李俐，謝小曼，朱德海，蔣朝為，許佳薇

1.中國農(nóng)業(yè)大學(xué) 土地科學(xué)與技術(shù)學(xué)院,北京 100083;

2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)災(zāi)害遙感重點(diǎn)實(shí)驗(yàn)室,北京 100083

1 引言

作物留茬覆蓋作為保護(hù)性耕作措施，能夠減少水分蒸發(fā)和風(fēng)蝕影響，有效增加土壤有機(jī)質(zhì)含量，對實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展起到重要作用（Daughtry 等，2004）。作為中國糧食的“蓄水池”和“穩(wěn)壓器”東北平原，玉米是其主要糧食作物之一，玉米留茬為其冬休季節(jié)主要的留茬形式。因此，及時識別東北平原玉米留茬狀況對于了解黑土地保護(hù)狀況和快速準(zhǔn)確地指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重要意義。然而，玉米留茬形式多種多樣，不同的留茬形式對黑土地的保護(hù)和農(nóng)業(yè)生產(chǎn)的影響也各不相同（李勝龍 等，2019）。因此，不同玉米留茬方式及其覆蓋情況將為留茬保護(hù)性耕作的實(shí)施現(xiàn)狀和效果評估提供數(shù)據(jù)基礎(chǔ)，為留茬政策的制定和實(shí)施提供有力的數(shù)據(jù)支持。

遙感技術(shù)的發(fā)展為大范圍及時準(zhǔn)確的作物留茬區(qū)域監(jiān)測提供了可能。國內(nèi)外研究者利用遙感技術(shù)進(jìn)行留茬監(jiān)測的研究較早使用的是光學(xué)遙感數(shù)據(jù)（張淼 等，2011）。常用的方法是通過光學(xué)影像構(gòu)建光譜指數(shù)進(jìn)行留茬覆蓋度的反演（Serbin等，2009；張淼 等，2012；Ding 等，2020）。Van Deventer 等（1997）利用歸一化耕作指數(shù)NDTI（Normalized Difference Tillage Index）、簡單耕作指數(shù)STI（Simple Tillage Index）對土壤與秸稈進(jìn)行區(qū)分，取得較好的效果；Jin 等（2015）利用Landsat 8 數(shù)據(jù)構(gòu)建雷達(dá)指數(shù)，結(jié)合紋理特征估算玉米留茬覆蓋度，該模型精度R2和RMSE 分別為0.96%和8.11%。由于大多數(shù)光譜指數(shù)容易受到土壤含水量、土壤背景等影響，國內(nèi)外學(xué)者積極展開有關(guān)消除土壤水分、土壤背景干擾的研究（Quemada 和Daughtry，2016；Yue 和Tian，2020；Quemada 等，2018）。黃晉宇等（2020）基于土壤異質(zhì)背景建立留茬覆蓋度的估算模型，有效消除了土壤背景對留茬覆蓋的影響。然而，光學(xué)遙感數(shù)據(jù)易受云、雨天氣影響，而中國東北地區(qū)，秋季收割完畢至降雪前可能只有一兩周左右的時間，光學(xué)遙感數(shù)據(jù)的獲取不能保障，從而限制了其在作物留茬監(jiān)測中的應(yīng)用。

