基于衛星光譜尺度反射率的冬小麥生物量估算

蘭仕浩，李映雪，吳 芳，鄒曉晨

·農業信息與電氣技術·

基于衛星光譜尺度反射率的冬小麥生物量估算

蘭仕浩1，李映雪2，吳 芳3，鄒曉晨1※

（1. 南京信息工程大學遙感與測繪工程學院，南京 210044；2. 南京信息工程大學應用氣象學院，南京 210044；3. 興化市氣象局，興化 225700）

為探索基于光學衛星遙感數據的冬小麥地上生物量估算方法，該研究通過3 a田間試驗，獲取冬小麥4個關鍵生育期（拔節期、抽穗期、開花期和灌漿期）和3種施氮水平下的地上生物量以及對應的近地冠層高光譜反射率數據。通過將高光譜數據重采樣為具有紅邊波段的RapidEye、Sentinel-2和WorldView-2衛星波段反射率數據，構建任意兩波段歸一化植被指數。同時，將衛星波段反射率數據與6種機器學習和深度學習算法相結合，構建冬小麥生物量估算模型。研究結果表明：任意兩波段構建的最佳植被指數在冬小麥開花期對生物量的敏感性最強（決定系數2為0.50～0.56）。在不同施氮水平條件下，高施氮水平增強了植被指數對生物量的敏感性。Sentinel-2波段數據所構建的植被指數優于其他兩顆衛星波段數據。對6種機器學習和深度學習算法，總的來說，基于深度神經網絡（Deep Neural Networks，DNN）算法所構建的模型要優于其他算法。在單一生育期中，在拔節期（2為0.69～0.78，歸一化均方根誤差為26%～31%）和開花期（2為0.69～0.70，歸一化均方根誤差為24%～25%）的估算精度最高。Sentinel-2波段數據與DNN算法結合的估算精度最高，在全生育期中預測精度2為0.70。施氮水平的提高同樣增強了DNN模型的估算精度，3顆衛星波段數據在300 kg/hm2施氮條件下的預測精度2都在0.71及以上，均方根誤差小于219 g/m2。研究結果揭示了光學衛星遙感數據在不同生育期和施氮條件下估算冬小麥生物量的潛力。

模型；生物量；冬小麥；RapidEye；Sentinel-2；WorldView-2

0 引 言

農作物地上生物量可以直接表征作物凈光合作用積累有機物的能力和生長情況[1]。準確快速估算作物生物量對農業生產管理和促進農業可持續發展具有重要意義[2]。

近年來，遙感技術已經成為作物生長監測的重要手段。光譜植被指數可以提高光譜特征對反演參量的敏感性，減少混雜因素的影響[3-4]，已成為作物參數遙感估算最廣泛的方法之一。許多光譜植被指數被用于作物理化參數的估算[5]，其中包括對作物生物量的遙感估算[6]，如Yue等[7]通過高光譜植被指數結合作物高度成功反演小麥生物量；任建強等[8]利用高光譜衛星遙感數據構建植被指數，實現對冬小麥生物量的反演。除了光譜植被指數的方法外，多元回歸能同時考慮多個變量構建模型，實現對參數的精確估算[9]。近年來，機器學習和深度學習方法被廣泛應用到遙感領域，已成為定量遙感反演的重要手段。許多基于機器學習和深度學習的方法被應用于作物理化參數的估算，如隨機森林回歸算法（Random Forest Regression，RFR）[10-11]、支持向量回歸算法（Support Vector Regression，SVR）[12]、偏最小二乘回歸算法（Partial Least Squares Regression，PLSR）[13]、卷積神經網絡算法[14]和深度神經網絡算法（Deep Neural Networks，DNN）[15]等。

高光譜傳感器可以通過窄波段的連續觀測，實現對地表參數的精細探測[7]。但考慮到數據的獲取成本，對于大尺度范圍的遙感應用，衛星多光譜數據是更為實際的選擇[16]。通過將高光譜數據重采樣為衛星寬波段數據的方法，可以用于對衛星多光譜數據應用潛力的評估，為未來多光譜傳感器波段通道的設計提供參考，所構建的算法也有望拓展和應用到真實的衛星遙感數據[17]。

在植被遙感中，紅邊波段的反射率被認為對植被監測具有巨大優勢[18-19]，目前僅有部分衛星數據具有紅邊探測波段，包括RapidEye、Sentinel-2和WorldView-2等。

農作物遙感監測除了受到波段通道的影響，所構建的反演模型還受到作物生長狀況的影響。在不同的生育期中，葉片色素含量和冠層結構的變化會直接影響到冠層反射率，進而影響了遙感反演模型的精度[20]。同樣的，冠層反射率也會受到不同施肥水平的影響[21]。

本研究通過將4個生育期、3種施氮水平條件下獲取的冬小麥冠層高光譜反射率數據重采樣為3顆具有紅邊波段衛星的寬波段反射率數據，通過構建寬波段植被指數和機器學習與深度學習模型，探索具有紅邊波段衛星遙感數據在不同條件下估算冬小麥地上生物量的能力。

