基于多時(shí)相雙極化SAR 數(shù)據(jù)的作物種植面積提取

古麗努爾·依沙克 買(mǎi)買(mǎi)提·沙吾提 馬春玥

新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院 / 新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室 / 新疆智慧城市與環(huán)境建模普通高校重點(diǎn)實(shí)驗(yàn)室, 新疆烏魯木齊 830046

農(nóng)作物種植面積是農(nóng)情監(jiān)測(cè)的重要要素之一,準(zhǔn)確分類識(shí)別作物, 及時(shí)獲取農(nóng)作物種植面積信息及空間分布狀況在農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)政策等方面具有重要意義[1-3]。與傳統(tǒng)的農(nóng)業(yè)統(tǒng)計(jì)報(bào)表和抽樣調(diào)查方法相比, 遙感技術(shù)具廣泛性、時(shí)效性、周期性、綜合性和經(jīng)濟(jì)性等特點(diǎn), 在農(nóng)業(yè)生產(chǎn)中發(fā)揮著極其重要的作用[4-5]。目前, 國(guó)內(nèi)外眾多學(xué)者利用光學(xué)遙感影像對(duì)不同時(shí)空尺度下的多種農(nóng)作物進(jìn)行了分類識(shí)別研究[6]。盡管光學(xué)遙感技術(shù)在作物識(shí)別和種植面積提取應(yīng)用中已經(jīng)很成熟, 但是易受陰雨天氣的影響, 從而使光學(xué)遙感數(shù)據(jù)的使用受到了的限制[7]。

合成孔徑雷達(dá)(Synthetic aperture radar, SAR)由于不受光照和天氣等條件的限制, 能夠?qū)崿F(xiàn)全天時(shí)、全天候?qū)Φ赜^測(cè), 同時(shí)具有較強(qiáng)的穿透能力, 其他遙感無(wú)法與之比擬[8]。隨著雷達(dá)技術(shù)的發(fā)展, 利用SAR 數(shù)據(jù)識(shí)別農(nóng)作物、獲取農(nóng)作物面積、長(zhǎng)勢(shì)、產(chǎn)量等關(guān)鍵信息, 并且由單極化、單傳感器向多極化、多傳感器領(lǐng)域發(fā)展, 為農(nóng)作物識(shí)別和種植面積提取研究提供了強(qiáng)有力的數(shù)據(jù)保障和技術(shù)支持。以往農(nóng)作物識(shí)別研究中大多以光學(xué)數(shù)據(jù)或者單極化、單時(shí)相SAR 影像為主要數(shù)據(jù)源, 而且多數(shù)研究是對(duì)水稻進(jìn)行識(shí)別[9-11], 很少應(yīng)用到旱地作物的種植面積信息提取研究。Loosvelt 等[12]利用L 波段的EMISAR數(shù)據(jù)進(jìn)行極化分解、提取極化散射特征, 用隨機(jī)森林計(jì)算重要性隨時(shí)間的變化, 對(duì)豌豆、甜菜、冬小麥、冬大麥和黑麥進(jìn)行分類, 為SAR 監(jiān)測(cè)作物整個(gè)生長(zhǎng)季提供了參考。Zhou 等[13]將資源三號(hào)和Sentinel-1 數(shù)據(jù)疊加, 基于時(shí)間序列分析方法, 對(duì)多云多雨地區(qū)的農(nóng)作物分類, 且與SVM 和RF 分類對(duì)比, 使精度提高了5%。Paolo 等[14]結(jié)合Landsat-8 和X 波段SAR (COSMO-SkyMed)數(shù)據(jù), 根據(jù)其季節(jié)性特征組合, 在不同作物可分離性的基礎(chǔ)上建立分類方法對(duì)溫帶地區(qū)的7 種作物制圖, 表明光學(xué)和SAR遙感影像相結(jié)合可有效提高作物識(shí)別精度。李俐等[15]利用多時(shí)相Sentinel-1A 影像根據(jù)不同生育期玉米后向散射系數(shù)的變化情況, 運(yùn)用SVM 算法提取了玉米種植面積, 得到了較理想的結(jié)果。Jia 等[16]利用ASAR 和TerraSAR 數(shù)據(jù)提取小麥和棉花的紋理特征,對(duì)不同生長(zhǎng)期、不同波段以及不同極化的SAR 影像進(jìn)行組合, 利用SVM 方法對(duì)作物分類, 結(jié)果表明相較于單波段影像不同波段組合的SAR 數(shù)據(jù)在作物分類上具有一定的優(yōu)勢(shì)。郭交等[17]基于多時(shí)相PolSAR數(shù)據(jù), 通過(guò)定義參數(shù)描述不同農(nóng)作物的極化散射特性的變化規(guī)律, 提出一種新的分類算法, 對(duì)油菜、豌豆、春小麥等作物進(jìn)行監(jiān)督分類, 使識(shí)別精度得到提高, 為SAR 數(shù)據(jù)在農(nóng)業(yè)遙感監(jiān)測(cè)應(yīng)用方面提供了有力的科學(xué)依據(jù)。以上研究結(jié)果都表明, 多時(shí)相、多波段的雷達(dá)遙感數(shù)據(jù)在作物識(shí)別方面具有一定的可行性和潛力, 可作為旱地作物識(shí)別的有效遙感數(shù)據(jù)源[18]。

