李夢秋楊樹文駱劍承石含寧付昱凱

(1.蘭州交通大學測繪與地理信息學院，甘肅 蘭州 730070；2.地理國情監(jiān)測技術應用國家地方聯(lián)合工程研究中心，甘肅 蘭州 730070；3.中國科學院空天信息創(chuàng)新研究院/遙感科學國家重點實驗室，北京 100101；4.中國科學院大學，北京 100049；5.中國地質(zhì)大學(武漢)計算機學院，湖北 武漢 430074)

引言

隨著光學遙感技術在水稻識別中的應用日漸成熟[1]，多時相遙感數(shù)據(jù)能夠進一步提升水稻識別精度[2]。利用光學光譜反射率、植被指數(shù)和水稻的物候期可以實現(xiàn)水稻制圖，Xiao等提出，在水稻生育內(nèi)期可以利用NDVI(Normalized Difference Vegetation Index，歸一化植被指數(shù))和NDWI(Normalized Difference Water Index，歸一化水指數(shù))來識別水稻田；隨后其又利用LSWI(Land Surface Water Index，地表水提指數(shù))加一些閾值等于或大于NDVI或其他增強型植被指數(shù)(LSWI-EVI或LSWI-NDVI)突出水稻生育期內(nèi)水信號，設置適宜本地水稻生長條件的閾值來識別水稻[3，4]。上述方法表明了植被指數(shù)在水稻不同生長期內(nèi)的變化能夠明顯將水稻區(qū)別于其他作物[5，6]，但受天氣影響，在多云多雨的西南山地區(qū)，水稻識別在最佳物候期無法保證有高質(zhì)量成像，使得該地區(qū)光學遙感時間序列難以構(gòu)建，僅用光學遙感不能滿足高精度水稻識別[2，7-9]。

與光學遙感相比，微波遙感不受光照、云霧等天氣條件的影響，全天時、全天候檢測，并且有穿透云層反映地面目標的電磁和結(jié)構(gòu)特性的能力。多時相SAR數(shù)據(jù)受天氣影響較小，可以完整捕捉水稻生長期內(nèi)的物候信息，進一步提高水稻識別的精確性[10，11]。SAR數(shù)據(jù)在極端天氣地區(qū)的水稻識別中表現(xiàn)出極大潛力[12-15]，但大多水稻識別研究主要針對具有大面積且連續(xù)的水稻種植模式的平原地區(qū)，而在西南地區(qū)水稻種植大多在山地、丘陵地區(qū)，水稻種植地塊細小破碎且分布零散[16，17]，空間連續(xù)性不足，大尺度對象無法滿足內(nèi)部對象一致性，常伴有混合像元，導致水稻識別結(jié)果經(jīng)常出現(xiàn)錯分和漏分現(xiàn)象。Xu等構(gòu)建了一種通過NDVI、NDWI以及VH極化運算的水稻識別模型[18]，有效地將光學和SAR影像結(jié)合使用，但未能重點關注到西南地區(qū)因地形導致水稻種植離散度較高，物候期在不同海拔具有差異性[19]。因此，在西南山地區(qū)域開展地塊級水稻制圖方法研究具有重要的意義和價值。

綜上所述，本文利用水稻移栽時因蓄水造成地表粗糙度降低，SAR后向散射系數(shù)呈現(xiàn)下降再上升的“V”字趨勢將Sentinel-1VH時序的后向散射系數(shù)結(jié)合Sentinel-2的NDVI、NDWI時間序列計算出每個耕地地塊的水稻指數(shù)(SPRI)，在此基礎上加入高程數(shù)據(jù)作為約束條件，研究區(qū)內(nèi)耕地地塊按照水稻生育周期對應的高程劃分，分別劃分為0～400m水稻地塊及400m以上水稻地塊，根據(jù)樣本數(shù)據(jù)在不同高程分層下進行多閾值二進制分類。該方法針對我國西南地區(qū)地形復雜可以有效減少研究區(qū)內(nèi)因地形引起的水稻識別錯誤從而提高了分類精度。

