基于Sentinel-1數據時序特征的熱帶地區水稻種植結構提取方法

黃 翀，許照鑫，張晨晨，李 賀，劉慶生，楊振坤，劉高煥

·農業信息與電氣技術·

基于Sentinel-1數據時序特征的熱帶地區水稻種植結構提取方法

黃 翀1,3，許照鑫2，張晨晨1,4，李 賀1，劉慶生1，楊振坤2，劉高煥1

（1. 中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室，北京 100101；2. 中國地質大學（北京）地球科學與資源學院，北京 100083；3. 中國科學院地理科學與資源研究所中國科學院黃河三角洲現代農業工程實驗室，北京 100101；4. 中國科學院大學，北京 100049）

由于熱帶地區的雨季時間較長，云覆蓋嚴重，基于光學影像難以準確提取區域內的水稻種植模式。該文以泰國湄南河流域中部平原水稻種植區為例，基于Sentinel-1 SAR時間序列數據，提出一種融合時序統計參數與時序曲線相似性特征的熱帶地區水稻種植結構提取方法。首先利用年內所有可獲取的Sentinel-1 SAR數據，分別基于像元和基于對象構建后向散射系數時間序列曲線，提取時序特征參數；利用動態時間規整（Dynamic Time Warping，DTW）算法，計算后向散射系數時序曲線與地物標準曲線間的隸屬度；將時序特征參數、時序曲線隸屬度相結合，利用隨機森林模型進行機器學習監督分類，提取研究區的水稻種植信息并評價分類精度。結果表明，基于Sentinel-1 SAR時序特征融合的算法可以較好地提高水稻種植結構分類精度。其中，基于對象的分類算法的單季稻提取用戶精度為81.46%，生產者精度為82.00%；雙季稻用戶精度為88.0%，生產者精度為84.08%，均優于基于像元的分類算法。研究結果可為多云多雨的熱帶地區水稻種植信息提取提供一種新的思路。

水稻；提取；數據處理；合成孔徑雷達；時間序列數據；動態時間規整；隨機森林；Sentinel-1

0 引 言

水稻是世界3大糧食作物之一，是人類重要的生存必需品，關系到全球眾多人口的生存福祉。東南亞地區水土資源適宜，其水稻生產和出口在世界上占有重要地位。泰國是世界上主要的大米出口國之一，每年約出口大米1 000萬t，為泰國經濟增長提供了強有力的支持[1-2]。發展快速、準確地水稻時空信息提取技術對于區域水稻種植監測、產量評估、生產管理等具有重要意義。

隨著衛星遙感技術的發展，遙感已成為作物種植信息獲取的重要手段[3]。光學影像在近紅外與短波紅外波段對農作物有較好地區分，被廣泛應用于作物信息提取研究中。左麗君等[4]通過MODIS-EVI數據構建耕地復種指數，基于決策樹方法提取了中國北方15個城市作物種植模式。張春桂等[5]通過MODIS數據提取福州地區水稻可種植區，并計算可種植區域內水稻LAI的年際變化特征，以此估算該區域水稻種植面積。

東南亞地處熱帶季風區，植被生長茂盛，自然植被與栽培作物之間光譜特征相似，僅依賴光譜特征的遙感分類方法提取的水稻信息精度難以保證[6]。與此同時，由于水熱條件適宜，區域水稻種植模式較為靈活，在有灌溉措施保證的情況下可一年多熟。利用單景影像難以準確提取水稻種植結構。近年來，基于時間序列遙感的方法在作物種植信息提取中得到越來越多的應用。Guan等[7]利用MODIS影像構建NDVI年時間序列，通過時序相似性度量，提取了越南湄公河三角洲水稻種植結構。苗翠翠等[8]基于MODIS NDVI時序數據對江蘇省水稻種植面積進行了遙感監測分析。Oliphant等[9]基于Google Earth Engine平臺，通過隨機森林算法對東南亞地區Landssat-8時間序列數據進行分類，獲得該地區土地利用分布圖。Belgiu等[10]通過Sentinel-2多光譜數據構建NDVI時間序列曲線，利用基于像元及面向對象的動態時間規整（DTW）算法對羅馬尼亞、意大利、美國3個典型區域的作物種植進行提取。然而，東南亞地區雨季時間較長，云覆蓋嚴重，難以獲得質量較高的多光譜數據，時序曲線重構困難[11]，光學影像的應用受到很大限制。

