基于高分辨率SAR數據的高原山區煙草后向散射特征分析

廖 娟，周忠發*，李 波,3，王 昆

（1.貴州師范大學中國南方喀斯特研究院，貴陽 550001；2.貴州省遙感中心，貴陽 550001；3.貴州省科技風險投資有限公司，貴陽 550002）

基于高分辨率SAR數據的高原山區煙草后向散射特征分析

廖 娟1,2，周忠發1,2*，李 波1,2,3，王 昆1,2

（1.貴州師范大學中國南方喀斯特研究院，貴陽 550001；2.貴州省遙感中心，貴陽 550001；3.貴州省科技風險投資有限公司，貴陽 550002）

為實現高原山區現代煙草定量監測，針對貴州高原山區天氣多云雨，導致光學數據難以獲取，提出一種利用高分辨率合成孔徑雷達（SAR）應用于煙草快速監測的方法。結果表明，利用不同地物后向散射特征差異，采用支持向量機分類方法提取煙草種植分布情況，分類總精度達到了 85.08%，煙草識別精度達到了 78.36%；運用回歸分析，將煙草生長參數與后向散射系數建立監測模型，所建立的葉長、葉寬都與 HH極化后向散射系數，葉片鮮重與 HH、VV 極化后向散射系數的模型都能反映其線性回歸的耦合關系。表明高分辨率 SAR 數據為數據源的新型遙感監測手段能提供豐富的高原山區典型地物的后向散射信息，能為現代煙草農業大范圍實時遙感監測提供技術支持。

SAR；后向散射系數；遙感監測；煙草

農業是人類社會賴以生存的基本生活資料的來源，是社會分工和國民經濟其他部門成為獨立的生產部門的前提和進一步發展的基礎，也是一切非生產部門存在和發展的基礎。遙感作為一門綜合性的技術是 20 世紀 60 年代提出來的，農業一直是遙感的重要用戶之一，農作物的遙感監測和估產一直是一個挑戰性的難題[1]。目前更多的研究主要是利用多光譜或是高光譜[2-4]對農作物進行動態監測與估產，而大量的研究表明，利用合成孔徑雷達（SAR）數據進行作物遙感監測同樣具有良好的效果[5-8]。前人多采用多時相全極化數據，識別精度高，但成本和數據處理量也高，大面積遙感監測難以推行；大多都以平原地區為研究區域，對高原山區的農作物定量監測很少，特別是煙草。及時準確地對煙草的生長狀況和種植情況的動態監測，對于該種植區域內的經濟、生態雙重方面有著極其重要的意義。在研究區內，煙草種植采取輪作形式以保證煙草的正常生長，每年種植的位置會有明顯的變化，研究選取 2013 年 8 月 24 日煙草成熟期 Terrasar-X雙極化為研究數據，探討 X 波段雙極化 SAR 數據在高原山區煙草種植情況（既精準識別煙草種植位置）繼而對識別煙田進行準確提取，實時有效監測的應用潛力；實現在室內利用計算機技術就能對煙田進行識別，進而進行實時監測。

1 材料與方法

1.1 基地單元概況

研究選取貴州清鎮流長現代煙草農業基地單元 為 研 究 區 ， 位 于 106°7′6″E～106°29′37″E ，26°24′5″N～26°45′45″N，總面積為 489 km2，轄流長、犁倭、紅楓湖等 3 個鄉（鎮），涉及 32 個行政村，124 個村民組，農業人口 11.83 萬人。研究區種煙歷史悠久，于 1973 年開始種植烤煙，是清鎮市主產煙區。主煙區流長鄉和犁倭鄉為喀斯特高原地貌，地層主要為三疊系下統茅草鋪組為主，灰巖與白云巖大量出露，區內受烏江支流三岔河切割的影響，導致地貌組合形態以峰叢洼地、谷底為主；土壤以黃砂壤、黃壤為主，pH 5.5～6.5，呈微酸性，有機質含量豐富；屬亞熱帶季風濕潤氣候，年平均氣溫 14 ℃，無霜期 275 d，年平均降雨量 1150.4 mm，年日照時數 1433 h。主煙區面積占基地單元的90.26%，土壤條件和氣候條件均有利于烤煙生產，主要種植云煙 87、云煙 85、K326 及江南三號等品種。該研究區煙草種植習慣為煙草-小麥（油菜）-玉米-小麥（油菜）兩年三熟輪作制。

