基于最小距离法的RADARSAT-2遥感数据旱地作物识别

丁娅萍，陈仲新※

(1．农业部农业信息技术重点实验室，北京 100081;2．中国农业科学院农业资源与农业区划研究所，北京 100081)

及时了解农作物种类、结构和分布特征，是进行农业结构调整的重要依据［1］。应用光学遥感数据进行农作物种类识别技术已经相对比较成熟，但是光学遥感数据容易受到云雨天气的影响，往往在作物生长关键期很少获得有效、足量的遥感数据。微波遥感数据可全天时、全天候工作;对植被有一定穿透能力，不仅能获取植被表层信息，对其内部结构等信息都有一定的反映，其主动方式即雷达遥感对农作物识别应用广泛，但大多数研究集中于水稻的研究［2］。目前，在国内，雷达遥感针对旱地作物的识别研究较少［3］，但在我国农业信息监测系统中发现，在进行我国北方地区旱地作物监测时，由于在作物生长关键时期云雨天气比较频繁，光学遥感数据经常不能及时、足量地满足业务的需求，针对这一业务需求，该文在华北平原选择研究区，开展应用雷达遥感数据进行旱地作物识别与面积监测的研究。

雷达遥感作物识别经历了从单波段、单时相、单极化到多波段、多时相、多极化数据的变化［4-6］，同时，雷达遥感数据和光学遥感数据的结合有利于提高作物识别的精度［7-9］。该文首先基于RADARSAT-2雷达遥感数据，分析了与卫星数据同步采集的作物结构参数数据与后向散射特性之间的相关性;其次，基于RADARSAT-2遥感数据进行旱地作物识别的方法研究;最后，结合资源三号及雷达遥感数据进行作物识别，以多源遥感数据来提高遥感数据作物识别的能力。

1 数据与方法

1.1 研究区概况

枣强县 (115°35＇～58＇，37°08＇～35＇)行政隶属河北省衡水市，位于河北省东南部，衡水市南端，总面积892．3km2，地理位置如图1所示。气候类型属于温带半湿润大陆季风气候，主要土壤类型为潮土，年平均温度12～13℃，无霜期170～220天，年平均降水量500～900mm，海拔23～29m，地势平坦。主要土地利用类型为农业用地，作物熟制为一年一熟或一年两熟，该研究影像获取时间为2012年7月14日至10月18日共5期影像，该段时间地面主要作物为玉米和棉花，玉米于5月份种植，10月初收获，棉花为6月份种植，10月下旬收获。

图1 影像覆盖区域及样方分布

1.2 数据来源

1．2．1 地面数据采集

为了了解植被对雷达信号的响应情况，在2012年8月7日、8月31日、9月24日卫星过境时间同步进行了地面植被数据的采集及测量工作，采集内容及时间如表1所示。过程中，主要通过抽取样方的方法进行数据的采集，抽样过程中，采取了系统抽样及随机抽样结合的方法，共采集样方30个，每个样方面积为200m×200m大小，样方分布如图1所示。

表1 地面数据采集内容及时间

1．2．2 遥感数据源

RADARSAT-2是一颗搭载C波段传感器的高分辨率商用雷达卫星，该研究购买2012年7月14日、8月7日、8月31日、9月24日、10月18日5个时相的研究区精细全极化 (Fine-Quad polarization，FQ)模式RADARSAT-2数据，该模式数据标称幅宽为25km，分辨率近似为5．2m×7．6m(距离向×方位向)，该数据入射角约为33．6，为四极化方式即HH、HV、VH和VV。

该研究后期借助了光学遥感影像去除建筑物对分类精度的负面影响，光学影像为2012年10月18日的资源三号多光谱、5m分辨率数据。

1.3 研究方法

1．3．1 技术路线

该研究应用雷达遥感数据结合光学遥感数据进行旱地作物识别和面积提取工作，技术路线如图2所示。

该研究首先对雷达遥感影像和资源三号卫星影像进行预处理，之后基于地面实地采集的作物参数数据分析作物参数对雷达信号的反应机制;其次，对单时相、单极化雷达影像分类，对比雷达影像分类的最佳时相及最佳极化方式;第三，对多时相、多极化雷达影像分类;第四，将资源三号卫星数据和雷达遥感数据相结合进行旱地作物识别分类。