微波具有較強的穿透性，不受云雨天氣影響，可全天候工作。隨著歐洲航天局Sentinel-1衛星的發射成功，較高重訪周期、較高空間分辨率的Sentinel-1 合成孔徑雷達（SAR）數據為水稻種植提取提供了新的途徑。Clauss等[12]利用Sentinel-1 SAR數據基于決策樹分類器對亞洲6個不同區域的水稻種植面積進行提取。Lasko[13]基于多期Sentinel-1數據構建時間序列，利用隨機森林分類器對越南首府河內附近區域的單季稻、多季稻進行提取，并對比了VH極化和VV極化對水稻種植提取精度的影響。Torbick等[14]基于Sentinel-1數據輔以Landsat-8、PALSAR-2數據對緬甸全國的水稻分布進行提取，取得了較好的分類效果。將不同時間的SAR影像視為不同波段，通過影像組合開展監督或非監督分類，雖然可以在一定程度上自動選取最優波段組合，卻忽略了波段間的時間關聯性，因而難以準確獲得作物種植格局。而基于年內可獲取的高頻SAR數據構建完整的年時間序列曲線則有可能準確地提取作物生長特征，提高作物分類精度，并識別作物種植結構。

本研究以泰國湄南河流域中部平原水稻種植為例，基于一年內所有可獲取的Sentinel-1 SAR時序數據，提出一種融合時序統計參數與時序曲線相似性特征的水稻種植信息提取方法，以提高熱帶、亞熱帶多云多雨地區復雜種植模式下的水稻種植結構分類精度。

1 研究區域概況

泰國地處中南半島中部，位于97°22′～105°37′E， 5°27′～20°27′N之間，總面積約為51.3萬km2。本文研究區位于泰國湄南河流域中部平原（圖1），屬熱帶季風氣候，全年平均溫度達27 ℃，分雨、旱季兩季，10月至次年4月為旱季，干燥少雨；4月至10月為雨季，雨水充沛，平均年降水量達1 000 mm以上[15]。湄南河全長1 352 km，流域面積約15萬km2，是泰國重要的農業耕作區，主要農作物為水稻、木薯、甘蔗，不同作物生長周期差異較大。區域地勢平坦，湄南河沿岸地區灌溉設施齊全，大量種植雙季稻。研究區東部靠近呵叻高原，距湄南河較遠，灌溉設施不足，以種植單季稻為主。2018年對研究區進行野外調查，共獲得181個實地樣本點，結合Google Earth高分遙感影像，總共選取樣本點431個，其中單季稻樣本點151個，雙季稻150個，林地70個，木薯30個，水體30個。

圖1 研究區位置和采樣點分布

2 數據來源及預處理

2.1 Sentinel-1數據及預處理

Sentinel-1是歐洲航天局哥白尼計劃（Copernicus Programme）中的對地觀測衛星，載有C波段合成孔徑雷達，由1A和1B雙星組成，理論重訪周期6 d[16]。本文Sentinel-1 SAR數據由歐洲航天局網站（https://scihub. copernicus.eu/）下載，時間為2018年全年，數據獲取模式為干涉寬幅模式（Interferometric Wide Swath，IW），產品類型為Level-1級地距影像（Ground Range Detected，GRD）。其空間分辨率為5 m×20 m，幅寬可達250 km，包含VH與VV兩種極化方式。全年共獲得影像46景，其中1月至5月的Sentinel-1B影像缺失，共12景影像，時間間隔為12 d；6月至12月共獲取34景，時間間隔為6 d。

Sentinel-1數據的預處理主要包括多視距處理、大氣校正、斑點濾波以及幾何校正。利用歐洲航天局提供的SNAP軟件中的Sentinel-1 Toolbox（S1TBX）工具實現。為去除雷達成像時的斑點噪聲，選取Refined Lee算法對圖像進行濾波處理。最后將后向散射系數進行轉分貝處理，轉化方法如下：

