Processing math: 100%
 注册 登录 English Version
技术方法 | 浏览量 : 873 下载量: 474 CSCD: 11 更多指标
  • 导出

  • 分享

  • 收藏

  • 专辑

    • 结合Sentinel-2光谱与纹理信息的冬小麦作物茬覆盖度估算

    • Estimation of winter wheat residue cover using spectral and textural information from Sentinel-2 data

    • 蔡文婷

      123

      赵书河

      123

      王亚梅

      123

      彭凡晨

      123
    • 2020年24卷第9期 页码:1108-1119   

      纸质出版日期: 2020-09-07

    • DOI: 10.11834/jrs.20208471     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 蔡文婷,赵书河,王亚梅,彭凡晨.2020.结合Sentinel-2光谱与纹理信息的冬小麦作物茬覆盖度估算.遥感学报,24(9): 1108-1119 DOI: 10.11834/jrs.20208471.
    CAI Wenting,ZHAO Shuhe,WANG Yamei,PENG Fanchen. 2020. Estimation of winter wheat residue cover using spectral and textural information from Sentinel-2 data. Journal of Remote Sensing(Chinese),24(9): 1108-1119[DOI:10.11834/jrs.20208471] DOI:
  •  
  •  
    论文导航

    摘要

    作物茬覆盖度的估算对于探究农业耕作方式对周围环境的影响具有十分重要的意义。目前,基于多光谱影像的作物茬指数是作物茬覆盖度估算的常用方法。然而,在作物茬高覆盖区域,指数法容易出现“饱和”现象。已有研究结果表明结合影像的光谱与纹理信息有助于改善指数法的“饱和”问题。Sentinel-2作为一颗多光谱卫星,空间分辨率可达10 m,与Landsat OLI相比,具有更丰富的纹理信息。因此,探究Sentinel-2光谱与纹理信息相结合在作物茬覆盖度估算上的潜力具有重要意义。本文以山东省禹城市为研究区,分析了Sentinel-2各波段反射率、归一化差值指数以及不同窗口大小下灰度共生矩阵统计量等遥感因子与野外实测作物茬覆盖度的相关性,并利用最优子集法对遥感因子进行筛选,构建作物茬覆盖度的最优估算模型。同时,使用留一法交叉验证对模型进行评价。结果表明在单因子分析中,归一化差异耕作指数NDTI(Normalized Difference Residue Index)与作物茬覆盖度的相关性最好,相关系数达0.735。使用NDTI、5×5窗口下Sentinel-2 8A波段的相关性统计量以及12波段的方差统计量构建的多元方程是作物茬覆盖度估算的最优模型,相关系数为0.869,均方根误差为11%。与仅使用光谱信息的最优模型相比,相关系数提高了0.094,均方根误差下降了3.5%。可见,结合Sentinel-2的纹理信息有助于提高作物茬覆盖度的估算精度。

    Abstract

    As an important element of farmland ecosystems, Crop Residues Cover (CRC) provides a barrier against water erosion and improves soil structure and organic matter content. Timely and accurate estimation of CRC at regional scale is essential for understanding the ecosystem condition and interactions with the surrounding environment. Satellite remote sensing is an effective method of regional CRC estimation. Tillage indices based on multi-spectral satellite imagery data are commonly used in CRC estimation. However, this method is ineffective in high coverage areas due to “saturation”. Previous studies have shown that a combination of image spectral and textural information can solve saturation problems to a certain extent. Sentinel-2 is a new satellite mission that can provide observations at multi-spectral bands with spatial resolutions of 10, 20, and 60 m. Sentinel-2 can provide more information about texture compared with the commonly used multi-spectral satellite Landsat-8 Operational Land Imager. Therefore, exploring the potential of combining spectral and textural information from Sentinel-2 data is an important task in CRC estimation.

    The objectives of this study are to (1) analyze correlation between field measured CRC and satellite-derived variables such as Sentinel-2 band reflectance, tillage indices, and gray-level co-occurrence matrix statistics in different windows, and (2) determine the optimal CRC estimation method from optimal subset regression with various combinations of tillage indices and image textural features.

    The results showed that the Normalized Difference Tillage Index (NDTI), B12_CO (contrast of band12, B12 in window 5×5), and B12_DI (dissimilarity of B12 in window 5×5) were significantly correlated with the measured CRC with correlation coefficient R values of 0.765, –0.641, –0.553. The estimation model based on NDTI outperformed the models based on other single variables. The model that combined the spectral and textural information in an optimal window (R=0.869, RMSE=11.0%) provided a more precise result than that based solely on spectral information (R=0.775 and RMSE=14.5%). The results demonstrated that a combination of spectral and textural information can improve the accuracy of CRC estimation.

    关键词

    Sentinel-2; 作物茬覆盖度; 作物茬指数; 灰度共生矩阵; 纹理窗口; 最优子集回归; Landsat OLI

    Keywords

    Sentinel-2; crop residue coverage; crop residue indices; gray-level co-occurrence matrix; texture window; optimal subset regression method; Landsat OLI

    1 引 言

    作物茬指的是农作物(如小麦、玉米、大豆等)在收割之后,残留在农田里的物质(

    Daughtry等,2004)。作为覆盖在土壤表层的一层“保护膜”,作物茬可以极大程度地减少水土流失,改善耕地质量(Lemke等,2010Daughtry等,2018)。同时,作物茬对于减小地表温度日变化量,抑制耕地表层水分蒸发,保持土壤水分具有重要作用(陈素英 等,2005)。因此,将作物茬保留在耕地表层,可以有效地提高农作产量,实现可持续耕种(Wilhelm等,2004)。从环境保护的角度考虑,秸秆还土与直接焚烧的方式相比,可以大量减少CO2等温室气体,CO、氮氧化物、苯等有害气体的排放,改善空气质量(朱彬 等,2010Yin等,2017;Kim Oanh等,2018)。通过对农田中作物茬覆盖度信息的获取,不仅可以了解保育性农业在区域的推广情况,更可以探究其对生态环境的影响(Smith等,2012; 张淼 等,2011a)。因此,定量估算农田中的作物茬覆盖度具有重要意义。

    遥感技术因其在时间,空间尺度上的优势而具有快速、大范围、准确监测作物茬覆盖度的能力。目前已成为作物茬覆盖度估算的主要方法。VanDeventer等(1997)通过对TM影像各个波段亮度值及其组合的分析,发现基于TM第5和第7波段的归一化差异耕作指数NDTI(Normalized Difference Tillage Index)对作物茬的估算最为有效。随后,

