基于合成孔徑雷達(dá)的農(nóng)作物后向散射特性及紋理信息分析*——以吉林省農(nóng)安縣為例

王利花, 金輝虎, 王晨丞, 孫瑞悉

基于合成孔徑雷達(dá)的農(nóng)作物后向散射特性及紋理信息分析*——以吉林省農(nóng)安縣為例

王利花1, 金輝虎2**, 王晨丞1, 孫瑞悉1

(1. 成都信息工程大學(xué)資源環(huán)境學(xué)院 成都 610225; 2. 交通運(yùn)輸部天津水運(yùn)工程科學(xué)研究所 天津 300456)

及時掌握農(nóng)作物類型、時空分布和結(jié)構(gòu)信息, 是合理調(diào)整農(nóng)業(yè)結(jié)構(gòu)的重要科學(xué)依據(jù)。針對光學(xué)遙感依賴于太陽輻射, 在農(nóng)作物生長周期內(nèi)常受制于云霧的影響而無法獲取到光學(xué)遙感數(shù)據(jù)的問題, 本文采用全天時全天候、不受云霧等天氣影響的合成孔徑雷達(dá)(synthetic aperture radar, SAR)影像, 探討典型農(nóng)作物的后向散射特性和紋理特征, 為采用合成孔徑雷達(dá)影像實(shí)現(xiàn)高精度農(nóng)作物大面積監(jiān)測提供科學(xué)依據(jù)。以吉林省農(nóng)安縣為例, 利用12景Sentinel-1B雙極化SAR影像數(shù)據(jù), 經(jīng)影像預(yù)處理和統(tǒng)計分析, 研究不同極化的農(nóng)作物后向散射特性和紋理信息。結(jié)果表明: 3種作物(大豆、玉米、水稻1和水稻2)同極化(VV)的SAR后向散射系數(shù)在生長周期內(nèi)均高于交叉極化(VH), 農(nóng)作物植株形態(tài)改變極化方式的能力為-25~-15 dB。3種作物在整個生長期內(nèi), 后向散射系數(shù)呈現(xiàn)較大波動, 各階段后向散射特征差異明顯。在生長初期, 土壤對后向散射特征起主要作用, 在SAR圖像上表現(xiàn)為暗色調(diào); 隨著作物生長, 冠層散射疊加土壤散射作用占據(jù)主要位置, 散射值隨作物生長呈現(xiàn)逐漸增加的趨勢, 在SAR圖像上表現(xiàn)為亮色調(diào); 拔節(jié)(分枝)后(7月10日后)作物的后向散射信號除冠層散射作用外, 還主要受到土壤含水量及其與作物相互作用的影響, 因此拔節(jié)后兩種水稻后向散射系數(shù)下降幅度較大。水稻對雷達(dá)波的吸收強(qiáng)于玉米和大豆, 整體上后向散射系數(shù)第2種水稻<第1種水稻<玉米<大豆, 尤其在VH極化方式下表現(xiàn)更明顯。對作物SAR紋理信息的研究表明紋理信息的均值、方差和協(xié)同性對于農(nóng)作物的SAR識別更有效, 最佳紋理信息為VH極化均值, 有利于識別3種作物; VV極化方差和VV協(xié)同性有助于區(qū)分兩種水稻; SAR影像識別作物的最佳時相為5月23日至7月10日。

