基于Sentinel-1和Sentinel-2数据融合的农作物分类

郭　交　朱　琳　靳　标

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业部农业物联网重点实验室， 陕西杨凌 712100)

0　引言

及时准确地获取农作物种植面积信息及空间分布状况对于政府部门制定粮食政策、调整农业结构、保障国家粮食安全十分重要，在农作物普查、长势监测、产量预估和灾害评估等方面也有重要应用[1-4]。遥感技术由于其快速、准确地获取地面作物分布的优势，已经成为农作物分类的主要手段之一，为农作物的信息提取提供了良好的技术支撑[5-6]。

目前国内外相关研究中多采用高分辨率的光学遥感数据，利用不同农作物在生长发育过程中时间和生物量上的差异，结合物候信息，提取作物的时序生长曲线，从而实现农作物分类[7-8]。KUSSUL等[9]融合Sentinel-1和Landsat-8卫星的多时相多源遥感数据，提高了农作物的分类精度。杨闫君等[10]利用HANTS滤波算法构建GF-1/NDVI时间序列数据，通过ML、SVM和神经网络等多种分类方法对河北唐山南部地区的农作物进行识别分类。张荣群等[11]利用时序植被指数对县域作物进行分类，为小范围作物识别提供了依据。尽管光学遥感技术在作物识别和面积监测应用中取得了显著成果，且理论和技术都比较成熟，但是在实际应用中，由于云雨、光照等因素的影响，光学遥感数据源的质量无法保障，一定程度上限制了地面农作物信息的准确提取。为了克服这一缺点，研究人员通过对光学遥感数据进行去云、曲线平滑等处理以提高光学影像质量，但去云处理只能在一定程度上降低云的噪声影响，无法根本上消除局部噪声[12-13]。

图1　实验区域图像Fig.1　Images of experimental area

为完善对地观测系统，更好地获取地物信息，多国相继提出并成功发射雷达卫星。雷达技术相对于光学技术的最大优点在于可全天时、全天候工作[14-16]。另外，光学数据反映的是目标体光谱特征，而“同物异谱、异物同谱”现象广泛存在，限制了光学数据对地物的识别能力[17]。雷达数据主要根据地物的后向散射特性获得异于光学遥感的影像[18]；同时，雷达卫星的穿透性不仅有利于获取植被的表面信息，对植被的叶、茎、枝、干等信息也有一定的反映，能获取与光学遥感不同的地物信息[19-20]。KUMAR等[21]利用RISAT-1卫星C波段双极化雷达遥感数据对印度北方邦瓦拉纳西地区农作物进行识别，结果表明生殖生长期的作物有较高的分类精度。王宇航等[22]利用Quickbird光学数据和Radarsat-2全极化雷达影像，对福建省三明市将乐林场进行识别和分类，取得了较好的分类结果。以上研究表明，利用融合数据进行作物分类具有可行性和实用性。

本文针对融合雷达和光学影像进行农作物分类，采用Sentinel-1和Sentinel-2的多源遥感数据作为研究数据源，以陕西省渭南市大荔县某农场为研究区，分别对无云和少量云层覆盖条件下农作物进行分类，探索光学和雷达融合数据对于作物分类的优势。

1　研究区域与数据源

1.1　研究区域

研究区域位于陕西省渭南市大荔县某农场(109°10′49″E，34°47′60″N)，属于暖温带半湿润半干旱季风气候，四季分明，光照充足，雨量适宜，年降水量约600 mm，有利于发展农业，区域内主要农作物的种类及生长周期和土地类型如表1所示。

表1　研究区域主要地物Tab.1　Main land covers in study area

选择该农场中约10 km×5 km的区域进行研究，地面真实农作物分类情况通过地面实地测量获取，具体实验区域如图1所示，其中，图1a为实验区无云层覆盖的光学融合图像，图1b为实验区有部分云层覆盖的光学融合图像，图1c为实验区雷达图像，图1d为实验区各类农作物的实际分布图。

