基于無人機多光譜遙感的臺風災后玉米倒伏信息提取

趙 靜，閆春雨，楊東建，溫昱婷，黎文華，魯力群，蘭玉彬※

·農業航空工程·

基于無人機多光譜遙感的臺風災后玉米倒伏信息提取

趙 靜1,2，閆春雨1,2，楊東建1,2，溫昱婷1,2，黎文華1,2，魯力群2,3，蘭玉彬1,2※

（1. 山東理工大學農業工程與食品科學學院，淄博 255000；2. 山東理工大學國際精準農業航空應用技術研究中心，淄博 255000；3. 山東理工大學交通與車輛工程學院，淄博 255000）

為快速獲取臺風過后玉米倒伏信息，該研究以生態無人農場大田玉米作為研究對象，利用無人機搭載多光譜相機獲取玉米田塊圖像。采用主成分分析（Principal Component Analysis，PCA）變換多光譜圖像，保留信息量最多的前3 個主成分波段；應用最小噪聲分離變換（Minimum Noise Fraction Rotation，MNF）對48項紋理特征降維，保留信息量最多的前6項特征；計算選擇10種植被指數；對多光譜圖像進行低通、高通濾波，將以上特征作為全特征集。使用支持向量機遞歸（Support Vector Machines-Recursive Feature Elimination，SVM-RFE）、 ReliefF和套索算法（Least Absolute Shrinkage and Selection Operator，Lasso）篩選出3種特征子集，建立5種監督分類模型，對4種數據集進行訓練。ReliefF特征子集訓練的5種監督分類模型測試集最低分類準確率為89.02%，SVM-RFE和Lasso特征子集訓練的5種監督分類模型測試集最低分類準確率均為95.38%，與全特征相比僅相差0.58%，表明通過特征篩選方法可在取得較高分類精度同時大幅減少特征輸入數量；運用3種特征篩選方法與不同分類模型的最佳組合提取驗證區域玉米倒伏信息，通過混淆矩陣驗證結果可知，K最近鄰模型結合SVM-RFE特征篩選方法分類精度最高，達93.49%，Kappa系數為0.90，表明了分類模型普適性較強。該研究使用較少特征數量參與分類，且獲得較高分類識別精度，可為無人機多光譜技術快速、準確提取臺風災后玉米倒伏信息提供技術支持。

無人機；遙感；提取；多光譜；玉米；倒伏信息；臺風災害

0 引 言

玉米是全球種植總產量最高的農作物之一，種植面積僅次于小麥和水稻[1]。玉米產量除受自身遺傳因素影響，還受播種密度、栽培方式及氣候環境的影響。由于玉米莖稈比較高大，易受暴風雨等外力作用發生倒伏，導致減產、減質、無法進行機械化采收[2-4]。近幾年臺風天氣偏多，暴風雨不時發生，對玉米產量影響極大，輕則會對玉米造成15%～20%的減產，嚴重時可能造成一半以上的減產[5-6]。及時、準確提取玉米倒伏信息，能為災后農業生產、政府決策及保險理賠提供數據和技術支持[7]。

隨著遙感技術發展，為快速提取作物倒伏信息提供了多種方法[8-9]。在地面監測方面，傳統獲取作物倒伏信息的方法主要是現場測量，在作物發生倒伏災害后，測量人員使用手持GPS、卷尺等工具測量倒伏面積和位置信息，該方法存在客觀影響大、準確度低和低效等問題[10]。若農田中已產生積水，則無法及時進行地面測量。倒伏會影響玉米的冠層結構，進而改變玉米冠層的光譜特征和輻射傳輸特性，這為地面監測玉米倒伏提供了條件。王猛等[11]通過手持地物光譜儀獲取正常（未倒伏）與倒伏玉米的光譜反射率，結果表明倒伏玉米的冠層光譜反射率，在可見光和近紅外波段均比正常玉米光譜反射率低；包玉龍等[12]對USB2000高光譜儀采集的玉米倒伏數據進行分析后發現，與正常玉米反射率相比，倒伏玉米反射率在可見光波段減小，而在近紅外波段增大，具有明顯的各向異性特征。在衛星遙感監測方面，李宗南等[13]利用Worldview-2多光譜影像，對灌漿期倒伏玉米地塊的光譜和紋理特征進行分析估算了玉米倒伏面積；Zhou等[14]通過高分1號光學衛星獲取區域尺度玉米倒伏前后影像，計算倒伏前后植被指數與光譜反射率變化，采用競爭自適應加權算法進行特征篩選，利用隨機森林和最小偏二乘法建立玉米倒伏監測模型，結果表明隨機森林建立的模型優于最小偏二乘法。王立志等[15]基于HJ-1B多光譜衛星數據構建了比值植被指數Ratio Vegetation Index，RVI差值的農作物倒伏監測模型，對區域尺度玉米倒伏進行監測與受災情況評估；韓東等[16]基于哨兵-1A衛星雷達后向散射系數構建了區域尺度下的玉米倒伏監測模型，并對玉米倒伏程度進行了分級監測。由于倒伏災害一般由極端天氣造成，對衛星數據質量影響很大，待衛星再次過境時獲取的倒伏數據對災害評估已缺乏準確性和及時性了。在無人機遙感監測方面，張新樂等[17]對倒伏玉米構建了5種典型特征組合，結果顯示多類紋理特征法得到結果最優；戴建國等[18]通過分析倒伏與未倒伏棉花的光譜反射率差異提取了主成分紋理特征與多種植被指數，建立了Logistic模型并進行了精度評價及驗證，測試集分類結果準確率為91.30%；毛智慧等[19]利用無人機獲取玉米研究區數字表面模型，結合R、G、B色彩特征進行分類提取玉米倒伏信息，結果表明無人機遙感在小區尺度上提取玉米倒伏信息是可行的；鄭二功等[20]提出了基于深度學習的田間玉米倒伏區域提取方法，利用無人機獲取的玉米倒伏圖像制作數據集訓練分割網絡，結果表明能夠較準確地提取玉米倒伏區域。趙靜等[21]利用ArcGIS中的鑲嵌工具將不同圖像特征進行融合，得到數字地表模型（Digital Surface Model，DSM）+RGB與DSM+過綠指數（Excess Green，EXG） 2種融合圖像，利用最大似然法和隨機森林法對2種特征融合圖像進行監督分類提取小麥倒伏面積，研究表明通過圖像特征融合的方法能有效提取倒伏小麥信息，為快速提取小麥倒伏面積提供參考。以上研究未充分使用反射率、紋理及植被指數等多種特征參與分類，特征篩選方法較為單一，也未對不同特征篩選方法與不同分類方法組合優選，進行玉米倒伏信息提取。

