李 廣 張立元 宋朝陽 彭曼曼 張 瑜 韓文霆

(1.西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室， 陜西楊凌 712100；3.西北農(nóng)林科技大學(xué)資源與環(huán)境學(xué)院， 陜西楊凌 712100； 4.中國科學(xué)院水利部水土保持研究所， 陜西楊凌 712100；5.西北農(nóng)林科技大學(xué)水土保持研究所， 陜西楊凌 712100)

0 引言

小麥倒伏是最常見的自然災(zāi)害之一。倒伏會誘發(fā)各種病蟲害，嚴(yán)重影響籽粒灌漿過程，最終影響小麥產(chǎn)量與品質(zhì)[1-2]。小麥倒伏不利于機械化收割，需投入更多人力物力進(jìn)行收獲，大大增加了收獲成本和農(nóng)田收益損失[3-5]。據(jù)相關(guān)報道，倒伏小麥比未倒伏小麥平均每公頃減產(chǎn)約750 kg，同時機械收割平均每公頃多花費約375元，因此，準(zhǔn)確、快速獲取小麥倒伏信息對于農(nóng)業(yè)部門及農(nóng)業(yè)保險部門進(jìn)行災(zāi)情評估、防控指導(dǎo)和損失估計具有重要意義[6-8]。

目前，作物倒伏監(jiān)測方法主要分為人工法和遙感法[9]。人工法通過人力統(tǒng)計小麥倒伏信息，費時費力，效率低下；遙感法根據(jù)小麥倒伏與非倒伏地塊在遙感影像中各個特征變量的特異性，提取小麥倒伏信息[10]。韓東等[11]基于Sentinel-1雷達(dá)影像數(shù)據(jù)，用自然高與植株高的比值作為倒伏程度評價指標(biāo)，構(gòu)建了作物倒伏監(jiān)測模型，模型求解的自然高與植株高比值與實測比值總體相關(guān)性達(dá)到0.899。王立志等[12]基于多時相HJ-1B CCD影像，通過提取多種植被指數(shù)，分析植被指數(shù)變化量與實測倒伏樣本的關(guān)聯(lián)性，篩選對玉米倒伏敏感的植被指數(shù)，構(gòu)建了基于植被指數(shù)變化分析的玉米倒伏災(zāi)情遙感監(jiān)測模型，結(jié)果表明，玉米倒伏信息提取的總體精度為85.7%，Kappa系數(shù)為0.804，與農(nóng)業(yè)推廣站的監(jiān)測數(shù)據(jù)基本一致。王猛等[13]通過ASD光譜儀采集的數(shù)據(jù)，發(fā)現(xiàn)倒伏玉米與正常玉米的冠層光譜存在差異，再結(jié)合兩期遙感數(shù)據(jù)，利用NDVI對玉米倒伏進(jìn)行了監(jiān)測。ZHANG等[14]利用地面ASD高光譜數(shù)據(jù)和小波變換評估了倒伏對玉米品質(zhì)的影響。衛(wèi)星遙感技術(shù)存在成本高、易受天氣影響、時空分辨率低等缺點，近地遙感技術(shù)存在費時費力、效率低等缺點，限制了其在農(nóng)田尺度上的進(jìn)一步應(yīng)用。近年來，無人機遙感憑借其平臺易建性、成本低、操作簡單、時空分辨率高等優(yōu)勢，彌補了衛(wèi)星遙感和近地遙感的不足，已經(jīng)成為農(nóng)業(yè)定量遙感研究中快速、準(zhǔn)確獲取作物信息的主要工具，是當(dāng)前研究的熱點和趨勢[15-18]。目前，基于無人機遙感數(shù)據(jù)的作物倒伏信息提取方法主要有監(jiān)督分類法和像元統(tǒng)計分析法[19-21]，監(jiān)督分類法主要包括樣本訓(xùn)練和分類器選擇2個階段[19-21]，像元統(tǒng)計分析法主要通過統(tǒng)計分析圖像中地物在光譜、紋理和顏色方面的像元值，以差異系數(shù)和變異系數(shù)為評價指標(biāo)，選取單個特征參數(shù)進(jìn)行倒伏信息提取[15,19]。董錦繪等[21]以無人機拼接數(shù)碼影像為研究對象，分別采用最小距離、最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機4種監(jiān)督分類法對冬小麥倒伏信息進(jìn)行了提取，并估算了江蘇省里下河地區(qū)的小麥倒伏面積。

