基于面向?qū)ο蟮墓鈱W(xué)和ASAR數(shù)據(jù)的早稻種植面積早期提取

胡佩敏++熊勤學(xué)

摘要：針對目前利用ASAR數(shù)據(jù)提取作物種植空間分布的精度因相干斑點噪聲問題而達(dá)不到業(yè)務(wù)運行要求問題，以全國水稻種植面積最大的湖北省監(jiān)利縣為例，運用空間分辨率為16 m的高分一號多光譜數(shù)據(jù)，采用圖像切割和融合方法提取農(nóng)田邊界，將早稻早期三景ASAR數(shù)據(jù)以每個對象（一個對象代表一塊農(nóng)田）取均值，以此消除相干斑點噪聲，結(jié)合早稻早期ASAR數(shù)據(jù)變化特征（早稻灌水前期ASAR后向散射系數(shù)大，灌水后最小，秧苗后期變大），提取監(jiān)利縣2015年早稻種植空間分布。通過與調(diào)查區(qū)（面積23.4 km2）對比，其Kappa系數(shù)為0.83，其精確度較單獨用ASAR數(shù)據(jù)提取方法提高一個層次，該早稻提取方法適合業(yè)務(wù)化運行。

關(guān)鍵詞：邊界提取；ASAR數(shù)據(jù)；種植空間分布；面向?qū)ο蠓椒?/p>

中圖分類號：S511；S126 文獻標(biāo)識碼：A 文章編號：0439-8114（2017）16-3140-04

DOI：10.14088/j.cnki.issn0439-8114.2017.16.036

Extracting of Early Season Rice Planting Using Optical and ASAR Data Based on Per-field Classification Method

HU Pei-ming1，XIONG Qin-xue2

（1.Meteorology Agency of Jinzhou City，Jinzhou 434020，Hubei，China；

2.Agricultural College， Yangtze University，Jinzhou 434025，Hubei，China）

Abstract： The aim of this paper is to improve the accuracy of classification of crops plant distribution using sentinel ASAR （Advanced Synthetic Aperture Radar） data. In this paper， the study case place is Jianli county， Hubei Province，which is the largest rice planting area in China， the main method is following， extracting the crop field object border using GF-1 satellite multi-bands optical data based on image segment and merge technical method； averaging the radar backscatter coefficient of ASAR data within each object，this can eliminate the influence of coherent speckle noise； Through the analysis of the ASAR backscattering characteristics of early season rice paddy， found that the backscattering coefficient value of early season rice paddy is higher in Pre-irrigation stage， lower in irrigation stage and raising in seedling stage，built the early season rice paddy identification formula according these rules. Extraction the early season rice planting distribution information in 2015 at Jianli county. According to compared with investigating in place with 23.4 km2 area， the Kappa coefficient is 0.83， The accuracy is improved by only using the ASAR data extraction method. This method is inexactitude to optical remote sensing satellite acquisition date， and ASAR data gained by sentinel 1A satellite is not affected by the clouds， can be obtained regularly， so this method is suitable for crop cultivation spatial distribution information extraction of business operation.

Key words： boundary extraction； ASAR data； crop cultivation spatial distribution； field-based method

