基于全極化Radarsat-2數(shù)據(jù)的水稻生物量估算模型

張曉倩，劉湘南，譚 正

（中國(guó)地質(zhì)大學(xué)（北京）信息工程學(xué)院，北京100083）

水稻是人類主要的糧食作物，而我國(guó)作為人口大國(guó)，水稻種植面積約占全世界五分之一，水稻總產(chǎn)量居于世界首位。如何即時(shí)獲取大面積水稻生長(zhǎng)信息，從而指導(dǎo)水稻生產(chǎn)成為國(guó)家決策的重要依據(jù)，也是亟待解決的科學(xué)問(wèn)題。對(duì)于大面積的水稻監(jiān)測(cè)，傳統(tǒng)的依靠地面監(jiān)測(cè)顯然不能滿足需求，衛(wèi)星遙感監(jiān)測(cè)成為水稻監(jiān)測(cè)的重要手段。然而，由于我國(guó)水稻種植區(qū)域多分布在云雨頻繁的熱帶、亞熱帶地區(qū)，光學(xué)遙感衛(wèi)星無(wú)法獲取實(shí)時(shí)的高清晰水稻遙感影像[1]，對(duì)于植被垂直方向上的信息反應(yīng)不足，而雷達(dá)遙感采取側(cè)視成像，工作在微波波段（1mm～1m），波長(zhǎng)高于光學(xué)遙感的雷達(dá)波可穿云透霧[2]，不僅受氣候影響較少，對(duì)植被等地物也有一定的穿透能力，利用雷達(dá)遙感進(jìn)行生物學(xué)參數(shù)反演顯現(xiàn)出一定優(yōu)勢(shì)。Radarsat-2為2007年12月14日發(fā)射的雷達(dá)成像衛(wèi)星，具有3m高分辨率成像能力，全極化（HH、VH、HV、VV）信息將進(jìn)一步提高水稻生物參數(shù)反演精度，近幾年該數(shù)據(jù)用于水稻研究鮮有應(yīng)用。

大量研究表明，雷達(dá)后向散射系數(shù)對(duì)水稻生物量等生物參數(shù)比較敏感，國(guó)內(nèi)外已就雷達(dá)電磁波與水稻間的作用機(jī)理發(fā)展很多水稻后向散射模型，以反演水稻生物學(xué)參數(shù)。Le Toan等[3,4]采用多時(shí)相單極化SAR數(shù)據(jù)分析水稻后向散射特征進(jìn)行水稻識(shí)別和水稻參數(shù)反演；Inoue等[5]采用水稻生長(zhǎng)期內(nèi)多頻、全極化和不同入射角數(shù)據(jù)研究其后向散射信號(hào)與水稻冠層生物參數(shù)的關(guān)系；邵蕓等[6,7]利用多時(shí)相、多模式的雷達(dá)數(shù)據(jù)，分析了水稻的時(shí)域散射特性與水稻年齡的關(guān)系，提出可進(jìn)行水稻識(shí)別估產(chǎn)的最佳時(shí)像以及進(jìn)行水稻監(jiān)測(cè)的最優(yōu)雷達(dá)參數(shù)；董彥芳等[8,9]利用多時(shí)相ASAR數(shù)據(jù)進(jìn)行水稻長(zhǎng)勢(shì)監(jiān)測(cè)，改進(jìn)Sun和Simonett提出的連續(xù)冠層模型，實(shí)現(xiàn)了對(duì)水稻后向散射的模擬，嘗試水稻生物參數(shù)反演。

基于雷達(dá)遙感能夠穿云透霧，更易獲取植被立體信息的優(yōu)勢(shì)，本文旨在建立水稻生物量與雷達(dá)數(shù)據(jù)關(guān)系。選取具有一定物理意義的半經(jīng)驗(yàn)水云模型、回歸模型，分析Radarsat-2數(shù)據(jù)四種極化方式時(shí)域變化特征，對(duì)不同極化及其組合分別建模，通過(guò)對(duì)比尋找可進(jìn)行水稻生物量反演的最優(yōu)極化方式與模型。

