周西嘉 張 悅 王鵬新 張樹譽 李紅梅 田惠仁

(1.中國農業(yè)大學信息與電氣工程學院， 北京 100083； 2.國家衛(wèi)星氣象中心， 北京 100081；3.陜西省氣象局， 西安 710014)

0 引言

連續(xù)時間序列遙感數(shù)據(jù)是作物長勢監(jiān)測和產量估測的重要數(shù)據(jù)來源。在反映作物長勢的參數(shù)當中，葉面積指數(shù)(Leaf area index，LAI)是重要的參數(shù)之一，是植物群落光合作用能力的重要指標。冬小麥是我國北方的主要糧食作物之一，其不同生育時期的長勢指標與最終產量具有不同程度的相關性，因此在冬小麥主要生育期進行連續(xù)時間序列作物長勢監(jiān)測對產量估測十分重要[1-4]。

在田塊較小的區(qū)域，通常需要中、高空間分辨率遙感數(shù)據(jù)實現(xiàn)田塊尺度的作物長勢監(jiān)測和產量估測。然而由于成本和技術的原因，目前尚沒有單顆衛(wèi)星同時具備高空間分辨率和高時間分辨率。因此在同時具備高空間分辨率和高時間分辨率的遙感衛(wèi)星傳感器出現(xiàn)之前，時空數(shù)據(jù)融合技術為連續(xù)時間序列田塊尺度作物長勢監(jiān)測提供了一種解決方案，該技術通過輸入1～2個日期的高空間分辨率影像和時間序列高時間分辨率影像，融合得到高時間分辨率的田塊尺度遙感影像。在已有的時空數(shù)據(jù)融合方法中，時空自適應反射率融合模型(Spatial and temporal adaptive reflectance fusion model，STARFM)[5]是目前廣泛應用的時空數(shù)據(jù)融合方法之一。為了提高STARFM在異構景觀區(qū)域的時空融合精度，ZHU等[6]進一步提出了增強的時空自適應反射率融合模型(Enhanced STARFM，ESTARFM)。此外，隨著深度學習的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡模型在圖像領域的應用，目前已出現(xiàn)了一些基于卷積神經(jīng)網(wǎng)絡的時空數(shù)據(jù)融合模型，例如基于卷積神經(jīng)網(wǎng)絡自編碼器的深度卷積時空融合網(wǎng)絡(Deep convolutional spatiotemporal fusion network，DCSTFN)[7]。此后，TAN等[8]進一步開發(fā)了DCSTFN的改進模型Enhanced DCSTFN(EDCSTFN)。研究結果表明，EDCSTFN模型的融合精度明顯高于傳統(tǒng)的基于權重和混合像元分解的時空數(shù)據(jù)融合模型。目前，時空數(shù)據(jù)融合已應用于作物種類識別[9-10]、物候監(jiān)測[11-12]、干旱監(jiān)測[13-14]、產量估測[15-16]等方面, 顯示了時空數(shù)據(jù)融合在以上方面的巨大應用潛力。

目前大部分已有的時空數(shù)據(jù)融合研究是基于光學遙感數(shù)據(jù)，然而受到云的影響，光學遙感數(shù)據(jù)往往無法均勻覆蓋整個作物生育期。合成孔徑雷達(Synthetic aperture radar，SAR)傳感器受云層的影響較小并能夠獲得連續(xù)時間序列的遙感數(shù)據(jù)。Sentinel-1衛(wèi)星是近幾年發(fā)射的C-波段SAR衛(wèi)星，可提供約20 m的空間分辨率以及單顆衛(wèi)星12 d的時間分辨率。目前許多研究表明，Sentinel-1的后向散射系數(shù)和相干性與LAI具有較好的相關性[17-19]，因此Sentinel-1影像非常適合反演LAI并與Sentinel-2等中高空間分辨率衛(wèi)星影像的LAI反演結果進行時空融合，進而獲得連續(xù)時間序列的田塊尺度LAI影像。

本文以陜西省關中平原為研究區(qū)域，以Sentinel-2 LAI影像為訓練樣本數(shù)據(jù)，建立基于Sentinel-1數(shù)據(jù)的反向傳播(Back propagation, BP)神經(jīng)網(wǎng)絡LAI反演模型；利用EDCSTFN模型對Sentinel-1和Sentinel-2的LAI影像進行時空融合，并與基于Sentinel-2和Sentinel-3 LAI的ESTARFM模型和EDCSTFN模型的融合結果進行對比，進而重建冬小麥主要生育期的時間序列田塊尺度LAI影像；構建時空融合LAI與冬小麥單產之間的回歸模型，進而實現(xiàn)田塊尺度的冬小麥單產估測。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域概況

研究區(qū)域為關中平原，位于陜西省中部(106°22′～110°24′E，33°57′～35°39′N)(圖1)，西起大散關，東到潼關，北起陜北黃土高原，南到秦嶺，東西長約360 km，南北寬約80 km，平均海拔約500 m[20-21]。氣候為大陸性季風氣候，四季分明，冬季寒冷干燥，夏季溫暖多雨。年平均降水量500～700 mm，年平均氣溫6～13℃[22-23]。關中平原的土地利用類型包括耕地、林地、水體、建設用地及裸地。區(qū)域內約70%的土地為耕地，主要包括谷物地、果園和蔬菜地。夏季之前，谷物地種植的主要作物為冬小麥。通常，關中平原的冬小麥在10月播種，次年6月上旬收獲。在此期間，冬小麥的返青期在3月上旬—3月中旬，拔節(jié)期在3月下旬—4月中旬，抽穗-灌漿期在4月下旬—5月上旬，乳熟期在5月中旬—5月下旬。關中平原降水量和灌溉條件在空間上差異較大。西部的水資源條件較好，冬小麥單產相對較高，而北部和東北部降水量較少，并且受到地形、地貌等因素的影響，干旱發(fā)生頻率較高。目前，干旱已成為關中平原地區(qū)農業(yè)增產增收的主要制約因素，因此在冬小麥主要生育期進行長勢監(jiān)測對該地區(qū)的農業(yè)管理非常重要。

