基于時變特征的多時相PolSAR農作物分類方法

郭 交 尉鵬亮 周正舒 蘇寶峰

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100； 2.農業部農業物聯網重點實驗室， 陜西楊凌 712100；3.聯邦科學與工業研究組織數據處理研究所， 珀斯 WA 6014)

引言

獲取農作物的分類信息在作物普查、長勢監測、產量預估和災害評估等諸多應用中都具有十分重要的意義，近年來已成為遙感領域的研究熱點之一[1-3]。在諸多的遙感手段中，極化合成孔徑雷達(Polarimetric synthetic aperture radar，PolSAR)作為一種主動遙感技術，其工作條件不受氣候和天氣等條件的限制，能夠實現全天時、全天候對地觀測，具有其它遙感手段無法比擬的優勢，因此也受到了越來越多的關注[4]。

在全極化SAR系統中，雷達天線發射兩個正交的極化信號(水平極化和垂直極化)，并接收來自觀測目標散射的復矢量信號。與傳統單極化SAR不同的是，對每個極化通道，全極化SAR接收到的信號包含定量的強度和相位信息，而這些信息在提取目標結構、散射特性等方面也已經獲得了大量的應用。近年來，學者們也針對PolSAR數據提出了諸多的分類算法(包含監督型和非監督型)[5]，總體上可分為：基于統計模型的算法[6]；基于電磁波散射機理的算法[7-8]；基于先驗知識的算法[9-10]。這些方法盡管獲得了一定的分類效果，但是針對農作物的分類主要存在兩點不足：

大多數算法都只使用單時相PolSAR數據進行識別分類，但對于農作物而言，單時相的PolSAR圖像并不能提供足夠多的信息，因為不同的作物在不同生長時期表現出的散射特性顯然是不同的，此時單時相PolSAR數據的獲取時間必然是一個至關重要的因素，例如僅僅利用農作物播種期獲取的PolSAR數據進行分類是非常困難的。因此要提高分類精度，使用多時相PolSAR數據是必要的[11-12]。近年來，隨著SAR及其相關技術的發展，越來越多的星載SAR系統成功發射并在軌運行，提供了大量的多時相的PolSAR圖像。一些典型的SAR系統也獲得了相關應用，例如C波段的RADARSAT-2[13]，L波段的ALOS/ PALSAR-2[14]，X波段的TerraSAR/Tandem[15]， C波段雙極化Sentinel-1系統等[16-19]。通過這些在軌的SAR系統可以獲得大量的PolSAR數據，這也為多時相PolSAR圖像用于農作物分類及其他相關應用提供了有力支撐。

為了利用PolSAR獲取觀測目標的物理散射機理參數，研究人員相繼提出了一系列基于目標特征的極化散射分解算法(例如相干分解、非相干分解)，在這些目標分解算法中，由CLOUDE等[20]提出的H/α/A極化分解算法，在目標散射機理的識別中獲得了很好的效果，而且可以根據目標分解結果在H/α平面中的分布進行分類。但是，在H/α分類平面中，有大量的散射點分布在相鄰區域的邊界上，導致這些點很難做出正確的分類。而且對于農作物，隨著作物的生長變化，同一種作物在不同的生長周期中散射特性在H/α平面上的分布位置也會相應改變，因為極化散射機理必然是隨著生長周期的變化而變化的。因此，很難直接采用H/α分類平面上劃分的子區域進行PolSAR農作物分類。

針對多時相PolSAR的農作物分類，本文基于H/α/A極化分解原理，首先研究試驗區內幾種典型作物在不同生長周期的極化散射特性，其次定義一個新的參數來描述H/α參數分布區域的變化特征，在此基礎上，提出一種基于目標散射特性變化規律的多時相PolSAR農作物監督分類算法，以提高農作物的分類精度。