本研究以山東理工大學生態無人農場的倒伏玉米為研究對象，利用四旋翼無人機獲取的玉米地塊尺度多光譜影像，提取影像的多光譜植被指數、反射率和紋理等特征。將提取的所有特征作為全特征集，將經過3種典型算法篩選出的特征作為不同子集，采用5種監督分類模型對4種特征集進行分類提取研究區內玉米倒伏信息，以期得到最佳特征集和分類模型的組合，為精準、快速掌握玉米倒伏災損提供參考。

1 材料與方法

1.1 研究區概況

研究區地點為山東理工大學生態無人農場試驗田，位于山東省淄博市朱臺鎮（36°57′15.30″N，118°13′1.00″E），該地區屬溫帶季風氣候，降水季分布不均衡，全年降水量有60%～70%集中于夏季，多年平均年降水量為679.5 mm，無霜期一般為174～260 d。研究區總面積約5 000 m2，試驗田內玉米小麥輪作，玉米種植時間為2019年6月中旬。

1.2 數據獲取

2019年8月11—13日，受第九號臺風“利奇馬”影響，研究區發生了大面積玉米倒伏（玉米正處于抽雄-吐絲期）。本試驗采用深圳市大疆創新科技有限公司生產的經緯M210 V2無人機，機體最大起飛質量為6.14 kg，機身軸距643 mm，最大水平飛行速度為20.5 m/s，最大承受風速12 m/s，續航時間為34 min。

利用長光禹辰信息技術與裝備（青島）有限公司自主研發的MS600Pro多光譜相機（參數如表1所示）獲取圖像數據，該相機包含藍光、綠光、紅光、紅邊和2個近紅外波段。獲取的圖像像素為120萬、分辨率為1 280×960，所有圖像儲存在相機自帶內存卡中。由于臺風及雨水持續時間較長，玉米植株生長高度較高，采集試驗數據時（2019年8月15日11:00—14:00），受影響較小的玉米植株狀態處于自行立起前期，受影響較大玉米植株需7～10 d才能基本恢復正常。采集當日天氣晴朗無云，無人機飛行高度為50 m，飛行速度3 m/s，航向旁向重疊率均為75%，共獲取多光譜圖像828張。獲取的多光譜圖像，通過Pix4Dmapper軟件進行輻射定標、幾何校正和拼接等預處理，得到6張單波段tif圖像，通過ENVI 5.3軟件波段合成（Layer stacking）功能將6幅單波段圖像合成多光譜圖像。

表1 試驗用MS600Pro相機參數

1.3 研究方案

首先計算研究區多光譜圖像的10種多光譜植被指數，其次使用主成分分析法（Principal Component Analysis，PCA）對6波段多光譜圖像進行降維，再使用最小噪聲分離變換（Minimum Noise Fraction Rotation，MNF）對6波段多光譜圖像的紋理濾波特征進行降維。將試驗區按2∶1的比例劃分為目標區域和驗證區域（圖 1）。