Sentinel-1A與Sentinel-1B衛星在同一軌道平面內，相位相差180°，2顆衛星在數據分幅時，同一地區的影像并不完全重疊，略有偏移，因此需要對二者的重疊部分進行裁剪。

2.2 Sentinel-2數據及預處理

Sentinel-2是歐洲航天局哥白尼計劃中哨兵系列衛星的光學衛星，包括2A與2B雙星，衛星攜帶了MSI多光譜成像儀，包含13個光譜波段，具有60、20和10 m 3 種空間分辨率。本研究主要利用Sentinel-2A光學影像進行面向對象分割，提取對象單元。由歐洲航天局網站（https://scihub.copernicus.eu/）下載研究區無云且質量較好的一幅Sentinel-2A影像（2018年3月18日），該數據為經過正射校正和亞像元級幾何精校正后的L1C大氣表觀反射率產品，利用歐洲航天局提供的Sen2cor插件對Sentinel-2A影像進行輻射定標與大氣校正。

3 研究方法

基于Sentinel-1時間序列影像蘊含的高頻時序信息，將時序統計參數與時序曲線相似性特征相結合，進行水稻種植信息提取。首先利用一年內所有可獲取的Sentinel-1數據，構建不同地物的后向散射系數時間序列曲線（簡稱時序曲線），并計算時序曲線的統計參數；然后利用基于像元的動態時間規整（Pixel-Based Dynamic Time Warping，PBDTW）算法和基于對象的動態時間規整（Object-Based Dynamic Time Warping，OBDTW）算法計算時序曲線與標準地物曲線的隸屬度；最后將時序統計參數、時序曲線隸屬度相結合，利用隨機森林分類器進行分類，提取水稻種植信息，并比較不同算法的分類結果，具體技術流程見圖2。

注：PBDTW：基于像元的動態時間規整；OBDTW：對象的動態時間規整。

3.1 后向散射系數時序曲線構建

由于雷達圖像受斑點噪聲影響較為嚴重，即使在進行Refined Lee濾波后仍有較為明顯的椒鹽現象[17]，在此情況下提取的時序曲線波動性大，無法獲得具有代表性的標準曲線。因此本文進一步通過Savitzky-Golay濾波器對時序曲線進行濾波處理，以得到較為平滑的地物年時序曲線。Savitzky-Golay濾波是一種在時域內基于移動窗口的最小二乘擬合濾波方法。參考默認設置，濾波過程中濾波核左右各選5個點，平滑多項式次數設為2，經多次試驗，該參數組合可以得到較好的平滑結果。

3.2 時序特征參數提取

通過地物時序曲線進一步提取地物時序統計參數，時序統計參數可以量化地物后向散射系數在一年內的波動特征。本研究所選取的后向散射系數時序統計參數包括均值、最大值、最小值與標準差。由于不同地物生長模式差異較大，后向散射系數曲線的時序統計特征也不同，可以用來對地物進行區分。本研究通過python tsfresh擴展包計算VH和VV極化方式下后向散射系數時序曲線的特征參數。

3.3 基于DTW的時序曲線相似性計算

歐式距離在比較時序曲線相似性時不考慮時間偏移，難以對研究區不同時間段內水稻的時序曲線進行比對。因此本研究利用動態時間規整（Dynamic Time Warping，DTW）算法計算地物后向散射系數曲線與標準曲線間的最小距離，以判別其相似度[7]。其原理如下：

通過動態規整理論獲取最小路徑，2條曲線間的DTW距離為

由于Sentienl-1數據空間分辨率較高，單景影像所含像元數目巨大，基于逐像元匹配的PBDTW方法計算耗時較長，分類結果椒鹽現象明顯。為此，進一步采用基于對象的OBDTW算法計算曲線相似度。在基于對象的方法中，首先需要獲取地物類型純凈的對象單元。因此，使用eCognition軟件對研究區同一年份的一景無云Sentinel-2多光譜影像進行多尺度對象分割[18-19]。其中Scale parameter參數設為100、Shape參數設為0.1、Compactness參數設為0.5。通過對象分割后，每一對象單元的后向散射系數為該對象內所有像元的后向散射系數平均值，將得到的結果與標準后向散射系數曲線進行DTW距離計算，得到該對象的地物相似度。