1 研究區域與數據概況

1.1 研究區域

印第安黑德鎮(103°40′32″W, 50°38′11″N)位于加拿大薩斯喀徹溫省東南部。該地區四季分明，比較干燥，各地區的差異較大，夏季平均氣溫25℃，冬季平均氣溫零下25℃，年降水量大約為500 mm，該地區的作物豐富，主要農作物的種類、生長周期以及對應農作物的播種面積見表1。

表1 研究區域主要農作物Tab.1 Main crops in study area

選擇位于該地區一個接近11 km×16 km的矩形區域進行具體研究。地面真實農作物分布情況根據Rapideye圖像和地面調查獲取，具體的實驗區見圖1，其中，圖1a為與實驗區對應的光學圖像(來自Google Earth)，圖1b為實驗區HH極化通道的SAR圖像，圖1c為實驗區各類農作物的分布圖。

圖1 實驗區示意圖Fig.1 Sketch maps of experimentation area

1.2 數據

本文研究使用的多時相全極化PolSAR數據由歐洲空間局提供，該數據利用全極化Radarsat-2實測數據通過模擬Sentinel-1的系統參數生成[21-22]，以驗證Sentinel-1系統對地面農作物分類的可行性，數據采集時間分別為2009年4月1日、5月1日、6月1日、7月1日、7月2日、8月1日和9月1日，該7個時段的多時相PolSAR數據覆蓋了實驗區域內主要農作物從播種到收獲的整個生長周期，地圖投影為WGS84坐標系，并且進行了輻射校正、輻射地形校正、歸一化、濾波、幾何地形校正以及不同時相全極化SAR數據配準等數據預處理。

2 分類方法

2.1 H/α分解原理

在全極化PolSAR系統中，實際觀測的矢量數據可以表示成2×2的復散射矩陣，即

(1)

式中SHH、SHV、SVH、SVV——4個獨立的極化通道的散射元素

下標H和V表示水平和垂直兩種極化方式。

(2)

(3)

式中n——經過多視處理的視數

〈·〉——統計平均運算符號

由CLOUDE提出的H/α分解是建立在對相干矩陣特征值分析的基礎之上，該相干矩陣經過矩陣特征分解，即

(4)

式中λi——矩陣〈T〉的特征值

ei——矩陣〈T〉的特征向量

每個特征向量可以由5個角度來表示，分別記為αi、βi、γi、φi、δi，即

(5)

β——極化方向角的兩倍

δ——SHH+SVV和SHH-SVV分解后的相位差

γ——SHH+SVV和SHV分解后的相位差

φ——SHH+SVV分解后的相位

CLOUDE和POTTIER定義了熵參數

(6)

其中

(7)

式中H——散射介質從各向同性散射(H=0)到完全隨機散射(H=1)的特性，取0～1

類似地定義α的平均值

確定伺服電機的輪廓曲線后，需要選擇機構的分析類型，包括位置分析、運動學分析、動態分析、靜態分析和力平衡分析。如果單純的模擬機構的運動，判斷是否干涉，選擇位置分析即可。如果分析機構的速度、加速度等參數，需要選擇分析類型為運動學分析。選擇分析類型后，開始對機構進行運動仿真。根據機構的運動記錄利用“測量”工具輸出行走機構的速度曲線和加速度曲線，選擇測量位置為旋轉平臺的中心坐標系，機構運動的方向為正方向。行走機構的速度曲線和位置曲線如圖3所示。

(8)

2.2 農作物的H/α參數變化特性

相比于其他觀測目標，農作物具有一些顯著特點，例如裸露地表、建筑物等目標都具有一個較穩定的狀態，而農作物通常具有一個較短而且比較穩定的生長周期，包括播種期、分蘗期、莖的伸長期和成熟期等。而且，農作物在整個生長周期中也會表現出不同的外在生物形態，體現在PolSAR圖像中也具有不同的極化散射機理。為了進一步說明不同農作物在其生長周期中的散射機理變化規律的差異性，將實驗區內各類農作物分為2組進行分析，第1組包括油菜、豌豆和亞麻，給出了它們多時相(7個數據獲取時間)PolSAR數據的散射參數在H/α分類平面的分布變化情況，如圖2所示。第2組包括3種生物外在形態類似的農作物(亞麻、小扁豆和春小麥)的多時相(7個數據獲取時間)PolSAR數據的散射參數在H/α分類平面的分布變化情況，如圖3所示。

