基于哨兵2号多光谱影像的水稻倒伏识别与分类

任志鹏，高 睿，王大庆

（1.黑龙江省农垦科学院，哈尔滨 150000；2.东北农业大学电气与信息学院，哈尔滨 150000；3.黑龙江省农垦管理干部学院，哈尔滨 150000；4.海口经济学院，海口 571127）

0 引 言

水稻作为我国的主要粮食作物之一，其产量和品质的稳定常常受到倒伏灾害的影响[1]。水稻倒伏主要发生在大风、暴雨等恶劣气象天气之后，倒伏程度与气象灾害严重程度、土壤结构、灌溉方式等息息相关[2,3]，同时也取决于水稻自身品种、株高、种植密度等因素[4]。水稻倒伏类型主要分为两种，一是根部倒伏，即水稻根部与土壤连接处的锚固作用被破坏，出现连根拔出的倒伏；二是茎秆倒伏，即水稻茎秆在自重或外力作用下发生弯曲甚至折断的倒伏。水稻倒伏后，冠层在空间上的有序结构被破坏，光合作用效率大大降低；加之茎秆的弯曲折断阻碍了作物内部养分的传输路径甚至形成外露伤口，影响水稻的正常生长发育过程，导致水稻产量下降和品质劣化[5]。相关调查及试验发现[6,7]大田水稻倒伏后产量减少一般在5%～20%，严重倒伏情况下，水稻减产达35%以上。因此，加强对水稻倒伏面积及位置的监测识别，并对倒伏严重程度进行分类，对于估计水稻倒伏损失，及时采取相关挽救和补偿措施意义重大。

农田遥感技术可广泛应用于作物分类、面积测算、长势评估等工作[8]，李彦等[9]基于TM 遥感影像成功在河套灌区识别了玉米、小麦和葵花的作物分布及种植面积；周敏姑[10]等使用无人机遥感影像计算植被指数，成功建立了冬小麦叶绿素含量的回归模型。在倒伏研究中，由于人工监测作物倒伏的传统方法效率低、成本高，越来越多的学者开始关注基于遥感数据的作物倒伏的监测识别，目前主要包括基于无人机平台的遥感数据识别、基于卫星平台的多光谱数据识别以及基于卫星平台的雷达数据识别3 种方法[11]。基于无人机平台的遥感数据识别方法可利用无人机搭载多种传感器，获得小区域范围内倒伏作物各类遥感数据并分析倒伏作物特征，具有操作灵活、不受云层影响、空间分辨率高、可实时监测等特点[12]，赵静等[13]基于无人机RGB+DSM 融合影像提取作物特征，成功提取了小麦倒伏面积；张新乐等[14]利用倒伏玉米田块的无人机多光谱影像提取光谱反射率及纹理特征并比较它们利用最大似然法识别倒伏面积的准确率，发现多类纹理特征法的效果最好。郑二功等[15]在倒伏玉米的无人机影像基础上加入深度学习算法，利用全卷积神经网络成功识别出玉米倒伏区域。基于卫星平台的多光谱数据识别方法以卫星多光谱影像为主要数据来源，获取研究区较大空间及时间尺度的作物光谱反射率数据，利用作物倒伏前后的光谱反射率差异提取目标特征，进而识别倒伏作物。王利民等[16]利用GF-1 卫星多时相近红外波段数据进行组合并构建决策树，识别了水稻不同生育期的倒伏面积；李宗南等[17]使用Worldview-2 多光谱影像提取倒伏玉米田块的反射率及纹理特征，发现用红边及近红外波段对玉米倒伏最敏感。基于卫星平台的雷达数据识别方法常使用合成孔径雷达获得的作物向后散射数据分析倒伏情况，其优点是穿透能力强、数据不受天气影响，可准确反映作物形态结构变化。张智宏[18]根据radarsat-2 雷达影像获取倒伏小麦区域的极化SAR 参数并构建倒伏小麦的监测模型，分析了向后散射特征与小麦倒伏的相关关系。韩冬等[19]利用哨兵1号雷达影像构建倒伏玉米的监测模型，发现基于向后散射系数可准确反演作物株高，进而估计倒伏程度。也有研究者将卫星多光谱及雷达数据结合，共同识别作物倒伏情况。Jinning Wang等[20]分析了哨兵1 号的SAR 特征参数与哨兵2 号卫星的光谱指数对水稻倒伏的敏感性，基于随机森林算法建立对水稻倒伏的最佳敏感性参数模型，成功区分了3 种倒伏水稻类型。Chauhan 等[21]结合哨兵1 号和哨兵2 号遥感数据以及田间实测倒伏情况，识别了小麦倒伏的发生率并对小麦倒伏严重程度进行了分级。

