基于哨兵SAR數(shù)據(jù)和多光譜數(shù)據(jù)的水稻識(shí)別研究

張征云,江文淵,張彥敏,羅 航 (.天津市生態(tài)環(huán)境科學(xué)研究院,天津 3009;.天津環(huán)科環(huán)境規(guī)劃科技發(fā)展有限公司,天津 3009)

水稻是國(guó)家實(shí)施糧食安全戰(zhàn)略的基礎(chǔ),我國(guó)糧食種植結(jié)構(gòu)中,水稻以25.76%的占比居第2。掌握水稻的種植面積動(dòng)態(tài)信息,可為監(jiān)測(cè)水稻的生產(chǎn)狀況、評(píng)估水稻產(chǎn)量、規(guī)劃糧食生產(chǎn)布局、合理調(diào)整農(nóng)業(yè)結(jié)構(gòu)等提供依據(jù)[1]。同時(shí),水稻的種植信息對(duì)于水資源的合理利用和監(jiān)測(cè)以及評(píng)估人類活動(dòng)對(duì)于大氣環(huán)境效應(yīng)的影響均有重要的意義。對(duì)于水稻提取的研究以使用光學(xué)遙感數(shù)據(jù)為主,由于部分地區(qū)在農(nóng)作物生長(zhǎng)時(shí)期內(nèi)常被云霧覆蓋,實(shí)時(shí)獲取農(nóng)作物種植與生長(zhǎng)情況困難,而合成孔徑雷達(dá)(synthetic aperture radar,SAR)與光學(xué)遙感相比,不依賴陽(yáng)光、能夠穿透云霧甚至土壤表層,實(shí)現(xiàn)全天時(shí)全天候觀測(cè)地面,提供不同于光學(xué)遙感的信息,在水稻研究領(lǐng)域得到大量應(yīng)用[2]。近年來(lái)國(guó)內(nèi)利用遙感技術(shù)獲取水稻等作物面積的相關(guān)研究較多,光學(xué)數(shù)據(jù)和SAR數(shù)據(jù)已成為作物種植信息獲取的重要途徑且方法趨于成熟[3]。

光學(xué)影像在近紅外與短波紅外波段對(duì)農(nóng)作物有較好的區(qū)分。李楊等[4]和張薇薇[5]基于多特征波段構(gòu)建決策樹分類提取水稻信息。由于光譜分辨率的限制易產(chǎn)生“同物異譜”和“異物同譜”現(xiàn)象,為提高作物識(shí)別的精度,時(shí)序光譜和指數(shù)影像被廣泛使用[6]。已有學(xué)者采用不同光學(xué)影像數(shù)據(jù)源,基于植被指數(shù)特征、波段組合特征等分類特征對(duì)水稻信息進(jìn)行識(shí)別提取[7-12]。水稻的后向散射系數(shù)隨時(shí)相的變化比其他作物明顯,這是利用SAR進(jìn)行水稻識(shí)別提取的主要機(jī)理[13]。SAR通過(guò)主動(dòng)發(fā)射微波脈沖,并接收目標(biāo)物體對(duì)微波信號(hào)的后向散射信號(hào),根據(jù)其強(qiáng)度差異進(jìn)行成像。SAR遙感技術(shù)在水稻信息識(shí)別中的應(yīng)用始于20世紀(jì)八十年代。LE TOAN等[14]通過(guò)分析X波段SAR影像中地物的后向散射特征提取水稻信息。隨著多極化、多入射角、更高分辨率以及全極化SAR的發(fā)展,已有學(xué)者基于SAR的交叉極化數(shù)據(jù),融合時(shí)序統(tǒng)計(jì)參數(shù)與時(shí)序曲線相似性特征,對(duì)國(guó)內(nèi)外不同水稻種植區(qū)進(jìn)行了識(shí)別提取[15-18]。雷達(dá)遙感影像與光學(xué)遙感影像信息的結(jié)合能夠更好地實(shí)現(xiàn)對(duì)水稻的識(shí)別和監(jiān)測(cè),也是目前的研究熱點(diǎn)[19]。栗云峰等[20]提出了一種融合多時(shí)相的GF-1號(hào)衛(wèi)星多光譜影像和Sentinel-1雷達(dá)影像的水稻田提取方法。

