遙感監(jiān)測技術(shù)在薯類作物上的應(yīng)用研究進(jìn)展

張巧鳳,王 維,蘇 涵,侯 會,董 韋,耿曉月,徐 振

(江蘇徐淮地區(qū)徐州農(nóng)業(yè)科學(xué)研究所,江蘇徐州 221131)

薯類作物又稱為根莖類作物,主要包括馬鈴薯、甘薯和木薯等以塊根塊莖為主要糧食、飼料及工業(yè)加工材料來源的作物[1]。2020年我國薯類作物種植面積達(dá)720萬hm2,是我國糧食安全的重要保障(國家統(tǒng)計局資料)。薯類作物共有的特性為耐脊、耐旱、適應(yīng)力廣,為高產(chǎn)救荒類作物,且都以無性繁殖為主。因此,充分開發(fā)和利用我國豐富的薯類作物資源,發(fā)揮我國薯類作物資源的比較優(yōu)勢,促進(jìn)薯類作物產(chǎn)業(yè)的進(jìn)一步發(fā)展,對于促進(jìn)經(jīng)濟(jì)社會進(jìn)步、改善人民消費(fèi)水平和保障國家糧食安全具有戰(zhàn)略性意義。隨著農(nóng)業(yè)集約化、規(guī)?；?、機(jī)械化以及信息化的快速發(fā)展,薯類作物產(chǎn)業(yè)得到進(jìn)一步的發(fā)展,然而對區(qū)域性或全國尺度的薯類作物面積及產(chǎn)量數(shù)據(jù)僅僅依靠統(tǒng)計方式獲取,時效性和準(zhǔn)確度不夠;在薯類作物病害防治環(huán)節(jié),部分病害防治困難,如馬鈴薯晚疫病和早疫病、甘薯根腐病和軟腐病等;對薯類作物種植空間結(jié)構(gòu)信息研究的分析不足,政策實(shí)施空間精準(zhǔn)化程度不夠;對區(qū)域性或全國尺度薯類作物的長勢及產(chǎn)量定量化、空間化模擬研究較缺乏,不能為薯類作物種植布局結(jié)構(gòu)的優(yōu)化提供相應(yīng)的技術(shù)支撐。

遙感是一門從遠(yuǎn)處獲取和分析物體或現(xiàn)象的信息科學(xué),衛(wèi)星或者無人機(jī)等遙感平臺搭載的傳感器可以獲取可見光,近、中、遠(yuǎn)紅外(熱輻射),微波和長波無線電等各種電磁輻射,具有快速、無接觸、無損、覆蓋面積大的特點(diǎn),廣泛應(yīng)用于資源普查、災(zāi)害和環(huán)境監(jiān)測等領(lǐng)域[2]。近年來,遙感技術(shù)在作物監(jiān)測方面開展了大量的研究,并取得了顯著進(jìn)展。遙感監(jiān)測技術(shù)在農(nóng)業(yè)上的應(yīng)用主要包括葉片和植株化學(xué)成分分析、作物生育期監(jiān)測、土壤鹽漬化的監(jiān)測和制圖、病蟲害預(yù)測、雜草監(jiān)測等。隨著遙感技術(shù)的飛速發(fā)展,尤其是便攜式多光譜傳感器、高光譜傳感器和合成孔徑雷達(dá)等的發(fā)展極大地提高了作物長勢監(jiān)測的效率和精度[3-4]。已有國內(nèi)外學(xué)者開始關(guān)注薯類作物在遙感監(jiān)測方面的研究,而針對薯類作物遙感監(jiān)測的綜述研究較少,因此該研究主要針對應(yīng)用遙感對薯類作物的研究進(jìn)行了系統(tǒng)性分析,歸納總結(jié)遙感技術(shù)的特點(diǎn)、遙感平臺的種類和遙感監(jiān)測方法,分析遙感技術(shù)在薯類作物種植面積提取、病害監(jiān)測、長勢監(jiān)測和預(yù)估產(chǎn)量的應(yīng)用及相關(guān)研究進(jìn)展,探討了遙感技術(shù)在薯類作物生長信息監(jiān)測的不足,對促進(jìn)我國遙感在薯類作物生產(chǎn)中的應(yīng)用具有重要意義。

