基于Sentinel-1雷達影像的玉米倒伏監(jiān)測模型

韓 東，楊 浩，楊貴軍，邱春霞

0 引 言

玉米一直是中國糧食生產(chǎn)的關鍵作物。然而玉米植株因為其自身的結構特點，在大風大雨天氣影響下很容易發(fā)生倒伏現(xiàn)象[1-5]。導致玉米倒伏的因素主要有品種特性、土壤、氣候、田間栽培管理等[6-9]。不同生長期下發(fā)生倒伏對玉米后期產(chǎn)量均有不同程度的影響，其中抽雄期倒伏使得玉米產(chǎn)量損失最大，可達 22%左右，極端天氣狀況下可達到 50%左右甚至絕產(chǎn)[10-12]。尤其是近些年來，災害天氣頻繁發(fā)生，使得玉米產(chǎn)量不斷波動，給糧食市場帶來不小的沖擊。因此，農業(yè)管理部門、種植戶和農業(yè)保險公司都希望能在倒伏災情發(fā)生后快速、準確地評估出玉米減產(chǎn)量[13-14]，據(jù)此農業(yè)管理部門可及時合理的對市場波動做出相應調節(jié)，保證中國糧食安全；種植戶和農業(yè)保險公司則可在災情發(fā)生后基于及時、客觀、定量的遙感評估來進行合理理賠。從這些角度出發(fā)考慮，用遙感來監(jiān)測玉米倒伏災情意義重大。

遙感技術的快速發(fā)展為倒伏監(jiān)測提供了快速有效的方法[15]。目前國內外不少學者已經(jīng)做了相應研究。劉良云等[16]基于冬小麥冠層光譜反射率和倒伏角度的相關關系，研究利用歸一化植被指數(shù)（normalized different vegetation index, NDVI）來監(jiān)測小麥倒伏的發(fā)生程度，并取得成功；包玉龍等[17]將高光譜反射與偏振信息結合起來分析了玉米倒伏前后冠層光譜反射特征的變化，并用其來區(qū)分玉米倒伏區(qū)域和未倒伏區(qū)域；王立志等[18]根據(jù)HJ-1B衛(wèi)星CCD多光譜影像的比值植被指數(shù)(ratio vegetation index, RVI)差值與玉米倒伏比例具有最高相關性的規(guī)律來構建玉米倒伏模型，并進行災害成圖，與本研究利用合成孔徑雷達（synthetic aperture radar, SAR）數(shù)據(jù)的強度信息定量監(jiān)測玉米倒伏程度不同的是，該研究是在光學遙感的基礎上通過植被指數(shù)來定量監(jiān)測玉米倒伏。李宗南等[19-20]先后使用了無人機和Wordview影像進行了小尺度玉米倒伏面積提??；楊浩等[21-22]先后利用Radarsat-2全極化影像數(shù)據(jù)，驗證并利用雷達極化指數(shù)的方法來監(jiān)測小麥倒伏。Zhao等[23]通過探討以圓形相關系數(shù)作為小麥倒伏監(jiān)測指標的可行性，得出PolSAR在倒伏監(jiān)測方面與作物的冠層結構相關。Chen等[24]從Radarsat-2數(shù)據(jù)中提取極化特征，然后用極化特征的時間序列來克服甘蔗生長條件變化的影響，監(jiān)測臺風前后大面積甘蔗倒伏情況。

目前這些方法還存在一些不足，對于光學遙感，通過分析倒伏發(fā)生前后光譜反射率的變化來判斷倒伏發(fā)生情況，并通過構建植被指數(shù)的方法來構建倒伏模型[25-28]。其局限性在于，倒伏前后冠層光譜信息變化微弱、復雜的農田環(huán)境加大了光譜信息的提取難度。此外，倒伏多發(fā)生在雷雨天氣，光學遙感數(shù)據(jù)由于惡劣天氣的影響無法及時獲取倒伏區(qū)域信息。而SAR數(shù)據(jù)由于不受惡劣天氣和晝夜的影響，并且其對結構變化的敏感性將使得利用SAR數(shù)據(jù)監(jiān)測玉米倒伏更具優(yōu)勢[29-30]。目前，SAR數(shù)據(jù)應用在作物倒伏監(jiān)測方面的相關研究大都集中在定性研究階段，局限于全極化數(shù)據(jù)，且都是面向地塊尺度的，未能發(fā)展到基于像元尺度。