為探究多時相無人機遙感技術(shù)提取倒伏小麥的準(zhǔn)確性與通用性，本文用兩期無人機可見光影像，從增強圖像空間域方面，對圖像進(jìn)行二次低通濾波，構(gòu)建地物散點圖，構(gòu)建小麥倒伏信息，提取特定特征參數(shù)和綜合特征參數(shù)，結(jié)合K-means算法建立基于多時相遙感數(shù)據(jù)的冬小麥倒伏信息提取方法，為實現(xiàn)基于無人機遙感數(shù)據(jù)的作物倒伏信息提取提供技術(shù)支持。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)域概況

冬小麥試驗田位于西北農(nóng)林科技大學(xué)中國旱區(qū)節(jié)水農(nóng)業(yè)研究院(34°17′50.94″N，108°4′4.17″E)，地處關(guān)中平原中部，屬東亞暖溫帶半濕潤半干旱氣候區(qū)，具有春暖多風(fēng)、夏熱多雨、秋涼多連陰雨、冬寒干燥等明顯大陸性季風(fēng)氣候特征，年均氣溫12.9℃，年均降水量635.1 mm。作物種植制度為一年兩熟，農(nóng)作物主要是冬小麥和夏玉米。一般10月中下旬完成冬小麥播種，次年6月初完成收獲；6月中旬完成夏玉米播種，同年10月份收獲。

1.2 數(shù)據(jù)獲取及預(yù)處理

采用實驗室自主研發(fā)的多旋翼無人機遙感圖像采集平臺，見圖1，主要由六旋翼無人機、穩(wěn)定云臺、圖像采集控制器、地面站等組成，其主要技術(shù)參數(shù)如表1所示。該平臺可實現(xiàn)區(qū)域可見光遙感圖像和POS數(shù)據(jù)的自動走航線獲取，對于后期數(shù)據(jù)處理具有重要意義。后期應(yīng)用基本都是對基于拼接后的正射影像進(jìn)行研究，獲取準(zhǔn)確的正射影像尤為重要，自動獲取圖像的POS數(shù)據(jù)對于獲取準(zhǔn)確的正射影像有決定性作用，可以在拍照瞬間自動記錄無人機三維坐標(biāo)及飛行姿態(tài)，為拼出準(zhǔn)確正射影像提供保障。

圖1 多旋翼無人機遙感圖像采集平臺Fig.1 Multi-rotor UAV remote sensing image acquisition platform

圖2 2017年5月4日冬小麥倒伏地塊Fig.2 Lodging field of winter wheat on May 4th, 2017

參數(shù)數(shù)值軸距/mm800起飛質(zhì)量/kg5.4有效載荷/g1300續(xù)航時間/min17數(shù)傳通訊距離/km3電池動力/(mA·h)16000巡航速度/(m·s-1)5

2017年5月2—3日，試驗田所在區(qū)域出現(xiàn)降雨，并伴隨有大風(fēng)，導(dǎo)致田中部分冬小麥發(fā)生倒伏。根據(jù)小麥倒伏監(jiān)測數(shù)據(jù)，和農(nóng)田信息無人機遙感監(jiān)測經(jīng)驗，發(fā)現(xiàn)農(nóng)田信息無人機遙感監(jiān)測主要分為種植結(jié)構(gòu)調(diào)查和具體田間信息獲取，如作物覆蓋度、LAI、高度和災(zāi)害等。種植結(jié)構(gòu)調(diào)查需覆蓋面積大，分辨率達(dá)分米級，一般采用固定翼無人機，飛行高度在300 m以上；具體田間信息獲取需分辨率達(dá)厘米級，一般采用多旋翼無人機,在120 m以下的高度進(jìn)行采集[15,19]。根據(jù)相關(guān)研究經(jīng)驗和相關(guān)無人機管理規(guī)定，對灌漿期冬小麥數(shù)據(jù)進(jìn)行采集，選擇天氣晴朗、地面無持續(xù)風(fēng)向且風(fēng)力小于3級的時段，即5月4、16日的15：00—16：00；設(shè)置飛行高度40 m，航向及旁向重疊度為80%，相機快門時間1/1 250 s，ISO值200，白平衡為晴天，航拍獲取小麥試驗田217幅圖像。利用Pix4DMapper軟件對圖像進(jìn)行拼接處理[22-24]，獲取了小麥試驗田的正射影像，地面分辨率達(dá)0.8 cm。選取4塊倒伏小麥地塊作為感興趣區(qū)，如圖2、3所示，以TIFF格式存儲，保留了地物紅、綠、藍(lán)3種色彩的灰度信息，每種色彩含8位字節(jié)信息，數(shù)值范圍0～255。