1 材料與方法

1.1 研究區與試驗設計

本研究區位于南京信息工程大學農業氣象實驗站（118°7'E，32°2'N）。試驗分別在2011、2012和2014年開展，冬小麥于每年的11月份播種，次年的6月份收獲。為增加試驗區冬小麥長勢差異，每年的冬小麥供試驗品種為兩種，2011年為徐麥31和寧麥12，2012年為揚麥13和鎮麥168，2014年為揚麥13和寧麥13。每個品種采用3個水平的施氮梯度（N1、N2和N3），每個梯度對應的尿素施用量分別為0、150和300 kg/hm2，并采取3次重復試驗，共設計18個田塊開展試驗，每個田塊的大小為9 m2（3 m×3 m）。氮肥以60%作基肥，40%作拔節肥。磷肥和鉀肥按照1∶1的標準施用（均為150 kg/hm2）。其他管理措施遵循當地冬小麥田間管理標準。本研究整體的技術路線如圖1所示。

圖1 技術路線圖

1.2 數據獲取

1.2.1 冬小麥冠層高光譜反射率獲取與預處理

冬小麥冠層光譜反射率采用美國ASD公司的Field-Space3光譜儀獲取。地面光譜測量試驗選在無風無云的晴朗天氣下，光譜儀在小麥冠層上方1 m左右，光譜儀視場角為25°，獲取時間為當日的10:00—14:00。在冬小麥的4個主要生育期（拔節期、抽穗期、開花期和灌漿期）分別開展冠層光譜測量試驗。光譜儀獲取的光譜圍為350～2 500 nm，光譜分辨率為1 nm。每個田塊獲取3個觀測點的光譜，每個觀測點重復測量3次，以測量值的平均光譜作為每個田塊的光譜。每次測量都進行標準白板校正，所測得的目標物光譜是無量綱的相對反射率。利用15個數據點和二次多項式對原始光譜數據進行Savitzky-Golay濾波處理，同時去掉噪聲較大波段和水汽吸收波段，同時考慮到400 nm以下光譜區域的強散射。最終保留了400～1 340、1430～1 790和1 970～2 350 nm波段的高光譜數據。

1.2.2 冬小麥地上生物量測量

冬小麥地上生物量的采樣量測與光譜數據的獲取在同一天內完成。在3個年份的試驗中，每隔10～20 d左右進行一次田間采樣量測試驗，在獲取冠層光譜數據后，采集地塊的樣方（30 cm×30 cm）內所有冬小麥樣本。首先對獲取的樣本在105 ℃下烘干30 min，然后在80 ℃下烘干約24 h，直到獲得恒質量作為單位面積內的干生物量。在3個年份的試驗中，不同生育期田間采樣次數存在差異，共計在拔節期、抽穗期、開花期和灌漿期分別獲得了88、54、72和54個樣本。

1.3 衛星波段反射率重采樣

在本研究中，模擬了3顆具有紅邊波段衛星的寬波段光譜反射率。3顆衛星的波段信息如表1所示。

表1 3顆衛星波段的中心波長、帶寬和空間分辨率

注：Sentinel-2第十波段為卷云波段，用于探測薄卷云進行大氣校正，不參與后面的運算。

Note: Band 10 of Sentinel-2 is the cirrus band. This band is used for cirrus cloud detection, atmospheric correction and not participated in the subsequent calculation.

其中RapidEye衛星傳感器的波段數為5個，包括：藍、綠、紅、紅邊和近紅外；WorldView-2衛星傳感器的波段數為8個，其中不僅具有4個業內標準波段：紅、綠、藍、近紅外，還包括4個額外的波段：海岸藍、黃、紅邊和第二個近紅外波段；Sentinel-2衛星的波段數為13個，除了常見的業內標準波段外，擁有3個植被紅邊波段，3個短波近紅外波段。根據圖2中所示的3顆衛星的光譜響應函數，近地光譜儀獲取的冬小麥冠層高光譜反射率數據分別被重采樣成3顆衛星的寬波段反射率，具體的計算公式如下：

式中是波段的反射率，是起始波長，是最終波長，是處的反射率，是波段在處的光譜響應函數。圖3展示了不同生長條件下，冠層高光譜平均反射率重采樣為對應的3顆衛星寬波段反射率。

圖3 不同生育期和施氮水平條件下的衛星寬波段反射率

1.4 歸一化型植被指數的構建

為評估3顆衛星波段構建植被指數估算冬小麥生物量的能力，本研究采用重采樣后的衛星寬波段反射率數據，構建任意兩波段歸一化型植被指數NDVI-like （Normalized Difference Vegetation Index Like）[22-23]，該類型指數是傳統NDVI植被指數的一種波段優化后的形式，被廣泛應用于新型植被指數的開發和構建，其具體形式如下：