    Qi等(2002)基于TM的第3和第5波段提出的归一化衰败植被指数NDSVI(Normalized Difference Senescent Vegetation Index)与Gelder等(2009)基于TM第3和第7波段提出的归一化差值残茬指数NDRI(Normalized Difference Residue Index)则分别被证明更适用于土壤湿度较大与存在绿色植被两种情况下的作物茬覆盖度估算。Quemada等(2018)则利用了湿度指数对波段反射率进行湿度校正,然后利用校正后的反射率计算NDTI对作物茬覆盖度进行估算,以消除水分的影响。国内,张淼等(2011b)则针对国产环境星数据(HJ-1)的特点,提出利用基于红外多光谱成像仪(IRS)近红外与短波红外波段的作物茬指数对山东禹城的作物茬覆盖度进行反演。由此可见,基于多光谱影像的作物茬指数是作物茬覆盖度估算的研究重点。

    目前,使用影像的光谱信息对作物茬覆盖度进行估算是一个重要的研究手段。但光谱信息的局限在于,在作物茬覆盖度较高的地区,容易因为饱和而降低预测精度(

    Galloza等,2013)。纹理信息作为影像的衍生数据,揭示了图像灰度的空间变化规律与空间相关性,逐渐被应用到了作物茬覆盖度的估算模型中。Jin等(2015)利用Landsat OLI数据的光谱与纹理信息对作物茬覆盖度进行估算,结果表明纹理信息的加入可以有效提高模型的估算精度。Najafi等(2018)在对Landsat OLI影像进行面向对象分割的基础上,亦发现了纹理信息与作物茬覆盖度具有一定的相关性。可见,纹理信息对于作物茬覆盖度的估算具有一定的作用。

    对于遥感影像而言,影像的空间分辨率越高,纹理信息也越为丰富。但常见的高分数据(如Quickbird与IKONOS)的波段范围往往仅限于可见光与近红外波段,缺少对作物茬敏感的短波红外数据,因此较难应用到相关的研究当中。欧空局发射的Sentinel-2数据,在一定程度上综合了这两方面的需求。Sentinel-2是一颗多光谱的光学遥感卫星。它设置了从蓝绿波段到短波红外的13个波段,数据的空间分辨率为10 m、20 m或60 m。与Landsat OLI相比,Sentinel-2能够提供更为丰富的光谱与纹理信息。同时,A、B星的设置使得Sentinel-2数据的时间分辨率缩短至5 d,因此拥有更为丰富的影像数据。Sentinel-2新增的红边波段同样使其在作物茬覆盖度上具有更大潜力(

    郑阳 等,2017)。

    冬小麦是中国的主要粮食作物之一,探究冬小麦作物茬覆盖度以及保护性农业的推广情况对于粮食生产与环境保护至关重要。本文利用Sentinel-2数据提取了波段反射率、作物茬指数以及纹理等遥感因子,分析了各项因子与作物茬覆盖度的相关性,并利用最优子集法对遥感因子进行筛选,构建作物茬覆盖度的多元回归模型。同时,分析不同窗口设置提取的纹理因子对作物茬覆盖度估算的影响,获得纹理提取的最佳窗口大小,并比较了作物茬指数以及采用作物茬指数与纹理因子相结合两种情况下的模型估算能力,为精确估算作物茬覆盖度提供了参考。同时,Landsat OLI影像也使用了同样的方法对作物茬覆盖度进行估算,以比较Sentinel-2数据与Landsat OLI数据在作物茬覆盖度估算上的性能。

    2 研究区及数据

    研究区位于山东省禹城市,如图1所示。当地种植模式为冬小麦与夏玉米轮作,一年两季。冬小麦的播种时间为10月上旬,收获时间为次年6月。

    fig

    图1  研究区Sentinel-2真彩色合成图以及样地分布状况

    Fig.1  The location of study area and samples in Sentinel-2 true color image

    icon 下载:  原图 | 高精图 | 低精图

    2.1 遥感数据获取与预处理

    本文所使用的Sentinel-2影像获取时间为2018-06-14,数据包含13个波段,不同波段的空间分辨率如表1所示。数据的下载地址为欧空局官网。下载的数据为L1C级数据,已经过几何校正,但仍需进行大气校正。本实验使用Sen2Cor模型对哨兵数据进行大气校正,并使用欧空局提供的SNAP软件对数据进行重采样,通过最邻近距离法将各个波段的空间分辨率重采样至10 m。B1,B9以及B10波段由于空间分辨率较低,重采样至10 m后误差较大,因此不参与建模。

    表1  Sentinel-2波段参数信息
    Table 1  The bands information of Sentinel-2
    波段号中心波长/nm波段宽度/nm空间分辨率/m
    B1 443 20 60
    B2 490 65 10
    B3 560 35 10
    B4 665 30 10
    B5 705 15 20
    B6 740 15 20
    B7 783 20 20
    B8 842 115 10
    B8A 865 20 20
    B9 945 20 60
    B10 1375 30 60
    B11 1610 90 20
    B12 2190 180 20
    icon 下载:  导出CSV icon 下载:  下载表格图片

    本文同样也使用了2018-05-03与2018-06-20禹城地区的Landsat OLI影像,用于冬小麦种植区域的提取与作物茬覆盖度的估算。影像的下载地址为美国地质勘探局官网。下载的数据为L1级,需进行辐射定标与大气校正。本文使用FLAASH大气校正模型对Landsat OLI数据进行大气校正,校正过程在ENVI 5.3中完成。

    2.2 野外数据获取与预处理

    野外数据的获取时间为2018-06-10至2018-06-20。本次野外采样一共设置了30个样地,每个样地大小为30 m×30 m,分布位置如图1所示。每个样地中,均匀分布有5个样方,每个样方大小为1 m×1 m。在样方上摆放1 m×1 m的铁丝框,同时使用相机垂直于地面进行拍摄,以获取样方的作物茬覆盖度信息。使用ASD FieldSpec3 HR光谱仪测量每个样方的光谱数据,测量视场角为25°,测量高度为1.2 m。每个样方测量5次,一次测量5条光谱曲线,以获取样方整体的光谱信息。使用GPS测量每个样地中心的经纬度信息,用于实地信息与影像信息的对应。

    对于野外采集的光谱数据,主要进行取平均与曲线平滑等处理。每个样方采集的25条光谱曲线,在剔除差异较大的光谱曲线后,对其取平均,可以获得代表样方的光谱曲线。使用Savitzky-Golay 滤波法对求平均得到的光谱曲线进行平滑处理,可以极大程度消除数据噪声,提高数据质量。

