基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

周 涛，潘剑君※，韩 涛，魏善宝

（1. 南京农业大学资源与环境科学学院，南京 210095；2. 南京农业大学公共管理学院，南京 210095）

·农业信息与电气技术·

基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

周 涛1，潘剑君1※，韩 涛1，魏善宝2

（1. 南京农业大学资源与环境科学学院，南京 210095；2. 南京农业大学公共管理学院，南京 210095）

小麦是中国最重要的农作物之一，准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达（synthetic aperture radar，SAR）与光学数据对种植结构复杂地区冬小麦识别的能力，提高识别精度为目的。该研究以多时相 SAR（Sentinel-1A）和光学影像（Landsat-8）为数据源，选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合，利用支持向量机（support vector machine，SVM）提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度，结果表明：1）使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度；2）添加SAR数据纹理信息，总体精度高达90.6%，比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%；3）当SAR数据和光学影像结合时，总体精度高达95.3%（制图精度97%，用户精度98.4%），比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此，基于SAR数据的都市农业区冬小麦分类，有着较高分类精度，纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。

作物；遥感；合成孔径雷达；冬小麦；光学影像

周 涛，潘剑君，韩 涛，魏善宝. 基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取[J]. 农业工程学报，2017，33(10)：215－221. doi：10.11975/j.issn.1002-6819.2017.10.028 http://www.tcsae.org

Zhou Tao, Pan Jianjun, Han Tao, Wei Shanbao. Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(10):215－221. (in Chinese with English abstract)

doi：10.11975/j.issn.1002-6819.2017.10.028 http://www.tcsae.org

0 引 言

冬小麦是中国第二大粮食作物，也是世界的主要粮食作物，准确、及时掌握其种植面积是国家制定粮食政策和经济计划的重要依据[1-2]。传统农业统计报表和采样调查法难以又快又准得到农作物种植分布信息。遥感技术的发展为农作物种植面积识别提供了丰富的数据源，与传统方法相比，遥感具有实时、迅速、范围广等特点[3]，具有不可替代的优势。目前，国内外众多学者利用光学遥感影像对不同时空尺度下的多种农作物进行了分类识别研究，在理论和方法层面都取得了长足的进展。然而，光学遥感数据易受云雨天气影响，而 SAR（synthetic aperture radar）作为一种高分辨率成像雷达，具有不受云雨天气影响，且不依赖太阳光，可全天时、全天候监测等优点，为农作物分类识别研究提供了强有力的数据保障和技术支持[4-5]。因此，利用SAR数据进行农作物分类识别研究具有重要意义。

早期研究多利用单极化SAR数据进行农作物种植面积提取，Silva等比较分析了利用VV极化、HV极化和HH极化进行多种农作物分类识别的精度，结果表明HH极化的识别精度高于VV极化和HV极化[6]。大量研究也表明，利用单极化SAR数据进行农作物种植面积提取很难得到理想识别精度[7]。随着合成孔径雷达技术的快速发展，国内外大量学者开展了基于多时相多极化SAR数据的农作物种植面积提取研究。相比单极化，多极化或全极化 SAR数据能够获得更加完整的地物散射特征。Skriver等采用C波段和L波段SAR数据评价单极化、多极化和多波段SAR数据的农作物识别精度[8]，发现L波段全极化SAR数据获得比较好的识别精度；Jiao等研究评价了Radarsat-2数据在农作物种植面积提取的能力[9]，发现基于极化分解方法可以较好地提取农作物种植面积。长期研究表明多时相SAR数据可以作为独立的数据源替代光学遥感进行农作物种植面积提取[10]，也有学者对SAR和光学影像的结合进行评价研究，如Skakun等利用多时相SAR（Radarsat-2）与光学影像（Landsat-8）对乌克兰的多种农作物进行分类研究，发现光学影像和SAR的结合可以提高分类精度[11]。此外，由于SAR影像斑点噪声的影响，以及单波段、单极化信息的有限性，使得在对雷达影像进行分析时，仅依靠目标的对比度对地物目标进行分辨和识别是十分不够的，还应利用其纹理信息[12-13]。如Yayusman等利用灰度共生矩阵（gray-level co-occurrence Matrix，GLCM）提取SAR的纹理信息用于农作物分类识别研究，发现纹理信息可以在一定程度上提高分类精度[14]。分类算法的选择直接影响分类结果，支持向量机（support vector machine，SVM）、最大似然和神经网络是最常用于SAR数据分类的分类器，支持向量机因其独特的特征优于传统的分类算法[15]。Sonobe等利用 SAR（TerraSAR-X）进行农作物分类，对比分析分类回归树（classification and regression tree，CART）、支持向量机和随机森林（random forest）识别精度，发现支持向量机表现最佳，总体精度高达95.0%[16]。

