基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法

黄 翀，许照鑫，张晨晨，李 贺，刘庆生，杨振坤，刘高焕

·农业信息与电气技术·

基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法

黄 翀1,3，许照鑫2，张晨晨1,4，李 贺1，刘庆生1，杨振坤2，刘高焕1

（1. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101；2. 中国地质大学（北京）地球科学与资源学院，北京 100083；3. 中国科学院地理科学与资源研究所中国科学院黄河三角洲现代农业工程实验室，北京 100101；4. 中国科学院大学，北京 100049）

由于热带地区的雨季时间较长，云覆盖严重，基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例，基于Sentinel-1 SAR时间序列数据，提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1 SAR数据，分别基于像元和基于对象构建后向散射系数时间序列曲线，提取时序特征参数；利用动态时间规整（Dynamic Time Warping，DTW）算法，计算后向散射系数时序曲线与地物标准曲线间的隶属度；将时序特征参数、时序曲线隶属度相结合，利用随机森林模型进行机器学习监督分类，提取研究区的水稻种植信息并评价分类精度。结果表明，基于Sentinel-1 SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中，基于对象的分类算法的单季稻提取用户精度为81.46%，生产者精度为82.00%；双季稻用户精度为88.0%，生产者精度为84.08%，均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。

水稻；提取；数据处理；合成孔径雷达；时间序列数据；动态时间规整；随机森林；Sentinel-1

0 引 言

水稻是世界3大粮食作物之一，是人类重要的生存必需品，关系到全球众多人口的生存福祉。东南亚地区水土资源适宜，其水稻生产和出口在世界上占有重要地位。泰国是世界上主要的大米出口国之一，每年约出口大米1 000万t，为泰国经济增长提供了强有力的支持[1-2]。发展快速、准确地水稻时空信息提取技术对于区域水稻种植监测、产量评估、生产管理等具有重要意义。

随着卫星遥感技术的发展，遥感已成为作物种植信息获取的重要手段[3]。光学影像在近红外与短波红外波段对农作物有较好地区分，被广泛应用于作物信息提取研究中。左丽君等[4]通过MODIS-EVI数据构建耕地复种指数，基于决策树方法提取了中国北方15个城市作物种植模式。张春桂等[5]通过MODIS数据提取福州地区水稻可种植区，并计算可种植区域内水稻LAI的年际变化特征，以此估算该区域水稻种植面积。

东南亚地处热带季风区，植被生长茂盛，自然植被与栽培作物之间光谱特征相似，仅依赖光谱特征的遥感分类方法提取的水稻信息精度难以保证[6]。与此同时，由于水热条件适宜，区域水稻种植模式较为灵活，在有灌溉措施保证的情况下可一年多熟。利用单景影像难以准确提取水稻种植结构。近年来，基于时间序列遥感的方法在作物种植信息提取中得到越来越多的应用。Guan等[7]利用MODIS影像构建NDVI年时间序列，通过时序相似性度量，提取了越南湄公河三角洲水稻种植结构。苗翠翠等[8]基于MODIS NDVI时序数据对江苏省水稻种植面积进行了遥感监测分析。Oliphant等[9]基于Google Earth Engine平台，通过随机森林算法对东南亚地区Landssat-8时间序列数据进行分类，获得该地区土地利用分布图。Belgiu等[10]通过Sentinel-2多光谱数据构建NDVI时间序列曲线，利用基于像元及面向对象的动态时间规整（DTW）算法对罗马尼亚、意大利、美国3个典型区域的作物种植进行提取。然而，东南亚地区雨季时间较长，云覆盖严重，难以获得质量较高的多光谱数据，时序曲线重构困难[11]，光学影像的应用受到很大限制。

