王 杰，劉 實，蘭玉彬，陳立文，郭永青，王 穎

基于HJ-1A/B CCD數(shù)據(jù)的玉米倒伏識別方法

王 杰1,2，劉 實3，蘭玉彬1,4，陳立文5，郭永青2，王 穎6

（1. 山東理工大學(xué)國際精準農(nóng)業(yè)航空應(yīng)用技術(shù)研究中心，淄博 255000；2. 山東理工大學(xué)交通與車輛工程學(xué)院，淄博 255000； 3. 吉林省氣象局，長春 130062；4. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，淄博 255000；5. 吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院，長春 130026；6. 吉林省氣象科學(xué)研究所，長春 130062）

為快速獲取大面積玉米倒伏災(zāi)情信息，以2012年臺風(fēng)“布拉萬”過境導(dǎo)致大面積玉米倒伏的公主嶺市為研究區(qū)，利用HJ-1A/BCCD數(shù)據(jù)，對受災(zāi)前后倒伏玉米和正常玉米之間的光譜差異進行分析，提取歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、增強植被指數(shù)（EVI）、差值植被指數(shù)（DVI）及4波段光譜反射率主成分，結(jié)合地面調(diào)查構(gòu)建基于二元Logistic回歸的玉米倒伏識別模型，并進行精度評價和驗證。結(jié)果表明：玉米倒伏后冠層光譜反射率在可見光?近紅外波段均表現(xiàn)為增大，但植被指數(shù)減??；二元Logistic回歸方法對玉米倒伏識別適用，所建模型中以4波段光譜反射率主成分構(gòu)建的二元Logistic回歸模型對玉米倒伏的識別效果最優(yōu)，測試集上分類結(jié)果的準確率達到96.23%，NDVI和RVI模型次之，準確率為80%左右；將主成分模型應(yīng)用于公主嶺市倒伏玉米識別，結(jié)果與災(zāi)情實際情況基本一致。基于二元Logistic回歸模型對玉米倒伏進行監(jiān)測的思路和方法可為區(qū)域尺度玉米倒伏的多光譜遙感監(jiān)測提供參考。

