基于多時相SAR數(shù)據(jù)的水稻面積提取

張煜 王世航夏俊

(1.安徽理工大學(xué)空間信息與測繪工程學(xué)院,安徽 淮南 232001；2.安徽理工大學(xué)礦山采動災(zāi)害空天地協(xié)同監(jiān)測與預(yù)警安徽普通高校重點實驗室,安徽 淮南 232001；3.安徽理工大學(xué)礦區(qū)環(huán)境與災(zāi)害協(xié)同監(jiān)測煤炭行業(yè)工程研究中心,安徽 淮南 232001)

前言

水稻作為我國的主要糧食作物之一，在戰(zhàn)略性物資儲備中占據(jù)著重要地位，因此獲取地域水稻種植面積信息對于國家進行糧食安全管控具有重大意義。遙感技術(shù)由于其周期短、范圍廣的特點被廣泛運用于農(nóng)作物監(jiān)測。張曉憶等[1]選取GF1多光譜影像并計算歸一化差值植被指數(shù)(NDVI)、增強型植被指數(shù)(EVI)、差值植被指數(shù)(DVI)和比值植被指數(shù)(RVI)等多種光譜指標(biāo)確定閾值從而進行決策樹分類，最終獲取淮安市水稻空間分布情況；曹丹等[2]基于多時相MODIS影像，利用NDVI、EVI和地表水分指數(shù)(LSWI)3種指數(shù)建立水稻提取最優(yōu)化模型，對東北三省水稻面積進行提取，精度達到90%以上；張猛等[3]通過融合多時相Landsat8數(shù)據(jù)和MODIS數(shù)據(jù)，然后利用時序Landsat NDVI數(shù)據(jù)并選用支持向量機法(SVM)分類方法對洞庭湖區(qū)水稻種植面積進行提取，最終分類精度達到94.52%；單捷等[4]選取5期Radarsat-2影像，利用支持向量機法(SVM)和最大似然法(MLC)對江蘇省三縣交界處水稻信息進行提??；張萍萍等[5]基于7景ASAR影像和NOAA數(shù)據(jù)，分析NDVI和水稻后向散射系數(shù)之間的關(guān)系，利用閾值法提取江蘇省洪澤縣水稻面積，識別精度達90%以上。阜寧縣位于長江中下游平原，夏季云雨天氣較多，普通的光學(xué)遙感數(shù)據(jù)很難提取地物信息，而合成孔徑雷達(synthetic aperture radar，SAR)技術(shù)能夠全天候、全天時觀測，彌補了傳統(tǒng)光學(xué)遙感技術(shù)的不足與缺陷[6]。因此，本文通過選用水稻生長周期內(nèi)長時間序列的Sentinel-1數(shù)據(jù)，分析不同極化方式下的水稻后向散射系數(shù)的規(guī)律，并結(jié)合不同地物在VV和VH的時序特征，開展對水稻閾值分類工作，研究表明，該方法能夠較好地提高水稻面積提取精度，為南方地區(qū)的水稻面積監(jiān)測提供了一種新方法。

1 材料與方法

1.1 研究區(qū)概況

阜寧縣位于江蘇沿海中部地區(qū)，屬北亞熱帶向暖溫帶過渡性氣候,氣候溫和,日照充足,雨水充沛,年平均氣溫14℃,全縣總面積1439km2，縣域介于N33°26′～33°59′，E119°27′～119°58′，主要種植制度為中稻-冬小麥一年輪番耕作[7]。依據(jù)鹽城市統(tǒng)計局資料，當(dāng)?shù)厮局饕N植期間為5—10月，其中5—8月分別為播種、移栽、拔節(jié)、抽穗階段，9—10月上旬為成熟和收割階段。根據(jù)2020統(tǒng)計年鑒資料顯示，2019年阜寧縣水稻種植面積為603.4km2。

1.2 數(shù)據(jù)源及預(yù)處理

1.2.1 遙感數(shù)據(jù)源

本文選用的SAR數(shù)據(jù)源為阿拉斯加衛(wèi)星數(shù)據(jù)中心(Alaska Satellite Facility,ASF)下載的雙極化Sentinel-1A影像產(chǎn)品，極化方式為VV和VH，為了保證分類精度不受入射角影響，本研究選取入射角為38.996°同軌道數(shù)據(jù)[8]。影像時間范圍為2019年5月上旬—10月上旬，共13期SAR數(shù)據(jù)，見表1。

表1 Sentinel-1A影像信息

為了輔助SAR數(shù)據(jù)進行水稻后向散射系數(shù)分析研究，所用到的Landsat8影像數(shù)據(jù)來自美國地質(zhì)調(diào)查局(United States geological survey，USGS)，由于研究區(qū)域夏季云雨天氣較多，滿足實驗要求的影像僅選取了2019年7月11日的數(shù)據(jù)。高程數(shù)據(jù)來自地理空間數(shù)據(jù)云提供的SRTM(shuttle Radar to- pography mission)90m產(chǎn)品。以2019年實地調(diào)查采樣數(shù)據(jù)和Google Earth高分辨率影像作為分類的驗證數(shù)據(jù)，將研究區(qū)域分為水體、其他作物、水稻、裸土、建筑物5類，訓(xùn)練樣本通過在這5類地物中選取250個散點進行識別分析。驗證樣本通過ARCGIS在研究區(qū)隨機生成500個均勻分布的散點數(shù)據(jù)，結(jié)合采樣數(shù)據(jù)和目視解譯逐一確定地物類型。

