EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 10: 2070 - 2083

DOI: https://doi.org/10.12082/dqxxkx.2023.220777

遥感科学与应用技术

基于去除土壤散射干扰SAR数据的玉米残茬生物量反演

  • 谢小曼 , 1, 2 ,
  • 洪梓翔 1, 2 ,
  • 李俐 , 1, 2, * ,
  • 仇冰琦 1, 2 ,
  • 苏怡然 1, 2
展开
  • 1.中国农业大学 土地科学与技术学院，北京 100083
  • 2.农业农村部农业灾害遥感重点实验室，北京 100083
* 李俐（1976—），女，河南南阳人，副教授，研究方向为微波遥感及其农业应用。E-mail:

谢小曼（1998—），女，海南儋州人，硕士生，研究方向为空间信息技术。E-mail:

收稿日期: 2022-10-11

  修回日期: 2023-01-09

  网络出版日期: 2023-09-22

基金资助

国家自然科学基金项目(42171324)

中国科学院地理所技术服务项目(202205511910797)

收起

Retrieval of Corn Residue Biomass Based on SAR Data with Soil Scattering Interference Removed

  • XIE Xiaoman , 1, 2 ,
  • HONG Zixiang 1, 2 ,
  • LI Li , 1, 2, * ,
  • QIU Bingqi 1, 2 ,
  • SU Yiran 1, 2
Expand
  • 1. College of Land Science and Technology, China Agricultural University, Beijing 100083, China
  • 2. Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture and Rural Affairs, Beijing 100083, China
* LI Li, E-mail:

Received date: 2022-10-11

  Revised date: 2023-01-09

  Online published: 2023-09-22

Supported by

National Natural Science Foundation of China(42171324)

Technical Service Project from Institute of Geographic Sciences and Natural Resources Research Chinese Academy of Sciences(202205511910797)

Fold

摘要

作为保护性耕作的主要方式之一，作物留茬对农田生态系统的物质和能量循环有重要影响。及时、准确地获取作物残茬生物量分布状况对定量了解保护性耕作实施状况、评估残茬影响具有重要意义。本文利用AIEM-Oh模型和水云模型（Water Cloud Model，WCM）构建残茬后向散射模型，分离出去除土壤散射影响后玉米残茬后向散射系数；在此基础上选择适宜的雷达指数特征构建玉米残茬生物量反演模型，以Sentinel-1 SAR数据为主数据源，以梨树县为研究区实现其玉米残茬生物量估算。结果表明：基于残茬后向散射模型可以有效地消除土壤后向散射的干扰，选择合适特征参数构建的反演模型能够获得较好的残茬生物量反演效果。其中，基于双极化散射积（Product）的秋季生物量反演精度R2大于0.75，RMSE达85 g/m2以下。与去除土壤散射干扰前的生物量反演模型相比，去除土壤散射干扰后，采用常见指数特征的生物量反演精度R2增加至少0.15，RMSE减少至少17 g/m2。本研究验证了利用去除土壤散射干扰后残茬后向散射数据进行残茬生物量反演的可行性，为今后利用SAR遥感数据进行玉米残茬生物量的动态监测提供了有益的尝试。

关键词： Sentinel-1 SAR; 生物量反演; 玉米残茬; 残茬后向散射模型

本文引用格式

谢小曼 , 洪梓翔 , 李俐 , 仇冰琦 , 苏怡然 . 基于去除土壤散射干扰SAR数据的玉米残茬生物量反演[J]. 地球信息科学学报, 2023 , 25(10) : 2070 -2083 . DOI: 10.12082/dqxxkx.2023.220777

Abstract

As a main way of conservation tillage, crop residue has important influence on the cycle of material and energy in farmland ecosystem. Acquisition of the biomass information of corn residues timely and accurately is of great significance for understanding the implementation of conservation tillage and evaluating the impact of residues quantitatively. However，compared with crops, residues have lower coverage and contain less water,which makes it more difficult to acquire the biomass. To address this issue, we developed a residue backscattering model based on AIEM-Oh model and the Water Cloud Model (WCM) to remove the soil scattering interference. Using Sentinel-1 SAR images as the main data source, a regression model of corn residue biomass was constructed based on radar features selected to retrieve and map the corn residue biomass in Lishu County. Results show that the residue backscattering model can eliminate the interference of soil backscattering contribution effectively, and the inversion model based on the residue backscattering coefficient can improve the biomass inversion accuracy. The autumn biomass inversion model based on the dual-polarized scattering product (Product) has an R2 greater than 0.75, and an RMSE less than 85 g/m2, showing an increase of at least 0.12 in R2 and a decrease of 17 g/m2 in RMSE compared to the biomass inversion model before soil scattering contribution removed. This study verifies the feasibility of residue biomass inversion model based on backscattering data with soil scattering interference removed, and provides an attempt for the dynamic monitoring of corn residue biomass using SAR remote sensing data in the future.

Key words： Sentinel-1 SAR; biomass retrieval; corn residue; Residue Backscattering Model