1.2　数据及预处理

1.2.1数据选择

以Sentinel-1和Sentinel-2(简称S1、S2)作为数据源，S1和S2是由欧空局研发的Sentinel系列卫星，其中S1卫星是由A、B两颗卫星的星座组成，轨道相距180°，组成星座后重访时间仅为6 d，均搭载一个基于C波段的雷达成像系统，该成像系统采用4种成像模式实现对地观测，分别是：条带模式，分辨率为5 m×5 m；干涉模式，分辨率为5 m×20 m；超幅宽模式，分辨率为20 m×20 m；波模式，分辨率为5 m×5 m。具有双极化、短重访周期的特点。S2卫星采用天体平台-L(AstroBus-L)，该平台为欧洲空间标准组织(ECSS)标准模块化平台，无地面控制点图像定位精度20 m，星敏感器安装在相机上，可获得更优的精度和稳定性[23]。其上安装的多光谱成像仪有13个通道，从可见光到近红外至短波红外，空间分辨率为10～60 m，为农作物遥感监测和作物类型制图提供了理想的数据源(具体的波段和分辨率见表2)。

表2　Sentinel-2数据信息Tab.2　Main parameters of Sentinel-2

图2　各个波段下5种地物的参数分布Fig.2　Five land covers parameters distribution of different bands

雷达数据选取S1干涉模式下的VV、VH通道，光学数据选取S2空间分辨率为10 m的B2、B3、B4、B8(蓝、绿、红、近红外)和S2空间分辨率为20 m的B5、B6、B7、B8b、B11、B12等10个波段，具体使用的数据为：2017年4月1日S2无云光学数据与2017年4月5日S1雷达数据、2017年4月21日S2有云光学数据与2017年4月17日S1雷达数据。

1.2.2数据预处理

本研究采用的S2数据已经过辐射校正等处理，只需进行大气校正即可。S1数据经过辐射校正、辐射地形矫正、滤波等一系列预处理操作。另外，在数据融合前需对多源遥感数据进行精确配准，将S1、S2数据和地面真值数据映射到WGS84坐标系，在此基础上利用地面控制点和基于数据进行精确配准处理。

1.2.3特征波段的选择

目前关于农作物分类研究主要依据植被指数的时序曲线，虽然植被指数可以形象准确地区分不同作物，但因光学影像受到云雨、昼夜等外界因素影响较大，要获取连续有效的光学影像较难，而运用单时相光学数据，植被指数难以准确区分作物种类。因此，本文选择几组不同时相的数据进行作物分类研究。另外，用于农情监测的光学遥感数据多为红、绿、蓝和近红外4个波段，且影像分辨率普遍较高，因此为了保证研究的通用性，本研究选取2组波段类型数据，一组为S2的红、绿、蓝、近红外4个波段与S1的融合数据，另一组为表2中S2空间分辨率为10 m和20 m的10个波段与S1的融合数据。

由于地物波谱辐射在不同波段上的反映不同，所以同种地物在不同波段上反映的信息也不同，因此本文对不同作物在原始数据各个波段下的光谱特性进行了分析，分别计算了影像不同波段不同地物的均值及方差，各个波段所反映的不同地物如图2所示。由图2a可以看出，农作物在近红外波段(8号波段)附近辐射值均值明显高于其他波段，而裸土与大棚变化不甚明显；由图2b可以看出，大棚在红光波段(4号波段)附近辐射值方差明显提高。

2　分类方法

本研究首先对多源遥感数据进行预处理，再根据有无云层覆盖分为两类，分别采用ML和SVM对2种条件下获取的数据进行农作物分类，并结合地面真值对分类结果进行精度分析。具体过程如图3所示。

图3　研究方法流程图Fig.3　Flow chart of research method

ML监督分类首先选取部分已知类别的区域作为训练样本，通过计算得到决策值，并建立相应的判别函数和判别准则，然后将实验区域样本代入判别函数，利用判别准则进行农作物分类。

SVM以统计学习理论的VC维理论和结构风险最小化原理为基础，其分类原理是利用有限的样本特征值在分类模型的复杂性和自学习能力之间寻求最佳平衡点，使目标达到最佳泛化能力。其实现原理是：通过核函数将输入向量映射一个高维特征空间，构建最优分类超平面，实现目标的识别分类。