與光學(xué)遙感相比，微波遙感不受天氣影響，其全天時、全天候的數(shù)據(jù)獲取能力為時效性要求較高的農(nóng)業(yè)生產(chǎn)相關(guān)監(jiān)測提供有力的數(shù)據(jù)保障。隨著合成孔徑雷達(dá)SAR（Synthetic Aperture Radar）的發(fā)展，有研究對不同頻率、不同極化SAR 后向散射系數(shù)以及不同極化變量對作物留茬的敏感性進(jìn)行分析（Zheng 等，2014；McNairn 等，2002；Smith 和Major，1996）。早期與作物留茬相關(guān)的研究主要使用的SAR 數(shù)據(jù)源為全極化SAR 數(shù)據(jù)（McNairn 等，1998）。Adams 等（2013）探索了全極化SAR 提供的極化參數(shù)對作物留茬的敏感性，發(fā)現(xiàn)同極化復(fù)相關(guān)系數(shù)、場均消隱脈沖高度等SAR 極化變量與作物留茬有顯著的相關(guān)關(guān)系。然而隨著低成本雙極化Sentinel-1 SAR 數(shù)據(jù)的出現(xiàn)，人們開始嘗試采用雙極化Sentinel-1 SAR 數(shù)據(jù)用于作物留茬識別?？讘c玲等（2017）利用Sentinel-1 SAR 數(shù)據(jù)實(shí)現(xiàn)了基于支持向量機(jī)SVM（Support Vector Machine）算法的東北玉米留茬區(qū)識別。由于單獨(dú)使用SAR 數(shù)據(jù)進(jìn)行留茬覆蓋度估算的精度較低，且易受到雷達(dá)入射角、土壤水分等因素的干擾，有研究將光學(xué)遙感與微波遙感相結(jié)合進(jìn)行留茬監(jiān)測（Cai 等，2019）。劉之榆等（2021）基于Sentinel-1 SAR 數(shù)據(jù)和Sentinel-2 光學(xué)遙感建立玉米秸稈覆蓋度的估算模型。

近年來，有關(guān)估算留茬覆蓋度的研究層出不窮，而對不同留茬方式識別的研究較少。光學(xué)遙感可獲取留茬的光譜信息，對留茬覆蓋度的估算精度較高，但判別相同覆蓋度下不同留茬方式具有一定困難。而微波遙感對農(nóng)作物的幾何結(jié)構(gòu)和介電性能敏感，能夠較好地刻畫不同留茬方式散射機(jī)制的差異，但微波遙感易受土壤水分、土壤粗糙度等因素的影響。本文選擇吉林省四平市梨樹縣為實(shí)驗(yàn)區(qū)，以Sentinel-1 SAR 為主數(shù)據(jù)源，Sentinel-2 為輔，探究其對不同玉米留茬方式的識別能力。利用留茬后向散射模型分離土壤散射與留茬散射，從而消除土壤后向散射的影響。提出融合留茬指數(shù)FRI（Fusion Residue Index），結(jié)合雷達(dá)指數(shù)與SAR 紋理組成識別特征組合，分析特征組合對玉米留茬方式識別的能力，并基于最優(yōu)識別特征集對不同玉米留茬方式進(jìn)行識別，旨在實(shí)現(xiàn)不同玉米留茬方式的識別，為不同留茬方式的識別研究提供一種新的思路。

2 實(shí)驗(yàn)區(qū)概況與數(shù)據(jù)來源

2.1 實(shí)驗(yàn)區(qū)概況

吉林省四平市梨樹縣位于東北平原中部，介于43°02′N—43°46′N，123°45′E—124°53′E，屬于溫帶半濕潤大陸性季風(fēng)氣候，地勢平坦、農(nóng)業(yè)基礎(chǔ)雄厚、自然資源豐富、地域性差異明顯（圖1）。其年降水量955 mm，面積達(dá)4209 km2，耕地面積為396 萬畝，種植作物有玉米、水稻、大豆、小麥。其中，玉米種植面積占總面積72%左右。作為保護(hù)性耕作技術(shù)的重點(diǎn)推廣縣，梨樹縣探索實(shí)施以“秸稈覆蓋、條帶休耕”為主要內(nèi)容的“梨樹模式”。選擇梨樹縣作為玉米留茬方式識別的實(shí)驗(yàn)區(qū)具有代表性。

圖1 實(shí)驗(yàn)區(qū)地理位置與樣點(diǎn)分布Fig.1 Location of experimental area and distribution of sampling sites

圖2 實(shí)驗(yàn)區(qū)常見的4種留茬方式圖Fig.2 Picture of four common stubble modes in the experimental area

梨樹地區(qū)常見留茬覆蓋方式如表1所示?？紤]到條帶覆蓋多見于春播前，而本實(shí)驗(yàn)所用數(shù)據(jù)的時間為秋季，因此本研究未將條狀覆蓋加入此次留茬方式識別實(shí)驗(yàn)中。由于根茬類型的留茬覆蓋度較低（小于15%），且其后向散射系數(shù)與裸土相近，本研究將根茬類型與裸土統(tǒng)稱為非留茬類型。因此，本文選擇根茬覆蓋、高留茬覆蓋和非留茬3種玉米留茬方式進(jìn)行識別和分析。

