郭 交 尉鵬亮 周正舒 蘇寶峰

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.聯(lián)邦科學(xué)與工業(yè)研究組織數(shù)據(jù)處理研究所， 珀斯 WA 6014)

引言

獲取農(nóng)作物的分類信息在作物普查、長勢監(jiān)測、產(chǎn)量預(yù)估和災(zāi)害評估等諸多應(yīng)用中都具有十分重要的意義，近年來已成為遙感領(lǐng)域的研究熱點(diǎn)之一[1-3]。在諸多的遙感手段中，極化合成孔徑雷達(dá)(Polarimetric synthetic aperture radar，PolSAR)作為一種主動遙感技術(shù)，其工作條件不受氣候和天氣等條件的限制，能夠?qū)崿F(xiàn)全天時(shí)、全天候?qū)Φ赜^測，具有其它遙感手段無法比擬的優(yōu)勢，因此也受到了越來越多的關(guān)注[4]。

在全極化SAR系統(tǒng)中，雷達(dá)天線發(fā)射兩個(gè)正交的極化信號(水平極化和垂直極化)，并接收來自觀測目標(biāo)散射的復(fù)矢量信號。與傳統(tǒng)單極化SAR不同的是，對每個(gè)極化通道，全極化SAR接收到的信號包含定量的強(qiáng)度和相位信息，而這些信息在提取目標(biāo)結(jié)構(gòu)、散射特性等方面也已經(jīng)獲得了大量的應(yīng)用。近年來，學(xué)者們也針對PolSAR數(shù)據(jù)提出了諸多的分類算法(包含監(jiān)督型和非監(jiān)督型)[5]，總體上可分為：基于統(tǒng)計(jì)模型的算法[6]；基于電磁波散射機(jī)理的算法[7-8]；基于先驗(yàn)知識的算法[9-10]。這些方法盡管獲得了一定的分類效果，但是針對農(nóng)作物的分類主要存在兩點(diǎn)不足：

大多數(shù)算法都只使用單時(shí)相PolSAR數(shù)據(jù)進(jìn)行識別分類，但對于農(nóng)作物而言，單時(shí)相的PolSAR圖像并不能提供足夠多的信息，因?yàn)椴煌淖魑镌诓煌L時(shí)期表現(xiàn)出的散射特性顯然是不同的，此時(shí)單時(shí)相PolSAR數(shù)據(jù)的獲取時(shí)間必然是一個(gè)至關(guān)重要的因素，例如僅僅利用農(nóng)作物播種期獲取的PolSAR數(shù)據(jù)進(jìn)行分類是非常困難的。因此要提高分類精度，使用多時(shí)相PolSAR數(shù)據(jù)是必要的[11-12]。近年來，隨著SAR及其相關(guān)技術(shù)的發(fā)展，越來越多的星載SAR系統(tǒng)成功發(fā)射并在軌運(yùn)行，提供了大量的多時(shí)相的PolSAR圖像。一些典型的SAR系統(tǒng)也獲得了相關(guān)應(yīng)用，例如C波段的RADARSAT-2[13]，L波段的ALOS/ PALSAR-2[14]，X波段的TerraSAR/Tandem[15]， C波段雙極化Sentinel-1系統(tǒng)等[16-19]。通過這些在軌的SAR系統(tǒng)可以獲得大量的PolSAR數(shù)據(jù)，這也為多時(shí)相PolSAR圖像用于農(nóng)作物分類及其他相關(guān)應(yīng)用提供了有力支撐。

