基于合成孔徑雷達(SAR)數據的貴州喀斯特山區煙草葉面積指數估算模型

王昆,周忠發,廖娟,符勇

1 貴州師范大學喀斯特研究院 貴陽 550001;

2 貴州省遙感中心 貴陽 550001

基于合成孔徑雷達(SAR)數據的貴州喀斯特山區煙草葉面積指數估算模型

王昆1,2,周忠發1,2,廖娟1,2,符勇1,2

1 貴州師范大學喀斯特研究院 貴陽 550001;

2 貴州省遙感中心 貴陽 550001

喀斯特山區多云雨天氣，地表破碎，耕地分布不集中，農作物套種，導致常規遙感監測手段難以滿足煙草實時監測的需要。為實現現代煙草農業實時快速監測，研究選取高分辨率合成孔徑雷達（SAR），以貴州清鎮流長現代煙草農業基地單元為研究區，在煙葉成熟期，考察不同極化方式（HH、VV以及H/VV）雷達亮度值與煙草葉面積指數（LAI）的相關性，進而構建線性回歸模型和二次多項式模型。結果表明：一元線性比值HH/VV模型（Y=0.612X+1.410， R2=0.862）反演精度最高。該模型可用于大面積遙感監測貴州喀斯特山區煙草種植，掌握煙草生長狀況。

SAR; 葉面積指數; 估算模型; 煙草; 喀斯特山區

我國從20世紀80年代開始進行農作物遙感監測的研究[1-2]，就目前而言，取得了豐富的成果。農作物遙感監測也從單一的作物小麥擴展到了玉米、水稻等，而對于小麥、玉米等一些糧食作物，監測地區主要集中在我國糧食產區，如華北平原、東北平原等一些地勢平緩的的地區，使用的遙感數據多為NOAA/AHRR和TM結合為主[3]。煙草作為我國重要的經濟作物,是我國地方財政的重要創收來源。貴州是全國特色優質煙葉主生產區之一[4]，煙草的種植監測及科學管理顯得尤為重要，但煙草的監測目前國內外研究較少，利用遙感手段監測煙草的研究少之又少。從文獻上來看，利用遙感手段對煙草進行監測的多用來進行煙草分類，少有對煙草生長狀況進行監測，不能滿足實際應用的需求。

由于貴州屬于喀斯特山區，地勢崎嶇，地塊破碎，地形復雜多樣，煙田分布不集中，煙草農業生產難以集約化，煙草生長監測和煙葉估產極難。合成孔徑雷達遙感數據采用主動遙感方式，利用微波成像不受云雨限制[5-6]，對喀斯特山區的合成孔徑雷達遙感影像進行多極化、多波段、分析研究，更適合多云雨山區的應用。葉面積指數（LAI）定義為在單位面積上所有葉子表面積的總和或單位面積上所有葉子向下投影的面積總和，是反映煙草生長狀況的重要指標，及時獲取煙草葉面積指數就能夠準確了解煙草的生長信息。如何及時獲得大面積煙草葉面積指數，從而指導煙草生產成為種植決策的重要依據，也是亟待解決的科學問題。本研究試圖探討通過不受時間、氣候影響的TerraSAR雷達遙感影像[7-8]反演煙草成熟期葉面積指數，從而及時獲得煙草生長狀況信息[9]。選取合適樣地，在樣地中隨機選取20個樣方，在煙草成熟期，通過提取計算SAR影像的雷達亮度值，結合野外實測葉面積指數值，建立一元線性回歸模型和二次多項式模型反演煙草葉面積指數，對不同極化方式建立不同的模型，對比分析模型精度，建立最優模型，及時預測煙草成熟期葉面積指數，旨在科學的監測煙草生長，及時掌握大面積煙草生長狀況信息，為煙草估產以及煙草種植提供數據上的決策依據。

