Sentinel-1A時序數據結合多源信息的早稻種植面積監測研究

曹慶安，冷 鵬

（1.江西省核工業地質調查院，江西 南昌 330038；2.江西核工業測繪院集團有限公司，江西 南昌 330038）

0 引言

水稻是我國種植面積最大、總產量最高的糧食作物，在糧食生產中具有舉足輕重的地位［1］。水稻的年播種面積占糧食作物總播種面積的1/3［2］，產區主要分布于長江中下游地區，耕作制度以一年兩季為主［3］。目前，由于國內外環境的復雜多變，我國不斷提高對糧食安全的重視程度，其中對于早稻播種面積的監測是預測全年糧食產量的重要環節之一，及時準確地監測早稻種植面積情況對全年糧食種植的宏觀政策預判與調控具有至關重要的意義。

近年來，低空與高空遙感技術的發展突飛猛進，但衛星遙感技術因其數據獲取范圍廣、時效性強、成本低等優勢，廣泛應用于農作物種植的監測［4-5］。目前，基于光學傳感器獲取的遙感數據已經難以滿足農作物監測的需求，特別是南方種植區的多云多雨天氣對光學遙感數據的獲取造成了較大干擾。合成孔徑雷達(Synthetic Aperture Radar，SAR)是一種有較強穿透性的高分辨率成像雷達，能夠在復雜氣象條件下進行全天候的對地監測，目前已廣泛應用于自然資源、農林種植等領域［6］。

基于雷達的農作物種植監測研究已經成為農業資源遙感領域的熱點方向［7］，其中，水稻田因其具備高濕度的基底面，與旱生作物及其他地表覆蓋類型具有較大的區分度，在特定物候周期內利用其后向散射系數的差異，可以實現較為準確的識別。然而，由于單時相數據的獲取存在穩定性不強和對比度不高等缺點，研究者們嘗試利用多時相、多極化的SAR數據提升識別精度［8］。目前，基于SAR的農作物識別方法大多是利用單一散射系數，但由于作物的下墊面散射與其生長周期存在較高的相關性，可能存在較大的誤差并導致最終識別的精度不理想。

本文選取早稻不同生長期內連續時序雙極化Sentinel-1A雷達數據，通過對比樣本點間不同極化方式(VV、VH)后向散射系數的變化特征，研究不同影像分類結果的精度，初步提取作物的種植圖斑。通過引入特定時間點的多光譜數據、坡度數據，對提取的作物圖斑進行多因素決策分析，以期提升早稻種植圖斑的識別精度，為早稻種植面積的監測提供快速、準確、便捷的方法。

1 材料與方法

1.1 研究區

高安市是江西省宜春市下轄縣級市，位于江西省中部偏西北，地理坐標介于115°00′~115°34′E、28°02′~28°38′N，屬長江中下游平原區，地形北高南低，為低丘崗地與河谷平原相間的地貌，屬亞熱帶季風氣候，年平均雨量1560 mm，降水期主要分布在4—7月份。高安市耕地面積約占全市土地總面積的30%，是江西省重要的水稻產區，種植制度以兩季為主，部分地區也種植單季稻。

1.2 數據選擇

1.2.1 SAR數據 本文使用的基礎雷達數據為2014年發射的Sentinel-1A衛星C波段的SAR數據［9］。該衛星的重訪周期為12 d，主要包括條帶(SM)、干涉寬幅(IW)、超寬幅(EW)和波(WM)模式4種數據。本文以干涉寬幅的雙極化(VH、VV)數據為基礎，時序范圍覆蓋了研究區早稻的整個生長周期。

