謝新喬，楊繼周，鄧邵文，李湘?zhèn)ィ匕l(fā)侶，王美艷，柳成柱，史學(xué)正

（1.紅塔煙草（集團(tuán)）有限責(zé)任公司，云南 玉溪 653100；2.玉溪師范學(xué)院，云南 玉溪 653100；3.土壤與農(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室（中國(guó)科學(xué)院南京土壤研究所），南京 210008；4.玉溪市煙草公司元江縣分公司，云南 元江 653300）

烤煙是云南省玉溪市最為重要的經(jīng)濟(jì)作物。應(yīng)用遙感技術(shù)識(shí)別區(qū)域范圍內(nèi)烤煙種植田塊并統(tǒng)計(jì)種植面積，對(duì)烤煙種植規(guī)模進(jìn)行宏觀、及時(shí)、準(zhǔn)確地監(jiān)測(cè)，可以為合理設(shè)置烤煙監(jiān)測(cè)站、科學(xué)預(yù)估烤煙產(chǎn)量提供詳實(shí)的數(shù)據(jù)，為烤煙產(chǎn)業(yè)的高質(zhì)量發(fā)展提供支撐。

遙感技術(shù)可用于監(jiān)測(cè)農(nóng)作物種植分布，根據(jù)數(shù)據(jù)源的不同，遙感技術(shù)可分為光學(xué)遙感[1-3]和微波遙感[4-6]。一般而言，光學(xué)遙感影像的獲取易受到云、霧、霾等天氣的影響[7-9]，導(dǎo)致研究區(qū)域遙感影像質(zhì)量難以保證，可獲取時(shí)間存在不確定性，不利于建立適用于不同年份的作物監(jiān)測(cè)模型[3，10-11]。相較于光學(xué)遙感，微波遙感因波長(zhǎng)較長(zhǎng)、能穿透云霧而具有全天候監(jiān)測(cè)能力，可為多云、霧、霾區(qū)域作物監(jiān)測(cè)提供潛在可行的方法[12-13]，但其需要通過(guò)獲取時(shí)間序列上的多景合成孔徑雷達(dá)（SAR）影像來(lái)彌補(bǔ)單景SAR 影像波段數(shù)不足所導(dǎo)致的作物識(shí)別精度不高的問(wèn)題[13-15]。

光學(xué)遙感一般基于多光譜遙感的近紅外、紅光、綠光和藍(lán)光計(jì)算歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差異植被指數(shù)（DVI）、增強(qiáng)植被指數(shù)（EVI）、歸一化差異綠度植被指數(shù)（NRI）和綠度歸一化植被指數(shù)（GNDVI）等，然后根據(jù)這些指數(shù)應(yīng)用決策樹(shù)、支持向量機(jī)和隨機(jī)森林等方法對(duì)地物進(jìn)行分類并提取烤煙分布。如王政等[16]基于HJ-1 衛(wèi)星的多光譜遙感影像計(jì)算不同地物的光譜反射特性、NDVI 和RVI，識(shí)別了廣西靖西縣烤煙種植區(qū)域分布特征，結(jié)果表明烤煙在紅波段與近紅外波段的比值與其他地物無(wú)交叉區(qū)間，最終利用RVI模型所提取的靖西縣烤煙種植信息總精度為92.79%，Kappa系數(shù)為0.837 4。張陽(yáng)等[17]根據(jù)2019 年4 月至7 月間湖南省茶陵縣烤煙與水稻、油菜、林地、建設(shè)用地、水體和灌木草地等地物之間光譜反射特征差異性，從多景不同時(shí)間節(jié)點(diǎn)的Sentinel-2 衛(wèi)星影像中選擇6 月4 日獲取的一景云量少、圖像質(zhì)量好的影像，計(jì)算了NDVI、RVI、EVI、NRI和GNDVI，采用決策樹(shù)分類方法提取縣域烤煙種植面積，總體分類精度達(dá)90.29%，與實(shí)際調(diào)查種植面積相比，誤差為3.7%?？梢?jiàn)，由于多光譜遙感具有多個(gè)波段，而不同地物對(duì)多個(gè)波段反射差異性的可區(qū)分度較大，因此，單景高質(zhì)量的多光譜遙感影像能獲得較好的烤煙識(shí)別效果。然而，在烤煙生長(zhǎng)季多云、多雨的地區(qū)，高質(zhì)量的多光譜遙感影像往往難以獲取，單景影像上難免有云污染的現(xiàn)象存在，這極大地限制此種方法的普遍適用性。

