本文节选自:
马宇靖, 吴尚蓉, 杨鹏, 曹红, 谭杰扬, 赵荣坤. 油料作物产量遥感监测研究进展与挑战[J]. 智慧农业(中英文), 2023, 5(3): 1-16. DOI: 10.12133/j.smartag.SA202303002
MA Yujing, WU Shangrong, YANG Peng, CAO Hong, TAN Jieyang, ZHAO Rongkun. Research Progress and Challenges of Oil Crop Yield Monitoring by Remote Sensing[J]. Smart Agriculture, 2023, 5(3): 1-16. DOI: 10.12133/j.smartag.SA202303002
官网全文在线阅读
知网阅读
油料作物遥感估产研究现状
现代遥感技术的快速发展,为区域油料作物产量估算提供了有效的技术支持。遥感技术可以实时、快速、大范围地获取作物信息,利用遥感技术进行估产已成为当前作物估产的主要手段。不同于其他作物,以大豆、油菜为主的油料作物冠层结构复杂、生理结构特殊,估产过程中物候期的选取及数据源、建模方法的使用均会对估产结果产生一定影响。通过对近五年的粮油估产研究进行整理发现,研究人员基于遥感估产手段在水稻、小麦、玉米等区域主粮作物产量模拟中取得了较好的成果,但大豆、油菜、花生、芝麻、蓖麻、向日葵等区域油料作物的产量模拟研究相对较少,仅约占26%。这是因为油料作物种植布局和作物结构特征的复杂性,在作物特征选取、空间尺度确定以及遥感数据选择等方面存在一些难点。
1
估产物候期
物候期是作物生长发育过程中的特定阶段,对于作物的产量估算具有重要影响。作物的物候期选取会对遥感估产的结果产生一定影响,基于不同作物物候期所建立的估产模型,在估产精度和效果上有很大区别。
不同作物估产使用的生育期存在差异,部分油料作物估产物候期见表1。
表1 部分油料作物物候期选择
Table 1 Selection of phenological period of some oil crops
在油料作物的遥感估产研究中,估产物候期的选取因其植株结构特殊性较之主粮作物有所不同。Richetti等利用不同物候期的MODIS数据计算EVI估算区域大豆产量,通过选取合适的物候信息获得较为准确的区域估产结果,发现大豆遥感估产多基于种子初期、豆荚期等生育期建立估产模型。Li等基于无人机高光谱数据估算区域大豆产量并探索不同生育期的产量估算差异,发现估产模型在种子初期、豆荚期及灌浆期获得了较高的估产精度。油菜的开花期和角果期是决定油菜产量的关键时期,油菜的估产研究大多基于这两个生长阶段展开,已经有研究基于开花期和角果期估算油菜生物量和产量。Han等在对油菜生物量的研究中指出,油菜开花期和角果期对生物量精度验证的影响大于其他生育期。Ma等基于油菜不同生长阶段的冠层高光谱数据构建线性及非线性回归模型估算其生物量,发现开花期和角果期的NDVI与生物量高度相关。Fan等基于遥感植被指数模拟区域油菜产量,研究结果显示油菜开花期Lai在油菜产量早期预测方面具有一定潜力。龚龑等分别基于油菜开花期和角果期建立估产模型预测油菜产量。此外,针对花生、向日葵等其他油料作物,花生的种子初生期是研究花生产量的最佳时间;向日葵开花期前的花序出现阶段获得的植被指数与产量相关性最高。
从上述研究可以看出,油料作物结构和生长发育周期较为独特。开花期、角果期及豆荚期等物候期是其生长和发育的关键阶段,与产量密切相关。估产过程中不同物候期的选择,会对油料作物的产量估算结果产生不同影响。因此,在进行油料作物估产研究时,考虑油料作物的特殊性,并选取合适的物候期进行研究十分必要。
2
遥感数据源
不同的遥感数据源具有不同的传感器特性、时空分辨率等,因此在油料作物估产研究中,选取合适的遥感数据源对于获得准确的估产结果至关重要。