綜上所述,對(duì)水稻的識(shí)別與提取無(wú)論是基于SAR數(shù)據(jù)還是基于光學(xué)數(shù)據(jù)的研究都比較多,但對(duì)基于這2種數(shù)據(jù)源的水稻識(shí)別精度進(jìn)行對(duì)比的研究尚不多見,同時(shí)對(duì)華北單季稻稻作區(qū)的提取研究也較少。筆者以天津市為研究區(qū)域,基于Sentinel-1 SAR時(shí)序數(shù)據(jù)和Sentinel-2多光譜數(shù)據(jù)對(duì)華北單季稻稻作區(qū)天津市水稻種植區(qū)提取方法進(jìn)行研究,對(duì)比分析了基于SAR數(shù)據(jù)和多光譜數(shù)據(jù)在天津水稻分類提取上的效率和精度,提出最利于華北單季稻稻作區(qū)水稻識(shí)別的方法,并對(duì)天津市水稻種植區(qū)2016、2018、2021年的變化趨勢(shì)進(jìn)行分析。

1 研究區(qū)概況

天津處于海河流域下游,上游各河道水流入渤海,其中北系有薊運(yùn)河、潮白新河、北運(yùn)河和永定新河水系,西系有大清河和子牙河水系,南系有獨(dú)流減河和南四河水系,境內(nèi)河道溝渠縱橫交錯(cuò),洼淀較多,坑塘密布。天津歷史上種稻較早,水稻栽培與育種研究歷史久遠(yuǎn),在北方稻區(qū)有較大的知名度。在全國(guó)綜合農(nóng)業(yè)區(qū)劃中,天津?qū)偃A北單季稻稻作區(qū)華北北部平原中早熟亞區(qū)[21]。根據(jù)天津市第三次農(nóng)業(yè)普查數(shù)據(jù),天津市水稻種植集中分布在寶坻和寧河區(qū),除中心城區(qū)外在其他區(qū)均有零星種植[22]。

每年4月上旬至10月中旬是天津水稻生育期[23],生育期170～190 d。4月中旬播種、育秧(最早在3月末開始播種),5月上、中旬插秧(移栽),插秧前10～15 d灌水泡田,耙地找平。5月下旬至6月中上旬為水稻分蘗期,6月下旬至7月上旬為拔節(jié)期,7月中旬前后進(jìn)入孕穗、抽穗期(各約15 d),8月底前進(jìn)入齊穗期,10月進(jìn)入成熟期,10月底前收獲。

2 數(shù)據(jù)源與研究方法

2.1 數(shù)據(jù)源

SAR數(shù)據(jù)源為覆蓋天津市水稻產(chǎn)區(qū)的Sentinel-1 GRDH數(shù)據(jù),坐標(biāo)采用UTM/WGS84投影系統(tǒng)。下載時(shí)結(jié)合天津水稻的生長(zhǎng)時(shí)間,不同年份的4—11月每月下載2～3幅影像,涵蓋了研究區(qū)水稻生長(zhǎng)發(fā)育及收割后的整個(gè)時(shí)間過(guò)程,以便高精度地提取不同生長(zhǎng)階段的水稻信息。數(shù)據(jù)獲取模式為干涉寬幅模式(IW),產(chǎn)品類型為L(zhǎng)evel-1級(jí)地距影像(GRD)。時(shí)間分辨率12 d,空間分辨率5 m×20 m,幅寬250 km。

