基于多時相COSMO－SkyMed SAR數(shù)據(jù)對水稻信息提取方法的研究與應(yīng)用

杜燁，郭長青，文寧，葛春青，黃峰

（1.北京東方道邇信息技術(shù)股份有限公司，北京 100080；2.湖南省國土資源規(guī)劃院，長沙 410007）

1 引 言

水稻是我國主要的糧食作物之一，其產(chǎn)量居三大作物產(chǎn)量之首。目前，我國種植水稻區(qū)域主要分布在：東北的三江平原，主要種植一季稻；南方各省，以兩季稻和三季稻為主。水稻種植面積的監(jiān)測與統(tǒng)計，是各級政府進(jìn)行決策、生產(chǎn)部門指導(dǎo)農(nóng)業(yè)生產(chǎn)、流通領(lǐng)域安排糧食收購和銷售計劃的重要經(jīng)濟(jì)信息。因此，準(zhǔn)確科學(xué)地統(tǒng)計水稻種植面積，及時得到可靠的水稻生產(chǎn)信息具有重要的應(yīng)用價值。

對于我國長江中下游及南方地區(qū)的水稻主產(chǎn)區(qū)，每年5月～8月份的梅雨季節(jié)正值水稻生長期，氣候多雨水與云霧，因此較難獲取適合監(jiān)測水稻生長的光學(xué)影像。雷達(dá)遙感具有穿云透霧的能力，其獲取數(shù)據(jù)不受天氣條件影響。近年來，國內(nèi)外學(xué)者也致力于研究通過各種雷達(dá)數(shù)據(jù)源識別與監(jiān)測水稻生長以及種植面積的提取。邵蕓［1］利用多時相多極化Radarsat數(shù)據(jù)建立了水稻生長模型，研究表明，3個時相的數(shù)據(jù)以及多極化數(shù)據(jù)對水稻識別和提取可得到較高的精度。董彥芳［2］和凌飛龍［3］采用多時相ENVISAT ASAR數(shù)據(jù)，研究水稻不同生長階段后向散射值的變化特征，多時相SAR數(shù)據(jù)可較準(zhǔn)確地反演出水稻生長參數(shù)，并精確提取水稻種植面積。李章成［4］采用兩期雙極化雷達(dá)數(shù)據(jù)與影像分類的方法，對水稻種植面積進(jìn)行了精確提取。Clevers［5］將雷達(dá)影像與光學(xué)影像結(jié)合，對水稻生長進(jìn)行監(jiān)測。Le Toan［6］利用ERS－1數(shù)據(jù)對水稻進(jìn)行監(jiān)測并提取水稻參數(shù)，研究表明理論模型與實驗結(jié)果較一致，此方法對于Radarsat數(shù)據(jù)具有較高的通用性。黃曉軍［7］、唐鵬欽［8］和楊沈斌［9］對利用SAR數(shù)據(jù)識別和監(jiān)測水稻的研究進(jìn)行了探討，并對SAR數(shù)據(jù)的優(yōu)勢以及在水稻監(jiān)測中的應(yīng)用進(jìn)行總結(jié)。

本文將利用多時相COSMO－SkyMed雷達(dá)影像，以光學(xué)數(shù)據(jù)為輔助數(shù)據(jù)源，對湖南研究區(qū)的水稻信息進(jìn)行提取。

2 研究區(qū)域及數(shù)據(jù)介紹

2.1 研究區(qū)域介紹

湖南省水稻占全省糧食比重的90%，受地形地勢條件的限制，水稻種植主要分布在湖南省的東北平原區(qū)、中南部丘陵區(qū)，而西部山區(qū)分布較少。目前湖南水稻主要為早、中、晚三季稻且水稻品種較多，早稻育秧至晚稻收割，主要涉及每年3月～10月這段時期；不同品種的水稻，其生長期會有一定差異；且根據(jù)當(dāng)年當(dāng)?shù)氐臍夂蚯闆r（溫度、降水等），水稻的物候期也會有一定的浮動。一般情況下，早稻為5月上旬插秧，7月中旬收割，生長期為100天左右；中稻為6月中旬插秧，9月上旬收割，生長期為100天～110天；晚稻為7月中旬插秧，10月中旬收割，生長期為110天左右。

本篇文章的研究區(qū)域是湖南省北部洞庭湖平原區(qū)的南縣與安鄉(xiāng)縣的交界處，該區(qū)域為水稻的主要生產(chǎn)區(qū)，早、中、晚稻均有種植。

