基于合成孔径雷达的农作物后向散射特性及纹理信息分析*——以吉林省农安县为例

王利花, 金辉虎, 王晨丞, 孙瑞悉

基于合成孔径雷达的农作物后向散射特性及纹理信息分析*——以吉林省农安县为例

王利花1, 金辉虎2**, 王晨丞1, 孙瑞悉1

(1. 成都信息工程大学资源环境学院 成都 610225; 2. 交通运输部天津水运工程科学研究所 天津 300456)

及时掌握农作物类型、时空分布和结构信息, 是合理调整农业结构的重要科学依据。针对光学遥感依赖于太阳辐射, 在农作物生长周期内常受制于云雾的影响而无法获取到光学遥感数据的问题, 本文采用全天时全天候、不受云雾等天气影响的合成孔径雷达(synthetic aperture radar, SAR)影像, 探讨典型农作物的后向散射特性和纹理特征, 为采用合成孔径雷达影像实现高精度农作物大面积监测提供科学依据。以吉林省农安县为例, 利用12景Sentinel-1B双极化SAR影像数据, 经影像预处理和统计分析, 研究不同极化的农作物后向散射特性和纹理信息。结果表明: 3种作物(大豆、玉米、水稻1和水稻2)同极化(VV)的SAR后向散射系数在生长周期内均高于交叉极化(VH), 农作物植株形态改变极化方式的能力为-25~-15 dB。3种作物在整个生长期内, 后向散射系数呈现较大波动, 各阶段后向散射特征差异明显。在生长初期, 土壤对后向散射特征起主要作用, 在SAR图像上表现为暗色调; 随着作物生长, 冠层散射叠加土壤散射作用占据主要位置, 散射值随作物生长呈现逐渐增加的趋势, 在SAR图像上表现为亮色调; 拔节(分枝)后(7月10日后)作物的后向散射信号除冠层散射作用外, 还主要受到土壤含水量及其与作物相互作用的影响, 因此拔节后两种水稻后向散射系数下降幅度较大。水稻对雷达波的吸收强于玉米和大豆, 整体上后向散射系数第2种水稻<第1种水稻<玉米<大豆, 尤其在VH极化方式下表现更明显。对作物SAR纹理信息的研究表明纹理信息的均值、方差和协同性对于农作物的SAR识别更有效, 最佳纹理信息为VH极化均值, 有利于识别3种作物; VV极化方差和VV协同性有助于区分两种水稻; SAR影像识别作物的最佳时相为5月23日至7月10日。

合成孔径雷达(SAR); 农作物; 后向散射特性; 纹理信息; 同极化; 交叉极化

农业是我国国民经济的基础, 及时掌握农作物类型、时空分布和结构信息, 是合理调整农业结构的重要科学依据。传统的地面抽样调查方法费时费力, 且较容易出现错报、漏报等问题, 及时准确高效地获取各类作物的面积及时空分布信息较为困难。航天技术尤其是卫星遥感技术的发展为农作物的识别、面积统计、长势监测、产量预报及灾害预测及评估等问题提供了一条快速而有效的途径。自20世纪80年代以来, 国内外众多学者基于光学遥感数据对不同时空尺度下的多种农作物种植及生长情况进行了监测[1-4]。目前主要使用光学遥感数据来监测各地农作物种植和生长状况, 但我国大部分地区在农作物生长时期内常被云雾覆盖, 实时获取农作物种植与生长情况十分困难。与光学遥感(可见光、红外、热红外)相比, 合成孔径雷达(synthetic aperture radar, SAR)不依赖阳光、能够穿透云雾甚至土壤表层实现全天时全天候观测地面, 提供不同于光学遥感以外的信息。Skriver[5]采用EMISAR机载雷达数据评估不同波段(C和L波段)和不同极化方式(HH极化、VV极化和交叉极化)组合用于农作物分类精度的研究, 认为多波段和多极化方式的组合有助于分类精度的提高。Blaes等[6]评估了C波段SAR影像不同极化和入射角用于玉米()监测的可行性, 发现当叶面积指数达4.6时, C波段单极化SAR对于玉米的生长监测敏感。Skakun等[7]考虑到光学遥感受制于云雨的缺点, 综合采用光学Landsat-8/OLI和Radarsat-2 SAR影像评估SAR后向散射系数用于信息提取对精度提高的贡献, 研究发现单独采用SAR影像后向散射系数用于小麦()和油菜()的区分和光学分类效果一样, 采用光学并辅助SAR后向散射系数有助于更好地区分向日葵()、大豆()和玉米。

