胡琪　武紅旗　軒俊偉　范燕敏　王德俊　谷海斌

摘要 [目的]通過計(jì)算小麥的絕對高度來監(jiān)測小麥倒伏狀況，基于無人機(jī)影像獲取小麥倒伏面積及其分布，為快速進(jìn)行農(nóng)業(yè)災(zāi)害評估提供科學(xué)依據(jù)。[方法]對奇臺縣境內(nèi)不同地形部位的小麥地塊進(jìn)行調(diào)查和研究，結(jié)合小麥高度的實(shí)測值構(gòu)建倒伏模型，以無人機(jī)平臺獲取的DSM影像為數(shù)據(jù)源，通過DSM差減法得到小麥實(shí)際高度，選取3個(gè)典型倒伏地塊，用構(gòu)建的倒伏模型對研究區(qū)進(jìn)行分類，用像元統(tǒng)計(jì)的方法提取倒伏面積并采用混淆矩陣的方法對模型的分類精度進(jìn)行驗(yàn)證。[結(jié)果]倒伏主要發(fā)生在沙漠邊緣、中部平原以及丘陵區(qū)的灌溉耕地，南部山區(qū)的旱耕地未發(fā)生倒伏;模型解譯的總體分類精度均在83.33%以上，Kappa系數(shù)在0.75以上，表明用文中建立的倒伏模型對奇臺縣灌漿期小麥進(jìn)行倒伏監(jiān)測是可行的。[結(jié)論]利用無人機(jī)獲取的DSM數(shù)據(jù)可以有效監(jiān)測小麥倒伏信息。

關(guān)鍵詞 倒伏;冬小麥;DSM;無人機(jī);奇臺縣

中圖分類號 S 127;TP 79文獻(xiàn)標(biāo)識碼 A文章編號 0517-6611（2020）16-0227-05

doi：10.3969/j.issn.0517-6611.2020.16.064

Information Extraction of Wheat Lodging Based on DSM by UAV Remote Sensing

HU Qi1，2， WU Hong-qi1，2， XUAN Jun-wei1，2 et al

（1.College of Grassland and Environment Science， Xinjiang Agricultural University， Urumqi， Xinjiang 830052;2.Xinjiang Key Laboratory of Soil and Plant Ecological Process， Urumqi， Xinjiang 830052）

Abstract [Objective]The absolute height of wheat was calculated to monitor the situation of wheat lodging， and the area and distribution of wheat lodging were obtained based on UAV images， providing scientific basis for rapid agricultural disaster assessment.[Method]The investigation of the wheat plots in different terrains in Qitai County was conducted. The lodging model was constructed based on the measured height of wheat. DSM image acquired by UAV platform is used as base data， DSM subtraction to get the actual height of the wheat. Three typical fields were selected and the lodging model was used to classify the study area. The method of pixel statistics is used to extract the lodging area and the method of confounding matrix is used to verify the classification accuracy of the model.[Result]The results showed that lodging mainly occurred in the irrigated land of the desert edge， the central plain and the hilly area， while the dry land in the southern mountainous area without lodging. The overall classification accuracy of the model interpretation is above 83.33%， and the Kappa coefficient is above 0.75. It shows that the lodging model is feasible to monitor the lodging of wheat during the filling period in Qitai County.[Conclusion]The above results show that DSM data obtained by UAV can effectively monitor wheat lodging information.

Abstract Lodging;Winter wheat;DSM;UAV;Qitai County

基金項(xiàng)目 國家自然科學(xué)基金項(xiàng)目（31560340）。

作者簡介 胡琪（1994—），女，安徽安慶人，碩士研究生，研究方向：農(nóng)業(yè)遙感和農(nóng)業(yè)信息化領(lǐng)域。*通信作者，副教授，從事資源調(diào)查與遙感監(jiān)測研究。

