李詩(shī)濤，張王菲，趙麗仙，王熙媛

(西南林業(yè)大學(xué) a. 地理與生態(tài)旅游學(xué)院；b.林學(xué)院，云南 昆明 650224)

油菜(BrassicanapusL)是全球重要的油料作物，也是我國(guó)極具傳統(tǒng)優(yōu)勢(shì)的油料作物。我國(guó)油菜種植面積和總產(chǎn)量約占全球的30%，在世界上占有重要地位[1]。物候期是油菜生長(zhǎng)階段重要的農(nóng)業(yè)生態(tài)系統(tǒng)特征；同時(shí)，物候信息的準(zhǔn)確獲取也是作物農(nóng)業(yè)生產(chǎn)、田間精細(xì)管理、計(jì)劃決策等的重要依據(jù)；此外，物候期對(duì)于監(jiān)測(cè)作物長(zhǎng)勢(shì)、進(jìn)行作物種植管理、預(yù)測(cè)作物產(chǎn)量等具有重要意義[2]。物候期觀測(cè)常用的遙感技術(shù)分為光學(xué)遙感監(jiān)測(cè)和微波遙感監(jiān)測(cè)2個(gè)方向[3]。其中，光學(xué)遙感受云霧等天氣條件影響嚴(yán)重。與光學(xué)傳感器相比，SAR(synthetic aperture radar)不僅能夠在作物各生長(zhǎng)時(shí)期提供穩(wěn)定的數(shù)據(jù)源(全天時(shí)、全天候的數(shù)據(jù)獲取能力)，還能獲取反映作物冠層結(jié)構(gòu)信息的極化特征[4]。在SAR應(yīng)用的相關(guān)研究領(lǐng)域中，極化信息的運(yùn)用是其重要的一方面，已有研究證實(shí)了極化特征在農(nóng)作物監(jiān)測(cè)中的巨大潛力[5]。2009年Cloude[6]研究發(fā)現(xiàn)，基于PolSAR(polarimetric synthetic aperture radar)數(shù)據(jù)的極化分解技術(shù)對(duì)極化信息的提取與利用最為有效。極化分解方法分為相干分解與非相干分解，本研究選用非相干分解中H/A/alpha、Freeman-Durden和Yamaguchi這3種經(jīng)典的分解方法進(jìn)行極化信息提取。SAR技術(shù)對(duì)農(nóng)作物監(jiān)測(cè)的研究最早見于Le Toan等[7]的論文中，通過對(duì)SAR影像的分析發(fā)現(xiàn)不同作物的后向散射特征變化趨勢(shì)存在差異，其中，最為顯著的是水稻后向散射系數(shù)，表明了SAR對(duì)農(nóng)作物監(jiān)測(cè)的可行性。與單極化或雙極化相比，PolSAR能更精準(zhǔn)地描述作物的結(jié)構(gòu)變化特征。2013年Liu等[8]使用3 a時(shí)間序列的Radarsat-2 PolSAR數(shù)據(jù)，通過分析3種SAR散射機(jī)制與作物物候期變化趨勢(shì)，研究了極化信息在玉米、春小麥和大豆等作物監(jiān)測(cè)中的可行性；并采用最大似然分類法進(jìn)行了作物生長(zhǎng)期制圖，其分類總體精度達(dá)85%。Xu等[9]研究表明，F(xiàn)reeman-Durden分解參數(shù)對(duì)小麥不同生長(zhǎng)階段響應(yīng)較為敏感，該研究結(jié)合后向散射系數(shù)、極化分解方法與支持向量機(jī)模型對(duì)小麥物候期進(jìn)行了分類識(shí)別，其準(zhǔn)確率為92.92%，驗(yàn)證了Radarsat-2 PolSAR影像在小麥監(jiān)測(cè)和制圖方面的有效性。2014年Lopez-Sanchez等[10]通過Radarsat-2 PolSAR數(shù)據(jù)探索了全極化特征在水稻物候期反演中的有效性，結(jié)果表明，PolSAR數(shù)據(jù)在水稻物候期監(jiān)測(cè)中具有良好的應(yīng)用前景。在利用PolSAR數(shù)據(jù)進(jìn)行油菜播期監(jiān)測(cè)方面，楊浩[11]采用5景Radarsat-2數(shù)據(jù)對(duì)內(nèi)蒙古試驗(yàn)區(qū)的油菜播期進(jìn)行了監(jiān)測(cè)，得出油菜播后日期監(jiān)測(cè)的最優(yōu)監(jiān)測(cè)窗口和最優(yōu)極化參數(shù)；該研究的不足之處在于僅采用基于Cloude-Pottier、Freeman-Durden分解方法提取的極化參數(shù)，通過回歸建模的方法來(lái)反演作物播期，一方面沒有考慮H/A/alpha分解和Yamaguchi分解在作物物候期識(shí)別方面的潛力；另一方面，研究沒有涉及分類方法在油菜物候期識(shí)別上的論述。Yang等[12]研究表明，種植方式顯著影響物候期識(shí)別，通過特征優(yōu)選可以有效提高物候期監(jiān)測(cè)精度。Mcnairn等[13]采用粒子濾波的方法估測(cè)了油菜生長(zhǎng)物候期，但該結(jié)果在其他油菜品種與不同種植方式的油菜物候期監(jiān)測(cè)中的可行性仍需要進(jìn)一步研究；此外，該方法將油菜生長(zhǎng)的各階段轉(zhuǎn)化為作物成熟度的過程會(huì)帶來(lái)物候期監(jiān)測(cè)的誤差。Dey等[14]基于全極化和簡(jiǎn)縮極化數(shù)據(jù)提取2個(gè)散射參數(shù)進(jìn)行了水稻物候期監(jiān)測(cè)，明確指出該方法在其他作物中的適用性需要進(jìn)一步研究。