微波遙感應(yīng)用以SAR 為主，多基于SAR 影像上不同地物對(duì)水平發(fā)射水平接收（HH）、垂直發(fā)射垂直接收（VV）、垂直發(fā)射水平接收（VH）和水平發(fā)射垂直接收（HV）這四種不同極化類型的散射系數(shù)差異性進(jìn)行地物類型的區(qū)分。如廖娟等[18]獲取了TerraSAR-X衛(wèi)星2013 年8 月24 日的一景影像，提取了煙地、玉米地、水稻田、林地和居民點(diǎn)的HH、VV 和HH/VV 三種極化類型的散射系數(shù)，并根據(jù)五類地物散射系數(shù)的差異，采用支持向量機(jī)方法提取貴州清鎮(zhèn)烤煙種植分布情況，烤煙識(shí)別精度（制圖精度）和分類總精度分別為78.4%和85.1%。這說(shuō)明基于烤煙生長(zhǎng)季關(guān)鍵時(shí)間節(jié)點(diǎn)的TerraSAR-X 影像，能獲得較準(zhǔn)確的烤煙種植分布數(shù)據(jù)。但研究者同時(shí)指出TerraSAR-X 影像的購(gòu)置成本限制了其在大區(qū)域范圍、長(zhǎng)時(shí)間序列的應(yīng)用。

以上研究?jī)H利用了單期多光譜和SAR 影像的波段信息，而未將烤煙生長(zhǎng)周期的物候特征納入模型中，雖獲得了較好的識(shí)別效果，但所建立的遙感反演模型僅適用于特定的時(shí)間節(jié)點(diǎn)，難以保證影像的可獲取性和遙感反演模型的可重復(fù)利用性。若將烤煙的物候特征納入模型中，有望獲得更高的反演精度。Sentinel-1 的SAR 影像具有免費(fèi)、固定時(shí)間間隔和高可獲取性的特點(diǎn)，為構(gòu)建大區(qū)域、不同年份可重復(fù)利用的烤煙種植反演模型提供了較好的數(shù)據(jù)源。因此，若能建立基于多期Sentinel-1 SAR 影像的融合烤煙物候信息、可重復(fù)利用的烤煙種植遙感反演模型，將有望大幅提高烤煙數(shù)字化管理水平。

作為云南省最為重要的產(chǎn)煙區(qū)，玉溪市的烤煙生長(zhǎng)季為5 月至9 月，烤煙生長(zhǎng)關(guān)鍵期正處雨季。這導(dǎo)致該區(qū)域烤煙生長(zhǎng)關(guān)鍵期的高質(zhì)量光譜遙感影像難以獲取。因此，本研究擬基于連續(xù)多時(shí)相Sentinel-1衛(wèi)星影像，探究VV、VH 以及VV 與VH 比值（VV/VH）等不同極化信息組合對(duì)不同土地利用類型的可區(qū)分度，使用隨機(jī)森林分類方法構(gòu)建適用于玉溪典型烤煙種植區(qū)的烤煙Sentinel-1 反演模型，并在區(qū)域范圍內(nèi)驗(yàn)證模型精度，以期揭示玉溪市烤煙種植區(qū)域分布，為當(dāng)?shù)乜緹煯a(chǎn)業(yè)數(shù)字化和高質(zhì)量發(fā)展服務(wù)。

1 材料與方法

1.1 研究區(qū)概況

玉溪市位于云南省的中部，轄區(qū)內(nèi)地貌以山地和壩子（山間盆地）為主。市內(nèi)的紅塔壩子、澄江壩子、江川壩子和通海壩子是主要的農(nóng)業(yè)生產(chǎn)區(qū)，也是烤煙的主要種植區(qū)。除壩子外，市內(nèi)烤煙多分布于丘陵山區(qū)的坡地，呈小面積零星分布格局。本研究選擇具有代表性的澄江壩子、江川壩子及周邊山坡地為研究區(qū)（24°19′15″～24°46′58″N，102°43′11″～103°07′13″E），面積約2 050 km2（圖1）。研究區(qū)內(nèi)多年平均氣溫為11.5～11.9 ℃，多年平均降水量為900～1 200 mm；土壤類型主要為水稻土、紅壤和紫色土；土地利用類型主要包括建設(shè)用地、農(nóng)業(yè)用地和水域。區(qū)域內(nèi)夏季作物主要為烤煙、蔬菜、水稻、藍(lán)莓和蓮藕等。其中，烤煙于每年5 月上旬移栽完畢，6 月中旬揭掉地膜，8 月初開(kāi)始采收，9月中旬采收結(jié)束。

