原名:
A robust index to extract paddy fields in cloudy regions from SAR time series
译名:
一种基于SAR时间序列提取多云地区稻田的稳健指数
期刊:Remote Sensing of Environment
发表时间:2022.11
DOI:10.1016/j.rse.2022.113374
1.研究背景:
水稻占全球谷物播种面积的12%,养活了世界上一半以上的人口。此外,水稻种植会消耗水并排放温室气体,因此会对环境产生重大影响。因此,及时有效地监测水稻种植不仅对世界粮食安全至关重要,而且对于用水和气候变化相关的环境问题也至关重要。
光学和合成孔径雷达数据被广泛用于水稻制图。最近的研究表明,当水稻的关键生长阶段的光学数据可用时,植被和水分指数组合在大规模水稻制图中具有一定优势。然而,在实践中,这些阶段通常存在限制光学观测的恶劣天气条件,特别是在热带和亚热带地区。由于SAR数据能够穿透云层并反映地面目标的电磁和结构财产,因此在多云地区越来越多地使用SAR数据。
今年来,基于对象、深度学习以及阈值等分类方法被大量应用在水稻检测中,但都存在一定问题:1.大多数研究需要水稻物候的先验知识来定义提取物候相关特征的时间窗口,这限制了这些方法在没有先验知识的地区的适用性。2.分类和基于阈值的方法都需要预先训练。3.种植系统、水稻物候、地形或任何其他因素的巨大差异可能导致SAR反向散射信号强度的差异。
受以往基于指数方法提取地表特征方法的启示,本文提出了基于SAR的水稻指数(SPRI),用于绘制多云地区的水稻种植图。提出的SPRI指数可以实现以下目标:1. 在容忍SAR信号的类内变化的同时扩大类间差异。2. 避免收集大量训练样本。3. 自适应地考虑局部条件,并在不同区域获得稳健的映射结果。
2.水稻指数(SPRI)构建:
图1 设计水稻指数的Sentinel-1 VH时间序列中的三个特征图
水稻在时序SAR影像中具有以下3个特征:1.生长期间的反向散射变化大于其他作物。2. 淹没阶段的反向散射值较低,接近水的反向散射。3. 营养阶段的高体积散射特性接近于其他植被。
针对以上特征,本文设计了f(D)、f(W)和f(V)三个特征用于量化水稻生长期。f(D)测量给定作物田的背散射动态范围接近稻田的程度,f(W)分别量化生长期间局部最小强度与当地水的相似性,f(V)量化生长期间的局部最大强度与当地植被的相似性。SPRI计算方法如公式(1)所示,三个特征的计算公式分别如公式(2)-(4)所示。公式中v、w与图1中的V 线和W 线相对应,表示的是计算区域内植被和临时水体(被水覆盖的稻田)的反向散射强度。
3.研究区域和数据:
图2 本文所选择的五个研究区域以及无云Sentinel-2图像和Sentinel-1 VH图像
表1 五个研究地点的水稻种植信息汇总
本文选择了五个地点作为研究区域(图2),它们在地理和气候条件、景观复杂性以及种植系统方面存在差异。
在本文的研究中Sentinel-1地面距离检测场景用于生成具有10m空间分辨率和12天时间分辨率的SAR VH时间序列。这种时间分辨率有助于监测水稻的生长阶段。辅助数据涉及无云Sentinel-2图像(云覆盖率<10%)和研究地点的年度光谱指数合成。此外,还导出了两个光谱指数,即NDVI和NDWI,以分别反映植被和水体的土地覆盖信息。还根据一年内所有可用的Sentinel-2图像计算了年最大NDVI和NDWI。
4.基于SPRI的水稻制图
图3 使用SPRI方法绘制水稻图的流程图
使用SPRI指数在多云地区绘制水稻图的工作流程如图3所示。流程主要包括四个步骤:1.时序遥感影像降噪,该过程使用的是7×7细化的Lee Sigma滤波器。2.图像分割,本文采用Canny边缘检测和分水岭分割组合的方法进行图像分割。3.基于SPRI的面向对象制图。对于每个图像对象,SPRI计算需要两个参数:W线和V线的反向散射强度,在计算SPRI时,需要考虑站点差异的自适应w和v值。本文将SPRI值划分为水稻和非水稻类的阈值确定为0.6。4.精度评估。由于站点4和站点5的样本量有限,本文将这两个站点的验证样本与总共83个水稻地块和80个非水稻地块合并。采用生产者准确度(PA)、用户准确度(UA)、总体准确度(OA)和F1得分来评估水稻绘图的准确度。
5.结果展示
图4 五个研究地点的SPRI地图(第一列)和衍生水稻地图(第二列),以及每个地点的缩放子区域
五个站点的SPRI值如图4所示,我们可以看到,低SPRI值(红色区域)与自然植被和其他土地覆盖面积相匹配。具有中等SPRI值的物体在所有地点都很少见,这表明SPRI值可以很好地区分水稻和非水稻覆盖物。此外,三个美国站点和两个中国站点的SPRI值直方图显示出相似的模式(见图4中的第一列),尽管两国的土地条件和气候背景不同。很明显,这种模式直方图是水稻和非水稻类的组合,证实了SPRI成功地扩大了水稻和其他非水稻覆盖物之间的差异。
为了评估方法的准确度,本文分别对1–3个地点进行了准确度评估。由于样本有限且地形高度相似,因此将站点4和站点5结合起来评估准确性。如表2所示,所有研究地点的OA均大于或等于0.88,实现了高标测精度。本文方法绘制的水稻区域图,F1得分范围从站点2的0.86到站点1的0.97,这表明所提出的方法保持了UA和PA之间的平衡。为了进一步评估本文方法,本文还与其他水稻检测方法进行了精度对比,具体结果如表3所示。在站点1–3处,本文所提出的方法与三种现有方法之间的视觉比较表明,与其他三种方法相比,本文方法生成的地图通常与参考地图更相似。
