针对异物同谱效应造成的作物提取精度不足问题，本研究提出了一种集成光学和微波特征的方法，通过特征融合提高作物提取精度。本研究基于Sentinel-1合成孔径雷达影像和Sentinel-2多光谱数据，对新疆巴州地区的典型绿洲农业区进行作物分类制图。为提高雷达数据提取特征的质量，采用SHP-DSI方法，对时间序列Sentinel-1数据的后向散射强度进行相干斑抑制，并对相干系数进行精确估计和去偏。此外，首次在研究中提取了合成孔径雷达干涉（InSAR）产品用于作物分类，包括干涉相干系数，主从影像后向散射强度比和从SAR时间序列的振幅色离散度指数等。为探索红边特征在绿洲作物类型识别中的作用，本研究提取了Sentinel-2的3个红边波段并导出了11个红边指数，结合常规的多光谱特征，与雷达特征进行集成，以提高作物分类的精度。 为了处理高维特征，获取SAR和光学特征的最优组合，本研究提出了一种半自动化的特征筛选流程，基于随机森林算法的特征重要性排序以及递归特征增量（Recursive Feature Increment，RFI）算法对所有特征进行筛选，以达到最高的作物分类精度。本研究发现Sentinel-2的红边特征将作物分类精度提高了3.06%。在对比实验中本研究证实了时间序列Sentinel-1和Sentienl-2的特征融合在作物分类中可实现最高精度。
原文链接
Sun, L., Chen, J., Guo, S., Deng, X., & Han, Y. (2020). Integration of Time Series Sentinel-1 and Sentinel-2 Imagery for Crop Type Mapping over Oasis Agricultural Areas. Remote Sensing, 12(158), 1–27.
研究背景
新疆是我国西北干旱半干旱地带的主要农业区。由于气候干燥，新疆的农业生产几乎完全依靠灌溉，导致水资源匮乏问题更加严重。新疆地区是我国棉花的主要产区，种植面积大，棉花品质较好，是国内棉花供给的重要支柱。2017年，新疆棉花种植面积占全国比重超过60%；棉花产量占全国比重超过70%。此外，棉花种植和其他农作物相比，需要大量的水源进行浇灌，加快了土地荒漠化的速度。新疆一些地区历经数次农业结构调整，实行“退白扩红”战略，大量种植辣椒和番茄，因此种植结构更加复杂，需要更加及时和精确的农作物种类分布制图。农作物种类分布是进行水资源和环境承载力估计所需的重要信息。在我国西北干旱半干旱地区，农业是支柱产业而生态环境相对较为脆弱，因此更为重要。随着空间技术的发展，遥感技术以已被应用到大范围的农作物种植面积、长势监测中，具有宏观、准确、及时等优点，监测结果可为国家农业生产管理、粮食政策制定提供重要参考依据。
近年来，遥感技术被广泛应用于农作物种植面积监测及作物分类中。原来主要使用的是光学遥感影像，利用不同种类作物之间的物候期差异，通过植被指数的时间变化来进行某种作物的提取。有些研究采用MODIS植被指数时间序列进行作物分类，但是由于分辨率太低，不适用于地块尺寸小、异构性强的小农种植系统 。对于地块破碎、异构性强的种植区，中、高分辨率影像（30米以内）是更为合适的选择。此前也有不少研究采用Landsat NDVI时间序列进行作物提取、分类，但是由于Landsat重访周期较长，在作物生长关键期受频繁的云雨天气影响无法获取完整、连续的光学数据，严重影响监测的有效性 。Sentinel-2卫星的发射为遥感监测提供了较高时空分辨率的光学数据，重访周期为10天，分辨率达到10米，在小农种植系统的农作物种植面积、长势监测、作物分类等应用中具有较大的潜力 。但是，由于光学数据本身的特点，受云的影响，Sentinel-2在作物关键生长期的数据连续性仍然不能保证 。此外，对于具有相似物候周期的作物类型，只依靠光谱信息不足以进行区分。
星载合成孔径雷达（SAR）遥感具有全天时、全天候、覆盖范围广、穿透能力强的特点，能够反映植被的结构特征与介电特性，已越来越多地用于遥感作物分类。Silva等在巴西热带半干旱地区采用L波段机载SAR影像研究了单/双/全极化SAR后向散射强度进行作物分类的潜力，发现增加极化通道可大幅度提高作物分类的精度 。还有研究表明，对于单极化和双极化SAR，使用多时相数据可以提高作物分类的准确性，其中采用交叉极化的后向散射系数其分类精度优于其他极化模式。随着Sentinel-1 A和B卫星的发射，可免费获取的SAR数据量显著增加，该数据具有双极化模式，双星6天单轨12天的重访周期和20米的空间分辨率，这对于中高分辨率的作物分类是目前较为理想的SAR数据源。然而，受SAR成像系统固有的相干斑噪声影响，单独采用SAR影像进行棉花提取的精度较低 。现有技术对SAR数据后向散射强度的相干斑抑制效果不理想，由于采用本地规则窗口进行滤波，没有考虑周边像素的统计特性，在抑制噪声的同时极易模糊强散射体与周边低相干区域。此外，大部分研究只关注雷达后向散射强度，没有对SAR影像的其他特征在作物分类中的作用进行评估。
