基于时变特征的多时相PolSAR农作物分类方法

郭 交 尉鹏亮 周正舒 苏宝峰

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业部农业物联网重点实验室， 陕西杨凌 712100；3.联邦科学与工业研究组织数据处理研究所， 珀斯 WA 6014)

引言

获取农作物的分类信息在作物普查、长势监测、产量预估和灾害评估等诸多应用中都具有十分重要的意义，近年来已成为遥感领域的研究热点之一[1-3]。在诸多的遥感手段中，极化合成孔径雷达(Polarimetric synthetic aperture radar，PolSAR)作为一种主动遥感技术，其工作条件不受气候和天气等条件的限制，能够实现全天时、全天候对地观测，具有其它遥感手段无法比拟的优势，因此也受到了越来越多的关注[4]。

在全极化SAR系统中，雷达天线发射两个正交的极化信号(水平极化和垂直极化)，并接收来自观测目标散射的复矢量信号。与传统单极化SAR不同的是，对每个极化通道，全极化SAR接收到的信号包含定量的强度和相位信息，而这些信息在提取目标结构、散射特性等方面也已经获得了大量的应用。近年来，学者们也针对PolSAR数据提出了诸多的分类算法(包含监督型和非监督型)[5]，总体上可分为：基于统计模型的算法[6]；基于电磁波散射机理的算法[7-8]；基于先验知识的算法[9-10]。这些方法尽管获得了一定的分类效果，但是针对农作物的分类主要存在两点不足：

大多数算法都只使用单时相PolSAR数据进行识别分类，但对于农作物而言，单时相的PolSAR图像并不能提供足够多的信息，因为不同的作物在不同生长时期表现出的散射特性显然是不同的，此时单时相PolSAR数据的获取时间必然是一个至关重要的因素，例如仅仅利用农作物播种期获取的PolSAR数据进行分类是非常困难的。因此要提高分类精度，使用多时相PolSAR数据是必要的[11-12]。近年来，随着SAR及其相关技术的发展，越来越多的星载SAR系统成功发射并在轨运行，提供了大量的多时相的PolSAR图像。一些典型的SAR系统也获得了相关应用，例如C波段的RADARSAT-2[13]，L波段的ALOS/ PALSAR-2[14]，X波段的TerraSAR/Tandem[15]， C波段双极化Sentinel-1系统等[16-19]。通过这些在轨的SAR系统可以获得大量的PolSAR数据，这也为多时相PolSAR图像用于农作物分类及其他相关应用提供了有力支撑。

为了利用PolSAR获取观测目标的物理散射机理参数，研究人员相继提出了一系列基于目标特征的极化散射分解算法(例如相干分解、非相干分解)，在这些目标分解算法中，由CLOUDE等[20]提出的H/α/A极化分解算法，在目标散射机理的识别中获得了很好的效果，而且可以根据目标分解结果在H/α平面中的分布进行分类。但是，在H/α分类平面中，有大量的散射点分布在相邻区域的边界上，导致这些点很难做出正确的分类。而且对于农作物，随着作物的生长变化，同一种作物在不同的生长周期中散射特性在H/α平面上的分布位置也会相应改变，因为极化散射机理必然是随着生长周期的变化而变化的。因此，很难直接采用H/α分类平面上划分的子区域进行PolSAR农作物分类。

针对多时相PolSAR的农作物分类，本文基于H/α/A极化分解原理，首先研究试验区内几种典型作物在不同生长周期的极化散射特性，其次定义一个新的参数来描述H/α参数分布区域的变化特征，在此基础上，提出一种基于目标散射特性变化规律的多时相PolSAR农作物监督分类算法，以提高农作物的分类精度。

1 研究区域与数据概况

1.1 研究区域

印第安黑德镇(103°40′32″W, 50°38′11″N)位于加拿大萨斯喀彻温省东南部。该地区四季分明，比较干燥，各地区的差异较大，夏季平均气温25℃，冬季平均气温零下25℃，年降水量大约为500 mm，该地区的作物丰富，主要农作物的种类、生长周期以及对应农作物的播种面积见表1。

表1 研究区域主要农作物Tab.1 Main crops in study area

选择位于该地区一个接近11 km×16 km的矩形区域进行具体研究。地面真实农作物分布情况根据Rapideye图像和地面调查获取，具体的实验区见图1，其中，图1a为与实验区对应的光学图像(来自Google Earth)，图1b为实验区HH极化通道的SAR图像，图1c为实验区各类农作物的分布图。

