夏俊 蘇濤 劉麗娜 王建 朱菲 廖晉一

摘要： 合成孔徑雷達(dá)（SAR）具有全天候、全天時(shí)獲取遙感影像的能力，因此在南方多陰雨地區(qū)有著較高的應(yīng)用潛力。本研究以江蘇省鹽城市建湖縣為研究區(qū)域，選用當(dāng)?shù)厮旧L周期內(nèi)的長時(shí)間序列Sentinel-1A影像作為數(shù)據(jù)源，依據(jù)光譜微分變換分析法，采用一種雷達(dá)微分變換的方法，通過對長時(shí)間序列SAR影像進(jìn)行一階和二階微分變換處理，選取其中水稻與其他地物后向散射系數(shù)差異明顯的時(shí)間段，再利用支持向量機(jī)（SVM）模型進(jìn)行分類從而獲取水稻信息。與利用多時(shí)相極化SAR影像的閾值分類法進(jìn)行比較可知，基于二階微分變換的SVM分類方法優(yōu)于閾值分類方法，其總體精度為89.88%，Kappa系數(shù)和F1值分別為0.841 2 和0.879 5 ，水稻提取面積為525.32 km 2 ，相對誤差為11.58%。說明，經(jīng)過微分變換的時(shí)序SAR數(shù)據(jù)結(jié)合SVM模型進(jìn)行分類可以進(jìn)一步提高水稻面積提取精度，為作物識別提供了一種新的思路。

關(guān)鍵詞： 水稻面積; 長時(shí)間序列; Sentinel-1A; 微分變換; 閾值分類

中圖分類號： TP79?? 文獻(xiàn)標(biāo)識碼： A?? 文章編號： 1000-4440（2022）03-0666-09

Rice area information extraction based on multi-temporal Sentinel-1A data

XIA Jun 1，2，3 ， SU Tao 1，2，3 ， LIU Li-na 1，2，3 ， WANG Jian 1，2，3 ， ZHU Fei 1，2，3 ， LIAO Jin-yi 1，2，3

（1.School of Spatial Informatics and Geomatics Engineering， Anhui University of Science and Technology， Huainan 232001， China; 2.Key Laboratory of Aviation-Aerospace-Ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of Anhui Higher Education Institutes， Anhui University of Science and Technology， Huainan 232001， China; 3.Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring，Anhui University of Science and Technology， Huainan 232001， China）

Abstract： Synthetic aperture radar （SAR） has a high application potential in cloudy and rainy areas of South China for its ability of obtaining remote sensing images in all-weather and all-time. In this study， Jianhu County of Yancheng City in Jiangsu province was taken as the research area， the long-time series Sentinel-1A images collected during the local rice growth cycle were selected as the data source. According to the spectral differential transformation analysis approach， a method of radar differential transformation was proposed. Through first-order and second-order differential transformation processings of SAR images of long-time series， time periods with obviously different backscattering coefficients between rice and other ground objects were selected. Then support vector machine （SVM） model was used for classification to obtain rice information. Compared with the threshold classification method based on multi-temporal and polarized SAR images， SVM classification method based on second-order differential transform was better than the threshold classification method. For the SVM classification method based on second-order differential transform， the overall accuracy was 89.88%， the Kappa coefficient and F1 value were 0.841 2 ?and 0.879 5 ?respectively， the rice extraction area was 525.32 km 2 ， and the relative error was 11.58%. It can be concluded that the accuracy of rice area extraction can be further improved by classification of time series SAR data treated by differential transform combined with SVM model， which can provide a new idea for crop identification.