以上研究表明SAR数据能很好地应用于农作物种植面积提取，但国内外基于SAR数据农作物识别多局限于特定对象（水稻），对于旱地作物，特别是种植结构复杂、地块细碎的都市农业区的冬小麦研究较少。南京市高淳区是中国南方经济发达、地块细碎、种植结构复杂的代表性区域，本研究以该地区为研究区，选取 2015—2016年覆盖该区域的Sentinel-1A和Landsat-8为数据源，以支持向量机为分类器，构建并对比分析不同极化后向散射系数、SAR数据纹理信息和光学影像三层次特征向量组合提取冬小麦种植面积的精度，探索多时相SAR与光学数据对地块细碎、种植结构复杂地区冬小麦种植面积提取的能力，进一步提高冬小麦种植面积识别精度。该研究不仅对比分析了典型地物的后向散射特征，同时评价了SAR数据纹理信息和光学影像的引入对SAR数据分类的影响。

1 研究区和数据源

1.1 研究区概况

本研究试验区位于南京市高淳区（中心位置118°52¢E，31°19¢N），全区总面积 802 km2（图 1）。该区域为北亚热带和中亚热带过渡季风气候区，年平均气温16.0 ℃，雨量充沛（年平均降雨量1 157 mm）。地势西低东高，西部为水网平原区，东部为低山丘陵区。农作物主要有冬小麦、水稻、油菜等，其中冬小麦生育期是10月下旬到次年 5月下旬。研究区虽然不是中国冬小麦主产区，但因其雨水丰沛、作物种植结构复杂、地块细碎，是中国南方典型的都市农业区，具有较好代表性。

1.2 多极化星载SAR数据：Sentinel-1A

作为 ERS-2 和 Envisat的后续卫星，Sentinel-1是欧盟委员会和欧洲航天局共同倡议的全球环境与安全监测系统（global monitoring for environment and security，GMES）的重要组成部分，是由2颗卫星组成的星座，重访周期为6 d，空间分辨率较高[17]，对农作物种植面积提取有很大应用潜力。其中Sentinel-1A是搭载了C波段（5.405 GHz）的SAR传感器，有4种成像模式：条带模式（strip map model，SM）、干涉宽幅（interferometric wide swath，IW）模式、超宽幅（extra-wide swath，EW）模式和波模式（wave mode，WM）。本研究选取冬小麦生育期内6景Level-1级别单视复（single look complex，SLC）Sentinel-1A数据，获取时间分别为2015年11月22、2016年1月9、2月26日、3月21日、4月14日和5月8日。

图1 研究区所在行政边界及多极化假彩色合成图Fig.1 Administrative boundary map of study area and false color composite of multi-polarization

1.3 光学遥感影像

Landsat-8是 Landsat系列的升级，其设计特征与Landsat-7基本相同[18]，携带的2个主要荷载分别为陆地成像仪（operational land imager，OLI）和热红外传感器（thermal infrared sensor，TIRS）。Landsat-8 的 OLI陆地成像仪包括9个波段，除全色波段8空间分辨率是15m，其余波段均是 30 m。数据下载自美国地质调查局 Earth Explorer网站，选取4景Landsat-8 OLI影像，获取时间分别为2016年2月25日、3月12日、3月28日和4月29日，影像均为Level1T产品，已经过系统辐射校正和几何校正。

GF-1卫星于2013年4月从中国甘肃省酒泉卫星发射中心发射，搭载了2台2 m分辨率全色/8 m分辨率多光谱GF-1PMS相机，4台16 m分辨率多光谱GF-1WFV相机[19]。本文获得1景覆盖研究区的GF-1PMS影像，成像时间为2016年4月29日。

1.4 野外调查数据

本研究采取野外 GPS 调查和目视解译相结合的方法，直接从 GF-1PMS影像上获取标准样本集。于 2016年5月17日对研究区域进行野外调查，根据野外调查，小麦、油菜、林地、裸地、水体、居民地被确定为最终的分类类型。在目视解译地块的支持下，基于在区域的百分比来确定每种类型的数目，获得18 780个地面验证像素点。采用分层随机抽样方法选择样本集的大约 50%作为训练样本，其余的50%被用于执行分类精度评定（表1）。利用混淆矩阵评价分类结果，评价要素有：总体分类精度、Kappa系数、制图精度和用户精度。

表1 每个类型训练和验证样本像素数Table 1 Numbers of pixels per class for training and validation data

