基于SVM+SFS策略的多時相緊致極化SAR水稻精細分類

國賢玉， 李坤， 王志勇， 李宏宇， 楊知

(1.山東科技大學測繪科學與工程學院，青島 266590；2.中國科學院遙感與數字地球研究所，北京 100101；3.中國地質大學(北京)地球科學與資源學院，北京 100083；4.中國電力科學研究院輸變電工程研究所，北京 100055)

0 引言

水稻是世界三大糧食作物之一，為我國一半以上的人口提供糧食來源。種類和種植方式的不同導致水稻長勢、產量存在一定差異，傳統的水稻制圖(區分水稻和非水稻)已經難以滿足高精度農業應用的需求。因此實現水稻精細制圖，區分不同水稻品種與種植方式，為水稻長勢監測提供更精準的信息，對于現代農業的發展具有重要意義。

緊致極化SAR(compact polarimetry synthetic aperture Radar，CP-SAR)降低了系統復雜度與能耗，縮小了傳感器體積，已成為新一代對地觀測SAR系統的重要發展趨勢之一[1]。與全極化SAR相比，CP-SAR不僅能夠保持豐富的極化信息，還能實現更大的幅寬與入射角范圍。近年來，CP-SAR相關研究主要集中在3方面：①CP-SAR系統接發模式研究[2-3]；②CP-SAR模擬與偽極化(pseudo-quad-pol，PQ)SAR重建方法研究[4-5]；③CP-SAR應用研究，如信息提取[6]、作物分類[7]、森林參數反演[8]、海冰和溢油[9-10]等。雖然目前基于CP-SAR的應用研究覆蓋面很廣，但還不夠深入，以農業應用為例，大多數研究都集中在簡單的作物制圖上，對于種植方式和種類的區分研究很少。

目前SAR水稻制圖方法主要依據有3類：①后向散射特性的時相變化規律[11-12]；②不同極化后向散射特性的差異[13]；③全極化散射機理特點[14-15]。前2類方法都只利用后向散射強度信息，不包含雷達回波的相位信息。第3類方法精度高，普適性較強，對數據時相的要求也較低。雖然全極化SAR在水稻制圖中具有較大優勢，但全極化系統的脈沖重復頻率是單雙極化的2倍，相應的幅寬也小，限制了大范圍水稻制圖的應用。因此，在同時兼顧制圖精度與面積的情況下，CP-SAR是最佳選擇之一。2013年，Brisco等[16]基于CP-SAR開展水稻制圖研究，對比分析了單雙極化、CP-SAR與全極化SAR的制圖效果，結果表明CP-SAR在水稻制圖中的應用效果可與全極化相媲美，遠優于單、雙極化數據；2015年，Uppala等[17]基于RISAT-1衛星CP-SAR數據利用監督分類進行水稻識別，得到了較高的制圖精度。這些研究表明了CP-SAR在水稻制圖中的應用潛力，但集中于區分水稻和非水稻，對于水稻種類以及種植方式的區分研究不足。

鑒于此，以江蘇金湖地區為研究區，開展CP-SAR水稻精細制圖方法研究。針對插秧秈稻/粳稻、撒播粳稻3類水稻田，考慮水稻植株分布特征、生理結構特點以及下墊面的影響，研究分析其CP-SAR響應特征以及時相變化規律，在此基礎上，針對CP-SAR多維特征信息，引入基于支持向量機和序列前進搜尋(support vector machine and sequential forward selection，SVM + SFS)[18]策略的特征選擇方法，構建基于決策樹和SVM的水稻精細分類方法。

1 研究區概況與數據源

研究區位于江蘇金湖(E118°41′34″～119°16′27″，N33°17′05″～33°56′39″)，屬于亞熱帶季風氣候區，地勢平坦，地塊規則。該區水稻一年一熟(6—11月)。水稻種類為秈稻和粳稻，播種方式分為插秧和撒播，故水稻田可分為插秧秈稻田(TH)、撒播秈稻田、插秧粳稻田(TJ)和撒播粳稻田(DJ)4類。由于該區幾乎沒有撒播秈稻田，因此主要針對TH,TJ和DJ這3類(圖1)，開展精細制圖方法研究。

(a) TH(幼苗期) (b) TJ(幼苗期) (c) DJ(幼苗期)

(d) TH(乳熟期) (e) TJ(乳熟期) (f) DJ(乳熟期)

