基于時(shí)間序列高光譜遙感影像的田塊尺度作物產(chǎn)量預(yù)測(cè)

劉煥軍， 康 苒， Susan Ustin， 張新樂*， 付 強(qiáng)， 盛 磊， 孫天一

1. 東北農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 黑龍江 哈爾濱 150030

2. Center for Spatial Technologies and Remote Sensing (CSTARS), Department of Land,Air, and Water Resources, University of California, Davis, USA

基于時(shí)間序列高光譜遙感影像的田塊尺度作物產(chǎn)量預(yù)測(cè)

劉煥軍1， 康 苒1， Susan Ustin2， 張新樂1*， 付 強(qiáng)1， 盛 磊1， 孫天一1

1. 東北農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 黑龍江 哈爾濱 150030

2. Center for Spatial Technologies and Remote Sensing (CSTARS), Department of Land,Air, and Water Resources, University of California, Davis, USA

在精準(zhǔn)農(nóng)業(yè)領(lǐng)域， 田塊尺度土壤理化性質(zhì)、 作物長勢(shì)、 產(chǎn)量等存在極顯著的空間異質(zhì)性。 高光譜遙感側(cè)重于光譜維度信息的提取， 未充分利用空間與時(shí)相信息， 限制了植被長勢(shì)、 生物量與產(chǎn)量的監(jiān)測(cè)精度。 傳統(tǒng)格網(wǎng)采樣與地統(tǒng)計(jì)空間插值方法， 耗時(shí)費(fèi)力、 成本高， 難以推廣； 而遙感技術(shù)可以獲取農(nóng)作物生理參數(shù)的時(shí)空異質(zhì)性信息， 可以用于田塊尺度的精準(zhǔn)管理分區(qū)(SSMZ)。 以田塊尺度棉花地為研究對(duì)象， 獲取時(shí)間序列航空高光譜遙感影像， 分析不同長勢(shì)棉花的反射光譜特征， 構(gòu)建光譜指數(shù)， 綜合光譜、 時(shí)相、 空間維度信息， 利用面向?qū)ο蠓椒ㄟM(jìn)行精準(zhǔn)管理分區(qū)， 建立產(chǎn)量遙感預(yù)測(cè)模型。 結(jié)果表明： 綜合多維信息的面向?qū)ο蠓指罘椒▋?yōu)于基于象元的方法， 可以部分消除遙感與產(chǎn)量數(shù)據(jù)噪聲， 提高棉花估產(chǎn)精度； 不同植被指數(shù)與棉花產(chǎn)量的相關(guān)系數(shù)排序?yàn)橐浑A微分、 NDVI、 OSAVI、 二階微分； 對(duì)于同一尺度、 單一時(shí)相， 一階微分產(chǎn)量預(yù)測(cè)模型精度較高， 多時(shí)相多光譜植被指數(shù)也可以得到較高精度； 對(duì)于同一輸入量、 不同尺度， 較少SSMZ個(gè)數(shù)的棉花產(chǎn)量預(yù)測(cè)模型精度更高、 穩(wěn)定性更好， 這是由于影像與產(chǎn)量數(shù)據(jù)的空間定位存在一定的誤差造成。 研究成果將豐富作物長勢(shì)、 估產(chǎn)方法， 提高遙感監(jiān)測(cè)精度， 加速無人機(jī)遙感在相關(guān)領(lǐng)域的應(yīng)用。