图1 实验区示意图Fig.1 Sketch maps of experimentation area

1.2 数据

本文研究使用的多时相全极化PolSAR数据由欧洲空间局提供，该数据利用全极化Radarsat-2实测数据通过模拟Sentinel-1的系统参数生成[21-22]，以验证Sentinel-1系统对地面农作物分类的可行性，数据采集时间分别为2009年4月1日、5月1日、6月1日、7月1日、7月2日、8月1日和9月1日，该7个时段的多时相PolSAR数据覆盖了实验区域内主要农作物从播种到收获的整个生长周期，地图投影为WGS84坐标系，并且进行了辐射校正、辐射地形校正、归一化、滤波、几何地形校正以及不同时相全极化SAR数据配准等数据预处理。

2 分类方法

2.1 H/α分解原理

在全极化PolSAR系统中，实际观测的矢量数据可以表示成2×2的复散射矩阵，即

(1)

式中SHH、SHV、SVH、SVV——4个独立的极化通道的散射元素

下标H和V表示水平和垂直两种极化方式。

(2)

(3)

式中n——经过多视处理的视数

〈·〉——统计平均运算符号

由CLOUDE提出的H/α分解是建立在对相干矩阵特征值分析的基础之上，该相干矩阵经过矩阵特征分解，即

(4)

式中λi——矩阵〈T〉的特征值

ei——矩阵〈T〉的特征向量

每个特征向量可以由5个角度来表示，分别记为αi、βi、γi、φi、δi，即

(5)

β——极化方向角的两倍

δ——SHH+SVV和SHH-SVV分解后的相位差

γ——SHH+SVV和SHV分解后的相位差

φ——SHH+SVV分解后的相位

CLOUDE和POTTIER定义了熵参数

(6)

其中

(7)

式中H——散射介质从各向同性散射(H=0)到完全随机散射(H=1)的特性，取0～1

类似地定义α的平均值

确定伺服电机的轮廓曲线后，需要选择机构的分析类型，包括位置分析、运动学分析、动态分析、静态分析和力平衡分析。如果单纯的模拟机构的运动，判断是否干涉，选择位置分析即可。如果分析机构的速度、加速度等参数，需要选择分析类型为运动学分析。选择分析类型后，开始对机构进行运动仿真。根据机构的运动记录利用“测量”工具输出行走机构的速度曲线和加速度曲线，选择测量位置为旋转平台的中心坐标系，机构运动的方向为正方向。行走机构的速度曲线和位置曲线如图3所示。

(8)

2.2 农作物的H/α参数变化特性

相比于其他观测目标，农作物具有一些显著特点，例如裸露地表、建筑物等目标都具有一个较稳定的状态，而农作物通常具有一个较短而且比较稳定的生长周期，包括播种期、分蘖期、茎的伸长期和成熟期等。而且，农作物在整个生长周期中也会表现出不同的外在生物形态，体现在PolSAR图像中也具有不同的极化散射机理。为了进一步说明不同农作物在其生长周期中的散射机理变化规律的差异性，将实验区内各类农作物分为2组进行分析，第1组包括油菜、豌豆和亚麻，给出了它们多时相(7个数据获取时间)PolSAR数据的散射参数在H/α分类平面的分布变化情况，如图2所示。第2组包括3种生物外在形态类似的农作物(亚麻、小扁豆和春小麦)的多时相(7个数据获取时间)PolSAR数据的散射参数在H/α分类平面的分布变化情况，如图3所示。

图2 在H/α平面上油菜、豌豆和亚麻的散射特性分布情况比较Fig.2 Comparions of distribution of H/α plane between rape, peas and flax

图3 在H/α平面上亚麻、小扁豆和春小麦的散射特性分布情况比较Fig.3 Comparison of distribution of H/α plane between flax, lentils and spring wheat

从图2显示的结果和图3的对比分析可以看出：①在农作物的整个生长周期中，其H/α参数分布情况在不断改变，在农作物的生长过程中，H和α参数整体表现出来的变化是随着时间的推移而增大。②不同农作物表现出来的散射特性也有所区别，但不同农作物的散射特性并不是时时不同，例如，在农作物生长周期早期的播种期，即第一个数据采集时间，不同的农作物表现出来的散射特性几乎是一致的，在农作物的生长过程中，随着生长期的变化，不同农作物的H/α参数分布区域也有了越来越明显的区别，因此，仅仅使用生长期初期PolSAR数据识别不同的农作物是非常困难的。③亚麻、小扁豆和春小麦具有类似的生长周期，并且在这段时间内表现出类似的外部形态，导致它们的散射特性类似，那么它们对应的散射特性分布区域在H/α分类平面上的变化规律差异不明显，该特点可作为减少农作物类别进行分类的依据。④进一步，随着农作物的生长，其H和α参数在该平面中的分布区域变化可以近似看成是沿着下边界向右上方移动。因此，对于不同的作物，散射参数具有不同的变化规律，本文也正是以此为出发点，利用这一特性来提高农作物的分类精度。