光學(xué)影像數(shù)據(jù)源為覆蓋天津市的Sentinel-2數(shù)據(jù),覆蓋全天津市需5景。Sentinel-2是全球環(huán)境與安全監(jiān)測(cè)的第2顆衛(wèi)星,衛(wèi)星攜帶多光譜成像儀(MSI),涵蓋了從可見光到短波紅外共13個(gè)波段,按照空間分辨率可將波段分為10、20和60 m,不同分辨率的波段可應(yīng)用于陸表監(jiān)測(cè)、植被監(jiān)測(cè)、地質(zhì)監(jiān)測(cè)、海洋監(jiān)測(cè)等不同領(lǐng)域。Sentinel-2衛(wèi)星幅寬達(dá)290 km,雙星重復(fù)訪問(wèn),時(shí)間分辨率為5 d。研究區(qū)2016和2018年的Sentinel-2影像數(shù)據(jù)為經(jīng)過(guò)正射校正和亞像元級(jí)幾何精校正后的L1C大氣表觀反射率產(chǎn)品,未進(jìn)行大氣校正。2021年光學(xué)影像數(shù)據(jù)為經(jīng)大氣校正后的L2A級(jí)產(chǎn)品。

研究所用的影像全部從歐洲航天局哥白尼開放數(shù)據(jù)訪問(wèn)中心(https:∥scihub.copernicus.eu/dhus/#/home)下載,數(shù)據(jù)源信息詳見表1。

表1 研究區(qū)數(shù)據(jù)源Table 1 Study area data source

2.2 數(shù)據(jù)預(yù)處理

Sentinel-1和Sentinel-2數(shù)據(jù)預(yù)處理均采用歐洲航天局為處理Sentinel系列衛(wèi)星數(shù)據(jù)而開發(fā)的配套軟件SNAP(Sentinels Application Platform)。

Sentinel-1 IW GRD級(jí)數(shù)據(jù)是由SLC級(jí)經(jīng)過(guò)多視處理、采用WGS84橢球投影至地距的聚焦數(shù)據(jù),共含4個(gè)波段,Amplitude_VH、Amplitude_VV波段表示VH/VV通道的振幅,Intensity_VH、Intensity_VV波段表示VH/VV通道的強(qiáng)度(振幅的平方)。數(shù)據(jù)依次經(jīng)熱噪聲去除、輻射定標(biāo)、相干斑濾波(Refined Lee濾波器)、地形校正等處理后得到線性比例單位的后向散射系數(shù)σ0。以VV通道為例,σ0值在0～1之間,平均后向散點(diǎn)值分別為0.07(VV)和0.02(VH),數(shù)據(jù)視覺對(duì)比度較低。為便于可視化及數(shù)據(jù)分析,將雷達(dá)后向散射系數(shù)進(jìn)行分貝化處理,公式為

(1)

式(1)中,P、P0分別為目標(biāo)量和參考量。對(duì)于后向散射系數(shù)σ0的分貝化,按式(2)執(zhí)行對(duì)數(shù)變換。變換后代表后向散射系數(shù)強(qiáng)度的分貝值大約在35～10 dB之間。

σ0,dB=10×lgσ0。

(2)

對(duì)Sentinel-2 L1C級(jí)多光譜數(shù)據(jù)進(jìn)行大氣校正后得到L2A級(jí)數(shù)據(jù)產(chǎn)品。將20 m分辨率處的6個(gè)波段使用最近鄰法重采樣到10 m分辨率,結(jié)合4個(gè)原始10 m分辨率的波段共得到10個(gè)10 m分辨率的波段,對(duì)5景影像進(jìn)行裁剪后拼接形成天津市全域10 m分辨率的多光譜影像。

2.3 分類方法

2.3.1閾值法

在多數(shù)情景下,SAR圖像中的目標(biāo)區(qū)域與背景區(qū)域之間的灰度值存在較大差異[25]。閾值法分類的原理是利用不同通道對(duì)各類地物的敏感度差異進(jìn)行單波段或多波段閾值的選定,從而將目標(biāo)地物提取出來(lái),調(diào)用一個(gè)或多個(gè)已提取地物的信息源,分層實(shí)現(xiàn)地物的再提取,最終完成影像分類。

2.3.2監(jiān)督分類法

監(jiān)督分類又稱訓(xùn)練分類,是指用被確認(rèn)類別的樣本像元去識(shí)別其他未知類別像元的過(guò)程。通過(guò)Google高精度影像目視判讀和野外調(diào)查,形成水稻、旱地、水體、林地、建設(shè)用地等用地類型的先驗(yàn)知識(shí),對(duì)每類用地分別選取不低于100個(gè)訓(xùn)練樣本,采用監(jiān)督分類中最常用的最大似然分類法和支持向量機(jī)法進(jìn)行分類提取。

