基于遙感云計(jì)算平臺(tái)的四川盆地水稻種植面積提取

李世華，劉開通，何 澤，張子建，郭佳軒

（1.電子科技大學(xué) 資源與環(huán)境學(xué)院，四川 成都 611731）

中國(guó)是全球最大的水稻生產(chǎn)國(guó)，水稻是中國(guó)的主要糧食作物[1-2]。四川盆地?fù)碛杏凭玫乃痉N植傳統(tǒng)，是中國(guó)的水稻主產(chǎn)區(qū)之一，其溫和的氣候和充足的降水為水稻種植提供了適宜的自然條件[3]。水稻種植面積描述了稻田的數(shù)量與空間分布，及時(shí)準(zhǔn)確監(jiān)測(cè)四川盆地的水稻種植面積有助于估算水稻產(chǎn)量、協(xié)調(diào)農(nóng)業(yè)資源配給、指導(dǎo)災(zāi)害風(fēng)險(xiǎn)管理和經(jīng)濟(jì)政策制定[4]。水稻種植面積提取可以通過地面調(diào)查測(cè)量、農(nóng)業(yè)統(tǒng)計(jì)估算和遙感成像制圖等方法實(shí)現(xiàn)，其中遙感成像制圖具有高效實(shí)時(shí)和覆蓋區(qū)域廣等優(yōu)點(diǎn)，是監(jiān)測(cè)大范圍水稻種植面積的關(guān)鍵手段[5]。

星載光學(xué)傳感器可以精準(zhǔn)捕捉地物多波段可見光譜信息，使遙感圖像具有直觀性和信息量，因此是水稻種植面積提取的傳統(tǒng)數(shù)據(jù)源。然而，光學(xué)遙感對(duì)于天氣條件敏感，云霧天氣現(xiàn)象會(huì)嚴(yán)重干擾圖像獲取，限制了其在多云霧地區(qū)（如四川盆地）水稻生長(zhǎng)季內(nèi)的可用性[6]。使用高時(shí)間分辨率的光學(xué)傳感器（MODIS）可以通過高頻次觀測(cè)一定程度上緩解云霧天氣導(dǎo)致光學(xué)數(shù)據(jù)缺失的問題[7-8]，然而其空間分辨率相對(duì)較低，像素尺寸通常大于250 m。由于四川盆地地形復(fù)雜、地塊破碎且種植結(jié)構(gòu)多樣，中低空間分辨率的遙感制圖存在混合像元效應(yīng)，限制了水稻種植面積提取的精度[9-10]。星載合成孔徑雷達(dá)能夠在復(fù)雜氣象條件下提供可靠的地表后向散射信息，高時(shí)空分辨率且開源獲取的SAR 傳感器（如Sentinel-1）日益成為云霧頻繁地區(qū)水稻遙感觀測(cè)的替代數(shù)據(jù)源[11]。VH極化SAR數(shù)據(jù)對(duì)水稻植株和下墊面的理化屬性和結(jié)構(gòu)特征變化敏感，通過探測(cè)水稻關(guān)鍵物候期（如移栽期和抽穗期）的VH 極化后向散射特征可實(shí)現(xiàn)水稻種植面積提取[12]。目前基于SAR數(shù)據(jù)進(jìn)行水稻種植面積提取的方法主要分為影像分類法和物候判別法。

影像分類法在采集大量地類樣本的基礎(chǔ)上，獲取水稻生長(zhǎng)季或全年的SAR影像，使用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)土地利用分類和水稻種植面積的提取[13-15]。Bazzi[16]等獲取法國(guó)研究樣區(qū)的年度時(shí)序雙極化Sentinel-1 數(shù)據(jù)，分別使用決策樹和隨機(jī)森林算法進(jìn)行水稻種植面積提取，隨機(jī)森林算法獲得了最高的精度（總體精度為96.6%，Kappa系數(shù)為0.93）。Castro[14]等獲取巴西研究樣區(qū)的年度時(shí)序VH極化Sentinel-1數(shù)據(jù)，使用長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水稻種植面積提取，將該模型與傳統(tǒng)的支持向量機(jī)、隨機(jī)森林、k-最近鄰和正態(tài)貝葉斯等機(jī)器學(xué)習(xí)算法進(jìn)行比較，LSTM模型取得極高的精度（總體精度為99.14%，Kappa系數(shù)為0.99）。隨著機(jī)器學(xué)習(xí)算法的快速發(fā)展，影像分類法可以獲得較高的制圖精度。然而，有2 個(gè)問題制約了該方法的大區(qū)域應(yīng)用，分別是代表性樣本獲取和大規(guī)模運(yùn)算。四川盆地土地覆蓋類型和作物種植結(jié)構(gòu)復(fù)雜多樣，獲取足夠數(shù)量且具有代表性的訓(xùn)練樣本極為耗時(shí)耗力。四川盆地幅員遼闊，大面積影像獲取和機(jī)器學(xué)習(xí)模型運(yùn)算對(duì)存儲(chǔ)和算力的要求極高。