遙感；環(huán)境減災(zāi)衛(wèi)星；災(zāi)害；玉米；倒伏

玉米是全球種植面積最廣、總產(chǎn)最高的農(nóng)作物之一，其種植面積和總產(chǎn)量僅次于水稻和小麥[1]。玉米莖稈高大，易受大風(fēng)暴雨等外力作用發(fā)生倒伏，從而嚴重影響產(chǎn)量、籽粒品質(zhì)及機械收獲[2?5]。據(jù)統(tǒng)計，由倒伏造成的玉米減產(chǎn)一般可達15%～30%，嚴重區(qū)域可達50%以上，甚至絕收[6?8]。此外，近年來中國農(nóng)業(yè)保險發(fā)展迅速，日益受到農(nóng)業(yè)管理部門、種植戶和保險行業(yè)的高度重視，而客觀、快速、準確地監(jiān)測和評估作物受災(zāi)狀況，有助于及時開展保險理賠和救災(zāi)補償，最大限度地減少種植戶的受災(zāi)損失[9?11]。因此，及時、客觀、快速和定量地監(jiān)測玉米倒伏發(fā)生的范圍和受災(zāi)程度具有重要意義，而遙感監(jiān)測在此方面具有獨特優(yōu)勢。玉米發(fā)生倒伏后，冠層結(jié)構(gòu)將發(fā)生明顯變化，從而使冠層輻射傳輸特性和光譜特征發(fā)生改變，這為大面積玉米倒伏的遙感監(jiān)測提供了可能性。近年來，隨著遙感技術(shù)的發(fā)展，作物倒伏遙感監(jiān)測研究開始引起學(xué)者們的關(guān)注。當前對玉米倒伏的遙感監(jiān)測研究主要集中在倒伏玉米光譜特征變化和遙感監(jiān)測方法兩方面。王猛等[12]對ASD光譜儀所采集數(shù)據(jù)的分析發(fā)現(xiàn)，與正常玉米相比，倒伏玉米的冠層光譜反射率，在可見光和近紅外波段均顯著下降；包玉龍等[13]對USB2000高光譜儀采集數(shù)據(jù)的分析表明，倒伏玉米的反射率在可見光波段減小，而在近紅外波段增大，與正常玉米反射信息比較，具有非常明顯的各項異性特征。韓東等[14]利用Sentinel-1雷達影像提出了一種采用自然高與植株高的比值作為倒伏程度評價指標的玉米倒伏監(jiān)測模型，模型求解的自然高/植株高比值與實測比值總體相關(guān)性達到0.899；王立志等[15]對多時相HJ-1B衛(wèi)星CCD多光譜影像的分析發(fā)現(xiàn)，倒伏玉米反射率在可見光波段高于未倒伏玉米，而在近紅外波段，略低于未倒伏玉米，并基于此通過篩選確定倒伏前后的比值植被指數(shù)（RVI）差值作為敏感指標，采用閾值法實現(xiàn)了區(qū)域尺度下的玉米倒伏受災(zāi)范圍監(jiān)測和災(zāi)情評估；李宗南等[16]對Worldview-2影像的分析表明，玉米倒伏后8個波段的反射率均升高，并提出了基于最大似然分類法使用紅邊、近紅外1和近紅外2等3波段光譜反射率的玉米倒伏面積估算方法；任紅玲等[17]利用環(huán)境減災(zāi)衛(wèi)星數(shù)據(jù)，采用最大似然法對“布拉萬”臺風(fēng)造成的吉林省玉米倒伏災(zāi)害進行了監(jiān)測。可見，已有研究中玉米倒伏后冠層光譜特征變化差異較大，這可能與玉米倒伏時所處的生育期以及倒伏程度輕重有關(guān)；針對不同遙感數(shù)據(jù)、不同倒伏玉米冠層光譜變化特征采用的玉米倒伏遙感監(jiān)測方法差異較大。因此，針對玉米倒伏后冠層光譜變化及玉米倒伏遙感監(jiān)測方法仍需進一步研究，以明確玉米倒伏后冠層光譜變化規(guī)律，并最終建立相對成熟的遙感監(jiān)測方法。

本研究以受臺風(fēng)“布拉萬”影響，玉米大面積倒伏受災(zāi)的吉林省公主嶺市為研究區(qū)，利用HJ-1A/B CCD數(shù)據(jù)，通過分析受災(zāi)前后倒伏玉米與正常玉米的光譜差異，提取4種植被指數(shù)及4波段光譜反射率的主成分，結(jié)合地面實地調(diào)查樣本構(gòu)建玉米倒伏識別的二元Logistic回歸模型，并進行精度評價和驗證。

1 資料與方法

1.1 概況

臺風(fēng)“布拉萬”于2012年8月28進入東北地區(qū)，28日14：00?29日14：00，吉林省出現(xiàn)區(qū)域性暴雨和大風(fēng)天氣，7級大風(fēng)半徑達300km，長春、吉林、白山、通化、延邊、四平東部出現(xiàn)8級以上大風(fēng)，發(fā)生嚴重的大風(fēng)災(zāi)害，造成玉米大面積倒伏。

公主嶺市位于吉林省中部，地理坐標為124°02'?125°18'E，43°11'?44°09'N，處于素有世界“黃金玉米帶”之稱的松遼平原腹地。除東南部少量低山丘陵外，公主嶺市大部分地區(qū)為平原，屬溫帶大陸性季風(fēng)氣候，氣溫、降水、光照等季節(jié)性變化顯著，冬冷夏熱，四季分明，年平均氣溫5.6℃，年平均降水量594.8mm，無霜期144d。公主嶺市主要糧食作物為玉米，是吉林省主要玉米產(chǎn)區(qū)之一（圖1）。受臺風(fēng)“布拉萬”影響，公主嶺市東部和南部玉米倒伏嚴重，當時玉米已進入乳熟期。

