Grassland Mowing Detection Using Sentinel-1 Time Series: Potential and Limitations

De Vroey, Mathilde; Radoux, Julien; Defourny, Pierre

doi:10.3390/rs13030348

开放式访问第条

利用Sentinel-1时间序列检测草地割草：潜力和局限性

通过

马蒂尔德·德弗罗伊

^*,†

,

朱利安·拉杜克斯

和

皮埃尔·迪弗尼

比利时卢万天主教大学地球与生命研究所，1348 Louvain-la-Neuve

^*

信件应寄给的作者。

^†

当前地址：2 Croix du Sud bte L7.05.16，1348 Louvain-la-Neuve，Belgium。

远程传感器。 2021,13(3), 348;https://doi.org/10.3390/rs1303348

收到的提交文件：2020年12月22日/修订日期：2021年1月14日/接受日期：2021年1月15日/发布日期：2021年1月20日

（本条属于本节农业和植被遥感)

下载

浏览地物

版本注释

摘要

:

草原包括广阔多样的生态系统，提供食物、野生动物栖息地和碳储存。它们的土地利用强度范围大，对其生态价值以及这些商品和服务之间的平衡产生了重大影响。割草日期和频率是草地利用强度的主要方面，对其作为栖息地的生态价值有影响。先前的研究强调了基于遥感时间序列检测割草事件的可行性，其中一些使用合成孔径雷达（SAR）图像。尽管提供了令人鼓舞的结果，但草原割草检测的研究往往缺乏足够精确的参考数据来进行佐证。本研究的目的是使用现场收集的大量不同参考数据集，定量和统计评估Sentinel-1 C波段SAR检测各种农业草地割草事件的潜力。对基于SAR后向散射和干涉相干时间序列的几种割草检测方法进行了全面评估。结果表明，基于相干跳跃，54%的割草事件可以在干草草地中检测到。放牧事件被确定为一个主要的混杂因素，因为大多数错误检测都是在牧场上进行的。在夏季有一次割草活动的地块被识别出的准确率最高（71%）。总的来说，这项研究表明，割草事件可以通过Sentinel-1一致性检测到。然而，通过预先识别牧场并结合Sentinel-1和Sentinel-2数据进行割草检测，可能会进一步提高性能。

关键词：

草地;割草检测;哨兵-1;后向散射;一致性;土地利用强度

图形摘要

1.简介

草地覆盖着一些最大的陆地生态系统。它们提供各种商品和生态服务，包括粮食生产、野生动物栖息地、碳封存和水储存。为了更好地了解草原的状态和演变，监测这些生态系统至关重要。在大多数土地覆盖图中，草原和其他开放生物区位被嵌入到一个广泛的土地覆盖类别中[1,2,三,4]. 它们作为生物多样性的栖息地发挥着至关重要的作用，但不能赋予所有草原相同的生态价值。天然草地包括多种多样的生物栖息地，具有很高的生物价值。在农业系统中，草地的管理程度不同，包括半天然干草草地和密集牧场。研究一再表明，草原集约利用对其栖息地生态价值的影响[5,6,7]. 从农业和生态的角度来看，确定不同程度的草地利用强度非常重要[8]. 草地利用强度可以用割草频率、放牧强度和施肥量表示。虽然这三个因素对详尽地量化草地利用强度都很重要，但个别因素可能与特定的生态响应有关，例如，割草事件对某些鸟类物种丰度的影响[9].

虽然陆地原位监测方法通常非常耗时，但遥感可以成为大规模草地利用强度评估的一项重要资产[8]. 通过遥感对农业草地制图和监测进行了几项研究，其中大多数是基于光学图像[10,11,12,13]. 使用多光谱时间序列（MODIS、RapidEye、Sentinel-2）和区域农业统计数据估算了割草频率、放牧强度和施肥量[14]或者在更大范围内[15].

尽管一些研究侧重于放牧强度[13,14,16]，更多的工作致力于检测割草事件。割草事件意味着草原植被的急剧变化，因为大量生物量被移除。这种变化对植被和入射辐射之间的相互作用产生了影响。因此，可以使用具有足够空间和时间分辨率的卫星时间序列，通过变化检测来监测割草事件。在光学遥感中，割草事件与归一化植被指数（NDVI）时间序列的下降有关，NDVI时间序列由红色和近红外（NIR）波段得出[15,17,18]或随着红边植被指数时间序列的变化[14].

为了检测割草事件，确保定期和高观察频率至关重要，这在多云地区使用光学传感器时可能是一个挑战[19]. 在这种情况下，合成孔径雷达（SAR）图像具有很大的潜力，因为有源雷达传感器独立于阳光和云层。因此，它们保证了一段时间内的连续覆盖，使得它们几乎是全天候系统，这与光学传感器不同[10,20]. 最近的研究表明，SAR数据在土地覆盖测绘等应用中具有潜力[21]过去这主要基于光学数据。SAR时间序列中观察到了清晰一致的季节模式，从而可以检测几种作物的播种和收获日期[22]. SAR微波受表面几何形状和含水量的影响[23]以及其他因素。收割活动，如割草，会改变树冠结构，从而影响雷达信号的后向散射以及其他因素。

一些研究评估了从SAR图像检测割草事件的可行性，主要是基于后向散射系数。TerraSAR-X后向散射时间序列中出现信号上升，随后信号下降，这使得可以检测到由[24]. 这些令人鼓舞的结果需要在更广泛的样本上得到证实。另一项对34块割草草地的研究报告称，割草事件后，后向散射也会增加[25]. 在本研究中，观察到土壤含水量对信号的显著影响。根据ERS-2时间序列，检测到一半的割草事件，而较高的图像采集时间频率有望改善这些结果。最近，使用一组Sentinel-1衍生变量的人工神经网络，以85.7%的总准确度评估了草地砍伐状况[26]. 然而，值得一提的是，这些模型仅在五个集中管理的包裹上进行了训练和测试，显示出相对较高的错误检测率(

25 %

).

还研究了干涉SAR（InSAR）相干性用于检测割草事件。InSAR相干性是对后续SAR采集对之间信号去相关的度量。裸露土壤和短植被上的一致性比高草上的一致性更高，因为随着草随风移动或逐渐生长，树冠结构会随着时间的推移而变化，从而导致时间上的不相关[27,28,29]而裸地或短植被基本保持不变。割草后，草地的连贯性程度应该会上升，因为短切草地的运动较少。因此，在时间干涉相干性与植被高度和地上湿生物量之间观察到了反对数关系[30]. 研究表明，割草事件后的一致性值明显较高，尤其是在事件发生后0至12天内采集数据时[31]. 关于大约1000个草地地块的聚集相干时间序列[29]观察到割草和犁地事件的典型特征曲线，如理论上所预期的那样，在生长阶段显示出较低的相干值，在事件发生后显示出较高的相干值。尽管[29,31]他们得出结论认为，使用C波段SAR干涉相干性进行割草检测是可行的，并鼓励进一步研究评估不同方法的割草检测精度并识别其他混杂因素。

虽然取得了令人鼓舞的结果，但使用SAR时间序列进行的草地割草检测研究主要是在相当有限的研究区域进行的，涵盖了2至40个草地地块[24,31]. 在最近对草地生产和管理遥感的综述中[32]提出了草原割草检测的一个关键点：缺乏一致的验证数据。在许多情况下，健壮且独立的验证数据集缺失或缺乏足够的时间分辨率或空间覆盖。

