农作物尤其是大宗作物的精准识别与详细的空间分布信息是粮价预测、作物估产及进行政治决策的先决条件。大豆作为全球重要的粮食和经济作物，在保障粮食安全及提升土壤质量方面发挥着重要作用。由于大豆和玉米具有相似的物候和光谱特征，准确、快速且可推广的遥感大豆制图方法一直是一个具有挑战性的难题。目前，基于机器学习、深度学习的监督分类方法，高度依赖训练样本、且跨区域、跨气候效果较差；基于作物物候、时序曲线特征或者先验知识的非监督分类方法，虽然不依赖训练数据，但其分类精度相对较低且依赖于长时间序列遥感数据，计算数据量大且复杂度高，难以推广且不利于农作物遥感早期识别。 图1. GWCCI大豆制图指数流程图 针对以上科学难题，中国科学院东北地理所李华朋副研究员和陈慧博士基于大豆生长的生物物理机理，创新性地提出了一种综合考虑绿度和水分的大豆制图指数（Greenness and water content composite index, GWCCI），该指数仅利用大豆生长峰值时期内的任意一景Sentinel-2多光谱影像，通过简单的指数计算（NDVI*SWIR），即可实现高效且快速的大豆制图。该指数不需要训练样本，不依赖长时间序列遥感数据，从而大大简化了数据预处理流程并大幅降低了计算复杂度；同时，该指数能最早于收获前近三个月实现大豆精准制图，为作物分布早期识别奠定基础。该指数的生物物理基础简述如下：在大豆生长峰值时期，大豆在所实验的主要地表覆被类型（大豆、玉米、水稻、其他作物、林地、建筑和水体）中呈现唯一的高NDVI（高绿度）---高SWIR（低含水量）特征，因而NDVI与SWIR的乘积可有效将大豆与其他作物和非作物区分开来。 图2. 不同农作物和土地利用GWCCI时间序列变化图 选择全球四大典型大豆种植国（中国，美国，巴西和阿根廷）的7个县（处于不同的气候带、不同的降水总量、不同的灌溉方式（旱作VS灌溉）以及不同的种植模式（单季和双季））来证实GWCCI的有效性。我们将从中国东北黑土典型区域-海伦市计算得到的最佳阈值直接应用于其他6个研究区,并开展了连续5个年份（2017-2021）的测试。研究结果显示，GWCCI能够有效识别大豆空间分布，7个研究区连续5年的平均总分类精度为86.76%（k=0.74），显著高于传统机器学习方法（RF和SVM）。上述结果证实了GWCCI跨区域、跨年份的高效性和鲁棒性。
图3. 不同研究区GWCCI大豆制图指数结果
该研究构建了基于单景遥感影像大豆制图指数，具备坚实的生物物理基础，稳定性强、准确度高且计算简单，为开展大面积高效的大豆制图提供了可能。同时，GWCCI所依赖的生物物理基础为其他作物指数的研发提供了新的解决思路，为农作物分布与产量的高精度实时监测奠定了可靠的方法基础。该研究成果于近期发表在遥感领域顶级期刊Remote Sensing of Environment上（国际顶级C刊，IF: 13.85），论文由地理信息系统学科组陈慧博士（第一作者）、李华朋副研究员（第一通讯）和张树清研究员（共同通讯）等共同完成。该研究得到中国科学院战略性先导科技专项项目（XDA28070500）、国家重点研发计划项目（2021YFD1500100）等项目共同资助。论文信息：Hui Chen, Huapeng Li*, Zhao Liu, Ce Zhang, Shuqing Zhang*, Peter M. Atkinson. A novel Greenness and Water Content Composite Index (GWCCI) for soybean mapping from single remotely sensed multispectral images. Remote Sensing of Environment, 2023, DOI: 10.1016/j.rse.2023.113679
图1. GWCCI大豆制图指数流程图
图2. 不同农作物和土地利用GWCCI时间序列变化图
图3. 不同研究区GWCCI大豆制图指数结果
