文/齐叔

获取作物生长状况和产量的时空信息是地方和国家粮食安全的首要目标。作物图对各种农业研究至关重要，包括产量预测分、物候倒转分析和耕地时空格局分析。

1.介绍

然而，在一些全球和区域产量预测系统或地球观测系统中，作物的掩膜层由于其粗糙的空间分辨率和缺乏可用的年度作物图而显示出较低的精度。

高质量(例如，及时和准确的)作物地图的缺乏阻碍了农业研究。

近年来，以谷歌地球引擎 (GEE)为代表的新型遥感技术和平台为作物制图提供了良好的契机。

已经提出了多种分类方法，包括机器学习方法、面向对象方法、基于物候的方法以及这些方法的组合。

几个长期时间序列的农田掩膜数据集被广泛使用，包括美国的农田数据层和加拿大农业和农业食品部的年度作物库存。

这些产品是通过监督分类方法生成的，这种方法依赖于实地调查和大量真实样本。在发展中国家，作物掩膜数据集很少。

各种卫星数据用于绘制作物图，包括光学和微波测量。光学数据提供了表面反射和发射特征的光谱信息。

微波数据提供了表面粗糙度和纹理的结构信息。Landsat和Sentinel-1/2是在作物制图中使用最广泛的光学数据，因为它们都具有高空间分辨率并且是公开的。

陆地卫星和哨兵2号的光学图像都受到云的影响。

Sentinel-2卫星的时空分辨率(10m)高于地球卫星(30m)，标定的大气顶反射率数据与大气校正的地表反射率数据计算出的部分光谱指标存在较大差异。

所有五组方法都强烈依赖于具有良好观察的图像或在开花阶段获得的图像或需要许多训练样本。油菜籽的花期通常持续不到一个月。

在非开花期没有强烈的颜色特征，使得该方法难以准确识别油菜籽。

例如，由于Landsat卫星重访周期长，图像经常受到云层的干扰，在油菜籽开花期的一些地区很难获得良好的观测结果。需要一种不依赖于花期图像的油菜籽自动绘制方法。

我们的目标是，

(a)识别油菜籽的光谱和极化特征，

(b)开发一种基于物候和像素的自动算法(APPA)，

(c)将APPA应用于不同地理环境下的7个地区以测试其鲁棒性，

(d)将APPA的性能与现有数据产品进行比较。

2.材料与方法

2.1.研究数据

2.2.1.卫星数据

（1）实验土地8地表反射率数据及处理

我们研究中使用的所有表面反射率图像均来自具有高性能计算能力的平台GEE(表S1, S2)。我们之所以使用Landsat 8数据而不是Sentinel-20的数据，是因为它的全球覆盖始于2018年12月。

此外，我们工作中的一些区域是在2018年之前研究的。与Sentinel-2相比，Landsat 8在全球范围内存储了更多历史年份的可用SR图像。

我们使用陆地卫星质量评估(QA)波段而不是蓝色波段从所有SR图像中去除云和云阴影像素。

只有不受云或阴影影响的图像才被用于油菜籽制图。我们分析了绿色、红色、近红外(NIR)和漩涡2波段的光谱信息，分辨率为30m。

（2）Sentinel-1后向散射系数数据及处理

我们还收集了c波段合成孔径雷达(SAR)图像。S1图像的干涉宽幅(IW)包括多个偏振，包括双频交叉偏振(VV)和垂直发射/水平接收偏振(VH)。

对数据池中的S1影像进行预处理。我们用形态学均值滤波器(圆核型)去除斑点噪声。本研究将时间序列数据的空间分辨率统一为30m。

2.2.2.数字高程模型

利用航天飞机雷达地形任务的30米分辨率高程数据在研究区域生成坡度图。那些不太可能种植这种作物的陡坡地区(30)随后被掩盖在GEE平台上。

2.2.3.农田数据

我们收集了现有的油菜籽地图产品，验证了我们的方法在不同地区(IV-VII区)生成的油菜籽地图的准确性:

(1)在法国收集的10 m空间分辨率的土地覆盖SEC数据。SEC中作物的总体精度约为0.90;

(2)英国六边形单元格(0.41 ha)空间分辨率的英国作物地图。CROME中油菜籽的生产者精度(PA)和使用者精度(UA)均超过0.85;

(3)空间分辨率为30 m的德国国家尺度作物和土地覆盖地图。NLCM下油菜的PA和UA分别为0.87和0.97 ;