众多研究人员开展了不同作物在不同入射角、不同极化方式下的雷达响应特性分析, 包含散射强度和相位信息, 认为雷达响应特性可以更好地反映作物的形态、结构和生长等信息, 为各种作物的监测提供丰富的数据支持[8-14]。但多数研究都集中在不同农作物SAR后向散射特性的研究上, 较少关注不同农作物SAR纹理特征的分析, 纹理信息作为不同地物宏观结构和微观结构的综合表现, 是地物特征空间灰度信息在遥感影像中的空间变化表现形式, 是SAR影像上的重要信息, 可以用来描述地表的空间分布状态和粗糙程度, 是判别地物的重要标志[15]。纹理信息作为SAR影像进行地物识别的重要特征, 可以一定程度上解决SAR影像中的“异物同谱”和“同物异谱”现象。因此, 本文利用Sentinel-1B卫星的双极化SAR数据, 以吉林省农安县为例, 同时分析农作物不同极化的后向散射特性和纹理特征, 为构建基于SAR数据的典型农作物分类体系提供基础信息, 提高农作物遥感识别精度, 解决农作物遥感监测易受天气情况制约、“异物同谱”和“同物异谱”现象, 为全天候精细化农作物遥感监测提供参考。

1 研究区概况

农安县隶属吉林省长春市, 位于松辽平原腹地(124°31′~125°45′E, 43°55′~44°55′N), 年均气温4.7 ℃, 无霜期145 d, 降水量507.7 mm, 有效积温2 800 ℃。区域地势平坦, 四季分明, 属中温带大陆性气候。全县幅员5 400 km2, 其中耕地面积37.5万hm2, 林地面积6.5万hm2, 草原面积3.5万hm2, 水域面积2.2万hm2。地貌类型有高台地、台地、二级阶地、一级阶地、河漫滩、沙丘、洼地、冲沟等, 土壤以黑钙土、草甸土和黑土为主。自然植被仅在局部残留, 区域内主要是较为均一的农田景观, 以玉米、大豆和水稻()为主[16]。

2 研究方法

2.1 SAR数据源及预处理

SAR影像采用Sentinel-1B卫星数据, 波段为C波段, 中心频率为5.405 GHz, 其基本参数见表1。

以吉林省农安县为例, 每期覆盖研究区域需2景Sentinel-1B卫星SAR干涉宽幅模式(IW, interferometric wide swath)的地距(GRD, ground range detected)格式数据, 针对农作物4—9月的生长周期, 共计采用12景SAR影像(表2), 入射角为29°~46°, 每景影像都同时具有同极化(VV极化)和交叉极化(VH极化)两种极化方式。

表1 Sentinel-1B合成孔径雷达(SAR)传感器参数

表2 用于农作物后向散射特性及纹理信息分析的Sentinel-1B合成孔径雷达(SAR)影像

2.2 SAR影像后向散射系数计算

SAR影像数据处理采用欧洲空间局开发的SNAP软件, 主要预处理包括距离向多普勒地形校正、噪声去除、裁剪镶嵌和辐射定标等。通过对SAR影像进行辐射定标可以获取不同地物的雷达后向散射系数, 具体辐射定标的公式为:

2.3 SAR影像纹理特征提取

图1 2017年8月15日吉林省农安县的Sentinel-1B合成孔径雷达(SAR)影像

统计分析法的纹理特征提取, 能够较好地描述纹理细节和随机性, 适于地物分布复杂的SAR影像[20-21]。本文将4个方向的灰度共生矩阵的平均值作为图像中心像元的灰度共生矩阵, 基准窗口大小选择5×5, 灰度量化级别选择64, 提取8个纹理特征, 分别是均值、方差、对比度、相关性、相异性、协同性、信息熵和角二阶矩。但这些描述纹理参数的不同特征之间存在着相关性, 多特征的联合会带来特征信息的冗余, 当纹理特征的数量增加时, 分类的复杂性相应增加, 但不一定带来好的识别效果。因此, 通过主成分分析方法, 在保留最大信息量的前提下, 突出主要信息, 最终确定均值(MEAN)、方差(VAR)、协同性(HOM)和信息熵(ENT)4个纹理参数[具体计算见式(3)-(6)], 获取典型农作物SAR影像在生长周期内的纹理特征。

