國賢玉， 李坤， 王志勇， 李宏宇， 楊知

(1.山東科技大學(xué)測繪科學(xué)與工程學(xué)院，青島 266590；2.中國科學(xué)院遙感與數(shù)字地球研究所，北京 100101；3.中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京 100083；4.中國電力科學(xué)研究院輸變電工程研究所，北京 100055)

0 引言

水稻是世界三大糧食作物之一，為我國一半以上的人口提供糧食來源。種類和種植方式的不同導(dǎo)致水稻長勢、產(chǎn)量存在一定差異，傳統(tǒng)的水稻制圖(區(qū)分水稻和非水稻)已經(jīng)難以滿足高精度農(nóng)業(yè)應(yīng)用的需求。因此實現(xiàn)水稻精細制圖，區(qū)分不同水稻品種與種植方式，為水稻長勢監(jiān)測提供更精準(zhǔn)的信息，對于現(xiàn)代農(nóng)業(yè)的發(fā)展具有重要意義。

緊致極化SAR(compact polarimetry synthetic aperture Radar，CP-SAR)降低了系統(tǒng)復(fù)雜度與能耗，縮小了傳感器體積，已成為新一代對地觀測SAR系統(tǒng)的重要發(fā)展趨勢之一[1]。與全極化SAR相比，CP-SAR不僅能夠保持豐富的極化信息，還能實現(xiàn)更大的幅寬與入射角范圍。近年來，CP-SAR相關(guān)研究主要集中在3方面：①CP-SAR系統(tǒng)接發(fā)模式研究[2-3]；②CP-SAR模擬與偽極化(pseudo-quad-pol，PQ)SAR重建方法研究[4-5]；③CP-SAR應(yīng)用研究，如信息提取[6]、作物分類[7]、森林參數(shù)反演[8]、海冰和溢油[9-10]等。雖然目前基于CP-SAR的應(yīng)用研究覆蓋面很廣，但還不夠深入，以農(nóng)業(yè)應(yīng)用為例，大多數(shù)研究都集中在簡單的作物制圖上，對于種植方式和種類的區(qū)分研究很少。

目前SAR水稻制圖方法主要依據(jù)有3類：①后向散射特性的時相變化規(guī)律[11-12]；②不同極化后向散射特性的差異[13]；③全極化散射機理特點[14-15]。前2類方法都只利用后向散射強度信息，不包含雷達回波的相位信息。第3類方法精度高，普適性較強，對數(shù)據(jù)時相的要求也較低。雖然全極化SAR在水稻制圖中具有較大優(yōu)勢，但全極化系統(tǒng)的脈沖重復(fù)頻率是單雙極化的2倍，相應(yīng)的幅寬也小，限制了大范圍水稻制圖的應(yīng)用。因此，在同時兼顧制圖精度與面積的情況下，CP-SAR是最佳選擇之一。2013年，Brisco等[16]基于CP-SAR開展水稻制圖研究，對比分析了單雙極化、CP-SAR與全極化SAR的制圖效果，結(jié)果表明CP-SAR在水稻制圖中的應(yīng)用效果可與全極化相媲美，遠優(yōu)于單、雙極化數(shù)據(jù)；2015年，Uppala等[17]基于RISAT-1衛(wèi)星CP-SAR數(shù)據(jù)利用監(jiān)督分類進行水稻識別，得到了較高的制圖精度。這些研究表明了CP-SAR在水稻制圖中的應(yīng)用潛力，但集中于區(qū)分水稻和非水稻，對于水稻種類以及種植方式的區(qū)分研究不足。

鑒于此，以江蘇金湖地區(qū)為研究區(qū)，開展CP-SAR水稻精細制圖方法研究。針對插秧秈稻/粳稻、撒播粳稻3類水稻田，考慮水稻植株分布特征、生理結(jié)構(gòu)特點以及下墊面的影響，研究分析其CP-SAR響應(yīng)特征以及時相變化規(guī)律，在此基礎(chǔ)上，針對CP-SAR多維特征信息，引入基于支持向量機和序列前進搜尋(support vector machine and sequential forward selection，SVM + SFS)[18]策略的特征選擇方法，構(gòu)建基于決策樹和SVM的水稻精細分類方法。

