柴振剛 胡佩敏 熊勤學

（1 潛江市氣象局，潛江 433100；2 江漢平原生態(tài)氣象遙感監(jiān)測技術(shù)協(xié)同創(chuàng)新中心，荊州 434020；3 荊州市氣象局，荊州 434020；4 長江大學農(nóng)學院，荊州 434025）

0 引言

運用光學遙感衛(wèi)星數(shù)據(jù)提取的作物種植空間分布是目前作物遙感監(jiān)測最主要的手段，為確保信息提取的精度，一般需要指定特定時期（特別物候期間）的數(shù)據(jù)資料。但因光學遙感衛(wèi)星受云層和重訪周期的影響，不是所有年份都滿足這一要求[1]，因此基于光學遙感衛(wèi)星數(shù)據(jù)的作物種植空間分布信息業(yè)務化提取，其精度得不到保證。合成孔徑雷達（SAR）因為不受云層影響、全天候工作等特點，已被廣泛應用于作物種植空間分布信息提取[2]。目前運用SAR數(shù)據(jù)進行作物種植空間分布信息提取方法主要有兩種，一是基于像素的分類方法，其中單波段、單極化數(shù)據(jù)分類的準確度比多極化、多時相、多波段低[3-4]，如果在分類數(shù)據(jù)中加入光學遙感數(shù)據(jù)，其分類準確率會大大提高[5]。但不可否認，由于SAR數(shù)據(jù)影像中相干斑點噪聲的存在，嚴重影響了信息提取的效果，盡管隨著星載、機載SAR的空間分辨率和輻射分辨率不斷提高，農(nóng)作物SAR識別的精度有了一定程度的提高，但相對于光學遙感識別效果，其精度還不足85%。不能滿足現(xiàn)有對農(nóng)作物分布信息遙感提取的精度要求[6]。另一種方法是基于面向?qū)ο蟮姆诸惙椒╗1]，即運用多景SAR數(shù)據(jù)提取一系列地物對象，通過計算每個地物對象的空間信息、紋理結(jié)構(gòu)、光譜信息等，并運用這些信息對地物對象進行分類[7-8]，可很好地消除相干斑點噪聲的影響，同時提供了比基于像素的分類方法更多的數(shù)據(jù)，其分類精度有一個質(zhì)的提高，同樣由于SAR相干性的問題，在SAR數(shù)據(jù)影像中的地物邊界也會模糊不清，對地物對象的提取的正確性是影響其分類精度的最大因素。如何利用光學遙感衛(wèi)星和雷達衛(wèi)星的優(yōu)點，提高作物種植空間分布信息提取的精度，是多云雨地區(qū)農(nóng)業(yè)遙感要解決的問題之一。

本文旨在以湖北省江陵縣為例，在分析油菜田Sentinel-1 SAR后向散射系數(shù)隨時間變化的基礎(chǔ)上，運用同期光學影像數(shù)據(jù)進行地物對象提取，通過SAR地物對象的光譜、紋理信息數(shù)據(jù)，結(jié)合油菜SAR后向散射系數(shù)分類特征，實現(xiàn)高精度油菜種植空間分布信息SAR提取。

1 研究區(qū)概況和數(shù)據(jù)預處理

1.1 研究區(qū)概況

江陵縣（圖1）位于湖北省中南部，長江北岸，面積為1032 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、無霜期長等特點，夏收作物主要為小麥和油菜。

圖1 江陵縣的位置、調(diào)查區(qū)的空間分布和結(jié)果驗證區(qū)地物空間分布圖Fig. 1 The location, spatial distribution of the survey area and the spatial distribution of results of verified places in Jiangling County

2016年3月，為分析不同地物SAR后向散射變化特征，特在江陵縣進行調(diào)查，用Trimble pro XRT高精度GPS儀（定位精度為0.2 m），確定118個純像元地物邊界，其中油菜田41塊，小麥地23塊，冬歇田28塊，城鎮(zhèn)22塊，每塊面積都在4.2 hm2以上；為驗證結(jié)果的精度，在馬家寨鄉(xiāng)一塊5.35 km2小麥與油菜交錯地帶（長2.57 km，寬2.08 km），用GPS儀詳細確定了各種地物（油菜田、小麥地、冬歇田、道路、水體、居民區(qū)和樹林）邊界（圖1）。

