基于多時相合成孔徑雷達數(shù)據(jù)的水稻種植面積監(jiān)測

郭玉娣　李根　李春　梁冬坡

摘要：與光學遙感相比，合成孔徑雷達（SAR）遙感能夠不受云雨天氣影響，為大范圍作物種植信息的精準監(jiān)測提供新手段。本研究以天津市小站稻為例，基于2018-2021年的多時相Sentinel-1A SAR影像，提出了結合小站稻生長特征相似性分析與隨機森林分類的水稻種植分布和面積監(jiān)測方法。首先提取VV和VH極化方式下不同地物的后向散射系數(shù)時間序列特征曲線，并利用HANTS濾波來消除噪聲影響。然后根據(jù)野外調查數(shù)據(jù)獲取小站稻參考生長曲線，構建小站稻相似性指數(shù)，篩選出小站稻可能種植區(qū)域。最后采用隨機森林分類模型提取小站稻種植面積。結果表明，基于多時相Sentinel-1A SAR影像相似性分析及隨機森林分類能夠獲得較高精度的水稻種植面積，VV和VH兩種極化方式下提取的水稻種植面積與統(tǒng)計年鑒結果的平均相對誤差分別為2.67%和3.80%，總體分類精度分別達到95.52%和93.40%，Kappa系數(shù)分別為0.94和0.93；與不引入相似性指數(shù)進行分類相比，VV和VH極化方式下引入相似性指數(shù)后總體分類精度分別提高4.35個百分點和3.13個百分點，Kappa系數(shù)分別提高0.04和0.03，水稻的制圖精度分別提高3.38個百分點和3.25個百分點。本研究結果為開展高精度水稻種植信息業(yè)務化監(jiān)測提供參考。

關鍵詞：合成孔徑雷達；隨機森林；相似性指數(shù)；水稻種植面積提取

中圖分類號：S127文獻標識碼：A文章編號：1000-4440（2023）05-1179-10

Rice planting area monitoring based on multi-temporal synthetic aperture radar （SAR） dataGUO Yu-di LI Gen LI Chun LIANG Dong-po

（1.Tianjin Climate Center， Tianjin 300074， China;2.High Resolution Earth Observation System Tianjin Data and Application Center， Tianjin 300074， China）

Abstract：Compared with optical remote sensing， synthetic aperture radar （SAR） remote sensing can not be affected by cloud and rain， which provides a new means for accurate monitoring of large-scale crop planting information. Based on the multi-temporal Sentinel-1A SAR image data from 2018 to 2021， a new method for monitoring the planting distribution and area was proposed with Xiaozhan rice in Tianjin as an example， which combined the similarity analysis of growth characteristics with random forest classification. Firstly， the backscattering coefficient time series characteristic curves of different ground objects under VV and VH polarization modes were extracted， and HANTS filtering was used to eliminate the effect of noise. Then， according to the field survey data， the reference growth curve of Xiaozhan rice was obtained and the similarity index of Xiaozhan rice was constructed to screen out the possible planting areas of Xiaozhan rice. Finally， random forest classification model was used to extract the planting area of Xiaozhan rice. The results showed that the multi-temporal Sentinel-1A SAR image similarity analysis combined with random forest classification could obtain high precision rice planting information. The average relative errors of rice planting area extracted by VV and VH polarization methods with the statistical data were 2.67% and 3.80%， respectively. The overall classification accuracies were 95.52% and 93.40%， respectively， and the Kappa coefficients were 0.94 and 0.93， respectively. Compared with the classification results without similarity index， the overall classification accuracy with similarity index under VV and VH polarization modes increased by 4.35 percentage points and 3.13 percentage points， the Kappa coefficients increased by 0.04 and 0.03， and the mapping accuracy of rice increased by 3.38 percentage points and 3.25 percentage points，respectively. The results of this study provide a reference for future business monitoring of high-precision rice planting information.