圖1 2010年吉林省公主嶺市玉米種植區(qū)分布

1.2 數(shù)據(jù)與方法

1.2.1 數(shù)據(jù)來源

HJ-1A/B CCD數(shù)據(jù)來源于中國資源衛(wèi)星應(yīng)用中心網(wǎng)站。選取2012年8月13日（災(zāi)前15d）、8月30日（災(zāi)后1d）、9月10日（災(zāi)后12d）、9月16日（災(zāi)后18d）4個時相的數(shù)據(jù)，覆蓋范圍為吉林省中西部，產(chǎn)品級別為LEVEL2。

研究區(qū)玉米種植分布數(shù)據(jù)和風(fēng)災(zāi)災(zāi)情報告數(shù)據(jù)來源于吉林省氣象局。2012年9月1?2日對吉林省中部主要受災(zāi)地區(qū)進行實地調(diào)查，采用GPS記錄玉米倒伏和未倒伏地塊的位置信息。結(jié)合研究區(qū)玉米分布情況和谷歌地球高分辨率遙感影像，在玉米倒伏地塊和未倒伏地塊分別取得316個位置點，用于讀取倒伏玉米和未倒伏玉米的光譜信息數(shù)據(jù)。

1.2.2 環(huán)境減災(zāi)衛(wèi)星遙感數(shù)據(jù)處理

獲取的HJ-1A/B CCD經(jīng)過輻射粗校正和幾何粗校正，利用ENVI軟件及HJ-1A/B CCD數(shù)據(jù)下載時附帶的元文件對4個時相的CCD數(shù)據(jù)進行進一步輻射定標、大氣校正和幾何精校正。流程如下：（1）首先利用輻射定標工具和元文件中的輻射定標參數(shù)對數(shù)據(jù)進行輻射定標；（2）利用大氣校正模塊和元文件數(shù)據(jù)對CCD數(shù)據(jù)進行大氣校正，其中傳感器參數(shù)從元文件中自動讀取，大氣模型參數(shù)設(shè)為Mid-Latitude Summer，光譜條件參數(shù)自動讀取，其它參數(shù)設(shè)為默認；（3）利用幾何校正模塊和GPS實測地面控制點對CCD數(shù)據(jù)進行幾何精校正，最大誤差控制在1個像元以內(nèi)。

1.2.3 光譜數(shù)據(jù)獲取與建模變量選擇

在ENVI中，利用在倒伏玉米和未倒伏玉米地塊分別取得的316個位置點讀取經(jīng)過處理的4個時相CCD的各波段光譜反射率數(shù)據(jù)，每個時相分別獲取632組光譜反射率數(shù)據(jù)。

選取歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、比值植被指數(shù)（Ratio Vegetation Index，RVI）、增強植被指數(shù)（Enhanced Vegetation Index，EVI）和差值植被指數(shù)（Difference Vegetation Index，DVI）[18?20]作為玉米倒伏識別建模變量。此外，利用提取的光譜反射率數(shù)據(jù)對同一時相的4波段反射率進行主成分分析，提取的主成分作為玉米倒伏識別建模變量。

1.2.4 二元Logistic回歸模型

二元Logistic回歸模型構(gòu)建過程簡單、使用方便，且模型解釋性、預(yù)測準確度和實用推廣性較好[21]。以4種植被指數(shù)和利用光譜反射率提取的主成分作為玉米倒伏識別建模變量分別構(gòu)建二元Logistic回歸模型，并進行對比分析，以得到最優(yōu)模型。把倒伏玉米標記為1，正常玉米標記為0。假設(shè)判識玉米發(fā)生倒伏的條件概率為P，由Logistic線性回歸模型求解可得如式（1）所示的方程[22]。

