基于多时相SAR数据的水稻面积提取

张煜 王世航夏俊

(1.安徽理工大学空间信息与测绘工程学院,安徽 淮南 232001；2.安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室,安徽 淮南 232001；3.安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心,安徽 淮南 232001)

前言

水稻作为我国的主要粮食作物之一，在战略性物资储备中占据着重要地位，因此获取地域水稻种植面积信息对于国家进行粮食安全管控具有重大意义。遥感技术由于其周期短、范围广的特点被广泛运用于农作物监测。张晓忆等[1]选取GF1多光谱影像并计算归一化差值植被指数(NDVI)、增强型植被指数(EVI)、差值植被指数(DVI)和比值植被指数(RVI)等多种光谱指标确定阈值从而进行决策树分类，最终获取淮安市水稻空间分布情况；曹丹等[2]基于多时相MODIS影像，利用NDVI、EVI和地表水分指数(LSWI)3种指数建立水稻提取最优化模型，对东北三省水稻面积进行提取，精度达到90%以上；张猛等[3]通过融合多时相Landsat8数据和MODIS数据，然后利用时序Landsat NDVI数据并选用支持向量机法(SVM)分类方法对洞庭湖区水稻种植面积进行提取，最终分类精度达到94.52%；单捷等[4]选取5期Radarsat-2影像，利用支持向量机法(SVM)和最大似然法(MLC)对江苏省三县交界处水稻信息进行提取；张萍萍等[5]基于7景ASAR影像和NOAA数据，分析NDVI和水稻后向散射系数之间的关系，利用阈值法提取江苏省洪泽县水稻面积，识别精度达90%以上。阜宁县位于长江中下游平原，夏季云雨天气较多，普通的光学遥感数据很难提取地物信息，而合成孔径雷达(synthetic aperture radar，SAR)技术能够全天候、全天时观测，弥补了传统光学遥感技术的不足与缺陷[6]。因此，本文通过选用水稻生长周期内长时间序列的Sentinel-1数据，分析不同极化方式下的水稻后向散射系数的规律，并结合不同地物在VV和VH的时序特征，开展对水稻阈值分类工作，研究表明，该方法能够较好地提高水稻面积提取精度，为南方地区的水稻面积监测提供了一种新方法。

1 材料与方法

1.1 研究区概况

阜宁县位于江苏沿海中部地区，属北亚热带向暖温带过渡性气候,气候温和,日照充足,雨水充沛,年平均气温14℃,全县总面积1439km2，县域介于N33°26′～33°59′，E119°27′～119°58′，主要种植制度为中稻-冬小麦一年轮番耕作[7]。依据盐城市统计局资料，当地水稻主要种植期间为5—10月，其中5—8月分别为播种、移栽、拔节、抽穗阶段，9—10月上旬为成熟和收割阶段。根据2020统计年鉴资料显示，2019年阜宁县水稻种植面积为603.4km2。

1.2 数据源及预处理

1.2.1 遥感数据源

本文选用的SAR数据源为阿拉斯加卫星数据中心(Alaska Satellite Facility,ASF)下载的双极化Sentinel-1A影像产品，极化方式为VV和VH，为了保证分类精度不受入射角影响，本研究选取入射角为38.996°同轨道数据[8]。影像时间范围为2019年5月上旬—10月上旬，共13期SAR数据，见表1。

表1 Sentinel-1A影像信息

为了辅助SAR数据进行水稻后向散射系数分析研究，所用到的Landsat8影像数据来自美国地质调查局(United States geological survey，USGS)，由于研究区域夏季云雨天气较多，满足实验要求的影像仅选取了2019年7月11日的数据。高程数据来自地理空间数据云提供的SRTM(shuttle Radar to- pography mission)90m产品。以2019年实地调查采样数据和Google Earth高分辨率影像作为分类的验证数据，将研究区域分为水体、其他作物、水稻、裸土、建筑物5类，训练样本通过在这5类地物中选取250个散点进行识别分析。验证样本通过ARCGIS在研究区随机生成500个均匀分布的散点数据，结合采样数据和目视解译逐一确定地物类型。

1.2.2 遥感数据预处理方法

基于ENVI 5.3软件的Sarscape模块对13幅雷达影像进行图像配准、滤波处理、辐射定标、地理编码各项处理，以获取能反映地物信息特征的多时相VV和VH后向散射系数。再将13幅影像重采样成20m×20m,坐标投影采用WGS84/UTM投影系统。Landsat8影像数据进行辐射校正和几何校正预处理后，再进行NDVI值的计算。

1.3 研究方法

1.3.1 样本均值统计

SAR图像上的信息是地物目标对雷达信号的反映，主要是地物目标接收雷达电磁波信号再反射回雷达系统之后形成的图像信息。后向散射系数主要与地物几何结构以及介电常数有关，几何结构主要包括地物表面粗糙度、坡度、形状、尺寸大小等，介电常数主要受含水量影响，介电常数越大则反射回雷达的信号越强，图像颜色越浅[9]。相关研究表明，同一地物的后向散射系数特征会随着时间变化而改变，且不同地物之间有着明显差异，不同极化之间差异性更大。由于本文选取的13幅SAR数据位于水稻生长周期内，所以可以通过分析不同地物在不同极化方式下的长时间序列后向散射系数变化趋势来区分水稻与其他地物。因此本文通过对研究区内250个散点做分布统计，比较分析在VV和VH极化下不同地物后向散射系数随时间变化趋势以及分布范围。再对各类地物后向散射系数取均值得到地物时序特征曲线，利用水稻时序特征曲线与其他地物之间的差异性从而提取出水稻信息。