1 材料與方法

1.1 研究區概況

研究區以貴州省清鎮市流長現代煙草農業基地單元為依托，位于106°7′6″E～106°29′37″E，26°24′5″N～26°45′45″N，總面積為489km2。煙區屬于黔中喀斯特高原山區，地勢崎嶇，切割強烈，煙田主要分布于輕度石漠化區。基地單元轄流長、犁倭、紅楓湖等3個鄉（鎮），宜煙土地5428.03平方千米；土壤以黃砂壤、黃壤為主；pH值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天，年平均降雨量1150.4mm，年日照時數1433h。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及南江三號等品種。

1.2 SAR數據的選擇

貴州喀斯特山區由于地貌類型與氣候影響，光譜數據難以獲取。而不同地物的散射特性不同,因此不同地物表現在SAR圖像上將會有不同的亮度和不同的紋理[10-11]。已有研究表明：煙田的遙感影像具有極強的紋理[1]。因此，選擇SAR影像對煙田進行監測研究。

雷達是一種主動式傳感器[12]，通過接受地物反射信號生成影像，由于喀斯特山區獨特的地形成像機理復雜，有特殊的輻射和幾何畸變。因此，研究時不僅需要用高精度地形圖跟合成孔徑雷達數據進行配準，還要在野外進行考察，確定目標地物的面積及范圍，最后疊加在影像上，最大限度降低由地形造成形變誤差。在進行野外考察的同時，建立樣方并詳細記錄煙草生長信息，考察時間盡可能與遙感影像拍攝的時間保持一致，以達到最佳監測效果[13]。通過比較 TERRASAR-X、RADRASAT-1、 RADRASAT-2、COSMOS、ENVISAT和ALOS等主流雷達衛星，綜合考慮波段、極化方式、空間分辨率等系統參數與實際研究情況，選擇空間分辨率為6米的TerraSAR-X雷達數據作為研究數據[14-15]。

1.3 SAR數據的處理與計算

研究選取德國發射的TerraSAR-X衛星，于2013年8月24日獲取TerraSAR-X在煙葉成熟期影像圖(表1)。極化方式表示的是電磁場的振動方向，當搭載SAR平臺衛星向地面發射信號時，無線電波的振動方向有多種方式，例如：水平極化(H)是指衛星向地面發射信號時，無線電波振動方向是水平。垂直極化(V)是指衛星向地面發射信號時，無線電波振動方向是垂直。像元大小則指的是影像成像時柵格最小單元，能代表影像的分辨率。

表1 TerraSAR-X衛星影像系統參數表Tab. 1 Parameters of TerraSAR-X satellite image system

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，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。最后分別采用HH、VV雙極化以及比值HH/VV方式得到研究區濾波后的SAR影像圖[16]。

圖1 TerraSAR-X 濾波后影像圖（R=HH，G=VV，B=HH/VV）Fig. 1 TerraSAR-X filtered image map（R=HH，G=VV，B=HH/VV）

不同地物的散射特性不同，因此不同地物表現在SAR圖像上將會有不同的亮度，即影像某像素點的灰度值。雷達亮度值（SAR亮度值）大小可以使用兩種單位來度量：一種為強度類型（β0），即雷達亮度強度值；另一種為分貝類型（β0db），即雷達亮度分貝值。為了單位統一，文章采用分貝類型，單位為dB。將濾波后的影像通過公式（1）計算雷達亮度值。

式中，DN分別為HH、VV極化方式下的濾波后的影像灰度值，β0為通過DN值轉換得到的雷達亮度強度值，HH/VV方式的亮度值是通過HH、VV對應的β0通過比值得到的。Ks為為絕對定標常數，可從頭文件中讀取。

式中，β0db為雷達亮度分貝；β0由公式（1）所得雷達亮度。

在明確了弗雷格所說的“語句”和判斷杠的涵義之后，人們可能會問，既然弗雷格系統中的“|—（2+2=4）f”實際上就是自然語句“2+2=4”，那么他為什么要對一個好端端的自然語句做去判斷力處理，再通過判斷杠來恢復其判斷力？經過如此復雜的改造得到的判斷表達式，與原自然語句并無實質上的不同，他做這一番處理究竟是為什么？