2.3 描述农作物散射参数变化特性的新参数

从图2和图3的散射特性分布规律和上述分析可以看出，随着农作物的生长，其极化散射参数(H和α)在H/α分类平面上的分布近似沿着下边界曲线向右上方移动(即H和α参数逐渐增大)，如图4所示。

图4 在生长周期中散射特性在H/α平面分布区域位置的改变Fig.4 Changes of H/α distribution zone during growing period

综上所述，随着农作物生长周期的变化，不同农作物的散射特性分布区域沿着下边界曲线的移动量存在较显著差异，所以本文中定义一个新的参数描述该移动量的大小。为了描述H/α平面上散射点分布区域的变化量，本文利用偏移角度的大小来表示区域的移动量，首先在H/α平面上选择一个参考点，该参考点可以近似取为下边界曲线对应的圆心，进而在H/α平面上定义一个新的参数θ，如图5所示。用该参数可以描述不同农作物在其生长周期中随着时间变化的H/α分布区域的变化规律。

图5 参数θ的定义Fig.5 Definition of parameter θ

2.4 基于参数θ的农作物分类方法

为了对不同的农作物做出正确的识别分类，本文基于新定义的参数θ，提出了针对农作物的多时相PolSAR监督分类算法，通过农作物H/α参数值的分布变化情况，提取农作物的类别信息。本文所提出的基于散射特性变化的多时相PolSAR农作物分类方法流程图如图6所示。

图6 基于散射特性变化的多时相PolSAR农作物分类方法流程图Fig.6 Flow chart of proposed method

本文所提算法的主要步骤如下：

(1)单个时相PolSAR数据进行H/α分解：熵H和散射角α是从多时相全极化PolSAR数据中进行H/α分解获取。为了与H/α平面上确定的参考点相连，需要将这2个参数表示为复数的形式，如H+jα的形式。

(2)根据农作物的地面真实分布情况，在雷达图像中随机找出6块区域，分别对应种植6类农作物，并作为训练集。

(3)计算参数θ：首先，确定参考点的选取；其次，用每一类农作物的训练样本，计算出该类农作物各个时相的散射特性分布在H/α平面上相对第一时相散射特性分布的移动角θxy；最后，计算得到训练样本矩阵θ，即

(9)

其中

(10)

式中θxy——第y类农作物训练样本的第x个时相的散射区域相对于该类农作物第一时相的散射区域夹角

Hzxy、αzxy——第x个时相的第y类农作物的第z个训练样本点与参考点相连后的H值和α值

Ny——第y类农作物训练样本的个数

arg(·)——取复数辐角函数

(4)代价函数的计算：将每个未知类别像素点与所得各类农作物训练样本的θ值进行匹配，并由匹配后的结果得到行向量

(11)

(12)

式中dy——未知像素点各个时相的数据与第y类训练样本的θxy对应匹配后的结果

X——数据采集的时相数

(5)类别标记：当被分类点的各个时相数据的辐角与经过式(10)所得的第y类农作物训练样本的各个时相的角度θ差异最小时，该像素点7个时相的矢量经过式(11)计算后，各个矢量的方向最为接近，此时按照式(11)计算的dy为最大值，当式(12)中行向量d的位置信息对应着农作物的类别信息，那么，找出d中最大值的位置信息，即对应为该像素点处农作物的类别信息。

3 数据处理结果与分析

3.1 训练样本集选择

对于每一类农作物，都选定了一定数量的训练集，并且计算出每一类农作物训练样本定义参数θ的大小。对每一类农作物的训练样本选择如图7所示。

3.2 实验区实测数据处理结果

利用本文所提出的方法对实验区数据进行农作物分类，并将处理结果与JONG-SEN LEE提出的基于复Wishart分布的分类方法处理结果进行对比。

首先对该研究区域的主要6类不同作物，即春小麦、小扁豆、豌豆、油菜、亚麻、干草耕地进行分类。基于复Wishart分布算法的农作物分类结果如图8所示，其中，图8a为农作物分类结果，图8b为相应的分类误差。对比地面真实值对分类结果进行精度计算，得到对应的各类农作物正确分类的百分比、整体分类精度、Kappa系数，如表2所示。

