基于Radarsat-2的冬小麦种植面积提取方法研究

单 捷，邱 琳，孙 玲，王志明

(江苏省农业科学院农业信息研究所，江苏南京 210014)

基于Radarsat-2的冬小麦种植面积提取方法研究

单 捷，邱 琳，孙 玲，王志明

(江苏省农业科学院农业信息研究所，江苏南京 210014)

为探寻基于Radarsat-2的冬小麦种植面积提取方法，以设立在江苏盐城研究区的冬小麦为研究对象，选用2014年3月3日-2014年6月7日期间5期Radarsat-2全极化影像，采用支持向量机法和最大似然法分别对各时相的冬小麦种植面积进行提取，并以地面实测GPS样方进行精度验证。结果表明，以支持向量机法和最大似然法提取冬小麦面积的精度均在4月20日达到最高，分别为66.4%和63.9%。对4月20日支持向量机法的冬小麦面积提取结果进一步进行耕地地块优化和碎小图斑去除处理后，冬小麦面积的提取精度可提高到79.6%。

Radarsat-2；遥感；冬小麦；种植面积；提取方法

Abstract: In order to study the extraction method of winter wheat planting area based on Radarsat-2 data,five scenes of Radarsat-2 satellite images collected from March 3, 2014 to June 7, 2014 were used to extract winter wheat planting area through the methods of Support Vector Machine(SVM) and Maximum Likelihood Classification(MLC), and the accuracy of this investigation is verified by on-site GPS measurement quadrat areas. The results indicated that the highest extraction accuracies of both methods were achieved on April 20, so we chose the image of April 20 to study the effect of farmland parcel optimization and classification patch optimization on SVM's accuracy. The extraction accuracy of SVM was improved from 66.4% to 79.6% after optimization.

Keywords: Radarsat-2; Remote sensing; Winter wheat; Planting area; Extraction method

冬小麦是中国的主要粮食作物之一，其播种面积占全国粮食播种总面积的20%左右[1]。准确及时地掌握冬小麦种植面积信息，不仅可以为国家和各级地方政府宏观调控措施的制定提供科学依据，而且在制定粮食进出口计划、确保国家粮食安全等方面均具有重要意义。

随着科学技术的不断发展，遥感技术为农作物种植面积的提取提供了新的方法。目前，农作物种植面积的提取多采用光学遥感影像，但光学遥感容易受云雨天气影响，在农作物的生长期内很难获得完整、连续的观测数据，影响了农作物种植面积遥感监测业务的准确性和时效性。雷达遥感具有全天时、全天候的成像能力，不受云、雾、雨影响。其优势是光学遥感无可比拟的，因此越来越广泛地被用于农作物种植面积的提取[2-6]。近年来，随着多波段、多极化雷达数据的出现，国内外专家学者在运用雷达遥感监测冬小麦种植面积方面的研究逐渐增多。Giuseppe[7]应用ASAR在C波段极化HH/VV后向散射比值对小麦进行识别。Jia等[8]利用Envisat ASAR和TerraSAR-X 数据对冬小麦进行了遥感识别研究，获得令人满意的精度。Jiao等[9]利用Radarsat-2精细全极化数据，对研究区5种主要作物(小麦、燕麦、大豆、油菜籽和牧草)进行了分类和面积提取。白黎娜等[10]利用多时相Envisat ASAR数据进行冬小麦识别，识别精度达80%以上。蔡爱民等[11]以全极化雷达遥感数据Radarsat-2为数据源，分析了冬小麦孕穗期和乳熟期的散射特征和参数提取方法。

由于雷达数据源稀缺且昂贵，上述利用多时相数据的研究方法在实际的冬小麦面积遥感监测的业务化运行中还未得到普遍使用，没有形成一套行之有效的冬小麦识别和分类技术体系。为了解决这一问题，本研究以全极化Radarsat-2影像为数据源，运用支持向量机法和最大似然法对冬小麦不同生育时期的影像进行分类和精度验证，优选出冬小麦面积提取精度最高的时相，并在此基础上分析了耕地地块优化和碎小图斑去除对冬小麦面积提取精度的影响，以期能提高精度，降低数据成本，为开展农作物种植面积雷达遥感监测的业务化运行工作提供科学的依据和指导。

