基于卫星光谱尺度反射率的冬小麦生物量估算

兰仕浩，李映雪，吴 芳，邹晓晨

·农业信息与电气技术·

基于卫星光谱尺度反射率的冬小麦生物量估算

兰仕浩1，李映雪2，吴 芳3，邹晓晨1※

（1. 南京信息工程大学遥感与测绘工程学院，南京 210044；2. 南京信息工程大学应用气象学院，南京 210044；3. 兴化市气象局，兴化 225700）

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法，该研究通过3 a田间试验，获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据，构建任意两波段归一化植被指数。同时，将卫星波段反射率数据与6种机器学习和深度学习算法相结合，构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数2为0.50～0.56）。在不同施氮水平条件下，高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法，总的来说，基于深度神经网络（Deep Neural Networks，DNN）算法所构建的模型要优于其他算法。在单一生育期中，在拔节期（2为0.69～0.78，归一化均方根误差为26%～31%）和开花期（2为0.69～0.70，归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高，在全生育期中预测精度2为0.70。施氮水平的提高同样增强了DNN模型的估算精度，3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度2都在0.71及以上，均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。

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

0 引 言

农作物地上生物量可以直接表征作物净光合作用积累有机物的能力和生长情况[1]。准确快速估算作物生物量对农业生产管理和促进农业可持续发展具有重要意义[2]。

近年来，遥感技术已经成为作物生长监测的重要手段。光谱植被指数可以提高光谱特征对反演参量的敏感性，减少混杂因素的影响[3-4]，已成为作物参数遥感估算最广泛的方法之一。许多光谱植被指数被用于作物理化参数的估算[5]，其中包括对作物生物量的遥感估算[6]，如Yue等[7]通过高光谱植被指数结合作物高度成功反演小麦生物量；任建强等[8]利用高光谱卫星遥感数据构建植被指数，实现对冬小麦生物量的反演。除了光谱植被指数的方法外，多元回归能同时考虑多个变量构建模型，实现对参数的精确估算[9]。近年来，机器学习和深度学习方法被广泛应用到遥感领域，已成为定量遥感反演的重要手段。许多基于机器学习和深度学习的方法被应用于作物理化参数的估算，如随机森林回归算法（Random Forest Regression，RFR）[10-11]、支持向量回归算法（Support Vector Regression，SVR）[12]、偏最小二乘回归算法（Partial Least Squares Regression，PLSR）[13]、卷积神经网络算法[14]和深度神经网络算法（Deep Neural Networks，DNN）[15]等。

高光谱传感器可以通过窄波段的连续观测，实现对地表参数的精细探测[7]。但考虑到数据的获取成本，对于大尺度范围的遥感应用，卫星多光谱数据是更为实际的选择[16]。通过将高光谱数据重采样为卫星宽波段数据的方法，可以用于对卫星多光谱数据应用潜力的评估，为未来多光谱传感器波段通道的设计提供参考，所构建的算法也有望拓展和应用到真实的卫星遥感数据[17]。

在植被遥感中，红边波段的反射率被认为对植被监测具有巨大优势[18-19]，目前仅有部分卫星数据具有红边探测波段，包括RapidEye、Sentinel-2和WorldView-2等。

农作物遥感监测除了受到波段通道的影响，所构建的反演模型还受到作物生长状况的影响。在不同的生育期中，叶片色素含量和冠层结构的变化会直接影响到冠层反射率，进而影响了遥感反演模型的精度[20]。同样的，冠层反射率也会受到不同施肥水平的影响[21]。

本研究通过将4个生育期、3种施氮水平条件下获取的冬小麦冠层高光谱反射率数据重采样为3颗具有红边波段卫星的宽波段反射率数据，通过构建宽波段植被指数和机器学习与深度学习模型，探索具有红边波段卫星遥感数据在不同条件下估算冬小麦地上生物量的能力。