1 研究區(qū)概況與數(shù)據(jù)源

研究區(qū)位于江蘇金湖(E118°41′34″～119°16′27″，N33°17′05″～33°56′39″)，屬于亞熱帶季風(fēng)氣候區(qū)，地勢平坦，地塊規(guī)則。該區(qū)水稻一年一熟(6—11月)。水稻種類為秈稻和粳稻，播種方式分為插秧和撒播，故水稻田可分為插秧秈稻田(TH)、撒播秈稻田、插秧粳稻田(TJ)和撒播粳稻田(DJ)4類。由于該區(qū)幾乎沒有撒播秈稻田，因此主要針對TH,TJ和DJ這3類(圖1)，開展精細制圖方法研究。

(a) TH(幼苗期) (b) TJ(幼苗期) (c) DJ(幼苗期)

(d) TH(乳熟期) (e) TJ(乳熟期) (f) DJ(乳熟期)

在研究區(qū)獲取了9景RADARSAT-2精細全極化SAR數(shù)據(jù)，方位向和距離向空間分辨率分別為5.2 m和7.6 m。由于封行之前3類水稻田差異相對較大，因此，選擇對應(yīng)時段的SAR數(shù)據(jù)進行水稻精細分類方法研究，獲取日期分別為2012年6月27日、7月11日和7月21日。首先基于3個時相的全極化SAR數(shù)據(jù)模擬CP-SAR數(shù)據(jù)。模擬數(shù)據(jù)為圓周極化發(fā)射線性極化接受模式(circular transimit and linear receive，CTLR)，發(fā)射右旋圓(R)極化、接收水平(H)和垂直(V)極化[19]，空間分辨率為30 m，噪聲水平為-25 dB(圖2)。獲取SAR數(shù)據(jù)的同時，開展了地面實驗，采集了水稻種類、種植方式和物候等信息，并利用高精度GPS獲取了41塊水稻樣田的矢量數(shù)據(jù)，其中包括24塊TH、6塊TJ、11塊DJ，還選擇了8塊水體和10塊城鎮(zhèn)建筑。

圖2 CP-SAR模擬數(shù)據(jù)在不同極化通道的假彩色合成影像(CP-SAR RR(R)，RV(G)，RH(B)假彩色合成)

2 研究方法

研究流程主要包括CP-SAR數(shù)據(jù)模擬與特征參數(shù)提取、數(shù)據(jù)預(yù)處理、基于SVM + SFS的CP-SAR特征參數(shù)優(yōu)選以及基于優(yōu)選特征利用決策樹和SVM方法進行水稻田精細分類，具體技術(shù)流程如圖3所示。

圖3 技術(shù)路線

2.1 數(shù)據(jù)預(yù)處理

基于CP-SAR模擬數(shù)據(jù)，根據(jù)特征參數(shù)定義，提取22個CP特征參數(shù)(表1)。然后對特征參數(shù)進行輻射定標(biāo)、幾何糾正、研究區(qū)裁剪和斑點噪聲濾波等預(yù)處理。通過比較選擇Frost濾波方法，以7×7窗口進行降噪處理。在此基礎(chǔ)上，基于地面樣方，提取不同類型水稻田、水體和城鎮(zhèn)建筑的CP-SAR特征參數(shù)。

表1 提取的22個CP特征參數(shù)

(續(xù)表)

2.2 SVM + SFS策略特征選擇方法

為了充分挖掘CP-SAR多維特征信息，同時保證分類方法的簡潔性，引入基于SVM + SFS的特征選擇方法，對22個CP-SAR參數(shù)進行優(yōu)選。把每一特征參數(shù)看作由一個向量和一個標(biāo)記組成，即Di=(xi,yi)，x=[x1,…，xi,…，xn]為訓(xùn)練數(shù)據(jù)向量，n為訓(xùn)練數(shù)據(jù)個數(shù)，yi為分類標(biāo)記(yi取-1或1)。定義函數(shù)和超平面分別為

g(xi)=〈w,x〉+b，i∈[1,n]

(1)

〈w,x〉+b=0

(2)

式中：w為系數(shù)向量，其維度為n；b為常數(shù)變量。若使分類數(shù)據(jù)被超平面分成2類，超平面必須滿足yi(〈w,x〉)≥1。SVM思想是使所求最優(yōu)超平面能夠具有最大的分類間隔，分類間隔δi表示為

(3)

式中：||w||為向量w的范數(shù)；|g(xi)|為g(xi)的絕對值。這等同于求二次規(guī)劃問題，即

(4)

yi(〈w,x〉+b)≥1，i∈[1,n]

(5)

