倒伏水稻特征分析及其多光谱遥感提取方法研究

　　摘要:倒伏水稻的识别对灾后农业生产管理、灾害保险、补贴等工作有重要意义。为应用高分辨率遥感影像准确提取倒伏水稻面积,本文利用2019年9月27日获取的哨兵2号多光谱遥感影像,研究黑龙江省同江市倒伏水稻的光谱、纹理特征,并基于光谱与纹理特征建立倒伏水稻的遥感提取模型。研究结果表明水稻倒伏后可见光-近红外-短波红外等8个波段的反射率均升高,其中短波红外、红光和红边1等3个波段的反射率上升大于0.06。倒伏水稻的典型植被指数中,归一化植被指数、比值植被指数、增强植被指数和红边位置指数均降低,但差值植被指数升高。倒伏与正常水稻在红光、红边1和短波红外等3个波段的均值纹理数值差距明显,红光波段的纹理均值差异最大。

　　利用归一化植被指数、地表水分指数、比值植被指数和差值植被指数以及红光波段的纹理均值构建决策树分类模型,监测结果表明农场内倒伏水稻分布较散,其西部和南部水稻受灾面积较大,北部受灾面积较小,中部偏北和东部基本未倒伏。将本文模型所提取的结果与实测面积对比,正常与倒伏水稻的面积识别误差分别为3.33%和2.23%。利用随机验证样本与模型验证结果进行混淆矩阵分析,倒伏水稻的用户精度和制图精度均为92.0%,Kappa系数为0.93。该方法能够适用于大区域倒伏水稻提取,可为高分辨率多光谱遥感数据调查水稻倒伏面积提供相关依据。

　　关键词:哨兵2号影像;倒伏水稻;光谱特征;纹理特征;遥感提取

　　长期以来,倒伏一直是制约水稻(Oryzasativa)生产的重要因素之一[1]。当发生倒伏时,冠层结构被破坏,光合速率和干物质生产能力急剧下降。在严重的情况下,会折断茎或拔出根,阻碍水、矿物质和光合产物的运输,导致产量和质量的大幅下降[2]。研究表明倒伏面积占15%左右时,减产率在5%~10%,当发生重度倒伏时,水稻产量损失率可达22%左右,极端情况下可达50%左右,甚至绝产[3]。快速、准确获取水稻倒伏的位置、面积等信息,对灾后农业生产管理、农业灾害保险、补贴等工作有重要意义。目前,获取作物倒伏信息的方法主要有人工法和遥感法[4]。人工法在获取倒伏作物位置及面积方面存在效率低的问题,另外针对不规则倒伏区域无法做到精确测量。遥感法是根据影像中倒伏作物与正常作物在光谱、色调和纹理等特征的差异,识别倒伏作物,获取倒伏信息。基于遥感的调查方法凭借遥感影像覆盖面积大、数据获取及时的特点,现已成为倒伏作物监测的重要途径。

　　目前单独使用光学卫星数据、雷达数据和无人机图像是倒伏作物遥感监测的3种主要方式。光学卫星影像主要是通过分析倒伏发生前后光谱反射率的变化来判断倒伏发生情况,并通过构建植被指数来提取倒伏作物。如王猛等[5-6]通过分析玉米(Zeamays)冠层光谱数据,发现倒伏玉米相较于正常玉米的反射率和几种典型植被指数整体上都有不同程度的下降。

　　张杰[7]结合冬小麦(Triticumaestivum)倒伏光谱数据和ALOS(advancedlandobservingsatellite)遥感影像,建立监测冬小麦倒伏状况的遥感方法。王立志等[8]根据多时相HJ-1B卫星影像的比值植被指数差值与玉米倒伏比例具有最高相关性的规律来构建玉米倒伏模型。刘良云等[9]发现小麦倒伏后冠层光谱反射率随倒伏角度增加而增加,并利用归一化植被指数(normalizeddifferencevegetationindex,NDVI)来监测小麦倒伏的发生程度。雷达卫星主要依靠后向散射原理提取倒伏作物信息。如韩东等[10]研究倒伏前后玉米的Sentinel-1A雷达影像的多种强度信息,筛选出玉米倒伏前后最佳敏感后向散射系数,构建倒伏玉米监测模型,实现了对玉米倒伏程度的分级目的。

　　杨浩等[11-12]利用Radarsat-2雷达极化指数的方法来监测小麦倒伏。无人机影像主要是通过分析倒伏发生前后纹理的变化来分析倒伏情况。如李宗南等[13]先后使用无人机和Worldview-2影像进行了小尺度灌浆期倒伏玉米的光谱和纹理特征研究,结果显示基于最大似然法使用红边和近红外波段是倒伏玉米的最优面积估算方法。董锦绘等[14]通过对比最小距离法、最大似然法、神经网络、支持向量机4种监督分类方法对单张无人机影像进行分类,以估算小麦倒伏面积。Chauhan等[15]利用无人机获取的高分辨率多光谱数据,分析了不同倒伏程度等级之间的光谱变异性。

　　Zhao等[16]、郑二功等[17]将深度学习应用到无人机影像中,利用全卷积神经网络图像分割方法提取倒伏作物。Chauhan等[18]联合使用多时序的哨兵1号雷达数据和哨兵2号多光谱数据研究倒伏发生后对小麦的反向散射/相干性和光谱反射率的影响,并使用时间序列分析,监测小麦倒伏发生率,研究结果表明红边波段(740nm)和近红外波段(865nm)可以最好地区分健康小麦和倒伏小麦。综上,国内外倒伏作物种植面积遥感监测研究主要有2个方面:一是基于不同数据条件下倒伏作物的遥感识别能力研究;二是基于不同分类方法倒伏作物识别能力和精度的比较研究。

　　总的来看,数据源充分保障条件下最优方法、最高精度的研究较多。然而,现有的作物倒伏监测大多面向小麦和玉米等作物,倒伏水稻的遥感监测研究开展的相对较少,且应用影像的光谱与纹理特征提取倒伏水稻的研究尚不多见。本研究利用2019年9月27日获取的哨兵2号多光谱遥感影像研究黑龙江省同江市正常水稻、倒伏水稻的光谱反射率、植被指数和纹理特征,然后根据两者的光谱、纹理特征差异,构建基于光谱与纹理特征的决策树分类模型,以期为应用高分辨遥感数据进行水稻倒伏调查提供相关依据,为灾情分析和灾后补救提供支持。

　　1研究区概况与数据来源

　　1.1研究区概况

　　本文研究区为黑龙江省同江市浓江农场,位于黑龙江省佳木斯市(133.10°E,47.80°N)。浓江农场是黑龙江垦区最大的农业综合开发示范区,位于松花江、黑龙江和乌苏里江三角洲地带。作物种植为一年1熟制,以种植小麦、大豆(Glycinemax)、水稻为主,是一个中型的国有现代化农场。农场属于寒温带湿润季风气候区,属黑龙江省第三积温带,年平均气温11.5℃,年降雨量560610mm,有效积温2600℃,年无霜期125130d,黑土层厚度均在2530cm,土壤有机质含量在100g∙kg‒1左右。该农场2019年9月20日出现降雨、大风天气,导致部分地块的水稻发生严重倒伏。

　　1.2数据介绍

　　哨兵2号(Sentinel-2)是欧洲“哥白尼计划”的第2颗卫星[19],分为A星和B星,分别于2015年6月和2017年3月发射。哨兵2号携带1枚多光谱成像仪,可覆盖13个光谱波段,波段范围从可见光、近红外到短波红外,是唯一在红边范围含有3个波段的卫星,最高空间分辨率为10m,幅宽为290km,两星共同工作时间分辨率可以提高至5d。

　　哨兵2号卫星提供的数据产品为Level-1C和Level-2A[20],Level-1C是经过辐射校正和几何校正的大气层顶表观反射率数据[21],Level-2A是经过大气校正后的地表反射率数据。本文选用大气校正后的Level-2A数据,有效消除了云、大气和光照等因素对地物反射的影响,影像日期为2019年9月27日。选用了8个波段进行分析,其中包括可见光波段、对植被生长状况敏感的3个红边波段[22]、近红外波段以及对植物和土壤水分含量敏感的短波红外波段[23-24],波段信息参数如表1所示。哨兵2号影像的处理主要包括图像裁剪、波段合成等[25]。

　　2倒伏水稻遥感提取方法

　　决策树是通过对训练样本进行归纳学习而生成决策规则,而后使用决策规则对数据进行分类的一种数学方法[26]。近年来,决策树因其具有较高的鲁棒性、计算效率高、分类精度高、分类规则直观、易于理解等优点,故被广泛地运用于地物识别提取[27-28]。本文首先对比分析正常水稻、倒伏水稻的光谱反射率特征、植被指数和纹理特征,为使用哨兵2影像区分正常和倒伏水稻提供特征选择的依据;然后根据两者的光谱、纹理特征差异,构建决策树分类模型进行分类。根据分类结果采用随机点计算混淆矩阵验证识别结果的正确性,最后计算混淆矩阵并统计倒伏水稻的面积,根据倒伏水稻实测面积计算识别误差。

　　2.1倒伏水稻的特征

　　2.1.1倒伏水稻的光谱特征

　　在哨兵2号多光谱反射率影像中,根据现场倒伏水稻调查资料结合Google影像进行目视解译,在研究区内共选取542个样点,其中正常水稻268个样点,倒伏水稻274个样点。统计正常水稻和倒伏水稻的在各波段反射率的均值和标准差,然后根据波段中心波长位置,绘制出正常、倒伏水稻的反射率曲线。

　　根据倒伏后反射率变化量和正常水稻反射率,计算倒伏水稻从蓝光到短波红外的各波段反射率相对变化率,依次为17.85%、23.36%、36.30%、27.36%、14.06%、12.06%、12.87%和33.35%。由于倒伏后红光反射率相对变化量大于近红外波段,倒伏水稻的NDVI将小于正常水稻。

　　能够看出倒伏水稻和正常水稻在红光波段、红边波段和短波波段的分离性较大,这3个波段可作为两者区分的重要波段。倒伏水稻在蓝、绿、红通道的反射率数据呈现逐渐递增的趋势,而正常水稻则相反,即在蓝、绿、红通道的反射率逐渐下降。倒伏水稻红光波段反射率高于蓝光反射率,正常水稻则相反,红光和蓝光的反射率之差可作为倒伏水稻与正常水稻区分的重要特征之一。

　　2.1.2倒伏水稻的指数特征植被指数是表示植被长势、生物量等的重要指数,研究应用较多的有NDVI[30]、比值植被指数(ratiovegetationindex,RVI)、差值植被指数(differencevegetationindex,DVI)、增强型植被指数(enhancedvegetationindex,EVI)。

　　本文根据植被指数计算公式分别计算了正常与倒伏水稻的这4种植被指数。植被土壤水分状态的微小变化能引起短波红外光谱反射率的巨大变化,陆地水分指数(landsurfacewaterindex,LSWI)由近红外波段和对植物和土壤水分含量敏感的短波红外波段组合而成,对水田监测有较好效果[31]。红边波段是介于红光波段和近红外波段之间的波段,红边位置的变动与作物叶子内部的物理状态密切相关[32-33]。本研究采用线性四点内插法计算红边位置指数(rededgepositionindex,REP)。

　　3结果与验证

　　利用ENVI5.3建立并执行决策树,浓江农场倒伏水稻分布较散,其西部和南部水稻受灾面积较大,北部受灾面积较小,中部偏北和东部基本未倒伏,该空间分布监测结果与现场调查情况基本一致。为农场内某一水稻地块倒伏水稻识别结果,对比于从目视效果来看,大部分的倒伏水稻被识别出来。为检验提取效果,本研究从面积识别精度和混淆矩阵两方面进行评价。

　　4讨论

　　目前,倒伏作物信息的获取主要是基于光学卫星数据、雷达数据和无人机图像。对于光学遥感,通过分析倒伏发生前后光谱反射率的变化来判断倒伏发生情况,并通过构建植被指数来提取倒伏作物,其局限性在于倒伏前后冠层光谱信息变化微弱、复杂的农田环境加大了光谱信息的提取难度。雷达数据应用在作物倒伏监测方面的相关研究大都集中在定性研究阶段,局限于全极化数据,且都是面向地块尺度,未能发展到基于像元尺度。无人机影像主要依赖目视解译确定玉米倒伏信息。

　　深度学习应用于倒伏作物提取需要具有专家知识进行准确标注,才能训练好神经网络模型参数,但倒伏与非倒伏作物边界具有一定的模糊性。本文使用哨兵2号多光谱数据首先分析了乳熟期正常、倒伏水稻光谱及纹理特征的差异,然后根据差异筛选了对倒伏水稻敏感的光谱指数和纹理均值,最后探讨了使用该特征建立倒伏水稻识别的决策树方法。

　　研究表明倒伏水稻在哨兵2影像上具有明显的纹理特征,基于光谱和纹理特征知识库的决策树分类结果更加符合真实地物分布状况。倒伏是作物生产中普遍存在的问题,面对突发的倒伏灾害,倒伏监测所需要的是较高的空间分辨率和时间分辨率。卫星遥感的时空分辨率往往不能够保持一致性。当传感器有较高的分辨率时,卫星的重访周期较长,当时间分辨率较高时,数据的获取就过于笼统,忽略了细节。

　　哨兵2号空间分辨率为10m,幅宽290km,两星共同工作时间分辨率可以提高至5d,在时间和空间分辨率均占优势。需要注意的是,本文主要研究的是水稻生长后期的倒伏特征。由于不同生长期内水稻植株的结构和生长状态差异显著,其倒伏前后纹理和光谱会有所不同。故本研究结果主要为水稻生长后期倒伏调查参考,而生长早期的倒伏特征及面积估算方法还有待后续研究。

　　农作物论文范例：黑龙江省水稻机械收获减损关键技术

　　5结论

　　本文以黑龙江省同江市的倒伏水稻为研究对象,以哨兵2号多光谱影像为数据源,研究倒伏水稻的光谱和纹理特征,并获得其遥感提取方法。研究得到如下结论：

　　1)水稻倒伏后可见光-近红外-短波红外等8个波段的反射率均升高,其中短波红外、红光和红边1等3个波段的反射率上升大于0.06。反射率相对变化率最大的为红光波段。倒伏水稻红光波段反射率高于蓝光反射率,而倒伏水稻则相反。2)倒伏水稻的NDVI、RVI、EVI和LSWI均降低,水稻受倒伏胁迫后,红边位置向短波方向移动,发生“蓝移”现象。倒伏水稻的DVI高于正常水稻。

　　3)红色、红边波段和短波红外滤波处理较其他纹理特征滤波更能增强正常、倒伏水稻间的图像特征差异,而红光的纹理均值差异最大。4)组合光谱和纹理特征构建的决策树模型能有效识别倒伏水稻区域,正常水稻与倒伏水稻识别误差分别为3.33%和2.23%。倒伏水稻的用户精度和制图精度均为92.0%,Kappa系数为0.93。

　　参考文献References

　　[1]饶玉春,李跃,董国军,等.水稻抗倒伏研究进展[J].中国稻米,2009,(6):15–19RAOYC,LIY,DONGGJ,etal.Researchprogressofriceantilodging[J].ChinaRice,2009,(6):15–19

　　[2]LANGYZ,YANGXD,WANGME,etal.Effectsoflodgingatdifferentfillingstagesonriceyieldandgrainquality[J].RiceScience,2012,19(4):315–319

　　[3]刘利华,金再欣,刘小丽,等.水稻倒伏对产量影响的试验结果分析[J].中国稻米,2009,(2):19–21LIULH,JINZX,LIUXL,etal.Influencetrialoflodgingonriceyield[J].ChinaRice,2009,(2):19–21

　　[4]李宗南,陈仲新,王利民,等.基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报,2014,30(19):207–213LIZN,CHENZX,WANGLM,etal.Areaextractionofmaizelodgingbasedonremotesensingbysmallunmannedaerialvehicle[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2014,30(19):207–213

　　作者：陆洲1,徐飞飞1,2**,罗明1,2,梁爽1,2,赵晨1,2,冯险峰1