農(nóng)作物遙感識(shí)別與單產(chǎn)估算研究綜述

趙龍才 李粉玲 常慶瑞

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西楊凌 712100)

0 引言

糧食安全的首要關(guān)注點(diǎn)是糧食播種面積與產(chǎn)量。對(duì)農(nóng)作物生長狀態(tài)的實(shí)時(shí)動(dòng)態(tài)監(jiān)測與產(chǎn)量信息的快速準(zhǔn)確把握，不僅對(duì)于國家糧食安全相關(guān)政策決策的制定、市場價(jià)格宏觀調(diào)控、農(nóng)村經(jīng)濟(jì)發(fā)展、以及對(duì)外糧食貿(mào)易等具有重要價(jià)值，同時(shí)還對(duì)農(nóng)田生產(chǎn)的智能化管理、農(nóng)業(yè)保險(xiǎn)的精準(zhǔn)服務(wù)等具有現(xiàn)實(shí)意義。

遙感技術(shù)憑借其快速、宏觀、無損以及客觀等特點(diǎn)，在快速獲取與解析作物類型、種植面積、產(chǎn)量、長勢、災(zāi)害等信息方面具有獨(dú)特優(yōu)勢。農(nóng)作物遙感識(shí)別是實(shí)現(xiàn)農(nóng)田作物信息提取和解析的前提與基礎(chǔ)，在一定程度上決定和影響其它信息解析的可行性和準(zhǔn)確性，因此農(nóng)作物遙感識(shí)別的精度和效率是農(nóng)業(yè)遙感關(guān)注的核心問題之一。其次，基于遙感的作物單產(chǎn)估算已經(jīng)成為獲取大區(qū)域尺度糧食產(chǎn)量信息的重要方式，對(duì)分析國家糧食安全形勢等具有重要作用，也是農(nóng)業(yè)遙感的重要研究內(nèi)容之一。本文從農(nóng)作物遙感識(shí)別與農(nóng)作物單產(chǎn)估算兩方面進(jìn)行總結(jié)，系統(tǒng)分析發(fā)展現(xiàn)狀、存在的問題及未來發(fā)展方向。

1 農(nóng)作物遙感識(shí)別研究

農(nóng)作物遙感識(shí)別主要以監(jiān)督學(xué)習(xí)為主，其基本過程是以遙感影像所表達(dá)出的不同作物的特征分布模式為基礎(chǔ)，利用分類算法對(duì)特征分布模式進(jìn)行判別，從而實(shí)現(xiàn)作物類型識(shí)別(圖1)。因此，分類算法和遙感識(shí)別特征是農(nóng)作物遙感識(shí)別的兩個(gè)決定性組成部分。其中，識(shí)別特征是表達(dá)類別間差異的媒介，其決定了不同作物間的可分離性的理論上限，識(shí)別算法則是在最大程度上識(shí)別這種特征分布差異并逼近該理論上限。因此，對(duì)于農(nóng)作物遙感識(shí)別精度而言，識(shí)別特征相較于識(shí)別算法具有更重要的地位。本文分別從遙感識(shí)別特征與識(shí)別算法兩方面對(duì)農(nóng)作物遙感識(shí)別進(jìn)行總結(jié)。

圖1 農(nóng)作物遙感識(shí)別基本流程圖

1.1 作物遙感識(shí)別特征研究

1.1.1光譜特征研究

不同作物的植株形態(tài)、冠層結(jié)構(gòu)、生理生化特性等導(dǎo)致其在不同光譜波段上具有不同的光譜反射特性，從而使得光譜特征具備區(qū)分不同的農(nóng)作物的能力，也是農(nóng)作物遙感分類應(yīng)用最廣泛和最基本的識(shí)別特征。

(1)多光譜特征

利用多光譜特征進(jìn)行農(nóng)作遙感識(shí)別是農(nóng)業(yè)遙感領(lǐng)域的基礎(chǔ)應(yīng)用之一，基于光譜特征的植被類型自動(dòng)分類技術(shù)最早可以追溯到1970年。最初的基于多光譜特征的農(nóng)作物遙感分類以目視解譯為主，即解譯人員憑借影像上所表現(xiàn)出的亮度、色調(diào)、空間位置、幾何結(jié)構(gòu)與形狀，亮度明暗變化所形成的紋理等特征識(shí)別農(nóng)作物類別。從參與農(nóng)作物遙感識(shí)別的多光譜特征種類來看，多光譜特征的發(fā)展和應(yīng)用與多光譜衛(wèi)星傳感器的發(fā)展高度相關(guān)，最典型的特征組合是3個(gè)可見光波段(藍(lán)、綠、紅)與近紅外波段的組合；隨著多光譜傳感器加入紅邊波段、短波紅外波段，紅邊及短波紅外特征在農(nóng)業(yè)遙感監(jiān)測與識(shí)別中應(yīng)用越來越廣泛。基于光譜特征識(shí)別的作物類型基本涵蓋了所有主要糧食作物，例如小麥、水稻、玉米、大豆、棉花、甘蔗及其他經(jīng)濟(jì)作物[1-5]。

由于“同物異譜、異物同譜”現(xiàn)象的廣泛存在，直接使用多光譜特征進(jìn)行遙感識(shí)別的精度越來越不能滿足現(xiàn)實(shí)需要。在此背景下，大量由人工知識(shí)參與的遙感植被指數(shù)特征被設(shè)計(jì)出來，它們通常是基于兩個(gè)或兩個(gè)以上的原始光譜特征進(jìn)行特定的數(shù)學(xué)變換而得到。遙感植被指數(shù)通常綜合兩個(gè)及兩個(gè)以上的原始光譜特征，可以反映植被在某一方面的特性從而對(duì)農(nóng)作物遙感識(shí)別表現(xiàn)出更加重要的作用。例如歸一化植被指數(shù)(NDVI)和綠度植被指數(shù)(VI green)經(jīng)常被用于農(nóng)情遙感監(jiān)測，即監(jiān)測農(nóng)作物長勢和生長過程[6]；土壤調(diào)整型植被指數(shù)(SAVI)可以在緩解土壤背景影響的基礎(chǔ)上有效提高對(duì)不同作物的識(shí)別精度[7]。目前，常用的遙感植被指數(shù)已經(jīng)發(fā)展到了一百多種，是農(nóng)作物遙感識(shí)中多光譜特征的一個(gè)重要組成部分[8]。目前，農(nóng)作物遙感識(shí)別常用的多光譜數(shù)據(jù)源見表1[9-13]。

表1 農(nóng)作物遙感識(shí)別常用的多光譜遙感數(shù)據(jù)源

(2)微波散射特征

可見光至短波紅外范圍內(nèi)的光譜特征均是由傳感器被動(dòng)接收并記錄地表反射的電磁波能量，而該波長范圍的電磁波輻射傳輸過程極易受到大氣狀況影響，從而在一定程度上影響多光譜數(shù)據(jù)的可用性。合成孔徑雷達(dá)(SAR)以微波頻率發(fā)射和接收能量，由于其工作波段波長較長，不易受到大氣影響，從而具有了“全天時(shí)全天候”可用的特性。SAR傳感器記錄的后向散射電磁波能力很大程度上取決于目標(biāo)的幾何結(jié)構(gòu)和介電性能。不同作物具有的不同冠層結(jié)構(gòu)、植株形狀、土壤背景等均隨著作物的生長而變化，SAR數(shù)據(jù)對(duì)這些結(jié)構(gòu)差異及具有不同介電性能的土壤背景具有非常好的響應(yīng)[14],因此微波散射特征也被用于農(nóng)作物遙感識(shí)別[15],并有研究已經(jīng)證明微波散射特征對(duì)作物生物物理參數(shù)，如葉面積指數(shù)[16]、生物量[17]、冠層高度[18]等，具有良好的敏感性。盡管多光譜遙感特征已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)遙感領(lǐng)域，但SAR應(yīng)用研究的不斷發(fā)展以及不同頻率和極化條件下SAR數(shù)據(jù)的可用性提高了它在農(nóng)業(yè)遙感領(lǐng)域中的地位。目前，在農(nóng)作物遙感識(shí)別領(lǐng)域中，SAR數(shù)據(jù)多用于識(shí)別水稻，常用數(shù)據(jù)類型見表2。