3.4 隨機森林分類與驗證

隨機森林是一種非參數化的機器學習算法[20]，具有準確性高、無需剪枝、較少出現過擬合現象、能容忍一定的干擾和異常值、訓練速度較快等優點，被廣泛應用于遙感圖像分類[21-22]。本研究利用隨機森林模型分別對PBDTW時序相似度、PBDTW時序相似度+時序統計參數、OBDTW時序相似度以及OBDTW時序相似度+時序統計參數共4種組合進行分類，提取水稻種植結構。根據野外調查獲得的實地樣本點，利用混淆矩陣對分類結果進行精度驗證。

4 結果與分析

4.1 典型地物后向散射系數標準曲線特征

由于不同地物VH極化、VV極化模式下后向散射系數曲線大體相似，因此以VH極化模式為例，對不同地物后向散射系數年時序曲線結果（圖3）進行分析。

由圖3可知，單季稻為一年一熟作物，生長周期在4至5個月左右，生長時間集中在6—10月多雨時間段。雙季稻在時序曲線上有2個明顯的波峰，旱季和雨季各有一次峰值出現，旱季水稻需人為灌溉，生長周期較短，一般持續3個月左右；雨季水稻生長期較長，一般持續5個月左右。甘蔗、木薯為一年一熟或多年生的旱地作物，時序曲線上都存在一個明顯的波峰。但與單季稻相比，甘蔗和木薯生長周期更長，二者的時序曲線均有明顯的長時間段的波型圖出現，橫跨旱季雨季2季。林地的時序曲線波動較小，與其他地物區別明顯。

圖3 不同地物VH極化后向散射系數標準曲線

4.2 時序統計參數特征

根據時序曲線計算的后向散射系數的最大值、最小值、均值和標準差的空間分布如圖4所示。

最大值和最小值反映的是地物后向散射系數年內變化范圍。通常情況下，水體復介電常數較大，表面光滑，產生鏡面反射，其后向散射系數年最大值在所有地類中為最低。最大值反映的是一年內地物在特定時期的最強后向散射能力，因此，除水體外，最大值對其他不同地物的區分能力較弱。從圖4a可以看出，大部分地區的后向散射系數最大值均較高，高值區主要分布在湄南河東部，這是因為在水稻生長過程中，由于灌水期的存在，其后向散射系數在年內存在最小值，其值與水體較為接近。而旱地作物與林地不存在灌水期，其后向散射系數的最小值較高。在圖4b中，不同地物的后向散射系數最小值差異較為明顯，低值區主要分布在湄南河東岸，高值區主要位于河岸兩側以及東部高地。均值是對一年內地物時序后向散射系數的平均。由于灌水期的存在，水稻的年后向散射系數均值低于旱地作物和林地，而雙季稻一年內存在2次灌水期，其均值低于單季稻。在圖4c中，均值的空間分布格局與圖4b相似。標準差反映了地物后向散射系數年際變化的離散程度。由于年內后向散射系數變化較大，水稻的后向散射系數具有較大的標準差。而林地和水體的年內后向散射系數較為穩定，因此標準差較小。從圖4d可以看出，研究區地物后向散射系數標準差的高值區位于湄南河東岸，低值區則沿河兩岸分布。總體看，不同的時序統計參數在空間上具有不同的格局特征，在一定程度上可以指示不同的地物類型，如水體、林地、單季稻、雙季稻等。因此，結合這些時序統計特征有助于對水稻種植結構的識別。

4.3 分類結果及精度評價

將時序特征參數、時序曲線隸屬度相結合，輸入隨機森林分類器中，得到最終的地類提取結果，如圖5所示。分別計算不同分類算法的用戶精度與生產者精度，結果如表1所示。

圖4 時序統計參數計算結果

圖5 不同特征組合的分類結果

由表1可知，PBDTW識別單季稻用戶精度和生產者精度分別為72.19%和73.65%，雙季稻為79.33%和78.81%。主要的誤分存在于單季稻和木薯之間。OBDTW算法對單季稻識別的用戶精度和生產者精度分別為76.16%和77.18%，雙季稻為83.33%和78.62%。OBDTW算法識別對單季稻與木薯的誤分有所減少。總體看，OBDTW算法對水稻的識別精度稍高于PBDTW，單季稻用戶精度、生產者精度分別提高3.97和3.53個百分點，2種方法對雙季稻的識別精度相差不大。此外，OBDTW算法的分類結果圖破碎化程度低，圖像整體性較好，但也會損失一定紋理信息。PBDTW算法雖然可以保留大部分紋理信息，但圖像破碎化程度高，椒鹽現象明顯。