1 遙感平臺的主要分類和監(jiān)測方法

1.1 遙感平臺的主要分類目前,遙感平臺主要包括地面平臺、低空無人機(jī)平臺和衛(wèi)星遙感平臺(圖1)。地面平臺屬于局部小尺度,光譜分辨率高、準(zhǔn)確性高,但是需要耗費(fèi)大量的人力物力,操作較煩瑣;低空無人機(jī)平臺可以監(jiān)測田塊尺度的作物,空間和時間分辨率高,但是續(xù)航能力有限,適用于中尺度的研究;衛(wèi)星遙感平臺可以對作物進(jìn)行區(qū)域性、連續(xù)性的同步觀測,但是易受云層遮擋,時間和空間分辨率難以兩全[8-12]。根據(jù)其監(jiān)測尺度和主要特性來選擇合適的遙感平臺對薯類作物進(jìn)行監(jiān)測。搭載在遙感平臺的傳感器主要有非成像光譜儀和成像光譜儀兩種。非成像光譜儀主要有高光譜儀(如FieldSpec Pro FR2500 型高光譜輻射儀)、多光譜儀(如MSR-16型多光譜儀)、主動光譜儀(如GreenSeeker RT主動光譜儀)等[12-14]。非成像高光譜儀的數(shù)據(jù)可以獲得作物冠層或葉片尺度上的大量光譜信息,依據(jù)光譜特性,揭示作物生理參數(shù)變化,為實(shí)時快速無損的獲取作物生理參數(shù)提供豐富的信息來源。成像光譜儀又分為高光譜成像儀(如GF-5搭載的全譜段光譜成像儀)、多光譜成像儀(如MSS多光譜掃描儀、OLI陸地成像儀)、雷達(dá)(如SAR合成孔徑雷達(dá))、熱紅外成像儀(如TIRS)等[15-17]。成像光譜儀可以同時獲得被檢測目標(biāo)的光譜和影像信息,實(shí)現(xiàn)了“圖譜合一”,不僅能夠提供目標(biāo)地物的光譜信息,還能獲得一定范圍的目標(biāo)地物影像,對其影像信息進(jìn)行分析處理,用于植物生理參數(shù)監(jiān)測等。

注:a.地面平臺[5],b.無人機(jī)平臺[6],c.衛(wèi)星遙感平臺[7]。Note:a.Ground-based platforms[5],b.UAV platforms[6],c.Satellite remote sensing platforms [7].圖1 不同遙感平臺示例Fig.1 Examples of different remote sensing platforms

1.2 遙感監(jiān)測的主要方法應(yīng)用遙感影像對薯類作物進(jìn)行監(jiān)測,目前常用的是高光譜儀、無人機(jī)影像、Landsat衛(wèi)星影像、Sentinel-2衛(wèi)星影像、GF-1號衛(wèi)星影像等。自2000年以來,由于在軌衛(wèi)星數(shù)量的不斷增加,無人機(jī)行業(yè)的快速發(fā)展,地球觀測的數(shù)據(jù)量呈指數(shù)型增長。遙感監(jiān)測主要通過葉面積指數(shù)、生物量、氮素營養(yǎng)參數(shù)等體現(xiàn)作物生長狀態(tài)的指標(biāo)對作物進(jìn)行研究[3,16-18]。遙感反演法是通過建立作物氮素營養(yǎng)參數(shù)與光譜數(shù)據(jù)、植被指數(shù)之間的統(tǒng)計關(guān)系,從而構(gòu)造氮素營養(yǎng)參數(shù)估算模型。該方法方便快捷,不需要考慮復(fù)雜的生理生化機(jī)理,所需參數(shù)少,模型精度高,廣泛應(yīng)用于農(nóng)業(yè)遙感領(lǐng)域[19-20]。

利用遙感技術(shù)監(jiān)測作物生長狀態(tài)主要分“數(shù)據(jù)轉(zhuǎn)換”和“建模算法”兩個內(nèi)容。數(shù)據(jù)轉(zhuǎn)換是為了放大與研究目標(biāo)地物有關(guān)的光譜信息,如植被指數(shù)。在遙感中應(yīng)用的最基本的轉(zhuǎn)換是將傳感器獲得的數(shù)字量化值通過大氣校正和輻射定標(biāo),轉(zhuǎn)換為地表反射率,以增加在多種條件下測量的數(shù)字量化值與感興趣的系統(tǒng)屬性之間的相關(guān)性,即輻射校正[21-22]。在這種反射率的轉(zhuǎn)換之后,再通過如光譜角、坐標(biāo)轉(zhuǎn)換、主成分分析等方法來放大光譜信息。建模算法是指將生化參數(shù)與光譜信息的變化之間的關(guān)系看成一個模型。線性模型、多元回歸模型、主成分分析等是以前常用的經(jīng)典算法。如今出現(xiàn)了向新技術(shù)發(fā)展的趨勢,即機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)涉及從機(jī)器可讀數(shù)據(jù)中學(xué)習(xí)的算法設(shè)計,是各種算法(如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、自組織圖、決策樹、隨機(jī)森林、遺傳編程等)的集合,可以提供多變量、非線性、非參數(shù)的回歸或分類[23]。機(jī)器學(xué)習(xí)算法與大數(shù)據(jù)技術(shù)和高性能計算一起出現(xiàn),與遙感數(shù)據(jù)的結(jié)合是對作物的時空變化進(jìn)行常規(guī)評估,在產(chǎn)生非常準(zhǔn)確的結(jié)果的同時具有很高的成本效益。

