利用多时相多极化差值图在高原山区进行烟草识别

胡九超　周忠发

摘要：农作物的识别是农情监测的基础，能为制定农业政策提供重要的参考数据。在多云多雨地区使用合成孔径雷达（SAR）对农作物进行识别监测有较大的优势。利用单时相影像进行地物识别时容易受阴影的干扰，差值法可检测不同波段间图像值的差别，根据波段间差值的不同，可以区分不同地物。利用2个时相的TerraSAR-X交叉极化模式数据（HH、VV）计算同时相多极化差值图、同极化多时相差值图，分析比较差值图，选择最优的差值图组合用于烟草提取，识别精度达82.23%。

关键词：高原山区；合成孔径雷达；差值图；TerraSAR-X；烟草

中图分类号： TP391.41 文献标志码： A

文章编号：1002-1302（2015）03-0388-03

烟草是贵州省重要的经济作物，烟草长势监测、面积提取、产量估算对于贵州省农业、经济发展具有重要的现实意义。贵州省地处云贵高原，多云雨，导致传统统计方法、常规遥感技术很难得到精确的烟草种植面积、产量，应用雷达遥感影像资料进行烟草面积监测可以不受云、雨、雾的影响，具有全天时、全天候的观测能力，是可靠的遥感数据源[1-2]。邵芸首次应用多时相Radarsat数据对多云雨地区进行水稻制图，采用神经网络分类方法，分类精度达到90%以上[3]。张萍萍等利用多时相多极化ENVISAT ASAR影像进行局部区域稻田识别，也获得了较高的稻田识别精度[1]。然而，与烟草相关的雷达遥感监测识别研究极少。差值法可检测不同波段间的图像值的差别，根据波段间差值的不同，可以区分不同地物。本研究计算多时相多极化的差值，从差值图上识别烟草，利用2个时相的TerraSAR-X交叉极化模式数据（HH、VV）计算同时相多极化差值图、同极化多时相差值图，分析比较差值图，选择最优的差值图组合，利用监督分类方法对差值图进行烟草识别，得到烟田分布，对多时相多极化差值图的烟草识别能力进行验证，旨在为贵州高原山区的典型农作物监测提供技术支撑。

1 研究区概况及雷达数据源概况

1.1 研究区概况

研究区位于贵州省清镇市流长乡，地处清镇市西部，属北亚热带季风湿润气候，四季分明，雨量充沛；土壤以黄沙壤、黄壤为主，pH值为5.5～6.5，呈微酸性，有机质含量高，气候条件、土壤条件均有利于烤烟生产。研究区属于国家现代烟草农业基地单元，该基地单元地貌类型复杂多样，主产烟区流长苗族乡、犁倭乡为典型的喀斯特高原山地地貌，以峰丛洼地、峰丛谷地为主，地下暗河、落水洞广布，地表支离破碎，土地形状不规则，多呈零星散状分布。烤烟从烟苗移栽到烟叶成熟采摘完毕可以划分为4个生育期阶段，分别为还苗期、伸根期、旺长期、成熟期。其中，还苗期的生长特点是根系生长活跃，茎叶生长几乎停止。约10 d之后，烟草进入伸根期（烟苗成活到团棵），该时期茎叶恢复生长，新叶不断出现。随后烟草进入旺长期，该时期烟叶生长中心从团棵期的地下部分转移到地上部分。最后，烟叶进入成熟期阶段，烟株现蕾以后，下部叶逐渐衰老，叶片由下而上依次落黄成熟，成熟期持续约2个月。

1.2 雷达数据源概况

采用了2013年5月28日、8月24日TerraSAR-X交叉极化1B级数据（表1）。由于2景影像获取时的轨道参数完全一致，因此避免了因轨道偏差造成同一研究区内雷达波入射角不同所带来的潜在误差[4]。获取影像的同时，对烟田、玉米地等典型农作物进行了定点定位及样方建立，同时记录烟草的生长状况及生理结构参数，包括叶长、叶宽、株高等。

