胡佩敏++熊勤學(xué)

摘要：針對(duì)目前利用ASAR數(shù)據(jù)提取作物種植空間分布的精度因相干斑點(diǎn)噪聲問(wèn)題而達(dá)不到業(yè)務(wù)運(yùn)行要求問(wèn)題，以全國(guó)水稻種植面積最大的湖北省監(jiān)利縣為例，運(yùn)用空間分辨率為16 m的高分一號(hào)多光譜數(shù)據(jù)，采用圖像切割和融合方法提取農(nóng)田邊界，將早稻早期三景ASAR數(shù)據(jù)以每個(gè)對(duì)象（一個(gè)對(duì)象代表一塊農(nóng)田）取均值，以此消除相干斑點(diǎn)噪聲，結(jié)合早稻早期ASAR數(shù)據(jù)變化特征（早稻灌水前期ASAR后向散射系數(shù)大，灌水后最小，秧苗后期變大），提取監(jiān)利縣2015年早稻種植空間分布。通過(guò)與調(diào)查區(qū)（面積23.4 km2）對(duì)比，其Kappa系數(shù)為0.83，其精確度較單獨(dú)用ASAR數(shù)據(jù)提取方法提高一個(gè)層次，該早稻提取方法適合業(yè)務(wù)化運(yùn)行。

關(guān)鍵詞：邊界提??；ASAR數(shù)據(jù)；種植空間分布；面向?qū)ο蠓椒?/p>

中圖分類(lèi)號(hào)：S511；S126 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2017）16-3140-04

DOI：10.14088/j.cnki.issn0439-8114.2017.16.036

Extracting of Early Season Rice Planting Using Optical and ASAR Data Based on Per-field Classification Method

HU Pei-ming1，XIONG Qin-xue2

（1.Meteorology Agency of Jinzhou City，Jinzhou 434020，Hubei，China；

2.Agricultural College， Yangtze University，Jinzhou 434025，Hubei，China）

Abstract： The aim of this paper is to improve the accuracy of classification of crops plant distribution using sentinel ASAR （Advanced Synthetic Aperture Radar） data. In this paper， the study case place is Jianli county， Hubei Province，which is the largest rice planting area in China， the main method is following， extracting the crop field object border using GF-1 satellite multi-bands optical data based on image segment and merge technical method； averaging the radar backscatter coefficient of ASAR data within each object，this can eliminate the influence of coherent speckle noise； Through the analysis of the ASAR backscattering characteristics of early season rice paddy， found that the backscattering coefficient value of early season rice paddy is higher in Pre-irrigation stage， lower in irrigation stage and raising in seedling stage，built the early season rice paddy identification formula according these rules. Extraction the early season rice planting distribution information in 2015 at Jianli county. According to compared with investigating in place with 23.4 km2 area， the Kappa coefficient is 0.83， The accuracy is improved by only using the ASAR data extraction method. This method is inexactitude to optical remote sensing satellite acquisition date， and ASAR data gained by sentinel 1A satellite is not affected by the clouds， can be obtained regularly， so this method is suitable for crop cultivation spatial distribution information extraction of business operation.

Key words： boundary extraction； ASAR data； crop cultivation spatial distribution； field-based method

高級(jí)合成孔徑雷達(dá)（Advanced synthetic aperture radar，ASAR）具有不受云層影響、全天時(shí)、全天候監(jiān)測(cè)作物的特點(diǎn)。在受云層影響大，導(dǎo)致光學(xué)影像獲取數(shù)量少，很難進(jìn)行水稻監(jiān)測(cè)識(shí)別的地區(qū)，運(yùn)用ASAR數(shù)據(jù)開(kāi)展水稻監(jiān)測(cè)識(shí)別，具有光學(xué)遙感無(wú)可比擬的優(yōu)點(diǎn)[1]。根據(jù)水稻田早期灌水插秧、秧苗成長(zhǎng)以及抗田抑制分蘗等農(nóng)事活動(dòng)下的ASAR后向散射系數(shù)的差異，很容易提取稻種植區(qū)的空間分布[2]，這種基于ASAR時(shí)序特征的水稻識(shí)別精度業(yè)務(wù)上可達(dá)到86%以上[3，4]，也是高合成孔徑雷達(dá)傳感器監(jiān)測(cè)最成功的農(nóng)作物之一。影響水稻識(shí)別精度的因素很多，如在有所用的波段上，利用C波段建立雷達(dá)后向散射系數(shù)較X波段和L波段在反映水稻植株高度、物候變化的統(tǒng)計(jì)關(guān)系上效果較好；在極化方式上，VV極化明顯優(yōu)于HH極化、VH極化[5]；但由于ASAR數(shù)據(jù)影像中相干斑點(diǎn)噪聲的存在，嚴(yán)重影響了信息提取的效果[6]，主要表現(xiàn)在提取的作物區(qū)邊界不清晰、作物區(qū)會(huì)有很多空白點(diǎn)以及存在大量面積很小的斑點(diǎn)等現(xiàn)象，盡管有很多濾波方法[7]，但效果不太明顯；而光學(xué)遙感數(shù)據(jù)由于使用的波長(zhǎng)為微米級(jí)，沒(méi)有相干斑點(diǎn)噪聲問(wèn)題。endprint