Key words：synthetic aperture radar;random forest;similarity index;rice planting area extraction

水稻是中國主要糧食作物之一，在保障國家糧食安全中發(fā)揮著重要作用。黨的十九大報告提出，“確保國家糧食安全，把中國人的飯碗牢牢端在自己手中”。天津小站稻是全國首個糧食作物地理標志農產品，天津市種植的水稻均為小站稻。2018年天津市出臺《天津小站稻振興規(guī)劃方案》，計劃在3～5年內將小站稻種植面積擴大到6.67×104 hm2，并將天津打造成為全國高端優(yōu)質水稻發(fā)展引領區(qū)，提升現(xiàn)代農業(yè)發(fā)展質量，保護傳承稻耕文化。及時準確地監(jiān)測小站稻種植面積和分布信息能為政府保障糧食安全、優(yōu)化種植結構、合理調配水資源等提供科學決策依據(jù)[1]。

傳統(tǒng)的農情統(tǒng)計和抽樣調查難以滿足現(xiàn)代農業(yè)生產者和管理部門及時準確獲取農情信息的需求[2]。近幾十年來，衛(wèi)星遙感技術的迅猛發(fā)展為及時準確監(jiān)測農業(yè)資源信息提供可能，衛(wèi)星遙感技術已成為大尺度農作物種植信息獲取的重要手段[3-4]。目前，大范圍農作物種植信息提取廣泛采用MODIS、Landsat、Sentinel-2或高分系列光學衛(wèi)星影像數(shù)據(jù)。楊沈斌等[5]利用MODIS時序影像數(shù)據(jù)，根據(jù)水稻相似性指數(shù)提取河南省水稻種植面積。李根等[6]利用MODIS時序影像結合混合像元線性光譜分解法，對江蘇省水稻種植面積進行了提取。張曉憶等[7]利用HJ-1A和GF-1衛(wèi)星影像構建基于4種光譜指標的決策樹分類模型，獲取了淮安市水稻種植分布。Cao等[8]利用Landsat影像數(shù)據(jù)進行贛撫平原灌溉區(qū)不同種植時期和種植制度下的水稻種植面積監(jiān)測，總體精度超過71%。曹丹等[9]基于多年MODIS數(shù)據(jù)，結合分區(qū)的水稻判別條件，提取了中國東北三省的水稻種植面積及其分布，平均精度可達90%以上。然而，MODIS等中分辨率光學衛(wèi)星在大范圍農作物種植面積監(jiān)測時，受空間分辨率的影響常出現(xiàn)大量混合像元，從而影響了精度；Landsat等高分辨率光學衛(wèi)星受重訪周期長及多云陰雨天氣影響，難以保障數(shù)據(jù)的連續(xù)獲取，制約大范圍農作物種植信息的及時準確監(jiān)測。

合成孔徑雷達（Synthetic aperture radar， SAR）相比光學遙感數(shù)據(jù)而言不受云霧雨雪天氣影響，可以根據(jù)地物光譜對農作物種植狀況進行全天候、全天時監(jiān)測[10]，能夠彌補光學影像的不足，為精準監(jiān)測大范圍的農作物種植信息提供了新的手段。張征云等[11]以Sentinel-1和Sentinel-2為數(shù)據(jù)源，基于水稻后向散射系數(shù)時序變化特征和水稻不同生長期光譜特征，對天津市寶坻區(qū)水稻種植面積進行了提取，并對兩者精度進行了對比。Shao等[12]基于RADARSAT-1的多時相數(shù)據(jù)，建立水稻時域散射經驗模型，進行廣東肇慶市水稻分布監(jiān)測及產量預測。申雙和等[13]、楊沈斌等[14]利用ENVISAT ASAR 雷達數(shù)據(jù)開展稻田面積提取和估產研究。Clauss等[15]利用多時相 Sentinel-1數(shù)據(jù)，結合隨機森林回歸模型進行了湄公河三角洲水稻分布制圖并測產。黃翀等[16]基于Sentinel-1時間序列數(shù)據(jù)，通過動態(tài)時間規(guī)整算法對熱帶地區(qū)的水稻種植信息進行提取。桑國慶等[17]利用Sentinel-1A數(shù)據(jù)，將后向散射系數(shù)和增強型植被指數(shù)相結合，建立決策樹模型，實現(xiàn)了基于谷歌地球引擎（Google earth engine， GEE）云平臺的多云雨地區(qū)水稻分布制圖。夏俊等[18]利用Sentinel-1A數(shù)據(jù)，基于光譜微分變換分析法和支持向量機（SVM）模型對水稻進行識別，分類精度達到89.88%。查東平等[19]基于多時相Sentinel-1數(shù)據(jù)，計算了不同物候期稻田與其他地物后向散射系數(shù)之間的J-M距離（Jeffries-matusita distance），確定了水稻識別的最優(yōu)物候期，并利用隨機森林算法提取水稻種植范圍，獲得了較高的分類精度。然而，利用SAR數(shù)據(jù)來進行水稻種植信息提取時，分類精度往往受影像的時相、樣方的選取等因素影響，其原因在于特定的時相內存在異質地物的后向散射系數(shù)接近或一致。目前，結合水稻全生育期的SAR時序數(shù)據(jù)及水稻相似度指數(shù)進行水稻種植面積提取方面的研究較少。

