蘭仕浩，李映雪，吳 芳，鄒曉晨

·農(nóng)業(yè)信息與電氣技術(shù)·

基于衛(wèi)星光譜尺度反射率的冬小麥生物量估算

蘭仕浩1，李映雪2，吳 芳3，鄒曉晨1※

（1. 南京信息工程大學(xué)遙感與測(cè)繪工程學(xué)院，南京 210044；2. 南京信息工程大學(xué)應(yīng)用氣象學(xué)院，南京 210044；3. 興化市氣象局，興化 225700）

為探索基于光學(xué)衛(wèi)星遙感數(shù)據(jù)的冬小麥地上生物量估算方法，該研究通過3 a田間試驗(yàn)，獲取冬小麥4個(gè)關(guān)鍵生育期（拔節(jié)期、抽穗期、開花期和灌漿期）和3種施氮水平下的地上生物量以及對(duì)應(yīng)的近地冠層高光譜反射率數(shù)據(jù)。通過將高光譜數(shù)據(jù)重采樣為具有紅邊波段的RapidEye、Sentinel-2和WorldView-2衛(wèi)星波段反射率數(shù)據(jù)，構(gòu)建任意兩波段歸一化植被指數(shù)。同時(shí)，將衛(wèi)星波段反射率數(shù)據(jù)與6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法相結(jié)合，構(gòu)建冬小麥生物量估算模型。研究結(jié)果表明：任意兩波段構(gòu)建的最佳植被指數(shù)在冬小麥開花期對(duì)生物量的敏感性最強(qiáng)（決定系數(shù)2為0.50～0.56）。在不同施氮水平條件下，高施氮水平增強(qiáng)了植被指數(shù)對(duì)生物量的敏感性。Sentinel-2波段數(shù)據(jù)所構(gòu)建的植被指數(shù)優(yōu)于其他兩顆衛(wèi)星波段數(shù)據(jù)。對(duì)6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，總的來說，基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）算法所構(gòu)建的模型要優(yōu)于其他算法。在單一生育期中，在拔節(jié)期（2為0.69～0.78，歸一化均方根誤差為26%～31%）和開花期（2為0.69～0.70，歸一化均方根誤差為24%～25%）的估算精度最高。Sentinel-2波段數(shù)據(jù)與DNN算法結(jié)合的估算精度最高，在全生育期中預(yù)測(cè)精度2為0.70。施氮水平的提高同樣增強(qiáng)了DNN模型的估算精度，3顆衛(wèi)星波段數(shù)據(jù)在300 kg/hm2施氮條件下的預(yù)測(cè)精度2都在0.71及以上，均方根誤差小于219 g/m2。研究結(jié)果揭示了光學(xué)衛(wèi)星遙感數(shù)據(jù)在不同生育期和施氮條件下估算冬小麥生物量的潛力。

模型；生物量；冬小麥；RapidEye；Sentinel-2；WorldView-2

0 引 言

農(nóng)作物地上生物量可以直接表征作物凈光合作用積累有機(jī)物的能力和生長(zhǎng)情況[1]。準(zhǔn)確快速估算作物生物量對(duì)農(nóng)業(yè)生產(chǎn)管理和促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義[2]。

近年來，遙感技術(shù)已經(jīng)成為作物生長(zhǎng)監(jiān)測(cè)的重要手段。光譜植被指數(shù)可以提高光譜特征對(duì)反演參量的敏感性，減少混雜因素的影響[3-4]，已成為作物參數(shù)遙感估算最廣泛的方法之一。許多光譜植被指數(shù)被用于作物理化參數(shù)的估算[5]，其中包括對(duì)作物生物量的遙感估算[6]，如Yue等[7]通過高光譜植被指數(shù)結(jié)合作物高度成功反演小麥生物量；任建強(qiáng)等[8]利用高光譜衛(wèi)星遙感數(shù)據(jù)構(gòu)建植被指數(shù)，實(shí)現(xiàn)對(duì)冬小麥生物量的反演。除了光譜植被指數(shù)的方法外，多元回歸能同時(shí)考慮多個(gè)變量構(gòu)建模型，實(shí)現(xiàn)對(duì)參數(shù)的精確估算[9]。近年來，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法被廣泛應(yīng)用到遙感領(lǐng)域，已成為定量遙感反演的重要手段。許多基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法被應(yīng)用于作物理化參數(shù)的估算，如隨機(jī)森林回歸算法（Random Forest Regression，RFR）[10-11]、支持向量回歸算法（Support Vector Regression，SVR）[12]、偏最小二乘回歸算法（Partial Least Squares Regression，PLSR）[13]、卷積神經(jīng)網(wǎng)絡(luò)算法[14]和深度神經(jīng)網(wǎng)絡(luò)算法（Deep Neural Networks，DNN）[15]等。

高光譜傳感器可以通過窄波段的連續(xù)觀測(cè)，實(shí)現(xiàn)對(duì)地表參數(shù)的精細(xì)探測(cè)[7]。但考慮到數(shù)據(jù)的獲取成本，對(duì)于大尺度范圍的遙感應(yīng)用，衛(wèi)星多光譜數(shù)據(jù)是更為實(shí)際的選擇[16]。通過將高光譜數(shù)據(jù)重采樣為衛(wèi)星寬波段數(shù)據(jù)的方法，可以用于對(duì)衛(wèi)星多光譜數(shù)據(jù)應(yīng)用潛力的評(píng)估，為未來多光譜傳感器波段通道的設(shè)計(jì)提供參考，所構(gòu)建的算法也有望拓展和應(yīng)用到真實(shí)的衛(wèi)星遙感數(shù)據(jù)[17]。

在植被遙感中，紅邊波段的反射率被認(rèn)為對(duì)植被監(jiān)測(cè)具有巨大優(yōu)勢(shì)[18-19]，目前僅有部分衛(wèi)星數(shù)據(jù)具有紅邊探測(cè)波段，包括RapidEye、Sentinel-2和WorldView-2等。

農(nóng)作物遙感監(jiān)測(cè)除了受到波段通道的影響，所構(gòu)建的反演模型還受到作物生長(zhǎng)狀況的影響。在不同的生育期中，葉片色素含量和冠層結(jié)構(gòu)的變化會(huì)直接影響到冠層反射率，進(jìn)而影響了遙感反演模型的精度[20]。同樣的，冠層反射率也會(huì)受到不同施肥水平的影響[21]。

