引用本文
孙中平, 郑晓雄, 徐丹, 孙建欣, 刘素红, 曹飞, 白爽. 基于国产GF-6 WFV多光谱图像的黑土区玉米秸秆覆盖度估算方法研究[J]. 光谱学与光谱分析, 2025,45(3): 726-734.
SUN Zhong-ping, ZHENG Xiao-xiong, XU Dan, SUN Jian-xin, LIU Su-hong, CAO Fei, BAI Shuang. Estimating the Corn Residue Coverage in the Black Soil Region Using Chinese GF-6 WFV Multi-Spectral Remote Sensing Image[J]. Spectroscopy and Spectral Analysis, 2025,45(3): 726-734.
Doi:10.3964/j.issn.1000-0593(2025)03-0726-09  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于国产GF-6 WFV多光谱图像的黑土区玉米秸秆覆盖度估算方法研究
孙中平1, 郑晓雄1, 徐丹1, 孙建欣1, 刘素红2,*, 曹飞1, 白爽1
1. 生态环境部卫星环境应用中心, 北京 100094
2. 北京师范大学地理科学学部, 北京 100875
*通讯作者 e-mail: liush@bnu.edu.cn

作者简介: 孙中平, 1978年生,生态环境部卫星环境应用中心正高级工程师 e-mail: sunnybnu114@163.com

收稿日期: 2024-03-04 修回日期: 2024-08-01
基金: 国家重点研发计划项目(2021YFB3901105)资助
摘要

黑土地是地球上极为珍贵的土壤资源, 但长期高强度的利用加之土壤侵蚀, 黑土层逐渐变薄、 变瘦、 变硬。 作物秸秆覆盖是对黑土地实施保护的一种保护性措施, 因此, 秸秆覆盖度监测是保护性耕作措施实施程度的关键指标之一。 国产高分六号(GF-6)卫星是中国首颗精准农业观测的高分卫星, 相较于前几颗高分卫星, GF-6 WFV多光谱图像新增紫外波段、 黄波段和两个对植被变化响应敏感的红边波段, 新增光谱波段是否在黑土区作物秸秆覆盖度估算中具有应用潜力是本研究的探索目标。 以保护性耕作“梨树模式”创建地的梨树县为研究区, 选取2020年11月5日的GF-6 WFV多光谱图像, 探索基于GF-6 WFV多光谱图像的秸秆光谱指数构建方法、 基于像元二分法的秸秆覆盖度估算方法。 研究结果表明: (1)由绿、 红、 近红外、 紫外和黄波段组合的5种秸秆光谱指数与实测秸秆覆盖度的相关性较大, R2大于0.5, 能够解释超过50%的玉米秸秆覆盖度信息; (2)GF-6 WFV秸秆覆盖度估算结果与Sentinel-2 MSI、 Landsat8 OLI估算结果之间存在较好的线性关系, 决定系数 R2分别为0.833、 0.732, 进一步说明了国产GF-6 WFV多光谱图像用于秸秆覆盖度估算的可靠性和有效性; (3)利用像元二分法模型和考虑土壤背景差异可提高玉米秸秆覆盖度估算精度, 与线性回归模型相比, 像元二分法模型的估算精度 R2由0.740提高到0.769; 考虑土壤质地分区后, 像元二分法模型估算精度得到整体提升, R2达到0.822。 研究结果可为大区域范围内的作物秸秆覆盖度精确估算提供参考。

关键词: 国产卫星; GF-6 WFV多光谱图像; 秸秆光谱指数; 玉米秸秆覆盖度; 黑土区; 像元二分法
中图分类号:P236 文献标志码:A
Estimating the Corn Residue Coverage in the Black Soil Region Using Chinese GF-6 WFV Multi-Spectral Remote Sensing Image
SUN Zhong-ping1, ZHENG Xiao-xiong1, XU Dan1, SUN Jian-xin1, LIU Su-hong2,*, CAO Fei1, BAI Shuang1
1. Satellite Application Center for Ecology and Environment, Ministry of Ecology and Environment, Beijing 100094, China
2. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
*Corresponding author
Abstract