高級合成孔徑雷達(dá)（Advanced synthetic aperture radar，ASAR）具有不受云層影響、全天時、全天候監(jiān)測作物的特點。在受云層影響大，導(dǎo)致光學(xué)影像獲取數(shù)量少，很難進行水稻監(jiān)測識別的地區(qū)，運用ASAR數(shù)據(jù)開展水稻監(jiān)測識別，具有光學(xué)遙感無可比擬的優(yōu)點[1]。根據(jù)水稻田早期灌水插秧、秧苗成長以及抗田抑制分蘗等農(nóng)事活動下的ASAR后向散射系數(shù)的差異，很容易提取稻種植區(qū)的空間分布[2]，這種基于ASAR時序特征的水稻識別精度業(yè)務(wù)上可達(dá)到86%以上[3，4]，也是高合成孔徑雷達(dá)傳感器監(jiān)測最成功的農(nóng)作物之一。影響水稻識別精度的因素很多，如在有所用的波段上，利用C波段建立雷達(dá)后向散射系數(shù)較X波段和L波段在反映水稻植株高度、物候變化的統(tǒng)計關(guān)系上效果較好；在極化方式上，VV極化明顯優(yōu)于HH極化、VH極化[5]；但由于ASAR數(shù)據(jù)影像中相干斑點噪聲的存在，嚴(yán)重影響了信息提取的效果[6]，主要表現(xiàn)在提取的作物區(qū)邊界不清晰、作物區(qū)會有很多空白點以及存在大量面積很小的斑點等現(xiàn)象，盡管有很多濾波方法[7]，但效果不太明顯；而光學(xué)遙感數(shù)據(jù)由于使用的波長為微米級，沒有相干斑點噪聲問題。endprint

本研究以全國水稻種植面積最大的湖北省監(jiān)利縣為例，在分析水稻田ASAR后向散射系數(shù)隨時間變化的基礎(chǔ)上，運用同期光學(xué)影像數(shù)據(jù)進行地物對象提取，通過取每個對象的ASAR后向散射系數(shù)均值來消除相干斑點噪聲，結(jié)合ASAR后向散射系數(shù)在水稻早期變化特征，實現(xiàn)高精度早稻種植空間分布信息ASAR提取。

1 研究區(qū)概況和數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

監(jiān)利縣（圖1）位于湖北省中南部，長江北岸，面積3 508 km2，氣候上具有四季分明，熱量豐富，光照適宜，雨水充沛，雨熱同季，無霜期長等特點，是全國水稻生產(chǎn)第一大縣，根據(jù)湖北省農(nóng)業(yè)統(tǒng)計年鑒2000～2015年數(shù)據(jù)，監(jiān)利縣水稻種植面積常年穩(wěn)定在16萬hm2，主要種植模式有雙季稻（早稻+晚稻）、單季稻（中稻），其中早稻面積大約2.7萬hm2。

2015年7月，為驗證結(jié)果的精度，在福田寺鎮(zhèn)一塊面積為23.4 km2的區(qū)域（長6.6 km，寬4.7 km），用GPS儀詳細(xì)確定了每塊早稻田的邊界，共142塊。

1.2 數(shù)據(jù)的預(yù)處理

從中國資源衛(wèi)星中心下載2015年5月21日監(jiān)利上空高分一號（GF-1）衛(wèi)星16 m分辨率多光譜數(shù)據(jù)1景，多光譜數(shù)據(jù)在ENVI軟件中經(jīng)過正射投影轉(zhuǎn)換后，再經(jīng)過輻射訂標(biāo)、大氣校正和幾何校正，生成空間分辨率為16 m的覆蓋監(jiān)利縣全境的四波段光譜數(shù)據(jù)，并計算其NDVI指數(shù)。

從歐空局的網(wǎng)站上下載2015年5～6月監(jiān)利境內(nèi)sentinel 1A衛(wèi)星C波段干涉寬幅（Interferometric wide swath）模式（空間分辨率5 m×20 m）的ASAR數(shù)據(jù)3景（5月5日、5月29日、6月5日），在NEST（Next ESA SAR Toolbox）軟件下對這3景VV極化數(shù)據(jù)進行輻射定標(biāo)、圖像配準(zhǔn)和多時相產(chǎn)品濾波，最后將3景數(shù)據(jù)加上NDVI指數(shù)數(shù)據(jù)并成4波段光譜數(shù)據(jù)（每1景VV極化數(shù)據(jù)為一個波段，最后一個波段數(shù)據(jù)為NDVI數(shù)據(jù)）。