本文以多時(shí)相、雙極化Sentinel-1A SAR 數(shù)據(jù)為主要數(shù)據(jù)源, 在充分分析不同農(nóng)作物的SAR 影像后向散射系數(shù)的基礎(chǔ)上, 分別采用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林3 種方法進(jìn)行作物分類, 針對(duì)不同分類方法的識(shí)別能力做出評(píng)價(jià), 為時(shí)序SAR 數(shù)據(jù)用于旱地作物識(shí)別及面積提取研究提供了新的技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

渭干河—庫(kù)車河三角洲綠洲, 位于83°06'30″—83°31'40″E, 41°24'45″—41°44'50″N, 地處天山南麓、塔里木盆地中北部, 隸屬于新疆阿克蘇地區(qū), 包括庫(kù)車、沙雅和新和3 個(gè)縣, 是典型的扇形平原綠洲。渭—庫(kù)綠洲地勢(shì)北高南低, 自西北向東南傾斜,年降水量為 50.0～66.5 mm,年均蒸發(fā)量為 2000～2092 mm。研究區(qū)主要土地利用類型為農(nóng)業(yè)用地, 農(nóng)作物生長(zhǎng)依賴于灌溉, 該地區(qū)主要作物包括棉花、夏玉米、核桃、紅棗等, 作物生長(zhǎng)期為4月至10月[19]。研究區(qū)示意圖見(jiàn)圖1。

1.2 地面調(diào)查數(shù)據(jù)

分別于2018年7月3日至7月12、2019年2月5日至2月9日進(jìn)行了2 次野外實(shí)地考察。目的是為了考察影像分類所需要的各類地物的樣本和樣方, 以及不同作物的分布特征。考察中總共獲取了478 個(gè)典型地物樣點(diǎn), 其中包括246 個(gè)訓(xùn)練樣本和232 個(gè)驗(yàn)證樣本, 以及 20 個(gè)樣方, 樣方面積約1 km×1 km。此外, 用差分GPS 獲取了樣點(diǎn)的經(jīng)緯度,測(cè)量樣方各作物面積。根據(jù)實(shí)地考察情況, 將棉花、玉米、果園(Orchard)、建筑、水體以及其他確定為最終的分類類型。

1.3 SAR 數(shù)據(jù)及處理

Sentinel-1 是由歐空局(ESA)研發(fā)的C 波段雷達(dá)成像系統(tǒng), 由A、B 兩顆衛(wèi)星組成, 能夠全天時(shí)、全天候采用4 種成像模式觀測(cè)。本文以Sentinel-1A 影像IW模式的L-1 級(jí)GRD 產(chǎn)品作為主要數(shù)據(jù)來(lái)源, 該產(chǎn)品已經(jīng)過(guò)多視處理以及投影, 其主要參數(shù)如表1 所示。

圖1 研究區(qū)及樣點(diǎn)分布示意圖Fig. 1 Map of study area and sample distribution

表1 Sentinel-1A SAR 數(shù)據(jù)主要參數(shù)Table 1 Main parameters of Sentinel-1A SAR data

利用由ESA 提供的SNAP 5.0 軟件中Sentinel-1 Toolbox 對(duì)SAR 數(shù)據(jù)進(jìn)行預(yù)處理。通過(guò)公式(1)進(jìn)行輻射定標(biāo)[20]。

