基于物候匹配与数据迁移的冬小麦地上生物量无人机-卫星跨尺度遥感估算

《IEEE Transactions on Geoscience and Remote Sensing》：Cross-Scale Remote Sensing Estimating of Winter Wheat Above-Ground Biomass (AGB) from UAV to Satellite: Enhanced by Phenological Matching and Data Transfer

本文针对冬小麦地上生物量（AGB）估算中因时空异质性导致的模型迁移性差问题，提出了一种融合物候匹配与数据迁移（PDBM）的跨尺度估算框架。研究通过整合无人机与卫星时序植被指数数据，实现了从田间到区域尺度的AGB动态精准监测，为智慧农业提供了可靠的技术支撑。

　　

准确掌握作物生长状况是农业管理的核心任务，其中地上生物量（AGB）作为评价作物长势和预测产量的关键指标，其精准估算尤为重要。传统的地面采样方法虽然精度高，但耗时费力，难以满足大范围、实时监测的需求。随着遥感技术的发展，多平台协同观测为作物参数估算提供了新的解决方案。无人机（UAV）凭借其高时空分辨率和灵活机动的优势，非常适合田块尺度的精细监测；而卫星遥感则以其覆盖范围广、重访周期短的特点，在区域乃至全球尺度监测中发挥着不可替代的作用。然而，如何将无人机尺度构建的高精度模型有效迁移到卫星尺度，仍是当前农业遥感领域面临的一大挑战。

作物生长是一个动态连续的过程，不同物候期植被指数（VI）与AGB的关系往往存在显著差异。传统的数据驱动模型通常假设训练数据和测试数据具有相同的特征分布，但实际中由于品种、环境、管理措施等因素的影响，作物生长轨迹存在较大时空异质性，导致模型在不同年份、不同地区的迁移应用效果不佳。此外，已有研究多侧重于通过主动学习等策略优化样本选择，或利用作物模型同化遥感数据，这些方法往往需要大量地面数据支持或复杂的参数率定过程，限制了其业务化应用。物候是作物生长发育过程的直观体现，物候匹配方法能够将作物的关键生长阶段与遥感观测时间序列对齐，从而减少因物候错位引起的估算误差。然而，如何将物候信息有效融入模型迁移过程，实现无人机到卫星的无缝尺度转换，仍有待深入探索。

针对上述问题，本研究提出了一个结合物候匹配与数据迁移（PDBM）的跨尺度AGB估算框架。该框架的核心思想是：首先在无人机尺度上，利用时序植被指数数据，构建能够反映AGB随物候动态变化的物候驱动模型；然后，通过形状模型拟合（SMF）等物候匹配方法，对齐无人机与卫星数据的物候阶段；最后，结合数据迁移策略，将无人机尺度上建立的模型参数和关系“移植”到卫星尺度，从而实现AGB估算模型从无人机到卫星的高精度迁移。

为了验证PDBM框架的有效性，研究团队于2021年至2023年在安徽省凤阳县小岗村开展了冬小麦田间试验。试验设置了不同品种和氮肥处理，并利用大疆精灵4多光谱（P4M）和大疆御3多光谱（M3M）无人机获取了关键生长阶段的多光谱影像，同步测量了地上生物量。卫星数据方面，研究选用了MODIS地表反射率产品（MOD09A1），并利用已有的2007-2015年中国冬小麦AGB数据集进行模型验证与精度评价。研究计算了包括绿度 chlorophyll index (CI_green)、归一化差分植被指数 (NDVI)、近红外反射植被指数 (NIRv)、宽动态范围植被指数 (WDRVI)、土壤调节植被指数 (SAVI) 等在内的多种植被指数，并系统比较了传统线性回归、随机森林以及物候驱动模型在AGB估算中的表现。

主要技术方法概述：

研究首先基于无人机数据构建了物候驱动模型，该模型通过拟合不同物候期植被指数与AGB的线性关系斜率（k）和截距（b）随物候期（X）的变化函数（Fun(X)_k, Fun(X)_b），实现了AGB的连续动态估算（AGB = Fun(X)_k× VI + Fun(X)_b）。为提升模型迁移性，研究设计了10种数据迁移策略，考察了不同时间窗口（无迁移、单时期、阶段期、累积期）和建模过程（单次建模、两次建模）的影响。在从无人机尺度向卫星尺度迁移时，采用了基于形状模型拟合（SMF）的物候匹配方法，通过粒子群优化（PSO）算法寻找最优的时间缩放（xscale）、数值缩放（yscale）和时间偏移（tshift）参数，对齐无人机与卫星的物候曲线，确保模型应用时物候阶段的一致性。