本研究的目的是使用大量不同的参考数据集，评估Sentinel-1 C波段SAR以统计上可靠的方式检测各种农业草地割草事件的潜力。目的是回答三个问题，即（1）仅基于Sentinel-1时间序列在草原上检测割草事件的准确性如何，（2）使用Sentinel-2进行割草检测的主要局限性和混淆因素是什么，以及（3）基于Sentinel-1的割草检测能否用于识别不同的草地割草动态？为此，进行了一次密集的野外活动，及时提供了各种草地割草和放牧活动的信息。这使得可以根据文献和初步观察结果开发和校准几种方法，并进行彻底的性能分析，从而对Sentinel-1的割草检测潜力进行具有统计意义的评估。

2.研究区域

这项研究是在比利时南部地区瓦隆尼亚的永久草原上进行的，覆盖16901公里

^{2}

(图1). 永久草原覆盖了瓦隆地区35%的已利用农业面积（UAA）[33]. 在区域地块识别系统（LPIS）中，草地被定义为永久性的[34]至少5年没有作物轮作。该地区不同农业地理区域的地块数量和管理强度不同(图1). 这些地区的划定以农业生态条件和种植制度为基础。本研究涵盖了农业生态和农业条件的显著多样性，包括Condroz、Fagne-Famenne和Ardennes，草地分别占UAA的37%、71%和88%[35]. 其他以草原为主的农业区包括Pays de Herve和Lorraine，由于野外活动的可行性原因，本研究未涵盖这两个地区。本研究更准确地关注欧洲自然信息系统（EUNIS）中分类为“E 2.1永久性中营养牧场和后放牧草地”和“E2.2低海拔和中海拔干草草地”的草地。第一类包括永久牧场和混合割草和放牧管理。在过去的几十年里，第二类动物已经变得越来越稀少，它们严格地进行割草，没有放牧活动[36]. 第一次割草的日期因草地管理而异。在大多数常见草原上，开发活动（放牧和/或割草）从4月中旬开始。在欧盟共同农业政策支持的具有高度生物价值的草原上，割草仅允许在6月16日之后、开花期间和10月31日之前进行。

3.数据

3.1. 现场数据

开展了一次密集的实地活动，以收集用于开发、校准和定量评估割草检测方法的参考数据。2019年4月中旬至7月中旬，在Sentinel-1收购日期（或临近）进行了11次访问(图2). 该活动基于整个研究区域的挡风玻璃调查。在沿同一路线的每次访问期间，从道路上观察到所有永久性草地，当没有活动时，每个地块的管理状态被记录为“正在生长”，当地块上有牲畜时，记录为“最近砍伐”、“正在砍伐”或“放牧”。本次调查提供了416块永久性草原上10个时间间隔的信息，共有4160个观测间隔。调查的草原位于不同的农业地理区域：康德罗兹76个，法涅-法门纳190个，阿登150个。实地考察尽可能以6天的速度进行，对应于哨兵1号a和B的联合重访周期，频率最高的是5月和6月，此时预计将进行首次削减，且再生速度相对较快。每隔6、12或18天进行观察。总的来说，在研究期间记录了236次割草事件。被监测地块集被分成两个独立的子集进行校准(n个=220）和验证(n个= 196) (图1). 通过分层随机抽样建立子集，确保每种草地都有三种类型。第一类是至少观察到一次割草事件但没有放牧的地块。它们进一步被称为“干草草地”。在第二种类型（进一步称为“混合做法”）中，观察到了割草和放牧事件。在第三类地块中，在研究期间未记录任何割草事件，但每个地块至少观察到一次放牧牲畜。它们进一步被称为“无人居住的牧场”。

3.2. Sentinel-1时间序列

Sentinel-1数据以单视复合体（SLC）格式和双极化干涉宽（IW）测绘带模式采集（垂直传输，垂直接收（VV）或水平接收（VH））。地面探测（GRD）后向散射系数的处理(

γ^{0}

)使用欧空局SNAP（6.0版）的Sentinel-1工具箱进行了15米分辨率的干涉相干测量。中显示的处理链图3包括校准、地理参考、去噪、InSAR相干估计（平均窗口大小为方位角×距离：3×10）和地形校正。2019年，这两家连锁店都在收购覆盖瓦隆的Sentinel-1下降通道。在本研究中，只处理了下行通道采集，因为不应计算不同通道（上行或下行）之间的一致性，因为视线方向不同。此外，出于实际和及时的原因，实地考察的时间间隔至少为6天，正好与通行证采集日期的下降相匹配。计算连续Sentinel-1 A和B图像之间的相干度，以达到6天的重访周期，而不是12天，如[31].

SAR图像的特点是像素内随机分布的散射体之间的构造性和破坏性干扰引起的固有差异（斑点）[37]. 这种斑点效应可以在表面均匀的表面上观察到，例如草本覆盖物。为了在空间上平滑SAR数据，区域LPIS层[34]-由瓦隆管理局为欧盟共同农业政策每年建立，并参考瓦隆农业地块的本地化、范围和主要作物，用于平均每个地块的反向散射和相干信号。在求平均值之前，将10m的内部缓冲区应用于地块多边形，以减少边界效应。

4.方法

在前人研究和时间序列观察的基础上，选择了几种割草检测方法，并进行了比较。这些方法一方面基于后向散射系数的时间序列变化检测，另一方面基于干涉相干。所有方法均使用VV和VH信号以及两种极化的组合进行测试，即后向散射情况下的比率（VV/VH）和相干情况下的平均值（VV，VH）。

4.1. 后向散射检测方法

第一种方法基于

γ^{0}

后向散射时间序列，包括检测信号增加后信号减少的发生，以及在几项研究中观察到的相应阈值幅度[24,25,38]. 与高草上植被的体积散射相比，割草后后向散射的变化可能与土壤表面散射的更强贡献有关。这里选择的方法主要基于[24]即（1）信号增加后又减少的发生，以及（2）这些变化的幅度高于固定阈值。对于提取的每个地块的时间序列，每个值

γ_{我}

与之前的相比

γ_{我 - 1}

然后下一个

γ_{我 + 1}

。然后需要满足两个条件。

(1): 价值观 $γ_{我}$ 需要大于上一个值 $γ_{我 - 1}$ 和下一个值 $γ_{我 + 1}$ :

$γ_{我 - 1} < γ_{我} > γ_{我 + 1}$

(1)
(2): 变化幅度，以增加百分比表示 $天_{u个第页}$ 并减少 $天_{d日 o个 w个 n个}$ :

$天_{u个第页} = 100 * (\frac{γ_{我} - γ_{我 - 1}}{γ_{我}})$

(2)

$天_{d日 o个 w个 n个} = 100 * (\frac{| γ_{我 + 1} - γ_{我} |}{γ_{我}})$

(3)

必须高于按固定阈值增加和减少的平均百分比(

{K（K）}_{u个 第页}

%和

{K（K）}_{d日 o个 w个 n个}

%）。平均百分比变化描述了整个时间序列上的信号变化，并针对每个地块进行计算，用于以下方程式：

天_{u个 第页} - \frac{\sum_{我 = 0}^{N个} \frac{| γ_{我} - γ_{我 - 1} |}{γ_{我}} * 100}{N个} \geq {K（K）}_{u个 第页} %

(4)

和

天_{d日 o个 w个 n个} - \frac{\sum_{我 = 0}^{N个} \frac{| γ_{我 + 1} - γ_{我} |}{γ_{我}} * 100}{N个} \geq {K（K）}_{d日 o个 w个 n个} %

(5)

当方程式(1), (4)和(5)都是真的。用不同的阈值测试该方法

{K（K）}_{u个 第页}

%和

{K（K）}_{d日 o个 w个 n个}

% (表1).