图2 技术路线

1．3．2 数据预处理

雷达遥感数据预处理用的是NEST软件，该软件为免费开源软件，可读取、预处理、分析和显示雷达数据。该次数据预处理包括:辐射定标、几何校正、滤波、多时相影像自动配准等。同时，需要对所用的资源三号卫星遥感数据进行预处理主要包括几何校正、与雷达影像配准等。

1．3．3 分类方法及精度验证方法

分类过程中，通过对常用的几种基于统计学的分类方法包括最大似然法、最小距离法、支持向量机法对比，发现最小距离法对雷达影像分类效果最佳。最小距离法原理是用特征空间中的距离因素来表示像元数据和分类类别特征的相似程度。该方法属于监督分类法，需要有先验知识，其精度由对已知地物类别的了解程度和训练统计的精度决定，一定程度上也与训练样本数量有关。该研究分类过程中，为了使结果具有可比性，对于所有的处理，都采用同样的训练样本和验证样本，其中训练样本和验证样本都来自实地采集数据。

该研究精度验证通过混淆矩阵法实现，指标有总体精度、用户精度、制图精度和Kappa系数几项。用户精度、制图精度和总体精度从不同侧面描述了分类精度，是简单明了具有统计意义的精度指标。用户精度表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率。制图精度表示相对于地面获得的实际资料中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率。总体精度是指对每一个随机样本，所分类的结果与地面所对应区域的实际类型相一致的概率。

2 基于多源遥感数据的旱地作物识别

2.1 作物参数与后向散射特性相关性分析

该研究在2012年8月7日，8月31日，9月24日雷达卫星过研究区当日及前后各一天进行了植被数据采集，分析了后向散射系数平均值与植被参数相关性，相关系数如表2所示。

农作物为分布型目标，表征其后向散射强度需用平均量，此处σ°为样方内相应植被各个象元的后向散射系数平均值。从表2可以看出，不同作物在不同极化方式下后向散射系数与作物参数的相关性差异较大。在所有植被参数中，植株高度与后向散射系数的相关性最大，这也说明了植被高度对后向散射系数较为敏感。对于生物量，在VH极化方式条件下，玉米后向散射系数与生物量相关性较高，其他极化方式下后向散射系数与生物量相关性都较低。对于植被含水量，在VH极化方式下，两种作物含水量与后向散射系数相关性较高，尤其是棉花相关系数达到0．97，在所有极化方式条件下，棉花含水量与后向散射系数相关性都较玉米高。对于叶面积指数而言，棉花叶面积指数数据缺失，玉米叶面积指数与其后向散射系数平均值相关性不大。

表2 各极化方式后向散射系数平均值与植被参数相关系数

2.2 基于最小距离法的旱地作物识别研究

分类过程中，首先比较各极化方式分类效果，发现VV极化优于HH极化，这两者同极化优于交叉极化方式分类效果。比较各时相分类效果，因10月18日雷达遥感影像过境时玉米已经收获，未参与分类，比较了前4个时相分类效果发现9月24日雷达影像分类效果最佳，采集的植被参数内容中发现，此时，两种植被植株高度与生物量差异达到最大。同时，随着极化方式和时相的增加，作物分类精度也会增加，但因HV和VH这两种交叉极化方式分类效果基本一致，分类时，只用一种交叉极化方式参与即可，两种都参与反而会降低分类效率。该研究用3种极化方式及4时相RADARSAT-2雷达遥感数据进行旱地作物识别，精度最高达到85%，达不到实际应用的需求或低于科研预期的效果。分析原因认为，雷达遥感影像本身是相干波成像，在电磁波叠加的地方响应值较高，表现在图像上为很多规律排列的亮点，虽然通过滤波方法会一定程度上抑制噪斑的影响效果，但同时也失掉了一些有效信息，从而影响了分类效果。同时，分析混淆矩阵时发现，建筑物跟棉花容易混淆，因农村建筑物零散低矮，且是土结构，二面角反射不明显，院落内部和周围会种植蔬菜和树木，降低了建筑物本身的后向散射系数，导致其后向散射系数易与棉花混淆，影响了作物识别的精度。