(4)与加拿大30 m空间分辨率的年度作物清查(ACI)数据，ACI的农田满足至少85%的总体目标精度。所有数据集可在表S1中找到，为了统一油菜籽图的空间分辨率，将产品重新采样到30 m分辨率。

请注意，本研究中使用的产品不被视为基本事实。相反，在没有现场样本点的情况下，通过将这些产品作为基线，比较提供了对一致性的总体评估。

2.2.4.实地调查

本文收集了2020年中国河北省邯郸市魏县和临章县(II区)油菜籽生育期的野外调查数据。我们从2月到6月继续观察油菜籽样品包裹，重访间隔为2-5天。

最后，我们采集了油菜籽生长的时间序列图片和414个油菜籽样本点。记录观测日期和地理坐标信息(如图1A、S5)。

我们将从油菜籽包裹中提取的像素用于阈值确定和统计分析。利用野外调查数据识别菜籽地块的光谱(反射率和植被指数)和极化特征(后向散射系数)，并对II区采用该方法生成的菜籽图的精度进行检验。

2.2.5.收集参考样本

使用更高分辨率的图像是选择参考样本最广泛的方法之一。我们通过整合其他地区油菜籽开花区Sentinel-2 TOA图像收集参考样本。

油菜籽在开花期颜色变化引起的视觉差异是识别油菜籽的一个特征。Sentinel-2 TOA图像不同波段组合下的油菜籽地块均呈现出独特的视觉特征(图S5)。

例如，油菜籽在开花阶段的原色图像为黄绿色(图S5)。为了避免混合边缘像素，从地块中心采集纯像素参考样本。

相应地，使用参考样本来确定油菜籽与其他土地类型(城市、水田、森林、草地、玉米、小麦、大麦和大豆)之间的差异。从参考样本中提取的像素用于确定阈值。

2.3.植被指数的计算

黄花是油菜籽绿度最高时最特有的特征之一，这些黄色花朵的花序簇生在茎的末端。

与其他土地覆被类型相比，油菜籽的这种明显的视觉差异通常可以在整个花期观察到。相应的，油菜籽也具有独特的光谱物候特征。

开花期间，绿、红、近红外波段呈连续增加趋势(图S6)，这些增加不同于其他土地覆盖类型。

此外，在整个花期和灌荚期(灌荚期)，swe2的反射率值保持稳定，比绿带的反射率值要低(图1B)。我们计算了标准化油菜籽开花指数(NRFI)。

由于NRFI包含绿色波段和旋波波段(公式1)，因此它在区分油菜籽与其他土地覆盖类型方面具有比其他指标更高的潜力。

油菜籽开花期及其后一个月(灌荚期)NRFI值均大于0(图1D、S7)。NRFI的计算方法如下:

2.4.功能开发

光谱和偏振特性为油菜籽的定位提供了有价值的信息。我们描述了主要土地利用类型(包括城市、水、森林、草地、玉米、冬小麦、大麦和大豆)的NRFI和VH的生长动态(图S8)。

参考样本来自实地调查和现有土地覆盖数据集(表S1)。研究发现，除水体外，所有土地利用类型的NRFI值均小于0.05。油菜籽(开花期和次月)和水分的NRFI均大于0。

