基于光學與雷達遙感的山地油菜分布提取研究

王克曉，周 蕊，歐 毅，虞 豹，黃 祥，王 茜

重慶市農業科學院，重慶 401329

油菜是我國第一大油料作物，準確、及時掌握其種植面積是國家制定糧油和經濟計劃的重要依據[1-2]．遙感具有覆蓋面積大、重訪周期短等特點，在農作物分布調查中具有比較明顯的優勢[3-4]．西南地區是我國冬油菜的主產區，產季適逢冬春多云多霧季節，使得較為成熟的基于多時相光學遙感的農作物分布信息提取技術因數據獲取問題而較難開展．合成孔徑雷達(Synthetic Aperture Radar，SAR)遙感由于不受云霧影響，具有全天候、全天時、周期短等特點，為我國西南多云霧地區農作物分布識別提供了有力的數據支撐[5-6]．

近年來，國內外諸多學者對SAR和光學影像的結合應用開展了相關研究．Blaes等[7]用光學遙感和微波遙感比較了復雜種植結構下作物分類的精度，探索了光學和微波遙感數據相結合的最佳方式．Haldar等[8]融合多時相Radarsat雷達數據與AWIFS遙感數據實現了水稻與其他作物的分離．Kussul等[9]結合SAR數據與光學數據有效區分烏克蘭地區的玉米、大豆、甜菜等作物．韓可欣等[10]利用Sentinel-1雷達數據在貴州高原山區進行短期土地利用監測研究，驗證了利用SAR監測高原山區土地利用變化的有效性．賈坤等[11]利用資源衛星多光譜數據與ENVISAT-ASAR數據結合，通過光譜信息與雷達VV極化數據增強不同地物之間的光譜差異，提高了作物分類精度．周濤等[12]以多時相Sentinel-1雷達和Landsat-8光學影像為數據源，在南京市高淳區構建了不同的特征向量組合來提取冬小麥種植面積，證明引入光學影像的多時相SAR數據能夠有效提高冬小麥識別精度．郭交等[13]融合Sentinel-1雷達影像和Sentinel-2光學影像，對陜西省渭南市大荔縣某農場農作物進行分類提取，獲取了比光學數據較高的分類結果．陳磊士等[14]結合Landsat8和Sentinel-1影像，在昆明市主城區驗證了基于機器學習分類算法的光學與雷達融合數據在土地利用分類信息提取方面的可行性．

上述多項研究表明，中高分辨率的光學與SAR數據結合能夠較好地應用于農作物種植面積提取中，但在種植結構復雜、地塊破碎的我國西南丘陵山區冬季作物提取中，相應研究卻相對較少．本研究以丘陵山區地貌為代表的重慶市合川區為例，利用2019年冬油菜產季的單時相Sentinel-2光學數據和多時相Sentinel-1 SAR影像為數據源，構建光學影像主成分特征波段、植被指數和不同極化時間序列后向散射系數特征集等組合，以支持向量機為分類器，對研究區冬油菜分布進行識別提取，探索中高分辨率多時相SAR與光學數據對丘陵山區冬油菜種植面積提取的能力，為我國西南地區農作物信息提取提供參考．

1 研究區和數據源

1.1 研究區概況

本研究區位于重慶市合川區，地理坐標為東經105°58′37″-106°40′37″，北緯29°51′02″-30°22′24″之間，全區幅員面積2 344.07 km2(圖1)．合川區地處川中丘陵和重慶平行嶺谷的交接地帶，東南邊緣的華鎣山區為平行嶺谷地形，西北大部分為平緩丘陵地型．研究區內地塊破碎，作物種植結構復雜，大宗作物主要以冬油菜、早稻及春玉米等為主，其中油菜作物物候期如表1．油菜作物開花期和黃熟期冠層光譜特征明顯，綠熟期由于角果含水量增加使得冠層雷達散射特征也較為明顯，因此，基于光學與雷達遙感協同的油菜識別最佳時期為開花期至黃熟期間．

表1 研究區油菜作物物候期

圖1 研究區位置及地貌圖

1.2 雙極化SAR數據

主要采用Sentinel-1的干涉寬幅模式( interferometric wide swath，IW)雙極化地距影像產品，像元分辨率為10 m×10 m，極化方式為同極化(VV極化)和交叉極化(VH極化)，坐標采用 UTM/WGS84投影系統，其中包括2018年12月23日和2019年1月4日、1月16日、1月28日、2月9日、2月21日、3月5日、3月17日、3月29日、4月10日、4月22日、5月4日等 12個時間節點，基本涵蓋了研究區油菜生長發育主要過程．