目前，使用PolSAR數(shù)據(jù)進(jìn)行農(nóng)作物生長(zhǎng)分析的研究多集中在小麥、水稻等主要糧食作物上，鮮有利用PolSAR數(shù)據(jù)進(jìn)行油菜物候期監(jiān)測(cè)的報(bào)道。相比水稻等作物，油菜與微波相互作用機(jī)理更加復(fù)雜[15]，因而對(duì)其進(jìn)行物候期監(jiān)測(cè)也更為困難。綜上所述，PolSAR影像極化分解參數(shù)在油菜物候期監(jiān)測(cè)方面的研究不夠深入，需要進(jìn)一步開展工作。在采用PolSAR影像極化分解參數(shù)對(duì)農(nóng)作物進(jìn)行遙感監(jiān)測(cè)的基礎(chǔ)上，本文基于時(shí)序PolSAR影像與決策樹模型進(jìn)行了油菜物候期的識(shí)別。首先探索了PolSAR數(shù)據(jù)在油菜物候期識(shí)別中的可行性，基于PolSAR極化分解方法提取的參數(shù)，采用5期多時(shí)相Radarsat-2數(shù)據(jù)和95塊油菜地塊，對(duì)比3種極化分解方法提取的參數(shù)與油菜物候期變化的動(dòng)態(tài)響應(yīng)規(guī)律，分別得到了對(duì)油菜5個(gè)生長(zhǎng)期反應(yīng)敏感的極化參數(shù)，然后采用決策樹分類方法進(jìn)行油菜物候期識(shí)別，最后使用混淆矩陣精度評(píng)價(jià)方法驗(yàn)證了物候期識(shí)別結(jié)果的精度。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)額爾古納市上庫(kù)力農(nóng)場(chǎng)(120°45′36″E-120°53′24″E; 50°16′48″N-50°23′24″N)，地處呼倫貝爾草原最北端與大興安嶺西北麓，屬于寒溫帶大陸性氣候，年平均氣溫在-2.0～3.0 ℃。該農(nóng)場(chǎng)為農(nóng)墾系統(tǒng)國(guó)有農(nóng)場(chǎng)，地勢(shì)起伏較小，種植結(jié)構(gòu)相對(duì)簡(jiǎn)單，地塊整齊均勻，主要農(nóng)作物有小麥、大麥和油菜等。