表2 基于微波散射特征的作物識(shí)別

一般情況下，SAR數(shù)據(jù)在作物生長中后期的識(shí)別精度高于作物生長的前期，作物生長前期，冠層覆蓋度較低，雷達(dá)后向散射能量中有相當(dāng)一部分是背景土壤的貢獻(xiàn)。因此，利用SAR數(shù)據(jù)進(jìn)行早期作物類型識(shí)別存在一定困難。除此之外雷達(dá)數(shù)據(jù)受到噪聲的影響大，數(shù)據(jù)獲取成本較高，數(shù)據(jù)處理相對(duì)復(fù)雜，同時(shí)受極化方式的影響，微波遙感在識(shí)別農(nóng)作物方面依然存在著很大的潛能。

(3)高光譜數(shù)據(jù)特征

高光譜成像儀光譜波段非常窄，輻射分辨可以達(dá)到納米數(shù)量級(jí)，光譜通道數(shù)通常多達(dá)數(shù)十甚至數(shù)百個(gè)，而且各光譜通道間往往是連續(xù)的，成像光譜儀的波段范圍通常可以覆蓋紫外、可見光、近紅外和短波紅外(350～2 500 nm)。光譜分辨率的提高大幅增加了對(duì)地物的分辨識(shí)別能力。在農(nóng)業(yè)應(yīng)用方面，由于高光譜數(shù)據(jù)的電磁波波長范圍更廣，光譜分辨率很高，能探測到農(nóng)作物在光譜特征上的微小差異，從而被廣泛用于作物類型精確識(shí)別，葉片或者植株的生物物理及生物化學(xué)特性的探測，監(jiān)測作物脅迫、作物疾病等。在利用高光譜數(shù)據(jù)進(jìn)行作物識(shí)別方面，有研究基于SDA技術(shù)從高光譜數(shù)據(jù)選擇了最佳頻段區(qū)分觀賞植物、豆類和油菜作物，結(jié)果表明：在近紅外和中紅外波段，具有鑒別豆類作物的4個(gè)最佳波段，即750、800、940、960 nm；在油菜作物的區(qū)分過程中主要取決于550、690、740、770、980 nm；而在花朵的區(qū)分過程中420、470、480、570、730、740、940、950、970、1 030 nm波段表現(xiàn)出非常良好的區(qū)分性[24]。即使在作物種植情況比較復(fù)雜的條件下，高光譜數(shù)據(jù)對(duì)于區(qū)分作物類型同樣表現(xiàn)出良好的可用性[25]。除作物識(shí)別應(yīng)用外，有研究表明高光譜反射率數(shù)據(jù)在區(qū)分作物品種(基因型)方面同樣有良好表現(xiàn)，充分體現(xiàn)了高光譜特征的光譜分辨率的優(yōu)勢[26-27]。

高光譜數(shù)據(jù)雖然具有明顯的光譜優(yōu)勢，但是其缺點(diǎn)也較為突出。一方面，高光譜數(shù)據(jù)包含特征波段太多，各波段之間具有明顯相性，信息冗余現(xiàn)象較為嚴(yán)重，直接使用全部波段數(shù)據(jù)會(huì)導(dǎo)致模型分類精度出現(xiàn)“不升反降”的現(xiàn)象(特征維數(shù)災(zāi)難)。此外，由于不同作物之間光譜相似性更高，由此可能導(dǎo)致協(xié)方差矩陣的奇異性，嚴(yán)重影響農(nóng)作物分類識(shí)別的精度[28]。因此，高光譜數(shù)據(jù)降維方法研究成為必然，典型降維方法包括：主成分分析(PCA)、均勻特征設(shè)計(jì)(保留光譜形狀信息但減少特征維數(shù))、小波變換以及結(jié)合人工神經(jīng)網(wǎng)絡(luò)的特征選擇[29-30]。另一方面，高光譜數(shù)據(jù)在具有高輻射分辨率的同時(shí)，其空間分辨率往往較低，光譜遙感影像上混合像元問題較為突出，難以實(shí)現(xiàn)精細(xì)空間尺度的農(nóng)作物類型識(shí)別。以上兩點(diǎn)在一定程度上限制了高光譜數(shù)據(jù)在農(nóng)作物遙感識(shí)別中的廣泛應(yīng)用。

1.1.2空間紋理特征研究

隨著遙感數(shù)據(jù)空間分辨率不斷提高，地物幾何細(xì)節(jié)信息得到越來越充分的表達(dá)，不同地物之間的空間細(xì)節(jié)差異在影像上表現(xiàn)明顯。因此，利用高空間分辨率光學(xué)影像或SAR 影像(QuickBird、GeoEye、TerraSAR-X、RADARSAT-2 等)進(jìn)行農(nóng)作物遙感識(shí)別時(shí)，除了光譜特征及微波散射特征外，空間細(xì)節(jié)信息也是表達(dá)不同作物差異的重要特征源。因此，用于表達(dá)空間細(xì)節(jié)差異的空間紋理特征在遙感分類中發(fā)揮著越來越重要的作用。

目前，國內(nèi)外學(xué)者發(fā)展了多種紋理度量方法，可以總結(jié)為4類：基于統(tǒng)計(jì)方法的紋理特征、基于結(jié)構(gòu)方法的紋理特征、基于模型的紋理特征、基于數(shù)學(xué)變換的紋理特征[31-34]。其中，遙感應(yīng)用中最常用的是基于統(tǒng)計(jì)方法的灰度共生矩陣(Grey level co-occurrence matrix，GLCM)紋理特征和基于地統(tǒng)計(jì)學(xué)的特征紋理。

GLCM可以同時(shí)反映圖像的灰度分布特征和相同(相似)灰度像元的空間位置分布特性，是影像灰度變化的二階統(tǒng)計(jì)特征[35]。基于 GLCM 的紋理特征在遙感分類中被廣泛應(yīng)用[36-37]。例如，在分析不同紋理特征對(duì)遙感分類精度影響的研究中發(fā)現(xiàn)：紋理特征和光譜特征的結(jié)合可以提高分類精度，相比于僅使用原始光譜特征的分類結(jié)果，紋理特征的加入使分類精度提高9%～17%[38]。在基于高分辨率影像的植被類型分類研究中，紋理特征與原始光譜特征的結(jié)合使分類精度提升8%以上[39]。地統(tǒng)計(jì)學(xué)一般用于解釋空間相關(guān)性問題，常被用于空間數(shù)據(jù)插值、空間抽樣方法估計(jì)、空間預(yù)測模型構(gòu)建等。在遙感分類領(lǐng)域中也有越來越多的研究利用其作為一種紋理計(jì)算方法[40],并將其與原始光譜特征相結(jié)合來改善遙感分類精度。相關(guān)研究表明基于地統(tǒng)計(jì)學(xué)的紋理測量方法可以提供比基于GLCM 紋理更好的分類結(jié)果[41-42]。除上述兩種常用問題特征外，基于小波變化的紋理特征、Gabbor紋理特征進(jìn)行農(nóng)作物遙感分類識(shí)別，識(shí)別精度同樣得到提升[43-45]。

上述研究多數(shù)集中在將紋理特征和原始光譜特征結(jié)合使用，證明紋理特征的加入使分類精度提高，但有關(guān)紋理特征之間的相關(guān)性以及它們各自是如何影響分類結(jié)果的研究較少，即這些研究往往不能單獨(dú)表明具體紋理特征對(duì)遙感分類的精度及對(duì)分類精度的改善。由于高空間分辨率遙感數(shù)據(jù)通常包含較少光譜波段，其空間信息豐富度高于光譜信息豐富度，在地物幾何信息得到加強(qiáng)、“異物同譜”現(xiàn)象得到抑制的同時(shí)，“同物異譜”問題變得突出，即相同地物內(nèi)部差異變大。此外，高空間分辨率遙感影像易受陰影的影響，引起分類精度的降低。另外紋理特征隨著研究目標(biāo)和遙感影像而變化，紋理特征的提取方法、所使用的基礎(chǔ)波段、滑動(dòng)窗口尺寸等因素都將影響紋理特征的有效性，因此紋理特征很難標(biāo)準(zhǔn)化并提供穩(wěn)定的有效性。

