基于多時相COSMO－SkyMed SAR數據對水稻信息提取方法的研究與應用

杜燁，郭長青，文寧，葛春青，黃峰

（1.北京東方道邇信息技術股份有限公司，北京 100080；2.湖南省國土資源規劃院，長沙 410007）

1 引 言

水稻是我國主要的糧食作物之一，其產量居三大作物產量之首。目前，我國種植水稻區域主要分布在：東北的三江平原，主要種植一季稻；南方各省，以兩季稻和三季稻為主。水稻種植面積的監測與統計，是各級政府進行決策、生產部門指導農業生產、流通領域安排糧食收購和銷售計劃的重要經濟信息。因此，準確科學地統計水稻種植面積，及時得到可靠的水稻生產信息具有重要的應用價值。

對于我國長江中下游及南方地區的水稻主產區，每年5月～8月份的梅雨季節正值水稻生長期，氣候多雨水與云霧，因此較難獲取適合監測水稻生長的光學影像。雷達遙感具有穿云透霧的能力，其獲取數據不受天氣條件影響。近年來，國內外學者也致力于研究通過各種雷達數據源識別與監測水稻生長以及種植面積的提取。邵蕓［1］利用多時相多極化Radarsat數據建立了水稻生長模型，研究表明，3個時相的數據以及多極化數據對水稻識別和提取可得到較高的精度。董彥芳［2］和凌飛龍［3］采用多時相ENVISAT ASAR數據，研究水稻不同生長階段后向散射值的變化特征，多時相SAR數據可較準確地反演出水稻生長參數，并精確提取水稻種植面積。李章成［4］采用兩期雙極化雷達數據與影像分類的方法，對水稻種植面積進行了精確提取。Clevers［5］將雷達影像與光學影像結合，對水稻生長進行監測。Le Toan［6］利用ERS－1數據對水稻進行監測并提取水稻參數，研究表明理論模型與實驗結果較一致，此方法對于Radarsat數據具有較高的通用性。黃曉軍［7］、唐鵬欽［8］和楊沈斌［9］對利用SAR數據識別和監測水稻的研究進行了探討，并對SAR數據的優勢以及在水稻監測中的應用進行總結。

本文將利用多時相COSMO－SkyMed雷達影像，以光學數據為輔助數據源，對湖南研究區的水稻信息進行提取。

2 研究區域及數據介紹

2.1 研究區域介紹

湖南省水稻占全省糧食比重的90%，受地形地勢條件的限制，水稻種植主要分布在湖南省的東北平原區、中南部丘陵區，而西部山區分布較少。目前湖南水稻主要為早、中、晚三季稻且水稻品種較多，早稻育秧至晚稻收割，主要涉及每年3月～10月這段時期；不同品種的水稻，其生長期會有一定差異；且根據當年當地的氣候情況（溫度、降水等），水稻的物候期也會有一定的浮動。一般情況下，早稻為5月上旬插秧，7月中旬收割，生長期為100天左右；中稻為6月中旬插秧，9月上旬收割，生長期為100天～110天；晚稻為7月中旬插秧，10月中旬收割，生長期為110天左右。

本篇文章的研究區域是湖南省北部洞庭湖平原區的南縣與安鄉縣的交界處，該區域為水稻的主要生產區，早、中、晚稻均有種植。

2.2 數據介紹

2.2.1 SAR數據集

COSMO－SkyMed雷達衛星是由4顆X波段的雷達衛星組成的星座，分辨率為3m。4顆衛星以不同方式組合，可間隔1天、3天、4天和8天獲取干涉相對，這種高重訪周期對于特定地物的定期監測與變化研究具有重要的意義。為了研究水稻生長過程在SAR數據后向散射值中的表現規律，以湖南南縣－安鄉地區為試驗區域，按照晚稻物候期，從晚稻灌水－插秧期開始到晚稻收割期（2012年7月24日～2012年11月13日），每隔8天～9天以干涉模式獲取一景COSMO－SkyMed HIMAGE雷達影像，共獲取13景影像，所獲取的影像分辨率均為3m，極化方式均為水平極化，入射角為30°～33°。

2.2.2 光學數據集

為了輔助SAR數據對于水稻生長過程后向散射值的分析研究，在同一地區查找到2012年同期5景HJ－1A，HJ－1B光學數據，形成光學數據集；數據的分辨率為30m，共有4個多光譜波段，分別為藍、綠、紅、近紅外波段。下載的數據為2級產品，該產品為經輻射校正和系統幾何校正，并將校正后的圖像映射到指定的地圖投影坐標下的產品數據。除2012年6月24日的數據，其余4景數據的采集時間與COSMO－SkyMed SAR數據集中4景水稻生長階段的數據采集時間基本對應。

