在过去30 a中，卫星遥感技术的发展为农作物的识别、面积统计、长势监测、产量预报及灾害预测及评估等问题提供了一条快速有效的途径。遥感技术在农业的应用表现出了经济效益好、速度快、宏观性强、客观直接、信息量大等优点。目前国内仍主要使用光学遥感数据来监测各地农作物种植和生长状况，但我国大部分地区在农作物生长时期内常被云雾覆盖，实时获取农作物种植与生长情况十分困难。合成孔径雷达能够穿透云雾，甚至土壤表层，全天时全天候观测地面。可以获得各种作物在不同极化方式下的雷达响应特性，包含散射强度和相位信息，能更好地反映作物的形态、结构和生长等信息，为各种作物的监测提供丰富的数据支持。自20世纪80年代至今，国内外众多学者基于微波遥感数据对不同时空尺度下的多种农作物种植及生长情况进行了监测，Lintz等^［1］认为在农作物后向散射特性研究中，有效识别农作物种类是关键问题；Cloude等^［2］提取出极化特征散射熵H对极化SAR图像进行分类，并取得了较好结果，Lee等^［3］提出了一种用于极化SAR图像的H/α-Wishart非监督分类方法；McNarin等^［4］利用航空C波段极化数据。来识别农作物，发现HH-HV-VV这种组合方法具有最高的Kappa系数；Skriver^［5］发现L波段和C波段的组合可以获得较高的作物分类精度；Skakun等^［6］采用光学（Landsat 8 OLI）和SAR（Radarsat-2）图像对乌克兰农作物进行分类发现而将二者结合，来增强SAR影像后向散射强度信息，能够得到更高的分类精度。近年来，国内的SAR应用研究者在农作物后向散射参数提取^［7-13］、通过模型反演农作物生长参数^［14］、农作物后向散射特征分析研究^［15-22］方面也取得了大量成果。

利用Sentinel-1B双极化SAR数据，结合作物参数统计数据，以吉林省长春市农安县为例，分析该地区农作物后向散射机制和纹理特征信息，构建基于SAR数据纹理信息的典型农作物分类体系，采用面向对象的决策树分类方法对典型农作物进行识别，对基于SAR数据的典型农作物识别结果进行分析讨论，探讨解决农作物遥感监测易受天气情况制约、“异物同谱”现象导致农作物提取精度较低等问题，为全天候精细化农作物遥感监测提供参考。

农安县隶属吉林省长春市，位于松辽平原腹地，124°31′~125°45′E，43°55′~44°55′N。年均气温4.7 ℃，无霜期145 d，降水量507.7 mm，有效积温2 800 ℃。地势平坦，四季分明，属中温带大陆性气候。

全县幅员5 400 km²，其中，耕地面积37.5万hm²，林地面积6.5万hm²，草原面积3.5万hm²，水域面积2.2万hm²。地貌类型有高台地、台地、二级阶地、一级阶地、河漫滩、沙丘、洼地、冲沟等，土壤以黑钙土、草甸土和黑土为主。本县自然植被仅在局部残留，取而代之的是较为均一的农田景观；林地面积较少，本县农业以粮食作物生产为主，主要以玉米、高粱、小麦、谷子和大豆等作物为主，水稻少有种植^［23］。区域内主要农作物生长周期情况如表1所示。

遥感数据为长春市农安县范围内2017年5景Sentinel-1B卫星IW模式的GRDH（地距）格式数据，数据来源为欧洲航天局（ESA）数据分发系统网站https：∥scihub.copernicus.eu/dhus/#/home，数据参数信息如表2所示， 此外，获取了研究区2017年农作物测产植被指数数据，数据集包括单株作物水分含量、单株作物重量、作物棒数、作物亩产、采样点经纬度，将数据导入ArcMap软件中，生成点图层文件，叠加至研究区Landsat 8 OLI标准真彩色底图上，得到图1所示采样点分布情况。

SAR数据处理过程包括后向散射信息获取和纹理信息提取：

（1）后向散射信息。SAR数据预处理、镶嵌与裁剪等，本文主要使用欧洲航天局（ESA）开发的免费开源遥感图像处理软件SNAP Desktop对SAR数据进行辐射定标、距离向多普勒地形校正，获得研究区地物后向散射信息。利用研究区Google影像，在研究区域内选取各种典型农作物的感兴趣区（Region of interest，ROI），利用ENVI软件进行统计分析（Compute statistics），得到后向散射时间序列曲线。