本研究通過將4個(gè)生育期、3種施氮水平條件下獲取的冬小麥冠層高光譜反射率數(shù)據(jù)重采樣為3顆具有紅邊波段衛(wèi)星的寬波段反射率數(shù)據(jù)，通過構(gòu)建寬波段植被指數(shù)和機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型，探索具有紅邊波段衛(wèi)星遙感數(shù)據(jù)在不同條件下估算冬小麥地上生物量的能力。

1 材料與方法

1.1 研究區(qū)與試驗(yàn)設(shè)計(jì)

本研究區(qū)位于南京信息工程大學(xué)農(nóng)業(yè)氣象實(shí)驗(yàn)站（118°7'E，32°2'N）。試驗(yàn)分別在2011、2012和2014年開展，冬小麥于每年的11月份播種，次年的6月份收獲。為增加試驗(yàn)區(qū)冬小麥長(zhǎng)勢(shì)差異，每年的冬小麥供試驗(yàn)品種為兩種，2011年為徐麥31和寧麥12，2012年為揚(yáng)麥13和鎮(zhèn)麥168，2014年為揚(yáng)麥13和寧麥13。每個(gè)品種采用3個(gè)水平的施氮梯度（N1、N2和N3），每個(gè)梯度對(duì)應(yīng)的尿素施用量分別為0、150和300 kg/hm2，并采取3次重復(fù)試驗(yàn)，共設(shè)計(jì)18個(gè)田塊開展試驗(yàn)，每個(gè)田塊的大小為9 m2（3 m×3 m）。氮肥以60%作基肥，40%作拔節(jié)肥。磷肥和鉀肥按照1∶1的標(biāo)準(zhǔn)施用（均為150 kg/hm2）。其他管理措施遵循當(dāng)?shù)囟←溙镩g管理標(biāo)準(zhǔn)。本研究整體的技術(shù)路線如圖1所示。

圖1 技術(shù)路線圖

1.2 數(shù)據(jù)獲取

1.2.1 冬小麥冠層高光譜反射率獲取與預(yù)處理

冬小麥冠層光譜反射率采用美國ASD公司的Field-Space3光譜儀獲取。地面光譜測(cè)量試驗(yàn)選在無風(fēng)無云的晴朗天氣下，光譜儀在小麥冠層上方1 m左右，光譜儀視場(chǎng)角為25°，獲取時(shí)間為當(dāng)日的10:00—14:00。在冬小麥的4個(gè)主要生育期（拔節(jié)期、抽穗期、開花期和灌漿期）分別開展冠層光譜測(cè)量試驗(yàn)。光譜儀獲取的光譜圍為350～2 500 nm，光譜分辨率為1 nm。每個(gè)田塊獲取3個(gè)觀測(cè)點(diǎn)的光譜，每個(gè)觀測(cè)點(diǎn)重復(fù)測(cè)量3次，以測(cè)量值的平均光譜作為每個(gè)田塊的光譜。每次測(cè)量都進(jìn)行標(biāo)準(zhǔn)白板校正，所測(cè)得的目標(biāo)物光譜是無量綱的相對(duì)反射率。利用15個(gè)數(shù)據(jù)點(diǎn)和二次多項(xiàng)式對(duì)原始光譜數(shù)據(jù)進(jìn)行Savitzky-Golay濾波處理，同時(shí)去掉噪聲較大波段和水汽吸收波段，同時(shí)考慮到400 nm以下光譜區(qū)域的強(qiáng)散射。最終保留了400～1 340、1430～1 790和1 970～2 350 nm波段的高光譜數(shù)據(jù)。

1.2.2 冬小麥地上生物量測(cè)量

冬小麥地上生物量的采樣量測(cè)與光譜數(shù)據(jù)的獲取在同一天內(nèi)完成。在3個(gè)年份的試驗(yàn)中，每隔10～20 d左右進(jìn)行一次田間采樣量測(cè)試驗(yàn)，在獲取冠層光譜數(shù)據(jù)后，采集地塊的樣方（30 cm×30 cm）內(nèi)所有冬小麥樣本。首先對(duì)獲取的樣本在105 ℃下烘干30 min，然后在80 ℃下烘干約24 h，直到獲得恒質(zhì)量作為單位面積內(nèi)的干生物量。在3個(gè)年份的試驗(yàn)中，不同生育期田間采樣次數(shù)存在差異，共計(jì)在拔節(jié)期、抽穗期、開花期和灌漿期分別獲得了88、54、72和54個(gè)樣本。

1.3 衛(wèi)星波段反射率重采樣

在本研究中，模擬了3顆具有紅邊波段衛(wèi)星的寬波段光譜反射率。3顆衛(wèi)星的波段信息如表1所示。

表1 3顆衛(wèi)星波段的中心波長(zhǎng)、帶寬和空間分辨率

注：Sentinel-2第十波段為卷云波段，用于探測(cè)薄卷云進(jìn)行大氣校正，不參與后面的運(yùn)算。

Note: Band 10 of Sentinel-2 is the cirrus band. This band is used for cirrus cloud detection, atmospheric correction and not participated in the subsequent calculation.

其中RapidEye衛(wèi)星傳感器的波段數(shù)為5個(gè)，包括：藍(lán)、綠、紅、紅邊和近紅外；WorldView-2衛(wèi)星傳感器的波段數(shù)為8個(gè)，其中不僅具有4個(gè)業(yè)內(nèi)標(biāo)準(zhǔn)波段：紅、綠、藍(lán)、近紅外，還包括4個(gè)額外的波段：海岸藍(lán)、黃、紅邊和第二個(gè)近紅外波段；Sentinel-2衛(wèi)星的波段數(shù)為13個(gè)，除了常見的業(yè)內(nèi)標(biāo)準(zhǔn)波段外，擁有3個(gè)植被紅邊波段，3個(gè)短波近紅外波段。根據(jù)圖2中所示的3顆衛(wèi)星的光譜響應(yīng)函數(shù)，近地光譜儀獲取的冬小麥冠層高光譜反射率數(shù)據(jù)分別被重采樣成3顆衛(wèi)星的寬波段反射率，具體的計(jì)算公式如下：