3 结果与分析

3.1 典型农作物后向散射特性分析

以2017年8月15日的Sentinel-1B SAR影像为例(图1), 分析研究区内大豆、玉米和两种水稻类型(分别命名为水稻1和水稻2)不同极化下后向散射系数特性(图2)。针对SAR影像VV极化的农作物, 整体上后向散射值大豆>玉米>水稻1>水稻2, 大豆的后向散射信号表现为明显的亮色调。而在VH极化的SAR影像上, 玉米的后向散射系数和大豆差别较小, 但都高于水稻的后向散射信号。不论在VV极化还是VH极化, 水稻与大豆、玉米相比, 都表现为低的后向散射信号值, 为暗色调, 农作物的后向散射信号主要取决于作物本身、土壤及其相互作用的共同影响, 但水稻需要经常灌水, 土壤表面较平且含水量较大, 多发生镜面反射, 导致弱的后向散射信号, 后向散射系数小。相比于VH极化的SAR影像, 农作物在VV极化上表现更明显的差异, 区分度更高, 对于农作物的识别更有效。为了更详细分析农作物不同生长阶段的SAR影像特征, 特进行时间序列的农作物后向散射特性分析。

叶是玉米重要的组成部分, 对SAR后向散射的贡献较大, 考虑玉米内部以及玉米和地表之间的多次散射, 玉米的后向散射信号主要包括玉米叶层的后向散射, 玉米和地表相互作用的后向散射以及玉米茎秆的直接后向散射, 在玉米生长的吐丝及成熟期还包括穗的后向散射。在玉米整个生长期内, 针对VV极化的SAR影像, 玉米后向散射系数分布在-15~-9 dB, 均值为-11 dB; VH交叉极化下, 玉米后向散射系数分布在-23~-15 dB, 均值为-19 dB, 说明农作物植株形态改变极化方式的能力, 是体散射和多次散射造成的结果。

大豆主要由主干(茎)、叶(叶片及叶柄)、果实3部分组成, 大豆的后向散射机制主要考虑大豆的直接散射, 大豆和地面相互作用的后向散射以及大豆和地面相互作用的多次散射。和玉米后向散射特征一致, 在大豆整个生长周内, VV极化后向散射高于VH极化。和玉米相比, 不论是VV极化还是VH极化下, 大豆后向散射系数均略高于玉米后向散射系数, 可能的原因是大豆植株分布密集程度高于玉米, 即大豆分布的粗糙度高于玉米, 因此大豆田在SAR影像中的色调比玉米田亮(图2)。

水稻后向散射机制由于雷达回波路径不同包括表面散射和体散射。鉴于水田含水量大, 雷达波在水稻生长期中的散射又可以详细分为: 水稻植株表面的直接散射, 水稻与水体表面的散射, 水体表面与水稻的体散射, 以及水体与水稻间的多路径散射。每次散射都会导致雷达波能量的大幅度衰减, 因此, 多路径散射在水稻的散射机制中可以忽略不计。由于水体的吸收作用, 水稻的SAR后向散射值较小, 小于玉米和大豆的后向散射信号, 水稻田在SAR影像上的色调明显暗于玉米田与大豆田。

上述作物后向散射特性分析表明(图3): 1)3种作物的VV极化后向散射特性在生长期内均高于VH极化, VH极化说明农作物植株形态改变极化方式的能力, 为-25~-15 dB, 说明农作物冠层形态特征对雷达后向散射影响的波动较小。2)在整个生长期内, 农作物后向散射系数呈现较大的波动, 各阶段后向散射特征层次明显。3)大豆和玉米在生长初期, 土壤对后向散射特征起主要作用, 地表粗糙度相对较小, 因此后向散射信号较弱, 系数较小, 在SAR图像上表现为暗色调; 随着大豆和玉米的生长, 作物叶密度和茎密度逐渐增加, 冠层散射叠加土壤散射作用逐渐代替单一土壤散射的主导作用占据主要位置, 散射值随作物生长呈现逐渐增加的趋势, 至7月份达到最大值, 之后作物步入成熟期, 后向散射系数基本保持稳定至收割。4)两种水稻拔节后的后向散射信号除冠层散射作用, 还主要受到土壤含水量及其与水稻相互作用的影响, 整体上后向散射信号小于玉米和大豆。