圖1 關中平原的位置與土地利用類型Fig.1 Location and land-use types of Guanzhong Plain

按照ZHOU等[14]的方法，根據(jù)不同時期冬小麥種植區(qū)域的光譜變化特征，選擇2018年3月中旬—6月下旬的Sentinel-2數(shù)據(jù)并采用決策樹方法對關中平原的土地利用類型進行分類，分類結果見圖1?？梢钥闯?，冬小麥種植區(qū)主要分布在關中平原的中部和西部，并且被大量道路和建筑物分割。除了關中平原的西部和中部地區(qū)，其余地區(qū)的冬小麥種植區(qū)較少。根據(jù)關中平原研究區(qū)的土地利用類型，在研究區(qū)域內確定了4個重點區(qū)域，其中包括西部農田區(qū)域、林地-農田混交區(qū)域、城區(qū)以及中部農田區(qū)域。西部農田區(qū)域以冬小麥為主，且有少量建設用地。中部農田區(qū)域類似于西部農田區(qū)域，然而區(qū)域內建設用地面積明顯大于西部農田區(qū)域的建設用地面積。林地-農田混交區(qū)域以林地為主，冬小麥種植區(qū)面積較少。城區(qū)以建設用地為主，冬小麥種植區(qū)和林地相對較少。

1.2 數(shù)據(jù)獲取與處理

使用的遙感數(shù)據(jù)包括2018年和2020年3月上旬—5月下旬的Sentinel-1 單視復數(shù)影像(Single look complex, SLC)數(shù)據(jù)、Sentinel-2 多光譜儀器(Multispectral instrument, MSI)數(shù)據(jù)和Sentinel-3數(shù)據(jù)，其中Sentinel-3數(shù)據(jù)包括空間分辨率300 m的Level-1 海洋和陸地彩色成像儀(Ocean and land colour instrument, OLCI)反射率產品(OL_1_EFR)、空間分辨率500～1 000 m的Level-1海陸表面溫度輻射計(Sea and land surface temperature radiometer, SLSTR)輻射亮度和亮度溫度(Radiance and brightness temperature, RBT)產品以及空間分辨率300 m的Level-2 SYN地表反射率產品。受到云的影響，2019年3月上旬—5月下旬的可用Sentinel-2數(shù)據(jù)較少，因此本文未進行2019年的時間序列田塊尺度LAI重建。

使用歐洲航天局(European Space Agency, ESA)提供的SEN2COR v2.5.5工具對2018年Sentinel-2 MSI Level-1C產品進行大氣校正，進而獲得大氣校正后的反射率產品，并使用ENVI flash對2018年Sentinel-3 OLCI Level-1 EFR數(shù)據(jù)和SLSTR Level-1 RBT產品進行大氣校正。經(jīng)過大氣校正的2020年Sentinel-2 和Sentinel-3產品直接從Sentinels Scientific Data Hub獲取?；诖髿庑Ｕ蟮腟entinel-2數(shù)據(jù)，使用Sentinel應用程序平臺(Sentinel application platform, SNAP)的生物物理參數(shù)反演模型反演20 m空間分辨率的LAI影像。此外，由于Sentinel-2數(shù)據(jù)的主要波段在Sentinel-3數(shù)據(jù)中均可以找到與其相似的波段并且各波段反射率數(shù)據(jù)之間的相關性較高[16]，因此同樣使用SNAP生物物理參數(shù)反演模型反演空間分辨率為300 m的Sentinel-3 LAI影像。對于Sentinel-1數(shù)據(jù)，使用SNAP軟件計算20 m空間分辨率的后向散射系數(shù)數(shù)據(jù)以及相鄰獲取日期的相干性數(shù)據(jù)。為了減少Sentinel-1數(shù)據(jù)的噪聲，分別使用Lee濾波和Savitzky-Golay濾波[24]對后向散射系數(shù)和相干性數(shù)據(jù)進行處理。目前，過境關中平原的Sentinel-1數(shù)據(jù)全部為Sentinel-1A衛(wèi)星獲取，暫無Sentinel-1B數(shù)據(jù)，因此重訪周期為12 d。由于關中平原冬小麥的返青-乳熟期為3月上旬—5月下旬，因此僅使用這段時期的數(shù)據(jù)用于時空數(shù)據(jù)融合。表1為Sentinel-1、Sentinel-2和Sentinel-3數(shù)據(jù)的獲取日期，其中，Sentinel-2和Sentinel-3數(shù)據(jù)全部是在上午天空晴朗少云的情況下獲取的。由于2020年可用的Sentinel-2數(shù)據(jù)較多，因此使用2020年的數(shù)據(jù)對Sentinel-1 LAI反演模型和時空數(shù)據(jù)融合模型進行訓練，然后將訓練的模型應用于2018年的數(shù)據(jù)。

表1 Sentinel-1和無云條件下Sentinel-2、Sentinel-3數(shù)據(jù)的獲取日期Tab.1 Acquisition dates of Sentinel-1, Sentinel-2 and Sentinel-3 data under clear sky conditions

此外，在關中平原各縣中選擇冬小麥種植區(qū)域面積較大并且分布連續(xù)的24個縣(區(qū))的2018年統(tǒng)計年鑒冬小麥單產數(shù)據(jù)，用于檢驗基于時空融合LAI影像的冬小麥單產估測精度。由于關中平原北部、西南部以及城區(qū)的冬小麥種植區(qū)域面積較小并且分散，而且位于關中平原與周圍地區(qū)的交接處，因此這些區(qū)域對應的縣產量數(shù)據(jù)不在本研究中使用。

