李詩濤，張王菲，趙麗仙，王熙媛

(西南林業(yè)大學(xué) a. 地理與生態(tài)旅游學(xué)院；b.林學(xué)院，云南 昆明 650224)

油菜(BrassicanapusL)是全球重要的油料作物，也是我國極具傳統(tǒng)優(yōu)勢的油料作物。我國油菜種植面積和總產(chǎn)量約占全球的30%，在世界上占有重要地位[1]。物候期是油菜生長階段重要的農(nóng)業(yè)生態(tài)系統(tǒng)特征；同時，物候信息的準確獲取也是作物農(nóng)業(yè)生產(chǎn)、田間精細管理、計劃決策等的重要依據(jù)；此外，物候期對于監(jiān)測作物長勢、進行作物種植管理、預(yù)測作物產(chǎn)量等具有重要意義[2]。物候期觀測常用的遙感技術(shù)分為光學(xué)遙感監(jiān)測和微波遙感監(jiān)測2個方向[3]。其中，光學(xué)遙感受云霧等天氣條件影響嚴重。與光學(xué)傳感器相比，SAR(synthetic aperture radar)不僅能夠在作物各生長時期提供穩(wěn)定的數(shù)據(jù)源(全天時、全天候的數(shù)據(jù)獲取能力)，還能獲取反映作物冠層結(jié)構(gòu)信息的極化特征[4]。在SAR應(yīng)用的相關(guān)研究領(lǐng)域中，極化信息的運用是其重要的一方面，已有研究證實了極化特征在農(nóng)作物監(jiān)測中的巨大潛力[5]。2009年Cloude[6]研究發(fā)現(xiàn)，基于PolSAR(polarimetric synthetic aperture radar)數(shù)據(jù)的極化分解技術(shù)對極化信息的提取與利用最為有效。極化分解方法分為相干分解與非相干分解，本研究選用非相干分解中H/A/alpha、Freeman-Durden和Yamaguchi這3種經(jīng)典的分解方法進行極化信息提取。SAR技術(shù)對農(nóng)作物監(jiān)測的研究最早見于Le Toan等[7]的論文中，通過對SAR影像的分析發(fā)現(xiàn)不同作物的后向散射特征變化趨勢存在差異，其中，最為顯著的是水稻后向散射系數(shù)，表明了SAR對農(nóng)作物監(jiān)測的可行性。與單極化或雙極化相比，PolSAR能更精準地描述作物的結(jié)構(gòu)變化特征。2013年Liu等[8]使用3 a時間序列的Radarsat-2 PolSAR數(shù)據(jù)，通過分析3種SAR散射機制與作物物候期變化趨勢，研究了極化信息在玉米、春小麥和大豆等作物監(jiān)測中的可行性；并采用最大似然分類法進行了作物生長期制圖，其分類總體精度達85%。Xu等[9]研究表明，F(xiàn)reeman-Durden分解參數(shù)對小麥不同生長階段響應(yīng)較為敏感，該研究結(jié)合后向散射系數(shù)、極化分解方法與支持向量機模型對小麥物候期進行了分類識別，其準確率為92.92%，驗證了Radarsat-2 PolSAR影像在小麥監(jiān)測和制圖方面的有效性。2014年Lopez-Sanchez等[10]通過Radarsat-2 PolSAR數(shù)據(jù)探索了全極化特征在水稻物候期反演中的有效性，結(jié)果表明，PolSAR數(shù)據(jù)在水稻物候期監(jiān)測中具有良好的應(yīng)用前景。在利用PolSAR數(shù)據(jù)進行油菜播期監(jiān)測方面，楊浩[11]采用5景Radarsat-2數(shù)據(jù)對內(nèi)蒙古試驗區(qū)的油菜播期進行了監(jiān)測，得出油菜播后日期監(jiān)測的最優(yōu)監(jiān)測窗口和最優(yōu)極化參數(shù)；該研究的不足之處在于僅采用基于Cloude-Pottier、Freeman-Durden分解方法提取的極化參數(shù)，通過回歸建模的方法來反演作物播期，一方面沒有考慮H/A/alpha分解和Yamaguchi分解在作物物候期識別方面的潛力；另一方面，研究沒有涉及分類方法在油菜物候期識別上的論述。Yang等[12]研究表明，種植方式顯著影響物候期識別，通過特征優(yōu)選可以有效提高物候期監(jiān)測精度。Mcnairn等[13]采用粒子濾波的方法估測了油菜生長物候期，但該結(jié)果在其他油菜品種與不同種植方式的油菜物候期監(jiān)測中的可行性仍需要進一步研究；此外，該方法將油菜生長的各階段轉(zhuǎn)化為作物成熟度的過程會帶來物候期監(jiān)測的誤差。Dey等[14]基于全極化和簡縮極化數(shù)據(jù)提取2個散射參數(shù)進行了水稻物候期監(jiān)測，明確指出該方法在其他作物中的適用性需要進一步研究。

