基于面向对象的光学和ASAR数据的早稻种植面积早期提取

胡佩敏++熊勤学

摘要：针对目前利用ASAR数据提取作物种植空间分布的精度因相干斑点噪声问题而达不到业务运行要求问题，以全国水稻种植面积最大的湖北省监利县为例，运用空间分辨率为16 m的高分一号多光谱数据，采用图像切割和融合方法提取农田边界，将早稻早期三景ASAR数据以每个对象（一个对象代表一块农田）取均值，以此消除相干斑点噪声，结合早稻早期ASAR数据变化特征（早稻灌水前期ASAR后向散射系数大，灌水后最小，秧苗后期变大），提取监利县2015年早稻种植空间分布。通过与调查区（面积23.4 km2）对比，其Kappa系数为0.83，其精确度较单独用ASAR数据提取方法提高一个层次，该早稻提取方法适合业务化运行。

关键词：边界提取；ASAR数据；种植空间分布；面向对象方法

中图分类号：S511；S126 文献标识码：A 文章编号：0439-8114（2017）16-3140-04

DOI：10.14088/j.cnki.issn0439-8114.2017.16.036

Extracting of Early Season Rice Planting Using Optical and ASAR Data Based on Per-field Classification Method

HU Pei-ming1，XIONG Qin-xue2

（1.Meteorology Agency of Jinzhou City，Jinzhou 434020，Hubei，China；

2.Agricultural College， Yangtze University，Jinzhou 434025，Hubei，China）

Abstract： The aim of this paper is to improve the accuracy of classification of crops plant distribution using sentinel ASAR （Advanced Synthetic Aperture Radar） data. In this paper， the study case place is Jianli county， Hubei Province，which is the largest rice planting area in China， the main method is following， extracting the crop field object border using GF-1 satellite multi-bands optical data based on image segment and merge technical method； averaging the radar backscatter coefficient of ASAR data within each object，this can eliminate the influence of coherent speckle noise； Through the analysis of the ASAR backscattering characteristics of early season rice paddy， found that the backscattering coefficient value of early season rice paddy is higher in Pre-irrigation stage， lower in irrigation stage and raising in seedling stage，built the early season rice paddy identification formula according these rules. Extraction the early season rice planting distribution information in 2015 at Jianli county. According to compared with investigating in place with 23.4 km2 area， the Kappa coefficient is 0.83， The accuracy is improved by only using the ASAR data extraction method. This method is inexactitude to optical remote sensing satellite acquisition date， and ASAR data gained by sentinel 1A satellite is not affected by the clouds， can be obtained regularly， so this method is suitable for crop cultivation spatial distribution information extraction of business operation.

Key words： boundary extraction； ASAR data； crop cultivation spatial distribution； field-based method

高級合成孔径雷达（Advanced synthetic aperture radar，ASAR）具有不受云层影响、全天时、全天候监测作物的特点。在受云层影响大，导致光学影像获取数量少，很难进行水稻监测识别的地区，运用ASAR数据开展水稻监测识别，具有光学遥感无可比拟的优点[1]。根据水稻田早期灌水插秧、秧苗成长以及抗田抑制分蘖等农事活动下的ASAR后向散射系数的差异，很容易提取稻种植区的空间分布[2]，这种基于ASAR时序特征的水稻识别精度业务上可达到86%以上[3，4]，也是高合成孔径雷达传感器监测最成功的农作物之一。影响水稻识别精度的因素很多，如在有所用的波段上，利用C波段建立雷达后向散射系数较X波段和L波段在反映水稻植株高度、物候变化的统计关系上效果较好；在极化方式上，VV极化明显优于HH极化、VH极化[5]；但由于ASAR数据影像中相干斑点噪声的存在，严重影响了信息提取的效果[6]，主要表现在提取的作物区边界不清晰、作物区会有很多空白点以及存在大量面积很小的斑点等现象，尽管有很多滤波方法[7]，但效果不太明显；而光学遥感数据由于使用的波长为微米级，没有相干斑点噪声问题。endprint