1.5 機器學習與深度學習算法

在本研究中，采用6種機器學習和深度學習算法，以3顆衛星寬波段反射率作為輸入，構建冬小麥生物估算模型。

1.5.1 隨機森林回歸

隨機森林回歸是近年來在機器學習研究中被廣泛應用的一種數據分析和統計方法。RFR通過隨機抽取樣本和特征，同時建立多個相互不關聯的決策樹，每個決策樹都能得到一個預測值，綜合所有決策樹的結果取平均值，得到整個森林的回歸預測結果。模型訓練時，需要考慮每次訓練建立的決策樹的數量n_estimators和抽取的最大特征數max_features。

在本研究中，通過網格搜索的方式來優化兩個參數的取值，其中n_estimators搜索范圍從20到2 000，而max_features的搜索范圍從1到訓練特征數的2/3。再使用訓練好的模型進行預測。

1.5.2 支持向量回歸

支持向量回歸通過擬合一個超平面將所有的特征考慮在內，且其計算復雜度不依賴于輸入數據的維度?；舅枷刖褪亲尡M可能多的點滿足這個超平面。SVR在回歸分析中的優勢源于核的使用，SVR使用核函數將非線性的數據映射到高維空間，在高維空間中建立特征與目標的線性關系。

本研究中，SVR使用被廣泛使用的高斯徑向基核函數（Radial Basis Function，RBF）。訓練模型時需要確定懲罰系數和RBF核函數中的參數項。是誤差容忍度，對于回歸問題，它決定點是否滿足超平面，其值越大，模型擬合越好，但容易過擬合；值越小，對點的要求越嚴格，但容易欠擬合。SVR模型同樣采用網格搜索確定這兩個參數的取值，其中的搜索范圍為10～1 000，的搜索范圍為0.05～0.5。

1.5.3 偏最小二乘回歸

偏最小二乘回歸通過線性多元模型來關聯兩個數據矩陣（特征矩陣和樣本矩陣），但它超越了傳統多元線性回歸，可以分析具有強烈共線、噪聲和眾多特征數據，也可以同時建模多個響應變量。PLSR的基本思想是通過將貢獻率較高的原始變量進行矩陣加權處理，形成新的主成分變量，在建模的同時能完成對變量數據結構的降維。PLSR通過投影的方式將自變量和因變量投影到新空間，進而進行一個線性回歸模型。

在模型訓練時需要優化保留的主成分數n_components的值，默認為2。本研究中的優化范圍為2到特征數的2/3。

1.5.4 深度神經網絡

深度神經網絡是一種前饋人工神經網絡，其在輸入層和輸出層之間有一層以上的隱藏層，利用上一層的輸出計算出下一層的輸出。DNN本質上是基于感知機的擴展，一個感知機在若干輸入和一個輸出之間學習得到一個線性關系，接著使用激活函數將這個線性關系轉化為輸出。而DNN的層與層之間是全連接的，即任意一個神經元都與下一層的所有神經元相連，構成了多個輸入和多個輸出的感知機。從輸入層開始，一層一層的向后計算，一直運算到輸出層，得到輸出結果為止。DNN算法使用tensorflow框架的DNN Regressor建立。

在本研究中，使用兩層具有相同神經元數的隱藏層，神經元數量設定為訓練數據的2/3；Input_fn設定為lambda，訓練迭代的次數設定為3000；激活函數使用ReLU（Rectified Linear Unit），使得每一層都能夠得到單獨訓練，不會造成梯度損失；優化器使用廣泛采用的Adam（Adaptive Moment Estimation Algorithm）算法。

1.5.5 長短期記憶遞歸神經網絡

長短期記憶遞歸神經網絡（Long Short Term Memory, LSTM）是一種特殊的遞歸神經網絡。其特殊性在于相比于遞歸神經網絡，LSTM考慮的時序更長，主要特點就是：將遺忘門、輸入門和輸出門對狀態的影響一直傳遞下去，最終決定每一個時間點要忘記多少、記住多少和輸出多少，從而達到可以控制其不會忘記遙遠的重要信息，也不會把附近的不重要的信息看的太重的作用。本研究中，LSTM模型的優化器同樣使用被廣泛應用Adam算法，激活函數使用ReLU，損失函數使用均方誤差mse，使用雙層LSTM，雙層全連層。

1.5.6 一維卷積神經網絡

一維卷積神經網絡（One Dimension-Convolutional Neural Network，1D-CNN）相比于二維卷積神經網絡的區別在于卷積核的移動方式，1D-CNN卷積核采用從頭到尾，自上而下的移動方式。1D-CNN包含輸入層、卷積層和池化層。輸入層就第一層需要設置輸入數據的空間維度；卷積層中使用卷積核從數值上提取特征信息，步長為1，對輸入數據進行0填充，這樣卷積層就不會改變輸入數據在空間維度上的尺寸；在最大池化層獲得最大特征值，本質對輸入數據的空間維度進行降采樣。

本研究中，卷積核的大小設置為波段數（特征數）的一半；同時設置了每一層卷積核的個數，每兩層的卷積核個數相同，卷積核的個數從16開始，按照2倍遞增，直到樣本數的2/3左右停止，相應的層數也增加；每兩層增加一個池化層將輸出矩陣大小降為原來的1/3；全連層使用線性激活函數，其余層和DNN一樣激活函數為ReLU；優化器和DNN一樣使用Adam。