1 引言

玉米残茬是玉米收割后残留在农田里的秸秆根茬部分，其存在可以增加土壤有机质含量，改善土壤质量[1-2]。与燃烧的方式相比，玉米留茬可以有效减少有害气体（如CO、SO2等）的排放[3]。残茬生物量是定量描述残茬覆盖情况的重要参数之一，可以定量地反映残茬的覆盖情况[4]。作为世界四大黑土区之一的东北平原，玉米留茬是其保护性耕作重要形式，因此，估算农田中玉米残茬生物量将为定量评估东北地区留茬保护性耕作进展提供数据基础，为留茬方式保护性耕作政策的制定和实施提供数据支持。
遥感技术的发展为地表信息的获取提供了新的手段，也为大范围保护性耕作监测提供了有效的途径[5]。较早用于留茬监测的遥感数据源是光学遥感数据，常用的光学遥感留茬生物量监测方法可以分为3种。第1种方法首先利用光学遥感数据获取残茬覆盖率（Crop Residue Cover，CRC）[6]，然后使用CRC与残茬生物量相关转化关系获得残茬生物量估计[7]。然而，CRC与作物残茬生物量间关系建立需要大量现场测量数据，CRC估算和残茬生物量估算两步工作的误差积累也使得该方法的精度可能会存在一定问题。第2种方法根据收获指数（HI）、粮食平均产量或初级生产力（NPP）等数据估算残茬生物量[8-9]，但对于实施保护性耕作人为进行留茬并且可能存在不同农田管理的区域来说，该方法精度无法保证。第3种方法利用光谱衍生指数或影像纹理特征与作物残茬生物量之间的相关关系，建立残茬生物量反演经验或半经验模型。如Strec 等[10]探索了基于3个手持辐射计中红色和照片红外光谱数据的指数（CAI（Cellulose Absorption Index）、NDTI（Normalized Difference Tillage Index）、NDI（Normalized Difference Index））与作物残余量（干物质）的数量之间的关系；Aguilar等[11]基于4个基于陆地卫星的指数和2个基于高光谱的指数估测了不同收获管理制度下小麦残茬密度。这种方法需要设计性能优良的光谱指数，此外作物残茬光谱特性与土壤接近，易受土壤背景的影响，限制了其在残茬生物量反演中的应用。为克服这个问题，有研究尝试利用多源遥感数据研究留茬问题[12]，然而光学数据容易受到云、雨、雾等天气的影响、数据获取难、质量不佳的问题依然无法解决。
以主动方式工作的微波遥感传感器合成孔径雷达（Synthetic Aperture Radar, SAR），可全天时、全天候地获取数据，且具有对地表覆盖的几何结构和介电性能敏感的特点。研究不断展示出SAR数据在作物残茬研究中的巨大潜力[13⇓⇓-16]。利用SAR影像估算CRC或者生物量的方法主要基于后向散射强度、极化分解的极化信息或相干特性等[14-15]信息。McNairn等[17]利用Radarsat-1数据，进行了留茬覆盖率与后向散射值之间的回归分析，初步实现了作物留茬区的制图。Mattia等[18]分析了C波段后向散射系数与小麦生物量、土壤水分的相关性，发现入射角为40°时HH/VV与小麦生物量具有较强的相关性（R=0.87），且此时可忽略土壤水分变化的影响。Mandal等[19]利用水云模型模拟后向散射系数，并使用多输出支持向量机回归方法从Sentinel-1 SAR数据中反演小麦、油菜籽、大豆的植物面积指数和生物量。极化信息是SAR图像的独特属性，早期的研究使用的数据源主要为四极化数据[20⇓-22]。Yang等[21]基于Cloude-Pottier 和Freeman-Durden这2种极化分解方法获取Radarsat-2全极化数据的极化特征，利用极化特征构建的油菜干生物量和湿生物量反演模型R2分别可达0.85、0.76。
然而，这些研究或者集中于残茬区域识别与残茬覆盖度估算，或者关注农作物生物量的估算，针对残茬生物量的反演及应用的研究少之又少。与农作物相比，作物残茬已经枯黄，覆盖相对稀疏，且所含水分较少，McNairn等[23]强调，作物残留物对雷达响应的贡献仅为40%，因此在采用SAR参数特征反演残茬生物量时需要利用模型获取残茬自身的散射特征。由于残茬层属于比较简单的植被层，需对植被微波散射模型进行简化，得到适用于残茬散射特征的微波散射模型。如雷步云[4]针对MIMICS模型进行简化得到小麦残茬散射模型，进而利用模拟的小麦残茬后向散射系数实现小麦茬生物量的反演，反演结果与实测值的平均相对误差为7.13%。基于SAR数据反演生物量的算法中，大多未考虑土壤水分、土壤粗糙度等土壤因素对生物量反演的影响，且反演玉米残茬生物量的研究尚未见报道。因此，如何利用SAR技术建立去除土壤散射影响的玉米残茬生物量反演算法仍是一个亟待解决的问题。
针对上述问题，本文将重点研究土壤后向散射干扰的分离模型和方法，并在此基础上，探索玉米残茬的后向散射与残茬生物量之间的相关关系，选择吉林省四平市梨树县为研究区，实现较高精度的玉米残茬生物量估计。研究的目的有2个：① 评估基于AIEM-Oh土壤散射模型和水云模型构建玉米残茬散射模型，并利用该模型去除土壤后向散射贡献，分离出残茬层后向散射，实现弱散射信号提取与残茬生物量反演的可行性；② 评估去除土壤散射贡献前后残茬生物量反演模型的精度，并结合秋季收割后、春季播种前的实测数据，比较去除土壤散射贡献前后残茬生物量反演的效果，为估算玉米残茬生物量的研究提供一种新的思路。

2 研究方法

2.1 总体思路

以SAR数据为主数据源，探究SAR数据在反演玉米残茬生物量上的潜力，主要包括土壤后向散射影响去除、残茬生物量敏感特征构建和反演模型建立3部分。① 在土壤后向散射影响去除中，本文利用水云模型建立各部分散射贡献关系，并利用AIEM-Oh模型获取土壤后向散射系数，进而在简化水云模型中去除土壤散射贡献，得到玉米残茬后向散射模型，获取残茬后向散射系数。② 构建残茬生物量反演特征，分析不同特征以及去除土壤散射前后生物量模型拟合效果。③ 构建并训练残茬生物量反演模型，实现研究区残茬生物量的估算。实验的流程图如图1所示。
图1 基于Sentinel-1 SAR数据的玉米残茬反演总体思路