物候判別法在構(gòu)建后向散射時(shí)間序列的基礎(chǔ)上，識(shí)別水稻關(guān)鍵物候期的特征，使用時(shí)序經(jīng)驗(yàn)閾值實(shí)現(xiàn)水稻生長(zhǎng)過程的識(shí)別和水稻種植面積的提取[17-19]。Son[17]等獲取中國(guó)臺(tái)灣研究樣區(qū)的年度時(shí)序VH 極化Sentinel-1 數(shù)據(jù)，設(shè)置后向散射經(jīng)驗(yàn)閾值識(shí)別水稻移栽期和抽穗期物候特征，實(shí)現(xiàn)水稻種植面積提取（制圖精度>82.6%，用戶精度>82.1%）。Xiao[18]等獲取中國(guó)浙江研究樣區(qū)的年度時(shí)序VH 極化Sentinel-1 數(shù)據(jù)，設(shè)置后向散射經(jīng)驗(yàn)閾值識(shí)別水稻移栽期物候特征，協(xié)同光學(xué)遙感指標(biāo)實(shí)現(xiàn)水稻種植面積提取（總體精度為95.4%，Kappa 系數(shù)為0.89）。在物候時(shí)空一致性較高的區(qū)域，物候判別法可以獲得較高的制圖。然而，有3 個(gè)問題制約了該方法的大區(qū)域推廣，分別是時(shí)序噪聲、非水稻地物干擾和閾值普適性。SAR散射相干和無(wú)規(guī)律降雨會(huì)導(dǎo)致時(shí)序噪聲，干擾物候特征的識(shí)別。與水稻種植時(shí)期接近的夏季植被和水域有時(shí)呈現(xiàn)與水稻相似的后向散射特征，可能被誤分為稻田。通過特定樣本數(shù)據(jù)得到的經(jīng)驗(yàn)閾值存在偶然性誤差，在不同稻作區(qū)的閾值適用性也缺乏檢驗(yàn)。

上述問題的存在，導(dǎo)致目前使用SAR數(shù)據(jù)進(jìn)行水稻種植面積提取的研究主要關(guān)注小區(qū)域[20-22]。為實(shí)現(xiàn)大區(qū)域水稻種植面積提取，本文提出一種基于Sentinel-1 時(shí)序數(shù)據(jù)與遙感云計(jì)算平臺(tái)的四川盆地水稻種植面積提取方法。使用國(guó)產(chǎn)遙感云計(jì)算平臺(tái)PIE-Engine進(jìn)行時(shí)間序列VH極化Sentinel-1數(shù)據(jù)的獲取與處理，滿足大區(qū)域空間分析對(duì)存儲(chǔ)和算力的需求。基于地面調(diào)查和農(nóng)業(yè)普查數(shù)據(jù)確定四川盆地水稻物候歷，劃定水稻移栽和抽穗的寬松時(shí)間窗口，提升物候分析的時(shí)相代表性。對(duì)窗口內(nèi)的Sentinel-1 時(shí)序數(shù)據(jù)進(jìn)行多時(shí)相均值濾波，抑制時(shí)序噪聲干擾。分析水稻和非水稻地物在窗口內(nèi)的后向散射差異，按照層次分類的思想，依次去除夏季植被和水域干擾。層次分類中的閾值通過大津（OSTU）法進(jìn)行全局自適應(yīng)分割獲得，避免了樣本選取和經(jīng)驗(yàn)閾值設(shè)置的偶然性誤差。選擇地形氣候存在顯著差異的多個(gè)樣區(qū)進(jìn)行大津閾值的交叉評(píng)估，確定適用于四川盆地全域的最優(yōu)閾值，提升算法普適性。基于高分辨率光學(xué)影像判讀的土地覆蓋樣本被用于像素尺度的精度驗(yàn)證，四川盆地各市的農(nóng)業(yè)普查數(shù)據(jù)被用于區(qū)域尺度的結(jié)果對(duì)比。

1 研究區(qū)與數(shù)據(jù)