2.4 分類精度驗(yàn)證

2.4.1樣本與驗(yàn)證數(shù)據(jù)

樣本質(zhì)量直接關(guān)系到分類信息提取的精度。研究樣本數(shù)據(jù)來(lái)自現(xiàn)場(chǎng)實(shí)地踏勘和依據(jù)高分辨率影像進(jìn)行目視解譯識(shí)別2種方式,選擇具有典型性、代表性的純凈像元作為樣本,選取水稻、旱地、水體、林地、建設(shè)用地各100處作為驗(yàn)證數(shù)據(jù),用于分類結(jié)果的精度驗(yàn)證。

2.4.2精度驗(yàn)證

采用混淆矩陣(confusion matri)定量評(píng)價(jià)同一位置的實(shí)際像素地類和分類結(jié)果地類是否一致。判斷指標(biāo)有Kappa系數(shù)、總精度、生產(chǎn)者精度(某類)和使用者精度(某類),數(shù)值越接近1,分類結(jié)果越準(zhǔn)確。其中Kappa系數(shù)和總精度是對(duì)分類結(jié)果的總體評(píng)價(jià),生產(chǎn)者精度和使用者精度則反映某特定類別的分類精度。生產(chǎn)者精度指通過(guò)分類法將整個(gè)影像的像元正確分為某類的像元數(shù)與該類真實(shí)參考總數(shù)的比值,該值用于比較分類方法的好壞。用戶精度是指正確分到某類的像元總數(shù)與通過(guò)分類法將整個(gè)影像的像元分為該類的像元總數(shù)比值,該值用來(lái)表示分類結(jié)果中各類別的可信度和可靠性。

3 結(jié)果與分析

3.1 后向散射特征分析

圖1為不同地物在VV、VH極化下的后向散射系數(shù)時(shí)序變化特征。由圖1可知,不同地物VH、VV極化的時(shí)序后向散射系數(shù)變化趨勢(shì)基本一致。由于水平返回到傳感器的垂直傳輸波的比例較小,VH波段的強(qiáng)度大多低于VV波段。在VV、VH極化通道下后向散射強(qiáng)度均表現(xiàn)為水體<水稻<旱地<林地<建筑物。

圖1 不同地物在VV、VH極化下的后向散射系數(shù)時(shí)序特征Fig.1 Time series characteristic curves of backscattering coefficient for different surface features under VV and VH polarization

水稻VH、VV極化的時(shí)序后向散射系數(shù)分別在-28.25～-14.09、-20.32～-6.63 dB之間,波動(dòng)幅度較大,波動(dòng)趨勢(shì)基本一致;建筑物VH、VV極化的時(shí)序后向散射系數(shù)在-6.38～-2.27、-0.24～3.05 dB之間波動(dòng),波動(dòng)幅度較小,兩者波動(dòng)趨勢(shì)類似,較為平穩(wěn);水體VH、VV極化的時(shí)序后向散射系數(shù)分別在-28.1～-24.96、-25.95～-16.25 dB之間波動(dòng),VV極化的時(shí)序后向散射系數(shù)波動(dòng)趨勢(shì)高于VH極化;林地VH、VV極化的時(shí)序后向散射系數(shù)分別在-16.87～-12.29、-10.80～-5.48 dB之間,波動(dòng)趨勢(shì)基本一致;旱地VH、VV極化的時(shí)序后向散射系數(shù)分別在-22.79～14.53、-15.04～-7.88 dB之間波動(dòng),波動(dòng)趨勢(shì)基本一致。綜上可以看出,相對(duì)其他地物而言,水稻的后向散射系數(shù)年內(nèi)變化幅度最大(波幅分別達(dá)13.9和14.0 dB),且有較為明顯的2個(gè)波峰和波谷對(duì)應(yīng)不同的生長(zhǎng)期。