1.2 Terrasar-X 數據與預處理

研究選取德國發射的 Terrasar-X 衛星，于 2013年8 月24日獲取覆蓋研究區的雙極化（HH、VV）分辨率為 6 m 的 EEC 數據。影像采用 WGS84 橢球進行了通用橫軸墨卡托投影或通用極球面投影，能有效地克服由于地形變形引起的透視收縮現象。

Terrasar-X 數據預處理過程包括噪聲濾波、幾何精校正、地理編碼、輻射定標。由于不同濾波器的濾波算法不同，對原始雷達影像進行不同窗口、不同濾波方法的濾波處理。研究嘗試 Lee、Enhanced Lee、Gamma、Kuan 濾波器的 3*3、5*5、7*7 的窗口，通過對比各種算法，最后選擇 Frost 濾波器的5*5 窗口。利用 1:1 萬的地形圖，采取二次多項式模型對影像進行幾何精校正。最后對影像進行地理編碼以及絕對輻射定標，數據定標公式為：

其中，式中， σd0B表示后向散射系數；DN 表示像元的灰度 值 ；θloc表 示當地的入射角 ， 可以通過 GIM 文件換算獲得； KS為絕對定標常數。定標之后，影像像元值就是后向散射系數值。

1.3 典型地物后向散射系數分析

結合 GPS定點樣方數據，提取影像中的煙地、玉米地、水稻田、有林地、居民點五類典型地物后向散射系數。居民點主要由建筑物構成，結構和形狀使得反射現象增大[9]，HH、VV 極化方式下的后向散射系數較其他地物強，HH 更為明顯，達到-4.75 dB。有林地由灌木或喬木覆蓋，較煙草、玉米、水稻，枝干高大、冠層穩定、葉片繁茂，具有植株含水量豐富且在短時間內主要形態結構穩定性高的特點；HH 對冠層含水量敏感[10]，反射強且穩定，其后向散射為-6.55 dB。在研究時期中，研究區嚴重缺水，水稻田中水干涸，土板結裂縫，水稻生長差，秧苗矮小，干旱使得水生植被的下墊面變為陸生植被的下墊面，表現為散射能力低，HH、VV 極化后向散射系數小，分別為-7.09 dB、-8.47 dB。玉米高大的枝條結構及其垂直形態和莖干粗細的區別，使得玉米VV極化散射能力要高于水稻；玉米進入成熟期，穗已成熟，植株的水分減少，葉片披垂，顏色由深綠色逐漸變為黃綠色，同期煙草處于成熟期，煙株開始現蕾，下部葉逐漸衰老，葉片由下而上落黃成熟后，被煙農打掉，上層葉子葉片大，含水量豐富，顏色為深綠色，使得玉米HH極化散射能力要低于煙草。

1.4 煙草后向散射系數分析

提取 SAR 影像上的 10 個樣方內煙草后向散射系數，計算雙極化下后向散射系數平均值如圖1所示。由圖1可見，煙草在本研究時期內HH極化散射能力大于VV極化散射能力。這是由于煙草處于成熟期，煙草植株所有的養料、水分供上部葉子的生長，上部葉片生長旺盛、大葉片含水量豐富，HH極化對冠層的含水量敏感，極化反射強，加上葉面有光澤，加大了HH極化的反射；成熟期葉片完全張開，葉片寬大冠層密集，植株冠層直接減少了VV 極化的穿透能力，減小體散射；煙草成熟期葉片下垂，自然彎曲呈弓形，葉邊下卷，莖葉角度增大，同樣增大了 HH 極化的散射強度。因此，HH極化強度大于 VV 極化強度，表現在 HH 極化后向散射系數高于 VV 極化后向散射系數且高于0.55～1.03。

圖1 SAR 影像后向散射系數平均值Fig. 1 The average of SAR image backscatter coefficient

1.5 支持向量機分類

利用比值法可以提取更多的信息，比值法可使影像中某些地物的均值拉開、方差縮小，便于將其分類，多用于區分不同的地物。對不同地物在影像上的后項散射的差異分析，了解不同地物的散射特征，加以比值圖像（HH/VV）來豐富地物信息，利用支持向量機（Support Vector Machine, SVM）分類器對影像進行分類。支持向量機是基于研究小樣本情況下機器學習規律的統計學習理論的一種新的機器學習方法，它以結構風險最小化為準則，對實際應用中有限訓練樣本的問題,表現出很多優于已有方法的性能[11]。