合成孔徑雷達(dá)(SAR); 農(nóng)作物; 后向散射特性; 紋理信息; 同極化; 交叉極化

農(nóng)業(yè)是我國國民經(jīng)濟(jì)的基礎(chǔ), 及時掌握農(nóng)作物類型、時空分布和結(jié)構(gòu)信息, 是合理調(diào)整農(nóng)業(yè)結(jié)構(gòu)的重要科學(xué)依據(jù)。傳統(tǒng)的地面抽樣調(diào)查方法費(fèi)時費(fèi)力, 且較容易出現(xiàn)錯報、漏報等問題, 及時準(zhǔn)確高效地獲取各類作物的面積及時空分布信息較為困難。航天技術(shù)尤其是衛(wèi)星遙感技術(shù)的發(fā)展為農(nóng)作物的識別、面積統(tǒng)計、長勢監(jiān)測、產(chǎn)量預(yù)報及災(zāi)害預(yù)測及評估等問題提供了一條快速而有效的途徑。自20世紀(jì)80年代以來, 國內(nèi)外眾多學(xué)者基于光學(xué)遙感數(shù)據(jù)對不同時空尺度下的多種農(nóng)作物種植及生長情況進(jìn)行了監(jiān)測[1-4]。目前主要使用光學(xué)遙感數(shù)據(jù)來監(jiān)測各地農(nóng)作物種植和生長狀況, 但我國大部分地區(qū)在農(nóng)作物生長時期內(nèi)常被云霧覆蓋, 實(shí)時獲取農(nóng)作物種植與生長情況十分困難。與光學(xué)遙感(可見光、紅外、熱紅外)相比, 合成孔徑雷達(dá)(synthetic aperture radar, SAR)不依賴陽光、能夠穿透云霧甚至土壤表層實(shí)現(xiàn)全天時全天候觀測地面, 提供不同于光學(xué)遙感以外的信息。Skriver[5]采用EMISAR機(jī)載雷達(dá)數(shù)據(jù)評估不同波段(C和L波段)和不同極化方式(HH極化、VV極化和交叉極化)組合用于農(nóng)作物分類精度的研究, 認(rèn)為多波段和多極化方式的組合有助于分類精度的提高。Blaes等[6]評估了C波段SAR影像不同極化和入射角用于玉米()監(jiān)測的可行性, 發(fā)現(xiàn)當(dāng)葉面積指數(shù)達(dá)4.6時, C波段單極化SAR對于玉米的生長監(jiān)測敏感。Skakun等[7]考慮到光學(xué)遙感受制于云雨的缺點(diǎn), 綜合采用光學(xué)Landsat-8/OLI和Radarsat-2 SAR影像評估SAR后向散射系數(shù)用于信息提取對精度提高的貢獻(xiàn), 研究發(fā)現(xiàn)單獨(dú)采用SAR影像后向散射系數(shù)用于小麥()和油菜()的區(qū)分和光學(xué)分類效果一樣, 采用光學(xué)并輔助SAR后向散射系數(shù)有助于更好地區(qū)分向日葵()、大豆()和玉米。

眾多研究人員開展了不同作物在不同入射角、不同極化方式下的雷達(dá)響應(yīng)特性分析, 包含散射強(qiáng)度和相位信息, 認(rèn)為雷達(dá)響應(yīng)特性可以更好地反映作物的形態(tài)、結(jié)構(gòu)和生長等信息, 為各種作物的監(jiān)測提供豐富的數(shù)據(jù)支持[8-14]。但多數(shù)研究都集中在不同農(nóng)作物SAR后向散射特性的研究上, 較少關(guān)注不同農(nóng)作物SAR紋理特征的分析, 紋理信息作為不同地物宏觀結(jié)構(gòu)和微觀結(jié)構(gòu)的綜合表現(xiàn), 是地物特征空間灰度信息在遙感影像中的空間變化表現(xiàn)形式, 是SAR影像上的重要信息, 可以用來描述地表的空間分布狀態(tài)和粗糙程度, 是判別地物的重要標(biāo)志[15]。紋理信息作為SAR影像進(jìn)行地物識別的重要特征, 可以一定程度上解決SAR影像中的“異物同譜”和“同物異譜”現(xiàn)象。因此, 本文利用Sentinel-1B衛(wèi)星的雙極化SAR數(shù)據(jù), 以吉林省農(nóng)安縣為例, 同時分析農(nóng)作物不同極化的后向散射特性和紋理特征, 為構(gòu)建基于SAR數(shù)據(jù)的典型農(nóng)作物分類體系提供基礎(chǔ)信息, 提高農(nóng)作物遙感識別精度, 解決農(nóng)作物遙感監(jiān)測易受天氣情況制約、“異物同譜”和“同物異譜”現(xiàn)象, 為全天候精細(xì)化農(nóng)作物遙感監(jiān)測提供參考。

1 研究區(qū)概況

農(nóng)安縣隸屬吉林省長春市, 位于松遼平原腹地(124°31′~125°45′E, 43°55′~44°55′N), 年均氣溫4.7 ℃, 無霜期145 d, 降水量507.7 mm, 有效積溫2 800 ℃。區(qū)域地勢平坦, 四季分明, 屬中溫帶大陸性氣候。全縣幅員5 400 km2, 其中耕地面積37.5萬hm2, 林地面積6.5萬hm2, 草原面積3.5萬hm2, 水域面積2.2萬hm2。地貌類型有高臺地、臺地、二級階地、一級階地、河漫灘、沙丘、洼地、沖溝等, 土壤以黑鈣土、草甸土和黑土為主。自然植被僅在局部殘留, 區(qū)域內(nèi)主要是較為均一的農(nóng)田景觀, 以玉米、大豆和水稻()為主[16]。

