Please wait a minute...
国土资源遥感  2020, Vol. 32 Issue (1): 191-199    DOI: 10.6046/gtzyyg.2020.01.26
     技术应用 本期目录 | 过刊浏览 | 高级检索 |
基于Sentinel-1A数据的临高县早稻面积提取
刘警鉴1,2,李洪忠1(),华璀3,孙毓蔓4,陈劲松1,韩宇1
1. 中国科学院深圳先进技术研究院,深圳 518055
2. 广西壮族自治区国土测绘院,南宁 530023
3. 南宁师范大学自然资源与测绘学院,南宁 530001
4. 昆明理工大学国土资源工程学院,昆明 650500
Extraction of early paddy rice area in Lingao County based on Sentinel-1A data
Jingjian LIU1,2,Hongzhong LI1(),Cui HUA3,Yuman SUN4,Jinsong CHEN1,Yu HAN1
1. Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
2. Land Resources Surveying and Mapping Institute of Guangxi Zhuang Autonomous Region, Nanning 530023, China
3. School of Natural Resources and Surveying, Nanning Normal University, Nanning 530001, China
4. College of Land and Resources Engineering, Kunming University of Science and Technology, Kunming 650500, China
全文: PDF(4618 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

为了探讨双极化Sentinel-1A雷达影像数据识别提取早稻面积分布信息的能力,在分析典型地物后向散射系数的基础上,沿用极化差分合成孔径雷达(synthetic aperture Radar,SAR)图像和极化比值SAR图像对典型地物分类有着重要作用的思路,提出水体归一化参数,随后采用支持向量机(support vector machine,SVM)分类方法和阈值分类方法选取单时相、多时相水体归一化极化SAR数据(2017年3月10日、3月22日、4月3日、4月15日、4月27日)提取早稻面积。结果表明,阈值分类方法优于SVM分类方法,其总体精度为89.01%,Kappa系数为0.823 1,早稻的制图精度和用户精度分别为92.68%和82.26%; 种植面积为1.29万hm 2,与临高县主要的早稻生产基地在空间分布上基本一致。由此可得,多参数的极化SAR数据可以提高识别提取地物的精度,提取早稻面积的最佳监测数据为多时相水体归一化VH极化SAR数据。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
刘警鉴
李洪忠
华璀
孙毓蔓
陈劲松
韩宇
关键词 早稻面积Sentinel-1A后向散射系数水体归一化参数    
Abstract

With the purpose of exploring the extraction of early paddy rice area distribution information from bipolar Sentinel-1A Radar image data recognition and on the basis of an analysis of backscattering coefficients of typical terrain objects, the authors employed the idea that polarization differential SAR images and polarization ratio SAR images play an important role in the classification of typical terrain objects and proposed the utilization of the normalized parameters of water body. Then, the support vector machine (SVM) classification method and the threshold classification method were used to extract the area of early paddy rice from the normalized polarimetric SAR data of single-phase and multi-temporal water body on March 10, March 22, April 3, April 15 and 15 April 15 in 2017. The results show that the threshold classification method is better than the SVM classification method. The overall accuracy of the former method is 89.01%, Kappa coefficient is 0.823 1, mapping accuracy and user accuracy of early paddy rice are 92.68% and 82.26%, respectively. The planting area is 129,000 hectares, which is basically consistent with the spatial distribution of the main early paddy rice production bases in Lingao County. It can be concluded that multi-parameter polarimetric SAR data can improve the accuracy of recognition and extraction of terrain objects. The best monitoring data for extracting early paddy rice area are multi-temporal NDVH polarimetric SAR data.

Key wordsearly paddy rice area    Sentinel-1A    backscatter coefficient    normalized parameters of water body
收稿日期: 2019-03-01      出版日期: 2020-03-14
ZTFLH:  TP79  
基金资助:深圳市科技计划基础研究项目“极化SAR信息精确提取关键问题研究”(编号: JCYJ20170818155853672);国家自然科学基金项目“基于模型极化分解的不一致性控制研究”(编号: 41771403);国家重点研发计划项目“国土资源与生态环境安全监测系统”(编号: 2017YFB0504203);中科院先导专项项目“一带一路生态环境监测与评估”(编号: XDA19030301)
通讯作者: 李洪忠     E-mail: hz.li@siat.ac.cn
作者简介: 刘警鉴(1992-),男,硕士研究生,主要从事微波遥感提取农作物的研究。Email: 741112615@qq.com。
引用本文:   
刘警鉴,李洪忠,华璀,孙毓蔓,陈劲松,韩宇. 基于Sentinel-1A数据的临高县早稻面积提取[J]. 国土资源遥感, 2020, 32(1): 191-199.