1.2.2 地類樣本數據 為精確獲取研究區早稻的圖斑位置和播種情況等信息，于2021年3月下旬—7月底針對不同的土地利用類型采集了典型的地類樣本信息，包括早稻、蔬菜、林地、水面、建筑物以及其他地類等6類。此外，于2021年5月底—6月初通過無人機獲取高分辨率航空正射影像，對研究區內的典型地類樣本進行了二次篩選。最終確定了401個樣本集，其中早稻132個、非糧農作物60個、旋耕田71個、林地30個、水面16個、建筑物60個以及其他地類32個。為驗證像素分類的精度，采用分層隨機選取了70%的樣本作為訓練樣本，剩余30%的樣本用于分類驗證（表1），各類型樣本點見圖1。此外，2021年研究區的早稻物候期分別為：3月為播種期，4月為移栽（返青）期，5月為分蘗拔節期，6月為孕穗抽穗期，7月為灌漿成熟期，8月為收割期。

圖1 研究區樣本分布示意圖

表1 地類樣本統計情況

1.2.3 其他試驗數據 本文用于分類決策的數據還包括：研究區30 m分辨率的ALOS WORLD 3D DSM數據，該數據由JAXA構建并向公眾發布；多光譜數據，源自NASA與美國地質調查局（USGS）合作開發并發射的Landsat 8的星載OLI陸地成像儀，時序數據覆蓋了早稻播種、生長和收割期；2021年度研究區的國土調查現狀圖斑數據。

1.3 研究數據處理方法

1.3.1 SAR數據預處理 利用ENVI 5.6+SARscape軟件對研究區的15幅SAR影像數據（2021年3月5日—8月20日）進行軌道數據精處理、輻射定標、多視處理、地形矯正以及濾波處理，經上述步驟后得到了多時相VV和VH時序影像的雷達后向散射系數［10］。

1.3.2 影像分類處理 本研究選取了3種常用的遙感監督分類方法對時序雷達后向散射影像圖進行分類，并對分類結果進行精度評定，通過對比不同方法的總體精度與Kappa系數選取出最優的方法，最后對分類結果進行最小圖斑處理并形成了初步的作物耕種圖斑分布圖。

1.3.3 土地利用圖斑處理 本研究引入了最新的土地利用圖斑，其能夠反映研究區土地利用的類型，即實地地塊的種植適宜度（是否為耕地）以及耕種屬性（水田、旱地），可較為準確地提供適宜種植水稻的區域。因此，提取其中的水田圖斑范圍作為本次研究的早稻耕種本底數據能夠極大地提高種植范圍的提取精度。但土地利用現狀圖斑不能代表某一時刻的種植情況，還需要結合實地影像和其他參考資料進行綜合分析。

1.3.4 植被指數 植被指數常用于監測植被的變化情況和綠色植物的分布情況，其能夠有效反映研究區地表植被的生長狀況。其中，歸一化植被指數(NDVI)廣泛應用于檢測生物量、植被覆蓋度、葉面積指數等植物生長狀況指標［11-12］，計算公式為：

式（1）中：Nir為近紅外波段的反射值，R為紅光波段的反射值。

NDVI能夠直觀地反映地表覆蓋的量化特征。在早稻的生長期間，由于早稻的生長狀況具有高度的一致性，其植被指數也具有極高的相似性。因此，通過對比樣本點的NDVI差異，能夠有效區分出早稻與其他植被覆蓋樣本。本研究利用早稻生長期內的播種初期、生長旺盛期2期以及收割期4期的NDVI灰度圖，對相鄰2期作差，獲取了3幅NDVI差值灰度圖。由于NDVI的系數一般介于-1~1，其差值可能存在負值。為突出顯示NDVI的變化情況，需將作差后的結果統一歸正后求倒數，該過程的計算公式為：

式（2）~式（3）中：NDVIΔ為相鄰2期的植被指數的差值，NDVIi為第i期NDVI，NDVI′為植被指數差值歸正后的倒數。

1.3.5 坡度數據 研究區位于長江中下游平原，主要是無坡耕地，基本分布在平原和河谷等地形相對平緩的區域。根據“三調”的地形坡度分布情況，耕地的坡度基本在0°~25°。通過30 m分辨率DEM獲取研究區的坡度數據，計算公式為：