1.6 精度驗證

回歸算法均基于python 3.6的環境搭建，其中機器學習算法使用scikit-learn 0.23.2框架搭建，深度學習算法使用tensorflow 2.6.2框架搭建。對6種機器學習和深度學習模型均使用留一法交叉驗證，每次只使用一個作為測試集，剩下的全部作為訓練集，這種方法得出的結果與訓練整個測試集的期望值最為接近。通過計算實測與預測數據的決定系數（2）、均方根誤差（Root Mean Square Error，RMSE）和歸一化均方根誤差（Normalized Root Mean Square Error，NRMSE）來評價模型預測生物量的準確性。

2 結果與分析

2.1 基于衛星波段NDVI-like植被指數的冬小麥生物量估算

本研究中，計算NDVI-like與冬小麥干生物量之間的決定系數2，并繪制二維2分布圖，如圖4所示。從二維2分布圖中識別NDVI-like植被指數對冬小麥生物量最佳敏感波段組合，如表2所示。研究發現，在不同的生育期，所構建的敏感植被指數具有明顯的差異。

對于RapidEye波段數據，在4個生育期中所構建的最佳植被指數與冬小麥生物量的決定系數2在0.19～0.50之間變化。其中開花期的決定系數最高，所構建的最佳植被指數為紅光和藍光波段組合。抽穗期的決定系數最低。全生育期植被指數與生物量的相關性低于單一生育期。

注：各處理樣本量見表2。下同。

對于Sentinel-2波段數據，不同生育期對應的最佳植被指數具有明顯差異。在抽穗期，紅光波段B4與紅外波段B9的組合與生物量具有更高的相關性；在開花期，多個波段組合對生物量均表現出較強的敏感性，如紅邊波段B5與綠光波段B3的組合、紅光波段B4分別與波段B1和藍光波段B2的組合、紅外B9分別與近紅外B8和B8A的組合以及短波近紅外B12與波段B1的組合；在灌漿期，冬小麥生物量與所構建的NDVI-like植被指數的敏感性波段與開花期相似，但敏感性低于開花期；在開花期所構建的植被指數與生物量的敏感性最高，2為0.56，最佳波段組合為B3和B5波段組合。其次是在拔節期，對應的2為0.51，最佳波段組合為B11和B5。在全生育期的最佳波段組合為B12和B2，敏感性2為0.31。

對于WorldView-2波段數據，從二維2圖上看，在拔節期，敏感性較高的波段組合是：綠光波段與黃光波段、紅光波段的組合，以及紅邊波段與兩個近紅外波段的組合；在抽穗期，較為敏感的波段組合是：藍波段與海岸藍波段的組合，紅邊波段與近紅外波段的組合；在開花期，最佳的波段組合為紅光波段與海岸藍波段，對應的2為0.55；在灌漿期，紅光波段與藍、綠和黃光波段組合對生物量較為敏感，其中最佳組合為紅光與黃光波段的組合，對應的2為0.42。對全生育期，所構建的植被指數與生物量的敏感性較差，2僅為0.10。

不同施氮水平條件下，最佳波段組合對生物量的敏感性隨施氮程度的增加而增強，對于RapidEye、 Sentinel-2、WorldView-2波段數據，其2分別從施氮水平N1條件下的0.22、0.35、0.14增加到N3條件下的0.37、0.50和0.28。3顆衛星在N1和N2條件下分別具有相同的最佳波段組合，其中RapidEye的最佳波段組合為紅邊波段和綠光波段，Sentinel-2的最佳波段組合為B11和B3，WorldView-2的最佳組合為紅邊和綠光波段。在N3條件下RapidEye的最佳波段組合為紅邊波段和藍光波段，Sentinel-2的最佳波段組合為B2和B5，而WorldView-2的最佳組合為藍光波段和綠光波段。

表2中展示了NDVI-like植被指數與冬小麥生物量的線性擬合關系和最佳的波段組合（NDVI-best）。從表中發現，基于Sentinel-2衛星波段構建的NDVI-like最佳植被指數除在灌漿期與生物量的擬合關系（2=0.41）略低于WorldView-2衛星波段擬合的結果外（2=0.42），在其他生育期和3種施氮水平條件下所構建的最佳植被指數的敏感性都要優于RapidEye和WorldView-2波段數據。在4個生育期中，WorldView-2衛星波段構建的最佳植被指數要優于RapidEye衛星波段數據。但在全生育期中，RapidEye波段數據所構建的植被指數要優于WorldView-2波段數據。在3種施氮條件下RapidEye波段數據所構建的植被指數都要優于WorldView-2波段數據。圖5展示了最佳植被指數及在不同生長條件下所構建的反演模型與生物量間的散點關系圖。

