基于無(wú)人機(jī)航拍的苧麻倒伏信息解譯研究

王薇 付虹雨 盧建寧 岳云開(kāi) 楊瑞芳 崔國(guó)賢 佘瑋

摘要：莖桿倒伏是苧麻三麻培育中最常見(jiàn)的災(zāi)害，傳統(tǒng)的監(jiān)測(cè)方法具有耗時(shí)耗力、不及時(shí)等局限性。提出了一種基于無(wú)人機(jī)航拍獲取苧麻倒伏信息的方法，首先利用Pix4D Mapper軟件生成苧麻的冠層正射影像和數(shù)字表面模型（digital surface model，DSM），基于正射影像提取苧麻光譜、紋理及形狀特征，基于DSM提取苧麻株高指標(biāo)，最后結(jié)合3種機(jī)器學(xué)習(xí)算法構(gòu)建正常/倒伏苧麻分類(lèi)模型。結(jié)果表明，基于DSM提取的株高信息可以有效代替大田實(shí)測(cè)株高，模型R2為0.899。倒伏和正常苧麻在光譜、紋理、形狀及株高特征上具有差異。在3種機(jī)器學(xué)習(xí)算法中，支持向量機(jī)和決策樹(shù)模型的性能最好，準(zhǔn)確率達(dá)到99%，能夠高效地識(shí)別苧麻倒伏地塊。以上研究結(jié)果為準(zhǔn)確、快速評(píng)估作物倒伏情況提供了技術(shù)支撐。

關(guān)鍵詞：苧麻；倒伏；無(wú)人機(jī)；可見(jiàn)光相機(jī)；數(shù)字表面模型

doi：10.13304/j.nykjdb.2022.1066

中圖分類(lèi)號(hào)：S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008‐0864（2024）03‐0091‐07

倒伏災(zāi)害一直是農(nóng)業(yè)生產(chǎn)領(lǐng)域關(guān)注的熱點(diǎn)難題。作物倒伏會(huì)造成產(chǎn)量和質(zhì)量下降，影響農(nóng)業(yè)機(jī)械自動(dòng)化收割。倒伏災(zāi)情嚴(yán)重時(shí)，小麥、水稻等主要糧食作物產(chǎn)量損失率在22%左右，極端情況下甚至?xí)^產(chǎn)，對(duì)糧食安全造成重大威脅[1]。抗倒伏能力是作物良種選育研究中重要的遺傳特性以及選育標(biāo)準(zhǔn)，但倒伏信息獲取與評(píng)估仍是亟需解決的難題[2‐3]。目前，倒伏已納入我國(guó)農(nóng)業(yè)保險(xiǎn)體系，及時(shí)、有效地獲取大面積農(nóng)田的倒伏信息是科學(xué)、有序、精準(zhǔn)進(jìn)行農(nóng)業(yè)保險(xiǎn)理賠以及救災(zāi)補(bǔ)償?shù)幕A(chǔ)[4]。快速、準(zhǔn)確的倒伏信息獲取手段對(duì)于作物的生產(chǎn)管理、良種選育以及災(zāi)害保險(xiǎn)具有重要意義。