式（4）中，α為坡度，ΔH為高程差，D為水平距離。

1.4 分類方法

1.4.1 最小距離分類法 最小距離分類法是利用訓練樣本對象對分類地物進行特征分析，計算出不同樣本地類的均值和標準差向量［13］。一般是將待分類圖像的像元與樣本之間的均值向量的距離進行比較，數值最小的則歸入該類樣本。該分類方法中距離就是判別依據，距離越小說明距離該類別越近。距離的計算方法包括歐幾里得度量和折線距離［14］。其中歐幾里得度量的計算公式為：

式（5）中，N為波段數量，xi為第i個波段的像元值，Mij為第j類在第i個波段的均值。其分類的原則是將xi歸入到Dej值最小的類別。

折線距離是計算像元值在各個波段中與類均值的距離差值的絕對值之和［15］，計算公式為：

1.4.2 最大似然分類法 最大似然分類法又稱為貝葉斯分類法，其面向待分類影像的波段數據的多維正態分布構造分類函數，首先統計每種樣本地物的均值、方差和協方差等，然后將待分類像元代入構造好的分類函數中，計算其分類概率［16］，計算公式為：

式（7）中：Si為第i類的第n個波段的協方差矩陣，i為波段數量，μi為均值向量，x為隨機變量，P(Gi|x)為類別Gi對應x的概率。

1.4.3 SVM分類法 支持向量機(SVM)對小樣本集具有良好的支持性，被廣泛應用于遙感影像信息的分類提取［17］。SVM的原理是利用核函數將樣本數據升維后重新規劃，尋找最優懲罰因子和松弛變量。利用不同樣本數據間超維度平面間隔大小作為分類依據。核函數一般使用徑向基函數［18］，公式為：

式（8）中：K(xi,xj)是SVM的核函數，γ為松弛向量。

1.5 精度評價

影像分類結果的評價方法包含用戶精度和制圖精度［19］。精度評價存在一定程度的相對性，依賴于實際地類的結果驗證又具有較大難度［20］。本研究利用遙感影像與其他多因素相結合的方法獲取研究區的早稻種植圖斑，并應用樣本圖斑對分類結果進行精度驗證。

本文早稻種植圖斑的提取精度是以分類結果落入樣本地類的圖斑面積占比進行評價。由于樣本地類的面積大小不一致，其單個圖斑的分類精度勢必對總精度的影像存在差異，因此采用圖斑面積權重的精度作為精度評價結果，計算公式為：

式（9）~式（10）中：E為精度，S為分類面積的總精度，Skn為單個圖斑占總樣本面積權重，Si為第i個樣本圖斑賦權后的精度，n為樣本總數。

2 結果與分析

2.1 典型樣本的后向散射系數特征

相對于監測其他類型的植物，農作物的生長周期具有固定性和可控性的特點。在特定區域內，由于水稻種植的時間也相對固定，該區域內水稻的生長狀況也會具有高度一致性。因此，通過比較雷達數據的后向散射系數，可將早稻田與其他類型地物進行區分。

本研究的樣本訓練包括早稻、非糧農作物、旋耕田、林地、水面、建筑物以及其他地類等7個類別，按照早稻生長期的15個時相的VV和VH極化圖像進行統計分析（圖2）。由圖2可知，不同類型樣本在不同的極化圖像和時間段內的后向散射特性具有明顯的差異，VV極化下的散射系數比VH極化下的要高；在2種極化條件下，水體都呈現出最低的散射系數，而建筑物都呈現出最高的散射系數，但水體在VH極化條件下的散射系數最為穩定；林地、旋耕田以及其他非糧農作物的散射系數表現出穩定的波動性，且三者的趨勢具有較高一致性，旋耕田由于地表裸露且含有大量的水分，其散射系數明顯比其他典型地物低，且波動性小；VH和VV極化條件下的早稻樣本的散射系數均呈現出了較為明顯的波動性，如在4月下旬和7月下旬存在波谷，推測分別是處于播種期和收割期，5月中旬—7月上旬的散射系數呈現出明顯的上升趨勢，其反映出早稻處于生長的高峰期。從不同極化類型的地物分離度來看，VV極化不同地物散射系數區分度大，波動穩定性也相對較差，VH極化下不同地物間的散射系數差異較小，波動穩定性好。