收稿日期 2020-03-04;修回日期 2020-04-02

小麥?zhǔn)俏覈a(chǎn)量最高的主要農(nóng)作物之一[1]，其總產(chǎn)量僅次于玉米和水稻，對于解決全球人口糧食問題和實(shí)現(xiàn)糧食安全具有重要意義，通過對小麥長勢監(jiān)測能夠有效保障國家糧食安全。小麥生長會受到由大風(fēng)、雨等氣象因素導(dǎo)致的倒伏的威脅，易形成災(zāi)害，作物倒伏會產(chǎn)生較大的損失，不僅降低作物的產(chǎn)量和質(zhì)量，還會對農(nóng)業(yè)機(jī)械的自動(dòng)化收割產(chǎn)生影響[2]。所以，對農(nóng)業(yè)管理部門來說，能夠及時(shí)、準(zhǔn)確地獲取作物倒伏信息有十分重要的研究意義，在農(nóng)業(yè)災(zāi)情評估及災(zāi)后管理中有著重要的作用。傳統(tǒng)遙感影像數(shù)據(jù)獲取成本高、時(shí)空分辨率低，大面積快速監(jiān)測的手段非常有限，而利用無人機(jī)獲取數(shù)據(jù)進(jìn)行倒伏監(jiān)測不僅可以降低數(shù)據(jù)獲取的時(shí)間成本，而且無人機(jī)還具有數(shù)據(jù)獲取方式靈活、影像空間分辨率高等特點(diǎn)。因此，基于無人機(jī)數(shù)據(jù)進(jìn)行小麥倒伏識別方面的研究具有十分重要的意義。

以地面光譜儀[3]、衛(wèi)星遙感影像[4-6]為數(shù)據(jù)源對玉米倒伏進(jìn)行監(jiān)測是可行的;也有學(xué)者驗(yàn)證了用衛(wèi)星遙感方式監(jiān)測小麥倒伏的可行性[7-10]。關(guān)于無人機(jī)在作物長勢監(jiān)測中的研究有不少[11-18]，但是利用無人機(jī)監(jiān)測作物倒伏尤其是小麥倒伏的研究并不多。有學(xué)者以無人機(jī)影像為數(shù)據(jù)源對玉米[19]、水稻[20]和棉花[21-22]等進(jìn)行倒伏監(jiān)測研究，但是基于無人機(jī)對小麥倒伏監(jiān)測的研究較少。2016年，董錦繪等[23]基于無人機(jī)飛控平臺農(nóng)情監(jiān)測系統(tǒng)對江蘇里下河地區(qū)小麥倒伏面積進(jìn)行估算，估算面積與人工目視解譯結(jié)果的誤差為7.43%，驗(yàn)證了無人機(jī)遙感在小麥倒伏監(jiān)測方面的可行性。2019年，李廣等[24]用灌漿期冬小麥發(fā)生倒伏后的兩期無人機(jī)影像，通過提取單特征量來構(gòu)建綜合特征參數(shù)，結(jié)合所構(gòu)建的綜合特征參數(shù)及K-means算法對灌漿期小麥倒伏信息進(jìn)行了提取。以上關(guān)于倒伏監(jiān)測的研究基本都是通過分析倒伏后光譜反射率的特征及倒伏前后光譜反射率的變化來判斷是否倒伏。Belton等[25]展示了無人機(jī)技術(shù)在作物高度監(jiān)測和建模方面的應(yīng)用，以提供定量的作物生長數(shù)據(jù)，以無人機(jī)獲取的DSM數(shù)據(jù)為基礎(chǔ)，作物高度由攝影測量學(xué)導(dǎo)出的CSMs估計(jì)，并與GNSS獲取的參考高度進(jìn)行比較，以驗(yàn)證CSMs，評估結(jié)果表明，相對于GNSS高度的風(fēng)況，平均偏差為2～10 cm，該技術(shù)在進(jìn)行林冠、作物高度及長勢定量和定性監(jiān)測方面具有巨大潛力。Murakami等[26]基于低空氣球平臺作物高度攝影測量系統(tǒng)獲取的作物高度對蕎麥倒伏程度進(jìn)行了有效的評估。趙立成等[27]于2019年提出了一種基于無人機(jī)DSM的小麥倒伏識別方法。利用無人機(jī)遙感進(jìn)行作物分類、長勢監(jiān)測及病蟲害識別已成為農(nóng)業(yè)遙感領(lǐng)域的熱點(diǎn)，但目前通過無人機(jī)DSM（digital surface model，數(shù)字表面模型）數(shù)據(jù)獲取的高度信息實(shí)現(xiàn)小麥倒伏識別的研究鮮有報(bào)道。建立小麥倒伏模型，以無人機(jī)DSM數(shù)據(jù)對模型進(jìn)行驗(yàn)證，以期獲得小麥倒伏的無人機(jī)遙感監(jiān)測方法。鑒于此，筆者在大面積調(diào)查與統(tǒng)計(jì)分析的基礎(chǔ)上構(gòu)建小麥倒伏分類定量模型，基于無人機(jī)DSM數(shù)據(jù)驗(yàn)證模型的可行性，探索小麥倒伏的識別方法，以期實(shí)現(xiàn)小麥大面積倒伏的高效、快速監(jiān)測，為新疆小麥倒伏的災(zāi)情評估及災(zāi)后管理提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