早期作物倒伏估測(cè)是由人工進(jìn)行實(shí)地調(diào)查，然后記錄相關(guān)倒伏信息。但作物的倒伏具有突發(fā)性、隨機(jī)性以及范圍廣等特點(diǎn)，傳統(tǒng)調(diào)查方式難以實(shí)現(xiàn)大范圍災(zāi)情監(jiān)測(cè)和減災(zāi)措施實(shí)施的及時(shí)響應(yīng)[5]。近年來(lái)，近地遙感技術(shù)在農(nóng)業(yè)領(lǐng)域發(fā)展迅速，使得高精度、高頻次、高效率的作物長(zhǎng)勢(shì)信息采集成為可能，為倒伏監(jiān)測(cè)和災(zāi)情評(píng)估提供了科學(xué)方法。基于遙感的作物倒伏研究思路主要有2種。一是基于遙感光譜探測(cè)田間作物倒伏狀況。倒伏發(fā)生時(shí)，作物冠層結(jié)構(gòu)具有葉片雜亂，作物莖、穗暴露等特點(diǎn)，因此利用作物不同部位光譜反射率的差異可實(shí)現(xiàn)倒伏遙感監(jiān)測(cè)。王猛等[6]發(fā)現(xiàn)，倒伏玉米的冠層光譜反射率低于正常玉米，并由此實(shí)現(xiàn)倒伏玉米識(shí)別。田明璐等[7]發(fā)現(xiàn)，多光譜中倒伏水稻在各個(gè)波段的反射率均高于正常水稻，利用光譜差異對(duì)倒伏水稻的分類(lèi)精度達(dá)到99.04%。陸洲等[8]利用作物的光譜特征識(shí)別正常/倒伏水稻，其中高光譜的紅光波段、差異植被指數(shù)（difference vegetation index，DVI）的差異最大。二是基于遙感空間結(jié)構(gòu)數(shù)據(jù)探測(cè)田間作物倒伏狀況，空間結(jié)構(gòu)數(shù)據(jù)包括作物株高以及冠層紋理特征[9]。倒伏災(zāi)害發(fā)生時(shí)，直立生長(zhǎng)的作物會(huì)歪斜或匍倒，導(dǎo)致群體絕對(duì)株高降低，冠層紋理的均一性被破壞。胡琪等[10]通過(guò)計(jì)算小麥的絕對(duì)高度監(jiān)測(cè)倒伏狀況，在大面積倒伏災(zāi)害識(shí)別中，正常/嚴(yán)重倒伏的識(shí)別精度最高。董錦繪等[11]通過(guò)紅綠藍(lán)（red green blue，RGB）色彩模式的三通道特征參數(shù)識(shí)別正常/倒伏小麥存在一定誤差，提出需要結(jié)合光譜信息建立基于作物的數(shù)字表面模型（digital surface model，DSM）影像。趙立成等[12]在無(wú)人機(jī)可見(jiàn)光影像數(shù)據(jù)上增加了DSM數(shù)據(jù)，依靠田埂/小麥、正常/倒伏之間冠層高度差異消除了光譜中的“椒鹽”現(xiàn)象，提高了識(shí)別精度。前人對(duì)基于多光譜遙感的作物倒伏監(jiān)測(cè)進(jìn)行了大量研究，但忽視了作物冠層影像包含的空間結(jié)構(gòu)信息的影響，缺乏多維數(shù)據(jù)比對(duì)。同時(shí)，雖然有研究證明利用無(wú)人機(jī)（unmanned aerial vehicles，UAV）獲取的DSM數(shù)據(jù)能夠有效監(jiān)測(cè)作物倒伏信息，但只考慮了作物的絕對(duì)高度，而株高受遺傳因素、栽培管理、生長(zhǎng)環(huán)境等眾多因素影響，絕對(duì)高度在研究中不具備普適性。因此，需要引入更靈活的株高相關(guān)指標(biāo)進(jìn)行倒伏研究。

倒伏作為苧麻生產(chǎn)中常見(jiàn)的農(nóng)業(yè)災(zāi)害，嚴(yán)重影響了苧麻的高產(chǎn)優(yōu)質(zhì)。當(dāng)前，有關(guān)作物倒伏研究多集中于水稻、小麥等作物，研究?jī)?nèi)容側(cè)重正常/倒伏作物分類(lèi)以及倒伏面積提取，鮮有關(guān)于苧麻倒伏監(jiān)測(cè)和倒伏災(zāi)害脅迫下多生長(zhǎng)指標(biāo)的響應(yīng)解析研究。本研究采用無(wú)人機(jī)遙感系統(tǒng)獲取苧麻倒伏前后的冠層可見(jiàn)光影像，利用數(shù)字表面模型提取株高相關(guān)參數(shù)，正射影像提取冠層紋理特征，進(jìn)而基于多維數(shù)據(jù)，定量評(píng)估苧麻倒伏情況。