圖2 在H/α平面上油菜、豌豆和亞麻的散射特性分布情況比較Fig.2 Comparions of distribution of H/α plane between rape, peas and flax

圖3 在H/α平面上亞麻、小扁豆和春小麥的散射特性分布情況比較Fig.3 Comparison of distribution of H/α plane between flax, lentils and spring wheat

從圖2顯示的結果和圖3的對比分析可以看出：①在農作物的整個生長周期中，其H/α參數分布情況在不斷改變，在農作物的生長過程中，H和α參數整體表現出來的變化是隨著時間的推移而增大。②不同農作物表現出來的散射特性也有所區別，但不同農作物的散射特性并不是時時不同，例如，在農作物生長周期早期的播種期，即第一個數據采集時間，不同的農作物表現出來的散射特性幾乎是一致的，在農作物的生長過程中，隨著生長期的變化，不同農作物的H/α參數分布區域也有了越來越明顯的區別，因此，僅僅使用生長期初期PolSAR數據識別不同的農作物是非常困難的。③亞麻、小扁豆和春小麥具有類似的生長周期，并且在這段時間內表現出類似的外部形態，導致它們的散射特性類似，那么它們對應的散射特性分布區域在H/α分類平面上的變化規律差異不明顯，該特點可作為減少農作物類別進行分類的依據。④進一步，隨著農作物的生長，其H和α參數在該平面中的分布區域變化可以近似看成是沿著下邊界向右上方移動。因此，對于不同的作物，散射參數具有不同的變化規律，本文也正是以此為出發點，利用這一特性來提高農作物的分類精度。

2.3 描述農作物散射參數變化特性的新參數

從圖2和圖3的散射特性分布規律和上述分析可以看出，隨著農作物的生長，其極化散射參數(H和α)在H/α分類平面上的分布近似沿著下邊界曲線向右上方移動(即H和α參數逐漸增大)，如圖4所示。

圖4 在生長周期中散射特性在H/α平面分布區域位置的改變Fig.4 Changes of H/α distribution zone during growing period

綜上所述，隨著農作物生長周期的變化，不同農作物的散射特性分布區域沿著下邊界曲線的移動量存在較顯著差異，所以本文中定義一個新的參數描述該移動量的大小。為了描述H/α平面上散射點分布區域的變化量，本文利用偏移角度的大小來表示區域的移動量，首先在H/α平面上選擇一個參考點，該參考點可以近似取為下邊界曲線對應的圓心，進而在H/α平面上定義一個新的參數θ，如圖5所示。用該參數可以描述不同農作物在其生長周期中隨著時間變化的H/α分布區域的變化規律。

圖5 參數θ的定義Fig.5 Definition of parameter θ

2.4 基于參數θ的農作物分類方法

為了對不同的農作物做出正確的識別分類，本文基于新定義的參數θ，提出了針對農作物的多時相PolSAR監督分類算法，通過農作物H/α參數值的分布變化情況，提取農作物的類別信息。本文所提出的基于散射特性變化的多時相PolSAR農作物分類方法流程圖如圖6所示。

圖6 基于散射特性變化的多時相PolSAR農作物分類方法流程圖Fig.6 Flow chart of proposed method

本文所提算法的主要步驟如下：

(1)單個時相PolSAR數據進行H/α分解：熵H和散射角α是從多時相全極化PolSAR數據中進行H/α分解獲取。為了與H/α平面上確定的參考點相連，需要將這2個參數表示為復數的形式，如H+jα的形式。