本研究利用多時相Sentinel-1A SAR影像對天津市2018-2021年的小站稻種植面積進行提取。首先，分析VV和VH極化方式下小站稻、水體、裸地和其他4類地物的后向散射系數(shù)時間序列曲線，并進行HANTS濾波以消除噪聲影響。然后，根據(jù)野外調查數(shù)據(jù)獲取小站稻參考生長曲線，構建小站稻相似性指數(shù)篩選小站稻可能種植區(qū)域。最后，將該指數(shù)加入隨機森林分類模型提取小站稻種植面積，以期提高水稻種植信息的提取精度，為進一步利用Sentinel-1A SAR影像進行水稻長勢監(jiān)測提供參考。

1材料與方法

1.1研究區(qū)概況與數(shù)據(jù)源

1.1.1研究區(qū)概況天津市位于華北平原東北部的海河流域下游，處于38°34′～40°15′N，116°43′～118°04′E，全市總面積1.194 6×10⁴km²。受季風環(huán)流的影響，天津地區(qū)四季分明，春季干旱少雨、夏季高溫高濕、秋季冷暖適中、冬季寒冷干燥，年平均氣溫12～15 ℃， 無霜期196～246 d，年均日照時間2 471～2 769 h，年平均降水量550～600 mm，其中夏季降水量約占全年的75%，雨熱同季，光熱條件良好。天津市的主要涉農區(qū)為寶坻區(qū)、寧河區(qū)、靜海區(qū)、薊州區(qū)和武清區(qū)等（圖1），主要種植水稻、冬小麥和玉米等作物。天津市水稻每年4月中下旬播種，5月中下旬移栽，10月成熟，整個生育期約7個月。

1.1.2SAR數(shù)據(jù)及預處理Sentine1-1A衛(wèi)星是一顆搭載了C波段（5.4 GHz）SAR傳感器的衛(wèi)星，2014年由歐洲宇航局發(fā)射。本研究選用L1級別干涉寬幅（IW）模式VV和VH雙極化Sentinel-1A SAR數(shù)據(jù)，空間分辨率5 m×20 m，幅寬250 km，重訪周期12 d。根據(jù)天津小站稻的物候期，選取每年4月至10月的Sentine1-1A數(shù)據(jù)開展研究，經統(tǒng)計2018-2021年小站稻全生育期影像數(shù)分別為16景、17景、16景和17景。結合軌道數(shù)據(jù)和DEM（高程數(shù)字模型），利用SARscape軟件進行多時相Sentinel-1A數(shù)據(jù)預處理，主要步驟為圖像配準、多時相濾波和地理編碼等。