式中，α0為常量，α1，…，αm為變量回歸系數(shù)；X1，X2，…，Xm為回歸自變量，均為單一變量，分別為NDVI、RVI、EVI、DVI及4波段反射率提取的主成分。P表示玉米發(fā)生倒伏的概率，當玉米倒伏的概率大于未倒伏的概率時，判定玉米發(fā)生倒伏，即P＞0.5時，因變量Y=1；反之，判定玉米未發(fā)生倒伏，因變量Y=0。

1.2.5 精度評價

選取精確率（Pre）、準確率（Acc）作為二元Logistic回歸模型精度評價指標，如式（2）?（3）所示[23]。對訓(xùn)練集（用于訓(xùn)練模型的數(shù)據(jù)集）和測試集（用于模型檢驗的數(shù)據(jù)集）的實際觀測結(jié)果與模型分類結(jié)果進行比較，并以試驗精確率和準確率的均值作為分類精度的最終估計。

式中，TP為倒伏玉米劃分正確的樣本數(shù)；FP為未倒伏玉米劃分正確的樣本數(shù)；TN為未倒伏玉米劃分錯誤的樣本數(shù)；FN為倒伏玉米劃分錯誤的樣本數(shù)。

2 結(jié)果與分析

2.1 玉米倒伏識別模型的數(shù)據(jù)篩選

2.1.1 波段反射率分析

分別計算各時相玉米倒伏區(qū)和未倒伏區(qū)樣本點藍光波段（0.43?0.52μm）、綠光波段（0.52?0.60μm）、紅光波段（0.63?0.69μm）和近紅外波段（0.76?0.9μm）反射率數(shù)據(jù)的平均值，分析倒伏區(qū)和未倒伏區(qū)玉米冠層反射率在可見光?近紅外波段的變化特征。將4個時相中倒伏區(qū)與未倒伏區(qū)玉米冠層光譜反射率進行對比可見（圖2），災(zāi)前（圖2a）兩類區(qū)域的玉米在可見光?近紅外波段的反射率非常接近；災(zāi)后1d（圖2b），倒伏區(qū)玉米冠層的光譜反射率在可見光?近紅外波段明顯增大，尤其以近紅外波段更為顯著；災(zāi)后12d和18d，倒伏區(qū)和未倒伏區(qū)玉米冠層的光譜反射率在可見光?近紅外波段均表現(xiàn)出下降趨勢，且在近紅外波段下降幅度更大，這與玉米生長發(fā)育處于衰退期有關(guān)，但倒伏區(qū)玉米冠層在可見光?近紅外波段光譜反射率仍均高于未倒伏區(qū)玉米，趨勢與災(zāi)后1d一致。因此，僅針對災(zāi)后1d（即8月30日）HJ-1A/1B CCD數(shù)據(jù)進行玉米倒伏識別建模。

2.1.2 波段反射率主成分分析

由光譜分析可知，研究區(qū)內(nèi)玉米倒伏后可見光?近紅外波段反射率均增大，植被指數(shù)對光譜變化數(shù)據(jù)利用并不充分，因此，利用SPSS對樣本點的8月30日4波段反射率數(shù)據(jù)進行主成分分析，提取到一個主成分，貢獻率為98.043%，計算式為

式中，F(xiàn)為可見光?近紅外波段反射率主成分取值， 、、分別為藍、綠、紅和近紅外波段的反射率。

2.2 玉米倒伏識別模型的構(gòu)建

在SPSS軟件中，通過提取的樣本點反射率數(shù)據(jù)計算NDVI、RVI、EVI、DVI及主成分F，并分別構(gòu)建5個變量的二元Logistic回歸模型。模型構(gòu)建過程中，于取得的632個樣本中，選取400個樣本（倒伏玉米和未倒伏玉米樣本各200個）作為訓(xùn)練集，用于建模，其余232個樣本（倒伏玉米和未倒伏玉米樣本各116個）作為測試集，用于模型精度評價。