图2 2017年8月15日农安县典型农作物Sentinel-1B合成孔径雷达(SAR)不同极化方式的后向散射系数

图3 VV和VH极化方式下农作物后向散射系数随作物生长的变化规律

3.2 典型农作物纹理特性分析

采用基于灰度共生矩阵的统计分析方法, 获取3种农作物不同极化SAR影像在生长周期内的纹理特征, 包括均值、方差、协同性和信息熵, 结果如图4。

均值: 3种农作物不同极化方式下纹理均值随时相变化差异明显(图4a)。VV极化下, 农作物的纹理均值集中分布在20~25, 纹理的平均亮度较大; 而VH极化的均值相对较小, 分布在12~22, 纹理的平均亮度较小, 但波动较大。大豆和玉米不同极化的均值整体表现为先增加后稳定(VV极化)或先增加后略有下降(VH极化)的趋势。两种水稻VV极化的均值在4月17日、5月23日、7月10日和8月15日4个时相上均呈现明显的差异, 水稻1的均值远大于水稻2的均值, 差异在1.5~2.0, 说明水稻1在这4个时相上, 局部区域纹理的平均亮度较大, 水稻2相对较暗。两种水稻VH极化的均值在5月23日、6月16日和8月15日3个时相上有明显的差异, 水稻1的均值高于水稻2。综上分析, 相对于VV极化的纹理均值, VH极化均值更有利于识别3种农作物, 最佳识别时相应为5月23日至7月10日。

方差: 大豆和玉米VV极化和VH极化的方差随农作物生长基本保持不变或有微小波动, 且大豆和玉米在相同极化方式下的方差差异很小, 最大差异仅为0.6, 出现在6月16日的VH极化方式下, 即播种至出叶阶段, 说明大豆和玉米的纹理强度信息基本稳定, 且不同极化之间无明显差异(图4b)。两种水稻在VV极化的方差差异较大, 水稻2在整个生长期内波动最大, 最大波动出现在5月23日至6月16日, 波动量为2.46; 水稻1波动最大出现在6月16日至7月10日, 波动量为1.90。大的方差变化说明水稻在VV极化图像上纹理强度表现相对分散, 变化较大。VH极化的两种水稻仅6月16日方差差异较大, 其他时间基本没有变化, 整体趋势上也较VV极化平稳, 说明水稻VH极化的图像纹理强度表现相对集中, 变化较小。综上, 方差有利于区分两种不同类型的水稻, 有利于SAR对两种水稻的识别, VV极化的识别效果更好, 最佳识别时相为5月23日至6月16日(图4b)。

图4 VV和VH极化方式下农作物纹理信息随作物生长变化规律

协同性:3种农作物不同极化方式下纹理协同性随时相变化差异明显, VH极化的协同性均大于对应农作物VV极化的协同性, 说明VH极化的农作物图像纹理更均匀。大豆和玉米同极化和交叉极化的协同性随农作物生长无明显变化, 整体上很平稳; 但两种水稻呈现明显的波动变化; VH极化方式下水稻1变化幅度最大, 出现在5月23日至7月10日, VV极化方式下水稻2变化幅度最大, 出现在5月23日至6月16日; 7月10日之后随着农作物逐渐成熟, 各种农作物的协同性趋于稳定。VV极化和VH极化的协同曲线, 大豆和玉米基本重合, SAR影像的识别难度较大; 相比于VH极化, 水稻1和水稻2在VV极化区分度更大, 有利于SAR影像的识别, 最佳识别时相应为5月23日至6月16日(图4c)。

信息熵: 3种农作物不同极化方式下信息熵随时相变化差异较小, 仅在VH极化上4月17日至5月23日有较大波动(图4d)。VV极化的信息熵均大于对应农作物VH极化的信息熵, 说明VV极化的农作物图像纹理信息更丰富, 更复杂。大豆和玉米VV极化的信息熵在农作物生长周期内基本保持稳定, 无明显变化; 两种水稻相对有明显的起伏波动, 但整体平稳, 信息熵集中在2.70~2.90。VH极化下, 在4月17日作物刚播种还未出叶期, 信息量最低, 为1.90左右; 至5月23日, 3种作物均已出叶, 信息量迅速增高至2.70左右, 之后保持平稳。信息熵的结果表明农作物在5月23日出叶之后, 农作物图像纹理的信息量和复杂度基本达到饱和, 各种作物VH极化和VV极化的图像信息熵纹理无显著差别, 不利于SAR影像进行地物识别。