式中是波段的反射率，是起始波長(zhǎng)，是最終波長(zhǎng)，是處的反射率，是波段在處的光譜響應(yīng)函數(shù)。圖3展示了不同生長(zhǎng)條件下，冠層高光譜平均反射率重采樣為對(duì)應(yīng)的3顆衛(wèi)星寬波段反射率。

圖3 不同生育期和施氮水平條件下的衛(wèi)星寬波段反射率

1.4 歸一化型植被指數(shù)的構(gòu)建

為評(píng)估3顆衛(wèi)星波段構(gòu)建植被指數(shù)估算冬小麥生物量的能力，本研究采用重采樣后的衛(wèi)星寬波段反射率數(shù)據(jù)，構(gòu)建任意兩波段歸一化型植被指數(shù)NDVI-like （Normalized Difference Vegetation Index Like）[22-23]，該類型指數(shù)是傳統(tǒng)NDVI植被指數(shù)的一種波段優(yōu)化后的形式，被廣泛應(yīng)用于新型植被指數(shù)的開發(fā)和構(gòu)建，其具體形式如下：

1.5 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法

在本研究中，采用6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，以3顆衛(wèi)星寬波段反射率作為輸入，構(gòu)建冬小麥生物估算模型。

1.5.1 隨機(jī)森林回歸

隨機(jī)森林回歸是近年來在機(jī)器學(xué)習(xí)研究中被廣泛應(yīng)用的一種數(shù)據(jù)分析和統(tǒng)計(jì)方法。RFR通過隨機(jī)抽取樣本和特征，同時(shí)建立多個(gè)相互不關(guān)聯(lián)的決策樹，每個(gè)決策樹都能得到一個(gè)預(yù)測(cè)值，綜合所有決策樹的結(jié)果取平均值，得到整個(gè)森林的回歸預(yù)測(cè)結(jié)果。模型訓(xùn)練時(shí)，需要考慮每次訓(xùn)練建立的決策樹的數(shù)量n_estimators和抽取的最大特征數(shù)max_features。

在本研究中，通過網(wǎng)格搜索的方式來優(yōu)化兩個(gè)參數(shù)的取值，其中n_estimators搜索范圍從20到2 000，而max_features的搜索范圍從1到訓(xùn)練特征數(shù)的2/3。再使用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)。

1.5.2 支持向量回歸

支持向量回歸通過擬合一個(gè)超平面將所有的特征考慮在內(nèi)，且其計(jì)算復(fù)雜度不依賴于輸入數(shù)據(jù)的維度?；舅枷刖褪亲尡M可能多的點(diǎn)滿足這個(gè)超平面。SVR在回歸分析中的優(yōu)勢(shì)源于核的使用，SVR使用核函數(shù)將非線性的數(shù)據(jù)映射到高維空間，在高維空間中建立特征與目標(biāo)的線性關(guān)系。

本研究中，SVR使用被廣泛使用的高斯徑向基核函數(shù)（Radial Basis Function，RBF）。訓(xùn)練模型時(shí)需要確定懲罰系數(shù)和RBF核函數(shù)中的參數(shù)項(xiàng)。是誤差容忍度，對(duì)于回歸問題，它決定點(diǎn)是否滿足超平面，其值越大，模型擬合越好，但容易過擬合；值越小，對(duì)點(diǎn)的要求越嚴(yán)格，但容易欠擬合。SVR模型同樣采用網(wǎng)格搜索確定這兩個(gè)參數(shù)的取值，其中的搜索范圍為10～1 000，的搜索范圍為0.05～0.5。

1.5.3 偏最小二乘回歸

偏最小二乘回歸通過線性多元模型來關(guān)聯(lián)兩個(gè)數(shù)據(jù)矩陣（特征矩陣和樣本矩陣），但它超越了傳統(tǒng)多元線性回歸，可以分析具有強(qiáng)烈共線、噪聲和眾多特征數(shù)據(jù)，也可以同時(shí)建模多個(gè)響應(yīng)變量。PLSR的基本思想是通過將貢獻(xiàn)率較高的原始變量進(jìn)行矩陣加權(quán)處理，形成新的主成分變量，在建模的同時(shí)能完成對(duì)變量數(shù)據(jù)結(jié)構(gòu)的降維。PLSR通過投影的方式將自變量和因變量投影到新空間，進(jìn)而進(jìn)行一個(gè)線性回歸模型。

在模型訓(xùn)練時(shí)需要優(yōu)化保留的主成分?jǐn)?shù)n_components的值，默認(rèn)為2。本研究中的優(yōu)化范圍為2到特征數(shù)的2/3。

1.5.4 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)是一種前饋人工神經(jīng)網(wǎng)絡(luò)，其在輸入層和輸出層之間有一層以上的隱藏層，利用上一層的輸出計(jì)算出下一層的輸出。DNN本質(zhì)上是基于感知機(jī)的擴(kuò)展，一個(gè)感知機(jī)在若干輸入和一個(gè)輸出之間學(xué)習(xí)得到一個(gè)線性關(guān)系，接著使用激活函數(shù)將這個(gè)線性關(guān)系轉(zhuǎn)化為輸出。而DNN的層與層之間是全連接的，即任意一個(gè)神經(jīng)元都與下一層的所有神經(jīng)元相連，構(gòu)成了多個(gè)輸入和多個(gè)輸出的感知機(jī)。從輸入層開始，一層一層的向后計(jì)算，一直運(yùn)算到輸出層，得到輸出結(jié)果為止。DNN算法使用tensorflow框架的DNN Regressor建立。

在本研究中，使用兩層具有相同神經(jīng)元數(shù)的隱藏層，神經(jīng)元數(shù)量設(shè)定為訓(xùn)練數(shù)據(jù)的2/3；Input_fn設(shè)定為lambda，訓(xùn)練迭代的次數(shù)設(shè)定為3000；激活函數(shù)使用ReLU（Rectified Linear Unit），使得每一層都能夠得到單獨(dú)訓(xùn)練，不會(huì)造成梯度損失；優(yōu)化器使用廣泛采用的Adam（Adaptive Moment Estimation Algorithm）算法。