本研究以全國(guó)水稻種植面積最大的湖北省監(jiān)利縣為例，在分析水稻田ASAR后向散射系數(shù)隨時(shí)間變化的基礎(chǔ)上，運(yùn)用同期光學(xué)影像數(shù)據(jù)進(jìn)行地物對(duì)象提取，通過(guò)取每個(gè)對(duì)象的ASAR后向散射系數(shù)均值來(lái)消除相干斑點(diǎn)噪聲，結(jié)合ASAR后向散射系數(shù)在水稻早期變化特征，實(shí)現(xiàn)高精度早稻種植空間分布信息ASAR提取。

1 研究區(qū)概況和數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

監(jiān)利縣（圖1）位于湖北省中南部，長(zhǎng)江北岸，面積3 508 km2，氣候上具有四季分明，熱量豐富，光照適宜，雨水充沛，雨熱同季，無(wú)霜期長(zhǎng)等特點(diǎn)，是全國(guó)水稻生產(chǎn)第一大縣，根據(jù)湖北省農(nóng)業(yè)統(tǒng)計(jì)年鑒2000～2015年數(shù)據(jù)，監(jiān)利縣水稻種植面積常年穩(wěn)定在16萬(wàn)hm2，主要種植模式有雙季稻（早稻+晚稻）、單季稻（中稻），其中早稻面積大約2.7萬(wàn)hm2。

2015年7月，為驗(yàn)證結(jié)果的精度，在福田寺鎮(zhèn)一塊面積為23.4 km2的區(qū)域（長(zhǎng)6.6 km，寬4.7 km），用GPS儀詳細(xì)確定了每塊早稻田的邊界，共142塊。

1.2 數(shù)據(jù)的預(yù)處理

從中國(guó)資源衛(wèi)星中心下載2015年5月21日監(jiān)利上空高分一號(hào)（GF-1）衛(wèi)星16 m分辨率多光譜數(shù)據(jù)1景，多光譜數(shù)據(jù)在ENVI軟件中經(jīng)過(guò)正射投影轉(zhuǎn)換后，再經(jīng)過(guò)輻射訂標(biāo)、大氣校正和幾何校正，生成空間分辨率為16 m的覆蓋監(jiān)利縣全境的四波段光譜數(shù)據(jù)，并計(jì)算其N(xiāo)DVI指數(shù)。

從歐空局的網(wǎng)站上下載2015年5～6月監(jiān)利境內(nèi)sentinel 1A衛(wèi)星C波段干涉寬幅（Interferometric wide swath）模式（空間分辨率5 m×20 m）的ASAR數(shù)據(jù)3景（5月5日、5月29日、6月5日），在NEST（Next ESA SAR Toolbox）軟件下對(duì)這3景VV極化數(shù)據(jù)進(jìn)行輻射定標(biāo)、圖像配準(zhǔn)和多時(shí)相產(chǎn)品濾波，最后將3景數(shù)據(jù)加上NDVI指數(shù)數(shù)據(jù)并成4波段光譜數(shù)據(jù)（每1景VV極化數(shù)據(jù)為一個(gè)波段，最后一個(gè)波段數(shù)據(jù)為NDVI數(shù)據(jù)）。

1.3 分類(lèi)結(jié)果驗(yàn)證

將結(jié)果數(shù)據(jù)和驗(yàn)證區(qū)數(shù)據(jù)運(yùn)用GIS中的聚類(lèi)分析生成只含0和1數(shù)字的柵格數(shù)據(jù)，0代表非早稻區(qū)、1表示早稻區(qū)，然后對(duì)Kappa系數(shù)進(jìn)行計(jì)算，公式[8]如下：