1 研究區(qū)概況

1.1 研究區(qū)位置

雙河鎮(zhèn)隸屬于重慶市榮昌區(qū)南部，東西最大距離10.0km，南北最大距離9.5km，總面積88.6km2，見圖1。受亞熱帶季風氣候影響，全年平均氣溫17.9℃，年均降水1111.6mm，年平均日照時數(shù)1282h。雙河鎮(zhèn)地處川中南丘陵區(qū)，地形地貌以淺丘為主，地勢大致為北低南高，東高西低；地塊破碎分布零星，農(nóng)作物種植結(jié)構(gòu)復雜多樣。研究區(qū)受四川盆地和云貴高原氣候的相互影響，光熱同季，氣候溫和，雨量充沛，是水稻主要生長區(qū)。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)源及預處理

1.2.1 Sentinel-1/2數(shù)據(jù)及預處理

本文選用的Sentinel-1數(shù)據(jù)源是由阿拉斯加衛(wèi)星數(shù)據(jù)中心(https：//search.asf.alaska.edu/)提供的一級產(chǎn)品Sentinel-1 A GRDH地距多視影像，實驗選取VH極化方式，入射角為38.278°。影像時間覆蓋范圍為2022年1—9月、11月，共17期雷達數(shù)據(jù)。為了進一步配合SAR數(shù)據(jù)進行水稻制圖，本次實驗還通過GEE(Google Earth Engine)平臺獲取了雙河鎮(zhèn)哨兵二號Level-2A數(shù)據(jù)，其分辨率為10m，并在該平臺上通過對藍、綠、紅和近紅外波段計算得到了NDVI和NDWI 2個光譜指數(shù)。

Sentinel-1影像在SNAP軟件中預處理，主要包括6個步驟：軌道矯正，熱噪聲去除，輻射定標，地形矯正，噪聲去除，以及分貝化。

1.2.2 其他輔助數(shù)據(jù)

1.2.2.1 其他遙感數(shù)據(jù)

基于重慶市農(nóng)業(yè)產(chǎn)業(yè)數(shù)字化底圖項目支持，由其項目組提供GF-2衛(wèi)星遙感影像，其空間分辨率為0.8m。在GF-2衛(wèi)星遙感影像中可清晰獲取研究區(qū)道路、建筑、耕地、水域等地物邊界，為后續(xù)耕地地塊提取及樣本補充提供了精細的空間特征。

1.2.2.2 地塊數(shù)據(jù)

基于GF-2遙感影像的地塊提取，將耕地形態(tài)進行分區(qū)，分為邊緣和紋理特征；分別采用HED(Holistically-Nested Edge Detec-tion)模型和D-LinkNet模型對規(guī)則耕地區(qū)和坡耕地區(qū)進行地塊提取[20]，得到研究區(qū)耕地地塊分布信息。

1.2.2.3 地面調(diào)查數(shù)據(jù)

當?shù)厮咀魑镂锖蛐畔⒂芍貞c市農(nóng)委局提供作為參考，見表1，樣本數(shù)據(jù)采用2022年3月和6月開展的作物類型實地調(diào)研結(jié)果及根據(jù)GF-2、Google Earth影像配合土地利用數(shù)據(jù)進行的樣本擴充，共計獲取水稻樣本1123個。

表1 重慶市渝西地區(qū)水稻物候信息

1.2.2.4 高程數(shù)據(jù)

為引入高程數(shù)據(jù)作為研究區(qū)水稻分類的約束條件，本文選擇的DEM數(shù)據(jù)為修正后的ASTER GDEM V2，其空間分辨率為30m，全域高程起伏范圍介于266～597m，相對海拔較高區(qū)域多集中于南部。

2 研究方法

在探究地形對水稻物候期的影響和以耕地地塊作為最小識別單元來加強水稻指數(shù)對水稻生育期內(nèi)各特征的量化的研究分析基礎上，本文構(gòu)建了基于地形約束的地塊級水稻分層提取方法，其具體流程如圖2所示。

