國(guó)賢玉,李 坤,邵 蕓,Juan M. Lopez-Sanchez,王志勇
1. 山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院,山東 青島 266590 2. 中國(guó)科學(xué)院遙感與數(shù)字地球研究所,北京 100101 3. 中國(guó)科學(xué)院大學(xué)資源與環(huán)境學(xué)院,北京 100049 4. 中科衛(wèi)星應(yīng)用德清研究院微波目標(biāo)特性測(cè)量與遙感重點(diǎn)實(shí)驗(yàn)室,浙江 德清 313200 5. University of Alicante, Alicante, 99, Spain
水稻株高是水稻本身以及土壤、水文、氣象等因素的綜合反映,是水稻長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)。遙感以其宏觀性、時(shí)效性、周期性等特點(diǎn),在水稻株高反演中具有不可替代的作用。光學(xué)遙感能夠直接獲取植被水平分布信息,利用光譜反射率、植被指數(shù)以及紋理因子等參數(shù),與水稻株高建立定量關(guān)系,實(shí)現(xiàn)大范圍快速反演[1]。但光學(xué)遙感對(duì)植被垂直分布信息探測(cè)難度較大,而且水稻生長(zhǎng)季內(nèi)多云雨天氣,又給光學(xué)數(shù)據(jù)獲取帶來(lái)較大的困難,這些原因大大限制了其在水稻株高反演中的應(yīng)用[2]。合成孔徑雷達(dá)(synthetic aperture radar,SAR)具有全天時(shí)、全天候、穿透性的優(yōu)勢(shì),成為水稻株高反演的重要手段之一。
目前基于SAR的水稻株高反演方法主要有三類:基于輻射傳輸理論(radiative transfer theory,RTT)的水稻株高反演方法、基于SAR干涉測(cè)量(interferometry SAR,InSAR)以及基于極化干涉測(cè)量(polarimetric SAR interferometry,PolInSAR)的水稻株高反演方法[3-6]。其中,基于PolInSAR的水稻株高反演方法是通過(guò)干涉和極化信息的有效組合實(shí)現(xiàn)了觀測(cè)維度的拓展,將目標(biāo)豎直方向上不同位置的散射中心分離開來(lái),估計(jì)確定具有最高相干性的散射分量,然后利用通道差分法[7]、模型解算法[8-9],計(jì)算水稻株高,該方法既有InSAR對(duì)地表植被散射體的空間分布敏感的特性,又具有極化SAR對(duì)植被散射體的形狀和方向敏感的特性[10]。近年來(lái),PolInSAR已成為植被高度反演研究熱點(diǎn),尤其是在森林高度反演方面得到驗(yàn)證和應(yīng)用[8,11]。
不同的研究者從不同的角度進(jìn)行了PolInSAR理論、方法和應(yīng)用研究。目前基于PolInSAR的植被高度反演方法主要有兩類:通道差分法、模型解算法。通道差分法是通過(guò)直接選擇或計(jì)算得到代表植被冠層散射和代表地表散射相位并作差,進(jìn)而得到水稻株高。該方法計(jì)算簡(jiǎn)單,但選擇和計(jì)算得到的代表植被冠層散射和代表地表散射分量并不準(zhǔn)確,存在較大誤差。模型解算法是基于PolInSAR散射模型開展的反演算法,有嚴(yán)密的物理模型的支撐,反演精度較為準(zhǔn)確。目前采用的PolInSAR散射模型主要以雙層散射模型最為廣泛,而雙層體散射主要有隨機(jī)體散射體/地表二層模型RVoG模型[8,12]、方向體積層模型(oriented volume over ground, OVoG)[13]。盡管OVoG模型更貼合真實(shí)場(chǎng)景,水稻層內(nèi)部結(jié)構(gòu)是垂直分布的,消光系數(shù)極化狀態(tài)存在依賴性,但是這種依賴性并不強(qiáng)烈,且OVoG模型應(yīng)用需要許多假設(shè),涉及參數(shù)多,導(dǎo)致對(duì)模型的推演和應(yīng)用較困難。RVoG模型簡(jiǎn)單,涉及的參數(shù)少,反演精度較高,是森林研究中最常見(jiàn)的模型[14]。然而,水稻作為低矮植被的代表,具有其獨(dú)特的生長(zhǎng)環(huán)境,下墊面常常為水面,地表散射容易發(fā)生鏡面散射,傳統(tǒng)的RVoG模型并不完全適用[15-16]。