1.3 研究方法

時間序列田塊尺度LAI的重建框架包括3部分(圖2)：基于Sentinel-1數(shù)據(jù)的LAI反演、LAI時空融合以及田塊尺度冬小麥單產估測。在基于Sentinel-1數(shù)據(jù)的LAI反演過程中，使用VV和VH極化的后向散射系數(shù)、相干性和局部入射角作為特征數(shù)據(jù)，Sentinel-2 LAI影像作為目標樣本建立BP神經(jīng)網(wǎng)絡模型反演20 m空間分辨率的LAI影像。在LAI時空融合過程中，使用EDCSTFN模型對Sentinel-1和Sentinel-2的LAI影像進行融合，生成12 d尺度的20 m空間分辨率LAI影像，并與基于Sentinel-2和Sentinel-3的ESTARFM和EDCSTFN模型融合結果進行對比。最后基于時空融合的LAI影像估算20 m空間分辨率的關中平原冬小麥單產。

圖2 基于時間序列田塊尺度LAI重建的冬小麥估產技術流程圖Fig.2 Flow chart of winter wheat yield estimation based on time series LAI reconstruction at field scales

1.3.1Sentinel-1 LAI反演

參考已有基于Sentinel-1數(shù)據(jù)反演LAI的方法，使用關中平原冬小麥種植區(qū)的Sentinel-1后向散射系數(shù)(VV、VH)、相干性(VV、VH)和局部入射角作為特征變量，并使用BP神經(jīng)網(wǎng)絡模型建立這些特征數(shù)據(jù)與Sentinel-2 LAI之間的非線性映射關系。

BP神經(jīng)網(wǎng)絡[25]是監(jiān)督學習的重要方法之一，已廣泛應用于定量遙感反演。BP神經(jīng)網(wǎng)絡通過構建1個或多個隱藏層對具有復雜非線性函數(shù)關系的數(shù)據(jù)進行擬合。為了擬合Sentinel-1特征數(shù)據(jù)與Sentinel-2 LAI之間的非線性映射關系，設計了一個包含2個隱藏層的神經(jīng)網(wǎng)絡模型，模型的結構參數(shù)如表2所示?？紤]訓練數(shù)據(jù)的數(shù)量，以及反演精度隨網(wǎng)絡層數(shù)和神經(jīng)元個數(shù)的變化，經(jīng)過測試，設置神經(jīng)網(wǎng)絡模型的隱藏層數(shù)為2，每層包含10個神經(jīng)元。使用Levenberg-Marquardt優(yōu)化算法[26-27]進行神經(jīng)元權重的更新。

表2 Sentinel-1 LAI反演神經(jīng)網(wǎng)絡模型結構參數(shù)Tab.2 Structure parameters of Sentinel-1 LAI retrieval neural network

基于Sentinel-1數(shù)據(jù)反演LAI的具體步驟為：①為了減少Sentinel-1數(shù)據(jù)中噪聲對模型訓練精度的影響，將Sentinel-1的后向散射系數(shù)、相干性、局部入射角數(shù)據(jù)以及Sentinel-2 LAI影像聚集升尺度到300 m空間分辨率。②在300 m空間分辨率的冬小麥種植區(qū)進行BP神經(jīng)網(wǎng)絡模型的訓練，并將20 m空間分辨率的Sentinel-1特征數(shù)據(jù)輸入訓練的模型反演20 m空間分辨率的LAI影像。在模型訓練與測試過程中，選取2020年不同冬小麥生育時期的Sentinel-1和Sentinel-2數(shù)據(jù)用于模型的訓練與驗證(分別占全部數(shù)據(jù)的90%和10%)，然后使用訓練的模型反演2018年和2020年的LAI影像。參與模型訓練和驗證的數(shù)據(jù)包括2020年3月13日、4月6日和4月30日的Sentinel-1數(shù)據(jù)，以及2020年3月14日、4月8日和4月28日的Sentinel-2數(shù)據(jù)。③參考BISQUERT等[28]的方法，在300 m空間分辨率上利用Sentinel-3 LAI數(shù)據(jù)與Sentinel-1 LAI反演結果之間的差值對Sentinel-1 LAI反演結果進行殘差校正。

1.3.2基于Sentinel-1和Sentinel-2的LAI時空融合

TAN等[8]詳細描述了EDCSTFN模型的原理和使用方法，在此基礎上描述基于Sentinel-1和Sentinel-2數(shù)據(jù)利用EDCSTFN模型重建冬小麥主要生育期12 d尺度田塊尺度LAI的方法(稱為EDCSTFN_S1模型)，并在結果分析中與基于Sentinel-2和Sentinel-3數(shù)據(jù)的ESTARFM模型和EDCSTFN模型(稱為EDCSTFN_S3模型)的融合結果進行對比。

EDCSTFN模型基于深度學習模型，學習輸入影像(包括高空間分辨率和高時間分辨率的參考影像，以及預測日期的高時間分辨率影像)和預測日期高空間分辨率影像之間的映射關系，進而在高時間分辨率影像獲取日期上實現(xiàn)高空間分辨率影像的預測。模型采用編碼器-特征融合-解碼器的架構對該映射關系進行學習，其中包括2個編碼器：高空間分辨率影像編碼器和殘差編碼器。高空間分辨率影像編碼器學習高空間分辨率參考影像的特征，殘差編碼器基于輸入的高空間分辨率影像和高時間分辨率影像學習參考影像日期和預測日期之間高空間分辨率影像的特征變化。融合過程在特征空間進行，對高空間分辨率參考影像的特征數(shù)據(jù)和殘差編碼器輸出的特征數(shù)據(jù)進行相加，最后使用解碼器將融合特征數(shù)據(jù)還原到原始像素空間。該過程可以表示為

Ht1=f(g(Htk)+h(Htk,Lt1,Ltk)) (k≠1)

(1)

