基于SAR技术的高原山区烟草估产模型

符勇　周忠发　王昆　廖娟

摘要：以贵州省清镇市流长国家现代烟草农业基地单元为研究区，针对贵州省高原山区烟草种植特性，以TerraSAR-X为数据源，将合成孔径雷达（SAR）技术应用于高原山区烟草产量的遥感估测中，通过分析旺长期、成熟期SAR亮度值与烟草叶片鲜质量产量的相关关系，构建了喀斯特山区旺长期、成熟期烟草鲜质量产量估测模型，模型验证表明，旺长期、成熟期烟草鲜质量模拟精度分别达到92%、85%以上，基于SAR技术建立的烟草鲜质量产量模型可以满足高原山区大面积烟草的快速估产需要。

关键词：高原山区；烟草；估产；合成孔径雷达

中图分类号： S127文献标志码： A文章编号：1002-1302（2015）02-0393-03

收稿日期：2014-03-31

基金项目：贵州省科技计划 （编号：黔科合GY字〔2013〕3062）。

作者简介：符勇（1989—），男，河南郑州人，硕士研究生，研究方向为地理信息系统与遥感。E-mail：user51@sina.com。

通信作者：周忠发，教授，研究方向为地理信息系统与遥感。E-mail：fa6897@163.com。贵州省是典型的喀斯特山区，地形破碎，农作物种植情况复杂多样。烟草作为典型经济型农作物，在该省广泛种植。以传统方式预测烟草种植面积、产量等情况，要花费大量人力、物力、财力，且中间环节多，不能准确高效地估产。针对贵州省气候多云雨、很难周期性获取高光谱数据的特点，采用合成孔径雷达（SAR）数据不受时间、气候条件限制[1]。SAR 采用主动遥感的方式，利用微波成像，不受云雨和时间限制，更加适合贵州省多云雾山区的农业遥感应用。本研究在野外样方选取与调查的基础上，将SAR技术融入估产过程，选用烟草不同生育期的雷达遥感影像，通过雷达遥感影像的处理和计算得出烟草不同时期SAR亮度值，利用野外实地考察数据，将烟草各生长时期的SAR亮度值与对应时期烟草鲜质量产量建立线性回归耦合关系的估产模型，并对模型进行验证，该模型建立遥感指标与产量之间的相关模式，它不考虑作物产量形成的复杂过程[2]，可以快速准确获取不同时期烟草产量信息，以期为喀斯特高原山区烟草雷达遥感估产提供依据。

1研究区域烟草基地概况

本研究以贵州省清镇市流长现代烟草农业基地单元为依托，选择该基地单元马场片区的茶山村为研究区，该烟区属于黔中高原区。清镇市隶属于贵州省贵阳市，距贵阳市市区约22 km，东接贵阳市乌当区、花溪区，西邻贵州省毕节地区织金市，南与贵州省平坝县接壤，北与贵州省黔西市、修文市交界，面积1 492余km2，辖6乡、4镇及青龙街道办事处，人口53万人，共有耕地面积2.34万hm2，森林覆盖率31.1%，农产品以水稻、玉米、小麦、油菜、马铃薯等为主。南部地势较为平缓，以丘陵和喀斯特化低山为主，地势从西南向东北渐减；东部及中部属浅山、低山丘陵区，平均海拔 1 327 m；其余区域为浅丘向中低山狭谷过渡区，平均海拔 1 295 m。

流长基地单元辖流长、犁倭、红枫湖等3个乡（镇），属亚热带季风湿润气候，适宜种植烟草的土地面积5 428 hm2；土壤以黄沙壤、黄壤为主，pH值5.5～6.5，呈微酸性，有机质含量丰富。土壤条件和气候条件均有利于烤烟生产。主产烟区集中在流长乡、犁倭乡，面积占该基地单元的90.26%。2012年落实种植计划收购烟叶1 145 t[3] 。