3　数据处理结果与分析

3.1　训练样本集选择

本研究所采用的ML和SVM都属于监督分类方法，在数据处理中每类农作物都需事先选定一定数量的训练样本，如图4所示。

图4　训练样本的选取Fig.4　Selection of training samples

3.2　实验区实测数据处理结果

3.2.1无云层覆盖数据处理结果

分别利用ML和SVM对研究区融合数据进行农作物分类，并对比分析分类结果。利用ML法对研究区的主要作物，即小麦、玉米、苜蓿，以及大棚、裸土进行分类，并对结果进行对比分析，ML方法对无云数据的处理结果没有明显改善。利用SVM对S2的红、绿、蓝、近红外4个波段及其与S1的VV、VH波段融合数据进行农作物分类，结果如图5所示，其中图5a为S2光学数据分类结果，图5b为其误差，图5c为S2与S1的融合数据分类结果，图5d为其误差。对应的各类农作物识别精度、整体分类精度、Kappa系数如表3所示。

图5中所标出的红色区域，由于雷达数据依据地物的后向散射特性进行作物分类，所以融合数据分类结果中裸土与大棚分类精度明显提升。但是由于部分农作物具有相似生长周期，并表现相似的波谱特性，如小麦、玉米，其分类结果没有显著改善。通过图5和表3的对比分析可以看出，SVM分类方法中，融合数据整体分类精度相对光学数据提高约2个百分点，Kappa系数提高了5个百分点。另外，利用SVM对含S2特征波段数为10的光学数据及其与S1融合的数据进行农作物分类，由于光学特征波段所占比例较大，融合数据分类结果相较于光学数据无明显变化。综上，对于无云数据，S2特征波段较少且使用SVM分类方法时，融合数据结果比光学数据提高较为显著，而ML方法对分类精度的改善较小。

图5　SVM方法处理含S2特征波段数为4的无云数据分类结果Fig.5　Classification results of SVM based on four bands of S2 in data with no cloud

表3　SVM方法处理含S2特征波段数为4的无云数据分类结果评估Tab.3　Classification result evaluation of SVM based on four bands of S2 in data with no cloud　　%

3.2.2有云层覆盖数据处理结果

对有云层覆盖的数据同样分别利用ML和SVM 2种方法进行作物分类，利用ML法对S2的红、绿、蓝、近红外4个波段及其与S1的VV、VH波段融合数据进行农作物分类，结果如图6所示，其中图6a为S2光学数据分类结果，图6b为其误差，图6c为S2与S1的融合数据分类结果，图6d为其误差。对应的各类农作物识别精度、整体分类精度、Kappa系数如表4所示。

图6　ML处理含S2特征波段数为4的有云数据分类结果Fig.6　Classification results of ML based on four bands of S2 in data with cloud

表4　ML处理含S2特征波段数为4的有云数据分类结果评估Tab.4　Classification result evaluation of ML based on four bands of S2 in data with cloud　　%

通过图6和表4的对比分析，可以看出融合数据整体分类精度比光学数据提高了约2个百分点，Kappa系数提升了约4个百分点。对图中标出区域，由于雷达数据可以反映出作物的茎叶等信息，使融合数据分类结果中玉米分类精度提高了7个百分点。另外，由于裸土样本受云层影响较大，并且雷达数据所占比例较小，所以裸土与大棚分类结果没有明显变化。另外，利用ML法对含S2特征波段数为10的光学数据和融合数据进行作物分类，由于雷达数据所占比例过少，结果基本不变。

利用SVM分类方法对S2的红、绿、蓝、近红外4个波段及其S1的融合数据进行分类，得到分类结果如图7所示，其中图7a为S2光学数据分类结果，图7b为其误差，图7c为S2与S1的融合数据分类结果，图7d为其误差。表5为对应的农作物分类精度。

图7　SVM方法处理含S2特征波段数为4的有云数据分类结果Fig.7　Classification results of SVM based on four bands of S2 in data with cloud

表5　SVM方法处理含S2特征波段数为4的有云数据分类结果评估Tab.5　Classification result evaluation of SVM based on four bands of S2 in data with cloud　　%

通过对图7的分类结果和表5的分类精度进行对比分析可以看出，对于含S2特征波段数为4的数据而言，融合数据整体分类精度相较于光学数据提高了6个百分点，Kappa系数提高了8个百分点。对图中标出的区域，因为雷达数据可以通过农作物的后向散射特性获取农作物的茎、叶、干等信息，所以融合数据分类结果中，小麦分类精度提高约11个百分点，苜蓿、大棚的分类精度提高约5个百分点。