可见光遥感影像受云的影响难以得到长时间序列影像，SAR影像具有全天时、全天候工作的优点，可提供长时间序列数据弥补这一不足，且光谱和SAR影像由于传感器和成像机理的不同，在地物解译方面有互补作用 。如何结合光学数据和SAR数据进行综合处理，对作物种类进行精确分类和提取，成为研究的热点。
本研究提出了一种集成Sentinel-1合成孔径雷达影像和Sentinel-1多光谱数据的方法，对新疆巴州地区的典型绿洲农业区进行作物分类制图。为提高雷达数据提取特征的质量，本研究采用SHP-DSI方法，对时间序列Sentinel-1数据的后向散射强度进行相干斑抑制，并对相干系数进行精确估计和去偏。此外，首次在研究中提取了合成孔径雷达干涉（InSAR）产品用于作物分类，包括干涉相干系数，主从影像后向散射强度比和从SAR时间序列的振幅色离散度指数等。为探索红边特征在绿洲作物类型识别中的作用，本研究提取了Sentinel-2的3个红边波段并导出了11个红边指数，结合常规的多光谱特征，与雷达特征进行集成，以提高作物分类的精度。为了处理高维特征，获取SAR和光学特征的最优组合，本研究提出了一种半自动化的特征筛选流程，基于随机森林算法的特征重要性排序以及递归特征增量（Recursive Feature Increment，RFI）算法对所有特征进行筛选，以达到最高的作物分类精度。本研究发现Sentinel-2的红边特征将作物分类精度提高了3.06%。在对比实验中本研究证实了时间序列Sentinel-1和Sentienl-2的特征融合在作物分类中可实现最高精度。
模型方法介绍
本研究中使用的工作流程如图 3.6.2所示。
图 3.6.2实验流程
- 基于Sentinel-1数据提取SAR和InSAR特征 对时间序列Sentinel-1 IW SLC数据进行预处理，包括精配准、镶嵌、裁剪。为提高SAR和InSAR特征的信噪比，基于Gamma置信区间判别从时序SAR数据中提取统计同质像元（SHP），并采用SHP-DSI算法进行相干斑滤波，在此基础上提取SAR和InSAR特征。
- **基于Sentinel-2**数据提取多光谱特征
对多时相Sentinel-2数据进行预处理，采用sen2cor软件将L1C级Top of Atmosphere (TOA)产品转换为L2A级产品表面反射率(surface reflectance)，提取10米、20米分辨率的所有谱段（包括B2, B3, B4, B5 B6, B7, B8, B8A, B11, B12）；并计算植被指数、水体指数、红边指数等 - 雷达和光学特征融合
基于随机森林（Random Forest，RF）算法对所有特征进行重要性排序，在此基础上采用递归特征增加（Recursive Feature Increment，RFI）方法选取最优特征组合，进行土地覆盖分类，获取农田掩膜；在农田掩膜范围内，进行作物分类，得到作物分类制图。
试验结果
采用基于统计同质像素（SHP）的SHP-DSI 算法对SAR影像进行相干斑抑制和相干系数估计，结果如下：
图3.6.3 SAR后向散射强度图 (a)原始强度图； (b) Refined Lee算法滤波后强度图；(c) SHP-DSI算法滤波后强度图
图3.6.4干涉相干系数 (a) 常规7*7滑窗估计的干涉相干系数;(b) SHP-DSI 算法估计的干涉相干系数
表3.6.6采用不同方法处理后的SAR&InSAR特征进行作物分类的精度
| Mean OA | Kappa Coefficient | F1-score chili | F1-score corn | F1-score cotton | F1-score pear | F1-score tomato | |
|---|---|---|---|---|---|---|---|
| Original | 60.20% | 0.48 | 0.55 | 0.33 | 0.67 | 0.72 | 0.58 |
| Refined Lee | 73.21% | 0.65 | 0.66 | 0.52 | 0.80 | 0.83 | 0.74 |