Fig. 1 The flow chart of corn residue retrieval based on Sentinel-1 SAR data

2.2 土壤散射干扰去除

2.2.1 基于水云模型的残茬散射模型构建

水云模型（Water Cloud Model，WCM）是基于辐射传输方程0阶解提出的农作物微波散射模型，广泛应用于农作物等低矮植被覆盖[24]。考虑到玉米残茬比较低，没有冠层，属于低矮植被层，且玉米残茬主要由残茬茎秆和残茬叶子组成，与水云模型中的植被层差异较小，因此，选用水云模型描述玉米残茬覆盖地表的散射特征。模型公式如式（1）—式（2）所示。
σ p q 0 = σ p q , r 0 + τ 2 × σ p q , s 0
τ 2 = e x p - 2 × B × m v e g × s e c ( θ )
式中： σ p q 0为总后向散射系数；p、q为极化方式； σ p q , r 0为残茬层后向散射系数； σ p q , s 0为土壤下垫面后向散射系数； τ为衰减因子； m v e g表示单位体积的植被含水量； θ为入射角；B为经验系数，由非线性最小二乘法拟合可得。
考虑到玉米残茬茎杆粗、株距大等特点，其残茬层与土壤下垫面之间的相互作用不容忽视。本研究基于辐射传输方程的一阶解，引入土壤下垫面与玉米留茬残茬相互作用的散射项。且根据实验区实际地表覆盖情况，大部分玉米残茬不能均匀覆盖整个像素单元，因此，为了在像元层上按一定比例分离植被层和裸土层的散射贡献，本研究将残茬覆盖度引入水云模型，得到玉米残茬散射模型。模型公式如下：
σ p q 0 = f r e s i d u e σ p q , r 0 + σ p q , r - s 0 + τ 2 × σ p q , s 0 + 1 - f r e s i d u e × σ p q , s 0
f r e s i d u e = N D R I - N D R I m i n N D R I m a x - N D R I m i n
式中： σ p q , r - s 0为土壤下垫面与玉米留茬残茬相互作用的散射项； f r e s i d u e为残茬覆盖度; N D R I m i n、 N D R I m a x分别为完全裸土和完全覆盖情况下研究区的NDRI值。
令玉米残茬层后向散射系数等于玉米残茬层直接散射项与残茬层-土壤下垫面相互作用的散射项之和：
σ p q , r e s i d u e 0 = σ p q , r 0 + σ p q , r - s 0
式中： σ p q , r e s i d u e 0为玉米残茬层后向散射系数。
则残茬层后向散射系数为：
σ p q , r e s i d u e 0 = 1 f r e s i d u e × σ p q , t o t a l 0 - 1 - f r e s i d u e f r e s i d u e × σ p q , s 0 - τ 2 × σ p q , s 0
式中： σ p q , t o t a l 0为总后向散射系数。

2.2.2 基于AIEM-Oh模型的土壤后向散射干扰去除

AIEM-Oh模型是AIEM模型与Oh（2002）模型的结合，该模型明确了地表4种极化后向散射系数 σ p q , s 0（p、q表示H或V极化方式）的有效获取方式：同极化后向散射部分由高级积分方程模型AIEM（Advanced Integrated Equation Model）获得，交叉极化后向散射部分由AIEM的同极化后向散射系数与Oh模型[25]交叉极化比值（qr）相乘得到的，可表示为：
σ p q , s 0 = k 2 2 e - 2 k 2 c o s β 2 S 2 ∑ n = 1 ∞ S 2 n n ! I p q 2 2 W 2 - 2 k s i n β , 0 ( p = q ) q r σ p p , s 0 ( p ≠ q )
式中：p=q时土壤同极化后向散射系数 σ p q , s 0即 σ p p , s 0，由AIEM模型决定，k为波数，与频率有关； β为入射角；s为地表均方根高度； W n为表面自相关n阶粗糙度谱； I n为菲尼尔反射系数的函数；交叉极化比值 q r由Oh模型[26]给出：
q r = 0.1 × s l + s i n ( 1.3 β ) 1.2 × 1 - e x p ( - 0.9 ( k s ) 0.8 )
式中： l为地表相关长度。
依据野外实测参数、SMAP土壤水分产品和全国土壤质地图，确定AIEM-Oh模型中相关参数范围（表1），通过模拟所得的土壤后向散射贡献与相关参数的相关关系，得到土壤后向散射贡献经验方程。根据经验方程求得土壤VV和VH双极化的后向散射系数 σ p q , s 0，结合Sentinel-1提供的总后向散射系数代入式（6），即可得到残茬后向散射系数 σ p q , r e s i d u e 0。
表1 AIEM-Oh模型参数取值范围

Tab. 1 AIEM-Oh model parameter value range

参数 最小值 最大值 步进
入射角/° 25 55 2
土壤体积含水量/% 2 50 2
均方根高度/cm 0.2 3 0.2
相关长度/cm 4 50 2

2.3 反演模型构建

2.3.1 散射特征选择

为了能够有效地利用极化特征进行玉米残茬生物量反演，本文选取残茬研究中常用的VV、VH极化后向散射系数、双极化散射积（Product）、双极化散射比（Ratio）、雷达植被指数（Ratio vegetation index，RVI）以及总散射通量（Total scattering power，SPAN）构建散射特征向量。其中，Product、Ratio、RVI与SPAN表达式如下：
P r o d u c t = σ v h , r e s i d u e 0 × σ v v , r e s i d u e 0
R a t i o = σ v v , r e s i d u e 0 σ v h , r e s i d u e 0
R V I = σ v h , r e s i d u e 0 σ v h , r e s i d u e 0 + σ v v , r e s i d u e 0
S P A N = σ v v , r e s i d u e 0 2 + σ v h , r e s i d u e 0 2
式中： σ v v , r e s i d u e 0、 σ v h , r e s i d u e 0分别为VV、VH极化残茬后向散射系数[27]。
采用各散射特征与残茬生物量的相关性分析探究散射特征向量中各元素用于残茬生物量反演的敏感性和适宜性，并选择性能最佳的特征组合作为最终反演模型输入特征参数。

2.3.2 生物量反演模型构建

BP神经网络也被称为误差反向传播神经网络（Error Back-Propagation Algorithm，BP-ANN），是由输入层、隐含层、输出层组成的多层前馈神经网络[28]。本文中，输入层设置2个神经元，输入优选后的2个散射特征；隐含层的神经元个数n由式（13）确定；输出层设置1个神经元，输出生物量数据。
n = m 1 + m 2 + d
式中： m 1和 m 2分别为输入层和输出层的神经元个数；d为0~10的常数。经多次实验及样本分析，本文隐含层的神经元个数n取5。