1.5.5 長(zhǎng)短期記憶遞歸神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶遞歸神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory, LSTM）是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)。其特殊性在于相比于遞歸神經(jīng)網(wǎng)絡(luò)，LSTM考慮的時(shí)序更長(zhǎng)，主要特點(diǎn)就是：將遺忘門、輸入門和輸出門對(duì)狀態(tài)的影響一直傳遞下去，最終決定每一個(gè)時(shí)間點(diǎn)要忘記多少、記住多少和輸出多少，從而達(dá)到可以控制其不會(huì)忘記遙遠(yuǎn)的重要信息，也不會(huì)把附近的不重要的信息看的太重的作用。本研究中，LSTM模型的優(yōu)化器同樣使用被廣泛應(yīng)用Adam算法，激活函數(shù)使用ReLU，損失函數(shù)使用均方誤差mse，使用雙層LSTM，雙層全連層。

1.5.6 一維卷積神經(jīng)網(wǎng)絡(luò)

一維卷積神經(jīng)網(wǎng)絡(luò)（One Dimension-Convolutional Neural Network，1D-CNN）相比于二維卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別在于卷積核的移動(dòng)方式，1D-CNN卷積核采用從頭到尾，自上而下的移動(dòng)方式。1D-CNN包含輸入層、卷積層和池化層。輸入層就第一層需要設(shè)置輸入數(shù)據(jù)的空間維度；卷積層中使用卷積核從數(shù)值上提取特征信息，步長(zhǎng)為1，對(duì)輸入數(shù)據(jù)進(jìn)行0填充，這樣卷積層就不會(huì)改變輸入數(shù)據(jù)在空間維度上的尺寸；在最大池化層獲得最大特征值，本質(zhì)對(duì)輸入數(shù)據(jù)的空間維度進(jìn)行降采樣。

本研究中，卷積核的大小設(shè)置為波段數(shù)（特征數(shù)）的一半；同時(shí)設(shè)置了每一層卷積核的個(gè)數(shù)，每?jī)蓪拥木矸e核個(gè)數(shù)相同，卷積核的個(gè)數(shù)從16開始，按照2倍遞增，直到樣本數(shù)的2/3左右停止，相應(yīng)的層數(shù)也增加；每?jī)蓪釉黾右粋€(gè)池化層將輸出矩陣大小降為原來的1/3；全連層使用線性激活函數(shù)，其余層和DNN一樣激活函數(shù)為ReLU；優(yōu)化器和DNN一樣使用Adam。

1.6 精度驗(yàn)證

回歸算法均基于python 3.6的環(huán)境搭建，其中機(jī)器學(xué)習(xí)算法使用scikit-learn 0.23.2框架搭建，深度學(xué)習(xí)算法使用tensorflow 2.6.2框架搭建。對(duì)6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型均使用留一法交叉驗(yàn)證，每次只使用一個(gè)作為測(cè)試集，剩下的全部作為訓(xùn)練集，這種方法得出的結(jié)果與訓(xùn)練整個(gè)測(cè)試集的期望值最為接近。通過計(jì)算實(shí)測(cè)與預(yù)測(cè)數(shù)據(jù)的決定系數(shù)（2）、均方根誤差（Root Mean Square Error，RMSE）和歸一化均方根誤差（Normalized Root Mean Square Error，NRMSE）來評(píng)價(jià)模型預(yù)測(cè)生物量的準(zhǔn)確性。

2 結(jié)果與分析

2.1 基于衛(wèi)星波段NDVI-like植被指數(shù)的冬小麥生物量估算

本研究中，計(jì)算NDVI-like與冬小麥干生物量之間的決定系數(shù)2，并繪制二維2分布圖，如圖4所示。從二維2分布圖中識(shí)別NDVI-like植被指數(shù)對(duì)冬小麥生物量最佳敏感波段組合，如表2所示。研究發(fā)現(xiàn)，在不同的生育期，所構(gòu)建的敏感植被指數(shù)具有明顯的差異。

對(duì)于RapidEye波段數(shù)據(jù)，在4個(gè)生育期中所構(gòu)建的最佳植被指數(shù)與冬小麥生物量的決定系數(shù)2在0.19～0.50之間變化。其中開花期的決定系數(shù)最高，所構(gòu)建的最佳植被指數(shù)為紅光和藍(lán)光波段組合。抽穗期的決定系數(shù)最低。全生育期植被指數(shù)與生物量的相關(guān)性低于單一生育期。

注：各處理樣本量見表2。下同。

對(duì)于Sentinel-2波段數(shù)據(jù)，不同生育期對(duì)應(yīng)的最佳植被指數(shù)具有明顯差異。在抽穗期，紅光波段B4與紅外波段B9的組合與生物量具有更高的相關(guān)性；在開花期，多個(gè)波段組合對(duì)生物量均表現(xiàn)出較強(qiáng)的敏感性，如紅邊波段B5與綠光波段B3的組合、紅光波段B4分別與波段B1和藍(lán)光波段B2的組合、紅外B9分別與近紅外B8和B8A的組合以及短波近紅外B12與波段B1的組合；在灌漿期，冬小麥生物量與所構(gòu)建的NDVI-like植被指數(shù)的敏感性波段與開花期相似，但敏感性低于開花期；在開花期所構(gòu)建的植被指數(shù)與生物量的敏感性最高，2為0.56，最佳波段組合為B3和B5波段組合。其次是在拔節(jié)期，對(duì)應(yīng)的2為0.51，最佳波段組合為B11和B5。在全生育期的最佳波段組合為B12和B2，敏感性2為0.31。

對(duì)于WorldView-2波段數(shù)據(jù)，從二維2圖上看，在拔節(jié)期，敏感性較高的波段組合是：綠光波段與黃光波段、紅光波段的組合，以及紅邊波段與兩個(gè)近紅外波段的組合；在抽穗期，較為敏感的波段組合是：藍(lán)波段與海岸藍(lán)波段的組合，紅邊波段與近紅外波段的組合；在開花期，最佳的波段組合為紅光波段與海岸藍(lán)波段，對(duì)應(yīng)的2為0.55；在灌漿期，紅光波段與藍(lán)、綠和黃光波段組合對(duì)生物量較為敏感，其中最佳組合為紅光與黃光波段的組合，對(duì)應(yīng)的2為0.42。對(duì)全生育期，所構(gòu)建的植被指數(shù)與生物量的敏感性較差，2僅為0.10。