式中,i,j表示像素點(diǎn)位置為第i行第j列; DN 為影像灰度值;Ssigma為定標(biāo)參數(shù)。借助30 m 分辨率的數(shù)字高程數(shù)據(jù)SRTM 來(lái)完成幾何精校正。再對(duì)以上結(jié)果進(jìn)行地理編碼, 最后選用7×7 窗口的Lee Sigma 方法進(jìn)行噪聲處理。

1.4 研究方法

首先對(duì)Sentinel-1 影像進(jìn)行預(yù)處理, 步驟包括輻射定標(biāo)、Range-Doppler 地形幾何校正、地理編碼以及Lee Sigma 濾波。其次, 為了進(jìn)一步分析不同農(nóng)作物在不同時(shí)相和極化方式下的變化特征, 計(jì)算出研究區(qū)5 種地物(包括棉花、玉米、果園、水體和建筑)在各個(gè)波段的后向散射系數(shù)Sigma 值、歸一化后向散射系數(shù)Gamma 值, 分別給出6 個(gè)時(shí)相的VH 極化、VV 極化圖像的統(tǒng)計(jì)圖。再次, 為克服以定性方法分析地物的后向散射特征, 采用J-M 距離對(duì)研究區(qū)典型地物類型進(jìn)行可分離性分析, 結(jié)合不同作物的生長(zhǎng)周期和物候特征, 分析其相互間的分離度, 在此基礎(chǔ)上選取能有效區(qū)分不同作物類型的最佳識(shí)別時(shí)相, 并計(jì)算出其J-M 距離(表2 和表3)。基于以上工作, 結(jié)合野外考察數(shù)據(jù), 采用人工神經(jīng)網(wǎng)絡(luò)(ANN)[21]、支持向量機(jī)(SVM)[22-23]和隨機(jī)森林(RF)[24]3 種分類方法對(duì)多時(shí)相雙極化SAR 影像進(jìn)行分類,并驗(yàn)證其精度。技術(shù)路線見(jiàn)圖2。

2 結(jié)果與分析

2.1 典型地物散射特征分析

基于SAR 遙感影像, 算出了典型地物的Sigma、Gamma 值, 給出不同時(shí)相的多極化影像后向散射統(tǒng)計(jì)圖(圖3)。雷達(dá)后向散射系數(shù)受作物的葉片密度、結(jié)構(gòu)、含水量、品種、生長(zhǎng)時(shí)間等因素的影響, 不同類型作物的散射特征隨著生長(zhǎng)周期的變化表現(xiàn)出不同的散射機(jī)理[17]?？傮w來(lái)看, 棉花的后向散射系數(shù)分布在-21.5 dB 到-6.5 dB 的區(qū)間; 玉米的后向散射系數(shù)分布在-19.43 dB 到-10.94 dB 的區(qū)間; 果園的后向散射系數(shù)主要分布在-16.98 dB 到-7.47 dB 的區(qū)間; 水體的后向散射系數(shù)則普遍較低, 主要在-26.47 dB 到-19.29 dB 區(qū)間; 建筑的后向散射系數(shù)普遍較高, 在-6.29 dB 到13.98 dB 區(qū)間內(nèi)變化。這是由于水體表面光滑, 水體在雷達(dá)圖像上發(fā)生鏡面反射, 后向散射極其弱; 受建筑結(jié)構(gòu)和形狀的影像,使建筑發(fā)生了角散射, 后向散射較強(qiáng)。

表2 典型作物不同時(shí)相J-M 距離Table 2 Jeffries-Matusita distance of typical crops with different phases

表3 典型作物不同波段組合J-M 距離Table 3 Jeffries-Matusita distance of typical crops with different band combinations

圖2 技術(shù)路線圖Fig. 2 Technology road map

圖3 多時(shí)相SAR 典型地物后向散射統(tǒng)計(jì)圖Fig. 3 Histograms of backscattering of typical ground objects in multi-temporal SAR data