圖1 研究區(qū)調(diào)查樣點(diǎn)分布Figure 1 Sample distribution in the study area

1.2 樣本數(shù)據(jù)

2020年5月至10月間每月進(jìn)行1次野外調(diào)研，并根據(jù)調(diào)研情況將烤煙、菜地、水稻、藍(lán)莓、蓮藕、城鎮(zhèn)、林地和水體確定為最終的土地利用分類類型。使用集思寶UG908 手持衛(wèi)星定位平板采集了烤煙、菜地、水稻、藍(lán)莓和蓮藕等樣地的經(jīng)緯度，其監(jiān)測(cè)樣點(diǎn)數(shù)分別為168、115、69、54 個(gè)和71 個(gè)。根據(jù)從https：//scihub.copernicus.eu/dhus/#/home 下 載的2020 年7 月30日Sentinel-2 影像，解譯判讀出水體、城鎮(zhèn)、林地分別為21、51、48 塊。隨機(jī)抽取70%樣地作為訓(xùn)練樣本，30%樣地作為驗(yàn)證樣本，分別用于訓(xùn)練基于連續(xù)多時(shí)相Sentinel-1 衛(wèi)星影像的作物分類模型，以及驗(yàn)證模型在研究區(qū)作物上的分類精度。

1.3 遙感數(shù)據(jù)

由歐洲航天航空局（European Space Agency，ESA）發(fā)射的Sentinel-1 SAR 衛(wèi)星由A、B 兩顆C 波段（波長(zhǎng)約6 cm）衛(wèi)星組成。其單顆衛(wèi)星的重訪周期為12 d，兩顆衛(wèi)星的重訪周期為6 d。每顆衛(wèi)星提供VV和VH 雙極化影像。目前在歐洲以外地區(qū)，一般同一相對(duì)軌道的上行或下行方向僅能獲得12 d 間隔的影像[19]。由于農(nóng)作物的后向散射系數(shù)會(huì)受到衛(wèi)星視角和航向的影響，為消除衛(wèi)星視角和航向?qū)Ψ诸惖牟焕绊?，從https：//scihub.copernicus.eu/dhus/#/home 下載2020 年5 月22 日至9 月19 日每隔12 d 一景的Sentinel-1A 衛(wèi)星的干涉寬幅模式下行軌道的L1 級(jí)地距（Ground Range Detected，GRD）影像共11 景（表1），該產(chǎn)品已經(jīng)過(guò)多視處理，再利用ESA 提供的SNAP 8.0軟件中Sentinel-1 工具箱對(duì)11 景影像數(shù)據(jù)進(jìn)行預(yù)處理。處理步驟依次為精密軌道參數(shù)修正、研究區(qū)裁剪、熱噪聲去除、輻射定標(biāo)（Sigma0）、后向散射系數(shù)單位轉(zhuǎn)換為db、基于SRTM（Shuttle radar topography mission）數(shù)字高程模型的地形校正以及窗口數(shù)為5×5 的Boxcar濾波[20-21]。

由于每個(gè)時(shí)相需要兩景相鄰的Sentinel-1A 衛(wèi)星影像才能完整覆蓋玉溪市，因此，需另從https：//scihub.copernicus.eu/dhus/#/home 下載與表1中獲取時(shí)間一致的另外11景影像。整個(gè)玉溪市共有22景影像。

表1 研究區(qū)Sentinel-1影像信息Table 1 The metadata of Sentinel-1 images acquired for the study area

1.4 分類方法

為探究準(zhǔn)確、高效的Sentinel-1影像的分類方法，本研究基于研究區(qū)的訓(xùn)練樣本，使用SNAP 8.0 軟件中隨機(jī)森林分類方法進(jìn)行地物分類；設(shè)置11 景Sentinel-1 影像的VV、VH、VV+VH 以及VV+VH+VH/VV四種不同組合，依次訓(xùn)練分類模型；每次訓(xùn)練時(shí)，均設(shè)置隨機(jī)森林分類模型的訓(xùn)練樣本數(shù)為5 000，分類樹(shù)的個(gè)數(shù)為200；使用訓(xùn)練得到的隨機(jī)森林分類模型，基于全市范圍內(nèi)的11 個(gè)時(shí)相的22 景Sentinel-1A 衛(wèi)星影像進(jìn)行玉溪市烤煙種植的分布反演，得到玉溪市烤煙種植分布情況。

