以下文章来源于地球信息科学学报 ,作者吴志峰,骆剑承
推介科技论文及相关信息
↑ 点击上方「中国测绘学会」
可快速关注我们
全球人口数量的快速增长对粮食产量和食品安全提出了更高要求,快速、及时地获取地表农作物生长状态信息为农情监测、作物产量预测、农业结构调整、粮食政策制定提供重要的科学依据。遥感作为宏观、快速地获取地表信息的唯一手段,为农作物的生长监测提供了高效的解决方案。近年来,高分辨率遥感成像技术极大地促进了精细化和定量化的农业信息提取,农业遥感监测也转向精细地块尺度、高频观测的作物信息提取。
在陈述彭先生提出的地学信息图谱理论思想(20世纪90年代)的基础上,我们将地学图谱思维与定量遥感成果深度融合,在农业遥感领域,通过对地学信息图谱在遥感认知问题上的拓展和深化,提出了时空协同的地块尺度的农业遥感监测研究框架。从卫星遥感观测的电磁波信号挖掘隐含的农田作物的位置、类型及指标信息,获取以农田地块为基本单元的空间制图产品(图),产品内容为从遥感反演获取的各类隐含信息(谱)。
遵循“图谱”耦合理论,骆剑承研究员与吴志峰教授合作,以地理图斑为基本对象,通过分析其中视觉模拟、符号推测等几类机器学习的协同计算机制,从空间、时间与属性维度构建了集“分区分层感知”、“时空协同反演”、“多粒度决策”三者于一体的地理图斑智能计算模型。
时空协同理论框架图
在农业遥感监测领域,基于“图谱”理论的作物生长模式研究内容从空间、时间与属性三方面开展,时空协同农业遥感监测的核心在于:
①基于高空间分辨率遥感影像中耕地的视觉特征,提取耕地地块的空间分布信息,构建农田图斑的“图”特征;
②基于多源的中等分辨率遥感时间序列影像构建地块级的作物时间序列“谱”特征,可反映地块内部作物生长发育的动态变化过程;
③进一步融入遥感以外的多源数据,包括与农作物相关的自然环境和社会经济数据,从而丰富用于作物估产和生态价值等评估决策行为的知识图谱。
综合而言,时空协同的农业遥感监测的理论框架,继承和发展了地理信息“图谱”思想,从农田图斑的空间形态“图”特征和属性时间序列变化的“谱”特征两个维度出发,实现对作物生长过程的精细化和定量化遥感监测。
“图谱协同”的农田地块提取与参数反演技术路线图
在此理论框架的指引下,研究团队选取贵州省安顺市西秀区与广西壮族自治区崇左市扶绥县为研究区,开展了分区分层耕地提取与作物生长参数反演研究。
研究所涉及的两个区域是我国西南山地区典型的复杂成像条件地区,由于地形地貌复杂、种植结构多样以及多云多雨气候等因素,导致农业遥感监测工作极难开展。因此,极端成像条件下开展农业遥感应用的技术突破点包括:
①通过影像的综合处理构建统一的时空基准,发展并运用分区分层感知技术在高空间分辨率遥感影像上提取地块形态信息,并实现地块类型的判别;
②以地块为基本单元,利用高频的中分辨率遥感时序数据构建地块尺度时序特征,并结合作物的物候机理,通过机器学习算法发展该尺度下的作物类型智能化判别技术,从而实现作物种植结构的精细化制图。
西秀区耕地提取结果
其中,耕地的提取以视觉注意机制为基础,在每个地理分区内部按由易到难的方式逐类型地提取。首先,对遥感影像进行地理分区:
①依据遥感影像中的山地是否为主导地形进行初步判断;
②如果遥感影像广泛分布山地,则以地形信息为约束进行影像分区,根据研究区的情况可划分为山地区(起伏较大区域)、山坡区(低矮丘陵等)以及平坝区(地形相对平坦);
③如果影像中平原占主导地形,则对影像提取道路信息,并以闭合的道路网将影像划分为相对平坦的平坝(原)区以及有一定起伏的山坡区。进行地理分区后,可以保证每个分区单元内部地形条件相对一致,同时可以将不同分区的耕地提取结果限定在每个分区内部,避免提取过程误差的层层传递。
然后,在不同地理分区基础上,基于耕地的边缘特征和纹理特征等分别构建不同深度学习网络逐层提取。在地形复杂的山地区:
①利用边缘网络提取平坝区规则耕地和分布于山坡区的梯田;②针对边缘相对模糊但内部有一定纹理特征的坡耕地可以通过构建纹理模型的方式予以提取;③分布于林(草)间的细小地块难以形成统一的边缘或者纹理特征,因此可以采用多尺度分割的方式提取出林草小斑,然后针对混杂在其中的剩余图斑赋予耕作地块的属性。在地形相对简单的低矮丘陵或者平原地区,耕地形态相对规则,并且具有较明显的边缘,主要采用边缘提取为主,纹理信息为辅的分层策略进行提取。其中,采用边缘特征提取的耕地类型主要为平原区的规则耕地以及低矮丘陵区的梯田,纹理模型则主要应用于提取抵达丘陵地区的坡耕地。最后,针对每个图斑的内部纹理特征差异,设计基于图斑的地块类型识别网络,对每个地块赋予其利用类型。