式中Ht1、Htk——日期t1和tk獲取的高空間分辨率影像

Lt1、Ltk——日期t1和tk獲取的高時間分辨率影像

g——高空間分辨率影像編碼器，對輸入的高空間分辨率影像進行特征提取

h——殘差編碼器

f——解碼器

模型的損失函數(shù)包括內容損失、特征損失和視覺損失，其中內容損失通過均方誤差(Mean square error, MSE)進行表示，視覺損失通過多尺度結構相似性(Multi-scale structural similarity, MS-SSIM)指數(shù)進行評估。特征損失的評估通過在融合模型之外構建一個沙漏結構自編碼器，從而進行融合結果和驗證數(shù)據(jù)的特征提取。使用2020年4月28日的Sentinel-2 LAI影像訓練評估LAI特征損失的自編碼器。

相比于TAN等[8]描述的原始EDCSTFN模型，由于Sentinel-1和Sentinel-2 LAI影像的空間分辨率均為20 m，因此無需在EDCSTFN_S1模型中對Sentinel-1數(shù)據(jù)進行重采樣，而EDCSTFN_S3模型中保留將Sentinel-3數(shù)據(jù)重采樣為20 m空間分辨率的步驟。EDCSTFN模型的重要參數(shù)包括Adam優(yōu)化算法的初始學習率、訓練周期、批次尺寸、波段數(shù)、訓練影像尺寸和預測影像尺寸。設置初始學習率為0.001，訓練周期為100。當學習率下降為1×10-5時，停止訓練。根據(jù)硬件配置設置訓練批次尺寸為4。

在EDCSTFN_S1和EDCSTFN_S3模型訓練過程中，分別從關中平原西部農田和中部農田選擇2塊1 500像素×1 500像素的區(qū)域，隨機選擇其中2塊作為訓練影像，另外2塊作為驗證影像。在模型訓練和驗證數(shù)據(jù)日期的選擇上，選擇2020年3月中旬、4月上旬、4月下旬和5月下旬的數(shù)據(jù)進行組合，在關中平原冬小麥主要生育期總共劃分了6組數(shù)據(jù)用于模型的訓練(表3)。EDCSTFN模型需要1或2對相近日期獲取的高空間分辨率影像和高時間分辨率影像作為參考影像。在本研究的訓練過程中只使用1對參考影像，并使用基于2020年數(shù)據(jù)訓練的EDCSTFN_S1和EDCSTFN_S3模型對2018年和2020年的時間序列田塊尺度LAI影像進行預測。

表3 EDCSTFN_S1和EDCSTFN_S3模型訓練和驗證數(shù)據(jù)獲取日期(2020年)Tab.3 Acquisition dates of train data and validation data for EDCSTFN_S1 and EDCSTFN_S3 model in 2020

在融合模型的預測階段，根據(jù)關中平原2018年和2020年冬小麥各生育時期內Sentinel-2數(shù)據(jù)的可用情況，選擇3月中旬和4月下旬獲取的Sentinel-1和Sentinel-2作為融合模型的參考影像。冬小麥主要生育期的具體融合方案為：①選擇1對3月中旬獲取的Sentinel-1和Sentinel-2影像作為融合模型的參考影像，并使用表3中第1組和第2組數(shù)據(jù)訓練的融合模型對3月上旬到3月下旬的空間分辨率20 m LAI影像進行預測。②選擇1對4月下旬獲取的Sentinel-1和Sentinel-2影像作為融合模型的參考影像，并使用表3中第3組和第4組數(shù)據(jù)訓練的融合模型對4月中旬和4月下旬的空間分辨率20 m LAI影像進行預測。③選擇3月中旬和4月下旬獲取的2對Sentinel-1和Sentinel-2影像作為融合模型的參考影像，并使用表3中前4組數(shù)據(jù)訓練的融合模型對4月上旬的20 m空間分辨率LAI影像進行預測。④選擇1對4月下旬獲取的Sentinel-1和Sentinel-2影像作為融合模型的參考影像，并使用表3中第5組和第6組數(shù)據(jù)訓練的融合模型對5月上旬到5月下旬的空間分辨率20 m LAI影像進行預測。按照以上模型參數(shù)設置方案和日期方案融合預測2018年和2020年冬小麥主要生育期的尺度12 d空間分辨率20 m LAI影像。

1.3.3基于時空融合LAI的冬小麥單產估測

構建冬小麥多生育時期的時空融合LAI與冬小麥單產之間的線性回歸模型，估測2018年和2020年關中平原的田塊尺度冬小麥單產。對尺度12 d的時空融合LAI影像按照冬小麥生育時期的日期范圍進行平均值合成，得到冬小麥在返青期、拔節(jié)期、抽穗-灌漿期和乳熟期的平均LAI影像。基于4個生育時期的平均LAI影像，使用TIAN等[3]提出的基于冬小麥主要生育期LAI的冬小麥單產估測模型估算冬小麥單產Y，該估產模型可以表示為

Y=950.61Lweighted+3 011.6

(2)

式中Lweighted——冬小麥4個生育時期的加權LAI

4個生育時期LAI對應的權重分別為0.25、0.21、0.26和0.28。本文的研究區(qū)域和作物與TIAN等[3]的研究相同，并且研究年份接近，因此可將該估產模型及對應的權重參數(shù)應用于本研究的冬小麥估產。利用2018年關中平原各縣的冬小麥單產數(shù)據(jù)對基于時空融合LAI的冬小麥單產估測精度進行檢驗。

1.3.4精度評估方法

使用決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error, RMSE)、擬合RMSE、歸一化RMSE(Normalized RMSE, NRMSE)和平均相對誤差(Mean relative error, MRE)對時空數(shù)據(jù)融合模型的融合結果和冬小麥估產結果進行定量精度評估。其中，RMSE、NRMSE和MRE均是評估模型估算結果與驗證數(shù)據(jù)之間差異的重要指數(shù)，用于評價時空數(shù)據(jù)融合模型和冬小麥估產模型估算結果的隨機偏差和系統(tǒng)偏差。NRMSE為利用驗證數(shù)據(jù)最大值和最小值的差對RMSE進行歸一化的結果，其代表RMSE占驗證數(shù)據(jù)變化范圍的百分比。MRE反映模型估算誤差的絕對值占驗證數(shù)據(jù)的平均百分比。此外，通過對模型估算結果與驗證數(shù)據(jù)進行線性回歸，計算二者之間的擬合RMSE和R2。其中，擬合RMSE為線性回歸擬合值與驗證數(shù)據(jù)之間的RMSE，反映了模型估算結果與驗證數(shù)據(jù)之間線性回歸的擬合殘差，而R2反映了模型估算結果與驗證數(shù)據(jù)之間的線性擬合優(yōu)度。在本文中，R2和擬合RMSE用于評價模型估算結果的隨機偏差。

