基于多時相Sentinel-1A數(shù)據(jù)的水稻面積提取

夏俊 蘇濤 劉麗娜 王建 朱菲 廖晉一

摘要： 合成孔徑雷達（SAR）具有全天候、全天時獲取遙感影像的能力，因此在南方多陰雨地區(qū)有著較高的應用潛力。本研究以江蘇省鹽城市建湖縣為研究區(qū)域，選用當?shù)厮旧L周期內(nèi)的長時間序列Sentinel-1A影像作為數(shù)據(jù)源，依據(jù)光譜微分變換分析法，采用一種雷達微分變換的方法，通過對長時間序列SAR影像進行一階和二階微分變換處理，選取其中水稻與其他地物后向散射系數(shù)差異明顯的時間段，再利用支持向量機（SVM）模型進行分類從而獲取水稻信息。與利用多時相極化SAR影像的閾值分類法進行比較可知，基于二階微分變換的SVM分類方法優(yōu)于閾值分類方法，其總體精度為89.88%，Kappa系數(shù)和F1值分別為0.841 2 和0.879 5 ，水稻提取面積為525.32 km 2 ，相對誤差為11.58%。說明，經(jīng)過微分變換的時序SAR數(shù)據(jù)結合SVM模型進行分類可以進一步提高水稻面積提取精度，為作物識別提供了一種新的思路。

關鍵詞： 水稻面積; 長時間序列; Sentinel-1A; 微分變換; 閾值分類

中圖分類號： TP79?? 文獻標識碼： A?? 文章編號： 1000-4440（2022）03-0666-09

Rice area information extraction based on multi-temporal Sentinel-1A data

XIA Jun 1，2，3 ， SU Tao 1，2，3 ， LIU Li-na 1，2，3 ， WANG Jian 1，2，3 ， ZHU Fei 1，2，3 ， LIAO Jin-yi 1，2，3

（1.School of Spatial Informatics and Geomatics Engineering， Anhui University of Science and Technology， Huainan 232001， China; 2.Key Laboratory of Aviation-Aerospace-Ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of Anhui Higher Education Institutes， Anhui University of Science and Technology， Huainan 232001， China; 3.Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring，Anhui University of Science and Technology， Huainan 232001， China）

Abstract： Synthetic aperture radar （SAR） has a high application potential in cloudy and rainy areas of South China for its ability of obtaining remote sensing images in all-weather and all-time. In this study， Jianhu County of Yancheng City in Jiangsu province was taken as the research area， the long-time series Sentinel-1A images collected during the local rice growth cycle were selected as the data source. According to the spectral differential transformation analysis approach， a method of radar differential transformation was proposed. Through first-order and second-order differential transformation processings of SAR images of long-time series， time periods with obviously different backscattering coefficients between rice and other ground objects were selected. Then support vector machine （SVM） model was used for classification to obtain rice information. Compared with the threshold classification method based on multi-temporal and polarized SAR images， SVM classification method based on second-order differential transform was better than the threshold classification method. For the SVM classification method based on second-order differential transform， the overall accuracy was 89.88%， the Kappa coefficient and F1 value were 0.841 2 ?and 0.879 5 ?respectively， the rice extraction area was 525.32 km 2 ， and the relative error was 11.58%. It can be concluded that the accuracy of rice area extraction can be further improved by classification of time series SAR data treated by differential transform combined with SVM model， which can provide a new idea for crop identification.

Key words： rice area; long time series; Sentinel-1A; differential transformation; threshold classification

