油料作物参数反演研究现状

马宇靖, 吴尚蓉, 杨鹏, 曹红, 谭杰扬, 赵荣坤. 油料作物产量遥感监测研究进展与挑战[J]. 智慧农业(中英文), 2023, 5(3): 1-16. DOI: 10.12133/j.smartag.SA

MA Yujing, WU Shangrong, YANG Peng, CAO Hong, TAN Jieyang, ZHAO Rongkun. Research Progress and Challenges of Oil Crop Yield Monitoring by Remote Sensing[J]. Smart Agriculture, 2023, 5(3): 1-16. DOI: 10.12133/j.smartag.SA

官网全文在线阅读

知网阅读

目前，油料作物的参数反演主要是通过经验模型和物理模型的方法推断作物生物物理参数，为作物的估产研究提供支持。相较于微波雷达数据，光学遥感在油料作物的反演研究中应用更为广泛。大多研究人员基于上述反演方法将光学遥感与作物参数联系起来构建反演模型以实现油料作物的参数反演。

经验模型通常是从作物的冠层遥感数据中计算出与已知作物参数相关性较强的特征参数，利用特征参数与作物参数之间的关联关系，通过统计回归或机器学习方法构建模型，实现作物的参数反演，是应用较为广泛的一种方法。

线性、指数等统计回归方法具有操作简单、解释性强的优点，常被用于作物参数的估计中。已有研究表明作物的植被指数（Vegetation Index， VI）与作物参数之间具有良好的相关性。研究人员基于统计回归方法优势，研究VI与油料作物生长参数的相关性，并进行参数反演研究。Zhang等、Sun等利用归一化植被指数（Normalized Difference Vegetation Index，NDVI）与LAI间的统计关系建立了油菜的LAI反演模型，发现NDVI与LAI之间存在较好的相关性，可用于作物的LAI参数反演研究。Qiu等基于指数函数，利用NDVI及其衍生参数与LAI之间的关系构建油菜LAI反演模型，证明植被指数中的NDVI系列对LAI具有良好的反演效果。Qi等利用归一化差分植被指数（Normalized Difference Spectral Index，NDSI）、比率光谱指数（Ratio Spectral Index，RSI）等构建高光谱简单回归（Simple Regression，SR）模型反演花生的叶片叶绿素含量（Chlorophyll Content，CC），指出光谱指数可以有效的反演花生叶片叶绿素。同时，已有研究指出，合成孔径雷达数据（Synthetic Aperture Radar，SAR）极化信息同样可用于油料作物的参数反演。Zhang等利用线性、对数、二次等统计回归方法探索油菜的生长参数反演，研究发现极化信息对油菜作物参数具有高度敏感性，适用于油菜的生长参数反演。上述研究证明基于统计回归方法，利用遥感数据与作物参数之间的相关性进行反演研究是可行的。但是，当数据存在复杂的非线性关系时，仅靠简单的光谱特征提取和回归模型可能无法准确地进行作物参数反演。在此情况下，需要使用机器学习或物理模型等分析方法提高参数反演的准确性。

经验模型除线性、指数、对数等回归方法外，机器学习也被用于构建反演模型，且在实际应用中更具优势。利用机器学习建立遥感数据和作物观测数据之间的复杂非线性关系，通过训练模型并利用大量的数据进行预测，能够较准确地估算油料作物的产量。Yuan等分别利用随机森林（Random Forest，RF）、人工神经网络（Artificial Neural Network，ANN）、支持向量机（Support Vector Machine，SVM）及偏最小二乘回归（Partial Least Squares Regression，PLSR）等几种不同的方法构建模型研究大豆LAI反演，发现ANN模型更适用于单个生育期的大豆LAI估计，而RF模型更适用于整个生育期的大豆LAI估计。Qi等基于高光谱数据计算的比值植被指数（Ratio Vegetation Index, RVI）、NDVI等12个与LAI相关的植被指数，利用SR方法和反向传播神经网络（Back Propagation Neural Network，BPNN）分别构建预测模型估算花生的LAI，发现BPNN模型预测精度更高。Wei等分别基于线性拟合和RF方法来构建反演模型估算油菜LAI，得出机器学习的反演精度更高的结论。此外，还有研究利用机器学习方法探索SAR遥感数据与油料作物参数的复杂相关关系。Mercier等利用高斯过程回归（Gaussian Process Regression，GPR）反演油菜生物量，发现VH、VV等极化指标与湿重和干重相关性较高，且基于不同波段的雷达数据对油菜作物参数反演研究具有一定潜力。Ghosh等采用GPR方法，基于C波段SAR数据构建模型估算油菜、大豆的植物面积指数（Plant Area Index， PAI）、植被含水量（Water Content，WC）、湿重等植株参数，证明全极化和双极化均可用于上述作物植株参数的反演。

