基于時(shí)間序列全極化合成孔徑雷達(dá)的水稻物候期反演

李宏宇，李坤，楊知

（1.上海市測(cè)繪院，上海 200063；2.中國(guó)科學(xué)院空天信息創(chuàng)新研究院，北京 100101；3.中科衛(wèi)星應(yīng)用德清研究院/浙江省微波目標(biāo)特性測(cè)量與遙感重點(diǎn)實(shí)驗(yàn)室，浙江 湖州 313200；4.中國(guó)科學(xué)院大學(xué)，北京 100049；5.中國(guó)電力科學(xué)研究院有限公司，北京 100192）

水稻作為人類主要食物來(lái)源之一，世界上超過(guò)一半的人口以水稻為主食。我國(guó)是水稻種植和消費(fèi)大國(guó)，水稻總產(chǎn)量約占全國(guó)糧食總產(chǎn)量的33.75%[1]。水稻在經(jīng)濟(jì)發(fā)展和社會(huì)穩(wěn)定等方面具有舉足輕重的地位。

遙感技術(shù)因其能大面積同步觀測(cè)、重訪周期短、時(shí)效性高等優(yōu)勢(shì)漸漸取代原始的人工測(cè)量方法，成為水稻生長(zhǎng)監(jiān)測(cè)的主要技術(shù)手段之一。目前，基于光學(xué)數(shù)據(jù)和全極化合成孔徑雷達(dá)（synthetic aperture radar, SAR）數(shù)據(jù)對(duì)水稻長(zhǎng)勢(shì)監(jiān)測(cè)、估產(chǎn)和生長(zhǎng)參數(shù)反演等方面的研究已趨于成熟[2-6]。然而，由于水稻長(zhǎng)時(shí)間生長(zhǎng)在云雨天氣下，云雨等因素會(huì)嚴(yán)重影響光學(xué)遙感數(shù)據(jù)質(zhì)量。因此，利用光學(xué)遙感數(shù)據(jù)難以實(shí)現(xiàn)對(duì)水稻關(guān)鍵物候信息的準(zhǔn)確提取。而合成孔徑雷達(dá)因其全天時(shí)、全天候的特點(diǎn)，克服了光學(xué)數(shù)據(jù)易受天氣影響的不足。早期由于雷達(dá)技術(shù)發(fā)展水平有限，因而多使用單極化或多極化數(shù)據(jù)進(jìn)行水稻識(shí)別及長(zhǎng)勢(shì)監(jiān)測(cè)研究[7-10]。隨著雷達(dá)遙感數(shù)據(jù)發(fā)展至全極化時(shí)期，全極化SAR數(shù)據(jù)在水稻長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用變得更為廣泛。相較于單、雙極化數(shù)據(jù)，全極化SAR 數(shù)據(jù)具有地物完整的極化矩陣、幾何結(jié)構(gòu)細(xì)節(jié)等信息。大量研究表明，全極化SAR 數(shù)據(jù)在水稻識(shí)別和物候期提取等方面更具優(yōu)勢(shì)。LOPEZ-SANCHEZ 等[11]利用TerraSAR-X 雙極化數(shù)據(jù)進(jìn)行水稻物候期識(shí)別研究，提取出了幼苗早期、分蘗末期、拔節(jié)期等5 個(gè)水稻物候期，識(shí)別精度在80%以上；PACHECO 等[12]使用TerraSAR-X 和RADARSAT-2 數(shù)據(jù)進(jìn)行水稻物候期識(shí)別且取得了更高的精度。然而，這些研究對(duì)全極化SAR數(shù)據(jù)僅局限于使用數(shù)據(jù)強(qiáng)度特征、波段組合特征，并未充分利用極化信息，且由于全極化SAR數(shù)據(jù)中包含眾多極化特征參數(shù)，鮮有研究構(gòu)造對(duì)水稻物候變化敏感的有效表征指數(shù)。為此，本文基于多時(shí)相全極化RADARSAT-2數(shù)據(jù)，對(duì)研究區(qū)內(nèi)水稻種類秈稻和粳稻進(jìn)行識(shí)別；在此基礎(chǔ)上，篩選出對(duì)水稻生長(zhǎng)物候變化敏感的極化特征參數(shù)，通過(guò)分析水稻生長(zhǎng)過(guò)程中生理結(jié)構(gòu)變化導(dǎo)致的雷達(dá)響應(yīng)特征，構(gòu)造了一個(gè)能反映水稻生長(zhǎng)變化特征的雷達(dá)物候指數(shù)（radar phenology index,RPI），分析水稻生長(zhǎng)過(guò)程中時(shí)間序列RPI 變化特征，利用導(dǎo)數(shù)法提取時(shí)序RPI 曲線關(guān)鍵特征點(diǎn)（拐點(diǎn)、最值點(diǎn)），從而提取出水稻生長(zhǎng)關(guān)鍵物候期。

