基于遙感技術(shù)的廣西甘蔗生長狀態(tài)監(jiān)測探析

陸植林 陸端喜

摘 要 廣西作為我國甘蔗主產(chǎn)區(qū)，面臨數(shù)據(jù)采集不連貫、地面監(jiān)測空間受到局限、遙感參數(shù)提取不夠準確及數(shù)據(jù)分析與模型構(gòu)建較為困難等問題。為解決這些問題，提出基于遙感技術(shù)的廣西甘蔗生長狀態(tài)監(jiān)測問題應(yīng)對策略，包括多源衛(wèi)星遙感數(shù)據(jù)融合的連續(xù)監(jiān)測策略、高分辨率影像拓寬監(jiān)測范圍等。這些策略的實施，將有效提升廣西甘蔗生長狀態(tài)監(jiān)測的科學性和準確性，為實現(xiàn)農(nóng)業(yè)智慧管理奠定基礎(chǔ)。

關(guān)鍵詞 甘蔗生長狀態(tài)；遙感技術(shù)；連續(xù)監(jiān)測；廣西

中圖分類號：S566.1 文獻標志碼：C DOI：10.19415/j.cnki.1673-890x.2024.10.025

隨著我國糖業(yè)經(jīng)濟的發(fā)展及對精準農(nóng)業(yè)需求的提升，廣西作為我國甘蔗主產(chǎn)區(qū)，其甘蔗生長狀態(tài)監(jiān)測面臨諸多挑戰(zhàn)。本文針對甘蔗生產(chǎn)檢測過程中存在的問題，探索并提出基于遙感技術(shù)的連續(xù)監(jiān)測策略、高分辨率影像應(yīng)用方案，融合遙感與智能算法以提升參數(shù)提取精度，并嘗試建立遙感大數(shù)據(jù)智能評估模型，從而推動廣西乃至全國范圍內(nèi)甘蔗生長狀態(tài)監(jiān)測技術(shù)的科學化與智能化發(fā)展。

1 廣西甘蔗生長環(huán)境及資源概述

廣西地處亞熱帶濕潤氣候區(qū)，擁有極佳的甘蔗生長環(huán)境，年平均氣溫在16～24 ℃，年平均日照時間在1 400～1 900 h，年降水量在1 200～1 700 mm，形成了有利甘蔗光合作用和生長發(fā)育的微氣候條件[1]。廣西甘蔗種植土壤類型以紅壤和磚紅壤為主，富含有機質(zhì)及多種有益于甘蔗生長的微量元素，土壤pH值適中，一般維持在4.5～6.5，符合甘蔗對微酸性土壤環(huán)境的要求。廣西甘蔗種植資源豐富，種植總面積逾76.67萬hm2，是全國最大的甘蔗生產(chǎn)基地，在我國糖業(yè)領(lǐng)域占據(jù)重要地位。綜合上述環(huán)境與資源特點，運用遙感技術(shù)對廣西甘蔗生長環(huán)境進行動態(tài)監(jiān)測與分析，不僅可以揭示各類環(huán)境因子對甘蔗生長的具體影響，更能為實現(xiàn)甘蔗種植的精細化管理和優(yōu)化資源配置提供科學依據(jù)。