中國作為農(nóng)業(yè)大國，水稻種植歷史悠久，快速精確獲取水稻種植面積信息能為當?shù)卣峁┛茖W的輔助決策依據(jù)。遙感技術由于其覆蓋范圍廣、重訪周期短的特點已經(jīng)被廣泛運用到農(nóng)業(yè)領域。水稻面積的監(jiān)測技術主要分為光學遙感和雷達遙感兩大類，孫姝娟等 [1] 利用水稻生長周期內(nèi)的高分一號多景影像，構建EVI時間序列，根據(jù)水稻在不同時期的EVI曲線特征建立決策樹模型，從而提取水稻種植面積，結果表明，EVI長時間序列提取水稻面積的效果良好。牛海鵬等 [2] 通過融合Landsat數(shù)據(jù)和MODIS數(shù)據(jù)，構建歸一化植被指數(shù)（NDVI）時間序列，設置合適的閾值，很好地提高了水稻面積信息的提取精度。張曉憶等 [3] 通過選用同時相HJ1A影像和GH1影像，利用4種常用的植被指數(shù)和近紅外波段反射率構建決策樹規(guī)則，對淮安市各類地物進行分類并提取水稻面積。雖然光學遙感已經(jīng)被廣泛運用于農(nóng)作物信息的提取，但由于受到云、雨、霧等氣候條件的影響較大，不利于影像地物信息的識別分析。

隨著雷達技術的不斷發(fā)展，特別是近年來出現(xiàn)的合成孔徑雷達（Synthetic aperture radar，SAR）技術，帶來了一種全新的遙感農(nóng)作物監(jiān)測方法 [4-6] ，SAR技術具有全天候、全天時觀測的特點，能夠改善光學遙感數(shù)據(jù)的不足與缺陷。Clauss等 [7] 利用Sentinel-1時間序列數(shù)據(jù)，采用隨機森林回歸模型對越南湄公河三角洲水稻的產(chǎn)量進行估算;Zhang等 [8] 通過運用Radarsat-2影像結合水稻冠層散射模型和遺傳算法來估算水稻產(chǎn)量;杜燁等 [9] 采用多時相COSMO-SkyMed SAR數(shù)據(jù)，結合水稻后向散射系數(shù)曲線和歸一化植被指數(shù)（ NDVI ）曲線再進行面對對象的分類從而提取水稻種植面積。目前對于水稻信息的識別提取通常基于對地物的后向散射系數(shù)特征進行分析，選取適當時間段的SAR影像可能會提高其識別精度，但存在某些地物類型特征相似和時相選取的問題，導致水稻信息提取精度較低。

綜上所述，本研究通過選用水稻生長周期內(nèi)長時間序列的Sentinel-1A數(shù)據(jù)，分析不同極化方式下的水稻后向散射系數(shù)的規(guī)律，結合不同地物在垂直發(fā)送接收 （VV）和垂直發(fā)送水平接收（VH）極化下的時序特征，開展對水稻面積的提取工作，并參考光譜微分變換在植被分類中的應用 [10] ，采用一種基于雷達數(shù)據(jù)的微分變換方法，對時序SAR影像進行多階微分變換，采用SVM模型對水稻信息進行識別提取，以期為多云多雨的南方地區(qū)水稻面積的提取提供一種新方法。

1 研究區(qū)域及數(shù)據(jù)源

1.1 研究區(qū)概況

建湖縣位于江蘇省東北部，隸屬于江蘇省鹽城市（圖1），地理位置為北緯33°16′～ 33°41′，東經(jīng)119°33′～ 120°05′，屬亞熱帶季風氣候。全縣總面積1 154 ?km 2 ，其中，陸地面積900 km 2 （其中耕地面積674 km 2 ），占78%，水域面積254 km 2 ，占22%。建湖縣主要種植制度為中稻-冬小麥一年輪番耕作。鹽城市統(tǒng)計局資料顯示，當?shù)厮局饕N植期為5- 10月，其中5- 8月分別為播種、移栽、拔節(jié)、抽穗階段，9月至10月上旬為成熟和收割階段。統(tǒng)計年鑒資料顯示，2019年建湖縣水稻種植面積為470.8 km 2 ，占全縣作物總面積的40.8%。

1.2 數(shù)據(jù)源及預處理方法

1.2.1 SAR數(shù)據(jù)源 本研究選用的SAR數(shù)據(jù)源為從阿拉斯加衛(wèi)星數(shù)據(jù)中心（Alaska Satellite Facility，ASF）下載的雙極化Sentinel-1A影像產(chǎn)品，極化方式為 VV 和 VH，為了保證分類精度不受入射角影響 [11] ，本研究選取入射角為38.996°同軌道數(shù)據(jù)。影像時間范圍為2019年5月中旬至10月上旬，具體信息如表1所示。