微波具有较强的穿透性，不受云雨天气影响，可全天候工作。随着欧洲航天局Sentinel-1卫星的发射成功，较高重访周期、较高空间分辨率的Sentinel-1 合成孔径雷达（SAR）数据为水稻种植提取提供了新的途径。Clauss等[12]利用Sentinel-1 SAR数据基于决策树分类器对亚洲6个不同区域的水稻种植面积进行提取。Lasko[13]基于多期Sentinel-1数据构建时间序列，利用随机森林分类器对越南首府河内附近区域的单季稻、多季稻进行提取，并对比了VH极化和VV极化对水稻种植提取精度的影响。Torbick等[14]基于Sentinel-1数据辅以Landsat-8、PALSAR-2数据对缅甸全国的水稻分布进行提取，取得了较好的分类效果。将不同时间的SAR影像视为不同波段，通过影像组合开展监督或非监督分类，虽然可以在一定程度上自动选取最优波段组合，却忽略了波段间的时间关联性，因而难以准确获得作物种植格局。而基于年内可获取的高频SAR数据构建完整的年时间序列曲线则有可能准确地提取作物生长特征，提高作物分类精度，并识别作物种植结构。

本研究以泰国湄南河流域中部平原水稻种植为例，基于一年内所有可获取的Sentinel-1 SAR时序数据，提出一种融合时序统计参数与时序曲线相似性特征的水稻种植信息提取方法，以提高热带、亚热带多云多雨地区复杂种植模式下的水稻种植结构分类精度。

1 研究区域概况

泰国地处中南半岛中部，位于97°22′～105°37′E， 5°27′～20°27′N之间，总面积约为51.3万km2。本文研究区位于泰国湄南河流域中部平原（图1），属热带季风气候，全年平均温度达27 ℃，分雨、旱季两季，10月至次年4月为旱季，干燥少雨；4月至10月为雨季，雨水充沛，平均年降水量达1 000 mm以上[15]。湄南河全长1 352 km，流域面积约15万km2，是泰国重要的农业耕作区，主要农作物为水稻、木薯、甘蔗，不同作物生长周期差异较大。区域地势平坦，湄南河沿岸地区灌溉设施齐全，大量种植双季稻。研究区东部靠近呵叻高原，距湄南河较远，灌溉设施不足，以种植单季稻为主。2018年对研究区进行野外调查，共获得181个实地样本点，结合Google Earth高分遥感影像，总共选取样本点431个，其中单季稻样本点151个，双季稻150个，林地70个，木薯30个，水体30个。

图1 研究区位置和采样点分布

2 数据来源及预处理

2.1 Sentinel-1数据及预处理

Sentinel-1是欧洲航天局哥白尼计划（Copernicus Programme）中的对地观测卫星，载有C波段合成孔径雷达，由1A和1B双星组成，理论重访周期6 d[16]。本文Sentinel-1 SAR数据由欧洲航天局网站（https://scihub. copernicus.eu/）下载，时间为2018年全年，数据获取模式为干涉宽幅模式（Interferometric Wide Swath，IW），产品类型为Level-1级地距影像（Ground Range Detected，GRD）。其空间分辨率为5 m×20 m，幅宽可达250 km，包含VH与VV两种极化方式。全年共获得影像46景，其中1月至5月的Sentinel-1B影像缺失，共12景影像，时间间隔为12 d；6月至12月共获取34景，时间间隔为6 d。

Sentinel-1数据的预处理主要包括多视距处理、大气校正、斑点滤波以及几何校正。利用欧洲航天局提供的SNAP软件中的Sentinel-1 Toolbox（S1TBX）工具实现。为去除雷达成像时的斑点噪声，选取Refined Lee算法对图像进行滤波处理。最后将后向散射系数进行转分贝处理，转化方法如下：

Sentinel-1A与Sentinel-1B卫星在同一轨道平面内，相位相差180°，2颗卫星在数据分幅时，同一地区的影像并不完全重叠，略有偏移，因此需要对二者的重叠部分进行裁剪。