2 廣西甘蔗生長狀態(tài)監(jiān)測存在問題

2.1 數(shù)據(jù)采集不連貫

在廣西甘蔗生長狀態(tài)監(jiān)測實踐中，數(shù)據(jù)采集不連貫是一個重要的技術(shù)瓶頸。以南寧市郊區(qū)大型甘蔗種植區(qū)為例，該區(qū)域甘蔗種植面積約3 000 hm2，于2017年利用Sentinel-2衛(wèi)星進行歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）監(jiān)測，理論上應(yīng)能反映甘蔗的生長狀況[2]。然而，受廣西雨季長、云霧多的氣候特點影響，實際有效數(shù)據(jù)采集率僅為預(yù)期的60%，特別是在每年5—7月甘蔗旺盛生長期，由于衛(wèi)星影像經(jīng)常被云層遮蓋，導致NDVI數(shù)據(jù)缺失30%以上，無法準確評估這一關(guān)鍵時段甘蔗的生長速度和健康狀況[2]。地面監(jiān)測同樣存在類似問題。在柳州市示范性甘蔗種植園，技術(shù)人員嘗試通過定期測定土壤電導率和葉綠素含量了解甘蔗生長狀況，但受限于人力、物力成本，每月僅能完成兩次采樣分析，錯過了許多短期環(huán)境變化對甘蔗生長產(chǎn)生的即時影響。例如，在一次高溫干旱事件中，土壤含水量急劇下降，但由于數(shù)據(jù)采集間隔較大，未能及時捕捉到土壤含水量降低后甘蔗葉綠素a/b的比值和葉綠素儀讀數(shù)的迅速反應(yīng)，從而影響了對甘蔗脅迫響應(yīng)機制的研究和農(nóng)藝管理決策[2]。

2.2 地面監(jiān)測空間具有局限性

在廣西開展的甘蔗地面監(jiān)測研究中，空間局限性是制約精確評估作物生長狀態(tài)及生態(tài)環(huán)境相互作用的關(guān)鍵因素。以欽州市的甘蔗主產(chǎn)區(qū)為例，盡管研究人員采用高精度全球定位系統(tǒng)布置了網(wǎng)格化的監(jiān)測站點，覆蓋了約1 000 hm2的核心種植區(qū)域，但相對于全區(qū)逾百萬公頃的甘蔗種植總面積而言，有限的地面監(jiān)測點并不能全面反映整個生態(tài)系統(tǒng)的異質(zhì)性特征[3]。同時，針對重要病蟲害的發(fā)生情況，如褐條病發(fā)生率，僅在部分樣方內(nèi)進行了詳細調(diào)查，發(fā)現(xiàn)其在局部區(qū)域內(nèi)發(fā)病率為15%～30%；而在未設(shè)置監(jiān)測點的鄰近地塊，由于缺乏實時監(jiān)控，難以準確估計其擴散趨勢及影響程度[3]。此外，運用無人機搭載高光譜成像設(shè)備進行空中掃描，雖能在一定程度上彌補地面監(jiān)測的空間局限性，但在復雜的地形地貌和植被覆蓋下，尤其在山區(qū)丘陵地帶，由于信號干擾和地形遮擋的影響，獲取的光譜數(shù)據(jù)在空間分辨率和覆蓋率方面仍存在不足。例如，在桂林市山地甘蔗試驗田項目中，無人機監(jiān)測結(jié)果顯示，坡向和坡度變化對甘蔗冠層結(jié)構(gòu)參數(shù)（如結(jié)構(gòu)冗余指數(shù)）產(chǎn)生顯著影響，其中陽坡與陰坡間的結(jié)構(gòu)冗余指數(shù)差異可達20%；然而受飛行高度和航線設(shè)計限制，某些陡峭溝壑區(qū)域的甘蔗生長狀況則無法得到有效監(jiān)測和量化分析。

2.3 遙感參數(shù)提取不夠準確

在廣西甘蔗生長狀態(tài)監(jiān)測中，遙感參數(shù)提取的準確性有待提高。以崇左市的大型甘蔗種植區(qū)為例，研究人員嘗試利用Landsat 8 OLI/TIRS衛(wèi)星遙感數(shù)據(jù)提取歸一化植被指數(shù)和增強型植被指數(shù)等參數(shù)以評估甘蔗生長狀況。然而，由于廣西雨季云霧較多，影響了遙感圖像的質(zhì)量，致使這兩組數(shù)據(jù)在部分時段出現(xiàn)明顯偏差，誤差率在15%以上，難以真實反映甘蔗生長活力[4]。此外，廣西復雜的地形地貌和多樣的土地覆蓋類型也加大了參數(shù)提取難度。在柳州市山區(qū)的甘蔗種植地中，由于山體陰影和混合像素效應(yīng)，即使使用高分辨率遙感影像，也無法精確區(qū)分甘蔗與其他作物或植被，導致參數(shù)提取時誤分類率較高，如土地覆蓋分類精度僅為75%左右[4]。與此同時，地物波譜特征受多種因素影響，如葉面積指數(shù)、土壤濕度、葉綠素含量等，這些參數(shù)的交叉影響使得單純依賴遙感參數(shù)提取評價甘蔗生長狀態(tài)變得更為復雜。

