基于合成孔径雷达(SAR)数据的贵州喀斯特山区烟草叶面积指数估算模型

王昆,周忠发,廖娟,符勇

1 贵州师范大学喀斯特研究院 贵阳 550001;

2 贵州省遥感中心 贵阳 550001

基于合成孔径雷达(SAR)数据的贵州喀斯特山区烟草叶面积指数估算模型

王昆1,2,周忠发1,2,廖娟1,2,符勇1,2

1 贵州师范大学喀斯特研究院 贵阳 550001;

2 贵州省遥感中心 贵阳 550001

喀斯特山区多云雨天气，地表破碎，耕地分布不集中，农作物套种，导致常规遥感监测手段难以满足烟草实时监测的需要。为实现现代烟草农业实时快速监测，研究选取高分辨率合成孔径雷达（SAR），以贵州清镇流长现代烟草农业基地单元为研究区，在烟叶成熟期，考察不同极化方式（HH、VV以及H/VV）雷达亮度值与烟草叶面积指数（LAI）的相关性，进而构建线性回归模型和二次多项式模型。结果表明：一元线性比值HH/VV模型（Y=0.612X+1.410， R2=0.862）反演精度最高。该模型可用于大面积遥感监测贵州喀斯特山区烟草种植，掌握烟草生长状况。

SAR; 叶面积指数; 估算模型; 烟草; 喀斯特山区

我国从20世纪80年代开始进行农作物遥感监测的研究[1-2]，就目前而言，取得了丰富的成果。农作物遥感监测也从单一的作物小麦扩展到了玉米、水稻等，而对于小麦、玉米等一些粮食作物，监测地区主要集中在我国粮食产区，如华北平原、东北平原等一些地势平缓的的地区，使用的遥感数据多为NOAA/AHRR和TM结合为主[3]。烟草作为我国重要的经济作物,是我国地方财政的重要创收来源。贵州是全国特色优质烟叶主生产区之一[4]，烟草的种植监测及科学管理显得尤为重要，但烟草的监测目前国内外研究较少，利用遥感手段监测烟草的研究少之又少。从文献上来看，利用遥感手段对烟草进行监测的多用来进行烟草分类，少有对烟草生长状况进行监测，不能满足实际应用的需求。

由于贵州属于喀斯特山区，地势崎岖，地块破碎，地形复杂多样，烟田分布不集中，烟草农业生产难以集约化，烟草生长监测和烟叶估产极难。合成孔径雷达遥感数据采用主动遥感方式，利用微波成像不受云雨限制[5-6]，对喀斯特山区的合成孔径雷达遥感影像进行多极化、多波段、分析研究，更适合多云雨山区的应用。叶面积指数（LAI）定义为在单位面积上所有叶子表面积的总和或单位面积上所有叶子向下投影的面积总和，是反映烟草生长状况的重要指标，及时获取烟草叶面积指数就能够准确了解烟草的生长信息。如何及时获得大面积烟草叶面积指数，从而指导烟草生产成为种植决策的重要依据，也是亟待解决的科学问题。本研究试图探讨通过不受时间、气候影响的TerraSAR雷达遥感影像[7-8]反演烟草成熟期叶面积指数，从而及时获得烟草生长状况信息[9]。选取合适样地，在样地中随机选取20个样方，在烟草成熟期，通过提取计算SAR影像的雷达亮度值，结合野外实测叶面积指数值，建立一元线性回归模型和二次多项式模型反演烟草叶面积指数，对不同极化方式建立不同的模型，对比分析模型精度，建立最优模型，及时预测烟草成熟期叶面积指数，旨在科学的监测烟草生长，及时掌握大面积烟草生长状况信息，为烟草估产以及烟草种植提供数据上的决策依据。

