地塊尺度的南方丘陵地區(qū)水稻種植識(shí)別方法

摘要：針對(duì)南方多云雨且地塊分布復(fù)雜的丘陵地區(qū)，提出一種適用該地區(qū)的多季水稻地塊級(jí)結(jié)構(gòu)信息識(shí)別方法。利用一期亞米級(jí)光學(xué)影像與時(shí)序Sentinel-1A SAR影像，結(jié)合Psi-Net模型進(jìn)行多任務(wù)語義分割，分析水稻生長(zhǎng)物候特征與后向散射系數(shù)的關(guān)系，最終通過閾值法實(shí)現(xiàn)對(duì)多季水稻種植分布信息的準(zhǔn)確提取，并在福建省浦城縣進(jìn)行驗(yàn)證。結(jié)果表明，該方法在形狀保持能力和識(shí)別精度上表現(xiàn)優(yōu)異。中稻和晚稻種植地塊的邊界與地面真實(shí)值吻合度較高，豪斯多夫距離為21.368，明顯優(yōu)于單一任務(wù)的U-Net網(wǎng)絡(luò)。中稻和晚稻識(shí)別的總體精度分別達(dá)到88.6%和87.7%，Kappa系數(shù)分別為0.752和0.738。所提方法在南方復(fù)雜氣候和地形條件下的水稻種植地塊識(shí)別上具有顯著應(yīng)用潛力和實(shí)用價(jià)值。

關(guān)鍵詞：南方丘陵地區(qū)；水稻識(shí)別；SAR影像；時(shí)間序列；高分辨率；地塊

中圖分類號(hào)：TP79

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553（2024）12-0181-06收稿日期：2023年10月9日

修回日期：2024年1月15日

*基金項(xiàng)目：福建省科技計(jì)劃項(xiàng)目（2022N0019）

第一作者：吳瑞姣，女，1984年生，福建莆田人，碩士，高級(jí)工程師；研究方向?yàn)檗r(nóng)業(yè)遙感。E-mail：157765939@qq.com

Identification method of plot-scale rice cultivation in southern hilly regions

Wu Ruijiao， Chen Guangjian

（Fujian Geologic Surveying and Mapping Institute， Fuzhou， 350011， China）

Abstract： Aiming at the hilly area with cloudy rain and complex plot distribution in southern China， a new method for multi-season rice plot level structure information recognition is proposed. By utilizing high-resolution optical imagery and time-series Sentinel-1A SAR imagery， integrated with the Psi-Net model for multi-task semantic segmentation， the study analyzes the relationship between rice growth phenology and backscatter coefficients. The method achieves precise extraction of multi-season rice planting distributions through thresholding， validated in Pucheng County， Fujian Province. Results demonstrate superior performance in shape preservation and boundary accuracy， with Hausdorff distance of 21.368， notably better than the single-task U-Net network. Overall， the method achieves 88.6% and 87.7% accuracies for mid-season and late-season rice identification， respectively， with Kappa coefficients of 0.752 and 0.738. These findings underscore the significant application potential and practical value of the proposed approach for rice planting plot recognition under complex climatic and terrain conditions in southern regions.

Keywords： southern hilly areas; rice recognition; SAR image; time series; high resolution; plot

