发布日期：2023-09-08
最新发表：基于植被指数时间序列的物候监测新方法 ——物候期分离的形状模型匹配算法
最新发表：基于植被指数时间序列的物候监测新方法 ——物候期分离的形状模型匹配算法
发布日期：2022-05-21 12:16
浏览次数：997
【研究背景】
作物物候是作物生长管理和产量估计至关重要的信息。当下流行的形状模型拟合（Shape Model Fitting, SMF）方法，是基于植被指数时间序列的监测作物物候的有效方法，被广泛的引用到各种作物物候检测中。但是，SMF方法具有以下两个限制。
首先，SMF假设同一作物类型的像素的物候期的"相对位置"相同，该假设可以被以下公式表示：
换言之，在SMF方法中，监测出的目标像素的各物候阶段(pei-pej)与参考曲线的物候阶段(poi-poj)成正比。且该正比系数对于同一目标像素一致。在该公式下，很容易有以下推论：
这意味着，对于全图来说，各像素的各物候阶段之间的比例关系为定值（比如，返青期到播种期的时间比上返青期到成熟期的时间为定值），该值由参考曲线的物候期所决定。然而，这些条件在实际的作物物候中很难被满足。如果假设这种物候阶段同步变化的存在，就不可能研究多个物候阶段之间的关系。
其次，SMF还隐含着不同物候期之间的方差呈现二次函数的关系的假设，以下公式所表示：
这一假设意味着SMF方法在评估多个物候期的空间趋势和时间趋势时，经常会出现时空趋势的错误估计。
【Shape Model Fitting Separate, SMFS方法的大致原理】
SMFS方法提出以单个物候期为中心进行参考曲线的平移和拉伸的算法。该算法使用一个修改过的拟合函数，经过迭代程序，在自适应局部窗口中，将参考曲线与目标曲线时间序列的每个物候阶段相匹配。新算法克服了上述两个问题，因此在估计时间趋势和物候的空间趋势中，相对于原始方法，展现出了较大优势。
【实验结果】
论文重要通过模拟实验和华北平原的冬小麦物候监测实验，来对比新老算法。在模拟实验中，在不同大小的噪声影响下，SMFS方法均显示出了相对于SMF方法的优势。在涉及华北平原冬小麦田间观测的遥感物候监测结果比较中，与SMF（RMSE=13.4 d）相比，SMFS的九个物候期的平均RMSE值（RMSE=9.5 d）更小。此外，SMF-S更好地描述了华北平原物候的空间变化（即方差），并抓住了多个物候阶段的时间变化。在得出的华北平原冬小麦区域物候制图中，SMF-S监测出的空间物候变化更加合理，而SMF方法则低估了（高估了）早（晚）物候阶段的差异。我们期望用SMFS获得的改进的作物物候估计可以使各种农业活动受益。
图1 SMF方法与SMFS方法的散点图比较。(a)SMF方法，(b)SMFS方法。
图2 SMF方法和SMFS方法在时间趋势上的对比。SMF方法的约束使得其在早期物候阶段出现了甚至于是负相关的现象。
图3 SMF方法和SMFS方法在空间趋势（各物候期的空间标准差）上的对比。SMF方法各物候期的标准差几乎呈现一种线性的模式，与田间观测不符。
图4 SMFS方法和传统的SMF方法在物候期空间制图上的对比。（a, b）出苗期（EMG）、（c, d）返青期（GUD）和（e, f）成熟期（MD）。
图5 (a) SMF和SMF-S方法之间的物候学估计差异的直方图。(b, c) 柱状图两端像素的平均EVI时间序列。EVI曲线上的彩色点反映了两个方法的平均的物候估计。
【论文信息】
该论文已发表于 Remote Sensing of Environment
参考链接: Liu, L., Cao, R., Chen, J., Shen, M., Wang, S., Zhou, J., He, B., 2022. Detecting crop phenology from vegetation index time-series data by improved shape model fitting in each phenological stage. Remote Sensing of Environment. Volume 277, 2022, 113060, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2022.113060.