2 結果分析

2.1 Sentinel-1 LAI反演結果

2.1.1BP神經(jīng)網(wǎng)絡反演模型訓練結果

按照1.3.1節(jié)基于Sentinel-1數(shù)據(jù)的LAI反演方法建立VV和VH極化的Sentinel-1后向散射系數(shù)、相干性和局部入射角與Sentinel-2 LAI之間的BP神經(jīng)網(wǎng)絡模型，并利用2020年冬小麥主要生育期的冬小麥種植區(qū)數(shù)據(jù)在空間分辨率300 m上對該模型進行訓練。模型的訓練損失與驗證損失曲線見圖3，可以看出，當LAI反演模型訓練100次后，模型的訓練精度和驗證精度對應的MSE均為0.27，對應的RMSE為0.52，R2達到0.83，并且訓練精度與驗證精度非常接近，表明在空間分辨率300 m上，Sentinel-1 LAI反演模型具有較高的訓練精度。

圖3 Sentinel-1 LAI反演模型的學習曲線Fig.3 Learning curves of Sentinel-1 LAI retrieval model

2.1.2Sentinel-1 LAI反演精度評估

將空間分辨率20 m的Sentinel-1后向散射系數(shù)、相干性和局部入射角數(shù)據(jù)輸入訓練的BP神經(jīng)網(wǎng)絡LAI反演模型，進而反演空間分辨率20 m的關中平原Sentinel-1 LAI影像，并利用Sentinel-2 LAI影像對反演結果進行精度評估。圖4為2018年和2020年空間分辨率20 m的Sentinel-1 LAI反演結果與用于驗證的Sentinel-2 LAI之間的R2，以及分別將Sentinel-1和Sentinel-2 LAI影像升尺度到空間分辨率300 m后二者之間的R2(圖中R2對應的假設檢驗P值均小于0.01，呈極顯著水平)?？梢钥闯?，在2020年3—4月之間，空間分辨率300 m的Sentinel-1 LAI反演結果和Sentinel-2數(shù)據(jù)之間的R2基本不變，在0.8～0.9之間，與模型的訓練精度比較接近。5月下旬對應的R2低于3月和4月，在0.5～0.6之間?？臻g分辨率20 m的Sentinel-1 LAI反演結果和Sentinel-2數(shù)據(jù)之間的R2在2020年3—4月整體低于空間分辨率300 m的LAI反演結果，在0.7～0.8之間。5月下旬的Sentinel-1 LAI反演結果與Sentinel-2數(shù)據(jù)之間的R2在0.4左右，同樣顯著低于3—4月的LAI反演結果對應的R2。這些結果表明在3月和4月，空間分辨率300 m下訓練的Sentinel-1 LAI反演模型在空間分辨率20 m下仍具有較高并且穩(wěn)定的反演精度，而在5月下旬的反演精度較低，這可能與冬小麥抽穗-灌漿期后冠層綠色葉片和冠層生物量的不同變化以及反演模型中缺少足夠數(shù)量的5月訓練數(shù)據(jù)有關。2018年的Sentinel-1 LAI反演結果與Sentinel-2 LAI之間的R2略低于2020年，表明基于單年數(shù)據(jù)訓練的Sentinel-1 LAI反演模型可以應用于鄰近年份，然而反演精度略低于模型訓練數(shù)據(jù)所在的年份。

圖4 Sentinel-1 LAI反演結果的精度評估Fig.4 Accuracy evaluation of Sentinel-1 LAI retrieval results

2.2 LAI時空融合結果

2.2.1EDCSTFN模型訓練結果

利用EDCSTFN模型將Sentinel-2 LAI分別與Sentinel-1和Sentinel-3數(shù)據(jù)進行融合。按照1.3.2節(jié)中的數(shù)據(jù)分組方案分別對EDCSTFN_S1和EDCSTFN_S3模型進行訓練。圖5為利用2020年3—5月的LAI影像對EDCSTFN_S1模型進行訓練的訓練損失和驗證損失變化曲線。大約訓練50次后，模型達到收斂并且訓練損失和驗證損失非常接近，對應的MSE收斂在0.20左右(RMSE在0.45左右)，表明訓練的EDCSTFN_S1模型對Sentinel-1和Sentinel-2的LAI影像具有較高的時空融合精度。表4為分別使用不同數(shù)據(jù)分組方案對EDCSTFN_S1模型和EDCSTFN_S3模型進行訓練的最終訓練損失和驗證損失MSE。其中，使用4月6日和4月28日訓練數(shù)據(jù)組得到的訓練損失和驗證損失MSE在所有分組中最小，其次是3月14日和4月6日的訓練數(shù)據(jù)組，4月28日和5月23日的訓練數(shù)據(jù)組對應的訓練損失和驗證損失MSE最大，使用3—5月全部數(shù)據(jù)得到的訓練損失和驗證損失MSE在所有分組中居中。這些結果表明，EDCSTFN模型在3月和4月具有較高的時空融合精度，而在5月的時空融合精度較低。在實際應用中，使用3—5月全部數(shù)據(jù)訓練的模型在冬小麥主要生育期的整體精度較高，然而使用部分生育時期數(shù)據(jù)訓練的模型在對應的生育時期可能具有更高的精度，因此本研究分別訓練不同生育時期的EDCSTFN模型，并應用于不同生育時期的LAI時空融合。此外，在不同日期組合下，EDCSTFN_S1模型的訓練損失和驗證損失MSE都小于EDCSTFN_S3模型，表明Sentinel-1數(shù)據(jù)的使用可以進一步改善EDCSTFN模型對LAI影像的時空融合精度。