1.3 分類結(jié)果驗證

將結(jié)果數(shù)據(jù)和驗證區(qū)數(shù)據(jù)運用GIS中的聚類分析生成只含0和1數(shù)字的柵格數(shù)據(jù)，0代表非早稻區(qū)、1表示早稻區(qū)，然后對Kappa系數(shù)進行計算，公式[8]如下：

其中，n為柵格總像元，驗證區(qū)柵格數(shù)據(jù)中為1的象元數(shù)為a1，為0的象元數(shù)為a0，結(jié)果模擬數(shù)據(jù)中為1的象元數(shù)為b1，為0的象元數(shù)為b0，兩個柵格對應(yīng)象元值相等的象元數(shù)為s。

2 提取方法

先用預(yù)處理過的空間分辨率為16 m的高分一號的四波段光譜數(shù)據(jù)進行特征值提取，即在ENVI軟件中Segment Only Feature Extraction功能對圖像進行切割和合并，切割算法選擇Edge[8]，尺度大小為20，合并算法為Full Lambda Schedule[9]，合并尺度為30，系統(tǒng)會將多光譜相近的相鄰像素歸為一個地物，作物種植區(qū)地物為農(nóng)田，最后給出地物邊界矢量文件。

在ArcGIS中將地物邊界矢量文件與預(yù)處理后的ASAR數(shù)據(jù)進行疊置統(tǒng)計分析，將每塊地物內(nèi)的ASAR數(shù)據(jù)取均值，并進行矢量轉(zhuǎn)柵格計算，得到消除了相干斑點噪聲、邊界清晰的ASAR柵格數(shù)據(jù)，結(jié)合本文分析的早稻生長早期ASAR數(shù)據(jù)特征，得到早稻分類規(guī)則，分類后得到監(jiān)利縣早稻種植區(qū)空間分布。具體流程如圖2所示。

3 結(jié)果與分析

3.1 早稻早期ASAR后向散射系數(shù)變化特征及分類閥門值確定

圖3為5月5日、5月29日、6月5日經(jīng)過預(yù)處理后的早稻ASAR后向散射系數(shù)頻率分布及與其正態(tài)分布曲線，由于這3個日期代表早稻不同的生長情況（5月5日稻田還未灌水、5月29日早稻秧苗期、6月5日早稻秧苗生長期），其后向散射系數(shù)差異很大，早稻ASAR后向散射系數(shù)表現(xiàn)出由大變小再變大的變化規(guī)律，取正態(tài)函數(shù)正負(fù)5%概率作為閥門值標(biāo)準(zhǔn)，得到早稻分類判別函數(shù)為：

Y=（b1>0.068）and（b1≤0.145）and（b2>0.002）and（b2≤0.188）and（b3>0.078）and（b3≤0.196）and（b4≤0.25）and（（b3-b2）≥0.02）and（（b1-b2）≥0.005） （3）

式中，b1、b2、b3分別表示5月5日、5月29日、6月5日ASAR后向散射系數(shù)；b4為5月21日NDVI指數(shù)。Y為1表示是早稻田、為0表示非早稻田。

3.2 結(jié)果驗證

將23.4 km2的區(qū)域早稻田實際空間分布數(shù)據(jù)與采用本研究方法（用光學(xué)數(shù)據(jù)提取田間邊界，用ASAR數(shù)據(jù)結(jié)合公式3計算的分類方法）計算得到的結(jié)果數(shù)據(jù)（圖4），用式（1）進行Kappa系數(shù)進行計算，得到Kappa系數(shù)為0.83；而不用光學(xué)數(shù)據(jù)提取田間邊界，直接用ASAR數(shù)據(jù)進行式（3）計算的分類方法，其結(jié)果與實際值進行計算，得到的Kappa系數(shù)為0.49（圖5）。

從圖4和圖5可以看出，本文推薦的方法更接近實際情況，其主要優(yōu)點有：①完全消除了相干斑點噪聲的影響，減少了田間內(nèi)部的空白點；②邊界清晰，達(dá)到了業(yè)務(wù)化要求。