傳統(tǒng)的RVoG模型未考慮植被生長(zhǎng)環(huán)境,反演結(jié)果精度不高,對(duì)水稻株高反演應(yīng)用有局限性。因此,針對(duì)水稻植株結(jié)構(gòu)與生長(zhǎng)環(huán)境等特點(diǎn),利用多時(shí)相TanDEM-X數(shù)據(jù),對(duì)9個(gè)時(shí)相的TanDEM-X極化干涉SAR數(shù)據(jù)進(jìn)行距離向頻譜濾波,求取8個(gè)復(fù)相干系數(shù),進(jìn)行去相干處理,建立適用于水稻田特性的RVoG模型,構(gòu)建基于RVoG模型的極化干涉SAR水稻株高反演方法,進(jìn)而評(píng)定反演結(jié)果。
研究區(qū)位于西班牙塞維利亞西南部,瓜達(dá)爾基維爾河的南部,地中海西北沿岸,面積約為30 km2,地理位置位于36.85°—37.38°N,5.91°—6.23°W之間。該區(qū)農(nóng)作物主要為水稻,水稻常年在五月左右種植,十月前后收割,一年一熟。水稻品種大都是普通栽培稻,播種方式為撒播種植,在整個(gè)水稻物候期間稻田內(nèi)有一層水覆蓋。圖1為Google earth獲取QuickBird衛(wèi)星數(shù)據(jù)制作的研究區(qū)正射影像。
圖1 研究區(qū)地理位置與范圍(右圖4個(gè)紅圖框?yàn)檠芯繀^(qū)所選的水稻樣區(qū))
由于基于PolInSAR植被株高反演需要較低的時(shí)間去相干、大空間基線數(shù)據(jù)[17],星載衛(wèi)星TanDEM-X系統(tǒng),是雙站模式,TanDEM-X衛(wèi)星發(fā)射電磁波,TanDEM-X和TerraSAR-X同時(shí)接受回波信號(hào)。因此,TanDEM-X系統(tǒng)可以忽略時(shí)間去相干和大氣的影響, 另外2015年4月到9月,TanDEM-X系統(tǒng)進(jìn)行一次科學(xué)實(shí)驗(yàn),提高到2~3 km的空間基線,是反演農(nóng)作物的最佳數(shù)據(jù)。因此,在水稻生育期內(nèi)獲取了9個(gè)不同時(shí)相的TanDEM-X雙極化CoSSC數(shù)據(jù),中心波長(zhǎng)9.65 GHz,帶寬為150 MHz,極化方式為HH和VV極化,該數(shù)據(jù)為一發(fā)雙收的雙站SAR數(shù)據(jù),包括已配準(zhǔn)的單視復(fù)數(shù)據(jù)對(duì),詳細(xì)信息如表1所示。圖2給出了TanDEM-X雙極化CoSSC數(shù)據(jù)彩色合成圖。
SAR衛(wèi)星過(guò)境的同時(shí),獲取了詳細(xì)的地面數(shù)據(jù)。9個(gè)時(shí)相中地面數(shù)據(jù)的采集大部分為衛(wèi)星過(guò)境當(dāng)天采集,個(gè)別時(shí)相樣區(qū)地面采集數(shù)據(jù)與衛(wèi)星過(guò)境時(shí)間相差1~2 d。地面數(shù)據(jù)主要來(lái)自均勻分布于研究區(qū)的4塊水稻樣區(qū),圖1中紅色方塊為樣區(qū)。對(duì)每一塊樣區(qū),采集數(shù)據(jù)包括水稻物候和株高、樣區(qū)面積(hm2)、測(cè)量/播種/收割日期、稻株密度(株·m-2)、稻穗密度(穗·m-2)、產(chǎn)量(kg·hm-2)、灌溉方式、鹽堿性、病蟲害等信息。其中,利用皮尺測(cè)量水稻株高,其精度為cm級(jí)。此外,研究區(qū)日值氣象數(shù)據(jù)(溫度、濕度、風(fēng)速、風(fēng)向、降水等)由西班牙農(nóng)業(yè)氣候信息系統(tǒng)(SIAR)提供。