Key words： rice area; long time series; Sentinel-1A; differential transformation; threshold classification

中國作為農(nóng)業(yè)大國，水稻種植歷史悠久，快速精確獲取水稻種植面積信息能為當(dāng)?shù)卣峁┛茖W(xué)的輔助決策依據(jù)。遙感技術(shù)由于其覆蓋范圍廣、重訪周期短的特點(diǎn)已經(jīng)被廣泛運(yùn)用到農(nóng)業(yè)領(lǐng)域。水稻面積的監(jiān)測技術(shù)主要分為光學(xué)遙感和雷達(dá)遙感兩大類，孫姝娟等 [1] 利用水稻生長周期內(nèi)的高分一號多景影像，構(gòu)建EVI時(shí)間序列，根據(jù)水稻在不同時(shí)期的EVI曲線特征建立決策樹模型，從而提取水稻種植面積，結(jié)果表明，EVI長時(shí)間序列提取水稻面積的效果良好。牛海鵬等 [2] 通過融合Landsat數(shù)據(jù)和MODIS數(shù)據(jù)，構(gòu)建歸一化植被指數(shù)（NDVI）時(shí)間序列，設(shè)置合適的閾值，很好地提高了水稻面積信息的提取精度。張曉憶等 [3] 通過選用同時(shí)相HJ1A影像和GH1影像，利用4種常用的植被指數(shù)和近紅外波段反射率構(gòu)建決策樹規(guī)則，對淮安市各類地物進(jìn)行分類并提取水稻面積。雖然光學(xué)遙感已經(jīng)被廣泛運(yùn)用于農(nóng)作物信息的提取，但由于受到云、雨、霧等氣候條件的影響較大，不利于影像地物信息的識別分析。

隨著雷達(dá)技術(shù)的不斷發(fā)展，特別是近年來出現(xiàn)的合成孔徑雷達(dá)（Synthetic aperture radar，SAR）技術(shù)，帶來了一種全新的遙感農(nóng)作物監(jiān)測方法 [4-6] ，SAR技術(shù)具有全天候、全天時(shí)觀測的特點(diǎn)，能夠改善光學(xué)遙感數(shù)據(jù)的不足與缺陷。Clauss等 [7] 利用Sentinel-1時(shí)間序列數(shù)據(jù)，采用隨機(jī)森林回歸模型對越南湄公河三角洲水稻的產(chǎn)量進(jìn)行估算;Zhang等 [8] 通過運(yùn)用Radarsat-2影像結(jié)合水稻冠層散射模型和遺傳算法來估算水稻產(chǎn)量;杜燁等 [9] 采用多時(shí)相COSMO-SkyMed SAR數(shù)據(jù)，結(jié)合水稻后向散射系數(shù)曲線和歸一化植被指數(shù)（ NDVI ）曲線再進(jìn)行面對對象的分類從而提取水稻種植面積。目前對于水稻信息的識別提取通常基于對地物的后向散射系數(shù)特征進(jìn)行分析，選取適當(dāng)時(shí)間段的SAR影像可能會(huì)提高其識別精度，但存在某些地物類型特征相似和時(shí)相選取的問題，導(dǎo)致水稻信息提取精度較低。

綜上所述，本研究通過選用水稻生長周期內(nèi)長時(shí)間序列的Sentinel-1A數(shù)據(jù)，分析不同極化方式下的水稻后向散射系數(shù)的規(guī)律，結(jié)合不同地物在垂直發(fā)送接收 （VV）和垂直發(fā)送水平接收（VH）極化下的時(shí)序特征，開展對水稻面積的提取工作，并參考光譜微分變換在植被分類中的應(yīng)用 [10] ，采用一種基于雷達(dá)數(shù)據(jù)的微分變換方法，對時(shí)序SAR影像進(jìn)行多階微分變換，采用SVM模型對水稻信息進(jìn)行識別提取，以期為多云多雨的南方地區(qū)水稻面積的提取提供一種新方法。

1 研究區(qū)域及數(shù)據(jù)源

1.1 研究區(qū)概況

建湖縣位于江蘇省東北部，隸屬于江蘇省鹽城市（圖1），地理位置為北緯33°16′～ 33°41′，東經(jīng)119°33′～ 120°05′，屬亞熱帶季風(fēng)氣候。全縣總面積1 154 ?km 2 ，其中，陸地面積900 km 2 （其中耕地面積674 km 2 ），占78%，水域面積254 km 2 ，占22%。建湖縣主要種植制度為中稻-冬小麥一年輪番耕作。鹽城市統(tǒng)計(jì)局資料顯示，當(dāng)?shù)厮局饕N植期為5- 10月，其中5- 8月分別為播種、移栽、拔節(jié)、抽穗階段，9月至10月上旬為成熟和收割階段。統(tǒng)計(jì)年鑒資料顯示，2019年建湖縣水稻種植面積為470.8 km 2 ，占全縣作物總面積的40.8%。