表2 最佳波段組合下NDVI-like植被指數與冬小麥生物量關系

2.2 基于機器學習與深度學習的冬小麥生物量估算

使用3顆衛星寬波段光譜反射率作為6種機器學習和深度學習算法的輸入，構建冬小麥生物量估算模型。表3和表4展示了6種算法在不同生育期和不同施氮水平下估算冬小麥生物量的精度。圖6中展示了不同生長條件下的最佳預測模型的實測與估算生物量的散點圖。6種算法的表現受到生育期和施氮水平的影響。DNN算法的最佳預測精度除在灌漿期略低于RFR算法，除在N3施氮水平略低于1D-CNN外，在其他生育期和施氮水平條件下都優于另外5種算法。在全生育期的生物量估算中，DNN算法與Sentinel-2波段數據相結合表現出最佳的預測能力，2為0.70，RMSE為203.78 g/m2。在單一生育期的生物量預測中，在拔節期所構建的模型的預測能力最優，3顆衛星與DNN算法所構建模型的決定系數2在0.69～0.78，NRMSE在0.26～0.31之間變化。

在開花期，DNN算法所構建模型的決定系數2在0.69～0.70，NRMSE在0.24～0.25之間。而在抽穗期，所構建的最佳預測模型的預測精度最低，3顆衛星所構建模型的的決定系數2在0.35～0.53之間變化，RMSE在78.60～92.00 g/m2之間變化；在4個生育期以及全生育期中，Sentinel-2衛星波段數據所構建的最佳預測模型的預測精度要優于RapidEye和WorldView-2衛星波段數據。表4展示了在3種施氮水平條件，6種算法構建模型估算生物量的能力，從表中可以看出，在3種施氮水平條件下，模型的預測能力隨著施氮水平增加而增強。而在N3條件下的最佳的估算精度2在0.71和0.75之間，RMSE在202～219 g/m2之間。在N1和N3條件下，基于Sentinel-2波段數據的最佳模型預測精度要優于WorldView-2和RapidEye波段數據。而在N2條件下，基于WorldView-2波段數據的最佳模型的預測精度要優于其他兩顆衛星波段數據。

圖5 不同生育期和施氮水平條件下基于最佳植被指數的冬小麥生物量反演模型性能

表3 不同生育期下基于6種機器學習和深度學習算法的冬小麥生物量估算

注：RFR、PLSR、SVR、1D-CNN、LSTM、DNN分別代表隨機森林回歸、偏最小二乘回歸算法、支持向量回歸算法、一維卷積神經網絡、長短期記憶遞歸神經網絡、深度神經網絡算法。下同。

Note: RFR, PLSR, SVR, 1D-CNN, LSTM, DNN represent random forest regression, partial least squares regression, support vector regression, one dimension-convolutional neural network, long short term memory, deep neural networks. Same below.

表4 不同施氮水平條件下基于6種機器學習和深度學習算法的冬小麥生物量估算

圖6 不同生育期和施氮水平條件下最佳反演模型估算精度散點圖

3 討 論

高光譜遙感可以通過窄波段反射率實現對農作物長勢的精細探測，但由于其數據獲取成本，對大面積農作物遙感監測，衛星多光譜遙感數據更具有實用性。近年來，衛星紅邊探測波段的設計和開發，從理論上增強了衛星植被探測能力，而其對冬小麥地上生物量遙感監測能力和影響因素需要進一步評估。冬小麥生物量的遙感估算受到作物生長狀況和施氮水平的影響[12]。在不同的生育期中，本研究中所構建的最佳寬波段植被指數對生物量的敏感性2在0.37～0.56之間變化。其敏感性略低于基于無人機高光譜遙感數據構建的歸一化植被指數在不同生育期對生物量的敏感性（2=0.44～0.64）[24]。對于基于寬波段數據與機器學習和深度學習構建的估算模型，模型的預測精度在不同的生育期也表現出顯著差異，本研究中的實測與預測的值的2在0.53～0.79之間變化，其相關性略低于高光譜遙感數據與機器學習算法在不同生育期的估算結果（2=0.69～0.88）[12]，但與環境衛星的寬波段遙感數據與機器學習算法在不同生育期中的估算結果一致，在不同生育期中的2同樣在0.53～0.79之間變化[25]。冬小麥生物量的遙感估算在不同生育期中，所構建模型表現出顯著的差異[12,24,26]，其潛在的原因在于冬小麥生物量絕對值在不同的生育期具有明顯的差異（如圖6所示），使得冠層對光的反射和吸收特性呈現不同的特征[25]。此外，在不同生育期冬小麥對氮素的利用效率、葉片葉綠素含量、冠層結構特征差異明顯，同樣導致冠層光譜反射率的較大差異[27]，因此造成遙感估算模型在不同生育期中的表現差異。陶惠林等[24]發現，在開花期、灌漿期和孕穗期3個生育期中，在開花期對冬小麥生物量的估算精度最高。在本研究中在，植被指數的敏感性和深度學習算法的估算精度在拔節期和開花期中表現最佳，這與陶惠林等人的研究結果一致。在3種施氮水平條件下，施氮水平的提高增強了模型估算精度，主要可能的原因是施氮水平的增強促進了小麥冠層的生長，從而提高了冠層葉片對地表的覆蓋，進而減少了地表背景反射率的影響。因此，在應用衛星遙感數據對冬小麥生物量進行估算時，要顧及生長狀況和施氮水平的影響。

