基于时间序列高光谱遥感影像的田块尺度作物产量预测

刘焕军， 康 苒， Susan Ustin， 张新乐*， 付 强， 盛 磊， 孙天一

1. 东北农业大学资源与环境学院， 黑龙江 哈尔滨 150030

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

基于时间序列高光谱遥感影像的田块尺度作物产量预测

刘焕军1， 康 苒1， Susan Ustin2， 张新乐1*， 付 强1， 盛 磊1， 孙天一1

1. 东北农业大学资源与环境学院， 黑龙江 哈尔滨 150030

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

在精准农业领域， 田块尺度土壤理化性质、 作物长势、 产量等存在极显著的空间异质性。 高光谱遥感侧重于光谱维度信息的提取， 未充分利用空间与时相信息， 限制了植被长势、 生物量与产量的监测精度。 传统格网采样与地统计空间插值方法， 耗时费力、 成本高， 难以推广； 而遥感技术可以获取农作物生理参数的时空异质性信息， 可以用于田块尺度的精准管理分区(SSMZ)。 以田块尺度棉花地为研究对象， 获取时间序列航空高光谱遥感影像， 分析不同长势棉花的反射光谱特征， 构建光谱指数， 综合光谱、 时相、 空间维度信息， 利用面向对象方法进行精准管理分区， 建立产量遥感预测模型。 结果表明： 综合多维信息的面向对象分割方法优于基于象元的方法， 可以部分消除遥感与产量数据噪声， 提高棉花估产精度； 不同植被指数与棉花产量的相关系数排序为一阶微分、 NDVI、 OSAVI、 二阶微分； 对于同一尺度、 单一时相， 一阶微分产量预测模型精度较高， 多时相多光谱植被指数也可以得到较高精度； 对于同一输入量、 不同尺度， 较少SSMZ个数的棉花产量预测模型精度更高、 稳定性更好， 这是由于影像与产量数据的空间定位存在一定的误差造成。 研究成果将丰富作物长势、 估产方法， 提高遥感监测精度， 加速无人机遥感在相关领域的应用。

光谱指数； 精准管理分区； 高光谱遥感； 时间序列； 产量

引 言

基于像元的遥感数据处理方法主要提取光谱维度的信息， 而高光谱遥感影像的空间与时相信息考虑较少。 对地物的遥感监测需要考虑像元间的空间关系， 比如精准农业领域， 田块内土壤理化性质、 作物长势与产量存在极显著的时空间异质性， 田块内相对均一的区域称为精准管理单元(site specific manage zone, SSMZ)[1-2]， 可以作为一个对象进行田间管理(变量施肥、 施药)[3-4]， 相应的也需要将SSMZ作为一个对象进行遥感监测， 而不是以像元作为对象。 作物长势、 受胁迫程度不同， 其冠层反射光谱特性不同， 可以利用遥感技术监测不同尺度作物生长状况。 已有研究利用遥感技术进行精准管理分区[5-6]， 随着遥感技术的发展， 高空间、 高光谱分辨率的遥感影像可以用于监测田块尺度裸露土壤养分状况和作物长势变异[7-9]， 为精准管理分区研究提供了更为有效的数据源。

已有利用遥感技术进行精准管理分区的研究存在如下问题， 一是获取的遥感影像数量有限， 一般利用单时相、 多光谱遥感影像[10]， 难以准确界定最优的时相[11]； 二是划分的 SSMZ数量较少， 不利于变量施肥管理技术的精准实施； 三是分区方法主要是基于像元尺度、 利用模糊聚类方法实现的， 而面向对象方法比基于像元的遥感管理分区方法有明显的优势[12]。 基于象元的遥感分析方法容易产生“椒盐”现象， 而且航空、 无人机遥感影像空间定位有时存在误差， 导致像元与实际地物之间的空间位置对应不准确。 尤其是无人机遥感， 由于受风力等环境因素影响较大、 平台稳定性偏差、 影像多、 重叠大、 辐射校正与几何校正难度大等原因， 几何校正与辐射校正的精度受限[13]。 对于空间定位与辐射精度受限的遥感数据， 利用面向对象方法进行精准管理分区， 要优于基于像元的方法。 此外， 田块内部尺度的精准管理措施不是基于像元的， 而是基于SSMZ的[14]。 因此， 利用时间序列的高空间、 高光谱分辨率航空遥感影像， 综合时间、 空间、 光谱维度信息， 希望解决如下科学问题： (1)检验面向对象方法进行田块内部精准管理分区的可行性； (2)揭示不同SSMZ内光谱指数与作物产量的关系， 确定最优的光谱指数、 SSMZ个数和生长期； (3)建立基于SSMZ的棉花产量预测模型。

1 研究区和数据

1.1 研究区概况

研究区位于美国加州San Joaquin河谷南部， 研究地块位于美国农业部精准农业研究的一个示范基地， 地块面积约为84公顷(800 m×800 m， 见图1)。 2001年该地块种植棉花。

图1 研究区2001年7月5日高光谱假彩色影像

1.2 航空高光谱遥感数据

2001年作物整个生长期内， 获取12期航空高光谱遥感影像， 具体日期见表1。 可见光近红外高光谱传感器(OKSI, Inc., Torrance, CA, USA)辐射分辨率12 bit， 光谱范围为430～1 012 nm， 60个波段， 波段宽度9.7 nm。 航高1 500 m， 影像空间分辨率1 m。 影像经过大气校正和几何校正。

表1 航空高光谱遥感影像日期列表

1.3 产量数据

利用收割机上安置的棉花测产仪测定棉花产量， 产量精度为95%～98%[15]， 空间分辨率为4.5 m×4.5 m。

2 研究方法

2.1 光谱指数计算

在作物反射光谱特征分析的基础上， 结合基于象元得到的植被指数与作物产量相关关系的结果[15]， 选择与叶面积指数相关的归一化植被指数(NDVI)和优化土壤调节植被指数(OSAVI)， 并构建基于高光谱反射率数据的光谱指数——反射率一阶、 二阶微分(ρ′，ρ″)， 用于SSMZ的划分。

2.2 精准管理单元的光谱分割算法

具体过程： 以所有单个象元作为起始对象， 然后不断升尺度向上归并， 将具有相似作物长势的像元合并构成新的对象； 归并后相邻的两个对象再次归并与否， 取决于归并后对象的异质性是否大于异质性阈值[16]； 异质性阈值的大小利用光谱(时间序列的光谱指数)和形状的差异进行计算。 异质性阈值的计算公式如下

(1)

其中，Wshape是形状权重， 取值范围0～1； ΔhVI和Δhshape分别是光谱指数和形状指数的异质性[见式(2)和式(3)]。

(2)

(3)

形状异质性根据表征形状特征的紧密度Δhcmpct和光滑度Δhsmooth计算[17]， 见式(4)和式(5)。l为SSMZ的周长，b为SSMZ最小外包矩形的周长，n为SSMZ的像元数。

(4)

(5)

2.3 精准管理单元划分过程

以12个时相的航空高光谱遥感影像、 四种光谱指数作为输入量， 进行精准管理分区， 分别得到不同光谱指数、 时相、 空间尺度的SSMZ， 为建立棉花产量预测模型提供不同的SSMZ。

2.4 建模与验证

利用数理统计方法分别建立基于不同SSMZ的棉花产量预测模型， 利用决定系数R2与均方根误差RMSE验证模型精度与稳定性， 确定产量模型的最优光谱指数、 时相、 空间尺度。

3 结果与分析

3.1 不同长势作物反射光谱特征

图1为研究地块2001年7月5日假彩色遥感影像， 越红的区域棉花长势越好， 12期航空高光谱遥感影像反映的棉花长势格局一致。 图2为从2001年7月11日航空高光谱遥感影像中提取的不同长势作物反射光谱特征。 S1～S6分别为长势由差到好的棉花反射光谱曲线。 668与833 nm为计算NDVI与OSAVI的波段， 707与727 nm为ρ′，ρ″与产量最大相关系数的波长位置。 可以发现， 作物长势越好， 近红外波段光谱反射率越高， 红波段反射率越低， 光谱指数越大， 对应的产量也越高。 光谱指数可以表征作物长势好坏。

图2 不同长势作物的反射光谱特征

3.2 光谱指数与产量的关系

Zarco-Tejada等计算了研究区34种不同的多光谱植被指数， 包括分别与冠层结构、 叶绿素、 含水量、 红边相关的植被指数， 并通过产量与植被指数之间的相关系数评价了植被指数的优劣[15]。 结果表明， 与叶面积指数相关的植被指数(包括NDVI和OSAVI)与产量的相关系数较高。 图3为NDVI， OSAVI，ρ′，ρ″与产量的相关系数随时间变化情况(x轴年积日是仅在一年中使用的连续计算日期的方法， 是从当年1月1日起开始计算的天数)可见，ρ″与产量的相关性相对较差，ρ′， NDVI， OSAVI与产量的相关性较显著。 “像元NDVI”为象元尺度上棉花产量与不同时期NDVI的相关系数， 相比于SSMZ尺度， 像元尺度的相关系数较小， 不利于棉花产量的预测。 总体上， 在生长期年积日220天(8月8日)前， 产量与植被指数的相关性更显著， 更适于棉花产量预测。 棉花产量与光谱指数的相关系数随时间变化主要原因是棉花生长过程中， 植被指数的空间差异随时间是不断变化的， 导致相关系数总体上不断降低。

3.3 同一尺度、 不同输入量的产量预测模型

基于光谱指数与产量的相关分析， 以NDVI与ρ′为自变量， SSMZ为单元， 建立棉花产量光谱预测模型。 为分析不同光谱指数、 时相的最优产量预测模型， 将不同光谱指数输入量分割成等量的SSMZ。 表2中前四行分别列出了以前四期NDVI、 7月11日NDVI、 12期和6月20日为自变量， 相同SSMZ个数(243)的棉花产量预测模型。 单一时期的产量预测模型， 以6月20日为自变量的最好， 具有较大的R2和较小的RMSE。 多时相的产量预测模型， 前四期NDVI为变量的模型较好。 图4为用前四个时期NDVI累加作为自变量的产量预测模型的散点图。 对于基于单一时相光谱指数的棉花产量预测模型来说， 6月20日产量预测模型要远好于单一时相NDVI模型。 从节省时间、 人物财力的角度， 单一时相

图3 棉花产量与光谱指数的相关系数随时间变化情况

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

表2 不同输入量、 尺度棉花产量预测模型

图4 基于前四期NDVI的棉花产量预测模型

的产量预测模型要优于多时相的模型。

3.4 同一输入量、 不同尺度模型

以同一输入量——12个时期累加ρ′， 进行不同尺度分割， 建立不同尺度产量预测模型。 表2第五、 第三、 第六行分别列出了SSMZ个数为909， 243和86的棉花产量预测模型， 可以看出， 随着SSMZ个数减少， 模型的决定系数R2越来越大、 RMSE越来越小， 模型的精度越高、 稳定性越好。 这是由于航空高光谱遥感影像与产量数据空间定位存在一定的问题。

4 结 论

利用高时间、 空间、 光谱分辨率遥感影像， 进行精准管理分区， 比较基于像元与SSMZ的光谱指数与棉花产量的关系， 确定产量预测的最优光谱指数、 SSMZ个数和生长期。 结果表明： (1)与基于像元的方法相比， 基于面向对象分割的精准管理分区方法， 可以综合时间、 空间、 光谱维度的信息， 将长势相对均一的区域作为一个对象进行分割， 提高了光谱指数与棉花产量的相关关系， 有利于变量施肥等技术的应用； (2)不同植被指数与棉花产量的相关系数排序为ρ′， NDVI， OSAVI，ρ″，ρ″相对较差； (3)对于同一尺度、 单时相光谱指数，ρ′产量预测模型精度较高； (4)对于同一输入量、 不同尺度， 较少SSMZ个数的棉花产量预测模型精度更高、 稳定性更好。

SSMZ最优数量的确定不仅取决于光谱指数与产量数据的相关关系， 还取决于精准农业变量管理农业机械的精细程度。 存在的不足： 主要是研究成果需要多年数据的支持和验证。 本研究提出的方法， 将提高航空、 无人机遥感对田块尺度农作物长势与产量的监测精度、 加速无人机遥感在精准农业领域的应用。

[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 艳， 史 舟, 吴次芳， 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2007, 23(8): 84.

[7] MENG Ji-hua, WU Bing-fang, DU Xin, et al(蒙继华, 吴炳方, 杜 鑫, 等). Remote Sensing for Land & Resources(国土资源遥感), 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， 金继运). Remote Sensing Technology and Application(遥感技术与应用), 2001, 16(1): 23.

[11] WANG Ren-chao, ZHU De-feng(王人潮, 朱德峰). Journal of Remote Sensing(遥感学报), 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

国家自然科学基金项目(40801167)和东北农业大学博士启动基金项目(2009RC35； 2010rcb22)资助

刘焕军， 1981年生, 东北农业大学资源与环境学院副教授 e-mail: huanjunliu@yeah.net *通讯联系人 e-mail: zhangxinle@gmail.com

O657.3

A

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