由于多數(shù)情況下很難獲取到全極化數(shù)據(jù)，因此本研究在前人的基礎上，利用易獲取的雙極化數(shù)據(jù)，通過提取并篩選最佳的倒伏相關極化指數(shù)，并構建玉米倒伏SAR監(jiān)測模型，結合實地倒伏測量數(shù)據(jù)驗證，最終劃分玉米倒伏等級，實現(xiàn)玉米倒伏災情評級，為災情分析和災后補救提供支持。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 試驗區(qū)域

試驗區(qū)位于北京市昌平區(qū)小湯山國家精準農業(yè)研究示范基地（北緯 40°11′，東經(jīng) 116°27′），屬暖溫帶，半濕潤大陸性季風氣候，四季分明，春季干燥多風，夏季炎熱多雨，秋季氣溫涼爽，冬季寒冷、雨雪稀少。試驗區(qū)內地勢平坦，占地166.7 hm2，海拔36 m。玉米是北京市夏季的主要糧食作物?；卦?2017年玉米種植面積為97.8 hm2，分布于試驗區(qū)東邊，西邊和北邊3個區(qū)域，種植玉米品種多樣，所處生長期存在差異。整個試驗區(qū)的玉米成片種植，植被類型單一。試驗區(qū)地理位置和試驗區(qū)樣本點分布情況如圖1所示。

圖1 試驗區(qū)及樣本點分布Fig.1 Test area and sample point distribution

1.2 試驗數(shù)據(jù)獲取

2017年8月8日下午至2017年8月9日凌晨的強風（西北風）和強降雨引發(fā)了玉米倒伏現(xiàn)象。試驗獲取了2景雙極化Sentinel-1A影像，并于2017年8月9日至11日 3天連續(xù)開展地面倒伏實地測量工作，獲取地面倒伏實際數(shù)據(jù)。

Sentinel-1是歐洲委員會（EC）和歐洲航天局（ESA）于2014年4月發(fā)射的一個全天時、全天候雷達成像系統(tǒng)。Sentinel-1A影像的GRD產(chǎn)品包含有經(jīng)過多視處理、采用WGS84橢球投影至地距的聚焦數(shù)據(jù)。因此，地距坐標是斜距坐標投影至地球橢球后的成果。像素信息代表監(jiān)測區(qū)域的幅度信息。該產(chǎn)品在方位向和距離向分辨率一致。2景Sentinel-1A影像詳細參數(shù)如表1所示。

表1 Sentinel-1A主要參數(shù)Table 1 Sentinel-1A main parameters

1.3 SAR影像數(shù)據(jù)處理

研究獲取的Sentinel-1A影像數(shù)據(jù)為干涉寬幅（IW，interferometric wide swath）模式的地距影像（GRD，ground range detected）產(chǎn)品。該成像模式采用中等分辨率（5 m×20 m）獲取幅寬250 km的影像，包含2個極化（VH、VV，其中H代表水平極化Horizontal,V代表垂直極化Vertical）的地距影像數(shù)據(jù)，極化數(shù)據(jù)由實部和虛部組成。通過對SAR數(shù)據(jù)的處理，使得其電磁波強度信息和電磁波相位信息能以電磁波對地物的后向散射系數(shù)來反映地物特征。對SAR數(shù)據(jù)的處理在歐空局雷達處理軟件SNAP軟件中和ENVI軟件中完成，處理過程如下：