(2)根據農作物的地面真實分布情況，在雷達圖像中隨機找出6塊區域，分別對應種植6類農作物，并作為訓練集。

(3)計算參數θ：首先，確定參考點的選取；其次，用每一類農作物的訓練樣本，計算出該類農作物各個時相的散射特性分布在H/α平面上相對第一時相散射特性分布的移動角θxy；最后，計算得到訓練樣本矩陣θ，即

(9)

其中

(10)

式中θxy——第y類農作物訓練樣本的第x個時相的散射區域相對于該類農作物第一時相的散射區域夾角

Hzxy、αzxy——第x個時相的第y類農作物的第z個訓練樣本點與參考點相連后的H值和α值

Ny——第y類農作物訓練樣本的個數

arg(·)——取復數輻角函數

(4)代價函數的計算：將每個未知類別像素點與所得各類農作物訓練樣本的θ值進行匹配，并由匹配后的結果得到行向量

(11)

(12)

式中dy——未知像素點各個時相的數據與第y類訓練樣本的θxy對應匹配后的結果

X——數據采集的時相數

(5)類別標記：當被分類點的各個時相數據的輻角與經過式(10)所得的第y類農作物訓練樣本的各個時相的角度θ差異最小時，該像素點7個時相的矢量經過式(11)計算后，各個矢量的方向最為接近，此時按照式(11)計算的dy為最大值，當式(12)中行向量d的位置信息對應著農作物的類別信息，那么，找出d中最大值的位置信息，即對應為該像素點處農作物的類別信息。

3 數據處理結果與分析

3.1 訓練樣本集選擇

對于每一類農作物，都選定了一定數量的訓練集，并且計算出每一類農作物訓練樣本定義參數θ的大小。對每一類農作物的訓練樣本選擇如圖7所示。

3.2 實驗區實測數據處理結果

利用本文所提出的方法對實驗區數據進行農作物分類，并將處理結果與JONG-SEN LEE提出的基于復Wishart分布的分類方法處理結果進行對比。

首先對該研究區域的主要6類不同作物，即春小麥、小扁豆、豌豆、油菜、亞麻、干草耕地進行分類。基于復Wishart分布算法的農作物分類結果如圖8所示，其中，圖8a為農作物分類結果，圖8b為相應的分類誤差。對比地面真實值對分類結果進行精度計算，得到對應的各類農作物正確分類的百分比、整體分類精度、Kappa系數，如表2所示。

圖7 在農作物地面真實分布圖選擇的6類訓練樣本Fig.7 Training samples selected from ground true map

表2 基于復Wishart分布算法的6類農作物分類結果評估Tab.2 Classification result evaluation of six kinds ofcrops based on complex Wishart distribution %

本文所提出的基于散射特性變化的監督分類方法處理結果如圖9所示，表3為6類農作物的分類精度計算結果。

圖9 基于本文方法的6類農作物分類結果Fig.9 Classification results of six kinds of crops based on proposed method

通過對圖8和圖9的分類結果及表2和表3的分類精度進行對比分析可以看出，本文所提出的監督分類方法的整體分類精度達到了74.73%，相比于復Wishart分類方法提高了約4個百分點，部分散射特性變化明顯的農作物，其識別精度進一步提高，如相比于復Wishart分布的監督分類方法，豌豆的識別精度提高了約19個百分點。由于部分不同類別的農作物具有類似的生長周期，并且在這段時間內表現出類似的外部形態，導致它們的散射特性類似，并且該類農作物(亞麻和小扁豆)的識別精度較低，最終造成整體分類精度提高不明顯，為進一步提高分類精度，將部分散射特性類似的農作物類別合并。根據圖3可知，亞麻(第3類)、小扁豆(第4類)和春小麥(第5類)各個時相的散射特性分布區域變化差異較小，因此將亞麻、小扁豆和春小麥合并為一類，其余類別保持不變，隨后再次進行分類，并對分類結果進行分析。

表3 基于本文方法的6類農作物分類結果評估Tab.3 Classification result evaluation of six kindsof crops based on proposed method %