1 試驗(yàn)數(shù)據(jù)采集和處理

1.1 試驗(yàn)區(qū)域數(shù)據(jù)采集

研究區(qū)域位于江蘇省蘇州市東橋鎮(zhèn)（31°25′N，120°31′E）。蘇州是傳統(tǒng)的水稻種植區(qū)，水稻種植面積不少于100萬(wàn)畝，該區(qū)為亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)，水稻種植季節(jié)云雨天氣較多。東橋鎮(zhèn)試驗(yàn)區(qū)域設(shè)置2個(gè)樣區(qū)，大小均為1 hm2～1.5hm2，其中1個(gè)樣區(qū)位于廢棄化工廠旁，重金屬污染導(dǎo)致水稻生長(zhǎng)狀況低于健康水稻，另一樣區(qū)為健康水稻。于2009年7月2日、7月28日、8月28日、9月28日分別進(jìn)行以采集水稻樣本獲取生物參數(shù)的野外遙感調(diào)查，采用拔節(jié)到抽穗期即7月28日、8月28日數(shù)據(jù)進(jìn)行研究。每個(gè)樣區(qū)選取10個(gè)1 m×1m大小樣點(diǎn)，每樣點(diǎn)采集地表活株樣本稱重即可得到水稻鮮生物量，通過(guò)GPS記錄樣本點(diǎn)的經(jīng)緯度，便于將實(shí)測(cè)數(shù)據(jù)與雷達(dá)影像一一對(duì)應(yīng)。

1.2 雷達(dá)數(shù)據(jù)獲取和預(yù)處理

衛(wèi)星數(shù)據(jù)為2007年12月14日發(fā)射的商用雷達(dá)衛(wèi)星Radarsat-2獲得的全極化雷達(dá)數(shù)據(jù)，傳感器工作在C波段，雷達(dá)衛(wèi)星數(shù)據(jù)的成像參數(shù)見(jiàn)表1，該影像分辨率為12m*8m，包含HH、HV、VH、VV四種不同極化方式數(shù)據(jù)。

表1 Radarsat-2數(shù)據(jù)成像參數(shù)

在雷達(dá)數(shù)據(jù)進(jìn)行分析前，需要對(duì)其進(jìn)行預(yù)處理。使用歐空局的NEST軟件對(duì)影像進(jìn)行輻射定標(biāo)，使雷達(dá)影像DN值轉(zhuǎn)換為后向散射系數(shù)（dB）便于定量使用。對(duì)影像進(jìn)行多視操作以抑制原始圖像上存在的固有噪聲斑點(diǎn)，再采用3*3窗口的Lee濾波來(lái)對(duì)雷達(dá)四種極化影像進(jìn)行去噪，處理后地物內(nèi)部平滑，地物邊緣銳化。依據(jù)地面實(shí)測(cè)數(shù)據(jù)經(jīng)緯度在影像上選取控制點(diǎn)得到不同極化后向散射系數(shù)。

2 研究方法

2.1 水云模型描述

許多研究表明，雷達(dá)后向散射對(duì)水稻生物參數(shù)十分敏感[3-10]?？山⒍鄻O化雷達(dá)后向散射系數(shù)與水稻生物參數(shù)模型，便可利用雷達(dá)影像數(shù)據(jù)直接反演水稻生物參數(shù)。雷達(dá)后向散射受到諸多變量影響，如植被、土壤、地形以及雷達(dá)傳感器本身。整個(gè)冠層的后向散射系數(shù)0可用基于輻射傳輸方程一階解的半經(jīng)驗(yàn)植被后向散射模型水云模型[5,11]來(lái)描述，該模型假定植被冠層由分布均勻且大小相等的微小水滴組成，認(rèn)為后向散射系數(shù)分解為兩部分：（1）冠層自身的體散射；（2）經(jīng)過(guò)冠層衰減后土壤的散射。該模型表述為：

