【《秸秆覆盖遥感估算方法研究文献综述》4500字】

图12，但是等值线的确定受秸秆的衰老程度影响比较大。于是，他们提出CRIM(cropresidueindexmultiband)多光谱波段作物秸秆指数，并利用LandsatTM影像的Band2、Band3、Band4和Band5进行了提取实验，使用该方法的前提条件是能够准确、清晰的定义土壤线和秸秆线，但秸秆线的确定受秸秆衰老程度影响较大，情况比较复杂，难以统一确定（Biard&Baret，1997）。Daughtry等人对如何利用荧光和高光谱影像区分土壤和作物秸秆进行了探索，他们的结论是：荧光技术比反射率手段更适合于从土壤中区分作物秸秆，但荧光必须在有足够的激发能量诱导荧光的情况下才能使用，其应用推广受到限制（Daughtryetal.,1996）；作物秸秆在2.1µm附近存在强吸收波谷，利用这一特征可以对土壤和作物秸秆进行区分（Daughtry,2001）。Bocco等利用神经网络和作物秸秆指数两种方法提取了玉米和大豆的秸秆信息（Boccoetal.,2014）。Sharma等以Landsat-7ETM+和Landsat-8OLI卫星影像为数据源，通过构建NDTI(normalizeddifferencetillageindex)归一化差值耕作指数、NDI7(normalizeddifferenceindex7)归一化差值指数7、NDI5(normalizeddifferenceindex5)归一化差值指数5、NDSVI(normalizeddifferencesenescentvegetativeindex)归一化差值衰老植被指数、ModCRC(modifiedCRC)修正的作物秸秆覆盖指数和STI(simpletillageindex)简单耕作指数共6种指数，提取内布拉斯加州中南部八个县域范围内的玉米和大豆秸秆覆盖度（Sharmaetal.,2016）。图STYLEREF1\s1SEQ图\*ARABIC\s12二维特征空间中CRIM指数构建原理注：点S是点M在土壤线尚的投影点，点R是延长SM线段在秸秆线上的投影点，点I是土壤线和秸秆线之间的截距。近几年来，国内也开始利用遥感影像估算秸秆覆盖度的研究。张淼等以国产HJ-1B卫星影像为数据源，构建CCD归一化指数（normalizeddifferenceindex，NDICCD）、IRS归一化指数（NDIIRS）以及NDSVI归一化差值衰老植被指数共三种光谱指数，估算了山东省禹城市冬小麦秸秆覆盖度（张淼等，2011）。Jin等以Landsat-8OLI卫星影像为数据源，构建NDTI、STI、NDTI7和短波红波段归一化差异指数，提取了长春和绥化之间一块区域内的玉米秸秆覆盖度（Jinetal.,2015）。李志婷等利用小麦秸秆光谱反射率实测数据，构建基于NDI光谱指数的FVC估算模型，提取小麦秸秆覆盖度（李志婷等，2016）。黄晋宇等以Sentinel-2A卫星影像为数据源，选取NDTI、NDR、STI和NDI7共4种光谱遥感指数，建立了基于NDTI的玉米秸秆覆盖度土壤分区估算模型，估算了吉林省梨树县的玉米秸秆覆盖度（黄晋宇等，2019）。目前常用的光谱指数包括归一化差值秸秆指数NDRI、归一化差值耕作指数NDTI、作物秸秆覆盖指数CRCI、纤维素吸收指数CAI、木质素-纤维素吸收深度LCD、木质素-纤维素吸收面积LCA等（Serbinetal.,2013;Daughtryetal.,2005;Guerschmanetal.,2009;Qietal.,2002;Najafietal.,2019）。基于光谱指数估算作物秸秆覆盖度的方法简单、易用，具有一定的物理机理，有利于区分土壤与秸秆，但大多数光谱指数受秸秆含水量差异影响较大，也无法区分背景土壤中因矿物质含量和有机碳含量的不同，而且秸秆光谱指数也存在指数饱和现象。（2）线性光谱分解法线性光谱分解法建立在影像反射率是目标端元光谱特征线性组合假设的基础上，认为混合像元遥感信息是由像元内由作物秸秆部分贡献的信息和裸土部分贡献的信息两部分各组分信息线性合成组成。郑国雄等（2016）和姬翠翠等（2016）分别比较分析了线性光谱混合模型和非线性光谱混合模型两种模型估算非光合植被覆盖度的精度，研究结果表明线性光谱混合模型可以很好的估算沙地和白刺灌丛的非光合植被覆盖度，但非线性光谱混合模型实现比较困难且分解精度与线性光谱混合模型差不多，所以，目前使用较多的还是线性光谱混合模型模型（王光镇，2018）。在利用像元二分模型进行线性光谱分解的基础上，Guerschman等提出将非光合植被作为一种组分纳入混合像元的范畴，选取NDVI指数表征光合植被，选取CAI秸秆指数表征非光合植被，构建了像元三分模型，从而进行澳大利亚稀疏草原非光合植被覆盖度估算（Guerschmanetal.,2009）。李涛等（2015）利用基于归一化差值植被指数、吸收深度为纤维素吸收指数的像元三分模型估算对锡林郭勒草原的非光合植被覆盖度进行了估算，取得了较好的模拟结果；通过比较不同端元选择方法，最小包含端元特征法进行端元提取表现最优,非光合植被覆盖度的估算误差，为5.90，估算精度EA为67.91%(样本数N=52)。Yue等（2020）考虑农田生态系统中秸秆含水量和土壤含水量的影响，构建了BAI指数对像元三分模型进行改进，从而提高冬小麦、玉米和水稻的秸秆覆盖度的估算精度。