在研究區獲取了9景RADARSAT-2精細全極化SAR數據，方位向和距離向空間分辨率分別為5.2 m和7.6 m。由于封行之前3類水稻田差異相對較大，因此，選擇對應時段的SAR數據進行水稻精細分類方法研究，獲取日期分別為2012年6月27日、7月11日和7月21日。首先基于3個時相的全極化SAR數據模擬CP-SAR數據。模擬數據為圓周極化發射線性極化接受模式(circular transimit and linear receive，CTLR)，發射右旋圓(R)極化、接收水平(H)和垂直(V)極化[19]，空間分辨率為30 m，噪聲水平為-25 dB(圖2)。獲取SAR數據的同時，開展了地面實驗，采集了水稻種類、種植方式和物候等信息，并利用高精度GPS獲取了41塊水稻樣田的矢量數據，其中包括24塊TH、6塊TJ、11塊DJ，還選擇了8塊水體和10塊城鎮建筑。

圖2 CP-SAR模擬數據在不同極化通道的假彩色合成影像(CP-SAR RR(R)，RV(G)，RH(B)假彩色合成)

2 研究方法

研究流程主要包括CP-SAR數據模擬與特征參數提取、數據預處理、基于SVM + SFS的CP-SAR特征參數優選以及基于優選特征利用決策樹和SVM方法進行水稻田精細分類，具體技術流程如圖3所示。

圖3 技術路線

2.1 數據預處理

基于CP-SAR模擬數據，根據特征參數定義，提取22個CP特征參數(表1)。然后對特征參數進行輻射定標、幾何糾正、研究區裁剪和斑點噪聲濾波等預處理。通過比較選擇Frost濾波方法，以7×7窗口進行降噪處理。在此基礎上，基于地面樣方，提取不同類型水稻田、水體和城鎮建筑的CP-SAR特征參數。

表1 提取的22個CP特征參數

(續表)

2.2 SVM + SFS策略特征選擇方法

為了充分挖掘CP-SAR多維特征信息，同時保證分類方法的簡潔性，引入基于SVM + SFS的特征選擇方法，對22個CP-SAR參數進行優選。把每一特征參數看作由一個向量和一個標記組成，即Di=(xi,yi)，x=[x1,…，xi,…，xn]為訓練數據向量，n為訓練數據個數，yi為分類標記(yi取-1或1)。定義函數和超平面分別為

g(xi)=〈w,x〉+b，i∈[1,n]

(1)

〈w,x〉+b=0

(2)

式中：w為系數向量，其維度為n；b為常數變量。若使分類數據被超平面分成2類，超平面必須滿足yi(〈w,x〉)≥1。SVM思想是使所求最優超平面能夠具有最大的分類間隔，分類間隔δi表示為

(3)

式中：||w||為向量w的范數；|g(xi)|為g(xi)的絕對值。這等同于求二次規劃問題，即

(4)

yi(〈w,x〉+b)≥1，i∈[1,n]

(5)

引入Lagrange算子α*，令α*≥0，滿足式(6)有唯一解，即

(6)

式中b*為最優化的常數變量。當樣本點到超平面距離為最短距離，則yi(〈w,x〉+b)=1且α*≠0，否則yi(〈w,x〉+b)>1且α*=0。α*=0的樣本稱為支持向量(support vector，SV)，樣本的總個數稱為SV個數(number of SV,NSV)。在SVM分類算法中，可分性的優劣就是由NSV判斷，NSV越小，可分性越好。

除了3類水稻田的最優特征，利用上述方法還選出了區分水稻與非水稻的最優特征。

2.3 3類水稻田CP-SAR響應規律

面向水稻田精細分類，利用SVM + SFS方法，優選出的CP特征參數如表2所示。圖4給出了3類水稻田在優選參數上的差異，且將優選特征參數分為2類：①強度特征參數；②非強度特征參數。