基于紅邊反射率構建的植被指數在冬小麥生物量的估算中具有十分重要的作用。相比于傳統的基于紅光和近紅外波段構建的植被指數，紅邊波段植被指數能夠減少植被指數對生物量的飽和現象，從而提高反演精度[28]?？赡艿脑蚴羌t邊波段反射率與植被葉綠素含量具有很強的相關性[29]，而葉綠素含量又與生物量密切相關[30]。另外，相比于傳統的紅光和近紅外波段構建的植被指數，紅邊波段植被指數對土壤背景的敏感性更弱[31]，進而提高了對生物量的敏感性。

本研究的局限性在于所構建的衛星寬波段植被指數和機器學習與深度學習模型未采用實際的衛星遙感數據進行驗證。對于實際的衛星遙感影像，波段反射率會受到大氣、太陽高度角和混合像元的影響。本研究中所構建的算法和模型在今后的研究中需要通過實際的衛星遙感影像進一步驗證。在本研究中，只采用單一的光學衛星遙感數據開展冬小麥生物量的直接遙感估算，在今后的研究中可以結合多源遙感數據提高反演精度。

4 結 論

本文采用對近地冬小麥冠層高光譜數據重采樣的方式評估了3顆具有紅邊波段的衛星波段數據（RapidEye、Sentinel-2和WorldView-2）估算冬小麥生物量的能力。通過構建任意兩波歸一化植被指數NDVI-like最佳植被指數和6種機器學習和深度學習算法，在4個生育期和3種施氮水平條件下開展冬小麥生物量的遙感估算。本研究主要有以下結論：

1）衛星波段構建的植被指數受到生育期和施氮水平的影響。在單一生育期中，兩波段構建的植被指數在開花期對生物量的敏感性最強（2=0.50～0.56）。而在全生育期中，依靠單一植被指數很難實現對冬小麥生物量的精確估算。在3顆衛星波段數據中，Sentinel-2衛星波段數據所構建的植被指數最優，其中具有紅邊波段B5參與組合的植被指數在拔節期和開花期的相關性2都在0.50以上。在不同施氮水平條件下，植被指數對冬小麥生物量的敏感性隨著施氮水平的提高而增強。

2）總的來說，本研究所采用的6種算法中，基于DNN算法所構建的冬小麥生物量估算模型要優于其他機器學習算法和深度學習算法。所構建的模型同樣受到生育期和施氮水平的影響。在單一生育期中，在拔節期（2=0.69～0.78和NRMSE=0.26～0.31）和開花期（2=0.69～0.70和NRMSE=0.24～0.25）的估算精度最高。Sentinel-2波段數據與DNN結合的估算精度最高，在全生育期中預測精度2為0.70，RMSE為203.78 g/m2。施氮水平的提高同樣增強了DNN模型的估算精度，3顆衛星波段數據在N3條件下的預測精度2都在0.71及以上，RMSE低于219 g/m2。

[1] 李長春，李亞聰，王藝琳，等. 基于小波能量系數和葉面積指數的冬小麥生物量估算[J]. 農業機械學報，2021，52(12)：191-200.

Li Changchun, Li Yacong, Wang Yilin, et al. Winter wheat biomass estimation based on wavelet energy coefficient and leaf area index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(12): 191-200. (in Chinese with English abstract)

[2] Du X, Li Q, Dong T, et al. Winter wheat biomass estimation using high temporal and spatial resolution satellite data combined with a light use efficiency model[J]. Geocarto International, 2014, 30(3): 258-269.

[3] Feng L, Wang Y, Zhang Z, et al. Geographically and temporally weighted neural network for winter wheat yield prediction[J]. Remote Sensing of Environment, 2021, 262: 112514.

[4] 孫奇，關琳琳，焦全軍，等. 基于植被指數融合的冬小麥生物量反演研究[J]. 遙感技術與應用，2021，36(2)：391-399.

Sun Qi, Guan Linlin, Jiao Quanjun, et al. Research on retrieving biomass of winter wheat based on fusing vegetation index[J]. Remote Sensing Technology and Application, 2021, 36(2): 391-399. (in Chinese with English abstract)

[5] 于豐華，邢思敏，郭忠輝，等. 基于特征轉移植被指數的水稻葉片氮素含量定量估算[J]. 農業工程學報，2022，38(2)：175-182.

Yu Fenghua, Xing Simin, Guo Zhonghui, et al. Remote sensing inversion of the nitrogen content in rice leaves using character transfer vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(2): 175-182. (in Chinese with English abstract)

[6] 魏慶偉，王福州，張青，等. 基于近地遙感的冬小麥生物量動態監測方法[J]. 山東農業科學，2021，53(3)：132-138.

