松嫩平原典型農(nóng)區(qū)玉米秸稈覆蓋度遙感估算

項小云,杜 嘉,趙博宇,周昊昊,宋開山

(中國科學院 東北地理與農(nóng)業(yè)生態(tài)研究所，吉林 長春 130102)

0 引 言

農(nóng)作物秸稈管理，是當今保護性耕作技術(shù)運用最為重要的一種保護措施[1]，秸稈覆蓋有利于作物生產(chǎn)和環(huán)境的可持續(xù)性，可以有效減少土壤侵蝕、提高水分利用效率和土壤肥力[2]。秸稈覆蓋度的估算是農(nóng)作物秸稈管理的重要組成部分，秸稈覆蓋度信息的獲取，不僅可以了解保護性耕作的空間分布狀況，還可以對于保護性耕作實施的進程及實施范圍進行宏觀的監(jiān)測，提高政府監(jiān)管的效率。因此，對農(nóng)作物秸稈覆蓋度進行估算能夠為保護性耕作技術(shù)的實施提供數(shù)據(jù)支撐。

目前，秸稈覆蓋度數(shù)據(jù)的獲取主要依賴于人工現(xiàn)場數(shù)據(jù)收集和調(diào)查，使用這些方法進行大范圍準確、系統(tǒng)和連續(xù)地獲取數(shù)據(jù)是極其困難的。遙感技術(shù)可以系統(tǒng)的對秸稈覆蓋度數(shù)據(jù)進行低成本有效獲取，具有快速準確的特點，可以實現(xiàn)對秸稈覆蓋度數(shù)據(jù)連續(xù)和大范圍的獲取[3]。Gausman等[4]較早開始利用 MSS 影像，根據(jù)光譜反射特征進行土壤與秸稈的區(qū)分。Daughtry[5]測量了玉米、大豆等農(nóng)作物及土壤覆蓋在400～2 400 nm波長范圍內(nèi)的地物光譜反射率，確認了使用纖維素吸收指數(shù)(Cellulose Absorption Index，CAI)進行秸稈覆蓋識別的可行性。李志婷等[6]分析了Landsat-8 OLI各波段反射率及不同光譜指數(shù)與小麥秸稈覆蓋度的關(guān)系，結(jié)果表明Landsat-8 OLI構(gòu)建的光譜指數(shù)優(yōu)于Landsat-5 TM構(gòu)建的光譜指數(shù)。這些研究表明了遙感技術(shù)在秸稈覆蓋的識別以及估算方面應(yīng)用的可行性。

農(nóng)作物秸稈的殘茬和土壤有著相似的光譜，由于作物殘留物具有與纖維素和木質(zhì)素相關(guān)的性質(zhì)，所以在2 100 nm附近形成獨特的吸收特征[5]。這種獨特的吸收特征成為基于光學遙感圖像區(qū)分作物殘余物與土壤的基礎(chǔ)。因此，耕作指數(shù)的設(shè)計重點在于放大作物殘留吸收特征的信號，同時抑制土壤及綠色植被等混淆的光譜信號[1]。以往研究中，諸多學者基于多光譜和高光譜遙感數(shù)據(jù)以及光譜輻射地面測量數(shù)據(jù)，構(gòu)建不同的耕作指數(shù)方法模型對不同地區(qū)的作物秸稈覆蓋度(Crop Residue Cover,CRC)進行估算。McNairn和Protz[7]使用Landsat-5 TM數(shù)據(jù)分析了CRC與歸一化差異指數(shù)(Normalized Difference Index,NDI)之間的關(guān)系，結(jié)果表明：NDI與玉米秸稈覆蓋度(MRC)相關(guān)性較好(R2=0.65～0.84)。Deventer等[8]分析了歸一化差異耕作指數(shù)(Normalized Difference Tillage Index,NDTI)、簡單耕作指數(shù)(Simple Tillage Index,STI)與CRC之間的關(guān)系，結(jié)果表明這些參數(shù)之間具有良好的關(guān)系。Zheng等[9-10]基于Landsat TM和ETM+數(shù)據(jù)，提取最小NDTI值(The minimum values of Normalized Difference Tillage Index,min NDTI)進行CRC估算，表明min NDTI和CRC之間關(guān)系較好(R2=0.89)。目前，基于遙感技術(shù)和耕作指數(shù)進行CRC的相關(guān)研究正趨于成熟，利用耕作指數(shù)進行CRC估算研究其精度的提高已經(jīng)到達一定的高度，但是對于CRC估算精度的提高仍需進一步的摸索。