| SHP DSI | 79.46% | 0.73 | 0.75 | 0.60 | 0.88 | 0.86 | 0.77 |
从表3.6.6中可以看到，采用SHP-DSI算法较原始数据和常规Refined Lee算法滤波后提取的SAR和InSAR特征在作物分类制图中显著提高了精度，无论是总体精度（OA）、Kappa系数，还是每一个作物种类的F1-sore都有显著提高。采用随机森林算法进行一级类分类以提取农田，并采用分层交叉验证（K=10份）方法对总体精度和农田提取精度进行验证，结果如下：
图3.6.5(a) 土地覆盖分类结果；(b) 农田掩膜
图3.6.6雷达和光学特征集成获取的作物种类制图
对比只使用SAR特征，只使用光学特征，以及SAR和光学特征的最优组合分别进行作物分类制图，精度对比如下：
表 3.6.9分别采用Sentinel-1、Sentinel-2常规多光谱特征、Sentinel-2包括红边特征在内的所有光学特征、Sentinel-1&2集成特征的作物分类制图精度对比
| Number of features | Mean OA | Kappa Coefficient | |
|---|---|---|---|
| Sentinel-1 | 133 | 79.46% | 0.73 |
| Sentinel-2 without red-edge features | 58 | 82.37% | 0.77 |
| Sentinel-2 | 104 | 85.43% | 0.81 |
| Sentinel-1 & Sentinel-2 | 113 | 86.98% | 0.83 |
表3.6.9说明，Sentinel-2的红边特征对比常规多光谱特征，将作物分类的OA提高了3.06%,Kappa系数提高了0.04；Sentinel-1雷达和Sentinel-2光学特征融合后，总体精度(OA)和Kappa系数比单独使用雷达或光学特征都有显著提高。
对比分别采用Sentinel-1、Sentinel-2常规多光谱特征、Sentinel-2包括红边特征在内的所有光学特征、Sentinel-1&2集成特征的每种作物类别的提取精度如图3.6.7所示。
图3.6.7不同特征组合下不同种类作物的提取精度对比
从图3.6.7中本研究可以发现，对于辣椒和玉米，红边特征对提取精度的提高较显著；对于棉花和香梨，只采用Sentinel-1雷达特征时，各自的提取精度已经很高，Sentinel-2多光谱特征的加入又进一步提高了提取精度；对于番茄的提取，采用雷达特征、常规多光谱特征、红边特征的提取精度是一样的，雷达和光学特征的集成才显著提高了提取精度。查看每种作物的提取精度对比，共同点是，采用Sentinel-1&2集成特征时，辣椒、玉米、棉花、香梨、番茄每种作物的提取F1-score都是几个特征组合中最高的。
结论
本研究通过西北某小农区的案例研究，提出了一种协同利用 Sentinel-1 和 Sentinel-2 特征进行绿洲作物类型测绘的方法。首先，引入了 SHP DSI 算法，对 SAR 强度进行去斑处理，准确估计干涉测量相干性，提高 SAR 特征的质量。研究表明，在仅使用 SAR 特征的情况下，使用 SHP DSI 方法可使作物分类精度提高 6.25%。从多时态的 Sentinel-1 和 Sentinel-2 图像中得到了多种 SAR 特征和光学特征，包括几种 InSAR 产品和红边光谱波段和指数。其次，根据随机森林分类器的换元重要性，提出了一种递归特征增量特征选择方法，得到 Sentinel-1和 Sentinel-2 特征的最优组合，用于农田提取和作物类型分类。最后，生成了作物分布图，总体精度为 83.22%， kappa 系数为 0.77。对 SAR 和光学特征的贡献进行了深入探讨。在所有 Sentinel-1 特征中,VH 强度所占比例最大,说明 VH 偏振对植被变化的敏感性较好。同时，还注意到 InSAR 的一些产品，如 VH 振幅色散、主从强度比、 4 月上旬的 VV相干性等，揭示了某些作物类型的良好分离性。至于 Sentinel-2 特征，我们证明了在绿洲作物类型测绘中使用红边光谱波段和指数的优点。与仅使用传统光学特征相比，红边特征的加入使作物分类 OA提高了 1.84%。这证明了 Sentinel-2 数据的优越性，因为光谱分辨率的提高。对使用 4 种特征组合的绿洲作物分类性能进行了比较。结果表明， SAR 和光学特征的集成取得了最佳性能。我们认为，时间序列 S1 和 S2 图像的集成具有优势，由于数据的免费、充分和开放政策，可以在绝大多数地区进一步探索用于作物状况监测。