1.2 數(shù)據(jù)源與物候期劃分

1.2.1 數(shù)據(jù)源

PolSAR數(shù)據(jù)。采用的數(shù)據(jù)為5景Radarsat-2 C波段全極化單視復(fù)數(shù)數(shù)據(jù)(single-look complex， SLC)，其方位向和距離向的像元大小分別為4.96和4.73 m，中心入射角為39.4°，該數(shù)據(jù)覆蓋了研究區(qū)范圍內(nèi)油菜的整個(gè)生長(zhǎng)周期。其獲取日期分別為：2013年5月23日、2013年6月16日、2013年7月10日、2013年8月3日、2013年8月27日。選取的5景影像的成像模式、成像入射角等參數(shù)完全一致。Radarsat-2影像參數(shù)見文獻(xiàn)[16]。

地面實(shí)測(cè)數(shù)據(jù)。地面調(diào)查在每次Radarsat-2衛(wèi)星過境時(shí)同步展開。為了便于將實(shí)測(cè)數(shù)據(jù)與雷達(dá)影像對(duì)應(yīng)，地面調(diào)查時(shí)詳細(xì)記錄了地塊中每個(gè)樣地的GPS經(jīng)緯度。每次地面調(diào)查獲取15～20塊代表性油菜地塊長(zhǎng)勢(shì)參數(shù)，包括葉面積指數(shù)、植株高度、地上生物量等，同時(shí)獲取了地塊樣本的播期、品種、壟向和管理措施等基礎(chǔ)數(shù)據(jù)。

1.2.2 物候期劃分

為了方便描述油菜的生長(zhǎng)階段，本研究基于國(guó)際上通用的描述植物物候發(fā)育階段的尺度——BBCH(Biologische Bundesanstalt， Bundessortenamt and CHemische Industrie)方法來(lái)劃分油菜生長(zhǎng)的物候期[17]。在該標(biāo)準(zhǔn)中，油菜的物候期被劃分10個(gè)一級(jí)階段，每個(gè)一級(jí)階段又劃分為10個(gè)二級(jí)生長(zhǎng)階段。在此方法基礎(chǔ)上，考慮到本文中SAR影像的重訪周期(24 d)、油菜的BBCH特征、油菜的播后時(shí)間，將油菜的整個(gè)生育期分為5個(gè)階段：苗期(S1)、蕾薹期(S2)、花期(S3)、角果成熟期(S4)、成熟衰落期(S5)(表1)。

表1 油菜物候期的劃分與生長(zhǎng)時(shí)間

1.3 研究方法

技術(shù)路線如圖1所示，主要包括3個(gè)方面，分別為PolSAR數(shù)據(jù)預(yù)處理、極化參數(shù)提取及其與物候期的動(dòng)態(tài)響應(yīng)分析、基于CART(classification and regression tree)算法的決策樹分類及其精度評(píng)價(jià)。