综上所述，现有研究对利用不同遥感数据源分析倒伏作物特征并提取倒伏区域做了大量尝试，但使用的图像特征较为单一且大多局限于作物倒伏与未倒伏的二分类，对于如何对作物倒伏程度进一步细分的探索较少。本研究基于黑龙江红卫农场的哨兵2号多光谱数据，提取并分析了倒伏水稻田块的光谱反射率特征、植被指数特征和纹理特征，根据不同田块的特征差异利用决策树方法对水稻倒伏严重程度进行分类，建立了倒伏水稻的识别模型。

1 材料与方法

1.1 研究区概况

本研究以黑龙江红卫农场为研究区域，农场位于黑龙江省双鸭山市饶河县北部，地理坐标为133.30°E，47.31°N，属于寒温带大陆性季风气候，年平均气温为-2～3 ℃，年平均降雨量为500 mm 左右[22]。冬季寒冷漫长，全年无霜期为120 d左右，夏季炎热高温，太阳辐射资源充足，年日照时数超过2 500 h，为农作物生长提供了有利条件。红卫农场隶属黑龙江农垦总局，总占地面积6.3 万hm2，其中耕地面积2.03 万hm2，主要种植作物为水稻、大豆、玉米、小麦等。2019年9月13日前后，农场遭受大风降雨天气，导致部分地块的水稻出现不同程度倒伏。试验地理位置及样点分布见图1。

1.2 数据来源

本研究使用的多光谱影像数据来自哨兵2 号卫星（Sentinel-2）平台，下载自欧州航天局哥白尼数据中心（https://scihub.copernicus.eu），卫星重访周期为5 d，幅宽为290 km，涵盖可见光至短波红外共13 个光谱波段数据，空间分辨率最高可达10 m[23]。本文选用了哨兵2 号2019年9月22日位于红卫农场区域的L2A 级数据产品作为研究对象，使用的地理坐标系为UTM/WGS84，该产品已预先经过辐射定标和大气校正，消除了因遥感器、太阳高度、大气散射等引起的图像失真问题，可直接获得研究区大气底层反射率数据。本文剔除了与植被生长无关的3 个波段（Band-1、Band-9、Band-10），对其余波段的影像数据进行剪裁、波段合成等预处理，为之后的特征分析做准备，各波段参数信息如表1所示。

表1 哨兵2号卫星多光谱波段参数Tab.1 Multispectral band parameters of sentinel-2 satellite

1.3 研究方法

本研究首先基于现场调查和无人机高清影像目视解译结果，对遥感影像上正常水稻及不同倒伏程度水稻区域进行采样统计和分类；其次，结合多光谱遥感影像，计算不同类别样点的光谱反射率特征、植被特征以及纹理特征并对比分析，选择水稻倒伏的敏感性参数；使用决策树分类方法，基于水稻倒伏的敏感性参数对水稻不同程度倒伏区域进行识别和分类；最后，利用水稻倒伏面积的现场调查与目视解译统计结果评价水稻倒伏识别与分类精度并进行误差分析。

1.3.1 样点统计

结合红卫农场水稻倒伏的现场调查结果，借助无人机高清影像数据对研究区水稻进行目视解译，判断水稻倒伏严重程度并将水稻地块分为四类：正常、轻度倒伏、中度倒伏和重度倒伏。水稻倒伏情况如图2所示，共选取了435 个样点，其中，正常水稻102 个，轻度倒伏水稻114 个、中度倒伏水稻107个，重度倒伏水稻112个，样点分布情况见图1。

图2 研究区倒伏水稻目视解译分类Fig.2 Classification of lodging rice in the pilot area by visual interpretation

