倒伏水稻特征分析及其多光譜遙感提取方法研究*

陸 洲, 徐飛飛,2**, 羅 明,2, 梁 爽,2, 趙 晨,2, 馮險(xiǎn)峰

倒伏水稻特征分析及其多光譜遙感提取方法研究*

陸 洲1, 徐飛飛1,2**, 羅 明1,2, 梁 爽1,2, 趙 晨1,2, 馮險(xiǎn)峰1

(1. 中國(guó)科學(xué)院地理科學(xué)與資源研究所 北京 100101; 2. 中科禾信遙感科技(蘇州)有限公司 蘇州 215151)

倒伏水稻的識(shí)別對(duì)災(zāi)后農(nóng)業(yè)生產(chǎn)管理、災(zāi)害保險(xiǎn)、補(bǔ)貼等工作有重要意義。為應(yīng)用高分辨率遙感影像準(zhǔn)確提取倒伏水稻面積,本文利用2019年9月27日獲取的哨兵2號(hào)多光譜遙感影像, 研究黑龍江省同江市倒伏水稻的光譜、紋理特征, 并基于光譜與紋理特征建立倒伏水稻的遙感提取模型。研究結(jié)果表明水稻倒伏后可見光-近紅外-短波紅外等8個(gè)波段的反射率均升高, 其中短波紅外、紅光和紅邊1等3個(gè)波段的反射率上升大于0.06。倒伏水稻的典型植被指數(shù)中, 歸一化植被指數(shù)、比值植被指數(shù)、增強(qiáng)植被指數(shù)和紅邊位置指數(shù)均降低, 但差值植被指數(shù)升高。倒伏與正常水稻在紅光、紅邊1和短波紅外等3個(gè)波段的均值紋理數(shù)值差距明顯, 紅光波段的紋理均值差異最大。利用歸一化植被指數(shù)、地表水分指數(shù)、比值植被指數(shù)和差值植被指數(shù)以及紅光波段的紋理均值構(gòu)建決策樹分類模型, 監(jiān)測(cè)結(jié)果表明農(nóng)場(chǎng)內(nèi)倒伏水稻分布較散, 其西部和南部水稻受災(zāi)面積較大, 北部受災(zāi)面積較小, 中部偏北和東部基本未倒伏。將本文模型所提取的結(jié)果與實(shí)測(cè)面積對(duì)比, 正常與倒伏水稻的面積識(shí)別誤差分別為3.33%和2.23%。利用隨機(jī)驗(yàn)證樣本與模型驗(yàn)證結(jié)果進(jìn)行混淆矩陣分析, 倒伏水稻的用戶精度和制圖精度均為92.0%, Kappa系數(shù)為0.93。該方法能夠適用于大區(qū)域倒伏水稻提取, 可為高分辨率多光譜遙感數(shù)據(jù)調(diào)查水稻倒伏面積提供相關(guān)依據(jù)。

哨兵2號(hào)影像; 倒伏水稻; 光譜特征; 紋理特征; 遙感提取

長(zhǎng)期以來, 倒伏一直是制約水稻()生產(chǎn)的重要因素之一[1]。當(dāng)發(fā)生倒伏時(shí), 冠層結(jié)構(gòu)被破壞, 光合速率和干物質(zhì)生產(chǎn)能力急劇下降。在嚴(yán)重的情況下, 會(huì)折斷莖或拔出根, 阻礙水、礦物質(zhì)和光合產(chǎn)物的運(yùn)輸, 導(dǎo)致產(chǎn)量和質(zhì)量的大幅下降[2]。研究表明倒伏面積占15%左右時(shí), 減產(chǎn)率在5%~10%, 當(dāng)發(fā)生重度倒伏時(shí), 水稻產(chǎn)量損失率可達(dá)22%左右, 極端情況下可達(dá)50%左右, 甚至絕產(chǎn)[3]。快速、準(zhǔn)確獲取水稻倒伏的位置、面積等信息, 對(duì)災(zāi)后農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)災(zāi)害保險(xiǎn)、補(bǔ)貼等工作有重要意義。目前, 獲取作物倒伏信息的方法主要有人工法和遙感法[4]。人工法在獲取倒伏作物位置及面積方面存在效率低的問題, 另外針對(duì)不規(guī)則倒伏區(qū)域無法做到精確測(cè)量。遙感法是根據(jù)影像中倒伏作物與正常作物在光譜、色調(diào)和紋理等特征的差異, 識(shí)別倒伏作物, 獲取倒伏信息?；谶b感的調(diào)查方法憑借遙感影像覆蓋面積大、數(shù)據(jù)獲取及時(shí)的特點(diǎn), 現(xiàn)已成為倒伏作物監(jiān)測(cè)的重要途徑。