1 研究區(qū)和數(shù)據(jù)源

1.1 研究區(qū)概況

本文以江蘇省淮安市金湖縣周邊為研究區(qū)（圖1），其是中國(guó)主要水稻種植區(qū)之一[13]。研究區(qū)的整體占地面積約為40 km×30 km，中心點(diǎn)經(jīng)緯度坐標(biāo)為33°07′05″N，118°59′55.14″E。研究區(qū)內(nèi)水稻的種植模式主要為一年一熟；水稻種類主要分為秈稻和粳稻2種。秈稻的全生育期約為120 d，粳稻的全生育期約為150 d。研究區(qū)內(nèi)除了水稻之外，還包含其他5種典型地物：森林、水體、城市、蟹塘和淺灘。

1.2 全極化SAR 數(shù)據(jù)源與地面同步測(cè)量實(shí)驗(yàn)數(shù)據(jù)獲取

1.2.1 多時(shí)相全極化SAR 數(shù)據(jù)

本文獲取了2015 年共6 景RADARSAT-2 全極化SAR數(shù)據(jù)，具體參數(shù)見(jiàn)表1。RADARSAT-2衛(wèi)星的工作頻段為C波段，其極化方式為全極化，重訪周期為24 d。本文獲取的SAR 數(shù)據(jù)均勻分布在水稻的全生育期內(nèi)（播種、出芽、幼苗、分蘗、拔節(jié)、孕穗、抽穗揚(yáng)花、乳熟、蠟熟和完熟階段）。

1.2.2 地面同步測(cè)量實(shí)驗(yàn)

為了確保獲取到的全極化SAR 數(shù)據(jù)能準(zhǔn)確地反映出研究區(qū)內(nèi)植被的生長(zhǎng)狀況以及其他地面信息，需要在衛(wèi)星過(guò)境的同時(shí)進(jìn)行野外地面同步測(cè)量實(shí)驗(yàn)。

圖1 2015年9月16日RADARSAT-2全極化SAR數(shù)據(jù)RGB假彩色合成圖Fig.1 RGB false color composite image of RADARSAT-2 full-polarization SAR data on September 16,2015

表1 獲取的RADARSAT-2全極化SAR數(shù)據(jù)參數(shù)Table 1 Acquired RADARSAT-2 full-polarization SAR data parameters

在研究區(qū)內(nèi)分別選擇12塊秈稻和19塊粳稻樣本田，每塊樣本田的面積都在120 m×120 m以上，能夠保證每塊樣本田包含足夠多的像元來(lái)進(jìn)行極化特征參數(shù)的提取及分析。水稻地面同步測(cè)量實(shí)驗(yàn)的獲取參數(shù)包括：水稻樣本田的經(jīng)緯度坐標(biāo)、區(qū)域矢量文件及水稻物候信息等。此外，還對(duì)研究區(qū)內(nèi)森林、水體、城市、蟹塘和淺灘5種典型地物類型進(jìn)行調(diào)查取樣，獲取各樣本的中心經(jīng)緯度坐標(biāo)和矢量文件。

1.3 多時(shí)相全極化SAR 數(shù)據(jù)處理

1.3.1 多時(shí)相全極化SAR 數(shù)據(jù)預(yù)處理

全極化SAR 數(shù)據(jù)預(yù)處理使用歐洲航天局（European Space Agency, ESA）開(kāi)發(fā)的SNAP 5.0 軟件完成。SAR數(shù)據(jù)預(yù)處理主要包括輻射定標(biāo)、幾何校正和相干斑濾波處理。