為了利用PolSAR獲取觀測目標(biāo)的物理散射機(jī)理參數(shù)，研究人員相繼提出了一系列基于目標(biāo)特征的極化散射分解算法(例如相干分解、非相干分解)，在這些目標(biāo)分解算法中，由CLOUDE等[20]提出的H/α/A極化分解算法，在目標(biāo)散射機(jī)理的識別中獲得了很好的效果，而且可以根據(jù)目標(biāo)分解結(jié)果在H/α平面中的分布進(jìn)行分類。但是，在H/α分類平面中，有大量的散射點(diǎn)分布在相鄰區(qū)域的邊界上，導(dǎo)致這些點(diǎn)很難做出正確的分類。而且對于農(nóng)作物，隨著作物的生長變化，同一種作物在不同的生長周期中散射特性在H/α平面上的分布位置也會相應(yīng)改變，因?yàn)闃O化散射機(jī)理必然是隨著生長周期的變化而變化的。因此，很難直接采用H/α分類平面上劃分的子區(qū)域進(jìn)行PolSAR農(nóng)作物分類。

針對多時(shí)相PolSAR的農(nóng)作物分類，本文基于H/α/A極化分解原理，首先研究試驗(yàn)區(qū)內(nèi)幾種典型作物在不同生長周期的極化散射特性，其次定義一個(gè)新的參數(shù)來描述H/α參數(shù)分布區(qū)域的變化特征，在此基礎(chǔ)上，提出一種基于目標(biāo)散射特性變化規(guī)律的多時(shí)相PolSAR農(nóng)作物監(jiān)督分類算法，以提高農(nóng)作物的分類精度。

1 研究區(qū)域與數(shù)據(jù)概況

1.1 研究區(qū)域

印第安黑德鎮(zhèn)(103°40′32″W, 50°38′11″N)位于加拿大薩斯喀徹溫省東南部。該地區(qū)四季分明，比較干燥，各地區(qū)的差異較大，夏季平均氣溫25℃，冬季平均氣溫零下25℃，年降水量大約為500 mm，該地區(qū)的作物豐富，主要農(nóng)作物的種類、生長周期以及對應(yīng)農(nóng)作物的播種面積見表1。

表1 研究區(qū)域主要農(nóng)作物Tab.1 Main crops in study area

選擇位于該地區(qū)一個(gè)接近11 km×16 km的矩形區(qū)域進(jìn)行具體研究。地面真實(shí)農(nóng)作物分布情況根據(jù)Rapideye圖像和地面調(diào)查獲取，具體的實(shí)驗(yàn)區(qū)見圖1，其中，圖1a為與實(shí)驗(yàn)區(qū)對應(yīng)的光學(xué)圖像(來自Google Earth)，圖1b為實(shí)驗(yàn)區(qū)HH極化通道的SAR圖像，圖1c為實(shí)驗(yàn)區(qū)各類農(nóng)作物的分布圖。

圖1 實(shí)驗(yàn)區(qū)示意圖Fig.1 Sketch maps of experimentation area

1.2 數(shù)據(jù)

本文研究使用的多時(shí)相全極化PolSAR數(shù)據(jù)由歐洲空間局提供，該數(shù)據(jù)利用全極化Radarsat-2實(shí)測數(shù)據(jù)通過模擬Sentinel-1的系統(tǒng)參數(shù)生成[21-22]，以驗(yàn)證Sentinel-1系統(tǒng)對地面農(nóng)作物分類的可行性，數(shù)據(jù)采集時(shí)間分別為2009年4月1日、5月1日、6月1日、7月1日、7月2日、8月1日和9月1日，該7個(gè)時(shí)段的多時(shí)相PolSAR數(shù)據(jù)覆蓋了實(shí)驗(yàn)區(qū)域內(nèi)主要農(nóng)作物從播種到收獲的整個(gè)生長周期，地圖投影為WGS84坐標(biāo)系，并且進(jìn)行了輻射校正、輻射地形校正、歸一化、濾波、幾何地形校正以及不同時(shí)相全極化SAR數(shù)據(jù)配準(zhǔn)等數(shù)據(jù)預(yù)處理。

2 分類方法

2.1 H/α分解原理

在全極化PolSAR系統(tǒng)中，實(shí)際觀測的矢量數(shù)據(jù)可以表示成2×2的復(fù)散射矩陣，即

(1)