2 研究方法

2.1 数据预处理

利用SARscape（ENVISARscape5.2）软件进行SAR数据的预处理，主要包括多视、配准、多时相雷达影像滤波、地理编码和辐射定标等，得到dB为单位空间分辨率为15 m的定标结果。并利用ENVI5.3对光学影像做预处理，其中Landsat-8 OLI预处理包括辐射定标和大气校正等，大气校正在ENVIFLAASH模型下完成。为了统一空间分辨率，把Landsat-8 OLI的全色波段与其余波段融合。GF-1PMS预处理包括辐射定标、大气校正、正射校正、图像融合，得到空间分辨率为2 m的参考影像。然后对所有遥感影像做几何校正，误差小于0.5个像元。

2.2 纹理特征提取

灰度共生矩阵是一种常用的、鉴别能力很好的描述纹理特征的方法，是建立在估计图像的二阶组合条件概率密度函数基础上的统计方法[20]，目前已是公认的一种提取纹理特征的有效方法[21]。经试验，本研究选用 5×5窗口提取如下6种统计量：

式中，n为灰度值的阶数，p(i,j)是n×n的归一化共生矩阵，μ为p(i,j)的均值。

2.3 分类器选择

分类方法是遥感影像分类的重要内容，有效地选择合适的分类方法是提高分类精度的关键[22]。其中支持向量机分类是一种建立在统计学习理论基础上的机器学习方法，可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率[23]。在各种监督、非监督的分类方法中，支持向量机分类是基于SAR数据农作物分类最可靠的方法之一[24]。

为了探究不同特征及其组合提取冬小麦种植面积的能力，获得最佳特征向量组合，提高冬小麦识别精度。本文构建不同极化后向散射系数、SAR数据纹理信息、光学影像3层次特征向量组合（特征向量组合见表2），然后对比分析不同特征向量组合提取冬小麦种植面积的精度。

表2 特征向量组合Table 2 Combination of characteristic vector

3 结果与分析

3.1 典型地物后向散射特征

首先基于训练样本，平均属于每个类别的所有像素的后向散射系数，进一步得到每个类别后向散射系数的时相变化规律，典型地物（小麦、油菜、林地）在不同极化下的后向散射系数分析见表3。从表3中可以看出不同地物后向散射系数的时相变化差异明显：相比于同极化（VV极化），交叉极化（VH极化）的后向散射值一直比较小；林地VV极化和VH极化后向散射系数均是先减小后增加，然后在2016年3月21日衰减到最小值后增加；小麦和油菜VH极化后向散射系数分别由2015年11月22日的–13.2和–11.5 dB衰减到2016年3月21日的–16.2和–12.8 dB，然后均在2016年5月8日增加到最大值；小麦和油菜VV极化后向散射系数分别由2015年11月22日的–6.7和–4.2 dB衰减到2016年4月14日的–11.9dB和2016年3月21日的–7.4 dB，然后增加到2016年5月8日的最大值；从以上后向散射变化特点表明：1）冬小麦 VV极化衰减比VH极化要大，这是因为小麦具有明显的垂直结构，VV极化在传播过程中易受到垂直结构的影响，使地表后向散射在传播过程中衰减的更多，导致VV极化下降幅度较大；2）在生长初期，土壤对后向散射特征起主导作用[25-26]，随着小麦逐渐生长，叶密度、杆密度逐渐增加，此时小麦比较均匀的覆盖在地表面，土壤散射作用的主导位置逐渐减小，转向冠层散射作用占据了主导位置，散射值呈现出随着叶密度的增加逐渐减小的变化趋势。从抽穗期到成熟期，由于麦穗的出现，植被含水量的逐渐减小，冠层密度的降低，使得土壤的散射作用逐渐增强，从而使得VH极化与VV极化散射值增加；3）不同地物的不同极化后向散射系数时相变化规律表现出明显差异，为利用 VH极化和VV极化后向散射系数提取冬小麦种植面积提供理论基础。

本研究分析了冬小麦、油菜和林地后向散射特征的差异，大量学者开展了其他不同种植结构区域农作物 SAR识别研究，如Oyoshi等利用多时相Radarsat-2进行农作物种植面积提取，发现单子叶作物小麦和水稻后向散射系数时相变化规律差异明显，VH极化方式的识别精度达到83%[27]。Sonobe等利用TerraSAR-X数据对小麦、玉米、大豆、甜菜和草地进行遥感识别研究，结果表明不同植被后向散射系数和极化散射机制存在较大差异，识别精度高达95%[16]。Dusseux等利用多时相SAR数据进行草地的识别，结果发现同是单子叶植被的草地、小麦和玉米的后向散射系数差异明显，总体精度高达96%[28]。Xu等人利用Radarsat-2研究小麦物理参数如何影响其后向散射特征，结果表明HV极化对叶片长度最敏感，而HH极化几乎不受叶长度的影响[29]。以上结果表明，SAR数据在不同种植结构区域农作物遥感识别有较好的应用潜力。