1.3.2 分类方法

本文选取监督分类中广泛运用的支持向量机(SVM)模型进行地物分类，支持向量机是一种基于统计学习理论的机器学习算法，处理小样本、高维度、非线性数据表现出特有的优势[10]。不同地物的后向散射系数分布范围有差异，加上不同极化方式的改变差异会更大，可以以此为依据划分水稻与其他地物的类别，本文根据实地调查数据和Google Earth影像将研究区地类划分为5类，通过分析多时相水稻后向散射系数规律来进行SVM分类以及决策树阈值分类的方法来提取研究区水稻面积。

1.3.3 水稻面积提取方案

根据前面的分析，可以针对SAR影像分别做监督分类以及阈值分类从而提取水稻种植面积，由于SAR影像受相干斑点噪声以及地形因素影响会导致像元亮度值产生差异，地物后向散射系数也会改变从而影响对其类别的判别。因此利用NDVI指数对植被敏感的特性，当植被生长茂盛覆盖率高的时候则其值越高。通过Landsat8影像获得研究区NDVI值，再结合对Landsat8影像的目视解译以及辅助验证数据选取确定研究区植被的NDVI取值范围为0.3～0.7。根据江苏农业土地资料显示盐城属于长江中下游平原，市平均海拔5m，通过高程数据获取研究区坡度，再结合实地验证数据资料确定水稻种植区坡度Slope<2.5°。利用决策树对2个条件分层提取并建立掩膜，以减少外在因素造成的影响。

1.4 精度验证

本研究主要从以下2个方面进行水稻分类结果的精度评价，利用盐城市2020年统计年鉴计算水稻面积提取的相对误差；使用混淆矩阵对分类结果进行定量分析，主要统计其总体精度和Kappa系数2个指标。由于本研究主要针对水稻信息进行提取，其他地物非研究重点，所以使用单一指标进行精度评价。

2 结果与分析

根据选取的250个样本点对VV和VH极化数据做地物散点分析，发现水稻与其他地物在不同时期内均有交叉区域，对其作均值分析，结果如图1所示。

图1 长时间序列后向散射系数曲线特征

从图1可以看出，随着水稻生育期的变化其后向散射特征也在发生改变，5—6月水稻处于播种和移栽期，此时稻田灌满水，雷达回波信号主要以稻田水体的面散射为主，所以后向散射系数较低；7—8月水稻处于主要发育期，雷达回波信号主要以植株的体散射和水面与茎秆的二次散射为主，所以后向散射系数较高；9—10月水稻成熟收割，稻田里仅剩少量稻茬，体散射减弱，导致后向散射系数逐渐降低。相比较而言，水体主要是面散射所以后向散射系数长期处于平稳低值。建筑物主要回波方式是二次散射，后向散射系数长期处于较高值。其它作物由于种类复杂，后向散射系数变化趋势不明显。裸地回波主要是漫散射组成，后向散射系数长期也处于较平稳区间。由此可以根据水稻的这种时相变化特征来区分其与其他地物。

从图1还可以看出，VH极化相较于VV极化对水稻生长特征更为敏感，后向散射系数与其他地物差别更大，所以本研究选取VH极化的13幅SAR影像进行波段合成，随后进行SVM分类，结果如图2所示。根据像元统计得出水稻面积为460.26km2，与2019年阜宁县水稻统计面积603.4km2相比，相对误差为-23.72%，分类效果较差，不能满足实际生产要求。因此，本文选用决策树进行阈值分类的方法进行水稻面积的提取，由图1可以看出，水稻在播种移栽期间VV极化和VH极化后向散射系数值都处于较低区间，在水稻生长阶段由于体散射增加导致2种极化方式下的水稻后向散射系数都有所提高[11]。在水稻成熟和收割期间稻田只剩少量植株，雷达回波主要以少量稻茬体散射为主，所以后向散射系数迅速降低[12]。利用水稻这种变化特征可以对其进行阈值分类，将VV和VH时序曲线各自分为2段，VV曲线前7个月取后向散射系数在[-14,-4]区间，后6个月取后向散射系数在[-14,-8]区间；VH曲线前7个月取后向散射系数在[-20,-10]区间，后6个月取后向散射系数在[-20,-14]区间。将4个取值区间叠加后再利用之前建立的决策树分层掩膜减少相干噪声、地形等外在因素影响，提高分类精度，结果如图3所示。根据像元统计得出水稻面积为672.65km2，相对误差为11.48%，分类效果优良，水稻分布范围与阜宁县当地水稻种植结构布局基本相同。

图2 SAR影像SVM分类结果

图3 SAR影像阈值分类结果

利用验证样本进行精度分析，从表2可以看出,3种分类方法中基于阈值分类的方法精度最高，总体精度为89.48%，Kappa系数为0.8184，相比较传统光学影像分类和SAR影像监督分类在各方面精度指标上都有了较大的提高，很好地满足了水稻种植面积监测的精度要求。

表2 基于Sentinel-1A数据的水稻分类方法精度验证分析

3 结论

本研究选取水稻生长周期内的长时间序列Sentinel-1A影像作为数据源，对比分析SVM模型分类方法和阈值分类方法的优劣，探讨分析SAR影像在水稻种植面积提取上的可行性和优势性，得出以下结论。

光学影像易受云雨等天气影响，地物光谱信息不易识别，导致农作物信息提取精度较低，而SAR技术能够全天候、全天时观测，且具有穿透地物的特性，在水稻面积提取方面精度优于光学遥感。

长时间序列的SAR数据更能体现地物之间的物候特征差异，水稻在生长期内的后向散射时序特征 能够很好的与其他地物相区分。

基于VV和VH组合的阈值分类方法在提取水稻面积方面优于SVM模型分类，因为SAR影像受斑点噪声影响会造成地物误分类情况，而阈值分类能够更好地对极化SAR影像进行水稻信息提取。