首先進(jìn)行SAR 數(shù)據(jù)輻射定標(biāo)處理。將SAR 圖像的灰度值相對(duì)于標(biāo)準(zhǔn)雷達(dá)截面積進(jìn)行定標(biāo)，轉(zhuǎn)化為后向散射系數(shù)。然后進(jìn)行圖像幾何校正處理。雷達(dá)圖像的成像方式為側(cè)視成像，獲得的圖像為斜距圖像，存在多種類型的幾何畸變以及疊掩、陰影、透視收縮等現(xiàn)象。本研究中幾何校正采用SRTM-90m 的數(shù)字高程模型數(shù)據(jù)，像元重采樣的大小為5 m×5 m；在前2 步完成的基礎(chǔ)上最后進(jìn)行濾波處理。原始SAR圖像中存在大量相干斑噪聲，使得圖像數(shù)值不能真實(shí)地反映地物的散射特性。因此，進(jìn)行降噪處理是定量反演前的必要過(guò)程。本文采用增強(qiáng)型Lee 濾波方法去除SAR 圖像中的相干斑噪聲，濾波窗口大小為5×5。

1.3.2 多時(shí)相全極化SAR 特征參數(shù)提取

為了探究研究區(qū)內(nèi)典型地物極化散射特性隨時(shí)間的變化特征，利用野外實(shí)驗(yàn)獲取的粳稻、森林等地物的樣本矢量文件，基于2015 年多時(shí)相RADARSAT-2 數(shù)據(jù)進(jìn)行全極化SAR 特征參數(shù)提取。所用到的軟件為歐洲航天局開(kāi)發(fā)的PolSARpro 5.1.2軟件和SNAP 5.0軟件，共提取了119個(gè)極化特征參數(shù)，其中部分參數(shù)如表2所示。

表2 全極化SAR部分特征參數(shù)提取列表Table 2 Partial characteristic parameter extraction list of fullpolarization SAR

2 基于時(shí)間序列全極化SAR 的水稻種類識(shí)別

一個(gè)完整的水稻生育期主要包括播種、出芽、幼苗、分蘗、拔節(jié)、孕穗、抽穗揚(yáng)花、乳熟、蠟熟和完熟階段。2015 年SAR 數(shù)據(jù)的獲取日期對(duì)應(yīng)的水稻物候情況如表1所示。

將所有地物樣本中的2/3 作為訓(xùn)練樣本，1/3 作為驗(yàn)證樣本。利用訓(xùn)練樣本矢量文件提取出多時(shí)相極化特征參數(shù)，統(tǒng)計(jì)訓(xùn)練樣本極化特征參數(shù)的平均值并作為該地物在該時(shí)相下的極化特征參數(shù)數(shù)值。圖2 表示研究區(qū)內(nèi)典型地物2015 年部分極化特征參數(shù)時(shí)序變化情況。利用不同時(shí)相下典型地物的An&Yang 體散射分量（An&Yang3_Vol）、反熵（anisotropy）、水平極化與垂直極化分量比值（δHH/δVV）、香農(nóng)熵（Shannon entropy）等極化特征參數(shù)數(shù)值之間的差異，將秈稻和粳稻從其他地物中識(shí)別出來(lái)。

香農(nóng)熵可以定量地反映遙感信息的分散程度。粳稻和秈稻全生育期長(zhǎng)短不同且生長(zhǎng)起始時(shí)間相近，當(dāng)粳稻處于抽穗揚(yáng)花期時(shí)，秈稻處于乳熟期。水稻處于抽穗揚(yáng)花末期時(shí)，體散射絕對(duì)占優(yōu)，二次散射和面散射分量較小，使得香農(nóng)熵處于較低的水平；水稻處于乳熟期時(shí)，水稻冠層不再封閉，對(duì)微波能量的衰減作用稍有減弱，導(dǎo)致體散射、面散射和二次散射分量均稍有上升，香農(nóng)熵?cái)?shù)值升高。因此，可以利用這一時(shí)期的香農(nóng)熵將秈稻和粳稻區(qū)分開(kāi)（圖2）。

本研究選取決策樹(shù)分類器進(jìn)行水稻種類識(shí)別。圖3所示為本文所使用的決策樹(shù)算法。最終得到的識(shí)別結(jié)果如圖4 所示。從中可以看出，粳稻主要分布在研究區(qū)的北部和東部，秈稻主要分布在南部和東部。