表1 實(shí)驗(yàn)區(qū)常見的4種留茬方式Table 1 Four common stubble modes in the experimental area

2.2 數(shù)據(jù)源介紹

2.2.1 遙感數(shù)據(jù)

本文選取Sentinel-1雙極化 SAR 數(shù)據(jù)（以下簡稱S-1）協(xié)同Sentinel-2 光學(xué)遙感數(shù)據(jù)（以下簡稱S-2）進(jìn)行玉米留茬方式的識別研究。S-1 數(shù)據(jù)包括了Level-1單視復(fù)數(shù)據(jù)SLC（Single Look Complex）、Level-1 地距GRD（Ground Range Detected）等產(chǎn)品。S-2 提供Level-1C 和Level-2A 兩種級別的數(shù)據(jù)產(chǎn)品。其中，Level-1C 經(jīng)過輻射定標(biāo)、幾何校正，Level-2A 則是在Level-1C 基礎(chǔ)上進(jìn)行大氣校正。S-1/2 都可以通過ESA 的數(shù)據(jù)中心（https：//scihub.copernicus.eu/dhus/［2021-01-20］）獲取。梨樹縣玉米于10 月中下旬（10 月20 日左右）基本收割完畢，因此，本文選取2019 年10 月底的遙感數(shù)據(jù)進(jìn)行玉米留茬方式的識別：2019 年10 月28 日的S-1 Level-1 GRD SAR 數(shù)據(jù)和2019 年10 月26 日的S-2 Level-1C光學(xué)數(shù)據(jù)。

土壤濕度和土壤粗糙度是影響土壤后向散射的重要參數(shù)，為確定土壤地表后向散射系數(shù)，本研究選取SMAP（Soil Moisture Active Passive）衛(wèi)星提供的土壤濕度產(chǎn)品以計(jì)算土壤后向散射系數(shù)。SMAP 衛(wèi)星是由NASA 于2015 年發(fā)射的地球觀測衛(wèi)星，提供3、9、36 km 的土壤水分產(chǎn)品。本研究獲取2019 年10 月28 日的SMAP/Sentinel-1 Level-2 級土壤濕度數(shù)據(jù)產(chǎn)品進(jìn)行玉米留茬后向散射系數(shù)的分離。該二級產(chǎn)品是由SMAP L 波段輻射計(jì)獲取的亮度溫度數(shù)據(jù)和S-1A、S-1B 的后向散射系數(shù)重采樣得到的，提供了1 km 和3 km 的土壤水分?jǐn)?shù)據(jù)與土壤粗糙度數(shù)據(jù)，可通過NASA Earthdata（https：//earthdata.nasa.gov/［2021-01-20］）獲取。由于1 km 數(shù)據(jù)未經(jīng)過驗(yàn)證，因此本研究選擇該產(chǎn)品提供的3 km 土壤水分?jǐn)?shù)據(jù)和土壤粗糙度數(shù)據(jù)。

2.2.2 野外調(diào)查數(shù)據(jù)

2019 年10 月23 日—30 日對實(shí)驗(yàn)區(qū)100 個樣點(diǎn)的留茬方式、高度、直徑等留茬參數(shù)以及土壤水分、地表粗糙度進(jìn)行測量。其中，土壤水分?jǐn)?shù)據(jù)是利用時域反射計(jì)TDR（Time Domain Reflectometry）測定，測定時選取12 cm 探針在每個地塊均勻采集6 個樣點(diǎn)的土壤水分?jǐn)?shù)據(jù)，并取均值作為該樣方的土壤水分值。地表粗糙度測量方法是將1.1 m×0.6 m的白板放置于在待測地表挖出的土壤槽中并拍攝照片，然后對拍攝照片進(jìn)行二值化，提取照片中的土壤輪廓線，最后基于色彩運(yùn)算和混沌粒子群濾波方法（李俐 等，2015）計(jì)算土壤粗糙度參數(shù)。由實(shí)地采樣結(jié)合Google Earth 影像（2019 年11 月2 日）、S-2 影像人工判讀分別選取102 個高留茬覆蓋、98 個根茬覆蓋、97 個無留茬樣本點(diǎn)作為留茬識別樣本（圖1）。各類樣本隨機(jī)選取70%作為訓(xùn)練樣本、30%作為驗(yàn)證樣本。