1 材料与方法

1.1 研究区概况

研究区以贵州省清镇市流长现代烟草农业基地单元为依托，位于106°7′6″E～106°29′37″E，26°24′5″N～26°45′45″N，总面积为489km2。烟区属于黔中喀斯特高原山区，地势崎岖，切割强烈，烟田主要分布于轻度石漠化区。基地单元辖流长、犁倭、红枫湖等3个乡（镇），宜烟土地5428.03平方千米；土壤以黄砂壤、黄壤为主；pH值5.5-6.5，呈微酸性；有机质含量丰富，属亚热带季风湿润气候；年平均气温14℃，无霜期275天，年平均降雨量1150.4mm，年日照时数1433h。主烟区面积占基地单元的90.26%。土壤条件和气候条件均有利于烤烟生产，主要种植云烟87、云烟85、K326及南江三号等品种。

1.2 SAR数据的选择

贵州喀斯特山区由于地貌类型与气候影响，光谱数据难以获取。而不同地物的散射特性不同,因此不同地物表现在SAR图像上将会有不同的亮度和不同的纹理[10-11]。已有研究表明：烟田的遥感影像具有极强的纹理[1]。因此，选择SAR影像对烟田进行监测研究。

雷达是一种主动式传感器[12]，通过接受地物反射信号生成影像，由于喀斯特山区独特的地形成像机理复杂，有特殊的辐射和几何畸变。因此，研究时不仅需要用高精度地形图跟合成孔径雷达数据进行配准，还要在野外进行考察，确定目标地物的面积及范围，最后叠加在影像上，最大限度降低由地形造成形变误差。在进行野外考察的同时，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的时间保持一致，以达到最佳监测效果[13]。通过比较 TERRASAR-X、RADRASAT-1、 RADRASAT-2、COSMOS、ENVISAT和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研究情况，选择空间分辨率为6米的TerraSAR-X雷达数据作为研究数据[14-15]。

1.3 SAR数据的处理与计算

研究选取德国发射的TerraSAR-X卫星，于2013年8月24日获取TerraSAR-X在烟叶成熟期影像图(表1)。极化方式表示的是电磁场的振动方向，当搭载SAR平台卫星向地面发射信号时，无线电波的振动方向有多种方式，例如：水平极化(H)是指卫星向地面发射信号时，无线电波振动方向是水平。垂直极化(V)是指卫星向地面发射信号时，无线电波振动方向是垂直。像元大小则指的是影像成像时栅格最小单元，能代表影像的分辨率。

表1 TerraSAR-X卫星影像系统参数表Tab. 1 Parameters of TerraSAR-X satellite image system

TerraSAR-X数据预处理过程包括噪声滤波、几何精校正、地理编码、辐射定标。由于不同滤波器的滤波算法不同，对原始雷达影像进行不同窗口、不同滤波方法的滤波处理。研究尝试Lee、Enhanced Lee、Gamma、Kuan滤波器的3*3、5*5、7*7的窗口，通过对比各种算法，选择Frost滤波器的5*5窗口。利用1:1万的地形图，采取二次多项式模型对影像进行几何精校正。最后分别采用HH、VV双极化以及比值HH/VV方式得到研究区滤波后的SAR影像图[16]。

图1 TerraSAR-X 滤波后影像图（R=HH，G=VV，B=HH/VV）Fig. 1 TerraSAR-X filtered image map（R=HH，G=VV，B=HH/VV）

不同地物的散射特性不同，因此不同地物表现在SAR图像上将会有不同的亮度，即影像某像素点的灰度值。雷达亮度值（SAR亮度值）大小可以使用两种单位来度量：一种为强度类型（β0），即雷达亮度强度值；另一种为分贝类型（β0db），即雷达亮度分贝值。为了单位统一，文章采用分贝类型，单位为dB。将滤波后的影像通过公式（1）计算雷达亮度值。

式中，DN分别为HH、VV极化方式下的滤波后的影像灰度值，β0为通过DN值转换得到的雷达亮度强度值，HH/VV方式的亮度值是通过HH、VV对应的β0通过比值得到的。Ks为为绝对定标常数，可从头文件中读取。