目前，使用PolSAR數(shù)據(jù)進行農(nóng)作物生長分析的研究多集中在小麥、水稻等主要糧食作物上，鮮有利用PolSAR數(shù)據(jù)進行油菜物候期監(jiān)測的報道。相比水稻等作物，油菜與微波相互作用機理更加復(fù)雜[15]，因而對其進行物候期監(jiān)測也更為困難。綜上所述，PolSAR影像極化分解參數(shù)在油菜物候期監(jiān)測方面的研究不夠深入，需要進一步開展工作。在采用PolSAR影像極化分解參數(shù)對農(nóng)作物進行遙感監(jiān)測的基礎(chǔ)上，本文基于時序PolSAR影像與決策樹模型進行了油菜物候期的識別。首先探索了PolSAR數(shù)據(jù)在油菜物候期識別中的可行性，基于PolSAR極化分解方法提取的參數(shù)，采用5期多時相Radarsat-2數(shù)據(jù)和95塊油菜地塊，對比3種極化分解方法提取的參數(shù)與油菜物候期變化的動態(tài)響應(yīng)規(guī)律，分別得到了對油菜5個生長期反應(yīng)敏感的極化參數(shù)，然后采用決策樹分類方法進行油菜物候期識別，最后使用混淆矩陣精度評價方法驗證了物候期識別結(jié)果的精度。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)額爾古納市上庫力農(nóng)場(120°45′36″E-120°53′24″E; 50°16′48″N-50°23′24″N)，地處呼倫貝爾草原最北端與大興安嶺西北麓，屬于寒溫帶大陸性氣候，年平均氣溫在-2.0～3.0 ℃。該農(nóng)場為農(nóng)墾系統(tǒng)國有農(nóng)場，地勢起伏較小，種植結(jié)構(gòu)相對簡單，地塊整齊均勻，主要農(nóng)作物有小麥、大麥和油菜等。

1.2 數(shù)據(jù)源與物候期劃分

1.2.1 數(shù)據(jù)源

PolSAR數(shù)據(jù)。采用的數(shù)據(jù)為5景Radarsat-2 C波段全極化單視復(fù)數(shù)數(shù)據(jù)(single-look complex， SLC)，其方位向和距離向的像元大小分別為4.96和4.73 m，中心入射角為39.4°，該數(shù)據(jù)覆蓋了研究區(qū)范圍內(nèi)油菜的整個生長周期。其獲取日期分別為：2013年5月23日、2013年6月16日、2013年7月10日、2013年8月3日、2013年8月27日。選取的5景影像的成像模式、成像入射角等參數(shù)完全一致。Radarsat-2影像參數(shù)見文獻[16]。

地面實測數(shù)據(jù)。地面調(diào)查在每次Radarsat-2衛(wèi)星過境時同步展開。為了便于將實測數(shù)據(jù)與雷達影像對應(yīng)，地面調(diào)查時詳細記錄了地塊中每個樣地的GPS經(jīng)緯度。每次地面調(diào)查獲取15～20塊代表性油菜地塊長勢參數(shù)，包括葉面積指數(shù)、植株高度、地上生物量等，同時獲取了地塊樣本的播期、品種、壟向和管理措施等基礎(chǔ)數(shù)據(jù)。

1.2.2 物候期劃分

為了方便描述油菜的生長階段，本研究基于國際上通用的描述植物物候發(fā)育階段的尺度——BBCH(Biologische Bundesanstalt， Bundessortenamt and CHemische Industrie)方法來劃分油菜生長的物候期[17]。在該標準中，油菜的物候期被劃分10個一級階段，每個一級階段又劃分為10個二級生長階段。在此方法基礎(chǔ)上，考慮到本文中SAR影像的重訪周期(24 d)、油菜的BBCH特征、油菜的播后時間，將油菜的整個生育期分為5個階段：苗期(S1)、蕾薹期(S2)、花期(S3)、角果成熟期(S4)、成熟衰落期(S5)(表1)。