4.2. 相干跳跃检测方法

第二组方法是基于在割草事件发生后对相干时间序列中的跳高进行观察。割草事件意味着地上生物量急剧减少。根据之前研究中的观察结果[30,31]，生物量的减少会导致在割草事件之后的给定时间段内，在草再次长高之前，相干值从相对较低的值突然增加到较高的值。尽管进行了空间滤波，但连续日期之间的一致性往往会出现波动，因此采用了时间平滑来显示显著的增加。基于对不同地块相干时间序列的初步观测，考虑了三种不同平滑方法的跳跃检测方法(图4).

平均偏移：第一种方法称为均值漂移，它包括一个最大尺寸的滑动平均窗口d日具有可调节的对称性。它允许平滑信号，同时突出时间平均值的显著变化，如跳跃。应用平均移位滑动窗口时，每个原始值

{T型}_{我}

替换为平均值[

{T型}_{我 - 对_{1}}

,

{T型}_{我 + 对_{2}}

]，生成平滑值

米 秒 ({T型}_{我})

.之前的点数(

对_{1}

)以及之后(

对_{2}

)包括在窗口中的是适应于每个窗口中信号的局部方差的。它们由以下限制（方程式（6））定义，从而产生最大窗口大小

d日 = 2 * 对_{米 一 x个} + 1

.

\{\begin{matrix} 对_{1} = 对_{米 一 x个} \\ 对_{2} = [0, 对_{米 一 x个}] \end{matrix} 哦 R（右） \{\begin{matrix} 对_{1} = [0, 对_{米 一 x个}] \\ 对_{2} = 对_{米 一 x个} \end{matrix}

(6)

在这些限制之间，窗口对称参数

对_{1}

和

对_{2}

调整每个窗口以使平均值的标准误差最小化(

σ_{x个}

):

σ_{x个} = \frac{σ_{[{T型}_{我 - 对_{1}}, {T型}_{我 + 对_{2}}]}}{\sqrt{对_{1} + 对_{2} + 1}}

(7)

哪里

σ

是的标准偏差[

{T型}_{我 - 对_{1}}

,

{T型}_{我 + 对_{2}}

]. 当差异

米 秒 ({T型}_{我}) - 米 秒 ({T型}_{我 - 1})

超过固定阈值。用绝对阈值（a.t.）测试该方法(k个)或相对于标准误差的相对阈值（r.t.）。在第二种情况下，学生考试(t吨-测试）具有给定的显著性水平

α

执行。最大窗口大小的所有测试值d日和阈值k个和

α

总结如下表1.

线性回归：在第二种方法中，使用非对称滑动窗口通过线性回归对时间序列进行平滑。由于割草活动之前植被的生长，相干性预计会逐渐减少，然后在割草活动之后突然增加。在这种方法中，每个原始值

{T型}_{我}

与之前的平滑值进行比较

我 对 ({T型}_{我 - 1})

通过线性回归得到

[{T型}_{我 - d日}, \dots, {T型}_{我 - 1}, {T型}_{我}]

这允许考虑相干剖面中的潜在斜率，并检测与先前信号趋势相比的突然增加。当差异

{T型}_{我} - 我 对 ({T型}_{我 - 1})

超过给定阈值。该方法也在不同窗户尺寸下进行了测试d日、和绝对值(k个)和相对(

α

)阈值(表1).

两个表示：第三种跳跃检测方法是基于均匀大小的滑动窗口d日其中，统计假设检验验证窗口中间的时间平均连贯性是否有显著变化。这是检测相干时间序列突然增加的另一种方法。无效假设

{H（H）}_{0}

是整个窗口的平均值的近似值

米 e（电子） 一 n个 ([{T型}_{1} : {T型}_{d日}])

.替代假设

{H（H）}_{1}

是由上半场两个不同平均值组成的“阶梯模型”的近似值

[{T型}_{1} : {T型}_{d日 / 2}]

和下半场

[{T型}_{d日 / 2 + 1} : {T型}_{d日}]

窗口的。这个

{F类}_{秒 t吨 一 t吨}

用于测试的是通过方程式计算的(8):

{F类}_{秒 t吨 一 t吨} = \frac{(\frac{S公司 S公司 {R（右）}_{0} - S公司 S公司 {R（右）}_{1}}{{k个}_{1} - {k个}_{0}})}{(\frac{S公司 S公司 {R（右）}_{1}}{d日 - {k个}_{1}})}

(8)

哪里

S公司 S公司 {R（右）}_{[0, 1]}

和

{k个}_{[0, 1]}

分别是平方残差和的参数个数

{H（H）}_{[0, 1]}

.的概率密度函数

{F类}_{秒 t吨 一 t吨}

由n导出，

{k个}_{0}

和

{k个}_{1}

和a第页-为每个日期计算值。A类第页-给定阈值下的值表示拒绝

{H（H）}_{0}

在这种情况下，并且如果第二平均值高于第一平均值，则检测到相干跳跃。表1概述了使用不同输入、窗口大小和检测阈值应用的所有相干跳跃检测方法。

4.3. 方法校准、评估和验证

校准步骤旨在确定每种后向散射和相干跳跃检测方法的最佳参数，即最佳窗口大小和检测阈值。它还用于分析这些方法对与使用Sentinel-1数据相关的主要混杂因素的稳健性。

在一组独立的草地地块上验证了校准方法，以评估基于Sentinel-1的割草检测在识别不同草地割草动态方面的潜力。

为了确定最佳参数，对校准数据集的子集进行了校准，地块呈现出理想的尺寸、形状和坡度方向。这些理想地块的面积大于1公顷，宽度大于30米，山丘阴影必须高于数据集的中值。山坡阴影被用作坡度方向的指示器，因为它基于相对于照明源角度和阴影的坡度方向。这三个要求对应于可能影响Sentinel-1信号的包裹特征。由于空间平滑中包含的像素数量有限，预计小包裹的监控将更具挑战性。包裹的形状可能是一个问题，因为狭窄的包裹可能会受到边界效果（混合像素）的影响。最后，斜面相对于雷达波束方向的方向将对信号与地面的相互作用产生影响。

然后将校准方法应用于具有不太理想特征的地块，以观察尺寸、形状和坡度方向对割草检测精度的影响。除了地块特征外，还评估了这些方法对放牧活动的稳健性。根据现场观察结果，将数据集分为未观察到割草事件的放牧地块、至少观察到一次割草事件且已割草但未在观察期间割草的放牧区块。这些进一步被称为“无人居住的牧场”(n个=105），“混合实践”(n个=36）和“干草草地”(n个=79）。

使用每个地块实地考察之间的时间间隔作为单位，计算校准和稳健性分析的质量指标。选定用于校准的220个地块中，每个地块有10个间隔，总共有2200个观测值。根据现场观察和Sentinel-1割草检测，每个包裹的每个时间间隔都可以标记为：割草事件的发生（1）或没有割草事件（0）。基于所有地块间隔的累积计数，在观察到的和检测到的割草事件之间建立混淆矩阵。由于割草事件相对较少，（1）和（0）之间存在强烈的不平衡。因此，除了广泛使用的总精度（OA）外，马修斯相关系数（MCC）还用于校准和评估，以及割草检测的灵敏度和精度。MCC由Matthews首次引入[39]并且该度量特别适合于测量不平衡二进制分类的质量[40]. MCC值的范围为-1至1，0相当于随机分类。灵敏度是检测率的一种度量，而精度则测量真阳性检测的分数。根据真（T）/假（F）正值（P）和负值（N），使用等式计算MCC指标、灵敏度和精度(9)–(11).