纹理信息结果显示, 3种农作物在不同极化方式下, 信息熵随农作物生长变化存在较小波动, 主要受农作物物候信息影响, 在作物刚播种还未出叶期, 信息熵较小, 随着作物出叶, 信息熵值有所增长, 生长后期信息熵和复杂度基本达到饱和, 各种作物在VV极化和VH极化图像上无明显差别, 不利于SAR影像进行农作物的区分。3种农作物不同极化方式下, 方差随大豆和玉米生长基本保持不变或有微小波动, 不利于SAR影像的识别; 但两种水稻在VV极化上方差差异较大, 水稻2在整个生长周期内波动大而水稻1波动小, 说明方差有利于区分两种不同类型的水稻, VV极化的识别效果更好, 最佳识别时相为5月23日至6月16日。针对协同性的纹理特征, VH极化的农作物图像纹理更均匀, 大豆和玉米协同性基本一致, SAR影像识别难度较大, 但水稻1和水稻2在VV极化上协同性差异较大, 最佳识别时相应为5月23日至6月16日。相比信息熵、协同性和方差, 3种农作物不同极化方式下纹理均值都随时相变化差异明显, VH极化方式下, 大豆均值高于玉米, 有利于SAR影像的识别; 两种水稻VH极化均值在5月23日、6月16日和8月15日3个时相上有明显的差异, 水稻1均值高于水稻2。综上分析, VH极化均值更有利于识别3种农作物, 最佳识别时相应为5月23日至7月10日。

4 结论

以吉林省农安县农作物生长期内4—9月Sentinel-1B SAR干涉宽幅模式的双极化数据为数据源, 经SAR影像处理, 结合统计分析方法, 挖掘农作物生长期内SAR后向散射特性及纹理特征, 得到以下结论:

1)3种作物同极化(VV极化)后向散射特性在生长期内均高于交叉极化(VH极化), 交叉极化说明农作物植株形态改变极化方式的能力, 为-25~-15 dB。

2)作物在生长周期内后向散射系数呈现较大的波动, 各阶段后向散射特征差异明显。在生长初期, 土壤对后向散射特征起主要作用, 地表粗糙度相对较小, 在SAR图像上表现为暗色调; 随着作物生长, 作物叶密度和茎密度逐渐增加, 冠层散射叠加土壤散射作用占据主要位置, 散射值随作物生长呈现逐渐增加的趋势, 在SAR影像上表现为亮色调; 拔节(分枝)后(7月10日后)作物的后向散射信号除冠层散射作用外, 还主要受到土壤含水量及其与作物相互作用的影响, 因此拔节后两种水稻后向散射系数下降幅度较大。

3)水稻为水田作物, 在整个生长周期内对雷达波的吸收高于旱地的玉米和大豆, 整体趋势上后向散射系数第2种水稻<第1种水稻<玉米<大豆。此种后向散射特性在VV极化上表现更明显, 利于SAR影像的农作物识别。

4)纹理信息是SAR影像的重要特征, 就单一纹理信息而言, SAR影像的VH极化均值是识别3种农作物的最佳纹理特征, 识别的最佳时相为5月23日至7月10日。

5)农作物后向散射系数和纹理特征的详细分析, 有助于选择合适的SAR影像特征参数实现农作物的高效高精度识别。

[1] 汤传勇, 卢远. 利用面向对象的分类方法提取水稻种植面积[J]. 遥感应用, 2010, (1): 53–56 TANG C Y, LU Y. Research on extraction of rice planting area based on object-oriented classification method[J]. Remote Sensing Application, 2010, (1): 53–56

[2] 谭琨, 杜培军. 基于支持向量机的高光谱遥感图像分类[J]. 红外与毫米波学报, 2008, 27(2): 123–128 TAN K, DU P J. Hyperspectral remote sensing image classification based on support vector machine[J]. Journal of Infrared and Millimeter Waves, 2008, 27(2): 123–128

[3] 范磊, 程永政, 王来刚, 等. 基于多尺度分割的面向对象分类方法提取冬小麦种植面积[J]. 中国农业资源与区划, 2010, 31(6): 44–51 FAN L, CHENG Y Z, WANG L G, et al. Estimation of winter wheat planting area using object-oriented method based on multi-scale segmentation[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2010, 31(6): 44–51