1.1.3數(shù)據(jù)融合特征研究

綜合利用不同類型(平臺(tái))傳感器所獲取的數(shù)據(jù)是對(duì)利用單一數(shù)據(jù)源進(jìn)行農(nóng)作物遙感分類識(shí)別的一種補(bǔ)充。多源遙感數(shù)據(jù)融合可充分利用不同數(shù)據(jù)的優(yōu)點(diǎn)，達(dá)到提高分類識(shí)別精度的目的[46]。典型的多源遙感數(shù)據(jù)融合應(yīng)用包括光學(xué)數(shù)據(jù)與雷達(dá)數(shù)據(jù)融合、高空間分辨率數(shù)據(jù)與低空間分辨率數(shù)融合應(yīng)用[47-49]。有研究表明綜合利用雷達(dá)與光學(xué)數(shù)據(jù)對(duì)作物類型的識(shí)別精度遠(yuǎn)高于僅使用雷達(dá)數(shù)據(jù)或者僅使用光學(xué)數(shù)據(jù)[50]。融合使用多波段SAR數(shù)據(jù)的農(nóng)作物識(shí)別研究表明，利用 X 和 C 兩個(gè)波段的 SAR 數(shù)據(jù)進(jìn)行農(nóng)作物分類，取得優(yōu)于單波段SAR 數(shù)據(jù)的分類效果，整體精度提高約10%[51]。多極化SAR數(shù)據(jù)的融合使用同樣被證明可以有效提高農(nóng)作物遙感識(shí)別精度，例如綜合使用PalSAR的水平極化(HH)與交叉極化(HV)數(shù)據(jù)、ASAR的垂直極化數(shù)據(jù)(VV)、以及 TM 多光譜數(shù)據(jù)進(jìn)行農(nóng)作物精細(xì)分類的研究中，發(fā)現(xiàn)雙頻多極化SAR 數(shù)據(jù)對(duì)不同作物間潛在差異的表達(dá)能力較強(qiáng)，不同類型作物在該特征上的可分離性較高，有利于提高作物類型的整體識(shí)別精度[52]。眾多前人的研究結(jié)果都表明雷達(dá)數(shù)據(jù)融合多光譜數(shù)據(jù)在農(nóng)作物類型識(shí)別中具有較大的優(yōu)勢[53]。不同多光譜數(shù)據(jù)的融合使用，可以有效地緩解單一數(shù)據(jù)源可能面臨的關(guān)鍵時(shí)相數(shù)據(jù)缺失的情況，在提高數(shù)據(jù)可用性的同時(shí)，提高農(nóng)作物遙感識(shí)別精度。例如，Sentinel-2數(shù)據(jù)與Landsat 8數(shù)據(jù)具備良好的協(xié)同使用條件，同時(shí)在地塊尺度上的農(nóng)作物遙感識(shí)別應(yīng)用中取得了良好的精度，驗(yàn)證了不同多光譜遙感數(shù)據(jù)協(xié)同使用的優(yōu)勢[54-55]。

數(shù)據(jù)融合特征的優(yōu)勢在于可以綜合兩種及以上類型數(shù)據(jù)的優(yōu)勢，融合后的特征空間對(duì)不同作物間的潛在特征差異表達(dá)能力更強(qiáng)，有利于提高農(nóng)作物遙感識(shí)別精度；但同時(shí)不同遙感數(shù)據(jù)融合操作易受到數(shù)據(jù)融合方法、融合尺度等因素的影響，從而影響融合數(shù)據(jù)在實(shí)際應(yīng)用中的穩(wěn)定性。

1.1.4時(shí)相變化特征研究

農(nóng)作物生長是一個(gè)緩慢變化的動(dòng)態(tài)過程，其植株形態(tài)、冠層結(jié)構(gòu)、生理生化參數(shù)都隨著作物生長而緩慢變化，從而導(dǎo)致其冠層反射率隨作物生長過程而緩慢動(dòng)態(tài)變化(如NDVI時(shí)間序列曲線，圖2)。不同作物在其生長周期中會(huì)表現(xiàn)出不同的變化趨勢，而單一時(shí)相的數(shù)據(jù)只捕捉了地表物體在一瞬間的電磁波反射信息，受“同物異譜，異物同譜”現(xiàn)象影響，單一時(shí)相特征對(duì)地物的辨別能力有限，在某些情況下分類識(shí)別精度不高[56]。隨著在軌衛(wèi)星及傳感器數(shù)量的增加，對(duì)于地面同一位置的重復(fù)觀測頻率越來越高，因此如何利用時(shí)間序列遙感數(shù)據(jù)來表達(dá)作物生長過程中豐富的季節(jié)性變化特征并將其用于農(nóng)作物遙感識(shí)別，已經(jīng)成為一個(gè)研究熱點(diǎn)。

圖2 農(nóng)田NDVI時(shí)間序列(2000—2020年)

當(dāng)前，利用時(shí)相變化特征進(jìn)行農(nóng)作物遙感識(shí)別主要是基于植被指數(shù)時(shí)間序列數(shù)據(jù)。即利用不同時(shí)相的多光譜遙感數(shù)據(jù)計(jì)算植被指數(shù)，然后將植被指數(shù)序列作為分類算法的主要輸入來完成作物類型的識(shí)別[57-58]。這種直接使用植被指數(shù)時(shí)間序列的識(shí)別方法對(duì)于具有明顯的獨(dú)特時(shí)相特征的作物來說是簡單、有效的，例如利用時(shí)間序列數(shù)據(jù)進(jìn)行水稻的識(shí)別[59-61]。但是此類方法沒有考慮時(shí)間序列遙感數(shù)據(jù)中的相對(duì)位置(時(shí)間)關(guān)系，從而導(dǎo)致時(shí)間序列中包含的重要作物生長過程信息沒有被充分利用。為了充分利用植被指數(shù)時(shí)間序列信息、提高作物識(shí)別的精度，最直接的方法是從植被指數(shù)序列中提取時(shí)相或者物候特征。研究表明，相比于簡單直接利用植被指數(shù)時(shí)間序列數(shù)據(jù)，使用基于統(tǒng)計(jì)或閾值分割方法提取到的包括植被指數(shù)最大值、植被指數(shù)峰值時(shí)間點(diǎn)、植被變綠(作物返青)時(shí)間點(diǎn)等在內(nèi)的特征可以提高作物識(shí)別的精度[62-64]。其次，基于特定的數(shù)學(xué)變換、預(yù)定義的數(shù)學(xué)模型從時(shí)間序列數(shù)據(jù)中提取時(shí)相及物候特征的方法同樣被廣泛應(yīng)用于多時(shí)相數(shù)據(jù)的分類識(shí)別和作物物候研究。其代表性方法包括傅里葉變換[65-66]、小波變換[30,67]、SG濾波[68-69]、卡爾曼濾波[70]、線性回歸[71]、樣條擬合函數(shù)[72-73]、隱含馬爾科夫模型[74]以及多種人工定義的曲線形狀特征提取算法等[75-76]。眾多的研究結(jié)果已經(jīng)表明隨著參與作物分類識(shí)別的時(shí)相數(shù)量增加，識(shí)別精度總體上呈現(xiàn)上升趨勢，表明不同時(shí)相特征可以有效地表現(xiàn)出不同作物生長過程變化趨勢不一致的特點(diǎn)，有利于農(nóng)作物遙感識(shí)別[77-78]。因此，有許多研究使用了完整的時(shí)間序列進(jìn)行作物識(shí)別研究，期望用完整的時(shí)間序列數(shù)據(jù)來詳細(xì)描述作物生長過程，實(shí)現(xiàn)區(qū)分作物類型的目的[79-83]。但是，農(nóng)作物的生長周期較短，再考慮到云霧天氣影響和衛(wèi)星重訪周期等因素，獲取同一地區(qū)的2～3個(gè)關(guān)鍵時(shí)相的高質(zhì)量遙感數(shù)據(jù)存在一定困難，使得多時(shí)相遙感數(shù)據(jù)失去了提高農(nóng)作物遙感識(shí)別精度的優(yōu)勢[84]。盡管時(shí)間序列數(shù)據(jù)可以更加完善地表征不同作物的生長變化過程特征，但是構(gòu)建完整的時(shí)間序列數(shù)據(jù)通常需要相關(guān)重建方法[85-86],導(dǎo)致時(shí)間成本更高，時(shí)效性相對(duì)較低，即不能在作物生長的早期、中期及時(shí)地識(shí)別作物的類型[87-88]。此外，在地物變化不明顯的區(qū)域中，時(shí)間序列數(shù)據(jù)會(huì)存在冗余和高度相關(guān)的現(xiàn)象，這限制了時(shí)間序列數(shù)據(jù)的應(yīng)用[89-92]。