表1 TanDEM-XCoSSC信息列表Table 1 List of TanDEM-X CoSSC image information
圖2 TanDEM-X雙極化CoSSC數(shù)據(jù)彩色合成圖 (獲取時(shí)間2015年7月7日,R=VV;G=HH-VV;B=HH)(a):主影像;(b):輔影像
Fig.2TanDEM-XcolorcompositeimagesofCoSSCdata(time:7July2015,R=VV,G=HH-VV,andB=HH)
(a):Master image;(b):Slave image
采用基于RVoG模型的極化干涉植被高度反演方法,構(gòu)建復(fù)相干系數(shù)與水稻株高之間的定量關(guān)系。復(fù)相干系數(shù)與目標(biāo)場(chǎng)景、傳感器特性等多種因素密切相關(guān),可以表示為
(1)
其中,γtemp為時(shí)間去相干系數(shù);γgeom為幾何去相干系數(shù);γproc為干涉處理過(guò)程中造成的去相干系數(shù);γSNR為信噪比去相干系數(shù);γBQ為比特量化去相干系數(shù);為體去相干。在極化干涉SAR水稻株高反演之前,需要剔除水稻場(chǎng)景以外去相干因素對(duì)復(fù)相干系數(shù)的影響。圖3給出了極化干涉SAR水稻株高反演基本流程。
圖3 極化干涉SAR水稻株高反演基本流程
①首先對(duì)9景TanDEM-X CoSSC雙極化SAR數(shù)據(jù)進(jìn)行距離向頻譜濾波補(bǔ)償[18],對(duì)于TanDEM-X CoSSC數(shù)據(jù),由于其空間基線大,傳感器空間方位差異對(duì)復(fù)相干系數(shù)的影響較大,γgeom小于0.8,因此必須考慮γgeom的影響。②對(duì)距離向頻譜濾波后的TanDEM-X數(shù)據(jù)進(jìn)行共軛相乘得到干涉圖,并利用主輔影像斜距、入射角、中心波長(zhǎng)等獲取影像時(shí)的軌道參數(shù)計(jì)算平地相位并去除平地效應(yīng)。③全極化干涉SAR系統(tǒng)中每個(gè)散射單元為2×2的散射矩陣,但對(duì)于TanDEM-X雙極化系統(tǒng),每個(gè)散射單元為2×1的散射矩陣。因此將TanDEM-X數(shù)據(jù)對(duì)應(yīng)的S矩陣轉(zhuǎn)化為T4矩陣,并利用Boxcar方法對(duì)T4矩陣進(jìn)行濾波處理,窗口大?。?1×21,以便減小相干斑點(diǎn)噪聲,提高圖像的輻射分辨率。④計(jì)算8個(gè)復(fù)相干系數(shù),分別為主輔影像HH,VV,HH-VV,HH+VV復(fù)相干系數(shù)、兩個(gè)優(yōu)化的相干性系數(shù)[7](OPT1,OPT2)、PD相位差分法得到的復(fù)相干系數(shù)(PDHigh,PDLow)。然后進(jìn)行去相干因素影響的剔除。由于TanDEM-X CoSSC為一發(fā)雙收的雙站模式數(shù)據(jù)產(chǎn)品,其主輔圖像同時(shí)獲取,不受時(shí)間去相干的影響,即γtemp為1。γproc主要是由主輔圖像配準(zhǔn)引起的,而TanDEM-X CoSSC數(shù)據(jù)產(chǎn)品具有較高的配準(zhǔn)精度,因此γproc可以忽略。對(duì)于TanDEM-X and TerraSAR-X數(shù)據(jù),考慮到成像區(qū)域主要為農(nóng)田場(chǎng)景,γBQ約為0.965[15]。在干涉測(cè)量研究中,信噪比去相干γSNR通常被忽略,因?yàn)樗粚?duì)低散射區(qū)造成影響。但對(duì)于稻田場(chǎng)景,由于其X波段SAR圖像上的后向散射系數(shù)通常在-25~-5 dB之間,尤其是幼苗期后向散射系數(shù)很低,因此,信噪比去相干γSNR不能忽略。基于TanDEM-X頭文件數(shù)據(jù)計(jì)算SNR,采用公式(2)計(jì)算信噪比去相干γSNR[4]。