從時(shí)間尺度上來(lái)看, 棉花的后向散射系數(shù)從4月份至 8月份, 頻率峰值逐漸上升, 平均增長(zhǎng)了5.32 dB; 在8月份峰值達(dá)到最高, 平均為-11.38 dB;到了9月, 后向散射系數(shù)有小幅度的減小。棉花在4月至5月處于播種期和出苗期, 受到地面散射的影響, 后向散射強(qiáng)度較小, 6月和7月份隨著棉花生長(zhǎng)到現(xiàn)蕾期和開(kāi)花期后向散射系數(shù)也逐漸增長(zhǎng), 8月和9月份達(dá)到吐絮期后, 與其他作物的散射差異最明顯, 后向散射達(dá)到最高。玉米的生長(zhǎng)期與棉花相似,4月和5月份玉米處于播種期和出苗期, 后向散射較低, 均在-13 dB 以下; 6月和7月份到了拔節(jié)期和抽穗期之后, 逐漸向右移, 后向散射逐漸升高; 8月和9月份成熟期達(dá)到最高, 達(dá)-6.15 dB。果樹(shù)在4月和5月處于萌芽期和展葉期, 其后向散射特征不明顯,平均為-13.4 dB; 6月至9月從開(kāi)花期到成熟期, 后向散射系數(shù)明顯上升, 峰值最高達(dá)-7.47 dB。

在不同極化方式下對(duì)比, 相較于VH 交叉極化方式, 同極化VV 后向散射系數(shù)特征變化明顯, 且分離度較高。棉花和玉米的散射特性比較相似, 在VV極化中, 棉花的后向散射系數(shù)最低值為-11.88 dB,最高值達(dá)-7.13 dB, 玉米的后向散射系數(shù)則從-13.18 dB 增長(zhǎng)到-11.04 dB。在VH 極化中, 棉花和玉米的后向散射系數(shù)均在-21.99 dB 到-14.52 dB 的區(qū)間內(nèi)逐漸升高, 但是特征不明顯。果樹(shù)的后向散射在VV 極化與棉花、玉米的趨勢(shì)一致, VH 極化中幾乎無(wú)差別。這是由于作物和果樹(shù)在生長(zhǎng)過(guò)程中顯示出不同的幾何結(jié)構(gòu)和樹(shù)冠形態(tài), 空間分布的介質(zhì)材料不同, 雷達(dá)信號(hào)的反射、吸收也不同。SAR 數(shù)據(jù)中作物的某些部分(如： 莖、穗、葉)在不同極化方式下會(huì)表現(xiàn)出不同的反射強(qiáng)度。如, 玉米植株呈垂直形態(tài), 葉片呈條狀且面積較大, 同時(shí)莖稈大小與其他作物存在一定的差異, 因此在VV 極化方式下其反射強(qiáng)度要高于VH 極化。VH 極化散射方式的回波是分散在各個(gè)方向上的, 因此傳感器能夠接收到的回波強(qiáng)度與VV 極化相比是小的[25]。

對(duì)Sigma 和Gamma 數(shù)據(jù)統(tǒng)計(jì)圖分析, 能夠看出2 種數(shù)據(jù)隨時(shí)間發(fā)生的變化趨勢(shì)總體一致, 所有地物的Sigma 和Gamma 數(shù)據(jù)之間平均相差1 dB。在Sigma 數(shù)據(jù)中, 棉花的峰值分布在-21.99 dB 到-7.04 dB 區(qū)間; Gamma 數(shù)據(jù)中, 峰值在-20.81 dB 到-6.49 dB 區(qū)間變化。玉米的Sigma 值和Gamma 值均小于棉花和果樹(shù)。其中, 建筑的Gamma 值隨時(shí)間的變化較大, 平均差值為1.11 dB。這表明, Gamma 數(shù)據(jù)在建筑等二面角散射體的識(shí)別中比Sigma 較有優(yōu)勢(shì),在其他地物的識(shí)別中Gamma 與Sigma 差別不大。在該研究區(qū)Sigma 數(shù)據(jù)更適合不同作物的分類識(shí)別。

圖4 典型地物后向散射特征時(shí)間序列變化Fig. 4 Time series variation of typical ground objects backscattering features

為了進(jìn)一步分析典型地物后向散射系數(shù)時(shí)變特征, 計(jì)算出每類樣本在不同極化方式下的后向散射系數(shù)平均值, 并分析其變化規(guī)律(圖4)?？傮w來(lái)看,VV 極化的Sigma 數(shù)據(jù)分離度相對(duì)較好。而在4月、5月、6月份, 不同作物在VH 極化下的分離度要優(yōu)于VV 極化, 棉花和玉米的后向散射系數(shù)明顯上升,果樹(shù)則處于平穩(wěn)的狀態(tài), 在7月份3 種作物幾乎達(dá)到一致, 分離度較差。到8月和9月份時(shí), VV 極化下作物的分離度較好, 后向散射逐漸升高并達(dá)到平穩(wěn)的狀態(tài)。在該時(shí)期棉花進(jìn)入吐絮期, 植被表層相對(duì)均勻且茂密, 起伏變化不大, 因此散射系數(shù)在一定程度上得到提高, 使其與玉米和果樹(shù)得以區(qū)分。