圖2 不同極化條件下的典型地物后向散射系數

以VV、VH極化為基礎，根據早稻生長的不同周期，將波動的3個階段分別以紅、綠、藍3種顏色顯示，其中4月22日為紅色、7月15日為綠色，8月8日為藍色，形成了不同極化條件下的后向散射系數假彩色合成圖像（圖3）。

圖3 VH極化（a）、VV極化（b）條件下的雷達后向散射系數RGB合成圖

2.2 樣本可分離度評價

可分離度是衡量不同地物差異程度的量化指標，一般采用J-M距離(Jeffries-Matusita distance)對訓練樣本進行可分離性的定量評價［21］。J-M距離一般介于0~2.0之間，數值越大說明樣本之間的可分離度越高，一般來說大于等于1.8可以較好地區分不同的樣本。由表2可以看出，2種極化條件下的早稻樣本數據與其他樣本數據的分離度均超過了1.8，其中VH極化數據明顯比VV的分離度要高。在VH極化條件下，早稻樣本與非糧農作物的分離度相較于其他樣本稍低，這是由于該時段一些水生作物或高濕度下墊面作物與早稻有較為相似的雷達反射特征。此外，4—7月份是全年降雨集中期，過高的水濕條件也對分離度的影響較大。因此，樣本分離度不能將早稻與其他作物完全區分。

表2 不同極化條件下的時序數據樣本可分離度評價表

2.3 影像分類及結果

采用最小距離法、最大似然法和SVM分類法對研究區VH極化條件下的3個典型時相地物后向散射RGB合成圖進行分類（圖4），并計算了分類后的總體精度和Kappa系數。由表3可知，SVM分類法的總體精度較高，達到了87.43%，Kappa系數為0.8240。

圖4 VH極化條件下的分類結果圖

表3 不同分類方法的精度評價

2.4 多因素分析

雷達的后向散射對早稻的提取可能存在一定的誤差，本研究結合土地利用現狀圖斑、植被指數、地形坡度等多因素判定的方法對分類結果進行優化提取。

2.4.1 土地利用現狀圖斑 土地利用現狀圖斑是在經過實地調查的基礎上形成的土地利用基底數據，其反映了該地塊的土地利用類型，主要包括耕地、林地、園地、建設用地、未利用土地等，其中耕地繼續細分為水田和旱地。本研究根據“三調”數據提取研究區的水田圖斑（圖5）。

圖5 研究區土地利用現狀水田圖斑分布圖

2.4.2 植被指數差值 對早稻生長過程的4期Landsat TM影像分別提取平均NDVI，各個影像的具體時間分別為2021年4月9日、5月27日和7月19日和8月20日，分別代表早稻種植過程的移栽（播種）期、抽穗期、灌漿成熟期和收割期。由表4可知，早稻在生長期的葉面生長狀況存在明顯的差異，表現為移栽（播種）期最低，灌漿成熟期和抽穗期最高；從樣本平均NDVI差值來看，早稻圖斑具有明顯的波峰，并持續了2個監測時間點，直至8月20日才有明顯下降；非糧農作物、其他地類以及旋耕田的指數差值變化不明顯，且區分度不高；林地由于其植被生長特征，NDVI持續處于高值；建筑物、水面持續處于較低的水平。

表4 典型樣本的平均NDVI

經過分析，擬將分類的訓練樣本地類歸為：早稻、水面和建筑物、林地以及其他地類4類。為突出NDVI變化的情況，將依據4期影像的NDVI差值先正值化，然后分別求其倒數合成3幅灰度值圖，分別賦紅綠藍合成假彩色圖（圖6）。采用SVM分類法對樣本點進行分類，最終提取了早稻種植圖斑。經精度評價，整體分類精度達到了89.64%，Kappa系數為0.8710，具有較強的可信度。