不同施氮水平條件下，最佳波段組合對(duì)生物量的敏感性隨施氮程度的增加而增強(qiáng)，對(duì)于RapidEye、 Sentinel-2、WorldView-2波段數(shù)據(jù)，其2分別從施氮水平N1條件下的0.22、0.35、0.14增加到N3條件下的0.37、0.50和0.28。3顆衛(wèi)星在N1和N2條件下分別具有相同的最佳波段組合，其中RapidEye的最佳波段組合為紅邊波段和綠光波段，Sentinel-2的最佳波段組合為B11和B3，WorldView-2的最佳組合為紅邊和綠光波段。在N3條件下RapidEye的最佳波段組合為紅邊波段和藍(lán)光波段，Sentinel-2的最佳波段組合為B2和B5，而WorldView-2的最佳組合為藍(lán)光波段和綠光波段。

表2中展示了NDVI-like植被指數(shù)與冬小麥生物量的線性擬合關(guān)系和最佳的波段組合（NDVI-best）。從表中發(fā)現(xiàn)，基于Sentinel-2衛(wèi)星波段構(gòu)建的NDVI-like最佳植被指數(shù)除在灌漿期與生物量的擬合關(guān)系（2=0.41）略低于WorldView-2衛(wèi)星波段擬合的結(jié)果外（2=0.42），在其他生育期和3種施氮水平條件下所構(gòu)建的最佳植被指數(shù)的敏感性都要優(yōu)于RapidEye和WorldView-2波段數(shù)據(jù)。在4個(gè)生育期中，WorldView-2衛(wèi)星波段構(gòu)建的最佳植被指數(shù)要優(yōu)于RapidEye衛(wèi)星波段數(shù)據(jù)。但在全生育期中，RapidEye波段數(shù)據(jù)所構(gòu)建的植被指數(shù)要優(yōu)于WorldView-2波段數(shù)據(jù)。在3種施氮條件下RapidEye波段數(shù)據(jù)所構(gòu)建的植被指數(shù)都要優(yōu)于WorldView-2波段數(shù)據(jù)。圖5展示了最佳植被指數(shù)及在不同生長(zhǎng)條件下所構(gòu)建的反演模型與生物量間的散點(diǎn)關(guān)系圖。

表2 最佳波段組合下NDVI-like植被指數(shù)與冬小麥生物量關(guān)系

2.2 基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的冬小麥生物量估算

使用3顆衛(wèi)星寬波段光譜反射率作為6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的輸入，構(gòu)建冬小麥生物量估算模型。表3和表4展示了6種算法在不同生育期和不同施氮水平下估算冬小麥生物量的精度。圖6中展示了不同生長(zhǎng)條件下的最佳預(yù)測(cè)模型的實(shí)測(cè)與估算生物量的散點(diǎn)圖。6種算法的表現(xiàn)受到生育期和施氮水平的影響。DNN算法的最佳預(yù)測(cè)精度除在灌漿期略低于RFR算法，除在N3施氮水平略低于1D-CNN外，在其他生育期和施氮水平條件下都優(yōu)于另外5種算法。在全生育期的生物量估算中，DNN算法與Sentinel-2波段數(shù)據(jù)相結(jié)合表現(xiàn)出最佳的預(yù)測(cè)能力，2為0.70，RMSE為203.78 g/m2。在單一生育期的生物量預(yù)測(cè)中，在拔節(jié)期所構(gòu)建的模型的預(yù)測(cè)能力最優(yōu)，3顆衛(wèi)星與DNN算法所構(gòu)建模型的決定系數(shù)2在0.69～0.78，NRMSE在0.26～0.31之間變化。

在開花期，DNN算法所構(gòu)建模型的決定系數(shù)2在0.69～0.70，NRMSE在0.24～0.25之間。而在抽穗期，所構(gòu)建的最佳預(yù)測(cè)模型的預(yù)測(cè)精度最低，3顆衛(wèi)星所構(gòu)建模型的的決定系數(shù)2在0.35～0.53之間變化，RMSE在78.60～92.00 g/m2之間變化；在4個(gè)生育期以及全生育期中，Sentinel-2衛(wèi)星波段數(shù)據(jù)所構(gòu)建的最佳預(yù)測(cè)模型的預(yù)測(cè)精度要優(yōu)于RapidEye和WorldView-2衛(wèi)星波段數(shù)據(jù)。表4展示了在3種施氮水平條件，6種算法構(gòu)建模型估算生物量的能力，從表中可以看出，在3種施氮水平條件下，模型的預(yù)測(cè)能力隨著施氮水平增加而增強(qiáng)。而在N3條件下的最佳的估算精度2在0.71和0.75之間，RMSE在202～219 g/m2之間。在N1和N3條件下，基于Sentinel-2波段數(shù)據(jù)的最佳模型預(yù)測(cè)精度要優(yōu)于WorldView-2和RapidEye波段數(shù)據(jù)。而在N2條件下，基于WorldView-2波段數(shù)據(jù)的最佳模型的預(yù)測(cè)精度要優(yōu)于其他兩顆衛(wèi)星波段數(shù)據(jù)。

圖5 不同生育期和施氮水平條件下基于最佳植被指數(shù)的冬小麥生物量反演模型性能

表3 不同生育期下基于6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的冬小麥生物量估算

注：RFR、PLSR、SVR、1D-CNN、LSTM、DNN分別代表隨機(jī)森林回歸、偏最小二乘回歸算法、支持向量回歸算法、一維卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶遞歸神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)算法。下同。

Note: RFR, PLSR, SVR, 1D-CNN, LSTM, DNN represent random forest regression, partial least squares regression, support vector regression, one dimension-convolutional neural network, long short term memory, deep neural networks. Same below.