1 材料与方法

1.1 研究区与试验设计

本研究区位于南京信息工程大学农业气象实验站（118°7'E，32°2'N）。试验分别在2011、2012和2014年开展，冬小麦于每年的11月份播种，次年的6月份收获。为增加试验区冬小麦长势差异，每年的冬小麦供试验品种为两种，2011年为徐麦31和宁麦12，2012年为扬麦13和镇麦168，2014年为扬麦13和宁麦13。每个品种采用3个水平的施氮梯度（N1、N2和N3），每个梯度对应的尿素施用量分别为0、150和300 kg/hm2，并采取3次重复试验，共设计18个田块开展试验，每个田块的大小为9 m2（3 m×3 m）。氮肥以60%作基肥，40%作拔节肥。磷肥和钾肥按照1∶1的标准施用（均为150 kg/hm2）。其他管理措施遵循当地冬小麦田间管理标准。本研究整体的技术路线如图1所示。

图1 技术路线图

1.2 数据获取

1.2.1 冬小麦冠层高光谱反射率获取与预处理

冬小麦冠层光谱反射率采用美国ASD公司的Field-Space3光谱仪获取。地面光谱测量试验选在无风无云的晴朗天气下，光谱仪在小麦冠层上方1 m左右，光谱仪视场角为25°，获取时间为当日的10:00—14:00。在冬小麦的4个主要生育期（拔节期、抽穗期、开花期和灌浆期）分别开展冠层光谱测量试验。光谱仪获取的光谱围为350～2 500 nm，光谱分辨率为1 nm。每个田块获取3个观测点的光谱，每个观测点重复测量3次，以测量值的平均光谱作为每个田块的光谱。每次测量都进行标准白板校正，所测得的目标物光谱是无量纲的相对反射率。利用15个数据点和二次多项式对原始光谱数据进行Savitzky-Golay滤波处理，同时去掉噪声较大波段和水汽吸收波段，同时考虑到400 nm以下光谱区域的强散射。最终保留了400～1 340、1430～1 790和1 970～2 350 nm波段的高光谱数据。

1.2.2 冬小麦地上生物量测量

冬小麦地上生物量的采样量测与光谱数据的获取在同一天内完成。在3个年份的试验中，每隔10～20 d左右进行一次田间采样量测试验，在获取冠层光谱数据后，采集地块的样方（30 cm×30 cm）内所有冬小麦样本。首先对获取的样本在105 ℃下烘干30 min，然后在80 ℃下烘干约24 h，直到获得恒质量作为单位面积内的干生物量。在3个年份的试验中，不同生育期田间采样次数存在差异，共计在拔节期、抽穗期、开花期和灌浆期分别获得了88、54、72和54个样本。

1.3 卫星波段反射率重采样

在本研究中，模拟了3颗具有红边波段卫星的宽波段光谱反射率。3颗卫星的波段信息如表1所示。

表1 3颗卫星波段的中心波长、带宽和空间分辨率

注：Sentinel-2第十波段为卷云波段，用于探测薄卷云进行大气校正，不参与后面的运算。

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卫星传感器的波段数为5个，包括：蓝、绿、红、红边和近红外；WorldView-2卫星传感器的波段数为8个，其中不仅具有4个业内标准波段：红、绿、蓝、近红外，还包括4个额外的波段：海岸蓝、黄、红边和第二个近红外波段；Sentinel-2卫星的波段数为13个，除了常见的业内标准波段外，拥有3个植被红边波段，3个短波近红外波段。根据图2中所示的3颗卫星的光谱响应函数，近地光谱仪获取的冬小麦冠层高光谱反射率数据分别被重采样成3颗卫星的宽波段反射率，具体的计算公式如下：

式中是波段的反射率，是起始波长，是最终波长，是处的反射率，是波段在处的光谱响应函数。图3展示了不同生长条件下，冠层高光谱平均反射率重采样为对应的3颗卫星宽波段反射率。