1.6 計算機建模

②堤防(含穿堤建筑物)。南堤以南肩線為界，北堤堤外有調度河的至調度河北子堰外堤腳線征地紅線，無調度河的至北堤堤腳線外征地紅線。

計算機建模的目的是通過構造一個簡單但能反映物理世界中真實對象的數學抽象描述模型，模擬被研究對象的發生、發展過程，為解釋現象，揭示機理發展規律，預測未來提供有用的工具[12]。提取的 10 個樣方雙極化波段后向散射系數及波段組合，與煙草生長參數進行相關性分析，得到 SAR影像后向散射系數與樣方煙草生長參數相關性(r)[14-17]（表1）。

表1 SAR 影像后向散射系數與煙草生長參數相關性(r)Table 1 The correlation (r) between SAR image backscatter coefficient and tobacco growth parameters

由表1可以看出，在葉長和葉寬的相關性分析中，HH 極化方式最優，相關性分別達到 0.907、0.856，這是由于極化后向散射特征，HH＞VV 后向散射系數都隨著葉長、葉寬的增大而增加，呈正相關，故此HH極化更加明顯，與其相關性也就越高；對于葉片含水量，相關性都小，不建議建立模型；而葉片鮮重與HH、VV極化方式相關性都較高，分別高達 0.922、0.901。利用后向散射系數與煙草葉長、葉寬、葉片鮮重的實測值來反演煙草葉長、葉寬、葉片鮮重，建立線性回歸耦合關系，得到雷達遙感監測模型，可獲取生長參數的估測值。

2 結 果

2.1 煙草識別結果與精度驗證

從分類效果（圖2）來看，利用加以比值的支持向量機分類能夠識別典型地物——煙地、玉米地、水稻田、有林地、居民點。在大片煙田中，有零星水田的出現，可能是存在的煙水配套工程（水窖或水池），由于水窖、水池的機構與形狀和蓄水，使其后向散射特征接近水田；某些區域，煙地與玉米地相互交錯，一是可能由于種植緊挨，邊界不易識別；二是可能是煙草-玉米套種，計算機不能識別套種情況，若散射特征靠近煙草就識別為煙草，否則相反。

圖2 2013 年成熟期煙草識別圖（局部）Fig. 2 Tobacco identification map (locally) during tobacco maturity stage in 2013

將 GPS 樣方數據，與分類圖疊置進行精度驗證。精度驗證方法如下[13]：1）NTT為在分類圖中正確識別出樣方內煙草的面積；2）NTO為在分類圖中未能識別出樣方內煙草的面積；3）NOO為在分類圖中未將樣方內其他地物識別為煙草的面積；4）NOT為在分類圖中將樣方內其他地物錯誤識別為煙草的面積。分類總精度（PA）計算公式為：

由表2可以看出，分析典型地物后向散射系數并利用支持向量機分類，分類總精度達到了85.08%，煙草識別精度也到達了 78.36%，取得了較理想的分類結果。

2.2 建模結果與精度驗證

通過對比相關系數，選擇較高相關系數組合，將生長期中的生長參數與后向散射系數建立不同極化方式下的監測模型（表3）。建立的監測模型擬合度（R2）分別為 0.822、0.736、0.850、0.81，利用 F分布統計量對擬合度進行顯著性分析（公式4），在顯著水平 λ上，查 F 分布臨界值表，得臨界值 Fλ，若 F 統計量大于臨界值 Fλ，則擬合度（R2）在該顯著水平上是顯著的，否則是不顯著的。其中，n 代表樣本含量，K 代表獨立變量的個數，n-K-1 代表自由度。

在后向散射系數與生長參數擬合度較高情況下，建立了葉長、葉寬HH極化方式下的一元線性回歸模型與葉片鮮重HH、VV 兩種極化方式下的一元線性回歸模型。為了進一步對模型建立精確性進行檢驗，采用相對誤差分析法，對模型精度進行驗證。重新選取 10 組樣方，分別計算比較模型反演的葉長、葉寬以及葉片鮮重與樣方實測葉長、葉寬以及葉片鮮重。分析相對誤差（RE）、絕對誤差（E），取其 10 組誤差的平均值（表4）。其中 x 是經過模型反演值，xT是實際測量值。

表2 研究區煙草分類精度驗證結果Table 2 The validation accuracy of the identification of tobacco study area