1）SAR數(shù)據(jù)定軌：利用產(chǎn)品文件精確的軌道參數(shù)進行精確定軌；

2）消除熱噪聲；

3）輻射定標：利用產(chǎn)品文件中的Sigma定標系數(shù)進行輻射定標；

4）斑噪去除：針對雷達圖像固有的斑點噪聲，進行斑噪去除，使用Gamma Map濾波（濾波窗口為5×5）；

5）地形校正：利用圖像覆蓋區(qū)域的STRM數(shù)據(jù)來對雷達圖像進行正射校正。

1.4 試驗樣本點選取

試驗所需要的 2景影像分別獲取于倒伏發(fā)生前的 8月7日和倒伏發(fā)生后的8月19日。由于在雷雨天氣下雷達的后向散射系數(shù)與晴朗天氣下相比，普遍偏高。由于2景影像獲取時的天氣狀況基本一致，均為晴朗。因此，本次研究不考慮外界環(huán)境對最終結果的影響。

在倒伏發(fā)生后，由于不同品種、不同生長期的玉米表現(xiàn)出不同的倒伏現(xiàn)象。在經(jīng)過實地勘察后，選取整個基地范圍內47個位置點作為樣本點。其包含玉米倒伏的所有類型，且整體樣本點分布較為均勻，滿足最小影像分辨率的要求。

在實地測量地面樣本點時，選擇倒伏狀況相似且面積大于100 m2的區(qū)域作為樣本點的采集區(qū)域。每個樣本點均記錄其植株的倒伏類型、倒伏方位、倒伏角度、自然高度（自然狀態(tài)下，植株最高點距地面的高度）、植株高度（直立狀態(tài)下，植株最高點距地面的高度）、穗位高、莖彎/莖斷位置、行距和株距，并且記錄各個樣本點的GPS位置和所處的生長期。每個樣本點記錄3組數(shù)據(jù)。

2 研究方法

2.1 3種典型的玉米倒伏類型

通過分析實地倒伏數(shù)據(jù)，結合田間倒伏實際情況，提出一種基于高度比的玉米倒伏程度衡量標準。所謂高度比就是玉米自然高度與植株高度的比值。經(jīng)過實地調查，8月7日試驗區(qū)玉米未發(fā)生倒伏。8月8日經(jīng)過大風和雷雨天氣的影響，發(fā)生大面積倒伏現(xiàn)象。經(jīng)過地面實地勘察，典型倒伏類型的樣本點有嚴重倒伏（樣本點46），中度倒伏（樣本點08），輕度倒伏（樣本點07），如圖2所示（基于高度比劃分）。所有倒伏區(qū)域播種日期相近，土壤、降水、溫度、風速均一致，生長期間田間管理水平無差異。

圖2 3種典型倒伏樣本Fig.2 Three typical lodging samples

2.2 倒伏前后雷達極化特征分析

首先，尋找相關敏感極化指數(shù)。將預處理之后的 8月7日和8月19日的雷達影像在ENVI軟件中分別獲取32個建模樣本點的后向散射系數(shù)σVV（VV后向散射系數(shù)）和σVH（VH后向散射系數(shù)）。然后，對2次獲取的σVV和σVH分別構建相關極化指數(shù)并與實測的植株高度（直立狀態(tài)下）和自然高度做相關性分析。相關性分析在SPSS軟件中進行。結果如表2所示：

表2 后向散射系數(shù)與植株高的相關性Table 2 Correlation coefficient between backscatter indicators and plant height

通過對極化指數(shù)與植株高度的相關性分析得到，在未發(fā)生倒伏之前，雷達的VH后向散射系數(shù)對植株高度敏感性最強，相關性達到0.666。說明用σVH來構建倒伏模型在理論上是可行的。在倒伏發(fā)生之后，只有 2種后向散射系數(shù)信息與自然高達到顯著相關水平。與未倒伏狀況相比，極化指數(shù)相關性偏低且均為負相關。

原因在于，倒伏發(fā)生后的一段時間內，農田環(huán)境存在地表雨水積累、植株持續(xù)生長、倒伏恢復等多種情況，使得極化指數(shù)對植株個體高度的敏感性降低?；谧顑?yōu)原則，選取 σVV+VH極化指數(shù)來構建倒伏模型，其相關性為–0.336，達到顯著相關水平。