表1 油菜物候期的劃分與生長時間

1.3 研究方法

技術(shù)路線如圖1所示，主要包括3個方面，分別為PolSAR數(shù)據(jù)預(yù)處理、極化參數(shù)提取及其與物候期的動態(tài)響應(yīng)分析、基于CART(classification and regression tree)算法的決策樹分類及其精度評價。

圖1 技術(shù)路線圖Fig.1 Technology flowchart

1.3.1 PolSAR數(shù)據(jù)預(yù)處理

PolSAR數(shù)據(jù)預(yù)處理包括輻射定標、多視處理、斑點噪聲抑制和幾何校正。其中，輻射定標是在PolSARpro4.2軟件中進行的，主要目的是為了建立影像與地物散射系數(shù)的精確關(guān)系。此后進行了2×2窗口的多視化處理，多視后的PolSAR影像方位、距離向像元大小分別約為9.92、9.47 m。SAR影像通常會受到相干斑噪聲的影響，使得影像解譯變得復(fù)雜且不利于信息的準確提取[18]，為了降低斑點噪聲的影響，采用Boxcar濾波方法進行濾波處理，其窗口設(shè)置為5×5。對于數(shù)據(jù)的幾何校正，先使用研究區(qū)30 m分辨率的數(shù)字高程模型(DEM)數(shù)據(jù)在Gamma軟件中進行地理編碼和地形校正，經(jīng)重采樣后的PolSAR影像方位、距離向像元大小均為10 m。最后使用野外采集的地面控制點進行幾何精校正。

1.3.2 極化分解方法

極化分解的中心思想是將目標散射特征分解為若干個簡單散射體的疊加，并通過分析簡單散射體響應(yīng)及其貢獻率來提取目標信息，以實現(xiàn)目標解譯。極化分解方法分為相干分解和非相干分解兩大類[19]，由于非相干分解更能表征自然界存在的復(fù)雜目標的散射機制，因而本文采用非相干分解的基于散射模型的Freeman-Durden三分量、二分量分解[20]、基于特征矢量的H/A/alpha分解[21]和基于協(xié)方差矩陣的Yamaguchi四分量分解[22]方法提取極化參數(shù)，進行油菜物候期識別研究。文中涉及的極化分解具體參數(shù)算法可參考文獻[20-22]。3種極化分解方法提取的極化參數(shù)如表2所示。

表2 不同極化分解方法提取的參數(shù)

1.3.3 決策樹分類與精度驗證方法

決策樹通過特征屬性和目標變量構(gòu)成訓(xùn)練數(shù)據(jù)集，是一種進行循環(huán)分析形成的二叉樹結(jié)構(gòu)，它由一個根節(jié)點、一系列分支與終極節(jié)點組成，并通過終極節(jié)點實現(xiàn)分類。目前常用的決策樹算法有ID3(Iterative Dichotomic version 3)、C4.5和CART等。本文采用CART決策樹。CART的核心思想是：首先對目標變量構(gòu)成的訓(xùn)練數(shù)據(jù)集進行循環(huán)分析，形成二叉樹形式的決策樹結(jié)構(gòu)；其次，選取訓(xùn)練樣本，計算最小基尼信息；最后，根據(jù)樣本特征選取合適的閾值參數(shù)，將樣本劃分為兩部分，并計算該樣本類型的基尼指數(shù)[23]。假設(shè)Ck為B中屬于第k類的樣本子集，則基尼指數(shù)G(B)的計算方法如下：

(1)

式中：K為地物類別數(shù)目；Ck為某地物選取的樣本；D為選取的樣本總數(shù)；B為樣本名稱。假設(shè)條件A將樣本B切分為B1和B2兩個數(shù)據(jù)子集，則在條件A下樣本B的基尼指數(shù)G(B，A)的計算方法為

(2)

找出所有樣本類型的最優(yōu)劃分特征與閾值，根據(jù)閾值將樣本劃分為兩類，再經(jīng)過多次剪枝，多次試驗判斷其是否為最優(yōu)切分點，找到最優(yōu)子樹，對所有樣本數(shù)據(jù)進行計算，生成CART決策樹[24]。在生成決策樹后，基于實地和用戶精度等指標來進行分類結(jié)果的精度評價。