论文全文链接: https://www.sciencedirect.com/science/article/pii/S0034425722001742
论文代码与演示数据: https://github.com/LicongLiu/SMF_S_Release
作物物候是作物生长管理和产量估计至关重要的信息。当下流行的形状模型拟合（Shape Model Fitting, SMF）方法，是基于植被指数时间序列的监测作物物候的有效方法，被广泛的引用到各种作物物候检测中。但是，SMF方法具有以下两个限制。
首先，SMF假设同一作物类型的像素的物候期的"相对位置"相同，该假设可以被以下公式表示：
换言之，在SMF方法中，监测出的目标像素的各物候阶段(pei-pej)与参考曲线的物候阶段(poi-poj)成正比。且该正比系数对于同一目标像素一致。在该公式下，很容易有以下推论：
这意味着，对于全图来说，各像素的各物候阶段之间的比例关系为定值（比如，返青期到播种期的时间比上返青期到成熟期的时间为定值），该值由参考曲线的物候期所决定。然而，这些条件在实际的作物物候中很难被满足。如果假设这种物候阶段同步变化的存在，就不可能研究多个物候阶段之间的关系。
其次，SMF还隐含着不同物候期之间的方差呈现二次函数的关系的假设，以下公式所表示：
这一假设意味着SMF方法在评估多个物候期的空间趋势和时间趋势时，经常会出现时空趋势的错误估计。
【Shape Model Fitting Separate, SMFS方法的大致原理】
SMFS方法提出以单个物候期为中心进行参考曲线的平移和拉伸的算法。该算法使用一个修改过的拟合函数，经过迭代程序，在自适应局部窗口中，将参考曲线与目标曲线时间序列的每个物候阶段相匹配。新算法克服了上述两个问题，因此在估计时间趋势和物候的空间趋势中，相对于原始方法，展现出了较大优势。
【实验结果】
论文重要通过模拟实验和华北平原的冬小麦物候监测实验，来对比新老算法。在模拟实验中，在不同大小的噪声影响下，SMFS方法均显示出了相对于SMF方法的优势。在涉及华北平原冬小麦田间观测的遥感物候监测结果比较中，与SMF（RMSE=13.4 d）相比，SMFS的九个物候期的平均RMSE值（RMSE=9.5 d）更小。此外，SMF-S更好地描述了华北平原物候的空间变化（即方差），并抓住了多个物候阶段的时间变化。在得出的华北平原冬小麦区域物候制图中，SMF-S监测出的空间物候变化更加合理，而SMF方法则低估了（高估了）早（晚）物候阶段的差异。我们期望用SMFS获得的改进的作物物候估计可以使各种农业活动受益。
图1 SMF方法与SMFS方法的散点图比较。(a)SMF方法，(b)SMFS方法。
图2 SMF方法和SMFS方法在时间趋势上的对比。SMF方法的约束使得其在早期物候阶段出现了甚至于是负相关的现象。
图3 SMF方法和SMFS方法在空间趋势（各物候期的空间标准差）上的对比。SMF方法各物候期的标准差几乎呈现一种线性的模式，与田间观测不符。
图4 SMFS方法和传统的SMF方法在物候期空间制图上的对比。（a, b）出苗期（EMG）、（c, d）返青期（GUD）和（e, f）成熟期（MD）。
图5 (a) SMF和SMF-S方法之间的物候学估计差异的直方图。(b, c) 柱状图两端像素的平均EVI时间序列。EVI曲线上的彩色点反映了两个方法的平均的物候估计。
【论文信息】
该论文已发表于 Remote Sensing of Environment
参考链接: Liu, L., Cao, R., Chen, J., Shen, M., Wang, S., Zhou, J., He, B., 2022. Detecting crop phenology from vegetation index time-series data by improved shape model fitting in each phenological stage. Remote Sensing of Environment. Volume 277, 2022, 113060, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2022.113060.
论文全文链接: https://www.sciencedirect.com/science/article/pii/S0034425722001742
论文代码与演示数据: https://github.com/LicongLiu/SMF_S_Release
分享到：