图3 不同生育期和施氮水平条件下的卫星宽波段反射率

1.4 归一化型植被指数的构建

为评估3颗卫星波段构建植被指数估算冬小麦生物量的能力，本研究采用重采样后的卫星宽波段反射率数据，构建任意两波段归一化型植被指数NDVI-like （Normalized Difference Vegetation Index Like）[22-23]，该类型指数是传统NDVI植被指数的一种波段优化后的形式，被广泛应用于新型植被指数的开发和构建，其具体形式如下：

1.5 机器学习与深度学习算法

在本研究中，采用6种机器学习和深度学习算法，以3颗卫星宽波段反射率作为输入，构建冬小麦生物估算模型。

1.5.1 随机森林回归

随机森林回归是近年来在机器学习研究中被广泛应用的一种数据分析和统计方法。RFR通过随机抽取样本和特征，同时建立多个相互不关联的决策树，每个决策树都能得到一个预测值，综合所有决策树的结果取平均值，得到整个森林的回归预测结果。模型训练时，需要考虑每次训练建立的决策树的数量n_estimators和抽取的最大特征数max_features。

在本研究中，通过网格搜索的方式来优化两个参数的取值，其中n_estimators搜索范围从20到2 000，而max_features的搜索范围从1到训练特征数的2/3。再使用训练好的模型进行预测。

1.5.2 支持向量回归

支持向量回归通过拟合一个超平面将所有的特征考虑在内，且其计算复杂度不依赖于输入数据的维度。基本思想就是让尽可能多的点满足这个超平面。SVR在回归分析中的优势源于核的使用，SVR使用核函数将非线性的数据映射到高维空间，在高维空间中建立特征与目标的线性关系。

本研究中，SVR使用被广泛使用的高斯径向基核函数（Radial Basis Function，RBF）。训练模型时需要确定惩罚系数和RBF核函数中的参数项。是误差容忍度，对于回归问题，它决定点是否满足超平面，其值越大，模型拟合越好，但容易过拟合；值越小，对点的要求越严格，但容易欠拟合。SVR模型同样采用网格搜索确定这两个参数的取值，其中的搜索范围为10～1 000，的搜索范围为0.05～0.5。

1.5.3 偏最小二乘回归

偏最小二乘回归通过线性多元模型来关联两个数据矩阵（特征矩阵和样本矩阵），但它超越了传统多元线性回归，可以分析具有强烈共线、噪声和众多特征数据，也可以同时建模多个响应变量。PLSR的基本思想是通过将贡献率较高的原始变量进行矩阵加权处理，形成新的主成分变量，在建模的同时能完成对变量数据结构的降维。PLSR通过投影的方式将自变量和因变量投影到新空间，进而进行一个线性回归模型。

在模型训练时需要优化保留的主成分数n_components的值，默认为2。本研究中的优化范围为2到特征数的2/3。

1.5.4 深度神经网络

深度神经网络是一种前馈人工神经网络，其在输入层和输出层之间有一层以上的隐藏层，利用上一层的输出计算出下一层的输出。DNN本质上是基于感知机的扩展，一个感知机在若干输入和一个输出之间学习得到一个线性关系，接着使用激活函数将这个线性关系转化为输出。而DNN的层与层之间是全连接的，即任意一个神经元都与下一层的所有神经元相连，构成了多个输入和多个输出的感知机。从输入层开始，一层一层的向后计算，一直运算到输出层，得到输出结果为止。DNN算法使用tensorflow框架的DNN Regressor建立。

在本研究中，使用两层具有相同神经元数的隐藏层，神经元数量设定为训练数据的2/3；Input_fn设定为lambda，训练迭代的次数设定为3000；激活函数使用ReLU（Rectified Linear Unit），使得每一层都能够得到单独训练，不会造成梯度损失；优化器使用广泛采用的Adam（Adaptive Moment Estimation Algorithm）算法。

1.5.5 长短期记忆递归神经网络

长短期记忆递归神经网络（Long Short Term Memory, LSTM）是一种特殊的递归神经网络。其特殊性在于相比于递归神经网络，LSTM考虑的时序更长，主要特点就是：将遗忘门、输入门和输出门对状态的影响一直传递下去，最终决定每一个时间点要忘记多少、记住多少和输出多少，从而达到可以控制其不会忘记遥远的重要信息，也不会把附近的不重要的信息看的太重的作用。本研究中，LSTM模型的优化器同样使用被广泛应用Adam算法，激活函数使用ReLU，损失函数使用均方误差mse，使用双层LSTM，双层全连层。