M（M） C类 C类 = \frac{T型 P（P） * T型 N个 - F类 P（P） * F类 N个}{\sqrt{(T型 P（P） + F类 P（P）) (T型 P（P） + F类 N个) (T型 N个 + F类 P（P）) (T型 N个 + F类 N个)}}

(9)

S公司 e（电子） n个 秒 我 t吨 我 v（v） 我 t吨 年 = \frac{T型 P（P）}{T型 P（P） + F类 N个}

(10)

P（P） 对 e（电子） c（c） 我 秒 我 o个 n个 = \frac{T型 P（P）}{T型 P（P） + F类 P（P）}

(11)

然后将性能最佳且最稳健的方法应用于196个地块的独立验证数据集。在这种情况下，评估的是每个包裹的性能，而不是每个时间间隔。目的是评估基于Sentinel-1的割草检测方法在识别草原不同割草动态方面的潜力。对野外活动期间观察到的四种类型的草地管理进行了评估：（i）未开垦的牧场，（ii）春季割草1次的地块（6月20日之前），（iii）夏季割草1场，以及（iv）研究期间的2次割草活动。对于类型（i），通过统计未检测到的包裹（正确识别）和至少有一次错误检测的包裹来评估识别可能性。对于类型（ii）和（iii），检测到割草事件（春季或夏季）且没有错误检测的包裹被视为正确识别。然后，对假检测、漏检或两者兼而有之的包裹进行了进一步区分。最后，对于类型（iv），对在没有错误检测（正确识别）的情况下检测到两个事件、仅检测到第一或第二事件、两者都被省略并且仅进行错误检测的情况的数量进行计数。

5.结果

5.1. 方法校准

所有方法均在具有一系列不同检测参数的理想校准包上运行(表1). 基于后向散射的方法总共考虑了12种配置。对于相干跳跃检测，考虑了48种不同的极化配置、平滑方法、窗口大小和阈值类型。第一个观察结果是，与相干跳跃检测方法相比，基于后向散射的检测方法的性能非常差。通过反向散射获得的最大MCC为0.25，使用

γ^{0}

VV时间序列，而不同相干跳跃检测方法获得的最高MCC值范围为0.26至0.49。因此，重点放在相干跳跃检测方法上，以便进一步分析。

基于OA、灵敏度、精度和MCC，比较了不同平滑方法、窗口大小和阈值类型对不同检测阈值的影响(图5). 所有方法的OA（连续蓝线）达到92%至96%的高值。当绝对检测阈值（a.t.）较低时，其显著下降，例如，当k=0.0025时，使用cohVV线性回归方法（d=6），其下降至45%，因为使用如此低的检测阈值进行了大量虚假检测(图5d） ●●●●。

如预期，当检测阈值增加（1

- α

, 1 −第页-值和k）时，随着错误检测次数的减少，精度会增加，但随着更多割草事件被忽略，灵敏度会下降。在不同的输入极化（cohVV、cohVH和cohVVH）或窗口大小之间，灵敏度和精密度曲线的形状没有观察到显著差异。另一方面，曲线的形状因平滑方法而异，如所示图5在绝对阈值和相对阈值下，线性回归法的精度和灵敏度达到平衡且曲线交叉的阈值高于均值漂移法的阈值。对于均值漂移法(图5a、 b），当

α

趋向于0或k增加，随着检测变得更加精确，灵敏度下降相对较低。同时对于线性回归方法(图5c、 d），灵敏度保持较高，检测阈值更精确。对于双均值平滑方法，灵敏度下降较快，但精度没有显著提高。

除双均值法外，所有方法的MCC指标（蓝色虚线）均高于0.4(图5e） ●●●●。因此，为了进一步分析，也放弃了双均值法。这里使用MCC峰值来选择最佳执行方法和检测阈值。然而，即使在这些最佳阈值下，所有方法的精度或灵敏度都低于50%。

为了进一步分析，为VV一致性（cohVV）、VH一致性（cohVH）以及VV和VH一致性的平均值（cohVVVH）选择了提供最高MCC值的两种方法。选择的六种方法是（i）cohVH均值漂移(d日=9）具有相对阈值(

α = 0.001

)，（ii）cohVH线性回归(d日=5）带有r.t(

α = 0.0005

)，（iii）cohVV均值偏移(d日=11）带有a.t(

k个 = 0.025

)，（iv）cohVV线性回归(d日=6）带有r.t(

α = 0.005

)，（v）cohVVH线性回归(d日=5）与a.t(

k个 = 0.1

)和（vi）cohVVH线性回归(d日=6）带有r.t(

α = 0.005

). 这些方法获得的MCC值范围为（ii）的0.44到（iv）的0.49。这些校准方法列于表2.

5.2. 对混淆因素的稳健性

为了分析割草检测方法的鲁棒性，分析了地块特征对检测灵敏度（Sen）和精度（Pre）的影响。理想、小型和狭窄地块、丘陵阴影值较低的地块、所有非理想地块和所有地块的结果列于表2.

在理想包裹上，基于MCC指标的校准在遗漏和错误检测之间取得平衡，具体取决于方法。cohVH均值漂移法显示出最小的平衡，具有最高的精度（78%）和最低的灵敏度（27%）。最平衡的校准方法是具有绝对阈值的cohVVH线性回归，其精度和灵敏度分别为42%和54%。两种具有VH相关性的方法都以较高的精度进行了校准，而具有cohVV和cohVVH的方法在最佳阈值下具有较高的灵敏度。cohVV方法和具有相对阈值的cohVH线性回归方法对理想包裹的灵敏度最高（69%）。

在包裹特征中，对狭窄包裹的影响最为显著，因为所有方法的精确度和灵敏度都明显较低。用cohVH均值漂移法观察到地块形状的影响最大，也是最不平衡的。该方法在狭窄包裹上的精度和灵敏度分别下降到13%和8%。通过不同的方法，尺寸和坡度方向对割草检测准确性的单独影响不太显著或一致。甚至观察到一些对精度的积极影响。

为了观察三种包裹特性对割草检测灵敏度和精度的综合影响，对理想包裹和非理想包裹进行了比较(图6a） ●●●●。对于所有方法，非理想包裹的灵敏度较低。然而，对精度的影响更为多变。最稳健的方法是cohVH线性回归和两种cohVVHH线性回归方法，对于这两种方法，理想包裹和非理想包裹之间的灵敏度和精度差异小于10%。对于cohVV线性回归，精度不受地块特征的影响，但灵敏度下降了20%。如前所述，对cohVH均值漂移的影响最大，精度下降了31%。

然后，根据野外活动期间的观察结果，评估了放牧活动对检测准确性的影响(图6b）。正如预期的那样，当从数据集中移除未驯服的牧场时，灵敏度没有变化。然而，所有方法的精度都要高得多，即具有a.t.的cohVVVH线性回归的精度为64%，cohVV线性回归的精度为72%，cohVH线性回归的精度为86%，而当考虑到所有类型的草原时，这些方法的精度分别为43%、42%和57%。这意味着大部分错误检测是由于未开垦的牧场造成的。当去除混合做法并仅考虑干草草地时，精度和灵敏度几乎没有变化，通过不同的方法没有观察到一致的影响。

对于cohVV线性回归方法，在丢弃未驯化的牧场后，观测到最重要的精度提高（+30%）(d日=6）带有r.t(

α = 0.005

)它对所有包裹的合理灵敏度为54%，对具有理想特征的包裹的检测率达到69%。因此，它被选为整体性能最佳的方法，并用于进一步基于地块的验证。

5.3. 基于地块的验证

校准的cohVV线性回归（d=6）方法与r.t(

α = 0.005

)应用于196个地块的独立验证数据集，用于草地管理分类(图7). 目的是评估基于Sentinel-1割草检测识别草原不同割草动态的性能。

在研究期间，100块未驯化的草地全部放牧，其中54%被正确识别为未驯化（图7)，这意味着在几乎一半未开垦的牧场上都进行了错误检测。这证实了稳健性分析的结果，确定放牧是Sentinel-1割草检测的主要混杂因素。