2 研究方法

2.1 SAR數(shù)據(jù)源及預(yù)處理

SAR影像采用Sentinel-1B衛(wèi)星數(shù)據(jù), 波段為C波段, 中心頻率為5.405 GHz, 其基本參數(shù)見表1。

以吉林省農(nóng)安縣為例, 每期覆蓋研究區(qū)域需2景Sentinel-1B衛(wèi)星SAR干涉寬幅模式(IW, interferometric wide swath)的地距(GRD, ground range detected)格式數(shù)據(jù), 針對農(nóng)作物4—9月的生長周期, 共計采用12景SAR影像(表2), 入射角為29°~46°, 每景影像都同時具有同極化(VV極化)和交叉極化(VH極化)兩種極化方式。

表1 Sentinel-1B合成孔徑雷達(dá)(SAR)傳感器參數(shù)

表2 用于農(nóng)作物后向散射特性及紋理信息分析的Sentinel-1B合成孔徑雷達(dá)(SAR)影像

2.2 SAR影像后向散射系數(shù)計算

SAR影像數(shù)據(jù)處理采用歐洲空間局開發(fā)的SNAP軟件, 主要預(yù)處理包括距離向多普勒地形校正、噪聲去除、裁剪鑲嵌和輻射定標(biāo)等。通過對SAR影像進(jìn)行輻射定標(biāo)可以獲取不同地物的雷達(dá)后向散射系數(shù), 具體輻射定標(biāo)的公式為:

2.3 SAR影像紋理特征提取

圖1 2017年8月15日吉林省農(nóng)安縣的Sentinel-1B合成孔徑雷達(dá)(SAR)影像

統(tǒng)計分析法的紋理特征提取, 能夠較好地描述紋理細(xì)節(jié)和隨機(jī)性, 適于地物分布復(fù)雜的SAR影像[20-21]。本文將4個方向的灰度共生矩陣的平均值作為圖像中心像元的灰度共生矩陣, 基準(zhǔn)窗口大小選擇5×5, 灰度量化級別選擇64, 提取8個紋理特征, 分別是均值、方差、對比度、相關(guān)性、相異性、協(xié)同性、信息熵和角二階矩。但這些描述紋理參數(shù)的不同特征之間存在著相關(guān)性, 多特征的聯(lián)合會帶來特征信息的冗余, 當(dāng)紋理特征的數(shù)量增加時, 分類的復(fù)雜性相應(yīng)增加, 但不一定帶來好的識別效果。因此, 通過主成分分析方法, 在保留最大信息量的前提下, 突出主要信息, 最終確定均值(MEAN)、方差(VAR)、協(xié)同性(HOM)和信息熵(ENT)4個紋理參數(shù)[具體計算見式(3)-(6)], 獲取典型農(nóng)作物SAR影像在生長周期內(nèi)的紋理特征。

3 結(jié)果與分析

3.1 典型農(nóng)作物后向散射特性分析

以2017年8月15日的Sentinel-1B SAR影像為例(圖1), 分析研究區(qū)內(nèi)大豆、玉米和兩種水稻類型(分別命名為水稻1和水稻2)不同極化下后向散射系數(shù)特性(圖2)。針對SAR影像VV極化的農(nóng)作物, 整體上后向散射值大豆>玉米>水稻1>水稻2, 大豆的后向散射信號表現(xiàn)為明顯的亮色調(diào)。而在VH極化的SAR影像上, 玉米的后向散射系數(shù)和大豆差別較小, 但都高于水稻的后向散射信號。不論在VV極化還是VH極化, 水稻與大豆、玉米相比, 都表現(xiàn)為低的后向散射信號值, 為暗色調(diào), 農(nóng)作物的后向散射信號主要取決于作物本身、土壤及其相互作用的共同影響, 但水稻需要經(jīng)常灌水, 土壤表面較平且含水量較大, 多發(fā)生鏡面反射, 導(dǎo)致弱的后向散射信號, 后向散射系數(shù)小。相比于VH極化的SAR影像, 農(nóng)作物在VV極化上表現(xiàn)更明顯的差異, 區(qū)分度更高, 對于農(nóng)作物的識別更有效。為了更詳細(xì)分析農(nóng)作物不同生長階段的SAR影像特征, 特進(jìn)行時間序列的農(nóng)作物后向散射特性分析。

葉是玉米重要的組成部分, 對SAR后向散射的貢獻(xiàn)較大, 考慮玉米內(nèi)部以及玉米和地表之間的多次散射, 玉米的后向散射信號主要包括玉米葉層的后向散射, 玉米和地表相互作用的后向散射以及玉米莖稈的直接后向散射, 在玉米生長的吐絲及成熟期還包括穗的后向散射。在玉米整個生長期內(nèi), 針對VV極化的SAR影像, 玉米后向散射系數(shù)分布在-15~-9 dB, 均值為-11 dB; VH交叉極化下, 玉米后向散射系數(shù)分布在-23~-15 dB, 均值為-19 dB, 說明農(nóng)作物植株形態(tài)改變極化方式的能力, 是體散射和多次散射造成的結(jié)果。