光学遥感数据可以提供丰富的光谱信息,以反映作物的生长状况。当前作物估产研究使用的遥感数据以MODIS、Landsat、Sentinel-2、环境星等光学遥感数据为主。但是,遥感传感器不能直接感知作物产量,需要利用遥感波段或通过波段计算的植被指数反演与作物产量密切相关的冠层或作物参数获取遥感特征与作物参数间的关系,进而进行作物产量的估算。NDVI、EVI等植被指数被广泛应用于区域玉米、小麦等作物的产量估算研究中,并获得了较好的估产进展。除主粮作物外,有研究证明光学植被指数同样适用于油料作物的估产研究。Song等在对大豆的遥感估产研究中指出,生长季高峰期的NDVI是大豆模拟过程中最重要的变量之一。Zamani-noor等基于多光谱数据计算的NDVI监测油菜生长状况,发现NDVI值在油菜的全生育期遥感监测中更为可靠。
此外,一些研究发现基于遥感技术的油料作物估产还需要考虑大豆豆荚、油菜角果等光合器官参数。He等在对大豆的产量预测研究中指出,大豆豆荚是叶片的同源器官,对大豆籽粒产量起决定作用。Peng等基于地面高光谱数据对油菜进行产量模拟,并评估LAI在不同生育期对油菜产量的预测能力,研究指出油菜的角果皮面积与油菜产量密切相关。Gong等在油菜产量估算研究中发现基于遥感技术模拟油菜产量需要考虑角果对产量模拟的影响。因此,在对油料作物进行研究时,除考虑作物叶片等参数之外,结合豆荚、角果皮等器官参数进行估产研究实属必要。
然而,油菜、大豆等作物光学器官多样,冠层结构复杂,已经有研究证明仅靠光谱数据估算区域油料作物的产量具有一定局限性。Liu等、Bognár等结合多光谱遥感数据和机器学习算法估算区域油菜产量,发现直接使用光学遥感数据进行油菜产量预测精度较低。Yoosefzadeh-najafabadi等和Sun等使用光学遥感数据估算区域大豆生物量和产量,结果指出大豆产量模拟精度偏低。SAR能够穿透植被、获取更深的作物结构信息,在作物结构监测方面具有一定优势。基于此,穿透能力强的SAR数据已被考虑应用于油料作物的估产研究方面。Yang等和Nguyen等利用全极化SAR遥感数据估算油菜地上生物量和产量,研究显示SAR遥感数据对提高区域油菜产量预测能力和准确性有一定作用。
3
建模方法
作物遥感估产的建模方法主要包括统计回归模型法和机器学习法。
统计回归模型法主要基于遥感波段或遥感植被指数建立与产量的经验回归关系,建立遥感数据和产量之间的数学模型,主要包括最小二乘(Least Squares,LS)法和线性回归(Linear Regression,LR)法等。统计回归模型具有简单直观、快速高效、适用性广泛等优点,可用于获取大范围的作物产量信息。Li等基于PLSR方法建立产量预测模型估算了区域大豆产量,验证了LAI、生物量等参数与大豆产量的显著相关性。回归模型建模方法简单但仍有一定局限性,存在模型稳健性不强的问题。此外,作物的产量形成具有非线性特点,对于复杂的非线性关系使用简单的回归模型可能会影响估产结果的精度和准确性。
机器学习方法则是一种基于数据的建模方法,通过对大量数据进行训练学习遥感数据与产量信息之间的复杂关系,从而建立作物估产模型,主要包括支持向量机回归(Support Vactor Regression, SVR)、BPNN等。机器学习可以自动学习来自多个数据级别的特征,因其高精度、训练快速及可用小样本建模等优势被广泛应用。Mateo-sanchis等利用机器学习方法组合光学EVI和微波植被光学深度(Vegetation Optical Depth,VOD)的完整时间序列,并构建估产模型预测大豆产量,最终获得了较高的估产精度,其决定系数R 2高达0.9。Krupavathi等在研究中指出,利用ANN方法构建产量预测模型相对稳定,可较好地获取作物产量与遥感参数之间的复杂关系,在产量预测中具有优越性。因此,相较于统计回归模型方法,机器学习法在油料作物估产领域具有更大的应用潜力。