引入Lagrange算子α*，令α*≥0，滿足式(6)有唯一解，即

(6)

式中b*為最優(yōu)化的常數(shù)變量。當(dāng)樣本點到超平面距離為最短距離，則yi(〈w,x〉+b)=1且α*≠0，否則yi(〈w,x〉+b)>1且α*=0。α*=0的樣本稱為支持向量(support vector，SV)，樣本的總個數(shù)稱為SV個數(shù)(number of SV,NSV)。在SVM分類算法中，可分性的優(yōu)劣就是由NSV判斷，NSV越小，可分性越好。

除了3類水稻田的最優(yōu)特征，利用上述方法還選出了區(qū)分水稻與非水稻的最優(yōu)特征。

2.3 3類水稻田CP-SAR響應(yīng)規(guī)律

面向水稻田精細分類，利用SVM + SFS方法，優(yōu)選出的CP特征參數(shù)如表2所示。圖4給出了3類水稻田在優(yōu)選參數(shù)上的差異，且將優(yōu)選特征參數(shù)分為2類：①強度特征參數(shù)；②非強度特征參數(shù)。

表2 利用SVM + SFS方法優(yōu)選的CP-SAR特征參數(shù)

(a) 強度極化特征參數(shù) (b) 非強度極化特征參數(shù)

相對于TH和TJ，DJ水稻植株密度更大，因此其后向散射和體散射都比較大；而TH和TJ的下墊面為水面，引起鏡面反射使其后向散射和體散射較小，這導(dǎo)致DJ與TH，TJ的后向散射和體散射差異較大。由于σ0RH和σ0RV主要來自體散射的去極化作用，因此DJ的σ0RH和σ0RV大于TH和TJ(如圖4(a)所示)，差值約為0.8 dB；而g0，g1與后向散射密切相關(guān)，2參數(shù)對于區(qū)分DJ與TH，TJ有較大貢獻。TH下墊面為水面，且秈稻幼苗植株更高且粗壯，下墊面與植株垂直結(jié)構(gòu)更容易形成二面角，因此TH的二次散射更強；TJ植株高度較小，DJ下墊面為土壤，因此TJ和DJ的二次散射相對較弱。由于二次散射在RR上的響應(yīng)較強，因此TH的σ0RR大于TJ和DJ，差值約為1.3 dB；m-χ_db和m-δ_db表征二次散射的強度，因此TH的m-χ_db和m-δ_db強度值大于TJ和DJ，差值約為3.8 dB。所以σ0RR，m-χ_db和m-δ_db對于區(qū)分TH與TJ，DJ有較大貢獻。DJ下墊面為土壤，其面散射貢獻最大；TJ植株相對弱小，下墊面粗糙面散射貢獻較大，TH植株相對高而粗壯，面散射最弱，由于σ0RL，g3，m-χ_s，m-δ_s與面散射密切相關(guān)，因此3類水稻田對應(yīng)的這4個參數(shù)差異較大(如圖4(a)所示)。以g3為例，其差值約為3 dB，對于區(qū)分3類水稻田貢獻較大。TJ植株密度相對較小，而且粳稻植株相對弱小，因此其體散射相對于DJ和TH較小。m-δ_vol和m-χ_vol表征地物體散射，故TJ的這2個參數(shù)小于DJ和TH，其差值約為0.7 dB，對于區(qū)分TJ與DJ，TH貢獻較大。

Hi表征散射機制的復(fù)雜程度，由于體散射更為復(fù)雜，因此體散射貢獻越大Hi越大。通過前面3類水稻田的散射機理分析，DJ的體散射貢獻最大，TH次之，TJ最小，由圖4(b)可以看出，DJ的Hi大于TH且遠大于TJ，因此，Hi對于區(qū)分DJ和TJ貢獻較大。μ和α都與散射機理密切相關(guān)，μ從大到小分別表示面散射、體散射和二次散射；而α反之。因此DJ的μ值大于TJ和TH，而DJ的α值小于TJ和TH。μC也與目標(biāo)的散射機理密切相關(guān)，其值與面散射的貢獻成反比，DJ對應(yīng)的μC值小于TJ和TH，對于區(qū)分TH與DJ貢獻較大。