式中SHH、SHV、SVH、SVV——4個(gè)獨(dú)立的極化通道的散射元素

下標(biāo)H和V表示水平和垂直兩種極化方式。

(2)

(3)

式中n——經(jīng)過多視處理的視數(shù)

〈·〉——統(tǒng)計(jì)平均運(yùn)算符號

由CLOUDE提出的H/α分解是建立在對相干矩陣特征值分析的基礎(chǔ)之上，該相干矩陣經(jīng)過矩陣特征分解，即

(4)

式中λi——矩陣〈T〉的特征值

ei——矩陣〈T〉的特征向量

每個(gè)特征向量可以由5個(gè)角度來表示，分別記為αi、βi、γi、φi、δi，即

(5)

β——極化方向角的兩倍

δ——SHH+SVV和SHH-SVV分解后的相位差

γ——SHH+SVV和SHV分解后的相位差

φ——SHH+SVV分解后的相位

CLOUDE和POTTIER定義了熵參數(shù)

(6)

其中

(7)

式中H——散射介質(zhì)從各向同性散射(H=0)到完全隨機(jī)散射(H=1)的特性，取0～1

類似地定義α的平均值

確定伺服電機(jī)的輪廓曲線后，需要選擇機(jī)構(gòu)的分析類型，包括位置分析、運(yùn)動學(xué)分析、動態(tài)分析、靜態(tài)分析和力平衡分析。如果單純的模擬機(jī)構(gòu)的運(yùn)動，判斷是否干涉，選擇位置分析即可。如果分析機(jī)構(gòu)的速度、加速度等參數(shù)，需要選擇分析類型為運(yùn)動學(xué)分析。選擇分析類型后，開始對機(jī)構(gòu)進(jìn)行運(yùn)動仿真。根據(jù)機(jī)構(gòu)的運(yùn)動記錄利用“測量”工具輸出行走機(jī)構(gòu)的速度曲線和加速度曲線，選擇測量位置為旋轉(zhuǎn)平臺的中心坐標(biāo)系，機(jī)構(gòu)運(yùn)動的方向?yàn)檎较?。行走機(jī)構(gòu)的速度曲線和位置曲線如圖3所示。

(8)

2.2 農(nóng)作物的H/α參數(shù)變化特性

相比于其他觀測目標(biāo)，農(nóng)作物具有一些顯著特點(diǎn)，例如裸露地表、建筑物等目標(biāo)都具有一個(gè)較穩(wěn)定的狀態(tài)，而農(nóng)作物通常具有一個(gè)較短而且比較穩(wěn)定的生長周期，包括播種期、分蘗期、莖的伸長期和成熟期等。而且，農(nóng)作物在整個(gè)生長周期中也會表現(xiàn)出不同的外在生物形態(tài)，體現(xiàn)在PolSAR圖像中也具有不同的極化散射機(jī)理。為了進(jìn)一步說明不同農(nóng)作物在其生長周期中的散射機(jī)理變化規(guī)律的差異性，將實(shí)驗(yàn)區(qū)內(nèi)各類農(nóng)作物分為2組進(jìn)行分析，第1組包括油菜、豌豆和亞麻，給出了它們多時(shí)相(7個(gè)數(shù)據(jù)獲取時(shí)間)PolSAR數(shù)據(jù)的散射參數(shù)在H/α分類平面的分布變化情況，如圖2所示。第2組包括3種生物外在形態(tài)類似的農(nóng)作物(亞麻、小扁豆和春小麥)的多時(shí)相(7個(gè)數(shù)據(jù)獲取時(shí)間)PolSAR數(shù)據(jù)的散射參數(shù)在H/α分類平面的分布變化情況，如圖3所示。

圖2 在H/α平面上油菜、豌豆和亞麻的散射特性分布情況比較Fig.2 Comparions of distribution of H/α plane between rape, peas and flax