2.2 數(shù)據(jù)介紹

2.2.1 SAR數(shù)據(jù)集

COSMO－SkyMed雷達(dá)衛(wèi)星是由4顆X波段的雷達(dá)衛(wèi)星組成的星座，分辨率為3m。4顆衛(wèi)星以不同方式組合，可間隔1天、3天、4天和8天獲取干涉相對，這種高重訪周期對于特定地物的定期監(jiān)測與變化研究具有重要的意義。為了研究水稻生長過程在SAR數(shù)據(jù)后向散射值中的表現(xiàn)規(guī)律，以湖南南縣－安鄉(xiāng)地區(qū)為試驗區(qū)域，按照晚稻物候期，從晚稻灌水－插秧期開始到晚稻收割期（2012年7月24日～2012年11月13日），每隔8天～9天以干涉模式獲取一景COSMO－SkyMed HIMAGE雷達(dá)影像，共獲取13景影像，所獲取的影像分辨率均為3m，極化方式均為水平極化，入射角為30°～33°。

2.2.2 光學(xué)數(shù)據(jù)集

為了輔助SAR數(shù)據(jù)對于水稻生長過程后向散射值的分析研究，在同一地區(qū)查找到2012年同期5景HJ－1A，HJ－1B光學(xué)數(shù)據(jù)，形成光學(xué)數(shù)據(jù)集；數(shù)據(jù)的分辨率為30m，共有4個多光譜波段，分別為藍(lán)、綠、紅、近紅外波段。下載的數(shù)據(jù)為2級產(chǎn)品，該產(chǎn)品為經(jīng)輻射校正和系統(tǒng)幾何校正，并將校正后的圖像映射到指定的地圖投影坐標(biāo)下的產(chǎn)品數(shù)據(jù)。除2012年6月24日的數(shù)據(jù)，其余4景數(shù)據(jù)的采集時間與COSMO－SkyMed SAR數(shù)據(jù)集中4景水稻生長階段的數(shù)據(jù)采集時間基本對應(yīng)。

表1 研究數(shù)據(jù)時間序列表

2.2.3 輔助數(shù)據(jù)集

研究區(qū)域的水田柵格數(shù)據(jù)層（時相為2012年），數(shù)據(jù)處理時加入該數(shù)據(jù)層，可將關(guān)注區(qū)域縮小到最優(yōu)，減少處理數(shù)據(jù)量，提高數(shù)據(jù)處理效率。

3 主要方法

本研究的方法流程主要包括以下內(nèi)容，首先對各種數(shù)據(jù)進(jìn)行預(yù)處理，其中有正射校正與影像匹配；之后對SAR數(shù)據(jù)進(jìn)行彩色合成，選取樣本；對SAR數(shù)據(jù)計算后向散射值，對光學(xué)數(shù)據(jù)計算NDVI值，并分別提取樣本的平均后向散射值與平均NDVI值，組成樣本曲線；最后對樣本曲線進(jìn)行分析，并對水稻進(jìn)行識別與提取。具體流程如圖1所示。

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理，主要是針對SAR數(shù)據(jù)的正射校正處理，以及光學(xué)數(shù)據(jù)、輔助數(shù)據(jù)與SAR的相互匹配處理。

首先將COSMO－SkyMed SAR數(shù)據(jù)進(jìn)行互匹配并進(jìn)行正射校正，該過程在ENVI軟件的SAR Scape模塊中完成。選取一景SAR數(shù)據(jù)作為主影像，將其余的SAR數(shù)據(jù)匹配到該景數(shù)據(jù)中，使用DEM數(shù)據(jù)對SAR數(shù)據(jù)集進(jìn)行正射校正，形成3m分辨率的SAR數(shù)據(jù)正射校正成果。

以正射校正后的SAR數(shù)據(jù)作為主影像，將5景光學(xué)影像分別與SAR影像進(jìn)行互匹配，使其與SAR數(shù)據(jù)具有相同的空間位置與坐標(biāo)系統(tǒng)。

圖1 方法與流程圖

對于輔助數(shù)據(jù)的處理，同樣以SAR數(shù)據(jù)作為主影像，將該地區(qū)的水田柵格數(shù)據(jù)層與SAR數(shù)據(jù)進(jìn)行互匹配，使其與SAR數(shù)據(jù)以及光學(xué)數(shù)據(jù)具有相同的空間位置與坐標(biāo)系統(tǒng)。

3.2 多時相SAR數(shù)據(jù)彩色合成

為研究水稻以及其他作物在SAR數(shù)據(jù)中的表現(xiàn)特征，根據(jù)試驗區(qū)域晚稻物候期從13景SAR數(shù)據(jù)集中選取了3景影像，進(jìn)行RGB彩色合成，形成多時相的SAR假彩色合成影像。選取的3景影像采集時間以及色彩合成時賦予的通道分別為：7月24日（紅色通道），9月10日（綠色通道），10月4日（藍(lán)色通道），合成結(jié)果如圖2所示。