根據(jù)最終的分類結(jié)果以及驗(yàn)證樣本得到混淆矩陣（表3），并進(jìn)行分類精度評(píng)價(jià)。從中可以看出：所有地物的總體分類精度為94.73%，Kappa 系數(shù)為0.93。水體、蟹塘、淺灘、城市、森林、秈稻和粳稻的用戶精度均在85%以上，制圖精度均在80%以上，得到了精度較高的分類結(jié)果。

3 基于時(shí)間序列全極化SAR 的水稻物候期監(jiān)測(cè)

3.1 水稻時(shí)序雷達(dá)物候指數(shù)曲線提取

3.1.1 雷達(dá)物候指數(shù)構(gòu)建

圖2 典型地物極化特征參數(shù)變化特征Fig.2 Change features of polarization characteristic parameters of typical ground objects

圖3 水稻種類識(shí)別的決策樹(shù)算法Fig.3 Decision tree algorithm for rice species identification

圖4 研究區(qū)地物識(shí)別結(jié)果圖Fig.4 Result map of ground object recognition in the study area

表3 基于多時(shí)相全極化SAR數(shù)據(jù)的研究區(qū)地物分類混淆矩陣Table 3 Confusion matrix of ground object classification in the study area based on multi-temporal full-polarization SAR data

選取Cloude-Pottier分解中的λ1分量、Yamaguchi四分量分解中的體散射（Yamaguchi_Vol）和面散射（Yamaguchi_Odd）分量來(lái)構(gòu)造一種能反映水稻生長(zhǎng)物候變化特征的RPI，其表達(dá)式見(jiàn)式（1）。利用體散射與面散射分量進(jìn)行比值處理。由水稻的雷達(dá)響應(yīng)機(jī)制可知，水稻的面散射與體散射之間呈近似反比的關(guān)系，即當(dāng)水稻的面散射貢獻(xiàn)較多時(shí)，體散射分量相對(duì)較小，其比值可以突出2 種散射機(jī)制之間的差異，結(jié)合λ1的強(qiáng)度信息，可以反映水稻在整個(gè)生長(zhǎng)過(guò)程中主要強(qiáng)度的變化情況。因此，可以結(jié)合RPI 的時(shí)間序列數(shù)據(jù)特點(diǎn)識(shí)別出水稻關(guān)鍵物候期。本研究基于2015年6景SAR數(shù)據(jù)，選取19個(gè)水稻樣本田進(jìn)行RPI提取。

3.1.2 基于Savitzky-Golay（S-G）濾波的RPI 時(shí)間變化曲線重構(gòu)

3.1.2.1 數(shù)據(jù)插值處理

由于RADARSAT-2 衛(wèi)星數(shù)據(jù)的重訪周期為24 d，且水稻的生長(zhǎng)速度相對(duì)較快，導(dǎo)致每景衛(wèi)星數(shù)據(jù)間隔時(shí)間內(nèi)會(huì)錯(cuò)過(guò)某些水稻關(guān)鍵物候期。因此，本研究選擇3次樣條插值法對(duì)2015年水稻時(shí)序RPI數(shù)據(jù)進(jìn)行插值處理。經(jīng)3次樣條插值后的數(shù)據(jù)曲線更為光滑、穩(wěn)定，可以確保時(shí)序數(shù)據(jù)二階導(dǎo)數(shù)的連續(xù)性。本研究經(jīng)3次樣條插值處理后的數(shù)據(jù)時(shí)間間隔為12 d。以第10 號(hào)樣本田為例，插值前后的RPI時(shí)序數(shù)據(jù)對(duì)比如圖5 所示，插值后的RPI 曲線取得了一定程度的平滑效果，保持了相對(duì)連續(xù)性，擬合出了未獲取到衛(wèi)星數(shù)據(jù)時(shí)相下的RPI，有利于后續(xù)準(zhǔn)確反演水稻關(guān)鍵物候期。

圖5 第10號(hào)樣本田2015年水稻RPI插值處理前后對(duì)比圖Fig.5 Comparison chart before and after RPI interpolation of rice in sample field No.10 in 2015