0 引言

水稻作為我國主要的糧食作物之一^［1］，準(zhǔn)確監(jiān)測(cè)和獲取其種植的空間分布范圍對(duì)保障糧食安全、實(shí)現(xiàn)區(qū)域農(nóng)業(yè)精細(xì)化生產(chǎn)管理以及進(jìn)行產(chǎn)量評(píng)估具有重要意義^［2］。傳統(tǒng)的水稻種植面積獲取方法主要依賴統(tǒng)計(jì)上報(bào)與地方實(shí)測(cè)，不但無法刻畫精確的空間分布，且成本巨大^［3］，還存在嚴(yán)重的信息滯后問題^［4］。遙感技術(shù)以其廣泛的覆蓋、信息量大、時(shí)效性強(qiáng)以及低成本等優(yōu)勢(shì)，成為大尺度范圍的作物識(shí)別與監(jiān)測(cè)的重要手段，為高效獲取水稻種植面積提供了解決途徑^［5］。雖然大多數(shù)研究依賴時(shí)序光學(xué)影像進(jìn)行水稻種植信息的識(shí)別，光學(xué)遙感在農(nóng)作物識(shí)別方面已經(jīng)相對(duì)成熟^［6］，但我國的水稻種植區(qū)域主要分布在南方，水稻生長(zhǎng)季節(jié)通常伴隨多云雨天氣，這導(dǎo)致光學(xué)數(shù)據(jù)的質(zhì)量難以滿足全域、多時(shí)序觀測(cè)的需求，從而影響了實(shí)際應(yīng)用成效^{［7， 8］}。微波遙感具有較強(qiáng)穿透性，不受云雨天氣影響，能夠全天候進(jìn)行觀測(cè)。Sentinel-l SAR影像數(shù)據(jù)的免費(fèi)發(fā)布為水稻種植識(shí)別提供了新途徑^［6］。Sentinel-1 SAR數(shù)據(jù)中的VV（垂直）和VH（交叉）極化數(shù)據(jù)對(duì)水稻田的提取具有可行性^{［9， 10］}。喬樹亭等^［11］研究發(fā)現(xiàn)耦合Sentinel-1微波數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)可以構(gòu)建作物完整的物候曲線，并通過閾值分割實(shí)現(xiàn)水稻不同物候時(shí)期種植面積的提取，顯示出可行性；劉劍等^［12］在廣東省墾造水田監(jiān)測(cè)中，利用多時(shí)相Sentinel-lA影像技術(shù)實(shí)現(xiàn)了水稻的識(shí)別，早稻和晚稻面積提取精度分別達(dá)到85.02%和90.46%；左堅(jiān)等^［13］采用多時(shí)相哨兵一號(hào)數(shù)據(jù)，結(jié)合U-Net深度學(xué)習(xí)模型，成功提取了雷州市水稻的分布范圍，2019年早稻面積提取精度為87.63%，2020年為91.47%；Cai等^［14］基于多時(shí)相Sentinel-1 SAR圖像、Sentinel-2 NDVI 時(shí)間序列和物候數(shù)據(jù)，采用隨機(jī)森林分類器對(duì)水稻進(jìn)行提取，分類精度達(dá)到95%；曹慶安等^［15］選取高安市不同生長(zhǎng)期早稻的時(shí)序雙極化Sentinel-1A雷達(dá)數(shù)據(jù)，采用SVM分類法和多源信息，早稻分類精度為92.22%。

目前，基于Sentinel-1A SAR影像識(shí)別水稻種植面積的研究較多，然而對(duì)地塊尺度的水稻種植信息精細(xì)化提取的研究仍相對(duì)較少。在我國強(qiáng)化耕地種植用途管控的政策背景下，準(zhǔn)確劃分水稻地塊邊界顯得尤為重要，以確保糧食面積落實(shí)到地塊，摸清農(nóng)作物種植情況，進(jìn)而為保障糧食安全提供重要的數(shù)據(jù)基礎(chǔ)。

綜上，本研究以南方丘陵地區(qū)的浦城縣為例，綜合利用亞米級(jí)光學(xué)衛(wèi)星影像、Sentinel-1A SAR時(shí)間序列等數(shù)據(jù)，展開基于地塊級(jí)別的多季水稻種植結(jié)構(gòu)信息提取的技術(shù)研究，為確保區(qū)域耕地非糧化以及保障糧食安全提供有效信息和依據(jù)。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)概況

選擇福建省西北部的南平市浦城縣為研究區(qū)。該地理坐標(biāo)位置位于東經(jīng)118°11′～118°49′，北緯27°32′～28°22′，總面積為3 383 km²。浦城縣是“福建糧倉”，長(zhǎng)期保持全省第一的種植面積和產(chǎn)量，利于水稻分布信息提取研究。

浦城縣水稻種植以中稻和晚稻為主，其物候期特點(diǎn)如下：中稻生長(zhǎng)期通常在6—9月，晚稻生長(zhǎng)期在7-10月。6月和7月是中稻和晚稻的育秧期。8月中下旬和9月中下旬是中稻和晚稻的拔節(jié)和抽穗期，是生長(zhǎng)最旺盛的階段。9月和10月是中稻和晚稻的主要收獲期。

1.2 數(shù)據(jù)與預(yù)處理

1.2.1 光學(xué)衛(wèi)星影像

利用2022年9—10月獲取到的一版覆蓋研究區(qū)的高分二號(hào)和高分七號(hào)亞米級(jí)光學(xué)衛(wèi)星影像，共計(jì)15景。對(duì)這些數(shù)據(jù)進(jìn)行了配準(zhǔn)、正射校正、融合、鑲嵌和裁切等預(yù)處理工作，最終重采樣成空間分辨率為0.8 m的一版影像圖，主要用于水稻地塊邊界的提取，即水稻地塊單元，作為中稻和晚稻的提取對(duì)象。