1.3.2 光谱反射率特征

图3给出了4 种倒伏水稻类型的多光谱曲线，可以看出，随着水稻倒伏严重程度的增加，不同波段反射率均有所提高，可见光波段中，绿光及红光反射率差异较为显著，从正常水稻到重度倒伏水稻，绿光反射率分别提高了0.017、0.010 和0.022，红光反射率分别提高了0.010、0.012 和0.017。红边波段出现“红边蓝移”现象，特别是正常水稻与重度倒伏水稻红边波段差异显著，红边1、红边2 和红边3 的反射率分别提高了0.041、0.114和0.150，但轻度、中度和重度3种不同倒伏程度的水稻内部差异较小。4种倒伏类别的水稻近红外波段反射率差异较大，尤其是在近红外1 处的反射率分别提高了0.038、0.023和0.024。

图3 不同倒伏类型水稻多光谱曲线Fig.3 Multispectral curves of rice with different lodging types

计算正常水稻及不同倒伏程度水稻的光谱反射率相对差异，发现不同倒伏水稻类型在绿光、红光、红边3以及近红外1处的反射率分离性较大，相对差异均达到了25%以上。分析原因可能是水稻倒伏后植株相互倾轧，叶片相互交叠，光合作用减弱，叶绿素减少，导致可见光波段的反射率增加[24]。水稻倒伏后茎秆光照面积占比较叶片增加，对近红外波段的反射能力增强[25]，随着倒伏程度的加重，近红外波段反射率逐渐提高，加之水稻在倒伏后会出现不同程度的受伤甚至枯死，对于作物生理状态较为敏感的红边波段反射率增加。

1.3.3 植被指数特征

基于水稻地块的多光谱影像，针对不同倒伏类型水稻分离性较大的波段选取一些常用植被指数进行了计算，主要包括归一化植被指数NDVI（Normalized Difference Vegetation Index）、绿红植被指数GRVI（Green Red Vegetation Index）、差值植被指数DVI（Difference Vegetation Index）、比植被指数RVI（Ratio Vegetation Index）、归一化红边差异指数NDREⅠ（Normalized Difference Red-Edge ⅠIndex）以及地表水分指数LSWI（Land Surface Water Index）。计算公式如下所示。

式中：ρnir1、ρred、ρgreen、ρblue、ρred-e1、ρred-e2、ρswir1分别为近红外1波段、红光波段、绿光波段、蓝光波段、红边1 波段、红边2波段以及短波红外1波段反射率。

以往研究表明，NDVI能够显著反映植被覆盖度和植物生理状态[26]，GRVI可以反映植物长势和健康状态[27]，RVI能够增强植被与土壤背景辐射值的差异，在植被高密度覆盖区能够更好地区分植被区与非植被区[28]，DVI与植被土壤背景变化值相关度高，常用于区分植被与水体[29]。NDREⅠ对植物参数的细微变化十分敏感[30]，LSWI能感知植物及土壤水分含量变化，在用于区分水稻与其他植被时效果较好[31]。

对不同倒伏类型水稻植被指数计算结果如表2所示，通过观察各植被指数变化可以发现，随着倒伏程度的加深，作物健康状况逐渐恶化，生长活力下降，红光的吸收能力降低，红光波段的反射率的相对变化高于近红外波段，导致NDVI和RVI呈下降趋势，其中，NDVI的均值分别相对减少了1.6%、5.4%和3.7%，而RVI的均值则相对减少了4.7%、5.3%和6.8%，但仍在绿色植被的正常范围内。由于倒伏发生后绿光和红光波段反射率均出现较为显著的增加，以可见光波段反射率为变量计算的GRVI和DVI随倒伏程度的加深而逐步增长。其中，由于红光波段的反射率随倒伏程度的加深而显著增长，而蓝光波段的反射率变化相对较小，反映二者关系的DVI的增长尤为明显，正常水稻的DVI均小于0.041，而中度及以上倒伏水稻均大于0.039，可将DVI作为区分水稻倒伏类型的重要特征之一。NDRE1 显示了水稻倒伏后红边段的变化情况，从正常水稻到重度倒伏水稻，NDRE1 逐渐上升，但增幅相对较小，分别为8.8%、4.6%和4.0%。LSWI表征了对含水量变化敏感的近红外及短波红外波段的关系，不仅与水稻自身含水量有关，也受稻田土壤水分变化影响，故随着倒伏程度的增加无明显变化规律，均保持在0.314～0.470 范围内，可作为判断水稻田块的主要特征指数。

表2 水稻植被指数计算Tab.2 Calculation of rice vegetation index

1.3.4 图像纹理特征

本研究基于灰度共生矩阵GLCM （Grey-Level Cooccurrence Matrix）[32]计算哨兵2号多光谱影像的纹理特征，设置滤波窗口大小为3×3，X和Y的偏离值均为1，计算图像纹理的均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相异性特征，对比不同倒伏程度水稻发现均值纹理特征的相异性较大，故对10个波段的均值纹理特征进一步分析。