圖2 基于地形約束的水稻分層提取流程

本次實驗的研究方法主要包括4大部分。地塊級光譜時序構(gòu)建，將處理所得到的VH、NDVI、NDWI值賦到對應地塊上，得到地塊尺度的光譜特征；水稻指數(shù)計算，計算得到地塊級水稻指數(shù)(SPRI)，SPRI∈(0，1)，值越趨近于1，是水稻的可能性越大；高程分層約束，修正研究區(qū)矢量邊界保證邊界地塊完整性，配合當?shù)厮疚锖蛐畔?，帶入移?高程公式得到最佳高程分界值，以高程作為約束條件將研究區(qū)劃分再分別提取水稻；多閾值水稻分類及精度驗證，在不同高程內(nèi)設置不同分類閾值，在得到的結(jié)果中選取樣方進行精度驗證。

2.1 地塊級光譜時序構(gòu)建

在實現(xiàn)復雜地表條件下的精準農(nóng)業(yè)過程中，面臨的一大挑戰(zhàn)是大多數(shù)遙感影像分類與提取主要基于像素單元，這種方法往往忽略了同一地塊內(nèi)臨近像元之間的相關性。這導致了形態(tài)位置與實際耕地地塊的不完全對應，從而削弱了地塊內(nèi)同種作物的同質(zhì)性和地塊間不同作物的異質(zhì)性。針對這一問題，地塊級光譜時序構(gòu)建的方法顯得尤為重要。根據(jù)Sentinel-2/Sentinel-1多時相數(shù)據(jù)，本文以地塊為單位構(gòu)建NDVI、NDWI光學特征及VH后向散射系數(shù)曲線。

以地塊作為最小單元不僅可以整合光學影像所獲取的水稻空間特征，還能與SAR影像所捕捉的水稻地塊上的物候特征相結(jié)合[3]，更清晰直觀地反映水稻的位置和空間形態(tài)。SAR的VH極化方式曲線隨著水稻的生長周期呈現(xiàn)“V”字形變化，在水稻播種期和生長初期由于地塊以蓄水為主，導致后向散射系數(shù)的反射源來自水面而非植被，此時數(shù)值較低。隨著水稻進入生長期，植被體積和密度增加，此時后向散射系數(shù)逐漸增加。水稻進入抽穗期至成熟期時植株達到最大體積和最高水分含量，此時數(shù)值達到峰值，但隨著植株逐漸干燥，系數(shù)會略有下降。在收獲期，由于水稻被收割，制備大量減少，后向散射系數(shù)顯著下降。水稻的NDVI和NDWI有效反映了植被的覆蓋程度和水分含量，其變化趨勢如圖3所示，在播種和初生期，由于植被覆蓋度低，NDVI和NDWI值都相對較低。進入生長期，隨著植被的發(fā)展，這2個指數(shù)值逐漸升高。在抽穗至成熟期，NDVI值達到峰值，而NDWI值在這段時間內(nèi)保持較高或略有下降。在收獲期，隨著植被被收割，NDVI和NDWI值都顯著下降。同時，通過建立地塊級的時序特征，能夠加強同一高程下水稻地塊的同質(zhì)性，同時突出不同高程下水稻地塊間的異質(zhì)性。

圖3 水稻地塊后向散射系數(shù)曲線

圖4 水稻地塊光譜指數(shù)曲線

2.2 地塊水稻指數(shù)(SPRI)構(gòu)建

農(nóng)作物的光譜曲線具有明顯的周期性變化規(guī)律，后向散射強度對應的水-土-植被組成的時間變化是水稻識別的關鍵特征[18]。水稻在生長周期內(nèi)由土壤、水、植被組成的動態(tài)混合物，而SAR后向散射機制主要受土壤水分、植株蓋度的影響。在淹水期，由于水稻面積小，覆蓋稀疏，此時后向散射強度主要受地表水的影響，因此水稻移栽期的后向散射值遠低于未灌溉的其他植被或作物，水稻成熟期時后向散射強度與其他植被無顯著差異。本文以地塊為基礎構(gòu)建水稻指數(shù)，完整地捕捉不同高程內(nèi)水稻地塊上各指數(shù)完整的變化趨勢，有效消弱“同譜異物”與“同物異譜”帶來的分類錯誤。