2.3 構建玉米倒伏監(jiān)測模型

在玉米植株發(fā)生倒伏現(xiàn)象之后，其高度信息會發(fā)生明顯的變化。因此，我們基于玉米植株高度的變化來得到倒伏模型?？紤]到倒伏發(fā)生之后，雷達極化通道對玉米植株自然高特征敏感性偏低和倒伏前后雷達極化指數(shù)得到植株高度精度較低的特點，提出一種基于模擬倒伏前后植株高度差的方法來確定差值參數(shù)（倒伏前后模擬植株高的差值）β，然后通過自然高與植株高的比值來得到倒伏監(jiān)測模型。具體步驟如下：

1）基于σVH和σVV+VH來構建差值；

2）利用差值β的最小值和平均值求解中度倒伏和嚴重倒伏的差值臨界點β0；

3）利用第 2步得到的 β0和理想植株(未生長、未倒伏)的差值0來計算自然高與植株高的比值；

4）根據(jù)自然高與植株高的比值區(qū)間來確定相應的倒伏程度區(qū)間，達到用倒伏監(jiān)測模型分級的目的。

由于在用模型分別模擬倒伏前和倒伏后植株高度時，雷達極化指數(shù)對偏低和偏高的植株高度的模擬結果存在較大差異，因此在構建倒伏監(jiān)測模型時首先采用σVH和σVV+VH構建倒伏前后差值（式（1）所示）。通過對32個建模樣本點倒伏前后實測植株高度差值與用敏感極化指數(shù)回歸建模分析得到的差值做相關性分析顯示，模擬的差值與地面實測的差值具有極顯著相關水平，分布如圖3所示，對于植株高度較低的植株其差值會稍微偏小，較高的植株其差值會稍微偏大。

式中β是倒伏差值，σVV+VH是倒伏后雷達VV+VH通道的后向散射系數(shù)，σVH是倒伏前雷達 VH通道的后向散射系數(shù)。

圖3 實測株高差值結果與模擬差值結果Fig.3 Measured difference results and simulated difference results of plant height

對于輕微倒伏的玉米植株，其倒伏前后的植株高度差值很小。所以選擇最小的差值βmin作為理想的未倒伏作物的差值。差值平均值βavg可以理解為中度倒伏狀況下差值的中間值。通過與βmin聯(lián)立求解中度倒伏與嚴重倒伏的差值分界點β0。求解式（2）如下所示。

經(jīng)過計算 β0的值為 101.2，為方便建模，將 β0的取值修定為100。對反演的倒伏前后模型求解倒伏比值γ，如式（3）所示：

借鑒前人經(jīng)驗并結合實際情況，對于嚴重倒伏區(qū)域0<γ<0.3，對應 β＞β0；中度倒伏區(qū)域 0.3<γ<0.7，對應0<β<β0；輕度倒伏區(qū)域 0.7<γ<1，對應 β＜0。為方便后面公式的推導，分別將公式中分子和分母前兩項設為 u和v,則γ區(qū)間所對應模型的反演區(qū)間為：

3 結果與分析

3.1 樣本點的倒伏分類結果準確度分析

15個檢驗樣本點的實測自然高與植株高的比值與模型模擬的差值結果如表 3所示。其中實測自然高與植株高的比值γ作為本研究衡量植株倒伏程度的標準。從圖中可以看出γ在區(qū)間（0,0.3）內為嚴重倒伏類型，對應的模型模擬的差值 β范圍為：β>100；γ在區(qū)間（0.3,0.7）內為中度倒伏類型，對應的模型模擬的差值 β范圍為：0<β<100；γ在區(qū)間（0.7,1）內為輕度倒伏類型，對應的模型模擬的差值β范圍為：β<0。15個檢驗點的分類準確率達到100%。

對于倒伏嚴重區(qū)域，由于其暴露出來的復雜農田地表環(huán)境，諸如地表積水、雜草等的影響使得倒伏前后植株高度差值大于 β0。中度倒伏區(qū)域，由于其雷達極化通道幾乎未受除了植株本身結構變化外的其他農田參量的影響，因此其差值應介于0和β0之間。輕度倒伏區(qū)域，倒伏前后植株高度差異較小，并且考慮到倒伏恢復和植株持續(xù)生長現(xiàn)象，其差值應小于0。此分析結果與模型得到的結果相吻合。總體樣本點的分類結果如表4所示。