SAR影像中雷達后向散射系數(shù)σ（i，j）（dB）的獲取是根據(jù)預處理后雷達影像的像元灰度值（DN）計算獲得[20]：

1.1.3野外樣本數(shù)據(jù)研究中將天津的土地利用類型分為水稻、水體、裸地和其他4類。為獲取準確的野外樣本數(shù)據(jù)，2021年4月中旬和7月中旬在天津主要涉農區(qū)通過野外調研，利用高精度全球定位系統(tǒng)（GPS）采集不同地物分布的地理信息，結合高分辨率的Worldview影像和高分1號光學影像，在SAR影像上，確定不同地物類型樣本。樣本內中心像元位置分布如圖1所示。其中：水稻樣本80個、水體樣本275個、裸地樣本48個和其他樣本162個。各土地利用類型隨機選取70％樣本（2 698像素點）為訓練樣本，水稻56個樣本（233像素點）、水體192個樣本（1 697像素點）、裸地34個樣本（437像素點）和其他113個樣本（331像素點），剩余30％樣本（900像素點）作為驗證樣本用于精度評價，水稻24個樣本（57像素點）、水體83個樣本（647像素點）、裸地14個樣本（118像素點）和其他49個樣本（78像素點）。

進一步在80個水稻樣本中，結合野外調查，選取20個純水稻像元，利用多時相SAR數(shù)據(jù)，構建小站稻參考生長曲線。

1.2研究方法

1.2.1技術路線基于2018-2021年多時相Sentinel-1A SAR影像，利用小站稻生育期參考生長曲線進行逐像元相似性分析，并結合隨機森林分類模型進行天津小站稻種植面積信息的精確提取。首先構建長時間序列的SAR影像數(shù)據(jù)，構建水稻、水體、裸地和其他地物的后向散射系數(shù)時間序列曲線，并利用HANTS濾波方法對其進行平滑處理，以消除噪聲影響。然后根據(jù)野外調查確定的純小站稻像元樣本的多時相后向散射系數(shù)建立小站稻參考生長曲線，逐像元計算小站稻相似性指數(shù)，篩選出可能為小站稻的像元。再根據(jù)隨機森林分類模型對疑似小站稻像元進行再提取，獲得天津小站稻種植分布信息。最后對結合相似性指數(shù)先驗知識與否的提取結果進行對比并進行精度驗證評價。具體技術流程見圖2。

1.2.2后向散射時序特征提取結合野外采樣樣本從多時相的SAR影像中提取出小站稻生長季（4-10月）水稻、水體、裸地和其他類地物的VV和VH極化后向散射系數(shù)，初步得到4類地物后向散射系數(shù)的時序變化曲線。由于時間序列SAR影像會受到數(shù)據(jù)連續(xù)性波動和斑點噪聲影響，原始數(shù)據(jù)的椒鹽現(xiàn)象會導致時序后向散射系數(shù)特征曲線波動較大，因此要對其進行濾波平滑處理。HANTS濾波對異常值較為敏感，同時對周期性波動噪聲有很好的抑制作用，能有效降低噪聲影響；通過傅里葉變換和最小二乘法擬合兩種方法在時間維度對數(shù)值進行插值，既能夠保留時序變化特征，又能消除數(shù)據(jù)連續(xù)性波動影響，最終獲取更加連續(xù)的時序數(shù)據(jù)。本文通過HANTS濾波對水稻、水體、裸土和其他4類地物的后向散射系數(shù)特征曲線進行濾波平滑處理，得到更加連續(xù)的后向散射系數(shù)特征曲線。

1.2.3小站稻相似性指數(shù)構建利用選取的20個純水稻像元多時相后向散射系數(shù)值，求取純水稻像元的各個時相后向散射系數(shù)平均值，建立小站稻參考生長曲線。各像元的小站稻相似性指數(shù)計算公式如下：

1.2.4隨機森林分類隨機森林分類是一種基于決策樹的機器學習方法，被譽為“代表集成學習技術水平的方法” [21-22]。隨機森林分類的流程如圖3所示：在原始訓練樣本數(shù)據(jù)集中進行隨機抽樣，構成n個不同的訓練樣本數(shù)據(jù)集，對訓練樣本數(shù)據(jù)集逐個構建決策樹模型，最后根據(jù)分類模型的投票情況獲取最終分類結果[23-24]。