目標區域圖像是由包含不同植被指數、高通濾波反射率、低通濾波反射率和紋理濾波特征合成的多波段圖像，在RGB彩色顯示模式下，倒伏區域玉米亮度較高且顏色與正常（未倒伏）玉米相較顏色淺，土壤背景顏色與倒伏玉米和未倒伏玉米相差較大，上述三類地物特征差異較明顯，通過目視解譯方式，使用ENVI感興趣區域工具（Region of Interest Tool）提取目標區域內土壤背景、正常玉米和倒伏玉米樣本，進而獲取目標區域內三類地物的植被指數、高通濾波反射率、低通濾波反射率和紋理濾波特征。利用ReliefF、支持向量機遞歸（Support Vector Machines-Recursive Feature Elimination，SVM-RFE）和套索算法（Least Absolute Shrinkage and Selection Operator，Lasso）三種特征篩選方法篩選特征創建數據子集。將目標區域內樣本數據按照3∶1比例劃分為訓練集樣本和測試集樣本，通過多種監督分類模型進行訓練，選取最佳特征篩選方法及精度最高的監督分類器，對目標區域進行玉米倒伏識別。玉米倒伏信息提取技術路線如圖2所示。

1.4 分類特征提取

1.4.1 反射率特征提取

高通濾波在保持圖像高頻信息時消除了圖像中的低頻成分，它可用來增強紋理、邊緣等信息；低頻濾波保存了圖像中的低頻成分，使圖像平滑。本研究選擇多光譜圖像6個波段的6個低通濾波反射率和6個高通濾波反射率。

1.4.2 植被指數提取

植被指數被大量用在遙感領域，用于評價植被覆蓋度、植被生長狀況。本試驗選擇常用的10種多光譜植被指數，如表2所示。

表2 用于玉米倒伏信息提取的多光譜植被指數

注：NIR為近紅外波段反射率，RED為紅光波段反射率，BLE為藍光波段反射率，GRE為綠光波段反射率，REG為紅邊波段反射率。

Note: NIR is the reflectance of near-infrared band; RED is the reflectance of red band; BLE is the reflectance of blue band; GRE is the reflectance of green band; REG is the reflectance of red edge band.

1.4.3 紋理特征提取

紋理特征通過灰度空間變化及其重復性反映地物的視覺粗糙度，能充分反映圖像特征，不同物體表現出的紋理類型一般不同，可用于描述和識別地物。同一類別地物整體表征看似相似，但局部細節紋理特征有區別[31]。在各種紋理分析方法中，灰度共生矩陣分析方法是認可度較高的方法之一，具有較強的魯棒性和適應能力。本研究選用基于二階概率統計濾波的角二階矩（Angular Second Moment）、對比度（Contrast）、相關性（Correlation）、相異性（Dissimilarity）、熵（Entropy）、協同性（Homogeneity）、均值（Mean）、方差（Variance）8種紋理特征，通過基于最小噪聲分離變換和基于主成分分析的方法對原始6通道多光譜圖像產生的48項紋理特征進一步篩選。

1）基于最小噪聲分離變換的紋理濾波特征提取

本試驗引入MNF對48項紋理特征進行降維，降低特征數量，圖3為MNF權重計算結果，橫坐標為波段數，縱坐標為貢獻值，自第7個波段開始，每個波段的貢獻值趨于一致，且對分類影響較小，故選擇前6個波段作為最終紋理濾波特征。

2）基于主成分分析的紋理濾波特征提取

多光譜圖像各波段間具有很高相關性，主成分分析能去除波段間冗余信息，保留對分類更有利的信息，通過主成分分析發現6個波段中前3個波段的信息量已超過95%，對前3個主成分波段進行紋理濾波計算，共產生24項紋理濾波特征。

1.5 特征算法及監督分類模型選取

全特征集包含20種植被指數特征、6項高通濾波特征、6項低通濾波特征、經過PCA降維后的24項紋理特征和經過MNF降維后的6項特征。

特征篩選的目的是減輕數據維度災難，去除無關特征或相關性較低特征，提高模型運算效率。常用的特征篩選方法大致分為過濾式（Filter）、包裹式（Wrapper）和嵌入式（Embedding）[32-33]三類，過濾式特征篩選法先選定特征再進行學習，具有較強通用性；包裹式特征篩選方法利用學習算法的性能來評價自身優劣，篩選得到特征子集分類性能較好；嵌入式特征篩選方法將特征選擇過程作為學習過程的一部分，在學習過程中自動進行特征篩選，優點是效果最好，速度最快，模式單調。

ReliefF是Relief算法的拓展，用于兩類以上樣本特征篩選，屬于典型的過濾式特征篩選方法[34-35]。該算法每次從訓練集樣本中集中隨機取出一個樣本，然后從的同類樣本中找出的個近鄰樣本，從每個的不同類別樣本集中均找出個近鄰樣本，然后更新每個特征的權重。ReliefF特征篩選算法通過Python程序實現，對全特征集62項特征進行篩選，選擇權重大于0.04的10項特征作為ReliefF特征子集，分別為增強型植被指數EVI840、歸一化植被指數NDVI840、歸一化植被指數NDVI940、優化土壤調節植被指數OSAVI840、重歸一化植被指數RDVI840、土壤調整植被指數SAVI840、MNF第二紋理波段、MNF第四紋理波段、MNF第五紋理波段和藍波段低通反射率。

