CN114627380A

CN114627380A - 一种基于光学影像与sar时序数据融合的水稻识别方法

Info

Publication number: CN114627380A
Application number: CN202210351261.2A
Authority: CN
Inventors: 张竞成; 沈艳艳; 杨玲波; 李惠紫; 周晓璇; 周行健
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2022-04-02
Filing date: 2022-04-02
Publication date: 2022-06-14

Abstract

本发明公开了一种基于光学影像与SAR时序数据融合的水稻识别方法；该方法如下：一、提取被测区域的单景光学影像和SAR时序数据；并根据单景光学影像对被测区域进行粗分类。二、基于粗分类结果进行多尺度影像分割，根据最优分割参数提取地块边界信息。三、通过地块分割边界结果对SAR时序特征数据进行提取，得到面向对象的SAR时序特征数据。四、通过机器学习完成水稻面积识别分类。本发明在缺少充足晴空光学影像的地区，以单时相光学影像作为多尺度图像分割方法的数据源，放宽了对光学数据时相的限制。基于面向对象尺度的微波影像，能够充分克服其在像素层面由于地块破碎和椒盐噪声影响的弱点，从而进行水稻区域的精准提取。

Description

一种基于光学影像与SAR时序数据融合的水稻识别方法

技术领域

本发明属于农业大数据智能遥感与探测技术领域，具体涉及一种面向多云与地区的融合光学影像地块边界信息的SAR时序数据水稻区域提取方法。

背景技术

水稻作为一种重要的全球性粮食作物，其种植面积和分布信息对水稻生长监测及种植管理、水稻灾害监测及预警、预估水稻产量和水稻生产的宏观管理等具有重要意义。

目前光学遥感卫星数据是水稻面积监测的主要数据源。虽然利用多时相光学影像数据可以较高精度地提取水稻种植面积，但光学数据由于其被动成像的性质，易受云、雨等天气条件影响，无法稳定获取所需要的多景光学影像数据集。此外，中高分辨率光学卫星的重访周期往往相对较长，导致其更难获取气候复杂区域的晴空有效光学影像，进而造成水稻关键物候期影像数据的缺失，极大制约了水稻遥感制图技术的业务化应用。然而仅仅使用单景光学影像进行水稻面积提取，无法充分获取水稻生长变化信息，难以与其他绿色非水稻植被进行区分，导致较低分类精度。当前常用的SAR影像不受天气和时间影响，能够稳定获取连续的影像时间序列，但其显著的椒盐噪声以及相比光学影像较低的信噪比对于地块细小破碎地区的稻田识别(特别是田块边界的辨识)存在较大挑战。

在多云雨地区中，单时相光学影像+SAR时序影像是一种通常能够稳定获取的遥感影像组合情况。光学影像包含多个波段的灰度信息，便于识别目标和分类提取，其在信息量和统计上更易进行图像分割。SAR数据提供不同极化方式下地表物体的后向散射信息，并捕捉其物理特性，具有全天候、昼夜观测能力，利于研究获取稳定且连续的时间序列信息，为水稻时相变化面积提取提供充分的数据源。

发明内容

本发明的目的在于提供一种面向多云雨地区的融合光学影像地块边界信息的SAR时序数据水稻面积提取方法，将光学影像的地块边界信息用于SAR数据，放宽对光学影像时相数据的限制，减小SAR数据存在的显著椒盐噪声，同时更好地针对地块细小破碎地区的稻田识别问题，在充分利用现有数据源的情况下高效精准地获取水稻种植面积。

本发明的具体步骤如下：

步骤1、提取被测区域的单景光学影像和SAR时序数据；并根据单景光学影像对被测区域进行粗分类，将被测区域中的不同位置划分为水稻、水体、非水稻植被和其他地表。

步骤2、基于粗分类结果提取地块边界信息。

在步骤1粗分类结果的基础上，剔除被分类为其他地表的区域；对粗分类结果被分类为水稻、水体和非水稻植被的区域进行多尺度影像分割，得到地块分割边界结果。多尺度影像分割具体使用单景光学影像中的Band3、Band4、…、Band8波段影像和NDVI(归一化植被指数)影像进行分割。Band3、Band4、…、Band8波段影像和NDVI影像的分割权重分别为：1:2:2:1:1:2:2。割参数选择尺寸因子、形状因子和紧致性因子。尺寸因子的取值为35～40、形状因子的取值为0.2～0.3、紧致性因子的取值为0.5～0.7。