表4 不同施氮水平條件下基于6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的冬小麥生物量估算

圖6 不同生育期和施氮水平條件下最佳反演模型估算精度散點(diǎn)圖

3 討 論

高光譜遙感可以通過窄波段反射率實(shí)現(xiàn)對(duì)農(nóng)作物長(zhǎng)勢(shì)的精細(xì)探測(cè)，但由于其數(shù)據(jù)獲取成本，對(duì)大面積農(nóng)作物遙感監(jiān)測(cè)，衛(wèi)星多光譜遙感數(shù)據(jù)更具有實(shí)用性。近年來，衛(wèi)星紅邊探測(cè)波段的設(shè)計(jì)和開發(fā)，從理論上增強(qiáng)了衛(wèi)星植被探測(cè)能力，而其對(duì)冬小麥地上生物量遙感監(jiān)測(cè)能力和影響因素需要進(jìn)一步評(píng)估。冬小麥生物量的遙感估算受到作物生長(zhǎng)狀況和施氮水平的影響[12]。在不同的生育期中，本研究中所構(gòu)建的最佳寬波段植被指數(shù)對(duì)生物量的敏感性2在0.37～0.56之間變化。其敏感性略低于基于無人機(jī)高光譜遙感數(shù)據(jù)構(gòu)建的歸一化植被指數(shù)在不同生育期對(duì)生物量的敏感性（2=0.44～0.64）[24]。對(duì)于基于寬波段數(shù)據(jù)與機(jī)器學(xué)習(xí)和深度學(xué)習(xí)構(gòu)建的估算模型，模型的預(yù)測(cè)精度在不同的生育期也表現(xiàn)出顯著差異，本研究中的實(shí)測(cè)與預(yù)測(cè)的值的2在0.53～0.79之間變化，其相關(guān)性略低于高光譜遙感數(shù)據(jù)與機(jī)器學(xué)習(xí)算法在不同生育期的估算結(jié)果（2=0.69～0.88）[12]，但與環(huán)境衛(wèi)星的寬波段遙感數(shù)據(jù)與機(jī)器學(xué)習(xí)算法在不同生育期中的估算結(jié)果一致，在不同生育期中的2同樣在0.53～0.79之間變化[25]。冬小麥生物量的遙感估算在不同生育期中，所構(gòu)建模型表現(xiàn)出顯著的差異[12,24,26]，其潛在的原因在于冬小麥生物量絕對(duì)值在不同的生育期具有明顯的差異（如圖6所示），使得冠層對(duì)光的反射和吸收特性呈現(xiàn)不同的特征[25]。此外，在不同生育期冬小麥對(duì)氮素的利用效率、葉片葉綠素含量、冠層結(jié)構(gòu)特征差異明顯，同樣導(dǎo)致冠層光譜反射率的較大差異[27]，因此造成遙感估算模型在不同生育期中的表現(xiàn)差異。陶惠林等[24]發(fā)現(xiàn)，在開花期、灌漿期和孕穗期3個(gè)生育期中，在開花期對(duì)冬小麥生物量的估算精度最高。在本研究中在，植被指數(shù)的敏感性和深度學(xué)習(xí)算法的估算精度在拔節(jié)期和開花期中表現(xiàn)最佳，這與陶惠林等人的研究結(jié)果一致。在3種施氮水平條件下，施氮水平的提高增強(qiáng)了模型估算精度，主要可能的原因是施氮水平的增強(qiáng)促進(jìn)了小麥冠層的生長(zhǎng)，從而提高了冠層葉片對(duì)地表的覆蓋，進(jìn)而減少了地表背景反射率的影響。因此，在應(yīng)用衛(wèi)星遙感數(shù)據(jù)對(duì)冬小麥生物量進(jìn)行估算時(shí)，要顧及生長(zhǎng)狀況和施氮水平的影響。

基于紅邊反射率構(gòu)建的植被指數(shù)在冬小麥生物量的估算中具有十分重要的作用。相比于傳統(tǒng)的基于紅光和近紅外波段構(gòu)建的植被指數(shù)，紅邊波段植被指數(shù)能夠減少植被指數(shù)對(duì)生物量的飽和現(xiàn)象，從而提高反演精度[28]。可能的原因是紅邊波段反射率與植被葉綠素含量具有很強(qiáng)的相關(guān)性[29]，而葉綠素含量又與生物量密切相關(guān)[30]。另外，相比于傳統(tǒng)的紅光和近紅外波段構(gòu)建的植被指數(shù)，紅邊波段植被指數(shù)對(duì)土壤背景的敏感性更弱[31]，進(jìn)而提高了對(duì)生物量的敏感性。

本研究的局限性在于所構(gòu)建的衛(wèi)星寬波段植被指數(shù)和機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型未采用實(shí)際的衛(wèi)星遙感數(shù)據(jù)進(jìn)行驗(yàn)證。對(duì)于實(shí)際的衛(wèi)星遙感影像，波段反射率會(huì)受到大氣、太陽高度角和混合像元的影響。本研究中所構(gòu)建的算法和模型在今后的研究中需要通過實(shí)際的衛(wèi)星遙感影像進(jìn)一步驗(yàn)證。在本研究中，只采用單一的光學(xué)衛(wèi)星遙感數(shù)據(jù)開展冬小麥生物量的直接遙感估算，在今后的研究中可以結(jié)合多源遙感數(shù)據(jù)提高反演精度。

4 結(jié) 論

本文采用對(duì)近地冬小麥冠層高光譜數(shù)據(jù)重采樣的方式評(píng)估了3顆具有紅邊波段的衛(wèi)星波段數(shù)據(jù)（RapidEye、Sentinel-2和WorldView-2）估算冬小麥生物量的能力。通過構(gòu)建任意兩波歸一化植被指數(shù)NDVI-like最佳植被指數(shù)和6種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，在4個(gè)生育期和3種施氮水平條件下開展冬小麥生物量的遙感估算。本研究主要有以下結(jié)論：

1）衛(wèi)星波段構(gòu)建的植被指數(shù)受到生育期和施氮水平的影響。在單一生育期中，兩波段構(gòu)建的植被指數(shù)在開花期對(duì)生物量的敏感性最強(qiáng)（2=0.50～0.56）。而在全生育期中，依靠單一植被指數(shù)很難實(shí)現(xiàn)對(duì)冬小麥生物量的精確估算。在3顆衛(wèi)星波段數(shù)據(jù)中，Sentinel-2衛(wèi)星波段數(shù)據(jù)所構(gòu)建的植被指數(shù)最優(yōu)，其中具有紅邊波段B5參與組合的植被指數(shù)在拔節(jié)期和開花期的相關(guān)性2都在0.50以上。在不同施氮水平條件下，植被指數(shù)對(duì)冬小麥生物量的敏感性隨著施氮水平的提高而增強(qiáng)。

2）總的來說，本研究所采用的6種算法中，基于DNN算法所構(gòu)建的冬小麥生物量估算模型要優(yōu)于其他機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法。所構(gòu)建的模型同樣受到生育期和施氮水平的影響。在單一生育期中，在拔節(jié)期（2=0.69～0.78和NRMSE=0.26～0.31）和開花期（2=0.69～0.70和NRMSE=0.24～0.25）的估算精度最高。Sentinel-2波段數(shù)據(jù)與DNN結(jié)合的估算精度最高，在全生育期中預(yù)測(cè)精度2為0.70，RMSE為203.78 g/m2。施氮水平的提高同樣增強(qiáng)了DNN模型的估算精度，3顆衛(wèi)星波段數(shù)據(jù)在N3條件下的預(yù)測(cè)精度2都在0.71及以上，RMSE低于219 g/m2。

[1] 李長(zhǎng)春，李亞聰，王藝琳，等. 基于小波能量系數(shù)和葉面積指數(shù)的冬小麥生物量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52(12)：191-200.