上述研究证明，相较于统计回归，机器学习在油料作物参数反演中更具优势。然而，油料作物冠层结构复杂，基于冠层反射率与作物生物物理参数之间的关系进行参数反演易受冠层结构影响，仅靠经验模型方法无法提供关于地物特性和光谱响应之间的物理机制的详细解释，限制了油料作物的参数反演研究。

物理模型方法基于光的传输和相互作用过程，通过建立遥感数据与物理模型之间的映射关系，推断作物的光学参数，并利用观测数据对模型进行参数估计和优化。油料作物冠层的几何形状和生化特性会随生长发生变化，冠层内的辐射传递也随之改变。而物理模型可描述冠层反射率随冠层、叶片和土壤背景特征的光谱变化，适用于油料作物参数反演。PROSAIL模型是光学遥感反演中的经典模型，已被应用于检索油料作物的生化和结构变量，耦合原理如图1所示。优化方法主要包括迭代优化、查找表（Lookup Table， LUT）和神经网络等。与经验模型相比，物理反演方法适用于各种条件，更适合区域规模的参数反演。

图1 PROSPECT+SAIL耦合模型反演参数示意图

Fig. 1 The inversion processing of parameters of PROSPECT+SAIL coupling model

目前油料作物中已有较多基于物理反演方法展开的研究，并且得到了较好的参数反演结果。Li等基于油菜、向日葵的无人机多光谱影像，采用PROSAIL模型和LUT的方法反演生成作物LAI和冠层CC，发现基于LUT方法反演的LAI与地面测量的生物量结果具有较好的相关性，还证明了CC可作为油料作物的冠层氮含量估计指标。同样，Duan等也基于LUT方法的PROSAIL模型反演向日葵LAI，并评估其反演性能，结果表明该方法适用于向日葵的LAI反演，且获得了较好的精度结果。Tomícek等提出利用PROSAIL模型、LUT和ANN的方法反演油菜的叶片CC、LAI作物参数，均取得了较高的反演精度，并发现将光学数据同PROSAIL辐射转移模型结合的物理反演法具有一定潜力。研究指出，相较于经验方法，物理反演方法在作物参数的反演方面效果更好。Nandan等分别利用经验方法和PROSAIL物理模型反演大豆的LAI，指出LUT反演方法的反演效果更佳，更适用于区域规模的LAI估计。由此可见，基于物理模型的参数反演方法在油料作物监测方面更具潜力。但是，物理模型需要获得作物的生物物理、生物化学、土壤等特性参数，部分参数获取过程困难，有一定的局限性。

由前文可知，油料作物监测领域的研究大多是基于光学遥感数据展开的。不同类型的地物对不同波段光具有特定的反射和吸收特性，光学遥感数据在作物的参数反演中具有独特优势，应用更为广泛。但是，大豆、油菜等作物植株结构特殊，冠层结构复杂，且光学遥感受天气影响大，作物关键期数据可能会缺失，使得其植被特征的获取遇到困难影响参数反演精度。SAR具有全天时、全天候的观测能力，穿透能力强，能提供多云多雨天气条件下作物和地表信息，可以弥补光学数据在油料作物监测方面的不足。Allies等通过建立SAR、光学指标与油菜高度、干重、鲜重、植株含水量等生物物理参数之间的回归关系进行反演研究，并指出SAR和光学数据在油菜的物候周期监测方面具有互补性。Bahrami等基于光学VI和SAR极化遥感数据估计大豆、油菜作物的LAI、生物量等参数，研究表明结合SAR极化数据与光谱VI可更好地估计作物的生物量和LAI。除此之外，Nandan等基于Landsat光学遥感估计大豆LAI，并探索光学遥感方法的优缺点，指出基于SAR微波数据估计LAI是未来的研究重点。但是，相较于光谱数据，雷达SAR主要提供散射信号，提取的极化数据存在一些无用的冗余信息，在地物信息的判断方面具有一定限制，且数据获取和处理过程相对复杂，这些问题给基于微波的参数反演带来了困难。

综上所述，针对油料作物的参数反演研究，选择合适的反演方法和数据源至关重要。在选择反演方法时，经验模型和物理模型是两种常见的方法，经验模型适用于建立遥感数据和地物参数之间的经验关系，而物理模型则基于地物的物理特性和光传输原理，提供参数估计的物理解释。对于数据源，光学遥感数据是常用的选择，光学数据可以提供丰富的光谱信息但易受天气影响，而雷达数据则具有较强的穿透能力和对地物结构的敏感性。因此，考虑油料作物特点，需要选择合适的反演方法和数据源，以获得更准确和全面的油料作物参数估计结果。

欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。