目前，在實(shí)際應(yīng)用中如何選擇最適合且最有效的時(shí)間序列特征提取方法依舊是技術(shù)難題，面臨的主要問題有：①人工設(shè)計(jì)模型或算法進(jìn)行時(shí)間序列特征提取高度依賴于專家經(jīng)驗(yàn)及先驗(yàn)知識(shí)。通用的特征提取方法對(duì)于一些特定目標(biāo)的識(shí)別效果一般或無效。②人工特征工程是非常耗時(shí)且低效的，通常需要人為干預(yù)來應(yīng)對(duì)變化的環(huán)境和天氣狀況，而且人類的知識(shí)很難同時(shí)考慮類內(nèi)相似性、類間差異性、大氣條件、輻射傳輸機(jī)制等多種復(fù)雜因素[93]。③固定的數(shù)學(xué)模型或相關(guān)假設(shè)在一定程度上限制了特征提取算法的靈活性和可行性[94]。

1.2 農(nóng)作物遙感識(shí)別算法

農(nóng)作物遙感識(shí)別的基本過程是根據(jù)遙感數(shù)據(jù)所表現(xiàn)出的特征差異進(jìn)行類別屬性信息的判斷與提取，其本質(zhì)是分類問題。在農(nóng)作物遙感識(shí)別領(lǐng)域中，分類算法的發(fā)展可以概括為3個(gè)階段(圖3)：早期的強(qiáng)學(xué)習(xí)方法；基于弱學(xué)習(xí)方式的集成學(xué)習(xí)方法；以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法。本文將早期的強(qiáng)學(xué)習(xí)方法與集成學(xué)習(xí)方法統(tǒng)一歸納為傳統(tǒng)機(jī)器學(xué)習(xí)方法，以便與當(dāng)前的研究熱點(diǎn)——深度學(xué)習(xí)方法形成對(duì)照。

圖3 農(nóng)作物遙感識(shí)別算法發(fā)展歷程

1.2.1基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的作物遙感識(shí)別

早期的強(qiáng)學(xué)習(xí)方式是基于概率統(tǒng)計(jì)方法構(gòu)建單一分類器完成分類任務(wù)的過程，典型算法包括最小距離法、最大似然法、決策樹方法、支持向量機(jī)等。最大似然法(Maximum likelihood)是最常使用的監(jiān)督分類方法之一，它假設(shè)數(shù)據(jù)近似服從正態(tài)分布，利用訓(xùn)練數(shù)據(jù)集求出均值、方差以及協(xié)方差等特征參數(shù)，從而建立各類別的先驗(yàn)概率密度函數(shù)，實(shí)現(xiàn)待分像元的歸屬概率計(jì)算從而完成分類。由于最大似然法簡單易實(shí)施，且將貝葉斯理論和先驗(yàn)知識(shí)融入分類過程，在農(nóng)作物遙感分類識(shí)別中應(yīng)用廣泛[95-96],且與其他傳統(tǒng)分類方法相比，最大似然法綜合表現(xiàn)最優(yōu)[97]。但是該方法適用于特征波段較少的多光譜數(shù)據(jù)，在高光譜圖像分類中的效果較差。決策樹(Decision tree)是一種歸納推理的分類方法，通過對(duì)遙感圖像光譜、顏色、空間等信息定義和不斷更新規(guī)則來完成不同層次節(jié)點(diǎn)劃分，直到節(jié)點(diǎn)不可再分為止。決策樹類算法采用分層分類的形式，易于理解，可操作性高，能夠處理多輸出問題，從而被廣泛應(yīng)用于農(nóng)作物遙感識(shí)別[98-101],但其缺點(diǎn)是泛化能力較差，在處理高維數(shù)據(jù)時(shí)表現(xiàn)不佳。支持向量機(jī)(SVM)以結(jié)構(gòu)風(fēng)險(xiǎn)理論、二次優(yōu)化理論、核空間理論為基礎(chǔ)，在高維特征空間中求解最優(yōu)分類超平面，從而解決復(fù)雜數(shù)據(jù)的分類及回歸問題。SVM在農(nóng)作物遙感分類中較為穩(wěn)定、分類精度較高，但其在解決多類目標(biāo)分類問題、特征空間維度較高時(shí)表現(xiàn)較差，且如何正確選擇核函數(shù)也沒有相關(guān)的理論依據(jù)[102-103]。

集成學(xué)習(xí)算法將一系列獨(dú)立或非獨(dú)立的弱學(xué)習(xí)器的結(jié)果按照一定策略進(jìn)行整合得到最終的結(jié)果，從而獲得優(yōu)于單個(gè)學(xué)習(xí)器的學(xué)習(xí)結(jié)果。其構(gòu)建過程包括：基礎(chǔ)分類器的生成和分類結(jié)果合并策略。其中，基礎(chǔ)分類器生成過程中最常用方法是基于不同訓(xùn)練數(shù)據(jù)集生成一系列同質(zhì)分類器，主要方法有 Bagging和Boosting。Bagging方法采用隨機(jī)有放回抽樣技術(shù)構(gòu)造不同訓(xùn)練數(shù)據(jù)集用于生成分類器；Boosting方法首先為不同的樣本賦予相同的權(quán)重，然后在訓(xùn)練過程中，降低正確分類樣本的權(quán)重，增加錯(cuò)分類樣本的權(quán)重，使得學(xué)習(xí)算法持續(xù)聚焦于錯(cuò)分樣本，最后通過加權(quán)組合方式獲得最終模型。集成學(xué)習(xí)的優(yōu)勢主要表現(xiàn)為：①統(tǒng)計(jì)學(xué)方面：多學(xué)習(xí)器可以獲得一個(gè)相對(duì)穩(wěn)定的假設(shè)空間，以減少泛化誤差。②計(jì)算復(fù)雜度方面：集成學(xué)習(xí)可以有效降低算法陷入局部最優(yōu)的可能性。③假設(shè)空間方面：多學(xué)習(xí)器可以讓假設(shè)空間有所擴(kuò)大，更有利于學(xué)到更好的近似。在農(nóng)作物遙感分類識(shí)別中，應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)方法是隨機(jī)森林[104-107]、Adaboost[108-109]、梯度提升樹[110-111]等。

雖然傳統(tǒng)機(jī)器學(xué)習(xí)方法能夠較好地完成不同地區(qū)不同作物的遙感識(shí)別，但在識(shí)別過程中主要使用淺層的直接觀測特征和人工設(shè)計(jì)特征，對(duì)遙感數(shù)據(jù)中的深層次特征以及不同類型特征的協(xié)同學(xué)習(xí)能力較差。

1.2.2基于深度學(xué)習(xí)的作物遙感識(shí)別

深度學(xué)習(xí)(Deep learning)作為機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)分支，其目標(biāo)在于建立模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，采用海量訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更有用的深層次特征，最終提升分類準(zhǔn)確性。深度神經(jīng)網(wǎng)絡(luò)模型具有大量的參數(shù)，一方面使得模型具有足夠的復(fù)雜性，另一方面使得模型具備從端到端的數(shù)據(jù)中學(xué)習(xí)特征的能力，替代了基于人類經(jīng)驗(yàn)和先驗(yàn)知識(shí)的手動(dòng)特征工程[112]。近年來，以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)在包括遙感在內(nèi)的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域中取得一系列突破性進(jìn)展，主要是得益于深度學(xué)習(xí)在特征表示方面的靈活性、不依賴于專家知識(shí)的端到端特征學(xué)習(xí)方式、自動(dòng)化以及計(jì)算效率[113-119]。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是最成功的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)之一。CNN的學(xué)習(xí)過程計(jì)算效率高，并且對(duì)圖像數(shù)據(jù)中空間關(guān)系敏感，使得CNN網(wǎng)絡(luò)成為識(shí)別圖像中2維(2D)特征模式的最有效模型[120]。在遙感領(lǐng)域中，2D CNN已被廣泛用于提取空間特征，從而實(shí)現(xiàn)基于高分辨率圖像的目標(biāo)檢測和語義分割[121-125]。CNN的另一個(gè)主要應(yīng)用是高光譜圖像分類，即分別利用1D、2D、3D CNN進(jìn)行光譜特征、空間特征、“空-譜”特征的提取[115,126-129]。在農(nóng)作物遙感分類應(yīng)用中，研究表明空間域中的2維卷積操作比光譜域中的1維卷積操作能取得更好的精度，將不同生長期的多光譜影像拼接起來，然后在光譜域中運(yùn)用1維卷積操作同樣可以提升地物分類的精度[130-131]。雖然卷積操作可以很好地在空間域、光譜域或同時(shí)在“空-譜”域中提取有效特征，但是CNN很少用于時(shí)間域特征的提取，即無法有效地提取時(shí)間序列遙感數(shù)據(jù)中的時(shí)間變化特征。