光譜指數(shù)； 精準(zhǔn)管理分區(qū)； 高光譜遙感； 時(shí)間序列； 產(chǎn)量

引 言

基于像元的遙感數(shù)據(jù)處理方法主要提取光譜維度的信息， 而高光譜遙感影像的空間與時(shí)相信息考慮較少。 對(duì)地物的遙感監(jiān)測(cè)需要考慮像元間的空間關(guān)系， 比如精準(zhǔn)農(nóng)業(yè)領(lǐng)域， 田塊內(nèi)土壤理化性質(zhì)、 作物長勢(shì)與產(chǎn)量存在極顯著的時(shí)空間異質(zhì)性， 田塊內(nèi)相對(duì)均一的區(qū)域稱為精準(zhǔn)管理單元(site specific manage zone, SSMZ)[1-2]， 可以作為一個(gè)對(duì)象進(jìn)行田間管理(變量施肥、 施藥)[3-4]， 相應(yīng)的也需要將SSMZ作為一個(gè)對(duì)象進(jìn)行遙感監(jiān)測(cè)， 而不是以像元作為對(duì)象。 作物長勢(shì)、 受脅迫程度不同， 其冠層反射光譜特性不同， 可以利用遙感技術(shù)監(jiān)測(cè)不同尺度作物生長狀況。 已有研究利用遙感技術(shù)進(jìn)行精準(zhǔn)管理分區(qū)[5-6]， 隨著遙感技術(shù)的發(fā)展， 高空間、 高光譜分辨率的遙感影像可以用于監(jiān)測(cè)田塊尺度裸露土壤養(yǎng)分狀況和作物長勢(shì)變異[7-9]， 為精準(zhǔn)管理分區(qū)研究提供了更為有效的數(shù)據(jù)源。

已有利用遙感技術(shù)進(jìn)行精準(zhǔn)管理分區(qū)的研究存在如下問題， 一是獲取的遙感影像數(shù)量有限， 一般利用單時(shí)相、 多光譜遙感影像[10]， 難以準(zhǔn)確界定最優(yōu)的時(shí)相[11]； 二是劃分的 SSMZ數(shù)量較少， 不利于變量施肥管理技術(shù)的精準(zhǔn)實(shí)施； 三是分區(qū)方法主要是基于像元尺度、 利用模糊聚類方法實(shí)現(xiàn)的， 而面向?qū)ο蠓椒ū然谙裨倪b感管理分區(qū)方法有明顯的優(yōu)勢(shì)[12]。 基于象元的遙感分析方法容易產(chǎn)生“椒鹽”現(xiàn)象， 而且航空、 無人機(jī)遙感影像空間定位有時(shí)存在誤差， 導(dǎo)致像元與實(shí)際地物之間的空間位置對(duì)應(yīng)不準(zhǔn)確。 尤其是無人機(jī)遙感， 由于受風(fēng)力等環(huán)境因素影響較大、 平臺(tái)穩(wěn)定性偏差、 影像多、 重疊大、 輻射校正與幾何校正難度大等原因， 幾何校正與輻射校正的精度受限[13]。 對(duì)于空間定位與輻射精度受限的遙感數(shù)據(jù)， 利用面向?qū)ο蠓椒ㄟM(jìn)行精準(zhǔn)管理分區(qū)， 要優(yōu)于基于像元的方法。 此外， 田塊內(nèi)部尺度的精準(zhǔn)管理措施不是基于像元的， 而是基于SSMZ的[14]。 因此， 利用時(shí)間序列的高空間、 高光譜分辨率航空遙感影像， 綜合時(shí)間、 空間、 光譜維度信息， 希望解決如下科學(xué)問題： (1)檢驗(yàn)面向?qū)ο蠓椒ㄟM(jìn)行田塊內(nèi)部精準(zhǔn)管理分區(qū)的可行性； (2)揭示不同SSMZ內(nèi)光譜指數(shù)與作物產(chǎn)量的關(guān)系， 確定最優(yōu)的光譜指數(shù)、 SSMZ個(gè)數(shù)和生長期； (3)建立基于SSMZ的棉花產(chǎn)量預(yù)測(cè)模型。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于美國加州San Joaquin河谷南部， 研究地塊位于美國農(nóng)業(yè)部精準(zhǔn)農(nóng)業(yè)研究的一個(gè)示范基地， 地塊面積約為84公頃(800 m×800 m， 見圖1)。 2001年該地塊種植棉花。

圖1 研究區(qū)2001年7月5日高光譜假彩色影像

1.2 航空高光譜遙感數(shù)據(jù)

2001年作物整個(gè)生長期內(nèi)， 獲取12期航空高光譜遙感影像， 具體日期見表1。 可見光近紅外高光譜傳感器(OKSI, Inc., Torrance, CA, USA)輻射分辨率12 bit， 光譜范圍為430～1 012 nm， 60個(gè)波段， 波段寬度9.7 nm。 航高1 500 m， 影像空間分辨率1 m。 影像經(jīng)過大氣校正和幾何校正。