Jingjian LIU,Hongzhong LI,Cui HUA,Yuman SUN,Jinsong CHEN,Yu HAN. Extraction of early paddy rice area in Lingao County based on Sentinel-1A data. Remote Sensing for Land & Resources, 2020, 32(1): 191-199.
链接本文:  
http://www.gtzyyg.com/CN/10.6046/gtzyyg.2020.01.26      或      http://www.gtzyyg.com/CN/Y2020/V32/I1/191
Fig.1  Sentinel-1A数据预处理流程
Fig.2  研究区野外样点空间分布
Fig.3  研究区早稻各个生长时期的野外照片
Fig.4  典型地物时域后向散射系数散点分布
J-M距离 早稻
3月10日 3月22日 4月3日 4月15日 4月27日 3月10日—4月27日
旱地作物 1.56/1.08 1.44/0.90 1.16/1.13 0.21/1.32 1.42/1.49 1.86/1.78
橡胶园地 0.87/0.62 0.99/0.71 0.99/0.75 0.13/0.89 0.44/0.80 1.58/1.57
香蕉园地 1.82/1.71 1.80/1.70 1.74/1.66 1.12/1.67 1.86/1.84 1.98/1.98
建筑物 1.82/0.94 1.87/1.12 1.88/1.06 1.35/1.09 1.87/1.24 1.98/1.71
水域 1.63/1.64 0.61/1.46 1.22/1.58 1.48/1.39 0.86/0.40 1.94/1.95
其他 0.90/0.50 1.03/0.50 0.76/0.65 0.79/0.79 0.95/0.88 1.49/1.36
Tab.1  不同时相极化SAR数据早稻与其他典型地物的J-M距离分析
J-M距离 早稻
3月10日 3月22日 4月3日 4月15日 4月27日 3月10日—4月27日
旱地作物 0.79/0.68 0.58/0.65 0.53/0.91 1.18/1.06 1.18/1.03 1.80/1.89
橡胶园地 0.94/1.11 0.88/1.08 0.81/1.33 0.45/1.43 0.49/1.13 1.72/2.00
香蕉园地 1.73/1.64 1.63/1.60 1.73/1.76 1.74/1.77 1.88/1.74 2.00/2.00
建筑物 1.07/1.02 0.87/1.00 0.85/1.12 0.92/1.13 0.91/0.97 1.82/1.96
水域 1.97/1.72 0.86/0.78 1.24/1.32 1.30/1.10 1.14/0.75 1.73/1.95
其他 0.86/1.07 0.88/1.15 0.65/1.24 0.79/1.18 0.99/1.03 2.00/2.00
Tab.2  不同时相水体归一化SAR数据早稻与其他典型地物的J-M距离分析
时间 制图精度/% 用户精度/% 总体精度/% Kappa系数 相对误差/%
早稻 其他 早稻 其他
3月10日 35.63/62.07 75.16/82.61 52.56/54.14 58.15/78.95 50.67/48.65 0.287 8/0.270 1 -21.74/-11.04
3月22日 40.26/29.31 78.69/98.55 54.36/55.74 46.39/29.44 45.63/35.81 0.195 6/0.122 7 -34.26/-25.77
4月3日 51.69/36.21 77.54/86.96 46.26/49.41 56.89/29.27 48.56/34.80 0.156 9/0.100 5 -30.43/-21.72
4月15日 53.89/91.38 78.49/36.78 58.33/47.75 59.39/40.13 49.36/46.96 0.213 6/0.188 1 21.74/13.24
4月27日 58.62/73.28 84.06/84.06 57.63/64.89 32.58/36.48 42.57/50.00 0.183 7/0.284 8 15.26/18.7
3月10日—
4月27日
70.34/78.03 82.61/83.36 60.38/68.73 62.14/75.26 62.45/79.23 0.526 3/0.638 5 47.82/23.79
Tab.3  基于SVM分类方法精度验证分析
Fig.5  典型地物水体归一化时域后向散射系数散点分布
Fig.6  典型地物NDVV和NDVH后向散射系数特征
Fig.7  研究区早稻空间分布
时间 制图精度/% 用户精度/% 总体精度/% Kappa系数 相对误差/%
早稻 其他 早稻 其他
3月10日 4.88/26.83 98.16/97.2 80.00/84.62 58.15/63.80 62.20/68.38 0.287 8/0.435 8 -89.44/-67.74
3月22日 21.95/50.00 96.26/98.13 78.26/93.18 62.05/72.41 66.99/78.95 0.389 8/0.619 3 -79.77/-54.41
4月3日 28.05/31.71 92.46/93.46 74.19/76.47 31.37/64.52 67.94/69.38 0.412 5/0.440 5 -70.74/-64.31
4月15日 17.07/42.68 90.59/95.33 58.33/85.37 59.39/68.92 62.68/74.64 0.310 9/0.540 0 -81.11/-57.64
4月27日 23.17/63.41 96.26/94.39 79.17/89.66 62.05/77.10 66.99/81.82 0.388 2/0.675 9 -78.37/-43.04
3月10日—
4月27日
76.83/92.68 80.37/85.05 74.12/82.26 82.69/94.79 80.38/89.01 0.659 7/0.823 1 -33.31/12.17
Tab.4  基于阈值分类方法精度验证分析
[1] 吴炳方 . 中国农情遥感速报系统[J]. 遥感学报, 2004,8(6):481-497.