1.3 数据预处理

在对雷达影像进行分析应用之前，需要对获取的 TerraSAR-X 数据进行几何校正、斑点噪声去除、绝对辐射定标等预处理。经过影像的預处理，截取了研究区部分假彩色合成影像（R：8月24日HH极化；G：8月24日VV极化；B：8月24日VV极化；5月28日VV极化差值）（图1）。

2 多时相多极化TerraSAR-X影像差值图分析

2.1 多时相多极化差值的计算

本研究采用的TerraSAR-X交叉极化模式影像包含2种极化方式：HH极化、VV极化。与单极化影像相比，双极化影像包含更丰富的地物信息。地物对不同极化的去极化能力及与雷达波之间相互作用，反映了地物不同的介电特性、表面粗糙度、几何形态、方向等属性特征[5-6]。同样，在不同时期获

取同一地区的图像也能够反映某些地物随时间变化的信息。即使极化方式相同，但由于地物几何形态改变、介电特性变化等，造成2个时间点地物后向散射系数极大差异。因此，利用这些变化信息来提取地物是可行的 。为了进一步说明地物后向散射系数的变化情况，笔者分别计算了2个时相HH极化、VV极化后向散射系数的差值，简称同时相多极化差值，计算公式如下：

2.2 多时相多极化差值图的分析

从各差值图中截取研究区的部分区域，根据灰度图的像元值大小用彩色表现出来（图2）。

图2-A、图2-B分别代表5月28日、8月24日HH极化、VV极化的差值图，图2-A图像的像元值为1.12～2595 dB。图2-A中红色区域的像元值在图2-B中基本得到保持，蓝色区域保持了部分，大部分蓝色区域在图2-B中显示为不同的颜色。图2-B图像的像元值为-14.68～57.93 dB，色彩分布范围较广，由此可知，蓝色区域的像元值增加幅度较大。图2-C、图2-D分别是2个时相（8月24日、5月28日）的HH极化的差值图、VV极化的差值图。图 2-C 图像的像元值为-21.01～34.55 dB，VV极化差值图的像元值范围比HH极化差值图更广，为-31.47～46.85 dB。由此可知，VV极化差值图能够反映更丰富的地物时相变化信息，HH极化对地物的时相信息变化敏感度不及VV极化。为了将差值图上的像元信息变化与实际地物相对应，笔者从野外采集的样方数据中提取了5类典型地物后向散射系数差值（用平均值表示）。从图3可以看出，水稻后向散射系数差值平均值变化最大，玉米次之，烟草居中，居民点变化最小。

5月28日时相上，烟草的后向散射系数差值主要分布在8.11 dB左右，与图2-A图例中的第5等级颜色（淡蓝色）相对应。根据烟草生长周期，在该时相上，烟草处在团棵期，烟苗较小且分布稀疏，同时大量干旱土壤裸露，部分区域还存在不同程度的石漠化现象。玉米同样处于幼苗期，土壤背景、石漠化背景对玉米后向散射系数影响很大，导致玉米、烟草、土壤的散射特性类似。尽管烟草、玉米叶片的大小不同以及土壤纹理、土壤湿度不同会造成后向散射系数差别，但在该时相上很难区分烟草、玉米、裸露土壤。8月24日时相上，烟草处于成熟期，烟叶面积增大，冠层覆盖率较高，同时株高较高，使得烟草对HH极化、VV极化雷达波造成不同程度衰减，但此时期天气较干旱，土壤、烟草含水量都较低，2种极化方式下的后向散射系数差值很小，和有林地、玉米相差不大，与图 2-B 图例中的第4等级颜色（蓝色）相对应。因此，该时相上的烟草、有林地、玉米易混淆。从图3可以看出，烟草的HH极化、VV极化多时相差值居中，其平均值大约分别为-4.38、2.98 dB。图2-C中，烟草对应图例中的第5等级颜色在图2-D中反映为图例中的第8等级颜色。将图2-B与图2-D进行对比可知，图2-B中的烟草区域与图2-D中反映烟草的区域吻合度较高。