图7 在农作物地面真实分布图选择的6类训练样本Fig.7 Training samples selected from ground true map

表2 基于复Wishart分布算法的6类农作物分类结果评估Tab.2 Classification result evaluation of six kinds ofcrops based on complex Wishart distribution %

本文所提出的基于散射特性变化的监督分类方法处理结果如图9所示，表3为6类农作物的分类精度计算结果。

图9 基于本文方法的6类农作物分类结果Fig.9 Classification results of six kinds of crops based on proposed method

通过对图8和图9的分类结果及表2和表3的分类精度进行对比分析可以看出，本文所提出的监督分类方法的整体分类精度达到了74.73%，相比于复Wishart分类方法提高了约4个百分点，部分散射特性变化明显的农作物，其识别精度进一步提高，如相比于复Wishart分布的监督分类方法，豌豆的识别精度提高了约19个百分点。由于部分不同类别的农作物具有类似的生长周期，并且在这段时间内表现出类似的外部形态，导致它们的散射特性类似，并且该类农作物(亚麻和小扁豆)的识别精度较低，最终造成整体分类精度提高不明显，为进一步提高分类精度，将部分散射特性类似的农作物类别合并。根据图3可知，亚麻(第3类)、小扁豆(第4类)和春小麦(第5类)各个时相的散射特性分布区域变化差异较小，因此将亚麻、小扁豆和春小麦合并为一类，其余类别保持不变，随后再次进行分类，并对分类结果进行分析。

表3 基于本文方法的6类农作物分类结果评估Tab.3 Classification result evaluation of six kindsof crops based on proposed method %

图10 基于复Wishart分布的4类农作物分类结果Fig.10 Classification results of four kinds of crops based on complex Wishart distribution

将亚麻、小扁豆和春小麦这3类农作物合并为一类，同时将选择的这3类农作物的训练样本也进行合并，其他类别农作物保持不变，即对4类农作物进行分类，并将处理结果与JONG-SEN LEE提出的基于复Wishart分布的分类方法处理结果再次进行对比。基于复Wishart分布算法的农作物分类结果如图10所示。基于地面真实值对分类结果进行精度计算，得到对应的各类农作物正确分类的百分比、整体分类精度、Kappa系数，如表4所示。

本文所提出的基于散射特性变化的监督分类方法处理结果如图11所示，表5为4类农作物的分类精度计算结果。

通过对图10和图11的分类结果及表4和表5的分类精度进行对比分析，可以看出，本文所提出的监督分类方法的整体分类精度提高约6个百分点。

表4 基于复Wishart分布算法的4类农作物分类结果评估Tab.4 Classification result evaluation of four kinds ofcrops based on complex Wishart distribution %

综上，通过6类和4类农作物的分类结果对比分析，可知本文指出的基于散射特性变化规律的监督分类方法对于农作物结果更佳，并且对于散射特性存在明显区别的农作物也可达到较高的识别精度，结合图2和图3可知，油菜和豌豆两类作物的散射特性分布区域变化差异与其他散射特性较相似的农作物存在明显区别，因此它们的识别精度也相比较高。

指标油菜豌豆春小麦干草耕地各类精度93.5793.0487.9996.09整体精度89.86Kappa系数81.46

4 结论

(1)利用ESA提供的7组多时相全极化SAR数据，通过提出的基于散射特性规律分布的监督型分类算法对印第安黑德镇的一个11 km×16 km矩形农作物区域进行了农作物的分类识别，最终分析获得该区域的农作物分布图。比较理想地提取了春小麦、油菜、豌豆、干草耕地这几类不同类型的作物信息。通过该多时相全极化SAR图像可以直观的反映出空间分布情况，并且为今后的农作物产量预测或者调整种植分布提供了有力的科学依据。

(2)本研究所提出的基于散射特性分布规律的监督型分类算法，当分6类农作物时，分类精度达到了74.73%，相对于复Wishart分布分类方法提高了约4个百分点，对于散射特性在生长周期中，各个时相散射特性分布区域的改变明显区别于其余类别的农作物，那么它的识别精度也有明显提高，如相比基于复Wishart分布的监督分类方法，得到的豌豆识别精度提高了约19个百分点。当合并为4类农作物类别时，整体分类精度相比复Wishart分布的监督分类方法提高了约6个百分点，表明本文方法适用于农作物类别信息提取与分类，能够提高农作物的分类精度。

1 BORYAN C, YANG Z, MUELLER R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, cropland data layer program [J]. Geocarto International, 2011, 26(5): 341-358.