2数据选择与获取

2.1SAR数据

不同微波波段具有不同能量，其对作物的监测用途也不同。Ku、X、C、L是常用的作物监测微波波段。Ku、X微波波段主要用于监测作物长势，C微波波段主要用于监测作物分类，L微波波段主要用于监测作物分类、土壤含水量[1] 。

通过比较TERRASAR-X、RADRASAT-1、RADRASAT-2、COSMOS、ENVISAT、ALOS等主流雷达卫星，综合考虑波段、极化方式、空间分辨率等系统参数与实际情况，选择空间分辨率3 m的TERRASAR-X雷达数据作为研究数据。TerraSAR-X是首颗由德国航空航天局与欧洲航空防务和航天公司共建的固态有源相控阵的X波段合成孔径雷达卫星，分辨率高达1 m。该卫星的轨道高度为514 km，倾斜角度为9744°，卫星整体质量为1 200 kg，半径为2.4 m，高度为5 m，消耗功率为800 W。该卫星可以在不同模式下工作。TerraSAR-X雷达卫星具有多极化、多入射角和精确的姿态和轨道控制能力，本研究采用3 cm的X波段合成孔径雷达，可以进行全天时、全天候对地观测，并具有一定地表穿透能力，同时还可进行干涉测量和动态目标的检测[4]。

2.2实测产量数据

在野外考察的同时，建立样方并详细记录烟草生长信息，考察时间尽可能与遥感影像拍摄时间保持一致，以达到最佳监测效果。研究区选择烟草种植连片面积60 hm2以上的烟田，建立27 m×24 m的样方面积约0.066 hm2，与雷达数据相元相对应。研究区内共建立30个样方，用全球定位系统（GPS）定位每个样方的四至点或在样方中部用GPS定位，以保证样方位置准确，同时便于与遥感影像相叠加，在样方内采集烟草鲜质量数据。

3数据处理与模型建立

3.1SAR数据的处理

本研究选取德国发射的TerraSAR-X卫星，获取烟草不同生长期的影像（表1）。

3.2估产模型建立

2012年5月初至9月底，根据烟草不同生长时期在研究区定期开展烟草地面调查工作，地面调查时间与影像获取时间基本同步，共布设45块样地，考虑到估测模型的精度验证，其中15块样地的数据不参与建模。利用SPSS 19.0软件对30个样地旺长期、成熟期烟草叶片数据与雷达影像处理后的SAR亮度值进行相关性分析，结果发现二者在旺长期、成熟期的相关系数（r）分别为-0.889、-0.846，呈显著负相关关系，在旺长期、成熟期的线性拟合度（r2）均较好，分别为0790、0.716。因而可通过烟草SAR亮度值得到烟草产量。endprint

表2不同生长期样方内烟草叶片SAR亮度值

极化方式样本序号旺长期亮度

（β0db）成熟期亮度

（β0db）VV1-6.071-9.1392-7.423-10.3303-7.771-10.3904-6.533-11.5605-6.549-9.586

为了进一步分析烟草产量与SAR亮度值的定量关系，采用一元线性回归模型、指数函数、对数函数、乘幂函数等对二者进行模拟分析。通过对不同模型测算结果的分析表明，基于SAR亮度值的一元线性回归模型拟合精度最高。喀斯特山区旺长期、成熟期烟草种植产量最优拟合模型为式（3）、式（4）。图3、图4分别为烟草旺长期、成熟期鲜质量产量与SAR亮度值的关系。