步骤3、通过地块分割边界结果对SAR时序特征数据进行处理，根据边界计算地块特征值的均值，得到面向对象的SAR时序特征数据。

步骤4、通过机器学习完成水稻面积识别分类。

提取SAR时序特征数据中的目标特征；目标特征包括若干个极化特征和/或若干个纹理特征。将目标特征输入经过训练的机器学习算法，获得被测区域中水稻种植的位置、形状和面积。

作为优选，步骤1中的粗分类具体为：首先，提取单景光学影像中的光谱波段特征和植被指数特征。光谱波段特征包括单景光学影像的Band4和Band11波段影像；植被指数特征包括增强型植被指数(EVI)、土壤调整植被指数(SAVI)和修正归一化水体差异指数(MNDWI)。之后，将光谱波段特征和植被指数特征输入支持向量机中进行粗分类；粗分类将被测区域中的不同位置初步分为四类，分别为水稻、水体、非水稻植被和其他地表。

作为优选，步骤1中所述的支持向量机经过训练和验证；训练和验证的样本来自于地面调查数据和基于影像的目视解译数据；总样本数量大于或等于1000个；所有样本按照2：3的比例完成训练样本和验证样本的选择。

作为优选，步骤2中，Band3、Band4、…、Band8波段影像和NDVI影像的分割权重分别为：1:2:2:1:1:2:2；尺寸因子的取值为35～40、形状因子的取值为0.2～0.3、紧致性因子的取值为0.5～0.7。尺寸因子的取值优选35、形状因子的取值优选0.3、紧致性因子的取值优选0.6。

作为优选，步骤2中分割参数的取值确定方法为：

(1)设定若干组分割参数。分别根据每组分割参数对相同或不同的粗分类结果进行多尺度影像分割。

(2)分别计算各组分割参数对应的面积一致性指数ACI_i、质心距离qLoc_i、形状误差SE_i如下：

qLoc_i＝dist(centroid(SO_i),centroid(SO_i))

SE_i＝|Asr(RO_i)-Asr(RO_i)|

其中，SO_i为第i组分割参数所得的分割结果；RO_i为第i组分割参数对应的参考结果；参考结果为水稻部分实际所占区域；dist(·)表示距离运算；centroid(·)表示质心提取运算；Asr(·)表示长宽比提取运算。i＝1,2,...,n。n为设定的分割参数组数。

分别计算各组分割参数的评价总分CCS_i＝ACI_i+qLoc_i+SE_i；取评价总分CCS_i最高的那组分割参数作为多尺度影像分割最终使用的分割参数。

作为优选，设定出若干组分割参数的过程为：尺寸因子的取值范围设定为35～60，其步长设定为5；形状因子的取值范围设定为0.1～0.6，步长设定为0.1；紧致性因子的取值范围设定为0.2～0.7，步长设定为0.1。尺寸因子、形状因子、紧致性因子各获得六个备选值；根据正交实验法对尺寸因子、形状因子、紧致性因子的各备选值进行组合，获得36组分割参数。

作为优选，步骤4中所述的机器学习算法采用分类回归树或支持向量机。

作为优选，步骤4中的目标特征包含极化特征和纹理特征，所述的极化特征包括0616_VH、0710_VV、0722_VV、0815_VH、0827_VV。所述的纹理特征包括0604_VH_B1、0604_VV_B1、0616_VH_B3、0616_VV_B7、0628_VH_B6、0628_VV_B1、0710_VV_B2、0710_VV_B5、0710_VV_B6、0722_VH_B2、0722_VH_B3、0722_VH_B5、0722_VV_B2、0722_VV_B5、0722_VV_B6、0803_VH_B2、0803_VH_B3、0803_VH_B4、0803_VH_B5、0803_VH_B6、0803_VH_B8、0803_VV_B1、0815_VH_B5、0827_VV_B7、0827_VV_B8；其中，B1～B8分别代表Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、SecondMoment、Correlation。

作为优选，步骤4中的目标特征为四个生育期分组特征中各取一个极化特征或纹理特征；四个生育期分组特征中至少有一个极化特征。

作为优选，步骤4中的目标特征为四个极化特征，具体为0616_VH、0722_VV、0815_VH、0827_VV。

作为优选，步骤4中的目标特征使用极化特征和纹理特征。极化特征具体为0722_VV、0827_VV；纹理特征具体为0615_VH_B3、0803_VH_B2；B2、B3分别为Variance、Homogeneity。

本发明具有的有益效果是：

1、本发明在缺少充足晴空光学影像的地区，能够利用单景中高分辨率(10m)的光学卫星影像获取水稻地块，并提取稳定连续的时序SAR影像中包含的丰富的物候信息特征，利用单景光学影像粗分类结果通过多尺度影像分割方法提取的地块边界信息，得到面向对象的SAR时序特征数据，从而进行水稻区域的精准提取，实现了高精度业务化制图。