[4] 王红营, 潘学鹏, 罗建美, 等. 基于遥感的华北平原农作物时空分布变化特征分析[J]. 中国生态农业学报, 2015, 23(9): 1199–1209 WANG H Y, PAN X P, LUO J M, et al. Using remote sensing to analyze spatiotemporal variations in crop planting in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(9): 1199–1209

[5] 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

[6] BLAES X, DEFOURNY P, WEGMULLER U, et al. C-band polarimetric indexes for maize monitoring based on a validated radiative transfer model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(4): 791–800

[7] 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, 2016, 9(8): 3712–3719

[8] 王安琪, 周德民, 宫辉力. 基于雷达后向散射特性进行湿地植被识别与分类的方法研究[J]. 遥感信息, 2012, 27(2): 15–19 WANG A Q, ZHOU D M, GONG H L. A research on method of wetland vegetation identification and classification based on radar backscatter characteristics[J]. Remote Sensing Information, 2012, 27(2): 15–19

[9] 高晗, 汪长城, 杨敏华, 等. 基于高分三号极化SAR数据的农作物散射特性分析及分类[J]. 测绘工程, 2019, 28(3): 50–56 GAO H, WANG C C, YANG M H, et al. Scattering feature analysis and classification of crops based on GF-3 PolSAR data[J]. Surveying Engineering, 2019, 28(3): 50–56

[10] 贾明权. 水稻微波散射特性研究及参数反演[D]. 西安: 电子科技大学, 2013: 8 JIA M Q. Research on rice microwave scattering mechanism and parameter inversion[D]. Xi’an: University of Electronic Science and Technology, 2013: 8

[11] 曾旭婧, 邢艳秋, 单炜, 等. 基于Sentinel-1A与Landsat 8数据的北黑高速沿线地表土壤水分遥感反演方法研究[J]. 中国生态农业学报, 2017, 25(1): 118–126

ZENG X J, XING Y Q, SHAN W, et al. Soil water content retrieval based on Sentinel-1A and Landsat 8 image for Bei’an-Heihe expressway[J]. Chinese Journal of Eco-Agriculture, 2017, 25(1): 118–126

[12] MCNAIRN H, VAN DER SANDEN J, BROWN R J, et al. The potential of RADARSAT-2 for crop mapping and assessing crop condition[J]. Japanese Journal of Radiological Technology, 2000, 49(2): 69–72

[13] 王利花, 路鹏. “微波遥感”课程教学改革探索与实践[J]. 测绘通报, 2018, (10): 140–143 WANG L H, LU P. Teaching reform exploration and practice in the course of microwave remote sensing[J]. Bulletin of Surveying and Mapping, 2018, (10): 140–143

[14] 王延霞, 史照良, 盛业华, 等. 水田SAR后向散射强度及干涉相干特性研究[J]. 测绘通报, 2015, (3): 37–39 WANG Y X, SHI Z L, SHENG Y H, et al. Study on SAR backscattering intensity and coherent interference characteristics of paddies[J]. Bulletin of Surveying and Mapping, 2015, (3): 37–39

[15] 张萍萍, 申双和, 李秉柏, 等. 水稻极化散射特征分析及稻田分类方法研究[J]. 江苏农业科学, 2006, (1): 148–152 ZHANG P P, SHEN S H, LI B B, et al. Studies on rice polarization backscatter signatures and rice mapping methodology[J]. Jiangsu Agricultural Science, 2006, (1): 148–152

[16] 何艳芬, 张柏, 马超群. 松嫩平原土地景观动态对旱灾的影响研究——以吉林省农安县为例[J]. 干旱地区农业研究, 2005, 23(1): 172–178 HE Y F, ZHANG B, MA C Q. Effects of landscape on draught occurrences in the Songnen Plain — A case study using Nong’an County as its subject[J]. Agricultural Research in the Arid Areas, 2005, 23(1): 172–178

[17] GONG L X, WANG C, WU F, et al. Earthquake-induced building damage detection with post-event sub-meter VHR TerraSAR-X staring spotlight imagery[J]. Remote Sensing, 2016, 8(11): 887

[18] HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610–621

[19] BARALDI A, PARMIGGIANI F. An investigation of the textural characteristics associated with gray level co-occurrence matrix statistical parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 33(2): 293–304