1 材料與方法

1.1 試驗(yàn)區(qū)域

試驗(yàn)區(qū)位于湖南省長(zhǎng)沙市芙蓉區(qū)湖南農(nóng)業(yè)大學(xué)耘園教學(xué)基地（28°11′1.981″N、113°4′10.159″ E，圖1）。該區(qū)屬典型的亞熱帶季風(fēng)性濕潤(rùn)氣候，降水充沛，光熱條件良好，是苧麻生長(zhǎng)的主產(chǎn)區(qū)之一。試驗(yàn)區(qū)地勢(shì)平坦，無(wú)遮擋物，為無(wú)人機(jī)進(jìn)行遙感作業(yè)提供了有利條件。試驗(yàn)地面積為15 m×60 m，布置154 個(gè)小區(qū)，小區(qū)種植品種無(wú)重復(fù)，共包含154份苧麻種質(zhì)資源。各小區(qū)面積2.0 m×1.8 m，2行×4蔸，蔸間距0.4 m，行間距0.6 m，排水溝寬為0.5 m。苧麻于2017 年12 月育苗移栽，2018 年6月破桿。試驗(yàn)區(qū)土壤成分均一且土壤肥沃，灌溉排水便捷，田間水肥管理一致。

1.2 無(wú)人機(jī)航拍照片獲取

于2019、2020年苧麻三麻的關(guān)鍵生育期即苗期、封行期、旺長(zhǎng)期和成熟期，采用大疆悟2四旋翼無(wú)人機(jī)（Inspire 2 DJI，深圳）搭載蟬思X5s高清數(shù)碼相機(jī)進(jìn)行苧麻倒伏監(jiān)測(cè)。該相機(jī)有效像素可達(dá)2 080萬(wàn)，最大分辨率為5 280×3 956。為保證太陽(yáng)輻射穩(wěn)定和充足，選擇晴朗無(wú)云天氣于當(dāng)?shù)貢r(shí)間12：00—14：00進(jìn)行作業(yè)。無(wú)人機(jī)遙感平臺(tái)采用DJI GO軟件在指定區(qū)域內(nèi)自動(dòng)生成航線(xiàn)，飛行高度20 m，云臺(tái)俯仰角-90°，飛行速度2 m·s-1，航向及旁向重疊度均為85%。所搭載數(shù)碼相機(jī)的曝光模式選擇自動(dòng)。各生育期飛行任務(wù)的拍攝參數(shù)、航線(xiàn)規(guī)劃一致，在飛行任務(wù)執(zhí)行前設(shè)置完成。

1.3 圖像處理

無(wú)人機(jī)拍攝的影像采用Pix4D Mapper軟件進(jìn)行拼接。利用Arc GIS 10.2軟件中的柵格工具，在全幅DSM影像上構(gòu)建小區(qū)尺度的矩形感興趣區(qū)域（area of interest，AOI）。AOI繪制時(shí)，沿小區(qū)四周邊緣余留10%，同時(shí)按小區(qū)行列號(hào)進(jìn)行編號(hào)，并以shapefile文件保存。

1.4 特征指標(biāo)提取方法

1.4.1 株高指標(biāo)的獲取 株高是能夠直接表征作物倒伏情況的關(guān)鍵特征參數(shù)，一般情況下，倒伏作物的冠層高度會(huì)低于正常作物。本研究采用植株上邊界與地面之間的高程差值來(lái)計(jì)算苧麻株高[13]。植株上邊界通過(guò)航拍獲取的植株冠層DSM估算，地面高程通過(guò)試驗(yàn)地裸土DSM估算。結(jié)合株高數(shù)據(jù)計(jì)算倒伏前后株高變化，株高發(fā)生正向變化判定為正常苧麻，發(fā)生反向變化判定為倒伏苧麻。混合點(diǎn)云在一定程度上會(huì)導(dǎo)致估測(cè)株高存在誤差，因此以降低幅度為10 %指標(biāo)檢驗(yàn)初步判定為倒伏的苧麻。