表3 典型地物不同极化后向散射对比Table 3 Comparison of different polarimetric backscattering of typical land covers

3.2 可分离性评价

J-M 距离（Jeffries-Matusita distance）常用于评价 2个类别间的差异性程度，J-M距离值为0到2，大于1.9说明类别间可分离性好，大于1.7小于1.9说明类别间分离性较好[16]。为了定量评价地物的可分离性，分别计算了基于不同特征向量组合典型地物（小麦、油菜、林地）的 J-M 距离，计算结果见表 4。从表 4中可以看出：VV+VH、T、VV+VH+T、S、L、VV+VH+T+L和 E的特征组合上，地物可分性很好，J-M距离在1.829到2.000之间；VV和VH特征组合的J-M距离在1.457到1.733之间，可分离性较差；冬小麦在单极化上可分离性较差，而在 VV+VH+T特征组合上可分离性很好。以往众多研究表明，单极化SAR数据在进行农作物识别时存在一定的局限性，已不能满足现有的应用需求[30]，多种极化方式及其组合可有效提高农作物分类与识别精度[31]。分析结果表明，基于SAR数据的VV+VH和VV+VH+T组合地物可分离性较好，而SAR和光学数据的组合可分离性最高，需要进一步分析基于不同特征组合冬小麦提取精度。

表4 典型地物的J-M距离Table 4 J-M distance for typical land covers

3.3 冬小麦分类精度评价

基于SAR和光学影像的不同特征组合进行冬小麦种植面积识别，提取精度见表5。

3.3.1 基于单时相SAR数据冬小麦识别精度分析

当使用遥感影像进行农作物遥感识别时，要尽量选择包含关键信息的时相。为确定冬小麦 SAR遥感识别的最佳时相，本文利用单时相 SAR数据的纹理信息和多极化（VV极化、VH极化）后向散射的组合进行冬小麦遥感识别，分类精度见表6。从表6中可以看出，单时相SAR数据遥感识别精度小于85%，在冬小麦生长中后期分类精度较高，四月中旬分类精度最高。McNairn等研究也表明SAR数据在农作物生长中后期分类精度较高[25]。这主要是由于在农作物生长早期覆盖度相对较低，土壤对后向散射特征起主导作用。冬小麦在三月下旬到四月上旬快速生长，覆盖度迅速增加，冬小麦散射作用逐渐增强，与其他植被可分离性好。五月上旬，冬小麦、油菜和林地散射特征可分性较差。综合以上分析表明：单时相 SAR数据尚不能满足种植结构复杂地区冬小麦遥感识别精度要求；南京地区冬小麦散射特征在四月中旬左右可分离性最好。

表5 不同特征向量组合冬小麦分类精度Table 5 Classification accuracy of winter wheat with different characteristic vector

表6 单时相SAR数据分类结果Table 6 Classification results of single-temporal SAR data

3.3.2 基于SAR后向散射特征冬小麦识别精度分析

Aschbacher等研究表明，就单一时相SAR数据而言，单一的极化方式和低空间分辨率大大限制了农作物SAR分类识别的效果，尤其是在地块破碎、种植结构复杂区域[32]。因此，该研究进一步利用多时相单极化和多时相多极化SAR数据进行冬小麦分类研究。从表5可以看出，VV和VH特征组合的制图精度和用户精度都低于75%，而VV特征组合的分类精度高于VH，这表明基于单极化SAR数据进行种植结构复杂地区冬小麦种植面积提取具有一定局限性，这与 Xu[29]等利用多时相 Radarsat-2 数据在河北进行冬小麦识别试验研究结果一致；VV+VH特征组合的制图精度和用户精度分别是85.7%和87.9%，在一般情况下，当制图精度和用户精度都大于85%，认为这种作物的分类是可靠的[11]，这说明多极化 SAR数据可以替代光学影像用于种植结构复杂地区冬小麦种植面积提取；VV+VH特征组合比VV在制图精度和用户精度上分别提高27.3%和13.6%，比VH在制图精度和用户精度上分别提高35.4%和33.4%，这主要是由于冬小麦对VV极化和VH极化有不同的散射机制，VV+VH特征组合比VV和VH提供更加丰富的小麦雷达波散射信息，有效提高了冬小麦分类识别精度。Silva等利用多极化SAR数据进行农作物分类与识别研究，结果VV-VH极化组合比VV极化精度提高25.9%，VV-HV-HH极化组合总体精度高达91.4%[6]。