在煙草成熟期，利用野外實測GPS記錄的樣方點，矯正過后疊加到濾波后的影像圖，按上述濾波方法，提取出SAR亮度值，經過計算得到與葉面積指數一一對應的SAR亮度平均值。

1.4 葉面積指數的分析與獲取

測量LAI的方法目前有直接測量和間接測量兩種方法。直接測量法有量測法、重量比例法[17]、分層收割法和斜點樣方法[18]。間接測量法是利用各種儀器來測量，比如各類葉面積指數儀。另一種間接測量方法就是基于遙感技術。遙感數據具有覆蓋面積大、更新周期短、花費相對少等優點。

于2013年8月26、8月27兩日在基地單元進行葉面積指數采集。在進行野外考察的同時，建立樣方并詳細記錄煙草生長信息，考察時間盡可能保持與遙感影響拍攝的時間保持一致，以達到最佳監測效果。研究區選擇煙草種植連片面積在40公頃以上的煙田，由于TerraSAR-X雷達影像空間分辨率為6 m，所以在雷達過境范圍內建立12m×12m的樣方，對應SAR影像上2*2像元。每個樣方的四至點（東南西北四點）分別定位GPS或者在樣方的中部用GPS定位，以保證樣方位置的準確，盡量減少與雷達數據相元相對應帶來的誤差。在樣方內采用葉面積指數儀（CI-110，CID公司，美國）對煙葉進行葉面積指數采集，采集時將葉面積指數儀的魚眼鏡頭水平放置于在煙草兩行之間的對角線上取4個均勻的測點進行測量，且保證魚眼鏡頭視野不超出煙草冠層邊緣，分別采集10組數據，其平均值為該樣方的葉面積指數值。

2 結果與分析

2.1 葉面積指數與SAR亮度值的相關性分析

應用SPSS軟件，對LAI和SAR亮度值進行相關性分析。表2表示在HH、VV極化方式和比值HH/VV下雷達亮度值與LAI的相關系數（R），R絕對值都達到0.9以上，顯著水平都在0.01水平上。因此可認為，基于SAR亮度值來建立研究區LAI的遙感監測模型是基本可行的。

表2 LAI與SAR亮度的相關性Tab. 2 Correlation between LAI and SAR brightness

2.2 線性回歸模型

將SAR亮度值與實測葉面積指數值采用一元線性回歸模型Y=ax+b進行擬合，以確定參數a、b的值，其中Y表示葉面積指數，x表示SAR亮度值[19]，通過分析得到一元線性SAR亮度值與LAI的擬合圖(圖2)。在對TerraSAR-X進行亮度提取分析后，將HH、VV、比值HH/VV三種極化方式下SAR亮度值引入一元線性回歸模型中進行擬合比較。分析得到不同模型參數值、擬合度R2以及均方根誤差（RMSE）。表3展示了HH、VV、比值HH/VV三種極化組合方式的建模情況。

圖2 一元線性SAR亮度與LAI擬合圖Fig. 2 Fitting charts of unary linear SAR brightness and LAI

表3 不同極化一元線性回歸模型建模Tab. 3 Unary linear regression model under different polartization

HH、VV、HH/VV極化組合方式下擬合度和均方根誤差相似，擬合度分別為0.825、0.813、0.832，都具有較高擬合精度；三種極化方式均方根誤差分別為0.04174、0.04315、0.04096。HH極化與VV極化相比，HH極化擬合度大于VV極化擬合度，均方根誤差HH極化小于VV極化，說明HH極化較VV極化反演煙草成熟期葉面積指數模型更優。對于比值HH/VV，已證明在雷達影像分類中有較高的精度，同時對農作物生物量等參數比較敏感[20]，因此，比值HH/VV與其他兩種極化方式相比，擬合度最高，均方根誤差最小，反演效果最佳。所以，在雷達數據條件允許下，選擇比值HH/VV建立模型。