2.2 Sentinel-2数据及预处理

Sentinel-2是欧洲航天局哥白尼计划中哨兵系列卫星的光学卫星，包括2A与2B双星，卫星携带了MSI多光谱成像仪，包含13个光谱波段，具有60、20和10 m 3 种空间分辨率。本研究主要利用Sentinel-2A光学影像进行面向对象分割，提取对象单元。由欧洲航天局网站（https://scihub.copernicus.eu/）下载研究区无云且质量较好的一幅Sentinel-2A影像（2018年3月18日），该数据为经过正射校正和亚像元级几何精校正后的L1C大气表观反射率产品，利用欧洲航天局提供的Sen2cor插件对Sentinel-2A影像进行辐射定标与大气校正。

3 研究方法

基于Sentinel-1时间序列影像蕴含的高频时序信息，将时序统计参数与时序曲线相似性特征相结合，进行水稻种植信息提取。首先利用一年内所有可获取的Sentinel-1数据，构建不同地物的后向散射系数时间序列曲线（简称时序曲线），并计算时序曲线的统计参数；然后利用基于像元的动态时间规整（Pixel-Based Dynamic Time Warping，PBDTW）算法和基于对象的动态时间规整（Object-Based Dynamic Time Warping，OBDTW）算法计算时序曲线与标准地物曲线的隶属度；最后将时序统计参数、时序曲线隶属度相结合，利用随机森林分类器进行分类，提取水稻种植信息，并比较不同算法的分类结果，具体技术流程见图2。

注：PBDTW：基于像元的动态时间规整；OBDTW：对象的动态时间规整。

3.1 后向散射系数时序曲线构建

由于雷达图像受斑点噪声影响较为严重，即使在进行Refined Lee滤波后仍有较为明显的椒盐现象[17]，在此情况下提取的时序曲线波动性大，无法获得具有代表性的标准曲线。因此本文进一步通过Savitzky-Golay滤波器对时序曲线进行滤波处理，以得到较为平滑的地物年时序曲线。Savitzky-Golay滤波是一种在时域内基于移动窗口的最小二乘拟合滤波方法。参考默认设置，滤波过程中滤波核左右各选5个点，平滑多项式次数设为2，经多次试验，该参数组合可以得到较好的平滑结果。

3.2 时序特征参数提取

通过地物时序曲线进一步提取地物时序统计参数，时序统计参数可以量化地物后向散射系数在一年内的波动特征。本研究所选取的后向散射系数时序统计参数包括均值、最大值、最小值与标准差。由于不同地物生长模式差异较大，后向散射系数曲线的时序统计特征也不同，可以用来对地物进行区分。本研究通过python tsfresh扩展包计算VH和VV极化方式下后向散射系数时序曲线的特征参数。

3.3 基于DTW的时序曲线相似性计算

欧式距离在比较时序曲线相似性时不考虑时间偏移，难以对研究区不同时间段内水稻的时序曲线进行比对。因此本研究利用动态时间规整（Dynamic Time Warping，DTW）算法计算地物后向散射系数曲线与标准曲线间的最小距离，以判别其相似度[7]。其原理如下：

通过动态规整理论获取最小路径，2条曲线间的DTW距离为

由于Sentienl-1数据空间分辨率较高，单景影像所含像元数目巨大，基于逐像元匹配的PBDTW方法计算耗时较长，分类结果椒盐现象明显。为此，进一步采用基于对象的OBDTW算法计算曲线相似度。在基于对象的方法中，首先需要获取地物类型纯净的对象单元。因此，使用eCognition软件对研究区同一年份的一景无云Sentinel-2多光谱影像进行多尺度对象分割[18-19]。其中Scale parameter参数设为100、Shape参数设为0.1、Compactness参数设为0.5。通过对象分割后，每一对象单元的后向散射系数为该对象内所有像元的后向散射系数平均值，将得到的结果与标准后向散射系数曲线进行DTW距离计算，得到该对象的地物相似度。

3.4 随机森林分类与验证

随机森林是一种非参数化的机器学习算法[20]，具有准确性高、无需剪枝、较少出现过拟合现象、能容忍一定的干扰和异常值、训练速度较快等优点，被广泛应用于遥感图像分类[21-22]。本研究利用随机森林模型分别对PBDTW时序相似度、PBDTW时序相似度+时序统计参数、OBDTW时序相似度以及OBDTW时序相似度+时序统计参数共4种组合进行分类，提取水稻种植结构。根据野外调查获得的实地样本点，利用混淆矩阵对分类结果进行精度验证。