以往的CRC估算研究中，學者們多關(guān)注數(shù)據(jù)的光譜信息，忽視了對于空間信息的利用。紋理特征能夠反映出圖像亮度的空間變化情況，不同的地物類型之間紋理特征各不相同，能夠較為直觀地反映出影像的空間信息[11-12]。Li等[11]使用0.5 m分辨率的航空影像，進行了金銀花的空間紋理特征提取并進行分類，結(jié)果表明了該方法分類的準確性。Wood等實地收集了193個采樣點植被結(jié)構(gòu)，使用兩種不用數(shù)據(jù)影像提取紋理特征的信息進行植被結(jié)構(gòu)的宏觀測量，結(jié)果表明了使用紋理特征進行植被結(jié)構(gòu)估算的可行性[13]。Najafi等人基于Landsat OLI數(shù)據(jù)，使用耕作指數(shù)、均值和紋理特征三種方法進行CRC的估算，精度和kappa系數(shù)分別為0.93和0.90、0.91和0.86、0.60和0.35，說明使用紋理特征方法進行提取和估算秸稈覆蓋度具有可操作性[14]。

Zhou等[15]使用Quickbird數(shù)據(jù)進行葉面積指數(shù)(Leaf Area Index,LAI)的估算，評估了光譜指數(shù)、紋理特征參數(shù)和光譜指數(shù)與紋理特征組合方法三種不同的方法，結(jié)果表明：使用光譜指數(shù)和紋理特征組合方法可以顯著提高LAI的估算精度(R2=0.84)。Berberoglu等[16]利用神經(jīng)網(wǎng)絡(luò)綜合光譜和紋理信息進行地中海土地覆蓋分類制圖，表明組合方法可以提高分類精度。金秀良等[17]使用光譜指數(shù)和紋理特征組合方法進行秸稈覆蓋度的相關(guān)研究，證明了運用組合進行秸稈覆蓋研究的可行性。Ding等基于Sentinel-2數(shù)據(jù)構(gòu)建光譜指數(shù)(Crop Residue Indices，CRIs)和紋理特征組合方法進行CRC的估算，三個MSI波段和三個紋理特征組合模型表現(xiàn)最佳(R2=0.69，RMSE=6.149)[18]。因此，光譜指數(shù)和紋理特征的組合方法在提高模型精度以及秸稈覆蓋度估算方面具有應(yīng)用價值。

本文以Landsat-8 OLI遙感影像為數(shù)據(jù)源，綜合利用耕作指數(shù)、紋理特征和組合方法構(gòu)建基于偏最小二乘回歸方法的秸稈覆蓋度模型，對松嫩平原部分地區(qū)的玉米秸稈覆蓋度進行估算，并分析研究區(qū)秸稈覆蓋度的空間分布特征，研究結(jié)果將為農(nóng)業(yè)管理部門推動保護性耕作提供真實可靠的數(shù)據(jù)支撐。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

研究區(qū)位于東北三大平原之一的松嫩平原，是國家重要的糧食儲備基地，地跨吉林與黑龍江兩省，是我國主要農(nóng)作物種植區(qū)之一，玉米種植面積占耕地面積的80%[19-20]。研究區(qū)氣候?qū)儆跍貛Т箨懶约撅L氣候，降水主要集中于夏季，雨熱同期有利于農(nóng)作物的生長。研究區(qū)選擇地理位置在松嫩平原東部地區(qū)，行政區(qū)劃為吉林省長春市至黑龍江省哈爾濱市之間，為Landsat-8三景影像(118/28、118/29和118/30)覆蓋的區(qū)域(圖1)。

圖1 研究區(qū)(Landsat-8影像，標準假彩色band5/band4/band3)Fig.1 Study area(false color composite Landsat-8 image R/G/B.band5/band4/band3)