大豆主要由主干(莖)、葉(葉片及葉柄)、果實(shí)3部分組成, 大豆的后向散射機(jī)制主要考慮大豆的直接散射, 大豆和地面相互作用的后向散射以及大豆和地面相互作用的多次散射。和玉米后向散射特征一致, 在大豆整個生長周內(nèi), VV極化后向散射高于VH極化。和玉米相比, 不論是VV極化還是VH極化下, 大豆后向散射系數(shù)均略高于玉米后向散射系數(shù), 可能的原因是大豆植株分布密集程度高于玉米, 即大豆分布的粗糙度高于玉米, 因此大豆田在SAR影像中的色調(diào)比玉米田亮(圖2)。

水稻后向散射機(jī)制由于雷達(dá)回波路徑不同包括表面散射和體散射。鑒于水田含水量大, 雷達(dá)波在水稻生長期中的散射又可以詳細(xì)分為: 水稻植株表面的直接散射, 水稻與水體表面的散射, 水體表面與水稻的體散射, 以及水體與水稻間的多路徑散射。每次散射都會導(dǎo)致雷達(dá)波能量的大幅度衰減, 因此, 多路徑散射在水稻的散射機(jī)制中可以忽略不計。由于水體的吸收作用, 水稻的SAR后向散射值較小, 小于玉米和大豆的后向散射信號, 水稻田在SAR影像上的色調(diào)明顯暗于玉米田與大豆田。

上述作物后向散射特性分析表明(圖3): 1)3種作物的VV極化后向散射特性在生長期內(nèi)均高于VH極化, VH極化說明農(nóng)作物植株形態(tài)改變極化方式的能力, 為-25~-15 dB, 說明農(nóng)作物冠層形態(tài)特征對雷達(dá)后向散射影響的波動較小。2)在整個生長期內(nèi), 農(nóng)作物后向散射系數(shù)呈現(xiàn)較大的波動, 各階段后向散射特征層次明顯。3)大豆和玉米在生長初期, 土壤對后向散射特征起主要作用, 地表粗糙度相對較小, 因此后向散射信號較弱, 系數(shù)較小, 在SAR圖像上表現(xiàn)為暗色調(diào); 隨著大豆和玉米的生長, 作物葉密度和莖密度逐漸增加, 冠層散射疊加土壤散射作用逐漸代替單一土壤散射的主導(dǎo)作用占據(jù)主要位置, 散射值隨作物生長呈現(xiàn)逐漸增加的趨勢, 至7月份達(dá)到最大值, 之后作物步入成熟期, 后向散射系數(shù)基本保持穩(wěn)定至收割。4)兩種水稻拔節(jié)后的后向散射信號除冠層散射作用, 還主要受到土壤含水量及其與水稻相互作用的影響, 整體上后向散射信號小于玉米和大豆。

圖2 2017年8月15日農(nóng)安縣典型農(nóng)作物Sentinel-1B合成孔徑雷達(dá)(SAR)不同極化方式的后向散射系數(shù)

圖3 VV和VH極化方式下農(nóng)作物后向散射系數(shù)隨作物生長的變化規(guī)律

3.2 典型農(nóng)作物紋理特性分析

采用基于灰度共生矩陣的統(tǒng)計分析方法, 獲取3種農(nóng)作物不同極化SAR影像在生長周期內(nèi)的紋理特征, 包括均值、方差、協(xié)同性和信息熵, 結(jié)果如圖4。

均值: 3種農(nóng)作物不同極化方式下紋理均值隨時相變化差異明顯(圖4a)。VV極化下, 農(nóng)作物的紋理均值集中分布在20~25, 紋理的平均亮度較大; 而VH極化的均值相對較小, 分布在12~22, 紋理的平均亮度較小, 但波動較大。大豆和玉米不同極化的均值整體表現(xiàn)為先增加后穩(wěn)定(VV極化)或先增加后略有下降(VH極化)的趨勢。兩種水稻VV極化的均值在4月17日、5月23日、7月10日和8月15日4個時相上均呈現(xiàn)明顯的差異, 水稻1的均值遠(yuǎn)大于水稻2的均值, 差異在1.5~2.0, 說明水稻1在這4個時相上, 局部區(qū)域紋理的平均亮度較大, 水稻2相對較暗。兩種水稻VH極化的均值在5月23日、6月16日和8月15日3個時相上有明顯的差異, 水稻1的均值高于水稻2。綜上分析, 相對于VV極化的紋理均值, VH極化均值更有利于識別3種農(nóng)作物, 最佳識別時相應(yīng)為5月23日至7月10日。