3.1.2.2 S-G濾波重構(gòu)

時(shí)間序列RPI 仍會(huì)受到環(huán)境等因素的影響，存在數(shù)值過(guò)高或過(guò)低的現(xiàn)象，因而需要對(duì)時(shí)間序列RPI數(shù)據(jù)進(jìn)行濾波降噪處理。S-G濾波法是一種基于最小二乘的卷積擬合算法，由SAVITZKY 等[28]在1964年提出，其在對(duì)有關(guān)植被參數(shù)進(jìn)行濾波重構(gòu)時(shí)不受時(shí)間和傳感器等因素的限制[29-30]。本研究經(jīng)過(guò)多次實(shí)驗(yàn)，設(shè)定擬合多項(xiàng)式階次為2 和平滑窗口的寬度為5。重構(gòu)后的時(shí)序RPI 如圖6 所示。通過(guò)對(duì)比可以看出，經(jīng)過(guò)S-G 濾波后的時(shí)序RPI 在沒(méi)有改變基本形態(tài)的前提下更加平滑，部分區(qū)域的噪聲被修正。

3.2 基于時(shí)序RPI 變化曲線的水稻關(guān)鍵物候期識(shí)別

3.2.1 水稻時(shí)序RPI 時(shí)間變化規(guī)律及關(guān)鍵物候期RPI 特征分析

圖7為第10號(hào)樣本田時(shí)序RPI經(jīng)過(guò)S-G濾波重構(gòu)后擬合得到的RPI 時(shí)間序列曲線。從中可知，水稻的RPI 的數(shù)值變化范圍為0.05～0.35。RPI 曲線變化趨勢(shì)與水稻關(guān)鍵物候變化密切相關(guān)，有助于總結(jié)出水稻物候變化規(guī)律并識(shí)別出水稻關(guān)鍵物候期。

圖6 第10號(hào)樣本田時(shí)序RPI經(jīng)S-G濾波處理前后對(duì)比圖Fig.6 Comparison chart of the time-series RPI of sample field No.10 before and after S-G filter

1）出芽期至幼苗期。該時(shí)期的水稻秧苗矮小，分布較為稀疏，水稻下墊面為濕潤(rùn)的土壤。這也導(dǎo)致了體散射和二次散射分量較小，由平坦的土壤導(dǎo)致的面散射分量占優(yōu)，但是整體的散射能量較低，RPI處于較低水平。

2）分蘗初期至分蘗中期。水稻分蘗期是決定穗數(shù)并為穗粒發(fā)育奠定基礎(chǔ)的重要時(shí)期。水稻在這一生長(zhǎng)階段秧苗高度漸漸增加，稻葉的數(shù)量、葉長(zhǎng)、葉寬和葉厚也均進(jìn)行生長(zhǎng)和分化，但此時(shí)的分蘗數(shù)以及水稻莖干長(zhǎng)度還未達(dá)到峰值。由于水稻的分蘗和莖干的生長(zhǎng)發(fā)育，植株自身結(jié)構(gòu)之間的體散射逐漸增加，面散射分量逐漸降低，此時(shí)水稻冠層還未發(fā)育完全，冠層對(duì)散射能量的衰減作用較小，第一特征值λ1在此時(shí)近似達(dá)到最大值，使得RPI 在分蘗初期開(kāi)始逐漸上升并在分蘗中期達(dá)到最大值。

3）拔節(jié)期至孕穗期。水稻分蘗末期與拔節(jié)初期在時(shí)間上有部分重疊。當(dāng)水稻進(jìn)入到拔節(jié)期，分蘗數(shù)目逐漸增加，稻葉發(fā)展完全，莖干長(zhǎng)度逐漸伸長(zhǎng)，形成更為茂密的冠層。盡管水稻冠層還未完全封閉，但對(duì)散射能量的衰減作用在逐漸變強(qiáng)。隨著水稻生長(zhǎng)至拔節(jié)中后期，水稻的分蘗數(shù)以及莖干長(zhǎng)度達(dá)到最大值，水稻冠層有了進(jìn)一步的發(fā)展，但還未達(dá)到最密。水稻生長(zhǎng)至拔節(jié)后期至孕穗期，該時(shí)期屬于營(yíng)養(yǎng)生長(zhǎng)和生殖生長(zhǎng)并進(jìn)階段。孕穗時(shí)，幼穗包裹在葉鞘內(nèi)，稻葉的形態(tài)并未彎曲。水稻莖稈已完全生長(zhǎng)并達(dá)到峰值，此時(shí)水稻葉片在數(shù)量、長(zhǎng)度和寬度方面均達(dá)到了最高點(diǎn)。從拔節(jié)期開(kāi)始，由于水稻冠層的不斷發(fā)育以及對(duì)微波能量衰減作用的不斷增強(qiáng)，各個(gè)散射分量都迅速下降。在水稻孕穗期，盡管水稻冠層引起的衰減作用比下一時(shí)期（即抽穗揚(yáng)花期）的要低，但由于水稻冠層已發(fā)育至一定規(guī)模，能量衰減的變化速率在孕穗期后逐漸變緩。反映到RPI曲線上，孕穗期是變化速率最快的點(diǎn)。