2.2 可分離性評(píng)價(jià)

Jeffries-Matusita 距離(J-M)是基于特征計(jì)算不同類別樣本間的距離, 是用來(lái)衡量類別間分離度的有效工具[26]。J-M 距離的數(shù)值在0～2 范圍內(nèi), 能夠定量衡量2 個(gè)類別間的差異性程度, 大于1.8 表示分離性好。表2 給出了不同時(shí)相條件下果園、棉花、玉米的Sigma 和Gamma 數(shù)據(jù)與典型地物間的J-M 距離。綜合來(lái)看, Sigma 和Gamma 的J-M 距離差別不大, 相較之下, 作物之間的差異性在6月和8月份顯示最好。玉米和果園的分離度在6月和8月都較理想, 分別為1.22 和1.15。棉花和玉米的分離度在6月份提升到了0.62, 最高值為0.81, 出現(xiàn)在8月份;棉花和果園的分離度在 9月最好, 但最高只達(dá)到0.4。這是因?yàn)楣麡?shù)和棉花的空間分布狀態(tài)密集, 后向散射特征相似; 玉米的分布則相對(duì)比較稀疏, 因此玉米的回波包括作物本身的散射、土壤背景的散射及二者之間相互作用的二次散射數(shù)據(jù), 相較于果樹(shù)和棉花更容易受到土壤背景的影響。水體和果園、棉花、玉米的J-M 距離在4月比較低, 5月至9月平均在1.5 以上, 分離度比較理想。建筑與3 種作物的J-M 距離在6 個(gè)時(shí)相均在1.5 以上, 最高值在8月和9月份, 達(dá)到1.99。上述表明, 8月下旬為棉花識(shí)別的最佳時(shí)相, 6月中旬為玉米識(shí)別的最佳時(shí)相, 果園與其他作物之間進(jìn)行識(shí)別需要9月上旬與6月中旬的數(shù)據(jù)才能得到較好的效果。

基于以上分析, 選取3 種作物分離度較好的3個(gè)時(shí)相, 即6月16日、8月27日和9月2日。對(duì)時(shí)相間進(jìn)行波段組合, 計(jì)算出不同時(shí)相組合條件下各地物間的分離度。從表3 可以看出, 在6月16日、8月27日和9月2日3 個(gè)時(shí)相的組合條件下, 棉花和玉米的分離度達(dá)到了1.5; 棉花和果園的分離度是1.47; 玉米和果園的則達(dá)到了1.52。3 種農(nóng)作物和其他地物間的J-M 距離均在1.7 以上, 說(shuō)明該波段組合條件下的分離程度最好。因此, 本文選取該波段組合條件下的Sigma 和Gamma (共6 景影像)進(jìn)行下一步的影像分類。

2.3 分類結(jié)果及面積提取

本文結(jié)合野外考察數(shù)據(jù), 采用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林3 種分類方法對(duì)6月16日、8月27日和9月2日波段組合的多時(shí)相SAR 影像分類, 將地物分為果園、玉米、棉花、建筑、水體和其他6 類。從圖5 可看出, 玉米主要分布在綠洲東北部, 沿著河流和果樹(shù)交錯(cuò)分布, 棉花則多分布于南部和西南部。整體來(lái)看, SAR 影像分類結(jié)果中, 玉米和果園的分類結(jié)果比較細(xì)碎。相對(duì)而言, 棉花能夠較好地被識(shí)別, 且呈片狀、由內(nèi)而外擴(kuò)散分布在綠洲。

根據(jù)Sigma 數(shù)據(jù)的隨機(jī)森林分類結(jié)果提取研究區(qū)內(nèi)果園、玉米和棉花3 類作物的種植面積(表4),研究區(qū)的主要作物為棉花, 占總面積的30.23%; 其次是果園, 占總面積的9.47%; 玉米的種植面積最少, 僅占總面積5.97%。