方差: 大豆和玉米VV極化和VH極化的方差隨農(nóng)作物生長基本保持不變或有微小波動, 且大豆和玉米在相同極化方式下的方差差異很小, 最大差異僅為0.6, 出現(xiàn)在6月16日的VH極化方式下, 即播種至出葉階段, 說明大豆和玉米的紋理強(qiáng)度信息基本穩(wěn)定, 且不同極化之間無明顯差異(圖4b)。兩種水稻在VV極化的方差差異較大, 水稻2在整個生長期內(nèi)波動最大, 最大波動出現(xiàn)在5月23日至6月16日, 波動量為2.46; 水稻1波動最大出現(xiàn)在6月16日至7月10日, 波動量為1.90。大的方差變化說明水稻在VV極化圖像上紋理強(qiáng)度表現(xiàn)相對分散, 變化較大。VH極化的兩種水稻僅6月16日方差差異較大, 其他時間基本沒有變化, 整體趨勢上也較VV極化平穩(wěn), 說明水稻VH極化的圖像紋理強(qiáng)度表現(xiàn)相對集中, 變化較小。綜上, 方差有利于區(qū)分兩種不同類型的水稻, 有利于SAR對兩種水稻的識別, VV極化的識別效果更好, 最佳識別時相為5月23日至6月16日(圖4b)。

圖4 VV和VH極化方式下農(nóng)作物紋理信息隨作物生長變化規(guī)律

協(xié)同性:3種農(nóng)作物不同極化方式下紋理協(xié)同性隨時相變化差異明顯, VH極化的協(xié)同性均大于對應(yīng)農(nóng)作物VV極化的協(xié)同性, 說明VH極化的農(nóng)作物圖像紋理更均勻。大豆和玉米同極化和交叉極化的協(xié)同性隨農(nóng)作物生長無明顯變化, 整體上很平穩(wěn); 但兩種水稻呈現(xiàn)明顯的波動變化; VH極化方式下水稻1變化幅度最大, 出現(xiàn)在5月23日至7月10日, VV極化方式下水稻2變化幅度最大, 出現(xiàn)在5月23日至6月16日; 7月10日之后隨著農(nóng)作物逐漸成熟, 各種農(nóng)作物的協(xié)同性趨于穩(wěn)定。VV極化和VH極化的協(xié)同曲線, 大豆和玉米基本重合, SAR影像的識別難度較大; 相比于VH極化, 水稻1和水稻2在VV極化區(qū)分度更大, 有利于SAR影像的識別, 最佳識別時相應(yīng)為5月23日至6月16日(圖4c)。

信息熵: 3種農(nóng)作物不同極化方式下信息熵隨時相變化差異較小, 僅在VH極化上4月17日至5月23日有較大波動(圖4d)。VV極化的信息熵均大于對應(yīng)農(nóng)作物VH極化的信息熵, 說明VV極化的農(nóng)作物圖像紋理信息更豐富, 更復(fù)雜。大豆和玉米VV極化的信息熵在農(nóng)作物生長周期內(nèi)基本保持穩(wěn)定, 無明顯變化; 兩種水稻相對有明顯的起伏波動, 但整體平穩(wěn), 信息熵集中在2.70~2.90。VH極化下, 在4月17日作物剛播種還未出葉期, 信息量最低, 為1.90左右; 至5月23日, 3種作物均已出葉, 信息量迅速增高至2.70左右, 之后保持平穩(wěn)。信息熵的結(jié)果表明農(nóng)作物在5月23日出葉之后, 農(nóng)作物圖像紋理的信息量和復(fù)雜度基本達(dá)到飽和, 各種作物VH極化和VV極化的圖像信息熵紋理無顯著差別, 不利于SAR影像進(jìn)行地物識別。