1 材料与方法

1.1 研究区域概况

本研究结合野外监测经验及历史存档遥感数据，将研究区设立在江苏省盐城的东台市与大丰市交界处，中心点经纬度为 N32°56′，E120°46′，东西和南北走向均约25 km(与一景Radarsat-2精细全极化模式影像幅宽相似)。此区域处于油菜种植集中区向冬小麦种植集中区的过渡地带，从西到东耕地形状变化明显，从窄条状到块状，再到沿海农场大面积、整齐连片地块。冬季作物主要为冬小麦、油菜等，并有大棚西瓜等经济作物，研究区具体位置见图1。

图1 研究区地理位置

1.2 研究方法

1.2.1 影像采集及预处理

Radarsat-2是一颗搭载C波段传感器的高分辨率雷达卫星。根据研究区冬小麦的物候特征，选取2014年3月3日至6月7日期间5期精细全极化(Fine Quad-polarization, FQ)模式的Radarsat-2数据。该模式数据幅宽为25 km×25 km，重访周期为24 d，分辨率为5.2 m×7.6 m(距离×方位)，入射角约为18°～49°，4 种极化方式即 HH、HV、VH 和 VV。有研究表明，入射角会影响农作物的分类精度[12]。因此，本研究为了保证入射角和卫星参数的一致性，以Radarsat-2卫星的重访周期为一周期。在结合研究区农作物生长物候和当年农作物播种日期的基础上，确定首期影像获取时间，并保证其余影像拍摄日期都处于农作物形态发生重要变化的时期。选用的Radarsat-2数据见表1。

表1 Radarsat-2影像清单Table 1 List of Radarsat-2 images

另外，选取2014年4月25日高分一号卫星数据，将其全色波段数据(空间分辨率为2 m)和多光谱波段数据(空间分辨率为8 m)进行融合，生成空间分辨率为2 m的多光谱影像，用于冬小麦验证样方的目视解译以及分类过程中训练样本的选取。

首先，对获取的Radarsat-2影像进行辐射定标，将DN值转化为后向散射系数，定标公式为σ°=DN2×sin(α)/K，其中σ°为后向散射系数，α为像元所在位置的雷达入射角，K为Radarsat-2数据的绝对定标因子。定标后采用Gramma-Map滤波器进行滤波，滤波窗口大小为5×5。然后以几何精校正过的高分辨率光学影像作为参考影像，分别对Radarsat-2影像和融合后的多光谱影像进行几何精校正，误差控制在0.5个像元之内。

1.2.2 地面样方的建立

分别于2014年3月27日、4月20日和6月7日(Radarsat-2影像拍摄日)开展野外调查，建立冬小麦和其他地物解译标志，采集验证点，为雷达影像和光学影像解译提供地面数据。为了兼顾作物空间分布与作物类型均匀性，在研究区共选取了4个具有不同耕地类型的验证样方(图2)，利用亚米级的差分GPS获取样方内主要作物的空间分布情况，结合地面调查结果对融合后的多光谱影像进行目视解译，获取每个样方内冬小麦的种植面积，再进行实地验证和修正，得到最终验证样方的冬小麦面积(图3)，以此作为冬小麦实际种植面积对Radarsat-2影像提取的冬小麦面积进行精度验证。

图2 冬小麦验证样方分布图

1.2.3 冬小麦种植面积提取方法

支持向量机(support vector machine，SVM)是近年来在影像分类、目标检测、数据融合等方面得到广泛应用的新型算法[13-14]，该方法建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地提取任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力[15]。最大似然法(maximum likelihood classification，MLC)是基于贝叶斯准则的图像统计监督分类方法，也是遥感影像监督分类中最常用的分类方法之一。它通过计算每个像元对于各类别的归属概率，把该像元分到归属概率最大的类别中去。由于SVM在解决小样本、非线性及高维模式提取问题中表现出许多特有的优势，MLC与其他非参数方法相比具有算法简单、易于实施等优点。所以，本研究选用SVM和MLC两种具有代表性的监督分类方法对冬小麦面积进行提取。

本研究以野外实地调查并辅以高分辨率光学遥感影像进行训练样本的选取，根据研究区实际土地利用特点和雷达数据的后向散射特征，将研究区地物划分为冬小麦、油菜、树林、裸土、大棚、房屋、水体等7种类型，并对各时相的Radarsat-2影像分别运用SVM和MLC进行分类及冬小麦面积提取。

1.2.4 冬小麦种植面积提取精度的验证

基于地面样方数据的验证是精度验证的主要手段之一，也是说明地物分类结果准确程度的指标之一[16-18]。本研究以验证样方内冬小麦实际种植面积，对Radarsat-2影像提取的冬小麦面积进行精度评价。