SPRI是基于Sentinel-1 VH后向散射對不同土地覆蓋類型時間變化特征的分析，根據(jù)水稻的生長周期特征，圖5反映了在水稻的淹水階段后向散射值低且接近水的后向散射值；水稻生長階段的后向散射值逐漸升高且大于其他作物最高值接近植被的后向散射值。該趨勢表明，在水稻的淹水階段，其后向散射系數(shù)受蓄水影響較大，數(shù)值遠遠小于其他植被或作物，在成熟期時其后向散射系數(shù)與別的植被或作物又無明顯差異。因此，利用水稻后向散射系數(shù)在水-土壤-植被組成的時間變化可以有效區(qū)別其它作物。SPRI對這些特征進行了量化[18]，其計算方式：

圖5 水稻在生長周期內(nèi)Sentinel-1后向散射系數(shù)時序變化特征

SPRI=f(D)×f(W)×f(V)

(1)

式中，f(D)為擴大水稻和其他作物之間的差異，用sigmoid函數(shù)計算了后向散射范圍D=(P2-P1)和V線與W線的深度(v-w)之間的關系；f(W)用于計算p1和W線的接近程度；f(V)用于計算p2和V線的接近程度。f(D)、f(V)、f(W)的取值范圍均為0～1。

(2)

(3)

(4)

式中，v和w分別表示V線和W線的后向散射值；p1和p2分別是生長期間的局部最小和最大強度。D、v、w、p1、p2的單位為dB。

2.3 行政區(qū)劃與種植分區(qū)

我國水稻種植區(qū)非常廣闊，各地自然生態(tài)條件復雜多樣，社會經(jīng)濟條件各不相同，因此，水稻在不同區(qū)域的生長條件差異較大。行政區(qū)劃在大范圍上遵循了地域分異規(guī)律，按照人類活動特點和區(qū)域經(jīng)濟特點一定程度保證了不同行政區(qū)內(nèi)各自的特色種植制度，可以更好地因地制宜進行農(nóng)業(yè)生產(chǎn)布局。種植分區(qū)是在行政區(qū)劃的基礎上進一步參照地形、地勢、地貌等本底信息來劃分區(qū)域，縮小了各種植區(qū)內(nèi)部作物類型、種植物候差異。

對照任務區(qū)內(nèi)的省級、市級、區(qū)縣級和鄉(xiāng)鎮(zhèn)級的矢量邊界和高分2號影像來對鄉(xiāng)鎮(zhèn)邊界進行微調(diào)，保證在邊界耕地地塊的完整性。

水稻的種植分布同時受到自然條件和人為管理的共同約束，早在1983年龔高法等[22]就提出了一個地區(qū)作物發(fā)育期的早晚受到當?shù)貧夂颉⒅脖?、土壤、地形等條件的影響。由此可知，一個地方的大氣候條件制約于緯度、經(jīng)度和海拔高度的共同作用。在此基礎上王琛智等[19]研究得出，地形因素直接影響著水稻生長環(huán)境的溫度、光照時長的空間分布，其中在地形因素中高程對水稻生長的影響最為突出，并給出水稻移栽期計算公式：

y移栽=-0.023×x高程+36.835

(5)

式中，y移栽為水稻移栽日期的DOY數(shù)值；x高程為該區(qū)域的高程值，m。根據(jù)式(5)和重慶市農(nóng)技站提供的渝西地區(qū)水稻物候信息，見表1，得知雙河鎮(zhèn)不同種植區(qū)水稻移栽期前后時間差為10d，可計算得出400m的高程差是物候期的一個差異帶。因此，本文在鄉(xiāng)鎮(zhèn)的行政分區(qū)的基礎上進一步根據(jù)地形、地貌等自然特征進行二次分區(qū)，依據(jù)高程信息將研究區(qū)內(nèi)劃分為高程在0～400m的種植區(qū)及400m以上種植區(qū)，保證各種植區(qū)內(nèi)地理條件的趨同性。

