基于多时相COSMO－SkyMed SAR数据对水稻信息提取方法的研究与应用

杜烨，郭长青，文宁，葛春青，黄峰

（1.北京东方道迩信息技术股份有限公司，北京 100080；2.湖南省国土资源规划院，长沙 410007）

1 引 言

水稻是我国主要的粮食作物之一，其产量居三大作物产量之首。目前，我国种植水稻区域主要分布在：东北的三江平原，主要种植一季稻；南方各省，以两季稻和三季稻为主。水稻种植面积的监测与统计，是各级政府进行决策、生产部门指导农业生产、流通领域安排粮食收购和销售计划的重要经济信息。因此，准确科学地统计水稻种植面积，及时得到可靠的水稻生产信息具有重要的应用价值。

对于我国长江中下游及南方地区的水稻主产区，每年5月～8月份的梅雨季节正值水稻生长期，气候多雨水与云雾，因此较难获取适合监测水稻生长的光学影像。雷达遥感具有穿云透雾的能力，其获取数据不受天气条件影响。近年来，国内外学者也致力于研究通过各种雷达数据源识别与监测水稻生长以及种植面积的提取。邵芸［1］利用多时相多极化Radarsat数据建立了水稻生长模型，研究表明，3个时相的数据以及多极化数据对水稻识别和提取可得到较高的精度。董彦芳［2］和凌飞龙［3］采用多时相ENVISAT ASAR数据，研究水稻不同生长阶段后向散射值的变化特征，多时相SAR数据可较准确地反演出水稻生长参数，并精确提取水稻种植面积。李章成［4］采用两期双极化雷达数据与影像分类的方法，对水稻种植面积进行了精确提取。Clevers［5］将雷达影像与光学影像结合，对水稻生长进行监测。Le Toan［6］利用ERS－1数据对水稻进行监测并提取水稻参数，研究表明理论模型与实验结果较一致，此方法对于Radarsat数据具有较高的通用性。黄晓军［7］、唐鹏钦［8］和杨沈斌［9］对利用SAR数据识别和监测水稻的研究进行了探讨，并对SAR数据的优势以及在水稻监测中的应用进行总结。

本文将利用多时相COSMO－SkyMed雷达影像，以光学数据为辅助数据源，对湖南研究区的水稻信息进行提取。

2 研究区域及数据介绍

2.1 研究区域介绍

湖南省水稻占全省粮食比重的90%，受地形地势条件的限制，水稻种植主要分布在湖南省的东北平原区、中南部丘陵区，而西部山区分布较少。目前湖南水稻主要为早、中、晚三季稻且水稻品种较多，早稻育秧至晚稻收割，主要涉及每年3月～10月这段时期；不同品种的水稻，其生长期会有一定差异；且根据当年当地的气候情况（温度、降水等），水稻的物候期也会有一定的浮动。一般情况下，早稻为5月上旬插秧，7月中旬收割，生长期为100天左右；中稻为6月中旬插秧，9月上旬收割，生长期为100天～110天；晚稻为7月中旬插秧，10月中旬收割，生长期为110天左右。

本篇文章的研究区域是湖南省北部洞庭湖平原区的南县与安乡县的交界处，该区域为水稻的主要生产区，早、中、晚稻均有种植。

2.2 数据介绍

2.2.1 SAR数据集

COSMO－SkyMed雷达卫星是由4颗X波段的雷达卫星组成的星座，分辨率为3m。4颗卫星以不同方式组合，可间隔1天、3天、4天和8天获取干涉相对，这种高重访周期对于特定地物的定期监测与变化研究具有重要的意义。为了研究水稻生长过程在SAR数据后向散射值中的表现规律，以湖南南县－安乡地区为试验区域，按照晚稻物候期，从晚稻灌水－插秧期开始到晚稻收割期（2012年7月24日～2012年11月13日），每隔8天～9天以干涉模式获取一景COSMO－SkyMed HIMAGE雷达影像，共获取13景影像，所获取的影像分辨率均为3m，极化方式均为水平极化，入射角为30°～33°。

2.2.2 光学数据集

为了辅助SAR数据对于水稻生长过程后向散射值的分析研究，在同一地区查找到2012年同期5景HJ－1A，HJ－1B光学数据，形成光学数据集；数据的分辨率为30m，共有4个多光谱波段，分别为蓝、绿、红、近红外波段。下载的数据为2级产品，该产品为经辐射校正和系统几何校正，并将校正后的图像映射到指定的地图投影坐标下的产品数据。除2012年6月24日的数据，其余4景数据的采集时间与COSMO－SkyMed SAR数据集中4景水稻生长阶段的数据采集时间基本对应。