其中，n為柵格總像元，驗(yàn)證區(qū)柵格數(shù)據(jù)中為1的象元數(shù)為a1，為0的象元數(shù)為a0，結(jié)果模擬數(shù)據(jù)中為1的象元數(shù)為b1，為0的象元數(shù)為b0，兩個(gè)柵格對(duì)應(yīng)象元值相等的象元數(shù)為s。

2 提取方法

先用預(yù)處理過(guò)的空間分辨率為16 m的高分一號(hào)的四波段光譜數(shù)據(jù)進(jìn)行特征值提取，即在ENVI軟件中Segment Only Feature Extraction功能對(duì)圖像進(jìn)行切割和合并，切割算法選擇Edge[8]，尺度大小為20，合并算法為Full Lambda Schedule[9]，合并尺度為30，系統(tǒng)會(huì)將多光譜相近的相鄰像素歸為一個(gè)地物，作物種植區(qū)地物為農(nóng)田，最后給出地物邊界矢量文件。

在ArcGIS中將地物邊界矢量文件與預(yù)處理后的ASAR數(shù)據(jù)進(jìn)行疊置統(tǒng)計(jì)分析，將每塊地物內(nèi)的ASAR數(shù)據(jù)取均值，并進(jìn)行矢量轉(zhuǎn)柵格計(jì)算，得到消除了相干斑點(diǎn)噪聲、邊界清晰的ASAR柵格數(shù)據(jù)，結(jié)合本文分析的早稻生長(zhǎng)早期ASAR數(shù)據(jù)特征，得到早稻分類(lèi)規(guī)則，分類(lèi)后得到監(jiān)利縣早稻種植區(qū)空間分布。具體流程如圖2所示。

3 結(jié)果與分析

3.1 早稻早期ASAR后向散射系數(shù)變化特征及分類(lèi)閥門(mén)值確定

圖3為5月5日、5月29日、6月5日經(jīng)過(guò)預(yù)處理后的早稻ASAR后向散射系數(shù)頻率分布及與其正態(tài)分布曲線，由于這3個(gè)日期代表早稻不同的生長(zhǎng)情況（5月5日稻田還未灌水、5月29日早稻秧苗期、6月5日早稻秧苗生長(zhǎng)期），其后向散射系數(shù)差異很大，早稻ASAR后向散射系數(shù)表現(xiàn)出由大變小再變大的變化規(guī)律，取正態(tài)函數(shù)正負(fù)5%概率作為閥門(mén)值標(biāo)準(zhǔn)，得到早稻分類(lèi)判別函數(shù)為：

Y=（b1>0.068）and（b1≤0.145）and（b2>0.002）and（b2≤0.188）and（b3>0.078）and（b3≤0.196）and（b4≤0.25）and（（b3-b2）≥0.02）and（（b1-b2）≥0.005） （3）

式中，b1、b2、b3分別表示5月5日、5月29日、6月5日ASAR后向散射系數(shù)；b4為5月21日NDVI指數(shù)。Y為1表示是早稻田、為0表示非早稻田。

3.2 結(jié)果驗(yàn)證

將23.4 km2的區(qū)域早稻田實(shí)際空間分布數(shù)據(jù)與采用本研究方法（用光學(xué)數(shù)據(jù)提取田間邊界，用ASAR數(shù)據(jù)結(jié)合公式3計(jì)算的分類(lèi)方法）計(jì)算得到的結(jié)果數(shù)據(jù)（圖4），用式（1）進(jìn)行Kappa系數(shù)進(jìn)行計(jì)算，得到Kappa系數(shù)為0.83；而不用光學(xué)數(shù)據(jù)提取田間邊界，直接用ASAR數(shù)據(jù)進(jìn)行式（3）計(jì)算的分類(lèi)方法，其結(jié)果與實(shí)際值進(jìn)行計(jì)算，得到的Kappa系數(shù)為0.49（圖5）。

從圖4和圖5可以看出，本文推薦的方法更接近實(shí)際情況，其主要優(yōu)點(diǎn)有：①完全消除了相干斑點(diǎn)噪聲的影響，減少了田間內(nèi)部的空白點(diǎn)；②邊界清晰，達(dá)到了業(yè)務(wù)化要求。