1.5.6 一维卷积神经网络

一维卷积神经网络（One Dimension-Convolutional Neural Network，1D-CNN）相比于二维卷积神经网络的区别在于卷积核的移动方式，1D-CNN卷积核采用从头到尾，自上而下的移动方式。1D-CNN包含输入层、卷积层和池化层。输入层就第一层需要设置输入数据的空间维度；卷积层中使用卷积核从数值上提取特征信息，步长为1，对输入数据进行0填充，这样卷积层就不会改变输入数据在空间维度上的尺寸；在最大池化层获得最大特征值，本质对输入数据的空间维度进行降采样。

本研究中，卷积核的大小设置为波段数（特征数）的一半；同时设置了每一层卷积核的个数，每两层的卷积核个数相同，卷积核的个数从16开始，按照2倍递增，直到样本数的2/3左右停止，相应的层数也增加；每两层增加一个池化层将输出矩阵大小降为原来的1/3；全连层使用线性激活函数，其余层和DNN一样激活函数为ReLU；优化器和DNN一样使用Adam。

1.6 精度验证

回归算法均基于python 3.6的环境搭建，其中机器学习算法使用scikit-learn 0.23.2框架搭建，深度学习算法使用tensorflow 2.6.2框架搭建。对6种机器学习和深度学习模型均使用留一法交叉验证，每次只使用一个作为测试集，剩下的全部作为训练集，这种方法得出的结果与训练整个测试集的期望值最为接近。通过计算实测与预测数据的决定系数（2）、均方根误差（Root Mean Square Error，RMSE）和归一化均方根误差（Normalized Root Mean Square Error，NRMSE）来评价模型预测生物量的准确性。

2 结果与分析

2.1 基于卫星波段NDVI-like植被指数的冬小麦生物量估算

本研究中，计算NDVI-like与冬小麦干生物量之间的决定系数2，并绘制二维2分布图，如图4所示。从二维2分布图中识别NDVI-like植被指数对冬小麦生物量最佳敏感波段组合，如表2所示。研究发现，在不同的生育期，所构建的敏感植被指数具有明显的差异。

对于RapidEye波段数据，在4个生育期中所构建的最佳植被指数与冬小麦生物量的决定系数2在0.19～0.50之间变化。其中开花期的决定系数最高，所构建的最佳植被指数为红光和蓝光波段组合。抽穗期的决定系数最低。全生育期植被指数与生物量的相关性低于单一生育期。

注：各处理样本量见表2。下同。

对于Sentinel-2波段数据，不同生育期对应的最佳植被指数具有明显差异。在抽穗期，红光波段B4与红外波段B9的组合与生物量具有更高的相关性；在开花期，多个波段组合对生物量均表现出较强的敏感性，如红边波段B5与绿光波段B3的组合、红光波段B4分别与波段B1和蓝光波段B2的组合、红外B9分别与近红外B8和B8A的组合以及短波近红外B12与波段B1的组合；在灌浆期，冬小麦生物量与所构建的NDVI-like植被指数的敏感性波段与开花期相似，但敏感性低于开花期；在开花期所构建的植被指数与生物量的敏感性最高，2为0.56，最佳波段组合为B3和B5波段组合。其次是在拔节期，对应的2为0.51，最佳波段组合为B11和B5。在全生育期的最佳波段组合为B12和B2，敏感性2为0.31。

对于WorldView-2波段数据，从二维2图上看，在拔节期，敏感性较高的波段组合是：绿光波段与黄光波段、红光波段的组合，以及红边波段与两个近红外波段的组合；在抽穗期，较为敏感的波段组合是：蓝波段与海岸蓝波段的组合，红边波段与近红外波段的组合；在开花期，最佳的波段组合为红光波段与海岸蓝波段，对应的2为0.55；在灌浆期，红光波段与蓝、绿和黄光波段组合对生物量较为敏感，其中最佳组合为红光与黄光波段的组合，对应的2为0.42。对全生育期，所构建的植被指数与生物量的敏感性较差，2仅为0.10。