4 结果与分析

4.1 典型地物后向散射系数标准曲线特征

由于不同地物VH极化、VV极化模式下后向散射系数曲线大体相似，因此以VH极化模式为例，对不同地物后向散射系数年时序曲线结果（图3）进行分析。

由图3可知，单季稻为一年一熟作物，生长周期在4至5个月左右，生长时间集中在6—10月多雨时间段。双季稻在时序曲线上有2个明显的波峰，旱季和雨季各有一次峰值出现，旱季水稻需人为灌溉，生长周期较短，一般持续3个月左右；雨季水稻生长期较长，一般持续5个月左右。甘蔗、木薯为一年一熟或多年生的旱地作物，时序曲线上都存在一个明显的波峰。但与单季稻相比，甘蔗和木薯生长周期更长，二者的时序曲线均有明显的长时间段的波型图出现，横跨旱季雨季2季。林地的时序曲线波动较小，与其他地物区别明显。

图3 不同地物VH极化后向散射系数标准曲线

4.2 时序统计参数特征

根据时序曲线计算的后向散射系数的最大值、最小值、均值和标准差的空间分布如图4所示。

最大值和最小值反映的是地物后向散射系数年内变化范围。通常情况下，水体复介电常数较大，表面光滑，产生镜面反射，其后向散射系数年最大值在所有地类中为最低。最大值反映的是一年内地物在特定时期的最强后向散射能力，因此，除水体外，最大值对其他不同地物的区分能力较弱。从图4a可以看出，大部分地区的后向散射系数最大值均较高，高值区主要分布在湄南河东部，这是因为在水稻生长过程中，由于灌水期的存在，其后向散射系数在年内存在最小值，其值与水体较为接近。而旱地作物与林地不存在灌水期，其后向散射系数的最小值较高。在图4b中，不同地物的后向散射系数最小值差异较为明显，低值区主要分布在湄南河东岸，高值区主要位于河岸两侧以及东部高地。均值是对一年内地物时序后向散射系数的平均。由于灌水期的存在，水稻的年后向散射系数均值低于旱地作物和林地，而双季稻一年内存在2次灌水期，其均值低于单季稻。在图4c中，均值的空间分布格局与图4b相似。标准差反映了地物后向散射系数年际变化的离散程度。由于年内后向散射系数变化较大，水稻的后向散射系数具有较大的标准差。而林地和水体的年内后向散射系数较为稳定，因此标准差较小。从图4d可以看出，研究区地物后向散射系数标准差的高值区位于湄南河东岸，低值区则沿河两岸分布。总体看，不同的时序统计参数在空间上具有不同的格局特征，在一定程度上可以指示不同的地物类型，如水体、林地、单季稻、双季稻等。因此，结合这些时序统计特征有助于对水稻种植结构的识别。

4.3 分类结果及精度评价

将时序特征参数、时序曲线隶属度相结合，输入随机森林分类器中，得到最终的地类提取结果，如图5所示。分别计算不同分类算法的用户精度与生产者精度，结果如表1所示。

图4 时序统计参数计算结果

图5 不同特征组合的分类结果

由表1可知，PBDTW识别单季稻用户精度和生产者精度分别为72.19%和73.65%，双季稻为79.33%和78.81%。主要的误分存在于单季稻和木薯之间。OBDTW算法对单季稻识别的用户精度和生产者精度分别为76.16%和77.18%，双季稻为83.33%和78.62%。OBDTW算法识别对单季稻与木薯的误分有所减少。总体看，OBDTW算法对水稻的识别精度稍高于PBDTW，单季稻用户精度、生产者精度分别提高3.97和3.53个百分点，2种方法对双季稻的识别精度相差不大。此外，OBDTW算法的分类结果图破碎化程度低，图像整体性较好，但也会损失一定纹理信息。PBDTW算法虽然可以保留大部分纹理信息，但图像破碎化程度高，椒盐现象明显。