表1 航空高光譜遙感影像日期列表

1.3 產(chǎn)量數(shù)據(jù)

利用收割機(jī)上安置的棉花測(cè)產(chǎn)儀測(cè)定棉花產(chǎn)量， 產(chǎn)量精度為95%～98%[15]， 空間分辨率為4.5 m×4.5 m。

2 研究方法

2.1 光譜指數(shù)計(jì)算

在作物反射光譜特征分析的基礎(chǔ)上， 結(jié)合基于象元得到的植被指數(shù)與作物產(chǎn)量相關(guān)關(guān)系的結(jié)果[15]， 選擇與葉面積指數(shù)相關(guān)的歸一化植被指數(shù)(NDVI)和優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)， 并構(gòu)建基于高光譜反射率數(shù)據(jù)的光譜指數(shù)——反射率一階、 二階微分(ρ′，ρ″)， 用于SSMZ的劃分。

2.2 精準(zhǔn)管理單元的光譜分割算法

具體過程： 以所有單個(gè)象元作為起始對(duì)象， 然后不斷升尺度向上歸并， 將具有相似作物長勢(shì)的像元合并構(gòu)成新的對(duì)象； 歸并后相鄰的兩個(gè)對(duì)象再次歸并與否， 取決于歸并后對(duì)象的異質(zhì)性是否大于異質(zhì)性閾值[16]； 異質(zhì)性閾值的大小利用光譜(時(shí)間序列的光譜指數(shù))和形狀的差異進(jìn)行計(jì)算。 異質(zhì)性閾值的計(jì)算公式如下

(1)

其中，Wshape是形狀權(quán)重， 取值范圍0～1； ΔhVI和Δhshape分別是光譜指數(shù)和形狀指數(shù)的異質(zhì)性[見式(2)和式(3)]。

(2)

(3)

形狀異質(zhì)性根據(jù)表征形狀特征的緊密度Δhcmpct和光滑度Δhsmooth計(jì)算[17]， 見式(4)和式(5)。l為SSMZ的周長，b為SSMZ最小外包矩形的周長，n為SSMZ的像元數(shù)。

(4)

(5)

2.3 精準(zhǔn)管理單元?jiǎng)澐诌^程

以12個(gè)時(shí)相的航空高光譜遙感影像、 四種光譜指數(shù)作為輸入量， 進(jìn)行精準(zhǔn)管理分區(qū)， 分別得到不同光譜指數(shù)、 時(shí)相、 空間尺度的SSMZ， 為建立棉花產(chǎn)量預(yù)測(cè)模型提供不同的SSMZ。

2.4 建模與驗(yàn)證

利用數(shù)理統(tǒng)計(jì)方法分別建立基于不同SSMZ的棉花產(chǎn)量預(yù)測(cè)模型， 利用決定系數(shù)R2與均方根誤差RMSE驗(yàn)證模型精度與穩(wěn)定性， 確定產(chǎn)量模型的最優(yōu)光譜指數(shù)、 時(shí)相、 空間尺度。

3 結(jié)果與分析

3.1 不同長勢(shì)作物反射光譜特征

圖1為研究地塊2001年7月5日假彩色遙感影像， 越紅的區(qū)域棉花長勢(shì)越好， 12期航空高光譜遙感影像反映的棉花長勢(shì)格局一致。 圖2為從2001年7月11日航空高光譜遙感影像中提取的不同長勢(shì)作物反射光譜特征。 S1～S6分別為長勢(shì)由差到好的棉花反射光譜曲線。 668與833 nm為計(jì)算NDVI與OSAVI的波段， 707與727 nm為ρ′，ρ″與產(chǎn)量最大相關(guān)系數(shù)的波長位置。 可以發(fā)現(xiàn)， 作物長勢(shì)越好， 近紅外波段光譜反射率越高， 紅波段反射率越低， 光譜指數(shù)越大， 對(duì)應(yīng)的產(chǎn)量也越高。 光譜指數(shù)可以表征作物長勢(shì)好壞。