表3 煙草雷達遙感監測模型Table 3 Tobacco growth monitoring model based on SAR

表4 模型驗證Table 4 Verification of the model

3 討 論

邵蕓等[18]利用高分辨率的 SAR 數據運用于水稻的面積識別，其精度可以高達 90%以上，而在此次研究中，煙草的識別精度為 78.36%，而地物分類總精度 85.08%。在云南、貴州、四川等高原山區，是煙草種植的重要區域，故在這些區域內進行現代化煙草監測具有重要的意義。在貴州喀斯特地貌突出，地表破碎，耕地分布不集中，為整個研究區域的種植識別帶來了困難，使得精度遠遠低于平原地區。另一方面，前人[6,19-20]在農作物監測上主要是水稻與玉米，而對于煙草后向散射特征研究幾乎是一片空白。此次將成像 SAR 數據運用于煙草，分析煙草后向散射特征，提取煙草種植的精準位置，但在識別精度上，煙草分類精度（PT）＜分類總精度（PA），主要原因是玉米與煙草套種以及玉米與煙草生長周期基本同期，使得影像上混合像元現象嚴重，后向散射特征不明顯,難以區分煙草與玉米，導致煙草的識別精度低于其他地物。在農作物監測建模中，針對于多光譜和高光譜主要是用葉面積指數（LAI）與各類遙感植被指數建立模型[21-22]，而對于 SAR 數據，則是利用后向散射系數與 LAI建立模型[23]。不同于水稻、玉米、小麥，煙草的產出就是煙葉，產量多少直接由葉子質量決定，本研究直接采用與葉子質量緊密相關的參數（葉長、葉寬、葉片含水量、葉片鮮重）來進行模型的建立，可以更加直觀的反應煙草的產量。由于在煙草灌層中，HH極化能力大于VV，受到外界影響更小，更加穩定，所以在模型的建立中，對于葉長、葉寬而言，HH 極化方式優于 VV 極化方式。葉片鮮重與 HH、VV 極化方式的擬合度都大于葉長、葉寬的，這是由于葉片鮮重與葉長、葉寬有著密切關系，融合兩者特性使得其擬合度增加。

4 結 論

在利用遙感數據參與農作物分類識別和生長建模的研究中，多數研究是以多光譜和高光譜數據為主。此次研究采用高分辨率 SAR 影像為研究數據，利用 SAR 影像的不受時間、天氣影響的優勢，對貴州高原山區煙草進行監測，取得良好效果。在此次研究中，建立的 18 m*18 m 樣方是在標準煙田里，在地塊破碎的喀斯特高原山區能建立的樣方數量有限，給本文分析結果的客觀性帶來一定的困難，另一方面，在研究時期研究區內有干旱發生，對數據結果的普適性也帶來一定的困難，因此，本文結果還需要更多的數據來驗證和完善。但總體來說，此方法為現代煙草農業實現大范圍精準實時監測提供新的研究思路。

[1]陳勁松，林琿，邵云. 微波遙感農業應用研究——水稻生長監測[M]. 北京：科學出版社，2010.

[2]夏天，吳文斌，周清波，等. 基于高光譜的冬小麥葉面積指數估算方法[J]. 中國農業科學，2012（10）：2085-2092.

[3]劉海巖，牛振國，陳曉玲. EOS-MODIS 數據在我國農作物監測中的應用[J]. 遙感技術與應用，2005（5）：531-536.

[4]馮美臣，楊武德，張東彥，等. 基于 TM 和 MODIS 數據的水旱地冬小麥面積提取和長勢監測[J]. 農業工程學報，2009（3）：103-109.

[5]趙偉穎. 極化 SAR 監督分類方法對植被分類效果比較分析[C]//連云港：第九屆長三角科技論壇，2012：117-120.

[6]化國強，肖靖黃，黃曉軍，等. 基于全極化 SAR 數據的玉米后向散射特征分析[J]. 江蘇農業科學，2011，39（3）：562-565.

[7]譚炳香，李增元，李秉柏，等. 單時相雙極化 ENVISAT ASAR 數 據 水 稻 識 別[J]. 農 業 工 程 學 報 ，2006 ， 22（12）：121-127.

[8]張曉倩，劉湘南，譚正. 基于全極化 Radarsat-2 數據的水稻生物量估算模型[J]. 農業現代化研究，2012，33（2）：249-252.

[9]高程程，惠曉威. 基于灰度共生矩陣的紋理特征提取[J].計算機系統應用，2010，19（6）：195-198.