加入时间序列统计特征后，2种分类算法的分类精度均有较明显的提高。PBDTW算法结合时序统计参数识别单季稻的用户精度、生产者精度分别为78.81%和80.41%，相较于仅使用PBDTW算法提高6.62和6.76个百分点。双季稻的识别精度分别为84.67%和82.47%，分别提高5.34和3.66百分点。单季稻与双季稻间、单季稻与木薯的误分都得到一定程度的改善。

OBDTW算法结合时序统计特征对单季稻识别的用户精度为81.46%，生产者精度为82.00%，相较于仅使用OBDTW算法分别提高5.3和4.82个百分点，双季稻识别的用户精度为86.67%，生产者精度为84.08%，相较于仅使用OBDTW算法分别提高3.34和5.46个百分点。总体看，4种方法中OBDTW算法结合时序统计参数对单季稻、双季稻识别精度均为最高。

表1 不同特征组合分类精度的混淆矩阵

5 讨 论

由于作物光谱特征的复杂性，单景影像通常难以对双季水稻进行有效区分。近年来，基于时间序列影像的分类方法得到越来越多的重视，时间序列影像中包含的时序信息可以作为土地覆盖识别的重要分类依据[23-24]。常见方法为构建NDVI时间序列，利用不同作物的NDVI时序曲线差异为作物分类提供有效支持[7-8,24]。但中南半岛雨季云覆盖严重，无法获取足够多的高质量多光谱影像，对时序曲线的构建影响较大[24]。Savitzky-Golay滤波在一定程度上可以降低云覆盖影响，但对于长时间处于云覆盖区域则无能为力。若使用其他影像插补不但费时费力，曲线的真实性也会大打折扣，不利于进一步曲线匹配。雷达数据不受云雨天气影响，在雨季同样可获取高质量影像数据，对于热带地区的作物制图具有极大潜力[25-26]。本研究中，2018年共有46景Sentinel-1 SAR数据可用，时间分布较为均匀，较好地保证了时序曲线的完整性。以完整作物生长时间序列曲线为依据，进行水稻种植模式的提取，可更为充分地挖掘水稻生长过程中的变化信息，使双季稻的识别有更好的分类依据。

由于东南亚地区水热条件适宜，水稻种植时间灵活，本研究引入DTW方法，计算时序曲线相似性度。通PBDTW和OBDTW两种算法计算的曲线相似度的对比发现，OBDTW算法以对象为运算单位，计算量远少于PBDTW算法，适合进行大区域分析，同时分类精度也有提高。这是因为雷达影像存在椒盐现象，PBDTW算法以像元为比对单位，单个像元受噪声影响较大，对时序曲线的构建及比较产生影响，进而造成错分。而OBDTW算法在影像对象分割的基础上，通过计算对象内所有像元后向散射系数的平均值，从而减少噪声影响。需要注意的是，DTW算法更注重曲线形态上的匹配，会对曲线进行一定程度的拉伸或压缩，忽略了曲线长短的差异，有可能存在时间过度对齐问题[27]，造成不同地类间的误分。例如，PBDTW算法对单季稻与木薯的识别误分较多，虽然两者的时序曲线都为单峰，但生长周期差别明显。而DTW算法基于动态匹配算法，可能会忽略生长周期长短的差异而将二者识别为同一地物。通过时序统计参数的引入，从统计特征上对时序曲线的相似性进行补充，进一步挖掘时序曲线本身的定量信息，减少了误分情况的发生。此外，基于DTW算法的曲线匹配结果为待识别地物曲线与标准地物曲线间的隶属度，隶属度越高则两者属于同一地物的可能性越大，这就需要设定合理的隶属度阈值来实现不同地物的精确划分。通常情况下，阈值通过人为设定，本研究利用随机森林分类器通过模型优选自动选取阈值，一定程度上减少了人为因素的主观影响。