目前單獨(dú)使用光學(xué)衛(wèi)星數(shù)據(jù)、雷達(dá)數(shù)據(jù)和無人機(jī)圖像是倒伏作物遙感監(jiān)測(cè)的3種主要方式。光學(xué)衛(wèi)星影像主要是通過分析倒伏發(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(gòu)建植被指數(shù)來提取倒伏作物。如王猛等[5-6]通過分析玉米()冠層光譜數(shù)據(jù), 發(fā)現(xiàn)倒伏玉米相較于正常玉米的反射率和幾種典型植被指數(shù)整體上都有不同程度的下降。張杰[7]結(jié)合冬小麥()倒伏光譜數(shù)據(jù)和ALOS (advanced land observing satellite)遙感影像, 建立監(jiān)測(cè)冬小麥倒伏狀況的遙感方法。王立志等[8]根據(jù)多時(shí)相HJ-1B衛(wèi)星影像的比值植被指數(shù)差值與玉米倒伏比例具有最高相關(guān)性的規(guī)律來構(gòu)建玉米倒伏模型。劉良云等[9]發(fā)現(xiàn)小麥倒伏后冠層光譜反射率隨倒伏角度增加而增加, 并利用歸一化植被指數(shù)(normalized difference vegetation index, NDVI)來監(jiān)測(cè)小麥倒伏的發(fā)生程度。雷達(dá)衛(wèi)星主要依靠后向散射原理提取倒伏作物信息。如韓東等[10]研究倒伏前后玉米的Sentinel-1A雷達(dá)影像的多種強(qiáng)度信息, 篩選出玉米倒伏前后最佳敏感后向散射系數(shù), 構(gòu)建倒伏玉米監(jiān)測(cè)模型, 實(shí)現(xiàn)了對(duì)玉米倒伏程度的分級(jí)目的。楊浩等[11-12]利用Radarsat-2雷達(dá)極化指數(shù)的方法來監(jiān)測(cè)小麥倒伏。無人機(jī)影像主要是通過分析倒伏發(fā)生前后紋理的變化來分析倒伏情況。如李宗南等[13]先后使用無人機(jī)和Worldview-2影像進(jìn)行了小尺度灌漿期倒伏玉米的光譜和紋理特征研究, 結(jié)果顯示基于最大似然法使用紅邊和近紅外波段是倒伏玉米的最優(yōu)面積估算方法。董錦繪等[14]通過對(duì)比最小距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)4種監(jiān)督分類方法對(duì)單張無人機(jī)影像進(jìn)行分類, 以估算小麥倒伏面積。Chauhan等[15]利用無人機(jī)獲取的高分辨率多光譜數(shù)據(jù), 分析了不同倒伏程度等級(jí)之間的光譜變異性。Zhao等[16]、鄭二功等[17]將深度學(xué)習(xí)應(yīng)用到無人機(jī)影像中, 利用全卷積神經(jīng)網(wǎng)絡(luò)圖像分割方法提取倒伏作物。Chauhan等[18]聯(lián)合使用多時(shí)序的哨兵1號(hào)雷達(dá)數(shù)據(jù)和哨兵2號(hào)多光譜數(shù)據(jù)研究倒伏發(fā)生后對(duì)小麥的反向散射/相干性和光譜反射率的影響, 并使用時(shí)間序列分析, 監(jiān)測(cè)小麥倒伏發(fā)生率, 研究結(jié)果表明紅邊波段(740 nm)和近紅外波段(865 nm)可以最好地區(qū)分健康小麥和倒伏小麥。