1.4.2 紋理、光譜、形狀指標(biāo)的獲取 通過(guò)目視解譯及地面調(diào)查結(jié)果從影像上篩選倒伏和正常苧麻對(duì)象，進(jìn)而分別獲取不同類(lèi)型地塊的光譜、紋理及形狀特征。其中，光譜特征通過(guò)RGB不同波段數(shù)字量化值（digital number，DN）組合而成。紋理特征選用灰度共生矩陣（gray level co-occurrencematrices，GLCM），包括同質(zhì)度、對(duì)比度、熵與均值4個(gè)特征[14]。本研究在經(jīng)驗(yàn)累積以及不斷試錯(cuò)的基礎(chǔ)上，共選取了5個(gè)顏色特征、4個(gè)紋理特征及4 個(gè)形狀特征進(jìn)行分析。提取正常苧麻地塊138個(gè)，倒伏苧麻地塊16個(gè)。相關(guān)特征描述與計(jì)算方法如表1所示。

1.5 苧麻倒伏識(shí)別模型構(gòu)建

利用隨機(jī)森林（random forest，RF）、支持向量機(jī)（support vector machine，SVM）、決策樹(shù)（decisiontree，DT）3種機(jī)器算法，以70%的數(shù)據(jù)為訓(xùn)練集，30%的數(shù)據(jù)為測(cè)試集，建立3個(gè)分類(lèi)模型。

2 結(jié)果與分析

2.1 株高提取精度分析

基于株高數(shù)字表面模型（HDSM）和實(shí)測(cè)株高構(gòu)建的一元線(xiàn)性回歸模型如式1所示，R2為0.899，均方根誤差（root mean squared error，RMSE）為0.234，模型擬合程度較好，表明遙感影像提取株高具有代替大田群體苧麻株高的可行性。表2為株高數(shù)字表面模型與實(shí)際株高的對(duì)比分析，實(shí)際株高均值比遙感影像提取的株高均值低1.6 cm，誤差范圍在可接受范圍。綜上所述，遙感影像提取的株高可用于計(jì)算倒伏前后株高差異。

y=-0.004 1x+1.960 2 （1）

2.2 正常苧麻與倒伏苧麻的特征差異分析

圖2為倒伏和正常苧麻在光譜、紋理、形狀和株高數(shù)字表面模型特征上的差異對(duì)比。在光譜特征上，倒伏地塊的紅色標(biāo)準(zhǔn)值、綠色標(biāo)準(zhǔn)值、藍(lán)色標(biāo)準(zhǔn)值、綠葉植被指數(shù)與超綠植被指數(shù)均低于正常苧麻分布的地塊，其中綠色標(biāo)準(zhǔn)值、綠葉植被指數(shù)與超綠植被指數(shù)的倒伏地塊分布集中。在紋理特征上，倒伏地塊灰度共生矩陣同質(zhì)度、對(duì)比度、熵以及均值都明顯低于正常苧麻地塊，且2類(lèi)對(duì)象在灰度共生矩陣同質(zhì)度、對(duì)比度、熵這3項(xiàng)紋理特征上沒(méi)有交集，表明紋理特征是分類(lèi)倒伏苧麻和正常苧麻的重要特征。在形狀特征上，倒伏地塊在邊界指數(shù)、圓度、緊湊度3項(xiàng)指標(biāo)上都高于正常地塊，而密度低于正常地塊；在DSM值上，倒伏苧麻DSM值整體低于正常地塊。成熟期正常苧麻株高數(shù)字表面模型值在0.956～3.563 m，而倒伏地塊株高數(shù)字表面模型值在0.512～1.256 m，株高數(shù)字表面模型中所有低于正常苧麻株高最小值0.956 m的植株都呈現(xiàn)出不同程度的倒伏形態(tài)，表明株高數(shù)字表面模型極具區(qū)分倒伏和正常苧麻的潛力。