圖1 技術(shù)路線圖Fig.1 Technology flowchart

1.3.1 PolSAR數(shù)據(jù)預(yù)處理

PolSAR數(shù)據(jù)預(yù)處理包括輻射定標(biāo)、多視處理、斑點(diǎn)噪聲抑制和幾何校正。其中，輻射定標(biāo)是在PolSARpro4.2軟件中進(jìn)行的，主要目的是為了建立影像與地物散射系數(shù)的精確關(guān)系。此后進(jìn)行了2×2窗口的多視化處理，多視后的PolSAR影像方位、距離向像元大小分別約為9.92、9.47 m。SAR影像通常會(huì)受到相干斑噪聲的影響，使得影像解譯變得復(fù)雜且不利于信息的準(zhǔn)確提取[18]，為了降低斑點(diǎn)噪聲的影響，采用Boxcar濾波方法進(jìn)行濾波處理，其窗口設(shè)置為5×5。對(duì)于數(shù)據(jù)的幾何校正，先使用研究區(qū)30 m分辨率的數(shù)字高程模型(DEM)數(shù)據(jù)在Gamma軟件中進(jìn)行地理編碼和地形校正，經(jīng)重采樣后的PolSAR影像方位、距離向像元大小均為10 m。最后使用野外采集的地面控制點(diǎn)進(jìn)行幾何精校正。

1.3.2 極化分解方法

極化分解的中心思想是將目標(biāo)散射特征分解為若干個(gè)簡(jiǎn)單散射體的疊加，并通過分析簡(jiǎn)單散射體響應(yīng)及其貢獻(xiàn)率來(lái)提取目標(biāo)信息，以實(shí)現(xiàn)目標(biāo)解譯。極化分解方法分為相干分解和非相干分解兩大類[19]，由于非相干分解更能表征自然界存在的復(fù)雜目標(biāo)的散射機(jī)制，因而本文采用非相干分解的基于散射模型的Freeman-Durden三分量、二分量分解[20]、基于特征矢量的H/A/alpha分解[21]和基于協(xié)方差矩陣的Yamaguchi四分量分解[22]方法提取極化參數(shù)，進(jìn)行油菜物候期識(shí)別研究。文中涉及的極化分解具體參數(shù)算法可參考文獻(xiàn)[20-22]。3種極化分解方法提取的極化參數(shù)如表2所示。

表2 不同極化分解方法提取的參數(shù)

1.3.3 決策樹分類與精度驗(yàn)證方法

決策樹通過特征屬性和目標(biāo)變量構(gòu)成訓(xùn)練數(shù)據(jù)集，是一種進(jìn)行循環(huán)分析形成的二叉樹結(jié)構(gòu)，它由一個(gè)根節(jié)點(diǎn)、一系列分支與終極節(jié)點(diǎn)組成，并通過終極節(jié)點(diǎn)實(shí)現(xiàn)分類。目前常用的決策樹算法有ID3(Iterative Dichotomic version 3)、C4.5和CART等。本文采用CART決策樹。CART的核心思想是：首先對(duì)目標(biāo)變量構(gòu)成的訓(xùn)練數(shù)據(jù)集進(jìn)行循環(huán)分析，形成二叉樹形式的決策樹結(jié)構(gòu)；其次，選取訓(xùn)練樣本，計(jì)算最小基尼信息；最后，根據(jù)樣本特征選取合適的閾值參數(shù)，將樣本劃分為兩部分，并計(jì)算該樣本類型的基尼指數(shù)[23]。假設(shè)Ck為B中屬于第k類的樣本子集，則基尼指數(shù)G(B)的計(jì)算方法如下：

(1)

式中：K為地物類別數(shù)目；Ck為某地物選取的樣本；D為選取的樣本總數(shù)；B為樣本名稱。假設(shè)條件A將樣本B切分為B1和B2兩個(gè)數(shù)據(jù)子集，則在條件A下樣本B的基尼指數(shù)G(B，A)的計(jì)算方法為

(2)

找出所有樣本類型的最優(yōu)劃分特征與閾值，根據(jù)閾值將樣本劃分為兩類，再經(jīng)過多次剪枝，多次試驗(yàn)判斷其是否為最優(yōu)切分點(diǎn)，找到最優(yōu)子樹，對(duì)所有樣本數(shù)據(jù)進(jìn)行計(jì)算，生成CART決策樹[24]。在生成決策樹后，基于實(shí)地和用戶精度等指標(biāo)來(lái)進(jìn)行分類結(jié)果的精度評(píng)價(jià)。