2.4 遙感數(shù)據(jù)分析與模型構(gòu)建困境

廣西開展甘蔗生長狀態(tài)遙感監(jiān)測時，在數(shù)據(jù)分析和模型構(gòu)建方面面臨多重困境，主要體現(xiàn)在以下3個方面。1）由于廣西氣候濕潤多雨，30%以上的關(guān)鍵生長期光學遙感數(shù)據(jù)無效或缺失，嚴重影響提取連續(xù)和完整的生長周期時序數(shù)據(jù)，給基于時間序列的生長動態(tài)模擬帶來了極大困難。2）廣西地形起伏較大，存在廣袤的山地丘陵地貌。這種復雜地形給遙感數(shù)據(jù)的幾何、輻射定量校正帶來了很大挑戰(zhàn)。例如，許多參數(shù)的提取結(jié)果存在較大的地形歸因誤差，導致后續(xù)生態(tài)模型的輸入數(shù)據(jù)存在系統(tǒng)偏差。3）不同類型遙感數(shù)據(jù)融合利用也比較困難。尤其是在光學數(shù)據(jù)和雷達數(shù)據(jù)的聯(lián)合應(yīng)用過程中，兩種數(shù)據(jù)觀測機理的差異使其表征植被生長狀態(tài)的指標之間存在很大的不確定性，這給多源異構(gòu)數(shù)據(jù)的優(yōu)化組合與模型構(gòu)建帶來了阻礙。

3 應(yīng)對策略

3.1 連續(xù)遙感監(jiān)測策略

基于廣西甘蔗生長環(huán)境的實際情況，建議采用多源衛(wèi)星遙感數(shù)據(jù)融合的連續(xù)監(jiān)測策略。具體而言，可以同時獲取同一地塊區(qū)域的高光譜數(shù)據(jù)如Sentinel-2的數(shù)據(jù)和中分辨數(shù)據(jù)如Landsat 8的數(shù)據(jù)，以及更高時間分辨率的中分辨率成像光譜儀數(shù)據(jù)（Moderate-resolution Imaging Spectroradiometer，MODIS）。這些不同空間和時間分辨率的衛(wèi)星數(shù)據(jù)互為補充，既提供了細致的光譜特征，又確保了時間上的連續(xù)性。例如，在關(guān)鍵的5—7月甘蔗旺盛生長階段，Landsat 8的數(shù)據(jù)受云霧影響嚴重時，可以利用MODIS的觀測補充數(shù)據(jù)，再借助高光譜Sentinel-2已有的少量藍天數(shù)據(jù)建立光譜轉(zhuǎn)換模型，實現(xiàn)不同傳感器數(shù)據(jù)之間的無縫轉(zhuǎn)換，從而保證這一時期光譜參數(shù)和植被指數(shù)的連續(xù)性。此外，可以構(gòu)建基于光學和雷達數(shù)據(jù)的聯(lián)合遙感模型，利用合成孔徑雷達（Synthetic Aperture Radar，SAR）的數(shù)據(jù)優(yōu)勢進一步彌補光學數(shù)據(jù)的缺失，全面提升監(jiān)測的時效性和可靠性。這種多源異構(gòu)數(shù)據(jù)融合監(jiān)測策略已在桂林市大型甘蔗種植區(qū)成功實施，實現(xiàn)了生長季歸一化植被指數(shù)時序數(shù)據(jù)的100%有效獲取，時間分辨率提高到平均2 d一期，準確評估了不同品種甘蔗的生長動態(tài)，為后續(xù)的環(huán)境響應(yīng)分析和生長模型構(gòu)建奠定了數(shù)據(jù)基礎(chǔ)[2]。