1.2 數(shù)據(jù)獲取

所選用的Landsat 影像來源于美國地質(zhì)調(diào)查局USGS 網(wǎng)站(https://espa.cr.usgs.gov/index/)，通過查詢地理位置匹配關(guān)系，篩選影像上基本無云或者云量較少的有效3景影像，時間為2019年2月3日。本研究選取的3景影像部分區(qū)域有少量云層覆蓋，將該部分區(qū)域進行去云處理，以消除云層對反演產(chǎn)生的影響。并且3景影像時間為同一天，不涉及不同圖像間的光譜匹配問題，因此直接對3景影像進行拼接合并。然后，我們利用2018年玉米種植空間分布數(shù)據(jù)對遙感影像進行裁剪，以達到和地面實測匹配的要求。

2019年3月27日至4月4日，對影像覆蓋區(qū)玉米秸稈覆蓋度進行野外調(diào)查，使用樣線法[21]對秸稈覆蓋度進行粗略估算。在充分考慮道路可達性的前提下，采樣點選擇距離道路和村莊較遠的農(nóng)田區(qū)域，并且選取采樣的農(nóng)田四周沒有樹木和電線桿等其他地物，避免其他地物產(chǎn)生的干擾。實地使用了50 m長的繩子，將其間隔1 m分成50個部分，利用紅繩標記，開始進行測量。在每個采樣區(qū)域，用兩根繩子沿行對角線進行垂直拉伸，并計算與作物秸稈相交的標記數(shù)，用以計算該采樣點的秸稈覆蓋度。此外，使用GPS記錄每個采樣點的位置，獲取采樣點照片，完成信息的采集。調(diào)查共采集玉米采樣點34個，將數(shù)據(jù)隨機分為24個校準數(shù)據(jù)集和10個驗證數(shù)據(jù)集兩部分。

針對影像和實測數(shù)據(jù)間隔時間對研究產(chǎn)生的影響，主要有以下考慮。近幾年來，東北三省地區(qū)嚴格貫徹落實國家環(huán)境保護部下發(fā)的秸稈禁燒政策，秸稈焚燒狀況得到較為有力的控制。因此，在影像和野外實地測量的時間間隔中秸稈覆蓋度變化的幾率很小。

1.3 研究方法

利用耕作指數(shù)(Tillage Index,TI)、紋理特征和組合方法構(gòu)建基于偏最小二乘回歸方法(PLSR)的玉米秸稈覆蓋度模型，對松嫩平原的部分地區(qū)進行玉米秸稈覆蓋度MRC估算。同時，利用決定系數(shù)(The coefficient of determination，R2)和均方根誤差(Root Mean Square Error，RMSE)進行統(tǒng)計與驗證的分析。

1.3.1 耕作指數(shù)。耕作指數(shù)就是指基于玉米秸稈獨特的光譜吸收特征，從而構(gòu)建的用來進行秸稈覆蓋度估算的一種光譜指數(shù)，是目前研究秸稈覆蓋度估算的常用方法之一。在遙感中并沒有針對該類光譜指數(shù)進行準確的定義，有少量相關(guān)的中文文獻僅是使用光譜指數(shù)這一廣泛的定義進行描述，本文使用的耕作指數(shù)是基于眾多相關(guān)研究中的英文文獻對此的描述進行直譯[1,6-17]。

本研究中使用了7種耕作指數(shù)，分別為歸一化差異耕作指數(shù)(NDTI)、簡單耕作指數(shù)(STI)、歸一化差異指數(shù)(NDI7、NDI5)、短波紅色外歸一化差異指數(shù)(SRNDI)、歸一化差異衰老植被指數(shù)(NDSVI)、改良耕作指數(shù)(MCRC)，這7種指數(shù)是目前秸稈覆蓋研究中使用較為成熟的幾種(表1)。

表1 耕作指數(shù)及計算公式簡介Table 1 Introduction of tillage indices and calculation formula

1.3.2 紋理特征。紋理特征指通過一定的圖像處理技術(shù)提取出紋理特征參數(shù)，從而獲得紋理的定量或定性描述的處理過程[24]。紋理分析在遙感圖像處理中有著重要的作用，灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)是紋理統(tǒng)計分析中最常用的方法之一[25-26]，使用灰度共生矩陣的目的就是用其輔助遙感影像紋理分類。本研究中選擇8個紋理特征指標，包括均值(mean)、方差(variance)、同質(zhì)性(homogeneity)、對比度(contrast)、相異度(dissimilarity)、熵(entropy)、二階矩(second moment)和相關(guān)性(correlation)。這些紋理特征在進行地表生物量估算、植被結(jié)構(gòu)測量以及土地覆蓋分類中使用較為成熟，均證實了其在地表估算和識別中應(yīng)用的可行性[13,16,27]。