Black soil is an extremely precious soil resource on Earth. Unfortunately, the black soil layer gradually becomes thinner, leaner, and harder due to long-term high-intensity utilization and soil erosion. Crop residue covering (CRC) is an important way to protect the black soil. Therefore, monitoring the crop residue coverage is one of the key indicators for assessing the implementation of conservation tillage measures. The Chinese Gaofen-6 (GF-6) satellite is the first high-resolution satellite dedicated to precision agricultural observation. Compared with previous Chinese high-resolution satellites, there are four new bands in GF-6 including ultraviolet, yellow, and red-edge bands sensitive to vegetation changes. The main goal of this study is to determine whether these new spectral bands have potential applications in estimating crop residue coverage in black soil regions. The study was conducted in Lishu County where the “Lishu Model” of conservation tillage was set up. The GF-6 WFV multispectral image acquired on November 5, 2020, was used to explore the potential of GF-6 WFV multispectral image for corn residue coverage estimation , including developing spectral indices and applying the Dimidiate Pixel Model. The research results indicate that (1) these 5 spectral indices including NDI87, NDI37, NDI47, NDI32 and NDI38, combined from green, red, near-infrared, ultraviolet, and yellow bands, were found to be more correlated with the measured residue coverage measured in the field, with the determination coefficient R2 greater than 0.5, explaining more than 50% of the corn residue coverage information. (2) There were good correlations between the estimated CRC using GF-6 WFV multi-spectral image and the results using Sentinel-2 MSI and Landsat8 OLI multi-spectral image, with R2 of 0.833 and 0.732, respectively. This demonstrates the reliability and effectiveness of Chinese GF-6 WFV multispectral imagery for crop residue coverage estimation. (3) The estimation accuracy of corn residue coverage was improved by considering the black soil background and using the Dimidiate Pixel Model. Compared with the linear regression model, the correlation coefficient R2 of the Dimidiate Pixel Modelwas improved from 0.740 to 0.769. After considering the soil texture zoning, the R2 was improved furtherly to 0.822. A new way is provided to improve the accuracy of regional crop residue cover estimation in the black soil region.

Keyword: Chinese satellite; GF-6 WFV multi-spectral image; Residue spectral index; Corn residue coverage; Black soil; Dimidiate pixel method
0 引言

黑土地是地球上极为珍贵的土壤资源, 其土壤性状好、 有机质含量高, 被誉为“ 耕地中的大熊猫” 。 然而, 由于长期高强度的利用加之土壤侵蚀, 造成了黑土层流失、 土壤退化等问题, 黑土层逐渐变薄、 变瘦、 变硬[1, 2]。 东北黑土地是我国“ 黄金玉米带” 分布区, 也是我国主要的玉米种植区[3, 4]。 黑土地在较长的非生长季无耕期内风蚀风险高, 作物秸秆覆盖监测是量化黑土地防风固土水平和保护性耕作实施程度的重要措施。 因此, 对我国黑土地玉米种植区实施秸秆覆盖监测, 对黑土地利用与保护具有非常重要的意义[5]。

作物秸秆覆盖度(crop residue cover, CRC)是覆盖于土壤表面的残留秸秆的垂直投影面积在单位面积内的所占比例, 反映作物秸秆覆盖的稠密程度。 卫星遥感是能够快速、 低成本地实现大范围监测的新技术[6], 目前已经成为区域范围内作物秸秆覆盖度估算的主要数据源[7]。 多数光谱指数都受到土壤背景空间变异、 土壤含水量等因素的影响。 因此, 研究者们逐渐开始探索在如何消除土壤背景因素影响的基础上提高作物秸秆覆盖度提取精度[8]。 Wang等[9]和李志婷等[10]提出外部参数正交化(external parameter orthogonalization, EPO)法, 通过采集大量包含外部因素梯度的光谱样本, 以消除土壤背景对小麦秸秆覆盖度估算的影响。 Yue等[11]研发了基于宽波段信息的秸秆覆盖度指数, 以减轻土壤和作物残留水分含量的影响。 黄晋宇等[12]将土壤类型及土壤质地分类(分区), 分别建立不同土壤背景下的简单线性回归模型, 用于估算吉林省梨树县的玉米秸秆覆盖度, 可提高反演精度。 Dong等[13]在建立了东北黑土区秸秆覆盖度数据集, 是首个提供最长时间序列的同类产品。 上述这些光谱指数的方法多是基于木质素和纤维素在2 100和2 300 nm处有明显的吸收特征而建立的, 通过作物秸秆在这两个波段的吸收谷特征区分秸秆与背景土壤。 但大多采用国外卫星数据, 并以与地面调查数据的相关性为依据进行秸秆覆盖度估算, 应用范围比较受限制, 难以在大区域范围内开展。

高分六号(GF-6)卫星是中国首颗精准农业观测的高分卫星[14], 于2018年6月2日发射, 搭载2 m全色/8 m分辨率多光谱相机(GF-6 PMS)、 16 m多光谱相机(GF-6 WFV)各1台。 GF-6 WFV具有8个光谱波段, 观测幅宽优于800 km, 空间分辨率为16 m。 相较于高分系列卫星的前几颗卫星, GF-6 WFV多光谱图像在蓝波段(B01)、 绿波段(B02)、 红波段(B03)、 近红外波段(B04)基础上, 新增紫外波段(B07)、 黄波段(B08)和两个对植被变化响应敏感的红边波段(B05、 B06)。 在黑土地区域, 是否可以通过紫外波段和黄波段区分作物秸秆与黑色背景土壤, 即GF-6 WFV多光谱图像在作物秸秆覆盖度估算中是否有应用潜力, 目前鲜见相关研究报道。 因此, 非常有必要对GF-6 WFV多光谱图像在秸秆覆盖度估算方面的潜力进行评价与验证。

