CN104199027A - 基于紧致极化雷达大面积近实时监测水稻物候期的方法 - Google Patents

Abstract

本发明公开了一种基于紧致极化雷达大面积近实时监测水稻物候期的方法，包括:(I)规划筹备、野外测量：选择合适的雷达数据源，结合其卫星过境时间规划开展野外同步测量的时间；野外同步测量得到GPS矢量文件和水稻样本点数据；将水稻样本点分为两个集合,A1为训练样本，A2为验证样本；(II)水稻分类:获取合适的紧致极化雷达影像、预处理、提取分析关键雷达参数；建立分类算法得到结果；利用验证样本进行分类精度评价；(III)物候反演：对A1中的每一个样本分析；提取分析关键雷达参数；建立反演算法；利用A2集合中的样本验证精度；调整确定有效雷达参数和算法。本发明具有监测范围尺度大、精细化程度高且实践推广性好的优点。

Description

基于紧致极化雷达大面积近实时监测水稻物候期的方法

技术领域

本发明涉及基于遥感数据的农作物物候监测领域，具体地，涉及一种基于紧致极化雷达大面积近实时监测水稻物候期的方法。

背景技术

物候是指受环境因子和人类活动影响出现的以年为周期的自然现象。作物的物候期是农作物达到关键生育期所对应的日期。作物的物候信息不仅反映当地，当时的环境条件,而且反映过去一段时间的环境条件的积累。农作物作为陆地生态系统的一部分，其物候的变化受到气候、水文等因素的变化影响，这一变化将直接影响作物的最终产量。同时，农作物的物候信息是重要的农业信息，是农业生产、田间管理、计划决策等的重要依据，也是作物模拟模型的重要参数。在农作物的长势监测和估产中引入物候信息，能够获得更加准确的研究结果。因此，掌握作物的物候期，认识自然季节现象的变化规律，对农业生产、全球变化、生态学应用都有重要意义。

水稻作为世界三大粮食作物之一，为超过世界1/3的人口提供粮食。我国是水稻生产大国，年产量约为1.93亿吨，居世界第1位。准确实时地监测水稻长势，预测其产量，对保障社会安定和促进经济发展具有重要意义。

从水稻物候期监测的发展历程看，主要可以分为地面监测和遥感反演两种技术手段：

地面监测主要是雇佣一定的人员，在野外进行实地的记录观测。随着科技的不断发展，国内外越来越多地使用计算机、红外线仪、光合作用测量仪等仪器进行农作物(包括水稻)的辅助管理，在区域范围内组成“精细农业”的管理系统，测量农作物(包括水稻)各种生理生化参数，营养元素和物候生长期等关键参数，实现区域尺度上农田的精细监测和调控；

与此同时，随着遥感技术的快速发展，遥感已经成为大尺度监测作物物候的主要方法。基于遥感数据的物候监测是对传统物候学的有效补充与发展，它将观测对象从植株个体提升到生态系统层面，实现了农作物物候观测由点到面的空间转换。这种转变为农作物物候研究赋予了新的意义，使其在更多领域发挥着不可估量的作用。越来越多的人开始研究利用遥感监测作物的物候信息。目前，监测水稻生长状况和估产主要利用雷达遥感的手段，获取大范围的农作物影像，选取合适的参数进行组合反演。

地面精细化监测农田和遥感反演物候两种方法各有偏重，缺陷与不足非常明显。下面分别对以上两种方法的问题进行阐述：

就地面监测角度，其精细化程度相对遥感反演更高，但地面监测只能保证在较小的范围内实现一定程度上的“精细监测”。从资源成本和实践效果看，地面监测需要较多的人力，同时设备仪器的安装和维护是一个重要的消耗成本，无法忽视；其次，地面精细监测的效果并不十分理想，不同的田块之间有或大或小的差异，实践推广性较差；

就遥感反演角度，主要有3个方面的不足：

(1)目前，遥感对水稻的识别仅仅停留在水稻与非水稻的分类上，对于不同品种的水稻，如杂交稻和粳稻的分类没有有效的方法可以实现，这就无法满足不同品种水稻的监测和估产的需要；

(2)雷达遥感反演水稻物候期存在一个重要的缺陷在于获取的水稻物候期不够精细，即对于水稻10个生长期来说，现存的遥感反演技术只能区分出其中的4-5个物候期，有些物候期之间区别很小而无法区分。例如，2011年西班牙学者反演水稻物候期时，无法区分水稻的抽穗期和扬花期，乳熟期和完熟期等非常相似的物候期。这些物候期内水稻的生长情况含糊不清的，显然无法满足日益精细的农业应用需求；

