利用多光谱遥感中的光谱形状信息来提高作物残茬覆盖率的估算精度

《Soil and Tillage Research》：Improving crop residue cover estimation using spectral shape information from multispectral remote sensing

　　

陈云超|丁彦玲|李晓峰|郑行明|岳继波|李华鹏|孙媛|谢巧云

中国东北师范大学地理科学学院，教育部长白山地理过程与生态安全重点实验室，长春130024

摘要

准确估算作物残茬覆盖度（CRC）对于监测保护性耕作至关重要，然而传统的耕作指数（TIs）往往受到土壤背景、含水量和残茬分解的影响。本研究开发了一系列光谱形状指标，包括光谱斜率、光谱角度以及差分斜率指数（DSI）和归一化差分斜率指数（NDSI）等衍生指标，用于从多光谱数据中估算玉米的CRC。结果表明，在实验室和田间条件下，光谱形状指标的表现通常优于传统耕作指数。对于实验室数据集，基于绿色–SWIR1和绿色–SWIR2斜率计算出的NDSI具有最高的准确性（R² = 0.93，RMSE = 5.04%）。对于田间数据集，蓝色–红色–SWIR2光谱角度及其对应的NDSI表现最佳（R² = 0.60，RMSE = 6.81%）。通过使用随机森林将光谱形状指标与耕作指数结合，进一步提高了CRC估算的准确性，其中实验室数据集的最佳组合为TIs + DSI（R² = 0.96，RMSE = 4.15%），田间数据集的最佳组合为TIs + NDSI（R² = 0.62，RMSE = 6.73%）。此外，大多数提出的指标在不同数据集间的迁移性更好，并且受土壤背景和作物含水量的影响较小。这些结果表明，光谱形状指标能够捕捉光谱曲线的几何结构，是预测CRC的一种有前景的方法。

引言

近几十年来，为了应对全球粮食生产的挑战，保护性耕作得到了越来越多的采用（Pittelkow等人，2015年）。这种做法带来了多种好处，包括减少土壤侵蚀、提高土壤肥力和改善农业生态系统的碳循环（Choudhury等人，2014年；Derpsch等人，2010年；Zheng等人，2013年）。保护性耕作的一个关键要求是收获后有相当比例的作物残茬留在土壤表面（Giller等人，2015年），建议的覆盖度至少为30%（保护技术信息中心CTIC，2002年）。因此，准确评估作物残茬覆盖度（CRC）对于从田间到区域尺度的耕作实践评估至关重要。可靠的CRC信息不仅对农业管理很重要，也对更广泛的土壤和环境可持续性评估具有重要意义（Bocco等人，2014年；Pacheco和McNairn，2010年）。

传统的基于田间的方法，如路边目视调查和线点样带调查，可以提供可靠的CRC测量结果，但这些方法需要大量实验室工作、耗时且难以在大范围内实施（Zhou等人，2020年）。遥感提供了一种高效的替代方案，因为它能够在大范围内进行重复观测。现有的遥感CRC估算方法主要包括光谱解混（Pacheco等人，2010年）和基于耕作指数（TI）的方法（Quemada等人，2018年）。光谱解混将混合像素分解为其组成光谱或端元（例如土壤和作物残茬）及其相应比例，从而表示每个端元在像素中的占比（Keshava和Mustard，2002年）。尽管光谱解混可以从混合像素中估算残茬比例，但其性能取决于代表性端元的可用性和像素组成的相对简单性。

相比之下，基于TI的方法长期以来被广泛用于CRC估算。传统的耕作指数通常是从反射率幅度派生出来的。最著名的高光谱TI之一是纤维素吸收指数，它基于纤维素和木质素在短波红外（SWIR）2100 nm和2300 nm处的独特吸收特征。先前的研究表明，该指数与CRC有很强的相关性（Nagler等人，2000年；Daughtry等人，2006年）。然而，高光谱图像的空间和时间覆盖范围有限，限制了其在大规模和长期监测中的应用。相比之下，多光谱图像更适合连续监测需求。已经开发了多种多光谱TI用于CRC估算，如归一化差分指数（NDI、NDI5、NDI7）（McNairn和Protz，1993年）、归一化差分耕作指数（NDTI）（Van Deventer等人，1997年）、归一化差分衰老植被指数（NDSVI）（Qi等人，2002年）和死亡燃料指数（DFI）（Cao等人，2010年）。这些指数都涉及SWIR波段。然而，多光谱SWIR波段（例如Landsat、Sentinel-2）的分辨率太低，无法分离出特定的残茬吸收特征（Dennison等人，2023年）。因此，多光谱TI容易受到土壤背景、残茬分解和水分变化的干扰（Zheng等人，2013年；Wang等人，2012a）。例如，Serbin等人（2009年）收集了4200多种土壤和80种作物残茬的反射光谱，发现NDI5、NDI7和NDSVI在土壤和作物残茬之间的值有显著重叠。Daughtry等人（2010年）进一步表明，随着残茬的分解，NDI5、NDI7和NDTI与CRC之间的回归关系从正相关变为负相关。Yue等人（2019年）报告称，湿润的土壤减弱了NDTI、NDSVI和DFI与CRC之间的相关性。这些限制降低了基于TI的CRC估算在不同田间条件下的稳健性。需要进一步改进以提高多光谱卫星的CRC估算能力。

