基于Sentinel-2卫星影像的江苏中部水稻品质预测开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

1.课题的意义

籽粒蛋白质及淀粉含量作为衡量稻麦品质的重要指标，决定了粮食的贮藏能力、加工特性和食用品质^[1-2]。传统的籽粒品质监测方法以实验室化学分析为主，该方法于作物种子开始形成或成熟后，对籽粒或者其粉末进行生化测定，但此方法需要进行破坏性的多点采样，费时、费工，成本高^[3]。近红外光谱分析方法相对较快捷，但取样方式为点状取样，取样点十分有限，取样是否有代表性将影响对整个地块作物品质的评判^[4-5]。由于成本、劳动强度、时间、代表性等外界因素的限制，利用传统方法难以对大面积作物品质进行监测，无法在生产过程中对品质形成实施有效预测和预报。

遥感技术具有快速、大面积、实时、无损监测等特点，该技术已成为作物生产中信息获取的重要手段，其通过作物冠层的光谱反射率特性，反演作物叶面积指数、叶绿素及氮素含量等多个农学参数^[6-8]。鉴于遥感技术的上述特点，应用遥感技术对作物品质关键形成期的粒蛋白质及淀粉含量进行快速、无损、大规模监测与预报成为可能。

相对于地面遥感和航空遥感，卫星遥感具有数据成本低且获取相对稳定的优点，更利于区域尺度作物品质监测。为满足不同研究领域的需求，不同空间分辨率和光谱分辨率的传感器得到丰富，其中欧洲航天局的Sentinel-2卫星具有较高的时间分辨率和光谱分辨率，其搭载高分辨率多光谱成像仪(MSI)具有13个光谱波段，可以为全球土地及植被研究提供一个新的视角。由于其空间分辨率高、多光谱成像能力强、幅宽(290 km)大以及重访周期短等特点，该影像数据为农业信息服务提供了可靠保障^[9]。此外，该卫星是常见卫星中唯一在红边范围含有三个波段的数据，能极大的提高卫星遥感的反演精度。充分发掘Sentinel-2影像在农作物品质监测的应用，发挥高空间分辨率和红边波段对作物监测的优势。

已有作物品质遥感监测的研究多以统计经验模型方法为主，往往缺乏深入的机理性解释，在时空扩展应用中常缺乏稳定性，更难以真正反映品质形成过程中的累积效应^[6-7]。现阶段作物监测通常采用植被指数法、一元回归、多元回归方法或作物的红边参数来进行作物冠层光谱分析，从而进行蛋白质等含量的预测。然而实际生产中，决定作物品质的因素是复杂的。一方面多种生化组分对品质的形成产生影响，组分间相互作用复杂，另一方面决定作物品质的遗传特性和环境作用的复杂性。

机器学习作为植被遥感研究的重要手段，用于挖掘近红外光谱与生物组分之间的复杂关系，不仅提高监测精度，还保证了光谱信息的充分利用。机器学习和日趋成熟的人工智能等数据分析技术的发展，促使我们找到植物长势与光谱信息的关系。而高斯过程(Gaussian Process)方法是近年来在高斯随机过程与贝叶斯学习理论的基础上发展起来的一种机器学习方法^[10]，充分体现了高斯过程方法在生物量小的植被群体的独特优势，该方法在光谱反演结果上有着更优的表现。在叶面积指数、叶绿素含量等生物参数的反演和地物分类上，证实了高斯过程回归的优越性，并较好地应用于航空遥感图像和Sentinel-2卫星影像^[11-15]。相较于传统指数方法和其他机器学习法，其获得的反演精度较高，且不易受到土壤背景的干扰。此外，高斯过程模型不但可以得出预测值，而且伴随有预测值的置信度，可以为研究的一致性提供评估，这是高斯过程回归方法的独特优势所在。