2、本发明在利用光学影像和多尺度分割技术获取地块边界时，能够定量化确定多尺度分割最优分割参数及评价分割结果与自然地块边界的吻合度，从而提高了分割结果与水稻地块自然边界的一致性。

3、本发明进一步通过随机抽取关键时相中微波影像的方法，检验其在实际业务场景中的适应能力。结果显示本方法具有较强的适应水稻面积提取业务化作业潜力。

附图说明

图1为本发明进行水稻区域提取的技术路线图；

图2为本发明中多尺度影像分割流程示意图；

图3为基于不同尺寸因子下的影像分割结果图；

图4为本发明的水稻提取结果图(图中，a部分为本发明使用的融合光学影像地块边界信息的SAR时序数据提取水稻的局部结果图；b部分为使用多时相光学影像提取水稻的局部结果图；c部分为使用SAR时间序列微波影像基于像素层面提取水稻的局部结果图；a、b、c部分针对的位置相同)。

具体实施方式

以下结合附图对本发明作进一步说明。

一种基于光学影像与SAR时序数据融合的水稻识别方法，使用单景光学影像配合SAR时序数据，进行水稻区域的高效提取，适用于多云雨地区等难以获得完整多景光学影像的环境。本实施例中进行该水稻识别方法效果验证的试验区域为扬州，是一个典型的多云雨水稻种植地区。该方法充分结合光学和微波影像在作物提取上的优势，基于单时相Sentinel-2光学影像进行地块边界提取，获取自然地块边界信息作为Sentinel-1微波影像的分析单元，而后将微波影像用于物候信息提取。融合光学信息的SAR时序数据构建水稻面积提取的策略能够降低对光学影像特定获取时相的依赖，光学、微波影像都可稳定获取。同时，也发挥了两类影像的优势，以实现水稻高精度的精细化业务提取。

如图1所示，该水稻识别方法具体步骤如下：

步骤1、首先基于能够稳定获取的单时相Sentinel-2光学影像，利用SVM分类算法对其他地表、非水稻植被、水体和水稻四类地物进行初步分类，得到四类地物的粗分类结果。

步骤2、考虑到微波遥感影像中大量存在的斑点噪声影响微波影像的分析和解译，本发明基于单时相光学影像的粗分类结果，对分类后的水体、非水稻植被和水稻部分进一步利用多尺度分割方法获取自然地块边界，作为微波影像面向对象分析的基本分析单元。

多尺度分割是一种可以生成任意尺度的、属性信息相似的影像多边形(对象)的方法，其是进行分类识别和信息提取的必要前提。

多尺度分割中，分割参数(包括尺寸、形状和紧致性)的选择直接影响着分割结果好坏，进而进一步影响最终的分类精度。在所有分割参数中，最重要的一个参数是尺寸参数，过大的尺寸将导致欠分割，反之则会造成过分割；而形状参数则决定了光谱值和形状在对象形成时的影响；紧致性参数则决定了分割对象边界的紧凑性。

整体分割流程如图2所示。多尺度分割最优分割参数的定量化选择一直是面向对象分类中的关键点，为了使得分割获取的地块图斑的边界尽可能与水稻田自然地块吻合，本发明基于Sentinel-2光学影像各波段特征(Band3、Band4、…、Band8)、归一化植被指数(NDVI)特征和经过粗分类结果剔除其他地表后的影像数据，提出了一种融合面积一致性、质心距离、形状误差指数的综合评价方法定量化评价分割效果。

通过尺寸因子、形状因子和紧致性因子的三因素六水平的正交实验，使用多尺度分割方法对研究区进行农田地块的分割，对比参考结果与分割结果，计算面积一致性、质心距离和形状误差这三个评价指标。

针对36组参数进行实验，根据三个评价指标得分加和得到最终分割得分，从而确定研究区最佳地块分割参数(尺寸因子：35、形状因子：0.3、紧致性因子：0.6)。

图3展示了在不同尺寸下(另外两个参数保持不变，形状因子：0.3、紧致性因子：0.6)的分割结果。

尺寸因子对于分割结果具有重要影响，在尺寸因子设置较小时(尺寸因子:15)，整体分割结果过分割问题显著，分割对象破碎；而在尺寸因子设置较大时(尺寸因子:60)，整体分割结果则存在显著的欠分割问题，得到的边界可能包含了多个地块。而尺寸因子选择35时分割结果与实际地块较为吻合。