2 遙感技術(shù)在薯類作物生長監(jiān)測中的應(yīng)用與研究進(jìn)展

2.1 薯類作物種植面積提取及時有效地監(jiān)測薯類作物的種植面積和空間分布情況是科學(xué)管理田間種植、監(jiān)測作物長勢、宏觀掌握糧食生產(chǎn)情況、預(yù)防和評估災(zāi)情、預(yù)測產(chǎn)量等工作的基礎(chǔ)和依據(jù)。傳統(tǒng)的農(nóng)作物種植面積統(tǒng)計方法大多是實(shí)地調(diào)查,主觀性強(qiáng),持續(xù)時間長,耗費(fèi)極大的人力、物力和財力。遙感技術(shù)具有宏觀視野、動態(tài)監(jiān)測、信息獲取方便和節(jié)約成本等諸多優(yōu)點(diǎn),已迅速成為獲取農(nóng)作物種類和空間分布的重要途徑,并在不同時空尺度下發(fā)揮了重要的作用[24]。

早在1998年,Panigrahy等[25]利用時間序列的遙感數(shù)據(jù),再結(jié)合降水和溫度等信息進(jìn)行建模,從而確定出了適宜種植馬鈴薯的區(qū)域;之后,Panigrahy[2]提出可以利用遙感和地理信息系統(tǒng)來管理和規(guī)劃印度馬鈴薯生產(chǎn)。李曉慧等[26]利用多時相Landsat 8影像,結(jié)合光譜角填圖和決策樹分類對主要農(nóng)作物如春玉米、谷物、大豆和馬鈴薯進(jìn)行分類,總體精度達(dá)到了85%(圖2)。賀鵬等[27]利用GF-1號影像結(jié)合基于決策樹分層分類的主要作物遙感分類模型,成功獲取了農(nóng)場內(nèi)大豆、玉米和馬鈴薯作物的空間種植信息,馬鈴薯種植區(qū)域的分類精度為87%。周揚(yáng)帆[28]應(yīng)用BP 人工神經(jīng)網(wǎng)絡(luò)分類方法,結(jié)合高光譜特征分析確定輸入特征的方式,利用 Landsat-8 遙感影像對研究區(qū)域的馬鈴薯分布進(jìn)行了遙感提取,使馬鈴薯的分類精度達(dá)到89%。陽俊等[29]基于地理國情普查成果進(jìn)行農(nóng)作物種植結(jié)構(gòu)的提取,利用農(nóng)作物的物候信息有效地區(qū)分了馬鈴薯、玉米、大豆等作物,提取主要農(nóng)作物的總體精度為92%。李丹[30]基于Landsat8 影像應(yīng)用紋理和波段分析提取出墾區(qū)馬鈴薯的種植面積,精度達(dá)到了96%以上。謝岷等[31]利用 Landsat 8 及 GF-2 遙感數(shù)據(jù),基于不同作物的物候、波譜和紋理差異,采用監(jiān)督分類的方法,對馬鈴薯作物進(jìn)行識別分類和面積提取,結(jié)果表明其總體分類精度超過96%。這些研究都為市域、縣域尺度下農(nóng)作物特別是薯類作物種植結(jié)構(gòu)的信息提取研究提供了理論和技術(shù)支撐。

圖2 研究區(qū)主要農(nóng)作物的分布情況提取結(jié)果Fig.2 Extraction results of the distribution of major crops in the study area

