将景观尺度纳入考虑范围，有助于基于合成孔径雷达（SAR）的技术在田间尺度上实现对植物物候发育过程的检测与评估

《Frontiers in Remote Sensing》：Integrating the landscape scale supports SAR-based detection and assessment of the phenological development at the field level

多尺度分析框架下Sentinel-1雷达时间序列与作物物候的关联性研究，提出景观尺度植被动态与田块级物候通过生长积温（GDD）整合的创新方法，揭示环境因素对物候空间异质性的影响机制，为精准农业提供可扩展的遥感监测工具。

　　农业景观正面临着气候变化带来的挑战，这种变化不仅影响了天气模式，也改变了季节性的动态。为了应对这些挑战，获取关于作物表现的信息变得尤为重要。本研究提出了一种创新的框架，旨在将景观尺度上的植被动态与田间作物生长阶段联系起来，利用Sentinel-1雷达时序数据进行分析。与以往主要关注局部算法优化或SAR特征选择的方法不同，该框架融合了两个尺度：（1）通过年际分布分析生成的景观模式，以及（2）田间生长阶段，两者都与生长积温（GDD）密切相关。

在本研究中，SAR时序指标（TSMs）的生成是通过不同平滑强度的断点分析进行的，涵盖了Sentinel-1的极化数据（PolSAR）和干涉相干性（InSAR）特征，从而捕捉到作物、轨道和传感器特有的响应。该框架不仅量化了遥感和地面观测中的不确定性，还评估了可追踪进展（即生长阶段的可检测性）和追踪范围（即特定生长阶段的GDD变化范围），以在不同的获取几何结构、天气条件和平滑参数下衡量准确性。通过在德国的DEMMIN地区应用该方法，研究发现小麦、油菜和甜菜的TSM-GDD关系在不同年份保持一致，相关描述如土壤肥力和水分可用性能够解释这些空间模式（R2 ≈ 0.8）。

本研究的创新之处在于识别了干旱年份中追踪范围较小的现象，展示了轨道特定的入射角对监测精度的影响，并强调了Sentinel-1在复杂景观中分辨生长阶段变异的能力。通过将多尺度SAR时序数据与农业气象数据相结合，这种方法推动了可迁移的作物监测技术的发展，支持精准农业和区域产量评估，而不仅仅局限于局部模型。

在农业管理中，作物生长阶段是一个关键变量，它有助于评估植物健康和生产力，特别是在应对气候变化和适应性措施的背景下。地球观测（EO）技术，尤其是光学数据，已经证明了其在提供作物生长阶段信息方面的潜力。然而，随着合成孔径雷达（SAR）技术的发展，特别是欧洲航天局（ESA）发射的Sentinel-1卫星，由于其穿透云层的能力，SAR成为一种额外且可靠的作物监测数据源。Sentinel-1的双卫星星座生成了高时间分辨率的SAR数据，使得在欧洲范围内可以每6天对作物生长情况进行评估。

然而，现有的研究面临一些挑战，主要体现在实地数据的多样性和准确性上。一些研究团队进行了自己的田间调查，这些调查虽然提供了高质量的实地数据，但耗时且劳动密集。其他研究则利用了国家层面的作物生长监测框架，如德国气象局（DWD）的志愿者观测体系。这些框架提供的数据通常为点数据，难以反映田间作物的异质性。例如，DWD的实地数据虽然被广泛使用，但其观测方案并不严格，志愿者根据指南进行田间访问，仅在50%的作物达到特定生长阶段时才进行报告。此外，这些报告并不针对特定田块，而是覆盖了以指定坐标为中心的2至5公里范围。这种数据获取方式在验证和校准方面存在局限，且其空间密度近年来有所下降。

SAR时序数据中还存在多种不确定性，这些不确定性来源于环境因素、系统固有属性或用户定义的参数。例如，环境变化如降水模式或地形参数会影响SAR数据的获取。系统固有因素包括获取几何结构和斑点噪声，而用户定义的设置则包括观测周期的长度或平滑强度。这些不确定性要求我们考虑不同的时序解释方式。此外，这些因素还加剧了田间研究的可比性、方法的可迁移性和通用性，从而阻碍了研究成果向实际应用的转化。

因此，本研究提出了一种概念，旨在生成田间生长阶段信息，同时减少对实地数据的依赖，同时考虑到上述的不确定性。这种方法通过将景观尺度和田间尺度的时序窗口进行叠加分析，从而揭示作物生长阶段的变化。该方法在方法论上扩展了L?w等人的研究，该研究通过分析SAR时序数据中的TSM（时序指标）与获取几何结构和作物特定生长阶段的关系，识别了景观尺度上可能的生长阶段变化时间窗口。此外，该研究还利用了L?w等人研究中发现的有利的SAR特征和轨道组合，以跟踪特定生长阶段。