在訓(xùn)練樣本基礎(chǔ)上建立的各植被指數(shù)和主成分二元Logistic回歸模型、參數(shù)及檢驗情況見表1。

標準差反映的是樣本均值對總體均值的變異程度，其值越小標志著總體樣本波動越小、離散度越??；而Wald檢驗值為無約束估計量與約束估計量之間的距離，其值越大表示該特征的影響越顯著，因此，樣本的標準差越小、Wald檢驗值越大，模型越能反映實際情況[23]。由表1可知，除DVI模型外，其它模型的顯著性均達到了顯著水平（Sig<0.05）；從標準差來看，RVI模型最小，EVI模型、主成分模型和NDVI模型次之，DVI模型最大；從Wald檢驗情況看，DVI模型最小，NDVI模型、RVI模型和EVI模型次之，主成分模型最大。綜上可知，主成分模型最能反映實際倒伏狀況，NDVI模型、RVI模型和EVI模型次之，DVI模型效果最差。

2.3 玉米倒伏識別模型評價

2.3.1 預(yù)測精度評價

計算精確率和準確率的平均值作為二元Logistic回歸模型的精度評價指標，結(jié)果見表2。由表可見，在訓(xùn)練集和測試集上，各模型的精確率和準確率在數(shù)值上近似相等且趨勢相同，表明分類樣本的分布較為均衡，因此，可以使用準確率來評估各模型的分類精度。從準確率來看，主成分模型在訓(xùn)練集和測試集中均有較好的表現(xiàn)，在所有模型中表現(xiàn)最優(yōu)，分類精度最高，準確率達到96.23%；NDVI模型和RVI模型次之，準確率在80%左右；EVI模型準確率較低，為74.67%，DVI模型最低，為30.56%。

表1 倒伏玉米識別二元Logistic回歸模型（n=400）結(jié)果

注：NDVI指歸一化植被指數(shù)；RVI指比值植被指數(shù)；EVI指增強型植被指數(shù)；DVI指差值植被指數(shù)；F指4波段反射率主成分；P指判識玉米發(fā)生倒伏的條件概率。

Note: NDVI denotes normalized difference vegetation index；RVI denotes ratio vegetation index；EVI denotes enhanced vegetation index；DVI denotes difference vegetation index；F denotes principal component extracted from 4 bands reflectance of HJ-1 CCD；P denotes the conditional probability to discriminate lodging maize.

表2 二元Logistic回歸模型分類精度（%）

2.3.2 分類精度驗證

為進一步驗證優(yōu)選出的主成分模型對倒伏玉米的識別效果，在ENVI中按模型計算玉米倒伏識別條件概率P，以P=0.5為分類閾值，對2012年8月30日公主嶺市的玉米倒伏區(qū)進行識別，結(jié)果如圖3a所示。由圖可見，玉米倒伏區(qū)主要分布在公主嶺市的東部和南部，分布范圍與吉林省氣象局掌握的大風(fēng)發(fā)生范圍及當?shù)剞r(nóng)業(yè)部門掌握的災(zāi)情信息基本一致。將本研究監(jiān)測結(jié)果與任紅玲等[17]采用最大似然法對該區(qū)域玉米倒伏的監(jiān)測結(jié)果（圖3b）進行對比分析，發(fā)現(xiàn)兩者具有非常好的一致性。對主成分模型識別的玉米倒伏區(qū)面積進行統(tǒng)計計算，結(jié)果為6.8萬hm2，與任紅玲等監(jiān)測得到的7.0萬hm2接近。

（a）主成分模型分類結(jié)果Results by principal component model （b）任紅玲等結(jié)果[17] Results by REN Hong-ling et al[17]