混淆矩阵方法是目前普遍采用的遥感影像分类精度定量评价方法，该方法通过计算各种统计量并进行统计检验，最终给出对于总体和基于各种地物类型的分类精度[19]。由于本研究的主要提取目标是冬小麦，而非其他类型地物，所以通过借鉴混淆矩阵方法，建立了针对冬小麦的提取精度评价指标Pi，即每块验证样方内的冬小麦面积提取精度，从而得到各时相冬小麦面积的提取精度：

Pi=Ai/(Ai+Bi+Ci)

其中i为验证样方编号，Ai为第i块验证样方内分类正确的冬小麦面积，Bi为第i块验证样方内错分的冬小麦面积，Ci为第i块验证样方内漏分的冬小麦面积。

图3 验证样方中不同地物分布图

2 结果与分析

2.1 冬小麦种植面积提取精度评价

经过精度验证，SVM和MLC的冬小麦面积提取的精度从3月3日到6月7日均呈现出先升后降的变化趋势，并在4月20日达到峰值，分别为66.4%和63.9%(图4)。因此，4月20日(抽穗期)是研究区冬小麦面积提取的最佳时相。

2.2 耕地地块优化对冬小麦面积提取精度的影响

通过分析发现，无论是SVM还是MLC都存在将部分非耕地地物如沟渠等错分为冬小麦的现象，因此，本研究拟利用耕地地块数据对4月20日冬小麦面积提取精度较高的SVM分类结果进行优化，从而分析耕地地块优化对冬小麦面积提取精度的影响。首先，对上述融合后的空间分辨为2 m的遥感影像进行目视解译获取验证样方内耕地地块矢量数据。该耕地地块数据共4个，与冬小麦验证样方的数量和覆盖范围相同。然后，利用Arcgis 9.3软件中Analysis Tools模块的Intersect工具将耕地地块数据与转换成矢量格式的SVM分类结果进行叠加分析，剔除非耕地地物对冬小麦分类精度的影响。通过上述处理优化后，SVM的冬小麦面积提取精度升至74.9%，比优化前提高了8.5个百分点，说明耕地地块优化可以明显改善冬小麦面积提取的效果。从局部细节比较，之前被误分为冬小麦的沟渠、河流等非耕地地物在经过耕地地块优化后被完全剔除，从而减少了非耕地地物对冬小麦面积提取精度的影响(图5)。

图4 不同时相的Radarsat-2冬小麦面积提取精度

表2 耕地地块优化前后SVM冬小麦面积提取精度的比较Table 2 Extraction accuracy comparison of winter wheat area before and after farmland parcel optimization(SVM) %

图5 耕地地块优化前后的冬小麦空间分布图(局部)

2.3 碎小图斑去除对冬小麦面积提取精度的影响

虽然经过耕地地块优化后的冬小麦面积提取精度得到明显提高，但分类结果仍存在较多的碎小图斑，“椒盐”现象明显，这是由于Radarsat-2影像在滤波处理后仍有较多噪声，从而影响了冬小麦面积提取精度。目前遥感制图中最小地物的上图标准并不适用于本研究中碎小图斑的去除。因此，本研究尝试在不影响分类结果的前提下，分析不同面积碎小图斑的去除对冬小麦面积提取精度的影响。根据以往农作物遥感监测的经验，对经过耕地优化后的SVM分类结果进行4、6、8个像元的图斑去除，即利用Arcgis 9.3软件中Data Management Tools模块的Eliminate工具的去除面积分别为256、384 和512 m2的图斑，然后进行精度评价。结果(表3)表明，随着图斑去除面积的增大，冬小麦面积的提取精度呈增加趋势，到去除384 m2的图斑以后趋于稳定。去除256、384、512 m2的图斑后，冬小麦面积的提取精度比未去除图斑时分别提高了2.8、4.6和4.7个百分点，说明在不影响分类结果的前提下，合理去除面积较小的分类后图斑，可以提高冬小麦面积的提取精度，减少雷达数据噪声对分类结果的影响，从而改善分类效果。

表3 去除不同面积图斑后的SVM冬小麦面积提取精度Table 3 Extraction accuracy of winter wheat area with SVM at different levels