为了评估田间生长阶段与景观尺度模式的一致性，研究中引入了多个指标。例如，平均一致性（AVA）量化了景观尺度模式的代表性，估算出每个田块与该模式的匹配程度。通过比较田间和景观尺度上的TSM发生情况，计算了AVA。在本研究中，设定了一个70%的阈值，以判断一个田块是否具有良好的一致性。这一阈值来源于Lobert等人的研究，他们发现冬季小麦的生长阶段开始通常遵循高斯分布，因此70%的阈值基于68%的数据点落在一个标准差范围内的近似值。该指标可以按不同详细程度进行计算，例如每年、每种作物和每种SAR特征。在本研究中，选择了最高详细程度的计算方式，以获取每种作物在不同轨道下的具体信息。

另外，田间与BBCH（生物分类学生长阶段）特定的不确定性也被考虑，包括可追踪生长进展和追踪范围。这些指标反映了田间TSM发生情况的变异，并有助于量化基于遥感的监测框架中的不确定性。通过计算GDD进展（GDD prog）来评估这些不确定性，该进展定义为特定BBCH阶段的GDD值与景观尺度上的平均GDD值之间的比率。这种归一化方法类似于McNairn等人提出的作物成熟度概念，可以提供关于特定生长阶段的植被发展情况或田间与景观尺度GDD值之间的差异信息。

在分析中，还发现了一些异常值（outliers）和偏离情况，这些情况可以通过比较田间与景观尺度上的时间窗口来识别。研究通过设置一个15 GDD的阈值来判断这些异常值是否真实存在，这一阈值代表了在正常生长条件下，每个作物大约需要1到2天的GDD积累。此外，研究还通过计算这些异常值与BBCH阶段之间的GDD进展，进一步筛选出具有高异常值的田块。通过统计这些异常值在不同年份、作物类型和SAR特征下的出现频率，研究识别了可能偏离景观尺度生长模式的田块，这些田块可能受到特殊管理实践或环境压力的影响。

为了验证这些指标的合理性，研究还进行了空间分布的分析，评估其与环境因素之间的关系。例如，通过Spearman秩相关系数和随机森林模型的变量重要性分析，研究探讨了地形、土壤、植被动态和天气等因素对平均一致性（AVA）和生长趋势（DoT）的影响。研究发现，有机碳储量（OCS）和土壤有机碳含量（SOC）是重要的预测变量，它们与异常值的出现具有显著的相关性。此外，地形特征如海拔和地形湿润指数（TWI）也被证明是影响作物生长阶段的重要因素。

本研究还发现，不同年份和作物类型的平均一致性（AVA）和生长趋势（DoT）存在差异。例如，小麦的平均一致性在某些年份较低，尤其是在2017年和2021年，而油菜和甜菜的平均一致性则较高。此外，生长趋势（DoT）显示，大部分田块在某些年份的生长阶段比景观尺度上的平均生长阶段更早，这可能与作物生长环境和管理实践有关。这些发现表明，该框架不仅能够捕捉到作物生长阶段的变化，还能通过环境因素解释这些变化的原因。

研究还指出，干旱年份中，追踪范围较小，这可能与SAR数据的分辨率和获取频率有关。相比之下，非干旱年份中，追踪范围较大，表明SAR数据能够更准确地捕捉作物生长阶段的变化。这一发现与Schlund和Erasmi的研究结果不同，他们发现InSAR相干性在干旱年份中的追踪质量较低。然而，本研究结合了多个轨道的数据，这可能解释了为何在干旱年份中追踪范围较小。此外，研究还指出，随着数据处理能力的提升，特别是云计算的发展，SAR时序数据的形状相似性分析可以在接近实时框架中进行，从而实现对作物生长阶段的动态监测。

总体而言，本研究通过将多尺度SAR时序数据与农业气象数据相结合，提出了一个创新的框架，以评估作物生长阶段的可追踪性和一致性。该框架不仅能够减少对实地数据的依赖，还能通过环境因素解释作物生长阶段的空间和时间分布。此外，该研究还强调了该方法在精准农业和区域产量评估中的应用潜力，特别是在面对气候变化和极端天气事件时。未来的研究可以进一步探索该框架在国家或更大范围内的可扩展性，并考虑不同作物轮作和土地利用类型的影响。同时，研究也指出，高空间分辨率的传感器如TerraSAR或TanDEM-X可能在处理破碎景观时提供更有效的解决方案。