(3)现有的雷达遥感反演水稻物候期的应用中，所使用的影像有的幅宽相对较小(如全极化Fine Quad模式影像)，只能监测一个县市范围内的水稻生长状况；有的幅宽相对过大(如双极化ScanSAR模式影像)，准确度不够。

综上所述，现有方法在实际的农田监测应用中存在认知尺度上的局限以及识别方法上的不足。

发明内容

本发明的目的在于提供一种基于紧致极化雷达大面积近实时监测水稻物候期的方法，使其监测范围尺度大、精细化程度高且实践推广性好。

为了实现上述目的，本发明采用如下技术方案：

基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于，包括如下步骤:

(I)规划筹备、野外测量：

第1步，选择合适的雷达数据源，结合其卫星过境时间规划开展野外同步测量的时间；

其中，所述雷达卫星过境时间和水稻的多个关键物候期相对应，且所述雷达数据源可转换成紧致极化雷达影像；

第2步，在雷达卫星过境时间对水稻样本田块进行野外同步测量，得到GPS矢量文件和水稻样本点数据；

第3步，将水稻样本点分为两个集合,A1为训练样本，A2为验证样本；

(II)水稻分类:

第1步，获取(I)中第1步雷达卫星过境时间所对应的紧致极化雷达影像；

第2步，对紧致极化雷达影像进行预处理；

第3步，提取分析关键雷达参数；

提取水稻每个物候期的RH/RV/RR/RL后向散射系数和/或m-chi分解的三分量；

第4步，建立分类算法得到结果；

根据上一步得到的不同物候期影像的相关参数，进行比较分类，并使用决策树建立水稻的分类算法；

第5步，利用A2集合中的验证样本进行分类精度评价；

(III)物候反演：

第1步，从A1中选择杂交稻和粳稻田若干作为训练样本集；

第2步，提取分析关键雷达参数；

分别计算上一步选择的训练样本集中每个物候期的RH/RV/RR/RL后向散射系数、m-chi分解的三分量、极化度m和一致性系数μ；

第3步，建立反演算法；

根据上一步得到的相关参数，使用决策树分别建立杂交稻和粳稻的物候期反演算法；

第4步，利用A2集合中的样本验证精度；

第5步，调整确定有效雷达参数和算法。

进一步地，所述(I)中第1步的雷达数据源采用加拿大RADARSAT-2雷达卫星的C波段全极化影像作为基础数据源，该基础数据源可合成紧致极化雷达影像，所述紧致极化雷达影像采用杂交模式。

进一步地，所述(I)中第2步的野外同步测量具体包括：(a)杂交稻和粳稻田块的GPS坐标和田块大小；(b)水稻采样田块的物候期；(c)水稻的形态生理特征；(d)包括水稻田块下垫面及气候的环境参数。

进一步地，当所述(II)中第3步提取了水稻每个物候期的RH/RV/RR/RL后向散射系数时；所述(II)中第4步的分类算法具体为：利用幼苗期和休耕期的RL后向散射系数之差区分杂交稻和粳稻。

进一步地所述幼苗期和休耕期为杂交稻的幼苗期和休耕期，利用幼苗期和休耕期的RL后向散射系数之差是否≥-3.56dB区分杂交稻和粳稻。

进一步地，在区分杂交稻和粳稻之前，先进行如下分类：利用完熟期RH和分蘖期RR后向散射系数区分水体；利用乳熟期的RV后向散射系数区分蟹田和水体；利用抽穗期的RR和拔节期的RH后向散射系数来区分裸地；利用蜡熟期的RH和休耕期的RV后向散射系数来区分城镇；利用蜡熟期的RR后向散射系数区分森林和水稻。