式中，β0db为雷达亮度分贝；β0由公式（1）所得雷达亮度。

在明确了弗雷格所说的“语句”和判断杠的涵义之后，人们可能会问，既然弗雷格系统中的“|—（2+2=4）f”实际上就是自然语句“2+2=4”，那么他为什么要对一个好端端的自然语句做去判断力处理，再通过判断杠来恢复其判断力？经过如此复杂的改造得到的判断表达式，与原自然语句并无实质上的不同，他做这一番处理究竟是为什么？

在烟草成熟期，利用野外实测GPS记录的样方点，矫正过后叠加到滤波后的影像图，按上述滤波方法，提取出SAR亮度值，经过计算得到与叶面积指数一一对应的SAR亮度平均值。

1.4 叶面积指数的分析与获取

测量LAI的方法目前有直接测量和间接测量两种方法。直接测量法有量测法、重量比例法[17]、分层收割法和斜点样方法[18]。间接测量法是利用各种仪器来测量，比如各类叶面积指数仪。另一种间接测量方法就是基于遥感技术。遥感数据具有覆盖面积大、更新周期短、花费相对少等优点。

于2013年8月26、8月27两日在基地单元进行叶面积指数采集。在进行野外考察的同时，建立样方并详细记录烟草生长信息，考察时间尽可能保持与遥感影响拍摄的时间保持一致，以达到最佳监测效果。研究区选择烟草种植连片面积在40公顷以上的烟田，由于TerraSAR-X雷达影像空间分辨率为6 m，所以在雷达过境范围内建立12m×12m的样方，对应SAR影像上2*2像元。每个样方的四至点（东南西北四点）分别定位GPS或者在样方的中部用GPS定位，以保证样方位置的准确，尽量减少与雷达数据相元相对应带来的误差。在样方内采用叶面积指数仪（CI-110，CID公司，美国）对烟叶进行叶面积指数采集，采集时将叶面积指数仪的鱼眼镜头水平放置于在烟草两行之间的对角线上取4个均匀的测点进行测量，且保证鱼眼镜头视野不超出烟草冠层边缘，分别采集10组数据，其平均值为该样方的叶面积指数值。

2 结果与分析

2.1 叶面积指数与SAR亮度值的相关性分析

应用SPSS软件，对LAI和SAR亮度值进行相关性分析。表2表示在HH、VV极化方式和比值HH/VV下雷达亮度值与LAI的相关系数（R），R绝对值都达到0.9以上，显著水平都在0.01水平上。因此可认为，基于SAR亮度值来建立研究区LAI的遥感监测模型是基本可行的。

表2 LAI与SAR亮度的相关性Tab. 2 Correlation between LAI and SAR brightness

2.2 线性回归模型

将SAR亮度值与实测叶面积指数值采用一元线性回归模型Y=ax+b进行拟合，以确定参数a、b的值，其中Y表示叶面积指数，x表示SAR亮度值[19]，通过分析得到一元线性SAR亮度值与LAI的拟合图(图2)。在对TerraSAR-X进行亮度提取分析后，将HH、VV、比值HH/VV三种极化方式下SAR亮度值引入一元线性回归模型中进行拟合比较。分析得到不同模型参数值、拟合度R2以及均方根误差（RMSE）。表3展示了HH、VV、比值HH/VV三种极化组合方式的建模情况。

图2 一元线性SAR亮度与LAI拟合图Fig. 2 Fitting charts of unary linear SAR brightness and LAI

表3 不同极化一元线性回归模型建模Tab. 3 Unary linear regression model under different polartization

HH、VV、HH/VV极化组合方式下拟合度和均方根误差相似，拟合度分别为0.825、0.813、0.832，都具有较高拟合精度；三种极化方式均方根误差分别为0.04174、0.04315、0.04096。HH极化与VV极化相比，HH极化拟合度大于VV极化拟合度，均方根误差HH极化小于VV极化，说明HH极化较VV极化反演烟草成熟期叶面积指数模型更优。对于比值HH/VV，已证明在雷达影像分类中有较高的精度，同时对农作物生物量等参数比较敏感[20]，因此，比值HH/VV与其他两种极化方式相比，拟合度最高，均方根误差最小，反演效果最佳。所以，在雷达数据条件允许下，选择比值HH/VV建立模型。