圖3 在H/α平面上亞麻、小扁豆和春小麥的散射特性分布情況比較Fig.3 Comparison of distribution of H/α plane between flax, lentils and spring wheat

從圖2顯示的結(jié)果和圖3的對比分析可以看出：①在農(nóng)作物的整個(gè)生長周期中，其H/α參數(shù)分布情況在不斷改變，在農(nóng)作物的生長過程中，H和α參數(shù)整體表現(xiàn)出來的變化是隨著時(shí)間的推移而增大。②不同農(nóng)作物表現(xiàn)出來的散射特性也有所區(qū)別，但不同農(nóng)作物的散射特性并不是時(shí)時(shí)不同，例如，在農(nóng)作物生長周期早期的播種期，即第一個(gè)數(shù)據(jù)采集時(shí)間，不同的農(nóng)作物表現(xiàn)出來的散射特性幾乎是一致的，在農(nóng)作物的生長過程中，隨著生長期的變化，不同農(nóng)作物的H/α參數(shù)分布區(qū)域也有了越來越明顯的區(qū)別，因此，僅僅使用生長期初期PolSAR數(shù)據(jù)識別不同的農(nóng)作物是非常困難的。③亞麻、小扁豆和春小麥具有類似的生長周期，并且在這段時(shí)間內(nèi)表現(xiàn)出類似的外部形態(tài)，導(dǎo)致它們的散射特性類似，那么它們對應(yīng)的散射特性分布區(qū)域在H/α分類平面上的變化規(guī)律差異不明顯，該特點(diǎn)可作為減少農(nóng)作物類別進(jìn)行分類的依據(jù)。④進(jìn)一步，隨著農(nóng)作物的生長，其H和α參數(shù)在該平面中的分布區(qū)域變化可以近似看成是沿著下邊界向右上方移動。因此，對于不同的作物，散射參數(shù)具有不同的變化規(guī)律，本文也正是以此為出發(fā)點(diǎn)，利用這一特性來提高農(nóng)作物的分類精度。

2.3 描述農(nóng)作物散射參數(shù)變化特性的新參數(shù)

從圖2和圖3的散射特性分布規(guī)律和上述分析可以看出，隨著農(nóng)作物的生長，其極化散射參數(shù)(H和α)在H/α分類平面上的分布近似沿著下邊界曲線向右上方移動(即H和α參數(shù)逐漸增大)，如圖4所示。

圖4 在生長周期中散射特性在H/α平面分布區(qū)域位置的改變Fig.4 Changes of H/α distribution zone during growing period

綜上所述，隨著農(nóng)作物生長周期的變化，不同農(nóng)作物的散射特性分布區(qū)域沿著下邊界曲線的移動量存在較顯著差異，所以本文中定義一個(gè)新的參數(shù)描述該移動量的大小。為了描述H/α平面上散射點(diǎn)分布區(qū)域的變化量，本文利用偏移角度的大小來表示區(qū)域的移動量，首先在H/α平面上選擇一個(gè)參考點(diǎn)，該參考點(diǎn)可以近似取為下邊界曲線對應(yīng)的圓心，進(jìn)而在H/α平面上定義一個(gè)新的參數(shù)θ，如圖5所示。用該參數(shù)可以描述不同農(nóng)作物在其生長周期中隨著時(shí)間變化的H/α分布區(qū)域的變化規(guī)律。

圖5 參數(shù)θ的定義Fig.5 Definition of parameter θ

2.4 基于參數(shù)θ的農(nóng)作物分類方法

為了對不同的農(nóng)作物做出正確的識別分類，本文基于新定義的參數(shù)θ，提出了針對農(nóng)作物的多時(shí)相PolSAR監(jiān)督分類算法，通過農(nóng)作物H/α參數(shù)值的分布變化情況，提取農(nóng)作物的類別信息。本文所提出的基于散射特性變化的多時(shí)相PolSAR農(nóng)作物分類方法流程圖如圖6所示。