1.3 光學遙感數據

主要采用Sentinel-2多光譜數據和GF-1影像數據，參考系為WGS-84坐標系，其中，GF-1為已經過正射校正的空間分辨率為2 m的融合多光譜圖像，成像時間為2019年3月29日．Sentinel-2數據為2019年4月7日成像的L1C級多光譜產品數據，為正射影像且經過輻射定標、去噪等預處理，其可見光與近紅外波段空間分辨率為10 m，紅邊及短波紅外波段空間分辨率為20 m，Sentmel-2數據主要多光譜波段信息如表2．另外，本研究還獲取了研究區局部地區2019年3月11日Google Earth衛星影像圖，作為樣本選取和制作地物類型剖線的參考底圖．

表2 Sentinel-2影像主要多光譜波段信息

2 研究方法

2.1 數據預處理

主要利用 SNAP(Sentinel Application Platform)對Sentinel-1雙極化SAR數據和Sentinel-2多光譜影像進行預處理．多時相 SAR數據的預處理主要包括精密軌道校正、輻射定標、濾波、地形校正以及數據變換等過程，得到以dB為單位的地物后向散射系數定標結果；多光譜光學影像預處理主要是在Sen2Cor插件工具下大氣校正和Sen2Res插件下的數據重采樣，得到涵蓋可見光—紅邊—近紅外—短波紅外等10個空間分辨率為10 m×10 m的多光譜波段集．以GF-1融合圖像為參考對經處理過的Sentinel-1 SAR影像和Sentinel-2多光譜影像做幾何校正，誤差小于1個像元．

2.2 特征集獲取

本研究所涉及特征集主要有光學影像主成分波段、植被指數、單時相SAR及多時相SAR數據集構成．其中，主成分三波段通過對光學影像進行主成分分析(Principal Components Analysis，PCA))獲得，不同時相的SAR數據集影像為經預處理的12期雷達影像后向散射系數定標結果，植被指數(NDVI)及其改進指數(NDVI-RE)[15]主要通過紅波段B4、紅邊波段B7、近紅外波段B8等波段提取，植被指數及改進指數分別用fNDVI和fNDVI-RE表示，公式如下：

fNDVI=(B8-B4)/(B8+B4)

(1)

fNDVI-RE=(B7-B4)/(B7+B4)

(2)

2.3 樣本數據獲取

在油菜開花期，基于Google Earth高清影像建立包含綠色植被、裸地及水體等不同地物類型的剖線如圖2(a)，綠熟期影像剖線路徑如圖2(b)，對應剖線路徑上fNDVI變化趨勢如圖3．通過剖線路徑定位確定不同地物在多光譜影像上的fNDVI值，初步確定以fNDVI≥0.548為研究區綠色植被的分布范圍，并以此為掩膜建立目標作物提取潛在興趣區．根據油菜物候期內綠色植被的主要類型確定油菜、林地、其他綠色植被等3種識別類型，并從GF-1多光譜影像和Google Earth影像上目視獲取標準樣本點集410個，采用分層隨機抽樣方法選擇樣本集的50%作為訓練樣本，剩下的50%被用于執行分類精度評定．

圖2 地物剖線走向

圖3 剖線NDVI變化曲線

為了定量評價樣本的可分離性用以區分油菜與林地、同期其他綠色植被，分別基于光學影像PCA和SAR影像及其組合計算了不同特征集組合典型地物的J-M距離[16]，計算結果見表3．可以看出：在光譜主成分特征下，油菜樣本特征與林地樣本特征J-M值為1.910，同期其他綠色植被J-M值僅為1.385；在SAR影像散射特征下，油菜與林地可區分程度值下降至1.797，而與其他綠色植被間的可區分性特征值提高到1.722；在融入光學主成分特征波段與多時相SAR圖像的條件下，油菜樣本與林地、同期其他植被的可區分J-M值均在1.9以上，表明在光學和SAR數據的組合下，油菜與林地、同期其他植被的可區分性最高．

利用ENVI 5.3對Sentinel-2多光譜影像進行面向對象分割，Edge切割算法選擇尺度20，Full Lambda Schedule合并算法選擇尺度50．對地物分割對象與樣本點集進行相關分析，獲取訓練樣本與驗證樣本的對象多邊形．分割對象與預處理的多時相SAR及多光譜圖像進行相關空間統計分析，并獲取對象內的圖像均值，獲取分割對象層次的SAR散射系數產品和反射率產品．