1.2.2 遙感數(shù)據(jù)預(yù)處理方法

基于ENVI 5.3軟件的Sarscape模塊對13幅雷達影像進行圖像配準(zhǔn)、濾波處理、輻射定標(biāo)、地理編碼各項處理，以獲取能反映地物信息特征的多時相VV和VH后向散射系數(shù)。再將13幅影像重采樣成20m×20m,坐標(biāo)投影采用WGS84/UTM投影系統(tǒng)。Landsat8影像數(shù)據(jù)進行輻射校正和幾何校正預(yù)處理后，再進行NDVI值的計算。

1.3 研究方法

1.3.1 樣本均值統(tǒng)計

SAR圖像上的信息是地物目標(biāo)對雷達信號的反映，主要是地物目標(biāo)接收雷達電磁波信號再反射回雷達系統(tǒng)之后形成的圖像信息。后向散射系數(shù)主要與地物幾何結(jié)構(gòu)以及介電常數(shù)有關(guān)，幾何結(jié)構(gòu)主要包括地物表面粗糙度、坡度、形狀、尺寸大小等，介電常數(shù)主要受含水量影響，介電常數(shù)越大則反射回雷達的信號越強，圖像顏色越淺[9]。相關(guān)研究表明，同一地物的后向散射系數(shù)特征會隨著時間變化而改變，且不同地物之間有著明顯差異，不同極化之間差異性更大。由于本文選取的13幅SAR數(shù)據(jù)位于水稻生長周期內(nèi)，所以可以通過分析不同地物在不同極化方式下的長時間序列后向散射系數(shù)變化趨勢來區(qū)分水稻與其他地物。因此本文通過對研究區(qū)內(nèi)250個散點做分布統(tǒng)計，比較分析在VV和VH極化下不同地物后向散射系數(shù)隨時間變化趨勢以及分布范圍。再對各類地物后向散射系數(shù)取均值得到地物時序特征曲線，利用水稻時序特征曲線與其他地物之間的差異性從而提取出水稻信息。

1.3.2 分類方法

本文選取監(jiān)督分類中廣泛運用的支持向量機(SVM)模型進行地物分類，支持向量機是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，處理小樣本、高維度、非線性數(shù)據(jù)表現(xiàn)出特有的優(yōu)勢[10]。不同地物的后向散射系數(shù)分布范圍有差異，加上不同極化方式的改變差異會更大，可以以此為依據(jù)劃分水稻與其他地物的類別，本文根據(jù)實地調(diào)查數(shù)據(jù)和Google Earth影像將研究區(qū)地類劃分為5類，通過分析多時相水稻后向散射系數(shù)規(guī)律來進行SVM分類以及決策樹閾值分類的方法來提取研究區(qū)水稻面積。

1.3.3 水稻面積提取方案

根據(jù)前面的分析，可以針對SAR影像分別做監(jiān)督分類以及閾值分類從而提取水稻種植面積，由于SAR影像受相干斑點噪聲以及地形因素影響會導(dǎo)致像元亮度值產(chǎn)生差異，地物后向散射系數(shù)也會改變從而影響對其類別的判別。因此利用NDVI指數(shù)對植被敏感的特性，當(dāng)植被生長茂盛覆蓋率高的時候則其值越高。通過Landsat8影像獲得研究區(qū)NDVI值，再結(jié)合對Landsat8影像的目視解譯以及輔助驗證數(shù)據(jù)選取確定研究區(qū)植被的NDVI取值范圍為0.3～0.7。根據(jù)江蘇農(nóng)業(yè)土地資料顯示鹽城屬于長江中下游平原，市平均海拔5m，通過高程數(shù)據(jù)獲取研究區(qū)坡度，再結(jié)合實地驗證數(shù)據(jù)資料確定水稻種植區(qū)坡度Slope<2.5°。利用決策樹對2個條件分層提取并建立掩膜，以減少外在因素造成的影響。

1.4 精度驗證

本研究主要從以下2個方面進行水稻分類結(jié)果的精度評價，利用鹽城市2020年統(tǒng)計年鑒計算水稻面積提取的相對誤差；使用混淆矩陣對分類結(jié)果進行定量分析，主要統(tǒng)計其總體精度和Kappa系數(shù)2個指標(biāo)。由于本研究主要針對水稻信息進行提取，其他地物非研究重點，所以使用單一指標(biāo)進行精度評價。