1.2.2 Sentinel-1 SAR數(shù)據(jù)

選用覆蓋研究區(qū)中稻和晚稻的物候期以及前后時(shí)段的Sentinel-1A星C波段的SAR數(shù)據(jù)，共計(jì)17期圖像，獲取時(shí)間范圍為2022年5月6日—12月8日。這些圖像均是干涉寬幅的VH極化單視復(fù)數(shù)（SLC）數(shù)據(jù)，分辨率為5 m×20 m。數(shù)據(jù)主要用于水稻極化特征時(shí)間序列變化情況分析。

針對(duì)Sentinel-1A SAR數(shù)據(jù)，主要進(jìn)行以下預(yù)處理操作，包括軌道校正、輻射定標(biāo)、多視處理、濾波去噪以及地形編碼校正等。其中，濾波處理采用Refined Lee濾波器，以消除斑點(diǎn)噪聲對(duì)水稻物候特征分析的影響。地形編碼校正利用距離多普勒算法并結(jié)合2 m高精度DEM數(shù)據(jù)，對(duì)因地形引起的Sentinel-1A SAR影像幾何畸變進(jìn)行校正，以提高水稻種植識(shí)別精度。通過分貝化處理將雷達(dá)強(qiáng)度轉(zhuǎn)化為VH后向散射系數(shù)，計(jì)算如式（1）所示。

DN_dB=10×log₁₀N （1）

式中：N——預(yù)處理SAR圖像中每個(gè)像素的值。

1.2.3 樣本數(shù)據(jù)集制作

在實(shí)地考察的基礎(chǔ)上，采集了中稻、晚稻、其他作物、樹木、建筑、水域等地類樣本信息，總計(jì)1 580個(gè)樣本點(diǎn)，其中中稻600個(gè)、晚稻500個(gè)、其他作物300個(gè)、樹木100個(gè)、建筑50個(gè)和水域30個(gè)。中稻和晚稻樣本都是純凈樣本像元，以大片種植區(qū)域?yàn)榛A(chǔ)，分布均勻。制作水稻樣本數(shù)據(jù)集，包括水稻地塊掩膜標(biāo)簽、地塊邊界標(biāo)簽和距離圖標(biāo)簽，如圖1所示。

水稻地塊掩膜標(biāo)簽的制作是借助ArcGIS矢量化工具，通過人機(jī)交互生成二值化的地塊標(biāo)簽。利用生成的地塊掩膜標(biāo)簽圖，將二值地塊圖轉(zhuǎn)換為邊界圖，并且通過準(zhǔn)歐氏距離變換函數(shù)對(duì)邊界進(jìn)行距離變換，從而獲得地塊的距離圖標(biāo)簽。

2 研究方法

構(gòu)建一種基于地塊的多季水稻種植信息識(shí)別方法，利用多任務(wù)語義分割模型Psi-Net獲取亞米級(jí)光學(xué)衛(wèi)星影像上水稻地塊單元，在此基礎(chǔ)上基于時(shí)序Sentinel-1A SAR分析水稻時(shí)序曲線特征并構(gòu)建規(guī)則，采用閾值分類法提取中稻和晚稻種植信息，技術(shù)路線如圖2所示。

2.1 水稻地塊提取模型

采用Psi-Net多任務(wù)語義分割模型^［16］提取水稻地塊。該模型具有類似U-Net的編碼—解碼器架構(gòu)，由一個(gè)編碼器和三個(gè)解碼器組成（圖3）。編碼器通過一系列重復(fù)的下采樣操作構(gòu)成，每次下采樣前進(jìn)行3×3卷積操作，步長(zhǎng)為1。最后一個(gè)下采樣操作是4×4最大池化，將其用作解碼器的輸入。三個(gè)解碼器平行運(yùn)行，具有相似的結(jié)構(gòu)，分別是一個(gè)水稻地塊分割主任務(wù)（掩膜解碼器）和兩個(gè)輔助任務(wù)（邊界解碼器和距離解碼器）。每個(gè)解碼器連接來自對(duì)應(yīng)編碼器層的圖像特征，形成多尺度特征。解碼器的最后一層通過3×3卷積操作完成三個(gè)任務(wù)的特征提取。

