基于哨兵2號多光譜影像的水稻倒伏識別與分類

任志鵬，高 睿，王大慶

（1.黑龍江省農墾科學院，哈爾濱 150000；2.東北農業大學電氣與信息學院，哈爾濱 150000；3.黑龍江省農墾管理干部學院，哈爾濱 150000；4.海口經濟學院，海口 571127）

0 引 言

水稻作為我國的主要糧食作物之一，其產量和品質的穩定常常受到倒伏災害的影響[1]。水稻倒伏主要發生在大風、暴雨等惡劣氣象天氣之后，倒伏程度與氣象災害嚴重程度、土壤結構、灌溉方式等息息相關[2,3]，同時也取決于水稻自身品種、株高、種植密度等因素[4]。水稻倒伏類型主要分為兩種，一是根部倒伏，即水稻根部與土壤連接處的錨固作用被破壞，出現連根拔出的倒伏；二是莖稈倒伏，即水稻莖稈在自重或外力作用下發生彎曲甚至折斷的倒伏。水稻倒伏后，冠層在空間上的有序結構被破壞，光合作用效率大大降低；加之莖稈的彎曲折斷阻礙了作物內部養分的傳輸路徑甚至形成外露傷口，影響水稻的正常生長發育過程，導致水稻產量下降和品質劣化[5]。相關調查及試驗發現[6,7]大田水稻倒伏后產量減少一般在5%～20%，嚴重倒伏情況下，水稻減產達35%以上。因此，加強對水稻倒伏面積及位置的監測識別，并對倒伏嚴重程度進行分類，對于估計水稻倒伏損失，及時采取相關挽救和補償措施意義重大。

農田遙感技術可廣泛應用于作物分類、面積測算、長勢評估等工作[8]，李彥等[9]基于TM 遙感影像成功在河套灌區識別了玉米、小麥和葵花的作物分布及種植面積；周敏姑[10]等使用無人機遙感影像計算植被指數，成功建立了冬小麥葉綠素含量的回歸模型。在倒伏研究中，由于人工監測作物倒伏的傳統方法效率低、成本高，越來越多的學者開始關注基于遙感數據的作物倒伏的監測識別，目前主要包括基于無人機平臺的遙感數據識別、基于衛星平臺的多光譜數據識別以及基于衛星平臺的雷達數據識別3 種方法[11]。基于無人機平臺的遙感數據識別方法可利用無人機搭載多種傳感器，獲得小區域范圍內倒伏作物各類遙感數據并分析倒伏作物特征，具有操作靈活、不受云層影響、空間分辨率高、可實時監測等特點[12]，趙靜等[13]基于無人機RGB+DSM 融合影像提取作物特征，成功提取了小麥倒伏面積；張新樂等[14]利用倒伏玉米田塊的無人機多光譜影像提取光譜反射率及紋理特征并比較它們利用最大似然法識別倒伏面積的準確率，發現多類紋理特征法的效果最好。鄭二功等[15]在倒伏玉米的無人機影像基礎上加入深度學習算法，利用全卷積神經網絡成功識別出玉米倒伏區域。基于衛星平臺的多光譜數據識別方法以衛星多光譜影像為主要數據來源，獲取研究區較大空間及時間尺度的作物光譜反射率數據，利用作物倒伏前后的光譜反射率差異提取目標特征，進而識別倒伏作物。王利民等[16]利用GF-1 衛星多時相近紅外波段數據進行組合并構建決策樹，識別了水稻不同生育期的倒伏面積；李宗南等[17]使用Worldview-2 多光譜影像提取倒伏玉米田塊的反射率及紋理特征，發現用紅邊及近紅外波段對玉米倒伏最敏感。基于衛星平臺的雷達數據識別方法常使用合成孔徑雷達獲得的作物向后散射數據分析倒伏情況，其優點是穿透能力強、數據不受天氣影響，可準確反映作物形態結構變化。張智宏[18]根據radarsat-2 雷達影像獲取倒伏小麥區域的極化SAR 參數并構建倒伏小麥的監測模型，分析了向后散射特征與小麥倒伏的相關關系。韓冬等[19]利用哨兵1號雷達影像構建倒伏玉米的監測模型，發現基于向后散射系數可準確反演作物株高，進而估計倒伏程度。也有研究者將衛星多光譜及雷達數據結合，共同識別作物倒伏情況。Jinning Wang等[20]分析了哨兵1 號的SAR 特征參數與哨兵2 號衛星的光譜指數對水稻倒伏的敏感性，基于隨機森林算法建立對水稻倒伏的最佳敏感性參數模型，成功區分了3 種倒伏水稻類型。Chauhan 等[21]結合哨兵1 號和哨兵2 號遙感數據以及田間實測倒伏情況，識別了小麥倒伏的發生率并對小麥倒伏嚴重程度進行了分級。