影像中后向散射系數(shù)以dB表征，故水稻后向散射系數(shù)（dB）也可描述如下：

對(duì)方程（4）求其反向解，則水稻生物量FW為：

其中，σ0為雷達(dá)影像不同極化后向散射系數(shù)，參數(shù)a、b、c可通過(guò)雷達(dá)影像后向散射系數(shù)與實(shí)測(cè)水稻生物量進(jìn)行擬合得到。

2.2 二次多項(xiàng)式與指數(shù)模型描述

雷達(dá)后向散射系數(shù)與水稻生物參數(shù)有復(fù)雜的相關(guān)關(guān)系，簡(jiǎn)單的線性模型不能準(zhǔn)確描述其關(guān)系[15]，不宜選取，因此本文將建立雷達(dá)影像后向散射系數(shù)與水稻生物量估算經(jīng)驗(yàn)?zāi)Ｐ?，分別為二次多項(xiàng)式模型（8）和指數(shù)模型（9），與水云模型進(jìn)行比較。FW為水稻生物量，σ0為雷達(dá)不同極化后向散射系數(shù)，公式中參數(shù)a、b、c分別由實(shí)測(cè)生物量與后向散射系數(shù)擬合得到。

3 結(jié)果與分析

3.1 雷達(dá)不同極化后向散射系數(shù)時(shí)域變化特征

本文選取水稻生長(zhǎng)期內(nèi)生物量累積較快的時(shí)期進(jìn)行研究。2009年7月26日（下文均簡(jiǎn)化為7-26）為水稻拔節(jié)期，2009年8月26日（下文均簡(jiǎn)化為8-26）為水稻抽穗期，此時(shí)期為水稻生物量積累較快的時(shí)期。兩景影像分別選取水稻區(qū)域30個(gè)控制點(diǎn)比較四種極化HH、HV、VH、VV后向散射系數(shù)變化情況（圖1）。7-26水稻HH極化后向散射系數(shù)平均值為-10.219dB，VV極化后向散射系數(shù)平均值為-14.821dB；8-26水稻平均值為-7.276 dB，平均值為-9.506 dB，據(jù)圖1中控制點(diǎn)的極化波動(dòng)也可得到，對(duì)于同一地物，均有，而隨著水稻植株的生長(zhǎng)都表現(xiàn)出增加的趨勢(shì)，兩個(gè)時(shí)期比較平均增加3 dB增加5 dB。

兩時(shí)相中交叉極化值均小于同極化值。理論上，對(duì)于同一地物微波后向散射其交叉極化HV、VH是相等的，HV、VH在不同波段跟不同入射角相關(guān)系數(shù)都極高[5]，這在圖1中也可得到驗(yàn)證。通過(guò)計(jì)算得出交叉極化HV與VH后向散射系數(shù)差值很小，7-26水稻HV極化后向散射系數(shù)平均值為-20.036dB，VH極化后向散射系數(shù)平均值為-19.893dB，相差0.143 dB；8-26水稻平均值為-16.352dB，平均值為-16.174dB，二者差值為0.178 dB。因而，研究中每個(gè)采樣點(diǎn)都以平均數(shù)作為水稻交叉極化數(shù)據(jù)進(jìn)行研究。

HH極化與VV極化比值HH/VV已證明在雷達(dá)影像分類中有較高的精度，同時(shí)對(duì)水稻生物量等參數(shù)變化較敏感[15]。研究中分別比較了歸一化HH、VV、CROSS、HH/VV后向散射系數(shù)的標(biāo)準(zhǔn)差[13]（表2），兩個(gè)時(shí)相HH/VV標(biāo)準(zhǔn)差分別小于同時(shí)相其他三種極化標(biāo)準(zhǔn)差，表明HH/VV較其余極化更為穩(wěn)定?；谝陨峡紤]，研究中將HH/VV作為一種極化組合方式，與其他三種極化共同建模比較。