綜上，結(jié)合倒伏與正常地塊間的特征差異程度，選取了11項(xiàng)特征值，分別為3項(xiàng)光譜特征綠色標(biāo)準(zhǔn)值、綠葉植被指數(shù)和超綠植被指數(shù)；3項(xiàng)紋理特征灰度共生矩陣同質(zhì)度、對(duì)比度、熵；4項(xiàng)性狀特征邊界指數(shù)、緊湊度、圓度、密度以及HDSM特征值，作為區(qū)分倒伏苧麻和正常苧麻的光譜特征。

2.3 模型對(duì)比分析

由表3可知，隨機(jī)森林（RF）的精確率為0.98，召回率為1.00，F(xiàn)1分?jǐn)?shù)為0.99，準(zhǔn)確率為98%；支持向量機(jī)（SVM）的精確率為0.99，召回率為1.00，F(xiàn)1分?jǐn)?shù)為1.00，準(zhǔn)確率為99%。決策樹(shù)（DT）的精確率為1.00，召回率為0.99，F(xiàn)1分?jǐn)?shù)為1.00，準(zhǔn)確率為99%。綜上，3種機(jī)器學(xué)習(xí)算法在識(shí)別正常苧麻和倒伏苧麻上均有較高的準(zhǔn)確率，其中SVM與DT模型表現(xiàn)更好，基于機(jī)器學(xué)習(xí)的正常苧麻和倒伏苧麻地塊快速識(shí)別是可行的。

2.4 倒伏脅迫下苧麻生物量的差異分析

以倒伏后的苧麻生物量為指標(biāo)反映倒伏災(zāi)害對(duì)苧麻生長(zhǎng)狀況的影響。由表4可知，發(fā)生嚴(yán)重倒伏的苧麻生物量均值僅為1.199 kg·m-2，比正常苧麻生物量均值低1.173 kg·m-2，比發(fā)生一般倒伏的苧麻生物量均值低0.985 kg·m-2。由此可見(jiàn)，苧麻倒伏對(duì)其產(chǎn)量具有很大影響，控制苧麻抗倒程度是提高其產(chǎn)量和質(zhì)量的重要措施。

3 討 論

基于無(wú)人機(jī)航拍圖像獲取苧麻倒伏信息相較于傳統(tǒng)的人工方法具有快捷、準(zhǔn)確、無(wú)損等優(yōu)勢(shì)，為倒伏災(zāi)害的識(shí)別和及時(shí)防治提供了技術(shù)支撐。梁永檢等[15]基于DSM 對(duì)甘蔗全生育期的株高監(jiān)測(cè)，預(yù)測(cè)精度較高，R2 為0.961。本研究中，基于DSM的苧麻株高估測(cè)精度為0.899，可能是由于無(wú)人機(jī)飛行高度較低，槳葉旋轉(zhuǎn)產(chǎn)生氣流導(dǎo)致部分苧麻傾倒，株高信息受損。

利用特征篩選方法可以獲得較高的分類(lèi)精度。趙靜等[16]通過(guò)篩選特征植被指數(shù)和紋理指數(shù)，結(jié)合支持向量機(jī)構(gòu)建了基于多光譜的倒伏玉米分類(lèi)模型，精度達(dá)到95.38%。本研究中，增加了紋理、形狀、植株高度等特征，共篩選了13項(xiàng)特征指標(biāo)，取得了較好的效果。雖然高清數(shù)碼相機(jī)所拍攝的影像獲取的植被指數(shù)信息少于多光譜信息，但所取得的高精度的空間位置信息和紋理結(jié)構(gòu)信息，是多光譜相機(jī)很好的替代[17‐18]。