1.2 數(shù)據(jù)源及預(yù)處理方法

1.2.1 SAR數(shù)據(jù)源 本研究選用的SAR數(shù)據(jù)源為從阿拉斯加衛(wèi)星數(shù)據(jù)中心（Alaska Satellite Facility，ASF）下載的雙極化Sentinel-1A影像產(chǎn)品，極化方式為 VV 和 VH，為了保證分類精度不受入射角影響 [11] ，本研究選取入射角為38.996°同軌道數(shù)據(jù)。影像時(shí)間范圍為2019年5月中旬至10月上旬，具體信息如表1所示。

1.2.2 輔助數(shù)據(jù)源 為了輔助SAR數(shù)據(jù)進(jìn)行水稻后向散射系數(shù)分析研究，所用的Landsat8影像數(shù)據(jù)來自美國地質(zhì)調(diào)查局（United States geological survey，USGS），由于研究區(qū)域夏季陰雨天氣較多，滿足試驗(yàn)要求的影像僅選取了2019年7月11日的單景數(shù)據(jù)。高程數(shù)據(jù)來自地理空間數(shù)據(jù)云提供的航天飛機(jī)雷達(dá)地形測繪任務(wù)（Shuttle radar topography mission，SRTM）90 m產(chǎn)品。

1.2.3 遙感數(shù)據(jù)預(yù)處理方法 基于ENVI5.3軟件中的Sarscape模塊對13幅雷達(dá)影像進(jìn)行圖像配準(zhǔn)、濾波處理、輻射定標(biāo)和地理編碼等各項(xiàng)處理，獲取能反映地物信息特征的多時(shí)相VV和VH后向散射系數(shù)，再將13幅影像進(jìn)行重采樣，其空間分辨率為30 m× 30 m，坐標(biāo)投影采用WGS84/UTM投影系統(tǒng)。

1.2.4 野外調(diào)研數(shù)據(jù) 2019年8月在鹽城市建湖縣開展野外調(diào)研，結(jié)合Google Earth高分辨率影像對研究區(qū)域進(jìn)行不同地物純像元的采樣，將地物類型分為水體、其他作物、水稻、裸土、建筑物5類，野外調(diào)研樣本點(diǎn)分布如圖1所示。每個(gè)采樣點(diǎn)與其他地物類型距離大于30 m，并用高精度全球定位系統(tǒng)（GPS）記錄每個(gè)樣區(qū)中心點(diǎn)的地理坐標(biāo)，以供后續(xù)研究中樣本地物后向散射系數(shù)的確定。本次調(diào)研共采集到894個(gè)典型地物樣本，其中包括107個(gè)水體樣本，208個(gè)其他作物樣本，325個(gè)水稻樣本，112個(gè)裸土樣本，142個(gè)建筑物樣本。1/3的樣本作為模型訓(xùn)練樣本，剩余2/3作為驗(yàn)證樣本用于結(jié)果的精度分析。

2 研究方法

2.1 樣本散點(diǎn)統(tǒng)計(jì)

SAR圖像上的信息是地物目標(biāo)對雷達(dá)信號的反映，SAR影像上區(qū)域亮度越高，則該區(qū)域后向散射系數(shù)越大。后向散射系數(shù)主要與地物自身特性以及雷達(dá)系統(tǒng)工作參數(shù)有關(guān)，地物自身特性取決于復(fù)介電常數(shù)、地表粗糙度、幾何結(jié)構(gòu)等，雷達(dá)系統(tǒng)參數(shù)主要包括傳感器的極化方式、入射角、波長等。由于本研究選取的13期SAR數(shù)據(jù)入射角和波長都相同，所以可以通過分析不同地物在不同極化方式下的長時(shí)間序列后向散射系數(shù)變化趨勢來區(qū)分地表地物類型。因此本研究通過對研究區(qū)內(nèi)訓(xùn)練樣本作分布統(tǒng)計(jì)，比較分析在VV和VH極化下不同地物后向散射系數(shù)隨時(shí)間變化的趨勢以及分布范圍。