圖1 水稻后向散射系數(shù)時(shí)域變化特征(a)7月26日和(b)8月26日

表2 不同時(shí)相歸一化后向散射系數(shù)標(biāo)準(zhǔn)差

3.2 水云模型建模分析

將Radarsat-2影像后向散射系數(shù)與實(shí)測(cè)水稻生物量依據(jù)水云模型 FW=a*b-b*In（c-σ0）進(jìn)行擬合，以確定參數(shù) a、b、c的值。通過(guò)上節(jié)對(duì)雷達(dá)不同極化后向散射系數(shù)時(shí)域變化特征分析，在此將HH、VV、CROSS、HH/VV四種極化組合方式的后向散射系數(shù)（m2/m2）引入水云模型進(jìn)行擬合比較。表3展示了HH、VV、CROSS、HH/VV四種極化方式建模情況。

表3 不同極化水云模型建模

HH極化跟CROSS極化情況下的擬合相關(guān)系數(shù)跟均方根誤差相似，擬合相關(guān)系數(shù)分別為0.910、0.902，都具有較高的擬合精度；兩種極化均方根誤差分別為0.190、0.216，誤差相對(duì)較小。這兩種極化情形下，隨著水稻生物量的積累，后向散射系數(shù)單調(diào)遞增且增長(zhǎng)迅速，后向散射系數(shù)越大生物量的積累越迅速，說(shuō)明這兩種極化對(duì)水稻生物量比較敏感。HH/VV極化情況下相關(guān)系數(shù)為0.893，擬合精度略低于上述兩種極化，均方根誤差0.287，明顯高于上述兩種極化，誤差增加。生物量在HH/VV較小時(shí)增加緩慢，當(dāng)HH/VV＞5.5時(shí)，比值不再隨著生物量的增加而增加，比值達(dá)到飽和，說(shuō)明在水稻抽穗后比值對(duì)生物量不敏感，不宜采用水云模型模擬。VV極化情況下，擬合相關(guān)系數(shù)為0.748，擬合相關(guān)系數(shù)較低，均方根誤差為0.435，與其余三種極化方式相比誤差較大，隨著VV極化后向散射系數(shù)變化對(duì)生物量敏感度降低，反演效果遜于 HH、CROSS、HH/VV。

3.3 二次多項(xiàng)式與指數(shù)模型建模分析

雷達(dá)后向散射系數(shù)與水稻生物參數(shù)有復(fù)雜的相關(guān)關(guān)系，簡(jiǎn)單的線性關(guān)系模擬精度較低不宜選取，因此本文選取常用的非線性回歸模型二次多項(xiàng)式模型與指數(shù)模型對(duì)四種極化組合方式HH、VV、CROSS、HH/VV進(jìn)行擬合比較。不同極化雷達(dá)后向散射系數(shù)與實(shí)測(cè)水稻生物量擬合為方程(8)、(9)的形式，見(jiàn)表4。

表4 回歸模型比較

四種極化方式水云模型與非線性回歸模型有相似的模擬結(jié)果。HH極化、CROSS極化非線性回歸模型擬合相關(guān)系數(shù)均為0.9左右，但HH極化均方根誤差較CROSS極化大。HH/VV兩種回歸模型相關(guān)系數(shù)最高，均方根誤差相對(duì)較小。VV極化兩種回歸模型相關(guān)系數(shù)低，均方根誤差高，模擬效果較其余三種極化都低。二次多項(xiàng)式跟指數(shù)模型相比，除交叉極化外，其余三種極化指數(shù)模型模擬效果較好，相關(guān)系數(shù)較高，均方根誤差也較小。非線性回歸模型與水云模型相比，HH極化、CROSS極化水云模型優(yōu)于非線性回歸模型，HH/VV則是非線性回歸模型較好，VV極化三種模型模擬效果均最差。