圖2 不同長勢(shì)作物的反射光譜特征

3.2 光譜指數(shù)與產(chǎn)量的關(guān)系

Zarco-Tejada等計(jì)算了研究區(qū)34種不同的多光譜植被指數(shù)， 包括分別與冠層結(jié)構(gòu)、 葉綠素、 含水量、 紅邊相關(guān)的植被指數(shù)， 并通過產(chǎn)量與植被指數(shù)之間的相關(guān)系數(shù)評(píng)價(jià)了植被指數(shù)的優(yōu)劣[15]。 結(jié)果表明， 與葉面積指數(shù)相關(guān)的植被指數(shù)(包括NDVI和OSAVI)與產(chǎn)量的相關(guān)系數(shù)較高。 圖3為NDVI， OSAVI，ρ′，ρ″與產(chǎn)量的相關(guān)系數(shù)隨時(shí)間變化情況(x軸年積日是僅在一年中使用的連續(xù)計(jì)算日期的方法， 是從當(dāng)年1月1日起開始計(jì)算的天數(shù))可見，ρ″與產(chǎn)量的相關(guān)性相對(duì)較差，ρ′， NDVI， OSAVI與產(chǎn)量的相關(guān)性較顯著。 “像元NDVI”為象元尺度上棉花產(chǎn)量與不同時(shí)期NDVI的相關(guān)系數(shù)， 相比于SSMZ尺度， 像元尺度的相關(guān)系數(shù)較小， 不利于棉花產(chǎn)量的預(yù)測(cè)。 總體上， 在生長期年積日220天(8月8日)前， 產(chǎn)量與植被指數(shù)的相關(guān)性更顯著， 更適于棉花產(chǎn)量預(yù)測(cè)。 棉花產(chǎn)量與光譜指數(shù)的相關(guān)系數(shù)隨時(shí)間變化主要原因是棉花生長過程中， 植被指數(shù)的空間差異隨時(shí)間是不斷變化的， 導(dǎo)致相關(guān)系數(shù)總體上不斷降低。

3.3 同一尺度、 不同輸入量的產(chǎn)量預(yù)測(cè)模型

基于光譜指數(shù)與產(chǎn)量的相關(guān)分析， 以NDVI與ρ′為自變量， SSMZ為單元， 建立棉花產(chǎn)量光譜預(yù)測(cè)模型。 為分析不同光譜指數(shù)、 時(shí)相的最優(yōu)產(chǎn)量預(yù)測(cè)模型， 將不同光譜指數(shù)輸入量分割成等量的SSMZ。 表2中前四行分別列出了以前四期NDVI、 7月11日NDVI、 12期和6月20日為自變量， 相同SSMZ個(gè)數(shù)(243)的棉花產(chǎn)量預(yù)測(cè)模型。 單一時(shí)期的產(chǎn)量預(yù)測(cè)模型， 以6月20日為自變量的最好， 具有較大的R2和較小的RMSE。 多時(shí)相的產(chǎn)量預(yù)測(cè)模型， 前四期NDVI為變量的模型較好。 圖4為用前四個(gè)時(shí)期NDVI累加作為自變量的產(chǎn)量預(yù)測(cè)模型的散點(diǎn)圖。 對(duì)于基于單一時(shí)相光譜指數(shù)的棉花產(chǎn)量預(yù)測(cè)模型來說， 6月20日產(chǎn)量預(yù)測(cè)模型要遠(yuǎn)好于單一時(shí)相NDVI模型。 從節(jié)省時(shí)間、 人物財(cái)力的角度， 單一時(shí)相

圖3 棉花產(chǎn)量與光譜指數(shù)的相關(guān)系數(shù)隨時(shí)間變化情況

Fig.3 Correlation coefficients between mean cotton yield and VIs within SSMZ objects derived from time-series vegetation indexes