4）乳熟期至完熟期。乳熟期至完熟期為水稻生殖生長(zhǎng)階段。水稻生長(zhǎng)至乳熟期之前，水稻還未開(kāi)始灌漿，稻穗生物量小，稻穗形態(tài)直挺，水稻的株高達(dá)到最大值，形成了封閉的冠層。封閉的水稻冠層對(duì)能量的衰減作用達(dá)到最大，使得接收到的回波強(qiáng)度降到最低，λ1所代表的主要散射機(jī)制的強(qiáng)度也達(dá)到最低值，從而RPI 達(dá)到最小值。從乳熟期開(kāi)始直至完熟期，水稻的生物量逐漸增加，稻穗形狀彎曲，穗傾角逐漸增大，葉片開(kāi)始干枯變黃，直至枯萎或脫落。水稻冠層的衰減作用相較于上一階段減弱，各種散射機(jī)制的強(qiáng)度開(kāi)始緩慢增加，3種散射機(jī)制中還是以體散射為主導(dǎo)，水稻冠層對(duì)于面散射和二次散射的衰減作用依舊很強(qiáng)。因此，在RPI 曲線中，RPI最小值所對(duì)應(yīng)的水稻物候期為乳熟初期。

3.2.2 基于曲線導(dǎo)數(shù)法的水稻關(guān)鍵物候期識(shí)別

水稻關(guān)鍵物候期提取準(zhǔn)則：首先根據(jù)RPI 最大值（RPI時(shí)序曲線一階導(dǎo)數(shù)為0的點(diǎn)，且由正變負(fù)）識(shí)別出水稻分蘗中期所對(duì)應(yīng)的DoY。其次根據(jù)RPI最小值（RPI時(shí)序曲線一階導(dǎo)數(shù)為0的點(diǎn)，且由負(fù)變正）識(shí)別出水稻乳熟期DoY。然后確定RPI曲線的拐點(diǎn)（RPI時(shí)序曲線二階導(dǎo)數(shù)為0的點(diǎn)，且由負(fù)變正），識(shí)別出水稻孕穗期的DoY。通常，粳稻的分蘗初期與分蘗中期的間隔時(shí)間為15～20 d，由此可得到水稻分蘗初期大致的DoY。分蘗初期之前即為水稻出芽期至幼苗期。RPI最大值與拐點(diǎn)之間為水稻拔節(jié)期至乳熟期，拐點(diǎn)與最小值之間為水稻抽穗揚(yáng)花期，最小值之后為水稻乳熟至完熟期。

以10號(hào)水稻樣本田為例進(jìn)行關(guān)鍵物候期識(shí)別，最終識(shí)別出的水稻物候階段見(jiàn)圖7，包括出芽期至幼苗期、分蘗初期至分蘗中期、拔節(jié)期至孕穗期、抽穗揚(yáng)花期、乳熟期至完熟期。

基于本文提出的上述水稻物候識(shí)別算法，對(duì)2015 年的19 個(gè)水稻樣本田進(jìn)行水稻關(guān)鍵物候期識(shí)別。

3.2.3 水稻關(guān)鍵物候期識(shí)別結(jié)果分析

3.2.3.1 評(píng)價(jià)指標(biāo)

用xi表示識(shí)別出的水稻物候期所對(duì)應(yīng)的DoY，用yi表示地面調(diào)查記錄的水稻物候期所對(duì)應(yīng)的DoY，以yi為真值，xi為待評(píng)價(jià)值，計(jì)算本文提出的用水稻物候識(shí)別算法識(shí)別出的物候期DoY 和地面同步實(shí)驗(yàn)物候期所對(duì)應(yīng)DoY 的絕對(duì)誤差（absolute error, AE）和均方根誤差（root mean square error,RMSE），二者的表達(dá)式如下：

