基于全極化Radarsat-2數據的水稻生物量估算模型

張曉倩，劉湘南，譚 正

（中國地質大學（北京）信息工程學院，北京100083）

水稻是人類主要的糧食作物，而我國作為人口大國，水稻種植面積約占全世界五分之一，水稻總產量居于世界首位。如何即時獲取大面積水稻生長信息，從而指導水稻生產成為國家決策的重要依據，也是亟待解決的科學問題。對于大面積的水稻監測，傳統的依靠地面監測顯然不能滿足需求，衛星遙感監測成為水稻監測的重要手段。然而，由于我國水稻種植區域多分布在云雨頻繁的熱帶、亞熱帶地區，光學遙感衛星無法獲取實時的高清晰水稻遙感影像[1]，對于植被垂直方向上的信息反應不足，而雷達遙感采取側視成像，工作在微波波段（1mm～1m），波長高于光學遙感的雷達波可穿云透霧[2]，不僅受氣候影響較少，對植被等地物也有一定的穿透能力，利用雷達遙感進行生物學參數反演顯現出一定優勢。Radarsat-2為2007年12月14日發射的雷達成像衛星，具有3m高分辨率成像能力，全極化（HH、VH、HV、VV）信息將進一步提高水稻生物參數反演精度，近幾年該數據用于水稻研究鮮有應用。

大量研究表明，雷達后向散射系數對水稻生物量等生物參數比較敏感，國內外已就雷達電磁波與水稻間的作用機理發展很多水稻后向散射模型，以反演水稻生物學參數。Le Toan等[3,4]采用多時相單極化SAR數據分析水稻后向散射特征進行水稻識別和水稻參數反演；Inoue等[5]采用水稻生長期內多頻、全極化和不同入射角數據研究其后向散射信號與水稻冠層生物參數的關系；邵蕓等[6,7]利用多時相、多模式的雷達數據，分析了水稻的時域散射特性與水稻年齡的關系，提出可進行水稻識別估產的最佳時像以及進行水稻監測的最優雷達參數；董彥芳等[8,9]利用多時相ASAR數據進行水稻長勢監測，改進Sun和Simonett提出的連續冠層模型，實現了對水稻后向散射的模擬，嘗試水稻生物參數反演。

基于雷達遙感能夠穿云透霧，更易獲取植被立體信息的優勢，本文旨在建立水稻生物量與雷達數據關系。選取具有一定物理意義的半經驗水云模型、回歸模型，分析Radarsat-2數據四種極化方式時域變化特征，對不同極化及其組合分別建模，通過對比尋找可進行水稻生物量反演的最優極化方式與模型。

1 試驗數據采集和處理

1.1 試驗區域數據采集

研究區域位于江蘇省蘇州市東橋鎮（31°25′N，120°31′E）。蘇州是傳統的水稻種植區，水稻種植面積不少于100萬畝，該區為亞熱帶濕潤季風氣候區，水稻種植季節云雨天氣較多。東橋鎮試驗區域設置2個樣區，大小均為1 hm2～1.5hm2，其中1個樣區位于廢棄化工廠旁，重金屬污染導致水稻生長狀況低于健康水稻，另一樣區為健康水稻。于2009年7月2日、7月28日、8月28日、9月28日分別進行以采集水稻樣本獲取生物參數的野外遙感調查，采用拔節到抽穗期即7月28日、8月28日數據進行研究。每個樣區選取10個1 m×1m大小樣點，每樣點采集地表活株樣本稱重即可得到水稻鮮生物量，通過GPS記錄樣本點的經緯度，便于將實測數據與雷達影像一一對應。

1.2 雷達數據獲取和預處理

衛星數據為2007年12月14日發射的商用雷達衛星Radarsat-2獲得的全極化雷達數據，傳感器工作在C波段，雷達衛星數據的成像參數見表1，該影像分辨率為12m*8m，包含HH、HV、VH、VV四種不同極化方式數據。

表1 Radarsat-2數據成像參數

在雷達數據進行分析前，需要對其進行預處理。使用歐空局的NEST軟件對影像進行輻射定標，使雷達影像DN值轉換為后向散射系數（dB）便于定量使用。對影像進行多視操作以抑制原始圖像上存在的固有噪聲斑點，再采用3*3窗口的Lee濾波來對雷達四種極化影像進行去噪，處理后地物內部平滑，地物邊緣銳化。依據地面實測數據經緯度在影像上選取控制點得到不同極化后向散射系數。