表2 不同輸入量、 尺度棉花產(chǎn)量預(yù)測(cè)模型

圖4 基于前四期NDVI的棉花產(chǎn)量預(yù)測(cè)模型

的產(chǎn)量預(yù)測(cè)模型要優(yōu)于多時(shí)相的模型。

3.4 同一輸入量、 不同尺度模型

以同一輸入量——12個(gè)時(shí)期累加ρ′， 進(jìn)行不同尺度分割， 建立不同尺度產(chǎn)量預(yù)測(cè)模型。 表2第五、 第三、 第六行分別列出了SSMZ個(gè)數(shù)為909， 243和86的棉花產(chǎn)量預(yù)測(cè)模型， 可以看出， 隨著SSMZ個(gè)數(shù)減少， 模型的決定系數(shù)R2越來越大、 RMSE越來越小， 模型的精度越高、 穩(wěn)定性越好。 這是由于航空高光譜遙感影像與產(chǎn)量數(shù)據(jù)空間定位存在一定的問題。

4 結(jié) 論

利用高時(shí)間、 空間、 光譜分辨率遙感影像， 進(jìn)行精準(zhǔn)管理分區(qū)， 比較基于像元與SSMZ的光譜指數(shù)與棉花產(chǎn)量的關(guān)系， 確定產(chǎn)量預(yù)測(cè)的最優(yōu)光譜指數(shù)、 SSMZ個(gè)數(shù)和生長期。 結(jié)果表明： (1)與基于像元的方法相比， 基于面向?qū)ο蠓指畹木珳?zhǔn)管理分區(qū)方法， 可以綜合時(shí)間、 空間、 光譜維度的信息， 將長勢(shì)相對(duì)均一的區(qū)域作為一個(gè)對(duì)象進(jìn)行分割， 提高了光譜指數(shù)與棉花產(chǎn)量的相關(guān)關(guān)系， 有利于變量施肥等技術(shù)的應(yīng)用； (2)不同植被指數(shù)與棉花產(chǎn)量的相關(guān)系數(shù)排序?yàn)棣选洌?NDVI， OSAVI，ρ″，ρ″相對(duì)較差； (3)對(duì)于同一尺度、 單時(shí)相光譜指數(shù)，ρ′產(chǎn)量預(yù)測(cè)模型精度較高； (4)對(duì)于同一輸入量、 不同尺度， 較少SSMZ個(gè)數(shù)的棉花產(chǎn)量預(yù)測(cè)模型精度更高、 穩(wěn)定性更好。

SSMZ最優(yōu)數(shù)量的確定不僅取決于光譜指數(shù)與產(chǎn)量數(shù)據(jù)的相關(guān)關(guān)系， 還取決于精準(zhǔn)農(nóng)業(yè)變量管理農(nóng)業(yè)機(jī)械的精細(xì)程度。 存在的不足： 主要是研究成果需要多年數(shù)據(jù)的支持和驗(yàn)證。 本研究提出的方法， 將提高航空、 無人機(jī)遙感對(duì)田塊尺度農(nóng)作物長勢(shì)與產(chǎn)量的監(jiān)測(cè)精度、 加速無人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)領(lǐng)域的應(yīng)用。

[1] Davatgar N, Neishabouri M R, Sepaskhah A R. Geoderma, 2012, 173: 111.

[2] López-Lozano R, Casterad M A, Herrero J. Computers and Electronics in Agriculture, 2010, 73: 219.

[3] Fleming K L, Westfall D G, Wiens D W, et al. Precision Agriculture, 2001, 2: 201.

[4] Khosla R, Fleming K, Delagado J A, et al. Journal of Soil and Water Conservation, 2002, 57(6): 513.

[5] Schepers A R, Shanahan J F, Liebig M A, et al. Agronomy Journal, 2004， 96: 195.

[6] LI Yan, SHI Zhou, WU Ci-fang, et al(李 艷， 史 舟, 吳次芳， 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2007, 23(8): 84.

[7] MENG Ji-hua, WU Bing-fang, DU Xin, et al(蒙繼華, 吳炳方, 杜 鑫, 等). Remote Sensing for Land & Resources(國土資源遙感), 2011, 3: 1.

[8] Yang C, Bradford J M, Wiegand C L. Transactions of the ASAE, 2001, 44(6): 1983.

[9] Fleming K L, Heermann D F, Westfall D G. Agronomy Journal, 2004, 96: 1581.

[10] JIANG Cheng, JIN Ji-yun(姜 城， 金繼運(yùn)). Remote Sensing Technology and Application(遙感技術(shù)與應(yīng)用), 2001, 16(1): 23.

[11] WANG Ren-chao, ZHU De-feng(王人潮, 朱德峰). Journal of Remote Sensing(遙感學(xué)報(bào)), 1998, 2(2): 119.

[12] Castillejo-González I L, Pena-Barragán J M, Jurado-Expósito M, et al. European Journal of Agronomy, 2014, 59: 57.

[13] Hardin P J, Jensen R R. GIScience & Remote Sensing, 2011, 48(1): 99.

[14] Scudiero E, Teatini P, Corwin D L, et al. Computersand Electronics in Agriculture, 2013, 99: 54.

[15] Zarco-Tejada P J, Ustin S, Whiting M. Agronomy Journal, 2005, 97(3): 641.

[16] Baatz M, Benz U, Dehghani S, et al. eCognition Professional User Guide 4, Definiens Imaging, Munich， 2004.

[17] Tian J, Chen D M. International Journal of Remote Sensing, 2007, 28(20): 4625.

*Corresponding author

Study on the Prediction of Cotton Yield within Field Scale with Time Series Hyperspectral Imagery

LIU Huan-jun1, KANG Ran1, Susan Ustin2, ZHANG Xin-le1*, FU Qiang1, SHENG Lei1, SUN Tian-yi1

1. College of Natural Resources and the Environment, Northeast Agricultural University, Harbin 150030, China

2. Center for Spatial Technologies and Remote Sensing (CSTARS), Department of Land, Air, and Water Resources, University of California, Davis, USA

Pixel-based processing method mainly extracts spectral information from hyperspectral remote sensing images, but site specific management zone (SSMZ) delineation and crop yield estimation with images need to take spatiotemporal heterogeneity into account. As the spatial resolution of remote sensing data increases, the so-called “salt-and-pepper” problem of pixel-based classification becomes more serious. The spatiotemporal heterogeneity of soil properties and crop biophysical parameters are mainly delineated with grid sampling and geostatistics interpolation, but the widely used method has some problems: time consuming and high cost. Satellite imageries are introduced to delineate SSMZ, but there are also problems needed to be resolved: (1) single date imagery is used to map SSMZ which is difficult to determine the optimal date for SSMZ delineation; (2) only few SSMZs were mapped, which limited application of site specific fertilizing and management; (3) pixel-based method for SSMZ delineation didn't concern the spatial relationship between pixels and site specific management does not implement at pixel level, but at SSMZ level. To improve the accuracy of crop yield estimation, a time-series of hyperspectral airborne images with high spatial resolution (1 m) of a cotton field, which is located in San Joaquin Valley, California US, were acquired and classified by using object-oriented segmentation, then yield predicting models were built, and the accuracy and stability of yield models were validated with determining coefficientsR2and the root mean square error (RMSE). Results are as follows: (1) object-oriented SSMZ delineating method combines spectral, spatial and temporal information, reduces noises in images and yield data, improves the accuracy of yield prediction; (2) for same SSMZ number, first derivative predicting model is more accurate; (3) for same spectral input, models with fewer SSMZs show higher accuracy, which is due to spatial errors of airborne images and yield data. The results will improve monitoring methods for crop growth and yield while accelerate the application of UAV remote sensing in precision agriculture.

Spectral index; Site specific management zone; Hyperspectral remote sensing; Time series; Yield

Apr. 24, 2015; accepted Aug. 20, 2015)

2015-04-24，

2015-08-20

國家自然科學(xué)基金項(xiàng)目(40801167)和東北農(nóng)業(yè)大學(xué)博士啟動(dòng)基金項(xiàng)目(2009RC35； 2010rcb22)資助

劉煥軍， 1981年生, 東北農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院副教授 e-mail: huanjunliu@yeah.net *通訊聯(lián)系人 e-mail: zhangxinle@gmail.com

O657.3

A

10.3964/j.issn.1000-0593(2016)08-2585-05