖2001年—2013年藍藻爆發(fā)監(jiān)測[J]. 光譜學與光譜分析，2016，36(5)：1406－1411.Li Yao, Zhang Lifu, Huang Changping, et al. Monitor of cyanobacteria bloom in lake taihu from 2001 to 2013 based on MODIS temporal spectral data[J]. Spectroscopy and Spectral Analysis, 2016, 36(5): 1406－1411. (in Chinese with English abstract)

[4]王迪，周清波，陳仲新，等. 基于合成孔徑雷達的農(nóng)作物識別研究進展[J]. 農(nóng)業(yè)工程學報，2014，30(16)：203－212.Wang Di, Zhou Qingbo, Chen Zhongxin, et al. Research advances on crop identification using synthetic aperture radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(16): 203－212. (in Chinese with English abstract)

[5]郭丁，顧行發(fā)，余濤，等. 極化合成孔徑雷達海面成像模擬及分析[J]. 光譜學與光譜分析，2011，31(10)：2643－2646.Guo Ding, Gu Xingfa, Yu Tao, et al. Simulation of polarization SAR imaging of ocean surface[J]. Spectroscopy and Spectral Analysis, 2011, 31(10): 2643－2646. (in Chinese with English abstract)

[6]Silva W F, Rudorff B F T, Formaggio A R, et al.Discrimination of agricultural crops in a tropical semi-arid region of Brazil based on L-band polarimetric airborne SAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5): 458－463.

[7]Stankiewicz K A. The efficiency of crop recognition on ENVISAT ASAR images in two growing seasons[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(4): 806－814.

[8]Skriver H. Crop classification by multitemporal C- and L-band single- and dual-polarization and fully polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(6): 2138－2149.

[9]Jiao X F, Kovacs J M, Shang J L, et al. Object-oriented crop mapping and monitoring using multi-temporal polarimetric Radarsat-2 data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 96: 38－46.

[10]Waske B, Braun M. Classifier ensembles for land cover mapping using multitemporal SAR imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5):450－457.

[11]Skakun S, Kussul N, Shelestov A Y, et al. Efficiency assessment of multitemporal C-Band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,9(8): 1－8.

[12]曾鈺. SAR與光學影像融合的變化信息提取[M]. 北京：中國科學技術(shù)出版社，2014.

[13]郭華東. 雷達對地觀測理論與應用[M]. 北京：科學出版社，2000.

[14]Yayusman L F, Nagasawa R. ALOS-Sensor data integration for the detection of smallholders oil palm plantation in Southern Sumatra, Indonesia[J]. Journal of the Japanese Agricultural Systems Society, 2015, 31(2): 27－40.

[15]Zhang Y, Wang C, Wu J, et al. Mapping paddy rice with multitemporal ALOS/PALSAR imagery in southeast China[J].International Journal of Remote Sensing, 2009, 30(23): 6301－6315.

[16]Sonobe R, Tani H, Wang X, et al. Discrimination of crop types with TerraSAR-X-derived information[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2015, 83－84: 2－13.

[17]何連，秦其明，任華忠，等. 利用多時相 Sentinel-1 SAR數(shù)據(jù)反演農(nóng)田地表土壤水分[J]. 農(nóng)業(yè)工程學報，2016，32(3)：142－148.He Lian, Qin Qiming, Ren Huazhong, et al. Soil moisture retrieval using multi-temporal Sentinel-1 SAR data in agricultural areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(3): 142－148. (in Chinese with English abstract)

[18]鄭興明，丁艷玲，趙凱，等. 基于Landsat 8 OLI數(shù)據(jù)的玉米冠層含水量反演研究[J]. 光譜學與光譜分析，2014，34(12)：3385－3390.Zheng Xingming, Ding Yanling, Zhao Kai, et al. Estimation of vegetation water content from Landsat 8 OLI data[J].Spectroscopy and Spectral Analysis, 2014, 34(12): 3385－3390. (in Chinese with English abstract)

[19]Jia K, Liang S, Gu X, et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J]. Remote Sens Environ, 2016, 177: 184－191.