(2)
⑤利用剔除去相干因素影響惑的8個(gè)復(fù)相干系數(shù),構(gòu)建一種基于RVoG模型的水稻植株高度反演算法,實(shí)現(xiàn)研究區(qū)9個(gè)時(shí)相水稻株高反演。
RVoG模型包含植被層及其下墊面,其中植被層厚度近似為hv且包含隨機(jī)取向粒子集合。對(duì)于一般植被目標(biāo),RVoG主要考慮植被層體散射以及地表面散射。對(duì)于水稻而言,由于其生長(zhǎng)周期內(nèi)下墊面多為水面,易發(fā)生鏡面反射,因此地表面散射可忽略不計(jì),此外水稻與下墊面之間的二次散射較強(qiáng),需要考慮。因此,對(duì)于水稻目標(biāo),RVoG模型可以表示為[15]
(3)
其中,kz為垂直波數(shù),φ0為地形相位,hv為植被層厚度也就是我們所要反演的水稻株高,mDB(ω)為二次散射對(duì)應(yīng)的地體幅度比。
γv表示體相干,取決于趴標(biāo)地物散射體的消光系數(shù)和植被層厚度hv
(4)
其中,σ為消光系數(shù),θ為雷達(dá)數(shù)據(jù)入射角。
于是,式(3)和式(4)中包含了4個(gè)未知數(shù):hv,mDB,σ,φ0。式(3)可以寫成復(fù)平面內(nèi)的線性形式
=eiφ0[γV+L(ω)(γDB-γV)]
(5)
基于上面構(gòu)建的極化干涉SAR水稻株高反演模型可以看出,共有5個(gè)模型參數(shù)。這里采用模式搜索法[19]的迭代算法進(jìn)行水稻株高反演。由于模式搜索法是直接優(yōu)化方法,不需要求解目標(biāo)函數(shù)的導(dǎo)數(shù)。因此,該方法具有方法簡(jiǎn)單,計(jì)算方便快速等優(yōu)點(diǎn)??傮w流程如圖4所示。
圖4 基于RVoG模型的針對(duì)水稻特性的水稻株高反演算法的流程圖
①基于剔除各種去相干因素影響的8個(gè)不同極化通道的復(fù)相干系數(shù),利用最小二乘擬合獲得式(5)在復(fù)平面內(nèi)對(duì)應(yīng)的直線。②由于模式搜索法的搜索步長(zhǎng)影響搜索速度和全局搜索能力,根據(jù)經(jīng)驗(yàn)知識(shí),確定未知量的搜索步長(zhǎng)、搜索范圍。給定hv初值、范圍、步長(zhǎng),hv∈(0.05, 1.5),步長(zhǎng)Δhv為0.05。然后計(jì)算γDB,進(jìn)而獲得地形相位φ0。③設(shè)定σ,mDBmax,mDBmin取值范圍、初始值、步長(zhǎng)。σ∈(0, 10),步長(zhǎng)Δσ為1 dB·m-1;mDBmax∈(-10, 10),步長(zhǎng)ΔmDBmax為0.1 dB;mDBmin∈(-10, 10),步長(zhǎng)ΔmDBmin為0.1 dB。利用設(shè)定的hv,σ,mDBmax,mDBmin根據(jù)式(5),計(jì)算模擬每一個(gè)像元的復(fù)相干系數(shù)。需要注意的是,消光系數(shù)σ在代入模型中要進(jìn)行轉(zhuǎn)換,其轉(zhuǎn)換系數(shù)為0.23。④確定模式搜索法基本參數(shù)。確定軸向方向E,加速因子α,縮減率β∈(0, 1)。由于是四個(gè)自變量參數(shù),因此,設(shè)定軸向方向?yàn)镋=(0, 0, 0, 1; 0, 0, 0, -1; 0, 0, 1, 0; 0, 0, -1, 0; 0, 1, 0, 0; 0, -1, 0, 0; 1, 0, 0, 0; -1, 0, 0, 0),加速因子α設(shè)為2,縮減率β設(shè)為0.5。⑤求出每一個(gè)像元8個(gè)復(fù)相干系數(shù)中表真實(shí)地表散射的最大復(fù)相干系數(shù)、最小復(fù)相干系數(shù)與模擬的復(fù)相干系數(shù)的距離和的最小值,其具體公式見(jiàn)式(6)。
(6)