2.4 分類器選擇

支持向量機分類是在統計學習理論基礎上發展起來的一種新的機器學習方法[17]，通過引入VC維理論能有效控制網絡的收斂速度、樣本錯分的界和風險，得到小樣本條件下的全局最優解，已廣泛應用于遙感圖像分類識別研究中[18]．

3 結果與分析

3.1 典型地物光譜特征

利用ASD-HH2手持地物光譜儀采集綠熟期油菜、道路、草地、水田及裸地等典型地物光譜曲線，如圖4，油菜與雜草地的綠色植被光譜特征明顯，油菜作物反射率整體高于草地，反射率在紅邊波段B5位置開始明顯區分，紅邊B6位置達到最大區分，紅邊B7位置達到穩定．

圖4 典型地物光譜曲線

3.2 典型地物后向散射特征

由不同典型地物樣本對象的后向散射系數變化如圖5所示，綠色植被的VV極化SAR后向散射系數明顯整體高于VH極化方式，其中林地與其他綠色植被散射特征時相變化趨勢基本穩定，油菜在整個生長發育期內散射特征變化較為明顯．從特征變化與物候期關系可以看出：油菜VV極化散射特征在現蕾期基本穩定在-64.3 dB，進入開花期后，散射特征系數有所減小；綠莢期油菜散射系數較大幅度增加，在處于綠熟期的4月10日上升到最高的-62.6 dB，之后黃熟期出現下降；油菜VH極化散射特征在現蕾及開花期均保持基本穩定，綠莢期大幅增加，綠熟時達到最大值-67.7 dB，黃熟期開始下降．上述后向散射變化特點表明：抽薹期油菜進入營養與生殖生長兩旺階段，隨著莖稈、葉片等器官水分積累增加，冠層散射作用較為明顯；開花期油菜各器官水分分配發生較大變化，莖稈水分所占比例基本維持不變，葉片所占水分大幅減少，冠層水分積累速率降低，導致VV極化出現下降趨勢，而VH極化對此過程卻不敏感；綠莢期油菜呈現以莖稈、角果為主的垂直冠層結構，伴隨著葉片退化水分轉移至角果，VV極化及VH極化均出現上升趨勢，角果成熟過程中，冠層脫水較為明顯，含水量快速下降，SAR極化特征均出現下降．

3.3 基于植被指數的油菜識別精度分析

基于圖5可知，處于綠熟期的油菜在VV及VH極化特征上都明顯區分于林地和其它綠色植被．本研究將綠熟期4月10日成像的SAR數據作為最佳單時相SAR數據，與4月7日成像的光學影像進行PCA變換融合處理，并記作PCA_SAR．基于光學影像PCA主成分波段與SAR后向散射特征集組合的丘陵山區油菜信息提取精度見表4．

表4 不同方案組合下提取精度

圖5 典型地物多時相下不同極化后向散射系數變化

為探索植被指數及紅邊波段對丘陵山地復雜地貌地區油菜提取精度的改善效果，本研究引入了植被指數(NDVI)及紅邊波段改進的植被指數(NDVI-RE)進行精度對比．基于光學影像PCA主成分分析前三波段的研究區油菜分布信息遙感識別精度見方案A，油菜制圖精度46.07%，用戶精度87.23%，總體精度55.50%，Kappa系數0.27，整體精度較低．在引入植被指數后，油菜漏分誤差減小，油菜制圖精度提高到85.39%，用戶精度下降到77.55%，制圖精度與用戶精度的調和值F1上升到0.81，總體精度達到69.80%，Kappa系數提升到0.53．方案C為引入NDVI-RE指數后油菜提取精度情況，油菜制圖精度提高到89.89%，用戶精度為69.57%，F1值為0.78，總體精度達到69.31%，Kappa系數0.52．上述A、B、C三方案的精度比較說明：盡管B4紅波段、B7紅邊波段和B8近紅外波段信息參與了光學影像PCA主成分分析提取，但這3個通常對綠色植被敏感的波段的作用在油菜信息提取時并沒有凸顯，可見在綠色作物識別中，NDVI及NDVI-RE能夠起到明顯改善識別精度的作用；再從方案B、C的比較結果看，NDVI-RE對油菜提取的總體效果影響不大，但對于油菜制圖精度影響較大，能夠明顯減小油菜的漏分誤差，對于處于綠莢物候期的油菜信息提取，紅邊B7波段比近紅外B4波段更加有效．