Psi-Net通過聯(lián)合訓(xùn)練能夠同時(shí)處理水稻地塊分割主任務(wù)以及與水稻地塊提取密切相關(guān)的邊界檢測(cè)和距離估計(jì)輔助任務(wù)。水稻地塊分割網(wǎng)絡(luò)，具有強(qiáng)大的特征提取能力，生成像素級(jí)別的水稻地塊掩膜。邊界檢測(cè)網(wǎng)絡(luò)，通過預(yù)測(cè)地塊的邊界輪廓來提供更準(zhǔn)確的水稻地塊形狀信息，從而提高分割掩膜預(yù)測(cè)的準(zhǔn)確性和邊界的精細(xì)化程度。距離估計(jì)網(wǎng)絡(luò)，能夠預(yù)測(cè)水稻地塊內(nèi)每個(gè)像素點(diǎn)到其最近地塊邊界的距離信息，有助于網(wǎng)絡(luò)更好地捕捉地塊的內(nèi)部結(jié)構(gòu)信息，進(jìn)一步提升水稻地塊提取的精確性和細(xì)致度。

2.2 基于時(shí)間序列SAR數(shù)據(jù)的水稻物候分析

2.2.1 Whittaker平滑

由于水稻生長(zhǎng)易受降水影響，SAR數(shù)據(jù)信號(hào)可能出現(xiàn)異常，從而影響水稻生長(zhǎng)的時(shí)間序列物候特征分析。采用Whittaker平滑對(duì)預(yù)處理后的時(shí)間序列SAR衛(wèi)星數(shù)據(jù)進(jìn)行平滑處理，有助于消除天氣等因素引起的異常波動(dòng)。

Whittaker平滑基于補(bǔ)償最小二乘原理，通過平衡保真度和粗糙度平滑時(shí)間序列數(shù)據(jù)。其原理是假設(shè)獲取了一組序列長(zhǎng)度為T的原始數(shù)據(jù)集m，擬合后數(shù)據(jù)集為z。擬合效果Q取決于對(duì)原始數(shù)據(jù)序列保真度S、平滑后擬合的數(shù)據(jù)粗糙度R以及平滑參數(shù)λ^［17］。m_t是原始數(shù)據(jù)序列在時(shí)間點(diǎn)t的值，z_t是經(jīng)過Whittaker平滑擬合的數(shù)據(jù)序列在時(shí)間點(diǎn)t的值。S越高，R越低，即Q越小，擬合效果越好。通過交叉驗(yàn)證，本文λ=2。

Q=S+λR （2）

S=∑（m_t－z_t）² （3）

R=∑（z_t－3z_t-1+3z_t-2－z_t-3）² （4）

2.2.2 時(shí)序曲線特征分析

水稻生長(zhǎng)過程中，需要進(jìn)行灌田后進(jìn)行移栽插秧，因此在移栽前耕地呈現(xiàn)水體狀態(tài)，降低了地表粗糙度，SAR衛(wèi)星遙感數(shù)據(jù)VH極化對(duì)于地表含水量較為敏感，導(dǎo)致水稻移栽前后的后向散射系數(shù)隨時(shí)間推移呈現(xiàn)出下降—上升的“V”形特征，這是水稻區(qū)別于其他地物的獨(dú)特物候特征。利用光學(xué)亞米級(jí)衛(wèi)星影像結(jié)合Psi-Net模型獲取的水稻地塊單元，提取Whittaker平滑處理后的國產(chǎn)SAR衛(wèi)星遙感數(shù)據(jù)均值，利用中稻和晚稻樣本分別提取出中稻和晚稻VH極化特征時(shí)間序列變化情況，進(jìn)而構(gòu)建中稻和晚稻的特征提取規(guī)則。

2.3 分類方法

利用閾值分類方法來提取中晚稻種植信息。閾值法分類的原理是利用不同通道對(duì)各類地物的敏感度差異，通過選定單波段或多波段的閾值的來提取目標(biāo)地物，然后使用一個(gè)或多個(gè)已提取地物的信息源，分層實(shí)現(xiàn)地物的進(jìn)一步提取，最終完成分類。

3 結(jié)果與分析

3.1 后向散射特征分析

水稻不同生育期的時(shí)序后向散射系數(shù)提供了識(shí)別水稻的關(guān)鍵信息。如圖4所示，水稻移栽前和移栽后，VH極化下的后向散射系數(shù)值都表現(xiàn)出最低值，小于-18 dB，這表示水稻對(duì)雷達(dá)波的反射較弱。隨著水稻的生長(zhǎng)，后向散射系數(shù)值逐漸上升，在成熟時(shí)達(dá)到最大值，大約在-15 dB以上，這表明隨著水稻植株的增加和生長(zhǎng)，對(duì)雷達(dá)波的反射能力增強(qiáng)。這些特征在浦城縣的中稻和晚稻中均可觀察到，VH后向散射系數(shù)的時(shí)序曲線在移栽期前后反映出明顯的變化，呈現(xiàn)出“V”形特征，與其他地類有顯著差異。具體而言，中稻通常在每年的5—6月進(jìn)行移栽，成熟期主要在9月份；晚稻則在7—8月進(jìn)行移栽，成熟期主要在10月份。