对于线性光谱分解法来说，端元选取方法的不同会对秸秆覆盖度遥感估算精度产生一定影响，受限于端元的类型、数量和来源途径的不确定性，该方法的稳定性较差。此外，受卫星传感器光谱和空间分辨率的限制，且非光合植被的存在形态、含水量等空间变异性大、光谱混合情况较为复杂，导致与植被覆盖度相比，利用线性光谱分解模型对混合像元分解估算非光合植被的精度较低。（3）遥感分类方法遥感分类方法主要包括遥感监督分类方法和基于机器学习的分类方法。所使用的方法多是利用遥感分类方法识别出影像的秸秆像素，通过计算一定区域范围内或一定空间分辨率的秸秆像素百分比估算作物秸秆覆盖度，当仅需要进行秸秆覆盖程度的等级而不需获取连续的秸秆覆盖度时，可以直接进行覆盖度分级。遥感监督分类方法多采用人工神经网络、支持向量机、随机森林、分类树等分类器，从遥感影像上提取出免耕与传统耕作用地。Bricklemyer等（2006）基于ETM+影像数据，利用分类树和boosted分类数2种分类器对免耕与传统耕作用地进行了分类提取，取得了满意的分类结果（整体分类精度分别为：87%和89%)。Watts等(2011)分别基于多时相的TM、ETM+影像数据和多时相的MODIS影像数据，利用随机森林分类方法对免耕、保护性耕作中的轻微耕作用地进行识别，实现了这两类用地的有效区分。Sudheer等(2010)、Samui等(2012)基于TM影像分别采用人工神经网络分类器、支持向量机分类器，对保护性耕作与传统耕作用地开展区分实验，均发现利用TM影像波段或者波段组成的光谱指数可以很好的区分这两类用地。基于机器学习的秸秆覆盖度估算方法，目前多是以无人机影像、相机或摄像头拍摄的图片为数据源开展，所使用的方法多是利用机器学习方法识别出无人机影像或者相机照片上的秸秆像素，通过计算一定区域范围内或一定空间分辨率的秸秆像素百分比估算作物秸秆覆盖度。Ding等（2020）基于无人机影像，利用SVM监督分类法识别出土壤、作物秸秆、秸秆阴影和焚烧区域；基于Sentinel-2卫星影像，构建NDTI、NDRI等10种秸秆光谱指数，利用GLCM灰度共生矩阵计算影像的纹理特征，然后综合使用光谱指数特征、纹理特征、波段反射率，利用5种机器学习方法，估算吉林省长春市一块区域内的玉米秸秆覆盖度。Yue等（2020）也是基于无人机影像提取秸秆像素计算覆盖度后，利用机器学习方法与地面测量覆盖度数据建立相关关系从而估算作物秸秆覆盖度。Zhou等（2020）利用基于ResNet18改进的U-Net深度学习方法识别出秸秆覆盖像素进而计算秸秆覆盖度；李佳等（2019）结合使用快速傅里叶变换和SVM支持向量机算法，对通过摄像头获取的玉米秸秆覆盖图像进行分类识别，进而计算玉米秸秆覆盖度。总的来说，目前利用机器学习方法估算秸秆覆盖度的多是以无人机影像、相机或摄像头拍摄的图片为数据源，以与地面调查的秸秆覆盖度数据的相关性为依据进行作物秸秆覆盖度估算，估算范围比较受限制，难以在大区域范围内开展。参考文献AnatolyAG,YoramJK,RobertS,etal.Novelalgorithmsforremoteestimationofvegetationfraction[J].RemoteSensingofEnvironment,2002,80(1):76-87.AsnerG.P.Biophysicalandbiochemicalsourcesofvariabilityincanopyreflectance[J].RemoteSensingofEnvironment,1998,64:234-253.BannariA,StaenzK,ChampagneCetal.2015.SpatialvariabilitymappingofcropresidueusingHyperion(EO-1)hyperspectraldata[J].RemoteSensing,2015,7(6):8107-8127.BaretF,HagolleO,GeigerB,etal.LAI,fAPARandfCoverCYCLOPESglobalproductsderivedfromVEGETATION:Part1:Principlesofthealgorithm[J].Remotesensingofenvironment,2007,110(3):275-286.BaretF,PavageauK,BéalD,etal.AlgorithmTheoreticalBasisDocumentforMERISTopofAtmosphereLandProducts(TOAVEG)[R].ESA,2006．