3 結(jié)論與討論

（1）大風(fēng)導(dǎo)致玉米倒伏后，玉米的冠層結(jié)構(gòu)遭到破壞，其光譜特征發(fā)生明顯變化。利用4個時相的HJ-1A/B CCD數(shù)據(jù)，分析了“布拉萬”臺風(fēng)過境前后公主嶺市玉米倒伏區(qū)和未倒伏區(qū)玉米光譜反射率變化特征，發(fā)現(xiàn)可見光?近紅外波段，倒伏玉米的光譜反射率均表現(xiàn)為增大，以近紅外波段增幅最大，但植被指數(shù)降低。本研究中玉米倒伏后冠層光譜反射率變化趨勢與李宗南等[16]的研究結(jié)果一致，但與王猛等[12,15]的研究結(jié)果差異較大，說明玉米倒伏后冠層光譜變化的規(guī)律仍未明晰，需進一步研究。

（2）分別以NDVI、RVI、EVI、DVI及通過對波段反射率數(shù)據(jù)進行主成分分析得到的主成分為變量，構(gòu)建二元Logistic回歸玉米倒伏識別模型并對其效果進行對比分析，結(jié)果表明主成分模型識別效果最優(yōu)，準確率達到96.23%，對公主嶺市玉米倒伏災(zāi)情的監(jiān)測效果較好，與任紅玲等[17]采用最大似然法的監(jiān)測結(jié)果接近，與當?shù)剞r(nóng)業(yè)部門掌握的災(zāi)情基本一致。

（3）本研究提出的玉米倒伏遙感監(jiān)測思路和方法具有一定普適性，能夠通過單時相遙感數(shù)據(jù)結(jié)合地面調(diào)查完成大面積玉米倒伏監(jiān)測，實現(xiàn)對災(zāi)情宏觀情況的掌握。但由于僅對玉米倒伏區(qū)和未倒伏區(qū)進行了劃分，而對倒伏區(qū)內(nèi)不同倒伏程度的劃分未涉及，今后研究中需進一步深入，以實現(xiàn)更為精確的災(zāi)損評估。

[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(chǎn)量變化趨勢評估[J].中國農(nóng)業(yè)氣象,2018,39(12):765-777.

Li K,Xiong W,Pan J,et al.Trend evaluation on changes of maize yield in China under global warming by 1.5℃and 2.0℃[J].Chinese Journal of Agrometeorology,2018,39(12): 765-777.(in Chinese)

[2]Martinez-Vazquez P.Crop lodging induced by wind and rain[J].Agricultural and Forest Meteorology,2016,228-229: 265-275.

[3]Alexander Q S,Fletcher G,Jo H D,et al.An automatable,field camera track system for phenotyping crop lodging and crop movement[J].Hardware X,2018,(4):1-13.

[4]Baker C J,Sterling M,Berry P M.A generalized model of crop lodging[J].Journal of Theoretical Biology,2014,363:1-12.

[5]Wei W,Ma B L.Assessment of canola crop lodging under elevated temperatures for adaptation to climate change[J]. Agricultural and Forest Meteorology,2018,248:329-338.

[6]李樹巖,王宇翔,胡程達,等.抽雄期前后大風(fēng)倒伏對夏玉米生長及產(chǎn)量的影響[J].應(yīng)用生態(tài)學(xué)報,2015,26(8):2405-2413.

Li S Y,Wang Y X,Hu C D,et al.Effects of strong windlodging 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)

[7]何亮,張艷紅,曹云,等.2016年秋季氣候?qū)r(nóng)業(yè)生產(chǎn)的影響[J].中國農(nóng)業(yè)氣象,2017,38(1):61-63.

He L,Zhang Y H,Cao Y,et al.The effect of climate on the agricultural production in the autumn 2016[J].Chinese Journal of Agrometeorology,2017,38(1): 61-63.(in Chinese)

[8]劉戰(zhàn)東,肖俊夫,南紀琴,等.倒伏對夏玉米葉面積、產(chǎn)量及其構(gòu)成因素的影響[J].中國農(nóng)學(xué)通報,2010,26(18):107-110.

Liu Z D,Xiao J F,Nan J Q,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)

[9]席吉龍,張建誠,姚景珍,等.夏玉米灌漿期倒伏對產(chǎn)量的影響模擬研究[J].山西農(nóng)業(yè)科學(xué),2015,43(6):705-708.