2.3 二次多項式模型

研究LAI與SAR亮度值之間的關系，不能只用簡單的一元線性方程關系說明。因此再采用常用的非線性回歸模型二次多項式模型對三種極化組合方式HH、VV、比值HH/VV進行擬合比較，圖3為二次多項式SAR亮度與LAI的擬合圖。不同極化SAR亮度與LAI擬合模型，表4。

圖3 二次多項式SAR亮度與LAI擬合圖Fig. 3 Fitting charts of quadratic polynomial SAR brightness and LAI

表4 不同極化二次多項式模型建模Tab. 4 Quadratic polynomial model under different polarization

2.4 模型驗證

選取精度相對較高的煙草葉面積指數反演模型，比值HH/VV極化組合一元線性回歸模型和二次多項式模型。研究基地約2080公頃，在研究區內重新選取20組樣方，采用同一葉面積指數儀測量樣方內煙草LAI,獲得20組煙草平均LAI值，并在SAR影像上提取計算與所選取樣方對應的SAR平均亮度值，計算比較模型反演LAI與樣方實測LAI，根據公式3和公式4進行誤差分析，表5。

其中x是經過模型計算值，xT是實際測量值。

表5 模型驗證表Tab. 5 Model veri fi cation table

研究表明，一元線性回歸模型反演的LAI與實測LAI相對誤差平均為8.87%，絕對誤差平均為-9.2%，精度達到91%；二次多項式模型反演的LAI與實測LAI相對誤差平均為11.7%,絕對誤差平均為-5.7%，精度達到88.3%。數據表明，比值HH/VV一元線性回歸模型優于二次多項式模型。

3 討論

研究比較了TerraSAR-X雷達HH、VV、比值HH/VV極化組合方式的一元線性回歸模型和二次多項式模型反演煙草成熟期葉面積指數，三種不同極化組合方式下一元線性回歸模型與二次多項式模型LAI與SAR亮度值都具有較好的擬合度，總體取得較好的反演效果。反演結果表明，比值HH/VV一元線性回歸模型反演結果精度較其他模型精度更高，這主要是因為HH極化與VV極化分別是水平波段的散射與垂直波段散射，由于煙葉的不規則生長，單一的從水平或垂直方向的散射難以全面反映煙葉生長狀況，而比值HH/VV是兩種波段的組合，有效的把水平散射特性與垂直散射特性結合起來，全面反映了煙葉的生長狀況，對于葉面積更加敏感。而二次多項式模型之所以模型精度低于一元線性回歸模型，分析原因有兩點：1、二次模型存在最大值或最小值，在一定的數值區間內才能夠滿足預測的精準度，而樣方的選取是隨機的，數值與區間沒有完全吻合；2、二次模型的曲線變化度沒有按照平均變化速率計算，而是不同的數值范圍有不同的變化率。

4 結論

通過雷達數據與煙草葉面積指數值的擬合，建立了煙草葉面積指數估算模型，其中精度最佳的為雷達HH/VV極化組合方式一元線性回歸模型：Y=0.612X+1.410，其中Y為葉面積指數，X為HH極化與VV極化SAR亮度值的比值，R2=0.862。該模型可用于大面積遙感監測貴州喀斯特山區煙草種植，掌握煙草生長狀況。

研究依然存在的問題：1、文章只研究了煙草成熟期的LAI反演，對于團棵期和旺長期的LAI反演需要數據再進行模型擬合；2、由于數據量以及數據獲取過程中存在一定誤差以及數據量的限制，影響模型建立的精確度；3、研究對于其他區域方法上可以適用，但是模型本身要根據具體情況做進一步的修正。

[1]吳孟泉，崔春春，張麗等.復雜山區煙草種植遙感監測及信息提取方法研究[J].遙感技術與應用，2008,23(3).

[2]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003:201-202.