圖10 基于復Wishart分布的4類農作物分類結果Fig.10 Classification results of four kinds of crops based on complex Wishart distribution

將亞麻、小扁豆和春小麥這3類農作物合并為一類，同時將選擇的這3類農作物的訓練樣本也進行合并，其他類別農作物保持不變，即對4類農作物進行分類，并將處理結果與JONG-SEN LEE提出的基于復Wishart分布的分類方法處理結果再次進行對比。基于復Wishart分布算法的農作物分類結果如圖10所示。基于地面真實值對分類結果進行精度計算，得到對應的各類農作物正確分類的百分比、整體分類精度、Kappa系數，如表4所示。

本文所提出的基于散射特性變化的監督分類方法處理結果如圖11所示，表5為4類農作物的分類精度計算結果。

通過對圖10和圖11的分類結果及表4和表5的分類精度進行對比分析，可以看出，本文所提出的監督分類方法的整體分類精度提高約6個百分點。

表4 基于復Wishart分布算法的4類農作物分類結果評估Tab.4 Classification result evaluation of four kinds ofcrops based on complex Wishart distribution %

綜上，通過6類和4類農作物的分類結果對比分析，可知本文指出的基于散射特性變化規律的監督分類方法對于農作物結果更佳，并且對于散射特性存在明顯區別的農作物也可達到較高的識別精度，結合圖2和圖3可知，油菜和豌豆兩類作物的散射特性分布區域變化差異與其他散射特性較相似的農作物存在明顯區別，因此它們的識別精度也相比較高。

指標油菜豌豆春小麥干草耕地各類精度93.5793.0487.9996.09整體精度89.86Kappa系數81.46

4 結論

(1)利用ESA提供的7組多時相全極化SAR數據，通過提出的基于散射特性規律分布的監督型分類算法對印第安黑德鎮的一個11 km×16 km矩形農作物區域進行了農作物的分類識別，最終分析獲得該區域的農作物分布圖。比較理想地提取了春小麥、油菜、豌豆、干草耕地這幾類不同類型的作物信息。通過該多時相全極化SAR圖像可以直觀的反映出空間分布情況，并且為今后的農作物產量預測或者調整種植分布提供了有力的科學依據。

(2)本研究所提出的基于散射特性分布規律的監督型分類算法，當分6類農作物時，分類精度達到了74.73%，相對于復Wishart分布分類方法提高了約4個百分點，對于散射特性在生長周期中，各個時相散射特性分布區域的改變明顯區別于其余類別的農作物，那么它的識別精度也有明顯提高，如相比基于復Wishart分布的監督分類方法，得到的豌豆識別精度提高了約19個百分點。當合并為4類農作物類別時，整體分類精度相比復Wishart分布的監督分類方法提高了約6個百分點，表明本文方法適用于農作物類別信息提取與分類，能夠提高農作物的分類精度。

1 BORYAN C, YANG Z, MUELLER R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, cropland data layer program [J]. Geocarto International, 2011, 26(5): 341-358.

2 王松寒,何隆華. 雷達遙感技術在水稻識別中的研究進展 [J]. 遙感信息, 2015, 30(2): 3-9.

WANG Songhan, HE Longhua. Advances of rice recognition by SAR [J]. Remote Sensing Information, 2015, 30(2): 3-9. (in Chinese)

3 BECKER R I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data [J]. Remote Sensing of Environment, 2010, 114(6): 1312-1323.

4 史舟,梁宗正,楊媛媛,等. 農業遙感研究現狀與展望 [J/OL]. 農業機械學報, 2015, 46(2): 247-260. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150237&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.02.037.

SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese)

5 JAFARI M, MAGHSOUDI Y, ZOEJ M J V. A new method for land cover characterization and classification of polarimetric SAR data using polarimetric signatures [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(7): 3595-3607.