圖6 基于散射特性變化的多時(shí)相PolSAR農(nóng)作物分類方法流程圖Fig.6 Flow chart of proposed method

本文所提算法的主要步驟如下：

(1)單個(gè)時(shí)相PolSAR數(shù)據(jù)進(jìn)行H/α分解：熵H和散射角α是從多時(shí)相全極化PolSAR數(shù)據(jù)中進(jìn)行H/α分解獲取。為了與H/α平面上確定的參考點(diǎn)相連，需要將這2個(gè)參數(shù)表示為復(fù)數(shù)的形式，如H+jα的形式。

(2)根據(jù)農(nóng)作物的地面真實(shí)分布情況，在雷達(dá)圖像中隨機(jī)找出6塊區(qū)域，分別對應(yīng)種植6類農(nóng)作物，并作為訓(xùn)練集。

(3)計(jì)算參數(shù)θ：首先，確定參考點(diǎn)的選?。黄浯?，用每一類農(nóng)作物的訓(xùn)練樣本，計(jì)算出該類農(nóng)作物各個(gè)時(shí)相的散射特性分布在H/α平面上相對第一時(shí)相散射特性分布的移動角θxy；最后，計(jì)算得到訓(xùn)練樣本矩陣θ，即

(9)

其中

(10)

式中θxy——第y類農(nóng)作物訓(xùn)練樣本的第x個(gè)時(shí)相的散射區(qū)域相對于該類農(nóng)作物第一時(shí)相的散射區(qū)域夾角

Hzxy、αzxy——第x個(gè)時(shí)相的第y類農(nóng)作物的第z個(gè)訓(xùn)練樣本點(diǎn)與參考點(diǎn)相連后的H值和α值

Ny——第y類農(nóng)作物訓(xùn)練樣本的個(gè)數(shù)

arg(·)——取復(fù)數(shù)輻角函數(shù)

(4)代價(jià)函數(shù)的計(jì)算：將每個(gè)未知類別像素點(diǎn)與所得各類農(nóng)作物訓(xùn)練樣本的θ值進(jìn)行匹配，并由匹配后的結(jié)果得到行向量

(11)

(12)

式中dy——未知像素點(diǎn)各個(gè)時(shí)相的數(shù)據(jù)與第y類訓(xùn)練樣本的θxy對應(yīng)匹配后的結(jié)果

X——數(shù)據(jù)采集的時(shí)相數(shù)

(5)類別標(biāo)記：當(dāng)被分類點(diǎn)的各個(gè)時(shí)相數(shù)據(jù)的輻角與經(jīng)過式(10)所得的第y類農(nóng)作物訓(xùn)練樣本的各個(gè)時(shí)相的角度θ差異最小時(shí)，該像素點(diǎn)7個(gè)時(shí)相的矢量經(jīng)過式(11)計(jì)算后，各個(gè)矢量的方向最為接近，此時(shí)按照式(11)計(jì)算的dy為最大值，當(dāng)式(12)中行向量d的位置信息對應(yīng)著農(nóng)作物的類別信息，那么，找出d中最大值的位置信息，即對應(yīng)為該像素點(diǎn)處農(nóng)作物的類別信息。

3 數(shù)據(jù)處理結(jié)果與分析

3.1 訓(xùn)練樣本集選擇

對于每一類農(nóng)作物，都選定了一定數(shù)量的訓(xùn)練集，并且計(jì)算出每一類農(nóng)作物訓(xùn)練樣本定義參數(shù)θ的大小。對每一類農(nóng)作物的訓(xùn)練樣本選擇如圖7所示。

3.2 實(shí)驗(yàn)區(qū)實(shí)測數(shù)據(jù)處理結(jié)果

利用本文所提出的方法對實(shí)驗(yàn)區(qū)數(shù)據(jù)進(jìn)行農(nóng)作物分類，并將處理結(jié)果與JONG-SEN LEE提出的基于復(fù)Wishart分布的分類方法處理結(jié)果進(jìn)行對比。