2 結(jié)果與分析

2.1 PolSAR極化分解參數(shù)對(duì)油菜各物候期響應(yīng)的定性分析

基于3種不同的極化分解方法，每期影像共提取33個(gè)極化參數(shù)。根據(jù)H/A/alpha分解、Freeman-Durden分解和Yamaguchi四分量分解方法，各期影像分別提取了24、5和4個(gè)極化參數(shù)，以其中任意一期數(shù)據(jù)為基礎(chǔ)，分析這些極化參數(shù)的影像特征及其在油菜物候期劃分中的潛力。采用H/A/alpha分解的3類參數(shù)中，對(duì)油菜物候期變化顯示出敏感性的參數(shù)有：基于H/A/alpha分解中的Alpha、Entropy和Lambda參數(shù)；基于特征向量的參數(shù)包括3種散射機(jī)制對(duì)應(yīng)的散射角(Alpha1、Alpha2、Alpha3)和3種散射機(jī)制對(duì)應(yīng)的目標(biāo)方位角(Beta1、Beta2、Beta3)；基于特征值的參數(shù)為特征值L2、L3、P2。Freeman-Durden分解和Yamaguchi分解的參數(shù)中奇次散射(Odd和Odd_Y)和偶次散射(Dbl和Dbl_Y)分量均表現(xiàn)出對(duì)油菜物候期變化敏感。另外，Yamaguchi分解中的螺旋體散射(Helix)分量也隨油菜物候期變化有明顯變化。圖2以3個(gè)典型地塊(編號(hào)為31、55和90)為例，示意了Alpha、Dbl和Helix極化分解參數(shù)隨油菜物候期變化的敏感性，即當(dāng)油菜所處的物候階段發(fā)生變化，這3個(gè)極化參數(shù)值也隨之發(fā)生改變。

由圖2可知，各極化分解參數(shù)對(duì)油菜5個(gè)生長(zhǎng)階段變化的敏感性差異明顯。示例的3個(gè)參數(shù)中，Alpha參數(shù)對(duì)油菜各個(gè)物候期的響應(yīng)差異最為明顯，能夠通過散射特征的差異有效區(qū)分油菜的各個(gè)生長(zhǎng)階段；Helix參數(shù)對(duì)油菜生長(zhǎng)物候期的敏感性略低于Alpha參數(shù)，特別是在油菜生長(zhǎng)的S3、S4和S5物候期內(nèi)，Helix參數(shù)變化差異較小，這可能是由于Helix參數(shù)所表征的螺旋體散射分量較小引起的；Dbl對(duì)于油菜物候期的區(qū)分略低于其他2個(gè)參數(shù)，特別是在S1、S2和S4這3個(gè)階段中散射能量變化不明顯。3個(gè)示例參數(shù)對(duì)油菜物候期變化的敏感性說明僅通過單個(gè)極化分解參數(shù)無(wú)法有效區(qū)分出其所處的物候期，多個(gè)極化分解參數(shù)合用在油菜不同物候期的區(qū)分中具有較大潛力。

圖2 典型地塊典型SAR極化參數(shù)隨油菜物候期變化示例Fig.2 Examples of typical SAR polarization parameters varying with phenological period of rapeseed in typical plots