BaretF,WeissM,LacazeR,etal.GEOV1:LAIandFAPARessentialclimatevariablesandFCOVERglobaltimeseriescapitalizingoverexistingproducts.Part1:Principlesofdevelopmentandproduction[J].RemoteSensingofEnvironment,2013,137:299-309.Baret,F.,Hagolle,O.,Geiger,B.,Bicheron,P.,Miras,B.,Huc,M.,Berthelot,B.,Niño,F.,Weiss,M.,Samain,O.,Roujean,J.L.,Leroy,M.LAI,fAPARandfCoverCYCLOPESglobalproductsderivedfromVegetation.Part1:Principlesofthealgorithm[J].RemoteSensingofEnvironment,2007,110(3):275-286.BescansaP,ImazMJ,VirtoI,etal.SoilwaterretentionasaffectedbytillageandresiduemanagementinsemiaridSpain[J].Soil&TillageResearch,2006,87(1):19-27.BiardF.,BaretF.Cropresidueestimationusingmultibandreflectance.RemoteSensingofEnvironment.1997,59,530-536.BoccoM,SayagoS,WillingtonE.NeuralnetworkandcropresidueindexmultibandmodelsforestimatingcropresiduecoverfromLandsatTMandETM+images[J].InternationalJournalofRemoteSensing,2014,35(9-10):3651-3663.BricklemyerRS,LawrenceRL,MillerPR,BanogtokhN.PredictingtillagepracticesandagriculturalsoildisturbanceinnorthcentralMontanawithLandsatimagery[J]AgricultureEcosystems&Environment,2006,114(2-4):210-216.DaughtryCST,HuntJrER,McmurtreyIIIJE.Assessingcropresiduecoverusingshortwaveinfraredreflectance[J].RemoteSensingofEnvironment,2004,90(1):126-134.DaughtryCST,McMurtreyJE,ChappelleEW.Measuringcropresiduecoverusingremotesensingtechniques[J].TheoreticalandAppliedClimatology,1996,54:17-26.DaughtryCST.Discriminatingcropresiduesfromsoilbyshortwaveinfraredreflectance[J].AgronomyJournal,2001.93:125-131.DingY.,ZhangH.,WangZ.,XieQ.,WangY.,LiuL.,WangY.Q.,LiuL.,HallC.C.AcomparisonofestimatingcropresiduecoverfromSentinel-2datausingempiricalregressionsandmachinelearningmethods[J].

RemoteSensing,

2020,12(9),1470.DuncanJ,StowD,FranklinJ,etal.AssessingtherelationshipbetweenspectralvegetationindicesandshrubcoverintheJornadaBasin,NewMexico[J].InternationalJournalofRemoteSensing,1993,14(18):3395-3416.DymondJR,StephensPR,NewsomePF,etal.PercentagevegetationcoverofadegradingrangelandfromSPOT[J].InternationalJournalofRemoteSensing,1992,13(11):1999-2007.EastwoodJA,YatesMG,ThomsonAG,etal.Thereliabilityofvegetationindicesformonitoringsaltmarshvegetationcover[J].InternationalJournalofRemoteSensing,1997,18(18):3901-3907.FazakasZ,NilssonM.VolumeandforestcoverestimationoversouthernSwedenusingAVHRRdatacalibratedwithTMdata[J].InternationalJournalofRemoteSensing,1996,17(9):1701-1709.García-HaroFJ,Camacho-deCocaF,MirallesJM.Inter-comparisonofSEVIRI/MSGandMERIS/ENVISATbiophysicalproductsoverEuropeandAfr