水稻不同生育期的時(shí)序后向散射系數(shù)為識(shí)別水稻提供了必要的信息。VH通道下,水稻與其他地物的時(shí)序后向散射曲線明顯不同。在移栽期及生長(zhǎng)初期,水稻植株個(gè)體小,稻田的后向散射接近于水面,散射強(qiáng)度較低。隨著水稻的生長(zhǎng),后向散射以稻體散射和冠層面散射為主,后向散射系數(shù)不斷增大,在拔節(jié)期后期、孕穗期前期達(dá)到高值,隨后在抽穗期開始下降,在齊穗期降至低值,成熟期田中水全部排干,導(dǎo)致后向散射強(qiáng)度較高。利用這一特點(diǎn),選取不同生育期的SAR影像進(jìn)行合成,水稻與其他地物之間有明顯區(qū)別而易于提取。

針對(duì)水稻不同于其他地物的后向散射系數(shù)時(shí)序變化特征,結(jié)合水稻關(guān)鍵生育期,選取3個(gè)特征時(shí)間,VV極化選擇5月30日、6月23日、8月10日這3景影像進(jìn)行RGB假彩色合成,VH極化選擇5月30日、7月5日、8月10日這3景影像進(jìn)行RGB假彩色合成(圖2)。從視覺上突出水稻與其他地物的區(qū)別,進(jìn)而使用監(jiān)督分類方法來(lái)提取水稻面積。由圖2可以看出,VH極化下的合成效果更加均一穩(wěn)定,利于水稻的識(shí)別與提取。

綠色為水稻。圖2 SAR數(shù)據(jù)波段的假彩色合成影像Fig.2 False color synthesis of SAR data in different phases

3.2 光譜特征分析

對(duì)2021年水稻生長(zhǎng)各階段及收割后Sentinel-2不同波段組合的對(duì)比分析發(fā)現(xiàn),在水稻移栽期(5月30日)和成熟期(10月21日),稻田和周邊其他作物光譜特征有明顯區(qū)別,易于提取。以2021年影像為例,圖3反映了在移栽期和成熟期近紅外(B8)、短波紅外(B11、B12)和可見光紅光(B4)組合下,水稻光譜特征凸顯。在B11+B8+B4、B12+B8+B4和B11+B8+B4波段組合下,水稻與其他地物的分離度較高,均在1.98～2.00之間。

B2、B3、B4—可見光;B8—近紅外;B11、B12—短波紅外。圖3 Sentinel-2多光譜影像不同波段合成影像Fig.3 Sentinel-2 multispectral image synthesis of different bands

3.3 分類提取與精度驗(yàn)證

3.3.1分類提取

使用SAR和光學(xué)影像數(shù)據(jù)源所需波段及合成的影像,選取典型區(qū)(潮白新河以北寶坻區(qū)),采用閾值法、最大似然法、支持向量機(jī)法進(jìn)行水稻分類提取(圖4)。

圖4 基于不同數(shù)據(jù)源和不同分類方法的分類結(jié)果Fig.4 Classification results based on different data sources and different classification methods

閾值法基于SAR數(shù)據(jù)源提取水稻信息。根據(jù)不同波段下二值法中色帶量級(jí)確定水稻的像元散射系數(shù)范圍。提取規(guī)則設(shè)置為同時(shí)滿足VH通道下后向散射系數(shù)5月30日在-29.0～-21.0 dB區(qū)間,7月5日在-19.0～-13.5 dB區(qū)間,8月10日在-25.3～-16.2 dB之間,在ArcGIS軟件的柵格計(jì)算器中運(yùn)用con函數(shù)獲取滿足條件的水稻種植范圍。

采用最大似然法和支持向量機(jī)法對(duì)2021年基于SA300R時(shí)序數(shù)據(jù)的影像、移栽期(5月30日)Sentinel-2影像、成熟期(10月21日)Sentinel-2影像進(jìn)行分類。該研究所選取的合成影像均為水稻與其他地物的不同波段組合,水稻與其他地物區(qū)分度高(分離度均在1.98～2.00之間),易于識(shí)別提取。

3.3.2精度驗(yàn)證評(píng)價(jià)