2.2 雷達(dá)微分變換

微分變換作為一種常用的光譜特征分析方法，主要用于光學(xué)影像中對植被反射光譜的數(shù)學(xué)變換，可消除大氣和土壤環(huán)境對其的影響，增強(qiáng)植被光譜特征從而提高識別精度 [12] 。本研究利用光譜微分變換法，將其應(yīng)用于SAR數(shù)據(jù)，考慮到隨著微分階數(shù)的增加，數(shù)據(jù)特征靈敏度會(huì)降低的現(xiàn)象，本研究針對SAR數(shù)據(jù)采取了一階和二階微分變換處理。其中，一階和二階雷達(dá)微分變換公式 [13] 如下：

B（λi）′=B（λi+1 ）-B（λi）△λ （1）

B（λi）″=B（λi+2 ）-2B（λi+1 ）+B（λi）（△λ）2 （2）

式中， λi 表示影像時(shí)間; B（λi） 表示 λi 時(shí)的后向散射系數(shù)值; B（λi）′ 和 B（λi）″ 分別表示 λi 時(shí)的后向散射一階和二階微分值; △λ 表示相鄰影像的時(shí)長。

2.3 分類方法

支持向量機(jī)（Support vector machine，SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，它在處理小樣本、高維度、非線性數(shù)據(jù)時(shí)表現(xiàn)出特有的優(yōu)勢 [14] 。它的主要分類思想是利用內(nèi)積核函數(shù)將分類初始空間變換到高維空間，一般核函數(shù)主要有多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)3類，現(xiàn)有研究結(jié)果表明徑向基核函數(shù)分類精度更高 [15] ，所以本研究選用該核函數(shù)，并設(shè)置懲罰參數(shù)（ C ）為100，金字塔層數(shù)為0，內(nèi)核半徑（ γ ）為0.145進(jìn)行處理。

基于決策樹的閾值分類在SAR影像分類上有著廣泛的運(yùn)用，不同地物的后向散射系數(shù)分布范圍有差異，對于不同極化方式的不同地類的后向散射系數(shù)，其差異性也許會(huì)更大，可以以此為依據(jù)劃分水稻與其他地物的類別，通過分析水稻與其他地物的時(shí)序后向散射系數(shù)差異性，建立決策樹模型，實(shí)現(xiàn)閾值分類。

2.4 建立掩膜

由于SAR影像受相關(guān)斑點(diǎn)噪聲和地形因素影響，會(huì)引起地物的后向散射系數(shù)發(fā)生變化，干擾對影像上水稻特征的判讀。因此本研究利用Landsat8影像計(jì)算研究區(qū)的 NDVI 值從而得到地區(qū)植被結(jié)構(gòu)，并利用高程數(shù)據(jù)獲取研究區(qū)坡度空間分布。最后通過決策樹對植被結(jié)構(gòu)和坡度空間分布建立掩膜以對分類結(jié)果進(jìn)行進(jìn)一步處理。

2.5 精度驗(yàn)證方法

本研究主要從3個(gè)方面進(jìn)行水稻分類結(jié)果的精度評價(jià)，首先，根據(jù)鹽城市2020年統(tǒng)計(jì)年鑒的數(shù)據(jù)計(jì)算水稻面積提取的相對誤差;其次，使用混淆矩陣對分類結(jié)果進(jìn)行定量分析，主要統(tǒng)計(jì)其總體精度和Kappa系數(shù);最后利用統(tǒng)計(jì)學(xué)中衡量二分類模型精確度的指標(biāo)（F1值）來評價(jià)分類結(jié)果的優(yōu)劣。F1值可以看作是模型精確率和召回率的調(diào)和平均，其范圍為[0，1]，其值越大證明分類結(jié)果越佳。本研究中精確率采用水稻的用戶精度來表示，召回率采用水稻的制圖精度來表示，F(xiàn)1值計(jì)算公式如下：