国内外一些学者基于遥感技术在不同油料作物的估产研究上进行了探索,证明了机器学习方法在油料作物估产上的优越性。Pejak等利用多光谱植被指数,分别基于SVM、RF、极限梯度提升(Extrme Gradient Boosting,XGB)、随机梯度下降法(Stochastic Gradient Descent,SGD)等多种不同的机器学习算法构建模型预测大豆产量,并探索不同模型的估产性能,结果发现相较于其他算法,SGD模型表现最佳,平均绝对误差MAE为0.436 t/ha,相关系数为0.83%。Schwalbert等基于光学遥感数据计算的EVI和NDVI,结合长短期记忆神经网络(Long Short-Term Memory, LSTM)构建区域大豆产量预测模型并估算了大豆产量,与基于RF方法构建的估产模型预测结果进行比较,发现LSTM模型的MAE、RMSE指标均低于RF,说明LSTM在大豆产量预测方面的性能优于传统的机器学习算法。Sun等基于光学遥感反射率,利用卷积神经网络(Convolutional Neural Network, CNN)、LSTM算法提出了一种CNN-LSTM深度学习模型并模拟县级大豆产量,研究表明相较于单纯的CNN、LSTM,所提出的CNN-LSTM模型预测性能更佳,其决定系数R 2为0.78。Abbaszadeh等通过集成3维卷积神经网络(Three-Dimensional Convolutional Neural Network, 3DCNN)和卷积长短期记忆(Convolutional Long Short-Term Memory,ConvLSTM )两个深度神经网络构建估产模型,利用MODIS数据研究美国多个县的大豆产量,表明所提方法的大豆估产性能优于单独的3DCNN和ConvLSTM,能够更准确、可靠地用于大豆估产。Zhou等基于多光谱大豆数据和CNN模型,开发了一种混合CNN模型用于估算大豆产量,并获得了较高的估产精度,预测精度R 2为0.78,研究指出深度学习方法在大豆产量预测方面具有较大潜力。Teodoro等基于多光谱数据,提出了一个深层的深度学习网络用于大豆产量预测,并将其与RF、SVM和LR浅层学习模型进行比较,发现基于深度学习网络构建的估产模型预测精度最高。Reisi-gahrouei等基于机载SAR数据的L波段,利用多元线性回归(Multiple Linear Regression,MLR)和ANN构建模型估计油菜、大豆作物的生物量,结果表明基于ANN构建的模型生物量估计更为准确。Yu和Shang通过HJ-1A/1B计算的NDVI值结合物候特征,利用RF方法构建估产模型估算区域向日葵产量,结果证明RF模型可用于准确预测区域向日葵产量,均方根误差RMSE为0.4 t/ha,相对误差为10.1%。Zeng等利用PLSR和ANN建立向日葵产量预测模型,结果表明结合遥感数据和ANN模型在向日葵产量预测方面具有一定优势。Amankulova等基于Sentinel-2多光谱数据计算的植被指数,分别采用MLR、RF、SVM三种方法构建模型预测向日葵产量,结果表明RF方法是预测田间规模作物产量的最佳机器学习方法。大量研究证实了机器学习方法在油料作物遥感估产领域的优势。
与回归模型方法相比,机器学习算法通常需要更多的计算资源和时间优化模型。因此,尽管机器学习方法表现更佳,在区域估产研究中,要基于实际情况和研究目标,结合各方法的优势和局限性,选取适当的建模方法。
4
数据同化估产