3 烟草识别

提取信息的方法很多，其中比值法、差值法应用较为广泛。差值法可检测不同波段间图像值的差别，波段间差值可用于区分不同的地物。本研究采用多时相多极化差值图像来丰富地物信息，便于提取烟草信息。通过对不同地物在不同图像上的后向散射系数进行差异分析，了解不同地物的散射特性。选择监督分类算法中基于图像统计的最大似然判别法[7]，对组合好的Δσ0HH、Δσ0VV、Δσ00824（R、G、B）图像进行分类。首先，选择典型地物的训练场，再根据训练场计算各类地物的统计特征值，建立分类判别函数，然后逐点扫描图像中的像元，求出其属于各类的概率，再将待判别的像元归入最大判别函数值 。分类后，对结果进行Majority/Minority以及聚类（clump）等处理。

4 烟草识别精度验证

本研究利用在高分辨率航拍图上采集的典型地物样方数据对分类结果进行验证。样方由规则的矩形形成，包括烟草、玉米、水稻等。将样方数据（矢量文件）转换成感兴趣区域，用其来裁剪分类后的矢量数据，计算样方中不同地物的面积（表2）。假设样方内实际是烟田，被分为烟田的记为TT；样方内实际是烟田，被分为非烟田的记为TO；样方内实际是非烟田，被分为非烟田的记为OO；样方内实际是非烟田，被分为烟田的记为OT，T代表烟田，O代表非烟田[8-9]。分类总精度计算公式如下：

5 结论与讨论

本研究表明，在贵州省高原山区利用TerraSAR-X多时相多极化差值图识别烟草是可行的，为高原山区农作物监测提供了新途径。本研究采用的2个时相的数据分别是团棵期、成熟期，2个时期烟草的株型、冠层覆盖率等特征变化较大，这是烟草识别的有利因素。利用TerraSAR-X多时相多极化差值图进行烟草识别得到了较理想的结果，但研究区内玉米以及有林地的存在对识别烟草产生了一定干扰，这是因为玉米的生长周期、散射特性等因素与烟草的类似，成熟期的烟草较茂盛，易与有林地混淆。关于其他可能的时相、极化组合对烟草识别精度的影响，还需进一步分析。此外，石漠化现象以及极少数覆膜烟田的存在对烟草识别的具体影响还有待进一步研究。

参考文献：

[1]张萍萍，申双和，李秉柏，等. 水稻极化散射特征分析及稻田分类方法研究[J]. 江苏农业科学，2006（1）：148-152.

[2]Le T T，Laur H，Mougin E，et al. Multi-temporal and dual polarisation observation of agricultural vegetation covers by X-band SAR images[J]. IEEE Transactions of Geoscience and Remote Sensing，1989，27（6）：709-718.

[3]邵 芸. 水稻时域散射特征分析及其应用研究[D]. 北京：中国科学院，2000.

[4]杨沈斌，李秉柏，申双和，等. 基于多时相多极化差值图的稻田识别研究[J]. 遥感学报，2008，12（4）：613-619.

[5]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.

[6]邵 芸，廖静娟，范湘涛，等. 水稻时域后向散射特性分析：雷达卫星观测与模型模拟结果对比[J]. 遥感学报，2002，6（6）：440-450.

[7]赵春霞，钱乐祥. 遥感影像监督分类与非监督分类的比较[J]. 河南大学学报：自然科学版，2004，34（3）：90-93.

[8]杨沈斌，申双和，张萍萍，等. ENVISAT ASAR数据用于大区域稻田识别研究[J]. 南京气象学院学报，2007，30（3）：365-370.

[9]张云柏. ASAR影像應用于水稻识别和面积测算研究——以江苏宝应县为例[D]. 南京：南京农业大学，2004.