6 结 论

1）利用时间序列Sentinel-1 SAR数据构建地物后向散射系数年际变化曲线能较好地反映作物生长信息，通过时序曲线相似性匹配，并结合曲线统计特征参数，可提高多云多雨地区水稻复杂种植信息提取精度。

2）时序统计特征参数的加入，对基于时序曲线相似性的水稻信息提取构成有益补充，进一步提高分类精度。试验结果表明，基于像元的动态时间规整算法结合时序统计特征，使单季稻提取的用户精度和生产者精度分别提高6.62和6.76个百分点；双季稻分别提高5.34和3.66个百分点。基于对象的动态时间规整算法结合时序统计特征，使单季稻提取的用户精度和生产者精度分别提高5.3和4.82个百分点，双季稻分别提高3.34和5.46个百分点。

3）基于对象的动态时间规整算法通过计算对象内所有像元后向散射系数均值减少噪声影响，分类精度优于基于像元的动态时间规整算法，且图像整体性更好。总体看，基于对象的动态时间规整算法结合时序统计参数识别的水稻提取精度最高，其中，单季稻用户精度和生产者精度分别为81.46%和82.00%，双季稻为86.67%和84.08%。

[1] 肖昕，刘迪林，江奕君，等. 泰国水稻产业的现状与启示[J]. 中国稻米，2017，23(6)：80-83. Xiao Xin, Liu Dilin, Jiang Yijun, et al. Current status of rice industry in Thailand and its revelation[J]. China Rice, 2017, 23(6): 80-83. (in Chinese with English abstract)

[2] 彭既明. 泰国水稻生产概要[J]. 作物研究，1999(2)：38-39.

[3] 吕婷婷，刘闯. 基于MODIS数据的泰国耕地信息提取[J]. 农业工程学报，2010，26(2)：244-250. Lyu Tingting, Liu Chuang. Extraction of information of cultivated land using time-series MODIS data in Thailand[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 244-250. (in Chinese with English abstract)

[4] 左丽君，董婷婷，汪潇，等. 基于MODIS/EVI的中国北方耕地复种指数提取[J]. 农业工程学报，2009，25(8)：141-146. Zuo Lijun, Dong Tingting, Wang Xiao, et al. Multiple cropping index of Northern China based on MODIS/EVI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(8): 141-146. (in Chinese with English abstract)

[5] 张春桂，林晶，吴振海，等. 基于MODIS数据的水稻种植面积监测方法研究[J]. 自然资源学报，2007，22(1)：1-8. Zhang Chungui, Lin Jing, Wu Zhenhai, et al. Study on method of monitoring rice planting area based on MODIS data[J]. Journal of Natural Resources, 2007, 22(1): 1-8. (in Chinese with English abstract)

[6] 管续栋，黄翀，刘高焕，等. 基于DTW距离的时序相似性方法提取水稻遥感信息：以泰国为例[J]. 资源科学，2014，36(2)：267-272. Guan Xudong, Huang Chong, Liu Gaohuan, et al. Extraction of paddy rice area using a DTW distance based similarity measure[J]. Resources Science, 2014, 36(2): 267-272. (in Chinese with English abstract)

[7] Guan Xudong, Huang Chong, Liu Gaohuan, et al. Mapping rice cropping systems in Vietnam using an NDVI-based time-series similarity measurement based on DTW distance[J]. Remote Sensing, 2016, 8(1): 19.

[8] 苗翠翠，江南，彭世揆，等. 基于NDVI时序数据的水稻种植面积遥感监测分析：以江苏省为例[J]. 地球信息科学学报，2011，13(2)：273-280. Miao Cuicui, Jiang Nan, Peng Shikui, et al. Extraction of paddy land area based on NDVI time-series data: Taking Jiangsu province as an example[J]. Journal of Geo-Information Science, 2011, 13(2): 273-280. (in Chinese with English abstract)

[9] Oliphant A J, Thenkabail P S, Teluguntla P, et al. Mapping cropland extent of Southeast and Northeast Asia using multiyear time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 81: 110-124.