    通过对野外采集的照片进行分类,可以获得样方的作物茬覆盖度信息。本研究首先对照片进行裁剪,保留铁丝框内的照片信息。接着,使用eCognition软件对照片进行分割,分割尺度设为20。在该尺度下,作物茬与土壤可以较好地被区分开来。

    Najafi等(2018)研究发现,亮度信息与作物茬覆盖度信息的相关性较高。因此,本文利用亮度小于50的条件将土壤信息提取出来。同时,采用目视解译对分类结果进行修改。最后,通过计算作物茬覆盖的像素数目,可以获得样方的作物茬覆盖度。5个样方的作物茬覆盖度取平均即为样地的作物茬覆盖度。图2为一张地面观测照片的局部及其分类结果,从图中可以看出,分类结果比较接近真实情况。表2为30个样地作物茬覆盖度的统计信息。

    fig
    icon 下载:  | 高精图 | 低精图

    图2  原始照片及其处理结果

    Fig.2  Original photo and the processing result

    表2  30个样地作物茬覆盖度的统计信息
    Table 2  Statistical information of crop residues coverage in 30 samples /%
    数据集最小值最大值平均值方差
    野外采样样地 7.23 81.02 65.02 17.58
    icon 下载:  导出CSV icon 下载:  下载表格图片

    3 研究方法

    为了评价Sentinel-2影像的光谱与纹理信息在作物茬覆盖度估算上的潜力,本文主要进行了遥感因子的提取、最优子集回归建模以及冬小麦种植区域识别等内容,实验的流程图如图3所示。

    fig

    图3  实验流程图

    Fig.3  The flow chart

    icon 下载:  原图 | 高精图 | 低精图

    3.1 作物茬指数与纹理信息的提取

    根据样地中心的经纬度信息,将样地对应到遥感影像上,可以提取对应像元的遥感特征。归一化差值指数是作物茬覆盖度估算的常用方法。它能较好地突出作物茬与土壤的光谱差异。基于Landsat数据提取的NDTI、NDSVI与NDRI等指数皆被证明具有较好的效果。而Sentinel-2数据与Landsat数据相比,在红边与近红外处新增了4个波段。为了探究Sentinel-2所有波段的作物茬估算能力,本文将Sentinel-2的10个波段(除了第1、9与10波段)两两构成指数,生成了45个归一化差值指数,以用于作物茬覆盖度的估算。归一化差值指数的具体计算方式如下

    NDI(i, j)=Bi-BjBi+Bj
    (1)

    式中,ij表示Sentinel-2影像的第ij波段,BiBj分别表示第ij波段的反射率。

    目前,有较多的方法可用于图像纹理特征的提取。其中,应用最为广泛的是基于灰度共生矩阵的纹理提取方法。它由Haralick等在1973年提出,利用8个纹理统计量来描述区域的纹理特征。这8个纹理统计量分别是均值ME(mean),方差VA(variance),协同性HO(homogeneity),对比度CO(contrast),异质性DI(dissimilarity),熵EN(entropy),二阶矩SM(second moment)和相关性CC(correlation)。使用Envi 5.1对Sentinel-2的10个波段进行8个纹理特征的提取,可生成80个纹理统计量用于作物茬覆盖度的反演。纹理提取过程中,考虑窗口大小对纹理特征提取的影响,将移动窗口大小分别设置为3×3,5×5,7×7,9×9,11×11,13×13以及15×15,以分析在不同窗口大小下各个纹理统计量对作物茬覆盖度的估算能力。同时采用默认的0度方向和1个像元间隔对纹理进行计算。

    同样地,对于2018-06-20的Landsat OLI影像,也进行了归一化指数与纹理的计算,以用于比较Landsat OLI与Sentinel-2在作物茬覆盖度估算上的性能。由于Landsat OLI的空间分辨率为30 m,因此只计算了其在3×3,5×5和7×7窗口下的纹理信息。

    3.2 各项遥感因子与实测作物茬覆盖度相关性分析

    对于Sentinel-2数据,本文采用的遥感因子包括10个波段反射率,45个归一化差值指数以及80个纹理纹理统计量。分析各个遥感因子与野外实测作物茬覆盖度的相关关系,对于构建作物茬覆盖度估算的最优模型十分重要。本文使用了遥感因子与作物茬覆盖度的Pearson’s相关系数及其显著性对遥感因子进行评价。Pearson’s相关系数的计算方法如式(2)所示。

    R=Nxiyi-xiyiNx2i-(xi)2Ny2i-(yi)2
    (2)

    式中,R为遥感因子与作物茬覆盖度实测值的相关系数,N为样本数。

    3.3 最优子集回归建模与验证

    本文采用最优子集法构建作物茬覆盖度的最优估算模型。最优子集法是一种将所有备选自变量的所有组合作为模型子集进行回归建模的方法。对于一个有n个自变量的模型而言,最优子集法能产生2n-1个子模型,然后,通过4个原则对所有的子模型进行选择。这4个原则分别是:(1) 拟合度R2最大;(2) 贝叶斯信息量BIC最小;(3) CP 统计量最小;(4) 模型的验证精度最大。对这4个指标进行归一化,并综合评价所有模型的各个指标,可以确定出最优模型的自变量组合。当模型的自变量之间存在共线性时,模型对验证集的反演能力会较差。本文使用方差膨胀因子VIF(Variance Inflation Factor)(

    Theil,1971)判断最优模型自变量之间的共线性问题,方差膨胀因子的计算公式如下

    VIF=11-R2i
    (3)

    式中,Ri2为以第i个特征为响应变量,其余所有特征为解释变量进行线性回归得到的R方值。一般认为VIF超过10时存在严重的共线性。去除存在共线性问题的自变量后,利用剩余的自变量对作物茬覆盖度进行估算,即得到最佳的估算模型。本研究主要使用R语言的leaps包和car包实现最优子集回归以及变量共线性问题的检验。

    本文采用留一法交叉验证对模型进行评价。模型的精度由均方根误差RMSE(Root Mean Square Error)以及模型估算值与实测值的相关系数R来衡量。RMSE越低,R越高,模型的准确性越高。RMSE的计算公式如下

    RMSE=ni=1(yi-zi)2N
    (4)