圖5 2020年3—5月EDCSTFN_S1模型對LAI時空融合的學習曲線Fig.5 Learning curves of EDCSTFN_S1 model for LAI spatio-temporal fusion from March to May in 2020

表4 EDCSTFN_S1和EDCSTFN_S3模型的訓練損失和驗證損失MSETab.4 MSE for training loss of EDCSTFN_S1 and EDCSTFN_S3 models

2.2.2EDCSTFN_S1模型預測結果與分析

使用1.3.2節(jié)的日期融合方案預測冬小麥主要生育期的時間序列田塊尺度LAI影像，保持預測日期與參考影像日期的間距小于30 d，并對比EDCSTFN_S1、EDCSTFN_S3以及基于Sentinel-2和Sentinel-3的ESTARFM模型在冬小麥主要生育期不同日期的LAI預測精度。3種融合模型均采用3月中旬和4月下旬的數(shù)據(jù)作為參考數(shù)據(jù)。表5顯示3種融合模型在2020年不同日期的預測精度評估結果。3種時空融合模型在3—4月的預測結果對應的R2都在0.9以上，擬合RMSE不超過0.36，并且預測結果與驗證數(shù)據(jù)之間的平均偏差也非常接近0，表明在3月和4月，3種融合模型都能獲得較高的預測精度。而5月23日的預測結果顯示，3種時空融合模型的預測結果對應的R2明顯降低，這與冬小麥LAI在抽穗-灌漿期后的復雜非線性變化有關，表明在只使用1景4月下旬的Sentinel-2 LAI影像作為參考影像的情況下，3種時空融合模型對5月下旬的田塊尺度LAI預測都具有較大的不確定性。因此，獲取可用的5月下旬Sentinel-2 LAI影像作為參考影像對于5月下旬的LAI時空融合非常重要。然而，相比于ESTARFM模型，EDCSTFN_S1和EDCSTFN_S3模型在5月23日的預測結果對應的R2更高，RMSE和擬合RMSE更低，并且平均偏差更接近0，表明相比于ESTARFM模型，EDCSTFN模型能夠更好地處理5月下旬冬小麥種植區(qū)LAI的非線性變化。此外與EDCSTFN_S3模型相比，EDCSTFN_S1模型在5月下旬的預測結果對應的R2更高，RMSE和擬合RMSE更低，并且平均偏差更接近0，表明基于Sentinel-1后向散射系數(shù)和相干性等數(shù)據(jù)反演的LAI能夠在一定程度上模擬田塊尺度LAI在5月的變化，進而提高5月下旬田塊尺度LAI的時空融合精度。

表5 EDCSTFN_S1、EDCSTFN_S3和ESTARFM模型的融合精度評估(2020年)Tab.5 Accuracy evaluation of EDCSTFN_S1, EDCSTFN_S3 and ESTARFM models in 2020

圖6為2020年5月23日EDCSTFN_S1、EDCSTFN_S3和ESTARFM模型在關中平原西部農田區(qū)域的LAI時空融合結果以及用于驗證的Sentinel-2 LAI影像。從目視效果看，相比于ESTARFM模型，EDCSTFN_S1和EDCSTFN_S3模型的LAI時空融合結果更接近于用于驗證的Sentinel-2 LAI影像，二者之間的R2均達到0.75。而ESTARFM模型預測的田塊尺度LAI在冬小麥種植區(qū)域明顯高于驗證的Sentinel-2 LAI，二者之間的R2僅為0.50，這些結果與冬小麥種植區(qū)LAI在抽穗-灌漿期和乳熟期的非線性變化有關。由于ESTARFM模型中假設反射率在研究時段內的變化為線性變化，因此在冬小麥乳熟期，ESTARFM模型在冬小麥種植區(qū)的時空融合精度相對較低。由于EDCSTFN模型可以基于冬小麥抽穗-灌漿期和乳熟期的訓練數(shù)據(jù)學習冬小麥種植區(qū)LAI在這一時段的田塊尺度變化特征，以及高空間分辨率數(shù)據(jù)和高時間分辨率數(shù)據(jù)之間的關系，因此EDCSTFN模型有潛力獲得更高的時空融合精度。

EDCSTFN_S1和EDCSTFN_S3模型在關中平原西部區(qū)域的融合結果非常接近，然而表4和表5中整個關中平原的訓練結果和預測結果表明，在EDCSTFN模型的基礎上引入Sentinel-1數(shù)據(jù)可以在一定程度上彌補低空間分辨率的Sentinel-3數(shù)據(jù)在空間細節(jié)方面的不足，進而在冬小麥種植區(qū)LAI變化較快的時期具有獲得更高融合精度的潛力。盡管相比于光學影像，Sentinel-1數(shù)據(jù)具有較多噪聲，然而EDCSTFN模型中的卷積神經(jīng)網(wǎng)絡可以在一定程度上減少原始數(shù)據(jù)上噪聲對融合結果的影響。圖6表明，EDCSTFN_S1模型的LAI時空融合結果的噪聲較少，影像上的空間細節(jié)分布與用于驗證的Sentinel-2影像非常接近，進一步表明了EDCSTFN模型融合Sentinel-1和Sentinel-2 LAI影像的可行性。