在表征作物长势状态的定量参数遥感反演方面,研究以广西扶绥典型经济作物甘蔗的叶面积指数(LAI)为例进一步探讨了地块约束下的作物生长参数的反演方法。具体思路为:在同一地块内,农作物品种、农业耕作实践(播种、收获、施肥、灌溉)、生长环境条件(如土壤及气象等)等相对一致,因此,同一地块内的作物生长物候阶段特征应当也是一致的,长势状态也相近。利用辐射传输模型开展地块尺度作物理化参数反演时,面对众多的输入参数,对模型的某些输入参数采取“地块内均质、地块间异质”的策略,以地块对象作为最小分析单元对其模型简化处理。
甘蔗地块NDVI时间序列曲线
相较于像元级反演,该地块级参数反演基于时空分布先验知识,从空间、时间两个维度上对反演过程加以约束。在空间维度上,地块级参数反演充分考虑了参数在地块内部和地块之间的空间分布规律,通过联合地块内邻近像元光谱信号求解参数反演结果。在时间维度上,通过地面观测数据获取作物LAI在生育期内动态变化的统计规律,构建基于物候特征的LAI反演先验知识,在遥感反演时每个地块因种植时间不同而具有独立的LAI参数取值区间。该时空协同约束的地块作物参数反演能够有效缓解病态反演效应,提升反演模型的稳定性。
甘蔗地块LAI参数遥感反演结果
作物种植斑块破碎、连续光学难以连续获取,导致多云多雨的山地区域难以开展高质量的农业遥感研究,而主动雷达数据具备穿云透雾的能力,被广泛应用于多云多雨地区的农作物监测,但如何发挥SAR数据与光学数据的优势,以提高农作物生长模式监测的效果依然存在技术难点。
接下来,研究团队将进一步协同SAR与光学数据开展多云多雨地区农业遥感监测研究,包含耕地地块的高效提取、光学与SAR时序特征构建与分析、作物生长参数的定量反演:
①基于分区分层感知的思路,利用深度学习模型从高空间分辨率遥感影像上提取耕地地块,基于高频SAR数据构建地块尺度的作物时间序列特征,依据不同作物的极化特征在时间维度的可分性开展作物分类;
②分别构建地块作物生长过程的光学NDVI时序与SAR极化时序,分析两者的同步响应关系,针对不同作物类型及物候阶段,探析光学与SAR数据的成像机理;
③利用深度学习、迁移学习、增强学习三大类机器学习方法开展地块作物生长参数的反演,并通过地面观测数据、碎片化的有效光学数据,对反演模型迭代和修正以提高反演精度。
注:全文可在中国知网或期刊官网下载
本文作者吴志峰教授与骆剑承研究员当年师从陈述彭先生攻读博士学位,多次聆听导师的学术指导。自始至终,我们始终铭记着陈先生强调的“只有将遥感及其应用与地学研究结合起来,才能使地学研究的面貌焕然一新,才能把地学研究不断引向深入”的教诲,并在后期的学术研究中不断践行。先生提及“地球系统科学不是脱离社会而存在的一门科学,不是纯自然的科学。研究地球系统科学应该始终如一贯穿‘顶天立地’的统一性原则:‘顶天’即研究全球变化,‘立地’则面向区域持续发展”。先生一生笔耕不辍,著作等身,既有科研大作,又有生活随笔。先生笔名“石坚”,料想是先生从年轻时就立志如同山中石头一样,朴实无华而又愈挫愈坚吧。得空时静心翻阅陈先生的随笔杂文集《石坚文存》,以及当年与先生的书信及合影,音容宛在,对一众弟子不仅仅是在学术上的指引,在日常生活中的点点小事与细节方面,其高贵的品格、豁达的气度、平易近人的风范,都深刻影响着后生晚辈。(摘自《遥感大数据智能计算》(骆剑承)专著的代序《言传身教——回忆陈述彭先生二三事》)。
“坚如磐石,历久弥新”,今年是陈述彭先生诞辰100周年,同时也是先生一手创建的“资源与环境信息系统国家重点实验室”成立35周年,《地球信息科学学报》期刊创刊25周年,谨以此文缅怀并祝《地球信息科学学报》和实验室蒸蒸日上,书写地学信息图谱与遥感地学研究的新篇章。
吴志峰 教授
广州大学地理科学与遥感学院院长,广东省地理国情监测与综合分析工程技术研究中心主任。主要研究方向为城市遥感,遥感地学分析。已发表学术论文80余篇,主持国家重点研发计划项目课题、NSFC-广东省联合基金重点项目、国家自然科学基金面上项目等国家级、省部级科研项目20多项。
骆剑承 研究员
中国科学院空天信息研究院遥感科学国家重点实验室研究员、中国科学院大学教授,博士生导师。以遥感大数据地学分析与智能计算为主要方向,重点研究遥感图谱认知理论和时空信息高性能计算的关键技术。
来源:地球信息科学学报
作者:吴志峰,骆剑承
END