（2）纹理信息。纹理信息是遥感影像，特别是SAR影像上的重要信息，是基于SAR影像地物识别的主要特征。利用纹理信息作为地物识别的辅助信息，可以有效地解决SAR影像中的“异物同谱”现象。

采用灰度共生矩阵法（GLCM）对地物纹理信息进行提取，灰度共生矩阵（GLCM：Grey-Level Co-occurrence Matrix）是一个统计描述影像中的一个局部区域或整个区域相邻像元或一定距离内两像元灰度呈现的某种关系的矩阵。在这个矩阵中，元素值代表灰度级之间的联合条件概率密度P(i,jd,θ)，P(i,jd,θ)表示在给定的空间距离d和方向θ，当灰度以i为起始点，存在灰度级为j的概率（即频数）。方向θ的取值为0°、45°、90°、135°，通过计算4个方向平均值作为图像中心像元的灰度共生矩阵，纹理信息提取过程中，经试验，基准窗口大小选择5×5，灰度量化级别选择64，对均值（Mean）、协同性（Homogeneity）、方差（Variance）、对比度（Contrast）、相异性（Dissimilarity）、信息熵（Entropy）进行了提取，并得到典型农作物SAR影像纹理特征时间序列曲线。

面向对象的分类思想，是针对遥感影像的具体特征，将影像划分为合适的对象，以划分后的对象为基元，同时封装影像的各类属性，再对每个对象进行类别划分，这一分类方法明显区别于传统的在像素层级上对图像进行分类的方法。而对于实验所采用的Sentinel-1B数据，数据十分丰富，而从影像数据中能够直接获取到的信息却十分贫乏，因此需要采用一种方法快速准确地从SAR影像中提取出更多地物属性信息，eCognition软件中的基于规则的决策树分类方法为从SAR影像中挖掘出更多信息提供了可能性，而在面向对象分类的过程中，图像分割和决策树分类是最关键的两个步骤：

（1）图像分割。对于每一个面向对象的地物分类过程来说，分类前良好的图像分割是保证分类精度的一个重要基础，目前，基于光学遥感影像的面向对象分类过程中，已经产生了许多优秀的图像分割算法，但基于SAR影像的图像分割算法远少于光学遥感影像。因此，采用光学遥感中最常用的多尺度分割（Multiresolution）方法（该方法常应用于提取那些不仅由颜色描述，且由形状同质性描述的特征），将SAR协方差矩阵理论上转换为图像灰度表示的图像，像对光学影像进行分割一样对SAR灰度图像数据进行分割，分割后产生的大量局部图像对象可以看作是用于分类的初始图像对象。

（2）决策树分类。基于专家知识决策树分类是一种通过对遥感数据进行简单处理，对影像中各类地物属性进行统计，提取影像中各类地物的分类规则，构建决策树对地物进行提取的一种分类方法。

决策树分类的步骤可以概括为4步：分类规则确定、决策树构建、决策树运行、分类后处理，其中，最为重要，也是最难的一步，就是分类规则的获取，而分类规则的获取，可以来源于操作者经验总结（专家知识），也可以通过选取训练区进行统计来提取规则，实验采用的基于专家知识的决策树分类即是一种基于经验构建决策树，进行地物识别的过程。

由于研究区北部水稻集中种植区与南部集中种植区，其种类及长势不同，将水稻分为了水稻1、水稻2。通过分析图2所示各典型农作物后向散射系数发现，建筑和湿地与其他地物的可分离性较高，VV极化下，8月水稻1、2均能与大豆、玉米相分离，而玉米和大豆后向散射系数曲线相似，难以区分， 5月，两种农作物的平均后向散射系数才有较小差异，基于这一问题，本文采用加入纹理特征参数（方差、一致性、对比度、相异性、熵），来扩大玉米和大豆在SAR影像上的差异性，以准确提取玉米和大豆。

纹理特征是一项重要的图像属性信息，具有旋转不变性和良好的抗噪能力，因此十分适合用于图像分类，基于SAR数据的农作物提取过程中，最常用6种纹理特征如下图3~图8所示（纹理计算公式中的pi,j表示灰度级之间的联合条件概率密度，即当灰度以i为起始点，存在灰度级为j的概率，n为对象内像元数）：