3.2 實測倒伏程度與模型倒伏程度相關性分析

自然高與植株高的比值結果的總體相關性為 0.899（如表5所示），達到極顯著相關水平。原因在于通過將倒伏前后植株高度差值求解的參量 β引入自然高與植株高的比值公式后，要比單純依靠極化指數(shù)進行反演的結果更接近于真實值，得到的劃分區(qū)間也更準確。

模型得到的中度倒伏區(qū)域自然高與植株高的比值結果最好，嚴重倒伏區(qū)域次之，輕度倒伏區(qū)域最差。原因在于中度倒伏區(qū)域地表植被結構未被破壞且復雜的農田地表信息未暴露給雷達極化通道。因此，唯一的針對植株結構的后向散射系數(shù)使得其得到的結果精度最高。在倒伏嚴重區(qū)域雖然前后植株結構差異很大，但由于其倒伏程度嚴重導致地表水分、雜草等信息被混雜進雷達的后向散射系數(shù)變化信息中，因此其得到的結果精度會降低。輕度倒伏區(qū)域由于植株結構前后差異很小，并且植株倒伏恢復情況較前兩種類型要好，非結構信息造成的誤差相對較大。因此，模型得到的結果精度偏低。

表3 15個檢驗樣本點的株高差值結果和實測高度比結果Table 3 Difference results and measured height ratio results of 15 test sample points in plant height

表4 總樣本點的倒伏程度分類結果Table 4 Total sample point lodging degree classification results

表5 實測與模型倒伏程度相關性分析Table 5 Correlation coefficient of measured andsimulated lodging degree

3.3 試驗區(qū)倒伏災情遙感成圖結果分析

根據(jù)倒伏監(jiān)測模型對小湯山基地的玉米倒伏災情進行分級，其遙感分級圖為圖4。可以看出輕度倒伏區(qū)域所占面積最大且主要分布在基地西邊地塊和北邊地塊；嚴重倒伏區(qū)域次之，主要分布在東邊地塊和各地塊的邊緣，原因是東邊地塊種植的是春玉米，由于其在災害發(fā)生時已經(jīng)處于灌漿期，整體植株高度相對于其他地塊的夏玉米要高，因此倒伏程度嚴重；中度倒伏區(qū)域所占面積最少。整體倒伏分類結果與實地調查結果基本一致。最終的遙感分級圖對玉米倒伏程度具有較好的表征效果。

圖4 倒伏程度遙感分級Fig.4 Lodging degree of remote sensing grading map

4 討 論

本研究提出的基于Sentinel-1A雷達影像的倒伏監(jiān)測模型。其雙極化的SAR數(shù)據(jù)不僅容易獲取，而且其重訪周期較短（研究區(qū)重訪周期為12天）。相較于光學遙感，SAR在災害天氣下進行作物倒伏分析時更具優(yōu)勢。與以往SAR大多應用在作物監(jiān)測方面研究不同的是，本研究對SAR在像元尺度下進行作物倒伏的定量監(jiān)測做了初步嘗試，并取得了較為滿意的結果。

在對玉米倒伏程度劃分標準方面的研究上，孫守鈞[31]按莖與地面的夾角大小將高粱倒伏分為 0~4級；田保明等[32]提出了根據(jù)植株上部莖稈彎曲與主莖夾角的劃分方法；這 2種方法都是從單株角度對玉米的倒伏程度提出劃分標準，然而野外玉米實際倒伏并不都是單純的植株彎曲，對于根倒莖彎且冠層保持直立的倒伏類型很難通過測量其莖稈傾角來達到劃分標準的目的。王立志等[18]采用正態(tài)(偏正態(tài))統(tǒng)計理論的雙閾值劃分策略，以田間倒伏玉米所占的比例作為倒伏程度的衡量標準。由于在多數(shù)情況下，野外玉米種植區(qū)并不都是單一品種。同一個區(qū)域內會存在多種倒伏類型。因此，該方法不能很好的滿足高精度倒伏分級的要求。在正常倒伏狀態(tài)下，高度比與玉米倒伏角度存在函數(shù)關系，故本研究提出的方法可以較好的滿足正常倒伏狀況下的劃分標準，又能較好地消除其他方法在劃分根倒莖彎且冠層保持直立型的倒伏類型時所產(chǎn)生的誤差。