四川盆地位于中國(guó)西南部，由青藏高原、大巴山、華鎣山和云貴高原環(huán)繞而成，大部分位于四川省內(nèi)，小部位于重慶市內(nèi)，總面積約10 萬(wàn)km2。盆地內(nèi)氣候溫暖、水資源豐富、土壤肥沃，是中國(guó)重要的糧食基地。水稻是四川盆地的主要糧食作物，廣泛種植于肥沃的盆西平原、盆中丘陵和盆東嶺谷。本文選取了氣候和地形差異顯著的3個(gè)地級(jí)市（眉山、內(nèi)江和廣安）進(jìn)行代表性稻作區(qū)分析，在此基礎(chǔ)上進(jìn)行四川盆地全域分析。

由于大面積長(zhǎng)時(shí)序遙感數(shù)據(jù)獲取和處理需要充足的存儲(chǔ)與計(jì)算資源，本文使用航天宏圖信息技術(shù)股份有限公司自主研發(fā)的PIE-Engine國(guó)產(chǎn)地球科學(xué)大數(shù)據(jù)實(shí)時(shí)計(jì)算平臺(tái)開展四川盆地2020年遙感數(shù)據(jù)分析，包括Sentinel-1 地距探測(cè)模式VH 極化SAR 數(shù)據(jù)、高分1號(hào)B/C/D光學(xué)數(shù)據(jù)和ALOS，DEM數(shù)據(jù)。PIE-Engine提供的Sentinel-1數(shù)據(jù)為無(wú)量綱的輻射校正處理數(shù)據(jù)，升降軌協(xié)同成像條件下重訪周期為6 d，分辨率為10 m，本文實(shí)施的預(yù)處理包括邊緣無(wú)效值掩膜和對(duì)數(shù)單位轉(zhuǎn)換。PIE-Engine 提供的高分1 號(hào)B/C/D 數(shù)據(jù)經(jīng)過正射融合處理，分辨率為2 m，在本文中用于土地覆蓋類型目視解譯和樣本選取。PIE-Engine 提供的ALOS DEM 數(shù)據(jù)由L 波段SAR 采集，水平及垂直精度達(dá)到12.5 m，本文實(shí)施的預(yù)處理為坡度計(jì)算。此外，通過四川省農(nóng)業(yè)農(nóng)村廳和重慶市農(nóng)業(yè)農(nóng)村委員會(huì)獲取2020年四川盆地農(nóng)業(yè)普查信息，包括各地級(jí)市的水稻移栽時(shí)間、抽穗時(shí)間和種植面積統(tǒng)計(jì)數(shù)據(jù)。

2 研究方法

本文使用的研究流程如圖1所示，結(jié)合Sentinel-1數(shù)據(jù)和ALOS DEM 數(shù)據(jù)獲取平坦區(qū)域VH 極化后向散射時(shí)序，使用農(nóng)業(yè)普查數(shù)據(jù)確定水稻物候時(shí)間窗口，基于物候分析和均值復(fù)合生成關(guān)鍵物候時(shí)期影像。使用OSTU 法自適應(yīng)確定層次分類中的影像分類閾值，選擇地形、氣候差異較大的3 個(gè)樣區(qū)，通過交叉評(píng)估確定最優(yōu)閾值用于水稻種植面積制圖。基于目視解譯樣本進(jìn)行像素級(jí)別的精度檢驗(yàn)，并利用四川省和重慶市農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)進(jìn)行區(qū)域尺度的精度檢驗(yàn)。

圖1 技術(shù)路線圖

2.1 后向散射時(shí)序與水稻物候分析

四川盆地典型土地覆蓋類型包括耕地（分為水稻與非水稻耕地）、林地、草地、人工地表和水體。基于高分1 號(hào)目視解譯樣本，提取不同土地覆蓋類型的VH 極化后向散射時(shí)序，分析各時(shí)序的變化規(guī)律與趨勢(shì)差異。由于地形起伏對(duì)雷達(dá)散射特性會(huì)產(chǎn)生顯著影響，而四川盆地水稻主要種植在平原或平坦的谷地，因此本文在實(shí)施SAR 數(shù)據(jù)分析前，首先使用ALOS DEM數(shù)據(jù)移除四川盆地中坡度大于15°的區(qū)域。