SVM-RFE是一種包裹式特征篩選方法，該算法使用一個基模型進行多次迭代訓練，每次訓練結束均會根據每個特征的系數對特征進行打分，去掉得分最小特征，利用其余特征構建新特征集繼續迭代計算，直到篩選出合適特征[36]。該算法通過Python程序篩選出13項特征，分別為增強型EVI940、綠色歸一化植被指數GNDVI940、優化土壤調節植被指數OSAVI840、比值植被指數RVI840、比值植被指數RVI840、土壤調節植被指數SAVI840、土壤調節植被指數SAVI940、轉換型指數TVI840、MNF第三紋理波段、MNF第四紋理波段、藍波段低通反射率、綠波段低通反射率和第三主成分方差。

Lasso屬于嵌入式特征篩選方法，采用L1正則化（L1-regularization）線性回歸將對分類貢獻小或無貢獻的特征權值降為0，達到稀疏化和特征選擇的目的[37-38]。該算法同樣通過Python程序實現，選擇權重大于0.01的12項特征作為Lasso特征子集，分別為比值植被指數RVI940、轉換型指數TVI840、MNF第二紋理波段、MNF第三紋理波段、MNF第五紋理波段、第一主成分熵值、第一主成分相關性、第二主成分均值、第二主成分相異性、第二主成分相關性、第三主成分均值和第三主成分相異性。

在目標區域用ENVI 5.3感興趣工具選擇690個樣本組成樣本數據集，每個樣本包含20項植被指數特征、PCA降維后前3個主成分波段的24項紋理濾波特征、MNF篩選后的6項紋理濾波特征、6項低通濾波反射率和6項高通濾波反射率特征。隨機將樣本數據集中515個樣本作為訓練集，175個樣本作為測試集，訓練集每個類別具體樣本數為：土壤及背景樣本訓練樣本112個、正常玉米訓練樣本177個、倒伏玉米訓練樣本226個。測試集每個類別具體樣本數為：土壤及背景樣本測試樣本40個、正常玉米測試樣本60個、倒伏玉米測試樣本75個。利用常用的樸素貝葉斯（Naive Bayes，NB）、K近最鄰（K-Nearest Neighbor，KNN）、決策樹（Decision Tree，DT）、支持向量機（Support Vector Machine，SVM）和人工神經網絡（Artificial Neural Network，ANN）模型對訓練集進行模型構建，通過10折交叉驗證法及網格搜索對模型進行優化，利用測試集獲得5種模型的分類精度。

1.6 模型分類精度評價

使用準確率（）、精確率（）、召回率（）和精確率和召回率的調和平均數（1）對5種模型的分類結果進行精度評價。4種評價指標計算公式[39]為

式中TP、FP、TN和FN分別為真正例、假正例、真反例和假反例，是預測正確的樣本數量占總體樣本的比值，是真正例占所有預測正比例樣本的比值，表示預測正例的樣本數占所有正例樣本的比值，1是精確率與召回率的調和平均值。

1.7 驗證區域精度評價

混淆矩陣可清楚列出每類地物正確分類個數、錯分類別和錯分個數。單純依據混淆矩陣無法評價分類精度的優劣，因此由混淆矩陣衍生出了多種分類精度指標用于分類模型精度評價，其中應用最廣泛的指標有總體分類精度（Overall accuracy）和Kappa系數[40]。

本研究選擇總體分類精度和Kappa系數作為驗證區域精度主要評價指標。

2 結果與分析

2.1 模型分類結果對比

如表3所示，采用5種監督分類模型分別對ReliefF、SVM-RFE和Lasso篩選出的特征子集進行訓練和測試與全特征數據集監督分類結果相比，在全特征數據集分類結果中，SVM模型分類準確率最高（97.69%）；ReliefF篩選的特征子集分類結果中，KNN模型分類準確率最高（98.84%）；SVM-RFE特征子集分類結果中，KNN模型分類準確率最高（98.84%）；Lasso特征子集分類結果中，ANN模型分類準確率最高（98.27%）。ReliefF特征子集訓練的5種監督分類模型訓練集最低分類準確率為89.02%，SVM-RFE和Lasso特征子集訓練的5種監督監督分類模型訓練集最低分類準確率均為95.38%，與全特征集最低分類精度94.80%僅相差0.58%。

2.2 驗證區域分類效果的對比與分析

分別利用對測試集分類準確率較高的SVM、KNN和ANN模型，對驗證區采用全特征、ReliefF特征子集、SVM-RFE特征子集和Lasso特征子集進行玉米倒伏識別提取，通過人工目視解譯對驗證區域地物劃分感興趣區域作為地面真值，驗證區結果如圖4所示。驗證區域不同特征子集的混淆矩陣、總體分類精度及Kappa系數如表4所示。

表3 5種模型分類精度的評價與比較

注：NB為樸素貝葉斯，KNN為K最近鄰，SVM為支持向量機，DT為決策樹，ANN為人工神經網絡。1是精確率和召回率的調和平均數。下同。

Note: NB is Naive Bayes; KNN is K Nearest Neighbor; SVM is Support Vector Machine; DT is Decision Tree; ANN is Artificial Neural Network.1is the harmonic mean of accuracy and precision. The same as below.