使用混淆矩陣對(duì)分類精度進(jìn)行評(píng)估。閾值法只針對(duì)水稻信息的提取,因此僅從生產(chǎn)者精度和用戶精度進(jìn)行分析評(píng)估?；跁r(shí)序SAR數(shù)據(jù)、移栽期光學(xué)影像(B12+B8+B4)和成熟期光學(xué)影像(B12+B8+B4)的最大似然法和支持向量機(jī)法分類精度,則采用總分類精度、Kappa系數(shù)、各類地物生產(chǎn)者精度和用戶精度4個(gè)指標(biāo)進(jìn)行分析評(píng)估(表2)。由于水稻明顯有別于其他地物的時(shí)序SAR后向散射特征和光譜特征,無(wú)論是基于SAR數(shù)據(jù)還是光學(xué)遙感數(shù)據(jù),3種分類法對(duì)水稻信息提取的生產(chǎn)者精度和用戶精度均在90%以上。最大似然法分類結(jié)果的總體精度和Kappa系數(shù)優(yōu)于支持向量機(jī)法,在水稻信息提取精度上,支持向量機(jī)法優(yōu)于最大似然法。采用支持向量機(jī)法對(duì)水稻成熟期B12+B8+B4波段組合光學(xué)遙感數(shù)據(jù)進(jìn)行分類提取效果最佳,水稻生產(chǎn)者精度為99.61%,用戶精度為99.40%。

表2 分類精度驗(yàn)證Table 2 Classification accuracy verification

3.4 研究結(jié)果

根據(jù)以上分析,基于水稻成熟期的Sentinel-2多光譜光學(xué)影像B12+B8+B4波段組合影像,采用支持向量機(jī)法提取水稻種植區(qū)范圍,并結(jié)合移栽期光學(xué)影像和SAR數(shù)據(jù)對(duì)水稻信息提取結(jié)果進(jìn)行目視修正,水稻種植范圍識(shí)別度接近100%。結(jié)果顯示,天津水稻分布范圍最北至青甸洼,最南至獨(dú)流減河,獨(dú)流減河以南僅在靜海團(tuán)泊洼東南有少量分布。天津水稻種植集中分布在潮白新河和薊運(yùn)河間的寶坻和寧河兩區(qū),兩區(qū)在2016、2018和2021年的水稻種植面積分別占天津水稻種植面積的90.53%、86.32%和83.76%(表3、圖5)。天津水稻種植面積從2016年的399.04 km2增長(zhǎng)至2021年的764.55 km2,增加91.60%,符合天津市實(shí)際情況。水稻種植面積大幅度增加,得益于水資源環(huán)境持續(xù)改善,更重要的是天津市小站稻產(chǎn)業(yè)振興政策的支持,地方種植水稻的積極性很高。

表3 2016—2021年天津市分區(qū)水稻種植情況Table 3 Rice planting in Tianjin from 2016 to 2021

4 討論與結(jié)論

4.1 討論

目前國(guó)內(nèi)采用遙感手段識(shí)別水稻種植范圍的研究較多,但對(duì)華北單季稻稻作區(qū)信息的提取以及對(duì)比基于哨兵SAR數(shù)據(jù)和光學(xué)數(shù)據(jù)的水稻識(shí)別精度的研究尚少。該研究以天津?yàn)檠芯糠秶?基于Sentinel SAR數(shù)據(jù)和光學(xué)數(shù)據(jù)分別提出一種水稻信息提取方法。對(duì)比分析后提出,基于水稻成熟期的Sentinel-2 B12+B8+B4波段組合,采用支持向量機(jī)法提取水稻信息是一種適用于華北單季稻識(shí)別的方法。

該方法分類總體精度為90.18%,Kappa系數(shù)為0.86,水稻生產(chǎn)者精度為99.61%,用戶精度為99.40%,水稻提取精度高?，F(xiàn)有基于多光譜數(shù)據(jù)提取水稻信息的方法多綜合利用各類光譜特征、紋理特征、指數(shù)特征等,筆者提出的方法主要是基于水稻特定時(shí)期特定光譜波段組合特征來(lái)提取,提取方法所需數(shù)據(jù)量少且提取精度較好。