表2 水稻制图精度评估
表3 四种方法的准确性评估
6.讨论
(1)SPRI的优势
本文使用Sentinel-1时间序列引入了一个新的水稻绘图指数SPRI,并在气候背景、地形条件和种植制度不同的五个互补地点上展示了其性能。它在五个站点中获得了良好的精度,这主要是由于与现有方法相比有两个优点。
首先,所提出的指数将三个关键的水稻生长特征整合到一个数量中,以估计不同区域的水稻种植概率,而现有方法仅使用这些特征的一部分或独立使用它们。其次,所提出的方法可以通过对所有特征进行非线性重新缩放来扩大水稻和其他土地覆盖物之间的差异,这与使用原始特征进行稻田提取的现有方法不同。这种非线性重新缩放策略可以在遗漏和委托错误之间实现平衡。先前的研究广泛采用了水稻生长过程中的后向散射和物候特征,这些特征显示出一定的区分稻田和非稻田的能力,但很难从这些特征中找到区分水稻和其他土地覆盖物的适当阈值。此外,训练有素的阈值可能不适用于不同的场所。
(2)本文方法的可迁移性
五个站点之间的鲁棒性能表明,所提出的方法对不同区域具有良好的可移植性。良好的可传递性的原因包括(1)局部和自适应地确定的参数,(2)光学图像的辅助,以及(3)易于通过指数阈值分离水稻和非水稻覆盖。
首先,所提出的方法具有两个区域自适应参数,即上边界“V线”(V)和下边界“W线”(W),以适应研究地点在地理和气候背景中的差异。使用局部自适应参数和统一参数的方法之间的比较显示了考虑局部环境对水稻绘图的贡献,如图5所示。
图5 使用局部自适应参数和所有站点的统一参数的所提出方法之间的水稻绘图精度的比较
其次,在Sentinel-2图像的帮助下,自动和自适应地确定了这两个参数,仅使用特定百分位的植被指数和水体指数来确定两个参数v和w,这有效缓解了其他现有方法中对先验知识的高要求这一问题。本文调查了水稻制图精度对百分位选择的敏感性,这为用户将所提出的方法应用于任何其他站点提供了指导。结果表明,在以水稻为主要作物的地点1,绘图精度对v和w的百分位数不敏感。在其他四个站点,F1分数对w比v更敏感。
最后,确定从SPRI中分离水稻和非水稻覆盖物的阈值相对容易,因为SPRI有效地平衡了委托误差和遗漏误差,并消除了现场差异。如图6(a)所示的接收机工作特性(ROC)曲线证明,我们提出的指数对位点差异不敏感,ROC曲线下面积在0.92至0.98之间,这表明水稻和非水稻具有良好的可分离性。因此,根据SPRI绘制稻田的二值分类阈值是所提出方法中唯一的经验参数,很容易确定。
图6 所有位点的ROC曲线(a)和所有位点的SPRI二元分类阈值的敏感性分析(b)
(3)适用条件和限制
首先,所提出的方法不需要密集的无云Sentinel-2图像,这使得在多云地区绘制水稻非常有帮助,但它需要至少一个无云Sensenel-2图像作为辅助数据,以通过分割获得农田对象并帮助确定参数值。然而,当没有无云Sentinel-2图像时,这一要求可以在极端情况下解除。在这种情况下,可以使用任何土地覆盖产品来确定耕地对象和自适应参数。
第二,所提出的方法不需要地面真实样本。数据驱动方法(例如,深度学习)可以从输入数据中提取信息特征,并产生有希望的结果,这对于农业管理和精准农业很重要。然而,训练样本的需求挑战了基于深度学习的方法的可移植性。
第三,本文所提出的方法能够绘制单季稻和双季稻同时存在的地区的稻田和水稻种植强度。SPRI在桃园县绘制单季和双季水稻图的总体精度为0.86。以往的研究表明,晚期的水稻在生育期也表现出与早稻类似的“V”型格局。这种“V”形图案也表明晚期水稻在生长期间具有类似的反向散射机制。由于本文提出的SPRI方法考虑了水稻生长的后向散射动态特性,因此该算法在理论上适用于双稻种植地区。
7.研究总结:
在本文的研究中,作者设计了一种新的基于SAR的水稻绘图指数,称为SPRI,以根据Sentinel-1时间序列数据将稻田与其他土地覆盖类型和作物区分开来。Sentinel-2图像被用作腋窝数据来估计SPRI中的参数。本文在气候、地形和种植制度不同的五个地点测试了其能力和鲁棒性,并将其性能与三种现有方法进行了比较。结果表明,SPRI能够提供准确的分类图,总体准确率超过88%,所有站点的F1得分超过0.86,这优于现有方法。所提出的基于SPRI的水稻绘图方法具有几个优点:(1)它不需要任何先验知识(例如物候信息)或参考样本;(2) 它没有许多预定义的参数;(3) 它在很大程度上规范了站点差异;(4)它可以平衡犯错误和不犯错误。因此,所提出的方法具有很高的灵活性和适用性,可以支持大面积的水稻绘图,特别是在光学遥感数据有限的多云地区。
8.引用格式:
Xu S, Zhu X, Chen J, Zhu X, Duan M, Qiu B, Wan L, Tan X, Xu Y, Cao R. A robust index to extract paddy fields in cloudy regions from SAR time series, Remote Sensing of Environment 2023; 285: 113374.
转自:“科研圈内人”微信公众号
如有侵权,请联系本站删除!