2.3 二次多项式模型

研究LAI与SAR亮度值之间的关系，不能只用简单的一元线性方程关系说明。因此再采用常用的非线性回归模型二次多项式模型对三种极化组合方式HH、VV、比值HH/VV进行拟合比较，图3为二次多项式SAR亮度与LAI的拟合图。不同极化SAR亮度与LAI拟合模型，表4。

图3 二次多项式SAR亮度与LAI拟合图Fig. 3 Fitting charts of quadratic polynomial SAR brightness and LAI

表4 不同极化二次多项式模型建模Tab. 4 Quadratic polynomial model under different polarization

2.4 模型验证

选取精度相对较高的烟草叶面积指数反演模型，比值HH/VV极化组合一元线性回归模型和二次多项式模型。研究基地约2080公顷，在研究区内重新选取20组样方，采用同一叶面积指数仪测量样方内烟草LAI,获得20组烟草平均LAI值，并在SAR影像上提取计算与所选取样方对应的SAR平均亮度值，计算比较模型反演LAI与样方实测LAI，根据公式3和公式4进行误差分析，表5。

其中x是经过模型计算值，xT是实际测量值。

表5 模型验证表Tab. 5 Model veri fi cation table

研究表明，一元线性回归模型反演的LAI与实测LAI相对误差平均为8.87%，绝对误差平均为-9.2%，精度达到91%；二次多项式模型反演的LAI与实测LAI相对误差平均为11.7%,绝对误差平均为-5.7%，精度达到88.3%。数据表明，比值HH/VV一元线性回归模型优于二次多项式模型。

3 讨论

研究比较了TerraSAR-X雷达HH、VV、比值HH/VV极化组合方式的一元线性回归模型和二次多项式模型反演烟草成熟期叶面积指数，三种不同极化组合方式下一元线性回归模型与二次多项式模型LAI与SAR亮度值都具有较好的拟合度，总体取得较好的反演效果。反演结果表明，比值HH/VV一元线性回归模型反演结果精度较其他模型精度更高，这主要是因为HH极化与VV极化分别是水平波段的散射与垂直波段散射，由于烟叶的不规则生长，单一的从水平或垂直方向的散射难以全面反映烟叶生长状况，而比值HH/VV是两种波段的组合，有效的把水平散射特性与垂直散射特性结合起来，全面反映了烟叶的生长状况，对于叶面积更加敏感。而二次多项式模型之所以模型精度低于一元线性回归模型，分析原因有两点：1、二次模型存在最大值或最小值，在一定的数值区间内才能够满足预测的精准度，而样方的选取是随机的，数值与区间没有完全吻合；2、二次模型的曲线变化度没有按照平均变化速率计算，而是不同的数值范围有不同的变化率。

4 结论

通过雷达数据与烟草叶面积指数值的拟合，建立了烟草叶面积指数估算模型，其中精度最佳的为雷达HH/VV极化组合方式一元线性回归模型：Y=0.612X+1.410，其中Y为叶面积指数，X为HH极化与VV极化SAR亮度值的比值，R2=0.862。该模型可用于大面积遥感监测贵州喀斯特山区烟草种植，掌握烟草生长状况。

研究依然存在的问题：1、文章只研究了烟草成熟期的LAI反演，对于团棵期和旺长期的LAI反演需要数据再进行模型拟合；2、由于数据量以及数据获取过程中存在一定误差以及数据量的限制，影响模型建立的精确度；3、研究对于其他区域方法上可以适用，但是模型本身要根据具体情况做进一步的修正。

[1]吴孟泉，崔春春，张丽等.复杂山区烟草种植遥感监测及信息提取方法研究[J].遥感技术与应用，2008,23(3).

[2]赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003:201-202.

[3]田国良，项月琴.遥感估算水稻产量.环境遥感，1989,4（1）：73-80.