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是專門用于處理時(shí)間序列數(shù)據(jù)的另一類深度學(xué)習(xí)網(wǎng)絡(luò)模型[132-133],由于可以捕捉長序列數(shù)據(jù)中的前后依賴關(guān)系，已在眾多遙感應(yīng)用中取得了成功。例如，RNN已經(jīng)被成功用于多光譜數(shù)據(jù)中空譜相關(guān)性以及波段差異變換趨勢[115]；將CNN與RNN進(jìn)行結(jié)合進(jìn)行圖像分類，即使用CNN生成從淺到深的多級(jí)卷積特征圖，然后使用RNN作為解碼器遞歸收集多尺度特征圖并按順序聚合形成高分辨率語義分割圖像[134]。RNN網(wǎng)絡(luò)有許多改進(jìn)的模型用于提高學(xué)習(xí)效率，其中最著名的改進(jìn)網(wǎng)絡(luò)是長短期記憶網(wǎng)絡(luò)(LSTM)，主要是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題。相比于普通RNN，LSTM在基于長時(shí)間序列的變換檢測[135]、農(nóng)作物分類[82,136]等方面有更好的表現(xiàn)。此外，將CNN與LSTM相結(jié)合，一方面通過使用2D卷積操作提取影像中的空間特征信息，另一方面使用LSTM機(jī)制捕捉時(shí)間序列數(shù)據(jù)中的時(shí)間依賴關(guān)系，取得了比傳統(tǒng)方法更好的結(jié)果[137-138]。有研究對(duì)比分析了LSTM模型和傳統(tǒng)機(jī)器學(xué)習(xí)之間的表現(xiàn)，結(jié)果表明LSTM模型在提取時(shí)間序列特征方面全面占據(jù)優(yōu)勢地位。例如，LYU等[135]發(fā)現(xiàn)在多個(gè)實(shí)驗(yàn)中，LSTM的準(zhǔn)確率約95%，而支持向量機(jī)(SVM)和決策樹的準(zhǔn)確率分別約80%和約70%；MOU等[137]同樣進(jìn)行了一系列對(duì)比試驗(yàn)發(fā)現(xiàn)，將CNN和LSTM聯(lián)合使用，準(zhǔn)確率可以達(dá)到98%，精度優(yōu)于SVM(約95%)和決策樹(約85%)；RUβWURM等[139]通過構(gòu)建多時(shí)相的LSTM模型取得了90.6%的準(zhǔn)確度，略高于CNN(89.2%)，遠(yuǎn)高于SVM(40.9%)。

以長短時(shí)記憶網(wǎng)絡(luò)(LSTM)為代表的循環(huán)神經(jīng)網(wǎng)絡(luò)在處理時(shí)間序列遙感數(shù)據(jù)方面具有較大的優(yōu)勢，但是以門限機(jī)制為基礎(chǔ)的循環(huán)神經(jīng)網(wǎng)絡(luò)在處理長時(shí)間序列數(shù)據(jù)或長程依賴問題上容易出現(xiàn)梯度消失，無法捕捉長距離信息依賴的情況。為此，以自注意力機(jī)制為基礎(chǔ)的Transformer網(wǎng)絡(luò)應(yīng)運(yùn)而生。目前，Transformer模型及其變種已經(jīng)成為處理序列問題的主流方法，在基于時(shí)間序列遙感數(shù)據(jù)的農(nóng)作物分類識(shí)別領(lǐng)域取得了成功[140-142],成為當(dāng)前研究的熱點(diǎn)。

1.3 討論

目前，對(duì)于大區(qū)域尺度農(nóng)作物遙感識(shí)別存在的核心問題是：

(1)識(shí)別特征方面，當(dāng)前所使用的主要特征類型以淺層特征為主，且作物生長過程中的時(shí)間信息、空間紋理特征、光譜反射特征(“時(shí)-空-譜”特征)協(xié)同表達(dá)不夠充分，且具體作物類型與作物識(shí)別特征缺乏知識(shí)關(guān)聯(lián)，導(dǎo)致以監(jiān)督學(xué)習(xí)為主的農(nóng)作物類型識(shí)別高度依賴于當(dāng)季真實(shí)樣本，間接影響了農(nóng)作物遙感識(shí)別的時(shí)效性和大區(qū)域作物類型識(shí)別的可用性。

(2)在作物的識(shí)別特征與具體作物類型缺乏知識(shí)關(guān)聯(lián)的背景下，通過增加識(shí)別模型復(fù)雜度提升農(nóng)作物識(shí)別精度，一方面可以提升識(shí)別精度，另一方面模型訓(xùn)練所需的樣本量急劇增加，進(jìn)一步導(dǎo)致了識(shí)別過程對(duì)當(dāng)季已知樣本的依賴、識(shí)別結(jié)果滯后，制約農(nóng)作物遙感識(shí)別結(jié)果服務(wù)于現(xiàn)實(shí)應(yīng)用。

在此背景下，應(yīng)重點(diǎn)研究如何根據(jù)歷史的時(shí)間序列遙感數(shù)據(jù)及對(duì)應(yīng)樣本數(shù)據(jù)，提取面向具體作物的“時(shí)-空-譜”特征知識(shí)，形成面向作物類型識(shí)別的知識(shí)圖譜，實(shí)現(xiàn)從數(shù)據(jù)到知識(shí)的轉(zhuǎn)化。一方面擺脫識(shí)別過程對(duì)當(dāng)季真實(shí)樣本的依賴，另一方面提高識(shí)別精度與效率，提升農(nóng)作物遙感識(shí)別的現(xiàn)實(shí)服務(wù)價(jià)值。

2 作物遙感估產(chǎn)

農(nóng)作物產(chǎn)量的形成過程極為復(fù)雜，受到品種、氣候環(huán)境、土壤養(yǎng)分和田間管理措施等多種因素的綜合影響。作物遙感估產(chǎn)是農(nóng)業(yè)遙感的基礎(chǔ)應(yīng)用之一，其大致經(jīng)歷了經(jīng)驗(yàn)?zāi)Ｐ?、半?jīng)驗(yàn)?zāi)Ｐ?、物理估產(chǎn)模型3個(gè)階段。早期的經(jīng)驗(yàn)?zāi)Ｐ蜎]有充分考慮作物產(chǎn)量形成過程中的各種復(fù)雜因素，僅利用作物冠層光譜反射特征或氣象條件與地面實(shí)測產(chǎn)量數(shù)據(jù)進(jìn)行回歸建模，實(shí)現(xiàn)作物單產(chǎn)遙感反演。經(jīng)驗(yàn)?zāi)Ｐ腿鄙贆C(jī)理約束，時(shí)空泛化能力差，而作物生長模型則從機(jī)理上模擬了作物生長的全過程，機(jī)理性更強(qiáng)，但只能模擬點(diǎn)位尺度的情況。不同模型各具特點(diǎn)，在實(shí)際應(yīng)用時(shí)各有優(yōu)劣。

2.1 統(tǒng)計(jì)模型

基于統(tǒng)計(jì)方法的作物單產(chǎn)估算大體可以分為3類(圖4)，其中遙感指數(shù)模型和產(chǎn)量三要素模型的總體思路是直接建立遙感數(shù)據(jù)與作物實(shí)測產(chǎn)量或產(chǎn)量形成要素之間的關(guān)系模型進(jìn)而完成單產(chǎn)估算；農(nóng)業(yè)氣象模型則是通過評(píng)估農(nóng)業(yè)生產(chǎn)過程中的氣象因素影響，實(shí)現(xiàn)作物單產(chǎn)估算。

圖4 基于統(tǒng)計(jì)模型的單產(chǎn)估算方法

2.1.1遙感指數(shù)模型

農(nóng)作物冠層光譜反射特性與其地上部生物量/產(chǎn)量之間存在密切聯(lián)系，特別是紅色和近紅外波段由于包含超過90%的植被信息[143-144]而被用于監(jiān)測綠色植被、估算產(chǎn)量[145-146]。早期的作物單產(chǎn)估算統(tǒng)計(jì)模型是尋求建立單一遙感波段或多波段反射率數(shù)據(jù)與地面觀測產(chǎn)量數(shù)據(jù)之間的線性/非線性回歸模型，是一種比較簡單有效的作物單產(chǎn)統(tǒng)計(jì)估算方法。例如在利用Landast TM影像進(jìn)行水稻單產(chǎn)估算研究中發(fā)現(xiàn)，藍(lán)波段、近紅外、中外紅外波段的反射率與實(shí)際產(chǎn)量之間具有良好的相關(guān)性，可通過多元線性回歸模型較好地預(yù)測水稻產(chǎn)量[147]；在玉米、大豆估產(chǎn)研究中同樣發(fā)現(xiàn)各波段反射率數(shù)據(jù)與大豆和玉米作物產(chǎn)量之間具有良好的相關(guān)性，并據(jù)此建立了包括線性、對(duì)數(shù)、指數(shù)和冪模型[148]等在內(nèi)的經(jīng)驗(yàn)?zāi)Ｐ停〉昧溯^好的估產(chǎn)效果。