2.4 基于CP-SAR優(yōu)選特征的水稻精細分類

基于SVM + SFS方法優(yōu)選CP-SAR特征，分別采用決策樹和SVM方法進行水稻精細分類。另外，將3類水稻田、城鎮(zhèn)建筑和水體樣方分為訓(xùn)練和驗證樣本2部分，TH、水體和城鎮(zhèn)建筑的訓(xùn)練和驗證樣本各占一半，二者之間沒有重疊。由于TJ和DJ的樣本數(shù)較少，訓(xùn)練和驗證樣本之間約有30%的重疊。

2.4.1 決策樹分類

首先利用CP-SAR優(yōu)選特征區(qū)分水稻與非水稻，再進行3類水稻田的區(qū)分，最終實現(xiàn)精細分類，決策樹分類如圖5所示。圖中變量的數(shù)字后綴代表影像獲取日期。

圖5 3類水稻田的分類決策樹

研究區(qū)非水稻區(qū)域主要包括城鎮(zhèn)建筑和水體等，水稻與水體、建筑的二次散射貢獻差異很大(圖6)，而RR極化對二次散射敏感，因此首先根據(jù)σ0RR，區(qū)分水稻和非水稻。水體的m-δ_db約為-35 dB，小于其他非水稻區(qū)域，因此利用m-δ_db區(qū)分水體；最后再利用m-δ_db和σ0RR將城鎮(zhèn)建筑與其他非水稻區(qū)分開。針對3類水稻田，先利用6月27日(幼苗期)m-χ_db_0627，μC_0627和m-δ_vol_0627區(qū)分不同種植方式，即DJ與TH，TJ。因為撒播田下墊面為土壤，且植株矮小，二次散射比插秧田弱，而由于植株密度較大，其體散射較弱大于TJ，小于TH。另外，針對TH與TJ可分性較弱，且二者種植方式相同，田塊結(jié)構(gòu)相似，只能依靠水稻植株形態(tài)差異進行區(qū)分。7月11日，TH在RR上的響應(yīng)較強，21日由于冠層密度增加，衰減增大，TH發(fā)生二次散射的能量減少，在RR上的響應(yīng)減弱；而TJ剛好與之相反，因此利用二者在2個時相上的差異來實現(xiàn)區(qū)分。

2.4.2 SVM分類

基于CP-SAR優(yōu)選特征，利用SVM進行分類。選擇徑向基核函數(shù)(radial basis function，RBF)，其Gamma值為輸入圖像波段的倒數(shù)，懲罰參數(shù)為100；分級處理等級為0，以原圖像空間分辨率進行分類處理；分類概率閾值為0。

3 結(jié)果與分析

通過設(shè)計4組對比實驗進行結(jié)果分析：①利用6月27日12個CP優(yōu)選參數(shù)進行SVM分類，并與全部22個參數(shù)SVM分類結(jié)果進行比較；②考慮時相信息，利用3個時相28個優(yōu)選參數(shù)進行SVM分類，并與全部66個參數(shù)分類結(jié)果進行比較；③利用決策樹方法進行TH，DJ與非水稻區(qū)的區(qū)分；④利用決策樹進行3類水稻田與非水稻區(qū)的區(qū)分。最后利用驗證樣本對分類結(jié)果進行精度評價(表3)?？梢钥闯?，水體和城鎮(zhèn)建筑分類效果較好，生產(chǎn)者精度和用戶精度均在90%以上，不同方法、不同時相組合對應(yīng)的分類結(jié)果差異不大。

表3 2種分類方法的分類精度比較

①在Tm-n-k中，m表示用于分類的SAR數(shù)據(jù)時相數(shù)；n表示參與分類的CP-SAR特征參數(shù)個數(shù)；k表示水稻分類類別。

對于水稻來說，單一時相12個優(yōu)選參數(shù)SVM分類，TH平均精度約為70.6%；TJ的生產(chǎn)者和用戶精度都很低。多時相28個優(yōu)選參數(shù)SVM分類，3類水稻的精度都有所提高，因此多時相對區(qū)分水稻種類、種植方式具有一定貢獻；但是TJ生產(chǎn)者精度只有24.16%，即大部分TJ被錯分成TH，說明水稻種類的區(qū)分能力仍然不高。多時相全部66個參數(shù)SVM分類，總體精度為91.38%，Kappa系數(shù)為0.880，與多時相28個優(yōu)選參數(shù)SVM分類結(jié)果相近，可見對于水稻精細分類，基于SVM + SFS策略優(yōu)選的28個特征參數(shù)能夠與全部66個參數(shù)達到同樣效果，避免了數(shù)據(jù)贅余、提高了運算效率。