图3 最小距离法分类结果

通过资源三号遥感数据提取建筑物区域，将其作为掩膜参与雷达影像作物识别过程，发现雷达影像分类精度有了较显著的提高，精度达到了93%，基本达到了实际应用的需求。分类结果如图3A，与同样处理下光学遥感数据分类精度94%相当，如图3B所示。结果表明，应用雷达遥感数据进行旱地作物识别应用效果较好，同时，也证明多源遥感数据参与分类会提高作物分类精度。雷达影像及光学影像分类混淆矩阵如表3、表4所示。从分类图及混淆矩阵可以看出光学遥感数据对河流水体的识别能力较差，而雷达遥感数据对地物边界识别不是非常清楚，两者各有优势。

研究结果表明，在旱地作物分类应用中，多源遥感数据联合参与分类可提高作物识别精度;另外，雷达影像一定程度上可成为光学遥感影像的有效代替，当难以获取足量有效地光学遥感影像时，雷达遥感影像可代替光学遥感影像工作。

表3 雷达影像分类精度

表4 光学影像分类精度

3 结论与展望

3.1 结论

该研究目的是基于雷达遥感数据进行旱地作物识别和面积统计，主要结论如下:

(1)分析玉米和棉花结构参数与雷达后向散射系数之间的相关性发现，植株高度与后向散射系数相关性最大，其次是植被含水量、生物量和叶面积指数与后向散射系数相关性较低。

(2)基于雷达遥感影像旱地作物识别研究发现，VV极化分类效果优于其他极化方式，2012年9月24日雷达影像分类效果优于其他时相，分类效果最佳的极化方式和时相的研究为其他研究者选择和订购雷达影像提供了可参考的依据。同时，随着时相和极化方式的增加，作物识别精度有所提高，但VH极化和HV极化分类效果一致，分类时只选择一种即可，否则会降低分类效率。通过对多时相、多极化雷达影像进行分类，其精度可达到85%。在此基础上，以资源三号卫星遥感数据提取建筑物区域作为掩膜，参与雷达影像分类，其精度最高达到93%，达到了实际应用的需求。同样情况下，对光学影像进行掩膜处理后，其分类精度达到94%，雷达影像分类精度与光学影像分类精度相当。

3.2 展望

该研究虽然在利用雷达遥感数据进行华北平原旱地作物识别和面积监测研究方面有一定创新性，但限于时间、能力问题，还有一些问题有待解决或者完善。

(1)因时间问题，在2012年7月14日与10月18日两个时期没有采集玉米和棉花的植被参数数据，导致植被对雷达信号响应机制分析没有覆盖作物的整个生长期，一定程度上影响了该研究的完整性。

(2)该研究区处于华北平原枣强县域，该地区常年地面种植作物品种单一，研究进行期间大多数土地只种植了玉米跟棉花，且这两种作物形态结构差异较大，希望之后的研究能在植被品种更加复杂或作物结构形态差异不大的地区进行。

(3)进一步优化旱地作物识别方法，争取在更大的尺度上进行旱地作物识别工作，同时引入植被生长模型，进行作物生长长势监测等研究。

［1］韩立建，潘耀忠，贾斌，等．基于多时相IRS-P6卫星AWiFS影像的水稻种植面积提取方法．农业工程学报，2007，23(05):137～143

［2］陈劲松，林晖，邵芸．微波遥感农业应用研究——水稻生长监测．北京:科学出版社2010，14～16

［3］Jia K，Li Q，Tian Y，et al．Crop classification using multi-configuration SAR data in the North China Plain．International Journal of Remote Sensing，2012，33(1):170～183

［4］李坤，邵芸，张风丽．基于多极化机载合成孔径雷达 (SAR)数据的水稻识别．浙江大学学报 (农业与生命科学版)，2011，37(2):181～186

［5］Bouvet A．，Le Toan T．Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta．Remote Sensing of Environment，2011，115(4):1090 ～1101

［6］Gherboudj I．，Magagi R．，Berg A．．A．et al．Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data．Remote Sensing of Environment，2011，115(1):33～43

［7］Liu L，Wang J，Bao Y，et al．Predicting winter wheat condition，grain yield and protein content using multi‐temporal EnviSat‐ASAr and Landsat TM satellite images．International Journal of Remote Sensing，2006，27(4):737～753

［8］Huang S，Potter C，Crabtree R L，et al．Fusing optical and radar data to estimate sagebrush，herbaceous，and bare ground cover in Yellowstone．Remote Sensing of Environment，2010，114(2):251 ～264

［9］Hadria R，Duchemin B，Baup F，et al．Combined use of optical and radar satellite data for the detection of tillage and irrigation operations:Case study in Central Morocco．Agricultural water management，2009，96(7):1120～1127