奇臺縣是新疆昌吉州的邊境縣，地處新疆東北部，準(zhǔn)噶爾盆地在其西北部，天山在其南部，奇臺縣縣城位于省會東部195 km。奇臺縣面積1.93萬km2，北塔山牧場與農(nóng)六師奇臺中心團(tuán)場駐扎在此地。奇臺縣的地形由北至南可劃分為沙漠、平原、丘陵、山地4個(gè)類型，最低海拔506 m，最高海拔是4 014 m。奇臺縣的耕作區(qū)集中在中南部：中部平原和丘陵區(qū)以灌溉耕地為主，農(nóng)作物主要是小麥和玉米，其他經(jīng)濟(jì)作物有油葵、打瓜、葫蘆等。該地區(qū)風(fēng)向平時(shí)盛行南風(fēng)，災(zāi)害性天氣多西北風(fēng)，最大風(fēng)力12級，由強(qiáng)風(fēng)及強(qiáng)降雨導(dǎo)致的氣象災(zāi)害頻發(fā)，由此小麥倒伏災(zāi)害發(fā)生較嚴(yán)重。

1.2 材料

1.2.1 調(diào)查數(shù)據(jù)。

為了獲取更加真實(shí)有效的作物生長信息，課題組于2019年5—8月對奇臺縣作物種植信息進(jìn)行了大范圍的觀測與調(diào)查。期間，走訪農(nóng)戶有效調(diào)查問卷共計(jì)69戶，共調(diào)查小麥地塊287個(gè)。小麥調(diào)查點(diǎn)位分布如圖1。

調(diào)查數(shù)據(jù)包括：2019年種植作物類型與播種時(shí)間、作物種植的株行距（與實(shí)測數(shù)據(jù)比對），近3年該地塊種植作物類型、灌溉方式、灌溉保證率、播種時(shí)間、收獲時(shí)間、產(chǎn)量、是否受災(zāi)、受災(zāi)類型、受災(zāi)時(shí)間、受災(zāi)面積、受災(zāi)程度等，該地塊所處的地理位置（包括經(jīng)度、緯度、海拔高度等）與行政區(qū)劃位置（縣、鎮(zhèn)、村），以及地形部位、土壤質(zhì)地與農(nóng)田林網(wǎng)化程度等。

實(shí)測數(shù)據(jù)主要包括作物高度、葉綠素含量以及葉面積指數(shù)。在選取的3個(gè)典型地塊中，分別隨機(jī)布設(shè)60個(gè)覆蓋各倒伏類型的樣本點(diǎn)，記錄該點(diǎn)位的小麥高度及GPS定位，作為真實(shí)值用于精度驗(yàn)證。

1.2.2 影像數(shù)據(jù)。

試驗(yàn)采用的是四旋翼電動(dòng)無人機(jī)遙感平臺，集成全新RTK模塊，提供實(shí)時(shí)厘米級定位數(shù)據(jù)，無人機(jī)最大起飛重量是1 391 g，最大水平飛行速度為50 km/h，最大飛行海拔高度是6 000 m，飛行時(shí)間約30 min。搭載1英寸（1英寸=2.54 cm）2 000萬像素CMOS傳感器，鏡頭搭載的為FOV 84°，支持自動(dòng)對焦，單幅照片最大分辨率為 5 472×3 648 pixel，滿足試驗(yàn)要求。無人機(jī)的相關(guān)參數(shù)如下：無人機(jī)型號DJI Phantom 4 RTK，相機(jī)型號DJI FC6310R，圖片格式JPEG，航向重疊率70%，旁向重疊率70%，垂直懸停精度±0.1 m，水平懸停精度±0.1 m。