1.3 小麥倒伏信息提取方法

圖3 2017年5月16日冬小麥倒伏地塊Fig.3 Lodging field of winter wheat on May 16th, 2017

基于無人機可見光遙感的小麥倒伏信息提取流程如圖4所示，主要包括遙感數(shù)據(jù)采集、圖像拼接及剪裁等預(yù)處理、二次低通紋理濾波、分類特征參數(shù)構(gòu)建、倒伏區(qū)域自動提取和精度評價及對比分析。由于無人機可見光遙感圖像中僅包含紅、綠、藍(lán)三波段的灰度信息，無其他定量光譜信息，如近紅外波段、熱紅外波段和紅邊波段等，為增大小麥倒伏和非倒伏田塊在圖像中的差異，需進(jìn)行空間域濾波處理對圖像進(jìn)行增強。卷積低通濾波通過保留圖像的低頻成分，可以有效抑制圖像噪聲。雖然，增加低通濾波次數(shù)有利于獲取圖像多尺度上的細(xì)節(jié)特征，但是隨著低通濾波次數(shù)的增加，特征圖像的邊界效應(yīng)會越明顯，進(jìn)而在增加計算量的同時降低分類精度。為有效表達(dá)紋理信息并降低計算復(fù)雜度，本文對全色波段采用二次低通濾波處理，數(shù)據(jù)處理軟件為ENVI5.3，二次低通濾波卷積核大小均為3，加回值均為0。倒伏區(qū)域自動提取采用K-means聚類算法，可在分類特征參數(shù)分布圖上進(jìn)行聚類分析，該算法不必對影像地物獲取先驗知識，僅依靠影像上不同地物的光譜、紋理等信息進(jìn)行特征提取，再統(tǒng)計特征的差別就可達(dá)到分類的目的[25-26]。為進(jìn)一步研究本文方法的實用性與準(zhǔn)確性，與支持向量機、神經(jīng)網(wǎng)絡(luò)和最大似然法的提取結(jié)果進(jìn)行對比分析。

圖4 冬小麥倒伏信息提取流程Fig.4 Extraction process of winter wheat lodging information

1.3.1圖像特征分析及分類特征參數(shù)構(gòu)建方法

基于遙感法提取小麥倒伏信息，可以利用倒伏和非倒伏田塊單個特征參量或多個特征組合參數(shù)的特異性進(jìn)行提取。單特征參量法要求倒伏和非倒伏作物在單個特征中存在明顯的差異，需要選擇足夠多的訓(xùn)練樣本分別統(tǒng)計正常小麥和倒伏小麥在每個特征參數(shù)的像素分布范圍，根據(jù)分布范圍的差異性確定單特征參數(shù)，通過閾值的方式進(jìn)行倒伏提取，這種方法存在操作不方便、受人為因素影響大的缺點；多特征組合法類似于植被指數(shù)的構(gòu)建方式，利用圖像特征組合的方式增強圖像，擴大正常作物與倒伏作物的差異，從而提取倒伏信息，這種方法操作簡單，受人為因素影響較小[15]。本文將用特征組合方式構(gòu)建分類特征參數(shù)，進(jìn)行小麥倒伏信息提取。