Xi J L,Zhang J C,Yao J Z,et al.Simulation study on the influence of filling summer corn lodging on yield[J].Journal of Shanxi Agricultural Sciences,2015,43(6):705-708.(in Chinese)

[10]李樹巖,馬瑋,彭記永,等.大喇叭口及灌漿期倒伏對夏玉米產(chǎn)量損失的研究[J].中國農(nóng)業(yè)科學(xué),2015,48(19):3952-3964.

Li S Y,Ma W,Peng J Y,et al.Study on yield loss of summer maize with large trumpet and lodging at grain filling stage[J].Journal of Agricultural Sciences,2015,48(19):3952- 3964.(in Chinese)

[11]錢永蘭,毛留喜,周廣勝.全球主要糧食作物產(chǎn)量變化及其氣象災(zāi)害風(fēng)險評估[J].農(nóng)業(yè)工程學(xué)報,2016,32(1):226-235.

Qian Y L,Mao L X,Zhou G S.Changement of major grain crops in the world and its risk assessment of meteorological disasters[J].Transactions of the CSAE,2016,32(1):226-235. (in Chinese)

[12]王猛,隋學(xué)艷,梁守真,等.夏玉米倒伏模擬試驗及遙感監(jiān)測[J].測繪科學(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].Science of Surveying and Mapping,2017,42(8):137-141.(in Chinese)

[13]包玉龍,張繼權(quán),劉曉靜,等.受風(fēng)災(zāi)影響后的農(nóng)作物冠層反射信息測量與分析[J].光譜學(xué)與光譜分析,2013,33(4): 1057-1060.

Bao Y L,Zhang J Q,Liu X J,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)

[14]韓東,楊浩,楊貴軍,等.基于Sentinel-1雷達影像的玉米倒伏監(jiān)測模型[J].農(nóng)業(yè)工程學(xué)報,2018,34(3):166-172 .

Han D,Yang H,Yang G J,et al.Monitoring model of maize lodging based on Sentinel-1 radar image[J].Transactions of the CSAE,2018,34(3):166-172.(in Chinese)

[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(zāi)情遙感監(jiān)測[J].中國農(nóng)業(yè)科學(xué),2016,49(21): 4120-4129.

Wang L Z,Gu X H,Hu S W,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)

[16]李宗南,陳仲新,任國業(yè),等.基于Worldview-2影像的玉米倒伏面積估算[J].農(nóng)業(yè)工程學(xué)報,2016,32(2):1-5.

Li Z N,Chen Z X,Ren G Y,et al.Estimation of maize lodging area based on Worldview-2 image[J].Transactions of the CSAE,2016,32(2):1-5.(in Chinese)

[17]任紅玲,王萌,劉珂,等.衛(wèi)星遙感在臺風(fēng)影響玉米倒伏災(zāi)害監(jiān)測中的應(yīng)用[J].氣象災(zāi)害防御,2015,22(4):21-24.

Ren H L,Wang M,Liu K,et al.Application of remote sensing in monitoring of maize lodging disaster caused by typhoon [J].Meteorological Disasters and Protective,2015,22(4): 21-24.(in Chinese)

[18]Yuan L H,Chen X Q,Wang X Y,et al.Spatial associations between NDVI and environmental factors in the Heihe River Basin[J].Journal of Geographical Sciences,2019,29(9): 1548-1564.

[19]張曉憶,景元書,李衛(wèi)國.基于高通濾波算法的水稻遙感影像適宜尺度篩選[J].中國農(nóng)業(yè)氣象,2018,39(5):344-353.

Zhang X Y,Jing Y S,Li W G.Optimal scale screening of paddy rice in remote sensing imagery based on high pass filter fusion[J].Chinese Journal of Agrometeorology,2018, 39(5):344-353.(in Chinese)

[20]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(nóng)業(yè)工程學(xué)報,2019,35(2):63-70.