2結果及分析

2.1后向散射系數(shù)特征分析

圖4為2018-2021年水稻、水體、裸地和其他4種地物訓練樣本經濾波后在不同時相的后向散射系數(shù)變化曲線。VV極化方式下小站稻的后向散射系數(shù)介于-16 dB至-11 dB之間，整個生育期內呈現(xiàn)波動變化，2個低值區(qū)分別對應于5月20日和8月10日前后；水體的后向散射系數(shù)介于-21 dB至-18 dB之間，變化趨勢為先增后減，7月中旬后緩慢降低；裸土的后向散射系數(shù)介于-16 dB至-10 dB之間，變化趨勢亦為先增后減，峰值出現(xiàn)在8月份；其他地物的后向散射系數(shù)介于-12 dB至-7 dB之間，變化趨勢亦為先增后減，峰值出現(xiàn)在8月上中旬。對比4種地物的后向散射系數(shù)可以看出水體的后向散射系數(shù)值最低，變化幅度較小，其他地物的后向散射系數(shù)值最高，小站稻和裸土的后向散射系數(shù)介于兩者之間，裸土和其他地物的后向散射系數(shù)變化曲線較為接近，小站稻的后向散射系數(shù)曲線變化最為復雜。

VH極化方式下2018-2021年小站稻的后向散射系數(shù)介于-22 dB至-16 dB之間，變化趨勢與VV極化方式一致；水體的后向散射系數(shù)介于-24 dB至-22 dB之間，變化較為平穩(wěn)，波動較??；裸土的后向散射系數(shù)介于-22 dB至-14 dB之間，變化趨勢為先增后減，在8月中下旬出現(xiàn)轉折；其他地物的后向散射系數(shù)介于-22 dB至-13 dB之間，變化趨勢亦為先增后減，峰值出現(xiàn)于9月份。對比4種地物的后向散射系數(shù)可以看出水體的后向散射系數(shù)值最低，其他地物和裸土的后向散射系數(shù)變化曲線較為接近，水稻的后向散射系數(shù)曲線變化幅度較大。

2.2小站稻相似性指數(shù)

根據(jù)20個純水稻像元的多時相后向散射系數(shù)，構建的小站稻參考生長曲線如圖5所示。VV和VH極化方式下后向散射系數(shù)的變化波形較為相似，VV極化方式下后向散射系數(shù)略高于VH極化；VV極化方式下小站稻生長初期后向散射系數(shù)峰值出現(xiàn)在分蘗期，VH極化方式下小站稻生長前期后向散射系數(shù)峰值出現(xiàn)在拔節(jié)期，在VH極化方式和VV極化方式下后向散射系數(shù)均在孕穗期出現(xiàn)一次低值。這主要是由于VV極化對表面散射較為敏感，小站稻移栽前需對稻田進行翻耕，稻田表面粗糙，后向散射明顯降低；移栽后水稻生長早期，秧苗稀疏，水稻冠層和水面相互作用，后向散射系數(shù)開始增大；分蘗后期，水稻冠層密集，表面散射減少，后向散射系數(shù)再次開始降低直至孕穗期；孕穗后，水稻呈現(xiàn)葉片和穗混合的冠層，表面散射增大，后向散射逐漸增大。而VH極化對植被冠層的密度較為敏感，移栽期以水稻冠層散射和土壤散射作用為主，散射值隨著水稻的生長逐漸上升；拔節(jié)期除了水稻冠層散射作用以外，還受到土壤含水量及其與水稻相互作用的影響，因此拔節(jié)后水稻后向散射系數(shù)有所降低；自孕穗開始，后向散射以水稻冠層散射為主，后向散射系數(shù)整體呈上升趨勢。

根據(jù)小站稻參考生長曲線，逐像元計算VV和VH兩種極化方式下的小站稻相似性指數(shù)（圖6）。由于相似性指數(shù)越小，表明該像元的多時序后向散射系數(shù)特征與小站稻參考生長曲線越相似，即各時相的后向散射系數(shù)特征越接近小站稻參考生長曲線。從圖6可以看出，小站稻相似性指數(shù)低值區(qū)主要集中于寶坻區(qū)和寧河區(qū)。VV極化方式下，濱海新區(qū)亦有一定的低值區(qū)。根據(jù)野外調查信息結合高分辨率Worldview影像和高分1號影像對相似性指數(shù)圖分析得出相似性指數(shù)24可能是小站稻判斷的臨界閾值，即相似性指數(shù)大于24的像元確定不是小站稻，相似性指數(shù)小于24的像元為疑似小站稻。