进一步地，所述(III)中的第3步的具体算法为：

以RL判断杂交稻是否处于幼苗期，以μ或m-chi-db判断粳稻是否处于幼苗期；

以m-chi-s、RV、m-chi-v共同判断杂交稻是否处于分蘖期，以m-chi-v判断粳稻是否处于分蘖期；

以m-chi-s、RR和μ共同判断杂交稻是否处于拔节期，以m-chi-s、RV和μ共同判断粳稻是否处于拔节期；

以m、m-chi-s和RL共同判断杂交稻是否处于抽穗扬花期，以m-chi-s、μ、RH和RV共同判断粳稻是否处于抽穗扬花期；

以m、RR、μ和RL共同判断杂交稻是否处于乳熟期，以m-chi-s、RH共同判断粳稻是否处于乳熟期；

以μ、m-chi-db、RL共同判断杂交稻是否处于蜡熟期，以μ、RH共同判断粳稻是否处于蜡熟期；

以m-chi-db、RL共同判断杂交稻是否处于休耕期，以μ、m-chi-db、m-chi-v共同判断粳稻是否处于完熟期。

与现有技术相比，本发明具有以下有益效果：

(1)本发明仅需要获取合适时相的紧致极化雷达影像，即可利用图3所示的算法完成水稻监测。本发明不需要大面积的野外观测，这大大地节省了人力物力；

(2)根据大量的实验，本发明利用了幼苗期和休耕期水稻的紧致极化雷达RL完成了对杂交稻和粳稻的分类，精度在90％左右，具有实际的监测识别能力；

(3)紧致极化雷达影像能提取新型的雷达参数，以一致性系数μ为代表的新型参数可以准确地划分出水稻7个物候期(图6、图7)，这意味着可以“近实时”地监测水稻的生长情况，为估产和病虫害预防提供了基础信息；

(4)相对于传统的全极化雷达影像而言，紧致极化雷达影像成本较低，观测面积(幅宽)接近2倍，同时满足大范围监测和区域农田尺度的物候反演。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的技术流程图；

图2为水稻(杂交稻)每个物候期RH后向散射系数的变化图；

图3为水稻(杂交稻和粳稻)分类的算法流程图；

图4为江苏省金湖县局部水稻(杂交稻和粳稻)分类图；

图5为杂交稻和粳稻关键雷达参数的散点图,其中：

(a)杂交稻RH后向散射系数；(b)杂交稻RV后向散射系数；(c)杂交稻RR后向散射系数；(d)杂交稻RL后向散射系数；(e)杂交稻极化度m；(f)杂交稻散射角α；(g)杂交稻相位差δ；(h)杂交稻一致性系数μ；(i)杂交稻m-chi分解第一分量；(j)杂交稻m-chi分解第二分量；(k)杂交稻m-chi分解第三分量；(l)杂交稻m-chi分解三分量组合参数；

(A)粳稻RH后向散射系数；(B)粳稻RV后向散射系数；(C)粳稻RR后向散射系数；(D)粳稻RL后向散射系数；(E)粳稻极化度m；(F)粳稻散射角α；(G)粳稻相位差δ；(H)粳稻一致性系数μ；(I)粳稻m-chi分解第一分量；(J)粳稻m-chi分解第二分量；(K)粳稻m-chi分解第三分量；(L)粳稻m-chi分解三分量组合参数；

图6为杂交稻物候反演决策树算法图；

图7为粳稻物候反演决策树算法图；

图8为2012年，江苏省金湖县局部杂交稻和粳稻物候期反演图；

图9为选择7号、8号、15号、19号、24号、40号6个杂交稻田块进行物候反演的结果示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明是一种基于紧致极化雷达(Compact SAR)大面积近实时监测水稻物候期的方法，其中，Compact SAR，在国内称为紧致极化合成孔径雷达或简缩极化合成孔径雷达，目前国内没有统一的称呼，是一种新型的SAR技术。紧致极化雷达系统只发射一个方向的电磁波，但同时接收两个方向的回波信号，降低了系统设计和维护的复杂度，扩大了系统的成像范围。紧致极化SAR系统是双极化SAR与全极化SAR系统的折衷，与双极化SAR系统相比，紧致极化SAR系统发射和接收信号组合更丰富，能够获取回波信号的相对相位，具有更丰富的信息量。目前，3种常用的紧致极化模式包括：π/4模式(发射45°方向的线极化波，接收水平和垂直回波信号)，双圆极化模式(发射圆极化波，同时接收左圆和右圆极化波)和杂交模式(发射圆极化波，同时接收水平和竖直线极化波)。本发明优选使用的是杂交模式的紧致极化雷达技术，这种模式比双圆极化模式更简单稳定，对噪声敏感程度下降，具有自校正能力，双圆极化模式实际上是杂交模式的线性组合。

如图1所示，本发明的基于紧致极化雷达(Compact SAR)大面积近实时监测水稻物候期的方法，包括如下步骤:

(I)规划筹备、野外测量：

第1步，选择合适的雷达数据源，结合其卫星过境时间规划开展野外同步测量的时间；

本实施例以加拿大RADARSAT-2雷达卫星的C波段全极化影像作为基础数据源，14天左右获取一景影像。在此基础上，利用各时期的全极化影像合成得到紧致极化雷达影像数据作为研究数据。根据该卫星的过境时间，在2012年分别选取了6月27日、7月11日、7月21日等10个时期获取雷达影像并进行地面测量，如表1所示。

这个步骤需要注意两个要点：第一，要保证雷达影像的获取时间(卫星过境时间)和水稻物候期相对应，特别是一些关键的物候期，比如分蘖期、抽穗期、乳熟期等。本发明是要利用雷达影像反演水稻的物候期，因此要使得水稻大多数物候期(幼苗期、分蘖期、拔节期、抽穗期、扬花期、蜡熟期、乳熟期、完熟期、休耕期)与雷达卫星的过境时间一致；第二，本发明使用的是紧致极化雷达影像。这种影像的空间分辨率是16m或30m，14天左右可以过境一次，恰恰对应着水稻的物候期间隔。同时，紧致极化雷达作为一种新型的雷达，可以提取一些新型的关键参数，有利于水稻分类与物候反演。

本实施例中，要保证雷达影像的获取时间和水稻物候期相对应，其中的水稻物候期是根据杂交稻的物候期决定的。但事实上杂交稻和粳稻的物候期相差15天左右，我们选择了9-10个不同时期的影像，相邻影像相隔14天。在同一景影像内，杂交稻可能处于某一个物候期的末期，而粳稻处于早期；或者杂交稻比粳稻领先一个物候期，因此任意以一种水稻的物候期作为标准选择合适影像对另一种水稻依然适用，如下表1所示。

表1 卫星过境日期以及杂交稻和粳稻对应的物候期

此外，需要澄清的是：本实施例没有对水稻每一个物候期进行反演。水稻一共有9个物候期，但是本实施例只区分了7个物候期。原因主要有二个：第一是对于杂交稻而言，在孕穗期没有获取相应的雷达数据；第二是两种水稻的孕穗期、抽穗期和扬花期这三个物候期特征太相似，无法区分。

第2步，在雷达过境时间对水稻样本田块进行野外同步测量，得到GPS矢量文件和水稻样本点数据；

野外同步测量具体包括：1、典型水稻(杂交稻和粳稻)田块的GPS坐标和田块大小(GPS航迹)；2、水稻采样田块的物候期；3、水稻的株高、行距、垄距、叶面积指数、叶长宽、出穗比率等水稻形态生理特征；4、水稻田块下垫面(湿润土壤或水面)，气候等环境参数。

GPS矢量文件和水稻样本点数据来自地面测量，一共是41个水稻样本点。其中，29个为杂交稻样本点，12个为粳稻样本点。之所以两种水稻样本田块的数量有差异，是因为研究区内主要以杂交稻为主。

第3步，将水稻样本点分为两个集合,A1为训练样本，A2为验证样本；

A1和A2之间最好没有重复，即地面测量获得的29个杂交稻和12个粳稻的样本田块中，选择15个杂交稻和6个粳稻样本田块作为A1(训练样本)，建立分类反演算法，而剩下的样本田块作为验证样本，验证算法精度。

(II)水稻分类，即杂交稻和粳稻分类:

第1步，获取合适的紧致极化雷达影像；

根据(I)部分的第1步所确定的雷达数据源和获取时间(卫星过境时间)，向加拿大RADARSAT-2中国代理公司购买如表1所示时期的C波段全极化RADARSAT-2雷达影像，并合成紧致极化雷达影像。

第2步，对上述合成的影像进行常规预处理，如辐射定标、几何纠正、多视滤波等；

第3步，提取分析关键雷达参数；

考虑自然界最普遍的情况，即在感兴趣区域内与水稻共存的地物有：城镇(居民地)、森林、水体、蟹塘(水产养殖)、裸地(河流滩涂)等。水稻可以分为杂交稻和粳稻。如此复杂的地物类型需要合适的参数才能区分。这里，提取了水稻每个物候期的RH/RV/RR/RL后向散射系数，m-chi分解的三分量(m-chi-db，m-chi-v和m-chi-s)。RH/RV/RR/RL后向散射系数可以直接从图像上提取，而m-chi分解的三分量m-chi-db，m-chi-v和m-chi-s分别表示m-chi分解的二次散射、体散射和面散射分量，可以用下面公式计算得到：