3 數(shù)據(jù)結(jié)果處理與分析

參考改進(jìn)植被散射模型（Tao 等，2019），本文構(gòu)建留茬散射模型，分離土壤層散射貢獻(xiàn)和留茬層散射貢獻(xiàn)，消除土壤后向散射的影響，即獲得玉米留茬的后向散射部分；在此基礎(chǔ)上，構(gòu)建留茬識別特征，對識別特征進(jìn)行優(yōu)選后，利用一維卷積神經(jīng)網(wǎng)絡(luò)模型對玉米留茬進(jìn)行分類，具體流程如圖3所示。

圖3 技術(shù)流程圖Fig.3 Technology roadmaps

3.1 影像預(yù)處理

3.1.1 Sentinel-1數(shù)據(jù)預(yù)處理

S-1 GRD 數(shù)據(jù)預(yù)處理主要包括軌道校正、輻射定標(biāo)、斑點(diǎn)濾波、幾何校正以及計(jì)算后向散射系數(shù)分貝值等。對于SAR 遙感圖像必然存在的斑點(diǎn)噪聲，使用斑點(diǎn)噪聲濾波來降低相干斑噪聲。根據(jù)S-1 相干斑噪聲的特點(diǎn)，本文在嘗試了Sigma Lee、Refined Lee 等多種濾波的基礎(chǔ)上，最終選擇窗口大小為5×5 的Sigma Lee 濾波降低S-1 影像的斑點(diǎn)噪聲。最后，將經(jīng)過地形校正后的SAR 影像像元灰度（DN 值）轉(zhuǎn)化為后向散射系數(shù)分貝值影像的后向散射系數(shù)計(jì)算公式為

式中，A為定標(biāo)參數(shù)，通過元數(shù)據(jù)文件獲取（孔慶玲 等，2017）。

3.1.2 Sentinel-2數(shù)據(jù)預(yù)處理

S-2 Level-1C影像的預(yù)處理過程包括大氣校正、影像鑲嵌、裁剪。本文使用Sen2Cor 方法由S-2 影像中大氣上層表觀反射率計(jì)算得到大氣下層地表反射率，并使用最鄰近距離法將S-2影像中各個波段的空間分辨率重采樣至10 m。進(jìn)而使用紅波段（B4）和短波紅外波段（B11、B12）反射率構(gòu)建歸一化耕地指數(shù)NDTI（Normalized Difference Tillage Index）和歸一化留茬指數(shù)NDRI（Normalized Difference Residue Index）（Van Deventer 等，1997；Gelder等，2009）：

3.1.3 SMAP數(shù)據(jù)預(yù)處理

SMAP 的原始數(shù)據(jù)格式為HDF，需提取土壤水分?jǐn)?shù)據(jù)和土壤粗糙度數(shù)據(jù)，轉(zhuǎn)換為TIFF 格式、定義其原始投影格式。經(jīng)上述處理后，為了與S-1影像進(jìn)行匹配，使用雙線性插值法將土壤水分影像和土壤粗糙度影像的空間分辨率重采樣至10 m。

3.2 留茬后向散射系數(shù)模型修正及土壤后向散射影響消除

Tao 等（2019）針對冬小麥特性對森林模型（Saatchi 和Moghaddam，2000）進(jìn)行改進(jìn)。提出了改進(jìn)植被散射模型，該模型考慮了冬小麥的地表覆蓋狀況，引入植被覆蓋度的概念，有效的分離像元中作物層和裸土層的散射貢獻(xiàn)。模型中總散射項(xiàng)由3個主要的散射項(xiàng)組成：作物層的直接散射部分、作物層—土壤下墊面相互耦合的散射部分和土壤下墊面的直接散射部分。考慮到收割后玉米留茬與小麥作物層的結(jié)構(gòu)相似性、散射機(jī)制相似性，本文假設(shè)改進(jìn)散射模型中的作物層等效為留茬層，建立留茬后向散射模型：