不同施氮水平条件下，最佳波段组合对生物量的敏感性随施氮程度的增加而增强，对于RapidEye、 Sentinel-2、WorldView-2波段数据，其2分别从施氮水平N1条件下的0.22、0.35、0.14增加到N3条件下的0.37、0.50和0.28。3颗卫星在N1和N2条件下分别具有相同的最佳波段组合，其中RapidEye的最佳波段组合为红边波段和绿光波段，Sentinel-2的最佳波段组合为B11和B3，WorldView-2的最佳组合为红边和绿光波段。在N3条件下RapidEye的最佳波段组合为红边波段和蓝光波段，Sentinel-2的最佳波段组合为B2和B5，而WorldView-2的最佳组合为蓝光波段和绿光波段。

表2中展示了NDVI-like植被指数与冬小麦生物量的线性拟合关系和最佳的波段组合（NDVI-best）。从表中发现，基于Sentinel-2卫星波段构建的NDVI-like最佳植被指数除在灌浆期与生物量的拟合关系（2=0.41）略低于WorldView-2卫星波段拟合的结果外（2=0.42），在其他生育期和3种施氮水平条件下所构建的最佳植被指数的敏感性都要优于RapidEye和WorldView-2波段数据。在4个生育期中，WorldView-2卫星波段构建的最佳植被指数要优于RapidEye卫星波段数据。但在全生育期中，RapidEye波段数据所构建的植被指数要优于WorldView-2波段数据。在3种施氮条件下RapidEye波段数据所构建的植被指数都要优于WorldView-2波段数据。图5展示了最佳植被指数及在不同生长条件下所构建的反演模型与生物量间的散点关系图。

表2 最佳波段组合下NDVI-like植被指数与冬小麦生物量关系

2.2 基于机器学习与深度学习的冬小麦生物量估算

使用3颗卫星宽波段光谱反射率作为6种机器学习和深度学习算法的输入，构建冬小麦生物量估算模型。表3和表4展示了6种算法在不同生育期和不同施氮水平下估算冬小麦生物量的精度。图6中展示了不同生长条件下的最佳预测模型的实测与估算生物量的散点图。6种算法的表现受到生育期和施氮水平的影响。DNN算法的最佳预测精度除在灌浆期略低于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条件下都优于另外5种算法。在全生育期的生物量估算中，DNN算法与Sentinel-2波段数据相结合表现出最佳的预测能力，2为0.70，RMSE为203.78 g/m2。在单一生育期的生物量预测中，在拔节期所构建的模型的预测能力最优，3颗卫星与DNN算法所构建模型的决定系数2在0.69～0.78，NRMSE在0.26～0.31之间变化。

在开花期，DNN算法所构建模型的决定系数2在0.69～0.70，NRMSE在0.24～0.25之间。而在抽穗期，所构建的最佳预测模型的预测精度最低，3颗卫星所构建模型的的决定系数2在0.35～0.53之间变化，RMSE在78.60～92.00 g/m2之间变化；在4个生育期以及全生育期中，Sentinel-2卫星波段数据所构建的最佳预测模型的预测精度要优于RapidEye和WorldView-2卫星波段数据。表4展示了在3种施氮水平条件，6种算法构建模型估算生物量的能力，从表中可以看出，在3种施氮水平条件下，模型的预测能力随着施氮水平增加而增强。而在N3条件下的最佳的估算精度2在0.71和0.75之间，RMSE在202～219 g/m2之间。在N1和N3条件下，基于Sentinel-2波段数据的最佳模型预测精度要优于WorldView-2和RapidEye波段数据。而在N2条件下，基于WorldView-2波段数据的最佳模型的预测精度要优于其他两颗卫星波段数据。