F1= 2×P×RP+R （3）

式中， P 表示模型精確率; R 表示模型召回率。

2.6 建立水稻信息提取模型

本研究建立水稻信息提取模型的技術(shù)路線如圖2所示。數(shù)據(jù)源選用水稻生長周期內(nèi)的13景Sentinel-1A影像，一方面對預(yù)處理后的SAR影像進(jìn)行不同時(shí)相的組合，突出水稻信息，利用調(diào)研獲取的訓(xùn)練樣本進(jìn)行后向散射系數(shù)散點(diǎn)分析，再對不同地物樣本均值作曲線特征分析，通過組合不同極化的時(shí)序特征建立決策樹進(jìn)行閾值分類。另一方面對預(yù)處理后的數(shù)據(jù)進(jìn)行一階和二階雷達(dá)微分變換，分析時(shí)序微分曲線特征，選取合適的時(shí)相進(jìn)行SVM分類。由于SAR影像受相干斑點(diǎn)噪聲以及地形因素影響，導(dǎo)致像元亮度值產(chǎn)生差異，地物后向散射系數(shù)也會(huì)改變從而影響對其類別的判別?？紤]到 NDVI 指數(shù)對植被覆蓋度敏感的特性，本研究選取該指數(shù)用于降低非水稻地物對分類的影響 [16] 。由Landsat8影像計(jì)算獲得 NDVI ，結(jié)合調(diào)研樣本數(shù)據(jù)以及對Google Earth影像的目視解譯確定研究區(qū)植被的 NDVI 取值范圍為0.5～ 0.9。根據(jù)鹽城農(nóng)業(yè)土地資料顯示，鹽城屬于長江中下游平原，平均海拔5 m。由高程數(shù)據(jù)計(jì)算獲得研究區(qū)坡度，結(jié)合實(shí)地調(diào)研采樣資料確定水稻種植區(qū)坡度（ Slope ）< 3°。利用上述2個(gè)條件對水稻面積結(jié)果分層次作掩膜處理，以減少外在因素導(dǎo)致的影響。最后利用驗(yàn)證樣本和鹽城市統(tǒng)計(jì)年鑒數(shù)據(jù)對分類結(jié)果進(jìn)行精度評價(jià)，以期獲得建湖縣最優(yōu)水稻空間分布圖。

3 結(jié)果與分析

3.1 地物散點(diǎn)分析

根據(jù)選取的訓(xùn)練樣本對VV和VH極化數(shù)據(jù)作地物散點(diǎn)分析，結(jié)果如圖3所示，可以看出水稻在VV和VH上的后向散射系數(shù)主要分布在[-15，-5]和[-20，-12];水體在VV和VH上的后向散射系數(shù)主要集中在[-22，-16]和[-24，-20];建筑物在VV和VH上的后向散射系數(shù)分別集中在[-5，0]和[-15，-10];裸土在VV和VH上的后向散射系數(shù)分別主要分布在[-10，-6]和[-18，-9];其他作物在VV和VH上的后向散射系數(shù)分別主要分布在[-19，-9] 和[-23，-16]。綜上可得，VH極化相較于VV極化后向散射值域偏低，且2種極化方式下水稻的后向散射系數(shù)分布區(qū)間都與裸土和其他作物有交叉區(qū)域，直接依據(jù)閾值進(jìn)行分類，分類精度可能不理想。