2.4 多閾值分類

提取出的耕地地塊上均賦有土地利用類型、高程、水稻指數(shù)等屬性，根據(jù)研究區(qū)當?shù)厮痉N植物候條件得知，水稻在海拔為0～400m時，SOS1(水稻最早的返青或出苗期)為95DOY，SOS2(水稻最晚的返青或出苗期)為110DOY，EOS1(水稻最早衰老或收獲期)為263DOY，EOS2(水稻最晚衰老或收獲期)為268DOY；水稻在海拔為400m以上時，SOS1(水稻最早的返青或出苗期)為105DOY，SOS2(水稻最晚的返青或出苗期)為120DOY，EOS1(水稻最早衰老或收獲期)為263DOY，EOS2(水稻最晚衰老或收獲期)為268DOY。依據(jù)高程差產(chǎn)生的同種水稻物候差異結(jié)合式(6)，將研究區(qū)的地塊按照高程劃分為0～400m及400m以上2個子區(qū)域。

根據(jù)土地利用遷移數(shù)據(jù)，將類型為耕地的地塊篩選出來與實地采樣點數(shù)據(jù)和目視解譯結(jié)果取交，由于SPRI值表示地塊種植水稻的概率，因此，可以用一個適當?shù)拈撝祵⒚總€地塊劃分為是水稻地塊和非水稻地塊。對不同高程區(qū)域內(nèi)的SPRI設置閾值，根據(jù)水稻樣本數(shù)數(shù)據(jù)得到水稻在0～400m海拔的地區(qū)SPRI≥0.5031，在400m以上海拔的地區(qū)SPRI≥0.5483；依照對不同海拔的SPRI值進行多閾值水稻分類，將各部分水稻分類結(jié)果合并作為整個研究區(qū)的水稻分類結(jié)果。

3 結(jié)果與分析

3.1 耕地地塊提取結(jié)果及分析

利用高分2號遙感影像基于深度學習提取的雙河鎮(zhèn)耕地地塊共49977個，見圖6。雙河鎮(zhèn)的耕地地塊在空間分布上呈現(xiàn)平緩地區(qū)地塊集中且密集，海拔起伏較大地區(qū)地塊稀少。海拔400m及以上有8492個地塊，僅占總耕地地塊面積的17%；其余地塊均分布在0～400m海拔內(nèi)。海拔較低區(qū)域的耕地大多連續(xù)分布，地塊面積較大且形態(tài)較相似，而高海拔地區(qū)的地塊分布零星且細小破碎，二者在面積、形態(tài)上差別較大。從地塊提取的細節(jié)可以看出，見圖6，地塊邊界明顯，與實際地物符合度較高，內(nèi)部結(jié)構(gòu)相對統(tǒng)一，總體提取效果良好，以此為基準提取作物能夠有效改善邊界混合像元引起的錯分、漏分現(xiàn)象。

圖6 耕地地塊提取結(jié)果

3.2 水稻分層提取結(jié)果及分析

本文提取的重慶市榮昌區(qū)雙河鎮(zhèn)2022年水稻種植情況結(jié)果如圖7所示。雙河鎮(zhèn)水稻種植分布比較廣泛，但主要集中在海拔0～400m較平緩地區(qū)，水稻地塊共有34366個；隨著海拔的升高，水稻種植地塊數(shù)量逐漸減少，在海拔400m以上地區(qū)存在較少水稻地塊且分布比較零星，水稻地塊共有7401個。

圖7 雙河鎮(zhèn)水稻地塊空間分布

雙河鎮(zhèn)地勢高低起伏，山地和平原相互交錯，地形復雜多樣。全域地勢大致為南高北低，東高西低。從雙河鎮(zhèn)提取結(jié)果的水稻空間分布來看，海拔0～400m的區(qū)域內(nèi)，水稻占耕地的比重約為38.9%，是水稻的主要種植區(qū)域，該區(qū)域地形平坦、水資源豐富，地塊蓄水良好并能保持充足的濕度，是水稻灌溉、排水和施肥的理想地形；在海拔400m以上的區(qū)域，由于地形起伏較大，地塊蓄水困難，容易流失水分和肥力，加之海拔較高土地開墾困難，鮮有農(nóng)戶在此開展作業(yè)，因此海拔400m以上區(qū)域水稻種植分布零星且稀碎，水稻占耕地的比重約為2.0%。