    式中,yi表示第i个样方作物茬覆盖度的实测值,zi表示第i个样方的模型估测值,N为样本总数。

    3.4 冬小麦种植区域识别

    利用多时相遥感影像提取的NDVI时间序列,可用于冬小麦种植区域的提取(

    黄健熙 等,2016王连喜 等,2016)。前人的研究结果表明,禹城地区的冬小麦在4月下旬—5月上旬抽穗,NDVI达到峰值;6月上、中旬收割,NDVI值下降(赵庆庆 等,2017)。因此,本文使用2018-05-03和2018-06-20的遥感影像,通过求取两个时间NDVI的差值,并设定一定的阈值,对冬小麦种植区域进行提取。NDVI的计算公式如式(5)所示。

    NDVI=NIR-RNIR+R
    (5)

    式中,NIR与R分别表示Landsat OLI的近红外与红光波段。

    根据目视解译的结果,最终设定冬小麦种植区域提取的阈值为0.4。即当某地区在2018-05-03与2018-06-20间的NDVI值下降超过0.4,则认为该地区为冬小麦种植区。

    4 结果与分析

    4.1 作物茬覆盖度与基于Sentinel-2的各项遥感因子的相关性比较

    野外采样得到的作物茬覆盖度与各波段反射率、作物茬指数以及各个窗口下的纹理信息的相关性分析结果如图4所示。图中仅显示显著性小于0.1的遥感因子的结果。由图中可以看出,在光谱信息中,NDI(11,12)指数,即NDTI,与作物茬覆盖度的相关性最高,为0.735,并通过了显著性水平为0.01的检验;其次,为NDI(6,8A)指数与NDI(7,8A)指数。它们与作物茬覆盖度的相关系数分别为0.478和-0.406,并通过了显著性水平为0.05的检验。可见,Sentinel-2新增的红边波段以及近红外波段对作物茬覆盖度的估算有一定帮助。

    fig

    图4  实测作物茬覆盖度与各项遥感因子的相关系数图

    Fig.4  The correlation between remote sensing parameters and field-measured crop residue cover

    icon 下载:  原图 | 高精图 | 低精图

    在纹理信息中,灰度共生矩阵的对比度、异质性与相关性统计量与作物茬覆盖度的相关性普遍较好。并且,对比度、异质性统计量与作物茬覆盖度为负相关关系;相关性统计量与作物茬覆盖度为正相关关系。同时,纹理统计量与作物茬覆盖度的相关关系受纹理窗口影响较大。当窗口大小为3×3时,各个纹理统计量与作物茬覆盖度的相关性较差。当窗口大小为5×5时,各个纹理因子与作物茬覆盖度的相关性从高到低依次为B12_CO,B12_VA,B12_DI,B11_CO,B7_CC,B8A_CC,相关系数分别为-0.641,-0.595,-0.553, -0.542,0.507,0.505。当窗口大小为7×7, 9×9 和 11×11时,则仅有一两个纹理统计量与作物茬覆盖度的相关性能通过0.01的显著性检验。并且,相关系数的大小的随着窗口的增大而减小。当窗口大小为13×13时,则所有纹理因子的相关性都较差。在本文试验的所有窗口大小下的纹理统计量中,窗口大小为5×5时的B12_CO统计量与作物茬覆盖度地相关性最好。而B12_DI则在各个大小的窗口下表现更为稳定。可见,合适大小的纹理窗口的选择,对基于纹理信息的作物茬覆盖度估算至关重要。选择合适的纹理窗口,如5×5或7×7,可以较好地利用纹理信息对作物茬覆盖度进行估算。

    4.2 基于Sentinel-2作物茬指数和作物茬指数+纹理因子回归建模结果

    最优子集回归是一种有放回的抽样的方法。本文利用最优子集回归对显著性水平通过0.05的因子进行进一步筛选,以得到作物茬覆盖度估算的最优模型。例如,当纹理窗口为5×5时,利用初步筛选得到的纹理特征与光谱信息共有16个,考虑其所有的组合方式,将生成65534种备选模型。在R语言平台中,只显示了模型的引入变量数目分别为1—8种时的最佳模型以及相关的评价指标。对于5×5的窗口,8个备选模型的结果如表3所示。对评价指标进行归一化后,根据R尽量大,CP,BIC,RMSE尽量小的原则,可以发现当引入变量数为4时的模型是作物茬覆盖度估算的最优模型。接着,对引入模型的4个变量进行共线性分析,发现B11_CO的方差膨胀因子为13.99,则认为B11_CO与其他变量存在共线性问题,删除该变量后,方差膨胀因子皆小于2。此时,则可认定该模型为最优模型,即

    Y=10.79+614.70×NDI(11,12)+10.90×B8A_CC-1.31×10-4×B12_VA
    (6)

    式中,Y表示作物茬覆盖度,单位为%。

    表3  使用光谱信息与5×5窗口下纹理信息进行最优子集回归的备选模型及其评价指标
    Table 3  Alternative models and evaluation indexes using textural variables in windows of 5×5 and spectral variables
    自变量数目RCPBICRMSE模型中的变量
    1 0.735 41.64 -13.75 13.93 NDI(11,12)
    2 0.854 17.44 -24.28 10.97 NDI(11,12), B12_VA
    3 0.869 15.99 -23.54 10.95 NDI(11,12), B12_VA, B7_CC
    4 0.904 9.24 -28.02 9.91 NDI(11,12), B12_VA, B8A_CC, B11_CO
    5 0.921 6.94 -29.62 12.16 NDI(11,12), B12_VA, B8A_CC, B11_CO, B12_CO
    6 0.934 5.68 -30.76 11.29 NDI(11,12), B12_VA,B8A_CC, B11_CO, B12_CO, B11_DI,
    7 0.941 5.80 -30.42 12.44 NDI(11,12), B12_VA, B8A_CC, B11_CO, B12_CO, B11_DI, NDI(6,9)
    8 0.946 6.61 -29.21 11.22 NDI(11,12), B12_VA, B8A_CC, B11_CO, B12_CO, NDI(6,9), B5_CO, B5_DI

    注:   RMSE为留一法交叉验证求得的模型均方根误差,单位为覆盖度的单位(%)。

    icon 下载:  导出CSV icon 下载:  下载表格图片

    对光谱信息以及不同窗口下的纹理信息与光谱信息的结合进行最优子集回归,得到的结果如表4所示。综合考虑模型的简约性,预测的均方根误差以及相关系数,可以得出5×5窗口得到的模型2最为适宜。仅使用光谱信息的模型1与使用纹理信息的最优模型2皆通过了0.01的显著性水平,但模型2与模型1相比,相关系数从0.775提高到了0.869;均方根误差从14.5%下降到了11%。可以看出,纹理信息的加入可以有效地提高冬小麦作物茬覆盖度反演的精度。