通過ENVI5.3軟件平臺對Band2-Band7分別進行8種紋理特征值的提取。Band2-Band7波長范圍在0.45～2.3 μm之間包括可見光、近紅外和短波紅外波段可用于秸稈覆蓋的研究，其余波段不涉及該方面的應(yīng)用。窗口的大小選擇是進行紋理特征提取的關(guān)鍵，窗口的大小與值的范圍有著直接的關(guān)系。使用較小的窗口會在一定程度上擴大窗口內(nèi)的差異，但是可以保留較高的空間分辨率，而使用較大的窗口在提取過程中會使紋理變化過度平滑而導致提取效率偏低[28]。在考慮提取效率和分辨率的基礎(chǔ)上，3×3像元為紋理特征提取的最小窗口，因此本研究選擇窗口大小為3×3像元進行計算提取。這些統(tǒng)計指標可以在反映地物空間特征差異的同時從不同的角度來量化影像局部的紋理結(jié)構(gòu)。

1.3.3 偏最小二乘法。偏最小二乘法是從實際應(yīng)用出發(fā)的一種多元統(tǒng)計數(shù)據(jù)分析的新方法，這種方法主要用于多因變量與多自變量之間的線性回歸模型構(gòu)建[29]。這種方法的優(yōu)勢在于，當觀察數(shù)量小于變量數(shù)量時會出現(xiàn)多重共線性的問題，對模型的構(gòu)建產(chǎn)生較大影響，偏最小二乘法的使用可以消除由此產(chǎn)生的不利影響。本研究涉及耕作指數(shù)和紋理特征指標過多，并且各波段組合計算之間存在一定相關(guān)性問題。通過前期進行主成分分析以及計算其自變量間的關(guān)系，發(fā)現(xiàn)各自變量間存在不同程度的共線性問題。因此，采用偏最小二乘法就是為了消除多種自變量之間的共線性問題。

PLSR模型是多個線性回歸模型的擴展。當需要從大量自變量中預測一組因變量時，PLSR模型具有特別的優(yōu)勢，同時可以有效地解決多自變量中的強共線性和噪聲問題。在最簡單的形式中，線性模型指定了從屬(響應(yīng))變量y和一組預測變量(x)變量之間的(線性)關(guān)系[30]：

y=b0+b1x1+b2x2+b3x3+…+bpxp

式中：b0是回歸系數(shù)的截距；bi值是數(shù)據(jù)計算從變量1到p的回歸系數(shù)。

1.3.4 統(tǒng)計與驗證分析。相關(guān)性是分析兩個或多個變量之間親密程度的重要指標，Pearson相關(guān)系數(shù)通常用于衡量兩個變量之間是否存在線性關(guān)系，決定系數(shù)是相關(guān)系數(shù)的平方。本研究中使用決定系數(shù)(R2)來分析MRC與耕作指數(shù)和紋理特征之間的關(guān)系。研究通過比較R2值的差異來確定模型的性能。一般來說，較高的R2值代表預測MRC模型的精度和準確度更高。

均方根誤差表示預測值與測量值之間的偏差程度，可以很好地反映回歸模型估計MRC的準確性。一般來說，RMSE值越小，測量值與預測值之間的誤差越小，回歸模型估計的準確度越高[31]。

2 結(jié)果與討論

2.1 玉米秸稈覆蓋度(MRC)與耕作指數(shù)(TI)的關(guān)系

不同耕作指數(shù)與MRC之間分別存在著一定的回歸關(guān)系(圖2)。其中NDTI、STI與MRC相關(guān)性最好，R2均為0.86，RMSE分別為3.69、3.78(表2)。NDI7、NDI5與SRNDI與MRC相關(guān)性在0.5～0.3之間，NDSVI、MCRC與MRC之間相關(guān)性較不明顯。TI與MRC相關(guān)性由高到低依次為NDTI、STI、NDI7、NDI5、SRNDI、NDSVI、MCRC。這些結(jié)果表明，NDTI、STI、NDI7、NDI5、SRNDI可以用于MRC的估算研究。

表2 玉米秸稈覆蓋度(MRC)與耕作指數(shù)(TI)的關(guān)系Table 2 Relationship between maize residue cover(MRC) and tillage index (TI)