2.3.3 模型评估

为了验证生物量反演模型的有效性，将反演后的生物量与地面实测值进行比较。通过决定系数（R2）和均方根误差（RMSE）对反演结果进行精度评估[29]。
R M S E = 1 n ∑ i = 1 n ( Y i - X i ) 2
R 2 = ∑ i = 1 n ( Y i - X i ¯ ) 2 ∑ i = 1 n ( X i - X i ¯ ) 2
式中： Y i是估计值； X i和 X i ¯是地面实测值及其平均值；n是数据数量。当RMSE较低而R2较高时，则表示模型效果较好。

3 数据处理与结果分析

3.1 研究区概况

本文选择吉林省四平市梨树县为研究区，梨树县地处东北平原中部，与公主岭市、双辽市相邻，介于东经123°45′—124°53′，北纬43°02′—43°46′之间，为典型的温带半湿润大陆性季风气候，年降水量约为年955 mm，地势东南高、西北高，整体地形平坦，农业资源丰富。全县耕地面积2 640 km2，种植的作物包括水稻、玉米、大豆等，物候期如表2所示。其中，玉米为梨树县的主要种植作物之一，种植面积达全县耕地面积的72%，生育期也比较长（图2）。作为保护性耕作的重点推广县，梨树县作物留茬技术被广泛使用，因此，及时估算梨树县玉米残茬生物量，可为保护性耕作政策的实施和效果评估提供数据基础。
表2 研究区主要作物物候期

Tab. 2 Phenological period of main crops in the study area

4月 5月 6月 7月 8月 9月 10月
上旬 中旬 下旬 上旬 中旬 下旬 上旬 中旬 下旬 上旬 中旬 下旬 上旬 中旬 下旬 上旬 中旬 下旬 上旬 中旬 下旬
水稻 播种、出苗 抽穗 成熟期
玉米 播种、出苗 抽穗 成熟期
大豆 播种、出苗 抽穗 成熟期
图2 研究区玉米种植区与样点分布

Fig. 2 The corn planting area of sample points in the study area

3.2 数据源选择

3.2.1 遥感数据及其预处理

以Sentinel-1（以下简称S-1）SAR GRD（Ground range detected）数据为主数据源，另外选取Sentinel-2（以下简称S-2）光学数据和SMAP（Soil Moisture Active Passive）的土壤水分数据与植被含水量数据为辅数据源进行玉米残茬生物量的反演。S-1卫星星座是由A、B两颗卫星组成，其单星重访周期为12 d[30]。S-1数据产品包括Level-1单视复数（Single Look Complex，SLC）、Level-1地距产品（GRD）和level-2海洋产品（Ocean，OCN）等。S-2是高分辨率多光谱成像卫星，提供了Level-1C和Level-2A两种级别的数据产品[31]。S-1/2数据均可通过ESA的数据中心（https://scihub.copernicus.eu/dhus/）获取。
SMAP卫星提供1、3、9和36km的土壤水分产品。其中，SMAP/Sentinel-1 Level-2级土壤湿度数据产品是由SMAP L波段辐射计获取的亮度温度数据和S-1A、S-1B的后向散射系数重采样得到的[32]，可通过NASA Earthdata ( https://earthdata.nasa.gov/)获取。
参考表1玉米物候期，经实地考察，2020年10月22日左右梨树县玉米基本收获完毕，且于2021年5月8日左右开始播种。因此，本研究根据玉米收获时间和播种时间，选择秋季收割后、春季播种前两个时相的SAR影像进行玉米残茬生物量反演，获取影像类型及影像时间如表3所示。
表3 获取影像类型及时间

Tab. 3 Type and time of remote sensing imagery obtained

时期 数据类型 影像时间
秋季 S-1 Level-1 GRD 2020年11月03日
S-2 Level-1C 2020年11月09日
SMAP/Sentinel-1 Leve2级 2020年11月03日
春季 S-1 Level-1 GRD 2021年04月08日
S-2 Level-1C 2021年04月18日
SMAP/Sentinel-1 Leve2级 2021年04月08日
在数据获取的基础上，对SAR遥感数据、光学遥感数据和SMAP数据进行预处理。
S-1数据的预处理主要包括轨道校正、辐射定标、多视处理、斑点噪声滤波、地形校正等。其中，斑点噪声滤波在尝试若干滤波器、各种窗口大小的基础上，选择5×5的Sigma Lee滤波实现。经预处理后，需由S-1影像的像元灰度值计算得到雷达后向散射系数分贝值 σ d B 0，其计算公式为：
σ d B 0 = 10 l o g 10 D N 2 A 2
式中： DN为影像的像元灰度；A为定标参数，通过元数据文件获取[13]。
S-2 Level-1C影像的预处理过程包括大气校正、影像拼接裁剪、重采样等。其中，重采样是将通过最邻近距离法将影像中各个波段的空间分辨率重采样至10 m，使光学影像与雷达影像的分辨率与保持一致。预处理后，构建归一化残茬指数（Normalized Difference Residue Index，NDRI）[27]。
N D R I = B 4 - B 12 / B 4 + B 12
式中：B4、B12分别表示S-2影像红光和短波红外 2个波段的反射率。
SMAP数据的预处理包括：土壤水分产品中的土壤水分数据和植被含水量数据需要进行定义投影格式、拼接、裁切和重采样等预处理步骤。其中，为了将土壤水分数据和植被含水量数据的空间分辨率与S-1影像进行匹配，本研究使用双线性插值法将土壤体积含水量数据和植被含水量数据的空间分辨率重采样至10 m。

3.2.2 野外调查数据

2020年10月23日—30日、2021年4月12日—22日对梨树县进行实地调查，调查内容包括残茬生物量、残茬高度、残茬直径、土壤水分以及土壤粗糙度等，实地采样如图3所示，共采得秋季样本81个，春季样本94个。其中，残茬高度和直径使用软尺进行测量；土壤水分数据是利用时域反射计（Time Domain Reflectometry，TDR）的12 cm探针随机选取样方内6个样点进行测定，计算8个土壤水分数据的均值作为该样方的土壤水分值；土壤粗糙度则是使用1.1 m×0.6 m的白板放置于样点的土壤凹槽并拍摄照片，提取照片中土壤轮廓线后基于色彩运算和混沌粒子群滤波方法[33-34]计算；残茬生物量是通过在样方内随机选取3个0.5 m×0.5 m的小样方，将各小样方内玉米残茬的地上部分装袋、标记和称重，取3个小样方均值得到样方的玉米残茬地上生物量（g/m2）获得。
图3 实地采样