[3]田國良，項月琴.遙感估算水稻產量.環境遙感，1989,4（1）：73-80.

[4]王瑩.試論貴州煙草業發展歷程與趨勢（1628-2002）[D].重慶：西南大學,2012.

[5]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.

[6]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.

[7]陳勁松，林琿，邵蕓.微波遙感農業應用研究-水稻生長監測[M].科學出版社,2010:11-13.

[8]廖明生，田馨，趙卿.TerraSAR-X/TanDEM-X雷達遙感計劃及其應用[J]測繪信息與工程,2007.32(2).

[9]劉彥，關欣，羅珊等.遙感技術在作物生長監測與估產中的應用綜述[J].湖南農業科學,2010年11期:136-139.

[10]趙小杰,種勁松,王宏琦.合成孔徑雷達圖像的特征選擇.遙感技術與應用,2001年9月，第16卷第3期：190-194.

[11]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.

[12]隋立春，徐花芝，李建武.德國新型雷達遙感系統TerraSAR-X介紹.測繪科學技術學報.2007：321-323.

[13]周忠發，李波，賈龍浩.合成孔徑雷達技術在喀斯特山區煙草種植定量監測應用探討[J].測繪通報,2012年S1期:246-248.

[14]江潮.常用雷達波段名稱及其頻率、波長范圍對照與劃分.航天電子對抗,1985.

[15]康青，雙斌，張榮.合成孔徑雷達圖像及迷彩技術研究.后勤工程學院學報. 2008.

[16]符勇，周忠發，賈龍浩等.基于SAR技術的貴州喀斯特山區煙草估產模型研究[J].湖北農業科學.

[17]Watson D J.1947. Comparative physiological studies in the growth of field crops. I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years. Annals of Botany,11(41),41-76.

[18]段愛旺.作物群體葉面積指數的測定.灌溉排水,1996,15(1):50-53.

[19]賈龍浩，周忠發，李波. SAR在喀斯特山區煙草生長監測中的應用探討[R].第十八屆中國遙感大會論文集,2012,17(10): 867-871.

[20]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).

Model for estimating tobacco leaf area index in Guizhou Karst mountainous areas based on SAR data

WANG Kun1,2, ZHOU Zhong fa1,2, LIAO Juan1,2, FU Yong1,2

1 Institute of South China Karst, Guizhou Normal University, Guiyang 550001, China;
2 Guizhou Provincial Remote Sensing Center, Guiyang 550001,China

In order to realize real-time monitoring of modern tobacco agriculture, high resolution synthetic aperture radar was applied to analyze correlation between leaf area index (LAI) and radar brightness value with different polarization of HH,VV and bands HH/VV during maturing stage of tobacco leaves in Qingzhen, Guizhou province. Linear regression model and two order polynomial models were thus established. Results showed that unary linear HH/VV model boasted the highest inversion accuracy. Such model proved available to monitor tobacco growth in Guizhou Karst mountainous areas through remote sensing.

SAR; leaf area index; estimation model; tobacco; Karst mountainous areas

王昆,周忠發,廖娟,等. 基于合成孔徑雷達(SAR)數據的貴州喀斯特山區煙草葉面積指數估算模型[J]. 中國煙草學報，2015,21（6）

國家重點基礎研究發展計劃(973計劃)課題(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與應用”（黔科合GY字（2013）3062）；貴州省重大應用基礎研究項目“喀斯特石漠化生態修復及生態經濟系統優化調控研究-巖土類型格局”（黔科合JZ字[2014]200201）

王昆(1989—)，碩士研究生，地理信息系統與遙感，Email：wkfsk@163.com

周忠發(1969—)，教授，地理信息系統與遙感，Email：fa6897@163.com

2014-12-08

:WANG Kun, ZHOU Zhongfa, LIAO Juan, et al. Model for estimating tobacco leaf area index in Guizhou Karst mountainous areas based on SAR data [J]. Acta Tabacaria Sinica, 2015,21(6)