已有研究探討了基于RGB相機(jī)評(píng)估倒伏程度的可行性，申華磊等[19]采用深度學(xué)習(xí)算法建立小麥倒伏面積分割模型，在識(shí)別正常和倒伏小麥中獲得了97.25%的準(zhǔn)確率。深度學(xué)習(xí)需要使用大量的樣本數(shù)據(jù)，本研究采用的支持向量機(jī)、決策樹(shù)2種機(jī)器學(xué)習(xí)算法適合小樣本進(jìn)行監(jiān)測(cè)，在分類(lèi)正常苧麻和倒伏苧麻上達(dá)到了99%的準(zhǔn)確率。因此，利用航拍圖像中提取的多種特征指數(shù)，結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建的分類(lèi)模型用于識(shí)別正常苧麻和倒伏苧麻是可行的。但對(duì)于苧麻倒伏程度分級(jí)與倒伏面積的提取，仍需開(kāi)展后續(xù)試驗(yàn)。

參 考 文 獻(xiàn)

［1］ 劉利華，金再欣，劉小麗，等.水稻倒伏對(duì)產(chǎn)量影響的試驗(yàn)結(jié)

果分析[J].中國(guó)稻米，2009（2）：19-21.

［2］ 張建，謝田晉，楊萬(wàn)能，等.近地遙感技術(shù)在大田作物株高測(cè)

量中的研究現(xiàn)狀與展望[J].智慧農(nóng)業(yè)，2021，3（1）：1-15.

ZHANG J， XIE T J， YANG W N，et al .. Research status and

prospect on height estimation of field crop using near-field

remote sensing technology [J]. Smart Agric.， 2021，3（1）：1-15.

［3］ SU W，ZHANG M，BIAN D，et al .. Phenotyping of corn plants

using unmanned aerial vehicle （UAV） images [J/OL]. Remote

Sens.，2019，11（17）：2021 [2022-11-06]. https：//doi.org/10.3390/

rs11172021.

［4］ XUE J，GOU L，ZAO Y S，et al .. Effects of light intensity within

the canopy on maize lodging [J]. Field Crops Res.，2016，188：

133-141.

［5］ 周龍飛.基于多源遙感數(shù)據(jù)的玉米倒伏災(zāi)情監(jiān)測(cè)研究[D].

青島：山東科技大學(xué)，2020.

ZHOU L F. Monitoring of maize lodging disaster based on

multi-source remote sensing data [D]. Qingdao： Shandong

University of Science and Technology，2020.

［6］ 王猛，隋學(xué)艷，梁守真，等.夏玉米倒伏模擬試驗(yàn)及遙感監(jiān)測(cè)

[J].測(cè)繪科學(xué)，2017，42（8）：137-141.

WANG M， SUI X Y， LIANG S Z，et al .. Simulation test and

remote sensing monitoring of summer corn lodging [J]. Sci.

Survey. Map.， 2017，42（8）：137-141.

［7］ 田明璐，班松濤，袁濤，等.基于低空無(wú)人機(jī)多光譜遙感的水

稻倒伏監(jiān)測(cè)研究[J].上海農(nóng)業(yè)學(xué)報(bào)，2018，34（6）：88-93.

TIAN M L，BAN S T，YUAN T，et al .. Monitoring of lodged rice

using low-altitude UAV based multispectral image [J]. Acta

Agric. Shanghai， 2018，34（6）：88-93.

［8］ 陸洲，徐飛飛，羅明，等.倒伏水稻特征分析及其多光譜遙感

提取方法研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2021，29（4）：751-761.

LU Z，XU F F， LUO M，et al .. Characteristic analysis of lodging

rice and study of the multi-spectral remote sensing extraction

method [J]. Chin. J. Eco-Agric.， 2021，29（4）：751-761.

［9］ 樊鴻葉，李姚姚，盧憲菊，等.基于無(wú)人機(jī)多光譜遙感的春玉

米葉面積指數(shù)和地上部生物量估算模型比較研究[J].中國(guó)

農(nóng)業(yè)科技導(dǎo)報(bào)，2021，23（9）：112-120.

FAN H Y，LI Y Y， LU X J，et al .. Comparative analysis of LAI

and above-ground biomass estimation models based on UAV

multispectral remote sensing [J]. J. Agric. Sci. Technol.，2021，

23（9）：112-120.