首先對該研究區(qū)域的主要6類不同作物，即春小麥、小扁豆、豌豆、油菜、亞麻、干草耕地進(jìn)行分類。基于復(fù)Wishart分布算法的農(nóng)作物分類結(jié)果如圖8所示，其中，圖8a為農(nóng)作物分類結(jié)果，圖8b為相應(yīng)的分類誤差。對比地面真實(shí)值對分類結(jié)果進(jìn)行精度計(jì)算，得到對應(yīng)的各類農(nóng)作物正確分類的百分比、整體分類精度、Kappa系數(shù)，如表2所示。

圖7 在農(nóng)作物地面真實(shí)分布圖選擇的6類訓(xùn)練樣本Fig.7 Training samples selected from ground true map

表2 基于復(fù)Wishart分布算法的6類農(nóng)作物分類結(jié)果評估Tab.2 Classification result evaluation of six kinds ofcrops based on complex Wishart distribution %

本文所提出的基于散射特性變化的監(jiān)督分類方法處理結(jié)果如圖9所示，表3為6類農(nóng)作物的分類精度計(jì)算結(jié)果。

圖9 基于本文方法的6類農(nóng)作物分類結(jié)果Fig.9 Classification results of six kinds of crops based on proposed method

通過對圖8和圖9的分類結(jié)果及表2和表3的分類精度進(jìn)行對比分析可以看出，本文所提出的監(jiān)督分類方法的整體分類精度達(dá)到了74.73%，相比于復(fù)Wishart分類方法提高了約4個(gè)百分點(diǎn)，部分散射特性變化明顯的農(nóng)作物，其識別精度進(jìn)一步提高，如相比于復(fù)Wishart分布的監(jiān)督分類方法，豌豆的識別精度提高了約19個(gè)百分點(diǎn)。由于部分不同類別的農(nóng)作物具有類似的生長周期，并且在這段時(shí)間內(nèi)表現(xiàn)出類似的外部形態(tài)，導(dǎo)致它們的散射特性類似，并且該類農(nóng)作物(亞麻和小扁豆)的識別精度較低，最終造成整體分類精度提高不明顯，為進(jìn)一步提高分類精度，將部分散射特性類似的農(nóng)作物類別合并。根據(jù)圖3可知，亞麻(第3類)、小扁豆(第4類)和春小麥(第5類)各個(gè)時(shí)相的散射特性分布區(qū)域變化差異較小，因此將亞麻、小扁豆和春小麥合并為一類，其余類別保持不變，隨后再次進(jìn)行分類，并對分類結(jié)果進(jìn)行分析。

表3 基于本文方法的6類農(nóng)作物分類結(jié)果評估Tab.3 Classification result evaluation of six kindsof crops based on proposed method %

圖10 基于復(fù)Wishart分布的4類農(nóng)作物分類結(jié)果Fig.10 Classification results of four kinds of crops based on complex Wishart distribution

將亞麻、小扁豆和春小麥這3類農(nóng)作物合并為一類，同時(shí)將選擇的這3類農(nóng)作物的訓(xùn)練樣本也進(jìn)行合并，其他類別農(nóng)作物保持不變，即對4類農(nóng)作物進(jìn)行分類，并將處理結(jié)果與JONG-SEN LEE提出的基于復(fù)Wishart分布的分類方法處理結(jié)果再次進(jìn)行對比。基于復(fù)Wishart分布算法的農(nóng)作物分類結(jié)果如圖10所示。基于地面真實(shí)值對分類結(jié)果進(jìn)行精度計(jì)算，得到對應(yīng)的各類農(nóng)作物正確分類的百分比、整體分類精度、Kappa系數(shù)，如表4所示。

本文所提出的基于散射特性變化的監(jiān)督分類方法處理結(jié)果如圖11所示，表5為4類農(nóng)作物的分類精度計(jì)算結(jié)果。

通過對圖10和圖11的分類結(jié)果及表4和表5的分類精度進(jìn)行對比分析，可以看出，本文所提出的監(jiān)督分類方法的整體分類精度提高約6個(gè)百分點(diǎn)。