為實(shí)現(xiàn)各種地類的有效區(qū)分，選擇了2022年6月23日、7月17日和8月22日這三個(gè)時(shí)相影像進(jìn)行RGB假彩色合成。在合成的圖像中（圖5），晚稻被表示為紅色、中稻為綠色、而建筑區(qū)與林地則呈現(xiàn)灰白色。

從圖5可以看出，這種假彩色合成的圖像在視覺上可以有效區(qū)分中稻和晚稻與其他地物，從而使用閾值分類方法更容易提取水稻種植信息。

3.2 中/晚稻種植提取結(jié)果

為了提高方法的準(zhǔn)確性和可靠性，中稻和晚稻提取規(guī)則確保了生長(zhǎng)季內(nèi)VH極化信號(hào)的各項(xiàng)特征得到充分考慮。提取規(guī)則（圖6）：（1）生長(zhǎng)季內(nèi)，VH極化下后向散射系數(shù)的最低值小于-18 dB。其中，中稻的最低值出現(xiàn)在一年中的第125至180天（DOY 125-180），晚稻的最低值出現(xiàn)在一年中的第180～240天（DOY 180-240）；（2）生長(zhǎng)季內(nèi)，VH極化下后向散射系數(shù)的最大值大于-15 dB；（3）生長(zhǎng)季內(nèi)，VH極化下后向散射系數(shù)的最大值日期與最小值日期之差（Length of Stay，LOS）大于50天。

利用中稻和晚稻提取規(guī)則，采用閾值分類法進(jìn)行提取。2022年浦城縣地塊尺度中稻和晚稻種植的空間分布，如圖7所示。中晚稻種植總面積約為282.67 km²，其中中稻和晚稻種植面積分別為204 km²和78.67 km²。

3.3 精度分析

為了量化提取水稻地塊邊界的形狀相似吻合度，采用分割后的水稻地塊邊界線形狀與真實(shí)地塊之間的豪斯多夫（Hausdorff）距離H定量化評(píng)價(jià)。兩個(gè)模型的豪斯多夫距離H越小，預(yù)測(cè)能力越接近。

式中：A——本文方法提取得到的水稻地塊邊界線的集合；

B——真實(shí)的水稻地塊邊界線的集合。

因此，進(jìn)行一組對(duì)比試驗(yàn)，將水稻提取網(wǎng)絡(luò)模型Psi-Net預(yù)測(cè)的水稻地塊結(jié)果與單任務(wù)的U-Net網(wǎng)絡(luò)進(jìn)行比較。除了網(wǎng)絡(luò)結(jié)構(gòu)外，所有試驗(yàn)條件均相同。經(jīng)試驗(yàn)對(duì)比，在形狀相似度度量指標(biāo)上，本文方法的豪斯多夫距離H值為21.368，明顯低于U-Net網(wǎng)絡(luò)的H值25.139，表明本文方法有助保持形狀，能夠生成更優(yōu)越的分割掩膜。

為了驗(yàn)證本文方法在南方丘陵地區(qū)的水稻提取的準(zhǔn)確性，采用1.2.3節(jié)提到的1 580個(gè)實(shí)地考察樣本點(diǎn)計(jì)算混淆矩陣（Confusion Matrix），其中用于驗(yàn)證中稻精度的地面參考點(diǎn)共有1 080個(gè)（中稻600個(gè)、其他作物300個(gè)、樹木100個(gè)、建筑50和水域30個(gè)）、用于驗(yàn)證晚稻的地面參考點(diǎn)共有980個(gè)（晚稻500個(gè)、其他作物300個(gè)、樹木100個(gè)、建筑50和水域30個(gè)）。并通過總體精度（OA）和Kappa系數(shù)以及生產(chǎn)者精度（PA）和用戶精度（UA），分別對(duì)中稻和晚稻種植提取結(jié)果進(jìn)行了精度定量化評(píng)價(jià)。

如圖7所示，可以清晰地呈現(xiàn)中稻、晚稻種植地塊邊界與地面真實(shí)值吻合度較高，總體提取效果較好。由表1和表2可知，中稻識(shí)別結(jié)果總體精度達(dá)88.6%、Kappa系數(shù)為0.752，而晚稻識(shí)別總體精度達(dá)87.7%、Kappa系數(shù)為0.738。