3.3 提取精度驗證

本文將研究區(qū)按照最大范圍邊界分成了119個1000m×1000m的規(guī)則網(wǎng)格，并在研究范圍內(nèi)隨機選取了4個網(wǎng)格作為樣方展示水稻分類結(jié)果，見圖8，其中海拔在0～400m的有2個樣方，分別為1號樣方，見圖8a，2號樣方，見圖8b；海拔在400m以上的有2個樣方，分別為3號樣方，見圖8c，4號樣方，見圖8d。

圖9第2列展示了圖8a～d 4個樣方的SPRI值，高SPRI值(藍色)與GF-2影像中的淹水區(qū)域(圖9第1、3、5列的真彩色GF-2影像中的暗區(qū))相吻合，這些被淹沒的區(qū)域?qū)怂痉N植的淹水階段；低SPRI值(紅色)與其他植被覆蓋區(qū)域相符。

圖9 4個樣方的高分影像和SPRI特征圖

結(jié)合目視解譯和實地樣點的樣方內(nèi)11912個參考地塊作為驗證樣本，采用準確率(Accuracy)、精確率(Precision)和召回率(Recall)和F1_score對樣方內(nèi)的水稻制圖結(jié)果進行驗證，見表2。從精度驗證表可知，海拔在0～400m的F1_score達到92.1%，海拔在400m以上的F1_score達到90.8%，分類效果較好，見圖9。

表2 水稻提取精度驗證F1_score

本文以海拔分層為統(tǒng)計單元，由于2022年的統(tǒng)計數(shù)據(jù)存在滯后的情況，根據(jù)重慶農(nóng)委給出的2021年水稻種植面積統(tǒng)計數(shù)據(jù)和2023年1月重慶市榮昌區(qū)發(fā)展和改革委員會發(fā)布的2022年糧食作物增幅比重數(shù)據(jù)，計算得到2022年水稻種植面積統(tǒng)計數(shù)據(jù)大約為218km2，通過雙河鎮(zhèn)與榮昌區(qū)全域面積比計算得到雙河鎮(zhèn)2022年水稻種植面積統(tǒng)計數(shù)據(jù)大約為17.7km2。根據(jù)本文方法分區(qū)域提取結(jié)果為海拔在0～400m地區(qū)水稻種植面積為20.1km2，海拔在400m以上地區(qū)水稻種植面積為3.58km2，合計全域水稻種植面積為23.68km2。由于本文是在耕地地塊提取結(jié)果的基礎上進行的水稻指數(shù)計算和分類，尤其是在地形起伏多變的地區(qū)有較多細碎且分布零星的地塊不易被提取，導致水稻制圖面積和統(tǒng)計面積存在差異同時也要結(jié)合當?shù)胤N植模式的調(diào)整，榮昌區(qū)雙河鎮(zhèn)近年逐漸增加了“稻蝦供作”模式，稻田蓄水時間會久于普通稻田，這也會讓水稻提取結(jié)果與實際情況有出入。

4 結(jié)論與展望

為了驗證本文的分層級水稻分類方法的有效性，對比無高程約束條件下進行單閾值分類。通過對比高程約束下多閾值水稻分類方法和無約束單閾值水稻分類方的結(jié)果精度和分類效果來評估不同分類方法的優(yōu)缺點，采用樣方驗證和統(tǒng)計數(shù)據(jù)進行對比分析，基于實地采樣數(shù)據(jù)和目視解譯結(jié)果對2種方法在雙河鎮(zhèn)的制圖結(jié)果進行驗證。