式中，NDTImin、NDTImax分別為完全裸土與完全覆蓋情況下研究區(qū)域的NDTI值。

對于改進(jìn)植被散射模型中裸土的直接后向散射，本文選擇高級積分方程模型AIEM（Advance Integrated Equation Model）（Wu 等，2001）計(jì)算得到，其表達(dá)式如下所示：

式中，p、q 代表H 或V 極化，σpq為pq 極化下的后向散射系數(shù)；k為波數(shù)；S為均方根高度；Wn是表面相關(guān)函數(shù)的傅立葉變換，與極化方式、均方根高度和相關(guān)長度相關(guān)；是菲尼爾反射系數(shù)，受土壤水分和入射角影響；β為入射角。

依據(jù)野外實(shí)測數(shù)據(jù)結(jié)合SMAP數(shù)據(jù)確定的土壤水分、土壤粗糙度參數(shù)范圍及全國土壤質(zhì)地圖，設(shè)置AIEM模型中土壤粗糙度和土壤水分等相關(guān)參數(shù)，計(jì)算地表土壤的后向散射系數(shù)值，由式（4）可計(jì)算得到玉米留茬層后向散射系數(shù)

3.3 留茬方式遙感識別特征構(gòu)建

相較于全極化數(shù)據(jù)豐富的散射信息，雙極化僅有VV、VH 兩種極化方式，直接利用后向散射值進(jìn)行留茬識別具有一定困難，因此，為了提高識別精度，本文選取了雷達(dá)指數(shù)RI（Radar Index）、融合留茬指數(shù)（FRI）和紋理特征GLCM1—GLCM6 共11 個特征變量，如表2。

表2 特征變量表Table 2 The feature variables table

表3 分離土壤信息后的后向散射系數(shù)的變化統(tǒng)計(jì)表Table 3 Statistical table of changes in backscattering coefficient after separating soil information

針對留茬方式識別，利用S-1影像VH、VV極化的后向散射系數(shù)構(gòu)建雷達(dá)指數(shù)RI1、RI2。RI1 是參考體積散射指數(shù)VSI（Volume Scattering Index）（Bouvet 等，2018）而構(gòu)建的指數(shù)，其對作物玉米留茬與土壤間的多次散射敏感。而在雷達(dá)指數(shù)與留茬覆蓋度的研究中，雷達(dá)指數(shù)RI2 與作物留茬覆蓋度之間存在較好的相關(guān)關(guān)系，R2為0.430（Cai 等，2019）。因此，本文選擇RI1、RI2 作為玉米留茬方式識別的指標(biāo)，其計(jì)算公式如下所示：

參考融合植被指數(shù)（Kim等，2015）原理，本文針對玉米留茬識別，將光學(xué)指數(shù)NDRI 和雷達(dá)指數(shù)RI2 進(jìn)行融合得到融合留茬指數(shù)FRI。FRI 的計(jì)算公式如下：

式中，α為調(diào)制系數(shù)，決定了將NDRI 中雷達(dá)指數(shù)RI2 信息的比例。經(jīng)多次實(shí)驗(yàn)及樣本分析，本文中α取0。

灰度共生矩陣GLCM（Grey Level Co-occurrence Matrix）一種基于統(tǒng)計(jì)的紋理描述方法，基于GLCM提取的紋理參數(shù)輔助SAR圖像分類可以有效地改善分類精度（王利花 等，2019）。利用GLCM計(jì)算可得對比度（Contrast）、能量（Energy）、熵（Entropy）等10 個紋理特征。由于S-1 影像兩種極化共得20 個紋理特征，且紋理特征之間存在一定的相關(guān)性，因此利用主成分分析PCA（Principal Component Analysis）進(jìn)行特征降維，并選取前6個成分（GLCM1—GLCM6）作為特征變量。

3.4 特征優(yōu)選

特征變量的增多可能會造成特征信息的冗余和訓(xùn)練時間增加。為了剔除多余變量，選出留茬識別特征的最佳組合，本研究選擇J-M 距離（Jeffries-Matusita distance）可以定量的計(jì)算樣本間的可分離性，剔除對樣本分離性貢獻(xiàn)小的特征，在降低特征維度的同時，又保證了較高的識別精度，能夠準(zhǔn)確地表達(dá)地物間的差異性（Van Niel等，2005）。J-M距離的計(jì)算公式為