因此, 针对GF-6 WFV多光谱图像的光谱特征, 提出基于像元二分模型的作物秸秆覆盖度估算方法, 并利用土壤表层0~5 cm砂粒含量将土壤背景差异对秸秆覆盖度估算的影响考虑进来, 以提高黑土区玉米秸秆覆盖度的估算精度。

1 研究区概况与数据源
1.1 研究区概况

梨树县位于吉林省四平市中部, 位于东经123° 45'— 124° 53'、 北纬43° 02'— 43° 46'[图1(a)]。 梨树县属北温带半湿润大陆性气候, 地势东南高, 西北低, 相对高差421.7 m, 南部低山丘陵, 中部、 北部为平原; 年降水量为614 mm, 年平均气温为6.9 ℃, 年日照时数为2 706 h[15]; 种植作物以春玉米为主, 玉米种植面积占比近90%, 另有少量水稻、 大豆、 花生种植, 是国家重要的商品粮基地之一。 但是, 由于长期的重用轻养, 黑土地已经被“ 透支” , 土壤有机质逐年下降, 土壤物理性状明显恶化, 水土流失较为严重[16]。 从2007年起, 梨树县政府致力于加强黑土地保护与可持续利用, 探索形成以“ 秸秆覆盖、 条带休耕” 为主要内容的保护性耕作“ 梨树模式” [17], 是保护性耕作秸秆覆盖还田的重点推广县。 秸秆全覆盖的保护性耕作方式在梨树县内广泛存在, 同时也存在传统耕作方式; 另外, 研究区内广泛分布着黑土、 黑钙土、 风沙土、 水稻土等多种土壤类型, 土壤空间异质性非常明显。 综合考虑玉米种植面积大、 秸秆覆盖类型丰富、 土壤空间异质性大等多方面因素, 梨树县是进行玉米秸秆覆盖度估算的理想研究区。

图1 研究区位置(a)、 玉米秸秆覆盖度调查样点空间分布与2020年玉米种植区分类结果(b)Fig.1 (a) Location of the study area, (b) spatial distribution of corn residual coverage survey sampling points and classification results of corn planting areas in 2020

1.2 数据源

1.2.1 卫星影像数据

考虑到梨树县的农耕条件与玉米物候历, 根据图像质量优先、 接近地面调查时间等原则, 本研究选取2020年11月5日的GF-6 WFV多光谱图像用于梨树县玉米秸秆覆盖度估算, 图像轨道号为594/63。 同步获取了拍摄日期相近的Landsat-8 OLI和Sentinel-2B MSI多光谱影像。 Landsat-8 OLI多光谱影像获取时间为2020年11月11日, 轨道号为119/030; Sentinel-2B MSI多光谱影像获取时间为2020年11月04日, 由4景影像经镶嵌处理后获得覆盖整个研究区的影像。

GF-6 WFV多光谱影像的预处理工作包括辐射定标、 大气校正、 几何精校正、 裁剪等。 其中, 辐射定标采用中国资源卫星应用中心网站提供的绝对辐射定标系数进行校正; 大气校正采用ENVI 5.3软件的FLAASH大气校正模块。 Landsat-8 OLI影像下载于美国地质调查局(USGS)官方网站(https://earthexplorer.usgs.gov/), 所下载初始影像数据的级别为L1T, 使用ENVI 5.3软件进行辐射定标和FLAASH大气校正。 Sentinel-2B MSI影像下载于通过欧空局(ESA)提供的免费数据获取网站ESA SciHub(https://scihub.copernicus.eu/), 所下载的初始影像为L1C级, 使用Sen2Cor软件对其进行大气校正。 为保证影像数据源间的空间位置和分辨率一致性, 3种影像均以天地图影像为基准进行几何精校正, 并采用选择最邻近像元法, 将Landsat-8 OLI、 Sentinel-2 MSI影像重采样为16 m, 与GF-1 WFV影像分辨率一致。