2.4 精度驗(yàn)證及分析

以232 個(gè)樣點(diǎn)數(shù)據(jù)作為驗(yàn)證樣本, 對(duì)6、8 和9月波段組合的影像計(jì)算人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林分類方法的混淆矩陣得出制圖精度(Prod.Acc)和用戶精度(User. Acc), 并且計(jì)算出各種分類結(jié)果的總體精度和Kappa 系數(shù), 其值越大, 表明分類準(zhǔn)確度越高。由表5 可看出, 1)與Gamma 的分類結(jié)果相比, Sigma 數(shù)據(jù)的分類效果更好。Sigma 數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林分類的總體精度分別高出1.43、3.06 和6.40 個(gè)百分點(diǎn), Kappa系數(shù)也有明顯的提升。2)與隨機(jī)森林分類方法相比,人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類方法在不同類型農(nóng)作物信息的提取中處在較劣勢(shì)的地位。隨機(jī)森林分類總體精度(Overall.Acc)達(dá)到88.97%, 其中棉花的精度達(dá)到90.88%。以上描述表明利用隨機(jī)森林對(duì)時(shí)間序列Sigma 數(shù)據(jù)進(jìn)行作物的識(shí)別及面積提取可達(dá)到比較理想的效果, 其原因分析如下。

1) 隨機(jī)森林分類方法是利用集成學(xué)習(xí)的思想將多棵樹(shù)集成的一種算法。該算法具有極好的準(zhǔn)確率, 能夠有效地運(yùn)行在大數(shù)據(jù)集上處理具有高維特征的輸入樣本, 而且不需要降維, 能夠評(píng)估各個(gè)特征在分類問(wèn)題上的重要性, 不需要像支持向量機(jī)那樣做很多參數(shù)的調(diào)試。因此, 在本研究中獲得了較好的分類效果。2) 居民地與水體與其他區(qū)域后向散射系數(shù)差異明顯, 因此均能獲得較高的分類精度。棉花和果園的冠層葉片較為均勻且相對(duì)茂密, 起伏變化不大, 因此識(shí)別效果也較好。而玉米在種植過(guò)程中相對(duì)稀疏, 容易受到地面粗糙度等其他地物的影響, 因此容易混淆, 相比而言精度較低。3) 用SAR 數(shù)據(jù)對(duì)作物分類的準(zhǔn)確性, 原則上主要取決于雷達(dá)后向散射系數(shù)對(duì)植物結(jié)構(gòu)生物物理特性差異的敏感性, 即雷達(dá)后向散射與冠層結(jié)構(gòu)相互作用行為的差異。此外, 作物生長(zhǎng)早期土壤條件對(duì)SAR 信號(hào)的后向散射特性也有影響。

表4 不同農(nóng)作物種植面積Table 4 Planting area of different types of crop

為了進(jìn)一步對(duì)不同農(nóng)作物的種植面積進(jìn)行精度驗(yàn)證, 利用實(shí)地考察的20 個(gè)樣方, 并將樣方內(nèi)提取的作物面積的總量與SAR 影像分類結(jié)果中相應(yīng)區(qū)域內(nèi)不同作物類型的面積統(tǒng)計(jì)結(jié)果對(duì)比, 從而進(jìn)行精度評(píng)價(jià)。其計(jì)算公式如下[27]。

其中,Kr為所有樣方內(nèi)作物面積總量精度, 它是將樣方內(nèi)提取棉花、玉米和果園面積結(jié)果的總量與遙感影像解譯提取的作物面積結(jié)果的總量進(jìn)行比較,獲取樣方內(nèi)作物面積總量提取精度。A1為野外實(shí)測(cè)樣方數(shù)據(jù)提取的不同作物總面積, A2為SAR 影像數(shù)據(jù)中提取的作物種植面積。

從表 6 可看出, 棉花的樣方總面積為1147.85 hm2, 通過(guò)對(duì)多時(shí)相Sigma 影像進(jìn)行隨機(jī)森林分類得到棉花總面積為1058.03 hm2, 利用公式(2)計(jì)算出的棉花種植面積精度達(dá)到了92.7%。利用同樣的方法對(duì)玉米和果園的種植面積進(jìn)行精度驗(yàn)證,分別為55.79%和72.59%。

表5 時(shí)間序列數(shù)據(jù)不同分類方法精度驗(yàn)證Table 5 Accuracy verification of different classification methods for time series data