2.国内外研究概况

根据遥感平台的不同，将已有作物品质研究分为近地面和卫星两个层次，本研究中主要探讨基于卫星遥感的作物品质预测。

地面植被遥感指使用一定传感器（如便携式光谱辐射仪）直接接触或近距离测量作物器官，该方式因其成本低、精度高、方便灵活、数据量大的特点，对研究作物生物量及生理指标与光谱表现的相关性等科学问题提供了重要支持。研究表明，植被的光谱反射或发射特性是由其组织结构、生物化学成分和形态学特征决定的，而这些特征与植被的发育、健康状况以及生长环境等密切相关^[3,12]。前人进行了大量关于作物在不同生育期、不同氮肥处理及水分胁迫下^[7,16-19]的遥感研究，建立了作物品质形成因素与光谱数据特征的相关关系，并提取重要参数建立预测模型。

已有的水稻品质遥感研究表明，不同类型水稻品种、同一品种不同生育时期的叶片，氮积累量和冠层反射光谱的相关关系均有明显的差异；叶片全氮能够很好地监测稻麦籽粒蛋白质与面筋含量，而叶片氮含量与冠层光谱间有较好的定量关系，因此可以通过冠层光谱间接地监测籽粒蛋白质含量^[16-17]。薛利红等^[18] 通过研究发现成熟期冠层反射光谱指数与稻谷加工品质呈显著负相关,与稻米加工品质也呈极显著负相关。因此, 成熟期冠层反射光谱可以准确地预测水稻加工品质。谢晓金等^[19]研究发现高温胁迫下水稻籽粒的粗蛋白和直链淀粉含量，与常温条件相比均达到显著或极显著水平，开花期冠层光谱参数对籽粒粗蛋白和直链淀粉含量的预测均优于灌浆期和蜡熟期。

红边(Red edge)是由于植被在红光波段叶绿素强烈的吸收，与近红外波段光在叶片内部的多次散射而形成的反射率急剧上升，形成的陡而近于直线的斜边。反射光谱曲线中的这种特殊形态为植物所特有,国内外学者对此一直给予高度的关注,并称其为“红边”^[8]。Filella等^[20]分别利用红边参数对作物的养分亏缺,逆境胁迫等进行了研究。王秀珍等^[21-22]研究了不同氮素营养水平下,水稻冠层光谱红边参数与叶绿素含量、纤维素和叶鞘淀粉含量之间的相关关系。

通过前人研究可见红边对作物长势监测具有重要的意义，德国AG公司的RapidEye卫星，美国DG公司的Worldview-2卫星，欧洲航天局的Sentinel-2卫星，都包含红边波段传感器，为红边波段作物遥感监测提供了数据保障。其中Sentinel-2影像是常见卫星中唯一在红边范围含有三个波段的数据^[23]，在红边区域中纳入的两个新光谱波段特别适用于估计冠层叶绿素和氮含量，能极大的提高卫星遥感的反演精度，该数据对区域模型的适应性也更好^[24]。Clevers等^[25]重点研究了哨兵-2在估计作物总量、叶绿素和氮含量方面的潜力。郑阳等^[26]利用S2卫星影像提取植被指数，结合同期估算最优模型，，明显提高了小麦产量的反演精度。Cindy等^[27]研究了小麦冠层含氮量与从哨兵-2 中提取的叶绿素含量之间的高度相关性，该研究强调了哨兵-2在叶层生物信息反演上的潜力。Chemura^[28]等通过建立植被指数与咖啡叶片氮含量多个关系模型，评估了S2影像及植被指数在咖啡叶面氮含量的经验估计中的价值。Clevers等^[29]通过对多个试验地点数据的研究,评价了Sentinel-2在估计冠状叶绿素和氮含量方面的潜力，特别是冠层叶绿素和氮含量与哨兵-2光谱数据建立关系，很好地推导出这一指数，这些结果强调了Sentinel-2红边波段在农业应用中的重要性。