綜上所述，現有研究對利用不同遙感數據源分析倒伏作物特征并提取倒伏區域做了大量嘗試，但使用的圖像特征較為單一且大多局限于作物倒伏與未倒伏的二分類，對于如何對作物倒伏程度進一步細分的探索較少。本研究基于黑龍江紅衛農場的哨兵2號多光譜數據，提取并分析了倒伏水稻田塊的光譜反射率特征、植被指數特征和紋理特征，根據不同田塊的特征差異利用決策樹方法對水稻倒伏嚴重程度進行分類，建立了倒伏水稻的識別模型。

1 材料與方法

1.1 研究區概況

本研究以黑龍江紅衛農場為研究區域，農場位于黑龍江省雙鴨山市饒河縣北部，地理坐標為133.30°E，47.31°N，屬于寒溫帶大陸性季風氣候，年平均氣溫為-2～3 ℃，年平均降雨量為500 mm 左右[22]。冬季寒冷漫長，全年無霜期為120 d左右，夏季炎熱高溫，太陽輻射資源充足，年日照時數超過2 500 h，為農作物生長提供了有利條件。紅衛農場隸屬黑龍江農墾總局，總占地面積6.3 萬hm2，其中耕地面積2.03 萬hm2，主要種植作物為水稻、大豆、玉米、小麥等。2019年9月13日前后，農場遭受大風降雨天氣，導致部分地塊的水稻出現不同程度倒伏。試驗地理位置及樣點分布見圖1。

1.2 數據來源

本研究使用的多光譜影像數據來自哨兵2 號衛星（Sentinel-2）平臺，下載自歐州航天局哥白尼數據中心（https://scihub.copernicus.eu），衛星重訪周期為5 d，幅寬為290 km，涵蓋可見光至短波紅外共13 個光譜波段數據，空間分辨率最高可達10 m[23]。本文選用了哨兵2 號2019年9月22日位于紅衛農場區域的L2A 級數據產品作為研究對象，使用的地理坐標系為UTM/WGS84，該產品已預先經過輻射定標和大氣校正，消除了因遙感器、太陽高度、大氣散射等引起的圖像失真問題，可直接獲得研究區大氣底層反射率數據。本文剔除了與植被生長無關的3 個波段（Band-1、Band-9、Band-10），對其余波段的影像數據進行剪裁、波段合成等預處理，為之后的特征分析做準備，各波段參數信息如表1所示。

表1 哨兵2號衛星多光譜波段參數Tab.1 Multispectral band parameters of sentinel-2 satellite

1.3 研究方法

本研究首先基于現場調查和無人機高清影像目視解譯結果，對遙感影像上正常水稻及不同倒伏程度水稻區域進行采樣統計和分類；其次，結合多光譜遙感影像，計算不同類別樣點的光譜反射率特征、植被特征以及紋理特征并對比分析，選擇水稻倒伏的敏感性參數；使用決策樹分類方法，基于水稻倒伏的敏感性參數對水稻不同程度倒伏區域進行識別和分類；最后，利用水稻倒伏面積的現場調查與目視解譯統計結果評價水稻倒伏識別與分類精度并進行誤差分析。

1.3.1 樣點統計

結合紅衛農場水稻倒伏的現場調查結果，借助無人機高清影像數據對研究區水稻進行目視解譯，判斷水稻倒伏嚴重程度并將水稻地塊分為四類：正常、輕度倒伏、中度倒伏和重度倒伏。水稻倒伏情況如圖2所示，共選取了435 個樣點，其中，正常水稻102 個，輕度倒伏水稻114 個、中度倒伏水稻107個，重度倒伏水稻112個，樣點分布情況見圖1。

圖2 研究區倒伏水稻目視解譯分類Fig.2 Classification of lodging rice in the pilot area by visual interpretation