根據(jù)課題的需要，在小麥處于苗期時(shí)獲取奇臺縣大范圍區(qū)域的裸地高程數(shù)據(jù)，并在無人機(jī)起飛處的地面建立一個(gè)控制點(diǎn)，作為高程基準(zhǔn)，兩期作業(yè)都以這個(gè)控制點(diǎn)為基準(zhǔn)來校正不同架次之間由于GPS定位造成的高程差異。在無人機(jī)數(shù)據(jù)獲取和處理中，由于單次定位精度垂直誤差能保證在1.5 cm以內(nèi)，所以該研究中至少能保證垂直定位精度誤差在5.0 cm以內(nèi)，通過DSM差減法得到的高度作為小麥高度是可行的。

小麥倒伏災(zāi)害發(fā)生后，課題組及時(shí)赴奇臺縣進(jìn)行調(diào)查和無人機(jī)作業(yè)。作業(yè)當(dāng)天天氣晴朗，地面風(fēng)速小于4級，滿足航攝要求。根據(jù)試驗(yàn)設(shè)計(jì)對感興趣區(qū)域進(jìn)行無人機(jī)飛行作業(yè)，共獲取了3個(gè)不同地形部位100 m高度的航拍照片。在3個(gè)不同的地形部位分別選取1個(gè)典型小麥地塊作為感興趣區(qū)，3個(gè)典型地塊由北至南分別命名為A、B、C。其中，A地塊面積為40 145.85 m2，B地塊面積為67 979.82 m2，C地塊的面積為37 610.73 m2，其分布見圖1。

1.3 方法

1.3.1 無人機(jī)影像處理。

無人機(jī)航拍照片的拼接處理在Agisoft PhotoScan平臺上完成。無人機(jī)獲取的照片自帶位置數(shù)據(jù)，通過導(dǎo)入單張照片及其自帶的位置數(shù)據(jù)，利用動(dòng)態(tài)結(jié)構(gòu)算法進(jìn)行地面特征點(diǎn)的匹配，通過DMVS算法構(gòu)建點(diǎn)云數(shù)據(jù)，處理后得到航攝區(qū)的DOM（digital orthophoto map，數(shù)字正射影像）和DSM數(shù)據(jù)，對應(yīng)的影像空間分辨率為0.027 4 m。

1.3.2 倒伏模型構(gòu)建。

在無人機(jī)數(shù)據(jù)獲取和處理中，由于單次定位精度垂直誤差能保證在1.5 cm以內(nèi)，所以該研究至少能保證垂直定位精度誤差在5.0 cm以內(nèi)，通過DSM差減法得到的高度作為小麥高度是可行的，該數(shù)據(jù)可以用于提取地面麥類作物的高度。

奇臺縣范圍內(nèi)共調(diào)查了287個(gè)小麥地塊，其中發(fā)生倒伏（包括不同程度倒伏）的小麥地塊有61個(gè)。試驗(yàn)獲取了地塊中不同倒伏形態(tài)的小麥高度，并根據(jù)不同倒伏形態(tài)對小麥的倒伏程度做了初步判斷和標(biāo)記。由于奇臺縣南北跨度大，小麥品種和土壤等條件的差異導(dǎo)致整個(gè)奇臺縣的小麥高度不完全一致，越靠近南部山區(qū)，小麥高度越低，倒伏發(fā)生的幾率也低。試驗(yàn)室數(shù)據(jù)統(tǒng)計(jì)分析發(fā)現(xiàn)，灌漿期正常小麥的高度普遍在90 cm左右，其中65 cm以上的也為正常小麥;低于65 cm 高度的小麥幾乎都有不同程度的倒伏形態(tài)：35 cm以下高度的小麥幾乎呈現(xiàn)壓倒性的狀態(tài)，無法再恢復(fù)生長;在35～65 cm也有區(qū)分，其中50 cm以上的小麥倒伏形態(tài)較明顯，但是對小麥后期生長的影響較小;而50 cm以下高度的小麥倒伏程度較大，但與35 cm以下高度的小麥倒伏形態(tài)有差距，因此該研究將小麥的形態(tài)劃分為4種類型：嚴(yán)重倒伏、中度倒伏、輕度倒伏與未倒伏。