在遥感应用领域，植被指数已广泛用来定性和定量评价作物的特定组分。薛利红等^[17]利用地面光谱辐射仪获得水稻冠层光谱数据，然后计算比值植被指数RVI和归一化植被指数NDVI。所有两波段比值和归一化组合与籽粒蛋白质含量的相关分析表明：除了灌浆盛期和成熟期相关不显著外，其余生育时期的相关性均较显著。Magney等^[30]运用地面光谱数据反演每日的NDVI，并把它与实际物候期相结合,对每一个时期的小麦籽粒蛋白含量做相关分析，得出反演效果最好的物候期。

多元回归统计分析是作物产量结构分析的重要方法,它有助于从众多的产量构成因素中找出主要因素并明确其与产量之间的数量关系。唐延林等^[16]用多元回归方法建立光谱数据或其衍生的植被指数与水稻农学参数间的关系，估算出稻穗的粗蛋白含量。王纪华等^[5]多元回归方法或作物的红边参数来进行作物冠层光谱分析从而进行蛋白质等含量的预测。由于植被的光谱受到植被本身、背景环境及大气空间—时相变化等一系列环境因素的影响，植被指数构建的模型不具有普适性，因研究区域、研究作物的差异，产生不同的反演结果^[31]。

机器学习技术的发展，为农业资源环境信息反演、提取与应用提供了新的思路。冯爱明等^[10]利用本文将高斯回归统计方法作为新的化学计量学手段,使用80个玉米样本挖掘近红外光谱与被测物组分之间的复杂关系。于丰华^[11]利用GPR对水稻生物量和叶绿素含量进行了反演，并对比分析了遗传神经网络、随机森林、核岭回归，研究表明高斯过程回归更适于生物量较小的作物大田尺度的信息反演。Verrelst J等^[12-13]通过比较多个较新的参数方法和非参数方法的反演精度和适应性，定量化分析非参数方法的前景和优势；还利用Sentinel-2影像结合西班牙巴拉克斯农场数据，估算农场植被的叶绿素含量 (LCC) 和叶面积指数 (LAI)，通过引入高斯过程模型，降低了反演结果的不确定性^[14]。研究在叶面积指数，叶绿素含量等生物参数的反演和地物分类上证实了高斯过程回归的优越性，并较好的应用于与航空尺度的遥感图像和Sentinel-2的星载卫星影像。相较于传统指数方法和其他机器学习法，获得的反演结果明显优于传统方法，且不易受到土壤背景的干扰。

表1.主要作物的品质遥感预测研究

3.应用前景

农业遥感技术具有快速、大面积、实时、无损监测等特点，该技术已成为现代农业技术发展的重要组成。该技术通过获取作物冠层的光谱反射特性对各类农学参数进行研究。国际上遥感定量化研究发展迅速，传感器的感知能力不断提高，且各类遥感平台能够满足各种研究需求。

当前美国、欧盟已有一系列较为成熟的对地观测卫星，且影像资料可以免费获取。随着中国的航天事业的不断发展，不同时间分辨率的卫星及各种规格的星载传感器对地球进行全天候观测，为作物品质遥感监测提供更为有效的数据源保障。此外，作物冠层光谱的反演方法从光谱分析，到植被指数、线性回归和作物模型，再到现在有着更深层数据挖掘能力的机器学习方法，不断更新，其稳定性和适应性不断提高，为遥感数据的充分应用提供坚实的基础。

遥感技术的快速发展，实现对作物品质的监测和预测，对于稳定粮食安全，提高粮食品质有着重要的作用。卫星遥感技术进行区域尺度的大范围监测，能为水稻规划决策和生产管理提供有力的依据，并增强我国优质水稻的市场竞争力，推动发展优质高效的现代化农业。

参考文献

[1] 何秀英, 廖耀平, 程永盛, et al. 水稻品质研究进展与展望[J]. 广东农业科学, 2009(1):11-16.

[2] 陈庆川. 稻米加工特性研究与品质评价技术[D]. 中南林业科技大学, 2012.

[3] 周丽慧, 刘巧泉, 张昌泉, et al. 2种方法测定稻米蛋白质含量及其相关性分析[J]. 扬州大学学报（农业与生命科学版）, 2009, 30(1):000068-72.