1.2.2 輔助數(shù)據(jù)源 為了輔助SAR數(shù)據(jù)進行水稻后向散射系數(shù)分析研究，所用的Landsat8影像數(shù)據(jù)來自美國地質(zhì)調(diào)查局（United States geological survey，USGS），由于研究區(qū)域夏季陰雨天氣較多，滿足試驗要求的影像僅選取了2019年7月11日的單景數(shù)據(jù)。高程數(shù)據(jù)來自地理空間數(shù)據(jù)云提供的航天飛機雷達地形測繪任務（Shuttle radar topography mission，SRTM）90 m產(chǎn)品。

1.2.3 遙感數(shù)據(jù)預處理方法 基于ENVI5.3軟件中的Sarscape模塊對13幅雷達影像進行圖像配準、濾波處理、輻射定標和地理編碼等各項處理，獲取能反映地物信息特征的多時相VV和VH后向散射系數(shù)，再將13幅影像進行重采樣，其空間分辨率為30 m× 30 m，坐標投影采用WGS84/UTM投影系統(tǒng)。

1.2.4 野外調(diào)研數(shù)據(jù) 2019年8月在鹽城市建湖縣開展野外調(diào)研，結合Google Earth高分辨率影像對研究區(qū)域進行不同地物純像元的采樣，將地物類型分為水體、其他作物、水稻、裸土、建筑物5類，野外調(diào)研樣本點分布如圖1所示。每個采樣點與其他地物類型距離大于30 m，并用高精度全球定位系統(tǒng)（GPS）記錄每個樣區(qū)中心點的地理坐標，以供后續(xù)研究中樣本地物后向散射系數(shù)的確定。本次調(diào)研共采集到894個典型地物樣本，其中包括107個水體樣本，208個其他作物樣本，325個水稻樣本，112個裸土樣本，142個建筑物樣本。1/3的樣本作為模型訓練樣本，剩余2/3作為驗證樣本用于結果的精度分析。

2 研究方法

2.1 樣本散點統(tǒng)計

SAR圖像上的信息是地物目標對雷達信號的反映，SAR影像上區(qū)域亮度越高，則該區(qū)域后向散射系數(shù)越大。后向散射系數(shù)主要與地物自身特性以及雷達系統(tǒng)工作參數(shù)有關，地物自身特性取決于復介電常數(shù)、地表粗糙度、幾何結構等，雷達系統(tǒng)參數(shù)主要包括傳感器的極化方式、入射角、波長等。由于本研究選取的13期SAR數(shù)據(jù)入射角和波長都相同，所以可以通過分析不同地物在不同極化方式下的長時間序列后向散射系數(shù)變化趨勢來區(qū)分地表地物類型。因此本研究通過對研究區(qū)內(nèi)訓練樣本作分布統(tǒng)計，比較分析在VV和VH極化下不同地物后向散射系數(shù)隨時間變化的趨勢以及分布范圍。

2.2 雷達微分變換

微分變換作為一種常用的光譜特征分析方法，主要用于光學影像中對植被反射光譜的數(shù)學變換，可消除大氣和土壤環(huán)境對其的影響，增強植被光譜特征從而提高識別精度 [12] 。本研究利用光譜微分變換法，將其應用于SAR數(shù)據(jù)，考慮到隨著微分階數(shù)的增加，數(shù)據(jù)特征靈敏度會降低的現(xiàn)象，本研究針對SAR數(shù)據(jù)采取了一階和二階微分變換處理。其中，一階和二階雷達微分變換公式 [13] 如下：

B（λi）′=B（λi+1 ）-B（λi）△λ （1）

B（λi）″=B（λi+2 ）-2B（λi+1 ）+B（λi）（△λ）2 （2）

式中， λi 表示影像時間; B（λi） 表示 λi 時的后向散射系數(shù)值; B（λi）′ 和 B（λi）″ 分別表示 λi 時的后向散射一階和二階微分值; △λ 表示相鄰影像的時長。

