2021 RSE《An automated rice mapping method based on flooding signals in SAR time series》

Introduction

        中国饥饿问题仍在，水稻是中国最重要的粮食作物。洪水特征导致水消费、温室气体排放。

        近十年遥感在农业监测上的进步巨大。两种主要的遥感数据源：微波和光学。光学易受天气影响。SAR优势。Sentinel。

        基于SAR进行水稻制图的研究。常用方法：基于阈值的决策树。以往方法的缺陷：① 使用整个水稻生长季的特征，可能会稀释水稻特殊的洪水信号。② 迁移性较差。③ 语义分割的缺点。

        本文所提出的方法的目标：① 在作物系统和土地类型不同的区域，达到相对较高的精度。② 该方法在一定程度上能够抵抗SAR数据噪声的影响。③ 该方法可以识别出单季和双季稻。

Study area and data

2.1. Study area

        中国的3类水稻种植制度：① 东北的单季稻、② 中部的单季和双季稻、③ 南部双季稻。

 

 2.2. Sentinel-1 SAR data and pre-processing

        Sentinel-1A，Level 1 GRDH (ground-range detected high resolution)，2017。site 1：19天58张。site 2：30天25张。site 3：30天54张影像。ascending pass。IW，dual-polarization (VH and VV)。5 m × 20 m，12 days。由于 VH 比 VV 对水稻生长更敏感，本研究使用VH。

Nguyen, D.B., Gruber, A., Wagner, W., 2016. Mapping rice extent and cropping scheme in the Mekong delta using sentinel-1A data. Remote Sens. Lett. 7, 1209–1218.

        预处理包括 5 个步骤：① 使用 orbit files 调整影像的轨道状态；② 辐射校正，将数字值转换为后向散射系数；③ 地形校正（terrain-corrected），Range Doppler Terrain Correction with the Shuttle Radar Topography Mission (SRTM) digital elevation model，重采样为10m×10m。④ 减少斑点噪声，Lee sigma filter with a 7 × 7 window；⑤ 将后向散射系数的单位从m2·m-2转换为dB。

2.3. Other ancillary data

ground survey data：2017年5-8月

Google Earth high-resolution images：目视解译

crop calendar data：2017。http://www.moa.gov.cn/

Methodology

        基于 Sentinel-VH 时序和水稻物候特征进行水稻范围提取。 首先，分析了水稻和其他作物的时间曲线的特征；然后基于时间分析，确定要用的特征；随后，建立一个决策树，来识别水稻区域；最后，利用从地面调查总结来的验证样本，评估制图精度。

3.1. Temporal Analysis

        上图为 江海平原(site 1) 中不同土地类型的 Sentinel-1A VH backscatter。非植物区域的后向散射要么很高(urban and built-up -10dB)、要么很低(water -25dB、aquaculture)，较易被区分。植物的后向散射一般为 -22 ~ -13 dB，作物和自然植被相比，后向散射更低、动态变化更多。

        双季稻的第一次播种和移栽(洪水)在五月中旬(DOY70)。由于移栽时洪水导致的表面粗糙度下降，VH 迅速下降，从 -15 下降到 低于 -20 dB。移栽后，水稻开始生长，VH 单调增加；该阶段，水稻茎与水面的相互作用(double-bounce)是后向散射的主要来源。双季稻的第二次播种在六月中旬(DOY 160)，在早稻收获后泛洪(DOY 180-200)，并在七月末到八月头移栽(DOY 200-220)，该过程称为 rush-harvest and rush-plant。在早稻收获后泛洪的这段时间，VH曲线存在一个快速的下降趋势。移栽之后，VH上升，并在九月初(DOY 310)达到顶峰

        单季稻有一个与双季稻相似的 “下降-上升”趋势(drop and rise pattern)。在播种-移栽期(DOY 90-150)有一个剧烈的下降。移栽之后，VH 单调上升。单季晚稻的下降趋势较为轻微，因为单季晚稻不存在 double-bounce。

        其他作物在五月中旬(DOY 70)一般开始生长，VH 呈上升趋势，并整体呈上升趋势一直到十月上旬(DOY 280) 左右，达到峰值‘。整个生长季不太会有较明显的下降。