    表4  基于Sentinel-2光谱信息或不同窗口下纹理信息+光谱信息的作物差覆盖度估算最优模型
    Table 4  The optimal model for crop residue coverage estimation based on spectral information or spectral information and texture information in different windows of Sentinel-2
    模型最优模型RRMSE
    仅使用光谱信息 模型1 Y~NDI(8,12)+NDI(11,12) 0.775 14.5
    光谱信息+纹理信息 模型2 Y~ NDI(11,12)+B12_VA+ B8A_CC 0.869 11.0
    模型3 Y~B12+NDI(6,9)+NDI(9,12)+NDI(11,12)+B12_DI 0.879 12.1
    模型4 Y~ NDI(7,9)+NDI(11,12)+B3_CO + B4_DI + B5_CO 0.856 16.5
    模型5 Y~ NDI(4,12) + NDI(6,9) +NDI(9,12) + NDI(11,12) + B12_CO 0.848 13.1
    模型6 Y~ NDI(4,12) + NDI(6,9) + NDI(9,12) + NDI(11_12)+B5_DI 0.840 13.5

    注:   模型2—6分别为5×5,7×7,9×9,11×11和13×13窗口大小下的纹理信息与光谱信息构建的最优模型。“~”左边表示因变量,“~”右边表示自变量。

    icon 下载:  导出CSV icon 下载:  下载表格图片

    4.3 基于Sentinel-2的作物茬覆盖度反演误差分析

    基于Sentinel-2影像的光谱与纹理信息,构建了作物茬覆盖度的最优估算模型,模型的估算精度较高(R=0.869,RMSE=11.0%)(图5)。但是,该模型仍然存在着一定的误差,如作物茬与土壤含水量对覆盖度估算的影响以及Sentinel-2的短波红外波段从20 m重采样到10 m带来的系统误差。

    fig

    图5  地面实测覆盖度与模型估测覆盖度散点图

    Fig.5  The scatterplot between field measured crop residues cover and estimated crop residues cover

    icon 下载:  原图 | 高精图 | 低精图

    (1)重采样误差分析。在研究区内,随机选取了200个点,比较了5×5窗口下,Sentinel-2 B12波段在重采样前后方差,对比度和异质性3个重要纹理特征的相关性。可以得到,方差、对比度和异质性3个纹理特征在重采样前后具有较高的相关性,相关系数分别为0.876,0.846和0.844。可见,受重采样后空间分辨率变化的影响,基于同样窗口大小计算的纹理特征也会产生一定变化,但二者仍有较高的相关性。因此,本文认为重采样后的B12波段仍能较好地表达地物的纹理信息,利用重采样后的波段对作物茬覆盖度进行反演仍具有科学性。

    (2)作物茬与土壤湿度误差分析。前人的研究结果表明,土壤与作物茬的含水量会对作物茬覆盖度的估算精度产生较大的影响。Quemada等通过室内实验发现,1.6 μm与2.0 μm处的光谱反射率比值(R1.6/R2.0)可以较好地反映作物茬与土壤构成的场景的含水量情况,并给出了相对含水量RWC(Relative Water Content)与R1.6/R2.0的关系(式7)

    RWC=0.76×R1.6R2.0-0.7
    (7)

    利用式(7)与野外实测的光谱曲线计算的湿度指数R1.6/R2.0,模拟了各个样地作物茬与土壤的含水量情况。根据Quemada等的研究结果:当相对含水量小于0.25时,使用NDTI指数估算作物茬覆盖度可以忽略湿度产生的影响。本文统计了所有样地的含水量状况。结果发现,只有2个样地的相对含水量大于0.25,其他样地的含水量皆小于0.25。因此,在本研究中,认为样地的含水量状况对作物茬覆盖度估算的影响可以忽略不计。

    4.4 基于Sentinel-2与Landsat OLI的作物茬覆盖度反演精度比较

    利用Landsat OLI影像构建的波段反射率、归一化指数以及灰度共生矩阵统计量等遥感因子与最优子集回归建模法,可以得到基于Landsat OLI影像的作物茬覆盖度估算最优模型,结果如 表5所示。由表5中可以看出,对于Landsat OLI影像,合适的纹理信息的加入同样有助于提高作物茬覆盖度的反演精度,可将相关系数从0.713提高到0.861,均方根误差从14.1%降到12.4%。并且,对于空间分辨率为30 m的Landsat OLI影像,在3×3窗口下提取的纹理信息能更好地对作物茬覆盖度进行估算。

    表5  基于Landsat OLI光谱信息或不同窗口下纹理信息+光谱信息的作物差覆盖度估算最优模型
    Table 5  The optimal model for crop residue coverage estimation based on spectral information or spectral information and texture information in different windows of Landsat OLI
    模型最优模型RRMSE
    仅使用光谱信息 模型1 Y~B2+NDI(6,7) 0.713 14.1
    光谱信息+纹理信息 模型2

    Y~B2+B3+B2_ME+

    B2_DI+B4_DI

    0.861 12.4
    模型3 Y~B2+B2_DI 0.749 16.1
    模型4 Y~B2+B2_VA 0.715 16.5

    注:   模型2—4分别为3×3,5×5和7×7窗口大小下的纹理信息与光谱信息构建的最优模型。B2—B7分别表示Landsat OLI影像的蓝、绿、红、近红外、中红外和远红外波段。“~”左边表示因变量,“~”右边表示自变量。

    icon 下载:  导出CSV icon 下载:  下载表格图片

    对于Sentinel-2影像,综合使用光谱信息与窗口大小为5×5时的纹理信息得到的最优模型反演精度最高(R=0.869,RMSE=11.0%)。而对于Landsat OLI影像,综合使用光谱信息与窗口大小为3×3时的纹理信息得到的最优模型反演精度最高(R=0.861,RMSE=12.4%)。由此可见,与Landsat OLI相比,Sentinel-2在空间分辨率与近红外处光谱分辨率的提高使得其在利用光谱与纹理信息对作物茬覆盖度进行估算时,得到了更高的反演精度,均方根误差从12.4%下降到了11.0%,降低了1.4%。可见,在作物茬覆盖度的估算上,Sentinel-2 数据具有一定的优越性。

    4.5 研究区作物茬覆盖度估算

    利用Sentinel-2的光谱信息以及5×5窗口下的纹理信息得到的回归模型,可以对研究区内冬小麦作物茬覆盖度进行估算。结合本文提取的冬小麦种植区域,可以对作物茬覆盖度的空间分布状况进行制图,结果如图6所示。通过统计分析可以发现,研究区的冬小麦作物茬覆盖度的均值为63.64%,标准差为13.16%。可见,禹城市在冬小麦收割之后,对作物茬的保留程度较高。根据作物茬覆盖度常用的分级方法,将研究区的作物茬覆盖度分为3级:0—30%,30%—70%,71%—100%(