表2 利用SVM + SFS方法優選的CP-SAR特征參數

(a) 強度極化特征參數 (b) 非強度極化特征參數

相對于TH和TJ，DJ水稻植株密度更大，因此其后向散射和體散射都比較大；而TH和TJ的下墊面為水面，引起鏡面反射使其后向散射和體散射較小，這導致DJ與TH，TJ的后向散射和體散射差異較大。由于σ0RH和σ0RV主要來自體散射的去極化作用，因此DJ的σ0RH和σ0RV大于TH和TJ(如圖4(a)所示)，差值約為0.8 dB；而g0，g1與后向散射密切相關，2參數對于區分DJ與TH，TJ有較大貢獻。TH下墊面為水面，且秈稻幼苗植株更高且粗壯，下墊面與植株垂直結構更容易形成二面角，因此TH的二次散射更強；TJ植株高度較小，DJ下墊面為土壤，因此TJ和DJ的二次散射相對較弱。由于二次散射在RR上的響應較強，因此TH的σ0RR大于TJ和DJ，差值約為1.3 dB；m-χ_db和m-δ_db表征二次散射的強度，因此TH的m-χ_db和m-δ_db強度值大于TJ和DJ，差值約為3.8 dB。所以σ0RR，m-χ_db和m-δ_db對于區分TH與TJ，DJ有較大貢獻。DJ下墊面為土壤，其面散射貢獻最大；TJ植株相對弱小，下墊面粗糙面散射貢獻較大，TH植株相對高而粗壯，面散射最弱，由于σ0RL，g3，m-χ_s，m-δ_s與面散射密切相關，因此3類水稻田對應的這4個參數差異較大(如圖4(a)所示)。以g3為例，其差值約為3 dB，對于區分3類水稻田貢獻較大。TJ植株密度相對較小，而且粳稻植株相對弱小，因此其體散射相對于DJ和TH較小。m-δ_vol和m-χ_vol表征地物體散射，故TJ的這2個參數小于DJ和TH，其差值約為0.7 dB，對于區分TJ與DJ，TH貢獻較大。

Hi表征散射機制的復雜程度，由于體散射更為復雜，因此體散射貢獻越大Hi越大。通過前面3類水稻田的散射機理分析，DJ的體散射貢獻最大，TH次之，TJ最小，由圖4(b)可以看出，DJ的Hi大于TH且遠大于TJ，因此，Hi對于區分DJ和TJ貢獻較大。μ和α都與散射機理密切相關，μ從大到小分別表示面散射、體散射和二次散射；而α反之。因此DJ的μ值大于TJ和TH，而DJ的α值小于TJ和TH。μC也與目標的散射機理密切相關，其值與面散射的貢獻成反比，DJ對應的μC值小于TJ和TH，對于區分TH與DJ貢獻較大。

2.4 基于CP-SAR優選特征的水稻精細分類

基于SVM + SFS方法優選CP-SAR特征，分別采用決策樹和SVM方法進行水稻精細分類。另外，將3類水稻田、城鎮建筑和水體樣方分為訓練和驗證樣本2部分，TH、水體和城鎮建筑的訓練和驗證樣本各占一半，二者之間沒有重疊。由于TJ和DJ的樣本數較少，訓練和驗證樣本之間約有30%的重疊。

2.4.1 決策樹分類

首先利用CP-SAR優選特征區分水稻與非水稻，再進行3類水稻田的區分，最終實現精細分類，決策樹分類如圖5所示。圖中變量的數字后綴代表影像獲取日期。

圖5 3類水稻田的分類決策樹

研究區非水稻區域主要包括城鎮建筑和水體等，水稻與水體、建筑的二次散射貢獻差異很大(圖6)，而RR極化對二次散射敏感，因此首先根據σ0RR，區分水稻和非水稻。水體的m-δ_db約為-35 dB，小于其他非水稻區域，因此利用m-δ_db區分水體；最后再利用m-δ_db和σ0RR將城鎮建筑與其他非水稻區分開。針對3類水稻田，先利用6月27日(幼苗期)m-χ_db_0627，μC_0627和m-δ_vol_0627區分不同種植方式，即DJ與TH，TJ。因為撒播田下墊面為土壤，且植株矮小，二次散射比插秧田弱，而由于植株密度較大，其體散射較弱大于TJ，小于TH。另外，針對TH與TJ可分性較弱，且二者種植方式相同，田塊結構相似，只能依靠水稻植株形態差異進行區分。7月11日，TH在RR上的響應較強，21日由于冠層密度增加，衰減增大，TH發生二次散射的能量減少，在RR上的響應減弱；而TJ剛好與之相反，因此利用二者在2個時相上的差異來實現區分。

2.4.2 SVM分類

基于CP-SAR優選特征，利用SVM進行分類。選擇徑向基核函數(radial basis function，RBF)，其Gamma值為輸入圖像波段的倒數，懲罰參數為100；分級處理等級為0，以原圖像空間分辨率進行分類處理；分類概率閾值為0。

3 結果與分析

通過設計4組對比實驗進行結果分析：①利用6月27日12個CP優選參數進行SVM分類，并與全部22個參數SVM分類結果進行比較；②考慮時相信息，利用3個時相28個優選參數進行SVM分類，并與全部66個參數分類結果進行比較；③利用決策樹方法進行TH，DJ與非水稻區的區分；④利用決策樹進行3類水稻田與非水稻區的區分。最后利用驗證樣本對分類結果進行精度評價(表3)?？梢钥闯?，水體和城鎮建筑分類效果較好，生產者精度和用戶精度均在90%以上，不同方法、不同時相組合對應的分類結果差異不大。