需要注意的是，本研究還存在一些不足。模型的構建只運用了抽雄期的研究結果，并沒有推廣至整個生育期。由于不同生長期內玉米植株的結構和生長狀態(tài)差異顯著，其倒伏前后產(chǎn)生的差值區(qū)間也將存在差異，基于此得到的倒伏分級模型也會不同。此外，本次試驗在小湯山基地進行，未對不同區(qū)域的倒伏現(xiàn)象進行驗證。在玉米生長期內，不同的田間管理措施和不同地面情況會使得玉米倒伏監(jiān)測模型的系數(shù)發(fā)生變化。模型的適用性還有待探討。本次試驗所選取的兩景 Sentine-1A影像的傳感器配置（波段頻率、入射角等）完全一致，對不同入射角的傳感器影像對倒伏監(jiān)測模型的影響還未做進一步的探討。

5 結 論

在小湯山試驗基地發(fā)生倒伏災情后，利用倒伏前后兩景Sentinel-1A雙極化(VV，VH)數(shù)據(jù)，通過構建倒伏監(jiān)測模型并進行驗證，達到在區(qū)域尺度下利用SAR定量監(jiān)測玉米倒伏的目的。研究得到如下結論：

1）對倒伏前后不同雷達后向散射系數(shù)和植株高與自然高的相關性分析，篩選出最優(yōu)建模指數(shù)。倒伏前為VH，相關性為 0.666，呈正相關。倒伏后為 VV+VH，相關性為-0.336，呈負相關。

2）由于單純依靠極化指數(shù)反演植株高度存在較大誤差，因此通過倒伏前后植株高度差值 β求得嚴重倒伏區(qū)域差值臨界值β0(β0=100)，將其作為自然高與植株高比值公式的參數(shù)，通過設置合理的倒伏程度區(qū)間，構建倒伏監(jiān)測模型。

3）32個建模點的實測差值結果與模擬差值結果的R2為0.896，達到極顯著相關水平?？倶颖军c實測的自然高與植株高比值與模型模擬比值的相關性為0.899，達到極顯著相關性水平。表明本研究建立的倒伏監(jiān)測模型精度較高

4）15個檢驗樣本點和47個總樣本點的倒伏分級準確度均達到100%。最終的研究區(qū)倒伏程度遙感成圖結果與田間實際倒伏情況基本一致，具有較高的成圖精度。

[1] 袁公選，楊金慧，李雅文，等. 玉米倒伏成因及預防[J]. 西北植物學報，1999，19(5)：72－76.Yuan Gongxuan, Yang Jinhui, Li Yawen, et al. Studies on the causes and prevention of maize lodging[J]. Northwest Botanical Garden, 1999, 19(5): 72－76. (in Chinese with English abstract)

[2] 孫世腎，戴俊英. 國外玉米倒伏研究[J]. 世界農業(yè)，1991(5)：23－24.Sun Shizhen, Dai Junying. Study on the lodging of foreign corn[J]. World Agriculture, 1991(5): 23－24. (in Chinese with English abstract)

[3] 宋朝玉，張繼余，張清霞，等. 玉米倒伏的類型、原因及預防、治理措施[J]. 作物雜志，2006(1)：36－38.Song Zhaoyu, Zhang Jiyu, Zhang Qingxia, et al. Types,causes and prevention of maize lodging and its control measures[J]. Journal of Crop Science, 2006(1): 36－38. (in Chinese with English abstract)