圖2 歸一化差異耕作指數(shù)(NDTI)、簡單耕作指數(shù)(STI)與玉米秸桿覆蓋度(MRC)的關(guān)系Fig.2 Relationship between normalized difference tillage index(NDTI),simple tillage index(STI) and maize residue cover(MRC)

研究所選取的7種耕作指數(shù)，除了NDSVI和MCRC以外，其余指數(shù)均與MRC具有較好的關(guān)系。Daughtry等[5]研究表明，在干作物殘留物的反射光譜中2 100 nm附近的吸收特征十分明顯，這是在土壤光譜中不存在的，這可能與作物殘留物中的木質(zhì)素和纖維素有關(guān)。因此，2 100 nm附近的光譜信息對于識別農(nóng)作物秸稈至關(guān)重要。NDTI、STI、NDI7、NDI5、SRNDI等5種耕作指數(shù)均涉及Band7(2 100～2 300 nm)，所以這4種指數(shù)與MRC相關(guān)性較好。

Daughtry等[32]研究表明作物殘留物中水分含量會降低所有波段的反射率，在1 450 nm和1 960 nm附近形成兩個吸收帶(波長>1 300 nm)，最高光譜是烘干殘留物，最低光譜為水飽和殘留物。所以，對于波長>1 300 nm，位于1 450 nm和1 960 nm附近的反射光譜信息提取用于含水的作物殘留物識別具有重要意義。NDTI和STI的計算是使用Landsat-8 OLI數(shù)據(jù)的Band6(1 560～1 660 nm)和Band7(2 100～2 300 nm)，因此，STI和NDTI與MRC相關(guān)性較好(表3)，R2均為0.86。Wanjura等[33]使用多波段輻射計測量反射率，結(jié)果表明波段MMR 4(760～900 nm)在風化期間表現(xiàn)出最大的相對反射率變化，換言之，波段MMR 4與風化期作物殘留物具有顯著相關(guān)關(guān)系。本研究進行MRC估算所使用影像時期為2月份，農(nóng)作物在上一年11月末前全部收割完畢，此時秸稈正處于作物殘留物風化期。NDI7值是由Landsat-8 OLI數(shù)據(jù)的Band5(845～885 nm)和Band7(2 100～2 300 nm)計算得出，因此NDI7與MRC之間具有良好的相關(guān)性(R2=0.437)。Daughtry等[32]研究認為，基于2 100 nm附近的纖維素和木質(zhì)素吸收特征可以用來很好的區(qū)分作物秸稈。這或許可以解釋在本研究中SRNDI與MRC的相關(guān)性要高于NDSVI。因此，利用NDTI、STI、NDI7、SRNDI用于MRC的估算研究較為合理。

2.2 玉米秸稈覆蓋度(MRC)與紋理特征的關(guān)系

研究選取了8個紋理特征指標(均值、方差、同質(zhì)性、對比度、相異度、熵、二階矩和相關(guān)性)，分別計算了Band2-Band7共6個波段的八種紋理特征的48個指標與MRC之間的相關(guān)關(guān)系。結(jié)果顯示8個紋理特征指標與MRC之間的相關(guān)性較好。B5mean與MRC之間的相關(guān)性最高(R2=0.384)，與B4variance的相關(guān)性最低(R2=0.212)。8個紋理特征指標的R2值范圍從0.384到0.212，且紋理特征與MRC回歸關(guān)系由高到低依次為B5mean、B2mean、B4entropy、B4second moment、B4contrast、B4dissimilarity、B5correlation、B4variance(表3)。使用野外實測的覆蓋數(shù)據(jù)驗證MRC回歸方程估算的準確性，比較了預測MRC值和測量值，RMSE結(jié)果在8.03%～17.59%之間。因此，根據(jù)統(tǒng)計結(jié)果綜合考慮B5mean、B2mean、B4entropy可以用于MRC模型的估算。

表3 玉米秸稈覆蓋度(MRC)與紋理特征的關(guān)系Table 3 Relationship between maize residue cover(MRC)and texture feature indicators

