徐曉臣，任江龍

（中水北方勘測(cè)設(shè)計(jì)研究有限責(zé)任公司，天津 300222）

0 引 言

糧食安全一直是世界各國(guó)關(guān)注的焦點(diǎn)，水稻作為世界上主要糧食作物之一，其在全球經(jīng)濟(jì)、糧食安全等方面發(fā)揮著重要作用。全球氣候變化、環(huán)境污染和人口增長(zhǎng)等因素，對(duì)水稻生產(chǎn)產(chǎn)生較大影響，部分地區(qū)的水稻耕種面積不斷減少。因此，及時(shí)準(zhǔn)確地獲取水稻種植信息對(duì)于區(qū)域水稻種植監(jiān)測(cè)、糧食安全等具有重要意義。

傳統(tǒng)獲取水稻種植信息的方式多為人工實(shí)測(cè)，隨著衛(wèi)星遙感技術(shù)的發(fā)展，遙感技術(shù)已成為獲取作物種植信息的主要手段，其能夠穩(wěn)定準(zhǔn)確地提供大尺度觀測(cè)結(jié)果[1]。現(xiàn)有水稻種植信息的提取研究中主要是基于光學(xué)數(shù)據(jù)和微波數(shù)據(jù)。其中，基于光學(xué)影像水稻提取多以單景或多時(shí)序影像，主要采用機(jī)器學(xué)習(xí)或物候?qū)W原理方法。由于單景影像難以避免異物同譜的現(xiàn)象，使得水稻提取結(jié)果與選取影像時(shí)間關(guān)系密切。采用多時(shí)相光學(xué)數(shù)據(jù)進(jìn)行水稻提取，雖然能有效避免異物同譜現(xiàn)象，但易受云雨天氣影響，難以獲得高質(zhì)量多時(shí)序光學(xué)數(shù)據(jù)。合成孔徑雷達(dá)（SAR）數(shù)據(jù)能夠穿云透霧，全天候全天時(shí)對(duì)地表進(jìn)行監(jiān)測(cè)，為水稻種植信息的提取提供了新的途徑[2]。通過(guò)分析水稻生長(zhǎng)季不同極化特征曲線，構(gòu)建決策樹(shù)或其他機(jī)器學(xué)習(xí)方法進(jìn)行水稻種植信息提取。Google earth engine（GEE）云平臺(tái)的快速發(fā)展[3]，使得基于Sentinel-1 時(shí)間序列數(shù)據(jù)的水稻種植信息提取研究更加便捷。本研究基于GEE 云平臺(tái)構(gòu)建Sentinel-1 時(shí)序數(shù)據(jù)，采用支持向量機(jī)和隨機(jī)森林方法，實(shí)現(xiàn)肥西縣水稻種植信息提取。

1 數(shù)據(jù)獲取及預(yù)處理

1.1 遙感數(shù)據(jù)

由于肥西縣水稻生長(zhǎng)期主要在5—9月，因此選擇2021年全年Sentinel-1A 影像分析水稻物候特征，并加載4—10月影像構(gòu)建時(shí)序特征進(jìn)行分類。本文選擇干涉寬幅（IW）模式地距影像（GRD）雙極化Sentinel-1A 影像，空間分辨率重采樣為10 m，影像寬幅為250 km，時(shí)間分辨率為12天。GEE 平臺(tái)中Sentinel-1 影像均已使用歐洲航天局（ESA）Sentinel-1 工具箱（S1TBX）進(jìn)行了預(yù)處理，包括軌道校正、熱噪聲消除、地形校正和輻射校正。

由于SAR 數(shù)據(jù)特殊的成像機(jī)制，導(dǎo)致圖像受噪聲影像，頻繁出現(xiàn)椒鹽噪聲現(xiàn)象，影響地物分類精度。而散斑濾波器根據(jù)圖像的局部變化進(jìn)行調(diào)整，采取適當(dāng)?shù)姆椒▽?duì)圖像進(jìn)行平滑處理，從而減少散斑帶來(lái)的影響，增強(qiáng)邊緣信息以保持圖像的清晰度。Ref ined Lee 濾波在農(nóng)作物分類提取中應(yīng)用較多[4]。因此，在GEE 平臺(tái)上對(duì)Sentinel-1 影像使用Ref ined Lee 濾波進(jìn)行散斑濾波處理，以減少椒鹽噪聲對(duì)分類結(jié)果的影響。同時(shí)，采用Savitzky-Golay（SG）濾波方法對(duì)散斑濾波后的SAR 時(shí)序數(shù)據(jù)進(jìn)行時(shí)間濾波處理，進(jìn)而減少時(shí)序噪聲，其中SG 濾波中滑動(dòng)窗口設(shè)置為5。