Fig.3 Field sampling

3.3 土壤散射干扰去除效果分析

为分析去除土壤散射干扰对后向散射系数数值影响，本研究提取随机样本点总后向散射系数（分离土壤散射前）和玉米残茬后向散射系数（分离土壤后向散射后），数值对比结果如图4所示。可以看出，去除土壤散射干扰前后的数值发生明显变化，去除土壤散射干扰后的大部分样点的后向散射系数增大，这是因为土壤后向散射系数值是比较低的，受到土壤散射的影响，总后向散射数值会偏低，因此去除土壤散射后，残茬覆盖区域的残茬后向散射系数值会有所提高。而留茬生物量较小的区域后向散射系数变化不大，因此残茬后向散射系数被明显拉伸。
图4 去除土壤散射干扰前后VV、VH极化后向散射系数比较

Fig. 4 Comparison of VV and VH polarized backscattering coefficient before and after removal of soil scattering interference

为定量描述去除土壤散射干扰前后后向散射系数变化程度，表4给出了总后向散射系数与残茬后向散射系数差值（ σ p q , t o t a l 0 - σ p q , r e s i d u e 0）最大值、最小值及均值等统计信息。可知，去除土壤散射影响前后，VV极化和VH极化下后向散射系数变化的均值分别为6.089 dB、8.416 dB，说明土壤散射贡献对总散射通量的影响都不容忽视，而去除土壤后向散射影响对残茬后向散射弱信号提取有一定的作用。
表4 去除土壤散射干扰前后的后向散射系数变化统计

Tab. 4 Statistical table of backscattering coefficient changes before and after removal of soil scattering interference （dB）

极化方式 最大值 最小值 均值
VV 12.469 0.0474 6.089
VH 18.214 0.19 8.416

3.4 残茬生物量反演中不同特征性能对比分析

为降低反演所用特征数，选取残茬生物量敏感特征，本文利用去除土壤后向散射的VV极化影像（ σ v v , r e s i d u e 0）、VH极化影像（ σ v h , r e s i d u e 0）、极化乘积影像（ P r o d u c t）、极化比值影像（ R a t i o）、雷达植被指数影像（ R V I）和总散射通量影像（ S P A N）与玉米残茬生物量进行回归分析，结果如图5所示。
图5 不同特征玉米残茬生物量反演性能比较（去除土壤散射干扰后）

Fig. 5 Comparison of different features performance on biomass inversion (after the removal of soil scattering interference)

由图5可以看出，无论是基于秋季样本反演还是春季样本，各特征的生物量回归模型的精度排序均为： P r o d u c t > σ v h , r e s i d u e 0> S P A N > σ v v , r e s i d u e 0> R a t i o> R V I。其中，VH极化影像（ σ v h , r e s i d u e 0）、极化乘积影像（ P r o d u c t）的生物量反演效果较好，反演精度R2均高于0.7，RMSE均低于90 g/m2；指数 RVI和Ratio的回归模型拟合效果较差，R2均低于0.39。对比秋季模型和春季模型，可以看出秋季生物量模型的精度R2大多高于春季生物量模型。 这是因为秋季收割后，农田中玉米残茬覆盖程度达到最大，秋季采集样本的残茬生物量值于100~850 g/m2范围内均匀分布；而在春季采样时，由于人为因素（农户带走农田中扎捆好的秸秆或春季就低焚烧秸秆等）或自然因素（持续的大风、干燥的气候等）的影响，研究区的玉米残茬覆盖程度相比秋季大大减少，春季样本的玉米残茬生物量主要集中于100 ~400 g/m2 范围内，缺少高残茬生物量值的样本，导致了春季模型整体表现较差。由图5也可看出，秋季反演模型对不同范围生物量值的反演表现较稳定，而春季生物量反演模型对中、低生物量值的反演效果较好，而高生物量样本的缺失使得春季模型对于高残茬生物量的训练效果较差，从而导致出现对玉米残茬的高生物量值估算不准确的情况。与反演精度R2相反的是，春季模型的RMSE值整体小于秋季模型，这是因为春季样本整体生物量偏低，使得生物量模型的RMSE值偏低。

3.5 去除土壤散射干扰前后反演精度对比

为比较去除土壤散射干扰前后各特征对生物量反演的响应，表5给出了利用去除土壤散射贡献前的数据构建玉米残茬生物量反演模型精度情况。可以看出，去除土壤散射干扰前生物量模型精度较低，R2处于0.14~0.58范围内，而去除土壤散射后的R2在0.32~0.76范围内，说明土壤散射干扰会影响残茬生物量建模结果。与去除土壤后向散射后生物量模型相似的是VH极化影像（ σ v h , r e s i d u e 0）、极化乘积影像（ P r o d u c t）的生物量反演效果较好，反演精度R2较高，RMSE均较低。
表5 不同特征残茬生物量反演性能（去除土壤散射干扰前）

Tab. 5 Performance of different features on biomass inversion (before the removal of soil scattering interference)