（1）均值（图3所示）反映了纹理规则的程度，纹理很难描述、杂乱无章，均值越小，纹理越容易描述，越规则，均值越大，其计算公式为：

（2）协同性（图4所示）反映了图像局部灰度的一致性，协同性值越大，图像局部灰度越均匀，其计算公式如下：

（3）方差（图5所示）是反映图像局部灰度离散程度的度量，其计算公式如下：

（4）对比度（图6所示）反映了图像局部灰度的总变化量，对比度越大，局部图像的渐变差异越大，图像的视觉效果越清晰，其计算公式如下：

（5）相异性（图7所示）与对比度类似，局部图像的对比度越高，则该区域的相异性值也越高，其计算公式如下：

（6）信息熵（图8所示）是图像所含信息量的度量，也是灰度等级分布随机性的特征参量，它体现了图像纹理的复杂程度，信息熵越大，图像纹理越复杂，相反，熵值越小，图像灰度分布越均匀，其计算公式为：

由图3~图8纹理信息提取结果可以看出， 4月、7月及9月，除建筑外的5类地物各纹理特征取值范围相近，难以区分，而5月、6月两种水稻的6类纹理信息与其他地物差异较大，且彼此间差异也较为明显，因此5、6两月能够较为容易地将水稻从SAR影像上提取出来。

对于玉米和大豆，不同极化方式、不同时相下，两种作物的纹理特征范围都极其相似，难以区分，它们间差异较大的时相为5~7月，且VH极化下纹理特征差异大于VV极化，主要差异在于均值（Mean）、方差（Variance）、对比度（Contrast）、相异性（Dissimilarity）4种纹理信息，因此选择VH极化数据作为面向对象的决策树提取农作物的数据源，结合均值、方差、对比度、相异性信息，构建决策树，完成对各典型农作物的提取。

如表3所示，经统计，玉米、大豆、水稻平均识别精度分别为72.73%、50%、63.33%，尽管随着星载SAR技术的不断发展，农作物SAR识别精度有了一定提高，但识别精度仍远不如光学遥感识别结果，尤其针对非水稻农作物，SAR识别精度不足85%^［24］，中大豆识别精度明显低于玉米与水稻是研究区内大豆种植区域分散，且种植面积均较小所导致。

由图9多时相双极化Sentinel-1B SAR数据的地物提取结果可以看出，农安县内的建筑由于其后向散射强度极高，在整个农作物生长周期内都与其他地物有明显差异，水体也因后向散射值和纹理信息复杂程度远低于其他地物而能被轻易区分，而两类水稻在8月可以准确地与其他地物区分开，大豆和玉米因生长周期相同导致在6、8、9月后向散射值与各纹理信息相似，难以区分，但在5月SAR影像上，大豆田与玉米田差异明显，是因为5月玉米播种而大豆还未播种，因此在SAR影像上，玉米田的后向散射值高于还未播种的大豆田，7月，大豆可以较为准确地从玉米田中区分开来，是因为7月大豆处于分枝开花期，生长达到旺盛时期，枝、叶数量达到最大值，此时大豆的后向散射值较为明显地高于玉米。

农作物在同一雷达的SAR影像上的后向散射值主要取决于农作物类型和观测时相，以农安县典型农作物共同生长周期内的连续时相的多景Sentinel-1B双极化数据为数据源，基于ENVI软件中的统计功能和eCognition软件中的规则库，对作物生长期内各时相所具有的SAR后向散射特性进行了充分挖掘，并以此构建决策树，提取出各典型农作物的分布情况，分析得到如下结论：

（1）农安县建筑后向散射系数明显高于其他地物，且在观测期内均值稳定，同样，水体后向散射系数远低于农作物，因此，这两类地物容易提取。

（2）水稻田中的水体对雷达波的吸收导致水稻的后向散射值在整个作物生长周期内均低于玉米和大豆，因此水稻较易与大豆、玉米区分开来。

（3）玉米和大豆由于生长周期相似，在6、8、9月难以区分，玉米播种于5月，大豆播种于6月，因此在5月可以将玉米提取出来，同时，7月，由于大豆先于玉米达到枝、叶数量最大值时期，此时大豆后向散射系数略高于玉米，可以较为准确地提取出大豆。

（4）选取合适的纹理信息作为分类辅助数据，可以有效提高农作物识别精度，实验发现对农作物提取贡献最大的3种纹理特征依次为：均值、方差、相异性。