1.2 樣本數(shù)據(jù)集

本文樣本數(shù)據(jù)來(lái)源于谷歌歷史影像以及通過(guò)野外考察獲取，其中水稻樣本數(shù)量為152 個(gè)，非水稻樣本125 個(gè)。隨機(jī)抽取70%的樣本作為訓(xùn)練樣本（194 個(gè)），其余30%的樣本作為驗(yàn)證樣本（83 個(gè)）。

2 研究方法

2.1 水稻生長(zhǎng)物候SAR 時(shí)序特征分析

水稻生長(zhǎng)初期需要移栽到有水的土壤中，移栽前耕地呈現(xiàn)水體特征，導(dǎo)致后向散射系數(shù)較低。水稻被移栽后，植株開(kāi)始露出水面，微波雙重反射和多重反射機(jī)制導(dǎo)致后向散射系數(shù)不斷增大。隨著水稻植株不斷增高，后向散射系數(shù)也不斷增大，直至水稻抽穗時(shí)達(dá)到最大值，隨后其后向散射不斷減少。在野外調(diào)查過(guò)程中發(fā)現(xiàn)肥西縣多為單季稻，移栽主要集中在5月份左右，9月底或10月中上旬進(jìn)行收割，生長(zhǎng)周期多為100～120天。

根據(jù)野外考察獲得的水稻樣本加載2021年全年Sentinel-1數(shù)據(jù)進(jìn)行時(shí)序分析，結(jié)果如圖1 所示，包括散斑濾波處理后的VV、VH 極化和時(shí)間濾波處理后的VV_SG 和VH_SG 極化曲線。從圖中可以看出水稻在兩種原始極化曲線中均呈現(xiàn)出相似的波動(dòng)，但VH 極化比VV 極化幅度更大（即，最大和最小峰值之差約為10 dB）。經(jīng)過(guò)SG 濾波處理后的VV和VH 極化能夠較好地體現(xiàn)水稻生長(zhǎng)的物候特征，其中VH_SG 在水稻稻田灌水期間，VH 后向散射明顯下降，水稻移栽后VH 后向散射明顯上升，直至成熟期達(dá)到最大值。而VV_SG 時(shí)序曲線在水稻生長(zhǎng)期內(nèi)沒(méi)有明顯的波動(dòng)，振幅較小，僅當(dāng)水稻成熟期時(shí)VV_SG 后向散射有明顯提升。VH_SG 時(shí)序曲線相較于VV_SG 具有更明顯的物候特征。

圖1 水稻生長(zhǎng)SAR 時(shí)序物候特征曲線

2.2 支持向量機(jī)

支持向量機(jī)（SVM）是一種用于解決回歸和分類問(wèn)題的監(jiān)督學(xué)習(xí)算法，支持向量機(jī)分類器在訓(xùn)練階段創(chuàng)建一個(gè)理想的超平面，以最少的錯(cuò)誤分類像素分隔多個(gè)類[5]。用于選擇有助于創(chuàng)建超平面的極值點(diǎn)/向量，這些極值點(diǎn)被稱為支持向量。GEE 平臺(tái)通過(guò)加載ee.Classif ier.libsvm 函數(shù)，可實(shí)現(xiàn)SVM 分類方法調(diào)用。

2.3 隨機(jī)森林

隨機(jī)森林（RF）是一種基于生成大量決策樹(shù)的分類學(xué)習(xí)方法，其中每個(gè)決策樹(shù)都是由使用訓(xùn)練集的不同子集構(gòu)建的[6]。這些子集通常是通過(guò)隨機(jī)抽樣和替換原始數(shù)據(jù)集獲取的。通過(guò)決策樹(shù)選擇最常見(jiàn)的輸出來(lái)識(shí)別分類共識(shí)。通過(guò)GEE 平臺(tái)中的smileRandomForest 函數(shù)調(diào)用隨機(jī)森林分類方法，并將時(shí)序指標(biāo)特征引入函數(shù)，實(shí)現(xiàn)水稻和非水稻地塊的分類。根據(jù)前人的研究成果，將RF 分類器參數(shù)ntree 和mtry 分別設(shè)為100 和輸入變量的平方根。