2 結(jié)果與分析

根據(jù)選取的250個樣本點對VV和VH極化數(shù)據(jù)做地物散點分析，發(fā)現(xiàn)水稻與其他地物在不同時期內(nèi)均有交叉區(qū)域，對其作均值分析，結(jié)果如圖1所示。

圖1 長時間序列后向散射系數(shù)曲線特征

從圖1可以看出，隨著水稻生育期的變化其后向散射特征也在發(fā)生改變，5—6月水稻處于播種和移栽期，此時稻田灌滿水，雷達回波信號主要以稻田水體的面散射為主，所以后向散射系數(shù)較低；7—8月水稻處于主要發(fā)育期，雷達回波信號主要以植株的體散射和水面與莖稈的二次散射為主，所以后向散射系數(shù)較高；9—10月水稻成熟收割，稻田里僅剩少量稻茬，體散射減弱，導(dǎo)致后向散射系數(shù)逐漸降低。相比較而言，水體主要是面散射所以后向散射系數(shù)長期處于平穩(wěn)低值。建筑物主要回波方式是二次散射，后向散射系數(shù)長期處于較高值。其它作物由于種類復(fù)雜，后向散射系數(shù)變化趨勢不明顯。裸地回波主要是漫散射組成，后向散射系數(shù)長期也處于較平穩(wěn)區(qū)間。由此可以根據(jù)水稻的這種時相變化特征來區(qū)分其與其他地物。

從圖1還可以看出，VH極化相較于VV極化對水稻生長特征更為敏感，后向散射系數(shù)與其他地物差別更大，所以本研究選取VH極化的13幅SAR影像進行波段合成，隨后進行SVM分類，結(jié)果如圖2所示。根據(jù)像元統(tǒng)計得出水稻面積為460.26km2，與2019年阜寧縣水稻統(tǒng)計面積603.4km2相比，相對誤差為-23.72%，分類效果較差，不能滿足實際生產(chǎn)要求。因此，本文選用決策樹進行閾值分類的方法進行水稻面積的提取，由圖1可以看出，水稻在播種移栽期間VV極化和VH極化后向散射系數(shù)值都處于較低區(qū)間，在水稻生長階段由于體散射增加導(dǎo)致2種極化方式下的水稻后向散射系數(shù)都有所提高[11]。在水稻成熟和收割期間稻田只剩少量植株，雷達回波主要以少量稻茬體散射為主，所以后向散射系數(shù)迅速降低[12]。利用水稻這種變化特征可以對其進行閾值分類，將VV和VH時序曲線各自分為2段，VV曲線前7個月取后向散射系數(shù)在[-14,-4]區(qū)間，后6個月取后向散射系數(shù)在[-14,-8]區(qū)間；VH曲線前7個月取后向散射系數(shù)在[-20,-10]區(qū)間，后6個月取后向散射系數(shù)在[-20,-14]區(qū)間。將4個取值區(qū)間疊加后再利用之前建立的決策樹分層掩膜減少相干噪聲、地形等外在因素影響，提高分類精度，結(jié)果如圖3所示。根據(jù)像元統(tǒng)計得出水稻面積為672.65km2，相對誤差為11.48%，分類效果優(yōu)良，水稻分布范圍與阜寧縣當(dāng)?shù)厮痉N植結(jié)構(gòu)布局基本相同。

圖2 SAR影像SVM分類結(jié)果

圖3 SAR影像閾值分類結(jié)果

利用驗證樣本進行精度分析，從表2可以看出,3種分類方法中基于閾值分類的方法精度最高，總體精度為89.48%，Kappa系數(shù)為0.8184，相比較傳統(tǒng)光學(xué)影像分類和SAR影像監(jiān)督分類在各方面精度指標(biāo)上都有了較大的提高，很好地滿足了水稻種植面積監(jiān)測的精度要求。

表2 基于Sentinel-1A數(shù)據(jù)的水稻分類方法精度驗證分析

3 結(jié)論

本研究選取水稻生長周期內(nèi)的長時間序列Sentinel-1A影像作為數(shù)據(jù)源，對比分析SVM模型分類方法和閾值分類方法的優(yōu)劣，探討分析SAR影像在水稻種植面積提取上的可行性和優(yōu)勢性，得出以下結(jié)論。

光學(xué)影像易受云雨等天氣影響，地物光譜信息不易識別，導(dǎo)致農(nóng)作物信息提取精度較低，而SAR技術(shù)能夠全天候、全天時觀測，且具有穿透地物的特性，在水稻面積提取方面精度優(yōu)于光學(xué)遙感。

長時間序列的SAR數(shù)據(jù)更能體現(xiàn)地物之間的物候特征差異，水稻在生長期內(nèi)的后向散射時序特征 能夠很好的與其他地物相區(qū)分。

基于VV和VH組合的閾值分類方法在提取水稻面積方面優(yōu)于SVM模型分類，因為SAR影像受斑點噪聲影響會造成地物誤分類情況，而閾值分類能夠更好地對極化SAR影像進行水稻信息提取。