研究结果：

1. UAV尺度物候驱动模型的构建与比较

在UAV尺度上，物候驱动模型显著优于传统的数据驱动模型（线性回归和随机森林）。以WDRVI指数为例，物候驱动模型在估算2023年冬小麦AGB时，决定系数（R²）达到0.78，归一化均方根误差（nRMSE）为0.37，而传统线性回归模型的R²仅为0.08，nRMSE高达0.75。结果表明，考虑物候动态的模型能够更准确地捕捉AGB在整个生长季内的变化规律。

2. 不同策略对模型迁移性的影响

通过比较10种数据迁移策略发现，进行数据迁移的策略（如策略2-10）其估算精度普遍优于不进行数据迁移的策略（策略1）。其中，经历了两次数据迁移和建模过程的策略（如策略3, 6, 9）表现更优。策略9（累积期数据迁移并结合两次建模）取得了最佳效果，R²为0.85，nRMSE为0.31。这表明，将目标域（如新年份）的数据引入模型训练过程，并进行迭代优化，可以有效校准模型参数，提升其在新环境中的适应能力。

3. 物候匹配对模型精度的影响

物候匹配是提升模型跨尺度应用精度的关键。研究结果显示，对于大多数植被指数（如NDVI、SAVI、EVI2），在经过物候匹配后，模型在卫星尺度上的估算精度均有显著提升。例如，SAVI指数在经过物候匹配和数据迁移（策略3，对应单时期）后，在2010年卫星数据上的估算R²从直接迁移时的0提升至0.68，RMSE从10295.73 kg/hm²降低至2552.17 kg/hm²。这表明，通过物候匹配校正无人机与卫星观测间物候期的差异，能够有效解决因生长阶段不匹配导致的模型失效问题。

4. 模型从UAV到卫星尺度的迁移与应用

将优化后的UAV尺度物候驱动模型迁移至卫星尺度，并应用于2007-2015年中国主要冬麦区的AGB估算。结果显示，PDBM框架能够实现AGB模型从UAV到卫星的有效升尺度。以SAVI指数为例，在2010年，经过物候匹配和145天（累积期）数据迁移后，模型估算的R²达到0.79，RMSE为2086.09 kg/hm²。生成的AGB空间分布图清晰地展示了冬小麦生物量在不同生育时期的时空变化 pattern，其中河北、山东、安徽、河南等主产区AGB值较高，且随着生育进程推进，南北地区间的AGB差异更加明显。这证实了该方法在捕捉区域尺度冬小麦AGB空间格局和年际变化方面的能力。

结论与讨论：

本研究成功开发并验证了一个集成物候匹配与数据迁移的PDBM框架，用于实现冬小麦地上生物量从无人机到卫星的跨尺度遥感估算。该框架通过物候驱动模型捕捉AGB的动态变化规律，并利用物候匹配技术解决不同平台、不同年份间物候期不一致的问题，再结合数据迁移策略优化模型参数，最终实现了区域尺度AGB的高精度、动态监测。

研究的核心结论在于：首先，物候驱动模型能够有效克服传统经验模型在时序上的不连续性，更适用于作物生长参数的连续动态监测。其次，物候匹配是连接不同尺度遥感数据、提升模型迁移性的关键环节。第三，适当的数据迁移策略（特别是累积期数据和多次建模）可以显著改善模型在目标域的适用性。最后，PDBM框架具有较强的普适性，文中以SAVI和WDRVI为例展示了其有效性。

该研究的意义在于为解决农业遥感中的尺度转换难题提供了新的技术途径。所提出的方法减少了对大量地面采样数据的依赖，降低了区域尺度作物生长监测的成本，为精准农业中的长势评估、产量预测和田间管理决策提供了重要的数据支持和技术工具。未来研究可进一步探索将该方法应用于其他作物、其他生长参数（如叶面积指数、氮含量）的估算，并尝试融合更多源的数据（如气象数据、土壤数据）以提升模型的机理性和解释性。