反演特征 2020年秋季样本
（n=81）		 2021年春季样本
（n=94）
R2 RMSE/(g/m2) R2 RMSE/(g/m2)
σ v h 0.503 05 119.179 1 0.489 03 90.756 5
σ v v 0.338 38 137.600 8 0.322 47 82.587 7
Product 0.575 46 107.416 1 0.505 21 70.088 1
Ratio 0.179 61 147.443 5 0.145 56 121.008 3
RVI 0.140 37 156.845 6 0.169 93 94.537 2
SPAN 0.415 23 129.363 2 0.338 81 134.683 7
表6给出去除土壤散射干扰前与分离后的生物量模型精度变化统计。可以看出，无论是春季模型还是秋季模型，分离土壤后向散射干扰的模型精度均有一定程度的提高，ΔR2均大于0.15，ΔRMSE均大于14 g/m2。其中，春季模型RMSE的减少程度整体大于秋季模型，说明去除土壤散射干扰的方法对提高春季玉米残茬生物量反演效果的作用更加明显。这可能是春季采样期间的残茬覆盖度相比秋季大大减少，残茬地表覆盖度的减少而土壤裸露程度增加使得春季模型中土壤后向散射贡献对总后向散射的干扰更加显著。已有研究表明，土壤质地、土壤表层含水量、土壤粗糙度等因素都会影响SAR影像进行玉米残茬监测研究，而这种影响对春季低覆盖区域更加显著。综上所述，无论是不同反演特征还是不同时期，土壤散射贡献对总后向散射系数的干扰都是不可忽视的，同时也证明了去除土壤散射干扰可以有效地消除土壤散射对残茬监测研究的影响，基于残茬后向散射系数构建玉米残茬生物量模型可以有效地提高玉米残茬生物量的估算精度。
表6 去除土壤散射干扰后不同特征生物量反演精度变化

Tab. 6 Changes of biomass inversion accuracy of different features after separating soil scattering contribution

反演特征 2020年秋季样本
（n=81）		 2021年春季样本
（n=94）
ΔR2 ΔRMSE/(g/m2) ΔR2 ΔRMSE/(g/m2)
σ v h 0.221 13 30.334 6 0.213 48 42.639 6
σ v v 0.220 52 25.247 9 0.191 23 21.067 8
Product 0.183 25 24.318 1 0.214 18 23.355 5
Ratio 0.203 01 14.522 2 0.239 60 30.622 3
RVI 0.214 10 20.927 9 0.155 41 22.075 8
SPAN 0.200 10 24.442 9 0.271 84 79.636 8

注：ΔR2、ΔRMSE(g/m2)分别为去除土壤散射干扰前后模型精度差值的绝对值。

3.6 梨树县玉米残茬生物量制图

选择采用反演效果最好的去除土壤散射贡献后的极化乘积指数Product和 σ v h , r e s i d u e 0输入BP神经网络，进行春秋2个时期的玉米残茬生物量反演，并使用精度较高30 m分辨率的玉米分布图[35]进行掩膜，得到玉米残茬生物量结果如图6所示。从时间上看，研究区内秋季玉米残茬生物量值主要集中于382~639 g/m2之间，而研究区春季玉米残茬生物量整体呈现出较低水平，绝大部分生物量值集中于78~332 g/m2的范围内，仅有少数零碎区域生物量为586 g/m2以上。从空间分布上看，无论是秋季还是春季，玉米残茬生物量呈现东部高、西部低的空间分布规律。其主要原因是东部区域与西部区域的土壤类型、土壤肥力、经济发展等方面的差异。东部玉米种植密度较大且主要土壤类型为肥力较高的黏质土壤，农业机械化程度、保护性耕作推广程度较高，因此东部残茬覆盖较多，即东部残茬生物量较高；而西部经济发展、玉米种植密度等低于东部，导致西部地区残茬覆盖较少，即玉米残茬生物量较低。
图6 梨树县玉米残茬生物量反演结果

Fig. 6 Inversion results of corn residue biomass in Lishu County

4 讨论

4.1 SAR影像反演玉米残茬生物量的限制因素

SAR影像反演玉米残茬生物量受多种因素的影响，如雷达入射角、土壤水分、土壤表面粗糙度、玉米种植方式、残茬方式、残茬含水量等[17]，在去除土壤散射干扰前，本研究中基于VH极化、极化乘积指数Product的生物量反演模型精度R2值（秋季样本）分别为0.503 05、0.575 46，充分验证了SAR影像对玉米残茬生物量反演的潜力。但由于多种因素的影响，导致SAR数据反演玉米残茬生物量精度不够理想。相比于单极化，基于VH极化和VV极化的极化乘积指数Product反演表现更好，说明了极化指数为生物量反演提供了更加丰富的信息。但由于Sentinel-1仅提供VH极化和VV极化，因而无法对HH极化与HV极化进行探究。雷步云[4]验证了小麦残茬生物量与HH极化具有一定的相关性（R2大于0.45），因此，利用全极化组合进行生物量反演应该能达到更高的精度，但具体效果还需进一步的探究。

4.2 土壤后向散射贡献对反演玉米残茬生物量的影响

梨树县内土壤类型错综复杂，包括黏质土壤和砂质土壤等，其土壤水分、土壤成分含量等存在明显差异，使得土壤因素对SAR影像反演生物量的影响更加显著[36]。与传统生物量反演方法相比，引入玉米残茬散射模型去除总后向散射中的土壤后向散射贡献，有效地提取出了残茬后向散射系数弱信号。去除土壤后向散射干扰前后，后向散射系数与生物量回归关系图如图7所示。
图7 去除土壤后向散射干扰前后后向散射系数与生物量回归关系

Fig. 7 Regression relationships of backscatter coefficient and corn residue biomass before and after separating soil scattering contribution

去除土壤后向散射影响后残茬后向散射系数与生物量相关性有一定程度的提高，R2均增加（ΔR2均大于0.15），验证了玉米残茬散射模型去除土壤影响提高生物量反演精度的可行性。但由于土壤后向散射系数的经验方程是基于实测数据模拟得到，因此，本研究所构建的土壤散射系数的经验方程是否适用于其他地区仍有待验证。
此外，所使用的是1 km的SMAP土壤水分产品，空间分辨率较大可能会增大反演误差。同时，本研究未充分考虑土壤温度、土壤类型等更多土壤相关因素对模拟土壤后向散射系数的干扰，若引入这些参数，模型的扩展性可能会更佳。因此，还需进一步的研究来验证，及提高模型精度，为玉米残茬生物量的动态监测提供技术手段。

4.3 春季与秋季残茬生物量反演结果的差异性分析

春季和秋季的生物量反演结果与模型精度呈现一定差异。反演结果中秋季玉米残茬生物量整体高于春季。这是因为秋季收割后，部分农户不会立即处理农田中的玉米残茬，此时玉米残茬覆盖度达最大[36]。而随着时间的推移，由于人为或自然因素的影响：如气候干燥、持续的大风、部分农户将捆好的秸秆取走、就地焚烧残茬等，导致春季残茬的生物量大大减少，即春季的玉米残茬生物量整体较低。而2020年秋季生物量模型模型精度整体高于2021年春季生物量模型的原因可能是春季样本中70%的样本处于100~400 g/m2范围内，缺少高残茬生物量值的样本，导致了春季模型整体表现较差。