式中，p(x/wi)和p(x/wj)是條件概率密度，表示第i（或j）個像元屬于wi（或w）j類別的概率。Jij表示樣本間的可分離性，其數(shù)值范圍為0—2。其中，若Jij大于1.8，則表示具有較高的可分離性，若數(shù)值在1.0—1.8，則說明樣本間具有一定可分離性，但存在一定程度的重疊，若數(shù)值小于1.0，則表明樣本不可分。因此，本研究通過比較不同特征組合下玉米留茬方式間Jij的大小，選擇Jij值在1.8 以上，且變量個數(shù)較少的特征組合作為優(yōu)選后特征進(jìn)行識別。

3.5 基于1D CNN 的卷積神經(jīng)網(wǎng)絡(luò)留茬分類模型

卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolution Neural Network）因其局部連接和權(quán)重共享等特點(diǎn)而被廣泛應(yīng)用于地物識別與分類中（汪傳建 等，2019）。根據(jù)卷積層的不同，CNN 模型分為一維、二維和三維等深度卷積神經(jīng)網(wǎng)絡(luò)（Zhang 等，2020）。相比較之下，1D CNN 的參數(shù)數(shù)量與算法復(fù)雜程度較低，更適用于遙感圖像分類與識別。因此，本文選擇1D CNN算法構(gòu)建了留茬分類模型，該模型的整體結(jié)構(gòu)如圖4所示：

圖4 1D CNN模型結(jié)構(gòu)圖Fig.4 Architecture of one-demensional CNN

1D CNN網(wǎng)絡(luò)包括7層：（1）1個輸入層，以引入優(yōu)選特征；（2）2 個卷積—池化層，其中卷積層分別采用濾波器（Filter）個數(shù)為32和64的一維卷積（Conv1D）作為特征提取器以學(xué)習(xí)多個尺度和不同級別的特征，卷積核大小均設(shè)置為2；最大池化（Pool）步長設(shè)置為2，以實(shí)現(xiàn)特征降維；（3）1個壓平層（Flatten），作為卷積—池化層和全連接層的過渡，將多維數(shù)據(jù)一維化；（4）2 個全連接層，節(jié)點(diǎn)個數(shù)分別為30、3。第二個全連接層將特征向量映射到各個類別中，且該層的輸出結(jié)果為指示輸入層的各類別得分；（5）1 個具有Softmax 分類器的輸出層，各類別中得分最高者即為該像素所屬的類別結(jié)果。

4 結(jié)果分析

4.1 玉米不同留茬方式后向散射系數(shù)特征分析

為分析土壤后向散射對總后向散射量的影響，計(jì)算基于留茬后向散射模型消除土壤散射干擾前后VH、VV 極化后向散射系數(shù)的變化值（σVH，total-σVH，residue、σVV，total-σVV，residue），不同玉米留茬方式的變化結(jié)果如圖5所示。

圖5 分離土壤信息前、后的后向散射系數(shù)變化值Fig.5 Change value in the backscattering coefficient before and after the separating soil information

可以看出，消除土壤散射干擾后的后向散射系數(shù)均發(fā)生明顯變化，且VH 值變化整體高于VV極化。VH 值變化大約集中在2—10 dB，均值為4.9 dB，而VV 值變化大多集中在0.5—3.5 dB，均值為1.2 dB。說明無論是VH 極化還是VV 極化，土壤后向散射系數(shù)對總散射量的影響都不容忽略，因此去除土壤直接后向散射系數(shù)的影響對留茬方式識別具有重要意義。其中，分離前后非留茬類型的后向散射系數(shù)變化最大，其VH 值變化的均值為7.26 dB。造成不同留茬方式向散射系數(shù)變化范圍差異的原因是非留茬類型的后向散射主要來源于土壤直接后向散射，相比之下，高留茬覆蓋和根茬覆蓋的土壤直接后向散射的貢獻(xiàn)較少。因此，去除土壤直接后向散射影響將進(jìn)一步提高非留茬類型的識別度?？傮w來說，無論是極化方式還是不同玉米留茬方式，基于留茬后向散射模型可以有效分離出地表覆蓋后向散射系數(shù)值，去除由于土壤特性差異帶來的后向散射系數(shù)波動。