3 讨 论

当前，应用于农作物生长监测的遥感方法多为光学遥感[20-22]，但是其易受云雨天气影响，常常无法及时获取高质量的光学遥感影像。因此，在无法接收光学遥感影像的时候，如何利用雷达影像进行冬小麦种植面积提取研究显得十分必要。本研究以不同时相的全极化Radarsat-2影像为数据源，运用SVM和MLC分别对各时相影像进行冬小麦面积的提取，并在提取精度最高时相的分类结果上再进行耕地地块优化和碎小图斑去除处理，将冬小麦面积的提取精度从66.4%提高到79.6%，说明本研究构建的方法有效地解决了非耕地地块的干扰，提高了冬小麦面积的提取精度。

本研究是对冬小麦及同期作物在Radarsat-2影像四个极化波段上的后向散射系数进行分类分析，若能对冬小麦及同期作物在不同极化波段上的后向散射系数特征进行分析和参数提取，找到识别冬小麦更有效的分类特征，冬小麦的提取精度还能提高得更多。其次，本研究是在单时相Radarsat-2影像的分类基础上进行耕地地块优化和碎小图斑去除处理，今后将在综合利用冬小麦生育关键时期的多期影像、运用多种分类方法以及不同极化方式对冬小麦面积提取精度的影响等方面进行深入研究，使其提取精度能更好地达到农作物种植面积雷达遥感监测的业务化运行工作的要求。另外，有研究表明，结合光学和雷达遥感的各自优点，可以有效增加数据所含有用信息，增强对地物的识别能力[23]，所以如何将这两种数据更好的结合来提高冬小麦的提取精度也将在今后进行深入研究。

[1] 中华人民共和国国家统计局.中国统计年鉴[M].北京:中国统计出版社,2015:432-461.

National Bureau of Statistics of the People’s Republic of China.China Stastical Yearbook[M].Beijing:China Statistic Press,2015:432-461.

[2] 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.

SHAO Y,GUO H D ,FAN X T,etal.Studies on rice backscatter signatures in time domain and its applications [J].JournalofRemoteSensing,2001,5(5):340.

[3]ZHANG Y,WANG C Z,WU J P,etal.Mapping paddy rice with multitemporal ALOS/PALSAR imagery in Southeast China [J].InternationalJournalofRemoteSensing,2009,30(23):6301.

[4]HALDAR D,PATNAIK C.Synergistic use of multi-temporal Radarsat SAR and AWiFS data for Rabi rice identification [J].JournaloftheIndianSocietyofRemoteSensing,2010,38(1):153.

[5] 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[J].浙江大学学报(农业与生命科学版),2011,37( 2):181.

LI K,SHAO Y,ZHANG F L.Rice information extraction using multi-polarization airborne synthetic aperture radar data [J].JournalofZhejiangUniversity(Agricultural&LifeScience),2011,37(2):181.

[6]YONEZAWA C,NEGISHI M,AZUMA K,etal.Growth monitoring and classification of rice fields using multitemporal RADARSAT-2 full-polarimetric data [J].InternationalJournalofRemoteSensing,2012,33(18):5696.

[7]GIUSEPPE S.Discrimination of wheat crop by using co-polarized ratio derived from ASAR data [J].ItalianJournalofRemoteSensing,2010,42(1):27.

[8]JIA K,LI Q Z,TIAN Y C,etal.Crop classification using multi-configuration SAR data in the North China Plain [J].InternationalJournalofRemoteSensing,2012,33(1):170.

[9]JIAO X F,KOVACS J M,SHANG J L,etal.Object-oriented crop mapping and monitoring using multi-temporal polarimetric RADARSAT-2 data [J].IsprsJournalofPhotogrammetry&RemoteSensing,2014,96:38.

[10] 白黎娜,王琫瑜,田 昕,等.基于多时相ENVISat ASAR 数据的冬小麦识别方法—以北京通州试验区为例[J].遥感技术与应用,2010,25(4):458.

BAI L N,WANG B Y,TIAN X,etal.Winter wheat identification using multi-temporal ENVISat ASAR data-a case study at Tongzhou district,Beijing [J].RemoteSensingTechnologyandApplication,2010,25(4):458.

[11] 蔡爱民,邵 芸,李 坤,等.冬小麦不同生长期雷达后向散射特征分析与应用[J].农业工程学报,2010,26(7):205.

CAI A M,SHAO Y,LI K,etal.Analysis of backscattering characters of winter wheat in different phenophase and its applications [J].TransactionsoftheCSAE,2010,26(7):205.