1.3.3 分類及面積提取。

基于DSM的差減法，即倒伏后的高程數(shù)據(jù)減去裸地的地面高程數(shù)據(jù)，得到的結(jié)果作為監(jiān)測區(qū)小麥的實(shí)際高度，根據(jù)構(gòu)建的小麥倒伏模型對3個(gè)典型地塊進(jìn)行倒伏分類;對分類結(jié)果采用像元統(tǒng)計(jì)的方法進(jìn)行倒伏面積的計(jì)算，某類型面積=像元面積×該類型像元個(gè)數(shù)。

1.3.4 分類精度評價(jià)。

以各地塊田間實(shí)測值作為地面真實(shí)值，倒伏模型的分類結(jié)果作為分類值，計(jì)算分類的制圖精度、用戶精度、總體分類精度以及Kappa系數(shù)，制作混淆矩陣，對分類后的圖像進(jìn)行精度評價(jià)。

2 結(jié)果與分析

2.1 倒伏分類及面積提取

2.1.1 倒伏分類。

圖2是由倒伏模型得到的分類結(jié)果。從圖2中可以看出，基于DSM數(shù)據(jù)的倒伏模型分類結(jié)果，A、B、C 3個(gè)地塊均存在不同程度的倒伏形態(tài)，且嚴(yán)重倒伏伴隨有中度倒伏與輕度倒伏發(fā)生。

A地塊發(fā)生大面積倒伏，且倒伏集中連片，其中嚴(yán)重倒伏區(qū)域較大，主要分布在地塊的中西部，大致呈東南-西北走向，中度倒伏發(fā)生在嚴(yán)重倒伏的周圍，輕度倒伏伴隨著中度倒伏發(fā)生，未倒伏的區(qū)域較少，這可能是由于地塊A地處沙漠邊緣區(qū)，西北風(fēng)經(jīng)過此處時(shí)風(fēng)力較大，造成大面積嚴(yán)重倒伏。

B地塊中的各類倒伏在整個(gè)地塊中均有分布，地塊西部區(qū)域倒伏分布較少，但也有部分嚴(yán)重倒伏零星分布，地塊中西部倒伏發(fā)生較普遍，大致呈南北走向，靠近南北邊緣的區(qū)域倒伏發(fā)生較嚴(yán)重，靠近地塊中部區(qū)域倒伏發(fā)生較輕微。C地塊的分類結(jié)果顯示，該地塊發(fā)生大范圍嚴(yán)重倒伏，倒伏集中連片發(fā)生，未倒伏零星分布于嚴(yán)重倒伏之間，中度倒伏與輕度倒伏分布較少，倒伏呈現(xiàn)南北縱向分布的趨勢。

2.1.2 面積提取。

根據(jù)像元統(tǒng)計(jì)的結(jié)果，計(jì)算各類型的面積、各類型在地塊中所占的比重以及發(fā)生倒伏與未發(fā)生倒伏的面積比重（表1）。

A地塊嚴(yán)重倒伏面積比重最大，為34.03%;其次是輕度倒伏，為28.35%;中度倒伏的面積占比最少，只有18.56%，該地塊中嚴(yán)重倒伏、中度倒伏與輕度倒伏的面積之和比重達(dá)到80.94%，未倒伏的面積僅占19.06%，說明該地塊倒伏發(fā)生面積較大，倒伏發(fā)生程度較嚴(yán)重。B地塊未倒伏面積占比44.00%，其他倒伏面積之和比重達(dá)到56.00%，說明該地塊倒伏發(fā)生面積較大;嚴(yán)重倒伏與中度倒伏面積占比均較小，分別為11.92%與11.42%，總比重不超過25.00%，而輕度倒伏與未倒伏面積之和占比達(dá)到76.65%，說明該地塊倒伏發(fā)生程度較輕。C地塊倒伏面積比重從高到低依次是：嚴(yán)重倒伏、中度倒伏、輕度倒伏、未倒伏，其中未倒伏面積占比僅9.13%，其他發(fā)生倒伏的面積比重高達(dá)90.87%，說明該地塊倒伏發(fā)生面積非常大;嚴(yán)重倒伏面積占比達(dá)59.79%，說明該地塊倒伏發(fā)生非常嚴(yán)重。

2.2 分類精度評價(jià)