為了進一步評估訓練的EDCSTFN模型在鄰近年份的時空融合精度，使用基于2020年數(shù)據(jù)訓練的EDCSTFN模型對2018年冬小麥主要生育期的空間分辨率20 m LAI影像進行預測，并與ESTARFM模型的LAI預測精度進行對比。在EDCSTFN模型中，使用2018年4月29日的Sentinel-2 LAI影像作為參考影像對2018年4月19日的空間分辨率20 m LAI影像進行預測，使用2018年3月15日和4月29日的Sentinel-2 LAI影像作為參考影像對2018年4月9日的空間分辨率20 m LAI影像進行預測。在ESTARFM模型中，使用2018年3月15日和4月29日的Sentinel-2 LAI影像作為參考影像，對2018年4月9日和4月19日的空間分辨率20 m LAI影像進行預測。表6為EDCSTFN_S1、EDCSTFN_S3和ESTARFM模型在2018年4月9日和19日的預測精度評估結果。2018年融合結果的整體精度略低于2020年的融合結果，其中R2在0.9左右，擬合RMSE在0.29～0.40之間。EDCSTFN_S1模型和EDCSTFN_S3模型的LAI時空融合結果對應的R2高于ESTARFM模型，RMSE和擬合RMSE低于ESTARFM模型，表明EDCSTFN模型在鄰近年份仍具有較高的LAI時空融合精度，并且精度高于ESTARFM模型。此外，在距離參考影像日期較遠的日期，EDCSTFN_S1模型的融合結果對應的R2略高于EDCSTFN_S3，平均偏差也更接近0，例如在4月9日，表明對于鄰近年份的田塊尺度LAI預測，Sentinel-1數(shù)據(jù)仍具有改善EDCSTFN模型融合精度的潛力。

表6 EDCSTFN_S1、EDCSTFN_S3和ESTARFM模型的融合精度評估(2018年)Tab.6 Accuracy evaluation of EDCSTFN_S1, EDCSTFN_S3 and ESTARFM models in 2018

2.2.3時間序列田塊尺度LAI的重建結果與分析

基于Sentinel-1和Sentinel-2 LAI影像，利用EDCSTFN模型重建2018年和2020年每年3—5月的12 d尺度20 m空間分辨率LAI影像。在關中平原的西部農田、中部農田和農田-林地混交區(qū)域，對每景時空融合LAI影像的冬小麥種植區(qū)和林地區(qū)域進行平均處理，計算3個區(qū)域內冬小麥種植區(qū)和林地區(qū)域的尺度12 d時間序列LAI(圖7)。可以看出，2018年關中平原西部農田區(qū)域的冬小麥種植區(qū)LAI整體高于中部農田和農田-林地混交區(qū)域，表明2018年西部農田的冬小麥長勢好于其他區(qū)域。2020年關中平原西部農田的冬小麥種植區(qū)LAI與中部農田非常接近，表明2020年西部農田和中部農田的冬小麥長勢比較接近。然而在2020年3月，西部農田的冬小麥種植區(qū)LAI明顯高于中部農田，并且西部農田的冬小麥種植區(qū)LAI在3月上旬—4月中旬之間的變化小于中部農田，在2018年的冬小麥種植區(qū)時間序列LAI中也可以看出類似的情況。此外，在西部農田、中部農田和農田-林地混交區(qū)域3個區(qū)域中，冬小麥種植區(qū)LAI的峰值在4月中旬附近，其中西部農田的冬小麥種植區(qū)LAI的峰值略早于中部農田和農田-林地混交區(qū)域，而中部農田和農田-林地混交區(qū)域的冬小麥種植區(qū)LAI峰值比較接近。這些結果表明，西部農田和中部農田的冬小麥生長狀況略有不同，造成這種差異可能與關中平原西部農田和中部農田的水資源分布狀況、田間管理方式等因素有關。相比于冬小麥種植區(qū)LAI在3—5月的變化，關中平原林地區(qū)域的LAI在這期間的變化相對較小，并且LAI的平均值始終小于1。從3月上旬—4月中旬，關中平原3個不同區(qū)域的冬小麥種植區(qū)LAI都明顯高于林地LAI，并且二者的偏差隨日期逐漸增大。從4月下旬—5月下旬，3個區(qū)域的冬小麥種植區(qū)LAI逐漸減小，而林地LAI的變化較小或仍然逐漸增大。到5月下旬，冬小麥種植區(qū)LAI與林地LAI非常接近。由于農田-林地混交區(qū)域主要以林地為主，冬小麥種植區(qū)較少，因此區(qū)域內林地的時間序列LAI變化受冬小麥種植區(qū)的影響較小。可以看出，農田-林地混交區(qū)域內林地的LAI在3月上旬—5月下旬之間始終逐漸增大，而西部農田和中部農田區(qū)域內林地時間序列LAI的變化則在一定程度上受到冬小麥種植區(qū)的影響，導致林地LAI在5月中旬以后略有降低。

圖7 關中平原不同區(qū)域冬小麥和林地的尺度12 d時間序列融合LAIFig.7 Time series data of fused LAI at 12-day interval in winter wheat planting area and woodland area of different parts of Guanzhong Plain

2.3 田塊尺度冬小麥單產估測

對EDCSTFN_S1模型重建的尺度12 d空間分辨率20 m LAI影像按照冬小麥生育時期的日期范圍進行平均值合成，進而得到在冬小麥返青期、拔節(jié)期、抽穗-灌漿期和乳熟期的平均LAI影像。利用TIAN等[3]基于LAI的冬小麥估產模型對4個生育時期的LAI影像進行加權，并估測2018年和2020年的關中平原冬小麥單產。圖8為2018年冬小麥單產估測結果與實測單產數(shù)據(jù)之間的線性回歸分析結果，樣本容量(n)為24。基于時空融合LAI的冬小麥單產估測結果與實測單產數(shù)據(jù)之間的R2為0.52(P<0.01，呈極顯著水平)，RMSE為358.25 kg/hm2，NRMSE為19%，MRE為7.34%，該結果與TIAN等[3]的分析結果接近，表明基于多生育時期的時空融合LAI影像，利用TIAN等[3]基于LAI的冬小麥估產模型可以準確地估測關中平原的冬小麥單產。

圖8 冬小麥單產估測結果與實測數(shù)據(jù)的線性回歸分析(2018年)Fig.8 Linear regression between winter wheat yield estimation result and actual measurement yield data in 2018