6 LEE J S, GRUNES M R, KWOK R. Classification of multi-look polarimetric SAR imagery-based on complex wishart distribution [J]. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

7 LARDEUX C, FRISON P L, TISON C, et al. Support vector machine for multifrequency SAR polarimetric data classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(12): 4143-4152.

8 MAGHSOUDI Y, COLLINS M, LECKIE D G. Polarimetric classification of boreal forest using nonparametric feature selection and multiple classifiers [J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19:139-150.

9 PIERCE L E, ULABY F T, SARABANDI K, et al. Knowledge-based classification of polarimetric SAR images [J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(5): 1081-1086.

10 FERRAZZOLI P, GUERRIERO L, SCHIAVON G. Experimental and model investigation on radar classification capability [J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(2): 960-968.

11 SKRIVER H, MATTIA F, SATALINO G, et al. Crop classification using short-revisit multitemporal SAR data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 423-431.

12 韓宇. 多時相C波段全極化SAR農作物識別方法研究[D]. 呼和浩特：內蒙古師范大學, 2015.

HAN Yu. Research of crop recognition method based on multi-temporal C-band quad-PolSAR [D]. Huhhot:Inner Mongolia Normal University, 2015.(in Chinese)

13 程千,王崇倡,張繼超. RADARSAT-2全極化SAR數據地表覆蓋分類 [J]. 測繪工程, 2015, 24(4): 61-65.

CHENG Qian, WANG Chongchang, ZHANG Jichao. Land cover classification using Radarsat-2 full polarimetric SAR data [J]. Engineering of Surveying and Mapping, 2015, 24(4): 61-65. (in Chinese)

14 LUCAS R, REBELO L M, FATOYINBO L, et al. Contribution of L-band SAR to systematic global mangrove monitoring [J]. Marine and Freshwater Research, 2014, 65(7): 589-603.

15 ZHU J, QIU X, PAN Z, et al. Projection shape template-based ship target recognition in TerraSAR-X images [J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(2): 222-226.

16 王嬌,丁建麗,陳文倩,等. 基于Sentinel-1的綠洲區域尺度土壤水分微波建模 [J]. 紅外與毫米波學報, 2017, 36(1): 120-126.

WANG Jiao, DING Jianli, CHEN Wenqian, et al. Microwave modeling of soil moisture in Oasis regional scale based on Sentinel-1 radar images [J]. Journal of Infrared and Millimeter Waves, 2017, 36(1): 120-126. (in Chinese)

17 許璟,安裕倫,劉綏華,等. 基于Sentinel-1A后向散射特性的高原山區地物分類探討——以安順市為例 [J]. 貴州師范大學學報:自然科學版, 2016, 34(6): 15-19.

XU Jing, AN Yulun, LIU Suihua, et al. Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features—a case study in Anshun City [J]. Journal of Guizhou Normal University : Natural Sciences, 2016, 34(6): 15-19.(in Chinese)

18 何連,秦其明,任華忠,等. 利用多時相Sentinel-1 SAR數據反演農田地表土壤水分 [J]. 農業工程學報, 2016, 32(3): 142-148.

HE Lian, QIN Qiming, REN Huazhong, et al. Soil moisture retrieval using multi-temporal Sentinel-1 SAR data in agricultural areas [J]. Transactions of the CSAE, 2016, 32(3): 142-148. (in Chinese)

19 BONI G, FERRARIS L, PULVIRENTI L, et al. A prototype system for flood monitoring based on flood forecast combined with COSMO-SkyMed and Sentinel-1 data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2794-2805.

20 CLOUDE S R, POTTIER E. An entropy based classification scheme for land applications of polarimetric SAR [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

21 CAVES R. Final report: technical assistance for the implementation of the AgriSAR 2009 campaign [R]. ESA Contract, 2009, 22689/09.

22 CAVES R, DAVIDSON G, MA A, et al. An overview of AgriSAR 2009: data acquisition, data simulation and data analysis [R]. AgriSAR 2009 Final Workshop, ESA ESTEC, 2011.