比較不同特征數據集的總體分類精度可知，在全部特征數據集分類結果中，SVM模型達到最高分類精度所需分類特征也最多，其分類精度最高，Kappa系數為0.88；ANN分類模型最適合與ReliefF特征篩選方法所篩選特征數據集進行組合，分類精度最高，Kappa系數為0.84；對于SVM-RFE特征篩選方法所選的特征數據集，結合KNN模型進行分類的總體精度最高，達93.49%，Kappa系數為0.90；對于Lasso特征篩選方法，參與特征數量為12個，結合ANN模型進行分類更具優勢，總體精度最高，達91.77% Kappa系數為0.88。對不同特征篩選方法，不同分類模型也具有不同優勢，在4 種不同特征數據集分類結果中，當參與的分類特征數量急劇減少時，ANN模型相對其他2種模型總體分類精度波動非常小；當參與分類特征數量急劇減少時，SVM模型總體分類精度波動最大，最高分類精度與最低分類精度的差值為43.59。KNN模型結合SVM-RFE特征篩選方法既減少了參與分類的特征數量，還能得到較優分類效果。

在驗證區玉米倒伏分類結果中，3種特征子集的總體分類精度與全特征數據集總體分類精度相比有所下降，除ReliefF特征子集的總體分類精度最低外，其余2種特征子集精度下降幅度較小，且SVM-RFE特征子集中ANN與KNN模型分類精度相對全特征數據集的總體分類精度有所提高。結果表明，SVM-RFE算法不僅可以解決數據維度災難，消除冗余的特征，還可以提高某些模型的總體分類精度。

3 結 論

本研究通過ReliefF、SVM-RFE及Lasso 特征篩選方法，對多光譜圖像的紋理特征、植被指數特征及反射率特征等62項特征進行篩選，并通過NB、KNN、DT、SVM和ANN監督分類模型對不同特征組成的子集進行分類及驗證，通過對比分類精度選出最優特征與監督分類模型組合，將最優模型用于驗證區域玉米倒伏信息提取，并使用混淆矩陣進行驗證，結果表明：

1）ReliefF、SVM-RFE與Lasso特征篩選算法均可在有效降低數據維度同時保持較高分類精度，SVM-RFE和Lasso特征算法測試集最低分類準確率相同（均為95.38%）與全特征數據集最低分類準確度（94.80%）更為接近，僅相差0.58%，表明通過特征篩選方法可大幅減少參與分類的特征數量，且可取得較高分類精度。

2）運用不同特征篩選方法與5種監督分類模型的最佳組合提取驗證區域玉米倒伏信息，通過混淆矩陣驗證結果可知，KNN和ANN模型能有效識別土壤背景、正常玉米和倒伏玉米，總體精度最高達93.49%和91.77%，Kappa系數分別為0.90和0.88，KNN模型結合SVM-RFE特征篩選方法分類結果最好。

3）根據驗證區域總體分類精度可知，本研究所得最優分類模型普適性較強，能對其他同樣受到倒伏脅迫玉米地塊應用。

本研究采用組合優選、先復雜后簡化的方法提取玉米倒伏信息，在減少特征參與且對分類精度影響較小前提下，完成玉米倒伏信息提取識別，但仍存在一些問題，有待進一步研究：

1）多光譜相機價格較可見光相機價格高，在后續研究中，考慮使用可見光無人機獲取作物倒伏圖像，通過不同特征篩選及分類方法進行組合，選出最優分類組合方法提取作物倒伏信息。

2）本研究僅識別提取了由臺風災害引起的玉米倒伏信息，并未對由其他原因且在不同生長期受到倒伏脅迫的作物進行識別提取。

3）本研究未對倒伏嚴重程度進行詳細區分級。在后續研究中，考慮加入非監督分類方法對倒伏玉米樣本進行聚類分析，結合作物實際倒伏情況，對非監督分類方法進行精度評價。本研究試驗是在像素級別上進行的，后期試驗也會考慮用監督分類與面向對象分類思想，進行作物倒伏識別和嚴重程度分級。

[1] 李闊，熊偉，潘婕，等. 未來升溫1.5 ℃與2.0 ℃背景下中國玉米產量變化趨勢評估[J]. 中國農業氣象，2018，39(12)：765-777.

Li Kuo, Xiong Wei, Pan Jie, et al. Trend evaluation on changes of maize yield in China under global warming by 1.5°C and 2.0°C[J]. Chinese Journal of Agrometeorology, 2018, 39(12): 765-777. (in Chinese with English abstract)

[2] 王杰，劉實，蘭玉彬，等. 基于HJ-1A/BCCD數據的玉米倒伏識別方法[J]. 中國農業氣象，2020，41(2)：121-128.

Wang Jie, Liu Shi, Lan Yubin, et al. Method of maize lodging recognition based on HJ-1A/B CCD data[J]. Chinese Journal of Agrometeorology, 2020, 41(2): 121-128. (in Chinese with English abstract)

[3] Zhang H, Zhang L, Niu Y, et al. Comparison of water stress coefficient using three alternative canopy temperature-based indices[J]. International Journal of Precision Agricultural Aviation, 2020, 3(2): 28-34.