[4] 孫世賢，顧慰連，戴俊英. 密度對玉米倒伏及其產(chǎn)量的影響[J]. 沈陽農業(yè)大學學報，1989(4)：413－416.Sun Shixian, Gu Xianlian, Dai Junying. Effects of density on lodging and yield of maize[J]. Journal of Shenyang Agricultural University, 1989(4): 413－416. (in Chinese with English abstract)

[5] 楊揚，楊建宇，李紹明，等. 玉米倒伏脅迫影響因子的空間回歸分析[J]. 農業(yè)工程學報，2011，27(6)：244－249.Yang Yang, Yang Jianyu, Li Shaoming, et al. Spatial regression analysis of factors affecting maize lodging stress[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 244－249. (in Chinese with English abstract)

[6] 黃海. 群體密度對玉米莖稈及根系抗倒伏特性的影響[D].長春；吉林農業(yè)大學，2013.Huang Hai. Effects of population density on maize stalk and root lodging resistance[D]. Changchun: Jilin Agricultural University, 2013. (in Chinese with English abstract)

[7] 程富麗，杜雄，劉夢星，等. 玉米倒伏及其對產(chǎn)量的影響[J]. 玉米科學，2011，19(1)：105－108.Cheng Fuli, Du Xiong, Liu Mengxing, et al. Effect of maize lodging and its influence on yield[J]. Science of Maize, 2011,19(1): 105－108. (in Chinese with English abstract)

[8] 袁劉正，柳家友，付家峰，等. 玉米倒伏后子粒灌漿特性的比較分析[J]. 作物雜志，2010(2)：38－40.Yuan Liuzheng, Liu Jiayou, Fu Jiafeng, et al. Comparative analysis of grain filling characteristics after lodging of corn[J]. Chinese Journal of Crops, 2010(2): 38－40. (in Chinese with English abstract)

[9] 曹鐵華，梁烜赫，李剛，等. 玉米倒伏和扶直的產(chǎn)量效應研究[J]. 玉米科學，2013(6)：81－90.Cao Tiehua, Liang Yihe, Li Gang, et al. Yield effects of lodging and straightening in maize[J]. Maize Science, 2013(6): 81－90. (in Chinese with English abstract)

[10] 王猛，隋學艷，梁守真，等. 夏玉米倒伏模擬試驗及遙感監(jiān)測[J]. 測繪科學，2017，42(8)：137－141.Wang Meng, Sui Xueyan, Liang Shouzhen, et al. Simulation experiment and remote sensing monitoring of summer maize lodging [J]. Proceedings of Surveying and Mapping, 2017,42(8): 137－141. (in Chinese with English abstract)

[11] 曹慶軍，曹鐵華，楊粉團，等. 灌漿期風災倒伏對玉米籽粒灌漿特性及品質的影響[J]. 中國生態(tài)農業(yè)學報，2013，21(9)：1107－1113.Cao Qingjun, Cao Tiehua, Yang Fentuan, et al. Effects of wind disaster disasters on grain filling characteristics and quality of maize during filling period[J]. Chinese Journal of Eco-Agriculture, 2013, 21(9): 1107－1113. (in Chinese with English abstract)

[12] 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(chǎn)量的影響[J]. 應用生態(tài)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)

[13] 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]. 中國農業(yè)科學，2015，48(19)：3952－3964.Li Shuyan, Ma Wei, Peng Jiyong, 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 with English abstract)

[14] 錢永蘭，毛留喜，周廣勝. 全球主要糧食作物產(chǎn)量變化及其氣象災害風險評估[J]. 農業(yè)工程學報，2016，32(1)：226－235.Qian Yonglan, Mao Liuxi, Zhou Guangsheng. Changement of major grain crops in the world and its risk assessment of meteorological disasters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(1): 226－235. (in Chinese with English abstract)

[15] 張杰. 冬小麥倒伏遙感監(jiān)測研究[D]. 濟南；山東師范大學，2011.Zhang Jie. Winter Wheat Lodging Remote Sensing Monitoring Research[D]. Ji’nan: Shandong Normal University, 2011. (in Chinese with English abstract)

