2020年12月10日，广州大学城市生态与人居环境研究团队开展第9期文献阅读分享会。本次分享会由杨颖频博士主持，会上硕士生林广坤对发表在Remote Sensing of Environment的An Automated rice mapping method based on flooding signals in synthetic aperture radar time series文章进行解读与剖析，团队与会成员围绕相关问题进行交流讨论。
图1 文献阅读分享会现场
科学问题
水稻是世界上最重要的主食之一，养活了全球50%以上的人口。快速和准确地绘制水稻的范围图对于确保粮食安全、研究气候变化和监测水资源至关重要。
本文基于Sentinel-1A数据和大米的种植特性，提出并使用ARM-SARFS方法分别对湖北省、辽宁省以及广东省三个研究区域的水稻进行提取、制图；并比较了ARM-SARFS方法与其他制图方法的制图精度。
研究思路
1 数据
（1）合成孔径雷达数据：European Space Agency（ESA）的137景Sentinel 1A VH极化数据，空间分辨率为10m。
（2）土地覆盖样本数据：谷歌地图高分辨率影像和地面调查。
（3）水稻生长的物候期数据：来自中华人民共和国农业部官网。
2 方法
（1）Sentinel 1A数据预处理
（2）识别水稻生长的物候期特征
（3）基于Sentinel 1A的时间序列分析水稻的波谱曲线
（4）利用专家决策树方法提取水稻的范围信息
（5）水稻范围制图的精度验证
图2 ARM-SARFS算法流程图
研究结果
1. 比较基于训练样本的最佳阈值下的ARM-SARFS算法分类精度和所有阈值直接设置为0时利用ARM-SARFS算法的分类精度，表明即使没有训练样本，基于ARM- SARFS的水稻制图在这方面也是稳健的。
表1 三个研究区域的水稻制图精度
2. 利用ARM-SARFS方法的水稻制图：
总体而言，水稻分布与三个研究区的影像吻合较好。其中在湖北省，优势单季稻分布在北部和中部，而大部分双季稻分布在南部。
在辽宁省，田地面积较大，水稻种植密集，中部地区多种植中稻，该地区水稻与自然湿地分离良好，然而，在该区域的西部，发现少数森林被错误地归类为水稻。
在广东省，田地面积小，水稻种植面积分散，该地区水稻种植面积分散，大部分分布在北部和南部地区。
虽然本研究地点的稻田与其他作物混合在一起，形状不规则，但在光学图像中，在水稻图和淹没区之间可以发现很好的一致性。
图3 在三个区域用ARM-SARFS算法的水稻制图
3. 比较了ARM-SARFS算法和另外两种先前提出的水稻制图方法。关于ARM-SARFS，三个研究位点的总体准确率为91.5%- 94.1% (Kappa≥0.830)，F1评分为0.909-0.932，表明ARM-SARFS的水稻制图结果稳健且准确。
表2 三种方法的水稻作图精度比较
结论与讨论
1 结论
（1）根据水稻一致前后的淹水情况，在Sentinel-1A VH后向散射时间序列上识别出“V”形的关键特征，提出ARM-SARFS方法，自动化提取水稻范围。
（2）在湖北、辽宁、广东三个研究区域验证了不同地理、气候和种植模式条件下，ARM-SARFS方法的稳健性。
（3）通过阈值敏感性实验，发现ARM-SARFS对阈值变化不敏感。
（4）这项研究强调了水稻水淹前后在SAR后向散射时间序列中的“V”形特征，在大规模自动化水稻范围提取显示其潜在的应用前景。
2 讨论
（1）在三个研究地点，ARM-SARFS算法显示了很高的精确度。虽然ARM-SARFS是基于研究地点1（湖北）的样本提出的，但它在其他两个作物种植制度不同、气候不同、地形条件不同、甚至农田大小和水稻种植强度不同的研究点显示了稳健的水稻制图结果。
（2）在ARM-SARFS算法中，水稻分类的关键特征对不同的阈值水平不敏感，即使阈值设置为0，即在没有任何先验知识的情况，仍然可以实现高分类精度，并且可以在宽范围的阈值上保持这种高精度。
（3）ARM-SARFS算法适用于有可用的水稻物候数据的地区。因此，水稻物候日期的自动识别对于在不同地区应用农业气象卫星遥感系统以及实现更好的制图精度是必要的，可以通过加上其他辅助数据，如温度数据，可能会提高ARM-SAFS的准确性，并将其应用扩展到其他没有作物日历数据的地区。
阅读启发
1. 可以尝试改进ARM-SARFS方法，基于不同地物的SAR影像后向散射系数，将其运用于其余农作物、树木甚至建筑物的提取分类及制图。
2. 对于方法改进类文章，可以从小的模块着手，提出自己的改进方法，然后对方法进行精度验证并对比其他方法来突出其优势。
论文信息
Zhan P, Zhu W, Li N. An automated rice mapping method based on flooding signals in synthetic aperture radar time series[J]. Remote Sensing of Environment, 2021, 252:112112.