本研究中，8種紋理特征與MRC相關(guān)性相對較高。其中，B5mean、B2mean、B4entropy三種紋理特征與MRC相關(guān)性相對較高。剩余五種紋理特征與MRC之間的相關(guān)關(guān)系并不理想，這可能是由于農(nóng)作物不同的秸稈覆蓋方式帶來的影響。通過實地調(diào)查和測量發(fā)現(xiàn)玉米的秸稈覆蓋方式并不相同，有的區(qū)域在農(nóng)作物收割完成后，將秸稈進行充分粉碎后均勻的鋪在地表，地表紋理特征較為平整；有的區(qū)域在大型農(nóng)作物收割機收獲后，直接將秸稈殘留在作物種植間隙之間，地表紋理特征呈現(xiàn)條帶狀；少數(shù)區(qū)域由于人工收割，秸稈隨意的散落在地表覆蓋，地表紋理特征較為凌亂。紋理特征正是對秸稈空間特征(空間信息)的一種表述[34]，由于秸稈覆蓋方式的多樣，使得紋理特征較為復雜，其中干擾的因素較多，從而沒有得到較為理想的精度。

2.3 利用偏最小二乘回歸(PLSR)進行MRC估算

研究使用TI、紋理特征以及組合方法三種方法，利用PLSR對MRC進行估算。首先，分別使用TI和紋理特征單獨進行MRC模型的構(gòu)建。對于TI方法來說，根據(jù)TI相關(guān)關(guān)系的高低進行選擇。由于NDI5與NDI7均為歸一化差異指數(shù)，且NDI7與MRC的相關(guān)性要高于NDI5，因此選擇NDI7作為歸一化差異指數(shù)指標。最終，選取NDTI、STI、NDI7、SRNDI四種指數(shù)進行MRC估算模型的構(gòu)建。如表4結(jié)果所示，基于四種TIs的模型R2值為0.857，基于所有TIs的模型R2值為0.86。因此，向模型添加NDI5、NDSVI和MCRC并沒有明顯提高MRC估算準確性。對于紋理特征方法，根據(jù)紋理特征與MRC相關(guān)關(guān)系由高到低依次選擇B5mean、B2mean、B4entropy三個指標利用PLSR進行MRC估算，模型R2值為0.185。

基于8種紋理特征指標(B5mean、B2mean、B4entropy、B4second moment、B4contrast、B4dissimilarity、B5corrleation、B4variance)的模型R2值為0.239，結(jié)果表明進一步向模型中添加指標可以提高模型的準確性，但提高效果并不顯著。Li等[35]研究表明，使用PLSR進行建模時，只有少數(shù)幾個特征便可以滿足提取與區(qū)分基本信息，添加大量指標并不會顯著提高模型估算的準確性，這與本研究結(jié)果相一致。當模型中只涉及4種耕作指數(shù)(NDTI、STI、NDI7、SRNDI)時，MRC模型估算的精度已經(jīng)滿足研究需求，進而添加耕作指數(shù)對于模型估算的準確性并沒有明顯提高，R2僅提高0.003。但是添加3種紋理特征進入模型，對模型的精度有所提高，這也進一步表明了耕作指數(shù)和紋理特征的組合是可以提高模型估算的準確性。

研究進一步嘗試利用TI和紋理特征組合方法進行MRC估算模型構(gòu)建。首先，選取4種TIs(NDTI、STI、NDI7、SRNDI)和3種紋理特征(B5mean、B2mean和B4entropy)指標進行組合，利用PLSR進行MRC估算模型構(gòu)建，組合模型的R2值為0.849(表4)。進而選取所有的TIs和8種紋理特征指標(B5mean、B2mean、B4entropy、B4second moment、B4contrast、B4dissimilarity、B5corrleation、B4variance)構(gòu)建模型，組合模型的R2值為0.847。研究發(fā)現(xiàn)，TIs和紋理特征的組合對于MRC估算模型的準確性并沒有提高反而呈現(xiàn)降低的趨勢。但是根據(jù)先前學者研究表明，TIs和紋理特征的組合可以顯著提高模型精度[14-15]。因此，研究對于紋理特征指標的添加和組合進行了重新的選擇，選擇的指標依據(jù)金秀良等人先前在秸稈紋理特征的研究中梳理出的相關(guān)性較高的紋理特征。進而選取4種TIs(NDTI、STI、NDI7、SRNDI)和3種紋理特征(B3mean、B4mean和B5mean)指標進行組合，模型的R2值為0.881；所有的TIs和8種紋理特征指標(B2mean、B3mean、B3homogeneity、B3dissimilarity、B3entropy、B3second moment、B3correlation、B6mean)構(gòu)建模型，模型的R2值為0.907。此時，TIs和紋理特征的組合可以提高模型精度。所以，使用組合方法的MRC估算精度高于單獨的TIs和紋理特征方法，組合方法可用于MRC估算研究。