Wei Qingwei, Wang Fuzhou, Zhang Qing, et al. Dynamic monitoring method of winter wheat biomass based on near earth remote sensing[J]. Shandong Agricultural Sciences, 2021, 53(3): 132-138. (in Chinese with English abstract)

[7] Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[8] 任建強，吳尚蓉，陳仲新，等. 基于Hyperion高光譜影像的冬小麥地上干生物量反演[J]. 農業機械學報，2018，49(4)：199-211.

Ren Jianqiang, Wu Shangrong, Chen Zhongxin, et al. Retrieving winter wheat above-ground dry biomass based on hyperion hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 199-211. (in Chinese with English abstract)

[9] 仇瑞承，苗艷龍，張漫，等. 基于線性回歸的玉米生物量預測模型及驗證[J]. 農業工程學報，2018，34(10)：131-137.

Qiu Ruicheng, Miao Yanlong, Zhang Man, et al. Modeling and verification of maize biomass based on linear regression anaysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 131-137. (in Chinese with English abstract)

[10] 張東彥，韓宣宣，林芬芳，等. 基于多源無人機影像特征融合的冬小麥 LAI 估算[J]. 農業工程學報，2022，38(9)：171-179.

Zhang Dongyan, Han Xuanxuan, Lin Fenfang, et al. Estimation of winter wheat leaf area index using multi-source UAV image feature fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 171-179. (in Chinese with English abstract)

[11] Yue J, Feng H, Yang G, et al. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy[J]. Remote Sensing, 2018, 10(1): 66.

[12] 李嵐濤，郭宇龍，王宜倫，等. 基于高光譜的冬小麥不同生育時期地上部生物量監測[J]. 麥類作物學報，2021，47(7)：904-913.

Li Lantao, Guo Yulong, Wang Yilun, et al. Estimation of shoot biomass at different growth stages of winter wheat based on hyperspectral reflectance[J]. Journal of Triticeae Crops, 2021, 47(7): 904-913. (in Chinese with English abstract)

[13] Fu Y, Yang G, Song X, et al. Improved estimation of winter wheat aboveground biomass using multiscale textures extracted from UAV-based digital images and hyperspectral feature analysis[J]. Remote Sensing, 2021, 13(4): 581.

[14] 馬浚誠，鄭飛翔，杜克明，等. 基于可見光圖像和卷積神經網絡的冬小麥苗期長勢參數估算[J]. 農業工程學報，2019，35(5)：183-189.

Ma Juncheng, Zheng Feixiang, Du Keming, et al. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(5): 183-189. (in Chinese with English abstract)

[15] Jin X, Li Z, Feng H, et al. Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index[J]. The Crop Journal, 2020, 8(1): 87-97.

[16] White J W, Andrade-Sanchez P, Gore M A, et al. Field-based phenomics for plant genetics research[J]. Field Crops Research, 2012, 133: 101-112.

[17] Cui B, Zhao Q J, Huang W J, et al. Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data[J]. Journal of Integrative Agriculture, 2019, 18(6): 1230-1245.

[18] Kross A, Mcnairn H, Lapen D, et al. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 235-248.

[19] Dong T, Liu J, Qian B, et al. Estimating crop biomass using leaf area index derived from Landsat 8 and Sentinel-2 data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 168: 236-250.

[20] Kipp S, Mistele B, Schmidhalter U. Identification of stay-green and early senescence phenotypes in high-yielding winter wheat, and their relationship to grain yield and grain protein concentration using high-throughput phenotyping techniques[J]. Functional Plant Biology, 2014, 41(3): 227-235.

[21] Magney T S, Eitel J U H, Huggins D R, et al. Proximal NDVI derived phenology improves in-season predictions of wheat quantity and quality[J]. Agricultural and Forest Meteorology, 2016, 217: 46-60.

[22] Darvishzadeh R, Atzberger C, Skidmore A, et al. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6): 894-906.

[23] Rouse J W, Haas R H, Schell J A, et al. Monitoring the Vernal Advancement of Retrogradation(GreenWave Effect) of Natural Vegetation[R]. Washington, DC, USA: NASA, 1974.

[24] 陶惠林，馮海寬，徐良驥，等. 基于無人機高光譜遙感數據的冬小麥生物量估算[J]. 江蘇農業學報，2020，36(5)：1154-1162.

Tao Huilin, Feng Haikuan, Xu Liangji, et al. Winter wheat biomass estimation based on hyperspectral remote sensing data of unmanned aerial vehicle(UAV)[J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(5): 1154-1162. (in Chinese with English abstract)

[25] 岳繼博，楊貴軍，馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比[J]. 農業工程學報，2016，32(18)：175-182.

Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182. (in Chinese with English abstract)

[26] 紀景純，劉建立，李曉鵬，等. 基于全波段高光譜的冬小麥生長參數估算方法比較[J]. 作物雜志，2020(6)：180-188.