作物残茬和土壤在可见光（VIS）和近红外（NIR）波段具有相似的光谱反射率幅度，但它们在波段间的光谱斜率（Daughtry，2001年；Nagler等人，2000年）以及多波段形成的几何关系（Yue等人，2020年）上存在差异。例如，作物残茬从VIS到NIR波段的光谱斜率比土壤更陡（Nagler等人，2000年）。从NIR到SWIR，作物残茬的斜率变为负值，而土壤的斜率相对平缓，可能是正的（Daughtry，2001年）。Yue等人（2020年）基于实验室实验开发了一个宽带角度指数（BAI），即由三个波段形成的光谱三角形的内角，用于估算CRC。然而，是否光谱形状信息能够捕捉光谱曲线的几何结构从而提高残茬-土壤区分度并提高CRC估算的准确性，尚未在使用多光谱数据（包括受控和田间条件）的情况下进行系统评估。此外，将其应用于独立数据集时的稳健性仍不清楚。

为了解决这些问题，本研究提出了基于实验室和田间数据集的光谱斜率、光谱角度和衍生指数，以估算CRC，并评估它们的准确性和迁移性。本研究的目标是：（1）评估光谱斜率、光谱角度和五种衍生指数相对于传统耕作指数的有效性；（2）评估将光谱形状信息与耕作指数结合使用随机森林（RF）建模能否提高CRC估算的准确性；（3）检验所提出的指标在不同实验室和田间数据集间的稳健性；（4）研究它们对土壤背景和作物含水量变化的敏感性。

章节片段

材料与方法

本研究利用实验室和田间数据集来评估所提出的光谱形状指标用于CRC估算的稳健性。实验室数据集是在受控条件下使用高光谱测量混合干作物残茬和已知比例覆盖的土壤收集的。田间数据集包括Sentinel-2图像及其对应的CRC参考数据。

CRC与耕作指数、光谱斜率、SAs和衍生指数之间的相关系数

图4展示了实验室数据集（a）和Site 1数据集的四组指标之间的相关系数：（i）光谱斜率，（ii）SAs，（iii）从（12）、（13）、（14）、（15）计算出的指数，以及（iv）耕作指数。对于实验室数据集（a），表现最好的五个光谱斜率是slope₇₉、slope₆₉、slope₅₉、slope₄₉和slope₃₉，它们都与CRC有很强的负相关性，相关系数R值约为?0.95。这些斜率都涉及SWIR2波段。

光谱形状信息相对于耕作指数在CRC估算中的优势

结果表明，在实验室和田间数据集中，光谱斜率、SAs及其衍生指数在CRC估算方面始终优于传统耕作指数。这种优越性可以归因于它们能够捕捉光谱曲线的几何结构，而不仅仅依赖于反射率幅度。传统耕作指数主要基于特定的吸收特征，尤其是在SWIR区域，因此容易受到土壤背景的影响

结论

基于作物残茬和土壤之间的光谱差异，本研究提出了光谱形状指标，包括光谱斜率、光谱角度（SA）和衍生指数，用于从多光谱数据中估算CRC。这些指标在实验室和田间条件下始终表现出比传统耕作指数更好的预测性能。实验室数据集中表现最好的指数是NDSI_28,29，而田间数据集中表现最好的是NDSI_19,39。

CRediT作者贡献声明

李晓峰：可视化、监督、研究。郑行明：可视化、监督、研究。陈云超：撰写——原始草稿、软件、方法论、数据管理、概念化。丁彦玲：撰写——审稿与编辑、监督、方法论、资金获取、正式分析、概念化。孙媛：撰写——审稿与编辑。谢巧云：撰写——审稿与编辑。岳继波：验证、数据管理。李华鹏：可视化、监督

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（42271333）和国家民用空间基础设施陆地观测卫星的通用应用支持平台（2017-000052-73-01-001735）的支持。我们感谢编辑和匿名审稿人的贡献。