2 研究方法

2.1 水云模型描述

許多研究表明，雷達后向散射對水稻生物參數十分敏感[3-10]。可建立多極化雷達后向散射系數與水稻生物參數模型，便可利用雷達影像數據直接反演水稻生物參數。雷達后向散射受到諸多變量影響，如植被、土壤、地形以及雷達傳感器本身。整個冠層的后向散射系數0可用基于輻射傳輸方程一階解的半經驗植被后向散射模型水云模型[5,11]來描述，該模型假定植被冠層由分布均勻且大小相等的微小水滴組成，認為后向散射系數分解為兩部分：（1）冠層自身的體散射；（2）經過冠層衰減后土壤的散射。該模型表述為：

影像中后向散射系數以dB表征，故水稻后向散射系數（dB）也可描述如下：

對方程（4）求其反向解，則水稻生物量FW為：

其中，σ0為雷達影像不同極化后向散射系數，參數a、b、c可通過雷達影像后向散射系數與實測水稻生物量進行擬合得到。

2.2 二次多項式與指數模型描述

雷達后向散射系數與水稻生物參數有復雜的相關關系，簡單的線性模型不能準確描述其關系[15]，不宜選取，因此本文將建立雷達影像后向散射系數與水稻生物量估算經驗模型，分別為二次多項式模型（8）和指數模型（9），與水云模型進行比較。FW為水稻生物量，σ0為雷達不同極化后向散射系數，公式中參數a、b、c分別由實測生物量與后向散射系數擬合得到。

3 結果與分析

3.1 雷達不同極化后向散射系數時域變化特征

本文選取水稻生長期內生物量累積較快的時期進行研究。2009年7月26日（下文均簡化為7-26）為水稻拔節期，2009年8月26日（下文均簡化為8-26）為水稻抽穗期，此時期為水稻生物量積累較快的時期。兩景影像分別選取水稻區域30個控制點比較四種極化HH、HV、VH、VV后向散射系數變化情況（圖1）。7-26水稻HH極化后向散射系數平均值為-10.219dB，VV極化后向散射系數平均值為-14.821dB；8-26水稻平均值為-7.276 dB，平均值為-9.506 dB，據圖1中控制點的極化波動也可得到，對于同一地物，均有，而隨著水稻植株的生長都表現出增加的趨勢，兩個時期比較平均增加3 dB增加5 dB。

兩時相中交叉極化值均小于同極化值。理論上，對于同一地物微波后向散射其交叉極化HV、VH是相等的，HV、VH在不同波段跟不同入射角相關系數都極高[5]，這在圖1中也可得到驗證。通過計算得出交叉極化HV與VH后向散射系數差值很小，7-26水稻HV極化后向散射系數平均值為-20.036dB，VH極化后向散射系數平均值為-19.893dB，相差0.143 dB；8-26水稻平均值為-16.352dB，平均值為-16.174dB，二者差值為0.178 dB。因而，研究中每個采樣點都以平均數作為水稻交叉極化數據進行研究。

HH極化與VV極化比值HH/VV已證明在雷達影像分類中有較高的精度，同時對水稻生物量等參數變化較敏感[15]。研究中分別比較了歸一化HH、VV、CROSS、HH/VV后向散射系數的標準差[13]（表2），兩個時相HH/VV標準差分別小于同時相其他三種極化標準差，表明HH/VV較其余極化更為穩定。基于以上考慮，研究中將HH/VV作為一種極化組合方式，與其他三種極化共同建模比較。

圖1 水稻后向散射系數時域變化特征(a)7月26日和(b)8月26日

表2 不同時相歸一化后向散射系數標準差

3.2 水云模型建模分析

將Radarsat-2影像后向散射系數與實測水稻生物量依據水云模型 FW=a*b-b*In（c-σ0）進行擬合，以確定參數 a、b、c的值。通過上節對雷達不同極化后向散射系數時域變化特征分析，在此將HH、VV、CROSS、HH/VV四種極化組合方式的后向散射系數（m2/m2）引入水云模型進行擬合比較。表3展示了HH、VV、CROSS、HH/VV四種極化方式建模情況。