[4] 陈锋, 何中虎, 崔党群, et al. 利用近红外透射光谱技术测定小麦品质性状的研究[J]. 麦类作物学报, 2003, 23(3):1-4.

[5]王纯阳. 基于近红外光谱的单籽粒水稻种子品质检测的方法研究[D]. 2017.

[6] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报, 2014, 45(12):277-293.

[7] 王纪华, 李存军, 刘良云, et al. 作物品质遥感监测预报研究进展[J]. 中国农业科学, 2008, 41(9):2633-2640.

[8] 黄文江,赵春江,王纪华,王锦地,马智宏.红边参数在作物营养诊断和品质预报上的应用[J].农业工程学报, 2004, (06):1-5.

[9]岳桢干. 欧洲Sentinel-2A卫星即将大显身手——“哥白尼”对地观测计划简介(上)[J].红外,2015, 36(08):34-48.

[10] Calandra R , Peters J , Rasmussen C E , et al.Manifold Gaussian Processes for Regression[C]// International Joint Conferenceon Neural Networks. IEEE, 2016.

[11] 冯爱明, 方利民, 林敏. 近红外光谱分析中的高斯过程回归方法[J]. 光谱学与光谱分析, 2011, 31(6).

[12] 于丰华. 基于无人机高光谱遥感的东北粳稻生长信息反演建模研究[D]. 沈阳农业大学, 2017.

[13] Verrelst J , Alonso L , Camps-Valls G , et al.Retrieval of Vegetation Biophysical Parameters Using Gaussian ProcessTechniques[J]. IEEE Transactions on Geoscience and Remote Sensing,2012, 50(5):1832-1843.

[14] Verrelst J, Alonso L, Caicedo J P R, et al.Gaussian Process Retrieval of Chlorophyll Content From Imaging SpectroscopyData[J]. IEEE Journal of Selected Topics in Applied Earth Observations RemoteSensing, 2013, 6(2):867-874.

[15] Verrelst J , Rivera J P , Moreno, José, et al.Gaussian processes uncertainty estimates in experimental Sentinel-2 LAI andleaf chlorophyll content retrieval[J]. Isprs Journal of Photogrammetry Remote Sensing, 2013, 86(3):157-167.

[16] 唐延林, 黄敬峰, 王人潮. 利用高光谱法估测稻穗稻谷的粗蛋白质和粗淀粉含量[J]. 中国农业科学, 2004, 37(9):1282.

[17]周冬琴, 田永超, 姚霞, et al. 水稻叶片全氮浓度与冠层反射光谱的定量关系[J]. 应用生态学报, 2008, 19(2):337-344.

[18]薛利红, 曹卫星, 李映雪, et al. 水稻冠层反射光谱特征与籽粒品质指标的相关性研究[J]. 中国水稻科学, 2004, 18(5):431-436.

[19]谢晓金，李秉柏，朱红霞. 利用高光谱数据估测不同温度胁迫下的水稻籽粒中粗蛋白和直链淀粉含量[J]. 农业现代化研究, 2012, (04): 481-484.

[20] Filella I , Penuelas J . The red edge position andshape as indicators of plant chlorophyll content, biomass and hydric status[J].International Journal of Remote Sensing, 1994, 15(7):1459-1470.

[21] 王秀珍，王人潮，李云梅, et al. 不同氮素营养水平的水稻冠层光谱红边参数及其应用研究[ J].浙江大学学报(农业与生命科学版) , 2001, 27(3): 301- 306.

[22] 王秀珍,黄敬峰,李云梅, et al. 水稻生物化学参数与高光谱遥感特征参数的相关分析[ J]. 农业工程学报, 2003, 19(2): 144- 148.

[23] 陈旭, 郝震寰. 哨兵卫星Sentinel-2A数据特性及应用潜力分析[J]. 科技视界, 2018(16).