[10] Belgiu M, Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis[J]. Remote Sensing of Environment, 2018, 204: 509-523.

[11] 钟礼山，李满春，伍阳，等. 利用SAR影像时间序列的耕地提取研究[J]. 地理科学进展，2015，34(7)：830－839. Zhong Lishan, Li Manchun, Wu Yang, et al. Cropland extraction using SAR time series image[J]. Progress in Geography, 2015, 34(7): 830－839. (in Chinese with English abstract).

[12] Clauss K, Ottinger M, Künzer C. Mapping rice areas with Sentinel-1 time series and superpixel segmentation[J]. International Journal of Remote Sensing, 2018, 39(5): 1399-1420.

[13] Lasko K, Vadrevu K P, Tran V T, et al. Mapping double and single crop paddy rice with Sentinel-1A at varying spatial scales and polarizations in Hanoi, Vietnam[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2): 498-512.

[14] Torbick N, Chowdhury D, Salas W, et al. Monitoring rice agriculture across myanmar using time series Sentinel-1 assisted by Landsat-8 and PALSAR-2[J]. Remote Sensing, 2017, 9(2): 119.

[15] 左明. 泰国农业考察报告[J]. 广西农学报，2002(2)：60-62.

[16] 胥为，周云轩，沈芳，等. 基于Sentinel-1A雷达影像的崇明东滩芦苇盐沼植被识别提取[J]. 吉林大学学报：地球科学版，2018，48(4)：1192-1200. Xu Wei, Zhou Yunxuan, Shen Fang, et al. Recognition and extraction of phragmites australis salt marsh vegetation in Chongming tidal flat from Sentinel-1A SAR data[J]. Journal of Jilin University: Earth Science Edition, 2018, 48(4): 1192-1200. (in Chinese with English abstract)

[17] 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 Li, Kong Qingling, Wang Pengxin, et al. Monitoring of maize planting area based on time-series Sentinel-1A SAR data[J]. Resources Science, 2018, 40(8): 1608-1621. (in Chinese with English abstract)

[18] Blaschke T, Hay G J, Kelly M, et al. Geographic object-based image analysis–towards a new paradigm[J]. SPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 180-191.

[19] Li Manchun, Ma Lei, Blaschke T, et al. A systematic comparison of different object-based classification techniques using high spatial resolution imagery in agricultural environments[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 49: 87-98.

[20] 何云，黄翀，李贺，等. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J]. 资源科学，2019，41(5)：992-1001. He Yun, Huang Chong, Li He, et al. Land-cover classification of random forest based on Sentinel-2A image feature optimization[J]. Resources Science, 2019, 41(5): 992-1001. (in Chinese with English abstract)

[21] Gómez C, White J, Wulder M A. Optical remotely sensed time series data for land cover classification: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[22] 陈元鹏，罗明，彭军还，等. 基于网格搜索随机森林算法的工矿复垦区土地利用分类[J]. 农业工程学报，2017，33(14)：250-257. Chen Yuanpeng, Luo Ming, Peng Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250-257. (in Chinese with English abstract)

[23] Vuolo F, Neuwirth M, Immitzer M, et al. How much does multi-temporal Sentinel-2 data improve crop type classification?[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 122-130.

[24] Huang Chong, Zhang Chenchen, He Yun, et al. Land Cover Mapping in Cloud-Prone Tropical Areas Using Sentinel-2 Data: Integrating Spectral Features with NDVI Temporal Dynamics[J]. Remote Sensing. 2020, 12(7): 1163.

[25] Clauss K, Ottinger M, Leinenkugel P, et al. Estimating rice production in the Mekong Delta, Vietnam, utilizing time series of Sentinel-1 SAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73: 574-585.

[26] Singha M, Dong Jinwei, Zhang Geli, et al. High resolution paddy rice maps in cloud-prone Bangladesh and Northeast India using Sentinel-1 data[J]. Scientific Data, 2019, 6(1): 1-10.