表1 研究数据时间序列表

2.2.3 辅助数据集

研究区域的水田栅格数据层（时相为2012年），数据处理时加入该数据层，可将关注区域缩小到最优，减少处理数据量，提高数据处理效率。

3 主要方法

本研究的方法流程主要包括以下内容，首先对各种数据进行预处理，其中有正射校正与影像匹配；之后对SAR数据进行彩色合成，选取样本；对SAR数据计算后向散射值，对光学数据计算NDVI值，并分别提取样本的平均后向散射值与平均NDVI值，组成样本曲线；最后对样本曲线进行分析，并对水稻进行识别与提取。具体流程如图1所示。

3.1 数据预处理

数据预处理，主要是针对SAR数据的正射校正处理，以及光学数据、辅助数据与SAR的相互匹配处理。

首先将COSMO－SkyMed SAR数据进行互匹配并进行正射校正，该过程在ENVI软件的SAR Scape模块中完成。选取一景SAR数据作为主影像，将其余的SAR数据匹配到该景数据中，使用DEM数据对SAR数据集进行正射校正，形成3m分辨率的SAR数据正射校正成果。

以正射校正后的SAR数据作为主影像，将5景光学影像分别与SAR影像进行互匹配，使其与SAR数据具有相同的空间位置与坐标系统。

图1 方法与流程图

对于辅助数据的处理，同样以SAR数据作为主影像，将该地区的水田栅格数据层与SAR数据进行互匹配，使其与SAR数据以及光学数据具有相同的空间位置与坐标系统。

3.2 多时相SAR数据彩色合成

为研究水稻以及其他作物在SAR数据中的表现特征，根据试验区域晚稻物候期从13景SAR数据集中选取了3景影像，进行RGB彩色合成，形成多时相的SAR假彩色合成影像。选取的3景影像采集时间以及色彩合成时赋予的通道分别为：7月24日（红色通道），9月10日（绿色通道），10月4日（蓝色通道），合成结果如图2所示。

图2 SAR数据彩色合成结果

3.3 样本区选取

根据地物在多时相SAR彩色影像中表现出的色彩信息，结合水田栅格数据，发现彩色影像中对应的水田或耕地区域主要可分为6种色系，并假设每种色系代表一种地物，对每个色系选取10个样本多边形，总共选取了60个样本多边形。6种色系分别为：蓝色、粉红色、亮蓝色、红色、绿色、杂色，如图3所示。

图3 从彩色合成后的SAR数据中选取样本的颜色示意图

3.4 SAR数据后向散射值计算

对于雷达而言，不同地物有不同的电磁波特性，地物的波谱特性主要表现为地物对雷达波束的不同散射特征。对于水稻而言，当处于灌水插秧期时，由于水背景的影响，水田在雷达影像中的后向散射值较弱；随着水稻的生长发育，其后向散射值逐渐增高，这种变化特征与其他地物具有较明显的差异，因此依据水稻种植－生长期后向散射值的变化特征，对水稻种植面积进行识别。

将SAR数据集分别进行后向散射值的计算，形成13景后向散射值数据集。对每景数据中各样本区的后向散射平均值进行统计并提取，即每个样本形成13个后向散射值平均值的时间序列。按照选取样本时划分的6个色系，将样本的后向散射均值按照时间序列形成曲线图（如图4所示），分析其后向散射变化规律。其中，曲线的颜色对应其各自样本的颜色，如蓝色曲线对应蓝色样本后向散射值随时间变化的情况。

3.5 光学数据NDVI计算

NDVI，即归一化植被指数。该指数有助于植被覆盖度的分析，可反应出植被的生长状态。其公式为：

图4 SAR数据集中样本后向散射平均值的时间序列图

将5景环境卫星数据分别进行NDVI值的计算，形成NDVI值数据集。对每景数据中样本的NDVI值平均值进行统计并提取，即每个样本形成5个NDVI平均值的时间序列。用上述同样的方法，形成样本的NDVI值时间序列曲线图，分析其变化规律。其中，曲线的颜色对应其各自样本的颜色。