圖2 SAR數(shù)據(jù)彩色合成結(jié)果

3.3 樣本區(qū)選取

根據(jù)地物在多時相SAR彩色影像中表現(xiàn)出的色彩信息，結(jié)合水田柵格數(shù)據(jù)，發(fā)現(xiàn)彩色影像中對應(yīng)的水田或耕地區(qū)域主要可分為6種色系，并假設(shè)每種色系代表一種地物，對每個色系選取10個樣本多邊形，總共選取了60個樣本多邊形。6種色系分別為：藍(lán)色、粉紅色、亮藍(lán)色、紅色、綠色、雜色，如圖3所示。

圖3 從彩色合成后的SAR數(shù)據(jù)中選取樣本的顏色示意圖

3.4 SAR數(shù)據(jù)后向散射值計算

對于雷達(dá)而言，不同地物有不同的電磁波特性，地物的波譜特性主要表現(xiàn)為地物對雷達(dá)波束的不同散射特征。對于水稻而言，當(dāng)處于灌水插秧期時，由于水背景的影響，水田在雷達(dá)影像中的后向散射值較弱；隨著水稻的生長發(fā)育，其后向散射值逐漸增高，這種變化特征與其他地物具有較明顯的差異，因此依據(jù)水稻種植－生長期后向散射值的變化特征，對水稻種植面積進(jìn)行識別。

將SAR數(shù)據(jù)集分別進(jìn)行后向散射值的計算，形成13景后向散射值數(shù)據(jù)集。對每景數(shù)據(jù)中各樣本區(qū)的后向散射平均值進(jìn)行統(tǒng)計并提取，即每個樣本形成13個后向散射值平均值的時間序列。按照選取樣本時劃分的6個色系，將樣本的后向散射均值按照時間序列形成曲線圖（如圖4所示），分析其后向散射變化規(guī)律。其中，曲線的顏色對應(yīng)其各自樣本的顏色，如藍(lán)色曲線對應(yīng)藍(lán)色樣本后向散射值隨時間變化的情況。

3.5 光學(xué)數(shù)據(jù)NDVI計算

NDVI，即歸一化植被指數(shù)。該指數(shù)有助于植被覆蓋度的分析，可反應(yīng)出植被的生長狀態(tài)。其公式為：

圖4 SAR數(shù)據(jù)集中樣本后向散射平均值的時間序列圖

將5景環(huán)境衛(wèi)星數(shù)據(jù)分別進(jìn)行NDVI值的計算，形成NDVI值數(shù)據(jù)集。對每景數(shù)據(jù)中樣本的NDVI值平均值進(jìn)行統(tǒng)計并提取，即每個樣本形成5個NDVI平均值的時間序列。用上述同樣的方法，形成樣本的NDVI值時間序列曲線圖，分析其變化規(guī)律。其中，曲線的顏色對應(yīng)其各自樣本的顏色。

圖5 光學(xué)數(shù)據(jù)集中樣本NDVI平均值的時間序列圖

4 數(shù)據(jù)分析與水稻面積提取

4.1 曲線分析

結(jié)合水稻物候期信息、SAR后向散射曲線（圖4）與NDVI曲線（圖5）3種信息，可以看出：

（1）紅色和綠色樣本區(qū)在NDVI曲線中顯示出早稻后期與晚稻生長的變化規(guī)律；在SAR后向散射曲線中，主要的變化是在水稻成熟期之前。由于第一景SAR影像是7月下旬獲取的，正處于早稻收割后地塊整理與晚稻灌水插秧之前，此期間SAR后向散射值略高，8月上旬之后，已經(jīng)完成晚稻插秧，稻田里水體信息較多，后向散射值較低，而從8月下旬開始，水稻進(jìn)入開花期，SAR后向散射值不斷升高，推斷在SAR后向散射曲線中，紅色與綠色樣本屬于晚稻。

（2）藍(lán)色和品紅色樣本區(qū)在NDVI曲線中具有中稻生長的變化規(guī)律，對應(yīng)的SAR后向散射曲線在9月上旬之后具有明顯的升高，表現(xiàn)出水稻成熟后其后向散射值升高的特點(diǎn)；雖然黃色與藍(lán)色和品紅色樣本在NDVI曲線中具有相似的變化規(guī)律，但從SAR后向散射曲線來看，黃色曲線隨時間的變化無規(guī)律可言，其并不具有水稻生長的變化規(guī)律，推斷黃色樣本屬于其他作物。

（3）亮藍(lán)色曲線，無論在后向散射曲線還是在NDVI曲線中，均與藍(lán)色和品紅色曲線的變化具有一定的相似度，但在時間維度上不具有一致性，亮藍(lán)色曲線的變化較藍(lán)色與品紅色曲線變化提前15天左右。因此推斷，亮藍(lán)色為疑似早期中稻樣本。