2.2 薯類作物病害監(jiān)測病害是引起薯類作物產(chǎn)量損失的主要原因之一,早期監(jiān)測植物病害及其空間范圍,有助于控制病害蔓延,減少生產(chǎn)損失。田間偵察是監(jiān)測病害的傳統(tǒng)方法,耗時長、勞動強(qiáng)度大、容易出現(xiàn)人為錯誤,很難測出病害傳播的空間范圍和嚴(yán)重程度。而遙感技術(shù)可用于有效監(jiān)測病害,特別是在病害發(fā)展的早期階段。對于薯類作物來說,綜合考慮多光譜影像各通道間的相關(guān)性及其信息量,采用波段指數(shù)法選取健康和患病葉片的特征波段,并通過聚類方法進(jìn)行分類,是常見的識別方法。齊靜[32]利用地面、高空多尺度的遙感數(shù)據(jù),分析受害馬鈴薯光譜的變化規(guī)律,結(jié)合寄主和溫度數(shù)據(jù),指出了馬鈴薯甲蟲在全國范圍內(nèi)的適宜溫度和寄主分布范圍。李欣庭[33]利用高光譜影像的光譜特征和圖像特征,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法對早期的馬鈴薯葉片早疫病和晚疫病進(jìn)行了檢測分類研究,對馬鈴薯早疫病和晚疫病進(jìn)行早期檢測的平均識別率達(dá)到了88.5%。王鑫野[34]從空譜兩個方面對高光譜數(shù)據(jù)進(jìn)行特征波段篩選和模型建立可為有效地探尋病害的最佳診斷手段,二次主成分結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)建立的模型對馬鈴薯晚疫病的病害初期、中期和晚期進(jìn)行了識別,識別率均在94%以上。卓偉[35]利用馬鈴薯葉片葉綠素的可視化圖像探究了監(jiān)測病害的可行性,如圖3所示,利用葉綠素分布可視化圖像可使肉眼更加直觀地分辨出葉片葉綠素含量高低的區(qū)域;此外,也能利用可視化圖像中“空洞”與量化數(shù)據(jù)幫助人們判斷馬鈴薯病害的發(fā)生情況。雖然當(dāng)前已經(jīng)進(jìn)行了一些薯類作物病害分類的研究,但主要是針對馬鈴薯的早疫病和晚疫病等,而其他薯類作物的病害如甘薯的病毒病、黑痣病等尚未研究,通過田間數(shù)據(jù)來計算病害占比和劃分病害等級,是未來的發(fā)展方向。

2.3 薯類作物長勢監(jiān)測和估產(chǎn)作物生長參數(shù)(如LAI和生物量)的遙感數(shù)據(jù)可以幫助獲得關(guān)于特定地點(diǎn)屬性(如土壤、地形)、管理(如水、營養(yǎng)和其他投入)以及各種生物和非生物因素(如病害、雜草、水和營養(yǎng)物質(zhì)缺乏)的信息。農(nóng)作物如玉米、水稻和小麥的面積、長勢及產(chǎn)量監(jiān)測都已經(jīng)逐步實(shí)現(xiàn)業(yè)務(wù)化運(yùn)行。但是,薯類作物在此方面的研究工作還處于初期階段。這是因?yàn)槭眍愖魑锶绺适韺儆陔p子葉植物甘薯屬旋花科作物,其莖葉和塊根生長分別在地上和地下,光譜反射機(jī)理均不同于單子葉植物綱禾本目禾本科類作物(如水稻、玉米和小麥),現(xiàn)有的研究成果不能直接應(yīng)用于薯類作物的產(chǎn)量預(yù)測。

常用的薯類作物長勢監(jiān)測和產(chǎn)量預(yù)測的方法是先從遙感數(shù)據(jù)中得到的生物物理參數(shù)(如LAI)被用于作物模型,以估計作物產(chǎn)量和生物量;然后在遙感得出的作物參數(shù)/指數(shù)(如NDVI、LAI)對作物產(chǎn)量和生物量建立統(tǒng)計(如回歸模型)或經(jīng)驗(yàn)關(guān)系。前人研究借助地面馬鈴薯冠層遙感數(shù)據(jù),建立光譜指數(shù)與馬鈴薯地上部植株氮素濃度的估測模型,研究表明生育時期顯著影響光譜指數(shù)對馬鈴薯地上部氮素濃度的估測能力,苗期土壤背景對光譜反射率具有顯著干擾,馬鈴薯塊莖形成期后植株氮素濃度的預(yù)測效果最佳[36-39]。Tedesco等[7]指出,利用遙感影像獲得的植被指數(shù)可以區(qū)分甘薯的不同生長階段,將生長模型和植被指數(shù)相結(jié)合可以提高管理甘薯作物長勢監(jiān)測的準(zhǔn)確性,如相對速率增長、特定葉面積和單位葉率等。早在1992年,Finke[40]就用遙感技術(shù)來嘗試模擬馬鈴薯的產(chǎn)量;后人又利用甘薯葉片的光譜反射率,探索了用非破壞性技術(shù)來估算生長過程中的塊根產(chǎn)量的可能性,研究結(jié)果應(yīng)用遙感手段來預(yù)測馬鈴薯的產(chǎn)量是可行的[41];應(yīng)用 RS、GIS、GPS 等技術(shù),在馬鈴薯不同物候期內(nèi)馬鈴薯生長對不同的波段敏感程度和波段反射強(qiáng)度進(jìn)行針對性分析,建立了馬鈴薯估產(chǎn)模型,其平均相對誤差為-4.51%[42];還可以將遙感數(shù)據(jù)和作物生長模型相結(jié)合來提高作物產(chǎn)量的估算精度,根據(jù)數(shù)據(jù)同化結(jié)果進(jìn)行研究區(qū)域內(nèi)馬鈴薯產(chǎn)量的估算,平均相對誤差為6.71%[43];Tedesco等[44]將高分辨率遙感和多目標(biāo)機(jī)器學(xué)習(xí)的優(yōu)勢相結(jié)合,通過植被指數(shù)預(yù)測了甘薯的總產(chǎn)量和市場等級,在不同的季節(jié)和生長期的產(chǎn)量預(yù)測的誤差最大為3.55 t/hm2(圖4)。未來研究將利用遙感跨平臺多傳感器結(jié)合機(jī)器學(xué)習(xí)算法以及作物生長模型,從而對塊根的生長進(jìn)行更精準(zhǔn)的研究。