表3 不同極化水云模型建模

HH極化跟CROSS極化情況下的擬合相關系數跟均方根誤差相似，擬合相關系數分別為0.910、0.902，都具有較高的擬合精度；兩種極化均方根誤差分別為0.190、0.216，誤差相對較小。這兩種極化情形下，隨著水稻生物量的積累，后向散射系數單調遞增且增長迅速，后向散射系數越大生物量的積累越迅速，說明這兩種極化對水稻生物量比較敏感。HH/VV極化情況下相關系數為0.893，擬合精度略低于上述兩種極化，均方根誤差0.287，明顯高于上述兩種極化，誤差增加。生物量在HH/VV較小時增加緩慢，當HH/VV＞5.5時，比值不再隨著生物量的增加而增加，比值達到飽和，說明在水稻抽穗后比值對生物量不敏感，不宜采用水云模型模擬。VV極化情況下，擬合相關系數為0.748，擬合相關系數較低，均方根誤差為0.435，與其余三種極化方式相比誤差較大，隨著VV極化后向散射系數變化對生物量敏感度降低，反演效果遜于 HH、CROSS、HH/VV。

3.3 二次多項式與指數模型建模分析

雷達后向散射系數與水稻生物參數有復雜的相關關系，簡單的線性關系模擬精度較低不宜選取，因此本文選取常用的非線性回歸模型二次多項式模型與指數模型對四種極化組合方式HH、VV、CROSS、HH/VV進行擬合比較。不同極化雷達后向散射系數與實測水稻生物量擬合為方程(8)、(9)的形式，見表4。

表4 回歸模型比較

四種極化方式水云模型與非線性回歸模型有相似的模擬結果。HH極化、CROSS極化非線性回歸模型擬合相關系數均為0.9左右，但HH極化均方根誤差較CROSS極化大。HH/VV兩種回歸模型相關系數最高，均方根誤差相對較小。VV極化兩種回歸模型相關系數低，均方根誤差高，模擬效果較其余三種極化都低。二次多項式跟指數模型相比，除交叉極化外，其余三種極化指數模型模擬效果較好，相關系數較高，均方根誤差也較小。非線性回歸模型與水云模型相比，HH極化、CROSS極化水云模型優于非線性回歸模型，HH/VV則是非線性回歸模型較好，VV極化三種模型模擬效果均最差。

3.4 精度分析

選取精度相對較高的水稻生物量反演模型，HH極化水云反演模型和HH/VV指數反演模型，分別比較水稻模擬生物量與實測生物量，分析模型模擬不同生物量水平的精度。研究表明，HH水云模型和HH/VV指數模型都表現出對于1.75 kg/m2～2.5kg/m2水平生物量模擬效果較好，RMSE分別為0.140kg/m2、0.121kg/m2。HH水云模型對低于 1.75kg/m2水平生物量模擬效果差，RMSE分別為0.218kg/m2，HH/VV指數模型對高于2.5kg/m2水平生物量模擬效果差，RMSE分別為0.175kg/m2。HH水云模型對低水平生物量模擬效果較差，這主要是由于在低水平生物量情況下，水稻密度較低，電磁波極易穿透水稻射入地表，此時后向散射系數值很大一部分來自于地表反射，由此產生了比水稻植株本身更強的回波信號。HH/VV指數模型對于高水平水稻生物量模擬效果差，主要是由于同極化比值隨著生物量增加會趨近飽和，隨著生物量增大，同極化比值增長緩慢，同樣在HH/VV水云模型中HH/VV＞5.5時比值的變化不能很好的反應生物量的增加。

通過HH水云模型和HH/VV指數模型計算大面積水稻生物量并嘗試繪制水稻生物量結果分布圖。裁剪2009年8月26日影像研究區附近大面積水稻區域，水稻外地物賦值白色，水稻生物量分布情況見圖2。計算兩分布圖中水稻生物量為2.0 kg/m2-3.8kg/m2范圍的像元個數分別占水稻像元總數的65.26%、53.94%。對于大面積的水稻生物量分布，受到影像水稻識別精度、不同區塊水稻耕作方式等因素影響，精度有待于進一步驗證。