第二条图7显示了26个包裹上的表演，其中包括一次春季割草。这里也有54%的人被正确识别。在剩余的春季割草地块中，割草事件被忽略，在四个地块（15%）中，除此之外，还进行了错误检测。夏季割草获得了更好的效果（第三棒图7)，因为在51个夏季割草的地块中，71%的地块得到了正确识别。第二次错误检测发生在八个地块（16%），七个地块（14%）省略了夏季割草事件，其中两个地块在春季进行了错误检测。

最后，从19个有两次割草活动的包裹中（第四条图7)，只有六个（32%）完全正确。在这里，大多数夏季活动都被检测到（12个地块，占64%），而许多春季割草被忽略了（9个地块，约占48%）。两次割草事件仅在四个包裹中被忽略，其中一个包裹也被视为虚假检测。

考虑到整个验证数据集，根据Sentinel-1相干割草检测，56%的所有地块和59%的割草地块在割草动态方面得到了正确识别。大多数错误包括在放牧地块中的错误检测和忽略春季割草事件。

6.讨论

这项研究的结果证实了使用InSAR相干性检测割草事件的潜力，正如对有限数量草地地块的研究所表明的那样[31]. 总的来说，研究表明，可以通过识别相干时间序列中的跳跃来检测割草事件。基于大量多样的参考数据集，可以针对不同类型的草地开发、校准和彻底分析多种方法。一旦校准，大多数方法显示出类似的性能和鲁棒性。然而，基于VV相关性的割草检测通过窗口d=6和相对阈值的线性回归进行平滑(

α = 0.005

)更加精确，尤其是在干草草地上。

6.1. 割草检测方法

基于割草事件后后向散射增加和随后减少的假设的方法在校准阶段表现不佳。的作者[24]使用TerraSAR-X准确检测到两个半天然草地上的所有割草事件

σ^{0}

图像，而本研究使用Sentinel-1 C波段

γ^{0}

因此，他们的割草检测方法应该在更大、更丰富的数据集上用X波段SAR数据进行进一步测试。

另一方面，研究表明，割草事件可以通过识别平滑相干时间序列中的跳跃来检测。基于较低的MCC值，可以放弃“双均值”平滑方法，但均值漂移和线性回归方法的不同输入极化、窗口大小和检测阈值类型之间的性能差异不大(表1). 在理想情况下，无论采用何种方法，割草事件都会导致足够的一致性增加，从而很容易检测到。相反，无论采用何种方法和参数，都无法检测到某些割草事件，信号噪声或其他表面变化可能会导致相干跳跃。如图所示，在不同类型地块上提取的八个相干时间序列，以及野外观察到的割草事件，如所示图A1(附录A). 因此，大多数误差与检测方法无关，但与信号及其与其他因素的相互作用有关。为了了解这些限制的原因，进行了稳健性分析，以确定与Sentinel-1一致性割草检测的混杂因素。

6.2. 限制

中的灵敏度和精度指标表2和图6结果表明，在大多数方法中，包裹的大小、形状和坡度方向都会阻碍割草事件的检测。在较小或较窄的地块或坡度方向不太理想的地块中检测到的割草事件较少，并且使用某些方法，在这些不太理想地块中进行的错误检测较多。然而，准确度的差异很小，并且在整个方法中并不总是一致的。

从本研究中测试的混杂因素来看，放牧显然是最重要的因素。在研究期间，在没有割草但被放牧的包裹中进行了许多错误检测。在验证期间，在几乎一半的无人牧场上进行了虚假检测，证实了放牧是割草检测的主要混淆因素。随着草高和生物量的降低，相关性增加[30]事实上，放牧密度较大的放牧事件可能会导致一致性跳跃，类似于割草事件。

在干草草地和混合实践地块中，本研究开发的相干跳跃检测方法允许检测大多数夏季割草，无论是第一次还是第二次割草，而大约一半的春季割草被忽略(图7). 这可以解释为夏季割草后草的再生较慢，导致相干度在较长时间内保持较高，从而更容易检测。

本研究中评估的混杂因素解释了一些错误检测和错过的割草事件。然而，在一些情况下，错误的原因仍然不清楚。其他因素可能会影响雷达信号，如树木和灌木的存在或土壤和植物的含水量，从而阻碍对割草事件的检测。之前已经显示了含水量对雷达信号的影响[23]. 这也被证明是割草检测的潜在混淆因素[25,31]. 就农业实践而言，地块上留下的待干燥的草条也可能是一个混淆因素，它会改变割草事件后的信号响应。

本研究中开发的割草检测方法是基于对象的，并依赖于草地地块边界的可用性进行空间平滑。区域LPIS为该研究区域提供了该信息。然而，LPIS包裹是基于农民申报的，因此部分割草包裹可能会导致错误。或者，可以通过基于卷积神经网络（CNN）的自动描绘来检索地块边界[41].

6.3. 参考数据和质量指标

发展和评估割草检测方法的主要限制因素是精确和完整的现场数据的可用性[32]. 在本研究框架内开展的大规模实地调查提供了关于瓦隆尼亚不同农业地理区域400多个农业草地地块在Sentinel-1收购日期的土地利用状况的信息。得益于这一丰富的数据集，可以对Sentinel-1在农业草原上的割草检测潜力进行统计评估。

另一个关键点是选择适当的质量指标，以正确显示检测方法相对于上下文和总体目标的性能。在检测到罕见事件的情况下，事件发生和不发生的类别是不平衡的。由于这种不均衡性，广泛使用的总体准确度（OA）主要受大量缺失的影响，并不代表检测准确度。事实上，在校准期间，所有方法的OA值都达到90%以上，而检测灵敏度和精度相对较低(图5). 灵敏度和精度关注真阳性、假阳性和假阴性，并从事件发生的角度清楚地表示检测方法的性能。由于省略了更多的事件，增加检测阈值提高了精度，但降低了灵敏度。当校准割草检测方法时，需要在最大化检测率和最小化错误检测之间做出折衷。在本研究中，MCC度量用于校准方法并选择最佳检测阈值，因为它非常适合于不平衡二进制分类[40]. 根据不同的方法，这会导致更高的精度或更高的灵敏度，以及两个指标之间或多或少的平衡。实际上，需要根据割草事件检测的上下文和动机设置检测阈值。

6.4. 潜力和前景

本研究开发的Sentinel-1相干割草检测方法可以检测干草草地上的大多数夏季割草。然而，考虑到草地类型和管理动态的多样性，割草检测缺乏准确性，一些割草事件无法仅基于Sentinel-1一致性进行检测。

为了提高精度，事先区分放牧地块和干草草地将是一项巨大的优势，因为大多数错误检测都是在牧场进行的。以前的研究已经根据例如后向散射系数来区分放牧草地和干草草地[25]或从光学图像中得出的植被指数[14].

在草原利用强度评估和栖息地监测的前景中，至关重要的是能够更确定地检测早春割草事件，以便将管理更密集的草原与具有更高生态价值的广阔草原区分开来。通过将Sentinel-1相干割草检测与基于NDVI降低的光学方法相结合，可能可以提高性能，如[15]或[17].