1.5 精度驗(yàn)證

基于總體精度（OA）、Kappa系數(shù)（K）、用戶精度（UA）和制圖精度（PA）4 個(gè)指標(biāo)驗(yàn)證地物分類模型在研究區(qū)的精度[21]。其中OA表征所有正確分類像元占全部像元的比例，Kappa系數(shù)量化分類結(jié)果與實(shí)際地物類型的一致程度，二者度量所有土地利用類型分類正確性的總體程度。分類正確性的總體程度高，并不能代表每一種土地利用類型的分類精度高。而UA和PA則是針對(duì)某一土地利用類型的度量指標(biāo)。UA是像元分類可靠性的度量指標(biāo)，PA是地物分類正確性的度量指標(biāo)。UA、PA和OA均為百分?jǐn)?shù)，數(shù)值越大表示結(jié)果越可靠。Kappa系數(shù)介于0～1 之間，越接近于1，分類效果越好。

2 結(jié)果與分析

2.1 VH和VV識(shí)別烤煙用地

Sentinel-1的SAR影像后向散射系數(shù)受到農(nóng)作物種類、莖葉結(jié)構(gòu)、含水量、生長(zhǎng)周期等因素的影響，使得不同作物在影像上表現(xiàn)出不同的散射特征，這是Sentinel-1影像分類的基礎(chǔ)。基于預(yù)處理后的多時(shí)相Sentinel-1 影像，統(tǒng)計(jì)8 種不同地物訓(xùn)練樣本覆蓋區(qū)域像元的VH、VV 的平均值（圖2、圖3），以此來(lái)表征不同地物后向散射系數(shù)隨時(shí)間的變化。

圖2 8種土地利用類型的VH后向散射系數(shù)的季節(jié)性變化Figure 2 The VH backscatter of eight land use types

圖3 8種土地利用類型的VV后向散射系數(shù)的季節(jié)性變化Figure 3 The VV backscatter of eight land use types

由圖2可知，烤煙的VH 從6月初至8月初總體處于上升狀態(tài)，在6月中旬和8月初各有一個(gè)波峰，并從8 月初至9 月初呈下降狀態(tài)。這一現(xiàn)象與烤煙的種植、生長(zhǎng)周期相關(guān)性較強(qiáng)。一般認(rèn)為VH 在作物生長(zhǎng)的初期主要受地面粗糙度的影響[22]，而在作物生長(zhǎng)的中后期則對(duì)作物的體散射較為敏感，通常與NDVI 等參數(shù)高度正相關(guān)[11]。當(dāng)烤煙于5 月上旬移栽完畢時(shí)，烤煙的個(gè)體較小，VH 基本反映的是地塊內(nèi)土壤表面的情況。烤煙移栽后，土壤受降雨、灌溉等影響會(huì)逐漸光滑，因此VH 略微下降[11]。6 月中旬烤煙種植者會(huì)揭掉烤煙種植時(shí)覆蓋的地膜，此時(shí)會(huì)擾動(dòng)土壤，致使地塊內(nèi)VH 大幅提高，導(dǎo)致6 月中旬出現(xiàn)波峰。此后，降雨、耕作管理措施會(huì)讓土壤緊實(shí)、平滑，故而VH明顯降低。但烤煙經(jīng)過(guò)一個(gè)月的生長(zhǎng)，煙株已經(jīng)有一定程度的成長(zhǎng)，NDVI也隨之增加，故相較于剛移栽完畢時(shí)VH 有一定程度的提高。此后烤煙逐漸生長(zhǎng)直至成熟，VH 也一直上升，最終于8 月初達(dá)到頂峰?？緹煵烧_(kāi)始后，烤煙的葉片數(shù)開(kāi)始減少，NDVI也隨之減小，VH 即呈現(xiàn)出降低的狀態(tài)。到9 月初烤煙采摘完畢，地塊內(nèi)僅剩煙桿和煙株頂部的部分細(xì)小葉片，故VH接近于剛揭掉地膜時(shí)的狀態(tài)。