3.4 融入SAR后向散射特征的油菜識別精度分析

在地塊破碎、種植結構復雜區域，單一的極化方式和低空間分辨率大大限制了農作物SAR分類識別的效果．為進一步探索SAR散射特征在丘陵山地油菜分布識別中的作用，本研究進一步利用了單時相多極化和多時相多極化SAR數據進行油菜分類提取研究．從表4中方案A和方案D對比可以看出，在引入綠熟期單時相SAR數據后，由于油菜冠層角果含水量增加，油菜作物雷達散射特征得到加強，油菜漏分誤差減小，制圖精度由46.07%提高到66.29%，總體精度達到60.40%，Kappa系數也有所提升，表明引入適宜單時相SAR數據有助于地塊復雜地區的油菜遙感識別制圖精度的改善．方案E為12期多時相多極化SAR數據下油菜分布提取結果，可以看出在多時相SAR數據VV+VH特征組合下，油菜制圖精度比光學影像PCA特征下高出15.74%，其它精度指標變化不大，說明多極化SAR數據在一定程度上可以替代光學影像用于丘陵山地地塊破碎地區油菜種植分布信息的提取，與周濤等[12]利用多時相SAR與光學影像提取南京高淳區冬小麥分布研究結果一致．方案F為光學影像PCA特征與多時相SAR散射特征組合下的研究區油菜提取結果精度情況，可以看出油菜制圖精度由E方案的61.81%提升到70.79%，用戶精度從71.43%提高到85.14%，F1調和值上升到0.77，總體精度也提高了10%左右，Kappa系數提高0.16．上述研究證明：在云霧影響獲取油菜物候期內多時相光學數據困難的情況下，以多時相SAR數據為主導，光學影像為補充的方法是提高西南丘陵山地地塊破碎、種植結構復雜地區油菜作物遙感識別精度的可靠途徑．

4 討論與結論

本研究基于中高空間分辨率的光學影像和SAR數據，考慮到尺度和紅邊波段問題，采用了與Sentinel-1雙極化地距影像同尺度的空間分辨率為10 m的Sentinel-2多光譜影像，利用單時相光學影像和多時相多極化SAR數據，構建了光學影像PCA主成分特征波段、不同植被指數和不同極化時間序列后向散射系數特征集等組合，對重慶市合川區為代表的西南丘陵山區油菜分布進行提取，得到以下結論：

1) 在丘陵山地復雜地區，植被指數能夠有效改善油菜信息提取精度，但不同植被指數改善效果不同．Sentinel-2影像紅邊波段B7比近紅外波段B8更有效，引入B7紅邊波段指數NDVI-RE，油菜制圖精度提高4.5%．

2) 在油菜生長過程中，VV極化后向散射特征對物候期引起的作物冠層含水率變化較為明顯，在4月10日左右的綠熟期達到最大值；VH極化后向散射特征在開花期前相對不明顯，但對油菜綠莢期反應較為敏感，比VV極化提前出現明顯變化，且在綠熟期與其他植被后向散射特征差異達到最大．

3) 引入綠熟期單時相SAR數據，由于該時期內油菜冠層角果含水量增加，油菜作物雷達散射特征加強，油菜制圖精度由46.07%提高到66.29%，F1調和值上升到0.72，總體精度提高到60.40%，Kappa系數也有所提升，說明適宜物候期的單時相SAR數據特征的引入可以提高地塊破碎地區農作物識別精度．

4) 在一定程度上，多時相極化SAR數據VV+VH特征組合可以替代光學影像用于丘陵山地地塊破碎地區油菜種植分布信息的提取．光學影像PCA特征與多時相SAR散射特征組合下，油菜制圖精度、用戶精度均有所提高，總體精度提高了10%左右，Kappa系數提高0.16，結合光學數據與多時相SAR影像能有效提高丘陵山地復雜地區的作物識別精度．

綜上所述，在西南多云霧地區，當獲取作物關鍵物候期內多時相光學影像困難時，以時間序列SAR數據為主導，光學影像為補充的方法在西南丘陵山地地區作物種植信息提取是一種較為可靠的方法．今后研究中，選用更高空間分辨率的光學影像及空間尺度匹配的SAR等數據進行協同分析，以改善丘陵山區農作物種植信息提取結果，是進一步研究的重點．