Wu B F . China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004,8(6):481-497.
[2] 邵芸, 郭华东, 范湘涛 , 等. 水稻时域散射特征分析及其应用研究[J]. 遥感学报, 2001,5(5):340-345.
Shao Y, Guo H D, Fan X T , et al. Studies on rice backscatter signatures in time domain and its applications[J]. Journal of Remote Sensing, 2001,5(5):340-345.
[3] 刘浩, 邵芸, 王翠珍 , 等. 多时相RADARSAT数据在广东肇庆地区稻田分类中的应用[J]. 国土资源遥感, 1997,9(4):1-6,13.doi: 10.6046/gtzyyg.1997.04.01.
doi: 10.6046/gtzyyg.1997.04.01
Liu H, Shao Y, Wang C Z , et al. The application of muti-temopral RADARSAT data to paddy field classification in Zhaoqing area,Guangdong Province,China[J]. Remote Sensing for Land and Resources, 1997,9(4):1-6,13.doi: 10.6046/gtzyyg.1997.04.01.
doi: 10.6046/gtzyyg.1997.04.01
[4] 杨沈斌, 李秉柏, 申双和 , 等. 基于多时相多极化差值图的稻田识别研究[J]. 遥感学报, 2008,12(4):613-619.
Yang S B, Li B B, Shen S H , et al. Rice mapping research based on multi-temporal,multi-polarization backscattering differences[J]. Journal of Remote Sensing, 2008,12(4):613-619.
[5] 国贤玉, 李坤, 王志勇 , 等. 基于SVM+SFS策略的多时相紧致极化SAR水稻精细分类[J]. 国土资源遥感, 2018,30(4):20-27.doi: 10.6046/gtzyyg.2018.04.04.
doi: 10.6046/gtzyyg.2018.04.04
Guo X Y, Li K, Wang Z Y , et al. Fine classification of rice with multi-temporal compact polarimetric SAR based on SVM + SFS strategy[J]. Remote Sensing for Land and Resources, 2018,30(4):20-27.doi: 10.6046/gtzyyg.2018.04.04.
doi: 10.6046/gtzyyg.2018.04.04
[6] 王迪, 周清波, 陈仲新 , 等. 基于合成孔径雷达的农作物识别研究进展[J]. 农业工程学报, 2014,30(16):203-212.
Wang D, Zhou Q B, Chen Z X , et al. Research advances on crop identification using synthetic aperture Radar[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(16):203-212.
[7] 严小微, 岑新杰, 唐清杰 , 等. 海南省西北部临高及周边地区早造杂交水稻制种适宜播种期研究[J]. 杂交水稻, 2016,31(5):25-27.
Yan X W, Cen X J, Tang Q J , et al. Studies on suitable sowing time for hybrid rice seed production in the early-cropping season in Lingao County and its surrounding area in northwestern Hainan[J]. Hybrid Rice, 2016,31(5):25-27.
[8] 化国强, 李晨, 杨沈斌 , 等. 利用RADARSAT-2数据基于比值检测的水稻制图[J]. 江苏农业学报, 2012,28(6):1451-1458.
Hua G Q, Li C, Yang S B , et al. Rice mapping based on ratio method using RADARSAT-2 SAR data[J]. Jiangsu Journal of Agricultural Sciences, 2012,28(6):1451-1458.
[9] 李俐, 孔庆玲, 王鹏新 , 等. 基于时间序列Sentinel-1A数据的玉米种植面积监测研究[J]. 资源科学, 2018,40(8):1608-1621.
Li L, Kong Q L, Wang P X , et al. Monitoring of maize planting area based on time-series Sentinel-1A SAR data[J]. Resources Science, 2018,40(8):1608-1621.
[10] 周北燕 . 中国分省系列地图册:海南省地图册[M/CD]. 北京: 中国地图出版社, 2017: 76-79.
Zhou B Y. China Provincial Atlas Series:Atlas of Hainan[M/CD]. Beijing: China Cartographic Publishing House, 2017: 76-79.
[11] 杨魁, 杨建兵, 江冰茹 . Sentinel-1卫星综述[J]. 城市勘测, 2015(2):24-27.