本研究以全国水稻种植面积最大的湖北省监利县为例，在分析水稻田ASAR后向散射系数随时间变化的基础上，运用同期光学影像数据進行地物对象提取，通过取每个对象的ASAR后向散射系数均值来消除相干斑点噪声，结合ASAR后向散射系数在水稻早期变化特征，实现高精度早稻种植空间分布信息ASAR提取。

1 研究区概况和数据预处理

1.1 研究区概况

监利县（图1）位于湖北省中南部，长江北岸，面积3 508 km2，气候上具有四季分明，热量丰富，光照适宜，雨水充沛，雨热同季，无霜期长等特点，是全国水稻生产第一大县，根据湖北省农业统计年鉴2000～2015年数据，监利县水稻种植面积常年稳定在16万hm2，主要种植模式有双季稻（早稻+晚稻）、单季稻（中稻），其中早稻面积大约2.7万hm2。

2015年7月，为验证结果的精度，在福田寺镇一块面积为23.4 km2的区域（长6.6 km，宽4.7 km），用GPS仪详细确定了每块早稻田的边界，共142块。

1.2 数据的预处理

从中国资源卫星中心下载2015年5月21日监利上空高分一号（GF-1）卫星16 m分辨率多光谱数据1景，多光谱数据在ENVI软件中经过正射投影转换后，再经过辐射订标、大气校正和几何校正，生成空间分辨率为16 m的覆盖监利县全境的四波段光谱数据，并计算其NDVI指数。

从欧空局的网站上下载2015年5～6月监利境内sentinel 1A卫星C波段干涉宽幅（Interferometric wide swath）模式（空间分辨率5 m×20 m）的ASAR数据3景（5月5日、5月29日、6月5日），在NEST（Next ESA SAR Toolbox）软件下对这3景VV极化数据进行辐射定标、图像配准和多时相产品滤波，最后将3景数据加上NDVI指数数据并成4波段光谱数据（每1景VV极化数据为一个波段，最后一个波段数据为NDVI数据）。

1.3 分类结果验证

将结果数据和验证区数据运用GIS中的聚类分析生成只含0和1数字的栅格数据，0代表非早稻区、1表示早稻区，然后对Kappa系数进行计算，公式[8]如下：

其中，n为栅格总像元，验证区栅格数据中为1的象元数为a1，为0的象元数为a0，结果模拟数据中为1的象元数为b1，为0的象元数为b0，两个栅格对应象元值相等的象元数为s。

2 提取方法

先用预处理过的空间分辨率为16 m的高分一号的四波段光谱数据进行特征值提取，即在ENVI软件中Segment Only Feature Extraction功能对图像进行切割和合并，切割算法选择Edge[8]，尺度大小为20，合并算法为Full Lambda Schedule[9]，合并尺度为30，系统会将多光谱相近的相邻像素归为一个地物，作物种植区地物为农田，最后给出地物边界矢量文件。

在ArcGIS中将地物边界矢量文件与预处理后的ASAR数据进行叠置统计分析，将每块地物内的ASAR数据取均值，并进行矢量转栅格计算，得到消除了相干斑点噪声、边界清晰的ASAR栅格数据，结合本文分析的早稻生长早期ASAR数据特征，得到早稻分类规则，分类后得到监利县早稻种植区空间分布。具体流程如图2所示。

3 结果与分析

3.1 早稻早期ASAR后向散射系数变化特征及分类阀门值确定

图3为5月5日、5月29日、6月5日经过预处理后的早稻ASAR后向散射系数频率分布及与其正态分布曲线，由于这3个日期代表早稻不同的生长情况（5月5日稻田还未灌水、5月29日早稻秧苗期、6月5日早稻秧苗生长期），其后向散射系数差异很大，早稻ASAR后向散射系数表现出由大变小再变大的变化规律，取正态函数正负5%概率作为阀门值标准，得到早稻分类判别函数为：