表4 基于復(fù)Wishart分布算法的4類農(nóng)作物分類結(jié)果評估Tab.4 Classification result evaluation of four kinds ofcrops based on complex Wishart distribution %

綜上，通過6類和4類農(nóng)作物的分類結(jié)果對比分析，可知本文指出的基于散射特性變化規(guī)律的監(jiān)督分類方法對于農(nóng)作物結(jié)果更佳，并且對于散射特性存在明顯區(qū)別的農(nóng)作物也可達(dá)到較高的識別精度，結(jié)合圖2和圖3可知，油菜和豌豆兩類作物的散射特性分布區(qū)域變化差異與其他散射特性較相似的農(nóng)作物存在明顯區(qū)別，因此它們的識別精度也相比較高。

指標(biāo)油菜豌豆春小麥干草耕地各類精度93.5793.0487.9996.09整體精度89.86Kappa系數(shù)81.46

4 結(jié)論

(1)利用ESA提供的7組多時(shí)相全極化SAR數(shù)據(jù)，通過提出的基于散射特性規(guī)律分布的監(jiān)督型分類算法對印第安黑德鎮(zhèn)的一個(gè)11 km×16 km矩形農(nóng)作物區(qū)域進(jìn)行了農(nóng)作物的分類識別，最終分析獲得該區(qū)域的農(nóng)作物分布圖。比較理想地提取了春小麥、油菜、豌豆、干草耕地這幾類不同類型的作物信息。通過該多時(shí)相全極化SAR圖像可以直觀的反映出空間分布情況，并且為今后的農(nóng)作物產(chǎn)量預(yù)測或者調(diào)整種植分布提供了有力的科學(xué)依據(jù)。

(2)本研究所提出的基于散射特性分布規(guī)律的監(jiān)督型分類算法，當(dāng)分6類農(nóng)作物時(shí)，分類精度達(dá)到了74.73%，相對于復(fù)Wishart分布分類方法提高了約4個(gè)百分點(diǎn)，對于散射特性在生長周期中，各個(gè)時(shí)相散射特性分布區(qū)域的改變明顯區(qū)別于其余類別的農(nóng)作物，那么它的識別精度也有明顯提高，如相比基于復(fù)Wishart分布的監(jiān)督分類方法，得到的豌豆識別精度提高了約19個(gè)百分點(diǎn)。當(dāng)合并為4類農(nóng)作物類別時(shí)，整體分類精度相比復(fù)Wishart分布的監(jiān)督分類方法提高了約6個(gè)百分點(diǎn)，表明本文方法適用于農(nóng)作物類別信息提取與分類，能夠提高農(nóng)作物的分類精度。

1 BORYAN C, YANG Z, MUELLER R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, cropland data layer program [J]. Geocarto International, 2011, 26(5): 341-358.

2 王松寒,何隆華. 雷達(dá)遙感技術(shù)在水稻識別中的研究進(jìn)展 [J]. 遙感信息, 2015, 30(2): 3-9.

WANG Songhan, HE Longhua. Advances of rice recognition by SAR [J]. Remote Sensing Information, 2015, 30(2): 3-9. (in Chinese)

3 BECKER R I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data [J]. Remote Sensing of Environment, 2010, 114(6): 1312-1323.

4 史舟,梁宗正,楊媛媛,等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望 [J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(2): 247-260. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150237&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.02.037.

SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese)

5 JAFARI M, MAGHSOUDI Y, ZOEJ M J V. A new method for land cover characterization and classification of polarimetric SAR data using polarimetric signatures [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(7): 3595-3607.

6 LEE J S, GRUNES M R, KWOK R. Classification of multi-look polarimetric SAR imagery-based on complex wishart distribution [J]. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

7 LARDEUX C, FRISON P L, TISON C, et al. Support vector machine for multifrequency SAR polarimetric data classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(12): 4143-4152.