中稻和晚稻的PA分別為92.3%和93.8%，總體漏提誤差較小。這是因?yàn)樵谀戏角鹆甑貐^(qū)，地形復(fù)雜，存在零散的小面積水稻田塊。盡管這些水稻種植區(qū)域單個(gè)面積較小，但由于亞米級(jí)光學(xué)影像和哨兵一號(hào)雷達(dá)影像分辨率的限制，本文未能有效提取這些區(qū)域，這是導(dǎo)致提取精度存在偏差的一個(gè)原因。另外，水稻種植時(shí)間的差異也可能導(dǎo)致提取結(jié)果的漏提現(xiàn)象，因?yàn)閮H依據(jù)某個(gè)時(shí)間點(diǎn)的遙感影像進(jìn)行水稻信息提取難以覆蓋所有生長(zhǎng)期。在誤判方面，中稻和晚稻與荒草地、蔬菜等其他作物存在錯(cuò)分的現(xiàn)象，但均控制在10%以內(nèi)。

4 討論

通過綜合運(yùn)用光學(xué)衛(wèi)星影像和Sentinel-1 SAR影像，探索一種南方丘陵地區(qū)地塊尺度下多季水稻種植結(jié)構(gòu)信息提取方法，并在福建省浦城縣進(jìn)行應(yīng)用和驗(yàn)證。這一方法在提取的中稻、晚稻種植信息較為準(zhǔn)確，邊界清晰，地塊邊界與地面真實(shí)值吻合度較高，整體精度較高。

在當(dāng)前我國加強(qiáng)耕地種植用途管控的政策背景下，為確保糧食作物種植落實(shí)到具體地塊，摸清農(nóng)作物種植情況，研究地塊尺度下水稻種植信息提取的研究具有重要的現(xiàn)實(shí)意義。然而，盡管當(dāng)前有關(guān)基于Sentinel-1 SAR

影像識(shí)別水稻種植面積的研究較多，但對(duì)地塊尺度水稻種植信息的精細(xì)化提取研究仍相對(duì)匱乏。

在南方丘陵山區(qū)，5—8月是中晚稻生長(zhǎng)的關(guān)鍵節(jié)點(diǎn)，這個(gè)時(shí)間段的多云雨天氣增加了亞米級(jí)光學(xué)影像獲取的難度，但在9—11月水稻的抽穗期和收獲期獲取亞米級(jí)光學(xué)影像相對(duì)容易。因此，本文采用Psi-Net多任務(wù)語義分割模型結(jié)合一期亞米級(jí)光學(xué)影像實(shí)現(xiàn)了水稻地塊的邊界提取。通過借助Whittaker平滑和哨兵一號(hào)SAR時(shí)序曲線特征，在水稻地塊單元的基礎(chǔ)上構(gòu)建了中稻和晚稻的提取規(guī)則，并應(yīng)用閾值分類法完成了種植信息的提取。這一方法不僅克服了光學(xué)影像在關(guān)鍵生長(zhǎng)節(jié)點(diǎn)難以獲取的問題，還在地塊尺度下提供了多季水稻種植信息的可行性，為相關(guān)政策的實(shí)施提供了新思路。

Psi-Net模型在南方丘陵山區(qū)水稻地塊提取中表現(xiàn)出色。引入邊界檢測(cè)和距離估計(jì)這兩個(gè)輔助任務(wù)，使網(wǎng)絡(luò)更好地捕捉地塊內(nèi)部和地塊之間的信息，提高了水稻地塊提取任務(wù)的整體表現(xiàn)。在形狀保持能力上，通過引入邊界檢測(cè)任務(wù)，Psi-Net能夠更好地保持水稻地塊的形狀，減少形狀失真的可能性。在空間關(guān)系建模上， 距離估計(jì)任務(wù)有助于建模水稻地塊與周圍環(huán)境的空間關(guān)系，提高網(wǎng)絡(luò)對(duì)地塊之間的空間變化的感知。因此， 這種多任務(wù)學(xué)習(xí)的策略使Psi-Net不僅關(guān)注地塊內(nèi)部結(jié)構(gòu)和紋理特征，還考慮了地塊之間的關(guān)系，使得在復(fù)雜地形下地塊尺度的水稻種植信息提取更全面。與傳統(tǒng)的U-Net網(wǎng)絡(luò)相比，Psi-Net在形狀相似度度量上表現(xiàn)更優(yōu)，顯示出更好的分割掩膜。這表明Psi-Net在提取水稻地塊信息方面具有一定的優(yōu)越性。

盡管本文方法在提取水稻種植信息方面取得了良好的效果，但仍存在一些局限性。南方丘陵山區(qū)地形復(fù)雜，存在零散化的小面積水稻田塊，由于影像分辨率的限制，提取精度存在一定偏差。此外，由于水稻種植時(shí)間差異，僅依據(jù)某個(gè)時(shí)間點(diǎn)的遙感影像進(jìn)行水稻信息提取會(huì)存在一定的漏提問題。