1.2 數(shù)據(jù)的預處理

從中國資源衛(wèi)星中心購買2016年2月27日資源三號衛(wèi)星CCD數(shù)據(jù)多光譜和PAN波段數(shù)據(jù)各二景，多光譜數(shù)據(jù)在ENVI軟件中經(jīng)過正射投影轉(zhuǎn)換后，再經(jīng)過輻射訂標、大氣校正和幾何校正，最后將二景拼接在一起，生成覆蓋江陵縣全境的空間分辨率為6 m的四波段光譜數(shù)據(jù)；PAN波段數(shù)據(jù)經(jīng)過正射投影轉(zhuǎn)換后，與多光譜數(shù)據(jù)運用Gram-Schmidt法進行數(shù)據(jù)融合[9]，生成空間分辨率為2 m的覆蓋江陵縣全境的四波段光譜數(shù)據(jù)。

從歐空局的網(wǎng)站上下載2016年1—5月江陵境內(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SAR數(shù)據(jù)6景（1月17日，2月10日，3月5日，3月29日，4月22日，5月16日），在NEST（Next ESA SAR Toolbox）軟件下進行輻射定標、圖像配準和多時相產(chǎn)品濾波，將每一景數(shù)據(jù)進行歸一化相關(guān)處理，處理公式為

式中，R(x,y)為第x行、第y列的后向散射系數(shù)，avg為圖像中所有后向散射系數(shù)的均值，而con為圖像中所有后向散射系數(shù)的方差，為確保圖像數(shù)據(jù)都為正數(shù)和以整數(shù)方式保存，將所有進行歸一化處理的數(shù)據(jù)加1，并放大10倍，其主要目的是消除大尺度降水對后向散射系數(shù)的影響，有利于SAR數(shù)據(jù)的時序分析[10]。

1.3 分類結(jié)果驗證方法

將結(jié)果數(shù)據(jù)和驗證區(qū)數(shù)據(jù)運用GIS中的聚類分析生成只含0和1數(shù)字的柵格數(shù)據(jù)，0代表非油菜區(qū)、1代表油菜區(qū)，然后進行KAPPA系數(shù)計算，公式[11]如下

式中，n為柵格總像元，驗證區(qū)柵格數(shù)據(jù)中為1的像元數(shù)為a1，為0的像元數(shù)為a0，結(jié)果模擬數(shù)據(jù)中為1的像元數(shù)為b1，為0的像元數(shù)為b0，兩個柵格對應像元值相等的像元數(shù)為s。

KAPPA計算結(jié)果通常在 0～1： 0.0～0.20代表極低的一致性，0.21～0.40代表一般的一致性，0.41～0.60代表中等的一致性，0.61～0.80代表高度的一致性，0.81～1代表幾乎完全一致。

2 提取方法

先用空間分辨率為2 m融合過的資源三號四波段光譜數(shù)據(jù)進行特征值提取，即在ENVI軟件中Segment Only Feature Extraction功能對圖像進行切割和合并，切割算法選擇Edge[12]，尺度大小為20，合并算法為Full Lambda Schedule[11]，合并尺度為30，切割融合的閾值是通過切割融合的效果來確定的，系統(tǒng)會將多光譜相近的相鄰像素歸為一個地物，作物種植區(qū)地物為一塊塊農(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處理后的SAR數(shù)據(jù)進行統(tǒng)計疊置統(tǒng)計分析，將每塊地物內(nèi)的SAR數(shù)據(jù)取均值，并進行矢量轉(zhuǎn)柵格計算，得到消除了相干斑點噪聲、邊界清晰的SAR柵格數(shù)據(jù)，結(jié)合本文分析的油菜SAR數(shù)據(jù)特征，得到油菜分類規(guī)則，分類后得到江陵縣油菜種植區(qū)空間分布。具體流程圖見圖2。

圖2 油菜種植空間分布信息提取流程Fig. 2 Process snaps of spatial distribution information for rape oil plants

3 結(jié)果與分析

3.1 不同極化的油菜Sentinel-1 SAR后向散射系數(shù)變化特征

由不同地物、不同時期兩種極化的SAR后向散射系數(shù)變化（圖3）可知，在整個生長期內(nèi)油菜地VH極化的SAR后向散射系數(shù)明顯高于小麥田和冬歇田，其中4月份最為明顯，而VV極化數(shù)據(jù)這一特征不明顯，這與Weise等[13]和田海峰等[14]觀測到的結(jié)論一致，因此選取油菜地與小麥田、冬歇田差異最大的4月22日作為閾值，以“均值±80%×方差”作為上下界限，即滿足SAR VH極化后向散射系數(shù)處理值大于2.1、小于3.5，且2月27日NDVI指數(shù)大于0.3（過濾掉非種植區(qū)）條件的區(qū)域為油菜地。