自20世纪60年代起,作物模型的研究随着农业科学、计算机技术的发展以及人类对作物生长机理认识的不断加深得到了快速发展。作物模型可以较好地模拟单点尺度的作物生长发育过程,但Deligios等在对油菜的产量预测研究中发现作物生长模型不适用于区域尺度的油菜产量模拟。当作物产量模拟从单点研究扩展到区域尺度时,空间尺度的增加会带来地表或近地表环境的非均匀性,使得作物模型中的参数获取以及区域化等问题的解决遇到困难。卫星遥感因其覆盖范围广和时空分辨率等独特优势被应用于地面作物的信息获取,但只能获得时间有限、离散的作物生长观测数据,不能有效支持作物生长发育和产量形成动态过程的研究。而油料作物生长结构特殊,生长过程中伴随着光合器官的演替,这导致了时间上的显著差异性;与传统的主粮作物相比,油料作物的种植方式也存在差异,通常表现为小块且零散的田块,因而在空间分布上呈现出多样性。这些特殊性可能会给基于遥感技术的油料作物监测带来挑战。因此,可将遥感信息引入作物模型进行数据同化,以提高作物生长模拟和产量估测能力,实现遥感反演与作物模型模拟的时空扩展。而同化算法和同化网格是数据同化估产的重要组成部分,结合油料作物特点,选取合适的算法和网格进行研究尤为重要。
(1)同化算法。同化算法是作物同化估产系统中最重要的组成部分。基于代价函数的参数优化算法和基于估计理论的集合滤波算法,是目前使用最广泛的两类同化算法。前者主要包括单纯形搜索算法、复合型混合演算法(Shuffled Complex Evolution, SCE-UA等);代价函数有均方根误差、四维变分等。而后者主要有集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)及粒子滤波(Particle Filter,PF)等同化算法。
有研究人员基于数据同化技术对油料作物展开研究,证实了数据同化技术可作为油料作物估产的一种有效工具。Trépos等利用EnKF方法将LAI同化到SUNFLO作物模型中预测向日葵的产量,并比较了直接模拟和不同同化LAI算法的预测结果,研究发现与单独模拟相比,将LAI同化到作物模型中进行产量预测的结果更好(RMSE从9.88到7.49 q/ha),且相较于最小二乘估计(the Least Square Estimator, LSE)方法,EnKF方法进一步提高了产量预测精度(RMSE从7.92到7.49 q/ha),明显改善了向日葵的产量预测结果。研究表明,数据同化技术可以弥补遥感数据和实地观测数据的互补性,从而提高油料作物的区域估产精度。
(2)同化网格。同化网格是将作物模型和遥感观测数据所涉及的地理空间划分为不同的单元区域或网格,用于数据同化和模型更新。在基于数据同化的作物区域产量模拟中,同化网格的选取与最终的产量同化精度密切相关。
同化网格大小不仅取决于卫星遥感分辨率,还取决于作物模型输入参数(气象要素、作物和土壤参数以及田间管理措施等)分辨率。Gaso等将遥感反演的LAI信息同化到大豆作物生长模型中进行大豆产量预测,研究发现不同大豆田块的LAI存在一定的空间差异,遥感数据空间分辨率的变化对作物同化精度有直接影响。Gaso等基于变分同化方法将观测LAI同化入作物生长模型中,预测田块尺度大豆产量,结果显示田块内LAI的变异性使得大豆产量预测存在一定的不确定性,从而影响产量预测精度。Tang等基于MODIS遥感数据反演的LAI对油菜进行同化估产研究,研究表明同化估产结果受LAI曲线影响较大,弥补LAI偏差可获得准确的油菜LAI曲线,并提高区域油菜的同化估产精度。由此可见,遥感数据空间分辨率及模型输入参数分辨率均会对同化估产结果产生影响。
随着卫星遥感数据空间分辨率的提高,可获得更精细的同化网格,产量模拟的空间差异性也变得显著。但同化网格的缩小不会一直提高同化估产精度,而是存在一个最优同化单元,并与农田地块大小存在紧密联系。合理选取同化网格是实现准确的作物区域产量模拟的关键之一。因此,考虑同化区域网格大小,基于数据同化技术对油料作物进行估产研究是未来的重点研究方向。
推荐阅读
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。