綜上, 國(guó)內(nèi)外倒伏作物種植面積遙感監(jiān)測(cè)研究主要有2個(gè)方面: 一是基于不同數(shù)據(jù)條件下倒伏作物的遙感識(shí)別能力研究; 二是基于不同分類方法倒伏作物識(shí)別能力和精度的比較研究。總的來看, 數(shù)據(jù)源充分保障條件下最優(yōu)方法、最高精度的研究較多。然而, 現(xiàn)有的作物倒伏監(jiān)測(cè)大多面向小麥和玉米等作物, 倒伏水稻的遙感監(jiān)測(cè)研究開展的相對(duì)較少, 且應(yīng)用影像的光譜與紋理特征提取倒伏水稻的研究尚不多見。本研究利用2019年9月27日獲取的哨兵2號(hào)多光譜遙感影像研究黑龍江省同江市正常水稻、倒伏水稻的光譜反射率、植被指數(shù)和紋理特征, 然后根據(jù)兩者的光譜、紋理特征差異, 構(gòu)建基于光譜與紋理特征的決策樹分類模型, 以期為應(yīng)用高分辨遙感數(shù)據(jù)進(jìn)行水稻倒伏調(diào)查提供相關(guān)依據(jù), 為災(zāi)情分析和災(zāi)后補(bǔ)救提供支持。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

本文研究區(qū)為黑龍江省同江市濃江農(nóng)場(chǎng), 位于黑龍江省佳木斯市(133.10°E, 47.80°N)。濃江農(nóng)場(chǎng)是黑龍江墾區(qū)最大的農(nóng)業(yè)綜合開發(fā)示范區(qū), 位于松花江、黑龍江和烏蘇里江三角洲地帶。作物種植為一年1熟制, 以種植小麥、大豆()、水稻為主, 是一個(gè)中型的國(guó)有現(xiàn)代化農(nóng)場(chǎng)。農(nóng)場(chǎng)屬于寒溫帶濕潤(rùn)季風(fēng)氣候區(qū), 屬黑龍江省第三積溫帶, 年平均氣溫1~1.5 ℃, 年降雨量560~610 mm, 有效積溫2600 ℃, 年無霜期125~130 d, 黑土層厚度均在25~30 cm, 土壤有機(jī)質(zhì)含量在100 g?kg–1左右。該農(nóng)場(chǎng)2019年9月20日出現(xiàn)降雨、大風(fēng)天氣, 導(dǎo)致部分地塊的水稻發(fā)生嚴(yán)重倒伏。研究區(qū)倒伏與正常水稻樣本點(diǎn)分布情況如圖1所示。

1.2 數(shù)據(jù)介紹

哨兵2號(hào)(Sentinel-2)是歐洲“哥白尼計(jì)劃”的第2顆衛(wèi)星[19], 分為A星和B星, 分別于2015年6月和2017年3月發(fā)射。哨兵2號(hào)攜帶1枚多光譜成像儀, 可覆蓋13個(gè)光譜波段, 波段范圍從可見光、近紅外到短波紅外, 是唯一在紅邊范圍含有3個(gè)波段的衛(wèi)星, 最高空間分辨率為10 m, 幅寬為 290 km, 兩星共同工作時(shí)間分辨率可以提高至5 d。

哨兵2號(hào)衛(wèi)星提供的數(shù)據(jù)產(chǎn)品為L(zhǎng)evel-1C和Level-2A[20], Level-1C是經(jīng)過輻射校正和幾何校正的大氣層頂表觀反射率數(shù)據(jù)[21], Level-2A是經(jīng)過大氣校正后的地表反射率數(shù)據(jù)。本文選用大氣校正后的Level-2A數(shù)據(jù), 有效消除了云、大氣和光照等因素對(duì)地物反射的影響, 影像日期為2019年9月27日。選用了8個(gè)波段進(jìn)行分析, 其中包括可見光波段、對(duì)植被生長(zhǎng)狀況敏感的3個(gè)紅邊波段[22]、近紅外波段以及對(duì)植物和土壤水分含量敏感的短波紅外波段[23-24], 波段信息參數(shù)如表1所示。哨兵2號(hào)影像的處理主要包括圖像裁剪、波段合成等[25]。