圖9為基于4個生育時期時空融合LAI影像的2018年和2020年關中平原冬小麥單產估測結果?？梢钥闯?，關中平原的冬小麥單產主要在2 500～7 000 kg/hm2之間，種植區(qū)主要分布在關中平原的西部和中部地區(qū)，其中西部寶雞市的冬小麥密集種植區(qū)的單產最高，其次是關中平原中部的冬小麥密集種植區(qū)，位于西安市和渭南市交界部分。此外，在關中平原其他區(qū)域也有一些稀疏分布的冬小麥種植區(qū)，然而單產較低。這些結果與TIAN等[3]基于MODIS數(shù)據(jù)的冬小麥單產估測結果類似。在2018年，關中平原西部冬小麥種植區(qū)的冬小麥單產主要在4 000～6 000 kg/hm2之間，關中平原中部冬小麥種植區(qū)的冬小麥單產主要在4 000～5 500 kg/hm2之間。在2020年，關中平原西部和中部冬小麥種植區(qū)的冬小麥單產明顯高于2018年，然而周圍稀疏分布的冬小麥種植區(qū)的單產較低。由圖9c～9f并結合TIAN等[3]的研究結果可以看出，相比于基于MODIS數(shù)據(jù)的冬小麥單產估測結果，基于時空融合LAI估測的冬小麥單產數(shù)據(jù)具有更豐富的空間細節(jié)特征。冬小麥種植區(qū)可以更準確地與附近其他植被和建筑物進行區(qū)分，從而減少其他土地利用類型對冬小麥單產估測精度的影響。

圖9 基于時空融合LAI的冬小麥估測單產Fig.9 Winter wheat yield estimation results based on spatio-temporal fused LAI

3 討論

受到云的影響，常用的光學衛(wèi)星遙感數(shù)據(jù)難以連續(xù)覆蓋冬小麥主要生育期，進而導致時空數(shù)據(jù)融合模型的融合結果在缺少數(shù)據(jù)的時期具有較大的不確定性。本研究嘗試將Sentinel-1 SAR數(shù)據(jù)引入LAI的時空融合模型，利用EDCSTFN模型對空間分辨率20 m的Sentinel-2 LAI和尺度12 d空間分辨率20 m的Sentinel-1 LAI進行融合。結果表明，基于Sentinel-1和Sentinel-2數(shù)據(jù)的EDCSTFN融合模型在冬小麥種植區(qū)LAI發(fā)生快速變化的抽穗-灌漿期和乳熟期的時空融合精度高于基于Sentinel-2和Sentinel-3數(shù)據(jù)的EDCSTFN和ESTARFM模型，因此EDCSTFN_S1模型更適用于地表特征在田塊尺度發(fā)生明顯變化以及受云影響可用的光學影像較少的情況?；贓DCSTFN_S1模型重建的冬小麥主要生育期時間序列田塊尺度LAI影像可用于田塊尺度的冬小麥精確估產。

除了結合Sentinel-1數(shù)據(jù)能夠進一步提高EDCSTFN模型對于冬小麥主要生育期LAI的時空融合精度，EDCSTFN模型的融合精度還可以通過增加訓練數(shù)據(jù)、調整時空數(shù)據(jù)融合模型的結構和參數(shù)等方式得到進一步提高。EDCSTFN_S1模型在5月的預測精度較低可能與Sentinel-1 LAI反演模型和EDCSTFN_S1模型在5月的訓練數(shù)據(jù)較少有關，因此未來將嘗試擴大研究區(qū)域以及在更多年內選擇訓練數(shù)據(jù)，從而進一步增大訓練數(shù)據(jù)的數(shù)量并探究增加訓練數(shù)據(jù)對EDCSTFN_S1模型在5月的預測精度的提高潛力。調整EDCSTFN模型的結構和參數(shù)也有望進一步提高模型的融合精度。相比于基于相似像元和滑動窗口的STARFM系列時空融合模型，EDCSTFN模型對整個研究區(qū)域和所有土地利用類型使用同一套模型參數(shù)，因此在預測階段的計算速度上具有明顯優(yōu)勢。然而在地物類型復雜的區(qū)域以及面積較大的區(qū)域，使用一套模型參數(shù)可能無法準確學習所有土地利用類型和區(qū)域的變化。未來將嘗試根據(jù)地物類型的分布情況對整個研究區(qū)域進行分塊并分別訓練EDCSTFN模型。此外，未來將通過修改模型的網(wǎng)絡參數(shù)探究進一步提高融合精度的潛力。當前模型采用3×3卷積核的CNN，不同大小的卷積核可以提取不同尺度的特征，更大的卷積核具有更好消除原始影像噪聲的能力。由于Sentinel-1數(shù)據(jù)本身的噪聲較多，因此較大的卷積核可以更有效地提取噪聲之外的重要特征。然而過大的卷積核可能導致融合結果的空間細節(jié)損失，因此在未來進一步探究卷積核的大小及其組合方案。

4 結論

(1)基于Sentinel-1 VV和VH極化的后向散射系數(shù)和相干性數(shù)據(jù)可以準確地反演20 m空間分辨率的關中平原冬小麥種植區(qū)LAI，其中3月和4月的LAI反演結果與用于驗證的Sentinel-2 LAI具有較高的相關性(R2可達0.7以上)，5月的LAI反演結果對應的相關性較低。

(2)結合Sentinel-1數(shù)據(jù)的EDCSTFN模型(EDCSTFN_S1)可以更精確地重建尺度12 d的空間分辨率20 m LAI影像，其中5月的LAI時空融合精度(R2=0.76)高于基于Sentinel-3數(shù)據(jù)的EDCSTFN_S3模型(R2=0.71)和ESTARFM模型(R2=0.53)。

(3)基于時空融合LAI影像的冬小麥單產估測結果與實測冬小麥單產數(shù)據(jù)具有良好的相關性(R2=0.52)，估產結果的均方根誤差為358.25 kg/hm2，歸一化均方根誤差為19%，平均相對誤差為7.34%，并且相比于基于MODIS影像的冬小麥單產估測結果，基于時空融合LAI影像的冬小麥單產估測結果顯示了更豐富的空間細節(jié)特征。