本研究對各個(gè)時(shí)相不同地物的后向散射系數(shù)作均值統(tǒng)計(jì)處理，其變化趨勢如圖4所示。從圖4可以看出，隨著水稻生長周期的變化，其后向散射特征也在發(fā)生改變。在5、6月份水稻處于播種和移栽期，雷達(dá)系統(tǒng)回波以麥田水體的面散射為主，并沒有水稻的影像特征;在7、8月份水稻處于拔節(jié)-抽穗期，雷達(dá)系統(tǒng)回波以植株的體散射和水稻莖稈與水面的二次散射為主 [17] ，后向散射系數(shù)較高;在9、10月份水稻成熟收割，此時(shí)雷達(dá)系統(tǒng)回波以少量植株的體散射和水體面散射為主，之后散射系數(shù)逐漸降低 [18] 。相比較而言，水域主要是面散射，所以后向散射系數(shù)長期處于平穩(wěn)低值。建筑物主要回波方式是二次散射，后向散射系數(shù)長期處于較高值 [19-20] 。由于其他作物種類復(fù)雜，后向散射系數(shù)變化趨勢不明顯。裸地回波主要由漫散射組成，后向散射系數(shù)長期處于較平穩(wěn)區(qū)間。由此可以根據(jù)水稻的這種時(shí)相變化特征來與其他地物區(qū)分。

3.2 基于極化SAR數(shù)據(jù)的閾值分類分析

利用散點(diǎn)圖分析結(jié)果對Sentinel-1影像進(jìn)行決策樹閾值分類。由圖4可以看出，水稻生長階段的曲線特征主要體現(xiàn)在7月16日至9月14日這個(gè)區(qū)間。對這個(gè)區(qū)間6個(gè)時(shí)相的極化數(shù)據(jù)進(jìn)行水稻閾值分析，通過決策樹閾值分類方法提取水稻面積（表2）。對VV曲線而言，分別對7月16日、7月28日、8月9日、8月21日、9月2日、9月14日設(shè)置后向散射系數(shù)小于-8 、-7 、-8 、-12 、-13 、-13 來提取水稻面積;對VH曲線而言，同樣對6個(gè)時(shí)相依次設(shè)置后向散射系數(shù)小于-14 、-12 、-10 、-20 、-22 、-21 來提取水稻面積。再利用之前建立的決策樹分層掩膜減少相干噪聲、地形等外在因素的影響，提高分類精度。利用驗(yàn)證樣本對分類結(jié)果進(jìn)行定量分析，雖然多時(shí)相VH極化數(shù)據(jù)精度高于單時(shí)相極化數(shù)據(jù)和多時(shí)相VV極化數(shù)據(jù)，但是其水稻信息提取效果較差，不能滿足實(shí)際生產(chǎn)要求。由于本研究中水稻的閾值區(qū)間與裸土和其他作物具有較多重疊部分，盡管使用多時(shí)相組合的方法降低了重疊概率，但是仍然有部分地物存在誤分類成水稻的情況，導(dǎo)致分類效果不理想。

3.3 基于雷達(dá)微分變換的SVM分類分析

利用雷達(dá)微分變換公式對13幅SAR影像進(jìn)行一階和二階微分變換處理，再根據(jù)調(diào)研選取的訓(xùn)練樣本點(diǎn)得到每種地物在不同極化方式下的雷達(dá)微分變換曲線。從圖5可以看出，經(jīng)過一階微分變換后，水稻的VV極化和VH極化數(shù)據(jù)在7月16日至9月14日這段時(shí)間內(nèi)的曲線特征相較于其他地物有了明顯區(qū)分。經(jīng)過二階微分變換后，水稻的VV和VH數(shù)據(jù)在7月16日至9月14日期間的曲線特征出現(xiàn)波峰和波谷，與其他地物在不同時(shí)段內(nèi)的后向散射差異更為明顯，并且在一階微分和二階微分?jǐn)?shù)據(jù)中VH極化比VV極化波動(dòng)性更為突出。綜合以上分析，本研究選取7月16日至9月14日期間的影像作為研究數(shù)據(jù)，結(jié)合調(diào)研獲取的訓(xùn)練樣本，采用SVM模型進(jìn)行分類，并選用決策樹分層掩膜以減少相干噪聲、地形等外在因素的影響，結(jié)果表明，基于VH極化雷達(dá)二階微分變換提取的水稻面積（圖6）精確度最佳。根據(jù)像元統(tǒng)計(jì)得出水稻面積為525.32 km 2 ，相對誤差為11.58%，分布范圍與建湖縣當(dāng)?shù)厮痉N植結(jié)構(gòu)布局基本相同。