3.4 精度分析

選取精度相對(duì)較高的水稻生物量反演模型，HH極化水云反演模型和HH/VV指數(shù)反演模型，分別比較水稻模擬生物量與實(shí)測(cè)生物量，分析模型模擬不同生物量水平的精度。研究表明，HH水云模型和HH/VV指數(shù)模型都表現(xiàn)出對(duì)于1.75 kg/m2～2.5kg/m2水平生物量模擬效果較好，RMSE分別為0.140kg/m2、0.121kg/m2。HH水云模型對(duì)低于 1.75kg/m2水平生物量模擬效果差，RMSE分別為0.218kg/m2，HH/VV指數(shù)模型對(duì)高于2.5kg/m2水平生物量模擬效果差，RMSE分別為0.175kg/m2。HH水云模型對(duì)低水平生物量模擬效果較差，這主要是由于在低水平生物量情況下，水稻密度較低，電磁波極易穿透水稻射入地表，此時(shí)后向散射系數(shù)值很大一部分來(lái)自于地表反射，由此產(chǎn)生了比水稻植株本身更強(qiáng)的回波信號(hào)。HH/VV指數(shù)模型對(duì)于高水平水稻生物量模擬效果差，主要是由于同極化比值隨著生物量增加會(huì)趨近飽和，隨著生物量增大，同極化比值增長(zhǎng)緩慢，同樣在HH/VV水云模型中HH/VV＞5.5時(shí)比值的變化不能很好的反應(yīng)生物量的增加。

通過(guò)HH水云模型和HH/VV指數(shù)模型計(jì)算大面積水稻生物量并嘗試?yán)L制水稻生物量結(jié)果分布圖。裁剪2009年8月26日影像研究區(qū)附近大面積水稻區(qū)域，水稻外地物賦值白色，水稻生物量分布情況見(jiàn)圖2。計(jì)算兩分布圖中水稻生物量為2.0 kg/m2-3.8kg/m2范圍的像元個(gè)數(shù)分別占水稻像元總數(shù)的65.26%、53.94%。對(duì)于大面積的水稻生物量分布，受到影像水稻識(shí)別精度、不同區(qū)塊水稻耕作方式等因素影響，精度有待于進(jìn)一步驗(yàn)證。

圖2 根據(jù)雷達(dá)影像得到水稻生物量分布圖(a)HH水云模型和(b)HH/VV指數(shù)模型

4 結(jié)論和討論

本研究比較了雷達(dá)C波段HH、VV、CROSS、HH/VV四種極化及組合方式的水云模型、二次多項(xiàng)式模型和指數(shù)模型反演水稻拔節(jié)到抽穗期的水稻生物量，總體取得比較好的效果。改進(jìn)水云模型作為一種半經(jīng)驗(yàn)?zāi)Ｐ?，不僅具備一定的物理含義同時(shí)參數(shù)少易于反演，相對(duì)于純理論模型與經(jīng)驗(yàn)?zāi)Ｐ陀幸欢▋?yōu)勢(shì)。從反演結(jié)果來(lái)看，HH、CROSS、HH/VV水云模型都有不錯(cuò)的反演效果，而HH水云模型反演生物量尤佳，指數(shù)模型普遍優(yōu)于二次多項(xiàng)式模型，HH/VV指數(shù)模型效果出眾。將HH水云模型、HH/VV指數(shù)模型分別應(yīng)用于影像大面積水稻田，為大面積的水稻監(jiān)測(cè)提供可能。然而，一方面由于兩個(gè)水稻樣區(qū)受污染脅迫不同導(dǎo)致水稻生長(zhǎng)差異，給本文分析結(jié)果的可靠性和普遍性造成一定影響；另一方面用于建模的兩景影像入射角差異對(duì)結(jié)果也造成一定影響，因此本文結(jié)果還需更多的數(shù)據(jù)來(lái)驗(yàn)證與完善。

水稻生物量與LAI、稻齡、株高等參數(shù)有極高的相關(guān)關(guān)系[16,17]，今后研究中可考慮在此基礎(chǔ)上進(jìn)行水稻LAI、稻齡、株高等參數(shù)反演研究。另外，多極化、多模式、特殊波段越來(lái)越突出了星載雷達(dá)的優(yōu)勢(shì)，同時(shí)也拓寬了雷達(dá)的應(yīng)用范圍[2]，各種新模式數(shù)據(jù)的應(yīng)用成為趨勢(shì)。研究中嘗試使用Radarsat-2多極化數(shù)據(jù)進(jìn)行水稻生物參數(shù)反演，對(duì)于不同極化組合數(shù)據(jù)反演水稻生物參數(shù)提供可能。

[1]XiaoX M,Boles S,Liu J Y,et al.Mapping paddy rice agriculture in Southern China using multi-temporal MODIS images[J].Remote SensingofEnvironment,2005(95):480-492.