未來的研究計(jì)劃中，隨著國產(chǎn)陸探一號(hào)雷達(dá)衛(wèi)星的數(shù)據(jù)共享，擬基于陸探一號(hào)雷達(dá)衛(wèi)星進(jìn)行水稻識(shí)別與提取研究，并對(duì)Psi-Net模型作進(jìn)一步調(diào)整和改進(jìn)， 以適應(yīng)多樣性的影像條件，提高識(shí)別與提取精度。同時(shí)，將設(shè)計(jì)動(dòng)態(tài)時(shí)間窗口進(jìn)行水稻特征提取，以解決物候差異引起的類內(nèi)異質(zhì)性，從而提高識(shí)別精度。綜合而言，本研究在地塊尺度下的多季水稻種植信息提取方面取得了良好的效果，但仍需要進(jìn)一步優(yōu)化方法以解決存在的局限性。這些研究成果能為類似地區(qū)的農(nóng)業(yè)精細(xì)化管理提供更精確、實(shí)用的數(shù)據(jù)支持，為農(nóng)業(yè)的可持續(xù)發(fā)展和糧食安全的保障提供有益的參考。

5 結(jié)論

1）在當(dāng)前全球?qū)Z食安全持續(xù)關(guān)注的大背景下，以南方丘陵山區(qū)的浦城縣為案例，針對(duì)該地區(qū)的多云多雨氣候條件，成功探索并實(shí)現(xiàn)一種地塊尺度下多季水稻種植結(jié)構(gòu)信息的高精度提取方法。采用一期亞米級(jí)光學(xué)影像與多任務(wù)語義分割Psi-Net模型提取水稻地塊邊界，并結(jié)合時(shí)序Sentinel-1A SAR影像分析水稻的生長(zhǎng)物候特征與后向散射系數(shù)之間的關(guān)系，最終通過閾值法實(shí)現(xiàn)對(duì)多季水稻種植分布信息的準(zhǔn)確提取。

2）通過對(duì)2022年浦城縣中晚稻種植地塊的提取，展現(xiàn)Psi-Net模型在南方丘陵山區(qū)水稻地塊提取中的卓越性能。本文方法較好地反映浦城縣中稻和晚稻的實(shí)際分布情況，總體精度分別達(dá)到88.6%和87.7%，Kappa系數(shù)分別為0.752和0.738。此外，通過采用豪斯多夫距離來度量形狀相似吻合度，本文方法表現(xiàn)出更好的形狀保持能力，中稻和晚稻種植地塊的邊界與地面真實(shí)值吻合度較高，豪斯多夫距離為21.368，明顯低于U-Net網(wǎng)絡(luò)（單一任務(wù)）的25.139。為精細(xì)化水稻種植信息提取提供可靠的解決方案。

參 考 文 獻(xiàn)

［1］ 林志慧， 劉憲鋒， 陳瑛， 等. 水—糧食—能源紐帶關(guān)系研究進(jìn)展與展望［J］. 地理學(xué)報(bào)， 2021， 76（7）： 1591-1604.

Lin Zhihui， Liu Xianfeng， Chen Ying， et al. Water-food-energy nexus： Progress， challenges and prospect ［J］. Acta Geographica Sinica， 2021， 76（7）： 1591-1604.

［2］ 吳炳方， 張淼， 曾紅偉， 等. 全球農(nóng)情遙感速報(bào)系統(tǒng)20年［J］. 遙感學(xué)報(bào)， 2019， 23（6）： 1053-1063.

Wu Bingfang， Zhang Miao， Zeng Hongwei， et al. Twenty years of crop watch： Progress and prospect ［J］. National Remote Sensing Bulletin， 2019， 23（6）： 1053-1063.

［3］ 譚深， 吳炳方， 張?chǎng)? 基于Google Earth Engine與多源遙感數(shù)據(jù)的海南水稻分類研究［J］. 地球信息科學(xué)學(xué)報(bào)， 2019， 21（6）： 937-947.

Tan Shen， Wu Bingfang， Zhang Xin. Mapping paddy rice in the Hainan Province using both google earth engine and remote sensing images ［J］. Journal of Geo-information Science， 2019， 21（6）： 937-947.

［4］ 楊知. 基于極化SAR的水稻物候期監(jiān)測(cè)與參數(shù)反演研究［D］. 北京： 中國科學(xué)院大學(xué)， 2017.

［5］ 楊穎頻， 吳志峰， 駱劍承， 等. 時(shí)空協(xié)同的地塊尺度作物分布遙感提取［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（7）： 166-174.