[4]王莹.试论贵州烟草业发展历程与趋势（1628-2002）[D].重庆：西南大学,2012.

[5]唐鹏钦，姚艳敏，魏娜.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.

[6]谭正. 基于SAR数据和作物生长模型同化的水稻长势监测与估产研究 [D]. 北京:中国地质大学 , 2012.

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

[8]廖明生，田馨，赵卿.TerraSAR-X/TanDEM-X雷达遥感计划及其应用[J]测绘信息与工程,2007.32(2).

[9]刘彦，关欣，罗珊等.遥感技术在作物生长监测与估产中的应用综述[J].湖南农业科学,2010年11期:136-139.

[10]赵小杰,种劲松,王宏琦.合成孔径雷达图像的特征选择.遥感技术与应用,2001年9月，第16卷第3期：190-194.

[11]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.

[12]隋立春，徐花芝，李建武.德国新型雷达遥感系统TerraSAR-X介绍.测绘科学技术学报.2007：321-323.

[13]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年S1期:246-248.

[14]江潮.常用雷达波段名称及其频率、波长范围对照与划分.航天电子对抗,1985.

[15]康青，双斌，张荣.合成孔径雷达图像及迷彩技术研究.后勤工程学院学报. 2008.

[16]符勇，周忠发，贾龙浩等.基于SAR技术的贵州喀斯特山区烟草估产模型研究[J].湖北农业科学.

[17]Watson D J.1947. Comparative physiological studies in the growth of field crops. I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years. Annals of Botany,11(41),41-76.

[18]段爱旺.作物群体叶面积指数的测定.灌溉排水,1996,15(1):50-53.

[19]贾龙浩，周忠发，李波. SAR在喀斯特山区烟草生长监测中的应用探讨[R].第十八届中国遥感大会论文集,2012,17(10): 867-871.

[20]张晓倩，刘湘南，谭正.基于全极化Radarsat-2数据的水稻生物量估算模型[J].农业现代化研究,2012,33(2).

Model for estimating tobacco leaf area index in Guizhou Karst mountainous areas based on SAR data

WANG Kun1,2, ZHOU Zhong fa1,2, LIAO Juan1,2, FU Yong1,2

1 Institute of South China Karst, Guizhou Normal University, Guiyang 550001, China;
2 Guizhou Provincial Remote Sensing Center, Guiyang 550001,China

In order to realize real-time monitoring of modern tobacco agriculture, high resolution synthetic aperture radar was applied to analyze correlation between leaf area index (LAI) and radar brightness value with different polarization of HH,VV and bands HH/VV during maturing stage of tobacco leaves in Qingzhen, Guizhou province. Linear regression model and two order polynomial models were thus established. Results showed that unary linear HH/VV model boasted the highest inversion accuracy. Such model proved available to monitor tobacco growth in Guizhou Karst mountainous areas through remote sensing.

SAR; leaf area index; estimation model; tobacco; Karst mountainous areas

王昆,周忠发,廖娟,等. 基于合成孔径雷达(SAR)数据的贵州喀斯特山区烟草叶面积指数估算模型[J]. 中国烟草学报，2015,21（6）

国家重点基础研究发展计划(973计划)课题(2012CB723202)；贵州省科技计划“喀斯特山区SAR遥感平台监测与识别关键技术与应用”（黔科合GY字（2013）3062）；贵州省重大应用基础研究项目“喀斯特石漠化生态修复及生态经济系统优化调控研究-岩土类型格局”（黔科合JZ字[2014]200201）

王昆(1989—)，硕士研究生，地理信息系统与遥感，Email：wkfsk@163.com

周忠发(1969—)，教授，地理信息系统与遥感，Email：fa6897@163.com

2014-12-08

:WANG Kun, ZHOU Zhongfa, LIAO Juan, et al. Model for estimating tobacco leaf area index in Guizhou Karst mountainous areas based on SAR data [J]. Acta Tabacaria Sinica, 2015,21(6)