最后利用驗(yàn)證樣本對一階和二階微分變換分類結(jié)果進(jìn)行精度分析，結(jié)果如表3和表4所示。由表3可知， VH極化數(shù)據(jù)相比于VV極化數(shù)據(jù)各項(xiàng)精度指標(biāo)都有所提高，單時(shí)相數(shù)據(jù)中8月21日VH極化數(shù)據(jù)的精度最高，從圖5中也可以看出，在8月21日水稻的曲線特征與其他地物區(qū)分度最高。多時(shí)相的極化數(shù)據(jù)相較于單時(shí)相極化數(shù)據(jù)精度又有了較高的提升。由表4可知， 同時(shí)期VH極化數(shù)據(jù)精度優(yōu)于VV極化數(shù)據(jù)，單時(shí)相數(shù)據(jù)中9月2日VH極化數(shù)據(jù)的精度最高，在圖5中對應(yīng)水稻曲線的峰值。多時(shí)相的極化數(shù)據(jù)的精度同樣也優(yōu)于單時(shí)相極化數(shù)據(jù)。

綜上所述，多時(shí)相的VH極化分類結(jié)果優(yōu)于多時(shí)相的VV極化分類結(jié)果和單時(shí)相的極化分類結(jié)果，二階微分變換精度總體上優(yōu)于一階微分變換精度，其中基于VH極化的二階微分變換的結(jié)果精度最高，總體精度為89.88%，Kappa系數(shù)為0.841 2 ，F(xiàn)1值為0.879 5 ，統(tǒng)計(jì)結(jié)果優(yōu)良，很好地滿足了水稻種植面積監(jiān)測精度的要求。

4 結(jié) 論

本研究選取水稻生長周期內(nèi)的長時(shí)間序列Sentinel-1A影像作為數(shù)據(jù)源，利用微分變換在光譜特征分析中的應(yīng)用，提出了一種適用于SAR數(shù)據(jù)的雷達(dá)微分變換方法，對比分析基于雷達(dá)微分變換的SVM模型分類方法和極化組合閾值分類方法，探討分析SAR影像在水稻種植面積提取上的可行性和優(yōu)勢，得出以下結(jié)論：

（1）長時(shí)間序列SAR影像能反映地物的物候特征，選取水稻生長周期內(nèi)時(shí)序影像能夠較好地區(qū)分地物類型從而提高水稻信息識別精度。

（2）閾值分類方法易受地物后向散射系數(shù)區(qū)間重疊影響，造成誤分類的情況，降低水稻面積的識別精度。

（3）雷達(dá)二階微分變換相較于一階微分變換更能突出水稻與其他地物在不同時(shí)間段的后向散射細(xì)節(jié)差異，VH極化相比于VV極化數(shù)據(jù)更適用于水稻面積的提取。

參考文獻(xiàn)：

[1] 孫姝娟，李民錄，王 萍，等. 基于GF-1/WFV EVI時(shí)間序列數(shù)據(jù)的水稻種植面積提取 [J]. 福建農(nóng)業(yè)學(xué)報(bào)， 2018， 33（6）： 575-580.

[2] 牛海鵬，王占奇，肖東洋. 基于時(shí)空數(shù)據(jù)融合的縣域水稻種植面積提取 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（4）： 156-163.

[3] 張曉憶，李衛(wèi)國，景元書，等. 多種光譜指標(biāo)構(gòu)建決策樹的水稻種植面積提取 [J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2016， 32（5）： 1066-1072.

[4] 孫 政，周清波，楊 鵬，等. 基于星載極化SAR數(shù)據(jù)的農(nóng)作物分類識別進(jìn)展評述 [J]. 中國農(nóng)業(yè)資源與區(qū)劃， 2019， 40（11）： 63-71.