圖6 NDVI差值時序影像合成圖（a）及分類結果圖（b）

2.4.3 坡度提取 通過DEM提取研究區坡度數據并對其進行分析。按照0°~5°、5°~15°、15°~25°、＞25°等4個級別進行分級。最終形成了坡度分類結果（圖7）。

圖7 研究區地形坡度圖

2.5 綜合分析結果

將后向散射系數灰度值分類結果圖、土地利用現狀圖斑、植被指數差值分類結果圖以及坡度提取結果圖進行疊加分析，最終形成了研究區早稻種植分布圖。根據圖斑統計結果可知，2021年研究區早稻種植總面積為341.27 hm2，其主要分布于城西河谷平原地區（圖8）。

圖8 研究區早稻種植圖斑分布

2.6 精度評價

對最終提取的研究區早稻種植圖斑與預留樣本的圖斑進行對比分析，精度評價將最終提取的早稻種植圖斑落入預留樣本圖斑內的面積占比作為單個樣本的分類精度，總體精度為所有預留樣本的總面積的占比為權重計算單個樣本賦權后精度進行匯總（表6~表7）。最終評定的分類面積精度為92.22%，賦權精度為94.76%。

表6 多因素決策的分類結果

表7 驗證樣本賦權分類結果

3 結論與討論

3.1 結論

本文以Sentinel-1A的雷達影像數據為基礎，對高安市的早稻種植面積進行了監測。以VH和VV極化方式對研究區早稻種植生長物候期的15期雷達影像進行了后向散射系數的分析，利用其變化情況組成時間序列影像。采用不同的分類方法對研究區的影像進行分類和評定，通過引入土地利用現狀圖斑、植被指數和坡度等多因素指標對分類結果進行優化，最終形成了早稻種植面積提取結果并進行了精度評價，得出以下結論：

（1）不同極化的雷達影像數據對不同地表覆蓋類型的后向散射系數具有一定的差異。其中水體具有持續的較低的后向散射特征，建筑物和裸地表等具有持續的較強的后向散射特征。水稻的后向散射特征與其生長期基本匹配，主要表現出生長初期較低、生長期明顯升高、收割期后顯著回落的特征。林地以及其他植被覆蓋具有較為穩定的后向散射系數。

（2）利用面向對象不同影像分類的結果發現，SVM的分類方法明顯優于最大似然法和最小距離法。但最小距離分類方法對后向散射持續較高的建筑物和裸地等分類精度較優，最大似然法對后向散射較為穩定的林地等喬本植物覆蓋分類精度較優。

（3）利用NDVI差值變化情況能夠較好地將水稻等植被指數變化較為明顯的農作物提取出來，本文提出了一種新的利用NDVI提取水稻圖斑的方法：利用NDVI差值序列影像組合波段數據，基于樣本地類對其進行SVM分類，最終提取的水稻種植圖斑精度達到89.64%，能夠較為準確地區分各個類型的地物。

（4）引入了土地利用現狀圖斑和地形坡度數據對提取結果進行優化，采用多因素分析的方式可以進一步提升水稻種植面積提取的精度。

3.2 討論

（1）雷達后向散射系數在對農作物的識別中易受到基底水熱條件的變化影響。一般來說，透水層反射的敏感度較大。本研究未能深入探討不同地表覆蓋在后向散射系數上的特征變化情況，這將是今后進一步研究的方向。

（2）旋耕田的雷達反射系數與早稻種植初期的和收割期后的水田反射特征具有較高的相似度。此外，其他水生作物（如茭白、蓮藕）等也會對早稻種植面積的提取造成一定的影響。雖然本研究為排除旋耕田和水生作物對分類結果的負面影響進行了一定的探索，但并未深入進行定量統計和實地驗證，今后需要在該方向上做更多的探索。

（3）基于landsat TM影像的植被指數雖然能夠反映不同植被的生長狀況，但其分辨率較低（30 m），采用更高分辨率的影像如Sentinel-2、GF-2等能夠提供更優的數據支撐。

（4）利用本方法對國產的GF-3衛星雷達影像進行早稻種植面積提取可以作為本方法的衍生研究。