[4] Alexander Q S, Fletcher G, Jo H D, et al. An automatable, field camera track system for phenotyping crop lodging and crop movement[J]. HardwareX, 2018, 4: e00029.

[5] 李樹巖，王宇翔，胡程達，等. 抽雄期前后大風倒伏對夏玉米生長及產量的影響[J]. 應用生態學報，2015，26(8)：2405-2413.

Li Shuyan, Wang Yuxiang, Hu Chengda, et al. Effects of strong wind lodging at pre- and post-tasseling stages on growth and yield of summer maize[J]. Chinese Journal of Applied Ecology, 2015, 26(8): 2405-2413. (in Chinese with English abstract)

[6] 劉戰東，肖俊夫，南紀琴，等. 倒伏對夏玉米葉面積、產量及其構成因素的影響[J]. 中國農學通報，2010，26(18)：107-110.

Liu Zhandong, Xiao Junfu, Nan Jiqin, et al. Effect of different levels lodging on leaf area index, yield and its components of summer maize[J]. Chinese Agricultural Science Bulletin, 2010, 26(18): 107-110. (in Chinese with English abstract)

[7] Chauhan S, Darvishzadeh R, Boschetti M, et al. Remote sensing-based crop lodging assessment: Current status and perspectives[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 151: 124-140.

[8] Du X Y, Wan L, Cen H Y, et al. Multi-temporal monitoring of leaf area index of rice under different nitrogen treatments using UAV images. International Journal of Precision Agricultural Aviation, 2020, 3(1): 7-12.

[9] Geng Y, Dong Y Y, Zhao L L, et al. Desert locust plague monitoring using time series satellite data. International Journal of Precision Agricultural Aviation, 2020, 3(4): 24–30.

[10] 李明，黃愉淇，李緒孟，等. 基于無人機遙感影像的水稻種植信息提取[J]. 農業工程學報，2018，34(4)：108-114.

Li Ming, Huang Yuqi, Li Xumeng, et al. Extraction of rice planting information based on remote sensing image from UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 108-114. (in Chinese with English abstract)

[11] 王猛，隋學艷，梁守真，等. 夏玉米倒伏模擬試驗及遙感監測[J]. 測繪科學，2017，42(8)：137-141.

Wang Meng, Sui Xueyan, Liang Shouzhen, et al. Simulation testand remote sensing monitoring of summer corn lodging[J]. Science of Surveying and Mapping, 2017, 42(8): 137-141. (in Chinese with English abstract)

[12] 包玉龍，張繼權，劉曉靜，等. 受風災影響后的農作物冠層反射信息測量與分析[J]. 光譜學與光譜分析，2013，33(4)：1057-1060.

Bao Yulong, Zhang Jiquan, Liu Xiaojing, et al. Measurement and analysis of reflected information from crops canopy suffering from wind disaster influence[J]. Spectroscapy and Spectral Analysis, 2013, 33(4): 1057-1060. (in Chinese with English abstract)

[13] 李宗南，陳仲新，任國業，等. 基于Worldview-2影像的玉米倒伏面積估算[J]. 農業工程學報，2016，32(2)：1-5.

Li Zongnan, Chen Zhongxin, Ren Guoye, et al. Estimation of maize lodging area based on worldview-2 image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 1-5. (in Chinese with English abstract)

[14] Zhou L F, Cheng S, Sun Q, et al. Remote sensing of regional-scale maize lodging using multitemporal GF-1 images[J]. Journal of Applied Remote Sensing, 2020, 14(1): 014514.

[15] 王立志，顧曉鶴，胡圣武，等. 基于多時相HJ-1B CCD影像的玉米倒伏災情遙感監測[J]. 中國農業科學，2016，49(21)：4120-4129.

Wang Lizhi, Gu Xiaohe, Hu Shengwu, et al. Remote sensing monitoring of maize lodging disaster with multi-temporal HJ-1B CCD Image[J]. Scientia Agricultura Sinica, 2016, 49(21): 4120-4129. (in Chinese with English abstract)

[16] 韓東，楊浩，楊貴軍，等. 基于Sentinel-1雷達影像的玉米倒伏監測模型[J]. 農業工程學報，2018，34(3)：166-172.

Han Dong, Yang Hao, Yang Guijun, et al. Monitoring model of maize lodging based on Sentinel-1 radar image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(3): 166-172. (in Chinese with English abstract)

[17] 張新樂，官海翔，劉煥軍，等. 基于無人機多光譜影像的完熟期玉米倒伏面積提取[J]. 農業工程學報，2019，35(19)：98-106.

Zhang Xinyue, Guan Haixiang, Liu Huanjun, et al. UAV crops multispectral lodging feature combination multi-texture features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 98-106. (in Chinese with English abstract)

[18] 戴建國，張國順，郭鵬，等. 基于無人機遙感多光譜影像的棉花倒伏信息提取[J]. 農業工程學報，2019，35(2)：63-70.