[16] 劉良云，王紀華，宋曉宇，等. 小麥倒伏的光譜特征及遙感監(jiān)測. 遙感學報，2005，9(3)：323－327.Liu Liangyun, Wang Jihua, Song Xiaoyu, et al.The canopy spectral features and remote sensing of wheat lodging[J].Journal of Remote Sensing, 2005, 9(3): 323－327. (in Chinese with English abstract)

[17] 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, Zang Jiquan, Liu Xiaojing, et al. Study and analysis of canopy reflection information of crops affected by wind disaster[J]. Spectroscopy and Spectral Analysis, 2013, 33(4):1057－1060. (in Chinese with English abstract)

[18] 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(jiān)測[J]. 中國農業(yè)科學，2016，49(21)：4120－4129.Wang Lizhi, Gu Xiaohe, Hu Shengwu, et al. Remote sensing monitoring of corn lodging based on multi-temporal HJ-1B CCD image[J]. Journal of Agricultural Sciences, 2016, 49(21): 4120－4129. (in Chinese with English abstract)

[19] 李宗南，陳仲新，王利民，等. 基于小型無人機遙感的玉米倒伏面積提取. 農業(yè)工程學報，2014，30(19)：207－213.Li Zongnan, Chen Zhongxin, Wang Limin, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2014, 30(19): 207－213. (in Chinese with English abstract)

[20] 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. 農業(yè)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. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 1－5. (in Chinese with English abstract)

[21] 楊浩，楊貴軍，顧曉鶴，等. 小麥倒伏的雷達極化特征及其遙感監(jiān)測. 農業(yè)工程學報，2014，30(7)：1－8.Yang Hao, Yang Guijun, Gu Xiaohe, et al. Radar polarimetric response features and remote sensing monitoring of wheat lodging. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(7): 1－8.(in Chinese with English abstract)

[22] Yang H, Chen E X, Li Z Y, et al. Wheat lodging monitoring using polarimetric index from radarsat-2 data. International Journal of Applied Earth Observation & Geoinformation,2015, 34(1): 157－166.

[23] Zhao L, Yang J, Li P, et al. Characterizing lodging damage in wheat and canola using radarsat-2 polarimetric SAR Data[J].Remote Sensing Letters, 2017, 8(7): 667－675.

[24] Chen J, Li H, Han Y. Potential of RADARSAT-2 data on identifying sugarcane lodging caused by typhoon[C]// International Conference on Agro-Geoinformatics. IEEE, 2016: 1－6.

[25] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of productivity of the shortgrass prairie[J]. Remote Sensing of Environment, VIII, 1972, 45(2):7－12.

[26] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[J]. Nasa Type III, Final Report, Greenbelt,MD, USA, 1974.

[27] Kaufman Yoram J, Tanre Didier. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 261－270.

[28] Huete A, Justice C, Leeuwen W V. Modis vegetation index(MOD13) algorithm theoretical basis document[J]. NASA Goddard Space Flight Center, Greenbelt, MD, USA, 1999.

[29] 王迪，周清波，陳仲新，等. 基于合成孔徑雷達的農作物識別研究進展[J]. 農業(yè)工程學報，2014，30(16)：203－212.Wang Di, Zhou Qingbo, Chen Zhongxin, et al. Study on crop identification based on synthetic aperture radar [J]. Journal of Agricultural Engineering, 2014, 30 (16): 203－212. (in Chinese with English abstract)

[30] Zhang Lu, Li Xinwu, Du Hejuan, et al. Simulation of maize crop polarization SAR data[J]. Journal of Remote Sensing,2010, 14(4): 621－636.

[31] 孫守鈞. 高粱高產(chǎn)基礎研究[D]. 沈陽；沈陽農業(yè)大學，1999.Sun Shoujun. Sorghum High Yield Basic Research[D].Shenyang: Shenyang Agricultural University, 1999. (in Chinese with English abstract)

[32] 田保明，楊光圣. 農作物倒伏及其評價方法[J]. 中國農學通報，2005，21(7)：111－111.Tian Baoming, Yang Guangsheng. Crop lodging and its evaluation method[J]. Chinese Agricultural Science Bulletin,2005, 21(7): 111－111. (in Chinese with English abstract)