利用多時相28個優(yōu)選參數(shù)，進行決策樹方法，區(qū)分TH和DJ，總體精度為97.44%，Kappa系數(shù)為0.962；區(qū)分3類決策樹分類總體精度達到92.57%，Kappa系數(shù)達到0.896。與優(yōu)選參數(shù)SVM分類對比總體精度提高1%～9%，Kappa系數(shù)提高0.01～0.12。TJ生產(chǎn)者精度為45.74%，比SVM分類精度提高了0～40%?？傮w來看，SVM + SFS策略優(yōu)選參數(shù)決策樹分類要優(yōu)于SVM分類，并且分類速度更快。

從分類精度來看，TJ生產(chǎn)者精度較低，區(qū)分效果不好主要有以下幾方面原因：①由于播種方式的不同，幼苗期插秧稻田種植稀疏，植株成行成壟，而撒播稻田植株較稠密，在雷達響應(yīng)上表現(xiàn)差異性大，因此DJ容易與TH，TJ區(qū)分。幼苗期TH和TJ這2類水稻具有水稻共性，并且幼苗期水稻植株小，導(dǎo)致在雷達響應(yīng)上表現(xiàn)差異性小；分蘗期和拔節(jié)期2類水稻植株表現(xiàn)出差異性，但隨著植株生長，植株間的縫隙減小，這種差異性又淹沒在水稻群體中，導(dǎo)致在雷達響應(yīng)上差異性小，使得TJ區(qū)分效果不好；②研究區(qū)TJ種植面積少，在研究區(qū)地面獲取的樣方也少，影響TJ生產(chǎn)者精度；③本研究使用CP-SAR模擬數(shù)據(jù)，空間分辨率為30 m，噪聲水平為-25 dB，空間分辨率和噪聲水平與真實SAR數(shù)據(jù)(以RADARSAT-2全極化為例，空間分辨率8 m，噪聲水平約為-32 dB)存在一定的差異。

采用SVM和決策樹分類方法，3個時相28個參數(shù)分類結(jié)果如圖7所示。

(a) SVM分類 (b) 決策樹分類

從圖7(a)中可看出，城鎮(zhèn)建筑和水體被明顯分出，這與城鎮(zhèn)建筑、水體與水稻的散射特性差異性大有關(guān)。除水體和城鎮(zhèn)建筑外，水稻田分為3類，TH多分布在東南區(qū)，TJ和DJ多分布在西北部，以TH分布最為廣泛。這與研究區(qū)實際水稻種植分布現(xiàn)狀基本相符；在圖7(b)中，利用決策樹分類比SVM分類效果更細，將村莊道路也區(qū)分出來，從整體來看，依然是TH分布在金湖地區(qū)東南部，TJ和DJ分布在西北部，城鎮(zhèn)多分布在研究區(qū)南部。

4 結(jié)論

利用CP-SAR模擬數(shù)據(jù)提取多維特征信息，引入基于SVM + SFS的特征選擇方法，構(gòu)建了基于決策樹和SVM的水稻精細分類方法，為水稻長勢監(jiān)測與估產(chǎn)提供了更精準(zhǔn)的信息。具體結(jié)論如下：

1)利用多時相CP-SAR模擬數(shù)據(jù)，分析了不同種植方式、不同品種的3類水稻田的CP-SAR響應(yīng)特征、散射機理及其時相變化規(guī)律。

2)針對CP-SAR多維特征參數(shù)，引入基于SVM + SFS的特征選擇方法，建立了面向水稻田精細分類的CP-SAR最優(yōu)特征集，并結(jié)合物理意義分析了這些特征在不同水稻田區(qū)分中的優(yōu)勢。

3)基于優(yōu)選的CP-SAR特征參數(shù)，建立了不同種植方式、不同品種的3類水稻田的精細分類方法，TH與DJ的分類精度較好，平均精度分別達到88%和82%。TJ的分類結(jié)果相對較差，平均精度達到60%。

4)當(dāng)利用3個時相CP-SAR數(shù)據(jù)水稻精細分類時，基于SVM + SFS優(yōu)選特征的分類結(jié)果優(yōu)于全部特征的分類結(jié)果。

但是TJ分類精度不高，應(yīng)繼續(xù)分析TJ與TH，DJ的差異，充分利用CP-SAR數(shù)據(jù)，提高TJ分類精度將是我們下一步的工作重點。