2.3小站稻提取結果與精度驗證

根據(jù)相似性指數(shù)分析提取的疑似小站稻種植區(qū)域，利用隨機森林分類方法從多時相SAR影像中提取天津小站稻分布面積，得到2018-2021年VV和VH極化方式下SAR數(shù)據(jù)提取的天津市小站稻種植面積如圖7所示。從圖7可以看出，天津市小站稻種植面積自2018年開始逐年增多，寧河區(qū)和寶坻區(qū)為小站稻的主要種植區(qū)，其他區(qū)（薊州區(qū)、武清區(qū)、津南區(qū)、北辰區(qū)、西青區(qū)和靜海區(qū)）也有少量小站稻種植區(qū)。2021年天津市小站稻種植面積比2018年增加約1.80×10⁴hm²。天津市小站稻面積大幅增加主要是受天津市2018年出臺《天津小站稻振興規(guī)劃方案》影響。至2021年天津市小站稻種植面積高達5.93×10⁴hm²。

圖8為2018-2021年農業(yè)統(tǒng)計年鑒和VV、VH極化方式下提取的天津市小站稻種植面積?？梢钥闯觯篤V極化方式下，2018-2021年小站稻種植面積分別為3.83×10⁴ hm²、4.56×10⁴hm²、5.49×10⁴hm²和5.82×10⁴hm²，與農業(yè)統(tǒng)計年鑒的結果對比，2018-2021年的小站稻提取面積的相對誤差分別為3.99%、1.70%、2.59%和2.39%。VH極化方式下，2018-2021年小站稻面積分別為3.64×10⁴hm²、4.36×10⁴hm²、5.26×10⁴hm²和5.73×10⁴hm²，與農業(yè)統(tǒng)計年鑒的結果對比，2018-2021年的小站稻提取面積的相對誤差分別為8.87%、2.72%、1.55%和2.05%。2018年以來，天津市小站稻種植面積逐年上升，其中2020年的增幅較大，小站稻種植面積比2019年增加約8.67×10³hm²。對比農業(yè)統(tǒng)計年鑒與兩種極化方式下提取的小站稻種植面積發(fā)現(xiàn)，VV極化方式下提取的小站稻面積偏大，VH極化方式下提取的小站稻面積偏小。對小站稻提取的面積進行驗證分析發(fā)現(xiàn)，VV極化方式下提取時小站稻中混有水體中的水草，水草的生長趨勢與小站稻接近，導致小站稻種植面積提取偏大；VH極化方式下提取時小站稻稻田的部分邊緣未能識別，將其分類為裸土，這是因為稻田邊緣與田埂存在混合像元，使其后向散射系數(shù)與裸土相似。

表1為不同極化方式下基于多時相Sentinel-1A SAR數(shù)據(jù)、小站稻相似性指數(shù)和隨機森林算法得到的驗證集分類誤差矩陣。由于水稻、水體、裸土和其他地物后向散射系數(shù)的變化特征有較大差異，因此在兩種極化方式下均具有較高的分類精度（用戶精度和制圖精度），水體的分類精度略高于水稻，裸土和其他地物受復雜地表類型的影響，分類精度相對較低，VV極化方式下其他地物的制圖精度僅為81.09%。

表2、表3為2018-2021年VV和VH極化方式下引入相似性指數(shù)與否對天津市小站稻種植面積提取精度的影響。未引入相似性指數(shù)時，VV極化方式下驗證集總體分類精度、Kappa系數(shù)、水稻的制圖精度分別為91.17%、0.90和90.48%，引入相似性指數(shù)后，VV極化方式下驗證集總體分類精度、Kappa系數(shù)、水稻的制圖精度分別提升至95.52%、0.94和93.86%；VH極化方式下，引入相似性指數(shù)后驗證集總體分類精度由90.27%提高到93.40%，Kappa系數(shù)由0.90提高到0.93，水稻制圖精度由89.73%提高到92.98%。總體來看，引入相似性指數(shù)后不同極化方式下總體分類精度和Kappa系數(shù)都有所提升，水稻、裸地和其他地物的用戶精度和制圖精度亦有不同程度的提高。引入相似性指數(shù)后，VV和VH極化方式下水稻、水體和祼土的用戶精度和制圖精度均高于92.00%，VV極化方式下用戶精度和制圖精度略高于VH極化方式。