2.3 分類方法

支持向量機（Support vector machine，SVM）是一種基于統(tǒng)計學習理論的機器學習算法，它在處理小樣本、高維度、非線性數(shù)據(jù)時表現(xiàn)出特有的優(yōu)勢 [14] 。它的主要分類思想是利用內(nèi)積核函數(shù)將分類初始空間變換到高維空間，一般核函數(shù)主要有多項式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)3類，現(xiàn)有研究結果表明徑向基核函數(shù)分類精度更高 [15] ，所以本研究選用該核函數(shù)，并設置懲罰參數(shù)（ C ）為100，金字塔層數(shù)為0，內(nèi)核半徑（ γ ）為0.145進行處理。

基于決策樹的閾值分類在SAR影像分類上有著廣泛的運用，不同地物的后向散射系數(shù)分布范圍有差異，對于不同極化方式的不同地類的后向散射系數(shù)，其差異性也許會更大，可以以此為依據(jù)劃分水稻與其他地物的類別，通過分析水稻與其他地物的時序后向散射系數(shù)差異性，建立決策樹模型，實現(xiàn)閾值分類。

2.4 建立掩膜

由于SAR影像受相關斑點噪聲和地形因素影響，會引起地物的后向散射系數(shù)發(fā)生變化，干擾對影像上水稻特征的判讀。因此本研究利用Landsat8影像計算研究區(qū)的 NDVI 值從而得到地區(qū)植被結構，并利用高程數(shù)據(jù)獲取研究區(qū)坡度空間分布。最后通過決策樹對植被結構和坡度空間分布建立掩膜以對分類結果進行進一步處理。

2.5 精度驗證方法

本研究主要從3個方面進行水稻分類結果的精度評價，首先，根據(jù)鹽城市2020年統(tǒng)計年鑒的數(shù)據(jù)計算水稻面積提取的相對誤差;其次，使用混淆矩陣對分類結果進行定量分析，主要統(tǒng)計其總體精度和Kappa系數(shù);最后利用統(tǒng)計學中衡量二分類模型精確度的指標（F1值）來評價分類結果的優(yōu)劣。F1值可以看作是模型精確率和召回率的調(diào)和平均，其范圍為[0，1]，其值越大證明分類結果越佳。本研究中精確率采用水稻的用戶精度來表示，召回率采用水稻的制圖精度來表示，F(xiàn)1值計算公式如下：

F1= 2×P×RP+R （3）

式中， P 表示模型精確率; R 表示模型召回率。

2.6 建立水稻信息提取模型

本研究建立水稻信息提取模型的技術路線如圖2所示。數(shù)據(jù)源選用水稻生長周期內(nèi)的13景Sentinel-1A影像，一方面對預處理后的SAR影像進行不同時相的組合，突出水稻信息，利用調(diào)研獲取的訓練樣本進行后向散射系數(shù)散點分析，再對不同地物樣本均值作曲線特征分析，通過組合不同極化的時序特征建立決策樹進行閾值分類。另一方面對預處理后的數(shù)據(jù)進行一階和二階雷達微分變換，分析時序微分曲線特征，選取合適的時相進行SVM分類。由于SAR影像受相干斑點噪聲以及地形因素影響，導致像元亮度值產(chǎn)生差異，地物后向散射系數(shù)也會改變從而影響對其類別的判別。考慮到 NDVI 指數(shù)對植被覆蓋度敏感的特性，本研究選取該指數(shù)用于降低非水稻地物對分類的影響 [16] 。由Landsat8影像計算獲得 NDVI ，結合調(diào)研樣本數(shù)據(jù)以及對Google Earth影像的目視解譯確定研究區(qū)植被的 NDVI 取值范圍為0.5～ 0.9。根據(jù)鹽城農(nóng)業(yè)土地資料顯示，鹽城屬于長江中下游平原，平均海拔5 m。由高程數(shù)據(jù)計算獲得研究區(qū)坡度，結合實地調(diào)研采樣資料確定水稻種植區(qū)坡度（ Slope ）< 3°。利用上述2個條件對水稻面積結果分層次作掩膜處理，以減少外在因素導致的影響。最后利用驗證樣本和鹽城市統(tǒng)計年鑒數(shù)據(jù)對分類結果進行精度評價，以期獲得建湖縣最優(yōu)水稻空間分布圖。