植被指數(shù)通常綜合了兩個(gè)及以上的原始波段信息和專家知識(shí)，被廣泛應(yīng)用于研究植被健康和作物生產(chǎn)力[149-152]。其中，歸一化差值植被指數(shù)(NDVI)[153]作為最常用的植被指數(shù)被大量單產(chǎn)估算研究采用。一種方式是選擇作物生長季內(nèi)最佳時(shí)期的NDVI(如作物生長最旺盛時(shí)期)與地面觀測產(chǎn)量數(shù)據(jù)進(jìn)行回歸建模，但選擇最佳時(shí)相與估產(chǎn)的生態(tài)區(qū)位、氣候條件、作物類型等多種因素有關(guān)，且無定律可循[154-155]。另一種方式是使用作物生長周期內(nèi)的NDVI時(shí)間序列數(shù)據(jù)進(jìn)行作物估產(chǎn)，例如建立NDVI時(shí)間序列積分與產(chǎn)量的線性關(guān)系或者從NDVI時(shí)間序列中提取作物活力值、生長峰值、生長率、衰老率、及曲線面積等更高級(jí)特征參數(shù)與產(chǎn)量進(jìn)行多元回歸建模來估算[156-158]。除了NDVI之外，不同傳感器數(shù)據(jù)、不同類型的植被指數(shù)被廣泛用于全球不同地區(qū)的作物單產(chǎn)估算，作物類型涵蓋了水稻、玉米、大豆等。同時(shí)，隨著估產(chǎn)模型中變量類型的增加，單產(chǎn)估算的精度在提高，且多時(shí)期復(fù)合模式估產(chǎn)精度要優(yōu)于單一生育期估產(chǎn)[159-161]。

單純基于原始遙感波段或植被指數(shù)建立經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行作物估產(chǎn)，在特定區(qū)域特定作物類型上能取得較好的估算精度，但是經(jīng)驗(yàn)統(tǒng)計(jì)模型缺乏機(jī)理約束，導(dǎo)致模型的時(shí)空泛化能力差。為此，有研究在回歸模型中加入獨(dú)立的氣象變量進(jìn)行條件約束，用于提高估產(chǎn)精度[162-163]。此類，條件約束變量既可以直接測量，也可以通過遙感反演，例如降雨量、ETa(實(shí)際蒸發(fā)蒸騰量)或土壤水分等農(nóng)業(yè)氣象參數(shù)。研究表明將降雨量、溫度數(shù)據(jù)與NDVI數(shù)據(jù)同時(shí)用于建立普通最小二乘回歸模型對(duì)小麥單產(chǎn)的早期預(yù)測精度較好，表明將降雨量和溫度因子納入作物單產(chǎn)估算模型對(duì)干旱少雨的地區(qū)更為重要[164]。引入額外生物氣候變量的谷物產(chǎn)量回歸模型比僅使用遙感指數(shù)的模型具有更高的相關(guān)性和預(yù)測能力[156]；將基于CWSB模型計(jì)算出的ETa和土地覆蓋加權(quán)NDVI(CNDVI)作為自變量與玉米產(chǎn)量進(jìn)行多元線性回歸來預(yù)測肯尼亞玉米產(chǎn)量，模型精度(R2)達(dá)到0.83[165]。但值得注意的是通過遙感反演得到的生物、氣候指標(biāo)并不獨(dú)立于遙感植被指數(shù)，因此，將他們和光譜參數(shù)協(xié)同建模時(shí)，應(yīng)考慮并糾正不同輸入變量的相關(guān)關(guān)系。

近10年，隨著傳感器的發(fā)展，紅邊植被指數(shù)、太陽誘導(dǎo)葉綠素?zé)晒?SIF)等新的波段或植被指數(shù)在遙感估產(chǎn)方面展現(xiàn)了巨大的潛力[166-167]。在單產(chǎn)估算建模方法方面，除了經(jīng)典(多元)線性回歸、偏最小二乘回歸(PLSR)或主成分回歸(PCR)等統(tǒng)計(jì)方法之外[168],模糊數(shù)學(xué)和機(jī)器學(xué)習(xí)算法也被用于估產(chǎn)模型構(gòu)建，例如隨機(jī)森林算法(RF)、自適應(yīng)神經(jīng)模糊系統(tǒng)(ANFIS)和深度學(xué)習(xí)[169-172]。

總體而言，基于經(jīng)驗(yàn)?zāi)Ｐ蛠砉浪阕魑锂a(chǎn)量的方式簡單、易實(shí)施，在特定區(qū)域針對(duì)特定作物的估產(chǎn)可以達(dá)到較高的精度。但經(jīng)驗(yàn)統(tǒng)計(jì)模型一方面缺乏理論機(jī)理支撐，另一方面受限于特定地理區(qū)域的環(huán)境特征、數(shù)據(jù)集，難以將已校準(zhǔn)的估產(chǎn)方法推廣到其他地區(qū)或其他尺度，模型的擴(kuò)展性與移植穩(wěn)定性差。此外，經(jīng)驗(yàn)?zāi)Ｐ蜆?gòu)建時(shí)需要大量地面真實(shí)產(chǎn)量數(shù)據(jù)作為支撐，對(duì)于大面積估產(chǎn)來說費(fèi)時(shí)費(fèi)力，經(jīng)濟(jì)性與時(shí)效性均不能滿足實(shí)際應(yīng)用的需求。

2.1.2農(nóng)業(yè)氣象模型

農(nóng)業(yè)氣象模型主要思想是將作物產(chǎn)量劃分為趨勢產(chǎn)量(潛在產(chǎn)量)、氣象脅迫產(chǎn)量(脅迫產(chǎn)量)與隨機(jī)產(chǎn)量3部分，故又稱潛在-脅迫模型。趨勢產(chǎn)量是由作物生理結(jié)構(gòu)、農(nóng)田管理措施等非環(huán)境因素所形成的產(chǎn)量，即作物在正常生長環(huán)境下的產(chǎn)量；氣象脅迫產(chǎn)量則是由于氣溫、降水、日照等氣象條件導(dǎo)致的產(chǎn)量波動(dòng)部分；隨機(jī)產(chǎn)量是由自然或者人為災(zāi)害導(dǎo)致的不確定部分，一般只能在模型外進(jìn)行處理。農(nóng)業(yè)氣象模型通過分離趨勢產(chǎn)量與氣象產(chǎn)量、外推趨勢產(chǎn)量、預(yù)測波動(dòng)產(chǎn)量、修正預(yù)測誤差等工作來進(jìn)行作物產(chǎn)量估算。

農(nóng)業(yè)氣象模型在我國應(yīng)用廣泛，中國科學(xué)院開發(fā)的全球農(nóng)情遙感速報(bào)系統(tǒng)(Cropwatch)中也運(yùn)用了農(nóng)業(yè)氣象模型進(jìn)行產(chǎn)量預(yù)測[173],實(shí)現(xiàn)了以作物產(chǎn)量預(yù)報(bào)業(yè)務(wù)系統(tǒng)為主體，農(nóng)業(yè)氣象情報(bào)和遙感應(yīng)用系統(tǒng)為輔助的作物產(chǎn)量預(yù)報(bào)綜合技術(shù)支持體系,對(duì)全球主要糧食產(chǎn)區(qū)進(jìn)行跟蹤監(jiān)測、評(píng)價(jià)和產(chǎn)量預(yù)測[174]。

2.1.3產(chǎn)量三要素模型

產(chǎn)量構(gòu)成三要素方法將作物產(chǎn)量表示為單位面積作物株數(shù)、每株平均粒數(shù)與籽粒質(zhì)量的乘積。在對(duì)產(chǎn)量三要素與作物光譜之間關(guān)系的研究中發(fā)現(xiàn)小麥的株數(shù)與植被綠度相關(guān)性非常高；穗粒數(shù)主要取決于環(huán)境因子, 特別是拔節(jié)至灌漿初期溫度因子; 籽粒質(zhì)量則主要取決于灌漿期的長短，可以使用綠度的變化速率來表征[175],而垂直植被指數(shù)(PVI)與單產(chǎn)三要素均具有較強(qiáng)的相關(guān)性[176-177]。利用遙感信息反演產(chǎn)量構(gòu)成三要素進(jìn)而估算作物單產(chǎn)，思路簡潔明確，在對(duì)冬小麥進(jìn)行估產(chǎn)時(shí)精度達(dá)到了95%以上[178]。但是，產(chǎn)量三要素模型的空間擴(kuò)展能力較弱且估產(chǎn)精度不穩(wěn)定，主要原因是產(chǎn)量三要素的遙感反演模型主要是經(jīng)驗(yàn)?zāi)Ｐ汀?/p>