8 MAGHSOUDI Y, COLLINS M, LECKIE D G. Polarimetric classification of boreal forest using nonparametric feature selection and multiple classifiers [J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19:139-150.

9 PIERCE L E, ULABY F T, SARABANDI K, et al. Knowledge-based classification of polarimetric SAR images [J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(5): 1081-1086.

10 FERRAZZOLI P, GUERRIERO L, SCHIAVON G. Experimental and model investigation on radar classification capability [J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(2): 960-968.

11 SKRIVER H, MATTIA F, SATALINO G, et al. Crop classification using short-revisit multitemporal SAR data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 423-431.

12 韓宇. 多時(shí)相C波段全極化SAR農(nóng)作物識別方法研究[D]. 呼和浩特：內(nèi)蒙古師范大學(xué), 2015.

HAN Yu. Research of crop recognition method based on multi-temporal C-band quad-PolSAR [D]. Huhhot:Inner Mongolia Normal University, 2015.(in Chinese)

13 程千,王崇倡,張繼超. RADARSAT-2全極化SAR數(shù)據(jù)地表覆蓋分類 [J]. 測繪工程, 2015, 24(4): 61-65.

CHENG Qian, WANG Chongchang, ZHANG Jichao. Land cover classification using Radarsat-2 full polarimetric SAR data [J]. Engineering of Surveying and Mapping, 2015, 24(4): 61-65. (in Chinese)

14 LUCAS R, REBELO L M, FATOYINBO L, et al. Contribution of L-band SAR to systematic global mangrove monitoring [J]. Marine and Freshwater Research, 2014, 65(7): 589-603.

15 ZHU J, QIU X, PAN Z, et al. Projection shape template-based ship target recognition in TerraSAR-X images [J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(2): 222-226.

16 王嬌,丁建麗,陳文倩,等. 基于Sentinel-1的綠洲區(qū)域尺度土壤水分微波建模 [J]. 紅外與毫米波學(xué)報(bào), 2017, 36(1): 120-126.

WANG Jiao, DING Jianli, CHEN Wenqian, et al. Microwave modeling of soil moisture in Oasis regional scale based on Sentinel-1 radar images [J]. Journal of Infrared and Millimeter Waves, 2017, 36(1): 120-126. (in Chinese)

17 許璟,安裕倫,劉綏華,等. 基于Sentinel-1A后向散射特性的高原山區(qū)地物分類探討——以安順市為例 [J]. 貴州師范大學(xué)學(xué)報(bào):自然科學(xué)版, 2016, 34(6): 15-19.

XU Jing, AN Yulun, LIU Suihua, et al. Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features—a case study in Anshun City [J]. Journal of Guizhou Normal University : Natural Sciences, 2016, 34(6): 15-19.(in Chinese)

18 何連,秦其明,任華忠,等. 利用多時(shí)相Sentinel-1 SAR數(shù)據(jù)反演農(nóng)田地表土壤水分 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(3): 142-148.

HE Lian, QIN Qiming, REN Huazhong, et al. Soil moisture retrieval using multi-temporal Sentinel-1 SAR data in agricultural areas [J]. Transactions of the CSAE, 2016, 32(3): 142-148. (in Chinese)

19 BONI G, FERRARIS L, PULVIRENTI L, et al. A prototype system for flood monitoring based on flood forecast combined with COSMO-SkyMed and Sentinel-1 data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2794-2805.

20 CLOUDE S R, POTTIER E. An entropy based classification scheme for land applications of polarimetric SAR [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

21 CAVES R. Final report: technical assistance for the implementation of the AgriSAR 2009 campaign [R]. ESA Contract, 2009, 22689/09.

22 CAVES R, DAVIDSON G, MA A, et al. An overview of AgriSAR 2009: data acquisition, data simulation and data analysis [R]. AgriSAR 2009 Final Workshop, ESA ESTEC, 2011.