5 结论

本文提出了一种基于去除土壤散射干扰的SAR数据反演玉米残茬生物量的方法。以梨树县的Sentinel-1 SAR 影像、Sentinel-2光学影像和SMAP土壤水分产品为数据源，结合2020年秋季、2021年春季2个时期的实测数据，基于残茬后向散射模型去除土壤散射干扰，获取残茬后向散射系数，构建生物量反演特征，建立玉米残茬生物量反演模型，完成了梨树县2020年秋季和2021年春季玉米残茬生物量制图。结果表明：
（1）SAR数据能有效进行玉米残茬生物量反演。基于去除土壤后向散射的特征所构建的生物量反演模型精度R2值在0.36~0.78范围内，RMSE值均小于129 g/m2。其中，选用VH极化后向散射系数（ σ v h , r e s i d u e 0）、双极化散射（ P r o d u c t）特征的生物量反演效果较好，反演精度R2均高于0.7，RMSE均低于80g/m2，有效地证明了Sentinel-1 SAR数据在玉米残茬生物量反演方面的应用潜力。
（2）去除土壤散射干扰的方法可以提高生物量反演精度。基于去除土壤散射干扰前、后的后向散射系数构建玉米残茬生物量反演，结果对比发现，去除土壤散射干扰后的生物量反演精度有明显提高，对于所选特征，ΔR2均大于0.12、ΔRMSE均大于17 g/m2，验证了基于残茬后向散射模型可以有效地消除土壤散射干扰。
（3）春秋2个时相的生物量反演结果呈现显著差异，秋季反演结果中高残茬生物量区域远多于春季，与实地调研情况相符。
与传统生物量反演方法相比，本研究考虑了土壤散射贡献对总后向散射的影响，引入残茬后向散射模型去除土壤后向散射贡献，有效地解决了土壤因素对反演植被生物量的干扰，提高生物量反演精度，为玉米残茬生物量的研究提供了新的思路。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Daughtry C S T, Hunt E R Jr, McMurtrey J E III. Assessing crop residue cover using shortwave infrared reflectance[J]. Remote Sensing of Environment, 2004, 90(1):126-134. DOI:10.1016/j.rse.2003.10.023

[2]
蔡文婷, 赵书河, 王亚梅, 等. 结合Sentinel-2光谱与纹理信息的冬小麦作物茬覆盖度估算[J]. 遥感学报, 2020, 24(9):1108-1119.

[Cai W T, Zhao S H, Wang Y M, et al. Estimation of winter wheat residue cover using spectral and textural information from Sentinel-2 data[J]. Journal of Remote Sensing, 2020, 24(9):1108-1119.] DOI:10.11834/jrs.20208471

[3]
Cai W T, Zhao S H, Wang Y M, et al. Estimation of winter wheat residue coverage using optical and SAR remote sensing images[J]. Remote Sensing, 2019, 11(10):1163. DOI:10.3390/rs11101163

[4]
雷步云. 基于全极化雷达数据的冬小麦作物残茬生物量估算研究[D]. 南京: 南京大学, 2015.

[Lei B Y. Estimation of winter wheat residue biomass based on full polarimetric radar data[D]. Nanjing: Nanjing University, 2015.]

[5]
Zhang M, Wu B F, Meng J H. Quantifying winter wheat residue biomass with a spectral angle index derived from China Environmental Satellite data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 32:105-113. DOI:10.1016/j.jag.2014.03.020.

[6]
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. DOI:10.1016/j.jag.2014.08.002

[7]
Nagler P L, Inoue Y, Glenn E P, et al. Cellulose Absorption Index (CAI) to quantify mixed soil-plant litter scenes[J]. Remote Sensing of Environment, 2003, 87(2/3):310-325. DOI:10.1016/j.rse.2003.06.001

[8]
Johnson J M F, Allmaras R R, Reicosky D C. Estimating source carbon from crop residues, roots and rhizodeposits using the national grain-yield database[J]. Agronomy Journal, 2006, 98(3):622-636. DOI:10.2134/agronj2005.0179

[9]
Elmore A J, Shi X, Gorence N J, et al. Spatial distribution of agricultural residue from rice for potential biofuel production in China[J]. Biomass and Bioenergy, 2008, 32(1):22-27. DOI:10.1016/j.biombioe.2007.06.005

[10]
Rundquist D, Streck N. Estimating residual wheat dry matter from remote sensing measurements[J]. Photogrammetric Engineering and Remote Sensing, 2002, 68:1193-1202.

[11]
Aguilar J, Evans R, Vigil M, et al. Spectral estimates of crop residue cover and density for standing and flat wheat stubble[J]. Agronomy Journal, 2012, 104(2):271-279. DOI:10.2134/agronj2011.0175

[12]
Quemada M, Hively W D, Daughtry C S T, et al. Improved crop residue cover estimates obtained by coupling spectral indices for residue and moisture[J]. Remote Sensing of Environment, 2018, 206:33-44. DOI:10.1016/j.rse.2017.12.012

[13]
孔庆玲, 李俐, 徐凯华, 等. 基于Sentinel-1A的东北地区作物留茬区监测研究[J]. 农业机械学报, 2017, 48(S1):284-289.