[24]Sderstrm, Mats, Piikki K , Stenberg M , et al. Producing nitrogen (N)uptake maps in winter wheat by combining proximal crop measurements withSentinel-2 and DMC satellite images in a decision support system forfarmers[J]. Acta Agriculturae Scandinavica, Section B - Soil Plant Science,2017.

[25] Clevers, J. G P W , Gitelson, et al. Remoteestimation of crop and grass chlorophyll and nitrogen content using red-edgebands on Sentinel-2 and -3[J]. International Journal of Applied EarthObservation Geoinformation, 2013, 23(8):344-351.

[26] 郑阳, 吴炳方, 张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报, 2016, 21(2):318-328.

[27] Cindy Delloyea,，Marie Weissb，Pierre Defourny, et al.Retrieval of the canopy chlorophyll content from Sentinel-2 spectral bands toestimate nitrogen uptake in intensive winter wheat cropping systems [J]. RemoteSensing of Environment, 2018, 216(2018):245-261.

[28]Chemura A , Mutanga O , Odindi J , et al. Mapping spatial variability offoliar nitrogen in coffee ( Coffea arabica, L.) plantations with multispectralSentinel-2 MSI data [J]. Journal of Photogrammetry and Remote Sensing, 2018,138:1-11.

[29]Clevers J G P W, Gitelson A A . Using the Red-Edge Bands on Sentinel-2 for Retrieving CanopyChlorophyll and Nitrogen Content[C]// 2012.

[30]Magney T S , Eitel J U H, Huggins D R , et al. Proximal NDVI derived phenology improves in-seasonpredictions of wheat quantity and quality[J]. Agricultural ForestMeteorology, 2016, 217:46-60.

[31] 潘霞,高永,汪季,任昱,候亚东,刘湘杰.植被指数遥感演化研究进展[J].北方园艺,2018, (20):162-169.

2. 研究的基本内容和问题

1. 研究目标：

本研究基于sentinel-2影像提取水稻不同生育期冠层反射率,定量反演大面积水稻籽粒蛋白质及淀粉含量，并应用高斯回归模型分析水稻冠层光谱与水稻籽粒品质的关系，进一步明确与水稻籽粒品质相关的重要波段及植被指数，从而建立稳健的品质监测模型。

2. 研究内容：

3. 研究的方法与方案

1.研究方法

本研究以江苏省兴化市作为研究区（图1），在水稻成熟期随机选取30个30×30 m的样地进行采样，每个样地以50×50cm²的样方随机取2次，并在室内脱壳、粉碎后对米粉进行化学分析得到水稻蛋白质和淀粉含量。

本研究主要应用欧空局（https://scihub.copernicus.eu/dhus/#/home）免费提供的sentinel-2 msi多生育期影像，并应用snap自带的sen2cor软件对影像进行大气校正，得到水稻不同生育期的冠层光谱。

4. 研究创新点

1. 本研究所采用的卫星影像来自于欧洲航天局的Sentinel-2卫星，该卫星是常见卫星中唯一在红边范围含有三个波段的数据，能极大的提高卫星遥感的反演精度。

2. 本研究重点分析高斯过程回归在水稻品质预测上的特性。它是近年来在高斯随机过程与贝叶斯学习理论的基础上发展起来的一种机器学习方法，其反演过程不需要建立中间变量来衡量水稻品质与光谱数据的关系，可以直接建立光谱数据与水稻籽粒品质的关系，并能够展示预测过程中不同波段贡献度大小，为评估研究的一致性提供重要尺度。

5. 研究计划与进展

本研究将于2018年10月开始，2019年5月完成。

（1）2018.10：利用兴化市卫星影像将兴化市植被ndvi值划分梯度，选出30个水稻取样点。取样工具整理准备及交通和取样路线确定。对采样点稻穗采样，每个采样点选取50×50 cm的样方，每个采样点随机选取2次。

（2）2018.11-2018.12：下载整理以水稻抽穗期为始期的、水稻成熟期为末期的sentinel-2时间序列影像，并进行大气校正等预处理工作；相关文献查阅，资料整理。