        以往研究表明，后向散射的动态范围较大，是用于区分水稻和其他地物类型的一种很好的特征。然而，在江海平原的西南部，左右作物类型的后向散射都有较大的动态范围。

        根据上述时间分析，后向散射在移栽前后的 dropping-rising “V” shape（移栽前下降更重要），是一个独特的识别水稻的物候特征。因此，移栽期前后的后向散射斜率，理论上可以作为识别水稻的特征。由于计算斜率使用了多幅影像，该方法可以更少被噪声影响。

3.2. ARM-SARFS

ARM-SARFS：Automated Rice Mapping using Synthetic Aperture Radar Flooding Signals 

（1）去除背景地物

        使用单边阈值，将非作物类型去除。Water 和 aquaculture 整年的 VH 都很低，Urban areas 和 natural vegetation 的后向散射很高。因此，非作物类型可以用以下公式去除：

        上式中，表示整年的 Sentinel 1-A VH 后向散射，表示在水稻生长季内的 Sentinel 1-A VH 后向散射；site 1：播种-生长 是 DOY 70–300。T1是-20。T2，在中国东部和南部是-17，北部是-20，因为北部的后向散射更低。

（2）识别双季稻

      使用播种-移栽期和生长期的 VH 后向散射，识别早稻和晚稻。当一个像元早稻和晚稻都识别出时，它就被认为是双季稻，规则如下：

        上式中，ER 表示早稻，LR 表示晚稻。T3 和 T5 是播种-移栽期的阈值，理论上应该小于等于 0 。site1：T3--0.014，T5=-0.013。T4 和 T6 是生长期的阈值，经验上设为0。

        使用一种简单线性回归，对在相关时间窗口中的所有影像计算斜率。考虑到 Sentinel-1A 的重放频率，如果某张影像的获取日期比播种日期提前的时间小于一周(≤重访周期的一般)，也会用于斜率计算。考虑到 rush-harvest and rush-plant phenomenon，双季稻中晚稻的播种-移栽的时间窗口，从早稻的 milking stage (早稻收获期之前20天) 开始。根据 crop calendar，site 1 的时间窗口分别为：ERsowing−transplanting = DOY 70–140，ERgrowing = DOY 140–200，LRsowing−transplanting = DOY 180–220，LRgrowing = DOY 220–300。

（3）识别单季稻

        对于单季稻中的中稻和晚稻，都使用播种-移栽期和生长期的斜率识别。如果一个像元满足了中稻或晚稻其中一个条件，就被认为是单季稻。

        上式中，MR 表示中稻，T7 和 T9是播种-移栽期的阈值，理论上应该小于等于 0；site1：T7 = -0.009，T9 = -0.007。T8 和 T10 是生长期的阈值，经验上设为0。基于 crop calendar，site1 的时间窗口分别为：MRsowing−transplanting = DOY 90–160，MRgrowing =DOY 160–260 ，LRsowing−transplanting = DOY 120–220，LRgrowing = DOY 220–300。 

3.3. Evaluation of the rice mapping accuracy

        使用 2.3 中所述的验证样本（site1 有 837 个水稻 和 840 个非水稻，site2 有  1122 个水稻 和1240 个非水稻。site3有 380 个水稻 和 710 个非水稻），计算混淆矩阵，使用 PA、UA、OA、Kappa、F1 来评估水稻制图精度。

3.4. Comparison with other rice mapping methods

        将 ARM-SARFS 与其他基于规则的水稻制图方法对比。方法通过 Web of Science 搜索得到，搜索条件为 (rice AND map* AND Sentinel-1*) OR (rice AND extract* AND Sentinel-1*) 。

3.5. Analysis of the feature sensitivity to different thresholds

        使用一个逐步搜索方法，来检验 ARM-SARFS 的关键特征的 sensitivity。

Xian, G., Homer, C., Fry, J., 2009. Updating the 2001 national land cover database land cover classification to 2006 by using Landsat imagery change detection methods. Remote Sens. Environ. 113, 1133–1147.

        从 -0.1 到 0.1，步长0.001，使用 F1 分数，评估播种-移栽期的 4 个 flooding slope（T3、T5、T7、T9）。

Results