3.3.3 引入SAR纹理信息冬小麦识别精度分析

为充分研究利用Sentinel-1A数据，本研究引入其纹理信息进行分类识别研究。利用T特征组合进行分类，冬小麦的制图精度和用户精度都低于75%，表明只利用纹理信息很难满足冬小麦分类识别精度要求；VV+VH+T特征组合冬小麦制图精度和用户精度分别高达93.3%和94.6%（总体精度90.6%，kappa系数0.86），比VV+VH在制图精度和用户精度上分别提高7.6%和6.7%。这说明由于SAR影像斑点噪声的影响，以及单波段、单极化信息的有限性，增加纹理信息后，SAR影像的分类精度明显提高[12]，进一步验证了 SAR数据可以应用于种植结构复杂地区冬小麦种植面积提取。与其他研究结果对比，该研究分类精度有较大提高。如Xu等人利用多时相SAR数据进行冬小麦识别，其中HH+HV+VV组合的制图精度和用户精度分别为84.73%和76.61%[29]。这主要由于该研究添加了SAR数据纹理信息，有效地提高了识别精度。Jia等人研究也表明利用纹理信息可以提高SAR数据分类精度[33]。

光学影像常受云雨天气影响，在生长早期进行农作物种植面积提取难以满足精度要求[34]。本文选取 2016年 1月9、2月26两景Sentinel-1A，进一步对比分析了冬小麦生长早期SAR数据遥感识别精度。特征组合E分类精度大于70%，表明Sentinel-1A在种植结构复杂地区冬小麦生长早期遥感识别有一定应用潜力，后期将添加Sentinel-1A干涉图像和高程信息，有望进一步提高分类精度。

3.3.4 引入光学影像冬小麦识别精度分析

为研究SAR和光学影像的结合对冬小麦种植面积提取的影响，通过对比分析引入光学影像前后冬小麦识别精度表明：VV+VH+T特征组合的分类精度比 S高出2.4%，这表明多时相SAR冬小麦识别精度高于单时相光学影像；VV+VH+T+L特征组合分类精度最高，制图精度和用户精度分别高达97%和98.4%（总体精度95.3%，Kappa系数0.91），比VV+VH+T在制图精度和用户精度上分别提高3.7%和3.8%。对比其他冬小麦提取研究，本文冬小麦识别精度有较大提高。如Jia等人利用ASAR和TerraSAR进行中国华北平原冬小麦识别研究，冬小麦最高制图精度和用户精度分别为94.11%和92.57%[33]。这主要是由于该研究利用了SAR和光学影像的组合进行冬小麦识别，光学影像包含丰富的光谱信息，SAR数据具有较多的空间纹理信息，SAR和光学影像的结合能够弥补两类遥感影像在农作物识别的缺陷提高分类精度。McNairn[25]等研究表明，SAR和光学影像结合可以提高总体精度，并能提高个别作物分类精度。由以上可以得出：当由于天气影响，难以获得理想光学影像时，SAR可以作为光学影像的补充数据提高农作物识别精度，也可以作为独立的遥感影像数据源完成冬小麦的分类识别。

4 结 论

本研究利用多时相多极化星载SAR和光学影像，构建不同极化后向散射系数、SAR数据纹理信息和光学影像特征向量组合，然后对比分析不同特征向量组合提取冬小麦种植面积的精度，最终得到以下结论：

1）在冬小麦生长过程中，后向散射特征变化明显，在四月中旬左右南京地区冬小麦与其他植被后向散射特征差异较大，可以为农作物种植面积提取提供理论依据。

2）同一尺度VV极化的冬小麦识别精度高于VH极化，单极化、单时相SAR数据难以满足种植结构复杂地区冬小麦种植面积提取的精度要求。VV+VH特征组合的制图精度和用户精度分别是85.7%和87.9%，比VH在制图精度和用户精度上分别提高35.4%和33.4%。

3）VV+VH+T特征组合冬小麦制图精度和用户精度分别高达93.3%和94.6%，比VV+VH在制图精度和用户精度上分别提高7.6%和6.7%。SAR数据纹理信息的引入可以有效提高分类精度。

4）VV+VH+T+L特征组合表现最佳，制图精度和用户精度分别高达97%和98.4%（总体精度95.3%，Kappa系数0.91），比VV+VH+T在制图精度和用户精度上分别提高3.7%和3.8%。SAR和光学影像的结合可以提高冬小麦识别精度。