Li Changchun, Li Yacong, Wang Yilin, et al. Winter wheat biomass estimation based on wavelet energy coefficient and leaf area index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(12): 191-200. (in Chinese with English abstract)

[2] Du X, Li Q, Dong T, et al. Winter wheat biomass estimation using high temporal and spatial resolution satellite data combined with a light use efficiency model[J]. Geocarto International, 2014, 30(3): 258-269.

[3] Feng L, Wang Y, Zhang Z, et al. Geographically and temporally weighted neural network for winter wheat yield prediction[J]. Remote Sensing of Environment, 2021, 262: 112514.

[4] 孫奇，關(guān)琳琳，焦全軍，等. 基于植被指數(shù)融合的冬小麥生物量反演研究[J]. 遙感技術(shù)與應(yīng)用，2021，36(2)：391-399.

Sun Qi, Guan Linlin, Jiao Quanjun, et al. Research on retrieving biomass of winter wheat based on fusing vegetation index[J]. Remote Sensing Technology and Application, 2021, 36(2): 391-399. (in Chinese with English abstract)

[5] 于豐華，邢思敏，郭忠輝，等. 基于特征轉(zhuǎn)移植被指數(shù)的水稻葉片氮素含量定量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(2)：175-182.

Yu Fenghua, Xing Simin, Guo Zhonghui, et al. Remote sensing inversion of the nitrogen content in rice leaves using character transfer vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(2): 175-182. (in Chinese with English abstract)

[6] 魏慶偉，王福州，張青，等. 基于近地遙感的冬小麥生物量動(dòng)態(tài)監(jiān)測(cè)方法[J]. 山東農(nóng)業(yè)科學(xué)，2021，53(3)：132-138.

Wei Qingwei, Wang Fuzhou, Zhang Qing, et al. Dynamic monitoring method of winter wheat biomass based on near earth remote sensing[J]. Shandong Agricultural Sciences, 2021, 53(3): 132-138. (in Chinese with English abstract)

[7] Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[8] 任建強(qiáng)，吳尚蓉，陳仲新，等. 基于Hyperion高光譜影像的冬小麥地上干生物量反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(4)：199-211.

Ren Jianqiang, Wu Shangrong, Chen Zhongxin, et al. Retrieving winter wheat above-ground dry biomass based on hyperion hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 199-211. (in Chinese with English abstract)

[9] 仇瑞承，苗艷龍，張漫，等. 基于線性回歸的玉米生物量預(yù)測(cè)模型及驗(yàn)證[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(10)：131-137.

Qiu Ruicheng, Miao Yanlong, Zhang Man, et al. Modeling and verification of maize biomass based on linear regression anaysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 131-137. (in Chinese with English abstract)

[10] 張東彥，韓宣宣，林芬芳，等. 基于多源無人機(jī)影像特征融合的冬小麥 LAI 估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(9)：171-179.

Zhang Dongyan, Han Xuanxuan, Lin Fenfang, et al. Estimation of winter wheat leaf area index using multi-source UAV image feature fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 171-179. (in Chinese with English abstract)

[11] Yue J, Feng H, Yang G, et al. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy[J]. Remote Sensing, 2018, 10(1): 66.

[12] 李嵐?jié)?，郭宇龍，王宜倫，? 基于高光譜的冬小麥不同生育時(shí)期地上部生物量監(jiān)測(cè)[J]. 麥類作物學(xué)報(bào)，2021，47(7)：904-913.

Li Lantao, Guo Yulong, Wang Yilun, et al. Estimation of shoot biomass at different growth stages of winter wheat based on hyperspectral reflectance[J]. Journal of Triticeae Crops, 2021, 47(7): 904-913. (in Chinese with English abstract)

[13] Fu Y, Yang G, Song X, et al. Improved estimation of winter wheat aboveground biomass using multiscale textures extracted from UAV-based digital images and hyperspectral feature analysis[J]. Remote Sensing, 2021, 13(4): 581.

[14] 馬浚誠，鄭飛翔，杜克明，等. 基于可見光圖像和卷積神經(jīng)網(wǎng)絡(luò)的冬小麥苗期長(zhǎng)勢(shì)參數(shù)估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(5)：183-189.

Ma Juncheng, Zheng Feixiang, Du Keming, et al. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(5): 183-189. (in Chinese with English abstract)

[15] Jin X, Li Z, Feng H, et al. Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index[J]. The Crop Journal, 2020, 8(1): 87-97.

[16] White J W, Andrade-Sanchez P, Gore M A, et al. Field-based phenomics for plant genetics research[J]. Field Crops Research, 2012, 133: 101-112.

[17] Cui B, Zhao Q J, Huang W J, et al. Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data[J]. Journal of Integrative Agriculture, 2019, 18(6): 1230-1245.

[18] Kross A, Mcnairn H, Lapen D, et al. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 235-248.

[19] Dong T, Liu J, Qian B, et al. Estimating crop biomass using leaf area index derived from Landsat 8 and Sentinel-2 data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 168: 236-250.

[20] Kipp S, Mistele B, Schmidhalter U. Identification of stay-green and early senescence phenotypes in high-yielding winter wheat, and their relationship to grain yield and grain protein concentration using high-throughput phenotyping techniques[J]. Functional Plant Biology, 2014, 41(3): 227-235.

[21] Magney T S, Eitel J U H, Huggins D R, et al. Proximal NDVI derived phenology improves in-season predictions of wheat quantity and quality[J]. Agricultural and Forest Meteorology, 2016, 217: 46-60.

[22] Darvishzadeh R, Atzberger C, Skidmore A, et al. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6): 894-906.