[20] GONG M G, LI Y, JIAO L C, et al. SAR change detection based on intensity and texture changes[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 123–135

[21] 周涛, 潘剑君, 韩涛, 等. 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): 215–221ZHOU T, PAN J J, HAN T, et al. Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery[J]. Transactions of the CSEA, 2017, 33(10): 215–221

Backscattering characteristics and texture information analysis of typical crops based on synthetic aperture radar: A case study of Nong’an County, Jilin Province*

WANG Lihua1, JIN Huihu2**, WANG Chencheng1, SUN Ruixi1

(1. College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China; 2. Tianjin Research Institute for Water Transport Engineering, Ministry of Transport, Tianjin 300456, China)

Agriculture is the foundation of the national economy. Clarifying crop type, spatial and temporal distribution, and planting structure is an important scientific basis for the rational adjustment of agricultural framework. Optical remote sensing relies on solar radiation and is often subject to the influence of clouds. Therefore, optical remote sensing images cannot be obtained during cloudy weather. Synthetic aperture radar (SAR) images are not affected by cloud and fog and can provide all-day, all-weather data. Therefore, the backscatter characteristics and texture information of typical crops can be analyzed by using SAR images, which may improve accuracy of large area monitoring of crops in all weather conditions. In this study, Nong’an County in Jilin Province was taken as the study area, and 12 Sentinel-1B SAR images with dual-polarization were pre-processed. Then the SAR backscattering characteristics and texture information of typical crops with dual polarization were analyzed. The results showed that the co-polarization (VV) SAR backscattering coefficients of three crops (soybean, corn, rice 1 and rice 2) were higher than the cross-polarization (VH) coefficients during the growth period, and the ability of crop plants to change the polarization mode was about-25 to-15 dB. Over the whole growth seasons of crops, the backscattering coefficients showed large fluctuations. The backscattering characteristics of each growth stage were different. During the early growth stage of three crops, the soil played a major role in determining the backscattering characteristics, and the roughness of soil was small. Therefore, the three crops on the SAR images were dark in color. With the growth of the crops, the backscattering from crops was mainly due to canopy scattering and soil scattering. The backscatter coefficient value increased with crop growth, which meant that the color of the crops changed to a relatively bright shade on the SAR image. When crops reached the jointing stage or branching stage (after July 10), in addition to canopy scattering, their backscattering signal was strongly affected by the soil water content and its interaction with respective crops. The soil water content of rice was high. Therefore, the backscattering coefficient of rice considerably decreased after the jointing stage. The absorption of radar waves by rice was stronger than those of corn and soybean, which meant that the backscattering coefficient of rice was smaller than the coefficients for corn and soybean, especially in the VH polarization SAR images. The crop SAR texture information analysis showed that the mean, variance, and homogeneity could accurately identify crops on SAR images. The best texture information was the mean of VH polarization. The variance and homogeneity of VV polarization could also accurately identify the two kinds of rice. The best recognition phase for the crops on SAR images was from May 23 to July 10.

Synthetic aperture radar (SAR); Crops; Backscattering characteristics; Texture information; VV polarization; VH polarization

, E-mail: 1816091996@qq.com

Apr. 10, 2019;

May 27, 2019

P23

2096-6237(2019)09-1385-09

10.13930/j.cnki.cjea.190274

金辉虎, 主要从事环境保护和环境评价方面的研究。E-mail: 1816091996@qq.com 王利花, 主要从事微波遥感、资源与环境遥感等方面的研究。E-mail: wanglh@cuit.edu.cn

2019-04-10

2019-05-27

* This study was supported by the National Natural Science Foundation of China (41706196), Sichuan Science and Technology Program (2018JY0484) and the Natural Science Key Research Program of Education Department of Sichuan Province (18ZA0103).

* 国家自然科学基金项目(41706196)、四川省科技计划项目(2018JY0484)和四川省教育厅自然科学重点项目(18ZA0103)资助

王利花, 金辉虎, 王晨丞, 孙瑞悉. 基于合成孔径雷达的农作物后向散射特性及纹理信息分析[J]. 中国生态农业学报(中英文), 2019, 27(9): 1385-1393

WANG L H, JIN H H, WANG C C, SUN R X. Backscattering characteristics and texture information analysis of typical crops based on synthetic aperture radar: A case study of Nong’an County, Jilin Province[J]. Chinese Journal of Eco-Agriculture, 2019, 27(9): 1385-1393