综上所述，当受天气影响，在作物关键生长期无法获得理想光学影像时，多时相 SAR数据可以替代光学影像进行种植结构复杂地区冬小麦种植面积提取。此外，SAR数据纹理信息和光学数据的引入可以有效提高分类精度。

一般认为, 在种植结构单一、简单地区冬小麦较易识别, 而种植结构复杂、地块细碎区域识别精度较低。与以往研究相比，本研究选取中国南方种植结构复杂、雨水丰沛的都市农业区进行冬小麦遥感识别研究，获得了较高的识别精度，对种植结构单一地区应有更高分类精度，因此本研究结果对不同种植结构区域有较好实用性和扩展性。Sentinel-1作为多极化重访周期为6 d的双星系统，其数据免费下载，将为中国农业生产提供有力的数据支撑。另一方面，高分三号作为中国首颗分辨率达到 1 m的C频段多极化合成孔径雷达（SAR）卫星，于2016年8月发射。本研究结果，可以为高分三号的农作物识别及应用提供理论依据。本文在以下方面还需要在今后的研究中进一步补充：本文仅利用了C波段多极化SAR数据进行冬小麦识别研究，没有对小麦进行敏感的检测。下一步本研究将对冬小麦和土壤物理参数进行检测，进而探索这些物理参数与后向散射系数之间的关系；随着雷达技术不断发展，开展多波段、全极化、高空间分辨率、多入射角SAR数据的农作物种植面积提取将是重要趋势。

[1]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)：205－212.Cai Aimin, Shao Yun, Li Kun, et al. Analysis of backscattering characters of winter wheat in different phenophase and its application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 205－212. (in Chinese with English abstract)

[2]朱长明，骆剑承，沈占锋，等. 基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取[J]. 农业工程学报，2011，27(9)：94－99.Zhu Changming, Luo Jiancheng, Shen Zhanfeng, et al.Winter wheat planting area extraction using multi-temporal remote sensing data based on field parcel characteristic[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(9): 94－99. (in Chinese with English abstract)

[3]李瑶，张立福，黄长平，等. 基于 MODIS植被指数时间谱的太湖2001年—2013年蓝藻爆发监测[J]. 光谱学与光谱分析，2016，36(5)：1406－1411.Li Yao, Zhang Lifu, Huang Changping, et al. Monitor of cyanobacteria bloom in lake taihu from 2001 to 2013 based on MODIS temporal spectral data[J]. Spectroscopy and Spectral Analysis, 2016, 36(5): 1406－1411. (in Chinese with English abstract)

[4]王迪，周清波，陈仲新，等. 基于合成孔径雷达的农作物识别研究进展[J]. 农业工程学报，2014，30(16)：203－212.Wang Di, Zhou Qingbo, Chen Zhongxin, et al. Research advances on crop identification using synthetic aperture radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(16): 203－212. (in Chinese with English abstract)

[5]郭丁，顾行发，余涛，等. 极化合成孔径雷达海面成像模拟及分析[J]. 光谱学与光谱分析，2011，31(10)：2643－2646.Guo Ding, Gu Xingfa, Yu Tao, et al. Simulation of polarization SAR imaging of ocean surface[J]. Spectroscopy and Spectral Analysis, 2011, 31(10): 2643－2646. (in Chinese with English abstract)

[6]Silva W F, Rudorff B F T, Formaggio A R, et al.Discrimination of agricultural crops in a tropical semi-arid region of Brazil based on L-band polarimetric airborne SAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5): 458－463.

[7]Stankiewicz K A. The efficiency of crop recognition on ENVISAT ASAR images in two growing seasons[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(4): 806－814.

[8]Skriver H. Crop classification by multitemporal C- and L-band single- and dual-polarization and fully polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(6): 2138－2149.

[9]Jiao X F, Kovacs J M, Shang J L, et al. Object-oriented crop mapping and monitoring using multi-temporal polarimetric Radarsat-2 data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 96: 38－46.

[10]Waske B, Braun M. Classifier ensembles for land cover mapping using multitemporal SAR imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5):450－457.

[11]Skakun S, Kussul N, Shelestov A Y, et al. Efficiency assessment of multitemporal C-Band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,9(8): 1－8.

[12]曾钰. SAR与光学影像融合的变化信息提取[M]. 北京：中国科学技术出版社，2014.

[13]郭华东. 雷达对地观测理论与应用[M]. 北京：科学出版社，2000.