2.2 PolSAR極化分解參數(shù)對(duì)油菜各物候期響應(yīng)的散點(diǎn)圖分析

為進(jìn)一步分析各極化分解參數(shù)在油菜不同物候期的響應(yīng)特征，以播后時(shí)間作為橫軸，各極化分解參數(shù)的值為縱軸制作散點(diǎn)圖；并根據(jù)播后時(shí)間劃分5個(gè)物候期，對(duì)比分析PolSAR參數(shù)對(duì)油菜物候期變化的響應(yīng)規(guī)律。圖3以較敏感的8個(gè)極化分解參數(shù)為例，展示了油菜整個(gè)生育期中部分極化分解參數(shù)隨油菜物候期動(dòng)態(tài)變化的規(guī)律，右側(cè)為來(lái)自Freeman-Durden和Yamaguchi分解的參數(shù)，左側(cè)為H/A/alpha分解的參數(shù)。Freeman-Durden分解的2個(gè)參數(shù)Dbl、Ground，以及Yamaguchi分解的2個(gè)參數(shù)Dbl_Y、Helix對(duì)應(yīng)的能量值在油菜5個(gè)生長(zhǎng)期均有明顯差異，在前3個(gè)物候期(S1～S3)這些參數(shù)的值呈緩慢增長(zhǎng)趨勢(shì)，在S4階段這3個(gè)參數(shù)值均呈現(xiàn)跳躍式增加，在S5階段雖出現(xiàn)了跳躍式降低但能量值仍略高于S3階段；在以上4個(gè)參數(shù)中，基于Dbl參數(shù)的S5階段較其他3種參數(shù)而言更為離散，結(jié)果較不穩(wěn)定。H/A/alpha分解的參數(shù)中，Alpha參數(shù)值的5個(gè)階段變化趨勢(shì)與P2基本一致，但在S3階段后其值達(dá)到飽和；因此，僅采用Alpha值和P2值無(wú)法區(qū)分S3、S4和S5這3個(gè)物候期。第二散射機(jī)制的目標(biāo)散射角Beta1在(S3階段略低于其他4個(gè)生長(zhǎng)期)S1和S2階段與S3、S4和S5階段差異顯著。根據(jù)各極化分解參數(shù)的物理意義可知，油菜在各個(gè)物候期的散射機(jī)制差異明顯，這使代表不同散射機(jī)制的參數(shù)值變化明顯。然而，單一的極化分解參數(shù)由于可反映的物理特征有限，導(dǎo)致其實(shí)現(xiàn)精確的物候期劃分具有一定困難。而通過多個(gè)極化分解參數(shù)的組合，可以明顯提高各個(gè)物候期的可區(qū)分度。觀察圖3還可以發(fā)現(xiàn)，物候期階段的劃分也會(huì)影響基于極化分解參數(shù)的物候期識(shí)別精度，這點(diǎn)在文獻(xiàn)[12]中也得到了驗(yàn)證。

圖3 典型極化分解參數(shù)對(duì)油菜物候期變化的響應(yīng)示例Fig.3 Example of response of typical polarization decomposition parameters to phenological changes of rapeseed

2.3 基于決策樹的油菜物候期識(shí)別

2.3.1 決策樹建立與物候期識(shí)別結(jié)果

以物候期為分類依據(jù)，將H/A/alpha分解、Yamaguchi四分量分解和Freeman-Durden分解提取的參數(shù)代入決策樹模型，分別建立基于3種全極化分解參數(shù)的決策樹分類模型。根據(jù)其對(duì)應(yīng)的誤差影響進(jìn)行決策樹葉子節(jié)點(diǎn)包含的最小樣本數(shù)設(shè)置(設(shè)置minleaf)，同時(shí)將原始的決策樹進(jìn)行后剪枝計(jì)算，得到兩組去除一定量數(shù)據(jù)碎片的決策樹。決策樹建立過程如下：首先，隨機(jī)選取7/10的數(shù)據(jù)進(jìn)行建模，3/10的數(shù)據(jù)進(jìn)行模型精度驗(yàn)證；其次，用訓(xùn)練好的模型對(duì)分類數(shù)據(jù)進(jìn)行預(yù)測(cè)，并基于地面調(diào)查數(shù)據(jù)進(jìn)行預(yù)測(cè)結(jié)果的精度驗(yàn)證。實(shí)驗(yàn)中為了獲得穩(wěn)定的分類結(jié)果，運(yùn)行決策樹分類模型10次，取均值作為本文物候期分類結(jié)果，該過程在Matlab軟件中完成。圖4、圖5與表3分別為3種分解方法組合參數(shù)后，原始決策樹10次運(yùn)行結(jié)果中的某一次決策樹建立過程和分類結(jié)果制圖，以及基于混淆矩陣的精度評(píng)價(jià)表。此外，表4為3種分解方法與3種分解方法組合參數(shù)后對(duì)應(yīng)的3種決策樹模型分類結(jié)果的總體精度驗(yàn)證表。