7.结论

本研究的主要目的是评估Sentinel-1在检测割草事件方面的全部潜力，方法是评估割草检测的准确性，确定主要局限性和混杂因素，并最终评估预测不同类型草地割草动态的潜力。利用416块草地的状态和使用情况的及时现场数据，对四种基于Sentinel-1的割草检测方法进行了评估，并在不同的草地上采用了不同的参数配置。这些方法基于对SAR信号对割草事件响应的两个主要观察结果，即出现后向散射信号上升和下降以及干涉相干跳跃。虽然基于后向散射的方法表现出很低的性能，但相干跳跃检测方法能够准确检测干草草地上的大多数割草事件。然而，由于忽略了大量春季割草以及牧场中的许多错误检测，在完全独立的数据集中，只有56%的草地在割草动态方面得到了正确识别。尺寸、形状地形和农业实践解释了一些错误，但其中一部分仍不确定，一定是由于其他信号相互作用。本研究的结果证实了基于相干跳跃的割草事件检测是可行的。通过预先区分牧场并结合Sentinel-1和Sentinel-2数据，可能会进一步提高性能。然而，必须在灵敏度和精度之间做出妥协，并且需要根据割草检测的背景和目的相应设置检测阈值。

在大规模栖息地质量监测的背景下，草地割草检测是估算草地使用强度的一项重要资产。因此，应使用大量、多样和精确的现场数据集，进一步研究和开发检测割草事件的方法。

作者贡献

形式分析，M.D.V。；M.D.V.调查。；方法学，M.D.V。；监理、J.R.和P.D。；验证、J.R.和P.D。；书面原稿编制，M.D.V。；所有作者均已阅读并同意手稿的出版版本。

基金

这项研究是ESFRI背景下LifeWatch FWB项目的一部分，得到了Fédération Wallonie Bruxelles的支持。

机构审查委员会声明

不适用。

知情同意书

不适用。

数据可用性声明

数据共享不适用。本研究未创建或分析新数据。数据共享不适用于本文。

鸣谢

我们承认瓦隆管理局将地块识别系统（LPIS）层用作提取每个地块时间序列的空间过滤器。

利益冲突

作者声明没有利益冲突。

缩写

本手稿中使用了以下缩写：

欧盟国家创新体系	欧洲自然信息系统
GRD公司	检测到接地范围
InSAR（InSAR）	干涉合成孔径雷达
LPIS公司	地块识别系统
电动机控制中心	马修斯相关系数
NDVI公司	归一化差异植被指数
办公自动化	整体精确度
合成孔径雷达	合成孔径雷达
SLC公司	单一外观复杂
阿拉伯联合酋长国	利用农业面积

附录A

图A1。Sentinel-1 VV相干时间序列从8个草原地块（2个混合牧场、3个干草草地和3个未开垦牧场）中提取。绿色区域表示根据现场观察发生割草事件的时间间隔。绿线表示实地考察当天观察到的割草事件。

图A1。Sentinel-1 VV一致性时间序列从8个草地地块（2个混合草地、3个干草草地和3个无人牧场）中提取。绿色区域表示根据现场观察发生割草事件的时间间隔。绿线表示实地考察当天观察到的割草事件。