表2是基于混淆矩陣的小麥倒伏分類精度評價(jià)結(jié)果。A地塊中嚴(yán)重倒伏和中度倒伏的分類結(jié)果均較好，制圖精度和用戶精度均高于90.00%;未倒伏的錯(cuò)分誤差較大，用戶精度只有57.14%，漏分誤差為0，制圖精度高達(dá)100%，輕度倒伏的漏分誤差較大，制圖精度為68.18%，用戶精度達(dá)到100%，A地塊中的輕度倒伏被分成未倒伏的較多，說明A地塊中未倒伏與輕度倒伏2種類型之間存在混分現(xiàn)象。B地塊中中度倒伏與輕度倒伏錯(cuò)分誤差較大，各倒伏類型的制圖精度較高，嚴(yán)重倒伏與未倒伏的漏分誤差為0，分類結(jié)果較好。C地塊中除中度倒伏分類精度較低以外，其他類型分類精度均高于83.33%，其總體分類精度為88.33%，Kappa系數(shù)達(dá)到0.80，說明該地塊分類結(jié)果具有高度一致性。

3個(gè)地塊的總體分類精度均在83.33%以上，Kappa系數(shù)高于0.75，說明在無人機(jī)飛行高度為100 m的DSM數(shù)據(jù)中，3個(gè)地塊的分類結(jié)果均較好。比較各類型倒伏分類精度，結(jié)果顯示小麥倒伏識別精度最好的是嚴(yán)重倒伏類型。

3 討論

該研究在大面積調(diào)查與統(tǒng)計(jì)分析的基礎(chǔ)上構(gòu)建了小麥倒伏模型，基于無人機(jī)DSM數(shù)據(jù)驗(yàn)證了該倒伏模型的可行性，但還有很多工作有待進(jìn)一步深入。該研究構(gòu)建的小麥倒伏模型是基于奇臺縣灌漿期小麥，在不同小麥品種和地域的影響下，該倒伏模型是否適用于其他地區(qū)，另外是否可以參考韓東等[6]構(gòu)建玉米倒伏模型的方法通過植株相對高度來確定倒伏分類模型仍有待更加深入的理論和實(shí)驗(yàn)研究。該研究中的倒伏類型提取精度最高為88.33%，與趙立成等[27]的倒伏分類精度（總體分類精度為90.89%）相比更低，這一方面是因?yàn)橼w立成等[27]試驗(yàn)時(shí)的無人機(jī)航高為30 m，其數(shù)據(jù)的空間分辨率更高，另一方面可能是因?yàn)樵撗芯繉π←湹牡狗潭茸隽诉M(jìn)一步細(xì)分，而趙立成等[27]只將小麥分為了倒伏與未倒伏2類;此外，趙立成等[27]結(jié)合了DOM與DSM進(jìn)行倒伏識別，兩者結(jié)合可能會使分類精度更高，后續(xù)可以從這方面做深入研究。

4 結(jié)論

該研究通過大面積調(diào)查觀測建立的灌漿期小麥的倒伏模型為：35 cm以下為嚴(yán)重倒伏，35～50 cm為中度倒伏，>50～65 cm為輕度倒伏，65 cm以上為未倒伏;該研究以無人機(jī)獲取的DSM影像為數(shù)據(jù)源，通過DSM差減法得到小麥實(shí)際高度，用構(gòu)建的倒伏模型對研究區(qū)進(jìn)行分類，統(tǒng)計(jì)倒伏面積并計(jì)算模型解譯精度，模型解譯的總體分類精度均在83.33% 以上，Kappa系數(shù)在0.75以上，表明用文中建立的倒伏模型對奇臺縣灌漿期小麥進(jìn)行倒伏監(jiān)測是可行的。該研究結(jié)果表明，利用無人機(jī)獲取的DSM數(shù)據(jù)可以有效監(jiān)測小麥倒伏信息。

參考文獻(xiàn)

[1] DU M M，NOGUCHI N.Monitoring of wheat growth status and mapping of wheat yields within-field spatial variations using color images acquired from UAV-camera system[J].Remote sensing，2017，9（3）：1-14.

[2] 劉美辰，田勇鵬，王璐，等.收獲作業(yè)時(shí)小麥倒伏檢測方法[J].農(nóng)機(jī)化研究，2019，41（2）：40-44，54.