4.2 特征性能分析

在不同識別特征組合下玉米留茬方式的后向散射特性呈現(xiàn)出不同的分離特性，因此合理的特征組合對玉米留茬的識別起著至關(guān)重要的作用。為了準(zhǔn)確地分析不同特征對玉米留茬方式識別的影響并選出最優(yōu)的特征組合，本文利用3.3中11個構(gòu)建的特征，根據(jù)特征類型組成10 個特征組合（FC_1～FC_10），如表4 所示。10 種特征組合下不同留茬方式間的J-M距離如圖6所示，本文選擇JM距離均大于1.8且變量個數(shù)較少的優(yōu)選組合。

表4 特征組合Table 4 Feature combinations

圖6 玉米留茬方式間的J-M距離Fig.6 J-M distance between corn stubble methods under different feature combinations

由圖6 可知，隨著特征變量個數(shù)的增多，J-M距離呈上升趨勢。對比特征組合FC_1與FC_3，特征FRI的引入增加了非留茬類型與其他留茬類型方式間的可分離性，其中非留茬與高留茬覆蓋、根茬覆蓋的J-M 距離分別為1.85、1.75。從FC_2 和FC_3 對比可看出，特征的加入未提高玉米留茬方式間的可分離性，說明對留茬識別的貢獻(xiàn)度較低，因此FC_4 后特征組合中去除此特征。當(dāng)雷達(dá)指數(shù)RI1、RI2 加入（FC_6）時，留茬方式間J-M距離有所提高。其中，非留茬類型與高留茬覆蓋、根茬覆蓋類型間的J-M距離均大于1.8，而高留茬覆蓋與根茬覆蓋的J-M 距離為1.46，仍低于1.8，說明加入RI1、RI2的特征組合尚無法滿足玉米留茬方式的識別。引入SAR 紋理特征（FC_9）后，不同玉米留茬方式間J-M 距離均超過1.8，分離度較好。相比之下，盡管同時加入紋理特征和雷達(dá)指數(shù)RI1、RI2 的特征組合（FC_10）使得留茬方式間的J-M 距離均有所提高，但并不明顯。因此本文選取FC_9 特征組合作為1D CNN 模型的輸入進(jìn)行留茬方式識別。

4.3 分離土壤散射貢獻(xiàn)前后留茬方式識別結(jié)果對比

為比較土壤后向散射去除效果，分別使用分離土壤散射貢獻(xiàn)前的總后向散射系數(shù)和分離后的留茬后向散射系數(shù)結(jié)合FRI、GLCM1—GLCM6 進(jìn)行留茬方式識別，并利用驗(yàn)證樣本對識別結(jié)果進(jìn)行精度評價(jià)，各留茬方式的總體分類精度OA（Overall Accuracy）、制圖精度PA（Producer Accuracy）、用戶精度UA（User Accuracy）和Kappa系數(shù)（Kc）如表5所示。

表5 分離土壤信息前、后的留茬識別精度對比Table 5 Comparison of residue recognition accuracy before and after separating soil information

由表5可知，分離土壤信息前、后的留茬方式識別OA 均超過80%，說明基于VH 極化后向散射系數(shù)、融合指數(shù)FRI 以及SAR 圖像紋理GLCM1—GLCM6 的特征組合進(jìn)行玉米留茬方式識別的精度較高。

相比分離土壤散射貢獻(xiàn)前，分離后的識別精度OA和Kc分別提高5.44個百分點(diǎn)和0.09。分離土壤散射貢獻(xiàn)前根茬覆蓋的PA 和UA 以及高留茬覆蓋的UA 偏低，進(jìn)而導(dǎo)致分離前的OA 較低，表明土壤直接后向散射系數(shù)的影響降低了高留茬覆蓋和根茬覆蓋的可分離性。而分離土壤散射貢獻(xiàn)后各留茬方式的分類精度有顯著提高。因此，分離土壤對雷達(dá)后向散射的貢獻(xiàn)可以有效去除土壤差異干擾，增加玉米留茬方式間的可分離性。