從圖3 可見(jiàn)，不同于VH，烤煙的VV 僅在6 月中旬出現(xiàn)明顯的波峰，7月初至8月初基本平穩(wěn)，而后明顯下降直至9月初烤煙采摘完畢。這是因?yàn)閂V 主要受地面直接散射和作物冠層結(jié)構(gòu)的影響[11-12]。6 月中旬烤煙揭掉地膜后，受擾動(dòng)土壤會(huì)使VV 急劇升高。之后隨著烤煙的生長(zhǎng)，冠層會(huì)增加，從而減弱部分地面直接散射，但由于冠層減弱的地面直接散射與作物冠層產(chǎn)生的散射基本抵消，因此VV 基本平穩(wěn)。但當(dāng)8 月初烤煙開(kāi)始采摘后，冠層產(chǎn)生的散射減弱，而采摘活動(dòng)會(huì)進(jìn)一步使地面土壤緊實(shí)、平滑，從而減弱地面直接散射，因此，VV 呈現(xiàn)出下降的狀態(tài)。可見(jiàn)，烤煙與其他土地利用類型的VH 和VV 在時(shí)間序列上具有可區(qū)分性。這一后向散射的特性是基于Sentinel-1時(shí)間序列影像進(jìn)行不同土地利用類型分類的前提。

2.2 不同極化信息組合識(shí)別烤煙用地的精度

為建立準(zhǔn)確而高效的烤煙用地識(shí)別模型，將11個(gè)時(shí)相的VV、VH、VV+VH 和VV+VH+VV/VH 四種極化組合方式作為隨機(jī)森林分類器的輸入?yún)?shù)，結(jié)合研究區(qū)采集的訓(xùn)練樣地訓(xùn)練Sentinel-1反演模型并對(duì)不同土地利用類型進(jìn)行分類，之后對(duì)比分類結(jié)果與驗(yàn)證樣本的一致程度來(lái)量化分類精度（表2 和圖4、圖5），篩選最合適的模型。由表2 可知，8 種土地利用類型的分類總體精度指標(biāo)OA和Kappa系數(shù)由高到低的極化信息組合方式依次為VV+VH、VV+VH+VV/VH、VV 和VH。相比于VH 和VV 這兩種單一極化數(shù)據(jù)，VV+VH 的極化組合分類總體精度分別提高了15.8和9.7 個(gè)百分點(diǎn)，Kappa系數(shù)分別提高了0.191 和0.120。值得注意的是，增加VV/VH 信息的VV+VH+VV/VH極化組合反而比VV+VH 在分類總體精度上降低了1.3 個(gè)百分點(diǎn)，Kappa系數(shù)減小了0.016。因此，VV+VH 是分類總體精度最佳的極化組合方式，正確分類像元占所有像元的比例為87.6%（OA），分類結(jié)果與實(shí)際地物類型的一致程度為0.847（Kappa系數(shù)）。

表2 基于四種極化信息組合的8種不同土地利用類型的隨機(jī)森林分類總體精度Table 2 The overall accuracy values calculated based on four polarization combinations

與其他研究[11，14]結(jié)果相似，本研究中Sentinel-1的VV 比VH 獲得了更高的土地利用類型分類精度。這主要是由于VV 不僅接收作物的體散射從而在作物生長(zhǎng)的前期與植被覆蓋度具有強(qiáng)相關(guān)性[11]，同時(shí)還受植被與地面的交互影響，能在一定程度上反映植被的幾何結(jié)構(gòu)和冠層特征，因此較VH 在不同作物間有更明顯的區(qū)分度[14]。Veloso 等[11]指出通過(guò)求取大麥、小麥和玉米的VV/VH 能消除數(shù)據(jù)獲取時(shí)部分環(huán)境因素造成的誤差，從而更準(zhǔn)確地反映作物的生長(zhǎng)情況；而對(duì)于向日葵而言，VV/VH 并未呈現(xiàn)出與作物生長(zhǎng)情況的強(qiáng)相關(guān)性。本研究中烤煙的葉片與向日葵相似，均屬于較大的闊葉，這從一定程度上解釋了加入VH/VV 比值之后訓(xùn)練的模型相比VH+VV 精度并無(wú)明顯提升的原因。