$m-\mathrm{chi}-\mathrm{db}=\frac{1}{2}{S}_{1}m(1-\cos 2\mathrm{\α})---\left(1\right)$

m-chi-v＝S₁(1-m)  (2)

$m-\mathrm{chi}-\mathrm{db}=\frac{1}{2}{S}_{1}m(1+\cos 2\mathrm{\α})---\left(3\right)$

其中：

S₁＝<|E_H|²+|E_V|²>＝<|E_R|²+|E_L|²>  (4)

$S_2=<{\left|E_H\right|}^2-{\left|E_V\right|}^2>=2\mathrm{Re}<E_R^{*}g{E}_L>---\left(5\right)$

$S_3=2\mathrm{Re}<E_H^{*}{\mathrm{gE}}_V>=2\mathrm{Im}<E_R^{*}{\mathrm{gE}}_L>---\left(6\right)$

$S_4=2\mathrm{Im}<E_H^{*}{\mathrm{gE}}_V>=<{\left|E_L\right|}^2-{\left|E_R\right|}^2>---\left(7\right)$

$m=\frac{(S_2^2+S_3^2+S_4^2)}{S_1^2}---\left(8\right)$

$\mathrm{\&alpha;}=\frac{1}{2}{\tan }^{-1}\left(\frac{\sqrt{S_1^2+S_2^2}}{\&PlusMinus;S_3}\right)---\left(9\right)$

参数m和α分别表示极化度和散射角(其中散射角α的物理含义是，在0-38°内，表示面散射；在38°-52°内表示体散射；在52-90°内表示二次散射)，取值范围分别在(0,1)和(0,90°)以内；S₁-S₄表示Stokes向量的四个分量，其中E_H和E_V分别表示在笛卡尔坐标系下的水平和垂直方向上的电场分量，E_R和E_L表示在极坐标系下左旋和右旋圆极化的电场分量；Re和Im在公式中分别表示复数的实部和虚部,*表示取该变量的复共轭。

得到水稻(杂交稻)每个物候期的RH/RV/RR/RL后向散射系数和m-chi分解的三分量之后，对它们进行分析，用matlab程序可以得到如图2所示的曲线(以RH后向散射系数为例)：

分析水稻(杂交稻)每个物候期的RH/RV/RR/RL后向散射系数和m-chi分解的三分量的曲线，分析并选择最优的水稻品种分类算法；

第4步，建立分类算法得到结果；

这一步使用决策树建立水稻(杂交稻和粳稻)的分类算法。单一物候期很难将所有的地物区分开来，特别是杂交稻和粳稻很难区分。杂交稻和粳稻作为不同品种的水稻，在图像上差异较小，需要使用不同物候期的影像进行比较分类。

通过大量的实验，可以发现图3所示的决策树算法精度最好，杂交稻和粳稻区分精度分别达到94.3％和86.4％，结果如图4所示。

根据图3可以分析得到：利用RV后向散射系数可以区分出水体和蟹田，因为蟹田有藩篱和格网，导致了RV后向散射衰减相对更大，可以选择乳熟期的RV后向散射系数是否大于-23.5dB(分贝)区分蟹田和水体；利用RH和RR后向散射系数可以区分出裸地，因为裸地无植被覆盖，RH和RR的衰减严重，RH和RR后向散射系数很小，可以选择抽穗期和拔节期的RR、RH来区分裸地；城镇后向散射系数明显大于其他地物，可以根据蜡熟期和休耕期的RH、RV来区分城镇；森林与水稻混淆较大，但是由于蜡熟期水稻体散射衰减严重，后向散射系数下降明显，故可以使用蜡熟期的RR后向散射系数区分森林和水稻；最后，可以利用幼苗期和休耕期的RL后向散射系数之差区分杂交稻和粳稻。这是因为在幼苗期，杂交稻下垫面为水体，存在镜面反射，同时植株密度很低，RL后向散射系数小于粳稻；在休耕期，杂交稻已经被收割，RL的衰减比粳稻的低，因此RL后向散射系数大于粳稻。这样两者相减可以增大杂交稻和粳稻的区别。

由于扬花期杂交稻和粳稻两者都已经抽穗，叶倾角等形态生理特征类似，较难区分。同时，其他地物的差别相对其他物候期相对较低，所以为了保证高分类精度，上述分类算法中没有使用扬花期的数据。