Dai Jianguo, Zhang Guoshun, Guo Peng, et al. Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 63-70. (in Chinese with English abstract)

[19] 毛智慧，鄧磊，趙曉明，等. 利用無人機遙感提取育種小區玉米倒伏信息[J]. 中國農學通報，2019，35(3)：62-68.

Mao Zhihui, Deng Lei, Zhao Xiaoming, et al. Extraction of maize lodging in breeding plot based on UAV remote sensing[J]. Chinese Agricultural Science Bulletin, 2019, 35(3): 62-68. (in Chinese with English abstract)

[20] 鄭二功，田迎芳，陳濤. 基于深度學習的無人機影像玉米倒伏區域提取[J]. 河南農業科學，2018，47(8)：155-160.

Zheng Ergong, Tian Yingfang, Chen Tao, et al. Region extraction of corn lodging in UAV images based on deep learning[J]. Journal of Henan Agricultural Sciences, 2018, 47(8): 155-160. (in Chinese with English abstract)

[21] 趙靜，潘方江，蘭玉彬，等. 無人機可見光遙感和特征融合的小麥倒伏面積提取[J]. 農業工程學報，2021，37(3)：73-80.

Zhao Jing, Pan Fangjiang, Lan Yubin, et al. Wheat lodging area extraction using UAV visible light remote sensing and feature fusionp[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(3): 73-80. (in Chinese with English abstract)

[22] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

[23] 王正興，劉闖，Huete Alfredo. 植被指數研究進展：從AVHRR-NDVI到MODIS-EVI[J]. 生態學報，2003，23(5)：979-987.

Wang Zhengxing, Liu Chuang, Huete Alfredo. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979-987. (in Chinese with English abstract)

[24] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.

[25] Barnes E M, Clarke T R, Richards S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground-based multispectral data[C]//Proceedings of the 5th International Conference on Precision Agriculture and Other Resource Management. Bloomington, USA: University of Minnesota, 2000.

[26] Rouse J W. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[J]. NASA, 1974: 1-12.

[27] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.

[28] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[29] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[30] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76(2): 156-172.

[31] 朱秀芳，李石波，肖國峰. 基于無人機遙感影像的覆膜農田面積及分布提取方法[J]. 農業工程學報，2019，35(4)：106-113.

Zhu Xiufang, Li Shibo, Xiao Guofeng, et al. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 106-113. (in Chinese with English abstract)

[32] 季金勝. 高分辨率遙感影像典型地物目標的特征選擇及其穩定性研究[D]. 上海：上海交通大學，2015.

Ji Jinsheng. Feature Selection and Its Stability for Typical Geoobjects of the High-Resolution Remote Sensing Image[D]. Shanghai: Shanghai Jiao Tong University, 2015. (in Chinese with English abstract)

[33] 肖艷，姜琦剛，王斌，等. 基于ReliefF和PSO混合特征選擇的面向對象土地利用分類[J]. 農業工程學報，2016，32(4)：211-216.

Xiao Yan, Jiang Qigang, Wang Bin, et al. Object based land-use classification based on hybrid feature selection method of combining Relief F and PSO[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 211-216. (in Chinese with English abstract)

[34] 黃林生，阮超，黃文江，等. 基于GF-1遙感影像和relief-mRMR-GASVM模型的小麥白粉病監測[J]. 農業工程學報，2018，34(15)：167-175，314.

Huang Linsheng, Ruan Chao, Huang Wenjiang, et al. Wheat powdery mildew monitoring based on GF-1 remote sensing image and relief-mRMR-GASV M model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 167-175, 314. (in Chinese with English abstract)

[35] 劉吉超，王鋒. 基于Relief-F的半監督特征選擇算法[J]. 鄭州大學學報：理學版，2021，53(1)：42-46，53.

Liu Jichao, Wang Feng. A Semi-supervised Feature Selection Algorithm Based on Relief-F[J]. Journal of Zhengzhou University: Natural Science Edition. 2021, 53(1): 42-46, 53. (in Chinese with English abstract)

[36] 王君. 基于SVM-RFE的特征選擇方法研究[D]. 大連：大連理工大學，2015.

Wang Jun. The Research of Feature Selection Algorithm Based on SVM-RFE[D]. Dalian: Dalian University of Technology, 2015. (in Chinese with English abstract)

[37] 吳紅霞，吳悅，劉宗田，等. 基于Relief和SVM-RFE的組合式SNP特征選擇[J]. 計算機應用研究，2012，29(6)：2074-2077.

Wu Hongxia, Wu Yue, Liu Zongtian, et al. Combined SNP feature selection based on relief and SVM-RFE[J]. Application Research of Computers, 2012, 29(6): 2074-2077. (in Chinese with English abstract)

[38] 李紅，張凱，陳超，等. 基于高光譜成像技術的生菜冠層含水率檢測[J]. 農業機械學報，2021，52(2)：211-217，274.