工具书类

Hansen，M.C。；Defries，R.S。；汤森，J.R.G。；Sohlberg，R.使用分类树方法在1km空间分辨率下进行全球土地覆盖分类。Int.J.远程传感器。 2000,21, 1331–1364. [谷歌学者] [交叉参考]
T.R.洛夫兰。；不列颠哥伦比亚省里德。；Brown，J.F。；Ohlen，D.O。；朱，Z。；Yang，L。；Merchant，J.W.根据1km AVHRR数据开发全球土地覆盖特征数据库和IGBP DISCover。Int.J.远程传感器。 2000,21, 1303–1330. [谷歌学者] [交叉参考]
O·阿里诺。；Ramos Perez，J。；卡洛吉鲁，V。；Bontemps，S。；落叶，P。；Van Bogaert，E。2009年全球土地覆盖图（GlobCover 2009）; ©欧洲航天局（ESA）和卢万天主教大学（UCL），PANGAEA：比利时卢万拉纽夫，2012年。[谷歌学者] [交叉参考]
北Tsendbazar。；赫罗德，M。；Mayaux，P。；Achard，F。；Kirches，G。；布罗克曼，C。；Boettcher，M。；拉马克，C。；Bontemps，S。；迪弗尼，P。CCI土地覆盖产品验证和相互比较报告; 技术报告；伦敦大学学院地球信息学：2014年，比利时鲁万拉纽夫。[谷歌学者]
Allan，E。；O.博斯多夫。；多尔曼，C.F。；Prati，D。；戈斯纳，M.M。；Tschantke，T。；布吕特根，N。；贝拉赫，M。；Birkhofer，K。；Boch，S。；土地利用强度的年际变化增强了草地的多样性。程序。国家。阿卡德。科学。美国 2014,111, 308–313. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
Kleijn，D。；科勒，F。；Báldi，A。；巴塔里，P。；康塞普西翁，E.D。；Clough，Y。；Díaz，M。；加布里埃尔，D。；A.Holzschuh。；Knop，E。；等。欧洲农田生物多样性与土地利用强度之间的关系。程序。R.Soc.B生物。科学。 2009,276, 903–909. [谷歌学者] [交叉参考] [公共医学]
Uematsu，Y。；Koga，T.公司。；Mitsuhashi，H.等人。；Ushimaru，A.农业用地的废弃和强化利用减少了半天然草地上稀有草本植物的栖息地。农业。生态系统。环境。 2010,135, 304–309. [谷歌学者] [交叉参考]
Zlinszky，A。；Schroiff，A。；卡尼亚，A。；Deák，B。；穆克，W。；瓦里，A。；塞凯利，B。；Pfeifer，N.用全波形机载激光扫描对草原植被进行分类：检测Natura 2000栖息地类型的可行性研究。远程传感器。 2014,6, 8056–8087. [谷歌学者] [交叉参考] [绿色版本]
霍恩，D.J。；Koford，R.R.《北达科他州草地鸟类丰度与保护区项目农田割草的关系》。威尔德。Soc.公牛队。 2000,28, 653–659. [谷歌学者]
阿里，I。；考克韦尔，F。；德怀尔，E。；巴雷特，B。；Green，S.草原卫星遥感：从观测到管理。J.植物生态学。 2016,9, 649–671. [谷歌学者] [交叉参考] [绿色版本]
阿萨姆，S。；克莱因，D。；Dech，S.基于高空间分辨率LAI时间序列的草地利用强度估算。国际建筑。照片。远程。传感器喷溅。信息科学。 2015,XL-7/W3型, 285–291. [谷歌学者] [交叉参考] [绿色版本]
Dusseux，P。；Vertès，F。；科佩蒂，T。；科恩，S。；Hubert-Moy，L.通过空间遥感检测草原上的农业实践。环境。莫尼特。评估。 2014,186, 8249–8265. [谷歌学者] [交叉参考]
Franke，J。；Keuck，V.公司。；Siegert，F.通过遥感评估草原使用强度，以支持保护计划。《自然保护杂志》。 2012,20, 125–134. [谷歌学者] [交叉参考]
Gómez Giménez，M。；德容，R。；Della Peruta，R。；凯勒，A。；Schaepman，M.E.根据多时相遥感数据和生态指标确定草地利用强度。遥感环境。 2017,198, 126–139. [谷歌学者] [交叉参考]
酯类，S。；Mader，S。；杠杆，C。；Verburg，P.H。；Baumann，M。；Kuemmerle，T.结合卫星数据和农业统计数据绘制欧洲草地管理强度图。环境。Res.Lett公司。 2018,13, 074020. [谷歌学者] [交叉参考]
郑洁。；李，F。；Du，X.利用红边位移监测内蒙古草原放牧强度。J.印度社会遥感。 2018,46, 81–88. [谷歌学者] [交叉参考]
北卡罗来纳州科莱卡。；Ginzler，C。；帕祖尔，R。；价格，B。；Verburg，P.H.利用Sentinel-2时间序列绘制草原割草频率的区域尺度图。远程传感器。 2018,10, 1221. [谷歌学者] [交叉参考] [绿色版本]
格里菲斯，P。；Nendel，C。；Pickert，J。；Hostert，P.从综合Sentinel-2和Landsat时间序列看草原利用强度的国家尺度特征。遥感环境。 2020,238, 111124. [谷歌学者] [交叉参考]
萨诺，E.E。；费雷拉，L.G。；Asner，G.P。；Steinke，E.T.获得巴西热带稀树草原上空无云陆地卫星图像的时空概率。Int.J.远程传感器。 2007,28, 2739–2752. [谷歌学者] [交叉参考]
Howison，R.A。；Piersma，T。；Kentie，R。；Hooijmeijer，J.C.E.W.公司。；Olff，H.通过基于雷达的遥感量化景观级土地利用强度模式。J.应用。经济。 2018,55, 1276–1287. [谷歌学者] [交叉参考] [绿色版本]
雅各布·A.W。；Vicente-Guijalba，F。；Lopez-Martinez，C。；Lopez-Sanchez，J.M。；Litzinger，M。；Kristen，H。；Mestre-Quereda，A。；Ziółkowski，D。；拉瓦勒，M。；诺塔尼科拉，C。；等，《Sentinel-1 InSAR土地覆盖制图一致性：多个基于特征分类器的比较》。IEEE J.选择。顶部。应用。地球目标遥感。 2020,13, 535–552. [谷歌学者] [交叉参考] [绿色版本]
尚，J。；刘杰。；Poncos，V。；耿，X。；钱，B。；陈，Q。；Dong，T。；麦克唐纳博士。；马丁·T。；Kovacs，J。；等。通过分析时间序列Sentinel-1干涉SAR数据检测作物播种和收获。远程传感器。 2020,12, 1551. [谷歌学者] [交叉参考]
Tampuu，T。；Praks，J。；Uiboupin，R。；Kull，A.北部泥炭地的长期干涉时间相干性和DInSAR相位。远程传感器。 2020,12, 1566. [谷歌学者] [交叉参考]
舒斯特，C。；阿里，I。；罗曼，P。；弗里克·A。；Förster，M。；Kleinschmit，B.在TerraSAR-X时间序列中检测沼泽事件，以建立NATURA 2000草地栖息地沼泽管理作为监测参数。远程传感器。 2011,三, 1308–1322. [谷歌学者] [交叉参考] [绿色版本]
Curnel，Y.作物生长模型中更好同化的卫星遥感优先事项：冬小麦LAI和草地割草日期案例研究。2015年，比利时奥蒂涅斯·卢瓦因纽夫天主教大学博士论文。[谷歌学者]
塔拉瓦特，A。；Wagner，医学博士。；Oppelt，N.在时空哨兵-1图像分析和人工神经网络的背景下进行草地切割状态的自动检测。远程传感器。 2019,11, 711. [谷歌学者] [交叉参考] [绿色版本]
森田，Y。；Hanssen，R.F.排水泥炭土上牧场的L、C和X波段卫星雷达干涉测量中的时间去相关。IEEE传输。地质科学。远程传感器。 2014,53, 1096–1104. [谷歌学者] [交叉参考]
Monti-Guarnieri，A。；Manzoni，M。；朱迪奇，D。；Recchia，A。；Tebaldini，S.《SAR和干涉测量中的植被目标去相关：模型、仿真和性能评估》。远程传感器。 2020,12, 2545. [谷歌学者] [交叉参考]
沃曼西克，K。；Zalite，K。；苏恩特，I。；塔姆·T。；科佩尔，K。；Verro，T。；Brauns，A。；Jakovels，D。；Praks，J.短期基线哨兵-1一致性时间序列上割草和耕作事件的可分性。远程传感器。 2020,12, 3784. [谷歌学者] [交叉参考]
Zalite，K。；Antropov，O。；Praks，J。；Voormansik，K。；Noorma，M.利用X波段重复通过干涉SAR时间序列监测农业草地。IEEE J.选择。顶部。应用。地球目标遥感。 2016,9, 3687–3697. [谷歌学者] [交叉参考]
塔姆·T。；Zalite，K。；Voormansik，K。；Talgre，L.《Sentinel-1干涉仪一致性与草地割草事件的关系》。远程传感器。 2016,8, 802. [谷歌学者] [交叉参考] [绿色版本]
Reinermann，S。；阿萨姆，S。；Kuenzer，C.草地生产和管理遥感综述。远程传感器。 2020,12, 1949. [谷歌学者] [交叉参考]
Statbel（比利时统计局）。服务公共经济、体育、体育和能源类。在2020年Chiffres clés de l'agriculture; Statbel（比利时国家统计局）：比利时布鲁塞尔，2020年。[谷歌学者]
N·米利奥尼斯。地块识别系统：确定农业用地资格的有用工具——但其管理有待进一步改进; 专题报告25；欧洲审计法院：卢森堡，2016年。[谷歌学者] [交叉参考]
Statbel（比利时国家统计局）。公共财政经济服务，P.M.E.，Moyennes和Energie类。在2015年Chiffres clés de l'agriculture; Statbel（比利时国家统计局）：比利时布鲁塞尔，2015年。[谷歌学者]
大草原和大教堂（E）-瓦隆尼生物多样性生物表位。在线可用：H（H）ttp://biodiversite.wallonie.be/fr/prairies-et-pelouses-e.html？IDC=815（2021年1月19日访问）。
Lee，J。；尤尔凯维奇，L。；Dewaele，P。；Wambacq，P。；Oosterlinck，A.合成孔径雷达图像的斑点滤波：综述。远程传感器版本。 1994,8. [谷歌学者] [交叉参考]
Bargiel，D。；Herrmann，S。；罗曼，P。；Sörgel，U.使用高分辨率卫星雷达进行土地利用分类，以评估土地利用变化对生态系统服务质量的影响。在ISPRS推进遥感科学100年，第1部分; 国际摄影测量、遥感和空间信息科学档案馆：中国北京，2010年；第38卷，第68-73页。[谷歌学者] [交叉参考]
Matthews，B.W.T4噬菌体溶菌酶预测和观察二级结构的比较。生物化学。生物物理学。Acta（BBA）-蛋白质结构。 1975,405, 442–451. [谷歌学者] [交叉参考]
Boughorbel，S。；贾雷，F。；El-Anbari，M.使用Matthews相关系数度量的非平衡数据的最佳分类器。公共科学图书馆 2017,12，e0177678。[谷歌学者] [交叉参考] [公共医学]
Waldner，F。；Diakogiannis，F.I.边缘深度学习：使用卷积神经网络从卫星图像中提取场边界。遥感环境。 2020,245, 111741. [谷歌学者] [交叉参考]

图1。在瓦隆尼亚（Condroz）、Fagne-Famenne和Ardennes）三个主要农业地理区域的挡风玻璃调查期间监测的草地地块位置。416个地块被分为两个子集，用于割草检测方法的校准和验证。

图1。在对瓦隆尼亚3个主要农业地理区域（康德罗兹、法涅-法门纳和阿登）进行挡风玻璃调查期间监测到的草原地块的位置。416个包裹被分成两个子集，用于校准和验证割草检测方法。