1.3.2 光譜反射率特征

圖3給出了4 種倒伏水稻類型的多光譜曲線，可以看出，隨著水稻倒伏嚴重程度的增加，不同波段反射率均有所提高，可見光波段中，綠光及紅光反射率差異較為顯著，從正常水稻到重度倒伏水稻，綠光反射率分別提高了0.017、0.010 和0.022，紅光反射率分別提高了0.010、0.012 和0.017。紅邊波段出現“紅邊藍移”現象，特別是正常水稻與重度倒伏水稻紅邊波段差異顯著，紅邊1、紅邊2 和紅邊3 的反射率分別提高了0.041、0.114和0.150，但輕度、中度和重度3種不同倒伏程度的水稻內部差異較小。4種倒伏類別的水稻近紅外波段反射率差異較大，尤其是在近紅外1 處的反射率分別提高了0.038、0.023和0.024。

圖3 不同倒伏類型水稻多光譜曲線Fig.3 Multispectral curves of rice with different lodging types

計算正常水稻及不同倒伏程度水稻的光譜反射率相對差異，發現不同倒伏水稻類型在綠光、紅光、紅邊3以及近紅外1處的反射率分離性較大，相對差異均達到了25%以上。分析原因可能是水稻倒伏后植株相互傾軋，葉片相互交疊，光合作用減弱，葉綠素減少，導致可見光波段的反射率增加[24]。水稻倒伏后莖稈光照面積占比較葉片增加，對近紅外波段的反射能力增強[25]，隨著倒伏程度的加重，近紅外波段反射率逐漸提高，加之水稻在倒伏后會出現不同程度的受傷甚至枯死，對于作物生理狀態較為敏感的紅邊波段反射率增加。

1.3.3 植被指數特征

基于水稻地塊的多光譜影像，針對不同倒伏類型水稻分離性較大的波段選取一些常用植被指數進行了計算，主要包括歸一化植被指數NDVI（Normalized Difference Vegetation Index）、綠紅植被指數GRVI（Green Red Vegetation Index）、差值植被指數DVI（Difference Vegetation Index）、比植被指數RVI（Ratio Vegetation Index）、歸一化紅邊差異指數NDREⅠ（Normalized Difference Red-Edge ⅠIndex）以及地表水分指數LSWI（Land Surface Water Index）。計算公式如下所示。

式中：ρnir1、ρred、ρgreen、ρblue、ρred-e1、ρred-e2、ρswir1分別為近紅外1波段、紅光波段、綠光波段、藍光波段、紅邊1 波段、紅邊2波段以及短波紅外1波段反射率。

以往研究表明，NDVI能夠顯著反映植被覆蓋度和植物生理狀態[26]，GRVI可以反映植物長勢和健康狀態[27]，RVI能夠增強植被與土壤背景輻射值的差異，在植被高密度覆蓋區能夠更好地區分植被區與非植被區[28]，DVI與植被土壤背景變化值相關度高，常用于區分植被與水體[29]。NDREⅠ對植物參數的細微變化十分敏感[30]，LSWI能感知植物及土壤水分含量變化，在用于區分水稻與其他植被時效果較好[31]。

對不同倒伏類型水稻植被指數計算結果如表2所示，通過觀察各植被指數變化可以發現，隨著倒伏程度的加深，作物健康狀況逐漸惡化，生長活力下降，紅光的吸收能力降低，紅光波段的反射率的相對變化高于近紅外波段，導致NDVI和RVI呈下降趨勢，其中，NDVI的均值分別相對減少了1.6%、5.4%和3.7%，而RVI的均值則相對減少了4.7%、5.3%和6.8%，但仍在綠色植被的正常范圍內。由于倒伏發生后綠光和紅光波段反射率均出現較為顯著的增加，以可見光波段反射率為變量計算的GRVI和DVI隨倒伏程度的加深而逐步增長。其中，由于紅光波段的反射率隨倒伏程度的加深而顯著增長，而藍光波段的反射率變化相對較小，反映二者關系的DVI的增長尤為明顯，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，可將DVI作為區分水稻倒伏類型的重要特征之一。NDRE1 顯示了水稻倒伏后紅邊段的變化情況，從正常水稻到重度倒伏水稻，NDRE1 逐漸上升，但增幅相對較小，分別為8.8%、4.6%和4.0%。LSWI表征了對含水量變化敏感的近紅外及短波紅外波段的關系，不僅與水稻自身含水量有關，也受稻田土壤水分變化影響，故隨著倒伏程度的增加無明顯變化規律，均保持在0.314～0.470 范圍內，可作為判斷水稻田塊的主要特征指數。