加入時間序列統計特征后，2種分類算法的分類精度均有較明顯的提高。PBDTW算法結合時序統計參數識別單季稻的用戶精度、生產者精度分別為78.81%和80.41%，相較于僅使用PBDTW算法提高6.62和6.76個百分點。雙季稻的識別精度分別為84.67%和82.47%，分別提高5.34和3.66百分點。單季稻與雙季稻間、單季稻與木薯的誤分都得到一定程度的改善。

OBDTW算法結合時序統計特征對單季稻識別的用戶精度為81.46%，生產者精度為82.00%，相較于僅使用OBDTW算法分別提高5.3和4.82個百分點，雙季稻識別的用戶精度為86.67%，生產者精度為84.08%，相較于僅使用OBDTW算法分別提高3.34和5.46個百分點。總體看，4種方法中OBDTW算法結合時序統計參數對單季稻、雙季稻識別精度均為最高。

表1 不同特征組合分類精度的混淆矩陣

5 討 論

由于作物光譜特征的復雜性，單景影像通常難以對雙季水稻進行有效區分。近年來，基于時間序列影像的分類方法得到越來越多的重視，時間序列影像中包含的時序信息可以作為土地覆蓋識別的重要分類依據[23-24]。常見方法為構建NDVI時間序列，利用不同作物的NDVI時序曲線差異為作物分類提供有效支持[7-8,24]。但中南半島雨季云覆蓋嚴重，無法獲取足夠多的高質量多光譜影像，對時序曲線的構建影響較大[24]。Savitzky-Golay濾波在一定程度上可以降低云覆蓋影響，但對于長時間處于云覆蓋區域則無能為力。若使用其他影像插補不但費時費力，曲線的真實性也會大打折扣，不利于進一步曲線匹配。雷達數據不受云雨天氣影響，在雨季同樣可獲取高質量影像數據，對于熱帶地區的作物制圖具有極大潛力[25-26]。本研究中，2018年共有46景Sentinel-1 SAR數據可用，時間分布較為均勻，較好地保證了時序曲線的完整性。以完整作物生長時間序列曲線為依據，進行水稻種植模式的提取，可更為充分地挖掘水稻生長過程中的變化信息，使雙季稻的識別有更好的分類依據。

由于東南亞地區水熱條件適宜，水稻種植時間靈活，本研究引入DTW方法，計算時序曲線相似性度。通PBDTW和OBDTW兩種算法計算的曲線相似度的對比發現，OBDTW算法以對象為運算單位，計算量遠少于PBDTW算法，適合進行大區域分析，同時分類精度也有提高。這是因為雷達影像存在椒鹽現象，PBDTW算法以像元為比對單位，單個像元受噪聲影響較大，對時序曲線的構建及比較產生影響，進而造成錯分。而OBDTW算法在影像對象分割的基礎上，通過計算對象內所有像元后向散射系數的平均值，從而減少噪聲影響。需要注意的是，DTW算法更注重曲線形態上的匹配，會對曲線進行一定程度的拉伸或壓縮，忽略了曲線長短的差異，有可能存在時間過度對齊問題[27]，造成不同地類間的誤分。例如，PBDTW算法對單季稻與木薯的識別誤分較多，雖然兩者的時序曲線都為單峰，但生長周期差別明顯。而DTW算法基于動態匹配算法，可能會忽略生長周期長短的差異而將二者識別為同一地物。通過時序統計參數的引入，從統計特征上對時序曲線的相似性進行補充，進一步挖掘時序曲線本身的定量信息，減少了誤分情況的發生。此外，基于DTW算法的曲線匹配結果為待識別地物曲線與標準地物曲線間的隸屬度，隸屬度越高則兩者屬于同一地物的可能性越大，這就需要設定合理的隸屬度閾值來實現不同地物的精確劃分。通常情況下，閾值通過人為設定，本研究利用隨機森林分類器通過模型優選自動選取閾值，一定程度上減少了人為因素的主觀影響。