移栽期和抽穗期是水稻生長(zhǎng)過程中最具特點(diǎn)的2個(gè)物候階段。在移栽期，水稻植株矮小稀疏，田間積水深度在5 cm以上，水稻種植區(qū)域通常呈現(xiàn)出平靜水體的低VH 后向散射特征。在抽穗期，水稻植株高大密集，田間積水基本消失，水稻種植區(qū)域通常呈現(xiàn)出茂密植被的高VH后向散射特征。從移栽期到抽穗期，水稻種植區(qū)域的VH后向散射通常呈現(xiàn)顯著上升的趨勢(shì)。因此，水稻種植面積提取的關(guān)鍵是區(qū)分水稻與其他土地覆蓋類型在上述2個(gè)物候階段的VH后向散射差異。

根據(jù)農(nóng)業(yè)普查信息確定四川盆地水稻移栽期和抽穗期的寬松時(shí)間窗口，獲取各窗口內(nèi)的所有Sentinel-1 VH極化影像。為抑制噪聲干擾，對(duì)移栽窗口內(nèi)影像進(jìn)行時(shí)序均值運(yùn)算，獲得移栽均值影像。對(duì)抽穗窗口內(nèi)影像進(jìn)行時(shí)序均值運(yùn)算，獲得抽穗均值影像。對(duì)抽穗期均值影像和移栽期均值影像進(jìn)行差值運(yùn)算，獲得物候差異影像。

2.2 層次分類與水稻種植面積提取

層次分類是一種遞進(jìn)式的圖像分類方法，使用特定規(guī)則對(duì)圖像類別進(jìn)行逐級(jí)細(xì)化，實(shí)現(xiàn)感興趣類別提取[18]。基于層次分類的思想，依次對(duì)移栽均值影像和物候差異影像進(jìn)行閾值劃分。將移栽均值影像中的像元分為低值（水稻和水體）和高值（其他土地覆蓋類型）兩類，移除高值像元，保留低值像元。將移栽均值影像中的低值像元區(qū)域作為掩膜矢量，對(duì)物候差異影像進(jìn)行裁剪。將裁剪后的物候差異影像中的像元分為低值（水體）和高值（水稻）兩類，移除低值像元，保留高值像元。

為實(shí)現(xiàn)移栽均值影像和物候差異影像中低值和高值像元的精確劃分，本文使用大津（OSTU）法自適應(yīng)確定閾值[23]。大津法將影像分為背景和目標(biāo)兩類，使用類間方差描述背景與目標(biāo)的差異，通過遍歷像元值查找類間方差最大的閾值，實(shí)現(xiàn)背景與目標(biāo)的最佳分割。在分割移栽均值影像時(shí)，低值像元為目標(biāo)類，而在分割物候差異影像時(shí)，高值像元為目標(biāo)類。在代表性稻作區(qū)（眉山、內(nèi)江和廣安3個(gè)地級(jí)市全境），分別開展層次分類的大津法閾值分割，計(jì)算不同稻作區(qū)大津閾值的均值，將其作為四川盆地全域的層次分類閾值，實(shí)現(xiàn)大范圍水稻種植面積提取。

2.3 精度驗(yàn)證

基于空間分辨率為2 m的高分1號(hào)B/C/D光學(xué)數(shù)據(jù)人工目視解譯獲得土地覆蓋類型樣本，影像成像時(shí)間從2020 年4 月1 日至9 月30 日，覆蓋水稻的生長(zhǎng)期，綜合利用遙感影像光譜特征、紋理特征、時(shí)相特征進(jìn)行目視解譯，從而確定水稻樣本與非水稻樣本（包括非水稻典型地物：人工地表、林地、草地、非水稻耕地、水體），共獲得水稻樣本8 202像素，非水稻樣本9 406 像素，樣本均勻離散的分布在整個(gè)四川盆地。利用目視解譯得到的樣本進(jìn)行像素尺度的精度檢驗(yàn)，使用混淆矩陣中的制圖精度、用戶精度和總體精度量化水稻種植面積的提取效果。基于四川省農(nóng)業(yè)農(nóng)村廳和重慶市農(nóng)業(yè)農(nóng)村委員會(huì)的農(nóng)業(yè)普查數(shù)據(jù)進(jìn)行區(qū)域尺度的精度檢驗(yàn)，將各市縣的水稻種植面積統(tǒng)計(jì)數(shù)據(jù)與本文結(jié)果進(jìn)行比較。

3 結(jié)果與分析

3.1 后向散射時(shí)序與水稻物候

四川盆地典型土地覆蓋類型的VH 后向散射時(shí)序如圖2 所示，水稻后向散射在5 月初接近谷值，隨后顯著升高，并在8 月初接近峰值。根據(jù)農(nóng)業(yè)普查數(shù)據(jù)，確定四川盆地水稻的移栽窗口為4 月15 日至5 月15 日，抽穗窗口為7 月15 日至8 月15 日。從4 月至9 月，人工地表、林地、草地和水體的后向散射時(shí)序整體保持平穩(wěn)，而非水稻耕地的后向散射相較于水稻呈現(xiàn)較弱的上升趨勢(shì)。