相對(duì)于OA和Kappa系數(shù)，PA和UA是對(duì)單獨(dú)地物分類精度的評(píng)價(jià)指標(biāo)。PA可衡量某一土地利用類型分類正確的頻率，UA用于表征已分類土地利用類型中可靠像元的占比。從圖4 的PA可知，基于VV+VH+VV/VH 分類的藍(lán)莓、烤煙和林地三種土地利用類型的分類正確性最高，而基于VV+VH分類的水稻、蔬菜和城鎮(zhèn)分類正確性最高。對(duì)于分類后的可靠性指標(biāo)UA而言（圖5），基于VV+VH+VV/VH 分類的林地、城鎮(zhèn)、蔬菜和蓮藕可靠像元的占比高，但基于VV+VH 分類的水稻和烤煙可靠像元的占比高。因此，需綜合考量PA和UA進(jìn)而篩選合適的組合。

圖4 基于四種極化信息組合的7種不同土地利用類型的隨機(jī)森林分類制圖精度（PA）Figure 4 The producer accuracy（PA）values calculated based on four polarization combinations

圖5 基于四種極化信息組合的7種不同土地利用類型的隨機(jī)森林分類用戶精度（UA）Figure 5 The user accuracy（UA）values calculated based on four polarization combinations

以烤煙分類為例，假設(shè)有10 000 個(gè)像元，則基于VV+VH+VV/VH 分類和VV+VH 分類的PA和UA的理想綜合精度應(yīng)分別為8 428（10 000×96.4%×87.4%）和8 613（10 000×96.3%×89.4%）個(gè)像元。此外，與VV+VH 相比，基于VV+VH+VV/VH 建立分類模型和用于分類所需的計(jì)算量均較大，故選擇基于VV+VH分類方法進(jìn)行研究區(qū)的烤煙種植提取。

基于VV+VH 分類結(jié)果（表3）發(fā)現(xiàn)，水體的綜合分類精度最高，100%水體被正確分類；藍(lán)莓的綜合分類精度最低，僅31.0%的藍(lán)莓被正確分類，且分類為藍(lán)莓的像元中僅39.0%可靠。這主要是由于藍(lán)莓種植地塊情況復(fù)雜（有育苗、覆蓋紗網(wǎng)、起壟種植等情況），當(dāng)前樣本中的代表性不夠。與藍(lán)莓的情況類似，僅55.9%的林地被正確分類，但不同于藍(lán)莓，分類為林地的像元中96.9%可靠。其余農(nóng)作物中，水稻的綜合分類精度最高，烤煙、其他作物和蓮藕的綜合分類精度依次降低。其中烤煙的PA和UA分別為96.3%和89.4%，烤煙的識(shí)別綜合精度較為理想。

表3 基于VV+VH組合的8種不同土地利用類型隨機(jī)森林分類的精度Table 3 Validation results of random forest classification based on VV+VH and field samples

2.3 研究區(qū)及玉溪市烤煙種植分布特征

基于11 景不同時(shí)相的Sentinel-1 衛(wèi)星影像可反演烤煙種植分布情況，圖6 為撫仙湖周邊的烤煙種植分布。由圖可見(jiàn)，澄江壩子烤煙為片狀分布，這主要由于澄江壩子進(jìn)行了土地集中流轉(zhuǎn)，由企業(yè)按片租賃后統(tǒng)一種植同一類型作物。不同于澄江壩子，周圍山地上的烤煙多為零星種植，只有少部分為片狀。這與山區(qū)耕地的分布特征較為一致，多分布于山頂、緩坡和山腳谷底幾個(gè)地形部位。當(dāng)幾個(gè)地形部位的平緩區(qū)域面積較大時(shí)，烤煙的種植面積也相對(duì)較大，反之，則烤煙的種植面積相對(duì)較小。

圖6 基于Sentinel-1遙感影像反演的撫仙湖周邊烤煙分布Figure 6 The classified flue-cured tobacco distribution in the study area based on Sentinel-1 images

圖7 為反演出的玉溪市烤煙種植分布情況。所有縣（區(qū)、市）中僅澄江壩子由于土地流轉(zhuǎn)呈現(xiàn)出明顯的片狀分布，其他縣（區(qū)、市）烤煙多在壩子、山谷和緩坡進(jìn)行種植。由于農(nóng)戶分散種植，因此呈現(xiàn)出大部分區(qū)域零星點(diǎn)狀分布、少部分區(qū)域聚集的種植趨勢(shì)。種植面積由高到低分別為華寧縣、澄江市、新平縣、峨山縣、易門縣、江川區(qū)、元江縣、通?？h和紅塔區(qū)，分別占總種植面積的21.4%、13.5%、12.8%、11.3%、9.2%、8.6%、8.1%、7.9%和7.2%。