2 結(jié)果與分析

2.1 PolSAR極化分解參數(shù)對油菜各物候期響應(yīng)的定性分析

基于3種不同的極化分解方法，每期影像共提取33個極化參數(shù)。根據(jù)H/A/alpha分解、Freeman-Durden分解和Yamaguchi四分量分解方法，各期影像分別提取了24、5和4個極化參數(shù)，以其中任意一期數(shù)據(jù)為基礎(chǔ)，分析這些極化參數(shù)的影像特征及其在油菜物候期劃分中的潛力。采用H/A/alpha分解的3類參數(shù)中，對油菜物候期變化顯示出敏感性的參數(shù)有：基于H/A/alpha分解中的Alpha、Entropy和Lambda參數(shù)；基于特征向量的參數(shù)包括3種散射機制對應(yīng)的散射角(Alpha1、Alpha2、Alpha3)和3種散射機制對應(yīng)的目標方位角(Beta1、Beta2、Beta3)；基于特征值的參數(shù)為特征值L2、L3、P2。Freeman-Durden分解和Yamaguchi分解的參數(shù)中奇次散射(Odd和Odd_Y)和偶次散射(Dbl和Dbl_Y)分量均表現(xiàn)出對油菜物候期變化敏感。另外，Yamaguchi分解中的螺旋體散射(Helix)分量也隨油菜物候期變化有明顯變化。圖2以3個典型地塊(編號為31、55和90)為例，示意了Alpha、Dbl和Helix極化分解參數(shù)隨油菜物候期變化的敏感性，即當油菜所處的物候階段發(fā)生變化，這3個極化參數(shù)值也隨之發(fā)生改變。

由圖2可知，各極化分解參數(shù)對油菜5個生長階段變化的敏感性差異明顯。示例的3個參數(shù)中，Alpha參數(shù)對油菜各個物候期的響應(yīng)差異最為明顯，能夠通過散射特征的差異有效區(qū)分油菜的各個生長階段；Helix參數(shù)對油菜生長物候期的敏感性略低于Alpha參數(shù)，特別是在油菜生長的S3、S4和S5物候期內(nèi)，Helix參數(shù)變化差異較小，這可能是由于Helix參數(shù)所表征的螺旋體散射分量較小引起的；Dbl對于油菜物候期的區(qū)分略低于其他2個參數(shù)，特別是在S1、S2和S4這3個階段中散射能量變化不明顯。3個示例參數(shù)對油菜物候期變化的敏感性說明僅通過單個極化分解參數(shù)無法有效區(qū)分出其所處的物候期，多個極化分解參數(shù)合用在油菜不同物候期的區(qū)分中具有較大潛力。

圖2 典型地塊典型SAR極化參數(shù)隨油菜物候期變化示例Fig.2 Examples of typical SAR polarization parameters varying with phenological period of rapeseed in typical plots

2.2 PolSAR極化分解參數(shù)對油菜各物候期響應(yīng)的散點圖分析

為進一步分析各極化分解參數(shù)在油菜不同物候期的響應(yīng)特征，以播后時間作為橫軸，各極化分解參數(shù)的值為縱軸制作散點圖；并根據(jù)播后時間劃分5個物候期，對比分析PolSAR參數(shù)對油菜物候期變化的響應(yīng)規(guī)律。圖3以較敏感的8個極化分解參數(shù)為例，展示了油菜整個生育期中部分極化分解參數(shù)隨油菜物候期動態(tài)變化的規(guī)律，右側(cè)為來自Freeman-Durden和Yamaguchi分解的參數(shù)，左側(cè)為H/A/alpha分解的參數(shù)。Freeman-Durden分解的2個參數(shù)Dbl、Ground，以及Yamaguchi分解的2個參數(shù)Dbl_Y、Helix對應(yīng)的能量值在油菜5個生長期均有明顯差異，在前3個物候期(S1～S3)這些參數(shù)的值呈緩慢增長趨勢，在S4階段這3個參數(shù)值均呈現(xiàn)跳躍式增加，在S5階段雖出現(xiàn)了跳躍式降低但能量值仍略高于S3階段；在以上4個參數(shù)中，基于Dbl參數(shù)的S5階段較其他3種參數(shù)而言更為離散，結(jié)果較不穩(wěn)定。H/A/alpha分解的參數(shù)中，Alpha參數(shù)值的5個階段變化趨勢與P2基本一致，但在S3階段后其值達到飽和；因此，僅采用Alpha值和P2值無法區(qū)分S3、S4和S5這3個物候期。第二散射機制的目標散射角Beta1在(S3階段略低于其他4個生長期)S1和S2階段與S3、S4和S5階段差異顯著。根據(jù)各極化分解參數(shù)的物理意義可知，油菜在各個物候期的散射機制差異明顯，這使代表不同散射機制的參數(shù)值變化明顯。然而，單一的極化分解參數(shù)由于可反映的物理特征有限，導(dǎo)致其實現(xiàn)精確的物候期劃分具有一定困難。而通過多個極化分解參數(shù)的組合，可以明顯提高各個物候期的可區(qū)分度。觀察圖3還可以發(fā)現(xiàn)，物候期階段的劃分也會影響基于極化分解參數(shù)的物候期識別精度，這點在文獻[12]中也得到了驗證。

