倒伏水稻特征分析及其多光谱遥感提取方法研究*

2021-04-14徐飞飞冯险峰

中国生态农业学报(中英文) 2021年4期

陆洲, 徐飞飞,2**, 罗明,2, 梁爽,2, 赵晨,2, 冯险峰

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

(1. 中国科学院地理科学与资源研究所北京 100101; 2. 中科禾信遥感科技(苏州)有限公司苏州 215151)

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。

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()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()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()倒伏光谱数据和ALOS (advanced land observing satellite)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(normalized difference vegetation index, 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(740 nm)和近红外波段(865 nm)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()、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560~610 mm, 有效积温2600 ℃, 年无霜期125~130 d, 黑土层厚度均在25~30 cm, 土壤有机质含量在100 g∙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。研究区倒伏与正常水稻样本点分布情况如图1所示。

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10 m, 幅宽为 290 km, 两星共同工作时间分辨率可以提高至5 d。

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]。

表1 本文选用的哨兵2号影像波段及分辨率

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, 样点分布如图1所示。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, 结果如图2所示。

根据图2, 倒伏水稻在400~1610 nm范围内, 8个波段的反射率较正常水稻均明显增加, 从蓝光到短波红外的各波段反射率分别增加了0.02、0.03、0.06、0.06、0.04、0.04、0.04和0.08, 其中短波红外、红光和红边1等3个波段的反射率增加较大。该变化规律与冬小麦、玉米倒伏后光谱变化规律相似, 其主要原因可能是水稻倒伏前冠层的光谱反射由叶片、稻穗的多次反射共同作用, 倒伏后这种作用发生改变, 倒伏水稻冠层光谱反射率起重要作用的是茎秆[9]。茎秆的反射率在可见光波段与叶片相当, 在近红外波段高于叶片。倒伏的角度越大, 单位面积上茎秆所占比例就越大, 水稻植株间隙就越小, 加之水稻倒伏后叶片由上表面朝上的状态变为叶片横向, 在水稻全部倒伏的极端情况下光滑的下表面横向朝上, 基本形成镜面反射的状态, 水稻植被的光谱反射率变大[29]。

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。图2中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(ratio vegetation index, RVI)、差值植被指数(difference vegetation index, DVI)、增强型植被指数(enhanced vegetation index, EVI)。本文根据植被指数计算公式(表2)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(land surface water index, 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(red edge position index, REP), 计算公式如表2所示。

表2 本文选用的各光谱指数的计算公式

blue、green、red和nir分别为蓝光、绿光、红光和近红外波段反射率。60、700、740和780表示为在波长670 nm、700 nm、740 nm和780 nm处的反射率。700与40是700~740 nm区间进行内插产生的常数。blue,green,redandniris blue, green, red and near-infrared reflectance.670,700,740and780is the reflectivity at the wavelength of 670 nm, 700 nm, 740 nm and 780 nm. 700 and 40 are constants produced by interpolation in the range of 700-740 nm.

根据表2公式对哨兵2号影像进行波段运算得到以上6种光谱指数, 并统计分析正常与倒伏水稻的光谱指数特征(图3)。由图3a-c可知, 倒伏水稻的NDVI、RVI和EVI分别介于0.3~0.5、1.5~2.7和0.07~0.15, 且这3种植被指数均低于正常水稻。这可能是因为发生倒伏后水稻冠层结构改变, 其冠层光谱反射率也随之发生相应的变化, 但近红外波段相对变化量低于红光反射率, 反映作物长势的NDVI、RVI和EVI指数是依据作物在红光波段和近红外波段的光谱反射率值进行计算的, 因此这些指数也随着光谱反射率曲线的变化发生了不同程度的降低。倒伏水稻的NDVI均值为0.37, 正常水稻为0.52, 相对减少了28.85%。倒伏水稻的RVI均值为2.19, 正常水稻RVI均值为3.01, 相对减少了27.24%。倒伏水稻的EVI均值为0.11, 而正常水稻为0.15, 相对减少了26.67%。

图3d所示的差值植被指数(DVI)由红光和蓝光波段的反射率之差组成。倒伏水稻的DVI高于正常水稻, 且倒伏水稻的DVI大于0, 而正常水稻的DVI小于0。水稻发生倒伏后造成红光波段反射率高于蓝光反射率, 而正常水稻则相反, 红光波段反射率低于蓝光反射率。因此, DVI可作为识别倒伏水稻的特征之一。图3e表明水稻的LSWI均低于0.4, 且倒伏水稻明显低于正常水稻。正常水稻的LSWI均值为0.17, 倒伏水稻的LSWI为0.32, 相对减少了46.87%, 表明水稻受倒伏胁迫后, LSWI受到土壤背景影响, 含水量下降, 故而低于正常水稻。图3f表明倒伏水稻的REP低于正常水稻, 但相对差距较小, 正常水稻的红边位置为716.14 nm, 倒伏水稻的红边位置为718.24 nm, 表明水稻受倒伏胁迫后, 红边位置向短波方向移动, 有变小的趋势, 发生“蓝移”现象。

2.1.3 倒伏水稻的纹理特征

本文采用基于统计分析法的灰度共生矩阵计算正常与倒伏水稻的纹理信息。GLCM (Grey-Level Co-occurrence Matrix)是一个统计描述影像中的1个局部区域或整个区域相邻像元或一定距离内两像元灰度呈现的某种关系的矩阵, 即通过统计影像上一定大小的基准窗口内某一方向上(0°、45°、90°、135°)相距为的两个灰度级和同时出现的联合事件概率密度分布而获得的对称矩阵P(), 能够表现基准窗口中心点附近像素灰度的空间相关性, 可以有效地表达纹理特征。

李宗南等[13]通过研究倒伏玉米的均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性等8项纹理特征, 发现基于灰色共生矩阵的反射率均值纹理特征差异明显。鉴于此结果, 本文仅研究倒伏水稻的均值纹理特征。使用数据处理软件ENVI 5.3计算各波段的均值纹理, 将纹理滤波窗口设置为3×3, 共生矩阵和的变换量均为1。使用Excel软件计算各波段纹理特征的均值、方差; 根据均值和方差计算得到变异系数; 根据各项特征的均值计算二者的相对差异, 正常、倒伏水稻感兴趣区内各波段均值纹理特征的统计结果如表3所示。差异系数反映同一地物内该特征数值的离散程度; 离散程度越小, 即差异系数越小越容易根据该特征区分出该类地物。相对差异反映两种地物在该特征上的差异, 相对差异越大越容易区分。本研究根据特征的变异系数和相对差异评选适于区分正常、倒伏水稻的纹理特征波段。

根据表3, 各波段纹理特征的差异系数和相对差异有很大区别: 在正常水稻中, 均值纹理特征差异系数最小是蓝光, 最大的为红光波段(22.92%); 在倒伏水稻中均值纹理特征差异系数最小为4.37%, 最大为15.26%, 分别对应蓝光和绿光; 正常与倒伏水稻各项特征的相对差异最小的为1.48%, 最大的为44.34%, 分别对应蓝光和红光。通过对相对差异和变异系数的排序评选, 得到3项适于区分正常水稻和倒伏水稻的纹理均值: 红光、红边波段1和短波红外, 三者的相对差异分别为44.34%、25.87%和21.67%; 在倒伏水稻差异系数方面, 红色、红边波段和短波红外分别为5.62%、9.45%和8.09%。此结果表明基于灰度共生矩阵的红光、红边波段1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。红光的纹理均值可作为倒伏水稻识别的又一特征。在红光波段, 倒伏水稻的纹理均值为2.00, 方差为0.11, 而正常水稻的纹理均值为1.11, 方差为0.25, 因此可设定纹理均值阈值1.5区分正常与倒伏水稻。

表3 正常水稻与倒伏水稻各波段均值纹理

差异系数=方差/均值×100%; 相对差异=(倒伏水稻均值-正常水稻均值)/倒伏水稻均值×100%。Difference coefficient = variance/mean×100%, relative difference = (mean value of lodging rice-mean value of normal rice) / mean value of lodging rice×100%.

2.2 倒伏水稻识别模型

基于上述分析, 倒伏水稻遥感提取可基于阈值法, 利用决策树分类进行。研究区内主要作物为水稻, 另外还有少量大豆种植, 本研究旨在区分水稻地块中的倒伏水稻并估算其面积, 故未对研究区所有地物进行细分, 其他地物可利用掩膜文件去除。

经过反复对比和试验, NDVI可有效剔除非植被和人造建筑; 利用对水稻敏感的LSWI和RVI设定阈值能够提取水稻种植区; 结合DVI和红光波段均值纹理Mean可区分正常与倒伏水稻。依据倒伏与正常水稻的NDVI均介于0.28~0.60, 设定阈值0.60>NDVI>0.28, 筛选出绿色植被; 正常和倒伏水稻的LSWI均小于0.4, RVI大于1.5, 分别设置LSWI<-0.4且RVI>1.5可排除其他绿色植被, 提取出水稻区域。图3说明倒伏水稻的DVI与正常水稻差异明显, 倒伏水稻DVI大于0; 表3中倒伏水稻的红光波段纹理均值差异最大, 倒伏水稻的纹理均值为1, 而正常水稻为2。依据这两个特征, 分别设定DVI>0且Mean>1.5, 当满足条件时为倒伏水稻, 否则为正常水稻。具体分类流程图如图4所示。

图中各缩写说明见表2。The meanings of abbreviations are shown in the table 2.

3 结果与验证

利用ENVI 5.3建立并执行决策树, 分类结果如图5所示。图5a中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。图5c为农场内某一水稻地块倒伏水稻识别结果, 对比于图5b, 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。

利用ArcGIS软件分别统计正常水稻和倒伏水稻的像元个数, 并根据像元分辨率计算倒伏水稻和正常水稻的面积, 结果如表4所示。本次遥感监测水稻总面积为378.20 km2, 其中正常水稻面积为344.33 km2, 倒伏水稻为33.87 km2, 倒伏面积占比8.95%。从黑龙江省农垦建三江管理局获悉农场以种植水稻为主, 水稻常年种植面积389.33 km2。现场调查统计的倒伏水稻面积为33.13 km2, 正常水稻面积为356.20 km2。本次遥感监测水稻面积识别误差为2.86%, 正常水稻识别误差为3.33%, 倒伏水稻识别误差为2.23%。

表4 研究区倒伏与正常水稻遥感识别面积与统计面积对比

为较真实、客观地实现模型精度的评价, 本文采用混淆矩阵的方法进行位置精度评价。在研究区创建随机验证点, 随机点数为300个, 结合高分辨率影像和实地情况对每个随机点目视解译, 并与遥感提取结果对比, 汇总制成一个混淆矩阵, 分别计算其用户精度、制图精度和Kappa系数(图6)。经计算得到其Kappa系数为0.93, 正常水稻的用户精度和制图精度分别为96.00%和94.00%, 倒伏水稻的用户精度和制图精度均为92.00%, 表明错分率及漏分率较低。基于面积和混淆矩阵两种精度验证结果均表明本文的倒伏遥感监测模型精度较高, 可以实现对区域内倒伏水稻空间分布的遥感监测。

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10 m, 幅宽 290 km, 两星共同工作时间分辨率可以提高至5 d, 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。

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, 而正常水稻则相反。

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。

[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): 15–19 RAO Y C, LI Y, DONG G J, et al. Research progress of rice antilodging[J]. China Rice, 2009, (6): 15–19

[2] LANG Y Z, YANG X D, WANG M E, et al. Effects of lodging at different filling stages on rice yield and grain quality[J]. Rice Science, 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): 19–21 LIU L H, JIN Z X, LIU X L, et al. Influence trial of lodging on rice yield[J]. China Rice, 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): 207–213 LI Z N, CHEN Z X, WANG L M, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19): 207–213

[5] 王猛, 张杰, 梁守真, 等. 玉米倒伏后冠层光谱变化特征分析[J]. 安徽农业科学, 2014, 42(31): 11187–11188 WANG M, ZHANG J, LIANG S Z, et al. Character analysis of the canopy spectral changes after corn lodging[J]. Journal of Anhui Agricultural Sciences, 2014, 42(31): 11187–11188

[6] 王猛, 隋学艳, 梁守真, 等. 夏玉米倒伏模拟试验及遥感监测[J]. 测绘科学, 2017, 42(8): 137–141 WANG M, SUI X Y, LIANG S Z, et al. Simulation test and remote sensing monitoring of summer corn lodging[J]. Science of Surveying and Mapping, 2017, 42(8): 137–141

[7] 张杰. 冬小麦倒伏遥感监测研究[D]. 济南: 山东师范大学, 2011 ZHANG J. A study on the lodge of winter wheat by remote sensing monitor[D]. Jinan: Shandong Normal University, 2011

[8] 王立志, 顾晓鹤, 胡圣武, 等. 基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测[J]. 中国农业科学, 2016, 49(21): 4120–4129 WANG L Z, GU X H, HU S W, et al. Remote sensing monitoring of maize lodging disaster with multi-temporal HJ-1B CCD image[J]. Scientia Agricultura Sinica, 2016, 49(21): 4120–4129

[9] 刘良云, 王纪华, 宋晓宇, 等. 小麦倒伏的光谱特征及遥感监测[J]. 遥感学报, 2005, 9(3): 323–327 LIU L Y, WANG J H, SONG X Y, et al. The canopy spectral features and remote sensing of wheat lodging[J]. Journal of Remote Sensing, 2005, 9(3): 323–327

[10] 韩东, 杨浩, 杨贵军, 等. 基于Sentinel-1雷达影像的玉米倒伏监测模型[J]. 农业工程学报, 2018, 34(3): 166–172 HAN D, YANG H, YANG G J, et al. Monitoring model of maize lodging based on Sentinel-1 radar image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(3): 166–172

[11] 杨浩, 杨贵军, 顾晓鹤, 等. 小麦倒伏的雷达极化特征及其遥感监测[J]. 农业工程学报, 2014, 30(7): 1–8 YANG H, YANG G J, GU X H, et al. Radar polarimetric response features and remote sensing monitoring of wheat lodging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(7): 1–8

[12] YANG H, CHEN E X, LI Z Y, et al. Wheat lodging monitoring using polarimetric index from RADARSAT-2 data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 157–166

[13] 李宗南, 陈仲新, 任国业, 等. 基于Worldview-2影像的玉米倒伏面积估算[J]. 农业工程学报, 2016, 32(2): 1–5 LI Z N, CHEN Z X, REN G Y, et al. Estimation of maize lodging area based on Worldview-2 image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(2): 1–5

[14] 董锦绘, 杨小冬, 高林, 等. 基于无人机遥感影像的冬小麦倒伏面积信息提取[J]. 黑龙江农业科学, 2016, (10): 174–152 DONG J H, YANG X D, GAO L, et al. Information extraction of winter wheat lodging area based on UAV remote sensing image[J]. Heilongjiang Agricultural Sciences, 2016, (10): 174–152

[15] CHAUHAN S, DARVISHZADEH R, LU Y, et al. Wheat lodging assessment using multispectral UAV data[C]// International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Enschede, The Netherlands: 2019, 13: 235–240

[16] ZHAO X, YUAN Y T, SONG M D, et al. Use of unmanned aerial vehicle imagery and deep learning unet to extract rice lodging[J]. Sensors (Basel), 2019, 19(18): 3859

[17] 郑二功, 田迎芳, 陈涛, 等. 基于深度学习的无人机影像玉米倒伏区域提取[J]. 河南农业科学, 2018, 47(8): 155–160 ZHENG E G, TIAN Y F, CHEN T, et al. Region extraction of corn lodging in UAV images based on deep learning[J]. Journal of Henan Agricultural Sciences, 2018, 47(8): 155–160

[18] CHAUHAN S, DARVISHZADEH R, LU Y, et al. Understanding wheat lodging using multi-temporal Sentinel-1 and Sentinel-2 data[J]. Remote Sensing of Environment, 2020, 243: 111804

[19] DRUSCH M, BELLO U D, CARLIER S, et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services[J]. Remote Sensing of Environment, 2012, 120: 25–36

[20] BAILLARIN S J, MEYGRET A, DECHOZ C, et al. Sentinel- 2 level 1 products and image processing performances[C]// 2012 IEEE International Geoscience and Remote Sensing Symposium. Munich, Germany: IEEE, 2012.

[21] 苏伟, 张明政, 蒋坤萍, 等. Sentinel-2卫星影像的大气校正方法[J]. 光学学报, 2018, 38(1): 314–323 SU W, ZHANG M Z, JIANG K P, et al. Atmospheric correction method for Sentinel-2 satellite images[J]. Acta Optica Sinica, 2018, 38(1): 314–323

[22] 刘佳, 王利民, 滕飞, 等. RapidEye卫星红边波段对农作物面积提取精度的影响[J]. 农业工程学报, 2016, 32(13): 140–148 LIU J, WANG L M, TENG F, et al. Impact of red-edge waveband of RapidEye satellite on estimation accuracy of crop planting area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 140–148

[23] 郑长春, 王秀珍, 黄敬峰. 多时相MODIS影像的浙江省水稻种植面积信息提取方法研究[J]. 浙江大学学报: 农业与生命科学版, 2009, 35(1): 98–104 ZHENG C C, WANG X Z, HUANG J F. Mapping paddy rice planting area in Zhejiang Province using multi-temporal MODIS images[J]. Journal of Zhejiang University: Agriculture & Life Sciences, 2009, 35(1): 98–104

[24] 魏新彩. 基于HJ卫星影像的水稻种植面积遥感信息提取方法研究——以江汉平原地区为例[D]. 武汉: 湖北大学, 2013 WEI X C. Extraction of paddy rice planting area based on environmental satellite image—Taking Jianghan Plain area as example[D]. Wuhan: Hubei University, 2013

[25] BAILLARIN S J, MEYGRET A, DECHOZ C, et al. Sentinel- 2 level 1 products and image processing performances[C]// 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Munich, Germany: IEEE, 2012

[26] FRIEDL M A, BRODLEY C E. Decision tree classification of land cover from remotely sensed data[J]. Remote Sensing of Environment, 1997, 61(3): 399–409

[27] CONRAD C, COLDITZ R R, DECH S, et al. Temporal segmentation of MODIS time series for improving crop classification in Central Asian irrigation systems[J]. International Journal of Remote Sensing, 2011, 32(23): 8763–8778

[28] 马丽, 徐新刚, 刘良云, 等. 基于多时相NDVI及特征波段的作物分类研究[J]. 遥感技术与应用, 2008, 23(5): 520–524 MA L, XU X G, LIU L Y, et al. Study on crops classification based on multi-temporal NDVI and characteristic bands[J]. Remote Sensing Technology and Application, 2008, 23(5): 520–524

[29] 赵佳佳, 冯美臣, 杨武德, 等. 倒伏胁迫下冬小麦冠层光谱及红边特征[J]. 山西农业科学, 2015, 43(6): 673–676 ZHAO J J, FENG M C, YANG W D, et al. Canopy spectral and red edge characteristics of winter wheat under lodging stress[J]. Journal of Shanxi Agricultural Science, 2015, 43(6): 673–676

[30] 胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015, 48(10): 1900–1914 HU Q, WU W B, SONG Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900–1914

[31] 王利民, 刘佳, 杨福刚, 等. GF-1卫星多时相组合近红外数据水稻识别能力[J]. 农业工程学报, 2017, 33(23): 196–202 WANG L M, LIU J, YANG F G, et al. Rice recognition ability basing on GF-1 multi-temporal phases combined with near infrared data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(23): 196–202

[32] 邹红玉, 郑红平. 浅述植被“红边”效应及其定量分析方法[J]. 遥感信息, 2010, (4): 112–116 ZOU H Y, ZHENG H P. The effect and method of quantitative analysis of “Red Edge” of vegetation[J]. Remote Sensing Information, 2010, (4): 112–116

[33] 程高峰, 李秉柏, 李萍萍, 等. 作物红边位置算法评述[J]. 江苏农业科学, 2009, (2): 12–14 CHENG G F, LI B B, LI P P, et al. Revliew on the crop red edge position algorithms[J]. Jiangsu Agricultural Sciences, 2009, (2): 12–14

[34] KIMURA R, OKADA S, MIURA H, et al. Relationships among the leaf area index, moisture availability, and spectral reflectance in an upland rice field[J]. Agricultural Water Management, 2004, 69(2): 83–100

[35] 张国圣. 基于高光谱的水稻氮素诊断和产量估测模型[D]. 沈阳: 沈阳农业大学, 2017 ZHANG G S. Estimation model of rice leaf nitrogen conter and yield based on hyperspectral[D]. Shenyang: Shenyang Agricultural University, 2017

[36] 刘元亮, 李艳, 吴剑亮. 基于LSWI和NDVI时间序列的水田信息提取研究[J]. 地理与地理信息科学, 2015, 31(3): 32–37 LIU Y L, LI Y, WU J L. Study on extraction of paddy fields based on LSWI and time-series NDVI[J]. Geography and Geo-Information Science, 2015, 31(3): 32–37

[37] 郝鹏宇, 唐华俊, 陈仲新, 等. 基于历史增强型植被指数时序的农作物类型早期识别[J]. 农业工程学报, 2018, 34(13): 179–186 HAO P Y, TANG H J, CHEN Z X, et al. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 179–186

Characteristic analysis of lodging rice and study of the multi-spectral remote sensing extraction method*

LU Zhou1, XU Feifei1,2**, LUO Ming1,2, LIANG Shuang1,2, ZHAO Chen1,2, FENG Xianfeng1

(1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China; 2. Crop-info Remote Sensing Technology (Suzhou) Co., Ltd., Suzhou 215151, China)

Crop lodging assessment is essential for evaluating yield damage and informing crop management decisions for sustainable agricultural production. Traditional evaluation methods and manual on-site measurements are time-consuming and labor- and capital-intensive. In this study, a remote sensing model to distinguish lodging rice was constructed based on spectral and textural features. To accurately extract the area of lodging rice from high-resolution remote sensing images, this study used Sentinel-2 multispectral images taken on September 27, 2019, to study the spectral and textural characteristics of lodging rice, in Tongjiang City, Heilongjiang Province. Analysis of the surface reflectance of normal rice and lodged rice, showed that reflectance of eight bands, including visible light, near-infrared, and shortwave infrared, increased after rice lodging; the reflectance of shortwave infrared, red light, and red edge 1 increased by more than 0.06. Except for the difference vegetation index (DVI), the typical vegetation indices of lodged rice, such as normalized difference vegetation index (NDVI), ratio vegetation index (RVI), enhanced vegetation index (EVI), and red edge position index (REP), decreased. There were significant differences between lodging rice and normal rice in the mean texture feature values of the red band, red edge 1, and shortwave infrared; the largest difference was for the mean texture value of the red band. Therefore, in this study, normalized difference vegetation index, land surface water index (LSWI), ratio vegetation index, difference vegetation index, and texture mean of the red band were used to construct the decision tree classification model. The results of remote sensing monitoring showed that rice lodging on the farm was decentralized. The area of rice disaster was larger in the west and south and smaller in the north. There was no lodging rice in the middle of the north and the east. Compared with the measured area, the area recognition errors of normal and lodged rice were 3.33% and 2.23%, respectively. When using random verification samples and model verification results for the confusion matrix analysis, the user accuracy and mapping accuracy of lodging rice were 92.0%, and the Kappa coefficient was 0.93. These results show that this method can be applied to remote sensing data from lodged rice in large areas and can provide a relevant basis for the investigation of rice lodging areas using high-resolution and multi-spectral remote sensing data.

Sentinel-2 image; Lodging rice; Spectral characteristics; Texture features; Remote sensing extraction

10.13930/j.cnki.cjea.200553

陆洲, 徐飞飞, 罗明, 梁爽, 赵晨, 冯险峰. 倒伏水稻特征分析及其多光谱遥感提取方法研究[J]. 中国生态农业学报(中英文), 2021, 29(4): 751-761

LU Z, XU F F, LUO M, LIANG S, ZHAO C, FENG X F. Characteristic analysis of lodging rice and study of the multi-spectral remote sensing extraction method[J]. Chinese Journal of Eco-Agriculture, 2021, 29(4): 751-761

S127