步骤3、根据多尺度分割参数结果进行影像分割，得到地块边界信息。利用地块边界结果对SAR时序影像进行处理，通过分区统计完成相应操作。

根据水稻全生育期6月至8月的SAR时序影像数据，选择微波影像的极化特征和灰度共生纹理特征共同作为本发明中水稻面积提取的优选特征集(如发明内容中所述)。

步骤4、本发明中地物分类采用分类回归树(CART)和支持向量机(SVM)两种代表性的机器学习算法，两种方法在遥感影像分类和水稻面积监测中均得到广泛使用。

本发明中水稻分类结果的精度评价采用总体分类精度(OA)、用户精度(UA)、生产者精度(PA)和Kappa系数等指标，上述指标均可基于分类结果的混淆矩阵进行计算。

在本发明方法基础上，增加多时相光学影像方法和仅使用SAR时序影像方法进行水稻面积提取方案，比较三种分类方法下的水稻提取精度。

将本发明提出的方法与多时相光学影像的方法和仅使用SAR时序影像的方法进行比较。在SVM分类算法下，本发明方法相比仅利用SAR时序数据影像进行水稻提取方法的OA、PA、UA和Kappa分别提高了9.75％、19.4％、18.74％和0.16；在CART决策树算法下，本发明方法相比仅利用SAR时序数据影像进行水稻提取方法的OA、PA、UA和Kappa分别提高了11.69％、12.41％、21.61％和0.19。

在两种分类算法下，本发明方法相比仅使用时序微波影像方法的各项精度都具有明显提高，也表明了光学影像地块边界信息的加入对于提升时序SAR影像水稻精准识别具有重要作用。

此外，本发明方法精度接近多时相光学影像的水稻识别精度，这表明在缺少多景光学数据情况下，使用本发明提供的方法能够稳定且有效进行水稻识别。

图4中的a部分是基于融合光学影像地块边界信息的SAR时序数据提取水稻局部结果图；图4中的b部分是基于使用多时相光学影像的水稻局部结果图；图4中的c部分是使用SAR时间序列微波影像基于像素层面的水稻局部结果图。

从图4中可以看出，本发明方法相比单纯的SAR时序微波影像方法，能更好地抑制分类结果的椒盐效应，分类结果与地块之间更加吻合。

同时本发明提出的方法一方面证明了微波影像融合光学边界的优势，加入光学数据后的精度相比单纯使用时间序列微波数据精度要高，从而验证本发明思路的正确性；另一方面表明面向对象的分类方法相比面向像素方法具有更广泛的应用前景。

从结果来看，本发明提出的方法具有业务化应用的潜力，能够针对多云雨地区的水稻进行较好地提取。

为进一步试验业务化场景适应能力，将SAR时序优选特征集按照水稻移栽期、分蘖期、拔节期和抽穗期四个关键生育期时段进行分组，每组含有若干个特征，如表1所示。

表1

为比较极化特征和纹理特征在水稻提取中的作用，选择三组特征集：全极化特征集、全纹理特征集和极化+纹理特征集。

全极化特征集选取方法：在四个生育期分组特征中，每组通过随机抽取一个极化特征的方式，组成4个极化特征的集合。

全纹理特征集选取方式与全极化特征集相同。

极化+纹理特征集选取方式：在四个生育期分组特征中，每组通过随机抽取一个特征的方式，组成4个特征的集合，其中至少包含一个极化特征和一个纹理特征。

本实施例中选取的全极化特征集为0616_VH、0722_VV、0815_VH、0827_VV，全纹理特征集为0604_VV_B1、0710_VV_B5、0803_VH_B6、0827_VV_B7。极化+纹理特征集为0722_VV、0827_VV、0615_VH_B3、0803_VH_B2；B1、B2、B3、B5、B6、B7分别为Mean、Variance、Homogeneity、Dissimilarity、Entropy、SecondMoment。

使用SVM分类算法，获得三组不同特征组合下的水稻提取精度，全极化特征集(PA85.10％,UA87.43％)与极化+纹理特征集(PA85.60％,UA90.02％)均可获得较高精度，而全纹理特征集分类精度较低(PA72.71％,UA60.20％)，这表明极化特征相比纹理特征更加有利于水稻识别。

将特征信息简化后的业务化运行场景下基于极化+纹理特征集(PA85.60％，UA90.02％)的水稻提取方法与选用全部特征集(PA92.83％，UA90.48％)的水稻平均用户精度和平均生产者精度进行对比，可以发现极化+纹理特征集精度虽然没有超过全部特征集精度，但是相差不大。这进一步表明在实际业务工作中，在不使用全部时相SAR数据，仅依靠水稻少数关键生育期SAR影像的情况下亦可取得相对理想的分类精度，从而简化方法的数据和计算资源投入，适用于业务化场景。