基于模式搜索方法求出每一個(gè)像元8個(gè)復(fù)相干系數(shù)中表真實(shí)地表散射的最大復(fù)相干系數(shù)、最小復(fù)相干系數(shù)與模擬的復(fù)相干系數(shù)的距離的最小值,如果滿足2條件(條件1:設(shè)定迭代次數(shù)為2 000次;條件2:設(shè)定函數(shù)閾值為0.001)其中之一,終止迭代,提取此時(shí)的給定的hv;如果不滿足,回到第2步繼續(xù)運(yùn)算。⑥遍歷每景影像中的每一個(gè)像元,從而得到該時(shí)相下的水稻株高反演結(jié)果。
基于9個(gè)時(shí)相的TanDEM-X數(shù)據(jù),利用第2節(jié)所述方法進(jìn)行研究區(qū)水稻株高反演,并利用地塊水稻樣區(qū)的地面數(shù)據(jù)進(jìn)行驗(yàn)證與精度評(píng)價(jià),如圖5所示。
圖5 樣區(qū)1,2,3,4水稻株高反演結(jié)果與實(shí)測(cè)數(shù)據(jù)對(duì)比
The red dotted line represents the measured rice crop height, and the green dots represent the inversion result. What’s more, the error line represents the standard deviation of the inversion result
對(duì)樣區(qū)1來(lái)說(shuō),在水稻生長(zhǎng)前期,第155天(6月4日)、第166天(6月15日)株高實(shí)測(cè)數(shù)據(jù)在0.1~0.3 m之間,而反演結(jié)果大于0.8 m,明顯高于真實(shí)值,而且這兩個(gè)時(shí)相反演結(jié)果對(duì)應(yīng)的標(biāo)準(zhǔn)差也較大。由此,在水稻生長(zhǎng)前期,當(dāng)株高較小時(shí)(<0.3 m),該方法反演結(jié)果較差,株高被過(guò)高估計(jì)。第177天(6月26日)株高在0.3 m左右,反演結(jié)果與實(shí)測(cè)數(shù)據(jù)吻合較好,但反演結(jié)果標(biāo)準(zhǔn)差較大。在水稻生長(zhǎng)中期、成熟期,即第188天(7月7日)、第199天(7月18日)、第210天(7月29日)、第221天(8月9日)、第232天(8月20日)、第243天(8月31日),株高反演與地面實(shí)測(cè)值非常接近,絕對(duì)差值在0.1 m之內(nèi),并且其標(biāo)準(zhǔn)誤差也遠(yuǎn)低于第155天、第166天、第177天的對(duì)應(yīng)值。由此可以看出,當(dāng)株高大于0.4 m時(shí),該方法反演精度較高,而且穩(wěn)定性好。
對(duì)樣區(qū)2來(lái)說(shuō),在第155天、第166天、第188天、第199天,株高實(shí)測(cè)數(shù)據(jù)在0.1~0.4 m之間,而這4個(gè)時(shí)相的反演結(jié)果均比其實(shí)測(cè)結(jié)果高0.2 m以上,雖然第177天反演結(jié)果較好,但是當(dāng)株高小于0.4 m時(shí),該方法穩(wěn)定性較差。第210天、第221天、第232天、第243天株高實(shí)測(cè)數(shù)據(jù)在0.4~1.0 m之間,其反演結(jié)果與實(shí)測(cè)株高吻合較好,尤其是第210,221,232和243天,其反演結(jié)果與實(shí)測(cè)值絕對(duì)誤差在0.1 m以內(nèi),而且反演結(jié)果標(biāo)準(zhǔn)差也較小。因此,該方法在株高大于0.4 m時(shí),反演結(jié)果較好,穩(wěn)定性較高。
樣區(qū)3和樣區(qū)4的反演結(jié)果與樣區(qū)1和樣區(qū)2類似,當(dāng)水稻株高小于0.4 m時(shí),反演結(jié)果過(guò)高估計(jì),當(dāng)株高高于0.4 m時(shí),反演精度較高(絕對(duì)誤差<0.15 m),穩(wěn)定性也較好。