表2 水稻植被指數計算Tab.2 Calculation of rice vegetation index

1.3.4 圖像紋理特征

本研究基于灰度共生矩陣GLCM （Grey-Level Cooccurrence Matrix）[32]計算哨兵2號多光譜影像的紋理特征，設置濾波窗口大小為3×3，X和Y的偏離值均為1，計算圖像紋理的均值、方差、協同性、對比度、相異性、信息熵、二階矩和相異性特征，對比不同倒伏程度水稻發現均值紋理特征的相異性較大，故對10個波段的均值紋理特征進一步分析。

正常、輕度倒伏、中度倒伏和重度倒伏水稻的均值紋理特征統計量如表3所示，其中差異系數計算如公式（7）所示，表示特征值的離散程度。從不同倒伏水稻類型的均值紋理特征可以看出，可見光波段中藍光的差異系數相對較小，分別為11.32%、8.71%、8.66%和8.11%；紅邊及近紅外1 波段的差異系數均較小，大部分都在10%以內。此外，短波紅外2的紋理特征值差異系數也較小，分別為9.53%、9.70%、7.83%和7.88%。表4將4 種水稻倒伏類型各波段的均值紋理特征進行兩兩對比并計算相對差異指數，計算如公式（8）所示。在6 組對比情景中，藍光波段各水稻的均值紋理特征值差異顯著，特別是正常水稻與倒伏水稻之間，差異系數分別為27.33%、48.35%和72.89%，可以作為區分二者的主要特征。在對比輕度倒伏與中度、重度倒伏時發現，藍光和綠光波段的差異較大，分別為16.51%和35.79 以及14.62%和37.97%。中度倒伏與重度倒伏則在綠光和紅光波段差異較大，分別為20.37%和18.7%。

表3 水稻各波段均值紋理特征計算Tab.3 Calculation of mean texture features of rice in different bands

表4 不同倒伏類型水稻均值紋理相對差異Tab.4 Relative difference of mean texture of rice with different lodging types

式中：CV為差異系數，%；AVG為平均值；VAR為方差；RDI為相對差異指數，%；AVG1和AVG2分別為兩種倒伏水稻的紋理均值。

綜合考慮各波段均值紋理的差異系數及相對差異指數，不同倒伏類型水稻在可見光3個波段的紋理特征差異較為顯著且數據離散程度相對較低，故選擇藍光、綠光和紅光波段的紋理均值作為區分4種水稻類型的閾值。

1.3.5 倒伏水稻識別分類

基于以上3種特征分析結果設置不同倒伏類型水稻的特征閾值，定義分類規則并構建決策樹（見圖4），對倒伏水稻進行識別和分類。根據光譜反射率特征分析可知，不同倒伏類型的水稻光譜反射率在綠光、紅光、紅邊3 以及近紅外1 四個波段處的差異較大，于是在構建決策樹時重點選取相關波段計算的圖像特征作為分類依據。首先根據所有水稻類型的NDVI和RVI取值范圍提取綠色植被，即當像元的0.49≤NDVI≤0.77 且3.03≤RVI≤7.45 時，將其歸為綠色植被。其次，以對水稻田塊較為敏感的LSWI作為區分水稻與其他作物的特征，由于正常及倒伏水稻的LSWI取值均小于0.47，故設置LSWI≤0.47，排除其他植被，篩選出水稻。由植被指數特征及紋理特征分析可知，4 種倒伏類型的水稻在DVI及藍光波段均值紋理特征上存在較大差異，因此以DVI＞0.041 且MEAN_B2≥1.8 為條件，區分正常水稻與倒伏水稻。進一步，設置DVI＞0.053 且MEAN_B2≥2.3，篩選出輕度倒伏水稻。最后基于中度倒伏和重度倒伏水稻在綠光和紅光波段均值紋理的差異，設置MEAN_B3≥4.8 且MEAN_B4≥3.5，區分中度倒伏和重度倒伏水稻。

圖4 倒伏水稻識別分類決策樹流程圖Fig.4 Flowchart of decision tree for identification and classification of lodging rice

2 結果與分析

利用決策樹分類法對倒伏水稻類型識別和分類的結果如圖5所示，從圖5可以看出，紅衛農場此次倒伏水稻面積較大且分布在水稻種植區的各處，但大部分倒伏水稻以輕度倒伏為主，中度倒伏次之，重度倒伏則占比較小，這與現場調查和目視解譯結果一致。圖6為研究區某地塊水稻倒伏的分類識別結果，大部分倒伏水稻能夠被準確識別并分類。為定量評價水稻倒伏識別與分類結果的精確度，本研究將現場調查和目視解譯統計得到的倒伏水稻面積與模型識別的面積進行對比并分析識別誤差。

圖5 研究區倒伏水稻識別分類結果Fig.5 Identification and classification results of lodging rice in the pilot area