由圖10對比可以看出，在高程約束下的水稻地塊提取細節(jié)上與驗證樣本更符合，無約束單閾值的錯提主要因為在實際種植中不能避免在>400m區(qū)域存在一些自然植被與<400m區(qū)域水稻有相同物候期，從而增加了錯提情況。因此，在不同高程下設置不同閾值進行水稻提取有效的針對物候期進行了劃分，更適合因高程變化所導致的水稻物候期差異明顯的西南地區(qū)，減少了水稻錯提的現(xiàn)象。

圖10 高程約束多閾值水稻地塊提取與無約束單閾值水稻地塊提取結(jié)果比較

無約束單閾值提取結(jié)果精度驗證表明，見表3，高程約束下多閾值分類精度和無條件約束單閾值分類精度F1_score最高分別為92.1%和89.2%，且各個樣方內(nèi)精度也是約束下多閾值分類精度高于無約束單閾值分類精度。

表3 高程約束下多閾值分類與無條件約束單閾值分類精度驗證對比

西南地區(qū)地形起伏多變導致不同海拔之間的水稻物候期產(chǎn)生差異，故無法在雙河鎮(zhèn)全域用同一個標準進行水稻分類。根據(jù)地理學第一定律空間相關性，即通常情況下兩地物之間的距離越近那么相關性越大，本文按照高程分層使得每層內(nèi)的自然條件的屬性具有相對一致性，在相同海拔內(nèi)水稻所受到的氣候條件相同，在生長過程中生長周期一致；根據(jù)地理學第二定律空間異質(zhì)性，即多個區(qū)域之間存在差異，在不同海拔間高海拔地區(qū)受小氣候影響較為嚴重導致同一作物在生長周期上與平原地區(qū)不同。因此，按照高程將研究區(qū)分層是將復雜問題解構(gòu)成簡單問題的過程，保證了每一區(qū)域內(nèi)的條件和影響因素具有相對一致性，減少了同物異譜的錯分和漏分情況，使得研究區(qū)水稻分類精度提高。

高程約束下多閾值分類整體而言，海拔在0～400m的分類精度要高于海拔在400m以上的分類精度，F(xiàn)1_score分別為92.1%和90.8%。這是由于在耕地地塊提取過程中平原地區(qū)耕地特點更規(guī)則且連片，而在山地地區(qū)種植條件有限，會出現(xiàn)分布零星且不規(guī)則的耕地地塊進而導致0～400m區(qū)域耕地提取精度高于400m以上區(qū)域。加之海拔0～400m地區(qū)的氣候相對一致和穩(wěn)定，而400m以上地區(qū)受局部小氣候影響，氣候條件相對不太穩(wěn)定致使雷達信號在接收時大氣損耗較大，后向散射系數(shù)變化趨勢較不穩(wěn)定，因此，在低海拔地區(qū)的水稻提取精度比較高海拔區(qū)域的提取精度要高。

本研究針對西南地區(qū)存在的地形復雜、地塊破碎的問題，引入高程作為研究區(qū)的約束條件對不同高程區(qū)域內(nèi)地塊進行多閾值水稻分類，通過對比無約束單閾值水稻分類結(jié)果，得到以下相應結(jié)論。

在地形復雜地區(qū)的分類中，“同物異譜”現(xiàn)象更加嚴重，引入高程約束條件，將復雜場景簡化，減弱了同一高程區(qū)域內(nèi)的差異性，從而減少了“同物異譜”導致的錯分漏分問題，提高了分類精度。

不同高程區(qū)域的水稻生長環(huán)境不同導致SPRI值存在差異，多閾值分類進一步強調(diào)了具體問題具體分析，根據(jù)不同海拔下后向散射系數(shù)的變化設置適合該區(qū)域內(nèi)的水稻閾值分類條件。

利用高程作為分層的約束條件雖然有效提高了研究區(qū)內(nèi)的水稻提取精度，但在實際情況中還有許多因子可以作為約束條件去考慮，如坡度、坡向以及水熱條件，在不同的實際影響情況下選擇不同的因子作為約束條件或幾個因子組合作為約束條件是本次研究未深入的地方，同時雷達的后向散射系數(shù)與這類因子之間的變化關系都是在后續(xù)學習中會持續(xù)深入探討的，進一步提高分層約束在西南地區(qū)的可實用性。