紋理信息結(jié)果顯示, 3種農(nóng)作物在不同極化方式下, 信息熵隨農(nóng)作物生長變化存在較小波動, 主要受農(nóng)作物物候信息影響, 在作物剛播種還未出葉期, 信息熵較小, 隨著作物出葉, 信息熵值有所增長, 生長后期信息熵和復(fù)雜度基本達(dá)到飽和, 各種作物在VV極化和VH極化圖像上無明顯差別, 不利于SAR影像進(jìn)行農(nóng)作物的區(qū)分。3種農(nóng)作物不同極化方式下, 方差隨大豆和玉米生長基本保持不變或有微小波動, 不利于SAR影像的識別; 但兩種水稻在VV極化上方差差異較大, 水稻2在整個生長周期內(nèi)波動大而水稻1波動小, 說明方差有利于區(qū)分兩種不同類型的水稻, VV極化的識別效果更好, 最佳識別時相為5月23日至6月16日。針對協(xié)同性的紋理特征, VH極化的農(nóng)作物圖像紋理更均勻, 大豆和玉米協(xié)同性基本一致, SAR影像識別難度較大, 但水稻1和水稻2在VV極化上協(xié)同性差異較大, 最佳識別時相應(yīng)為5月23日至6月16日。相比信息熵、協(xié)同性和方差, 3種農(nóng)作物不同極化方式下紋理均值都隨時相變化差異明顯, VH極化方式下, 大豆均值高于玉米, 有利于SAR影像的識別; 兩種水稻VH極化均值在5月23日、6月16日和8月15日3個時相上有明顯的差異, 水稻1均值高于水稻2。綜上分析, VH極化均值更有利于識別3種農(nóng)作物, 最佳識別時相應(yīng)為5月23日至7月10日。

4 結(jié)論

以吉林省農(nóng)安縣農(nóng)作物生長期內(nèi)4—9月Sentinel-1B SAR干涉寬幅模式的雙極化數(shù)據(jù)為數(shù)據(jù)源, 經(jīng)SAR影像處理, 結(jié)合統(tǒng)計分析方法, 挖掘農(nóng)作物生長期內(nèi)SAR后向散射特性及紋理特征, 得到以下結(jié)論:

1)3種作物同極化(VV極化)后向散射特性在生長期內(nèi)均高于交叉極化(VH極化), 交叉極化說明農(nóng)作物植株形態(tài)改變極化方式的能力, 為-25~-15 dB。

2)作物在生長周期內(nèi)后向散射系數(shù)呈現(xiàn)較大的波動, 各階段后向散射特征差異明顯。在生長初期, 土壤對后向散射特征起主要作用, 地表粗糙度相對較小, 在SAR圖像上表現(xiàn)為暗色調(diào); 隨著作物生長, 作物葉密度和莖密度逐漸增加, 冠層散射疊加土壤散射作用占據(jù)主要位置, 散射值隨作物生長呈現(xiàn)逐漸增加的趨勢, 在SAR影像上表現(xiàn)為亮色調(diào); 拔節(jié)(分枝)后(7月10日后)作物的后向散射信號除冠層散射作用外, 還主要受到土壤含水量及其與作物相互作用的影響, 因此拔節(jié)后兩種水稻后向散射系數(shù)下降幅度較大。

3)水稻為水田作物, 在整個生長周期內(nèi)對雷達(dá)波的吸收高于旱地的玉米和大豆, 整體趨勢上后向散射系數(shù)第2種水稻<第1種水稻<玉米<大豆。此種后向散射特性在VV極化上表現(xiàn)更明顯, 利于SAR影像的農(nóng)作物識別。

4)紋理信息是SAR影像的重要特征, 就單一紋理信息而言, SAR影像的VH極化均值是識別3種農(nóng)作物的最佳紋理特征, 識別的最佳時相為5月23日至7月10日。

5)農(nóng)作物后向散射系數(shù)和紋理特征的詳細(xì)分析, 有助于選擇合適的SAR影像特征參數(shù)實(shí)現(xiàn)農(nóng)作物的高效高精度識別。

[1] 湯傳勇, 盧遠(yuǎn). 利用面向?qū)ο蟮姆诸惙椒ㄌ崛∷痉N植面積[J]. 遙感應(yīng)用, 2010, (1): 53–56 TANG C Y, LU Y. Research on extraction of rice planting area based on object-oriented classification method[J]. Remote Sensing Application, 2010, (1): 53–56

[2] 譚琨, 杜培軍. 基于支持向量機(jī)的高光譜遙感圖像分類[J]. 紅外與毫米波學(xué)報, 2008, 27(2): 123–128 TAN K, DU P J. Hyperspectral remote sensing image classification based on support vector machine[J]. Journal of Infrared and Millimeter Waves, 2008, 27(2): 123–128

[3] 范磊, 程永政, 王來剛, 等. 基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J]. 中國農(nóng)業(yè)資源與區(qū)劃, 2010, 31(6): 44–51 FAN L, CHENG Y Z, WANG L G, et al. Estimation of winter wheat planting area using object-oriented method based on multi-scale segmentation[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2010, 31(6): 44–51