圖2 典型土地覆蓋類型的VH后向散射時(shí)序

3.2 層次閾值與四川盆地水稻種植面積

分別在眉山、內(nèi)江和廣安3 個(gè)地級(jí)市全境進(jìn)行層次分類的大津法閾值分割，并計(jì)算區(qū)域均值（表1）。確定適用于四川盆地全域的移栽均值影像閾值為-8.3 dB，物候差異影像閾值為0.8 dB。

表1 層次分類閾值/dB

結(jié)合四川盆地全域閾值和坡度掩膜，實(shí)現(xiàn)水稻種植面積提取（見圖3）。四川盆地水稻種植面積共22 393 km2，主要集中在盆西平原（成都市、眉山市、德陽(yáng)市和綿陽(yáng)市）、盆中丘陵（內(nèi)江市、自貢市、廣安市和瀘州市）和盆東嶺谷（達(dá)州市和重慶市西北部）。

圖3 四川盆地水稻種植面積

3.3 結(jié)果評(píng)價(jià)與分析

基于土地覆蓋類型樣本的像素尺度精度檢驗(yàn)如表2所示，水稻種植面積提取的總體精度達(dá)到82.08%。16.38%的非水稻像素被誤分為水稻，主要是受到季節(jié)性降雨的影響，降雨導(dǎo)致某些非水稻耕地在5 月發(fā)生了田間積水或土壤含水量高的情況，而在8 月出現(xiàn)茂密的作物冠層，因而形成了與水稻相似的后向散射時(shí)序。19.69%的水稻像素被誤分為非水稻，主要是因?yàn)椴糠炙旧L(zhǎng)周期較長(zhǎng)，抽穗期冠層較為密集，冠層對(duì)雷達(dá)信號(hào)的衰減作用較強(qiáng)，導(dǎo)致其在物候差異影像中的像元值低于分割閾值而被漏分。

表2 像素尺度精度檢驗(yàn)

表3 區(qū)域尺度精度檢驗(yàn)/hm2

川中丘陵地勢(shì)起伏，雷達(dá)信號(hào)在山區(qū)的成像幾何和散射特性發(fā)生變化，山區(qū)稻田的后向散射時(shí)序受到干擾，降低了層次分類中全局閾值的普適性。此外，山區(qū)地形會(huì)導(dǎo)致部分地區(qū)在雷達(dá)波束下形成陰影，無(wú)法被正確成像，且部分種植于梯田或坡耕地的水稻被坡度掩膜移除。因此，水稻種植面積可能被高估（內(nèi)江市和自貢市）或低估（南充市、宜賓市和廣安市）。雖然使用全局閾值不可避免地在部分地區(qū)出現(xiàn)錯(cuò)分和漏分，但本文的方法實(shí)現(xiàn)了大面積水稻種植面積提取在精度和效率的平衡。

4 結(jié) 語(yǔ)

本研究提出了一種基于Sentinel-1 時(shí)序數(shù)據(jù)與PIE-Engine遙感云計(jì)算平臺(tái)的大面積水稻種植面積提取方法，通過農(nóng)業(yè)普查數(shù)據(jù)明確水稻物候歷，劃定關(guān)鍵物候期時(shí)間窗口，使用多時(shí)相均值濾波抑制時(shí)序噪聲，采用層次分類和大津閾值法進(jìn)行水稻和非水稻像元的自適應(yīng)分割，基于多樣區(qū)交叉評(píng)估確定全局閾值，實(shí)現(xiàn)了四川盆地水稻種植面積提取，總體精度達(dá)到82.08%。四川盆地水稻種植面積共22 393 km2，主要集中在盆西平原（成都市、眉山市、德陽(yáng)市和綿陽(yáng)市）、盆中丘陵（內(nèi)江市、自貢市、廣安市和瀘州市）和盆東嶺谷（達(dá)州市和重慶市西北部）。本文提出的方法不依賴訓(xùn)練樣本和經(jīng)驗(yàn)統(tǒng)計(jì)，能夠有效區(qū)分水稻與非水稻作物，適用于省級(jí)尺度水稻種植監(jiān)測(cè)，為農(nóng)業(yè)部門的政策制定提供信息支撐。