3 結果與分析

3.1 地物散點分析

根據(jù)選取的訓練樣本對VV和VH極化數(shù)據(jù)作地物散點分析，結果如圖3所示，可以看出水稻在VV和VH上的后向散射系數(shù)主要分布在[-15，-5]和[-20，-12];水體在VV和VH上的后向散射系數(shù)主要集中在[-22，-16]和[-24，-20];建筑物在VV和VH上的后向散射系數(shù)分別集中在[-5，0]和[-15，-10];裸土在VV和VH上的后向散射系數(shù)分別主要分布在[-10，-6]和[-18，-9];其他作物在VV和VH上的后向散射系數(shù)分別主要分布在[-19，-9] 和[-23，-16]。綜上可得，VH極化相較于VV極化后向散射值域偏低，且2種極化方式下水稻的后向散射系數(shù)分布區(qū)間都與裸土和其他作物有交叉區(qū)域，直接依據(jù)閾值進行分類，分類精度可能不理想。

本研究對各個時相不同地物的后向散射系數(shù)作均值統(tǒng)計處理，其變化趨勢如圖4所示。從圖4可以看出，隨著水稻生長周期的變化，其后向散射特征也在發(fā)生改變。在5、6月份水稻處于播種和移栽期，雷達系統(tǒng)回波以麥田水體的面散射為主，并沒有水稻的影像特征;在7、8月份水稻處于拔節(jié)-抽穗期，雷達系統(tǒng)回波以植株的體散射和水稻莖稈與水面的二次散射為主 [17] ，后向散射系數(shù)較高;在9、10月份水稻成熟收割，此時雷達系統(tǒng)回波以少量植株的體散射和水體面散射為主，之后散射系數(shù)逐漸降低 [18] 。相比較而言，水域主要是面散射，所以后向散射系數(shù)長期處于平穩(wěn)低值。建筑物主要回波方式是二次散射，后向散射系數(shù)長期處于較高值 [19-20] 。由于其他作物種類復雜，后向散射系數(shù)變化趨勢不明顯。裸地回波主要由漫散射組成，后向散射系數(shù)長期處于較平穩(wěn)區(qū)間。由此可以根據(jù)水稻的這種時相變化特征來與其他地物區(qū)分。

3.2 基于極化SAR數(shù)據(jù)的閾值分類分析

利用散點圖分析結果對Sentinel-1影像進行決策樹閾值分類。由圖4可以看出，水稻生長階段的曲線特征主要體現(xiàn)在7月16日至9月14日這個區(qū)間。對這個區(qū)間6個時相的極化數(shù)據(jù)進行水稻閾值分析，通過決策樹閾值分類方法提取水稻面積（表2）。對VV曲線而言，分別對7月16日、7月28日、8月9日、8月21日、9月2日、9月14日設置后向散射系數(shù)小于-8 、-7 、-8 、-12 、-13 、-13 來提取水稻面積;對VH曲線而言，同樣對6個時相依次設置后向散射系數(shù)小于-14 、-12 、-10 、-20 、-22 、-21 來提取水稻面積。再利用之前建立的決策樹分層掩膜減少相干噪聲、地形等外在因素的影響，提高分類精度。利用驗證樣本對分類結果進行定量分析，雖然多時相VH極化數(shù)據(jù)精度高于單時相極化數(shù)據(jù)和多時相VV極化數(shù)據(jù)，但是其水稻信息提取效果較差，不能滿足實際生產(chǎn)要求。由于本研究中水稻的閾值區(qū)間與裸土和其他作物具有較多重疊部分，盡管使用多時相組合的方法降低了重疊概率，但是仍然有部分地物存在誤分類成水稻的情況，導致分類效果不理想。