6 結 論

1）利用時間序列Sentinel-1 SAR數據構建地物后向散射系數年際變化曲線能較好地反映作物生長信息，通過時序曲線相似性匹配，并結合曲線統計特征參數，可提高多云多雨地區水稻復雜種植信息提取精度。

2）時序統計特征參數的加入，對基于時序曲線相似性的水稻信息提取構成有益補充，進一步提高分類精度。試驗結果表明，基于像元的動態時間規整算法結合時序統計特征，使單季稻提取的用戶精度和生產者精度分別提高6.62和6.76個百分點；雙季稻分別提高5.34和3.66個百分點。基于對象的動態時間規整算法結合時序統計特征，使單季稻提取的用戶精度和生產者精度分別提高5.3和4.82個百分點，雙季稻分別提高3.34和5.46個百分點。

3）基于對象的動態時間規整算法通過計算對象內所有像元后向散射系數均值減少噪聲影響，分類精度優于基于像元的動態時間規整算法，且圖像整體性更好。總體看，基于對象的動態時間規整算法結合時序統計參數識別的水稻提取精度最高，其中，單季稻用戶精度和生產者精度分別為81.46%和82.00%，雙季稻為86.67%和84.08%。

[1] 肖昕，劉迪林，江奕君，等. 泰國水稻產業的現狀與啟示[J]. 中國稻米，2017，23(6)：80-83. Xiao Xin, Liu Dilin, Jiang Yijun, et al. Current status of rice industry in Thailand and its revelation[J]. China Rice, 2017, 23(6): 80-83. (in Chinese with English abstract)

[2] 彭既明. 泰國水稻生產概要[J]. 作物研究，1999(2)：38-39.

[3] 呂婷婷，劉闖. 基于MODIS數據的泰國耕地信息提取[J]. 農業工程學報，2010，26(2)：244-250. Lyu Tingting, Liu Chuang. Extraction of information of cultivated land using time-series MODIS data in Thailand[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 244-250. (in Chinese with English abstract)

[4] 左麗君，董婷婷，汪瀟，等. 基于MODIS/EVI的中國北方耕地復種指數提取[J]. 農業工程學報，2009，25(8)：141-146. Zuo Lijun, Dong Tingting, Wang Xiao, et al. Multiple cropping index of Northern China based on MODIS/EVI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(8): 141-146. (in Chinese with English abstract)

[5] 張春桂，林晶，吳振海，等. 基于MODIS數據的水稻種植面積監測方法研究[J]. 自然資源學報，2007，22(1)：1-8. Zhang Chungui, Lin Jing, Wu Zhenhai, et al. Study on method of monitoring rice planting area based on MODIS data[J]. Journal of Natural Resources, 2007, 22(1): 1-8. (in Chinese with English abstract)

[6] 管續棟，黃翀，劉高煥，等. 基于DTW距離的時序相似性方法提取水稻遙感信息：以泰國為例[J]. 資源科學，2014，36(2)：267-272. Guan Xudong, Huang Chong, Liu Gaohuan, et al. Extraction of paddy rice area using a DTW distance based similarity measure[J]. Resources Science, 2014, 36(2): 267-272. (in Chinese with English abstract)

[7] Guan Xudong, Huang Chong, Liu Gaohuan, et al. Mapping rice cropping systems in Vietnam using an NDVI-based time-series similarity measurement based on DTW distance[J]. Remote Sensing, 2016, 8(1): 19.

[8] 苗翠翠，江南，彭世揆，等. 基于NDVI時序數據的水稻種植面積遙感監測分析：以江蘇省為例[J]. 地球信息科學學報，2011，13(2)：273-280. Miao Cuicui, Jiang Nan, Peng Shikui, et al. Extraction of paddy land area based on NDVI time-series data: Taking Jiangsu province as an example[J]. Journal of Geo-Information Science, 2011, 13(2): 273-280. (in Chinese with English abstract)

[9] Oliphant A J, Thenkabail P S, Teluguntla P, et al. Mapping cropland extent of Southeast and Northeast Asia using multiyear time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 81: 110-124.