Ji Jingchun, Liu Jianli, Li Xiaopeng, et al. Comparison of estimation methods for growth parameters of winter wheat based on full-band hyperspectral data[J]. Crop Journal, 2020(6): 180-188. (in Chinese with English abstract)

[27] Bertheloot J, Martre P, Andrieu B. Dynamics of light and nitrogen distribution during grain filling within wheat canopy[J]. Plant Physiology, 2008, 148(3): 1707-1720.

[28] 鄭陽，吳炳方，張淼. Sentinel-2數據的冬小麥地上干生物量估算及評價[J]. 遙感學報，2017，21(2)：318-328.

Zheng Yang, Wu Binfang, Zhang Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese with English abstract)

[29] Cho M A, Skidmore A K. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method[J]. Remote Sensing of Environment, 2006, 101(2): 181-193.

[30] Gnyp M L, Miao Y, Yuan F, et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research, 2014, 155: 42-55.

[31] Zarco-Tejada P J, Miller J R, Morales A, et al. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops[J]. Remote Sensing of Environment, 2004, 90(4): 463-476.

Winter wheat biomass estimation based on satellite spectral-scale reflectance

Lan Shihao1, Li Yingxue2, Wu Fang3, Zou Xiaochen1※

(1.,,210044,;2.,,210044,;3.,225700,)

Crops biomass has been one of the most important indicators to predict the plant growth status and crop yield. This study aims to estimate the dry biomass of the winter wheat aboveground using optical satellite remote sensing. The winter wheat biomass was acquired at four growth stages (jointing, heading, flowering, and filling stage), and three nitrogen treatments (N1, N2, and N3, application rates of 0, 150 and 300 kg/hm2) in 2011, 2012, and 2014 at the agricultural meteorological experiment station, Nanjing University of Information Science and Technology, Nanjing, China. Simultaneously, the narrow-band spectral reflectance of canopy was also collected from the winter wheat using Analytical Spectral Device (ASD). Afterwards, the hyperspectral remote sensing data was resampled into the broad band reflectance of RapidEye, Sentinel-2, and WorldView-2 satellites with the red edge bands using the satellite spectral response functions. All possible band combinations of Normalized Difference Vegetation Index like (NDVI-like) were validated in the different growth stages and nitrogen treatments. Meanwhile, the satellite broad-band reflectance was used as the inputs for the six machine and deep learning for the biomass estimation, including the Random Forest (RF), Support Vector Regression (SVR), Partial Least Squares Regression (PLSR), Deep Neural Network (DNN), Long- and Short-Term Memory recursive neural network (LSTM), and one-dimensional Convolutional Neural Network (1D-CNN). Finally, the models were developed using Leave-One-Out cross validation under different growth stages and nitrogen treatments. The results showed that the optimal NDVI-like vegetation indices that derived from the two arbitrary bands presented the highest sensitivity to the winter wheat biomass at the flowering stage (coefficient of determination,2=0.50-0.56). It was also difficult to accurately estimate the biomass of winter wheat using only one vegetation index in the whole growth period. The nitrogen treatments were dominated the correlation between the vegetation indices and winter wheat biomass. Specifically, the high nitrogen treatment was enhanced the sensitivity of vegetation index to the winter wheat biomass. The vegetation index with the Sentinel-2 bands performed better than that with the rest. The2was over 0.50 between the vegetation index and biomass at the jointing and flowering stages. The best performance was achieved in the estimation model of winter wheat biomass using DNN among the six models. The performance of DNN-based model was also depended on the growth stages and nitrogen treatments. In the single growth stage, the highest estimation accuracy was observed at the jointing stage (2=0.69-0.78 and the normalized root mean square error (NRMSE)=0.26-0.31), and at the flowering stage (2=0.69-0.70 and NRMSE =0.24-0.35). The highest estimation accuracy was obtained in the DNN-based model with the Sentinel-2 bands as the inputs, indicating the2of 0.70 in the whole growth period. The high nitrogen treatment was also enhanced the estimation accuracy of DNN model, where the2was not lower than 0.71 and RMSE was within 219 g/m2at the N3 condition for all the three satellite bands. Therefore, the optical satellite remote sensing data can be expected to estimate the winter wheat biomass under the different growth stages and nitrogen treatment conditions.

models; biomass; winter wheat; RapidEye; Sentinel-2; WorldView-2

10.11975/j.issn.1002-6819.2022.24.013

S126

A

1002-6819(2022)-24-0118-11

蘭仕浩，李映雪，吳芳，等. 基于衛星光譜尺度反射率的冬小麥生物量估算[J]. 農業工程學報，2022，38(24)：118-128.doi：10.11975/j.issn.1002-6819.2022.24.013 http://www.tcsae.org

Lan Shihao, Li Yingxue, Wu Fang, et al. Winter wheat biomass estimation based on satellite spectral-scale reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 118-128. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.013 http://www.tcsae.org

2022-09-17

2022-11-28

國家自然科學基金項目（41801243）

蘭仕浩，研究方向為農業遙感。Email：20201248051@nuist.edu.cn

鄒曉晨，博士，副教授，研究方向為農業遙感。Email：zouxiaochen902@126.com