[27] Guan Xudong, Liu Gaohuan, Huang Chong, et al. An open-boundary locally weighted dynamic time warping method for cropland mapping[J]. ISPRS International Journal of Geo-Information, 2018, 7(2): 75.

Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration

Huang Chong1,3, Xu Zhaoxin2, Zhang Chenchen1,4, Li He1, Liu Qingsheng1, Yang Zhenkun2, Liu Gaohuan1

(1.,,,100101,; 2.,,100083,; 3.,,,100101,; 4.,100049,)

Rapid and accurate extraction of rice planting information is of great significance for regional rice planting monitoring, yield evaluation and production management. Thailand is located in the central part of Indo-china Peninsula, with a humid tropical monsoon climate, with an annual average temperature of 27 ℃ and an annual average precipitation of more than 1 000 mm. Many areas are suitable for double rice cultivation. However, because of the long rainy season and large amount of cloud, it is difficult to obtain high-quality optical remote sensing images for crop classification. In addition, the diversity of rice planting structure also hinders the accurate recognition of complex rice planting modes based on traditional optical images. In this paper, a multi-feature classification method for rice planting information extraction based on time series Sentinel-1 SAR data was proposed. First, all sentinel-1 SAR data available in a whole year were used to construct the time series profiles of backscatter coefficient at the pixel level and object level, respectively. The backscatter coefficient profiles were de-noised based on Savitzky-Golay filtering algorithm using the TIMESAT software, then the Dynamic Time Warping (DTW) distance-based algorithm at the pixel level (Pixel-Based DTW, PBDTW) and object level (Object-Based DTW, OBDTW) were applied to measuring the similarity of backscatter coefficient profiles between the target land classes and reference land classed. Furthermore, the max value, min value, mean and standard deviation of the backscatter coefficient were calculated. The time series statistical feature parameters were then integrated with membership features for Random Forest classification, and the performance of different combinations were assessed based on classification confusion matrix. The results showed that backscatter coefficient profile was an effective way to represent the phenological information contained in time-series Sentinel-1 SAR data. By matching the similarity of time series profiles, single rice and double rice could be well identified from other crops. After adding the time series statistical feature parameters, the user’s accuracy and the producer’s accuracy of PBDTW algorithm increased by 6.62 and 6.76 percentage points for single rice, and by 5.34 and 3.66 percentage points for the double rice. Compared with the OBDTW algorithm only, the user’s accuracy and the producer’s accuracy of OBDTW combined with time series statistical feature parameters algorithm increased by 5.3 and 4.82 percentage poins for single rice, and 3.34 and 5.46 percentage points for double rice. The results also indicated that OBDTW algorithm could reduce the influence of noise by calculating the average value of backscatter coefficients of all pixels belonging to the object, so the classification accuracy of OBDTW algroithm was higher than that of PBDTW algorithm. The combination of OBDTW together with time series statistical feature parameters had the highest classification accuracy, with the user’s accuracy 81.46% and producer’s accuracy 82.00% for single rice, and 86.87% and 84.08% for double rice, respectively. The results can provide a new way to extract rice planting information in the cloudy and rainy tropics.

rice; extraction; data processing; SAR; time series data; dynamic time warping; random forest; Sentinel-1

黄翀，许照鑫，张晨晨，等. 基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法[J]. 农业工程学报，2020，36(9)：177-184.doi：10.11975/j.issn.1002-6819.2020.09.020 http://www.tcsae.org

Huang Chong, Xu Zhaoxin, Zhang Chenchen, et al. Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 177-184. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.09.020 http://www.tcsae.org

2019-12-17

2020-03-11

中国科学院A类战略性先导科技专项“地球大数据科学工程”（XDA19060302）；国家自然科学基金项目（41561144012）

黄翀，博士，副研究员，主要研究方向：时间序列遥感分析。Email：huangch@lreis.ac.cn

10.11975/j.issn.1002-6819.2020.09.020

P237

A

1002-6819(2020)-09-0177-08