[10] Belgiu M, Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis[J]. Remote Sensing of Environment, 2018, 204: 509-523.

[11] 鐘禮山，李滿春，伍陽，等. 利用SAR影像時間序列的耕地提取研究[J]. 地理科學進展，2015，34(7)：830－839. Zhong Lishan, Li Manchun, Wu Yang, et al. Cropland extraction using SAR time series image[J]. Progress in Geography, 2015, 34(7): 830－839. (in Chinese with English abstract).

[12] Clauss K, Ottinger M, Künzer C. Mapping rice areas with Sentinel-1 time series and superpixel segmentation[J]. International Journal of Remote Sensing, 2018, 39(5): 1399-1420.

[13] Lasko K, Vadrevu K P, Tran V T, et al. Mapping double and single crop paddy rice with Sentinel-1A at varying spatial scales and polarizations in Hanoi, Vietnam[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2): 498-512.

[14] Torbick N, Chowdhury D, Salas W, et al. Monitoring rice agriculture across myanmar using time series Sentinel-1 assisted by Landsat-8 and PALSAR-2[J]. Remote Sensing, 2017, 9(2): 119.

[15] 左明. 泰國農業考察報告[J]. 廣西農學報，2002(2)：60-62.

[16] 胥為，周云軒，沈芳，等. 基于Sentinel-1A雷達影像的崇明東灘蘆葦鹽沼植被識別提取[J]. 吉林大學學報：地球科學版，2018，48(4)：1192-1200. Xu Wei, Zhou Yunxuan, Shen Fang, et al. Recognition and extraction of phragmites australis salt marsh vegetation in Chongming tidal flat from Sentinel-1A SAR data[J]. Journal of Jilin University: Earth Science Edition, 2018, 48(4): 1192-1200. (in Chinese with English abstract)

[17] 李俐，孔慶玲，王鵬新，等. 基于時間序列Sentinel-1A數據的玉米種植面積監測研究[J]. 資源科學，2018，40(8)：1608-1621. Li Li, Kong Qingling, Wang Pengxin, et al. Monitoring of maize planting area based on time-series Sentinel-1A SAR data[J]. Resources Science, 2018, 40(8): 1608-1621. (in Chinese with English abstract)

[18] Blaschke T, Hay G J, Kelly M, et al. Geographic object-based image analysis–towards a new paradigm[J]. SPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 180-191.

[19] Li Manchun, Ma Lei, Blaschke T, et al. A systematic comparison of different object-based classification techniques using high spatial resolution imagery in agricultural environments[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 49: 87-98.

[20] 何云，黃翀，李賀，等. 基于Sentinel-2A影像特征優選的隨機森林土地覆蓋分類[J]. 資源科學，2019，41(5)：992-1001. He Yun, Huang Chong, Li He, et al. Land-cover classification of random forest based on Sentinel-2A image feature optimization[J]. Resources Science, 2019, 41(5): 992-1001. (in Chinese with English abstract)

[21] Gómez C, White J, Wulder M A. Optical remotely sensed time series data for land cover classification: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[22] 陳元鵬，羅明，彭軍還，等. 基于網格搜索隨機森林算法的工礦復墾區土地利用分類[J]. 農業工程學報，2017，33(14)：250-257. Chen Yuanpeng, Luo Ming, Peng Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250-257. (in Chinese with English abstract)

[23] Vuolo F, Neuwirth M, Immitzer M, et al. How much does multi-temporal Sentinel-2 data improve crop type classification?[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 122-130.

[24] Huang Chong, Zhang Chenchen, He Yun, et al. Land Cover Mapping in Cloud-Prone Tropical Areas Using Sentinel-2 Data: Integrating Spectral Features with NDVI Temporal Dynamics[J]. Remote Sensing. 2020, 12(7): 1163.

[25] Clauss K, Ottinger M, Leinenkugel P, et al. Estimating rice production in the Mekong Delta, Vietnam, utilizing time series of Sentinel-1 SAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73: 574-585.