圖3 典型極化分解參數(shù)對油菜物候期變化的響應(yīng)示例Fig.3 Example of response of typical polarization decomposition parameters to phenological changes of rapeseed

2.3 基于決策樹的油菜物候期識別

2.3.1 決策樹建立與物候期識別結(jié)果

以物候期為分類依據(jù)，將H/A/alpha分解、Yamaguchi四分量分解和Freeman-Durden分解提取的參數(shù)代入決策樹模型，分別建立基于3種全極化分解參數(shù)的決策樹分類模型。根據(jù)其對應(yīng)的誤差影響進行決策樹葉子節(jié)點包含的最小樣本數(shù)設(shè)置(設(shè)置minleaf)，同時將原始的決策樹進行后剪枝計算，得到兩組去除一定量數(shù)據(jù)碎片的決策樹。決策樹建立過程如下：首先，隨機選取7/10的數(shù)據(jù)進行建模，3/10的數(shù)據(jù)進行模型精度驗證；其次，用訓(xùn)練好的模型對分類數(shù)據(jù)進行預(yù)測，并基于地面調(diào)查數(shù)據(jù)進行預(yù)測結(jié)果的精度驗證。實驗中為了獲得穩(wěn)定的分類結(jié)果，運行決策樹分類模型10次，取均值作為本文物候期分類結(jié)果，該過程在Matlab軟件中完成。圖4、圖5與表3分別為3種分解方法組合參數(shù)后，原始決策樹10次運行結(jié)果中的某一次決策樹建立過程和分類結(jié)果制圖，以及基于混淆矩陣的精度評價表。此外，表4為3種分解方法與3種分解方法組合參數(shù)后對應(yīng)的3種決策樹模型分類結(jié)果的總體精度驗證表。

圖4 三種分解方法提取的參數(shù)組合后的原始決策樹示例Fig.4 Example identification result of original decision tree model using the combination of parameters extracted by three decomposition methods

基于3種分解方法組合參數(shù)建立的原始決策樹模型的物候期識別結(jié)果如圖5所示。圖5-a、圖5-e分別采用5期數(shù)據(jù)的RGB影像作為地塊背景，其中，圖5-a是2013年5月23日采集的數(shù)據(jù)，衛(wèi)星第1次過境時尚有23塊地塊未進行播種，在圖中用褐色進行顯示。

此外，本文采取的極化分解參數(shù)與分類模型對S1、S4識別準確率較高，錯分地塊較少；但對S2、S5的識別出現(xiàn)了較多錯分現(xiàn)象。此外，S3和S5相互混分現(xiàn)象較為明顯。從圖5可以看出，獲取的5期影像分別涵蓋了油菜的5個物候期，其物候期分類結(jié)果基本處在一個物候期內(nèi)。

圖5 五期影像物候期識別結(jié)果Fig.5 Phenological phase identification results of five images

2.3.2 劃分與精度評價

圖5分類結(jié)果的精度驗證如表3和表4所示。其中，總體精度與Kappa系數(shù)分別為93.14%、0.914。在制圖精度方面，S2精度最高，達95.79%；其次為S3、S4，這2個物候期在本次分類中具有相同的制圖精度，為94.74%；制圖精度最低的是S5，為89.47%，該物候期在圖5中也表現(xiàn)出最為嚴重的混分現(xiàn)象。用戶精度中，S4精度最高，為97.83%，其他物候地塊誤分到S4的較少；S3、S5相互混分現(xiàn)象嚴重，其用戶精度最低，分別為90.90%、90.42%。