3結論與討論

本文利用2018-2021年4 至10月份多時相Sentinel-1A SAR影像數(shù)據(jù)，通過野外采樣獲取小站稻參考后向散射系數(shù)生長曲線，構建小站稻相似性指數(shù)，篩選出小站稻可能種植區(qū)域后采用隨機森林分類模型提取天津市2018-2021年小站稻種植分布和面積信息，得到以下結論：

（1）多時相Sentinel-1A SAR影像數(shù)據(jù)不受云霧干擾，其時間序列后向散射系數(shù)變化可較好地反映小站稻物候特征信息。水稻與水體、其他地物的后向散射系數(shù)有明顯的差異，水體的后向散射系數(shù)值較低，而其他地物的后向散射系數(shù)值較高，兩者與水稻均無交集；水稻和裸土的后向散射系數(shù)介于水體和其他地物之間，但水稻的后向散射系數(shù)隨發(fā)育進程變化更為復雜。VV和VH兩種極化方式下水稻的后向散射系數(shù)變化曲線較為相似，VH極化方式下后向散射系數(shù)略高于VV極化方式。VV極化方式下對表面散射較為敏感，VH極化方式下對植被冠層的密度更為敏感，VH極化方式下水稻生長曲線初波峰出現(xiàn)時間比VH極化方式下更為提前。

（2）利用小站稻相似性指數(shù)結合隨機森林分類，能充分發(fā)揮SAR影像全天候、全天時監(jiān)測特點，有效提高小站稻種植信息提取精度。2018-2021年VV和VH兩種極化方式下與農業(yè)統(tǒng)計年鑒結果對比的平均相對誤差分別為2.67%和3.80%?？傮w分類精度分別達到95.52%和93.40%，Kappa系數(shù)分別為0.94和0.93，與未構建相似性指數(shù)分類結果相比，總體分類精度分別提高4.35個百分點和3.13個百分點，Kappa系數(shù)分別提高0.04和0.03；水稻的制圖精度分別提高3.38個百分點和3.25個百分點，VV極化方式相較VH極化方式精度更高，可以更準確提取小站稻種植面積。研究結果表明本研究建立的小站稻分類方法能夠適用于水稻種植信息的提取。

本研究引入小站稻參考生長曲線，利用水稻全生育期Sentinel-1A SAR數(shù)據(jù)，逐像元計算小站稻相似性指數(shù)，初步篩選水稻疑似區(qū)域，并將其輸入隨機森林分類模型提取水稻種植面積，一方面減少了人為因素的干擾，另一方面也提高了水稻種植面積的提取精度。此外，雖然Sentinel-1A影像提取水稻種植面積具有較高的精度，但是在實際應用中仍然存在一些局限，主要體現(xiàn)在時間分辨率長和空間分辨率粗等方面。在今后的工作中，一方面要加強多源雷達數(shù)據(jù)的整合，縮短影像獲取時間間隔；另一方面，可以考慮將雷達影像與高空間分辨率的光學衛(wèi)星、無人機等數(shù)據(jù)進行融合進而實現(xiàn)更精細的作物生長監(jiān)測。

參考文獻：

[1]郭云峰，王鳳行，陳子學，等.天津小站稻發(fā)展現(xiàn)狀與振興策略[J].作物研究，2021，35（5）：431-435.

[2]王人潮，黃敬峰. 水稻遙感估產[M]. 北京：中國農業(yè)出版社，2002.

[3]XIAO X，BOLES S，LIU J，et al.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J].Remote Sensing of Environment，2005，95（4）：480-492.