表6 棉花種植面積精度驗(yàn)證Table 6 Accuracy verification of cotton planting area

3 討論

本研究對(duì)試驗(yàn)區(qū)進(jìn)行了充分的野外調(diào)查, 系統(tǒng)分析了不同農(nóng)作物的6 景SAR 影像后向散射系數(shù),建立了散射特征時(shí)序變化曲線; 通過(guò)計(jì)算J-M 距離,針對(duì)不同作物的分離度進(jìn)行了定量分析, 評(píng)價(jià)各個(gè)時(shí)相不同作物間的可分離性, 并且探究了作物的最佳識(shí)別時(shí)相。在此基礎(chǔ)上, 將6 景時(shí)序影像進(jìn)行組合, 對(duì)作物進(jìn)行識(shí)別及面積提取研究。以上研究工作彌補(bǔ)了以往學(xué)者[28-29]在利用SAR 后向散射系數(shù)的研究中用定性方法分析地物后向散射特征、特征優(yōu)選及分類等缺陷, 從而克服以往定性研究中存在的不確定性。另外, 為時(shí)序SAR 數(shù)據(jù)在旱地作物的識(shí)別及面積提取研究提供了一定的參考。

近年來(lái), 時(shí)序光學(xué)影像在農(nóng)作物的信息提取中也得到了廣泛應(yīng)用, 如通過(guò)構(gòu)建NDVI、EVI 時(shí)序曲線結(jié)合不同作物在各個(gè)時(shí)間段的特征, 較好地提取了水稻、小麥、玉米等作物類型的分布信息, 精度均比較理想[30-33]。本文基于Sentinel-1 數(shù)據(jù)通過(guò)3種不同分類方法對(duì)研究區(qū)進(jìn)行不同農(nóng)作物的分類識(shí)別和面積提取, 最終玉米、果園和棉花的精度分別達(dá)到了55.79%、72.59%和92.17%。棉花在研究區(qū)大范圍分布, 且成片狀, 因此得到了較好的分類效果。但SAR 在像玉米和果園種植模式較復(fù)雜的區(qū)域存在明顯不足, 作物識(shí)別精度還有待提高。盡管存在以上缺陷, SAR 仍以全天候全天時(shí)對(duì)地觀測(cè)、采用側(cè)視成像穿透植被、充分反映植被的結(jié)構(gòu)特征等優(yōu)勢(shì)能夠克服光學(xué)遙感所存在的易受云雨天氣影響、反映植被冠層信息而無(wú)法穿透植被、難以充分獲取植被垂直方向上的信息等不足, 使它在農(nóng)業(yè)遙感領(lǐng)域中發(fā)揮作用[34-35]。

本文利用的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林3 種監(jiān)督分類方法中, 隨機(jī)森林的分類效果最好。用該算法分類時(shí), 輸入了多時(shí)相、多極化以及后向散射系數(shù)等多種不同尺度不同類型的參數(shù), 可在決定不同作物類別時(shí), 有助于提高類別間區(qū)分性。但分類方法的選擇需要根據(jù)研究區(qū)內(nèi)作物的種植結(jié)構(gòu)、復(fù)雜程度、應(yīng)用需求以及結(jié)合不同數(shù)據(jù)綜合考慮和調(diào)整。因此, 在往后的研究中應(yīng)針對(duì)復(fù)雜種植模式下的旱地作物尋求更加準(zhǔn)確的識(shí)別方法。

4 結(jié)論

(1)棉花的后向散射系數(shù)在6月現(xiàn)蕾期和7月開(kāi)花期明顯上升, 8月份達(dá)最高值, 變化特征最明顯,易與其他作物區(qū)分。玉米和果樹(shù)的后向散射系數(shù)在9月份與其他地物之間表現(xiàn)出了顯著差異。通過(guò)多時(shí)相SAR 影像能夠有效得到農(nóng)作物在關(guān)鍵生長(zhǎng)期的作物長(zhǎng)勢(shì)情況, 能夠作為光學(xué)空缺數(shù)據(jù)的有力補(bǔ)充。文中提出的旱地作物最佳識(shí)別時(shí)相的選擇方法可被推廣到我國(guó)西北地區(qū), 為基于SAR 數(shù)據(jù)的旱地作物識(shí)別研究提供應(yīng)用參考。(2) Sigma 數(shù)據(jù)的分類效果明顯要比Gamma 數(shù)據(jù)更適用于旱地作物的分類識(shí)別研究。隨機(jī)森林的分類精度最高, 總精度達(dá)88.97%, 比支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)分類分別提高約4.6 個(gè)百分點(diǎn)和11 個(gè)百分點(diǎn)。該法更適用于基于時(shí)間序列SAR 數(shù)據(jù)的干旱區(qū)農(nóng)作物的分類和種植面積提取。