[14]Yayusman L F, Nagasawa R. ALOS-Sensor data integration for the detection of smallholders oil palm plantation in Southern Sumatra, Indonesia[J]. Journal of the Japanese Agricultural Systems Society, 2015, 31(2): 27－40.

[15]Zhang Y, Wang C, Wu J, et al. Mapping paddy rice with multitemporal ALOS/PALSAR imagery in southeast China[J].International Journal of Remote Sensing, 2009, 30(23): 6301－6315.

[16]Sonobe R, Tani H, Wang X, et al. Discrimination of crop types with TerraSAR-X-derived information[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2015, 83－84: 2－13.

[17]何连，秦其明，任华忠，等. 利用多时相 Sentinel-1 SAR数据反演农田地表土壤水分[J]. 农业工程学报，2016，32(3)：142－148.He Lian, Qin Qiming, Ren Huazhong, et al. Soil moisture retrieval using multi-temporal Sentinel-1 SAR data in agricultural areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(3): 142－148. (in Chinese with English abstract)

[18]郑兴明，丁艳玲，赵凯，等. 基于Landsat 8 OLI数据的玉米冠层含水量反演研究[J]. 光谱学与光谱分析，2014，34(12)：3385－3390.Zheng Xingming, Ding Yanling, Zhao Kai, et al. Estimation of vegetation water content from Landsat 8 OLI data[J].Spectroscopy and Spectral Analysis, 2014, 34(12): 3385－3390. (in Chinese with English abstract)

[19]Jia K, Liang S, Gu X, et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J]. Remote Sens Environ, 2016, 177: 184－191.

[20]吴樊，王超，张红. 基于纹理特征的高分辨率SAR影像居民区提取[J]. 遥感技术与应用，2005，20(1)：148－152.Wu Fan, Wang Chao, Zhang Hong. Residential areas extraction in high resolution SAR image based on texture features[J]. Remote Sensing Technology and Application,2005, 20(1): 148－152. (in Chinese with English abstract)

[21]赵凌君，秦玉亮，高贵，等. 利用GLCM纹理分析的高分辨率 SAR图像建筑区检测[J]. 遥感学报，2009，13(3)：483－490.Zhao Lingjun, Qin Yuliang, Gao Gui, et al. Detection of built-up areas from high-resolution SAR images using the GLCM textural analysis[J]. Journal of Remote Sensing, 2009,13(3): 483－490. (in Chinese with English abstract)

[22]贾坤，李强子，田亦陈，等. 遥感影像分类方法研究进展[J]. 光谱学与光谱分析，2011，31(10)：2618－2623.Jia Kun, Li Qiangzi, Tian Yichen, et al. A review of classification methods of remote sensing imagery[J].Spectroscopy and Spectral Analysis, 2011, 31(10): 2618－2623. (in Chinese with English abstract)

[23]邓书斌. ENVI遥感影像处理方法[M]. 北京：高等教育出版社，2014.

[24]Li K, Brisco B, Yun S, et al. Polarimetric decomposition with RADARSAT-2 for rice mapping and monitoring[J]. Can J Remote Sens, 2012, 38(2): 169－179.

[25]McNairn H, Champagne C, Shang J, et al. Integration of optical and synthetic aperture radar (SAR) imagery for delivering operational annual crop inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5):434－449.

[26]陈彦，徐春亮，贾明权，等. 冬小麦后向散射特性的测量分析与模拟研究[J]. 电子科技大学学报，2009，38(5)：707－711.Chen Yan, Xu Chunliang, Jia Mingquan, et al. Measurement analysis and simulation of backscattering properties of winter wheat[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(5): 707－711. (in Chinese with English abstract)

[27]Oyoshi K, Tomiyama N, Okumura T, et al. Mapping rice-planted areas using time-series synthetic aperture radar data for the Asia-RiCE activity[J]. Paddy and Water Environment, 2015, 14(4): 463－472.

[28]Dusseux P, Corpetti T, Hubertmoy L, et al. Combined Use of Multi-Temporal Optical and Radar Satellite Images for Grassland Monitoring [J]. Remote Sensing, 2014, 6(7): 6163－6182

[29]Xu J, Li Z, Tian B, et al. Polarimetric analysis of multitemporal Radarsat-2 SAR images for wheat monitoring and mapping[J]. International Journal of Remote Sensing, 2014,35(10): 3840－3858.

[30]Park N W. Accounting for temporal contextual information in land-cover classification with multi-sensor SAR data[J].International Journal of Remote Sensing, 2010, 31(2): 281－298.

[31]Ferrazzoli P, Guerriero L, Schiavon G. Experimental and model investigation on radar classification capability[J].IEEE Transactions on Geoscience and Remote Sensing, 1999,37(2): 960－968.