Li Hong, Zhang Kai, Chen Chao, et al. Detection of moisture content in lettuce canopy based on hyperspectral imaging technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 211-217, 274. (in Chinese with English abstract)

[39] 慕濤陽，趙偉，胡曉宇，等. 基于改進的DeepLabV3+模型結合無人機遙感的水稻倒伏識別方法[J]. 中國農業大學學報，2022，27(2)：143-154.

Mu Taoyang, Zhao Wei, Hu Xiaoyu, et al. Rice lodging recognition method based on UAV remote sensing combined with the improved DeepLabV3+ model[J]. Journal of China Agricultural University, 2022, 27(2): 143-154. (in Chinese with English abstract)

[40] 支俊俊，董婭，魯李燦，等. 基于無人機RGB影像的玉米種植信息高精度提取方法[J]. 農業工程學報，2021，37(18)：48-54.

Zhi Junjun, Dong Ya, Lu Lican, et al. High-precision extraction method for maize planting information based on UAV RGB images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 48-54. (in Chinese with English abstract)

Extraction of maize lodging information after typhoon based on UAV multispectral remote sensing

Zhao Jing1,2, Yan Chunyu1,2, Yang Dongjiang1,2, Wen Yuting1,2, Li Wenhua1,2, Lu Liqun2,3, Lan Yubin1,2※

(1.,,255000,; 2.,,255000,;3.,,255000,)

Bending of the lower part of the stalk (lodging) has posed a great threat to the yield, quality, and mechanical harvesting capacity in maize production. It is a high demand to quickly identify the lodging of maize subjected to the large wind load. In this study, an unmanned aerial vehicle (UAV)-based multispectral remote sensing was utilized to extract the maize lodging information after typhoon. A field test was conducted at the ecological unmanned farm of Shandong University of Technology of China. A quadrotor UAV carrying a 6-channel multispectral camera was also used to capture the image of the maize field block. A Pix4Dmapper software was selected to spline the multispectral images, and the band synthesis tool of ENVI software was used to process the six single-band gray images into one image with six bands. Firstly, ten kinds of commonly-used indices of multispectral vegetation were all selected to calculate, where 20 features of near-infrared bands were involved in the classification, due to the sensor included two near-infrared bands (840 and 940 nm). Secondly, a principal component analysis (PCA) was made to transform the original 6-band multispectral image, where the first three principal component bands with the most information were retained to extract texture features. Eight texture features were obtained in each band. The minimum noise fraction rotation (MNF) was applied to reduce the dimensionality of 48 texture features generated by the original 6-band multispectral image, further to screen the first 6 texture features with the most retention information. Finally, a low- and high-pass filtering was used to process the images, where the above 62 features were taken as the full feature set. The numbers of obtained subsets were 10, 13, and 12, respectively, using the support vector machines-recursive feature elimination (SVM-RFE), ReliefF and Least absolute shrinkage and selection operator (Lasso). Five supervised classification models were selected to train the feature subsets of the target region, including SVM, Naive Bayes, K-nearest neighbor (KNN), decision tree, and artificial neural network (ANN). The most suitable classification model for different data sets was selected to classify and evaluate the accuracy of the multi-spectrum of the validation region. The results show that ReliefF, SVM-RFE, and Lasso feature screening algorithms effectively reduce the dimension of the data while maintaining high classification accuracy. The lowest classification accuracy of ReliefF feature screening algorithm was 89.02%. The lowest classification accuracies of SVM-RFE and Lasso feature screening algorithms were both 95.38% that was closer to the lowest classification accuracy of the full-feature data set of 94.80%. There was only a 0.58% difference from the lowest accuracy of the full-feature data set, indicating a higher accuracy while a significant reduction in the number of features involved in classification. A confusion matrix verified that KNN and ANN models could effectively identify soil background, normal maize, and lodging maize, with the highest overall accuracies of 93.49% and 91.77%, respectively, where the Kappa coefficients were 0.90 and 0.88. KNN model combined with SVM-RFE feature screening method had the best classification results. Consequently, the fawer features had participated for the higher classification and recognition accuracy. The finding can provide technical support to the rapid and accurate extraction of maize lodging information after typhoon using the UAV multi-spectral remote sensing.

UAV; remote sensing; extraction; multispectral; maize; lodging information; typhoon disaster

2021-03-25

2021-11-23

山東省引進頂尖人才“一事一議”專項經費資助項目（魯政辦字[2018]27號）

趙靜，博士，副教授，研究方向為農業遙感技術與智能檢測。Email：zbceozj@163.com

蘭玉彬，博士，教授，博士生導師，研究方向為精準農業航空。Email：ylan@sdut.edu.cn

10.11975/j.issn.1002-6819.2021.24.007

S127

A

1002-6819(2021)-24-0056-09

趙靜，閆春雨，楊東建，等. 基于無人機多光譜遙感的臺風災后玉米倒伏信息提取[J]. 農業工程學報，2021，37(24)：56-64. doi：10.11975/j.issn.1002-6819.2021.24.007 http://www.tcsae.org

Zhao Jing, Yan Chunyu, Yang Dongjiang, et al. Extraction of maize lodging information after typhoon based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(24): 56-64. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.24.007 http://www.tcsae.org