基于面向對象的光學和Sentinel—1 SAR數據油菜種植空間分布信息提取方法研究

柴振剛 胡佩敏 熊勤學

（1 潛江市氣象局，潛江 433100；2 江漢平原生態氣象遙感監測技術協同創新中心，荊州 434020；3 荊州市氣象局，荊州 434020；4 長江大學農學院，荊州 434025）

0 引言

運用光學遙感衛星數據提取的作物種植空間分布是目前作物遙感監測最主要的手段，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）的數據資料。但因光學遙感衛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星數據的作物種植空間分布信息業務化提取，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數據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、單極化數據分類的準確度比多極化、多時相、多波段低[3-4]，如果在分類數據中加入光學遙感數據，其分類準確率會大大提高[5]。但不可否認，由于SAR數據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%。不能滿足現有對農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對象的分類方法[1]，即運用多景SAR數據提取一系列地物對象，通過計算每個地物對象的空間信息、紋理結構、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據，其分類精度有一個質的提高，同樣由于SAR相干性的問題，在SAR數據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星和雷達衛星的優點，提高作物種植空間分布信息提取的精度，是多云雨地區農業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后向散射系數隨時間變化的基礎上，運用同期光學影像數據進行地物對象提取，通過SAR地物對象的光譜、紋理信息數據，結合油菜SAR后向散射系數分類特征，實現高精度油菜種植空間分布信息SAR提取。

1 研究區概況和數據預處理

1.1 研究區概況

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、調查區的空間分布和結果驗證區地物空間分布圖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22塊，每塊面積都在4.2 hm2以上；為驗證結果的精度，在馬家寨鄉一塊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、居民區和樹林）邊界（圖1）。

1.2 數據的預處理

從中國資源衛星中心購買2016年2月27日資源三號衛星CCD數據多光譜和PAN波段數據各二景，多光譜數據在ENVI軟件中經過正射投影轉換后，再經過輻射訂標、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的四波段光譜數據；PAN波段數據經過正射投影轉換后，與多光譜數據運用Gram-Schmidt法進行數據融合[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據。

從歐空局的網站上下載2016年1—5月江陵境內Sentinel-1A衛星C波段干涉寬幅（Interferometric wide swath）模式（空間分辨率5 m×20 m）的SAR數據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品濾波，將每一景數據進行歸一化相關處理，處理公式為

式中，R(x,y)為第x行、第y列的后向散射系數，avg為圖像中所有后向散射系數的均值，而con為圖像中所有后向散射系數的方差，為確保圖像數據都為正數和以整數方式保存，將所有進行歸一化處理的數據加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的影響，有利于SAR數據的時序分析[10]。

1.3 分類結果驗證方法

將結果數據和驗證區數據運用GIS中的聚類分析生成只含0和1數字的柵格數據，0代表非油菜區、1代表油菜區，然后進行KAPPA系數計算，公式[11]如下

式中，n為柵格總像元，驗證區柵格數據中為1的像元數為a1，為0的像元數為a0，結果模擬數據中為1的像元數為b1，為0的像元數為b0，兩個柵格對應像元值相等的像元數為s。

KAPPA計算結果通常在 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據進行特征值提取，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，系統會將多光譜相近的相鄰像素歸為一個地物，作物種植區地物為一塊塊農田，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數據進行統計疊置統計分析，將每塊地物內的SAR數據取均值，并進行矢量轉柵格計算，得到消除了相干斑點噪聲、邊界清晰的SAR柵格數據，結合本文分析的油菜SAR數據特征，得到油菜分類規則，分類后得到江陵縣油菜種植區空間分布。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 結果與分析

3.1 不同極化的油菜Sentinel-1 SAR后向散射系數變化特征

由不同地物、不同時期兩種極化的SAR后向散射系數變化（圖3）可知，在整個生長期內油菜地VH極化的SAR后向散射系數明顯高于小麥田和冬歇田，其中4月份最為明顯，而VV極化數據這一特征不明顯，這與Weise等[13]和田海峰等[14]觀測到的結論一致，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極化后向散射系數處理值大于2.1、小于3.5，且2月27日NDVI指數大于0.3（過濾掉非種植區）條件的區域為油菜地。

3.2 結果驗證

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據（圖4a），與采用本文推薦的方法（用光學數據提取田間邊界，用SAR數據進行閾值提取的分類方法）計算得到的結果數據（圖4b），用式（2）進行KAPPA系數計算，得到KAPPA系數為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年荊州市統計年鑒》），結果相對準確；如果不用光學數據提取田間邊界，直接用SAR數據進行閾值分類，其結果與實際值進行計算，得到的KAPPA系數為0.68（圖4c）；而用3月5日、3月29日、4月22日三景SAR數據進行田間邊界提取，結合4月22日SAR數據進行閾值提取的分類方法得到的KAPPA系數為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，主要表示在結果圖中面積只有幾個像素大小的錯誤結果沒有了，田間內部的空白點也少了；二是農田邊界清晰。

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

運用光學數據提取田間邊界，用SAR數據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在油菜主要集中江陵縣西部，主要集中在馬家寨鄉、灘橋鎮和江北農場，與西部油菜、北部小麥的種植風格一致。

4 結果與討論

本研究利用資源三號衛星CCD融合數據，運用圖像切割融合技術，提取江陵縣田塊邊界作為分析對象，并將每個對象內的SAR后向散射系數均值作為對象屬性，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，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分類方法（直接用SAR數據進行閾值分類、運用其他時段SAR數據進行對象提取）有更高的分類精度，為多云雨地區農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極化后向散射系數明顯高于其他作物[13-14]的基礎上，對于其他作物的分類還有待進一步研究。運用光學數據提取田間邊界對數據獲取時間沒有嚴格要求，只要是作物生育期內便可，而SAR數據，因為雷達衛星不受云層的影響，能定期獲取，不會因為關鍵期遙感數據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，其分類精度較傳統分類方法的精度有一個質的提高，因此該方法可以投入業務化運行。

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