1.2.2 地面调查数据

综合考虑研究区玉米收获时间和天气情况, 于2020年11月6日— 14日, 在梨树县范围内进行田间秸秆覆盖度实地测量, 此时研究区内玉米收获已基本全部结束, 农田表面覆盖大量玉米秸秆。 调查样方设计低、 中、 高三种覆盖度等级。 对玉米秸秆覆盖度调查数据, 剔除异常值后共保留63个调查样本点, 样本点空间分布见图1(b)。 研究区梨树县南部的样点有集中分布区, 该区位于中国农业大学梨树实验站, 是具有多种秸秆覆盖类型的保护性耕作种植模式实验区, 所以样本点采集较为密集。 每个调查位置上设置10 m× 10 m的样方, 采用照相法进行玉米秸秆覆盖度地面测量。 每个样方上使用Nikon D90数码相机从4个角点和中心点共5个不同的拍摄位置获取秸秆覆盖度照片, 每个测量位置拍摄照片并利用Trimble X8 GPS仪测量调查点的位置坐标。 秸秆覆盖度的计算通过在每张照片上随机选择144个点, 并叠加计算百分比的形式确定。

1.2.3 土壤数据

土壤表层0~5 cm范围内的砂粒含量数据来源于国际土壤参比与信息中心(ISRIC)的SoilGrids数据库(https://soilgrids.org/), 空间分辨率为250 m; 土壤类型图来源于资源环境数据云平台(http://www.resdc.cn), 是基于全国第二次土壤普查1∶ 100万土壤成果图矢量化生成的, 基本制图单元为“ 土壤发生分类” 亚类。

1.2.4 玉米种植区数据

在研究区梨树县内, 9月中旬前后玉米、 水稻和大豆等农作物基本成熟, 此时, 玉米与水稻、 大豆种植区在遥感图像上有较为明显的光谱差异。 因此, 选取2020年9月6日成像的 GF-1 WFV3多光谱图像(获取轨道600/81), 利用集成多棵决策树分类器的随机森林(random forest, RF)方法提取梨树县的玉米种植区。 在随机分类法中, 每一棵决策树都会产生一个预测结果, 将所有决策树的结果进行统计, 以票数最多的作为最终结果, 该方法泛化能力强、 分类精度高[18]。 图1(b)为利用RF方法提取的玉米种植区结果, 以野外实际调查的玉米种植区数据为验证数据进行精度评价, 基于RF的玉米种植区提取结果总体分类精度达89.5%, Kappa系数为0.891, 玉米种植区制图精度为92.1%。

2 玉米秸秆覆盖度估算方法

基于GF-6 WFV多光谱图像的玉米秸秆覆盖度估算步骤包括: (1)根据不同玉米秸秆覆盖度条件下的光谱曲线特征, 选取适用于黑土地土壤背景下玉米秸秆覆盖度估算的GF-6 WFV光谱波段构建归一化差值秸秆指数; (2)以地面实测的玉米秸秆覆盖度数据为依据, 筛选用于玉米秸秆覆盖度估算的最优线性光谱指数; (3)利用最优线性光谱指数, 建立基于土壤质地分区的像元二分法模型, 进行玉米秸秆覆盖度估算。 技术路线如图2所示。

图2 玉米秸秆覆盖度遥感估算技术路线Fig.2 Roadmap of residual coverage estimation using GF-6 WFV images

2.1 基于线性回归的估算模型构建

GF-6 WFV多光谱图像具有8个光谱谱段, 相对于其他高分卫星, 新增了紫外波段、 黄波段和两个对植被生长状况敏感的红边波段, 但仍缺少对于秸秆中纤维素和木质素最为敏感的短波红外波段。 为分析GF-6 WFV多光谱图像新增波段对玉米秸秆覆盖度的响应能力, 利用田间实际测量的玉米秸秆覆盖度数据, 在GF-6 WFV多光谱图像相对应位置上选取玉米秸秆高覆盖(0.75≤ CRC≤ 1.00)、 中覆盖(0.30≤ CRC< 0.75)、 低覆盖(0< CRC< 0.30)以及纯土壤像元, 进行光谱响应特征分析, 这4种秸秆覆盖度像元光谱特征如图3所示。 图3表明: 黑土的土壤光谱在可见光波段变化小, 在绿波段反射率最低、 红边波段下降、 在近红外波段增高; 玉米秸秆光谱在可见光波段范围反射率不断增加, 进入红边波段后反射率降低, 近红外波段又急速增加。 总的来说: 秸秆中覆盖和高覆盖像元, 与黑土土壤和低秸秆覆盖像元的光谱具有明显差异; 随着秸秆覆盖度增加, 在绿波段(B02)— 红波段(B03)— 黄波段(B08)的光谱范围内玉米秸秆光谱反射率明显增加; 玉米秸秆低覆盖像元与黑土背景土壤光谱差异不大, 其光谱特征难以区分。

图3 不同秸秆覆盖度像元光谱曲线Fig.3 Spectral curves of different residual coverage pixels

与单波段反射率特征、 波段间线性指数相比, 归一化差值秸秆指数具有秸秆覆盖度估算的潜在优势, 能够消除太阳高度角的影响, 亦能在一定程度上消除一些外部因素如耕作方向对秸秆覆盖度估算的影响 [19]。 因此, 基于图3的光谱特征, 构建归一化差值秸秆指数, 计算公式为:

NDIij=Bi-BjBi+Bj(1)

式(1)中, i、 j为GF-6 WFV多光谱图像波段。 归一化差值秸秆指数构建主要参考基于Landsat-8 OLI和Sentinel-2 MSI多光谱图像的秸秆光谱指数, 结合图3中不同覆盖度玉米秸秆光谱曲线特征, 重点关注新增的紫外波段(B07)、 黄波段(B08)和红边波段(B05、 B06)。 对于两个红边波段, 选择光谱差异较大的B06波段用于归一化差值秸秆指数的构建。 基于上述方法, 构建了NDI42、 NDI43、 NDI46、 NDI47、 NDI48、 NDI32、 NDI37、 NDI38、 NEI82、 NDI87共10个归一化差值指数。 这些归一化差值指数的名称中, NDI为归一化差值指数, 后面的数值代表所使用的GF-6 WFV多光谱图像的光谱波段。

根据已有研究成果, 分别采用归一化差值耕作指数(NDTI)[20]、 归一化秸秆指数(NDRI)[21]用于建立基于Landsat-8 OLI 和Sentinel-2 MSI多光谱影像的秸秆覆盖度估算模型。

2.2 基于像元二分法的估算模型构建

对于作物秸秆覆盖度估算来说, 像元二分法假设一个像元的遥感信息是由作物秸秆与背景土壤两部分组成[22, 23]。 像元中作物秸秆覆盖面积所占的比例就是该像元的秸秆覆盖度CRC, 土壤覆盖的面积比例即为1-CRC。 全部由秸秆覆盖的纯像元所获得的遥感信息为Sstr, 对于混合像元来说, 由秸秆成分所贡献的信息SR则可以表示为Sstr与秸秆覆盖度CRC的乘积。 同样地, 全由土壤覆盖的纯像元所获得的遥感信息为Ssoil, 则对于混合像元来说, 其土壤成分所贡献的信息Ss则可以表示为Ssoil与1-CRC的乘积。 这样, 就可以得到遥感信息S的线性分解模型, 其计算公式为

S=CRC* Sstr+(1-CRC)Ssoil(2)

对于遥感信息S来说, Sstr和Ssoil两组分的权重分别为作物秸秆和土壤在像元中所占的面积比例, 即CRC与1-CRC。 对式(1)进行变换, 得到估算作物秸秆覆盖度的公式为

CRC=S-SsoilSstr-Ssoil(3)

将遥感光谱指数RI(reflectance index)代入到秸秆覆盖度估算模型中, 得到像元二分法秸秆覆盖度估算模型(dimidiate pixel model, DPM)的计算公式为

CRC=RI-RIsoilRIstr-RIsoil(4)

利用DPM进行秸秆覆盖度估算的关键是如何确定参数RIsoil和RIstr。 鉴于研究区内的土壤类型、 颜色、 亮度、 湿度、 粗糙度等有明显差异, 选择基于集合的两参数确定方法进行秸秆覆盖度估算。

相同的秸秆覆盖度在不同的土壤类型、 不同土壤干湿程度下光谱反射率不同, 因此, 在确定RIsoil和RIstr时需要将土壤背景考虑进来作为一个集合因子, 每个土壤背景类型的参数RIsoil和RIstr参数取值通常采用置信区间法、 纯净像元法确定。 其中, 置信区间法是取给定置信度的置信区间内的最大值与最小值, 取值根据图像上高秸秆覆盖度像素与低秸秆覆盖度像素的对比度等情况来确定RIsoil和RIstr取值。 纯净像元法是根据野外实测的秸秆覆盖度数据, 提取遥感图像上完全被作物秸秆覆盖的和完全是裸土的纯像元, 然后取裸土像元的最大值和完全作物秸秆覆盖像元的最小值, 对应确定为RIsoil和RIstr参数值。

依照土壤分区方法, 将研究区土壤表层(0~5 cm)砂粒含量大于(含等于)39%的区域划为砂质土壤区域, 低于39%的区域划为黏质土壤区域, 用于秸秆覆盖度估算时土壤背景差异的区分。

2.3 精度检验方法

为了验证玉米秸秆覆盖度估算精度, 将所测量的63个样本数据按照土壤质地分区和秸秆覆盖度大小排序, 依据“ 隔二取一” 的原则, 分为建模数据集(43个样本)与验证数据集(20个样本), 分别用于秸秆覆盖度估算模型构建与估算精度验证。 模型性能通过决定系数(R2)、 均方根误差(root mean square error, RMSE)进行评价, R2越大、 RMSE越小, 说明估算模型验证结果越好。