3.3 基于雷達微分變換的SVM分類分析

利用雷達微分變換公式對13幅SAR影像進行一階和二階微分變換處理，再根據(jù)調(diào)研選取的訓練樣本點得到每種地物在不同極化方式下的雷達微分變換曲線。從圖5可以看出，經(jīng)過一階微分變換后，水稻的VV極化和VH極化數(shù)據(jù)在7月16日至9月14日這段時間內(nèi)的曲線特征相較于其他地物有了明顯區(qū)分。經(jīng)過二階微分變換后，水稻的VV和VH數(shù)據(jù)在7月16日至9月14日期間的曲線特征出現(xiàn)波峰和波谷，與其他地物在不同時段內(nèi)的后向散射差異更為明顯，并且在一階微分和二階微分數(shù)據(jù)中VH極化比VV極化波動性更為突出。綜合以上分析，本研究選取7月16日至9月14日期間的影像作為研究數(shù)據(jù)，結合調(diào)研獲取的訓練樣本，采用SVM模型進行分類，并選用決策樹分層掩膜以減少相干噪聲、地形等外在因素的影響，結果表明，基于VH極化雷達二階微分變換提取的水稻面積（圖6）精確度最佳。根據(jù)像元統(tǒng)計得出水稻面積為525.32 km 2 ，相對誤差為11.58%，分布范圍與建湖縣當?shù)厮痉N植結構布局基本相同。

最后利用驗證樣本對一階和二階微分變換分類結果進行精度分析，結果如表3和表4所示。由表3可知， VH極化數(shù)據(jù)相比于VV極化數(shù)據(jù)各項精度指標都有所提高，單時相數(shù)據(jù)中8月21日VH極化數(shù)據(jù)的精度最高，從圖5中也可以看出，在8月21日水稻的曲線特征與其他地物區(qū)分度最高。多時相的極化數(shù)據(jù)相較于單時相極化數(shù)據(jù)精度又有了較高的提升。由表4可知， 同時期VH極化數(shù)據(jù)精度優(yōu)于VV極化數(shù)據(jù)，單時相數(shù)據(jù)中9月2日VH極化數(shù)據(jù)的精度最高，在圖5中對應水稻曲線的峰值。多時相的極化數(shù)據(jù)的精度同樣也優(yōu)于單時相極化數(shù)據(jù)。

綜上所述，多時相的VH極化分類結果優(yōu)于多時相的VV極化分類結果和單時相的極化分類結果，二階微分變換精度總體上優(yōu)于一階微分變換精度，其中基于VH極化的二階微分變換的結果精度最高，總體精度為89.88%，Kappa系數(shù)為0.841 2 ，F(xiàn)1值為0.879 5 ，統(tǒng)計結果優(yōu)良，很好地滿足了水稻種植面積監(jiān)測精度的要求。

4 結 論

本研究選取水稻生長周期內(nèi)的長時間序列Sentinel-1A影像作為數(shù)據(jù)源，利用微分變換在光譜特征分析中的應用，提出了一種適用于SAR數(shù)據(jù)的雷達微分變換方法，對比分析基于雷達微分變換的SVM模型分類方法和極化組合閾值分類方法，探討分析SAR影像在水稻種植面積提取上的可行性和優(yōu)勢，得出以下結論：

（1）長時間序列SAR影像能反映地物的物候特征，選取水稻生長周期內(nèi)時序影像能夠較好地區(qū)分地物類型從而提高水稻信息識別精度。

（2）閾值分類方法易受地物后向散射系數(shù)區(qū)間重疊影響，造成誤分類的情況，降低水稻面積的識別精度。

（3）雷達二階微分變換相較于一階微分變換更能突出水稻與其他地物在不同時間段的后向散射細節(jié)差異，VH極化相比于VV極化數(shù)據(jù)更適用于水稻面積的提取。

參考文獻：

[1] 孫姝娟，李民錄，王 萍，等. 基于GF-1/WFV EVI時間序列數(shù)據(jù)的水稻種植面積提取 [J]. 福建農(nóng)業(yè)學報， 2018， 33（6）： 575-580.

[2] 牛海鵬，王占奇，肖東洋. 基于時空數(shù)據(jù)融合的縣域水稻種植面積提取 [J]. 農(nóng)業(yè)機械學報， 2020， 51（4）： 156-163.