觀察圖2和圖3所示4塊感興趣區(qū)域影像，可知感興趣區(qū)域包括正常小麥、倒伏小麥以及裸地。目前，利用無人機遙感技術(shù)區(qū)分裸地與綠色植被的技術(shù)已經(jīng)非常成熟[27-29]，因此本文主要集中于從正常小麥中提取倒伏小麥。由于小麥田塊大小不均勻，為了使獲取的特征參數(shù)更具有代表性，感興趣區(qū)需能夠反映整個試驗地的種植狀況，選取田塊面積較大的地塊1和田塊面積較小的地塊3構(gòu)建特征參數(shù)，提取小麥倒伏信息，用地塊2和地塊4進(jìn)行驗證。特征參數(shù)具體構(gòu)建過程如下：使用ENVI5.3軟件圖像鑲嵌模塊，將地塊1和地塊3兩個區(qū)域圖像鑲嵌為一幅圖像；分別對兩期鑲嵌后可見光圖像進(jìn)行二次卷積低通濾波，獲取二次低通濾波紅色波段、二次低通濾波綠色波段和二次低通濾波藍(lán)色波段3項參數(shù)；用散點分析工具，獲取感興趣區(qū)倒伏小麥在3項參數(shù)兩兩組合坐標(biāo)系的散點分布圖，以倒伏和非倒伏小麥散點存在明顯分界線為依據(jù)，初步選定二次低通紅色波段和二次低通綠色波段為構(gòu)建組合特征參數(shù)的特征量；兩個時期散點分布如圖5所示，整個過程需選定組合坐標(biāo)系，并在地塊1和地塊3的圖像中勾畫倒伏小麥區(qū)域，同時觀察倒伏小麥的散點是否與非倒伏小麥的散點存在明顯的分界；當(dāng)?shù)狗头堑狗←溕Ⅻc存在明顯分界線，可以提取分界線散點坐標(biāo)值，并對其進(jìn)行線性擬合，即可獲得特征組合參數(shù)的表達(dá)式，參照植被指數(shù)構(gòu)建的方式，即可獲取特征組合參數(shù)。

圖5 倒伏和非倒伏小麥在不同時段的散點分布圖Fig.5 Scatter diagrams of lodging and unlodging wheat at different time

圖6 倒伏和非倒伏小麥在不同時段的邊界函數(shù)Fig.6 Boundary function of lodging and unlodging wheat at different time

圖5可通過ENVI5.3軟件散點分析工具自動獲取，地物散點坐標(biāo)值可以在圖5中直接讀取，因此，可直接讀取倒伏小麥邊界散點坐標(biāo)值，并對其進(jìn)行線性擬合得到組合特征參數(shù)的表達(dá)式，邊界函數(shù)線性擬合結(jié)果見圖6，5月4日、5月16日邊界函數(shù)為

B2=1.003B1+14.242

(1)

B2=0.860 4B1+19.338

(2)

式中B1——二次低通濾波圖像紅色波段灰度

B2——二次低通濾波圖像綠色波段灰度

倒伏小麥散點幾乎全都分布于邊界的左上側(cè)，非倒伏小麥的散點幾乎全都分布于分界線右下側(cè)，根據(jù)分界函數(shù)表達(dá)式，參考植被指數(shù)的構(gòu)建方式可分別構(gòu)建倒伏小麥在5月4日和5月16日的特征參數(shù)F1和F2。

F1=B2-1.003B1-14.242

(3)

F2=B2-0.860 4B1-19.338

(4)

1.3.2綜合特征參數(shù)構(gòu)建

式(3)、(4)確定了感興趣區(qū)域倒伏小麥在不同時段的提取特征參數(shù)F1和F2。分別用F1和F2對5月4日、5月16日圖像進(jìn)行倒伏信息提取。在提取過程中發(fā)現(xiàn)F1和F2在特定時段對小麥倒伏信息提取有很好效果，在通用性方面有局限性。分析研究圖6發(fā)現(xiàn)兩個時期倒伏小麥和正常小麥的散點分布規(guī)律基本相同，同時提取兩個時期的分界點，并進(jìn)行線性擬合,結(jié)果見圖7，根據(jù)圖7b線性擬合的結(jié)果可得到綜合特征參數(shù)

F3=B2-0.862 2B1-22.76

(5)

可用于灌漿期冬小麥兩個時期數(shù)據(jù)的倒伏信息提取。

1.3.3倒伏小麥信息提取

利用ENVI5.3軟件，對5月4日經(jīng)過二次低通濾波處理的圖像，按F1和F3進(jìn)行波段計算，分別獲取圖像計算結(jié)果，用K-means算法對計算結(jié)果進(jìn)行處理，獲取5月4日小麥倒伏信息；同理，對5月16日的圖像進(jìn)行相同的處理，獲取5月16日根據(jù)F2和F3提取的小麥倒伏信息。以結(jié)合地面數(shù)據(jù)的目視解譯結(jié)果為真值數(shù)據(jù)，采用混淆矩陣對不同方法提取小麥倒伏信息的結(jié)果進(jìn)行精度評價，具體精度評價方法見文獻(xiàn)[30-31]。本文用整體精度和Kappa系數(shù)來評價小麥倒伏信息的總體提取精度，用生產(chǎn)者精度(PA)和用戶精度(UA)構(gòu)建的F來評價小麥倒伏信息提取精度。