圖2 根據雷達影像得到水稻生物量分布圖(a)HH水云模型和(b)HH/VV指數模型

4 結論和討論

本研究比較了雷達C波段HH、VV、CROSS、HH/VV四種極化及組合方式的水云模型、二次多項式模型和指數模型反演水稻拔節到抽穗期的水稻生物量，總體取得比較好的效果。改進水云模型作為一種半經驗模型，不僅具備一定的物理含義同時參數少易于反演，相對于純理論模型與經驗模型有一定優勢。從反演結果來看，HH、CROSS、HH/VV水云模型都有不錯的反演效果，而HH水云模型反演生物量尤佳，指數模型普遍優于二次多項式模型，HH/VV指數模型效果出眾。將HH水云模型、HH/VV指數模型分別應用于影像大面積水稻田，為大面積的水稻監測提供可能。然而，一方面由于兩個水稻樣區受污染脅迫不同導致水稻生長差異，給本文分析結果的可靠性和普遍性造成一定影響；另一方面用于建模的兩景影像入射角差異對結果也造成一定影響，因此本文結果還需更多的數據來驗證與完善。

水稻生物量與LAI、稻齡、株高等參數有極高的相關關系[16,17]，今后研究中可考慮在此基礎上進行水稻LAI、稻齡、株高等參數反演研究。另外，多極化、多模式、特殊波段越來越突出了星載雷達的優勢，同時也拓寬了雷達的應用范圍[2]，各種新模式數據的應用成為趨勢。研究中嘗試使用Radarsat-2多極化數據進行水稻生物參數反演，對于不同極化組合數據反演水稻生物參數提供可能。

[1]XiaoX M,Boles S,Liu J Y,et al.Mapping paddy rice agriculture in Southern China using multi-temporal MODIS images[J].Remote SensingofEnvironment,2005(95):480-492.

[2]唐鵬欽,姚艷敏,魏娜.合成孔徑雷達水稻識別和監測研究進展[J].中國農學通報,2009,25(14):291-295.

[3]Le ToanT,LaurH,MouginE,et al.Multitemporal and dual-polarization observation of agricultural vegetation covers by X-band SAR images[J].IEEE Transactions of Geo-science and Remote Sensing,1989,27(6):709-718.

[4]Le Toan T,Ribbes F,Wang L-F,et al.Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J].IEEE Trans Geosci Remote Sensing,1997,35(1):41-56.

[5]Inoue Y,Kurosu T,Maeno H,et al.Season-long daily measurements of multifrequency (Ka,Ku,X,C,and L)and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J].Remote Sensing of Environment,2002(81):194-204.

[6]Yun S,Fan X T,Liu H,et al.Rice monitoring and production estimation using multitemporal RADARSAT[J].Remote Sensing of Environment,2001(76):310-325.

[7]邵蕓,廖靜娟,范湘濤,等.水稻時域后向散射特性分析:雷達衛星觀測與模型模擬結果對比[J].遙感學報,2002,6(6):440-450.

[8]董彥芳,孫國清,龐勇.基于ENVISATASAR數據的水稻監測[J].中國科學D輯地球科學,2005,35(7):682-689.

[9]董彥芳,龐勇,孫國清.ENVISAT ASAR數據用于水稻監測和參數反演[J].武漢大學學報（信息科學版）,2006,31(2):124-127.

[10]申雙和,楊沈斌,李秉柏,等.基于ENVISAT ASAR數據的水稻時域后向散射特征分析[J].農業工程學報,2009,25(增刊2):130-136.

[11]Attema E P W,Ulaby F T.Vegetation modeled as a water cloud[J].RadioScience,1978,(13)2:357-364.

[12]Kurvonen L,Pulliainen J,Hallikainen M.Retrieval of biomass in boreal forests from multitemporal ERS-1 and JERS-1 SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(1):198-205.

[13]何維.基于ASAR和生長模擬模型的水稻長勢監測研究[D].北京:中國林業科學研究院,2007.

[14]黎夏,葉嘉安,王樹功,等.紅樹林濕地植被生物量的雷達遙感估算[J].遙感學報,2006,10(3):387-396.

[15]De Jong SM S,Pebesma E J,Lacaze B.Above-ground biom assassessment of mediterranean forests using airborne imaging spectrometry:the DAIS peyne experiment[J].International Journal of Remote Sensing,2003,24(7):1505-1520.

[16]ChakrabortyM,ManjunathKR,PanigrahyS,etal.Ricecropparameter retrieval using multi-temporal,multi-incidence angle Radarsat SAR data[J].ISPRS Journal of Photogrammetry&Remote Sensing,2005,(59):310-322.

[17]Shen S H,Yang S B,Li B B,et al.A scheme for regional rice yield estimation using ENVISAT ASAR data[J].Sci China Ser D-Earth Sci,2009,52(8):1183-1194.