[32]Aschbacher J, Pongsrihadulchai A, Karnchanasutham S, et al.Assessment of ERS-1 SAR data for rice crop mapping and monitoring [M]. New York: I E E E, 1995.

[33]Jia K, Li Q, Tian Y, et al. Crop classification using multi-configuration SAR data in the North China Plain[J].International Journal of Remote Sensing, 2012, 33(1): 170－183.

[34]Inglada J, Vincent A, Arias M, et al. Improved early crop type identification by joint use of high temporal resolution SAR and optical image time series[J]. Remote Sensing, 2016,8(5): 362.

Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery

Zhou Tao1, Pan Jianjun1※, Han Tao1, Wei Shanbao2
(1.College of Resources and Environmental Sciences, Nanjing Agricultural University, Nanjing210095,China;2.College of Public Administration, Nanjing Agricultural University, Nanjing210095,China)

Wheat is one of the most important crops for many countries. It is important to obtain accurate wheat planting area.Optical imagery has been widely used in crop classification and made great progress, but the optical imagery in the critical period of wheat growth is often affected by weather and other external conditions. In contrast, synthetic aperture radar (SAR)is potentially effective data source for wheat mapping because of its all-weather, all-day imaging capabilities. The study site was located in a typical urban agricultural region in Gaochun District of Nanjing, the provincial capital of Jiangsu Province,China, with the central coordinates of 118°52'E and 31°19'N. Six SAR (Sentinel-1A) and 4 optical (Landsat-8) images were obtained from the ESA during the growing period of winter wheat. The objective of this study was to explore the abilities of multi-temporal satellite SAR data, optical images and the combination of both types of images to identify winter wheat in an urban agriculture region with complex planting structures. The investigations were through the following steps: 1) The texture features were extracted from the SAR images using the gray level co-occurrence matrix (GLCM), and the backscatter intensity data were also obtained; 2) A support vector machine (SVM) was used as the classifier to map winter wheat, using the different combinations of the Sentinel-1A derived information and optical images. 3) Then, the classification accuracies for different combinations of SAR variables and optical images were evaluated. The results showed that: 1) In the process of winter wheat growth, the backscatter characteristics changed obviously. In the middle of April, the backscatter characteristics were different between winter wheat and other vegetation in the study area, which could provide the theoretical basis for winter wheat classification. 2) Using single polarization, single-temporal SAR data were difficult to meet the accuracy requirements of winter wheat with complex planting structures, and the classification accuracy of VV polarization was higher than that of VH polarization; 3) Compared with VV polarization, the producer’s and user’s accuracy of VV+VH combination were increased by 27.3% and 13.6%, respectively. When VV polarization was added to VH backscatter intensity images, the producer’s and user’s accuracy were increased from 50.3% to 85.7% and from 54.5% to 87.9%, respectively; 4) When texture images were added to backscatter intensity images, the winter wheat fields could be mapped with a satisfactory classification accuracy, and the user’s and producer’s accuracy could reach up to 94.6% and 93.3%, respectively; 5) The combination of multi-temporal SAR and optical images had the best classification accuracy, and the producer’s and user’s accuracy were 97%and 98.4% (overall accuracy 95.3%, Kappa coefficient 0.91), respectively. The addition of multi-temporal SAR to optical images allowed us to increase producer’s and user’s accuracy of winter wheat by 3.7% and 3.8%, respectively. The results in this paper show that the satisfactory classification of winter wheat can be achieved using Sentinel-1A data alone in urban agricultural regions with complex planting structures. In addition, texture features of SAR can improve SAR data classification accuracy. The SAR and optical images can make use of the advantages of information complementation of each other to make up for their deficiencies in crop classification. It is indicated that the SAR data can not only be used as a data source instead of optical images to distinguish winter wheat, but also as a supplementary data source to improve the classification accuracy of optical data.

crops; remote sensing; synthetic aperture radar; winter wheat; optical imagery

10.11975/j.issn.1002-6819.2017.10.028

S127

A

1002-6819(2017)-10-0215-07

2016-10-09

2017-04-11

江苏高校优势学科建设工程资助项目（PAPD）

周 涛，男，河南信阳人，主要研究方向为土壤资源环境遥感及信息技术。南京 南京农业大学资源与环境科学学院，210095。

Email：t_zhou@foxmail.com

※通信作者：潘剑君，男，江苏南京人，博士，教授，博士生导师，主要研究方向为土壤调查与评价与信息生态学。南京 南京农业大学资源与环境科学学院，210095。Email：jpan@njau.edu.cn