图5 不同生育期和施氮水平条件下基于最佳植被指数的冬小麦生物量反演模型性能

表3 不同生育期下基于6种机器学习和深度学习算法的冬小麦生物量估算

注：RFR、PLSR、SVR、1D-CNN、LSTM、DNN分别代表随机森林回归、偏最小二乘回归算法、支持向量回归算法、一维卷积神经网络、长短期记忆递归神经网络、深度神经网络算法。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 不同施氮水平条件下基于6种机器学习和深度学习算法的冬小麦生物量估算

图6 不同生育期和施氮水平条件下最佳反演模型估算精度散点图

3 讨 论

高光谱遥感可以通过窄波段反射率实现对农作物长势的精细探测，但由于其数据获取成本，对大面积农作物遥感监测，卫星多光谱遥感数据更具有实用性。近年来，卫星红边探测波段的设计和开发，从理论上增强了卫星植被探测能力，而其对冬小麦地上生物量遥感监测能力和影响因素需要进一步评估。冬小麦生物量的遥感估算受到作物生长状况和施氮水平的影响[12]。在不同的生育期中，本研究中所构建的最佳宽波段植被指数对生物量的敏感性2在0.37～0.56之间变化。其敏感性略低于基于无人机高光谱遥感数据构建的归一化植被指数在不同生育期对生物量的敏感性（2=0.44～0.64）[24]。对于基于宽波段数据与机器学习和深度学习构建的估算模型，模型的预测精度在不同的生育期也表现出显著差异，本研究中的实测与预测的值的2在0.53～0.79之间变化，其相关性略低于高光谱遥感数据与机器学习算法在不同生育期的估算结果（2=0.69～0.88）[12]，但与环境卫星的宽波段遥感数据与机器学习算法在不同生育期中的估算结果一致，在不同生育期中的2同样在0.53～0.79之间变化[25]。冬小麦生物量的遥感估算在不同生育期中，所构建模型表现出显著的差异[12,24,26]，其潜在的原因在于冬小麦生物量绝对值在不同的生育期具有明显的差异（如图6所示），使得冠层对光的反射和吸收特性呈现不同的特征[25]。此外，在不同生育期冬小麦对氮素的利用效率、叶片叶绿素含量、冠层结构特征差异明显，同样导致冠层光谱反射率的较大差异[27]，因此造成遥感估算模型在不同生育期中的表现差异。陶惠林等[24]发现，在开花期、灌浆期和孕穗期3个生育期中，在开花期对冬小麦生物量的估算精度最高。在本研究中在，植被指数的敏感性和深度学习算法的估算精度在拔节期和开花期中表现最佳，这与陶惠林等人的研究结果一致。在3种施氮水平条件下，施氮水平的提高增强了模型估算精度，主要可能的原因是施氮水平的增强促进了小麦冠层的生长，从而提高了冠层叶片对地表的覆盖，进而减少了地表背景反射率的影响。因此，在应用卫星遥感数据对冬小麦生物量进行估算时，要顾及生长状况和施氮水平的影响。

基于红边反射率构建的植被指数在冬小麦生物量的估算中具有十分重要的作用。相比于传统的基于红光和近红外波段构建的植被指数，红边波段植被指数能够减少植被指数对生物量的饱和现象，从而提高反演精度[28]。可能的原因是红边波段反射率与植被叶绿素含量具有很强的相关性[29]，而叶绿素含量又与生物量密切相关[30]。另外，相比于传统的红光和近红外波段构建的植被指数，红边波段植被指数对土壤背景的敏感性更弱[31]，进而提高了对生物量的敏感性。

本研究的局限性在于所构建的卫星宽波段植被指数和机器学习与深度学习模型未采用实际的卫星遥感数据进行验证。对于实际的卫星遥感影像，波段反射率会受到大气、太阳高度角和混合像元的影响。本研究中所构建的算法和模型在今后的研究中需要通过实际的卫星遥感影像进一步验证。在本研究中，只采用单一的光学卫星遥感数据开展冬小麦生物量的直接遥感估算，在今后的研究中可以结合多源遥感数据提高反演精度。