圖7 粳稻生長(zhǎng)的各個(gè)物候階段（10號(hào)樣本田）Fig.7 Various phenological stages of japonica rice growth(sample field No.10)

式中N為樣本個(gè)數(shù)。

3.2.3.2 結(jié)果驗(yàn)證

圖8 水稻樣本田識(shí)別結(jié)果與野外觀測(cè)物候比較Fig.8 Comparison of identification results of rice sample fields with field observation phenology

圖9 19個(gè)水稻樣本田獲取的水稻物候反演結(jié)果與觀測(cè)值對(duì)比分布圖Fig.9 Distribution map of rice phenology retrieval results and observation values obtained from 19 rice sample fields

圖8和圖9是利用本文提出的算法識(shí)別出的水稻關(guān)鍵物候期DoY 與地面測(cè)量實(shí)驗(yàn)記錄的DoY 比較結(jié)果。從中可以看出，識(shí)別出的分蘗中期、孕穗期和乳熟期的誤差大部分在±8 d 以內(nèi)，全部落在±16 d以內(nèi)，在各個(gè)水稻樣本田識(shí)別出的水稻關(guān)鍵物候期誤差都處在一個(gè)較為合理的范圍內(nèi)，僅17號(hào)水稻樣本田識(shí)別出的3個(gè)水稻關(guān)鍵物候期誤差相對(duì)較大。由于水稻物候期所代表的是一個(gè)時(shí)間段，本文識(shí)別結(jié)果的誤差處于合理的區(qū)間內(nèi)，說(shuō)明利用RPI曲線識(shí)別水稻物候期具有可行性。用RPI識(shí)別出的水稻關(guān)鍵物候期與觀測(cè)值的均方根誤差均小于6 d，其中乳熟期識(shí)別精度最高，為4.88 d，分蘗中期誤差最大，為5.55 d，孕穗期為4.88 d。此外，研究區(qū)內(nèi)粳稻的各關(guān)鍵物候期基本于同一時(shí)間到達(dá)，同一物候期的時(shí)間跨度在10 d 以內(nèi)。楊振忠利用水稻全生育期的光譜特性結(jié)合K近鄰、支持向量機(jī)等6 種機(jī)器學(xué)習(xí)方法，識(shí)別出分蘗期、拔節(jié)孕穗期、抽穗揚(yáng)花期、灌漿成熟期4個(gè)生長(zhǎng)發(fā)育階段，整體識(shí)別精度在76%以上[31]；何澤基于多時(shí)相RADARSAT-2 數(shù)據(jù)，分別利用后向散射系數(shù)和Cloude-Pottier 等極化分解參數(shù)來(lái)建立水稻全生長(zhǎng)周期反演模型，識(shí)別出了水稻移栽期、營(yíng)養(yǎng)生長(zhǎng)期、生殖生長(zhǎng)期和成熟期，總體識(shí)別精度在82%以上[32]。與上述已有研究結(jié)果相比，總體來(lái)看，利用本文提出的RPI識(shí)別出的水稻關(guān)鍵物候期誤差小，取得了令人滿意的結(jié)果。

4 結(jié)語(yǔ)

本文利用多時(shí)相全極化SAR 數(shù)據(jù)對(duì)江蘇省金湖縣附近地區(qū)水稻種類進(jìn)行識(shí)別，通過(guò)對(duì)水稻極化特征參數(shù)進(jìn)行時(shí)序分析，創(chuàng)新性地構(gòu)建出了能反映水稻物候變化特征的雷達(dá)物候指數(shù)（RPI），并利用其對(duì)水稻關(guān)鍵物候期進(jìn)行反演。結(jié)果表明：利用香農(nóng)熵可將秈稻和粳稻較好地識(shí)別出來(lái)，識(shí)別精度分別為92.38%和95.10%；利用本研究提出的雷達(dá)物候指數(shù)（RPI），反演出的水稻關(guān)鍵物候期日期與野外地面調(diào)查獲得的日期相差全部在±16 d以內(nèi)，得到了較準(zhǔn)確的反演結(jié)果。本研究為深入剖析水稻雷達(dá)極化特征響應(yīng)提供了可靠的理論依據(jù)。