    Zheng 等,2012)。结果发现,在研究区内,作物茬覆盖度低于30%的耕地仅占耕地总面积的2.42%,而覆盖度在30%—70%的耕地占66.24%,高于70%的耕地占31.34%。这同样也说明了禹城市在冬小麦收割后,大部分的秸秆都被保留在了农田中,以为下一季玉米的播种提供较好的土壤环境与营养。

    fig

    图6  光谱—纹理组合的作物茬覆盖度反演图

    Fig.6  Predicted crop residue coverage map derived by spectral+texture vatiables in study area

    icon 下载:  原图 | 高精图 | 低精图

    4.6 结果讨论

    研究表明,在基于单个光谱因子与作物茬覆盖度的相关分析中,NDTI与作物茬覆盖度的相关性最好(R=0.735)。这与

    Jin等(2015)基于Landsat OLI数据的研究结果相同。这主要是因为,作物秸秆受木质素与纤维素的影响,在中红外和远红外表现出了与土壤较为不同的反射特性(Hively等,2018)(图7)。在1650 nm处,作物秸秆的光谱特征表现为一个波峰而裸土则较为平坦;在2100 nm处,作物秸秆的光谱特征表现为一个波谷而裸土则为波峰,因此通过归一化差值,可以突出二者的区别。而NDI(6, 8A)、NDI(7,8A)与作物茬覆盖度具有较好的相关性,则因为在B6波段与B8A波段之间或B7波段与B8A波段之间,作物秸秆的光谱反射率上升较为迅速,而裸土则相对缓慢。但根据Quemada和Daughtry(2016)张淼等(2012)的研究结果,可以发现,作物残茬与土壤在该波段的反射率受作物类型与土壤类型的影响较大。因此,NDI(6, 8A)、NDI(7,8A)指数对于其他地区、其他作物的适用性仍需进一步探究。其他常用的作物茬指数,如NDI7(McNairn和Protz,1993)与NDRI(即本文的NDI(4,12)与NDI(9,12))则与作物茬覆盖度的相关性较差,相关系数仅为0.36和0.326。这可能与研究区的作物茬覆盖度普遍较高有关。指数法在高覆盖度区域容易出现饱和现象,而NDI7与NDRI等指数对于作物茬覆盖度的敏感性在无绿色植被存在的情况下又弱于NDTI(Jin等,2015Sonmez和Slater,2016),因此,这些指数在该实验中并没有表现出很好的相关性。

    fig

    图7  冬小麦作物茬与土壤光谱曲线图

    Fig.7  The spectral curve of winter wheat straw and soil

    icon 下载:  原图 | 高精图 | 低精图

    Sentinel-2数据提取的纹理信息与作物茬覆盖度的相关性结果表明,对比度与异质性这两个统计量能更好地反演作物茬覆盖度。异质性与对比度主要描述的是纹理基元信息的空间相关和联系。冬小麦在种植时,一般是规则分布,每行农作物之间都留有土壤。当耕种密度较低或作物茬覆盖度较低时,每行农作物之间留有的土壤较为明显,因此在图像上相邻的纹理基元信息差异较大,图像的对比度与异质性较强;而当冬小麦的种植密度较高或秸秆已经过风化或人为粉碎,此时的作物茬覆盖度较高,相邻的纹理基元信息差异较小,则图像的对比度和异质性较弱。因此,异质性与对比度这两个统计量与作物茬覆盖度存在较强的负相关性。窗口大小的选择对于利用纹理信息进行作物茬覆盖度的估算同样至关重要,并且随着使用的遥感影像空间分辨率以及地表反演特征的不同而不同。一般,通过试错法对窗口进行选择(

    Pesaresi,2000)。对于作物秸秆,当窗口较小时,纹理统计量可能会对像元内作物秸秆阴影所占的比例较为敏感,而这种差异将会在窗口变大时通过平均化得到改善(Asner等,2003)。当窗口过大时,纹理统计量则主要反映地形起伏等的大尺度纹理特征,细节的纹理信息会因过度的平均化而丢失。同时,使用过大的窗口大小,容易在纹理的计算时混入道路、树木等其他地物,从而影响纹理信息对作物茬覆盖度的表达。本文使用的Sentinel-2数据空间分辨率为10 m,较小的窗口,如3×3的纹理信息对作物茬覆盖度的解释远弱于5×5、7×7以及9×9的窗口,而更大的窗口,如13×13,则趋向于刻画大尺度的信息,因此与作物茬覆盖度的相关性较低。作物茬纹理提取最适宜的窗口大小为5×5。此时,与作物茬覆盖度的相关性通过0.05的检验的纹理统计量数目较多,并且以B12_CO与作物茬覆盖度的相关性达到最大,相关系数为-0.641。

    考虑到纹理计算窗口内是否混入其他地物对纹理的影响,本文删除了距离道路较近的8个点,并重新分析了5×5窗口下纹理特征与作物茬覆盖度的的相关关系。结果发现,5×5窗口下的纹理特征与作物茬覆盖度的相关系数有了显著的提高,相关系数最高值从0.641上升到了0.825。可见,纹理窗口较大时,在计算窗口内纹理特征时混入其他地物难以避免地会对结果造成一定的影响。

    最优子集回归法作为逐步回归技术的一个可替代方法,能较好地对多元数据进行拟合。它使用所有可能的特征组合来拟合模型,可以解决前向逐步回归与后向逐步回归结果不一致的问题,并在大多数情况下能拥有更高的反演精度(

    李明泽 等,2018)。其本质是一种特征选择方法。在回归建模的过程中,如果将某些对因变量贡献不大的自变量加入到回归模型中,虽然能对训练集有较好的拟合,但对测试样本的应用效果很差,模型泛化能力较低,容易出现过度拟合。因此,本文利用最优子集回归对自变量进行了筛选。当仅使用光谱信息时,得到的最优模型由NDI(8,12)与NDI(11,12)组成;当使用光谱信息与最优窗口下的纹理信息时,最优的模型由NDI(11,12)、B12_VA以及B8A_CC组成。与此同时,最优模型的结果也同样证明了,纹理信息的加入可以提高作物茬覆盖度的估算精度。它将最优模型的相关系数从0.775提高到了0.869,均方根误差从14.5%下降到了11%。这样的结果与Jin等(2015)较为相似,表明了纹理信息在作物茬覆盖度估算中的可靠性。合适窗口大小下的方差,对比度,异质性等纹理信息与波段提供的光谱信息具有较低的相关性。将这些信息加入到作物茬覆盖度的估算模型中,能为模型提供光谱波段所不具备的辅助信息。在进行多元线性回归时,有效的自变量的加入,往往能提高模型的估算精度。因此,纹理信息的加入能有效地提高作物茬覆盖度的估算能力。

