RSE | 归一化收获物候指数NHPI：用卫星与GEE监测玉米大豆收获

昵称37581541 2025-10-07 发布于江苏

展开全文

收获时机对于确保谷物质量和产量至关重要，准确检测收获日期起关键作用。而现有的物候指标法（EOS）、物候匹配法（SMF）和雷达干涉测量法（InSAR）都存在着一定的局限性，本研究创新性提出 NHPI 指数，基于GEE平台使用遥感影像，在美国中西部玉米、大豆产区制图并评估其性能。

研究背景

研究背景

收获期作为关键的作物管理环节，早收会导致减产，晚收则会降低谷物品质，因此精准检测收获期不可或缺。

当前遥感时序分析技术存在明显缺陷：

EOS法依赖植被指数（VI）时序的生长季结束（EOS）指标，而 EOS 对应作物生理衰老期，与受人力、设备等人为因素影响的实际收获期关联性不稳定，缺乏物理链接。

物候匹配法如 SMF、SMF-S依赖预定义参考物候曲线，但其参考曲线基于有限田间数据，代表性不足，难以覆盖收获期的大变异；

雷达干涉测量法（InSAR）易受作物物候变化、地表湿度影响，且数据噪声会干扰相位一致性，降低精度。可扩展性和通用性受限。

NHPI 开发与验证

1.确定关键波段

收获期前后三阶段光谱特征：

作物衰老期：叶片结构破坏，NIR 反射率低，NDVI 下降；

作物残茬期：干纤维残茬散射强，NIR 反射率骤升，NDVI 持续下降；

耕后期：裸土暴露，反射率降至与衰老期接近；

其中近红外NIR 比SWIR更稳定，降雨条件下，NIR/NDVI 仍能清晰区分收获前后。

2.NHPI 公式与收获窗口定义

（1）收获物候指数（HPI）：

反映 NIR 与 NDVI 的比值关系，放大收获信号

（2）标准化收获物候指数（NHPI）：

将 HPI 时序归一化到 0-1，消除区域 / 年份差异

（3）收获期判定规则：

NHPI 首次超过阈值 0.6 的日期，且 HPI>0.8。

3.GEE 上的收获期制图流程

数据统一到 Landsat 8 标准；

通过掩膜去除云 / 阴影 / 积雪。

线性插值填补空缺，生成 NDVI 与 HPI 时序。

基于 NDVI 时序提取 MOS，定义收获窗口。

归一化 HPI 得到 NHPI，按阈值判定收获期；

县级尺度处理后合并为中西部全域产品。

图1. 美国中西部12个州玉米和大豆收获日期记录的空间分布（基于 Beck 数据集，2021-2023年）黄色点位代表已记录的玉米收获日期，绿色点位代表已记录的大豆收获日期。左上角的插图地图以红色标注了研究区域在北美洲的地理范围。左下角的地图则基于2022年农田数据层（Cropland Data Layer），突出显示了研究区内玉米和大豆田块的空间覆盖情况。

图2.解释NHPI的发展及其在收获日期制图中的应用的本研究工作流程

图3.本研究基于协调处理的陆地卫星与哨兵2号影像数据，对玉米(a)和大豆(b)两个典型田块进行了全生长季的光谱反射率与归一化差值植被指数（NDVI）时间序列分析。图中还包含三个关键收割阶段的田间实拍照片：第一阶段为作物衰老期，第二阶段为作物残茬期，第三阶段为收割后耕作期。

图4展示了玉米和大豆收获季三个关键阶段的光谱特征，数据源自实地观测及Landsat和Sentinel-2协调时间序列分析。这些阶段包括收获前的作物衰老期、收获后的残留物阶段以及耕作后的农田状态。光谱模式基于伊利诺伊州尚佩恩市采集的217块玉米田和209块大豆田的实地调查数据。误差条表示样本地块数据的标准差范围。

图5.全采伐季NHPI时间序列示意图及对应NIR和NDVI源曲线。MOS指衰老中期指标。

主要结果

1. 指数评估：NHPI 优于其他光谱指数

NHPI在干燥条件、降雨条件信号更稳定且仍可保持清晰区分。

2. 田间水平验证：

NHPI 自身性能在玉米、大豆都有提升。且收获期前后高质量影像越多，误差越小。

NHPI平均 R²、MAE均优于EOS 法、SMF/SMF-S等基准方法。

3.州水平验证

与美国农业部（USDA）的作物进展报告（CPR）数据相比，高度一致

4. 时空格局分析

州内差异显著，且 NHPI 能捕捉到 CPR 无法体现的田间尺度变异。

图9.美国中西部玉米与大豆田在不同降雨情景下的近红外/归一化差异植被指数（NIR/NDVI）、短波1/NDVI、短波2/NDVI、归一化差异耕作指数（NDTI）、归一化差异指数7（NDI7）及短波耕作指数（STI）的差异对比。降雨判定标准为记录的收获日期前七天内是否出现降水。误差条表示差异值的标准差。

图10.基于NHPI方法的玉米和大豆田间收获日期年度估算结果。

图12.采用基于NHPI的方法、基于EOS物候学方法（EOS）、SMF和SMF-S，对2021至2023年玉米和大豆田间收获日期进行的估算结果。

图13.展示了2022年(a)和2023年(b)伊利诺伊州尚佩恩市田间作物收获日期的测绘结果，其中包含四种方法的平均绝对误差值（括号内数值）：基于NHPI的方法、标准最小割草期法（SMF）、SMF-S改进法以及基于EOS物候学方法。为便于参考，图中提供了真实收获日期数据及对应的生长季PlanetScope卫星影像（数据源自Planet网站）。相关田地在美国的具体位置详见附图S1。

图14.美国中西部12个州的2023年玉米(a)和大豆(b)收获日期的州级时间累积分布，基于NHPI的方法（蓝色虚线）与地面CPRs方法（红色实线）的对比。

图15.展示了2020至2023年间美国中西部地区玉米与大豆作物的NHPI估算采收期验证结果。该研究采用累积分布百分位数（20%-80%）以5%为间隔进行采样点定位，通过将NHPI估算值与CPR的物候数据对比，最终获得总计624个采样点（覆盖12个州×4年×13个百分位数）。

讨论

1.NHPI 的三大核心优势

（1）直接关联收获期光谱特征，无需依赖 VI 时序的 EOS 指标，直接捕捉 “衰老→残茬” 的光谱跃迁，避免人为因素导致的 EOS 与收获期脱节。

（2）NIR/NDVI 比值放大收获信号，且 NIR 对水分不敏感，在降雨条件下仍优于 SWIR 和残茬指数。

（3）GEE 高效适配，公式简洁，无需复杂预处理，支持大尺度制图。

代码开源：https://github.com/rssiuiuc/NHPI/

2.可迁移性强，无需区域校准

（1）HPI 归一化减少作物品种、土壤、管理措施导致的基线差异。

（2）动态收获窗口适配不同区域和年份的收获期差异。

（3）阈值 0.6 在不同州 / 年份均适用，经调整可推广至南美、亚热带亚洲等区域。