图2。哨兵-1 A和B（降序）在研究区域的采集日期以及2019年4月至7月之间的相应现场观测日期。

图3。Sentinel-1处理链示意图，从具有双极化（VV、VH）的单视复合体（SLC）干涉宽（IW）测绘带模式到地面探测范围（GRD）后向散射系数(

γ^{0}

)干涉相干性，分辨率为15m。使用ESA SNAP（6.0版）的Sentinel-1工具箱执行的处理。

图3。Sentinel-1处理链示意图概述，从具有双偏振（VV，VH）的单视复杂（SLC）干涉宽（IW）条带模式到地面探测（GRD）反向散射系数(

γ^{0}

)以及具有15m分辨率的干涉相干性。使用ESA SNAP（6.0版）的Sentinel-1工具箱执行的处理。

图4。三种相干跳跃检测方法的示意图。跳转发生在

{T型}_{我}

. (一)窗口最大的均值漂移法

d日 = 2 * 对_{米 一 x个} + 1 = 9

(

对_{1} = 0

和

对_{2} = 对_{米 一 x个} = 4

)，其中计算平滑值之间的差异（红色箭头）(b条)窗口大小的线性回归方法

d日 = 4

，其中原始值

{T型}_{我}

与之前的平滑值进行比较(c（c）)窗口大小的双均值法

d日 = 8

，比较假设

{H（H）}_{0}

（1平均值）和

{H（H）}_{1}

（2表示）。

图4。三种相干跳跃检测方法的示意图。跳转发生在

{T型}_{我}

. (一)窗口最大的均值漂移法

d日 = 2 * 对_{米 一 x个} + 1 = 9

(

对_{1} = 0

和

对_{2} = 对_{米 一 x个} = 4

)，其中计算平滑值之间的差异（红色箭头）(b条)窗口大小的线性回归方法

d日 = 4

，其中原始值

{T型}_{我}

与之前的平滑值进行比较(c（c）)窗口大小的双均值法

d日 = 8

，比较假设

{H（H）}_{0}

（1平均值）和

{H（H）}_{1}

（2表示）。

图5。总体准确度（OA）、马修斯相关系数（MCC）、基于VV一致性的几种割草检测方法的精度和灵敏度，以及不同的检测阈值参数。图中显示了具有相对阈值（r.t.）和绝对阈值（a.t.）的均值漂移和线性回归方法以及具有最佳窗口大小（d）的两种均值方法的性能。

图6。校准的Sentinel-1相干割草检测方法对地块特征（大小、坡度方向和形状）和放牧实践的鲁棒性。图表(一)显示了对大、宽、定向良好的包裹（理想）和对不太理想特性的包裹（非理想）进行检测时，精确度和灵敏度的变化。图表(b条)图中显示了在仅考虑干草草场（m）的情况下，移除未耕作草场（p），然后混合作业（x）时精度和灵敏度的变化。

图7。Sentinel-1 VV相干割草检测的每个包裹评估（通过线性回归进行平滑，窗口大小d=6和相对阈值(

α

=0.005））识别不同割草动态的潜力。对于每种类型的动态，都会给出正确估计地块的比例，以及发生的错误类型（错误检测、遗漏或两者兼而有之）。

图7。Sentinel-1 VV相干割草检测的每个包裹评估（通过线性回归进行平滑，窗口大小d=6和相对阈值(

α

=0.005））识别不同割草动态的潜力。对于每种类型的动态，都会给出正确估计地块的比例，以及发生的错误类型（错误检测、遗漏或两者兼而有之）。

表1。考虑的割草检测方法概述。用不同的输入极化测试后向散射方法，增加阈值%(

{K（K）}_{u个 第页}

%)百分比之间的不同比率降低和增加阈值(

{K（K）}_{d日 o个 w个 n个}

/

{K（K）}_{u个 第页}

). 对相干跳跃检测方法进行了不同极化、平滑方法、窗口大小的测试(d日)和绝对阈值（a.t。，k个)或相对阈值（r.t.）参数(

α

).

表1。考虑的割草检测方法概述。用不同的输入极化测试后向散射方法，增加阈值%(

{K（K）}_{u个 第页}

%)百分比之间的不同比率降低和增加阈值(

{K（K）}_{d日 o个 w个 n个}

/

{K（K）}_{u个 第页}

). 对相干跳跃检测方法进行了不同极化、平滑方法、窗口大小的测试(d日)以及绝对阈值（a.t。，k个)或相对阈值（r.t.）参数(

α

).

输入	百分比增加阈值 ${K（K）}_{向上的}$ %	比率( ${K（K）}_{向下}$ / ${K（K）}_{向上的}$ )
后向散射( $γ$ ): VV、VH、比率	2; 5; 10; 15; 20; 25	1/4; 1/2; 3/4; 1
输入	平滑的	窗口大小( $d日$ )	检测阈值参数
一致性： cohVV；cohVH；同VVH	平均值偏移	7; 9; 11	绝对值（a.t）k个= {0.5, 0.25, 0.1, 0.075, 0.05, 0.025, 0.01, 0.005, 0.0025};
	线性回归	三；4; 5; 6	相对（r.t.） $α$ = {0.0005, 0.001, 0.005, 0.01, 0.025, 0.05, 0.1, 0.2, 0.4}
	两种方式	8; 10	第页-值={0.01、0.02、0.03、0.04、0.05， 0.06, 0.07, 0.08, 0.09, 0.1, 0.25, 0.5, 0.75}

表2。地块的大小、地形和形状对校准割草检测方法准确性的影响，基于VH相干度（cohVH）、VV相干度（cohVV）以及VV和VH相干的平均值（cohVVH）以及绝对（a.t.）和相对（r.t.）阈值和窗口大小d。阈值参数

α

和k个根据马修斯相关系数（MCC）进行优化，以在精确度（Pre）和灵敏度（Sen）之间取得平衡。

表2。地块的大小、地形和形状对校准割草检测方法准确性的影响，基于VH相干度（cohVH）、VV相干度（cohVV）以及VV和VH相干的平均值（cohVVH）以及绝对（a.t.）和相对（r.t.）阈值和窗口大小d。阈值参数

α

和k个基于马修斯相关系数（MCC）进行优化以获得精度（Pre）和灵敏度（Sen）之间的平衡。

	理想	小型	坡度方向	窄	非理想	全部
n个	590	430	770	330	1470	2200
cohVH平均偏移（d=9）r.t( $α$ = 0.001)
之前	78	50	53	13	47	57
森	27	8	20	8	18	22
cohVH线性调节（d=5）r.t( $α$ = 0.0005)
之前	60	63	59	33	51	54
森	35	21	31	15	23	25
cohVV平均偏移（d=11）a.t.（k=0.025）
之前	48	35	44	25	40	42
森	69	63	59	31	47	53
cohVV线性调节（d=6）r.t( $α$ = 0.005)
之前	38	32	44	32	39	39
森	69	42	57	46	49	54
cohVVH线性调节（d=5）a.t.（k=0.1）
之前	42	32	44	26	38	38
森	54	63	45	46	43	45
cohVVH线性调节（d=6）r.t( $α$ = 0.005)
之前	34	46	49	30	44	41
森	69	50	67	46	59	61

出版商备注：MDPI对公布的地图和机构关联中的管辖权主张保持中立。

分享和引用

MDPI和ACS样式

De Vroey，M。；Radoux，J。；迪弗尼，P。使用Sentinel-1时间序列检测草地割草：潜力和局限性。远程传感器。 2021,13, 348.https://doi.org/10.3390/rs13030348

AMA风格

De Vroey M、Radoux J、Defourny P。使用Sentinel-1时间序列检测草地割草：潜力和局限性。遥感. 2021; 13(3):348.https://doi.org/10.3390/rs13030348

芝加哥/图拉宾风格

德弗罗伊（De Vroey）、马蒂尔德（Mathilde）、朱利安·拉杜斯（Julien Radoux）和皮埃尔·迪弗尼（Pierre Defourny）。2021.“使用Sentinel-1时间序列检测草地割草：潜力和局限性”遥感13，编号3:348。https://doi.org/10.3390/rs13030348

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单