3 结果与讨论
3.1 基于光谱指数的玉米秸秆覆盖度估算结果与分析

3.1.1 线性建模构建与精度检验

基于GF-6 WFV多光谱图像构建的10种归一化差值秸秆指数, 与地面实测的玉米秸秆覆盖度进行相关性分析, 得到的线性相关结果如表1所示, 表1的结果表明: 各光谱指数与秸秆覆盖度的相关关系排序为NDI87> NDI37> NDI47> NDI32> NDI38> NDI42> NDI48> NDI82> NDI46> NDI43。 其中, NDI87、 NDI37、 NDI47、 NDI32、 NDI38 这5种光谱指数与实测秸秆覆盖度的相关系数R2大于0.5, 能够解释超过50%的玉米秸秆覆盖度信息, 这5种光谱指数包含了绿、 红、 近红外、 紫外和黄波段, 从图3也可以看出在中高秸秆覆盖时背景土壤和玉米秸秆在这些光谱波段的差异比较明显。

表1 GF-6 WFV光谱指数与地面实测秸秆覆盖度相关关系 Table 1 Correlation between GF-6 WFV spectral index and ground measurement of residual coverage

利用优选出的NDI87、 NDI37、 NDI47、 NDI32、 NDI38五种秸秆光谱指数, 基于表1中构建的光谱指数与实测秸秆覆盖度相关模型, 估算了梨树县内的玉米秸秆覆盖度, 并利用验证数据对估算结果进行验证分析, 得到分析结果如图4所示。 从图4可以看出: 基于NDI47光谱指数的估算值与实测值一致性最好, R2达到0.740, RMSE为0.137; 光谱指数NDI87和NDI37的相关性次之, 两者较为接近, R2分别为0.688、 0.661, RMSE分别为0.177、 0.155; 光谱指数NDI32和NDI38的相关性较差, R2分别为0.572、 0.549, RMSE分别为0.169、 0.176。

图4 基于GF-6 WFV不同光谱指数的玉米秸秆覆盖度估算精度验证
(a): NDI87; (b): NDI37; (c): NDI47; (d): NDI32; (e): NDI38; (f): 所有光谱指数Fig.4 Verification of accuracy in estimating corn residual coverage based on different spectral indices of GF-6 WFV
(a): NDI87; (b): NDI37; (c): NDI47; (d): NDI32; (e): NDI38; (f): All indices

总的说来, 光谱指数NDI47、 NDI87、 NDI37与地面实测玉米秸秆覆盖度的相关系数和精度验证决定系数均高于0.65, 可以优先用以黑土地玉米种植区秸秆覆盖度估算。 GF-6 WFV多光谱图像各波段对于土壤背景和秸秆光谱响应的敏感性不同, 进而导致上述遥感指数在不同的秸秆覆盖水平上表现出一定的差异。 图4的验证结果表明: 高覆盖度(CRC> 0.75)地块估算结果较好, NDI87表现最优, 偏差最小; 中低覆盖度(CRC< 0.75)地块估算结果偏差较大, 其中, NDI37、 NDI47估算值偏差较小, NDI87估算值明显偏高。

3.1.2 与Landsat-8 OLI和Sentinel-2 MSI图像的估算结果比较分析

为了进一步分析国产GF-6 WFV图像用于玉米秸秆覆盖度估算的潜力, 采用国际惯用的样区法将基于GF-6 WFV NDI47的估算结果与基于Landsat8 OLI、 Sentinel-2 MSI多光谱图像的估算结果进行比较分析。 在影像中选择平坦无云且均匀的玉米地块作为样区, 面积不宜过大, 避免选择地块边缘, 样区秸秆覆盖度值域尽量涵盖不同等级。 在3种影像上选取60个样区, 以各样区的平均值进行匹配比较, 分析结果如图5所示。 从图5的散点图可以看出, GF-6 WFV秸秆覆盖度估算结果与Sentinel-2 MSI估算结果更为接近, R2、 RMSE分别为0.847、 0.115, 优于其与Landsat8 OLI估算结果的相关性(R2=0.752, RMSE=0.148), 这进一步说明国产GF-6 WFV图像是估算黑土区作物秸秆覆盖度的可靠、 有效的理想数据源。

图5 GF-6 WFV与Sentinel-2 MSI(a)、 Landsat8 OLI(b)秸秆覆盖度估算结果散点图Fig.5 Scatter plots of straw coverage estimation results based on GF-6 WFV and Sentinel-2 MSI (a) and Landsat8 OLI (b)