圖4 三種分解方法提取的參數(shù)組合后的原始決策樹示例Fig.4 Example identification result of original decision tree model using the combination of parameters extracted by three decomposition methods

基于3種分解方法組合參數(shù)建立的原始決策樹模型的物候期識(shí)別結(jié)果如圖5所示。圖5-a、圖5-e分別采用5期數(shù)據(jù)的RGB影像作為地塊背景，其中，圖5-a是2013年5月23日采集的數(shù)據(jù)，衛(wèi)星第1次過境時(shí)尚有23塊地塊未進(jìn)行播種，在圖中用褐色進(jìn)行顯示。

此外，本文采取的極化分解參數(shù)與分類模型對(duì)S1、S4識(shí)別準(zhǔn)確率較高，錯(cuò)分地塊較少；但對(duì)S2、S5的識(shí)別出現(xiàn)了較多錯(cuò)分現(xiàn)象。此外，S3和S5相互混分現(xiàn)象較為明顯。從圖5可以看出，獲取的5期影像分別涵蓋了油菜的5個(gè)物候期，其物候期分類結(jié)果基本處在一個(gè)物候期內(nèi)。

圖5 五期影像物候期識(shí)別結(jié)果Fig.5 Phenological phase identification results of five images

2.3.2 劃分與精度評(píng)價(jià)

圖5分類結(jié)果的精度驗(yàn)證如表3和表4所示。其中，總體精度與Kappa系數(shù)分別為93.14%、0.914。在制圖精度方面，S2精度最高，達(dá)95.79%；其次為S3、S4，這2個(gè)物候期在本次分類中具有相同的制圖精度，為94.74%；制圖精度最低的是S5，為89.47%，該物候期在圖5中也表現(xiàn)出最為嚴(yán)重的混分現(xiàn)象。用戶精度中，S4精度最高，為97.83%，其他物候地塊誤分到S4的較少；S3、S5相互混分現(xiàn)象嚴(yán)重，其用戶精度最低，分別為90.90%、90.42%。

表3 三種分解方法組合參數(shù)后的原始決策樹識(shí)別結(jié)果

表4 三種分解方法組合參數(shù)后的原始決策樹精度

采用3種決策樹模型、3種極化分解參數(shù)和它們的組合參數(shù)進(jìn)行油菜5個(gè)物候期的劃分，3種決策樹模型的分類總體精度參見表5。表5中，分類總體精度最低的是對(duì)決策樹進(jìn)行minleaf處理后得到的分類精度，盡管其分類精度略低于另外2種決策樹模型，但該處理過程可以有效減少數(shù)據(jù)碎片的形成，還可對(duì)決策樹模型進(jìn)行簡(jiǎn)化；而剪枝處理的適用性較廣，在其分類總體精度和原始決策樹分類總體精度相差不大的同時(shí)，可有效避免模型的過擬合現(xiàn)象；因此，可以使用剪枝后的決策樹模型進(jìn)行油菜物候期劃分。以原始決策樹模型為例，在3類分解方法獲得的參數(shù)中，基于Freeman-Durden和Yamaguchi分解參數(shù)的決策樹模型分類總體精度較低，分別為89.45%、89.34%；采用3種極化分解方法參數(shù)組合后得到的原始決策樹模型分類總體精度最高，為94.00%；而基于H/A/Alpha分解參數(shù)的決策樹模型分類總體精度僅次于3種分解方法參數(shù)組合后的分類精度，為93.40%。說明H/A/Alpha分解的參數(shù)幾乎包含了其他2類分解方法中參數(shù)所攜帶的用于物候期劃分的有效信息。