    5 结 论

    本文主要探讨了Sentinel-2多光谱影像的光谱与纹理特征对作物茬覆盖度估算的应用潜力。使用了Sentinel-2数据的10个波段反射率及其构建的归一化差值指数与灰度共生矩阵统计量,利用最优子集法对山东省禹城市的作物茬覆盖度进行估算。实验结果表明,与Landsat OLI相比,Sentinel-2数据具有一定的优越性。并且,结合光谱信息与纹理信息的多元回归模型可以更好地对作物茬覆盖度进行反演。其结果要优于仅使用光谱信息的多元回归模型或仅使用光谱或纹理信息的一元回归模型。但利用纹理信息的前提是能够选择合适的纹理窗口大小。对于10 m分辨率的Sentinel-2数据,本文认为5×5的窗口较为适宜。但当它使用在不同地区或不同数据上时,仍需要研究者进一步探究。

    致谢

    衷心感谢欧洲空间局提供的Sentine-2数据和SNAP处理软件以及南京大学丛佃敏、李娴、章钊华、单良等协助进行的地面观测实验。

    参考文献(References)

    Asner G P, Scurlock J M O and Hicke J A. 2003. Global synthesis of leaf area index observations: implications for ecological and remote sensing studies. Global Ecology and Biogeography, 12(3): 191-205 [DOI: 10.1046/j.1466-822X.2003.00026.x] [百度学术] 

    Chen S Y, Zhang X Y, Pei D and Sun H Y. 2005. Effects of corn straw mulching on soil temperature and soil evaporation of winter wheat field. Transactions of the Chinese Society of Agricultural Engineering, 21(10): 171-173 [百度学术] 

    陈素英, 张喜英, 裴冬, 孙宏勇. 2005. 玉米秸秆覆盖对麦田土壤温度和土壤蒸发的影响. 农业工程学报, 21(10): 171-173 [DOI: 10.3321/j.issn:1002-6819.2005.10.039] [百度学术] 

    Daughtry C S T, Graham M W, Stern A J, Quemada M, Hively W D and Russ A L. 2018. Landsat-8 and Worldview-3 data for assessing crop residue cover//Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia, Spain: IEEE [DOI: 10.1109/IGARSS.2018.8519473] [百度学术] 

    Daughtry C S T, Hunt Jr E R and McMurtrey III J E. 2004. Assessing crop residue cover using shortwave infrared reflectance. Remote Sensing of Environment, 90(1): 126-134 [DOI: 10.1016/j.rse.2003.10.023] [百度学术] 

    Galloza M S, Crawford M M and Heathman G C. 2013. Crop residue modeling and mapping using Landsat, ALI, Hyperion and airborne remote sensing data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(2): 446-456 [DOI: 10.1109/JSTARS.2012.2222355] [百度学术] 

    Gelder B K, Kaleita A L and Cruse R M. 2009. Estimating mean field residue cover on Midwestern soils using satellite imagery. Agronomy Journal, 101(3): 635-643 [DOI: 10.2134/agronj2007.0249] [百度学术] 

    Haralick R M, Shanmugam K and Dinstein I. 1973. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6): 610-621 [DOI: 10.1109/TSMC.1973.4309314] [百度学术] 

    Hively W D, Lamb B T, Daughtry C S T, Shermeyer J, McCarty G W and Quemada M. 2018. Mapping crop residue and tillage intensity using WorldView-3 satellite shortwave infrared residue indices. Remote Sensing, 10(10): 1657 [DOI: 10.3390/rs10101657] [百度学术] 

    Huang J X, Luo Q, Liu X X and Zhang J. 2016. Winter wheat yield forecasting based on time series of MODIS NDVI. Transactions of the Chinese Society for Agricultural Machinery, 47(2): 295-301 [百度学术] 

    黄健熙, 罗倩, 刘晓暄, 张洁. 2016. 基于时间序列MODIS NDVI的冬小麦产量预测方法. 农业机械学报, 47(2): 295-301 [DOI: 10.6041/j.issn.1000-1298.2016.02.039] [百度学术] 

    Jin X L, Ma J H, Wen Z D and Song K S. 2015. Estimation of maize residue cover using landsat-8 OLI image spectral information and textural features. Remote Sensing, 7(11): 14559-14575 [DOI: 10.3390/rs71114559] [百度学术] 

    Kim Oanh N T, Permadi D A, Hopke P K, Smith K R, Dong N P and Dang A N. 2018. Annual emissions of air toxics emitted from crop residue open burning in Southeast Asia over the period of 2010-2015. Atmospheric Environment, 187: 163-173 [DOI: 10.1016/j.atmosenv.2018.05.061] [百度学术] 

    Lemke R L, Vandenbygaart A J, Campbell C A, Lafond G P and Grant B. 2010. Crop residue removal and fertilizer N: effects on soil organic carbon in a long-term crop rotation experiment on a Udic Boroll. Agriculture, Ecosystems and Environment, 135(1/2): 42-51 [DOI: 10.1016/j.agee.2009.08.010] [百度学术] 

    Li M Z, Yu X T, Gao Y K and Fan W Y. 2018. Remote sensing quantification on forest biomass based on SAR polarization decomposition and Landsat data. Journal of Beijing Forestry University, 40(2): 1-10 [百度学术] 

    李明泽, 于欣彤, 高元科, 范文义. 2018. 基于SAR极化分解与Landsat数据的森林生物量遥感估测. 北京林业大学学报, 40(2): 1-10 [DOI: 10.13332/j.1000-1522.20170284] [百度学术] 

    McNairn H and Protz R. 1993. Mapping corn residue cover on agricultural fields in oxford county, Ontario, using thematic mapper. Canadian Journal of Remote Sensing, 19(2): 152-159 [DOI: 10.1080/07038992.1993.10874543] [百度学术] 

    Najafi P, Navid H, Feizizadeh B and Eskandari I. 2018. Object-based satellite image analysis applied for crop residue estimating using Landsat OLI imagery. International Journal of Remote Sensing, 39(19): 6117-6136 [DOI: 10.1080/01431161.2018.1454621] [百度学术] 