[4] 王紅營, 潘學(xué)鵬, 羅建美, 等. 基于遙感的華北平原農(nóng)作物時空分布變化特征分析[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2015, 23(9): 1199–1209 WANG H Y, PAN X P, LUO J M, et al. Using remote sensing to analyze spatiotemporal variations in crop planting in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(9): 1199–1209

[5] SKRIVER H. Crop classification by multitemporal C- and L-band single- and dual-polarization and fully polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(6): 2138–2149

[6] BLAES X, DEFOURNY P, WEGMULLER U, et al. C-band polarimetric indexes for maize monitoring based on a validated radiative transfer model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(4): 791–800

[7] SKAKUN S, KUSSUL N, SHELESTOV A Y, et al. Efficiency assessment of multitemporal C-band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8): 3712–3719

[8] 王安琪, 周德民, 宮輝力. 基于雷達(dá)后向散射特性進(jìn)行濕地植被識別與分類的方法研究[J]. 遙感信息, 2012, 27(2): 15–19 WANG A Q, ZHOU D M, GONG H L. A research on method of wetland vegetation identification and classification based on radar backscatter characteristics[J]. Remote Sensing Information, 2012, 27(2): 15–19

[9] 高晗, 汪長城, 楊敏華, 等. 基于高分三號極化SAR數(shù)據(jù)的農(nóng)作物散射特性分析及分類[J]. 測繪工程, 2019, 28(3): 50–56 GAO H, WANG C C, YANG M H, et al. Scattering feature analysis and classification of crops based on GF-3 PolSAR data[J]. Surveying Engineering, 2019, 28(3): 50–56

[10] 賈明權(quán). 水稻微波散射特性研究及參數(shù)反演[D]. 西安: 電子科技大學(xué), 2013: 8 JIA M Q. Research on rice microwave scattering mechanism and parameter inversion[D]. Xi’an: University of Electronic Science and Technology, 2013: 8

[11] 曾旭婧, 邢艷秋, 單煒, 等. 基于Sentinel-1A與Landsat 8數(shù)據(jù)的北黑高速沿線地表土壤水分遙感反演方法研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2017, 25(1): 118–126

ZENG X J, XING Y Q, SHAN W, et al. Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Bei’an-Heihe expressway[J]. Chinese Journal of Eco-Agriculture, 2017, 25(1): 118–126

[12] MCNAIRN H, VAN DER SANDEN J, BROWN R J, et al. The potential of RADARSAT-2 for crop mapping and assessing crop condition[J]. Japanese Journal of Radiological Technology, 2000, 49(2): 69–72

[13] 王利花, 路鵬. “微波遙感”課程教學(xué)改革探索與實(shí)踐[J]. 測繪通報, 2018, (10): 140–143 WANG L H, LU P. Teaching reform exploration and practice in the course of microwave remote sensing[J]. Bulletin of Surveying and Mapping, 2018, (10): 140–143

[14] 王延霞, 史照良, 盛業(yè)華, 等. 水田SAR后向散射強(qiáng)度及干涉相干特性研究[J]. 測繪通報, 2015, (3): 37–39 WANG Y X, SHI Z L, SHENG Y H, et al. Study on SAR backscattering intensity and coherent interference characteristics of paddies[J]. Bulletin of Surveying and Mapping, 2015, (3): 37–39

[15] 張萍萍, 申雙和, 李秉柏, 等. 水稻極化散射特征分析及稻田分類方法研究[J]. 江蘇農(nóng)業(yè)科學(xué), 2006, (1): 148–152 ZHANG P P, SHEN S H, LI B B, et al. Studies on rice polarization backscatter signatures and rice mapping methodology[J]. Jiangsu Agricultural Science, 2006, (1): 148–152

[16] 何艷芬, 張柏, 馬超群. 松嫩平原土地景觀動態(tài)對旱災(zāi)的影響研究——以吉林省農(nóng)安縣為例[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2005, 23(1): 172–178 HE Y F, ZHANG B, MA C Q. Effects of landscape on draught occurrences in the Songnen Plain — A case study using Nong’an County as its subject[J]. Agricultural Research in the Arid Areas, 2005, 23(1): 172–178

[17] GONG L X, WANG C, WU F, et al. Earthquake-induced building damage detection with post-event sub-meter VHR TerraSAR-X staring spotlight imagery[J]. Remote Sensing, 2016, 8(11): 887

[18] HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610–621

[19] BARALDI A, PARMIGGIANI F. An investigation of the textural characteristics associated with gray level co-occurrence matrix statistical parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 33(2): 293–304