表5 決策樹分類模型總體精度

3 結(jié)論與討論

3種極化分解方法所得到的參數(shù)中，對(duì)油菜物候期變化敏感度最高的是H/A/alpha分解所得到的參數(shù)，其次是Yamaguchi分量分解參數(shù)，因?yàn)閅amaguchi分解是在Freeman-Durden3分量分解方法的基礎(chǔ)上發(fā)展的，所以Yamaguchi的參數(shù)敏感性與Freeman-Durden3分量分解相似。Wang等[25]采用極化分解參數(shù)和隨機(jī)森林進(jìn)行農(nóng)作物物候期監(jiān)測(cè)，其結(jié)果也表明，H/A/alpha分解的特征參數(shù)對(duì)物候期變化更敏感。H/A/alpha分解中S1與S2的劃分可用L3、P2和Beta1參數(shù)，S3與S5的劃分可用Alpha參數(shù)，S4可用L2參數(shù)。Canisius等[26]也發(fā)現(xiàn)，結(jié)合Alpha和Beta參數(shù)可以較好區(qū)分不同作物的物候期。Freeman-Durden3分量分解中S3、S4與S5可用Freeman-Durden3分量分解的Dbl參數(shù)；S1與S2可用Freeman-Durden2分量分解中的Ground參數(shù)。Yamaguchi分解中對(duì)S1與S2的劃分可用Helix參數(shù)，對(duì)于S4可用Dbl_Y參數(shù)，該分解對(duì)于S3和S5的變化不敏感。在Canisius等[26]的研究中，Dbl_Y與油菜部分生長(zhǎng)參數(shù)的相關(guān)性較小，相反，Vol_Y參數(shù)的相關(guān)性較高，這可能是由于該研究針對(duì)整個(gè)油菜生長(zhǎng)期分析各極化分解參數(shù)與油菜生長(zhǎng)參數(shù)的相關(guān)性，而針對(duì)不同生長(zhǎng)階段，各極化分解參數(shù)與油菜生長(zhǎng)參數(shù)的相關(guān)性差異較大。決策樹模型對(duì)于油菜物候期劃分結(jié)果較為準(zhǔn)確，其中，采用3種極化分解參數(shù)組合后的原始決策樹模型分類結(jié)果的總體精度最高，達(dá)94.00%，表明PolSAR參數(shù)對(duì)油菜物候期變化比較敏感，決策樹模型可以有效劃分油菜物候期，這與Lopez-Sanchez等[27]在水稻物候期劃分的研究中得到的結(jié)論相一致。

本文基于H/A/alpha分解、Freeman-Durden分解和Yamaguchi分解提取了全極化參數(shù)，采用決策樹方法分析了全極化信息在油菜物候期識(shí)別中的可行性。研究結(jié)果表明，在3種分解方法獲得的極化參數(shù)中，H/A/alpha分解的參數(shù)對(duì)油菜物候期的變化最為敏感。此外，3種分解方法獲得的分解參數(shù)在油菜不同物候期識(shí)別中敏感性差異明顯。決策樹模型中，基于3種極化分解方法參數(shù)組合后建立的原始決策樹模型分類總體精度最高，為94.00%；剪枝后決策樹模型分類總體精度為91.61%，和原始決策樹分類精度相差不大，但通過后剪枝處理可以有效避免模型的過擬合。盡管如此，單使用全極化分解方法進(jìn)行油菜物候期識(shí)別仍具有局限性，未來(lái)可更多地結(jié)合植被所具備的特征信息進(jìn)行物候期識(shí)別，如葉面積指數(shù)、生物量與株高等。另外，物候期的劃分方法，以及在整個(gè)作物生長(zhǎng)期可獲取的遙感影像的數(shù)量，都對(duì)物候期劃分的精度有顯著影響，針對(duì)油菜的物候期劃分如何影響其物候期識(shí)別的精度仍需要進(jìn)一步研究。