［10］ 胡琪，武紅旗，軒俊偉，等.基于無(wú)人機(jī)DSM的小麥倒伏信息

提取[J].安徽農(nóng)業(yè)科學(xué)，2020，48（16）：227-231.

HU Q，WU H Q，XUAN J W，et al .. Information extraction of

wheat lodging based on DSM by UAV remote sensing [J]. J.

Anhui Agric. Sci.，2020，48（16）：227-231.

［11］ 董錦繪，楊小冬，高林，等.基于無(wú)人機(jī)遙感影像的冬小麥倒

伏面積信息提取[J].黑龍江農(nóng)業(yè)科學(xué)，2016（10）：147-152.

DONG J H，YANG X D，GAO L，et al .. Information extraction of

winter wheat lodging area based on UAV remote sensing image

[J]. Heilongjiang Agric. Sci.， 2016（10）：147-152.

［12］ 趙立成，段玉林，史云，等.基于無(wú)人機(jī)DSM的小麥倒伏識(shí)別

方法[J].中國(guó)農(nóng)業(yè)信息，2019，31（4）：36-42.

ZHAO L C， DUAN Y L， SHI Y， et al .. Wheat lodging

identification using DSM by drone [J]. Chin. Agric. Inform.，

2019，31（4）：36-42.

［13］ P?REZHARGUINDEGUY N，D?AZ S，GARNIER E ，et al .. New

handbook for standardised measurement of plant functional

traits worldwide [J/OL]. Australian J. Botany，2013，61： 12225

[2022-11-06]. https：//doi.org/10.1071/BT12225.

［14］ 宋茜.農(nóng)作物空間分布信息提取及其時(shí)空格局變化分析研

究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2018.

SONG Q. Crop mapping and spatio-temporal analysis of

agricultural land-use [D]. Beijing： Chinese Academy of Agricultural

Sciences，2018.

［15］ 梁永檢，吳文志，施澤升，等.基于無(wú)人機(jī)RGB遙感的甘蔗株

高估測(cè)[J].作物雜志，2023（1）：226-232.

LIANG Y J，WU W Z，SHI Z S，et al .. Estimation of sugarcane

plant height based on UAV RGB remote sensing [J]. Crops，

2023（1）：226-232.

［16］ 趙靜，閆春雨，楊東建，等.基于無(wú)人機(jī)多光譜遙感的臺(tái)風(fēng)災(zāi)

后玉米倒伏信息提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（24）：56-64.

ZHAO J， YAN C Y， YANG D J，et al .. Extraction of maize

lodging information after typhoon based on UAV multispectral

remote sensing [J]. Trans. Chin. Soc. Agric. Eng.，2021，37（24）：

56-64.

［17］ 李宗南，陳仲新，王利民，等.基于小型無(wú)人機(jī)遙感的玉米倒

伏面積提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（19）：207-213.

LI Z N，CHEN Z X，WANG L M，et al .. Area extraction of maize

lodging based on remote sensing by small unmanned aerial

vehicle [J]. Trans. Chin. Soc. Agric. Eng.，2014，30（19）：207-213.

［18］ 毛智慧，鄧?yán)冢w曉明，等.利用無(wú)人機(jī)遙感提取育種小區(qū)玉

米倒伏信息[J].中國(guó)農(nóng)學(xué)通報(bào)，2019，35（3）：62-68.

MAO Z H， DENG L， ZHAO X M，et al .. Extraction of maize

lodging in breeding plot based on UAV remote sensing [J].

Chin. Agric. Sci. Bull.，2019，35（3）：62-68.

［19］ 申華磊，蘇歆琪，趙巧麗，等.基于深度學(xué)習(xí)的無(wú)人機(jī)遙感小

麥倒伏面積提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（9）：252-

260，341.

SHEN H L，SU X Q，ZHAO Q L，et al .. Extraction of lodging

area of new wheat varieties by unmanned aerial vehicle remote

sensing via deep learning [J]. Trans. Chin. Soc. Agric. Mach.，

2022，53（9）：252-260，341.

（責(zé)任編輯：胡立霞）