3 結(jié)果與分析

本文利用GEE 平臺(tái)構(gòu)建了三種時(shí)序特征組合，分別為VV 時(shí)序數(shù)據(jù)集、VH 時(shí)序數(shù)據(jù)集以及VV 與VH 時(shí)序數(shù)據(jù)集。采用SVM 和RF 兩種分類器對(duì)三種時(shí)序特征組合進(jìn)行分類，分類精度如表1 所示。從表中可以看出，VV+VH組合分類精度最高，SVM 與RF 兩種分類器中均獲得最高精度，總體精度分別為89.98%和91.32%。其中RF 水稻種植信息提取的生產(chǎn)者精度與用戶精度均大于SVM 的提取結(jié)果，說(shuō)明RF 分類方法優(yōu)于支持向量機(jī)。在所有對(duì)比實(shí)驗(yàn)中，VV 時(shí)序特征組合的精度最低，其中SVM 分類方法下總體精度僅為56.32%，而RF 分類總體精度僅增加6.11%，生產(chǎn)者精度與用戶者精度均小于60%。而VH 時(shí)序特征組合下兩種分類方法的水稻分類總體精度有明顯提升，接近VV+VH 組合分類精度，說(shuō)明VH 極化信息對(duì)于水稻種植信息的提取尤為重要。

表1 不同特征組合分類精度

總體來(lái)看，SVM 水稻種植信息提取精度均小于RF 結(jié)果，這與前人的研究成果較為相似，RF 在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中適用性較高。雖然VV 極化特征在兩種分類方法實(shí)驗(yàn)中均取得較低的分類精度，但是在VV+VH 特征組合中，兩種分類器相較于VH 時(shí)序特征組合的精度均有一定的提升，其中水稻的生產(chǎn)者精度和用戶精度均提高0 ～2%，說(shuō)明VV 極化對(duì)水稻種植信息提取具有一定的貢獻(xiàn)。

從圖2 中可以看出，兩種分類器在VV+VH 時(shí)序特征下均獲得較好的水稻分類效果，整體上并無(wú)明顯差異。在空間細(xì)節(jié)放大圖中，兩種分類器結(jié)果也并無(wú)明顯差異，但卻在空間細(xì)節(jié)上存在一定的差異。從圖中可以看出，SVM 分類結(jié)果相較于RF 分類結(jié)果存在部分漏提現(xiàn)象，水稻提取結(jié)果中連通性較差，有明顯的碎斑現(xiàn)象。而RF 方法的提取結(jié)果整體表現(xiàn)較為完整，很少出現(xiàn)水稻碎斑現(xiàn)象，提取結(jié)果較為完整。

圖2 SVM 與RF 分類結(jié)果（左SVM，右RF）

從圖3 中可以看出，肥西縣水稻種植主要集中在高店鄉(xiāng)、官?gòu)d鎮(zhèn)、山南鎮(zhèn)、柿樹(shù)崗鄉(xiāng)、花崗鎮(zhèn)、豐樂(lè)鎮(zhèn)，種植面積占比較多的為山南鎮(zhèn)、柿樹(shù)崗鄉(xiāng)和高店鄉(xiāng)。從整體來(lái)看，肥西縣水稻種植多集中在西南部，這主要是因?yàn)榉饰髦袞|部地區(qū)與合肥市相連，受城市化與工業(yè)化發(fā)展的影響，中東部耕地多為建設(shè)用地或用于種植經(jīng)濟(jì)作物的土地。

圖3 基于VV+VH 時(shí)序特征的RF 水稻提取結(jié)果

4 結(jié) 論

本文基于GEE 云計(jì)算平臺(tái)，分析了肥西縣水稻SAR 后向散射時(shí)間序列特征，構(gòu)建不同極化組合特征，采用SVM和RF 兩種分類方法進(jìn)行水稻種植信息提取。結(jié)果表明，水稻VH 極化時(shí)序曲線在水稻移栽前后具有明顯波動(dòng)，VV 極化后向散射波動(dòng)較小。僅采用VV 極化時(shí)序特征獲得的分類精度最低，僅采用VH 極化時(shí)序特征，兩種分類器的水稻分類精度獲得明顯提升。而基于VV+VH 極化時(shí)序特征下兩種分類器均獲得了非常高的整體準(zhǔn)確度。其中，RF（91.32%）水稻提取結(jié)果優(yōu)于SVM（89.98%）。

后續(xù)工作將充分考慮Sentinel-1 不同極化間的信息，構(gòu)建極化特征指數(shù)，進(jìn)一步提升水稻種植信息提取精度。同時(shí)由于SAR 數(shù)據(jù)受噪聲影響，使得水稻提取結(jié)果存在大量碎斑現(xiàn)象，難以保證水稻提取結(jié)果的精度。因此，在以后的研究工作中，將引入高分辨率影像，實(shí)現(xiàn)地塊信息的提取，進(jìn)而創(chuàng)建基于地塊的水稻種植信息提取方法，進(jìn)一步提升水稻種植信息的提取精度。