[Kong Q L, Li L, Xu K H, et al. Monitoring crop residue area in northeast of China based on sentinel-1A data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(S1):284-289.] DOI:10.6041/j.issn.1000-1298.2017.S0.043

[14]
Narayanan R M, Mielke L N, Dalton J P. Crop residue cover estimation using radar techniques[J]. Applied Engineering in Agriculture, 1992, 8(6):863-869. DOI:10.13031/2013.26125

[15]
McNairn H, Duguay C, Boisvert J, et al. Defining the sensitivity of multi-frequency and multi-polarized radar backscatter to post-harvest crop residue[J]. Canadian Journal of Remote Sensing, 2001, 27(3):247-263. DOI:10.1080/07038992.2001.10854941

[16]
Liu C A, Chen Z X, Shao Y, et al. Research advances of SAR remote sensing for agriculture applications: A review[J]. Journal of Integrative Agriculture, 2019, 18(3):506-525. DOI:10.1016/s2095-3119(18)62016-7

[17]
McNairn H, Wood D, Gwyn Q H J, et al. Mapping tillage and crop residue management practices with RADARSAT[J]. Canadian Journal of Remote Sensing, 1998, 24(1):28-35. DOI:10.1080/07038992.1998.10874688

[18]
Mattia F, Le Toan T, Picard G, et al. Multitemporal C-band radar measurements on wheat fields[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(7):1551-1560. DOI:10.1109/TGRS.2003.813531

[19]
Mandal D, Kumar V, Lopez-Sanchez J M, et al. Crop biophysical parameter retrieval from Sentinel-1 SAR data with a multi-target inversion of Water Cloud Model[J]. International Journal of Remote Sensing, 2020, 41(14):5503-5524. DOI:10.1080/01431161.2020.1734261

[20]
Qi Z X, Yeh A G O, Li X, et al. Monthly short-term detection of land development using RADARSAT-2 polarimetric SAR imagery[J]. Remote Sensing of Environment, 2015, 164:179-196. DOI:10.1016/j.rse.2015.04.018

[21]
Yang H, Yang G J, Gaulton R, et al. In-season biomass estimation of oilseed rape (Brassica napus L.) using fully polarimetric SAR imagery[J]. Precision Agriculture, 2019, 20(3):630-648. DOI:10.1007/s11119-018-9587-0

[22]
Tanase M A, Panciera R, Lowell K, et al. Airborne multi-temporal L-band polarimetric SAR data for biomass estimation in semi-arid forests[J]. Remote Sensing of Environment, 2014, 145:93-104. DOI:10.1016/j.rse.2014.01.024

[23]
McNairn H, Duguay C, Brisco B, et al. The effect of soil and crop residue characteristics on polarimetric radar response[J]. Remote Sensing of Environment, 2002, 80(2):308-320. DOI:10.1016/s0034-4257(01)00312-1

[24]
Attema E P W, Ulaby F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13(2):357-364. DOI:10.1029/rs013i002p00357

[25]
耿德源, 赵天杰, 施建成, 等. 地基雷达的微波面散射模型对比与土壤水分反演[J]. 遥感学报, 2021, 25(4):929-940.

[Geng D Y, Zhao T J, Shi J C, et al. Surface microwave scattering model evaluation and soil moisture retrieval based on ground-based radar data[J]. Journal of Remote Sensing, 2021, 25(4):929-940.] DOI:10.11834/jrs.20219305

[26]
Oh Y, Sarabandi K, Ulaby F T. An inversion algorithm for retrieving soil moisture and surface roughness from polarimetric radar observation[C]// Proceedings of IGARSS '94-1994 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 1994, 3:1582-1584. DOI:10.1109/igarss.1994.399504

[27]
Zhang Q Q, Li L, Sun R Z, et al. Retrieval of the soil salinity from sentinel-1 dual-polarized SAR data based on deep neural network regression[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19:1-5. DOI:10.1109/LG RS.2020.3041059

[28]
赵建辉, 张晨阳, 闵林, 等. 基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演[J]. 农业工程学报, 2021, 37(11):112-120.

[Zhao J H, Zhang C Y, Min L, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(11):112-120.] DOI:10.11975/j.issn.1002-6819.2021.11.013

[29]
裴浩杰, 冯海宽, 李长春, 等. 基于综合指标的冬小麦长势无人机遥感监测[J]. 农业工程学报, 2017, 33(20):74-82.

[Pei H J, Feng H K, Li C C, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20):74-82.] DOI:10.11975/j.issn.1002-6819.2017.20.010

[30]
Torres R, Snoeij P, Geudtner D, et al. GMES sentinel-1 mission[J]. Remote Sensing of Environment, 2012, 120:9-24. DOI: 10.1016/j.rse.2011.05.028

[31]
陈安旭, 李月臣. 基于Sentinel-2影像的西南山区不同生长期水稻识别[J]. 农业工程学报, 2020, 36(7):192-199.

[Chen A X, Li Y C. Rice recognition of different growth stages based on Sentinel-2 images in mountainous areas of Southwest China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(7):192-199.] DOI:10.11975/j.issn.1002-6819.2020.07.022

[32]
Panciera R, Walker J P, Jackson T J, et al. The soil moisture active passive experiments (SMAPEx): Toward soil moisture retrieval from the SMAP mission[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1):490-507. DOI:10.1109/TGRS.2013.2241774

[33]
李俐, 王荻, 王鹏新, 等. 基于色彩运算和混沌粒子群滤波的土壤粗糙度测算[J]. 农业机械学报, 2015, 46(3):158-165.

[Li L, Wang D, Wang P X, et al. Soil surface roughness measurement based on color operation and chaotic particle swarm filtering[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3):158-165.] DOI:10.6041/j.issn.1000-1298.2015.03.022

[34]
Adams J R, Berg A A, McNairn H, et al. Sensitivity of C-band SAR polarimetric variables to unvegetated agricultural fields[J]. Canadian Journal of Remote Sensing, 2013, 39(1):1-16. DOI:10.5589/m13-003

[35]
You N S, Dong J W, Huang J X, et al. The 10 m crop type maps in Northeast China during 2017-2019[J]. Scientific Data, 2021, 8(1):41. DOI:10.1038/s41597-021-00827-9

[36]
刘之榆, 刘忠, 万炜, 等. SAR与光学遥感影像的玉米秸秆覆盖度估算[J]. 遥感学报, 2021, 25(6):1308-1323.

[Liu Z Y, Liu Z, Wan W, et al. Estimation of maize residue cover on the basis of SAR and optical remote sensing image[J]. Journal of Remote Sensing, 2021, 25(6):1308-1323.] DOI:10.11834/jrs.20210053

Options
文章导航

/

〈 〉