Yang Yinpin， Wu Zhifeng， Luo Jiangcheng， et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（7）： 166-174.

［6］ 李恒凱， 賀明華， 王秀麗. 時(shí)序SAR與光學(xué)影像的南方丘陵區(qū)水稻種植識(shí)別［J］. 測(cè)繪科學(xué)， 2023， 48（5）： 78-86.

Li Hengkai， He Minghua， Wang Xiuli. Rice extraction in southern hilly areas by fusing time-series SAR features and optical images ［J］. Science of Surveying and Mapping， 2023， 48（5）： 78-86.

［7］ Kristofer L， Prasad K V， Tuan 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.

［8］ Li H， Fu D， Huang C， et al. An approach to high-resolution rice paddy mapping using time-series Sentinel-1

SAR data in the Mun River Basin， Thailand ［J］. Remote Sensing， 2020， 12（23）： 3959.

［9］ 查東平， 蔡海生， 張學(xué)玲， 等. 基于多時(shí)相Sentinel-1水稻種植范圍提取［J］. 自然資源遙感， 2022， 34（3）： 184-195.

Zha Dongping， Cai Haisheng， Zhang Xueling， et al. Extraction of paddy fields using multi-temporal Sentinel-1images ［J］. Remote Sensing for Natural Resources， 2022， 34（3）： 184-195.

［10］ 張征云， 江文淵， 張彥敏， 等. 基于哨兵SAR數(shù)據(jù)和多光譜數(shù)據(jù)的水稻識(shí)別研究［J］. 生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)， 2023， 39（4）： 556-564.

Zhang Zhengyun， Jiang Wenyuan， Zhang Yanmin， et al. Research on rice area extraction based on Sentinel SAR data and multi-spectral data ［J］. Journal of Ecology and Rural Environment， 2023， 39（4）： 556-564.

［11］ 喬樹亭， 葉回春， 黃文江， 等. 基于Sentinel-1/2影像的水稻種植面積提取方法研究——以三江平原為例［J］. 遙感技術(shù)與應(yīng)用， 2023， 38（1）： 78-89.

Qiao Shuting， Ye Huichun， Huang Wenjiang， et al. Study on extraction method of rice planting area based on Sentinel-1/2 image： A case study of Sanjiang Plain ［J］. Remote Sensing Technology and Application， 2023， 38（1）： 78-89.

［12］ 劉劍， 王冬至. 基于SAR影像的廣東省墾造水田監(jiān)測(cè)應(yīng)用研究［J］. 測(cè)繪通報(bào)， 2021（12）： 79-82.

Liu Jian， Wang Dongzhi. Study on the application of SAR images in monitoring the build paddy fields in Guangdong province ［J］. Bulletin of Surveying and Mapping， 2021（12）： 79-82.

［13］ 左堅(jiān)， 鐘凱文， 許劍輝， 等. 多時(shí)相SAR數(shù)據(jù)下的嶺南早稻提取與時(shí)空變化分析［J］. 測(cè)繪科學(xué)， 2023， 48（1）： 91-99.

Zuo Jian， Zhong Kaiwen， Xu Jianhui， et al. Analysis on early rice distribution and spatio-temporal changes based on multi-temporal SAR data in Lingnan ［J］. Science of Surveying and Mapping， 2023， 48（1）： 91-99.

［14］ Cai Y， Lin H， Zhang M. Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data ［J］. Advances in Space Research， 2019， 64（11）： 2233-2244.

［15］ 曹慶安， 冷鵬. Sentinel-1A時(shí)序數(shù)據(jù)結(jié)合多源信息的早稻種植面積監(jiān)測(cè)研究［J］. 江西農(nóng)業(yè)學(xué)報(bào)， 2023， 35（3）： 203-211.

Cao Qingan， Leng Peng. Monitoring of early rice planting area based on Sentinel-1A time series data and multisource information ［J］. Acta Agriculturae Jiangxi， 2023， 35（3）： 203-211.

［16］ Murugesan B， Sarveswaran K， Shankaranarayana S M， et al. Psi-Net： Shape and boundary aware joint multi-task deep network for medical image segmentation ［C］. 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE， 2019： 7223-7226.

［17］ 張晗， 任志遠(yuǎn). 基于Whittaker濾波的陜西省植被物候特征［J］. 中國沙漠， 2015， 35（4）： 901-906.

Zhang Han， Ren Zhiyuan. Remote sensing analysis of vegetation phenology characteristics in Shaanxi Province based on Whittaker smoother method ［J］. Journal of Desert Research， 2015， 35（4）： 901-906.