[20]吳樊，王超，張紅. 基于紋理特征的高分辨率SAR影像居民區(qū)提取[J]. 遙感技術(shù)與應用，2005，20(1)：148－152.Wu Fan, Wang Chao, Zhang Hong. Residential areas extraction in high resolution SAR image based on texture features[J]. Remote Sensing Technology and Application,2005, 20(1): 148－152. (in Chinese with English abstract)

[21]趙凌君，秦玉亮，高貴，等. 利用GLCM紋理分析的高分辨率 SAR圖像建筑區(qū)檢測[J]. 遙感學報，2009，13(3)：483－490.Zhao Lingjun, Qin Yuliang, Gao Gui, et al. Detection of built-up areas from high-resolution SAR images using the GLCM textural analysis[J]. Journal of Remote Sensing, 2009,13(3): 483－490. (in Chinese with English abstract)

[22]賈坤，李強子，田亦陳，等. 遙感影像分類方法研究進展[J]. 光譜學與光譜分析，2011，31(10)：2618－2623.Jia Kun, Li Qiangzi, Tian Yichen, et al. A review of classification methods of remote sensing imagery[J].Spectroscopy and Spectral Analysis, 2011, 31(10): 2618－2623. (in Chinese with English abstract)

[23]鄧書斌. ENVI遙感影像處理方法[M]. 北京：高等教育出版社，2014.

[24]Li K, Brisco B, Yun S, et al. Polarimetric decomposition with RADARSAT-2 for rice mapping and monitoring[J]. Can J Remote Sens, 2012, 38(2): 169－179.

[25]McNairn H, Champagne C, Shang J, et al. Integration of optical and synthetic aperture radar (SAR) imagery for delivering operational annual crop inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5):434－449.

[26]陳彥，徐春亮，賈明權(quán)，等. 冬小麥后向散射特性的測量分析與模擬研究[J]. 電子科技大學學報，2009，38(5)：707－711.Chen Yan, Xu Chunliang, Jia Mingquan, et al. Measurement analysis and simulation of backscattering properties of winter wheat[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(5): 707－711. (in Chinese with English abstract)

[27]Oyoshi K, Tomiyama N, Okumura T, et al. Mapping rice-planted areas using time-series synthetic aperture radar data for the Asia-RiCE activity[J]. Paddy and Water Environment, 2015, 14(4): 463－472.

[28]Dusseux P, Corpetti T, Hubertmoy L, et al. Combined Use of Multi-Temporal Optical and Radar Satellite Images for Grassland Monitoring [J]. Remote Sensing, 2014, 6(7): 6163－6182

[29]Xu J, Li Z, Tian B, et al. Polarimetric analysis of multitemporal Radarsat-2 SAR images for wheat monitoring and mapping[J]. International Journal of Remote Sensing, 2014,35(10): 3840－3858.

[30]Park N W. Accounting for temporal contextual information in land-cover classification with multi-sensor SAR data[J].International Journal of Remote Sensing, 2010, 31(2): 281－298.

[31]Ferrazzoli P, Guerriero L, Schiavon G. Experimental and model investigation on radar classification capability[J].IEEE Transactions on Geoscience and Remote Sensing, 1999,37(2): 960－968.

[32]Aschbacher J, Pongsrihadulchai A, Karnchanasutham S, et al.Assessment of ERS-1 SAR data for rice crop mapping and monitoring [M]. New York: I E E E, 1995.

[33]Jia K, Li Q, Tian Y, et al. Crop classification using multi-configuration SAR data in the North China Plain[J].International Journal of Remote Sensing, 2012, 33(1): 170－183.

[34]Inglada J, Vincent A, Arias M, et al. Improved early crop type identification by joint use of high temporal resolution SAR and optical image time series[J]. Remote Sensing, 2016,8(5): 362.

Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery

Zhou Tao1, Pan Jianjun1※, Han Tao1, Wei Shanbao2
(1.College of Resources and Environmental Sciences, Nanjing Agricultural University, Nanjing210095,China;2.College of Public Administration, Nanjing Agricultural University, Nanjing210095,China)

Wheat is one of the most important crops for many countries. It is important to obtain accurate wheat planting area.Optical imagery has been widely used in crop classification and made great progress, but the optical imagery in the critical period of wheat growth is often affected by weather and other external conditions. In contrast, synthetic aperture radar (SAR)is potentially effective data source for wheat mapping because of its all-weather, all-day imaging capabilities. The study site was located in a typical urban agricultural region in Gaochun District of Nanjing, the provincial capital of Jiangsu Province,China, with the central coordinates of 118°52'E and 31°19'N. Six SAR (Sentinel-1A) and 4 optical (Landsat-8) images were obtained from the ESA during the growing period of winter wheat. The objective of this study was to explore the abilities of multi-temporal satellite SAR data, optical images and the combination of both types of images to identify winter wheat in an urban agriculture region with complex planting structures. The investigations were through the following steps: 1) The texture features were extracted from the SAR images using the gray level co-occurrence matrix (GLCM), and the backscatter intensity data were also obtained; 2) A support vector machine (SVM) was used as the classifier to map winter wheat, using the different combinations of the Sentinel-1A derived information and optical images. 3) Then, the classification accuracies for different combinations of SAR variables and optical images were evaluated. The results showed that: 1) In the process of winter wheat growth, the backscatter characteristics changed obviously. In the middle of April, the backscatter characteristics were different between winter wheat and other vegetation in the study area, which could provide the theoretical basis for winter wheat classification. 2) Using single polarization, single-temporal SAR data were difficult to meet the accuracy requirements of winter wheat with complex planting structures, and the classification accuracy of VV polarization was higher than that of VH polarization; 3) Compared with VV polarization, the producer’s and user’s accuracy of VV+VH combination were increased by 27.3% and 13.6%, respectively. When VV polarization was added to VH backscatter intensity images, the producer’s and user’s accuracy were increased from 50.3% to 85.7% and from 54.5% to 87.9%, respectively; 4) When texture images were added to backscatter intensity images, the winter wheat fields could be mapped with a satisfactory classification accuracy, and the user’s and producer’s accuracy could reach up to 94.6% and 93.3%, respectively; 5) The combination of multi-temporal SAR and optical images had the best classification accuracy, and the producer’s and user’s accuracy were 97%and 98.4% (overall accuracy 95.3%, Kappa coefficient 0.91), respectively. The addition of multi-temporal SAR to optical images allowed us to increase producer’s and user’s accuracy of winter wheat by 3.7% and 3.8%, respectively. The results in this paper show that the satisfactory classification of winter wheat can be achieved using Sentinel-1A data alone in urban agricultural regions with complex planting structures. In addition, texture features of SAR can improve SAR data classification accuracy. The SAR and optical images can make use of the advantages of information complementation of each other to make up for their deficiencies in crop classification. It is indicated that the SAR data can not only be used as a data source instead of optical images to distinguish winter wheat, but also as a supplementary data source to improve the classification accuracy of optical data.

crops; remote sensing; synthetic aperture radar; winter wheat; optical imagery

10.11975/j.issn.1002-6819.2017.10.028

S127

A

1002-6819(2017)-10-0215-07

2016-10-09

2017-04-11

江蘇高校優(yōu)勢學科建設工程資助項目（PAPD）

周 濤，男，河南信陽人，主要研究方向為土壤資源環(huán)境遙感及信息技術(shù)。南京 南京農(nóng)業(yè)大學資源與環(huán)境科學學院，210095。

Email：t_zhou@foxmail.com

※通信作者：潘劍君，男，江蘇南京人，博士，教授，博士生導師，主要研究方向為土壤調(diào)查與評價與信息生態(tài)學。南京 南京農(nóng)業(yè)大學資源與環(huán)境科學學院，210095。Email：jpan@njau.edu.cn