Yang K, Yang J B, Jiang B R . Sentinel-1 satellite overview[J]. Urban Geotechnical Investigation and Surveying, 2015(2):24-27.
[12] 韩东, 杨浩, 杨贵军 , 等. 基于Sentinel-1雷达影像的玉米倒伏监测模型[J]. 农业工程学报, 2018,34(3):166-172.
Han D, Yang H, Yang G J , et al. Monitoring model of maize lodging based on Sentinel-1 Radar image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(3):166-172.
[13] 陈劲松, 林珲, 邵芸 . 微波遥感农业应用研究——水稻生长监测[M]. 北京: 科学出版社, 2010: 82-95.
Chen J S, Lin H, Shao Y. Application of Microwave Remote Sensing in Agriculture:Paddy Rice Growth Monitoring[M]. Beijing: Science Press, 2010: 82-95.
[14] 张猛, 曾永年 . 基于多时相Landsat数据融合的洞庭湖区水稻面积提取[J]. 农业工程学报, 2015,31(13):178-185.
Zhang M, Zeng Y N . Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(13):178-185.
[15] 邵芸, 廖静娟, 范湘涛 , 等. 水稻时域后向散射特性分析:雷达卫星观测与模型模拟结果对比[J]. 遥感学报, 2002,6(6):440-450.
Shao Y, Liao J J, Fan X T , et al. Analysis on rice backscatter signatures in time domain:Comparison between RADARSAT-SAR observation and simulated model results[J]. Journal of Remote Sensing, 2002,6(6):440-450.
[16] Richards J A, Jia X P . Remote Sensing Digital Image Analysis[M]. Berlin:Springer-Verlag, 1999.
[17] Loosvelt L, Peters J, Skriver H , et al. Random forests as a tool for estimating uncertainty at pixel-level in SAR image classification[J]. International Journal of Applied Earth Observations and Geoinformation, 2012,19(1):173-184.
[18] 李楠, 朱秀芳, 潘耀忠 , 等. 人工蜂群算法优化的SVM遥感影像分类[J]. 遥感学报, 2018,22(4):559-569.
Li N, Zhu X F, Pan Y Z , et al. Optimized SVM based on artificial bee colony algorithm for remote sensing image classification[J]. Journal of Remote Sensing, 2018,22(4):559-569.
[19] 汪小钦, 王钦敏, 史晓明 , 等. 基于主成分变换的ASAR数据水稻种植面积提取[J]. 农业工程学报, 2008,24(10):122-126.
Wang X Q, Wang Q M, Shi X M , et al. Rice field mapping and monitoring using ASAR data based on principal component analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008,24(10):122-126.
[20] 孔金玲, 李菁菁, 甄珮珮 , 等. 微波与光学遥感协同反演旱区地表土壤水分研究[J]. 地球信息科学学报, 2016,18(6):857-863.
Kong J L, Li J J, Zhen P P , et al. Inversion of soil moisture in arid area based on microwave and optical remote sensing data[J]. Journal of Geo-Information Science, 2016,18(6):857-863.
[1] 白泽朝,汪宝存,靳国旺,徐青,张红敏,刘辉. Sentinel-1A数据矿区地表形变监测适用性分析[J]. 国土资源遥感, 2019, 31(2): 210-217.
[2] 陈继伟, 曾琪明, 焦健, 赵斌臣. Sentinel-1A卫星TOPS模式数据的SBAS时序分析方法——以黄河三角洲地区为例[J]. 国土资源遥感, 2017, 29(4): 82-87.
[3] 章钊颖, 鲁奕岑, 吴国周, 王永利. 基于多时相Sentinel-1A SAR数据草原地区降水量反演[J]. 国土资源遥感, 2017, 29(4): 156-160.
[4] 杜伟娜, 徐爱功, 宋耀鑫, 孙华生. 新型SAR传感器一级地距产品绝对辐射定标方法[J]. 国土资源遥感, 2016, 28(4): 30-34.
[5] 高帅, 牛铮, 刘晨洲. 基于RADARSAT SAR估测热带人工林叶面积指数研究[J]. 国土资源遥感, 2008, 20(4): 35-38.
[6] 陈权, 李震, 王磊. 环境小卫星S波段SAR监测土壤水分变化应用分析[J]. 国土资源遥感, 2005, 17(2): 12-15.
[7] 王臣立, 牛铮, 郭治兴, 丛丕福, 邓小炼. Radarsat SAR的森林生物物理参数信号响应及其蓄积量估测[J]. 国土资源遥感, 2005, 17(2): 24-28.
[8] 刘伟, 施建成, 余琴, 王建明, 武胜利. 地表土壤水分与雷达后向散射系数及入射角之间关系研究[J]. 国土资源遥感, 2004, 16(3): 14-17.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《国土资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 Email:gtzyyg@agrs.cn; gtzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发