1背景

作物秸秆是土壤有机质的重要来源，有助于防止水土流失和风蚀；此外，作物秸秆可以减少耕地表面温度的变化，减少水分蒸发，最大限度地保持土壤水分。因此，对作物秸秆覆盖度的量化计算有助于收获后的区域农业保护。

2问题

估算田间作物残留覆盖度的传统方法包括拉绳法和摄影法，这两种方法都是基于局部覆盖度来推断一个地区的作物残留覆盖度。但是，这些方法不适用于大规模的评估，也不能提供快速的覆盖率更新。可以在大尺度上重复观测的主流遥感方法目前开发了三种:植被指数法、三角形空间法和混合光谱分解法。

在混合光谱分解法中，端元通常被认为是光谱相对固定和稳定的一组地物，端元的定义与选择是计算误差的根本来源。若只使用最基本的端元(土壤-作物残留)，则增加了端元的变异性(除土壤外的所有地物都被划分为水稻残留)，增加了分解误差。例如，在稻田中，除了水稻残留和土壤外，常见的苔藓(绿色和白色)增加了端元的复杂性，可能导致分解效果不佳。

3方法与改进

端元的变异性：

混合像元的反射率取决于每个端元的反射率。我们使用手动测量来获得端元的反射率，并将其应用到每个像素上;然而，在实际中，该端元的实际反射率与测量反射率总会有一个偏差，这种偏差被称为端元可变性，是线性光谱解混（LSMA）中误差的主要来源之一。造成端元变异性的因素除了光照条件等因素外，另一个重要的来源是端元的定义过于一般化，导致多个固定光谱的子集包含在一个端元中。

动态像元四分模型（DQPM）：

我们开发的动态像元四分模型是基于LSMA的。LSMA思想是，像元总反射率取决于每个端元所占的面积，但与地面物体之间的光子散射无关，这可以看作是对物理模型的改进。

在减少端元的变异性方面，我们做了如下改进：

(1)相比于普遍使用的土壤-秸秆残留端元构成，将水稻田中普遍存在的苔藓（白色，绿色）端元独立出来，与土壤，水稻残留一起组成四个端元。

(2)水稻田中不同区域的土壤湿度差异较大，我们使用Lobell模型来确定不同含水量下的土壤反射率。

4技术流程图

5结果与分析

Calculation results of soil moisture content and RRC under different paddy field scenarios. (a)–(c)True color images of paddy fields in different regions of the study area. (d)–(f) Calculated soil moisture content in regions corresponding to panels (a)–(c). (g)–(i) Calculated RRC in regions corresponding to panels (a)–(c).

Comparison between residue calculation results and field measurement results. (a) dynamic-quadripartite pixel model (DQPM); (b) dynamic-dimidiate pixel model (DDPM) (B1-4); (c) static-quadripartite pixel model (SQPM) (B4-7-8a).

Accuracy assessment under different rice residue cover (RRC) and soil moisture (SM) gradients. (a) DQPM; (b) DDPM; (c) SQPM.

6结论

通过对冬季稻田的实地调查发现，稻田中的地物类型比其他作物地块更为复杂，这意味着许多类型的地物在光学图像中占据较大的面积，不能被忽视。在DQPM中，可以逐像元计算土壤含水量，从而更准确地确定土壤光谱，每个像元的反射率信息被认为是由土壤、水稻残留、青苔和白苔的反射率贡献的。与DDPM和SQPM相比，DQPM极大的降低了端元的变异性，在复杂稻田情景中获得了更好的适用性。

信息中心硕士生孙振东为本文第一作者，杨浩副研究员与杨贵军研究员为共同通信作者。该研究得到十三五国家重点研发(2019YFE0125300、2017YFE0122500)、国家自然科学基金（42171303）等项目资助。