[12]FIEUZAL R,BAUP F,MARAIS-SICRE C.Monitoring wheat and rapeseed by using synchronous optical and radar satellite data-from temporal signatures to crop parameters estimation [J].AdvancesinRemoteSensing,2013,2(2):162.

[13] 何德平,肖 勇,肖兴国,等.支持向量机在遥感影像处理中的应用[J].城市勘测,2006(3):27.

HE D P,XIAO Y,XIAO X G,etal.Application of the support vector machine in remote sensed image processing [J].UrbanGeotechnicalInvestigation&Surveying,2006,(3):27.

[14] 何灵敏,沈掌泉,孔繁胜,等.SVM在多源遥感图像分类中的应用研究[J].中国图象图形学报,2007,12(4):648.

HE L M,SHEN Z Q,KONG F S,etal.Study on multi-source remote sensing images classification with SVM [J].JournalofImageandGraphics,2007,12(4):648.

[15] 张锦水,何春阳,潘耀忠,等.基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J].遥感学报,2006,10(1):49.

ZHANG J S,HE C Y,PAN Y Z,etal.The high spatial resolution RS image classification based on SVM method with the multi-source data [J].JournalofRemoteSensing,2006,10(1):49.

[16] 甘甫平,王润生,王永江,等.基于遥感技术的土地利用与土地覆盖的分类方法[J].国土资源遥感,1999,42(4):39.

GAN F P,WANG R S,WANG Y J,etal.The classification method for land use and land cover based on remote sensing technology [J].RemoteSensingforLand&Resource,1999,10(4):40.

[17]JANSSEN L L F,VANDERWEL F J M.Accuracy assessment of satellite derived land-cover data:A review [J].PhotogrammetricEngineeringandRemoteSensing,1994,60(4):419.

[18]KALKHAN M A,REICH R M.Assessing the accuracy of Landsat Thematic Mapper classification using double sampling [J].InternationalJournalofRemoteSensing,1998,19(11):2049.

[19] 顾晓鹤,潘耀忠,何 馨,等.以地块分类为核心的冬小麦种植面积遥感估算[J].遥感学报,2010,10(4):797.

GU X H,PAN Y Z,HE X,etal.Measurement of sown area of winter wheat based on per-field classification and remote sensing imagery [J].JournalofRemoteSensing,2010,14(4):797.

[20] 王利民,刘 佳,杨福刚,等.基于GF-1卫星遥感的冬小麦面积早期识别[J].农业工程学报,2015,31(11):194.

WANG L M,LIU J,YANG F G,etal.Early recognition of winter wheat area based on GF-1 satellite [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2015,31(11):194.

[21] 刘 佳,王利民,杨福刚,等.基于HJ时间序列数据的农作物种植面积估算[J].农业工程学报,2015,31(3):199.

LIU J,WANG L M,YANG F G,etal.Early recognition of winter wheat area based on GF-1 satellite [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2015,31(3):199.

[22] 葛广秀,李卫国,景元书.基于NVDI密度分割的冬小麦种植面积提取[J].麦类作物学报,2014,34(7):997.

GE G X,LI W G,YING Y S.Area of winter wheat extracted on NDVI density slicing [J].JournalofTriticeaeCrops,2014,34(7):997.

[23] 贾 坤,李强子,田亦陈,等.微波后向散射数据改进农作物光谱分类精度研究[J].光谱学与光谱分析,2011,31(2):483.

JIA K,LI Q Z,TIAN Y C,etal.Accuracy improvement of spectral classification of crop using microwave backscatter data [J].SpectroscopyandSpectralAnalysis,2011,31(2):483.

ExtractionMethodofWinterWheatPlantingAreaBasedonRadarsat-2Data

SHANJie,QIULin,SUNLing,WANGZhiming
(Institute of Agricultural Information, Jiangsu Academy of Agricultural Sciences, Nanjing, Jiangsu 210014, China)

时间：2017-09-13

网络出版地址：http://kns.cnki.net/kcms/detail/61.1359.S.20170913.1139.022.html

S512.1；S314

A

1009-1041(2017)09-1209-07

2017-03-09

2017-04-28

国家科技重大专项课题(09-Y30B03-9001-13/15-4)；江苏省农业科学院基金项目(6111651,6111650)；农业部遥感应用中心技术创新课题(2911660)；江苏省农业科学院基本科研业务专项(ZX-15-3003)；江苏省农业科技自主创新资金项目[CX(17)3020]

E-mail：owsj1986@sina.com

邱 琳(E-mail：47470302@qq.com)