[23] Rouse J W, Haas R H, Schell J A, et al. Monitoring the Vernal Advancement of Retrogradation(GreenWave Effect) of Natural Vegetation[R]. Washington, DC, USA: NASA, 1974.

[24] 陶惠林，馮海寬，徐良驥，等. 基于無人機(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36(5)：1154-1162.

Tao Huilin, Feng Haikuan, Xu Liangji, et al. Winter wheat biomass estimation based on hyperspectral remote sensing data of unmanned aerial vehicle(UAV)[J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(5): 1154-1162. (in Chinese with English abstract)

[25] 岳繼博，楊貴軍，馮海寬. 基于隨機(jī)森林算法的冬小麥生物量遙感估算模型對(duì)比[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(18)：175-182.

Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182. (in Chinese with English abstract)

[26] 紀(jì)景純，劉建立，李曉鵬，等. 基于全波段高光譜的冬小麥生長(zhǎng)參數(shù)估算方法比較[J]. 作物雜志，2020(6)：180-188.

Ji Jingchun, Liu Jianli, Li Xiaopeng, et al. Comparison of estimation methods for growth parameters of winter wheat based on full-band hyperspectral data[J]. Crop Journal, 2020(6): 180-188. (in Chinese with English abstract)

[27] Bertheloot J, Martre P, Andrieu B. Dynamics of light and nitrogen distribution during grain filling within wheat canopy[J]. Plant Physiology, 2008, 148(3): 1707-1720.

[28] 鄭陽，吳炳方，張淼. Sentinel-2數(shù)據(jù)的冬小麥地上干生物量估算及評(píng)價(jià)[J]. 遙感學(xué)報(bào)，2017，21(2)：318-328.

Zheng Yang, Wu Binfang, Zhang Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese with English abstract)

[29] Cho M A, Skidmore A K. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method[J]. Remote Sensing of Environment, 2006, 101(2): 181-193.

[30] Gnyp M L, Miao Y, Yuan F, et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research, 2014, 155: 42-55.

[31] Zarco-Tejada P J, Miller J R, Morales A, et al. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops[J]. Remote Sensing of Environment, 2004, 90(4): 463-476.

Winter wheat biomass estimation based on satellite spectral-scale reflectance

Lan Shihao1, Li Yingxue2, Wu Fang3, Zou Xiaochen1※

(1.,,210044,;2.,,210044,;3.,225700,)

Crops biomass has been one of the most important indicators to predict the plant growth status and crop yield. This study aims to estimate the dry biomass of the winter wheat aboveground using optical satellite remote sensing. The winter wheat biomass was acquired at four growth stages (jointing, heading, flowering, and filling stage), and three nitrogen treatments (N1, N2, and N3, application rates of 0, 150 and 300 kg/hm2) in 2011, 2012, and 2014 at the agricultural meteorological experiment station, Nanjing University of Information Science and Technology, Nanjing, China. Simultaneously, the narrow-band spectral reflectance of canopy was also collected from the winter wheat using Analytical Spectral Device (ASD). Afterwards, the hyperspectral remote sensing data was resampled into the broad band reflectance of RapidEye, Sentinel-2, and WorldView-2 satellites with the red edge bands using the satellite spectral response functions. All possible band combinations of Normalized Difference Vegetation Index like (NDVI-like) were validated in the different growth stages and nitrogen treatments. Meanwhile, the satellite broad-band reflectance was used as the inputs for the six machine and deep learning for the biomass estimation, including the Random Forest (RF), Support Vector Regression (SVR), Partial Least Squares Regression (PLSR), Deep Neural Network (DNN), Long- and Short-Term Memory recursive neural network (LSTM), and one-dimensional Convolutional Neural Network (1D-CNN). Finally, the models were developed using Leave-One-Out cross validation under different growth stages and nitrogen treatments. The results showed that the optimal NDVI-like vegetation indices that derived from the two arbitrary bands presented the highest sensitivity to the winter wheat biomass at the flowering stage (coefficient of determination,2=0.50-0.56). It was also difficult to accurately estimate the biomass of winter wheat using only one vegetation index in the whole growth period. The nitrogen treatments were dominated the correlation between the vegetation indices and winter wheat biomass. Specifically, the high nitrogen treatment was enhanced the sensitivity of vegetation index to the winter wheat biomass. The vegetation index with the Sentinel-2 bands performed better than that with the rest. The2was over 0.50 between the vegetation index and biomass at the jointing and flowering stages. The best performance was achieved in the estimation model of winter wheat biomass using DNN among the six models. The performance of DNN-based model was also depended on the growth stages and nitrogen treatments. In the single growth stage, the highest estimation accuracy was observed at the jointing stage (2=0.69-0.78 and the normalized root mean square error (NRMSE)=0.26-0.31), and at the flowering stage (2=0.69-0.70 and NRMSE =0.24-0.35). The highest estimation accuracy was obtained in the DNN-based model with the Sentinel-2 bands as the inputs, indicating the2of 0.70 in the whole growth period. The high nitrogen treatment was also enhanced the estimation accuracy of DNN model, where the2was not lower than 0.71 and RMSE was within 219 g/m2at the N3 condition for all the three satellite bands. Therefore, the optical satellite remote sensing data can be expected to estimate the winter wheat biomass under the different growth stages and nitrogen treatment conditions.

models; biomass; winter wheat; RapidEye; Sentinel-2; WorldView-2

10.11975/j.issn.1002-6819.2022.24.013

S126

A

1002-6819(2022)-24-0118-11

蘭仕浩，李映雪，吳芳，等. 基于衛(wèi)星光譜尺度反射率的冬小麥生物量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(24)：118-128.doi：10.11975/j.issn.1002-6819.2022.24.013 http://www.tcsae.org

Lan Shihao, Li Yingxue, Wu Fang, et al. Winter wheat biomass estimation based on satellite spectral-scale reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 118-128. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.013 http://www.tcsae.org

2022-09-17

2022-11-28

國家自然科學(xué)基金項(xiàng)目（41801243）

蘭仕浩，研究方向?yàn)檗r(nóng)業(yè)遙感。Email：20201248051@nuist.edu.cn

鄒曉晨，博士，副教授，研究方向?yàn)檗r(nóng)業(yè)遙感。Email：zouxiaochen902@126.com