表1 研究數據時間序列表

2.2.3 輔助數據集

研究區域的水田柵格數據層（時相為2012年），數據處理時加入該數據層，可將關注區域縮小到最優，減少處理數據量，提高數據處理效率。

3 主要方法

本研究的方法流程主要包括以下內容，首先對各種數據進行預處理，其中有正射校正與影像匹配；之后對SAR數據進行彩色合成，選取樣本；對SAR數據計算后向散射值，對光學數據計算NDVI值，并分別提取樣本的平均后向散射值與平均NDVI值，組成樣本曲線；最后對樣本曲線進行分析，并對水稻進行識別與提取。具體流程如圖1所示。

3.1 數據預處理

數據預處理，主要是針對SAR數據的正射校正處理，以及光學數據、輔助數據與SAR的相互匹配處理。

首先將COSMO－SkyMed SAR數據進行互匹配并進行正射校正，該過程在ENVI軟件的SAR Scape模塊中完成。選取一景SAR數據作為主影像，將其余的SAR數據匹配到該景數據中，使用DEM數據對SAR數據集進行正射校正，形成3m分辨率的SAR數據正射校正成果。

以正射校正后的SAR數據作為主影像，將5景光學影像分別與SAR影像進行互匹配，使其與SAR數據具有相同的空間位置與坐標系統。

圖1 方法與流程圖

對于輔助數據的處理，同樣以SAR數據作為主影像，將該地區的水田柵格數據層與SAR數據進行互匹配，使其與SAR數據以及光學數據具有相同的空間位置與坐標系統。

3.2 多時相SAR數據彩色合成

為研究水稻以及其他作物在SAR數據中的表現特征，根據試驗區域晚稻物候期從13景SAR數據集中選取了3景影像，進行RGB彩色合成，形成多時相的SAR假彩色合成影像。選取的3景影像采集時間以及色彩合成時賦予的通道分別為：7月24日（紅色通道），9月10日（綠色通道），10月4日（藍色通道），合成結果如圖2所示。

圖2 SAR數據彩色合成結果

3.3 樣本區選取

根據地物在多時相SAR彩色影像中表現出的色彩信息，結合水田柵格數據，發現彩色影像中對應的水田或耕地區域主要可分為6種色系，并假設每種色系代表一種地物，對每個色系選取10個樣本多邊形，總共選取了60個樣本多邊形。6種色系分別為：藍色、粉紅色、亮藍色、紅色、綠色、雜色，如圖3所示。

圖3 從彩色合成后的SAR數據中選取樣本的顏色示意圖

3.4 SAR數據后向散射值計算

對于雷達而言，不同地物有不同的電磁波特性，地物的波譜特性主要表現為地物對雷達波束的不同散射特征。對于水稻而言，當處于灌水插秧期時，由于水背景的影響，水田在雷達影像中的后向散射值較弱；隨著水稻的生長發育，其后向散射值逐漸增高，這種變化特征與其他地物具有較明顯的差異，因此依據水稻種植－生長期后向散射值的變化特征，對水稻種植面積進行識別。

將SAR數據集分別進行后向散射值的計算，形成13景后向散射值數據集。對每景數據中各樣本區的后向散射平均值進行統計并提取，即每個樣本形成13個后向散射值平均值的時間序列。按照選取樣本時劃分的6個色系，將樣本的后向散射均值按照時間序列形成曲線圖（如圖4所示），分析其后向散射變化規律。其中，曲線的顏色對應其各自樣本的顏色，如藍色曲線對應藍色樣本后向散射值隨時間變化的情況。

3.5 光學數據NDVI計算

NDVI，即歸一化植被指數。該指數有助于植被覆蓋度的分析，可反應出植被的生長狀態。其公式為：

圖4 SAR數據集中樣本后向散射平均值的時間序列圖

將5景環境衛星數據分別進行NDVI值的計算，形成NDVI值數據集。對每景數據中樣本的NDVI值平均值進行統計并提取，即每個樣本形成5個NDVI平均值的時間序列。用上述同樣的方法，形成樣本的NDVI值時間序列曲線圖，分析其變化規律。其中，曲線的顏色對應其各自樣本的顏色。