3.3 監(jiān)利縣早稻種植空間分布

運用光學(xué)數(shù)據(jù)提取田間邊界，用ASAR數(shù)據(jù)結(jié)合式（3）計算的分類方法，得到監(jiān)利縣早稻種植空間分布信息（圖6），監(jiān)利縣早稻種植空間分布特點主要表現(xiàn)為早稻主要集中在監(jiān)利縣中上部，超過2 000 hm2的鄉(xiāng)鎮(zhèn)有分鹽鎮(zhèn)、福田寺鎮(zhèn)、毛市鎮(zhèn)和紅城鄉(xiāng)（圖7）。早稻種植空間分布特點與地形有關(guān)，監(jiān)利縣地形是簸箕形，南、北、西部地勢高，而東部地勢低，而早稻主要集中在地勢低的地方，地勢低的地方因為冬季積水，不適合種夏收作物（小麥和油菜），只能種植雙季稻。

4 小結(jié)與討論

成功運用了光學(xué)遙感數(shù)據(jù)的邊界提取的準(zhǔn)確性，也利用了ASAR數(shù)據(jù)不受云層影響、全天侯、全天時的特點，實現(xiàn)水稻種植信息的早期提取。由于光學(xué)數(shù)據(jù)提取田間邊界對數(shù)據(jù)獲取時間沒有嚴(yán)格要求，只要是作物生育期內(nèi)即可，而ASAR數(shù)據(jù)，因為雷達(dá)衛(wèi)星不受云層的影響，能定期獲取，不會因為關(guān)鍵期遙感數(shù)據(jù)的缺失而降低作物種植空間分布提取的精度。由于完全消除了相干斑點噪聲的影響，其分類精度較傳統(tǒng)分類方法的精度有質(zhì)的提高，因此該方法可以投入業(yè)務(wù)化運行。endprint

高分辨率的光學(xué)遙感數(shù)據(jù)是準(zhǔn)確提取農(nóng)田邊界的保證，同時幾何校正的準(zhǔn)確率也影響早稻提取的精度，隨著中國高分系列衛(wèi)星發(fā)布和sentinel衛(wèi)星的免費政策，相信水稻提取的精度會越來越高。

參考文獻：

[1] 唐鵬欽，姚艷敏，魏 娜.合成孔徑雷達(dá)水稻識別和監(jiān)測研究進展[J].中國農(nóng)學(xué)通報2009，25（14）：291-295.

[2] ALEXANDRE B，THUY L T. Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta[J].Remote Sensing of Environment，2011，115：1090-1101.

[3] 譚炳香，李增元.SAR數(shù)據(jù)在南方水稻分布圖快速更新中的應(yīng)用方法研究[J].國土資源遙感，2000（1）：24-27.

[4] 譚炳香，李增元，李秉柏，等.單時相雙極化ENVISAT ASAR數(shù)據(jù)水稻識別[J].農(nóng)業(yè)工程學(xué)報，2006，22（12）：121-127.

[5] CHRISTOPH H，WOLFGANG K，YUXIN M. Best Accuracy land Use/Land cover（LULC） classification to derive crop types using multitemporal，multisensor，and multi-polarization SAR satellite images[J].Remote Sens，2016，8：684-688.

[6] 王 迪，周清波，陳仲新，等.基于合成孔徑雷達(dá)的農(nóng)作物識別研究進展[J].農(nóng)業(yè)工程學(xué)報，2014，30（16）：203-212.

[7] BENZ U C，HOFMANN P，WILLHAUCK G，et al. Multi-resolution object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS J Photogramm & Remote Sens，2004，58（3）：239-258.

[8] BRADLEY A P. The use of the area under the ROC Curve in the evaluation of machine learning algorithms[J].Pattern Recognition，1997，30（7）：1145-1159.

[9] ROERDINK，JOS B T M，MEIJSTER A. The watershed transform：definitions，algorithms，and parallelization strategies[J].Fundamenta Informaticae，2001，41：187-228.endprint