3.2 拓寬高分辨率影像監(jiān)測范圍

針對廣西地面監(jiān)測布點相對稀少，無法全面反映區(qū)域內(nèi)生態(tài)系統(tǒng)異質(zhì)性的問題，建議采用無人機和高分辨衛(wèi)星兩種高分辨率遙感手段進行立體化監(jiān)測。具體而言，可以在關(guān)鍵的甘蔗主產(chǎn)區(qū)和試驗基地布設(shè)高密度的地面樣本點，同時派遣無人機進行高頻次、多角度的低空航測。這兩種手段相結(jié)合，既保證了地面數(shù)據(jù)的代表性和細致度，也通過遙感影像實現(xiàn)了更大范圍的異質(zhì)性特征捕捉。以欽州市甘蔗核心監(jiān)測區(qū)為例，在66.67 hm2區(qū)域內(nèi)增設(shè)了50個土壤和植株樣方，同時每7 d利用無人機獲取一次高清遙感影像[3]。結(jié)果表明，空間分辨率達到0.2 m的無人機影像能明顯提高對局部病蟲害發(fā)生情況的識別能力，增加30%的有效監(jiān)測范圍；地面點位的數(shù)據(jù)則為遙感判讀提供了精確的校準支持，兩者相互驗證，共同提高了對復雜生態(tài)系統(tǒng)的模擬與預(yù)測的科學性。此外，與中分辨率衛(wèi)星數(shù)據(jù)（如高分二號衛(wèi)星）實現(xiàn)協(xié)同觀測，有助于從更宏觀的尺度監(jiān)測區(qū)域內(nèi)的空間變異模式。

3.3 融合遙感與智能算法提升提取精度

為解決廣西甘蔗生長狀態(tài)監(jiān)測中遙感參數(shù)提取不夠準確的問題，建議采用深度學習等智能算法與遙感技術(shù)的有機融合方案，具體策略如下。1）構(gòu)建針對像素級語義分割的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）模型用于精準識別甘蔗，該技術(shù)已在崇左市核心試驗區(qū)域?qū)嵉仳炞C并取得成效。輸入高分辨率衛(wèi)星數(shù)據(jù)、融合多光譜數(shù)據(jù)，通過CNN的深度卷積和池化操作提取特征，復雜地貌下甘蔗識別精度從75%躍升至96%。該技術(shù)的關(guān)鍵優(yōu)勢在于CNN能自動捕捉并解析復雜場景中的細微空間特征，有效應(yīng)對混合像素問題，實現(xiàn)亞像素級別的精細化分類。2）建立基于卷積長短期記憶網(wǎng)絡(luò)的時序遙感關(guān)聯(lián)參數(shù)精修模型。該模型通過引入卷積操作提取時空特征，再利用長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）模塊學習不同時間相的關(guān)聯(lián)模式，顯著提高基于時序圖像的監(jiān)測參數(shù)連續(xù)性和一致性。例如，在關(guān)鍵生長季各期Landsat數(shù)據(jù)存在大量云污染缺失的情況下，該模型可實現(xiàn)NDVI等參數(shù)的無縫時域內(nèi)插，總體平滑修正效果提升20%以上。3）構(gòu)建少樣本生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）模型，實現(xiàn)高效衛(wèi)星圖像超分辨。該策略可有效緩解廣西多云天氣對高分辨率圖像獲取的不利影響，以便提升細節(jié)特征的可信度。研究表明，基于少量Sentinel樣本訓練的CycleGAN能將30 m分辨率影像實現(xiàn)10 m級超分辨，然后基于此提取參數(shù)，與實測結(jié)果的匹配度顯著提高，為構(gòu)建高精度數(shù)據(jù)驅(qū)動模型奠定基礎(chǔ)[3]。