[2]唐鵬欽,姚艷敏,魏娜.合成孔徑雷達(dá)水稻識(shí)別和監(jiān)測(cè)研究進(jìn)展[J].中國(guó)農(nóng)學(xué)通報(bào),2009,25(14):291-295.

[3]Le ToanT,LaurH,MouginE,et al.Multitemporal and dual-polarization observation of agricultural vegetation covers by X-band SAR images[J].IEEE Transactions of Geo-science and Remote Sensing,1989,27(6):709-718.

[4]Le Toan T,Ribbes F,Wang L-F,et al.Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J].IEEE Trans Geosci Remote Sensing,1997,35(1):41-56.

[5]Inoue Y,Kurosu T,Maeno H,et al.Season-long daily measurements of multifrequency (Ka,Ku,X,C,and L)and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J].Remote Sensing of Environment,2002(81):194-204.

[6]Yun S,Fan X T,Liu H,et al.Rice monitoring and production estimation using multitemporal RADARSAT[J].Remote Sensing of Environment,2001(76):310-325.

[7]邵蕓,廖靜娟,范湘濤,等.水稻時(shí)域后向散射特性分析:雷達(dá)衛(wèi)星觀測(cè)與模型模擬結(jié)果對(duì)比[J].遙感學(xué)報(bào),2002,6(6):440-450.

[8]董彥芳,孫國(guó)清,龐勇.基于ENVISATASAR數(shù)據(jù)的水稻監(jiān)測(cè)[J].中國(guó)科學(xué)D輯地球科學(xué),2005,35(7):682-689.

[9]董彥芳,龐勇,孫國(guó)清.ENVISAT ASAR數(shù)據(jù)用于水稻監(jiān)測(cè)和參數(shù)反演[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）,2006,31(2):124-127.

[10]申雙和,楊沈斌,李秉柏,等.基于ENVISAT ASAR數(shù)據(jù)的水稻時(shí)域后向散射特征分析[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(增刊2):130-136.

[11]Attema E P W,Ulaby F T.Vegetation modeled as a water cloud[J].RadioScience,1978,(13)2:357-364.

[12]Kurvonen L,Pulliainen J,Hallikainen M.Retrieval of biomass in boreal forests from multitemporal ERS-1 and JERS-1 SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(1):198-205.

[13]何維.基于ASAR和生長(zhǎng)模擬模型的水稻長(zhǎng)勢(shì)監(jiān)測(cè)研究[D].北京:中國(guó)林業(yè)科學(xué)研究院,2007.

[14]黎夏,葉嘉安,王樹(shù)功,等.紅樹(shù)林濕地植被生物量的雷達(dá)遙感估算[J].遙感學(xué)報(bào),2006,10(3):387-396.

[15]De Jong SM S,Pebesma E J,Lacaze B.Above-ground biom assassessment of mediterranean forests using airborne imaging spectrometry:the DAIS peyne experiment[J].International Journal of Remote Sensing,2003,24(7):1505-1520.

[16]ChakrabortyM,ManjunathKR,PanigrahyS,etal.Ricecropparameter retrieval using multi-temporal,multi-incidence angle Radarsat SAR data[J].ISPRS Journal of Photogrammetry&Remote Sensing,2005,(59):310-322.

[17]Shen S H,Yang S B,Li B B,et al.A scheme for regional rice yield estimation using ENVISAT ASAR data[J].Sci China Ser D-Earth Sci,2009,52(8):1183-1194.