4模型验证

为评价烟草估产模型模拟效果，通过野外同期采样的另外15个样地数据与估产模型模拟数据进行比较，并利用误差统计公式（5）对模型精度进行综合评价[9]。

RE=m估测值-m实测值m实测值×100%。（5）

式中：RE为相对误差系数；m实测值和m估测值分别代表野外实地考察烟草叶片质量和模型反演得到的烟草叶片质量。

由表3可见，对于估产模型模拟值与实测值之间的相对误差系数，旺长期为4.8%～11.59%，平均相对误差系数为7.66%，模型总体精度达到92%以上；成熟期为8.15%～2325%，平均相对误差系数为14.02%，模型总体精度达到85%以上。说明利用SAR亮度值与烟草叶片生物量建立的一元线性回归模型能较好地反映烟草叶片生物量状况，能够满足喀斯特山区大面积烟草叶片产量估算要求。

5结论

采用不受云雨影像影响的雷达遥感影像为数据源，将SAR技术应用于喀斯特山区烟草叶片产量估测，利用SAR亮度值与地面样地调查所得烟草叶片产量数据进行回归分析，建立了不同时期烟草估产的线性回归拟合模型：旺长期为

y1=-1 449.67x1+4 199.78，成熟期为y2=-457.38x2-13986。基于地面同期调查数据对模型进行验证，结果表明该模型在旺长期、成熟期的预测精度分别达到92%、85%以上，能够实现喀斯特山区的大面积种植烟草的快速估产。因此，基于SAR技术对喀斯特山区烟草种植估产模型是可行的，为喀斯特山区烟草产量遥感估产提供了技术支持，同时该方法也可为喀斯特高原山区其他农作物基于SAR技术遥感估产的研究提供参考。

本研究表明，以SAR 亮度值与烟草产量建立的回归模型基本能够反映其线性回归的耦合关系，旺长期的模拟精度要优于成熟期。旺长期、成熟期烟草估产模型拟合度较好，但成熟期模型误差相对较高，其原因一方面可能是旺长期烟株叶片多、相互掩盖，增加了体反射强度，使得反射率增加，所以SAR 影像亮度值能够更好地反映叶片信息；另一方面，由于烟叶采摘进度不一样，小部分样方内烟叶打叶进度较晚，成熟期影像还存在部分旺长期烟叶。本研究建立的喀斯特山地烟草估产模型，还须在不断提高遥感估产精度的同时，在更多烟区丰富完善方法和技术路线，提高模型精度，为国家现代烟草农业的大范围、实时遥感监测提供新的研究思路。

参考文献：

[1]陈劲松，林珲，邵芸. 微波遥感农业应用研究——水稻生长监测[M]. 北京：科学出版社，2010：11-13.

[2]徐新刚，吴炳方，蒙继华，等. 农作物单产遥感估算模型研究进展[J]. 农业工程学报，2008，24（2）：290-298.

[3]周忠发，李波，贾龙浩. 合成孔径雷达技术在喀斯特山区烟草种植定量监测应用探讨[J]. 测绘通报，2012（增刊）：246-248.

[4]钱方明，刘薇，周瑜. 雷达遥感卫星TerraSAR-X的系统特性和产品[C]//第十八届十三省市光学学术会议论文集，2010.

[5]余丽萍，黎明，杨小芹，等. 基于灰度共生矩阵的断口图像识别[J]. 计算机仿真，2010，27（4）：224-227.

[6]李智峰，朱谷昌，董泰锋. 基于灰度共生矩阵的图像纹理特征地物分类应用[J]. 地质与勘探，2011，17（3）：456-461.

[7]高程程，惠晓威. 基于灰度共生矩阵的纹理特征提取[J]. 计算机系统应用，2010，19（6）：195-198.

[8]贾龙浩，周忠发，李波. 高分辨率SAR在喀斯特山地烟草生长建模中的应用探讨[J]. 中国烟草科学，2013，34（5）：104-107，112.

[9]梁天刚，崔霞，冯琦胜，等. 2001—2008年甘南牧区草地地上生物量与载畜量遥感动态监测[J]. 草业学报，2009，18（6）：12-22.李婷，林爱文，高云，等. 高标准基本农田建设分区研究——以湖北省赤壁市为例[J]. 江苏农业科学，2015，43（2）：396-399.endprint