[20] GONG M G, LI Y, JIAO L C, et al. SAR change detection based on intensity and texture changes[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 123–135

[21] 周濤, 潘劍君, 韓濤, 等. 基于多時相合成孔徑雷達(dá)與光學(xué)影像的冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報, 2017, 33(10): 215–221ZHOU T, PAN J J, HAN T, et al. Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery[J]. Transactions of the CSEA, 2017, 33(10): 215–221

Backscattering characteristics and texture information analysis of typical crops based on synthetic aperture radar: A case study of Nong’an County, Jilin Province*

WANG Lihua1, JIN Huihu2**, WANG Chencheng1, SUN Ruixi1

(1. College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China; 2. Tianjin Research Institute for Water Transport Engineering, Ministry of Transport, Tianjin 300456, China)

Agriculture is the foundation of the national economy. Clarifying crop type, spatial and temporal distribution, and planting structure is an important scientific basis for the rational adjustment of agricultural framework. Optical remote sensing relies on solar radiation and is often subject to the influence of clouds. Therefore, optical remote sensing images cannot be obtained during cloudy weather. Synthetic aperture radar (SAR) images are not affected by cloud and fog and can provide all-day, all-weather data. Therefore, the backscatter characteristics and texture information of typical crops can be analyzed by using SAR images, which may improve accuracy of large area monitoring of crops in all weather conditions. In this study, Nong’an County in Jilin Province was taken as the study area, and 12 Sentinel-1B SAR images with dual-polarization were pre-processed. Then the SAR backscattering characteristics and texture information of typical crops with dual polarization were analyzed. The results showed that the co-polarization (VV) SAR backscattering coefficients of three crops (soybean, corn, rice 1 and rice 2) were higher than the cross-polarization (VH) coefficients during the growth period, and the ability of crop plants to change the polarization mode was about-25 to-15 dB. Over the whole growth seasons of crops, the backscattering coefficients showed large fluctuations. The backscattering characteristics of each growth stage were different. During the early growth stage of three crops, the soil played a major role in determining the backscattering characteristics, and the roughness of soil was small. Therefore, the three crops on the SAR images were dark in color. With the growth of the crops, the backscattering from crops was mainly due to canopy scattering and soil scattering. The backscatter coefficient value increased with crop growth, which meant that the color of the crops changed to a relatively bright shade on the SAR image. When crops reached the jointing stage or branching stage (after July 10), in addition to canopy scattering, their backscattering signal was strongly affected by the soil water content and its interaction with respective crops. The soil water content of rice was high. Therefore, the backscattering coefficient of rice considerably decreased after the jointing stage. The absorption of radar waves by rice was stronger than those of corn and soybean, which meant that the backscattering coefficient of rice was smaller than the coefficients for corn and soybean, especially in the VH polarization SAR images. The crop SAR texture information analysis showed that the mean, variance, and homogeneity could accurately identify crops on SAR images. The best texture information was the mean of VH polarization. The variance and homogeneity of VV polarization could also accurately identify the two kinds of rice. The best recognition phase for the crops on SAR images was from May 23 to July 10.

Synthetic aperture radar (SAR); Crops; Backscattering characteristics; Texture information; VV polarization; VH polarization

, E-mail: 1816091996@qq.com

Apr. 10, 2019;

May 27, 2019

P23

2096-6237(2019)09-1385-09

10.13930/j.cnki.cjea.190274

金輝虎, 主要從事環(huán)境保護(hù)和環(huán)境評價方面的研究。E-mail: 1816091996@qq.com 王利花, 主要從事微波遙感、資源與環(huán)境遙感等方面的研究。E-mail: wanglh@cuit.edu.cn

2019-04-10

2019-05-27

* This study was supported by the National Natural Science Foundation of China (41706196), Sichuan Science and Technology Program (2018JY0484) and the Natural Science Key Research Program of Education Department of Sichuan Province (18ZA0103).

* 國家自然科學(xué)基金項(xiàng)目(41706196)、四川省科技計劃項(xiàng)目(2018JY0484)和四川省教育廳自然科學(xué)重點(diǎn)項(xiàng)目(18ZA0103)資助

王利花, 金輝虎, 王晨丞, 孫瑞悉. 基于合成孔徑雷達(dá)的農(nóng)作物后向散射特性及紋理信息分析[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(中英文), 2019, 27(9): 1385-1393

WANG L H, JIN H H, WANG C C, SUN R X. Backscattering characteristics and texture information analysis of typical crops based on synthetic aperture radar: A case study of Nong’an County, Jilin Province[J]. Chinese Journal of Eco-Agriculture, 2019, 27(9): 1385-1393