表3 2種分類方法的分類精度比較

①在Tm-n-k中，m表示用于分類的SAR數據時相數；n表示參與分類的CP-SAR特征參數個數；k表示水稻分類類別。

對于水稻來說，單一時相12個優選參數SVM分類，TH平均精度約為70.6%；TJ的生產者和用戶精度都很低。多時相28個優選參數SVM分類，3類水稻的精度都有所提高，因此多時相對區分水稻種類、種植方式具有一定貢獻；但是TJ生產者精度只有24.16%，即大部分TJ被錯分成TH，說明水稻種類的區分能力仍然不高。多時相全部66個參數SVM分類，總體精度為91.38%，Kappa系數為0.880，與多時相28個優選參數SVM分類結果相近，可見對于水稻精細分類，基于SVM + SFS策略優選的28個特征參數能夠與全部66個參數達到同樣效果，避免了數據贅余、提高了運算效率。

利用多時相28個優選參數，進行決策樹方法，區分TH和DJ，總體精度為97.44%，Kappa系數為0.962；區分3類決策樹分類總體精度達到92.57%，Kappa系數達到0.896。與優選參數SVM分類對比總體精度提高1%～9%，Kappa系數提高0.01～0.12。TJ生產者精度為45.74%，比SVM分類精度提高了0～40%?？傮w來看，SVM + SFS策略優選參數決策樹分類要優于SVM分類，并且分類速度更快。

從分類精度來看，TJ生產者精度較低，區分效果不好主要有以下幾方面原因：①由于播種方式的不同，幼苗期插秧稻田種植稀疏，植株成行成壟，而撒播稻田植株較稠密，在雷達響應上表現差異性大，因此DJ容易與TH，TJ區分。幼苗期TH和TJ這2類水稻具有水稻共性，并且幼苗期水稻植株小，導致在雷達響應上表現差異性??；分蘗期和拔節期2類水稻植株表現出差異性，但隨著植株生長，植株間的縫隙減小，這種差異性又淹沒在水稻群體中，導致在雷達響應上差異性小，使得TJ區分效果不好；②研究區TJ種植面積少，在研究區地面獲取的樣方也少，影響TJ生產者精度；③本研究使用CP-SAR模擬數據，空間分辨率為30 m，噪聲水平為-25 dB，空間分辨率和噪聲水平與真實SAR數據(以RADARSAT-2全極化為例，空間分辨率8 m，噪聲水平約為-32 dB)存在一定的差異。

采用SVM和決策樹分類方法，3個時相28個參數分類結果如圖7所示。

(a) SVM分類 (b) 決策樹分類

從圖7(a)中可看出，城鎮建筑和水體被明顯分出，這與城鎮建筑、水體與水稻的散射特性差異性大有關。除水體和城鎮建筑外，水稻田分為3類，TH多分布在東南區，TJ和DJ多分布在西北部，以TH分布最為廣泛。這與研究區實際水稻種植分布現狀基本相符；在圖7(b)中，利用決策樹分類比SVM分類效果更細，將村莊道路也區分出來，從整體來看，依然是TH分布在金湖地區東南部，TJ和DJ分布在西北部，城鎮多分布在研究區南部。

4 結論

利用CP-SAR模擬數據提取多維特征信息，引入基于SVM + SFS的特征選擇方法，構建了基于決策樹和SVM的水稻精細分類方法，為水稻長勢監測與估產提供了更精準的信息。具體結論如下：

1)利用多時相CP-SAR模擬數據，分析了不同種植方式、不同品種的3類水稻田的CP-SAR響應特征、散射機理及其時相變化規律。

2)針對CP-SAR多維特征參數，引入基于SVM + SFS的特征選擇方法，建立了面向水稻田精細分類的CP-SAR最優特征集，并結合物理意義分析了這些特征在不同水稻田區分中的優勢。

3)基于優選的CP-SAR特征參數，建立了不同種植方式、不同品種的3類水稻田的精細分類方法，TH與DJ的分類精度較好，平均精度分別達到88%和82%。TJ的分類結果相對較差，平均精度達到60%。

4)當利用3個時相CP-SAR數據水稻精細分類時，基于SVM + SFS優選特征的分類結果優于全部特征的分類結果。

但是TJ分類精度不高，應繼續分析TJ與TH，DJ的差異，充分利用CP-SAR數據，提高TJ分類精度將是我們下一步的工作重點。