4 结 论

本文采用对近地冬小麦冠层高光谱数据重采样的方式评估了3颗具有红边波段的卫星波段数据（RapidEye、Sentinel-2和WorldView-2）估算冬小麦生物量的能力。通过构建任意两波归一化植被指数NDVI-like最佳植被指数和6种机器学习和深度学习算法，在4个生育期和3种施氮水平条件下开展冬小麦生物量的遥感估算。本研究主要有以下结论：

1）卫星波段构建的植被指数受到生育期和施氮水平的影响。在单一生育期中，两波段构建的植被指数在开花期对生物量的敏感性最强（2=0.50～0.56）。而在全生育期中，依靠单一植被指数很难实现对冬小麦生物量的精确估算。在3颗卫星波段数据中，Sentinel-2卫星波段数据所构建的植被指数最优，其中具有红边波段B5参与组合的植被指数在拔节期和开花期的相关性2都在0.50以上。在不同施氮水平条件下，植被指数对冬小麦生物量的敏感性随着施氮水平的提高而增强。

2）总的来说，本研究所采用的6种算法中，基于DNN算法所构建的冬小麦生物量估算模型要优于其他机器学习算法和深度学习算法。所构建的模型同样受到生育期和施氮水平的影响。在单一生育期中，在拔节期（2=0.69～0.78和NRMSE=0.26～0.31）和开花期（2=0.69～0.70和NRMSE=0.24～0.25）的估算精度最高。Sentinel-2波段数据与DNN结合的估算精度最高，在全生育期中预测精度2为0.70，RMSE为203.78 g/m2。施氮水平的提高同样增强了DNN模型的估算精度，3颗卫星波段数据在N3条件下的预测精度2都在0.71及以上，RMSE低于219 g/m2。

[1] 李长春，李亚聪，王艺琳，等. 基于小波能量系数和叶面积指数的冬小麦生物量估算[J]. 农业机械学报，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] 孙奇，关琳琳，焦全军，等. 基于植被指数融合的冬小麦生物量反演研究[J]. 遥感技术与应用，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] 于丰华，邢思敏，郭忠辉，等. 基于特征转移植被指数的水稻叶片氮素含量定量估算[J]. 农业工程学报，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] 魏庆伟，王福州，张青，等. 基于近地遥感的冬小麦生物量动态监测方法[J]. 山东农业科学，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] 任建强，吴尚蓉，陈仲新，等. 基于Hyperion高光谱影像的冬小麦地上干生物量反演[J]. 农业机械学报，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，苗艳龙，张漫，等. 基于线性回归的玉米生物量预测模型及验证[J]. 农业工程学报，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] 张东彦，韩宣宣，林芬芳，等. 基于多源无人机影像特征融合的冬小麦 LAI 估算[J]. 农业工程学报，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] 李岚涛，郭宇龙，王宜伦，等. 基于高光谱的冬小麦不同生育时期地上部生物量监测[J]. 麦类作物学报，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] 马浚诚，郑飞翔，杜克明，等. 基于可见光图像和卷积神经网络的冬小麦苗期长势参数估算[J]. 农业工程学报，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，冯海宽，徐良骥，等. 基于无人机高光谱遥感数据的冬小麦生物量估算[J]. 江苏农业学报，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] 岳继博，杨贵军，冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比[J]. 农业工程学报，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] 纪景纯，刘建立，李晓鹏，等. 基于全波段高光谱的冬小麦生长参数估算方法比较[J]. 作物杂志，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] 郑阳，吴炳方，张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报，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

兰仕浩，李映雪，吴芳，等. 基于卫星光谱尺度反射率的冬小麦生物量估算[J]. 农业工程学报，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

国家自然科学基金项目（41801243）

兰仕浩，研究方向为农业遥感。Email：20201248051@nuist.edu.cn

邹晓晨，博士，副教授，研究方向为农业遥感。Email：zouxiaochen902@126.com