利用SVM方法对S2的特征波段数为10的光学数据及其S1融合的融合数据进行农作物分类，得到分类结果如图8所示，其中图8a为S2光学数据分类结果，图8b为其误差，图8c为S2与S1的融合数据分类结果，图8d为其误差。表6为农作物分类精度。

图8　SVM方法处理含S2特征波段数为10的有云数据分类结果Fig.8　Classification results of SVM based on ten bands of S2 in data with cloud

表6　SVM方法处理含S2特征波段数为10的有云数据分类结果评估Tab.6　Classification result evaluation of SVM based on ten bands of S2 in data with cloud　　%

通过对图8的分类结果和表6的分类精度进行对比分析可以看出，对含S2特征波段数为10的有云数据来说，融合数据整体分类精度相较于光学数据提高了约5个百分点，Kappa系数提高了约8个百分点。对图8中标出区域，由于雷达数据可以反映农作物枝干信息，所以融合数据将波段信息相似的裸土和苜蓿区分出，裸土分类精度提高约11个百分点，并且其他作物分类精度也有所提高。

由上述结果可知，对于有云层覆盖的融合数据而言，ML整体分类精度有小幅度提升；SVM分类结果中，融合数据整体分类精度及Kappa系数都有较大幅度提高；对于不同的数据源而言，含S2特征波段数为10的融合数据比含4个波段的S2融合数据分类结果更好。

综上所述，由融合数据和光学数据的作物分类结果对比可知，融合数据用于作物分类结果更佳；对于有少量云层覆盖的影像，融合数据对作物分类的整体精度和Kappa系数有较大的提高；对部分生长周期相似作物，含10个波段的S2融合数据比4个波段分类精度更高。

4　结论

(1)在2种分类方法下SVM提升幅度较明显，其中，S1与S2特征波段数为4的融合数据在无云情况下对作物分类精度提高了2个百分点，Kappa系数提高了5个百分点；在有云情况下，S1与S2特征波段数为4的融合数据对农作物总体分类精度和Kappa系数分别提高了6个百分点和8个百分点。

(2)采用S2中4个波段相比其10个波段，融合数据的农作物分类精度提升效果更为显著，而且利用SVM达到的分类结果更优。

(3)S1雷达卫星与S2光学卫星都属于欧空局为完善对地观测而发射的Sentinel系列卫星，最高空间分辨率都达到了10 m，在不同传感器影像配准融合方面具有较大优势，在作物分类等应用中具有巨大潜力。

1BECKER R I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6):1312-1323.

2陈仲新,任建强,唐华俊,等.农业遥感研究应用进展与展望[J].遥感学报, 2016, 20(5):748-767.

CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5):748-767. (in Chinese)

3BORYAN C, YANG Z, MUELLER R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, cropland data layer program[J]. Geocarto International, 2011, 26(5): 341-358.

4FRITZ S, SEE L, YOU L, et al. The need for improved maps of global cropland[J]. Eos Transactions American Geophysical Union, 2013, 94(3):31-32.

5SEIFI M R, HASSAN G.A probabilistic SVM approach for hyperspectral image classification using spectral and texture features[J]. International Journal of Remote Sensing, 2017, 38(15): 4265-4284.

6苏伟,姜方方,朱德海，等. 基于决策树和混合像元分解的玉米种植面积提取方法[J/OL]. 农业机械学报, 2015, 46(9): 289-295,301. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20150942&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.09.042.

SU Wei, JIANG Fangfang, ZHU Dehai, et al. Extraction of maize planting area based on decision tree and mixed-pixel unmixing methods[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9):289-295,301.(in Chinese)

7陈健,刘云慧,宇振荣.基于时序MODIS-EVI数据的冬小麦种植信息提取[J].中国农学通报, 2011, 27(1):446-450.

CHEN Jian, LIU Yunhui, YU Zhenrong. Planting information extraction of winter wheat based on the time-series MODIS-EVI[J]. Chinese Agricultural Science Bulletin, 2011, 27(1): 446-450. (in Chinese)

8ZHANG S W, LEI Y P, WANG L P, et al. Crop classification using MODIS NDVI data denoised by wavelet: a case study in Hebei Plain, China[J]. Chinese Geographical Science, 2011, 21(3): 322-333.