總體而言，無論是遙感指數(shù)模型、農(nóng)業(yè)氣象模型還是產(chǎn)量三要素模型，其本質(zhì)均是通過大量地面實(shí)測的產(chǎn)量數(shù)據(jù)與相應(yīng)遙感數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析與建模，所建立的經(jīng)驗(yàn)?zāi)Ｐ驮谔囟臻g范圍內(nèi)對(duì)特定作物的單產(chǎn)可以進(jìn)行高精度估算，且模型運(yùn)算量小、計(jì)算簡單易實(shí)行，具有一定的實(shí)際應(yīng)用價(jià)值。但是經(jīng)驗(yàn)?zāi)Ｐ鸵环矫嫒狈C(jī)理約束，另一方面高度受限于氣候條件的制約，在具有不同氣候條件的其他地理區(qū)域，模型穩(wěn)定性與空間外推能力差。

2.2 凈初級(jí)生產(chǎn)力模型

作物最終產(chǎn)量的形成是植株光合作用積累干物質(zhì)以及干物質(zhì)在不同器官分配的結(jié)果，因此可以通過計(jì)算植被凈初級(jí)生產(chǎn)力(NPP)并結(jié)合收獲系數(shù)估算作物產(chǎn)量，基于該原理的作物單產(chǎn)估算模型統(tǒng)稱為NPP模型。NPP模型分為統(tǒng)計(jì)模型、過程模型、參數(shù)模型3種[179]。其中，統(tǒng)計(jì)模型是根據(jù)光譜指數(shù)與作物地上部分干物質(zhì)量之間的相關(guān)關(guān)系而建立的估算模型，對(duì)遙感數(shù)據(jù)及實(shí)測數(shù)據(jù)要求較高。過程模型理論嚴(yán)謹(jǐn)、精度高，如BEPS模型[180]等。雖然過程模型具有一定的物理意義和理論基礎(chǔ)，但是所需參數(shù)種類及數(shù)量較多，數(shù)據(jù)處理過程復(fù)雜，且往往難以直接觀測。參數(shù)模型又稱遙感光合模型，是對(duì)過程模型的簡化。其基本思路是：首先計(jì)算植被光合有效輻射吸收比例(FAPAR)，即植被吸收的光合有效輻射(APAR)與地球表面的瞬時(shí)光合有效輻射(PAR)之比；其次，植被光合有效輻射乘以光能利用率得到NPP；最后，將作物整個(gè)生長季的NPP進(jìn)行累加，然后乘以收獲指數(shù)(HI)得到作物最終產(chǎn)量(Y)[181]。其中FAPAR與LAI、植被冠層反射率以及NDVI密切相關(guān)。研究表明FAPAR與LAI呈指數(shù)關(guān)系、與NDVI呈現(xiàn)出良好的線性關(guān)系，據(jù)此可以對(duì)FAPAR進(jìn)行遙感反演[182]。PAR為入射輻射總量，常用日照百分率結(jié)合經(jīng)驗(yàn)公式計(jì)算得到。εb是指單位面積的土地上植被通過光合作用產(chǎn)生的有機(jī)物所包含的能量占對(duì)應(yīng)土地上所接受的太陽能的比例。在理想狀態(tài)下，植被所吸收的光合有效輻射轉(zhuǎn)化為有機(jī)物的效率存在理論最高值，即存在最大光能利用率εmax，其主要利用通量觀測數(shù)據(jù)計(jì)算或者根據(jù)先驗(yàn)知識(shí)得到[183],每一種植被類型的最大光能利用率是恒定的。然而真實(shí)情況下，作物受各種外界因素(水分因素、溫度因素等)脅迫，實(shí)際光能利用率會(huì)產(chǎn)生波動(dòng)變化，其實(shí)際值的確定通常需要對(duì)作物生長環(huán)境脅迫因子(如溫度、降水)進(jìn)行綜合考慮。遙感光合模型具有生態(tài)物理學(xué)基礎(chǔ)，所需參數(shù)較少，估算結(jié)果精度較高，在實(shí)際生產(chǎn)中得到了廣泛的應(yīng)用，代表性模型有CASA、GLO-PEM、C-FIX模型等[184]。基于遙感光合模型的單產(chǎn)估算模型在區(qū)域尺度上對(duì)玉米、小麥等主要糧食作物的估產(chǎn)中取得良好的效果[185-186],憑借較好的時(shí)間及空間泛化能力，NPP模型也被成功應(yīng)用于農(nóng)田生產(chǎn)力時(shí)空變化格局分析[187]。

雖然利用遙感光合模型進(jìn)行農(nóng)作物估產(chǎn)的應(yīng)用越來越多，但是相比于農(nóng)作物估產(chǎn)，遙感光合模型在計(jì)算草地和森林生物量時(shí)具有更好的精度，可能原因是遙感光合模型未能考慮人為管理因素對(duì)農(nóng)作物產(chǎn)量的影響。相比于統(tǒng)計(jì)模型，遙感光合模型有一定生物物理基礎(chǔ)，模型時(shí)空泛化能力強(qiáng)。但利用該模型進(jìn)行作物單產(chǎn)估算時(shí)需要輸入作物生長周期內(nèi)完整的長時(shí)間序列遙感數(shù)據(jù)，且不同區(qū)域不同作物的真實(shí)光能利用率以及收獲指數(shù)的精確估算還需進(jìn)一步深入研究，這在一定程度上影響了此類模型的實(shí)際應(yīng)用。

2.3 作物生長模型

自荷蘭瓦赫寧根大學(xué)DE WIT于1965年率先提出作物生長模擬理論以來[188],全世界多個(gè)研究組開始從事作物生長模擬模型的研究，建立了各種作物的生長模擬模型。隨著計(jì)算機(jī)科學(xué)技術(shù)以及作物生長理論的研究深入，作物生長模型的研究也取得了巨大的進(jìn)展，成長為一門成熟的科學(xué)[189]。目前，典型作物生長模型有：美國的DSSAT(Decision support system of agricultural technology transfer)[190],包括針對(duì)42種以上作物的模擬模型(自4.7版起)以及輔助工具，其中CERES-Maize和CERES-Wheat模型是作物模型發(fā)展的典型代表；澳大利亞的APSIM(Agricultural Production Systems sIMulator)系統(tǒng)[191]；荷蘭的WOFOST(World food studies)模型[192]等。

作物生長模型通過初始化模型參數(shù)信息(作物參數(shù)、土壤參數(shù)等)模擬作物一定時(shí)間步長內(nèi)(每日、每旬、每月等)對(duì)驅(qū)動(dòng)變量(氣象參數(shù)、田間管理等)的響應(yīng)從而更新模型狀態(tài)變量(發(fā)育階段、各器官干重、葉面積指數(shù)等)，再現(xiàn)農(nóng)作物生長發(fā)育及產(chǎn)量形成過程。作物生長模型的優(yōu)勢主要體現(xiàn)在以下方面：①模型按照固定時(shí)間步長對(duì)輸入數(shù)據(jù)進(jìn)行反映并更新狀態(tài)變量，是動(dòng)態(tài)連續(xù)的。②模型允許對(duì)不同區(qū)域、不同作物、不同生長情況進(jìn)行模擬，機(jī)理性強(qiáng)，易于空間外推。③模型是多功能模塊的集成系統(tǒng)，綜合性強(qiáng)，可以進(jìn)行不同應(yīng)用的定量分析，如氣候效應(yīng)對(duì)農(nóng)作物影響的定量研究、土壤水肥模擬、生產(chǎn)力預(yù)測預(yù)警、農(nóng)業(yè)生態(tài)評(píng)估等。