表4 基于偏最小二乘回歸估算MRC三種方法的比較Table 4 Comparison of three methods for estimating MRC based on partial least squares regression

研究對耕作指數(shù)模型、紋理特征模型和基于兩種組合方法構(gòu)建的模型進行驗證，我們使用野外實測數(shù)據(jù)和模型反演的MRC進行對比分析。如圖3所示，除紋理特征驗證R2較低(R2=0.510 3)，其余三種模型R2均大于0.7以上，可以滿足研究的需求。

2.4 玉米秸稈覆蓋度(MRC)空間分布

利用基于所有TIs和8個紋理特征指標的組合方法估算MRC的空間分布，整個研究區(qū)的MRC范圍在8%～95%之間(圖4)。

圖4 松嫩平原MRC的空間分布Fig.4 Spatial distribution of MRC in the Songnen Plain

研究區(qū)內(nèi)MRC平均覆蓋度為45%，從行政區(qū)劃來看，MRC較高地區(qū)集中在長春市和綏化市。長春市的九臺市、榆樹市及德惠市MRC較高，平均覆蓋度分別為60.2%、52.4%、48.6%；綏化市的蘭西縣和肇東市MRC普遍較高，平均覆蓋度分別為60.4%、58.1%。其余區(qū)域為哈爾濱賓縣及四平市梨樹縣的MRC較周邊區(qū)域覆蓋度高。這主要是由于國家相關(guān)政策的實施，這些區(qū)域多為國家農(nóng)業(yè)部建設(shè)的保護性耕作技術(shù)的示范基地以及保護性耕作技術(shù)實施較為廣泛的區(qū)域[36]。部分地區(qū)由于保護性耕作部署方式不同，會在農(nóng)作物收獲之后進行秸稈深翻還田操作，在哈爾濱以北的區(qū)域在農(nóng)業(yè)生產(chǎn)中存在著收割后隨即進行秸稈深翻的農(nóng)業(yè)措施，這也可能是導致部分地區(qū)秸稈覆蓋度估算結(jié)果較低的原因[37,38]。

3 結(jié)論

NDTI、STI、NDI7、SRNDI與MRC相關(guān)性較好，其中NDTI、STI與MRC相關(guān)性最高，R2均為0.86。紋理特征B5mean與MRC之間的相關(guān)性最高(R2=0.384)?；诮M合方法的MRC估算模型精度最高，7種耕作指數(shù)+8種紋理特征的組合模型精度R2可以達到0.907。

不同的紋理特征組合方法對于模型估算的精度影響很大。第一組紋理特征(B5mean、B2mean和B4entropy)指標與4種指數(shù)進行組合時，組合模型的R2值為0.849，紋理特征的加入反而略微降低了模型的精度。第二組紋理特征(B3mean，B4mean和B5mean)指標進行組合，組合模型的R2值為0.881，3種紋理特征的加入提高了模型估算的精度。7種耕作指數(shù)+8種紋理特征的組合方法中，第一組紋理特征(B5mean、B2mean、B4entropy、B4second moment、B4contrast、B4dissimilarity、B5corrleation、B4variance)加入，模型的R2值為0.847。第二組紋理特征(B2mean,B3mean,B3homogeneity,B3dissimilarity,B3entropy,B3second moment,B3correlation,B6mean)組合構(gòu)建模型，模型的R2值為0.907。第二組選擇的紋理特征相較第一組而言為MRC估算提供了更多的有用信息。

基于TIs和紋理特征的MRC估算方法的準確較高，這為區(qū)域尺度的MRC估算提供了一種便捷有效的新方法。鑒于本研究僅是基于三景影像的光譜信息和紋理特征對該區(qū)域內(nèi)玉米秸稈覆蓋度進行估算，今后的研究中應(yīng)該獲取更多Landsat-8 OLI影像的光譜信息和紋理特征，并且對模型指標的選擇進行進一步研究，用以驗證本研究結(jié)果對不同作物和環(huán)境的適用性。