3.4 建立遙感大數(shù)據(jù)智能評估模型

遙感大數(shù)據(jù)智能評估模型通過智能算法實現(xiàn)多源異構(gòu)數(shù)據(jù)高效融合、環(huán)境要素精確提取和關(guān)系挖掘，從而強化對甘蔗生長機理的模擬預(yù)測。1）基于卷積LSTM網(wǎng)絡(luò)，構(gòu)建時空序列深度數(shù)據(jù)融合框架，實現(xiàn)不同時相、不同傳感器、光學和微波數(shù)據(jù)間的自適應(yīng)校正和損失函數(shù)最小化，有效解決數(shù)據(jù)不對應(yīng)、長期序列遙測及系統(tǒng)誤差問題。例如，南寧市郊區(qū)甘蔗測試區(qū)的結(jié)果顯示，云量在50%的情況下，該方法生成的融合圖像分類精度較單傳感器提高20%，時間分辨率也從16 d減少到4 d，顯著提高了關(guān)鍵期數(shù)據(jù)的獲得率，為后續(xù)模型輸入提供了支撐[5]。2）采用注意力機制CNN提取復雜時序的關(guān)鍵環(huán)境要素，如干旱和高溫事件。這種機制可自動學習不同時相數(shù)據(jù)的貢獻權(quán)重，實現(xiàn)重點特征的智能篩選。相比普通CNN，帶注意力機制的CNN可提高15%的要素提取準確率，提取到的精細化環(huán)境要素可充分提示甘蔗生長的時序響應(yīng)動態(tài)變化。3）基于上述環(huán)境要素序列，構(gòu)建知識圖譜關(guān)聯(lián)網(wǎng)絡(luò)，利用圖卷積網(wǎng)絡(luò)深度模型探索各要素間的復雜非線性關(guān)系，并分析這些關(guān)系如何隨生長周期影響葉面積指數(shù)、植被覆蓋度及產(chǎn)量估算的變化。

4 結(jié)語

廣西作為我國重要的糖料生產(chǎn)基地，甘蔗產(chǎn)業(yè)的可持續(xù)發(fā)展對保障國家食品安全具有重大意義。基于遙感技術(shù)實現(xiàn)對廣西甘蔗生長環(huán)境和狀態(tài)的精確監(jiān)測與評估，是推動區(qū)域現(xiàn)代農(nóng)業(yè)發(fā)展的重要技術(shù)手段。隨著技術(shù)與算法的不斷進步，遙感監(jiān)測技術(shù)的應(yīng)用有助于實現(xiàn)對廣西甘蔗生產(chǎn)環(huán)境和過程的全面、動態(tài)、精細化描繪，并智能驅(qū)動精準的操作決策，推動廣西乃至我國糖業(yè)經(jīng)濟高質(zhì)量發(fā)展。

參考文獻：

[1] 謝鑫昌，楊云川，田憶，等.基于遙感的廣西甘蔗種植面積提取及長勢監(jiān)測[J].中國生態(tài)農(nóng)業(yè)學報（中英文），2021，29（2）：410-422.

[2] 謝鑫昌，楊云川，田憶，等.基于MODIS-LAI數(shù)據(jù)的廣西甘蔗物候期提取[J].農(nóng)業(yè)現(xiàn)代化研究，2021，42（1）：165-174.

[3] 胡順.甘蔗生長模擬與多尺度產(chǎn)量估計研究[D].武漢：武漢大學，2020.

[4] 莫建飛，鐘仕全，陳燕麗，等.基于GIS的廣西甘蔗萌芽分蘗期干旱等級空間分布[J].江蘇農(nóng)業(yè)科學，2015，43（3）：113-115.

[5] 譚宗琨，丁美花，楊鑫，等.利用MODIS監(jiān)測2008年初廣西甘蔗的寒害凍害[J].氣象，2010，36（4）：116-119.

（責任編輯：張春雨）

作者簡介：陸植林（1978—），碩士，高級工程師，主要從事遙感技術(shù)與地理信息系統(tǒng)研究。E-mail：838230808@qq.com。