圖7 基于Sentinel-1反演的玉溪市烤煙種植分布Figure 7 The classified flue-cured tobacco distribution in Yuxi City based on Sentinel-1 images

3 討論

對(duì)比王政等[16]、張陽(yáng)等[17]、廖娟等[18]和李富欣等[23]針對(duì)烤煙種植識(shí)別的研究可以發(fā)現(xiàn)，基于單景多光譜影像識(shí)別烤煙的精度普遍高于基于單景SAR 識(shí)別的精度[3]。這主要是由于多光譜遙感影像相比于單景SAR 影像具有更豐富的波段信息。本研究基于11 景Sentinel-1 的SAR 影像，以時(shí)間序列上的VH 和VV 波段彌補(bǔ)了單景SAR影像波段數(shù)的不足，烤煙分類用戶精度為89.4%，制圖精度為96.3%，高于廖娟等[18]基于四極化的TerraSAR-X 獲得的78.4%的烤煙識(shí)別精度（制圖精度）和85.1%的分類總精度。相對(duì)于以TerraSAR-X 為代表的四極化SAR，雙極化的Sentinel-1單景影像波段數(shù)僅有VV和VH兩個(gè)，但前者多為商業(yè)產(chǎn)品，獲取多期、多景影像成本非常高，限制了多時(shí)相、大范圍的應(yīng)用；而后者可以免費(fèi)獲取，以多時(shí)相來(lái)彌補(bǔ)單景影像波段數(shù)不足的問(wèn)題，從而獲得高于四極化SAR的作物分類精度，且能在區(qū)域上大范圍應(yīng)用[24]。

在烤煙生長(zhǎng)季多云多雨的玉溪，相比于獲取時(shí)間和云覆蓋程度均不確定的多光譜影像，Sentinel-1 影像具有更穩(wěn)定的數(shù)據(jù)源，因此基于Sentinel-1 影像進(jìn)行烤煙識(shí)別分類的方法具有更高的可行性。此外，多時(shí)相Sentinel-1影像還能夠作為多光譜遙感數(shù)據(jù)的有力補(bǔ)充，提升農(nóng)作物關(guān)鍵生長(zhǎng)期長(zhǎng)勢(shì)情況獲取的準(zhǔn)確性。因此，基于多時(shí)相Sentinel-1 影像進(jìn)行作物分類和監(jiān)測(cè)的應(yīng)用具有廣闊的前景。

本研究基于11 期不同時(shí)相Sentinel-1 影像構(gòu)建了地物分類模型，由該模型獲得的烤煙識(shí)別結(jié)果基本能滿足烤煙種植監(jiān)測(cè)的目的。下一步擬探索基于面向?qū)ο蟮姆椒ê徒Y(jié)合光學(xué)多源遙感數(shù)據(jù)[6，13，25-27]進(jìn)行極化SAR 數(shù)據(jù)的分類識(shí)別。此外，還應(yīng)在不同年份驗(yàn)證和改進(jìn)模型的識(shí)別精度，同時(shí)探索基于多時(shí)相Sentinel-1影像反演烤煙等作物長(zhǎng)勢(shì)的方法[28]。

4 結(jié)論

（1）本研究基于烤煙生育期內(nèi)的11 期Sentinel-1雷達(dá)衛(wèi)星影像，分析了烤煙與其他7 種土地利用類型的VV 和VH 在時(shí)間序列上的可區(qū)分性，結(jié)果表明，VH 和VV 均可反映烤煙生長(zhǎng)期內(nèi)的主要后向散射系數(shù)特點(diǎn)，這是區(qū)分烤煙與其他7 種土地利用類型的基礎(chǔ)。

（2）本研究比較了VH、VV、VV+VH 和VV+VH+VV/VH 四種不同極化信息組合作為輸入?yún)?shù)時(shí)，使用隨機(jī)森林法建立的Sentinel-1烤煙種植反演模型的精度，其中VV+VH 的極化信息組合方式獲得的反演精度最高，分類總體精度為87.6%，Kappa系數(shù)為0.847，制圖精度為96.3%，用戶精度為89.4%。反演出的烤煙區(qū)域分布與實(shí)際種植情況一致性較高，研究結(jié)果能滿足烤煙種植監(jiān)測(cè)的目的。