[4]劉佳，王利民，姚保民，等. 基于多時相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算[J]. 農業(yè)工程學報，2017，33（15）：200-209.

[5]楊沈斌，景元書，王琳，等.基于MODIS時序時間提取河南省水稻種植分布[J].大氣科學學報，2012，35（1）：113-120.

[6]李根，景元書，王琳，等. 基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提取[J]. 大氣科學學報， 2014， 37（1）：119-126.

[7]張曉憶，李衛(wèi)國，景元書，等.多種光譜指標構建決策樹的水稻種植面積提取[J].江蘇農業(yè)學報，2016，32（5）：1066-1072.

[8]CAO J J，CAI X L，TAN J W，et al.Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system，Southern China，from 1988-2017[J].International Journal of Remote Sensing，2021，42（4）：1556-1576.

[9]曹丹，白林燕，馮建中，等.東北三省水稻種植面積時空變化監(jiān)測與分析[J].江蘇農業(yè)科學，2018，46（10）：260-265.

[10]王松寒，何隆華.雷達遙感技術在水稻識別中的研究進展[J].遙感信息，2015，30（2）：3-9.

[11]張征云，江文淵，張彥敏，等.基于哨兵SAR數(shù)據(jù)和多光譜數(shù)據(jù)的水稻識別研究[J].生態(tài)與農村環(huán)境學報，2023，39（4）：556-564.

[12]SHAO Y， FAN X， LIU H， et al. Rice monitoring and production estimation using multitemporal RADARSAT[J].Remote Sensing of Environment， 2001， 76（3）： 310-325.

[13]申雙和，楊沈斌，李秉柏，等. 基于ENVISAT ASAR數(shù)據(jù)的水稻估產方案[J]. 中國科學（D輯：地球科學），2009，39（6）：763-773.

[14]楊沈斌，李秉柏，申雙和，等. 基于多時相多極化差值圖的稻田識別研究[J]. 遙感學報，2008，13（3）：138-144.

[15]CLAUSS K， OTTINGER M， LEINENKUGEL P， et al. Estimating rice production in the Mekong Delta， Vietnam， utilizing time series of Sentinel-1 SAR data[J]. International Journal of Applied Earth Observation and Geoinformation， 2018，73：574-585.

[16]黃翀，許照鑫，張晨晨，等. 基于Sentinel-1數(shù)據(jù)時序特征的熱帶地區(qū)水稻種植結構提取方法[J]. 農業(yè)工程學報， 2020， 36（9）：177-184.

[17]桑國慶，唐志光，毛克彪，等. 基于GEE云平臺與Sentinel數(shù)據(jù)的高分辨率水稻種植范圍提取——以湖南省為例[J]. 作物學報， 2022， 48（9）：2409-2420.

[18]夏俊，蘇濤，劉麗娜，等. 基于多時相Sentinel-1A數(shù)據(jù)的水稻面積提取[J].江蘇農業(yè)學報， 2022，38（3）：666-674.

[19]查東平，蔡海生，張學玲，等. 基于多時相Sentinel-1水稻種植范圍提取[J].自然資源遙感， 2022，34（3）：184-195.

[20]杜偉娜，徐愛功，宋耀鑫，等.新型SAR傳感器一級地距產品絕對輻射定標方法[J].國土資源遙感，2016，28（4）：30-34.

[21]劉海娟，張婷，侍昊，等. 基于RF模型的高分辨率遙感影像分類評價[J].南京林業(yè)大學學報（自然科學版），2015，39（1）：99-103.

[22]WATTS J D， POWELL S L， LAWRENCE R L， et al. Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery[J]. Remote Sensing of Environment， 2011， 115（1）：66-75.

[23]BREIMAN L， LAST M， RICE J. Random forests： Finding quasars//[M]. FEIGELSON E D， BABU G J. Statistical Challenges in Astronomy. New York： Springer， 2003：243-254.

[24]周正龍，沙晉明，范躍新，等. 基于隨機森林的遙感土地利用分類及景觀格局分析[J].計算機系統(tǒng)應用，2020，29（2）：40-48.

（責任編輯：石春林）