[10]楊沈斌，李秉柏，申雙和，等. 基于 ENVISAT ASAR數 據 的 水 稻 遙 感監測[J]. 江蘇農業學報，2008，24（1）：33-38.

[11]惠文華. 基于支持向量機的遙感圖像分類方法[J]. 地球科學與環境學報，2006，28（2）：93-96.

[12]胡包鋼，趙星，嚴紅平，等. 植物生長建模與可視化——回顧與展望[J]. 自動化學報，2001，27（6）：816-835.

[13]張云柏. ASAR 影像應用于水稻識別和面積測算研究——以江蘇寶應縣為例[D]. 南京：南京農業大學，2004.

[14]譚正. 基于 SAR 數據和作物生長模型同化的水稻長勢監測與估產研究[D]. 北京：中國地質大學，2012.

[15]賈龍浩，周忠發，李波. 高分辨率 SAR 在喀斯特山地煙草生長建模中的應用探討[J]. 中國煙草科學，2013，34（5）：104-107.

[16]陳磊，范偉，任竹.淺談星載 SAR 在冬小麥估測產方面的應用[J]. 農技服務，2013，30（11）：1230-1231.

[17]李坤，邵云，張風麗. 基于多極化機載合成孔徑雷達（SAR）數據的水稻識別[J]. 浙江大學學報，2011，37（2）：181-186.

[18]邵蕓，郭華東，范湘濤，等. 水稻時域散射特征分析及其應用研究[J]. 遙感學報，2001，5（5）：340-344.

[19]張曉倩. 基于全極化 SAR 數據的水稻識別與作物參數估算模型[D]. 北京：中國地質大學，2012：32-41.

[20]張萍萍，申雙和，李秉柏，等. 水稻極化散射特征分析及稻田分類方法研究[J]. 江蘇農業科學，2006（1）：148-152.

[21]李開麗，蔣建軍，茅榮正，等. 植被葉面積指數遙感監測模型[J]. 生態學報，2005，25（6）：1491-1496.

[22]Peng G, Ruiliang Pu, Biging G S, et al. Estimation of forest leaf area index using vegetation indices derived from hyperspectral data[J]. IEEE Transaction on Geoscience and Remote Sensing, 2003, 41: 1355-1362.

[23]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.

Analysis of Tobacco Scattering Characteristics Based on High Resolution SAR Data in Plateau Mountainous Area

LIAO Juan1,2, ZHOU Zhongfa1,2*, LI Bo1,2,3, WANG Kun1,2
(1. Institute of South China Karst, Guizhou Normal University, Guiyang 550001, China; 2. The Remote Sensing Center of Guizhou Province, Guiyang 550001, China; 3. The Technology Venture Capital Investment Management Center of Guizhou Province, Guiyang 550002, China)

In order to carry out quantitative monitoring of modern tobacco in plateau mountain area, a new method was proposed in which high resolution synthetic aperture radar (SAR) method was applied to rapidly monitor tobacco, since weather in Guizhou plateau is too rainy to obtain optical data. The results showed that the after scattering feature of different ground objects was extracted by difference, and used classification method of SVM to classify ground objects, the accuracy of total classification was 85.08%, and tobacco identification accuracy was 78.36%. Using of regression analysis, the monitoring model between the tobacco growth parameters and the backscattering coefficient was established. The model which was between the leaf length/leaf width and HH polarization backscatter coefficient or leaf fresh weight and HH, VV polarization backscattering coefficients could reflect the linear regression equation. The high resolution SAR data as the data source of the new remote sensing techniques can provide rich backscatter information of typical objects in plateau mountainous area, and provide technical support for modern tobacco agriculture in large-scale and real-time monitoring by remote sensing.

SAR; backscattering coefficient; remote sensing monitoring; tobacco

S572

1007-5119（2014）06-0074-06

10.13496/j.issn.1007-5119.2014.06.015

國家重點基礎研究發展計劃（973 計劃）課題“人為干預下喀斯特山地石漠化的演變機制與調控”（2012CB723202）；貴州省科技計劃“喀斯特山區 SAR 遙感平臺監測與識別關鍵技術研究與應用”{黔科合 GY 字〔2013〕3062}；貴州省國際科技合作計劃“不同生態恢復措施干預下喀斯特石漠化演變及調控研究”{黔科合外 G 字[2012]7022 號}

廖 娟，女，碩士研究生，研究方向：地理信息系統與遙感。E-mail：liaojuan0825@163.com。*通信作者，E-mail：fa6897@163.com

2014-05-12

2014-11-18