3.3 監(jiān)利縣早稻種植空間分布

運(yùn)用光學(xué)數(shù)據(jù)提取田間邊界，用ASAR數(shù)據(jù)結(jié)合式（3）計(jì)算的分類(lèi)方法，得到監(jiān)利縣早稻種植空間分布信息（圖6），監(jiān)利縣早稻種植空間分布特點(diǎn)主要表現(xiàn)為早稻主要集中在監(jiān)利縣中上部，超過(guò)2 000 hm2的鄉(xiāng)鎮(zhèn)有分鹽鎮(zhèn)、福田寺鎮(zhèn)、毛市鎮(zhèn)和紅城鄉(xiāng)（圖7）。早稻種植空間分布特點(diǎn)與地形有關(guān)，監(jiān)利縣地形是簸箕形，南、北、西部地勢(shì)高，而東部地勢(shì)低，而早稻主要集中在地勢(shì)低的地方，地勢(shì)低的地方因?yàn)槎痉e水，不適合種夏收作物（小麥和油菜），只能種植雙季稻。

4 小結(jié)與討論

成功運(yùn)用了光學(xué)遙感數(shù)據(jù)的邊界提取的準(zhǔn)確性，也利用了ASAR數(shù)據(jù)不受云層影響、全天侯、全天時(shí)的特點(diǎn)，實(shí)現(xiàn)水稻種植信息的早期提取。由于光學(xué)數(shù)據(jù)提取田間邊界對(duì)數(shù)據(jù)獲取時(shí)間沒(méi)有嚴(yán)格要求，只要是作物生育期內(nèi)即可，而ASAR數(shù)據(jù)，因?yàn)槔走_(dá)衛(wèi)星不受云層的影響，能定期獲取，不會(huì)因?yàn)殛P(guān)鍵期遙感數(shù)據(jù)的缺失而降低作物種植空間分布提取的精度。由于完全消除了相干斑點(diǎn)噪聲的影響，其分類(lèi)精度較傳統(tǒng)分類(lèi)方法的精度有質(zhì)的提高，因此該方法可以投入業(yè)務(wù)化運(yùn)行。endprint

高分辨率的光學(xué)遙感數(shù)據(jù)是準(zhǔn)確提取農(nóng)田邊界的保證，同時(shí)幾何校正的準(zhǔn)確率也影響早稻提取的精度，隨著中國(guó)高分系列衛(wèi)星發(fā)布和sentinel衛(wèi)星的免費(fèi)政策，相信水稻提取的精度會(huì)越來(lái)越高。

參考文獻(xiàn)：

[1] 唐鵬欽，姚艷敏，魏 娜.合成孔徑雷達(dá)水稻識(shí)別和監(jiān)測(cè)研究進(jìn)展[J].中國(guó)農(nóng)學(xué)通報(bào)2009，25（14）：291-295.

[2] ALEXANDRE B，THUY L T. Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta[J].Remote Sensing of Environment，2011，115：1090-1101.

[3] 譚炳香，李增元.SAR數(shù)據(jù)在南方水稻分布圖快速更新中的應(yīng)用方法研究[J].國(guó)土資源遙感，2000（1）：24-27.

[4] 譚炳香，李增元，李秉柏，等.單時(shí)相雙極化ENVISAT ASAR數(shù)據(jù)水稻識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2006，22（12）：121-127.

[5] CHRISTOPH H，WOLFGANG K，YUXIN M. Best Accuracy land Use/Land cover（LULC） classification to derive crop types using multitemporal，multisensor，and multi-polarization SAR satellite images[J].Remote Sens，2016，8：684-688.

[6] 王 迪，周清波，陳仲新，等.基于合成孔徑雷達(dá)的農(nóng)作物識(shí)別研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（16）：203-212.

[7] BENZ U C，HOFMANN P，WILLHAUCK G，et al. Multi-resolution object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS J Photogramm & Remote Sens，2004，58（3）：239-258.

[8] BRADLEY A P. The use of the area under the ROC Curve in the evaluation of machine learning algorithms[J].Pattern Recognition，1997，30（7）：1145-1159.

[9] ROERDINK，JOS B T M，MEIJSTER A. The watershed transform：definitions，algorithms，and parallelization strategies[J].Fundamenta Informaticae，2001，41：187-228.endprint