根据大量的实验，本发明利用了幼苗期和休耕期水稻(杂交稻)的紧致极化雷达RL后向散射系数完成了对杂交稻和粳稻的分类，精度在90％左右，具有实际的监测识别能力。

第5步，分类精度评价；

根据地面测量得到的验证样本田块A2,利用ENVI软件将GPS矢量文件叠加到分类结果图，然后勾选ROI，得到混淆矩阵。混淆矩阵中包括了各个类别分类的用户精度和制图精度，以及总体精度和Kappa系数两个综合评价指标。表2为分类精度混淆矩阵。可以看到，杂交稻和粳稻的分类精度分别为94.23％和86.38％，总体精度为92.65％，Kappa系数为0.91，结果令人满意。

此外，也可以利用幼苗期和休耕期水稻的m-chi-db分量实现两种水稻的区分。但两种水稻在m-chi-db上的波动幅度相对RL来说更大，选择一个固定的阈值来区分二者会更加困难。该方法分类的总体精度为86.2％。通过对比，效果最好的是利用幼苗期和休耕期水稻的RL后向散射系数之差作为标准。

表2 水稻品种精细分类精度混淆矩阵

(III)物候反演：

第1步，对A1集合中每一个样本分析；

第2步，提取分析关键雷达参数；

物候反演是在分类的基础上实现的，相对水稻分类而言需要对水稻生长状况有更深的理解。对于水稻而言，不同品种的水稻物候期有所差异，杂交稻和粳稻的物候期并不相同。例如：8月4日对于杂交稻而言是抽穗期，而对于粳稻而言是拔节期。这就意味着在反演水稻物候期之前，我们要将杂交稻和粳稻区别对待，分别反演各自的物候期。这里，在水稻每个物候期的RH/RV/RR/RL后向散射系数和m-chi分解的三分量基础上，进一步提取了极化度m(公式8)，散射角α(公式9)，一致性系数μ等新型关键参数。一致性系数μ由以下公式计算得到：

$\mathrm{\&mu;}=\frac{2\mathrm{Im}<\mathrm{RH}{\mathrm{gRV}}^{*}>}{<\mathrm{RH}{\mathrm{gRH}}^{*}>+<\mathrm{RV}{\mathrm{gRV}}^{*}>}---\left(10\right)$

其中，RH和RV分别表示这两个方向的后向散射系数；Im表示复数的虚部，*表示取相应变量的复共轭。

物候反演阶段中的第一步得到了不同大小和形状的水稻田块作为训练样本集。从中选择杂交稻田和粳稻田各6块，计算它们每个物候期的RH/RV/RR/RL后向散射系数，m-chi分解的三分量，散射角α和一致性系数μ，并用matlab程序可以得到如图5所示的散点图，其中的相位差数据与散射角类似，它作为一个重要的参数在研究过程中进行了分析，但是最后因为波动太大，所以没有作为判断标准。

第3步，建立反演算法；

这一步使用决策树建立杂交稻和粳稻的物候期反演算法。通过大量的实验，建立反演算法保证只需要单一时相的紧致极化雷达影像，不需要任何其他的辅助信息，直接从雷达影像上获取水稻田的物候信息。通过对比分析第2步中的相关参数，本发明采用如图6、图7所示的决策树算法，对杂交稻和粳稻的物候期分别进行反演。该算法在每个物候期的反演精度都能达到86％以上。

上述单一时相是指：只需要一个时期的紧致极化雷达影像，给定水稻种植区域，就可以根据影像完成物候期的反演。这是本发明的一个重要优势。因为现在国外的技术需要多个时相(多个不同时期)的雷达影像对物候期反演，这说明数据需求大，成本高，实际操作更为复杂。

结合图6和图7，选取几个物候期对杂交稻和粳稻物候反演决策树算法进行详细说明(图中为了显示简洁，用‘or’表示‘或’；用‘and’表示‘且’)：

(1)幼苗期的判断标准：

杂交稻：RL≤-13.5dB

粳稻：μ≥0.25或m-chi-db≤-19.5dB

在幼苗期，对于杂交稻，由于水稻下面的水体镜面反射，导致面散射很小，从而使得RL后向散射系数较小；而粳稻面散射较大，但由于幼苗期粳稻矮小，二面角散射较小，所以利用μ≥0.25或m-chi-db≤-19.5dB判断粳稻是否处于幼苗期；