2 王松寒,何隆华. 雷达遥感技术在水稻识别中的研究进展 [J]. 遥感信息, 2015, 30(2): 3-9.

WANG Songhan, HE Longhua. Advances of rice recognition by SAR [J]. Remote Sensing Information, 2015, 30(2): 3-9. (in Chinese)

3 BECKER R I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data [J]. Remote Sensing of Environment, 2010, 114(6): 1312-1323.

4 史舟,梁宗正,杨媛媛,等. 农业遥感研究现状与展望 [J/OL]. 农业机械学报, 2015, 46(2): 247-260. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150237&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.02.037.

SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese)

5 JAFARI M, MAGHSOUDI Y, ZOEJ M J V. A new method for land cover characterization and classification of polarimetric SAR data using polarimetric signatures [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(7): 3595-3607.

6 LEE J S, GRUNES M R, KWOK R. Classification of multi-look polarimetric SAR imagery-based on complex wishart distribution [J]. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

7 LARDEUX C, FRISON P L, TISON C, et al. Support vector machine for multifrequency SAR polarimetric data classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(12): 4143-4152.

8 MAGHSOUDI Y, COLLINS M, LECKIE D G. Polarimetric classification of boreal forest using nonparametric feature selection and multiple classifiers [J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19:139-150.

9 PIERCE L E, ULABY F T, SARABANDI K, et al. Knowledge-based classification of polarimetric SAR images [J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(5): 1081-1086.

10 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.

11 SKRIVER H, MATTIA F, SATALINO G, et al. Crop classification using short-revisit multitemporal SAR data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 423-431.

12 韩宇. 多时相C波段全极化SAR农作物识别方法研究[D]. 呼和浩特：内蒙古师范大学, 2015.

HAN Yu. Research of crop recognition method based on multi-temporal C-band quad-PolSAR [D]. Huhhot:Inner Mongolia Normal University, 2015.(in Chinese)

13 程千,王崇倡,张继超. RADARSAT-2全极化SAR数据地表覆盖分类 [J]. 测绘工程, 2015, 24(4): 61-65.

CHENG Qian, WANG Chongchang, ZHANG Jichao. Land cover classification using Radarsat-2 full polarimetric SAR data [J]. Engineering of Surveying and Mapping, 2015, 24(4): 61-65. (in Chinese)

14 LUCAS R, REBELO L M, FATOYINBO L, et al. Contribution of L-band SAR to systematic global mangrove monitoring [J]. Marine and Freshwater Research, 2014, 65(7): 589-603.

15 ZHU J, QIU X, PAN Z, et al. Projection shape template-based ship target recognition in TerraSAR-X images [J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(2): 222-226.

16 王娇,丁建丽,陈文倩,等. 基于Sentinel-1的绿洲区域尺度土壤水分微波建模 [J]. 红外与毫米波学报, 2017, 36(1): 120-126.

WANG Jiao, DING Jianli, CHEN Wenqian, et al. Microwave modeling of soil moisture in Oasis regional scale based on Sentinel-1 radar images [J]. Journal of Infrared and Millimeter Waves, 2017, 36(1): 120-126. (in Chinese)

17 许璟,安裕伦,刘绥华,等. 基于Sentinel-1A后向散射特性的高原山区地物分类探讨——以安顺市为例 [J]. 贵州师范大学学报:自然科学版, 2016, 34(6): 15-19.

XU Jing, AN Yulun, LIU Suihua, et al. Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features—a case study in Anshun City [J]. Journal of Guizhou Normal University : Natural Sciences, 2016, 34(6): 15-19.(in Chinese)

18 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 CSAE, 2016, 32(3): 142-148. (in Chinese)

19 BONI G, FERRARIS L, PULVIRENTI L, et al. A prototype system for flood monitoring based on flood forecast combined with COSMO-SkyMed and Sentinel-1 data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2794-2805.

20 CLOUDE S R, POTTIER E. An entropy based classification scheme for land applications of polarimetric SAR [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

21 CAVES R. Final report: technical assistance for the implementation of the AgriSAR 2009 campaign [R]. ESA Contract, 2009, 22689/09.

22 CAVES R, DAVIDSON G, MA A, et al. An overview of AgriSAR 2009: data acquisition, data simulation and data analysis [R]. AgriSAR 2009 Final Workshop, ESA ESTEC, 2011.