圖5 光學數據集中樣本NDVI平均值的時間序列圖

4 數據分析與水稻面積提取

4.1 曲線分析

結合水稻物候期信息、SAR后向散射曲線（圖4）與NDVI曲線（圖5）3種信息，可以看出：

（1）紅色和綠色樣本區在NDVI曲線中顯示出早稻后期與晚稻生長的變化規律；在SAR后向散射曲線中，主要的變化是在水稻成熟期之前。由于第一景SAR影像是7月下旬獲取的，正處于早稻收割后地塊整理與晚稻灌水插秧之前，此期間SAR后向散射值略高，8月上旬之后，已經完成晚稻插秧，稻田里水體信息較多，后向散射值較低，而從8月下旬開始，水稻進入開花期，SAR后向散射值不斷升高，推斷在SAR后向散射曲線中，紅色與綠色樣本屬于晚稻。

（2）藍色和品紅色樣本區在NDVI曲線中具有中稻生長的變化規律，對應的SAR后向散射曲線在9月上旬之后具有明顯的升高，表現出水稻成熟后其后向散射值升高的特點；雖然黃色與藍色和品紅色樣本在NDVI曲線中具有相似的變化規律，但從SAR后向散射曲線來看，黃色曲線隨時間的變化無規律可言，其并不具有水稻生長的變化規律，推斷黃色樣本屬于其他作物。

（3）亮藍色曲線，無論在后向散射曲線還是在NDVI曲線中，均與藍色和品紅色曲線的變化具有一定的相似度，但在時間維度上不具有一致性，亮藍色曲線的變化較藍色與品紅色曲線變化提前15天左右。因此推斷，亮藍色為疑似早期中稻樣本。

圖6 后向散射曲線與判斷出的水稻種類關系圖

4.2 水稻面積提取

根據上述的分析結果，對彩色合成后的SAR影像進行面向對象的分類，依據曲線中不同種類水稻在各時間點后向散射值的差異性，將其進行分類提取，該過程在eCognition軟件中完成，處理中使用了研究區域內的水田柵格數據作為影像分割的輔助數據源，從而提高影像分割效率。水稻種植面積提取后的結果如圖7所示。

使用2012年9月10日采集的外業數據，對水稻面積提取結果進行精度分析，外業一共采集了120個GPS點以及每個點位的照片和說明，包含了晚稻40個，中稻30個，疑似中稻30個，其他作物20個。通過誤差混淆矩陣分析（表2），分類總體精度為85.83%。

表2 誤差混淆矩陣

圖7 水稻種植面積分類結果圖

5 結束語

當受天氣影響而無法及時得到有效的光學數據時，可以利用雷達數據對水稻進行監測與識別。本研究對13景SAR數據樣本區的后向散射值進行了研究，根據光學影像NDVI值提供的輔助信息，掌握了水稻在雷達影像中后向散射值隨生長時間變化的規律；并且使用3期SAR數據進行彩色合成，根據水稻在這3期SAR數據后向散射值的特點，結合面向對象的影像分類技術對水稻種植面積進行提取，獲得了較高精度的水稻信息提取結果。本實驗首次嘗試了使用多時相COSMO－SkyMed雷達數據進行水稻識別，實驗表明，COSMO－SkyMed數據能夠為水稻種植面積提取提供可靠的數據源，而多時相數據（通常≥3期）獲取的時間需根據當地水稻生長周期來決定。

［1］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）：340－345.

［2］董彥芳，孫國清，龐勇，等.基于ENVISAT ASAR數據的水稻監測［J］.中國科學 D輯，2005，35（7）：682－689.

［3］凌飛龍，汪小欽，史曉明，等.多時相SAR圖像水稻分布信息提取方法研究［J］.福建師范大學學報（自然科學版），2007，23（3）：15－19.

［4］李章成，李源洪，周華茂，等.基于ALOS＿PALSAR雙極化雷達影像遙感監測水稻的研究——以德陽地區為例［J］.西南師范大學學報（自然科學版），2012，37（6）：62－67.

［5］CLEVERS J，VAN LEEUWEN H J C.Combined use of optical and microwave remote sensing data for crop growth monitoring［J］.Remote Sensing of Environment，1996，56（1）：42－51.

［6］LE TOAN T，RIBBES F，WANG L F，et al.Rice crop mapping and monitoring using ERS－1data based on experiment and modeling results［J］.Geoscience and Remote Sensing，IEEE Transactions on，1997，35（1）：41－56.

［7］黃曉軍，李秉柏.雷達遙感影像在水稻信息提取及估產方面的技術研究［J］.江蘇農業科學，2009，（6）：432－435.

［8］唐鵬欽，姚艷敏，魏娜，等.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.

［9］楊沈斌，趙小艷，謝曉金，等.星載雷達在多云多雨地區水稻遙感監測中的應用［J］.江蘇農業科學，2009（3）：360－362.