[3] 張曉憶，李衛(wèi)國，景元書，等. 多種光譜指標構建決策樹的水稻種植面積提取 [J]. 江蘇農(nóng)業(yè)學報， 2016， 32（5）： 1066-1072.

[4] 孫 政，周清波，楊 鵬，等. 基于星載極化SAR數(shù)據(jù)的農(nóng)作物分類識別進展評述 [J]. 中國農(nóng)業(yè)資源與區(qū)劃， 2019， 40（11）： 63-71.

[5] 東朝霞. 基于全極化SAR數(shù)據(jù)的旱地作物識別與生物學參數(shù)反演研究 [D].北京：中國農(nóng)業(yè)科學院， 2016.

[6] PARK N W. Accounting for temporal contextual information in land-cover classification with multi-sensor SAR data [J]. International Journal of Remote Sensing， 2010， 31（1/2）： 281-298.

[7] 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.

[8] ZHANG Y， YANG B， LIU X H， et al. Estimation of rice grain yield from dual-polarization Radarsat-2 SAR data by integrating a rice canopy scattering model and a genetic algorithm [J]. International Journal of Applied Earth Observation And Geoinformation， 2017， 57： 75-85.

[9] 杜 燁，郭長青，文 寧，等. 基于多時相COSMO-SkyMed SAR數(shù)據(jù)對水稻信息提取方法的研究與應用 [J]. 遙感信息， 2014， 29（3）： 30-34.

[10] 徐凱健，田慶久，徐念旭，等. 基于時序 NDVI 與光譜微分變換的森林優(yōu)勢樹種識別 [J]. 光譜學與光譜分析， 2019， 39（12）： 3794-3800.

[11] FIEUZAL R， BAUP F， MARAISSICRE C. Monitoring wheat and rapeseed by using synchronous optical and radar satellite data—from temporal signatures to crop parameters estimation [J]. Advances in Remote Sensing， 2013， 2（2）： 162-180.

[12] 張 東，塔西甫拉提·特依拜，張 飛，等. 分數(shù)階微分算法對鹽漬土高光譜數(shù)據(jù)的影響研究 [J]. 光學學報， 2016， 36（3）： 282-289.

[13] 徐念旭，田慶久，申懷飛，等. 基于微分變換的高光譜馬尾松和杉木識別 [J]. 國土資源遙感， 2018， 30（4）： 28-32.

[14] 萬 意，李長春，趙旭輝，等. 基于SVM的光學遙感影像分類與評價 [J]. 測繪地理信息， 2018， 43（6）： 74-77.

[15] 高 燕，周成虎，蘇奮振. 基于OLI影像多參數(shù)設置的SVM分類研究 [J]. 測繪工程， 2014， 23（6）： 1-5，10.

[16] 白燕英，高聚林，張寶林. 基于 NDVI 與 EVI 的作物長勢監(jiān)測研究 [J]. 農(nóng)業(yè)機械學報， 2019， 50（9）： 153-161.

[17] 賈明權. 水稻微波散射特性研究及參數(shù)反演 [D]. 成都：電子科技大學， 2013.

[18] 何 澤. 基于多時相RADARSAT-2數(shù)據(jù)的水稻物候監(jiān)測 [D]. 成都：電子科技大學， 2019.

[19] 劉 康，BALZ T，廖明生. 利用后向散射特性從高分辨率SAR影像中提取建筑物高度 [J]. 武漢大學學報（信息科學版）， 2012， 37（7）： 806-809.

[20] 趙凌君. 高分辨率SAR圖像建筑物提取方法研究 [D]. 長沙：國防科技大學， 2009.

（責任編輯：陳海霞）

收稿日期：2021-11-08

基金項目：國家重點研發(fā)計劃項目（2018YFC0407703）;安徽理工大學引進人才科研啟動項目（ZY030）;安徽理工大學2021年研究生創(chuàng)新基金項目（2021CX2139）;安徽理工大學青年教師科學研究基金項目（QN201502）

作者簡介：夏 俊（1996-），男，安徽合肥人，碩士研究生，主要研究方向為農(nóng)業(yè)遙感。（E-mail）1849145280@qq.com

通訊作者：蘇 濤，（E-mail）st7162003@163.com