圖6 后向散射曲線與判斷出的水稻種類關(guān)系圖

4.2 水稻面積提取

根據(jù)上述的分析結(jié)果，對彩色合成后的SAR影像進(jìn)行面向?qū)ο蟮姆诸悾罁?jù)曲線中不同種類水稻在各時間點(diǎn)后向散射值的差異性，將其進(jìn)行分類提取，該過程在eCognition軟件中完成，處理中使用了研究區(qū)域內(nèi)的水田柵格數(shù)據(jù)作為影像分割的輔助數(shù)據(jù)源，從而提高影像分割效率。水稻種植面積提取后的結(jié)果如圖7所示。

使用2012年9月10日采集的外業(yè)數(shù)據(jù)，對水稻面積提取結(jié)果進(jìn)行精度分析，外業(yè)一共采集了120個GPS點(diǎn)以及每個點(diǎn)位的照片和說明，包含了晚稻40個，中稻30個，疑似中稻30個，其他作物20個。通過誤差混淆矩陣分析（表2），分類總體精度為85.83%。

表2 誤差混淆矩陣

圖7 水稻種植面積分類結(jié)果圖

5 結(jié)束語

當(dāng)受天氣影響而無法及時得到有效的光學(xué)數(shù)據(jù)時，可以利用雷達(dá)數(shù)據(jù)對水稻進(jìn)行監(jiān)測與識別。本研究對13景SAR數(shù)據(jù)樣本區(qū)的后向散射值進(jìn)行了研究，根據(jù)光學(xué)影像NDVI值提供的輔助信息，掌握了水稻在雷達(dá)影像中后向散射值隨生長時間變化的規(guī)律；并且使用3期SAR數(shù)據(jù)進(jìn)行彩色合成，根據(jù)水稻在這3期SAR數(shù)據(jù)后向散射值的特點(diǎn)，結(jié)合面向?qū)ο蟮挠跋穹诸惣夹g(shù)對水稻種植面積進(jìn)行提取，獲得了較高精度的水稻信息提取結(jié)果。本實驗首次嘗試了使用多時相COSMO－SkyMed雷達(dá)數(shù)據(jù)進(jìn)行水稻識別，實驗表明，COSMO－SkyMed數(shù)據(jù)能夠為水稻種植面積提取提供可靠的數(shù)據(jù)源，而多時相數(shù)據(jù)（通?！?期）獲取的時間需根據(jù)當(dāng)?shù)厮旧L周期來決定。

［1］邵蕓，郭華東，范湘濤，等.水稻時域散射特征分析及其應(yīng)用研究［J］.遙感學(xué)報，2001，5（5）：340－345.

［2］董彥芳，孫國清，龐勇，等.基于ENVISAT ASAR數(shù)據(jù)的水稻監(jiān)測［J］.中國科學(xué) D輯，2005，35（7）：682－689.

［3］凌飛龍，汪小欽，史曉明，等.多時相SAR圖像水稻分布信息提取方法研究［J］.福建師范大學(xué)學(xué)報（自然科學(xué)版），2007，23（3）：15－19.

［4］李章成，李源洪，周華茂，等.基于ALOS＿PALSAR雙極化雷達(dá)影像遙感監(jiān)測水稻的研究——以德陽地區(qū)為例［J］.西南師范大學(xué)學(xué)報（自然科學(xué)版），2012，37（6）：62－67.

［5］CLEVERS J，VAN LEEUWEN H J C.Combined use of optical and microwave remote sensing data for crop growth monitoring［J］.Remote Sensing of Environment，1996，56（1）：42－51.

［6］LE TOAN T，RIBBES F，WANG L F，et al.Rice crop mapping and monitoring using ERS－1data based on experiment and modeling results［J］.Geoscience and Remote Sensing，IEEE Transactions on，1997，35（1）：41－56.

［7］黃曉軍，李秉柏.雷達(dá)遙感影像在水稻信息提取及估產(chǎn)方面的技術(shù)研究［J］.江蘇農(nóng)業(yè)科學(xué)，2009，（6）：432－435.

［8］唐鵬欽，姚艷敏，魏娜，等.合成孔徑雷達(dá)水稻識別和監(jiān)測研究進(jìn)展［J］.中國農(nóng)學(xué)通報，2009，25（14）：291－295.

［9］楊沈斌，趙小艷，謝曉金，等.星載雷達(dá)在多云多雨地區(qū)水稻遙感監(jiān)測中的應(yīng)用［J］.江蘇農(nóng)業(yè)科學(xué)，2009（3）：360－362.