Claims

1.一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：

步骤1、提取被测区域的单景光学影像和SAR时序数据；并根据单景光学影像对被测区域进行粗分类，将被测区域中的不同位置划分为水稻、水体、非水稻植被和其他地表；

步骤2、基于粗分类结果提取地块边界信息；

在步骤1粗分类结果的基础上，剔除被分类为其他地表的区域；对粗分类结果被分类为水稻、水体和非水稻植被的区域进行多尺度影像分割，得到地块分割边界结果；多尺度影像分割具体使用单景光学影像中的Band3、Band4、…、Band8波段影像和NDVI(归一化植被指数)影像进行分割；分割参数选择尺寸因子、形状因子和紧致性因子；

步骤3、通过地块分割边界结果对SAR时序特征数据进行处理，根据边界计算地块特征值的均值，得到面向对象的SAR时序特征数据；

步骤4、通过机器学习完成被测区域中水稻的识别分类；

提取SAR时序特征数据中的目标特征；目标特征包括若干个极化特征和/或若干个纹理特征；将目标特征输入经过训练的机器学习算法，获得被测区域中水稻种植的位置、形状和面积。

2.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤1中的粗分类具体为：首先，提取单景光学影像中的光谱波段特征和植被指数特征；光谱波段特征包括单景光学影像的Band4和Band11波段影像；植被指数特征包括增强型植被指数、土壤调整植被指数和修正归一化水体差异指数；之后，将光谱波段特征和植被指数特征输入支持向量机中进行粗分类；粗分类将被测区域中的不同位置初步分为四类，分别为水稻、水体、非水稻植被和其他地表。

3.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤2中，Band3、Band4、…、Band8波段影像和NDVI影像的分割权重分别为：1:2:2:1:1:2:2；尺寸因子的取值为35～40、形状因子的取值为0.2～0.3、紧致性因子的取值为0.5～0.7。

4.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤2中分割参数的取值确定方法为：

(1)设定若干组分割参数；分别根据每组分割参数对相同或不同的粗分类结果进行多尺度影像分割；

qLoc_i＝dist(centroid(SO_i),centroid(RO_i))

SE_i＝|Asr(RO_i)-Asr(RO_i)|

其中，SO_i为第i组分割参数所得的分割结果；RO_i为第i组分割参数对应的参考结果；参考结果为水稻部分实际所占区域；dist(·)表示距离运算；centroid(·)表示质心提取运算；Asr(·)表示长宽比提取运算；i＝1,2,...,n；n为设定的分割参数组数；

5.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：设定出若干组分割参数的过程为：尺寸因子的取值范围设定为35～60，其步长设定为5；形状因子的取值范围设定为0.1～0.6，步长设定为0.1；紧致性因子的取值范围设定为0.2～0.7，步长设定为0.1；尺寸因子、形状因子、紧致性因子各获得六个备选值；根据正交实验法对尺寸因子、形状因子、紧致性因子的各备选值进行组合，获得36组分割参数。

6.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤4中所述的机器学习算法采用分类回归树或支持向量机。

7.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤4中的目标特征包含极化特征和纹理特征，所述的极化特征包括0616_VH、0710_VV、0722_VV、0815_VH、0827_VV；所述的纹理特征包括0604_VH_B1、0604_VV_B1、0616_VH_B3、0616_VV_B7、0628_VH_B6、0628_VV_B1、0710_VV_B2、0710_VV_B5、0710_VV_B6、0722_VH_B2、0722_VH_B3、0722_VH_B5、0722_VV_B2、0722_VV_B5、0722_VV_B6、0803_VH_B2、0803_VH_B3、0803_VH_B4、0803_VH_B5、0803_VH_B6、0803_VH_B8、0803_VV_B1、0815_VH_B5、0827_VV_B7、0827_VV_B8；其中，B1～B8分别代表Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、Second Moment、Correlation。

8.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤4中的目标特征为四个生育期分组特征中各取一个极化特征或纹理特征；四个生育期分组特征中至少有一个极化特征。

9.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤4中的目标特征为四个极化特征，具体为0616_VH、0722_VV、0815_VH、0827_VV。

10.根据权利要求1所述的一种基于光学影像与SAR时序数据融合的水稻识别方法，其特征在于：步骤4中的目标特征使用极化特征和纹理特征；极化特征具体为0722_VV、0827_VV；纹理特征具体为0615_VH_B3、0803_VH_B2；B2、B3分别为Variance、Homogeneity。