基于Sentinel-2光學(xué)遙感影像可以快速識(shí)別水稻,但是由于水稻種植時(shí)間不同會(huì)有所差異,僅依據(jù)基于生長(zhǎng)期內(nèi)某個(gè)時(shí)間點(diǎn)拍攝的遙感影像進(jìn)行水稻信息提取會(huì)存在一些漏提現(xiàn)象。對(duì)遙感影像分析發(fā)現(xiàn),部分水稻田種植時(shí)間較晚,在5月底尚未灌水移栽,在影像上表現(xiàn)為旱地或裸地,但在10月的收獲季影像及實(shí)地調(diào)查中顯示為水稻田,另有稻田早于區(qū)域成熟期進(jìn)行了收割。這種情況涉及水稻面積小而分散,可將移栽期和成熟期兩期影像結(jié)合起來(lái),適度進(jìn)行查漏補(bǔ)缺的人工干預(yù),可使結(jié)果更加精確。

Sentinel-2光學(xué)影像數(shù)據(jù)具有來(lái)源免費(fèi)、時(shí)間和空間分辨率高(5 d、10 m)、處理簡(jiǎn)易的特點(diǎn),可以作為華北單季稻作區(qū)水稻種植面積監(jiān)測(cè)的優(yōu)選數(shù)據(jù)源。在北方地區(qū),水稻移栽、分蘗期(4—5月)和成熟期(10月)獲取低云量或無(wú)云量多光譜數(shù)據(jù)概率較高,基本可滿足水稻種植區(qū)識(shí)別需求。SAR在水稻識(shí)別方面不受天氣條件影響,在光學(xué)影像因云量太高而無(wú)法使用的情況下,可作為補(bǔ)充數(shù)據(jù),使水稻的監(jiān)測(cè)手段更加完善。筆者提出的方法在技術(shù)上相對(duì)簡(jiǎn)單易行、提取精度高,可為提高我國(guó)北方單季稻作區(qū)水稻監(jiān)測(cè)精度與效率提供參考。

4.2 結(jié)論

(1)該研究提出一種基于Sentinel SAR的華北單季稻作區(qū)的水稻識(shí)別方法。時(shí)序后向散射系數(shù)變化特征是水稻識(shí)別與提取的關(guān)鍵所在。與其他地物不同,水稻在移栽期、拔節(jié)期、抽穗期的時(shí)序后向散射系數(shù)曲線形成一個(gè)顯著波峰,組合移栽期、拔節(jié)期、抽穗期3個(gè)時(shí)期的SAR波段可識(shí)別水稻。采用閾值法、最大似然法和支持向量機(jī)法對(duì)水稻信息進(jìn)行提取,其中支持向量機(jī)法較優(yōu),水稻生產(chǎn)者精度和用戶精度分別為97.95%和92.92%。

(2)該研究還提出了一種基于Sentinel光學(xué)數(shù)據(jù)的華北單季稻作區(qū)水稻識(shí)別方法。在水稻移栽期和成熟期,Sentinel-2近紅外(B8)、短波紅外(B11、B12)和可見光紅光(B4)等波段組合易識(shí)別水稻。分析結(jié)果顯示,成熟期B12+B8+B4波段組合影像分類效果更佳,在總體分類精度上最大似然法優(yōu)于支持向量機(jī)法,在水稻提取精度上支持向量機(jī)法優(yōu)于最大似然法,水稻生產(chǎn)者精度和用戶精度分別為99.61%和99.40%。最大似然法分類總體精度達(dá)93.93%,Kappa系數(shù)為0.92,分類效果好,推薦可用于土地覆蓋類型解譯。

(3)基于水稻成熟期的Sentinel-2 B12+B8+B4波段組合,采用支持向量機(jī)法進(jìn)行分類提取水稻是一種適用于研究區(qū)水稻識(shí)別的推薦方法,基于SAR數(shù)據(jù)的方法可作為補(bǔ)充方案。利用推薦方法計(jì)算出研究區(qū)2016、2018和2021年水稻種植面積分別為399.04、586.67和764.55 km2,5 a增加365.51 km2,符合天津市實(shí)際情況。該方法在技術(shù)上簡(jiǎn)單易行,可為提高我國(guó)北方稻作區(qū)水稻監(jiān)測(cè)精度與效率提供參考。