图5 光学数据集中样本NDVI平均值的时间序列图

4 数据分析与水稻面积提取

4.1 曲线分析

结合水稻物候期信息、SAR后向散射曲线（图4）与NDVI曲线（图5）3种信息，可以看出：

（1）红色和绿色样本区在NDVI曲线中显示出早稻后期与晚稻生长的变化规律；在SAR后向散射曲线中，主要的变化是在水稻成熟期之前。由于第一景SAR影像是7月下旬获取的，正处于早稻收割后地块整理与晚稻灌水插秧之前，此期间SAR后向散射值略高，8月上旬之后，已经完成晚稻插秧，稻田里水体信息较多，后向散射值较低，而从8月下旬开始，水稻进入开花期，SAR后向散射值不断升高，推断在SAR后向散射曲线中，红色与绿色样本属于晚稻。

（2）蓝色和品红色样本区在NDVI曲线中具有中稻生长的变化规律，对应的SAR后向散射曲线在9月上旬之后具有明显的升高，表现出水稻成熟后其后向散射值升高的特点；虽然黄色与蓝色和品红色样本在NDVI曲线中具有相似的变化规律，但从SAR后向散射曲线来看，黄色曲线随时间的变化无规律可言，其并不具有水稻生长的变化规律，推断黄色样本属于其他作物。

（3）亮蓝色曲线，无论在后向散射曲线还是在NDVI曲线中，均与蓝色和品红色曲线的变化具有一定的相似度，但在时间维度上不具有一致性，亮蓝色曲线的变化较蓝色与品红色曲线变化提前15天左右。因此推断，亮蓝色为疑似早期中稻样本。

图6 后向散射曲线与判断出的水稻种类关系图

4.2 水稻面积提取

根据上述的分析结果，对彩色合成后的SAR影像进行面向对象的分类，依据曲线中不同种类水稻在各时间点后向散射值的差异性，将其进行分类提取，该过程在eCognition软件中完成，处理中使用了研究区域内的水田栅格数据作为影像分割的辅助数据源，从而提高影像分割效率。水稻种植面积提取后的结果如图7所示。

使用2012年9月10日采集的外业数据，对水稻面积提取结果进行精度分析，外业一共采集了120个GPS点以及每个点位的照片和说明，包含了晚稻40个，中稻30个，疑似中稻30个，其他作物20个。通过误差混淆矩阵分析（表2），分类总体精度为85.83%。

表2 误差混淆矩阵

图7 水稻种植面积分类结果图

5 结束语

当受天气影响而无法及时得到有效的光学数据时，可以利用雷达数据对水稻进行监测与识别。本研究对13景SAR数据样本区的后向散射值进行了研究，根据光学影像NDVI值提供的辅助信息，掌握了水稻在雷达影像中后向散射值随生长时间变化的规律；并且使用3期SAR数据进行彩色合成，根据水稻在这3期SAR数据后向散射值的特点，结合面向对象的影像分类技术对水稻种植面积进行提取，获得了较高精度的水稻信息提取结果。本实验首次尝试了使用多时相COSMO－SkyMed雷达数据进行水稻识别，实验表明，COSMO－SkyMed数据能够为水稻种植面积提取提供可靠的数据源，而多时相数据（通常≥3期）获取的时间需根据当地水稻生长周期来决定。

［1］邵芸，郭华东，范湘涛，等.水稻时域散射特征分析及其应用研究［J］.遥感学报，2001，5（5）：340－345.

［2］董彦芳，孙国清，庞勇，等.基于ENVISAT ASAR数据的水稻监测［J］.中国科学 D辑，2005，35（7）：682－689.

［3］凌飞龙，汪小钦，史晓明，等.多时相SAR图像水稻分布信息提取方法研究［J］.福建师范大学学报（自然科学版），2007，23（3）：15－19.

［4］李章成，李源洪，周华茂，等.基于ALOS＿PALSAR双极化雷达影像遥感监测水稻的研究——以德阳地区为例［J］.西南师范大学学报（自然科学版），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］黄晓军，李秉柏.雷达遥感影像在水稻信息提取及估产方面的技术研究［J］.江苏农业科学，2009，（6）：432－435.

［8］唐鹏钦，姚艳敏，魏娜，等.合成孔径雷达水稻识别和监测研究进展［J］.中国农学通报，2009，25（14）：291－295.

［9］杨沈斌，赵小艳，谢晓金，等.星载雷达在多云多雨地区水稻遥感监测中的应用［J］.江苏农业科学，2009（3）：360－362.