9KUSSUL N, LEMOINE G, GALLEGO F J, et al. Parcel-based crop classification in Ukraine using Landsat-8 data and Sentinel-1A data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2500-2508.

10杨闫君,占玉林,田庆久,等.基于GF-1/WFV NDVI时间序列数据的作物分类[J]. 农业工程学报, 2015, 31(24): 155-161.

YANG Yanjun, ZHAN Yulin, TIAN Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the CSAE, 2015, 31(24): 155-161.(in Chinese)

11张荣群,王盛安,高万林,等. 基于时序植被指数的县域作物遥感分类方法研究[J/OL]. 农业机械学报, 2015, 46(增刊): 246-252. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file _no=2015S040&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.S0.040.

ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, et al. Remote-sensing classification method of county-level agricultural crops using time-series NDVI[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 246-252. (in Chinese)

12刘新圣,孙睿,武芳,等. 利用MODIS-EVI时序数据对河南省土地覆盖进行分类[J]. 农业工程学报, 2010, 26(1): 213-219.

LIU Xinsheng, SUN Rui, WU Fang, et al. Land-cover classification for Henan Province with time-series MODIS-EVI data[J]. Transactions of the CSAE, 2010, 26(1): 213-219. (in Chinese)

13徐磊,巫兆聪,罗飞,等. 基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取[J/OL]. 农业机械学报, 2017, 48(7): 145-152. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170718&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.07.018.

XU Lei, WU Zhaocong, LUO Fei, et al. Quantitative extraction of forest cover based on fusing of GF-1/WFV and MODIS data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 145-152. (in Chinese)

14ZHONG N, YANG W, CHERIAN A, et al. Unsupervised classification of Polarimetric SAR images via riemannian sparse coding[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(9): 5381-5390.

15LI X W, ZHANG L, WANG L Y, et al. Effects of BOW model with affinity propagation and spatial pyramid matching on Polarimetric SAR image classification[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3314-3322.

16樊勇,朱曦,张圣笛,等. 基于多源遥感数据的淮河流域城镇扩张研究[J/OL]. 农业机械学报, 2016, 47(11): 252-261. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161135&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.11.035.

FAN Yong, ZHU Xi, ZHANG Shengdi, et al. Urban expansion of Huaihe River basin based on multi-source remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 252-261. (in Chinese)

17谢登峰,张锦水,潘耀忠,等. Landsat 8和MODIS 融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报, 2015, 19(5):791-805.

XIE Dengfeng, ZHANG Jinshui, PAN Yaozhong, et al. Fusion of MODIS and Landsat-8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015, 19(5): 791-805. (in Chinese)

18王松寒,何隆华. 雷达遥感技术在水稻识别中的研究进展[J]. 遥感信息, 2015, 30(2): 3-9.

WANG Songhan, HE Longhua. Advances of rice recognition by SAR[J]. Remote Sensing Information, 2015, 30(2): 3-9. (in Chinese)

19BARGIEL D. A new method for crop classification combining time series of radar images and crop phenology information[J]. Remote Sensing of Environment, 2017, 198: 369-383.

20许璟,安裕伦,刘绥华,等. 基于Sentinel-1A后向散射特性的高原山区地物分类探讨[J]. 贵州师范大学学报:自然科学版, 2016, 34(6):15-19,38.

XU Jing, AN Yulun, LIU Suihua, et al. Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features[J]. Journal of Guizhou Normal University: Natural Sciences, 2016, 34(6):15-19,38.(in Chinese)

21KUMAR P, PRASAD R, MISHRA V N, et al. Artificial neural network for crop classification using C-band RISAT-1 satellite datasets[J]. Russian Agricultural Sciences, 2016, 42(3):281-284.

22王宇航,范文义,刘超逸. 基于面向对象的 QUICKBIRD数据和SAR数据融合的地物分类[J]. 东北林业大学学报, 2016, 44(9): 44-49.

WANG Yuhang，FAN Wenyi，LIU Chaoyi. An object-based fusion of QUICKBIRD data and RADARSAR SAR data for classification analysis[J]. Journal of Northeast Forestry University, 2016, 44(9): 44-49. (in Chinese)

23郑阳,吴炳方,张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报, 2017, 21(2):318-328.

ZHENG Yang, WU Bingfang, ZHANG Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese)