摘要:倒伏水稻的識別對災后農業生產管理、災害保險、補貼等工作有重要意義。為應用高分辨率遙感影像準確提取倒伏水稻面積,本文利用2019年9月27日獲取的哨兵2號多光譜遙感影像,研究黑龍江省同江市倒伏水稻的光譜、紋理特征,并基于光譜與紋理特征建立倒伏水稻的遙感提取模型。研究結果表明水稻倒伏后可見光-近紅外-短波紅外等8個波段的反射率均升高,其中短波紅外、紅光和紅邊1等3個波段的反射率上升大于0.06。倒伏水稻的典型植被指數中,歸一化植被指數、比值植被指數、增強植被指數和紅邊位置指數均降低,但差值植被指數升高。倒伏與正常水稻在紅光、紅邊1和短波紅外等3個波段的均值紋理數值差距明顯,紅光波段的紋理均值差異最大。

　　利用歸一化植被指數、地表水分指數、比值植被指數和差值植被指數以及紅光波段的紋理均值構建決策樹分類模型,監測結果表明農場內倒伏水稻分布較散,其西部和南部水稻受災面積較大,北部受災面積較小,中部偏北和東部基本未倒伏。將本文模型所提取的結果與實測面積對比,正常與倒伏水稻的面積識別誤差分別為3.33%和2.23%。利用隨機驗證樣本與模型驗證結果進行混淆矩陣分析,倒伏水稻的用戶精度和制圖精度均為92.0%,Kappa系數為0.93。該方法能夠適用于大區域倒伏水稻提取,可為高分辨率多光譜遙感數據調查水稻倒伏面積提供相關依據。

　　關鍵詞:哨兵2號影像;倒伏水稻;光譜特征;紋理特征;遙感提取

　　長期以來,倒伏一直是制約水稻(Oryzasativa)生產的重要因素之一[1]。當發生倒伏時,冠層結構被破壞,光合速率和干物質生產能力急劇下降。在嚴重的情況下,會折斷莖或拔出根,阻礙水、礦物質和光合產物的運輸,導致產量和質量的大幅下降[2]。研究表明倒伏面積占15%左右時,減產率在5%~10%,當發生重度倒伏時,水稻產量損失率可達22%左右,極端情況下可達50%左右,甚至絕產[3]。快速、準確獲取水稻倒伏的位置、面積等信息,對災后農業生產管理、農業災害保險、補貼等工作有重要意義。目前,獲取作物倒伏信息的方法主要有人工法和遙感法[4]。人工法在獲取倒伏作物位置及面積方面存在效率低的問題,另外針對不規則倒伏區域無法做到精確測量。遙感法是根據影像中倒伏作物與正常作物在光譜、色調和紋理等特征的差異,識別倒伏作物,獲取倒伏信息�；�于遙感的調查方法憑借遙感影像覆蓋面積大、數據獲取及時的特點,現已成為倒伏作物監測的重要途徑。

　　目前單獨使用光學衛星數據、雷達數據和無人機圖像是倒伏作物遙感監測的3種主要方式。光學衛星影像主要是通過分析倒伏發生前后光譜反射率的變化來判斷倒伏發生情況,并通過構建植被指數來提取倒伏作物。如王猛等[5-6]通過分析玉米(Zeamays)冠層光譜數據,發現倒伏玉米相較于正常玉米的反射率和幾種典型植被指數整體上都有不同程度的下降。

　　張杰[7]結合冬小麥(Triticumaestivum)倒伏光譜數據和ALOS(advancedlandobservingsatellite)遙感影像,建立監測冬小麥倒伏狀況的遙感方法。王立志等[8]根據多時相HJ-1B衛星影像的比值植被指數差值與玉米倒伏比例具有最高相關性的規律來構建玉米倒伏模型。劉良云等[9]發現小麥倒伏后冠層光譜反射率隨倒伏角度增加而增加,并利用歸一化植被指數(normalizeddifferencevegetationindex,NDVI)來監測小麥倒伏的發生程度。雷達衛星主要依靠后向散射原理提取倒伏作物信息。如韓東等[10]研究倒伏前后玉米的Sentinel-1A雷達影像的多種強度信息,篩選出玉米倒伏前后最佳敏感后向散射系數,構建倒伏玉米監測模型,實現了對玉米倒伏程度的分級目的。

　　楊浩等[11-12]利用Radarsat-2雷達極化指數的方法來監測小麥倒伏。無人機影像主要是通過分析倒伏發生前后紋理的變化來分析倒伏情況。如李宗南等[13]先后使用無人機和Worldview-2影像進行了小尺度灌漿期倒伏玉米的光譜和紋理特征研究,結果顯示基于最大似然法使用紅邊和近紅外波段是倒伏玉米的最優面積估算方法。董錦繪等[14]通過對比最小距離法、最大似然法、神經網絡、支持向量機4種監督分類方法對單張無人機影像進行分類,以估算小麥倒伏面積。Chauhan等[15]利用無人機獲取的高分辨率多光譜數據,分析了不同倒伏程度等級之間的光譜變異性。

　　Zhao等[16]、鄭二功等[17]將深度學習應用到無人機影像中,利用全卷積神經網絡圖像分割方法提取倒伏作物。Chauhan等[18]聯合使用多時序的哨兵1號雷達數據和哨兵2號多光譜數據研究倒伏發生后對小麥的反向散射/相干性和光譜反射率的影響,并使用時間序列分析,監測小麥倒伏發生率,研究結果表明紅邊波段(740nm)和近紅外波段(865nm)可以最好地區分健康小麥和倒伏小麥。綜上,國內外倒伏作物種植面積遙感監測研究主要有2個方面:一是基于不同數據條件下倒伏作物的遙感識別能力研究;二是基于不同分類方法倒伏作物識別能力和精度的比較研究。

　　總的來看,數據源充分保障條件下最優方法、最高精度的研究較多。然而,現有的作物倒伏監測大多面向小麥和玉米等作物,倒伏水稻的遙感監測研究開展的相對較少,且應用影像的光譜與紋理特征提取倒伏水稻的研究尚不多見。本研究利用2019年9月27日獲取的哨兵2號多光譜遙感影像研究黑龍江省同江市正常水稻、倒伏水稻的光譜反射率、植被指數和紋理特征,然后根據兩者的光譜、紋理特征差異,構建基于光譜與紋理特征的決策樹分類模型,以期為應用高分辨遙感數據進行水稻倒伏調查提供相關依據,為災情分析和災后補救提供支持。

　　1研究區概況與數據來源

　　1.1研究區概況

　　本文研究區為黑龍江省同江市濃江農場,位于黑龍江省佳木斯市(133.10°E,47.80°N)。濃江農場是黑龍江墾區最大的農業綜合開發示范區,位于松花江、黑龍江和烏蘇里江三角洲地帶。作物種植為一年1熟制,以種植小麥、大豆(Glycinemax)、水稻為主,是一個中型的國有現代化農場。農場屬于寒溫帶濕潤季風氣候區,屬黑龍江省第三積溫帶,年平均氣溫11.5℃,年降雨量560610mm,有效積溫2600℃,年無霜期125130d,黑土層厚度均在2530cm,土壤有機質含量在100g∙kg‒1左右。該農場2019年9月20日出現降雨、大風天氣,導致部分地塊的水稻發生嚴重倒伏。

　　1.2數據介紹

　　哨兵2號(Sentinel-2)是歐洲“哥白尼計劃”的第2顆衛星[19],分為A星和B星,分別于2015年6月和2017年3月發射。哨兵2號攜帶1枚多光譜成像儀,可覆蓋13個光譜波段,波段范圍從可見光、近紅外到短波紅外,是唯一在紅邊范圍含有3個波段的衛星,最高空間分辨率為10m,幅寬為290km,兩星共同工作時間分辨率可以提高至5d。

　　哨兵2號衛星提供的數據產品為Level-1C和Level-2A[20],Level-1C是經過輻射校正和幾何校正的大氣層頂表觀反射率數據[21],Level-2A是經過大氣校正后的地表反射率數據。本文選用大氣校正后的Level-2A數據,有效消除了云、大氣和光照等因素對地物反射的影響,影像日期為2019年9月27日。選用了8個波段進行分析,其中包括可見光波段、對植被生長狀況敏感的3個紅邊波段[22]、近紅外波段以及對植物和土壤水分含量敏感的短波紅外波段[23-24],波段信息參數如表1所示。哨兵2號影像的處理主要包括圖像裁剪、波段合成等[25]。

　　2倒伏水稻遙感提取方法

　　決策樹是通過對訓練樣本進行歸納學習而生成決策規則,而后使用決策規則對數據進行分類的一種數學方法[26]。近年來,決策樹因其具有較高的魯棒性、計算效率高、分類精度高、分類規則直觀、易于理解等優點,故被廣泛地運用于地物識別提取[27-28]。本文首先對比分析正常水稻、倒伏水稻的光譜反射率特征、植被指數和紋理特征,為使用哨兵2影像區分正常和倒伏水稻提供特征選擇的依據;然后根據兩者的光譜、紋理特征差異,構建決策樹分類模型進行分類。根據分類結果采用隨機點計算混淆矩陣驗證識別結果的正確性,最后計算混淆矩陣并統計倒伏水稻的面積,根據倒伏水稻實測面積計算識別誤差。

　　2.1倒伏水稻的特征

　　2.1.1倒伏水稻的光譜特征

　　在哨兵2號多光譜反射率影像中,根據現場倒伏水稻調查資料結合Google影像進行目視解譯,在研究區內共選取542個樣點,其中正常水稻268個樣點,倒伏水稻274個樣點。統計正常水稻和倒伏水稻的在各波段反射率的均值和標準差,然后根據波段中心波長位置,繪制出正常、倒伏水稻的反射率曲線。

　　根據倒伏后反射率變化量和正常水稻反射率,計算倒伏水稻從藍光到短波紅外的各波段反射率相對變化率,依次為17.85%、23.36%、36.30%、27.36%、14.06%、12.06%、12.87%和33.35%。由于倒伏后紅光反射率相對變化量大于近紅外波段,倒伏水稻的NDVI將小于正常水稻。

　　能夠看出倒伏水稻和正常水稻在紅光波段、紅邊波段和短波波段的分離性較大,這3個波段可作為兩者區分的重要波段。倒伏水稻在藍、綠、紅通道的反射率數據呈現逐漸遞增的趨勢,而正常水稻則相反,即在藍、綠、紅通道的反射率逐漸下降。倒伏水稻紅光波段反射率高于藍光反射率,正常水稻則相反,紅光和藍光的反射率之差可作為倒伏水稻與正常水稻區分的重要特征之一。

　　2.1.2倒伏水稻的指數特征植被指數是表示植被長勢、生物量等的重要指數,研究應用較多的有NDVI[30]、比值植被指數(ratiovegetationindex,RVI)、差值植被指數(differencevegetationindex,DVI)、增強型植被指數(enhancedvegetationindex,EVI)。

　　本文根據植被指數計算公式分別計算了正常與倒伏水稻的這4種植被指數。植被土壤水分狀態的微小變化能引起短波紅外光譜反射率的巨大變化,陸地水分指數(landsurfacewaterindex,LSWI)由近紅外波段和對植物和土壤水分含量敏感的短波紅外波段組合而成,對水田監測有較好效果[31]。紅邊波段是介于紅光波段和近紅外波段之間的波段,紅邊位置的變動與作物葉子內部的物理狀態密切相關[32-33]。本研究采用線性四點內插法計算紅邊位置指數(rededgepositionindex,REP)。

　　3結果與驗證

　　利用ENVI5.3建立并執行決策樹,濃江農場倒伏水稻分布較散,其西部和南部水稻受災面積較大,北部受災面積較小,中部偏北和東部基本未倒伏,該空間分布監測結果與現場調查情況基本一致。為農場內某一水稻地塊倒伏水稻識別結果,對比于從目視效果來看,大部分的倒伏水稻被識別出來。為檢驗提取效果,本研究從面積識別精度和混淆矩陣兩方面進行評價。

　　4討論

　　目前,倒伏作物信息的獲取主要是基于光學衛星數據、雷達數據和無人機圖像。對于光學遙感,通過分析倒伏發生前后光譜反射率的變化來判斷倒伏發生情況,并通過構建植被指數來提取倒伏作物,其局限性在于倒伏前后冠層光譜信息變化微弱、復雜的農田環境加大了光譜信息的提取難度。雷達數據應用在作物倒伏監測方面的相關研究大都集中在定性研究階段,局限于全極化數據,且都是面向地塊尺度,未能發展到基于像元尺度。無人機影像主要依賴目視解譯確定玉米倒伏信息。

　　深度學習應用于倒伏作物提取需要具有專家知識進行準確標注,才能訓練好神經網絡模型參數,但倒伏與非倒伏作物邊界具有一定的模糊性。本文使用哨兵2號多光譜數據首先分析了乳熟期正常、倒伏水稻光譜及紋理特征的差異,然后根據差異篩選了對倒伏水稻敏感的光譜指數和紋理均值,最后探討了使用該特征建立倒伏水稻識別的決策樹方法。

　　研究表明倒伏水稻在哨兵2影像上具有明顯的紋理特征,基于光譜和紋理特征知識庫的決策樹分類結果更加符合真實地物分布狀況。倒伏是作物生產中普遍存在的問題,面對突發的倒伏災害,倒伏監測所需要的是較高的空間分辨率和時間分辨率。衛星遙感的時空分辨率往往不能夠保持一致性。當傳感器有較高的分辨率時,衛星的重訪周期較長,當時間分辨率較高時,數據的獲取就過于籠統,忽略了細節。

　　哨兵2號空間分辨率為10m,幅寬290km,兩星共同工作時間分辨率可以提高至5d,在時間和空間分辨率均占優勢。需要注意的是,本文主要研究的是水稻生長后期的倒伏特征。由于不同生長期內水稻植株的結構和生長狀態差異顯著,其倒伏前后紋理和光譜會有所不同。故本研究結果主要為水稻生長后期倒伏調查參考,而生長早期的倒伏特征及面積估算方法還有待后續研究。

　　農作物論文范例：黑龍江省水稻機械收獲減損關鍵技術

　　5結論

　　本文以黑龍江省同江市的倒伏水稻為研究對象,以哨兵2號多光譜影像為數據源,研究倒伏水稻的光譜和紋理特征,并獲得其遙感提取方法。研究得到如下結論：

　　1)水稻倒伏后可見光-近紅外-短波紅外等8個波段的反射率均升高,其中短波紅外、紅光和紅邊1等3個波段的反射率上升大于0.06。反射率相對變化率最大的為紅光波段。倒伏水稻紅光波段反射率高于藍光反射率,而倒伏水稻則相反。2)倒伏水稻的NDVI、RVI、EVI和LSWI均降低,水稻受倒伏脅迫后,紅邊位置向短波方向移動,發生“藍移”現象。倒伏水稻的DVI高于正常水稻。

　　3)紅色、紅邊波段和短波紅外濾波處理較其他紋理特征濾波更能增強正常、倒伏水稻間的圖像特征差異,而紅光的紋理均值差異最大。4)組合光譜和紋理特征構建的決策樹模型能有效識別倒伏水稻區域,正常水稻與倒伏水稻識別誤差分別為3.33%和2.23%。倒伏水稻的用戶精度和制圖精度均為92.0%,Kappa系數為0.93。

　　參考文獻References

　　[1]饒玉春,李躍,董國軍,等.水稻抗倒伏研究進展[J].中國稻米,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]劉利華,金再欣,劉小麗,等.水稻倒伏對產量影響的試驗結果分析[J].中國稻米,2009,(2):19–21LIULH,JINZX,LIUXL,etal.Influencetrialoflodgingonriceyield[J].ChinaRice,2009,(2):19–21

　　[4]李宗南,陳仲新,王利民,等.基于小型無人機遙感的玉米倒伏面積提取[J].農業工程學報,2014,30(19):207–213LIZN,CHENZX,WANGLM,etal.Areaextractionofmaizelodgingbasedonremotesensingbysmallunmannedaerialvehicle[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2014,30(19):207–213

　　作者：陸洲1,徐飛飛1,2**,羅明1,2,梁爽1,2,趙晨1,2,馮險峰1