[26] Singha M, Dong Jinwei, Zhang Geli, et al. High resolution paddy rice maps in cloud-prone Bangladesh and Northeast India using Sentinel-1 data[J]. Scientific Data, 2019, 6(1): 1-10.

[27] Guan Xudong, Liu Gaohuan, Huang Chong, et al. An open-boundary locally weighted dynamic time warping method for cropland mapping[J]. ISPRS International Journal of Geo-Information, 2018, 7(2): 75.

Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration

Huang Chong1,3, Xu Zhaoxin2, Zhang Chenchen1,4, Li He1, Liu Qingsheng1, Yang Zhenkun2, Liu Gaohuan1

(1.,,,100101,; 2.,,100083,; 3.,,,100101,; 4.,100049,)

Rapid and accurate extraction of rice planting information is of great significance for regional rice planting monitoring, yield evaluation and production management. Thailand is located in the central part of Indo-china Peninsula, with a humid tropical monsoon climate, with an annual average temperature of 27 ℃ and an annual average precipitation of more than 1 000 mm. Many areas are suitable for double rice cultivation. However, because of the long rainy season and large amount of cloud, it is difficult to obtain high-quality optical remote sensing images for crop classification. In addition, the diversity of rice planting structure also hinders the accurate recognition of complex rice planting modes based on traditional optical images. In this paper, a multi-feature classification method for rice planting information extraction based on time series Sentinel-1 SAR data was proposed. First, all sentinel-1 SAR data available in a whole year were used to construct the time series profiles of backscatter coefficient at the pixel level and object level, respectively. The backscatter coefficient profiles were de-noised based on Savitzky-Golay filtering algorithm using the TIMESAT software, then the Dynamic Time Warping (DTW) distance-based algorithm at the pixel level (Pixel-Based DTW, PBDTW) and object level (Object-Based DTW, OBDTW) were applied to measuring the similarity of backscatter coefficient profiles between the target land classes and reference land classed. Furthermore, the max value, min value, mean and standard deviation of the backscatter coefficient were calculated. The time series statistical feature parameters were then integrated with membership features for Random Forest classification, and the performance of different combinations were assessed based on classification confusion matrix. The results showed that backscatter coefficient profile was an effective way to represent the phenological information contained in time-series Sentinel-1 SAR data. By matching the similarity of time series profiles, single rice and double rice could be well identified from other crops. After adding the time series statistical feature parameters, the user’s accuracy and the producer’s accuracy of PBDTW algorithm increased by 6.62 and 6.76 percentage points for single rice, and by 5.34 and 3.66 percentage points for the double rice. Compared with the OBDTW algorithm only, the user’s accuracy and the producer’s accuracy of OBDTW combined with time series statistical feature parameters algorithm increased by 5.3 and 4.82 percentage poins for single rice, and 3.34 and 5.46 percentage points for double rice. The results also indicated that OBDTW algorithm could reduce the influence of noise by calculating the average value of backscatter coefficients of all pixels belonging to the object, so the classification accuracy of OBDTW algroithm was higher than that of PBDTW algorithm. The combination of OBDTW together with time series statistical feature parameters had the highest classification accuracy, with the user’s accuracy 81.46% and producer’s accuracy 82.00% for single rice, and 86.87% and 84.08% for double rice, respectively. The results can provide a new way to extract rice planting information in the cloudy and rainy tropics.

rice; extraction; data processing; SAR; time series data; dynamic time warping; random forest; Sentinel-1

黃翀，許照鑫，張晨晨，等. 基于Sentinel-1數據時序特征的熱帶地區水稻種植結構提取方法[J]. 農業工程學報，2020，36(9)：177-184.doi：10.11975/j.issn.1002-6819.2020.09.020 http://www.tcsae.org

Huang Chong, Xu Zhaoxin, Zhang Chenchen, et al. Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 177-184. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.09.020 http://www.tcsae.org

2019-12-17

2020-03-11

中國科學院A類戰略性先導科技專項“地球大數據科學工程”（XDA19060302）；國家自然科學基金項目（41561144012）

黃翀，博士，副研究員，主要研究方向：時間序列遙感分析。Email：huangch@lreis.ac.cn

10.11975/j.issn.1002-6819.2020.09.020

P237

A

1002-6819(2020)-09-0177-08