作物生長模型可以定量描述作物生長發(fā)育和產(chǎn)量形成過程及其與氣候因子、土壤環(huán)境、品種類型和技術(shù)措施之間的關(guān)系，為不同條件下作物生長發(fā)育及產(chǎn)量預(yù)測、栽培管理、環(huán)境評(píng)價(jià)以及未來氣候變化評(píng)估等提供了定量化工具。但是，作物生長模型是對(duì)點(diǎn)位尺度的模擬，在區(qū)域尺度應(yīng)用時(shí)，由于空間尺度增大而出現(xiàn)的地表、近地表環(huán)境非均勻性問題，導(dǎo)致模型中一些宏觀資料的獲取和參數(shù)的空間化方面存在困難，從而使得作物生長模型模擬結(jié)果存在較大不確定性。遙感信息則憑借其宏觀、快速、連續(xù)的觀測特點(diǎn)可以在很大程度上彌補(bǔ)作物生長模型的不足，因此，作物生長模型與遙感數(shù)據(jù)的結(jié)合應(yīng)運(yùn)而生，具體結(jié)合方式見表3。

表3 遙感數(shù)據(jù)與作物生長模型的結(jié)合方式

數(shù)據(jù)同化指在考慮數(shù)據(jù)的時(shí)空分布和觀測場、背景場誤差的前提下，在模型的動(dòng)態(tài)運(yùn)行過程中融合新觀測數(shù)據(jù)的方法。其主要目標(biāo)是利用多源觀測數(shù)據(jù)不斷校正與優(yōu)化模型的模擬過程，使得模型的估算更加符合客觀生物物理化學(xué)狀態(tài)，進(jìn)而改善模擬的估計(jì)精度，提高模型的預(yù)測能力。遙感耦合作物生長模型進(jìn)行數(shù)據(jù)同化的方法主要包括連續(xù)數(shù)據(jù)同化和順序數(shù)據(jù)同化，具體見表4。

表4 遙感數(shù)據(jù)與作物生長模型同化方法

早期的遙感數(shù)據(jù)與作物生長模型的同化主要基于優(yōu)化算法。對(duì)冬小麥單產(chǎn)估算的研究表明，將不同遙感數(shù)據(jù)源反演得到的LAI分別與CERES-Wheat、EPIC等作物生長模型進(jìn)行同化，均取得了良好的精度[194-195]。LAUNAY等[196]將甜菜模型SUCROS與SAIL耦合，然后把SPOT影像數(shù)據(jù)和航空攝影數(shù)據(jù)同化到耦合后的模型中，通過調(diào)整模型中的部分敏感性參數(shù)，提高了產(chǎn)量預(yù)測的精度，均方根誤差由原來的20%下降到10%?；趦?yōu)化算法的同化方案在實(shí)際應(yīng)用易于實(shí)現(xiàn)，但需要極大的計(jì)算量，效率較低?；谧兎址ê蜑V波算法的同化方法則具有更高的效率，在近幾年得到更多研究。例如在冬小麥的單產(chǎn)估算中，利用集合卡爾曼濾波算法(EnKF)將MODIS數(shù)據(jù)反演LAI和ET與SWAP模型進(jìn)行同化，顯著提高了小麥單產(chǎn)的預(yù)測精度[197]。黃健熙等[198]首先基于S-G濾波算法重構(gòu)MODIS LAI時(shí)間序列；其次，通過構(gòu)建地面觀測LAI與3個(gè)關(guān)鍵物候期Landsat TM植被指數(shù)構(gòu)建回歸統(tǒng)計(jì)模型計(jì)算得到區(qū)域尺度的TM LAI數(shù)據(jù)；然后融合上述兩種不同空間尺度的LAI數(shù)據(jù)生成尺度轉(zhuǎn)換LAI。最終利用EnKF算法將這3種不同時(shí)空分辨率的LAI數(shù)據(jù)同化到PyWOFOST模型中，研究結(jié)果表明同化尺度轉(zhuǎn)換LAI獲得最高的同化精度，潛在模式下的模擬產(chǎn)量均方根誤差由602 kg/hm2下降到478 kg/hm2，證明了遙感數(shù)據(jù)與作物模型的EnKF同化方法在區(qū)域作物產(chǎn)量估算中的有效性。王鵬新等[199]將遙感反演的條件植被溫度指數(shù)VTCI與CERES-Wheat模型模擬的土壤淺層含水率相結(jié)合，運(yùn)用四維變分同化算法(4D-VAR)實(shí)現(xiàn)冬小麥主要生育期旬尺度VTCI的同化，運(yùn)用多種決策分析方法分別建立了同化前后的VTCI單產(chǎn)估測模型，結(jié)果同樣表明應(yīng)用同化后的VTCI構(gòu)建的估測模型精度明顯提高。

基于作物生理學(xué)建模的定量遙感估產(chǎn)方式是目前的研究熱點(diǎn)。將遙感數(shù)據(jù)與作物生長模型相結(jié)合進(jìn)行作物單產(chǎn)估算是理論性更完備的方式之一，因?yàn)檫b感能夠?qū)ψ魑锷L狀況進(jìn)行概括性量化，而作物生長模型能夠描述整個(gè)生長季作物的生長過程。隨著作物生長模型的不斷完善，其模擬精度不斷提高，但是所需參數(shù)多難以準(zhǔn)確獲取，此外作物生長模型需要輸入整個(gè)生長期的驅(qū)動(dòng)數(shù)據(jù)，無法進(jìn)行產(chǎn)量的提前預(yù)測。因此，如何更進(jìn)一步充分發(fā)揮遙感與作物生長模型的各自優(yōu)勢，提高對(duì)作物產(chǎn)量的估算精度和估算的時(shí)效性還有待深入研究。

2.4 問題與展望

總體來看，當(dāng)前的農(nóng)作物單產(chǎn)遙感估算模型也是形式繁多，在推廣應(yīng)用中明顯存在泛化能力不足、監(jiān)測時(shí)效滯后、單產(chǎn)制圖不夠精細(xì)等問題，難以滿足當(dāng)前智慧農(nóng)業(yè)對(duì)于農(nóng)作物單產(chǎn)估算時(shí)效性和空間精細(xì)程度的要求。

隨著高分辨率、高光譜分辨率、高時(shí)間分辨率遙感數(shù)據(jù)的增加，以及深度學(xué)習(xí)等技術(shù)的發(fā)展[200]，研究如何耦合深度學(xué)習(xí)與作物生長模型，構(gòu)建針對(duì)大區(qū)域范圍的可擴(kuò)展和高效移植的精細(xì)尺度農(nóng)作物單產(chǎn)遙感動(dòng)態(tài)估算模型是潛在的研究方向之一。充分利用作物生長模型模擬不同點(diǎn)位尺度、不同生境情況下的作物生長情況，捕捉作物生長規(guī)律，充分利用深度學(xué)習(xí)方法對(duì)復(fù)雜情況的學(xué)習(xí)與建模能力，完成空間外推，實(shí)現(xiàn)用機(jī)理做約束，用深度學(xué)習(xí)做外推。

3 結(jié)束語

作物類型遙感識(shí)別與產(chǎn)量估算是農(nóng)業(yè)遙感領(lǐng)域中的基礎(chǔ)應(yīng)用。當(dāng)前農(nóng)作物遙感識(shí)別特征與具體作物類型缺乏知識(shí)關(guān)聯(lián)，導(dǎo)致識(shí)別過程過度依賴于當(dāng)季樣本、識(shí)別結(jié)果滯后的問題；單產(chǎn)估算模型則面臨著估算精度較低、時(shí)空泛化能力較弱的問題。隨著更高空間分辨率、更高光譜分辨率、更短重訪周期數(shù)據(jù)的普及，以及深度學(xué)習(xí)技術(shù)的發(fā)展，同步學(xué)習(xí)農(nóng)作物生長過程中的“時(shí)-空-譜”特征知識(shí)，并基于與特征知識(shí)構(gòu)建面向作物識(shí)別的知識(shí)圖譜，實(shí)現(xiàn)從數(shù)據(jù)到知識(shí)轉(zhuǎn)變，從而提高農(nóng)作物遙感識(shí)別的精度和時(shí)效性。農(nóng)作物單產(chǎn)遙感估算的潛在重點(diǎn)是深度協(xié)同作物生長模型和深度學(xué)習(xí)，以作物生長模型模擬的不同生境下作物生長狀況為基礎(chǔ)，驅(qū)動(dòng)深度學(xué)習(xí)模型完成復(fù)雜種植結(jié)構(gòu)、復(fù)雜生長環(huán)境下的建模學(xué)習(xí)，最終實(shí)現(xiàn)用機(jī)理做約束，用深度學(xué)習(xí)進(jìn)行空間外推的作物單產(chǎn)估算模式。