圖4 甘薯產(chǎn)量預(yù)測在2個生長季的空間變化Fig.4 Spatial variation of sweet potato yield projections over two growing seasons

3 結(jié)論

綜上所述,國內(nèi)外科研工作者基于遙感技術(shù)在薯類作物生長監(jiān)測方面的應(yīng)用做了一定的研究。應(yīng)用遙感監(jiān)測薯類作物,具有傳統(tǒng)方法所沒有的宏觀、快速和動態(tài)的特點(diǎn),尤其是在監(jiān)測和評估大范圍的薯類作物時,更顯其獨(dú)特優(yōu)勢;利用遙感如衛(wèi)星影像來劃分甘薯的生長階段,使種植者能夠根據(jù)在生產(chǎn)區(qū)域內(nèi)獲得的氣象信息,對不同生長階段的薯類作物進(jìn)行區(qū)分和界定,監(jiān)測作物長勢、氮素營養(yǎng)和產(chǎn)量情況,然后進(jìn)行不同的施肥管理和病害防控措施,是智慧農(nóng)業(yè)發(fā)展必不可少的因素。

目前的薯類作物遙感監(jiān)測模型大多是統(tǒng)計模型,默認(rèn)的影響因素也只是光譜變量,但是在實(shí)際生產(chǎn)中影響薯類作物長勢的因素很多,單因素的統(tǒng)計模型精度偏低且難以揭示薯類作物生長發(fā)育、產(chǎn)量形成及其與氣候土壤環(huán)境的互作機(jī)理,缺乏普適性與動態(tài)性,因此未來對光譜遙感信息與薯類作物的生長機(jī)理模型相耦合,構(gòu)建普適性強(qiáng)且方便可靠的光譜監(jiān)測模型,從而進(jìn)一步提高模型的反演能力與精度,是解決當(dāng)前薯類作物光譜監(jiān)測問題的有效途徑。加深對薯類作物的光譜研究,如確定薯類作物的病蟲害與遙感光譜的關(guān)系,從而對病害程度進(jìn)行分級,對病害區(qū)域進(jìn)行閾值分割,有利于精細(xì)化薯類作物的分級和防治。隨著智慧農(nóng)業(yè)的發(fā)展,未來研究將綜合運(yùn)用星空地多尺度傳感器、大數(shù)據(jù)云平臺、機(jī)器學(xué)習(xí)算法等,研究薯類作物的空間格局動態(tài)變化特征,探討遙感技術(shù)與薯類作物農(nóng)學(xué)單產(chǎn)模擬模型機(jī)理,從而提高預(yù)測未來薯類作物的產(chǎn)量相關(guān)性。在針對薯類作物生理生態(tài)參數(shù)進(jìn)行監(jiān)測時,還需要考慮薯類作物不同生育期的差異性,篩選出通用性好的光譜變量,并建立薯類作物模型數(shù)據(jù)庫。因此,探索薯類作物空間分布信息及變化、薯類作物長勢高效監(jiān)測、薯類作物產(chǎn)量預(yù)測模型、薯類作物遙感模型與農(nóng)學(xué)模型同化機(jī)制研究是未來的發(fā)展方向。