3.1.3 土壤质地分区模型与验证

基于NDI87、 NDI37、 NDI47、 NDI32、 NDI38这5种光谱指数, 利用土壤质地分区构建的DPM估算梨树县玉米秸秆覆盖度, 并进行精度验证。 在砂质土壤区和黏质土壤区内, 这5种光谱指数与地面实测秸秆覆盖度的相关性如表2所示, 分析结果表明: (1)在砂质土壤背景下各光谱指数与秸秆覆盖度实测值具有更好的一致性, 其相关系数R2值均高于黏质土壤区域; (2)基于土壤分区后的秸秆覆盖度估算精度得到提高: 对NDI47、 NDI32光谱指数分区后, 玉米秸秆覆盖度的估算精度较分区前均有所提升, RMSE分别由0.137、 0.169降低到0.135、 0.162, R2由0.740、 0.573提高到0.795、 0.617。 图6为土壤分区后利用不同光谱指数的玉米秸秆覆盖度估算精度验证结果, 从土壤分区后的秸秆覆盖度估算结果与实测秸秆覆盖度的相关性散点图可以看出, 在CRC< 0.5的玉米地块, NDI47估值偏差最小; 其他4个光谱指数的玉米秸秆覆盖度估算结果均高于实测值。

表2 基于土壤质地分区的秸秆指数与实测玉米秸秆覆盖度相关性 Table 2 Correlation between residual index based on soil texture zoning and measured corn residual coverage

图6 基于土壤质地分区的不同光谱指数秸秆覆盖度估算结果精度验证
(a): NDI87; (b): NDI37; (c): NDI47; (d): NDI32; (e): NDI38; (f): 所有指数Fig.6 Precision validation of straw coverage estimation results based on soil texture zoning using different spectral indices
(a): NDI87; (b): NDI37; (c): NDI47; (d): NDI32; (e): NDI38; (f): All indices

光谱指数NDI47的估算精度最高, 其决定系数R2为0.795, 采用土壤质地分区建立估算模型的方法, 能够提高估算精度; NDI87的估算精度其次, R2为0.688; NDI32指数不包括紫外和黄波段, 其决定系数R2为0.573, 考虑土壤背景差异分区进行秸秆覆盖度估算时, R2增加至0.617, 亦能够改善秸秆覆盖度的估算精度。

3.2 基于DPM的玉米秸秆覆盖度估算结果与分析

基于优选的NDI47光谱指数, 进行基于DPM的玉米秸秆覆盖度估算, 其估算公式如式(5)

CRC=NDI47-NDI47soilNDI47str-NDI47soil(5)

为克服图像像素的空间和时间不确定性, 采用纯净像元法确定NDI47soil和NDI47str。 综合考虑图像的清晰度、 图像上秸秆高覆盖度像素与秸秆低覆盖度像素的对比度等, 选取纯裸土像元95%置信度的置信区间内NDI47最大值为NDI47soil, 取值为0.03; 纯玉米秸秆覆盖像元95%置信度的置信区间内NDI47最小值为NDI47str, 取值为0.181。

在考虑土壤质地分区和不考虑土壤质地分区的条件下, 利用DPM估算梨树县玉米秸秆覆盖度, 估算精度如表3所示。 对于NDI47光谱指数的估算结果, 基于DPM的估算结果决定系数R2由0.740提高到0.769, 但RMSE有所增大, 由0.137增大到0.146; 基于考虑土壤质地分区的像元二分法模型(DPMs)估算精度得到明显提升, 决定系数R2提高到0.822, RMSE降低到0.115。

表3 基于DPM的玉米秸秆覆盖度估算精度验证 Table 3 Verification of accuracy in estimating corn residual coverage based on pixel binary method

利用改进的DPMs估算了研究区2020年11月5日的玉米秸秆覆盖度空间分布(见图7)。 由图可以看出, 研究区秸秆覆盖度整体处于较高水平, 高秸秆覆盖区域(CRC≥ 0.75)面积为132 094公顷, 占玉米种植区总面积的65.12%, 这表明研究区内玉米地保护性耕作措施实施执行力度大、 秸秆覆盖效果好。

图7 研究区秸秆覆盖度估算结果Fig.7 Predicted CRC map in the study area

4 结论

在挖掘GF-6 WFV多光谱图像新增光谱波段潜力的基础上, 构建了基于GF-6 WFV多光谱图像的玉米秸秆覆盖度估算方法, 并构建了基于土壤质地分区的像元二分法玉米秸秆覆盖度估算模型。 主要研究结论如下:

(1)基于GF-6 WFV多光谱图像对玉米秸秆覆盖度光谱响应特征, 构建了5种秸秆指数, 并优选出NDI87、 NDI37、 NDI47、 NDI32、 NDI38共5种秸秆指数。 基于优选出的5种秸秆指数建立的秸秆估算线性回归模型, 相关系数R2大于0.5, 能够解释超过50%的秸秆覆盖度信息; 估算结果表明, NDI47秸秆指数具有最高的估算精度R2(0.740)。