    Pesaresi M. 2000. Texture analysis for urban pattern recognition using fine-resolution panchromatic satellite imagery. Geographical and Environmental Modelling, 4(1): 43-63 [DOI: 10.1080/1361593 00111360] [百度学术] 

    Qi J G, Marsett R, Heilman P, Bieden-Bender S, Moran S, Goodrich D and Weltz M. 2002. RANGES improves satellite‐based information and land cover assessments in southwest United States. Eos, Transactions American Geophysical Union, 83(51): 601-606 [DOI: 10.1029/2002EO000411] [百度学术] 

    Quemada M and Daughtry C S T. 2016. Spectral indices to improve crop residue cover estimation under varying moisture conditions. Remote Sensing, 8(8): 660 [DOI: 10.3390/rs8080660] [百度学术] 

    Quemada M, Hively W D, Daughtry C S T, Lamb B T and Shermeyer J. 2018. Improved crop residue cover estimates obtained by coupling spectral indices for residue and moisture. Remote Sensing of Environment, 206: 33-44 [DOI: 10.1016/j.rse.2017.12.012] [百度学术] 

    Smith W N, Grant B B, Campbell C A, McConkey B G, Desjardins R L, Kröbel R and Malhi S S. 2012. Crop residue removal effects on soil carbon: Measured and inter-model comparisons. Agriculture, Ecosystems and Environment, 161: 27-38 [DOI: 10.1016/j.agee.2012.07.024] [百度学术] 

    Sonmez N K and Slater B. 2016. Measuring intensity of tillage and plant residue cover using remote sensing. European Journal of Remote Sensing, 49(1): 121-135 [DOI: 10.5721/EuJRS20164907] [百度学术] 

    Theil H. Principles of Econometrics. New York: Wiley, 1971 [百度学术] 

    van Deventer A P, Ward A D, Gowda P H and Lyon J G. 1997. Using Thematic Mapper data to identify contrasting soil plains and tillage practices. Photogrammetric Engineering and Remote Sensing, 63(1): 87-93. [百度学术] 

    Wang L X, Xu S N, Li Q, Xue H X and Wu J S. 2016. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods. Transactions of the Chinese Society of Agricultural Engineering, 32(5): 182-187 [百度学术] 

    王连喜, 徐胜男, 李琪, 薛红喜, 吴建生. 2016. 基于决策树和混合像元分解的江苏省冬小麦种植面积提取. 农业工程学报, 32(5): 182-187 [DOI: 10.11975/j.issn.1002-6819.2016.05.025] [百度学术] 

    Wilhelm W W, Johnson J M F, Hatfield J L, Voorhees W B and Linden D R. 2004. Crop and soil productivity response to corn residue removal: a literature review. Agronomy Journal, 96(1): 1-17. [百度学术] 

    Yin S, Wang X F, Xiao Y, Tani H, Zhong G S and Sun Z Y. 2017. Study on spatial distribution of crop residue burning and PM2.5 change in China. Environmental Pollution, 220: 204-221 [DOI: 10.1016/j.envpol.2016.09.040] [百度学术] 

    Zhang M, Li Q Z, Meng J H and Wu B F. 2011a. Review of crop residue fractional cover monitoring with remote sensing. Spectroscopy and Spectral Analysis, 31(12): 3200-3205 [百度学术] 

    张淼, 李强子, 蒙继华, 吴炳方. 2011a. 作物残茬覆盖度遥感监测研究进展. 光谱学与光谱分析, 31(12): 3200-3205 [DOI: 10.3964/j.issn.1000-0593 201112-3200-06] [百度学术] 

    Zhang M, Meng J H, Dong T F, Wu B F and Sun H J. 2012. Spectral responses analysis of soybean residues. Journal of Remote Sensing, 16(6): 1115-1129 [百度学术] 

    张淼, 蒙继华, 董泰锋, 吴炳方, 孙洪江. 2012. 大豆残茬光谱响应特征研究. 遥感学报, 16(6): 1115-1129 [DOI: 10.11834/jrs.20121305] [百度学术] 

    Zhang M, Meng J H, Li Q Z, Wu B F, Du X and Zhang F F. 2011b. Estimation of winter wheat residue cover with HJ-1B data. Transactions of the CSAE, 27(S1): 352-357 [百度学术] 

    张淼, 蒙继华, 李强子, 吴炳方, 杜鑫, 张飞飞. 2011b. 基于HJ-1B数据的冬小麦留茬覆盖度遥感估算. 农业工程学报, 27(S1): 352-357 [百度学术] 

    Zhao Q Q, Jiang L G, Li W Y and Feng Z M. 2017. Spatial-temporal pattern change of winter wheat area in northwest Shandong Province during 2000―2014. Remote Sensing for Land and Resources, 29(2): 173-180 [百度学术] 

    赵庆庆, 姜鲁光, 李文叶, 封志明. 2017. 鲁西北平原冬小麦种植格局时空变化: 20002014. 国土资源遥感, 29(2): 173-180 [DOI: 10.6046/gtzyyg.2017.02.25] [百度学术] 

    Zheng B J, Campbell J B, de Beurs K M. 2012. Remote sensing of crop residue cover using multi-temporal Landsat imagery. Remote Sensing of Environment, 117: 177-183 [DOI: 10.1016/j.rse.2011.09.016] [百度学术] 

    Zheng Y, Wu B F, Zhang M. 2017. Estimating the above ground biomass of winter wheat using the Sentinel-2 data. Journal of Remote Sensing, 21(2):318-328 [百度学术] 

    郑阳,吴炳方,张淼. 2017. Sentinel-2数据的冬小麦地上干生物量估算及评价. 遥感学报,21(2):318-328 [百度学术] 

    Zhu B, Su J F, Han Z W, Yin C and Wang T J. 2010. Analysis of a serious air pollution event resulting from crop residue burning over Nanjing and surrounding regions. China Environmental Science, 30(5): 585-592 [百度学术] 

    朱彬, 苏继锋, 韩志伟, 尹聪, 王体健. 2010. 秸秆焚烧导致南京及周边地区一次严重空气污染过程的分析. 中国环境科学, 30(5): 585-592 [百度学术] 

    文章被引用时,请邮件提醒。
    提交

    相关作者

    暂无数据

    相关机构

    兰州文理学院 旅游学院
    中国科学院空天信息创新研究院
    可持续发展大数据国际研究中心
    重庆交通大学 智慧城市学院
    国家卫星气象中心(国家空间天气监测预警中心) 中国气象局
    0