[5] 東朝霞. 基于全極化SAR數(shù)據(jù)的旱地作物識別與生物學(xué)參數(shù)反演研究 [D].北京：中國農(nóng)業(yè)科學(xué)院， 2016.

[6] PARK N W. Accounting for temporal contextual information in land-cover classification with multi-sensor SAR data [J]. International Journal of Remote Sensing， 2010， 31（1/2）： 281-298.

[7] CLAUSS K， OTTINGER M， LEINENKUGEL P， et al. Estimating rice production in the Mekong Delta， Vietnam， utilizing time series of Sentinel-1 SAR data [J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 73： 574-585.

[8] ZHANG Y， YANG B， LIU X H， et al. Estimation of rice grain yield from dual-polarization Radarsat-2 SAR data by integrating a rice canopy scattering model and a genetic algorithm [J]. International Journal of Applied Earth Observation And Geoinformation， 2017， 57： 75-85.

[9] 杜 燁，郭長青，文 寧，等. 基于多時(shí)相COSMO-SkyMed SAR數(shù)據(jù)對水稻信息提取方法的研究與應(yīng)用 [J]. 遙感信息， 2014， 29（3）： 30-34.

[10] 徐凱健，田慶久，徐念旭，等. 基于時(shí)序 NDVI 與光譜微分變換的森林優(yōu)勢樹種識別 [J]. 光譜學(xué)與光譜分析， 2019， 39（12）： 3794-3800.

[11] FIEUZAL R， BAUP F， MARAISSICRE C. Monitoring wheat and rapeseed by using synchronous optical and radar satellite data—from temporal signatures to crop parameters estimation [J]. Advances in Remote Sensing， 2013， 2（2）： 162-180.

[12] 張 東，塔西甫拉提·特依拜，張 飛，等. 分?jǐn)?shù)階微分算法對鹽漬土高光譜數(shù)據(jù)的影響研究 [J]. 光學(xué)學(xué)報(bào)， 2016， 36（3）： 282-289.

[13] 徐念旭，田慶久，申懷飛，等. 基于微分變換的高光譜馬尾松和杉木識別 [J]. 國土資源遙感， 2018， 30（4）： 28-32.

[14] 萬 意，李長春，趙旭輝，等. 基于SVM的光學(xué)遙感影像分類與評價(jià) [J]. 測繪地理信息， 2018， 43（6）： 74-77.

[15] 高 燕，周成虎，蘇奮振. 基于OLI影像多參數(shù)設(shè)置的SVM分類研究 [J]. 測繪工程， 2014， 23（6）： 1-5，10.

[16] 白燕英，高聚林，張寶林. 基于 NDVI 與 EVI 的作物長勢監(jiān)測研究 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（9）： 153-161.

[17] 賈明權(quán). 水稻微波散射特性研究及參數(shù)反演 [D]. 成都：電子科技大學(xué)， 2013.

[18] 何 澤. 基于多時(shí)相RADARSAT-2數(shù)據(jù)的水稻物候監(jiān)測 [D]. 成都：電子科技大學(xué)， 2019.

[19] 劉 康，BALZ T，廖明生. 利用后向散射特性從高分辨率SAR影像中提取建筑物高度 [J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2012， 37（7）： 806-809.

[20] 趙凌君. 高分辨率SAR圖像建筑物提取方法研究 [D]. 長沙：國防科技大學(xué)， 2009.

（責(zé)任編輯：陳海霞）

收稿日期：2021-11-08

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFC0407703）;安徽理工大學(xué)引進(jìn)人才科研啟動(dòng)項(xiàng)目（ZY030）;安徽理工大學(xué)2021年研究生創(chuàng)新基金項(xiàng)目（2021CX2139）;安徽理工大學(xué)青年教師科學(xué)研究基金項(xiàng)目（QN201502）

作者簡介：夏 ?。?996-），男，安徽合肥人，碩士研究生，主要研究方向?yàn)檗r(nóng)業(yè)遙感。（E-mail）1849145280@qq.com

通訊作者：蘇 濤，（E-mail）st7162003@163.com