(2)将基于GF-6 WFV图像的估算精度与Landsat8 OLI、 Sentinel-2 MSI多光谱图像的估算精度进行对比分析。 GF-6 WFV秸秆覆盖度估算结果与Sentinel-2 MSI、 Landsat8 OLI估算结果之间存在较好的线性关系, 决定系数R2分别为0.833、 0.732。 这也进一步说明了国产GF-6 WFV玉米秸秆覆盖度估算数据的高可靠性和有效性。

(3)考虑土壤背景差异、 利用DPM估算的玉米秸秆覆盖度估算精度提高。 与线性回归模型相比, DPM估算精度R2由0.740提高到0.769, 但RMSE由0.137增大到0.146; 考虑土壤质地分区后, DPMs估算精度得到整体提升, R2达到0.822, RMSE为0.115, 均优于线性回归模型。 这表明考虑土壤背景差异可提高黑土地玉米秸秆覆盖度估算精度。

参考文献
[1] Shen Y, McLaughlin N, Zhang X, et al. Scientific Reports, 2018, 8(1): 4500. [本文引用:1]
[2] Du Z, Ren T, Hu C. Soil Science Society of America Journal, 2010, 74(1): 196. [本文引用:1]
[3] Xuan F, Dong Y, Li J Y, et al. International Journal of Applied Earth Observation and Geoinformation, 2023, 117: 103178. [本文引用:1]
[4] Li Z Q, Xuan F, Dong Y, et al. International Journal of Applied Earth Observation and Geoinformation, 2024, 127: 103643. [本文引用:1]
[5] Dong Y, Xuan F, Li Z, et al. Remote Sensing, 2023, 15(8): 2179. [本文引用:1]
[6] LI Xiao-wen, LIU Su-hong(李小文, 刘素红). Principles and Applications of Remote Sensing(遥感原理与应用). Beijing: Science Press(北京: 科学出版社), 2008. [本文引用:1]
[7] Pacheco A, McNairn H. Remote Sensing of Environment, 2010, 114(10): 2219. [本文引用:1]
[8] Mupangwa W, Thierfelder C, Cheesman S, et al. Renewable Agriculture and Food Systems, 2020, 35(3): 322. [本文引用:1]
[9] Wang C K, Pan X Z, Liu Y, et al. Agronomy Journal, 2013, 105(4): 967. [本文引用:1]
[10] LI Zhi-ting, WANG Chang-kun, PAN Xian-zhang, et al(李志婷, 王昌昆, 潘贤章, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(S1): 145. [本文引用:1]
[11] Yue J B, Tian Q J, Dong X Y, et al. Remote Sensing of Environment, 2020, 237: 111538. [本文引用:1]
[12] HUANG Jin-yu, LIU Zhong, WAN Wei, et al(黄晋宇, 刘忠, 万炜, 等). Chinese Journal of Applied Ecology(应用生态学报), 2020, 31(2): 474. [本文引用:1]
[13] Dong Y, Xuan F, Huang X D, et al. Scientific Data, 2024, 11: 216. [本文引用:1]
[14] TAO Wan-cheng, ZHANG Ying, XIE Ci-xuan, et al(陶万成, 张颖, 谢茈萱, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(6): 1948. [本文引用:1]
[15] LIU Tao, YANG Xiao-guang, GAO Ji-qing, et al(刘涛, 杨晓光, 高继卿, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(7): 97. [本文引用:1]
[16] LIU Bao-yuan, ZHANG Gan-lin, XIE Yun, et al(刘宝元, 张甘霖, 谢云, 等). Chinese Science Bulltin(科学通报), 2021, 66: 96. [本文引用:1]
[17] LI Bao-guo, WANG Gui-man(李保国, 王贵满). Conservation Tillage Techniques in Northeast China-Pear Tree Model(东北地区的保护性耕作技术-梨树模式). Bejing: Scientific and Technological Literature Publishing House(北京: 科学技术文献出版社), 2019. [本文引用:1]
[18] Belgiu M, Drăguţ L. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24. [本文引用:1]
[19] ZHANG Miao, MENG Ji-hua, LI Qiang-zi, et al(张淼, 蒙继华, 李强子, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2011, 27(S1): 352. [本文引用:1]
[20] Van Deventer A P, Ward A D, Gowda P H, et al. Photogrammetric Engineering and Remote Sensing, 1997, 63(1): 87. [本文引用:1]
[21] Gelder B K, Kaleita A L, Cruse R M. Agronomy Journal, 2009, 101(3): 635. [本文引用:1]
[22] JIA Kun, YAO Yun-jun, WEI Xiang-qin, et al(贾坤, 姚云军, 魏香琴, 等). Advances in Earth Science(地球科学进展), 2013, 28(7): 774. [本文引用:1]
[23] SUN Zhong-ping, LIU Su-hong, JIANG Jun, et al(孙中平, 刘素红, 姜俊, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(16): 161. [本文引用:1]