分離土壤后向散射前后玉米留茬方式面積百分比變化如圖7 所示，圖8 給出了識別結(jié)果?？梢钥闯?，分離土壤散射貢獻(xiàn)前后的留茬方式分布基本吻合，但細(xì)節(jié)略有差異?？傮w來說，梨樹縣留茬覆蓋區(qū)（高留茬覆蓋和根茬覆蓋）超過60%，其中高留茬覆蓋比例略高于根茬覆蓋比例，為黑土地保護(hù)提供了有力的耕作制度保障。

圖7 分離土壤信息前、后玉米留茬方式面積百分比變化Fig.7 Changes in percentage of corn stubble area before and after separating soil information

圖8 分離土壤信息前、后的玉米留茬方式識別結(jié)果Fig.8 Recognition result of corn stubble modes before and after separating soil information

4.4 基于1D CNN進(jìn)行玉米留茬方式識別

5 結(jié)論

本研究以吉林省四平市梨樹縣為實(shí)驗(yàn)區(qū)，以Sentinel-1 SAR 數(shù)據(jù)為主數(shù)據(jù)源，以Sentinel-2 光學(xué)數(shù)據(jù)為輔，探究其對不同玉米留茬方式的識別能力。采用留茬散射模型分離土壤散射貢獻(xiàn)和留茬散射貢獻(xiàn)，以消除土壤散射影響。提出融合留茬指數(shù)FRI，結(jié)合雷達(dá)指數(shù)與SAR紋理組成特征組合，分析不同特征組合對留茬方式的識別能力。采用最優(yōu)特征集進(jìn)行玉米留茬方式的識別，完成實(shí)驗(yàn)區(qū)的不同玉米留茬方式的識別。結(jié)果表明：

（1）無論是消除土壤后向散射前或消除后，采用VH極化的后向散射系數(shù)、FRI、GLCM1—GLCM6組成的特征組合進(jìn)行留茬方式識別，總體精度OA均達(dá)到83%以上。有效地證明利用Sentinel-1 雷達(dá)散射特性進(jìn)行玉米留茬方式識別有效可行，且不同特征組合可分離性表現(xiàn)不同，優(yōu)選理想特征作為玉米留茬方式識別的有效指標(biāo)能獲得比較好的識別效果。

（2）分離土壤后向散射前后VH、VV 極化后向散射系數(shù)均有明顯變化，基于消除土壤影響后的VH 極化后向散射系數(shù)、FRI、GLCM1—GLCM6的特征組合進(jìn)行留茬識別，得到了較為理想的玉米留茬方式識別結(jié)果（OA和Kappa分別為89.28%、0.84），相比消除土壤影響前的特征組合，識別精度提高了5.44%。有效驗(yàn)證了基于留茬后向散射模型的土壤干擾影響消除方法有效地去除了土壤不確定性影響，即證明了基于消除土壤影響的玉米留茬方式識別方法的可行性，為Sentinel-1 SAR 影像在留茬研究的廣泛應(yīng)用提供科學(xué)的參考依據(jù)。

本研究的不足之處在于：消除土壤散射影響時，本文采用3 km 的SMAP 土壤水分產(chǎn)品。使用該數(shù)據(jù)有兩方面原因：第一，目前無法直接獲取更高精度的土壤水分產(chǎn)品；第二，由于實(shí)驗(yàn)區(qū)地勢較為平坦以及研究時間區(qū)間內(nèi)無灌溉情況，其土壤水分空間異質(zhì)性不大。但SMAP土壤水分產(chǎn)品較大的空間分辨率可能會給留茬方式識別帶來一定的誤差。雖然暫時無法確定誤差的影響程度，但從實(shí)驗(yàn)結(jié)果可看出，相對于去除土壤散射貢獻(xiàn)前，留茬方式識別的精度有所提高，有效地說明了利用SMAP數(shù)據(jù)分離土壤因素的方法適用于本區(qū)域的留茬方式識別。未來在其他區(qū)域推廣算法時，將嘗試獲取更高精度的土壤水分產(chǎn)品進(jìn)行留茬方式識別，以進(jìn)一步改善較粗空間分辨率對實(shí)驗(yàn)結(jié)果帶來的不確定性。