圖7 倒伏和非倒伏小麥綜合特征參數(shù)Fig.7 Comprehensive feature parameter of lodging and unlodging wheat

2 結(jié)果與分析

2.1 小麥倒伏信息分類特征參數(shù)獲取結(jié)果

為了說明構(gòu)建的組合特征參數(shù)確實增大了倒伏小麥與非倒伏小麥圖像特征差異，使用ENVI5.3軟件統(tǒng)計功能，在5月4日感興趣區(qū)圖像中，選取40個非倒伏樣本，35個倒伏樣本，在5月16日感興趣區(qū)圖像中，選取43個非倒伏樣本，20個倒伏樣本，統(tǒng)計8種圖像特征的均值、方差；根據(jù)均值和方差計算得到變異系數(shù)；根據(jù)各項特征的均值計算相對差異，結(jié)果見表2。

表2 倒伏和非倒伏小麥圖像特征統(tǒng)計Tab.2 Statistics of image feature of lodging and unlodging wheat

根據(jù)表2，兩個時期圖像的各項特征變異系數(shù)和相對差異有所不同：非倒伏小麥，變異系數(shù)分布范圍29.85%～61.94%；倒伏小麥，變異系數(shù)分布范圍17.18%～48.03%；倒伏小麥和非倒伏小麥的相對差異分布范圍36.79%～196.64%。將兩個時期原始圖像的3個波段特征與經(jīng)過二次低通濾波獲取的3個波段特征進(jìn)行對比，可以發(fā)現(xiàn)二次低通濾波獲取的3個特征變異系數(shù)小，相對差異大，二次低通濾波有增加倒伏與非倒伏小麥圖像差異的作用；分析F1、F2和F3圖像特征可以發(fā)現(xiàn)，3個組合特征參數(shù)的變異系數(shù)雖略有增加，但極大地擴大了相對差異，因此，本文通過倒伏小麥與非倒伏小麥散點圖分界線構(gòu)建的組合特征參數(shù)F1、F2和F3能夠提取倒伏小麥信息。

2.2 小麥倒伏信息提取結(jié)果與分析

分別用目視解譯法和基于特征參數(shù)的K-means分類法提取冬小麥倒伏信息，提取結(jié)果見圖8和圖9，提取精度見表3。目視解譯提取小麥倒伏信息時，由于感興趣區(qū)地物包括倒伏小麥、非倒伏小麥和分布極不規(guī)則裸地，因此通過人工目視解譯裸地不但工作量大而且精度不高，現(xiàn)區(qū)分裸地與綠色植物的分類方法已經(jīng)成熟，目視解譯可通過地面調(diào)查數(shù)據(jù)和圖像所呈現(xiàn)的客觀情況勾畫出小麥倒伏區(qū)并做掩膜處理，再用K-means算法對掩膜后圖像進(jìn)行分類。

圖8 5月4日感興趣區(qū)域倒伏小麥提取結(jié)果Fig.8 Wheat lodging extraction results of interest area on May 4th, 2017