(2)分蘖期的判断标准：

杂交稻：m-chi-s≥-14.5dB且RV≥-12.2dB且m-chi-v≥-11.4dB

粳稻：m-chi-v≥-10.5dB

在分蘖期，雷达回波以体散射占优，二次散射和面散射与幼苗期相比也明显增大。对于粳稻而言，m-chi-v可以判断粳稻是否处于分蘖期；对于杂交稻，m-chi-s可以将分蘖期和抽穗扬花期区分开来，RV和m-chi-v可以将分蘖期与其他物候期区别开来，从而得到杂交稻分蘖期特征；

(3)拔节期的判断标准：

杂交稻：-16.2dB≤m-chi-s≤-15dB且RR≥-11.7dB且μ≥0.05

粳稻：-11.9dB≤m-chi-s≤-10dB且RV≥-13.5dB且μ≤0.15

拔节期与分蘖期很接近，从植株形态而言主要在于株高明显增加，叶片和分蘖数量增多，这就导致了雷达回波中体散射占优(-0.1≤μ≤0.3)。拔节期和分蘖期的主要区别在于由于株高增加和叶片增多，雷达在水稻冠层中的衰减增加，m-chi-s明显下降，所以利用m-chi-s可以将拔节期和分蘖期、幼苗期区分开来，再利用RR、RV和μ不难把拔节期和其他物候期分离开来；

(4)抽穗扬花期的判断标准：

杂交稻：m>＝0.54且m-chi-s>＝-15dB且RL<＝-10.8dB

粳稻：m-chi-s>＝-15.5dB且μ<0.15且RH>-11.5dB且RV<-13.5dB

在抽穗期和扬花期，水稻形态生理特征几乎没有变化，很难用雷达影像区分，因此本发明将两者作为一个整体看待。由于稻穗的出现和叶倾角的进一步增加，散射熵变大，使得极化度m增大；同时，由于叶片的杂乱无章使得体散射占优，因此可以引入μ作为判断依据之一；此外由于衰减增强，RL和RV后向散射系数有所下降，综合以上参数可以得到两种水稻抽穗扬花期的判断标准；

与上述原理类似，根据各物候期水稻的生理形态特征，利用不同的紧致极化雷达参数组合成该物候期的判断标准，如图6-7所示，这里不一一赘述。

利用以上两种决策树算法分别对杂交稻和粳稻进行物候反演。在大范围面积内对水稻物候信息进行反演估计，最终结果如图8所示。

图8中，从上到下，从左到右雷达影像的获取时间依次为：2012年6月27日，2012年7月11日，2012年7月21日，2012年8月4日，2012年8月28日，2012年9月21日，2012年10月15日，2012年10月25日，2012年11月8日。这一结果意味着，通过这一算法可以仅根据不同时期的雷达影像就可以反演得到该时期水稻田对应的物候。

从图8中可以看到，本发明在大尺度中的应用效果不错。事实上，本方法可以推广到更大的范围尺度内的水稻物候反演估计。同时，本发明在区域农田上的水稻物候反演的精度依然具有实用价值。以杂交稻为例说明，从图8中分割出7号，8号，15号，19号，24号和40号6个杂交稻田块进行物候反演(图9)，可以看到效果不错，出现斑点的原因之一在于自然界中农田内水稻的生长状况不可能完全一样，必然会有所差异。精度评定结果如表3所示，正确率均在90％左右，图9中不同的颜色表示杂交稻的物候期，与图8对应。

第4步，利用验证样本集A2与反演结果对比，定量验证精度；

与分类精度的验证过程类似，该过程在ENVI中完成。主要分为以下3个步骤：首先，利用验证样本集A2中的GPS坐标和航迹在反演结果图上勾选ROI；然后，利用“快速统计”工具完成田块中各种反演类别的像元个数统计；最后，整理正确像元与错误像元所占的百分比，得到精度评价表。表3给出了6个杂交稻和6个粳稻验证样本的反演精度，利用粗体突出显示正确率。可以发现，杂交稻的乳熟期和蜡熟期之间混淆相对较大，精度在89％左右；其他物候期的反演精度在90％以上；粳稻的乳熟期，蜡熟期和完熟期之间混淆较大，精度在87％左右，其他物候期反演的精度在89％以上。

表3 杂交稻和粳稻物候反演精度评价表

注：粗体突出显示各物候期反演的正确率。

第5步，调整确定有效雷达参数和算法；

在推广的使用本发明的过程中，由于应用区域水稻生长状态的不同，反映在各紧致极化雷达参数上也略有不同，需要对参数的阈值进行上下的调整。这些参数有很好的反演物候期的能力，只需要简单细微的调整即可。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于，包括如下步骤:

(I)规划筹备、野外测量：

第1步，选择合适的雷达数据源，结合其卫星过境时间规划开展野外同步测量的时间；

其中，所述雷达卫星过境时间和水稻的多个关键物候期相对应，且所述雷达数据源可转换成紧致极化雷达影像；

第2步，在雷达卫星过境时间对水稻样本田块进行野外同步测量，得到GPS矢量文件和水稻样本点数据；

第3步，将水稻样本点分为两个集合,A1为训练样本，A2为验证样本；

(II)水稻分类:

第1步，获取(I)中第1步雷达卫星过境时间所对应的紧致极化雷达影像；

第2步，对紧致极化雷达影像进行预处理；

第3步，提取分析关键雷达参数；

提取水稻每个物候期的RH/RV/RR/RL后向散射系数和/或m-chi分解的三分量；

第4步，建立分类算法得到结果；

根据上一步得到的不同物候期影像的相关参数，进行比较分类，并使用决策树建立水稻的分类算法；

第5步，利用A2集合中的验证样本进行分类精度评价；

(III)物候反演：

第1步，从A1中选择杂交稻和粳稻田若干作为训练样本集；

第2步，提取分析关键雷达参数；

分别计算上一步选择的训练样本集中每个物候期的RH/RV/RR/RL后向散射系数、m-chi分解的三分量、极化度m和一致性系数μ；

第3步，建立反演算法；

根据上一步得到的相关参数，使用决策树分别建立杂交稻和粳稻的物候期反演算法；

第4步，利用A2集合中的样本验证精度；

第5步，调整确定有效雷达参数和算法。

2.根据权利要求1所述的基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于：

所述(I)中第1步的雷达数据源采用加拿大RADARSAT-2雷达卫星的C波段全极化影像作为基础数据源，该基础数据源可合成紧致极化雷达影像，所述紧致极化雷达影像采用杂交模式。

3.根据权利要求1所述的基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于：

所述(I)中第2步的野外同步测量具体包括：(a)杂交稻和粳稻田块的GPS坐标和田块大小；(b)水稻采样田块的物候期；(c)水稻的形态生理特征；(d)包括水稻田块下垫面及气候的环境参数。

4.根据权利要求1所述的基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于：

当所述(II)中第3步提取了水稻每个物候期的RH/RV/RR/RL后向散射系数时,所述(II)中第4步的分类算法具体为：利用幼苗期和休耕期的RL后向散射系数之差区分杂交稻和粳稻。

5.根据权利要求4所述的基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于：所述幼苗期和休耕期为杂交稻的幼苗期和休耕期，利用幼苗期和休耕期的RL后向散射系数之差是否≥-3.56dB区分杂交稻和粳稻。

6.根据权利要求4所述的基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于：在区分杂交稻和粳稻之前，先进行如下分类：

利用完熟期RH和分蘖期RR后向散射系数区分水体；利用乳熟期的RV后向散射系数区分蟹田和水体；利用抽穗期的RR和拔节期的RH后向散射系数来区分裸地；利用蜡熟期的RH和休耕期的RV后向散射系数来区分城镇；利用蜡熟期的RR后向散射系数区分森林和水稻。

7.根据权利要求1所述的基于紧致极化雷达大面积近实时监测水稻物候期的方法，其特征在于：

所述(III)中的第3步的具体算法为：

以RL判断杂交稻是否处于幼苗期，以μ或m-chi-db判断粳稻是否处于幼苗期；

以m-chi-s、RV、m-chi-v共同判断杂交稻是否处于分蘖期，以m-chi-v判断粳稻是否处于分蘖期；

以m-chi-s、RR和μ共同判断杂交稻是否处于拔节期，以m-chi-s、RV和μ共同判断粳稻是否处于拔节期；

以m、m-chi-s和RL共同判断杂交稻是否处于抽穗扬花期，以m-chi-s、μ、RH和RV共同判断粳稻是否处于抽穗扬花期；

以m、RR、μ和RL共同判断杂交稻是否处于乳熟期，以m-chi-s、RH共同判断粳稻是否处于乳熟期；

以μ、m-chi-db、RL共同判断杂交稻是否处于蜡熟期，以μ、RH共同判断粳稻是否处于蜡熟期；

以m-chi-db、RL共同判断杂交稻是否处于休耕期，以μ、m-chi-db、m-chi-v共同判断粳稻是否处于完熟期。