结荚期是指本研究的结荚期，水体的后向散射系数低于菜籽。

因此，油菜籽生长过程中VH最大值(VHmax)被认为是区分油菜籽与其他作物的有效指标。

考虑到油菜籽花期前后VH变化幅度较大，我们计算了花期前2个月至花期后2个月的VH变异系数。

2.5.基于APPA的油菜籽图谱验证

以验证点和现有作物产品为参考数据进行准确性验证。我们使用验证点对中国油菜籽地图(I、II和III区)的准确性进行评估。验证参考样本随机生成。

根据油菜籽开花期的实地调查和Sentinel-2图像，我们对每个样本进行了检查和标记，并省略了未标记不同土地覆盖类型的点(图S10)。

将IV、V、VI和VII区油菜籽地图与法国的土地覆盖SEC地图、英国的CROME地图、德国的NCLM地图和加拿大的ACI地图在像元水平上进行比较。

混淆矩阵(表S4)、用户精度(UA)、生产者精度(PA, 公式3)、总体精度(OA, 公式4)和F-score (公式5)来评估地图精度。

TP和TN分别为油菜籽和非油菜籽的样本数。FP和FN分别是被错分类为油菜籽和非油菜籽的样本数量。

3.结果

3.1.油菜籽的光谱和偏振特性

根据II区的实地调查(图1)，根据国际生物、联邦和化学工业(BBCH)标准，花期高峰大约发生在4月3日。

在开花期，由于花瓣呈黄色，绿光、红光和近红外反射率值增加。在整个花期，swir2的反射率值都低于绿带(图1B)，这种光谱特征在油菜籽荚果后期消失。

结果表明，由于油菜花瓣降低了后向散射系数，VH时间序列在开花期有局部最小值(-17.49)(图1E)。

此外，VH在吊舱阶段达到最大值，豆荚和茎的缠绕增加了VH值。在生长阶段，VH时间序列与以往研究报道一致。

注意，后向散射系数受入射角的影响。我们提取了油菜籽样块不同入射角下VH的时间序列剖面图(图S11)。

在油菜籽生长过程中，入射角对后向散射系数的影响较小。

此外，尽管不同地区的气候等自然条件不同，但油菜籽NRFI和VH时间序列在不同地区呈现出相同的特征(图S7)。

3.2.来自APPA的油菜籽图

APPA在多个区域产生的油菜籽空间分布如图3所示。由于缺乏可用的图像，许多油菜籽区在开花阶段的分类结果中被省略。

结荚期和开花到结荚期的油菜籽分布图比开花期的油菜籽分布图鉴定出更多的油菜籽区。

4.讨论

这些研究大多使用单一类型的光学卫星图像。光学图像反映的是油菜籽的光谱特征，但不能反映油菜籽冠层的几何特征和纹理等结构信息。

综合光谱和极化指数可以有效地区分油菜籽和其他土地覆被类型。

以往研究中开发的大多数方法几乎总是依赖于花期获得的良好观测图像。与以往的研究相比，该方法避免了花期多样性对分类精度的影响和花期观测不足。

在APPA中使用的NRFI在开花和开花后阶段具有独特的光谱特征(图1D, S7)。

在整个开花期和接下来的一个月(灌荚期)(图1B)， swir2的反射率值都低于绿带的反射率值，这为在荚果期识别油菜籽提供了新的机会。

因此，使用APPA方法，我们可以合并在分类期间(大约60天)可用的所有可能的图像。

即使在花期的某些日子里，一些图像受到云层的干扰，根据花期内获得的良好观测数据，仍然可以识别油菜籽区域(表2)。

尽管在大多数种植区域的开花阶段无法获得良好的观测图像(图7,S12)，但我们仍然使用APPA绘制了主要种植区域。

我们将基于比色变换和光谱特征的油菜提取算法(CSRA)和NGVI方法进行了比较。

基于Landsat影像，采用CSRA和NGVI方法对油菜进行了识别。Landsat图像和验证样本与APPA使用的相同。

在CSRA和NGVI方法中，首先使用植被覆盖指数 0.3和NIR 0.23对非植被和非作物像元进行屏蔽。这些方法的精度和空间细节分别列于表3、表S6和图S13。

结果表明，CSRA的生产者准确率高，用户准确率低。APPA具有较高的用户精度和总体精度。主要原因是CSRA高估了油菜籽面积。

三种方法中，NGVI的准确率最低。

5.结论

提出了一种新的油菜籽自动定位方法，该方法利用油菜籽在生长季节的特定光谱和偏振特征，而不依赖于花期图像。

在中国三个不同地区，绘制的油菜籽图谱的用户精度和总体精度均超过0.9，生产者精度超过0.87。

法国、英国、德国和加拿大等国油菜图谱的空间分布与现有作物图谱具有较高的一致性。它为在大空间尺度上绘制长期作物分布区提供了新的机会。

6.参考文献

[1]J.H. Schmidt, B.P. Weidema, 植物油边际供给的变化, Int. J.Life身上的ycle Assess. 13 (2008) 235–239.

[2]R. d’Andrimont, M. Taymans, G. Lemoine, A.身上的eglar, M. Yordanov, M. van der Velde, D基于bp -1和bp -2时间序列的油菜开花物候特征研究, Remote Sens. Environ. 239 (2020) 111660.

[3]J.J. Sulik, D.S. Long, 黄花菜花的光谱分析, Int. J. Remote Sens. 36 (2015) 2751–2765.

[4]D. Wang, S. Fang, Z. Yang, L. Wang, W. Tang, Y. Li,身上的. Tong, 一种基于HSV变换和光谱特征的油菜区域制图方法, ISPRS Int. J. Geo-Information 7 (2018) 224.

[5]Q. Hu, W. Hua, Y. Yin, X. Zhang, L. Liu, J. Shi, Y. Zhao, L. Qin,身上的.身上的hen, H. Wang, 中国油菜籽研究与生产,身上的rop J. 5 (2017) 127–135.