如表3所示，兩個時相特征參數(shù)F1和F2提取的小麥倒伏信息，整體分類精度OA為89.51%～96.87%，Kappa系數(shù)為0.80～0.92，小麥倒伏提取精度F為82.69%～84.86%；綜合特征參數(shù)F3對小麥倒伏信息提取的整體分類精度OA為86.44%～92.09%，Kappa系數(shù)為0.73～0.81，小麥倒伏提取精度F為81.07%～83.47%。對比分析上述結(jié)果，5月4日數(shù)據(jù)的整體分類精度OA、Kappa系數(shù)和小麥倒伏信息提取精度F幾乎都高于5月16日數(shù)據(jù)的提取精度。比較圖8、9分類結(jié)果與原圖，5月4日圖像中倒伏的小麥幾乎是處于完全倒伏的狀態(tài)，該時期倒伏小麥與非倒伏小麥的圖像差異性比較明顯；而5月16日是倒伏發(fā)生13 d后的數(shù)據(jù)，該時期部分倒伏小麥開始逐漸由倒伏狀態(tài)變?yōu)橹绷顟B(tài)，該時期倒伏小麥處于完全倒伏和半倒伏兩種狀態(tài)，使倒伏小麥與非倒伏小麥圖像差異變小，而使倒伏信息提取精度變低。對比特定特征參數(shù)和綜合特征參數(shù)提取小麥倒伏信息的結(jié)果，可以發(fā)現(xiàn)根據(jù)綜合特征參數(shù)F3提取小麥倒伏信息的精度低于用特定特征參數(shù)F1、F2提取精度，由表3可知綜合特征參數(shù)的變異系數(shù)大于特定特征參數(shù)變異系數(shù)，且相對差異比特定特征參數(shù)小，因此，根據(jù)綜合特征參數(shù)提取小麥倒伏信息精度相對較低；對比特定特征參數(shù)和綜合特征參數(shù)提取小麥倒伏信息的過程，可以發(fā)現(xiàn)特定特征參數(shù)提取小麥倒伏信息只能用于特定時間數(shù)據(jù)處理，通用性較低，而綜合分界函數(shù)可用于一段時間內(nèi)數(shù)據(jù)的處理，具有一定通用性，且整體分類精度達(dá)86.44%以上，Kappa系數(shù)達(dá)0.73以上，小麥倒伏提取精度達(dá)81.07%以上，基本能滿足生產(chǎn)需要。綜合考慮小麥倒伏信息提取的通用性與準(zhǔn)確性，綜合特征參數(shù)F3可以完成冬小麥灌漿期一段時間內(nèi)的倒伏信息提取。

表3 小麥倒伏信息提取結(jié)果Tab.3 Wheat lodging extraction results

2.3 方法驗證與對比

將F3結(jié)合K-means算法的綜合特征參數(shù)分類法提取兩期可見光圖像小麥倒伏信息，能夠達(dá)到一定的精度。為了驗證該方法的適用性和準(zhǔn)確性，選取地塊2和地塊4作為驗證區(qū)，用綜合特征參數(shù)F3分別結(jié)合K-means算法、支持向量機、神經(jīng)網(wǎng)絡(luò)法和最大似然法對其進(jìn)行處理，其中，支持向量機、神經(jīng)網(wǎng)絡(luò)法和最大似然法的樣本需要能夠完全反映地物圖像特征，以此原則選取5月4日地塊2倒伏地樣本14個，非倒伏地樣本10個，地塊4非倒伏地樣本15個，倒伏地樣本9個；選取5月16日地塊2非倒伏地樣本20個，倒伏地樣本9個，地塊4非倒伏地樣本17個，倒伏地樣本9個，分別提取小麥倒伏信息，各種方法提取結(jié)果見表4。

表4 不同算法的小麥倒伏信息提取結(jié)果Tab.4 Wheat lodging extraction results by different methods

由表4可得，本文分類法提取小麥倒伏信息在整體分類精度和小麥倒伏提取精度方面都高于一般常用分類方法。

3 結(jié)論

(1)從增強圖像空間域方面，以特征組合方式構(gòu)建了各時相倒伏小麥提取特征參數(shù)，結(jié)合K-means算法提取小麥倒伏信息，整體分類精度為89.51%～96.87%，Kappa系數(shù)為0.80～0.92，小麥倒伏信息提取精度為82.69%～84.86%。

(2)綜合各時相特征參數(shù)相似性，構(gòu)建綜合特征參數(shù)，結(jié)合K-means算法提取小麥倒伏信息，整體分類精度為86.44%～92.09%，Kappa系數(shù)為0.73～0.81，對小麥倒伏信息提取精度為81.07%～83.47%；綜合特征參數(shù)對小麥倒伏信息的提取精度雖略低于特定時相特征參數(shù)的提取精度，但綜合特征參數(shù)法通用性較強，且提取精度基本能滿足需要，所以綜合特征參數(shù)可以提取冬小麥在灌漿期一段時間內(nèi)的倒伏信息。

(3)經(jīng)驗證，本文方法對小麥倒伏信息的整體分類精度達(dá)86.29%以上，Kappa系數(shù)達(dá)0.71以上，小麥倒伏提取精度達(dá)80.60%以上，其他常用方法提取的整體分類精度為69.68%～87.44%，Kappa系數(shù)0.49～0.72，小麥倒伏提取精度為65.33%～79.76%。