正常、轻度倒伏、中度倒伏和重度倒伏水稻的均值纹理特征统计量如表3所示，其中差异系数计算如公式（7）所示，表示特征值的离散程度。从不同倒伏水稻类型的均值纹理特征可以看出，可见光波段中蓝光的差异系数相对较小，分别为11.32%、8.71%、8.66%和8.11%；红边及近红外1 波段的差异系数均较小，大部分都在10%以内。此外，短波红外2的纹理特征值差异系数也较小，分别为9.53%、9.70%、7.83%和7.88%。表4将4 种水稻倒伏类型各波段的均值纹理特征进行两两对比并计算相对差异指数，计算如公式（8）所示。在6 组对比情景中，蓝光波段各水稻的均值纹理特征值差异显著，特别是正常水稻与倒伏水稻之间，差异系数分别为27.33%、48.35%和72.89%，可以作为区分二者的主要特征。在对比轻度倒伏与中度、重度倒伏时发现，蓝光和绿光波段的差异较大，分别为16.51%和35.79 以及14.62%和37.97%。中度倒伏与重度倒伏则在绿光和红光波段差异较大，分别为20.37%和18.7%。

表3 水稻各波段均值纹理特征计算Tab.3 Calculation of mean texture features of rice in different bands

表4 不同倒伏类型水稻均值纹理相对差异Tab.4 Relative difference of mean texture of rice with different lodging types

式中：CV为差异系数，%；AVG为平均值；VAR为方差；RDI为相对差异指数，%；AVG1和AVG2分别为两种倒伏水稻的纹理均值。

综合考虑各波段均值纹理的差异系数及相对差异指数，不同倒伏类型水稻在可见光3个波段的纹理特征差异较为显著且数据离散程度相对较低，故选择蓝光、绿光和红光波段的纹理均值作为区分4种水稻类型的阈值。

1.3.5 倒伏水稻识别分类

基于以上3种特征分析结果设置不同倒伏类型水稻的特征阈值，定义分类规则并构建决策树（见图4），对倒伏水稻进行识别和分类。根据光谱反射率特征分析可知，不同倒伏类型的水稻光谱反射率在绿光、红光、红边3 以及近红外1 四个波段处的差异较大，于是在构建决策树时重点选取相关波段计算的图像特征作为分类依据。首先根据所有水稻类型的NDVI和RVI取值范围提取绿色植被，即当像元的0.49≤NDVI≤0.77 且3.03≤RVI≤7.45 时，将其归为绿色植被。其次，以对水稻田块较为敏感的LSWI作为区分水稻与其他作物的特征，由于正常及倒伏水稻的LSWI取值均小于0.47，故设置LSWI≤0.47，排除其他植被，筛选出水稻。由植被指数特征及纹理特征分析可知，4 种倒伏类型的水稻在DVI及蓝光波段均值纹理特征上存在较大差异，因此以DVI＞0.041 且MEAN_B2≥1.8 为条件，区分正常水稻与倒伏水稻。进一步，设置DVI＞0.053 且MEAN_B2≥2.3，筛选出轻度倒伏水稻。最后基于中度倒伏和重度倒伏水稻在绿光和红光波段均值纹理的差异，设置MEAN_B3≥4.8 且MEAN_B4≥3.5，区分中度倒伏和重度倒伏水稻。

图4 倒伏水稻识别分类决策树流程图Fig.4 Flowchart of decision tree for identification and classification of lodging rice

2 结果与分析

利用决策树分类法对倒伏水稻类型识别和分类的结果如图5所示，从图5可以看出，红卫农场此次倒伏水稻面积较大且分布在水稻种植区的各处，但大部分倒伏水稻以轻度倒伏为主，中度倒伏次之，重度倒伏则占比较小，这与现场调查和目视解译结果一致。图6为研究区某地块水稻倒伏的分类识别结果，大部分倒伏水稻能够被准确识别并分类。为定量评价水稻倒伏识别与分类结果的精确度，本研究将现场调查和目视解译统计得到的倒伏水稻面积与模型识别的面积进行对比并分析识别误差。

图5 研究区倒伏水稻识别分类结果Fig.5 Identification and classification results of lodging rice in the pilot area