3.2 結(jié)果驗證

將5.35 km2小麥與油菜交錯地帶獲取的油菜地實際空間分布數(shù)據(jù)（圖4a），與采用本文推薦的方法（用光學數(shù)據(jù)提取田間邊界，用SAR數(shù)據(jù)進行閾值提取的分類方法）計算得到的結(jié)果數(shù)據(jù)（圖4b），用式（2）進行KAPPA系數(shù)計算，得到KAPPA系數(shù)為0.88，計算整個江陵縣油菜的種植面積為2.62萬 hm2，2016年江陵實際種植面積為2.21萬 hm2（《2016年荊州市統(tǒng)計年鑒》），結(jié)果相對準確；如果不用光學數(shù)據(jù)提取田間邊界，直接用SAR數(shù)據(jù)進行閾值分類，其結(jié)果與實際值進行計算，得到的KAPPA系數(shù)為0.68（圖4c）；而用3月5日、3月29日、4月22日三景SAR數(shù)據(jù)進行田間邊界提取，結(jié)合4月22日SAR數(shù)據(jù)進行閾值提取的分類方法得到的KAPPA系數(shù)為0.61（圖4d）。比較這三種方法可以看到本文推薦的方法更接近實際情況，是三種方法中最好的提取方法，分類方法主要優(yōu)點有兩點：一是完全消除了相干斑點噪聲的影響，主要表示在結(jié)果圖中面積只有幾個像素大小的錯誤結(jié)果沒有了，田間內(nèi)部的空白點也少了；二是農(nóng)田邊界清晰。

圖3 不同地物、不同時期兩種極化的SAR后向散射系數(shù)變化Fig. 3 The SAR backscatter coefficient values for variant objects and variant periods for two kinds of polarization

圖4 不同方法的分類結(jié)果比較Fig. 4 The results comparing different classification methods

3.3 江陵縣油菜種植空間分布

運用光學數(shù)據(jù)提取田間邊界，用SAR數(shù)據(jù)進行閾值提取的分類方法，得到江陵縣油菜種植空間分布信息（圖5），江陵縣油菜種植空間分布特點主要表現(xiàn)在油菜主要集中江陵縣西部，主要集中在馬家寨鄉(xiāng)、灘橋鎮(zhèn)和江北農(nóng)場，與西部油菜、北部小麥的種植風格一致。

4 結(jié)果與討論

本研究利用資源三號衛(wèi)星CCD融合數(shù)據(jù)，運用圖像切割融合技術(shù)，提取江陵縣田塊邊界作為分析對象，并將每個對象內(nèi)的SAR后向散射系數(shù)均值作為對象屬性，運用閾值分類方法（即VH極化的后向散射系數(shù)大于2.1且小于3.5作為分類標準），判斷對象是否為油菜種植區(qū)，達到提取油菜種植空間分布的目的，此方法較其他兩種傳統(tǒng)分類方法（直接用SAR數(shù)據(jù)進行閾值分類、運用其他時段SAR數(shù)據(jù)進行對象提?。┯懈叩姆诸惥?，為多云雨地區(qū)農(nóng)作物種植空間分布的提取提供了一個有效的方法。

圖5 江陵縣油菜種植空間分布圖Fig. 5 Spatial distribution map of rape oil in Jiangling County

此方法是建立在油菜的VH極化后向散射系數(shù)明顯高于其他作物[13-14]的基礎(chǔ)上，對于其他作物的分類還有待進一步研究。運用光學數(shù)據(jù)提取田間邊界對數(shù)據(jù)獲取時間沒有嚴格要求，只要是作物生育期內(nèi)便可，而SAR數(shù)據(jù)，因為雷達衛(wèi)星不受云層的影響，能定期獲取，不會因為關(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；還有由于完全消除了相干斑點噪聲的影響，其分類精度較傳統(tǒng)分類方法的精度有一個質(zhì)的提高，因此該方法可以投入業(yè)務化運行。

本文光學遙感數(shù)據(jù)是采用2016年2月27日資源三號衛(wèi)星CCD數(shù)據(jù)多光譜，油菜光譜特征與小麥基本相同，如果光學遙感數(shù)據(jù)獲取日期是作物間差異大的時期，可用光學遙感數(shù)據(jù)與SAR數(shù)據(jù)共同參與分類，其精度會有一個更大的提高。