表3 三種分解方法組合參數(shù)后的原始決策樹識別結(jié)果

表4 三種分解方法組合參數(shù)后的原始決策樹精度

采用3種決策樹模型、3種極化分解參數(shù)和它們的組合參數(shù)進行油菜5個物候期的劃分，3種決策樹模型的分類總體精度參見表5。表5中，分類總體精度最低的是對決策樹進行minleaf處理后得到的分類精度，盡管其分類精度略低于另外2種決策樹模型，但該處理過程可以有效減少數(shù)據(jù)碎片的形成，還可對決策樹模型進行簡化；而剪枝處理的適用性較廣，在其分類總體精度和原始決策樹分類總體精度相差不大的同時，可有效避免模型的過擬合現(xiàn)象；因此，可以使用剪枝后的決策樹模型進行油菜物候期劃分。以原始決策樹模型為例，在3類分解方法獲得的參數(shù)中，基于Freeman-Durden和Yamaguchi分解參數(shù)的決策樹模型分類總體精度較低，分別為89.45%、89.34%；采用3種極化分解方法參數(shù)組合后得到的原始決策樹模型分類總體精度最高，為94.00%；而基于H/A/Alpha分解參數(shù)的決策樹模型分類總體精度僅次于3種分解方法參數(shù)組合后的分類精度，為93.40%。說明H/A/Alpha分解的參數(shù)幾乎包含了其他2類分解方法中參數(shù)所攜帶的用于物候期劃分的有效信息。

表5 決策樹分類模型總體精度

3 結(jié)論與討論

3種極化分解方法所得到的參數(shù)中，對油菜物候期變化敏感度最高的是H/A/alpha分解所得到的參數(shù)，其次是Yamaguchi分量分解參數(shù)，因為Yamaguchi分解是在Freeman-Durden3分量分解方法的基礎(chǔ)上發(fā)展的，所以Yamaguchi的參數(shù)敏感性與Freeman-Durden3分量分解相似。Wang等[25]采用極化分解參數(shù)和隨機森林進行農(nóng)作物物候期監(jiān)測，其結(jié)果也表明，H/A/alpha分解的特征參數(shù)對物候期變化更敏感。H/A/alpha分解中S1與S2的劃分可用L3、P2和Beta1參數(shù)，S3與S5的劃分可用Alpha參數(shù)，S4可用L2參數(shù)。Canisius等[26]也發(fā)現(xiàn)，結(jié)合Alpha和Beta參數(shù)可以較好區(qū)分不同作物的物候期。Freeman-Durden3分量分解中S3、S4與S5可用Freeman-Durden3分量分解的Dbl參數(shù)；S1與S2可用Freeman-Durden2分量分解中的Ground參數(shù)。Yamaguchi分解中對S1與S2的劃分可用Helix參數(shù)，對于S4可用Dbl_Y參數(shù)，該分解對于S3和S5的變化不敏感。在Canisius等[26]的研究中，Dbl_Y與油菜部分生長參數(shù)的相關(guān)性較小，相反，Vol_Y參數(shù)的相關(guān)性較高，這可能是由于該研究針對整個油菜生長期分析各極化分解參數(shù)與油菜生長參數(shù)的相關(guān)性，而針對不同生長階段，各極化分解參數(shù)與油菜生長參數(shù)的相關(guān)性差異較大。決策樹模型對于油菜物候期劃分結(jié)果較為準確，其中，采用3種極化分解參數(shù)組合后的原始決策樹模型分類結(jié)果的總體精度最高，達94.00%，表明PolSAR參數(shù)對油菜物候期變化比較敏感，決策樹模型可以有效劃分油菜物候期，這與Lopez-Sanchez等[27]在水稻物候期劃分的研究中得到的結(jié)論相一致。

本文基于H/A/alpha分解、Freeman-Durden分解和Yamaguchi分解提取了全極化參數(shù)，采用決策樹方法分析了全極化信息在油菜物候期識別中的可行性。研究結(jié)果表明，在3種分解方法獲得的極化參數(shù)中，H/A/alpha分解的參數(shù)對油菜物候期的變化最為敏感。此外，3種分解方法獲得的分解參數(shù)在油菜不同物候期識別中敏感性差異明顯。決策樹模型中，基于3種極化分解方法參數(shù)組合后建立的原始決策樹模型分類總體精度最高，為94.00%；剪枝后決策樹模型分類總體精度為91.61%，和原始決策樹分類精度相差不大，但通過后剪枝處理可以有效避免模型的過擬合。盡管如此，單使用全極化分解方法進行油菜物候期識別仍具有局限性，未來可更多地結(jié)合植被所具備的特征信息進行物候期識別，如葉面積指數(shù)、生物量與株高等。另外，物候期的劃分方法，以及在整個作物生長期可獲取的遙感影像的數(shù)量，都對物候期劃分的精度有顯著影響，針對油菜的物候期劃分如何影響其物候期識別的精度仍需要進一步研究。