Dai J G,Zhang G S,Guo P,et al.Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing[J].Transactions of the CSAE,2019,35(2): 63-70.(in Chinese)

[21]朱華亮,溫華洋,華連生,等.基于Logistic回歸建立霜自動判識模型[J].中國農(nóng)業(yè)氣象,2019,40(8):534-542.

Zhu H L,Wen H Y,Hua L S,et al.Frost automatic identification model based on logistic regression[J].Chinese Journal of Agrometeorology,2019,40(8):534-542.(in Chinese)

[22]杜謙,范文,李凱,等.二元Logistic回歸和信息量模型在地質(zhì)災(zāi)害分區(qū)中的應(yīng)用[J].災(zāi)害學(xué),2017,32(2):220-226.

Du Q,Fan W,Li K,et al.Geohazard susceptibility assessment by using binary logical regression and information value model[J].Journal of Catastrophology,2017,32(2):220-226.(in Chinese)

[23]Gudicha D W,Tekle F B,Vermunt J K.Power and sample size computation for Wald tests in latent class models[J].Journal of Classification,2016,33(1):30-51.

Method of Maize Lodging Recognition Based on HJ-1A/B CCD Data

WANG Jie1,2, LIU Shi3, LAN Yu-bin1,4, CHEN Li-wen5, GUO Yong-qing2, WANG Ying6

(1.International Research Center of Precision Agricultural Aviation Application Technology, Shandong University of Technology, Zibo 255000, China; 2. School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255000; 3. Meteorological Service of Jilin Province，Changchun 130062; 4. School of Agricultural Engineering and Food Science, Shandong University of Technology, Zibo 255000; 5. College of Geo-exploration Science and Technology, Jilin University, Changchun 130026; 6.Jilin Provincial Institute of Meteorological Science, Changchun 130062)

To quickly and effectively obtain crop lodging information, this study proposed a remote sensing method for monitoring maize lodging using HJ-1(Small Satellite Constellations for Environment and Disaster Monitoring and Forecasting) CCD data. This paper took one area in Gongzhuling, Jilin Province as an example, where large-scale maize lodging occurred in 2012, caused by Typhoon Bolaven. The spectral characteristics of lodging and normal maize were first analyzed and summarized before and after the Typhoon. The results showed that compared with the normal field, the canopy reflectance increased in chromatic and near-infrared bans, but the vegetable index decreased in the lodged field. Four vegetation indices and a principal component were calculated, which extracted from 4 bans spectral data set. Binary Logistic models of lodging and normal maize classification were constructed with these 5 varieties. The prediction accuracies of the classification models were measured by ground survey samples. The principal component model could get the optimal results of recognition, and the classification accuracy on the test set was 96.23%. The classification accuracies of NDVI model and RVI model followed, the classification accuracies were about 80%. Finally, the principal component model was applied to recognize maize lodging using the spectral image, and the results confirmed that the proposed modes can accurately predict the distribution of maize lodging. The proposed maize lodging recognition method based on binary Logistic, provided a theoretical basis for monitoring large-scale lodged maize filed using multispectral data.

Remote sensing; Small satellite constellations for environment and disaster monitoring and forecasting; Disaster; Maize; Lodging

10.3969/j.issn.1000-6362.2020.02.007

王杰,劉實,蘭玉彬,等.基于HJ-1A/B CCD數(shù)據(jù)的玉米倒伏遙感監(jiān)測方法[J].中國農(nóng)業(yè)氣象,2020,41(2):121-128

2019?09?27

山東省引進頂尖人才“一事一議”專項經(jīng)費資助項目（2018.01?2021.12）；中央引導(dǎo)地方科技發(fā)展專項資金“精準農(nóng)業(yè)航空技術(shù)與裝備研發(fā)”資助項目（2017.1?2019.12）；淄博市科技發(fā)展計劃資助項目（2018kj010073）；吉林省科技發(fā)展計劃項目（20140204052SF）

王杰，E-mail：wang-jie@ sdut.edu.cn