图6 某田块倒伏水稻识别分类结果Fig.6 Identification and classification results of lodging rice in a field

根据识别影像中各水稻倒伏类型的像元数量统计结果，结合卫星影像的空间分辨率，计算得到倒伏水稻识别面积与倒伏水稻面积统计结果对比如表5所示。水稻倒伏识别分类结果显示，正常水稻面积占比为67.83%，倒伏水稻面积占比为32.17%，其中大部分为轻度倒伏水稻，占比为21.95%，而轻度及重度倒伏水稻占比不到10%，其中中度倒伏水稻面积占比为6.39%，重度倒伏水稻面积占比为3.83%。从与倒伏水稻面积统计结果对比来看，除中度倒伏水稻以外，各类水稻倒伏类型的识别误差均在10%以内。其中，正常水稻面积识别误差最小，为5.33%；中度倒伏水稻面积识别结果误差最大，为10.25%。进一步分析可以发现，正常、轻度倒伏和重度倒伏三类水稻面积的识别结果大于实际情况，对重度倒伏的识别则较为保守，相对于统计结果偏小。综上所述，本研究构建的倒伏水稻识别分类模型具有较高的准确度，可应用于研究区水稻倒伏监测。

表5 倒伏水稻遥感识别结果与实测统计对比Tab.5 Comparison between remote sensing identification results and measured statistics of lodging rice

3 讨 论

本研究使用哨兵2号卫星多光谱影像数据，计算了黑龙江红卫农场不同倒伏类型水稻的光谱反射率特征、植被指数特征以及图像纹理特征并比较了它们的差异，之后基于对水稻倒伏敏感的特征构建决策树，对倒伏水稻田块进行识别分类。结果表明水稻倒伏后由于形态结构及生理状况的变化，各波段反射率均出现上升，一些植被指数随倒伏程度的加重显示出明显的分离性，但大部分指数在不同倒伏类型中仍存在较大重叠，不能作为区分倒伏严重程度的特征。水稻的图像均值纹理特征在各倒伏类型中显示出较大的差异性，可见光波段的纹理特征差异尤为显著，是构建决策树的重要参考因素。哨兵2号多光谱影像波段范围较广，包含丰富的地物信息，未来研究中可应用多种分类方法处理图像特征，提高对作物不同倒伏程度识别的准确性。

哨兵2号的多光谱影像与其他卫星平台相比有波段覆盖范围广、重访周期短、空间分辨率高等优点，但与无人机遥感影像仍存在一定差距，光谱反射率在天气、云层、地形等诸多因素的干扰下存在较大的不确定性，不同波段空间分辨率不统一[33]，无法满足对灾后水稻倒伏实时准确监测的要求。今后需与无人机遥感或卫星雷达遥感协同工作，在大尺度范围作物倒伏快速识别的基础上，提高小区域倒伏监测的准确性和时效性。

本研究仅以处于生育阶段后期的水稻作为倒伏识别的对象，而不同生育期的水稻由于形态结构和生理状态的差异，倒伏后的反射率特征和纹理特征将存在差异，后续研究中可对水稻各生育阶段发生倒伏后的特征进行探索，构建水稻种植全过程的倒伏监测识别体系。

4 结 论

（1）随着水稻倒伏严重程度的加深，可见光、红边、近红外1和短波红外波段的光谱反射率均有所上升，四种水稻倒伏类型在绿光、红光、红边3 以及近红外1 处反射率分离性较大，反射率均值的相对差异达到了25%以上。

（2）水稻的植被指数特征在倒伏发生后出现了不同的变化趋势，其中反映植被覆盖度和生理状况的NDVI和RVI均下降，GRVI、DVI和NDREⅠ则随水稻倒伏而增加，不同倒伏类型水稻的DVI显示出了较大的差异。LSWI则没有明显的变化规律。

（3）4种水稻倒伏类型在可见光波段的均值纹理特征差异显著，尤其是蓝光波段的纹理均值在全部6 组对比中有4 组达到了27%以上，是区分不同倒伏类型的重要特征。

（4）基于对水稻倒伏敏感的特征量使用决策树分类法可有效区分出正常、轻度倒伏、中度倒伏和重度倒伏4种水稻倒伏类型，与实际倒伏面积对比的识别误差分别5.33%、6.51%、10.25%和-7.75%，具有良好的适用性。