圖6 某田塊倒伏水稻識別分類結果Fig.6 Identification and classification results of lodging rice in a field

根據識別影像中各水稻倒伏類型的像元數量統計結果，結合衛星影像的空間分辨率，計算得到倒伏水稻識別面積與倒伏水稻面積統計結果對比如表5所示。水稻倒伏識別分類結果顯示，正常水稻面積占比為67.83%，倒伏水稻面積占比為32.17%，其中大部分為輕度倒伏水稻，占比為21.95%，而輕度及重度倒伏水稻占比不到10%，其中中度倒伏水稻面積占比為6.39%，重度倒伏水稻面積占比為3.83%。從與倒伏水稻面積統計結果對比來看，除中度倒伏水稻以外，各類水稻倒伏類型的識別誤差均在10%以內。其中，正常水稻面積識別誤差最小，為5.33%；中度倒伏水稻面積識別結果誤差最大，為10.25%。進一步分析可以發現，正常、輕度倒伏和重度倒伏三類水稻面積的識別結果大于實際情況，對重度倒伏的識別則較為保守，相對于統計結果偏小。綜上所述，本研究構建的倒伏水稻識別分類模型具有較高的準確度，可應用于研究區水稻倒伏監測。

表5 倒伏水稻遙感識別結果與實測統計對比Tab.5 Comparison between remote sensing identification results and measured statistics of lodging rice

3 討 論

本研究使用哨兵2號衛星多光譜影像數據，計算了黑龍江紅衛農場不同倒伏類型水稻的光譜反射率特征、植被指數特征以及圖像紋理特征并比較了它們的差異，之后基于對水稻倒伏敏感的特征構建決策樹，對倒伏水稻田塊進行識別分類。結果表明水稻倒伏后由于形態結構及生理狀況的變化，各波段反射率均出現上升，一些植被指數隨倒伏程度的加重顯示出明顯的分離性，但大部分指數在不同倒伏類型中仍存在較大重疊，不能作為區分倒伏嚴重程度的特征。水稻的圖像均值紋理特征在各倒伏類型中顯示出較大的差異性，可見光波段的紋理特征差異尤為顯著，是構建決策樹的重要參考因素。哨兵2號多光譜影像波段范圍較廣，包含豐富的地物信息，未來研究中可應用多種分類方法處理圖像特征，提高對作物不同倒伏程度識別的準確性。

哨兵2號的多光譜影像與其他衛星平臺相比有波段覆蓋范圍廣、重訪周期短、空間分辨率高等優點，但與無人機遙感影像仍存在一定差距，光譜反射率在天氣、云層、地形等諸多因素的干擾下存在較大的不確定性，不同波段空間分辨率不統一[33]，無法滿足對災后水稻倒伏實時準確監測的要求。今后需與無人機遙感或衛星雷達遙感協同工作，在大尺度范圍作物倒伏快速識別的基礎上，提高小區域倒伏監測的準確性和時效性。

本研究僅以處于生育階段后期的水稻作為倒伏識別的對象，而不同生育期的水稻由于形態結構和生理狀態的差異，倒伏后的反射率特征和紋理特征將存在差異，后續研究中可對水稻各生育階段發生倒伏后的特征進行探索，構建水稻種植全過程的倒伏監測識別體系。

4 結 論

（1）隨著水稻倒伏嚴重程度的加深，可見光、紅邊、近紅外1和短波紅外波段的光譜反射率均有所上升，四種水稻倒伏類型在綠光、紅光、紅邊3 以及近紅外1 處反射率分離性較大，反射率均值的相對差異達到了25%以上。

（2）水稻的植被指數特征在倒伏發生后出現了不同的變化趨勢，其中反映植被覆蓋度和生理狀況的NDVI和RVI均下降，GRVI、DVI和NDREⅠ則隨水稻倒伏而增加，不同倒伏類型水稻的DVI顯示出了較大的差異。LSWI則沒有明顯的變化規律。

（3）4種水稻倒伏類型在可見光波段的均值紋理特征差異顯著，尤其是藍光波段的紋理均值在全部6 組對比中有4 組達到了27%以上，是區分不同倒伏類型的重要特征。

（4）基于對水稻倒伏敏感的特征量使用決策樹分類法可有效區分出正常、輕度倒伏、中度倒伏和重度倒伏4種水稻倒伏類型，與實際倒伏面積對比的識別誤差分別5.33%、6.51%、10.25%和-7.75%，具有良好的適用性。