Y=（b1>0.068）and（b1≤0.145）and（b2>0.002）and（b2≤0.188）and（b3>0.078）and（b3≤0.196）and（b4≤0.25）and（（b3-b2）≥0.02）and（（b1-b2）≥0.005） （3）

式中，b1、b2、b3分别表示5月5日、5月29日、6月5日ASAR后向散射系数；b4为5月21日NDVI指数。Y为1表示是早稻田、为0表示非早稻田。

3.2 结果验证

将23.4 km2的区域早稻田实际空间分布数据与采用本研究方法（用光学数据提取田间边界，用ASAR数据结合公式3计算的分类方法）计算得到的结果数据（图4），用式（1）进行Kappa系数进行计算，得到Kappa系数为0.83；而不用光学数据提取田间边界，直接用ASAR数据进行式（3）计算的分类方法，其结果与实际值进行计算，得到的Kappa系数为0.49（图5）。

从图4和图5可以看出，本文推荐的方法更接近实际情况，其主要优点有：①完全消除了相干斑点噪声的影响，减少了田间内部的空白点；②边界清晰，达到了业务化要求。

3.3 监利县早稻种植空间分布

运用光学数据提取田间边界，用ASAR数据结合式（3）计算的分类方法，得到监利县早稻种植空间分布信息（图6），监利县早稻种植空间分布特点主要表现为早稻主要集中在监利县中上部，超过2 000 hm2的乡镇有分盐镇、福田寺镇、毛市镇和红城乡（图7）。早稻种植空间分布特点与地形有关，监利县地形是簸箕形，南、北、西部地势高，而东部地势低，而早稻主要集中在地势低的地方，地势低的地方因为冬季积水，不适合种夏收作物（小麦和油菜），只能种植双季稻。

4 小结与讨论

成功运用了光学遥感数据的边界提取的准确性，也利用了ASAR数据不受云层影响、全天侯、全天时的特点，实现水稻种植信息的早期提取。由于光学数据提取田间边界对数据获取时间没有严格要求，只要是作物生育期内即可，而ASAR数据，因为雷达卫星不受云层的影响，能定期获取，不会因为关键期遥感数据的缺失而降低作物种植空间分布提取的精度。由于完全消除了相干斑点噪声的影响，其分类精度较传统分类方法的精度有质的提高，因此该方法可以投入业务化运行。endprint

高分辨率的光学遥感数据是准确提取农田边界的保证，同时几何校正的準确率也影响早稻提取的精度，随着中国高分系列卫星发布和sentinel卫星的免费政策，相信水稻提取的精度会越来越高。

参考文献：

[1] 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.

[2] ALEXANDRE B，THUY L T. Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta[J].Remote Sensing of Environment，2011，115：1090-1101.

[3] 谭炳香，李增元.SAR数据在南方水稻分布图快速更新中的应用方法研究[J].国土资源遥感，2000（1）：24-27.

[4] 谭炳香，李增元，李秉柏，等.单时相双极化ENVISAT ASAR数据水稻识别[J].农业工程学报，2006，22（12）：121-127.

[5] CHRISTOPH H，WOLFGANG K，YUXIN M. Best Accuracy land Use/Land cover（LULC） classification to derive crop types using multitemporal，multisensor，and multi-polarization SAR satellite images[J].Remote Sens，2016，8：684-688.

[6] 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.

[7] BENZ U C，HOFMANN P，WILLHAUCK G，et al. Multi-resolution object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS J Photogramm & Remote Sens，2004，58（3）：239-258.

[8] BRADLEY A P. The use of the area under the ROC Curve in the evaluation of machine learning algorithms[J].Pattern Recognition，1997，30（7）：1145-1159.

[9] ROERDINK，JOS B T M，MEIJSTER A. The watershed transform：definitions，algorithms，and parallelization strategies[J].Fundamenta Informaticae，2001，41：187-228.endprint