通過(guò)上述4個(gè)水稻樣區(qū)反演結(jié)果分析可以看出,當(dāng)株高低于0.4 m時(shí),反演結(jié)果較差,穩(wěn)定性不高;然而當(dāng)株高大于0.4 m時(shí),反演結(jié)果精度較高而且穩(wěn)定性較好,與實(shí)測(cè)值的絕對(duì)誤差在0.1 m以內(nèi),最差不超過(guò)0.15 m。圖6(a)給出了四個(gè)樣區(qū)9個(gè)時(shí)相下的水稻株高反演結(jié)果。由圖6(a)看出,當(dāng)株高低于0.4 m時(shí),反演結(jié)果基本都分布在直線“y=x”上側(cè),即反演結(jié)果被明顯高估,絕對(duì)誤差在0.1~0.8 m之間;當(dāng)株高大于0.4 m時(shí),反演結(jié)果較好,決定系數(shù)R2為0.86,均方根誤差RMSE為6.79 cm[圖6(b)]。
通過(guò)反演結(jié)果驗(yàn)證與分析發(fā)現(xiàn),基于TanDEM-X數(shù)據(jù)的水稻株高反演算法,在株高低于0.4 m以下時(shí),效果不好。這主要是由于所使用的TanDEM-X數(shù)據(jù),空間基線為2~3 km。根據(jù)Cloude[20]提出的株高反演最優(yōu)范圍指數(shù)kv=kzhv/2(其中kz為垂直波數(shù),hv為水稻株高)及其最優(yōu)范圍1≤kv≤1.5,結(jié)合表1中給出的的kz值,可以得出本文所使用的TanDEM-X數(shù)據(jù)對(duì)應(yīng)的最佳植被高度反演范圍為0.81 m≤hv≤1.21 m。因此,當(dāng)水稻株高低于0.4 m時(shí),與所使用的TanDEM-X數(shù)據(jù)對(duì)應(yīng)的最佳植被高度反演范圍差距較大,無(wú)法較好地反映出水稻植株的較大體散射量,進(jìn)而導(dǎo)致反演結(jié)果較差。
對(duì)于株高低于0.4 m的水稻,基于TanDEM-X數(shù)據(jù),利用極化干涉的方法進(jìn)行高度反演需要考慮兩方面因素,一是要盡可能的增大基線,提高數(shù)據(jù)對(duì)目標(biāo)體散射敏感性;二是要保持較高的相干性,不能無(wú)限制增大基線。根據(jù)頻譜偏移超過(guò)系統(tǒng)帶寬的理論[20],得出TanDEM-X數(shù)據(jù)極限空間基線為3.2 km,即當(dāng)空間基線超過(guò)3.2 km時(shí),相干性將為0。根據(jù)這一極限條件,TanDEM-X數(shù)據(jù),對(duì)于高度大于0.33 m的水稻株高反演是有效的。通過(guò)kv最優(yōu)范圍計(jì)算得出,當(dāng)TanDEM-X數(shù)據(jù)基線范圍在2.625 km
圖6 4個(gè)樣區(qū)9個(gè)不同時(shí)相水稻株高反演結(jié)果與實(shí)測(cè)水稻株高的對(duì)比
利用9個(gè)時(shí)相的TanDEM-X CoSSC數(shù)據(jù),構(gòu)建了一種基于RVoG模型的極化干涉水稻株高反演算法,實(shí)現(xiàn)了多時(shí)相的水稻株高反演,結(jié)果表明:當(dāng)株高高于0.4m時(shí),反演精度較高,決定系數(shù)R2為0.86,均方根誤差RMSE為6.79 cm;然而當(dāng)株高低于0.4 m時(shí),反演結(jié)果被高估而且穩(wěn)定性差,這主要是因?yàn)楸狙芯克褂玫腡anDEM-X數(shù)據(jù)空間基線對(duì)株高小于0.4 m的水稻敏感性不足。當(dāng)TanDEM-X數(shù)據(jù)空間基線范圍在2.625 km
致謝:感謝德國(guó)航空太空中心(The German Aerospace Center,DLR)(項(xiàng)目編號(hào):NTI-POLI6736)提供本文所用的TanDEM-XCoSSC數(shù)據(jù)。