[3] 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[J].測繪科學(xué)，2017，42（8）：137-141.

[4] 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(bào)，2016，32（2）：1-5.

[5] 王立志，顧曉鶴，胡圣武，等.基于多時(shí)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.

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

[7] 劉良云，王紀(jì)華，宋曉宇，等.小麥倒伏的光譜特征及遙感監(jiān)測[J].遙感學(xué)報(bào)，2005，9（3）：323-327.

[8] 王猛，姚慧敏，隋學(xué)艷，等.基于地面樣方調(diào)查的小麥倒伏遙感監(jiān)測研究[J].山東農(nóng)業(yè)科學(xué)，2014，46（8）：19-22.

[9] 楊浩，楊貴軍，顧曉鶴，等.小麥倒伏的雷達(dá)極化特征及其遙感監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（7）：1-8.

[10] ZHAO L L，YANG J，LI P X，et al.Characterizing lodging damage in wheat and canola using radarsat-2 polarimetric SAR data[J].Remote sensing letters，2017，8（7）：667-675.

[11] 江杰，張澤宇，曹強(qiáng)，等.基于消費(fèi)級無人機(jī)搭載數(shù)碼相機(jī)監(jiān)測小麥長勢狀況研究[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，42（4）：622-631.

[12] 王康麗.基于無人機(jī)可見光和熱紅外圖像的棉花冠層信息識別[D].北京：中國農(nóng)業(yè)科學(xué)院，2019.

[13] 李學(xué)國.基于無人機(jī)遙感光譜圖像的小麥玉米長勢精準(zhǔn)監(jiān)測研究[D].泰安：山東農(nóng)業(yè)大學(xué)，2019.

[14] 劉忠，萬煒，黃晉宇，等.基于無人機(jī)遙感的農(nóng)作物長勢關(guān)鍵參數(shù)反演研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（24）：60-71.

[15] 王楚鋒，王天一，廖世鵬，等.基于低空遙感的消費(fèi)級相機(jī)油菜苗期長勢監(jiān)測最優(yōu)波段選取[J].華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，52（4）：565-573.

[16] 裴浩杰，馮海寬，李長春，等.基于綜合指標(biāo)的冬小麥長勢無人機(jī)遙感監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：74-82.

[17] 王妮.基于無人機(jī)平臺的小麥長勢監(jiān)測與產(chǎn)量預(yù)測研究[D].南京：南京農(nóng)業(yè)大學(xué)，2016.

[18] 秦占飛.西北地區(qū)水稻長勢遙感監(jiān)測研究[D].楊凌：西北農(nóng)林科技大學(xué)，2016.

[19] 李宗南，陳仲新，王利民，等.基于小型無人機(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.

[20] 田明璐，班松濤，袁濤，等.基于低空無人機(jī)多光譜遙感的水稻倒伏監(jiān)測研究[J].上海農(nóng)業(yè)學(xué)報(bào)，2018，34（6）：88-93.

[21] 戴建國，張國順，郭鵬，等.基于無人機(jī)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(bào)，2019，35（2）：63-70.

[22] 崔美娜，戴建國，王守會，等.基于無人機(jī)多光譜影像的棉葉螨識別方法[J].新疆農(nóng)業(yè)科學(xué)，2018，55（8）：1457-1466.

[23] 董錦繪，楊小冬，高林，等.基于無人機(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.

[24] 李廣，張立元，宋朝陽，等.小麥倒伏信息無人機(jī)多時(shí)相遙感提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（4）：211-220.

[25] BELTON D，HELMHOLZ P，LONG J，et al.Crop height monitoring using a consumer-grade camera and UAV technology [J].PFG-Journal of Photogrammetry，Remote Sensing and Geoinformation Science，2019，87（11）：249-262.

[26] MURAKAMI T，YUI M，AMAHA K.Canopy height measurement by photogrammetric analysis of aerial images： Application to buckwheat（Fagopyrum esculentum Moench）lodging evaluation[J].Computers and electronics in agriculture，2012，89：70-75.

[27] 趙立成，段玉林，史云，等.基于無人機(jī)DSM的小麥倒伏識別方法[J].中國農(nóng)業(yè)信息，2019，31（4）：36-42.