農業遙感技術突破，利用短波紅外區分玉米和大豆

作者：陳麗君

編輯：洪月月

一直以來，人們很難從衛星影像上較好地區分玉米田和大豆田，但近日，美國科學家已經證實，利用時間序列的短波紅外衛星數據和機器學習演算法，可以有效的區分兩種作物，準確率高達95%，也因此，對作物面積的預測足足提前了幾個月。

壹

衛星告訴你：大豆是大豆，玉米是玉米

伊利諾伊州是美國有名的玉米和大豆之鄉，兩種作物的產量均居美國首位，因此，如何有效的區分兩種作物、進而估算其面積和產量，顯得尤為重要。

該項目的主要研究人員之一Kaiyu Guan說：「如果我們想要預測伊利諾伊州、甚至整個美國的玉米或大豆產量，就必須要了解它們種植在哪裡。」 Kaiyu Guan也是伊利諾斯大學自然資源與環境科學系助理教授、美國國家超級計算應用中心藍海（Blue Waters）教授。

這項研究成果在農業遙感領域可謂是一項重要突破，相關內容已經發表在遙感頂級國際期刊《環境遙感》上，文章得到了美國國家超級計算應用中心、美國航天局和國家科學基金會的支持。

此項研究前，美國農業部只能在作物收穫後的4-6個月，才會向公眾公布全國玉米和大豆種植面積數據，長時間的數據滯後導致各種相關決策只能依據陳舊的數據。如今利用新技術，不但能以95%的準確率區分出兩種作物，且獲得數據時間大幅提前，在每年的7月底，也就是在種植後2-3個月，就可以得到面積數據。這就意味著在收穫之前，就能很好的預估產量，提前安排後續工作。

研究人員表示，及時的作物面積估算，可應用於各種監測和決策制定，包括作物保險、土地租賃、供應鏈物流、商品市場等。

然而，對於Kaiyu Guan而言，這項工作的科學價值與其實用價值同樣重要。

貳

短波紅外和機器學習走入農業遙感

一組名為Landsat的衛星，已經繞地球連續運轉40年，使用多種波段電磁頻譜的感測器採集圖像。Kaiyu Guan說，以前多數是試圖使用可見光和近紅外遙感影像來區分玉米和大豆，但他和他的團隊決定嘗試一些不同的東西。

論文的第一作者在讀博士生Yaping Cai說，「我們研究發現，利用一個特殊的光譜，可以很好的鑒別玉米和大豆，這個特殊的光譜帶即為短波紅外（SWIR）。」

事實證明，在大多數年份的7月，玉米和大豆的葉片水分狀況不同。該研究小組在伊利諾斯州香檳縣進行了概念驗證，在2000-2015年共15年的時間內，使用了三顆Landsat衛星的短波紅外和其他5個光譜帶、共1322張影像數據，持續提取了葉片水分指標。

「短波紅外波段對葉片含水量更敏感，而在傳統的可見光或近紅外波段難以區分這一點，因此短波紅外可以有效的區分玉米和大豆」，Kaiyu Guan總結到。

此外，研究人員還使用了一種稱為深度神經網路的機器學習方法來分析數據。

伊利諾斯大學計算機科學系助理教授Jian Peng說：「深度學習方法剛剛開始應用於農業領域，未來這項技術在農業領域將發揮其巨大的潛力，」 Jian Peng也是這項新研究的主要研究人員和論文的共同作者。

別看香檳縣面積相對較小，但要對15年的、30米解析度的衛星數據進行分析，仍然需要超級計算機來處理這幾十個TB級的數據。

KaiyuGuan說：「我們使用了美國國家超級計算應用中心的藍海（Blue Waters）和羅傑（ROGER）超級計算機，來處理這些海量的衛星數據，並從中提取有用的信息。技術的進步讓我們實現了突破，在過去，我們無法處理如此龐大的數據量，也沒有先進的機器學習演算法，但如今有了超級計算機和機器學習，我們處理數據的能力大大提升了。」

該小組正在努力將研究區域擴大到整個玉米帶，並探索數據的進一步應用，例如產量估算和作物質量預估等。

註：該項研究論文發表在《環境遙感》（《Remote Sensing of Environment》）期刊上，標題為《利用時間序列的陸地衛星數據和機器學習方法，建立了一個高性能的、應時的區域級作物類型分類系統》，原英文標題為《A high-performance and in-season classificationsystem of field-level crop types using time-series Landsat data and a machinelearning approach》。

掃碼進入大會官網

精讀

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！