2 倒伏水稻遙感提取方法

決策樹是通過對(duì)訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)而生成決策規(guī)則, 而后使用決策規(guī)則對(duì)數(shù)據(jù)進(jìn)行分類的一種數(shù)學(xué)方法[26]。近年來, 決策樹因其具有較高的魯棒性、計(jì)算效率高、分類精度高、分類規(guī)則直觀、易于理解等優(yōu)點(diǎn), 故被廣泛地運(yùn)用于地物識(shí)別提取[27-28]。

表1 本文選用的哨兵2號(hào)影像波段及分辨率

本文首先對(duì)比分析正常水稻、倒伏水稻的光譜反射率特征、植被指數(shù)和紋理特征, 為使用哨兵2影像區(qū)分正常和倒伏水稻提供特征選擇的依據(jù); 然后根據(jù)兩者的光譜、紋理特征差異, 構(gòu)建決策樹分類模型進(jìn)行分類。根據(jù)分類結(jié)果采用隨機(jī)點(diǎn)計(jì)算混淆矩陣驗(yàn)證識(shí)別結(jié)果的正確性, 最后計(jì)算混淆矩陣并統(tǒng)計(jì)倒伏水稻的面積, 根據(jù)倒伏水稻實(shí)測(cè)面積計(jì)算識(shí)別誤差。

2.1 倒伏水稻的特征

2.1.1 倒伏水稻的光譜特征

在哨兵2號(hào)多光譜反射率影像中, 根據(jù)現(xiàn)場(chǎng)倒伏水稻調(diào)查資料結(jié)合Google影像進(jìn)行目視解譯, 在研究區(qū)內(nèi)共選取542個(gè)樣點(diǎn), 其中正常水稻268個(gè)樣點(diǎn), 倒伏水稻274個(gè)樣點(diǎn), 樣點(diǎn)分布如圖1所示。統(tǒng)計(jì)正常水稻和倒伏水稻的在各波段反射率的均值和標(biāo)準(zhǔn)差, 然后根據(jù)波段中心波長(zhǎng)位置, 繪制出正常、倒伏水稻的反射率曲線, 結(jié)果如圖2所示。

根據(jù)圖2, 倒伏水稻在400~1610 nm范圍內(nèi), 8個(gè)波段的反射率較正常水稻均明顯增加, 從藍(lán)光到短波紅外的各波段反射率分別增加了0.02、0.03、0.06、0.06、0.04、0.04、0.04和0.08, 其中短波紅外、紅光和紅邊1等3個(gè)波段的反射率增加較大。該變化規(guī)律與冬小麥、玉米倒伏后光譜變化規(guī)律相似, 其主要原因可能是水稻倒伏前冠層的光譜反射由葉片、稻穗的多次反射共同作用, 倒伏后這種作用發(fā)生改變, 倒伏水稻冠層光譜反射率起重要作用的是莖稈[9]。莖稈的反射率在可見光波段與葉片相當(dāng), 在近紅外波段高于葉片。倒伏的角度越大, 單位面積上莖稈所占比例就越大, 水稻植株間隙就越小, 加之水稻倒伏后葉片由上表面朝上的狀態(tài)變?yōu)槿~片橫向, 在水稻全部倒伏的極端情況下光滑的下表面橫向朝上, 基本形成鏡面反射的狀態(tài), 水稻植被的光譜反射率變大[29]。

根據(jù)倒伏后反射率變化量和正常水稻反射率, 計(jì)算倒伏水稻從藍(lán)光到短波紅外的各波段反射率相對(duì)變化率, 依次為17.85%、23.36%、36.30%、27.36%、14.06%、12.06%、12.87%和33.35%。由于倒伏后紅光反射率相對(duì)變化量大于近紅外波段, 倒伏水稻的NDVI將小于正常水稻。圖2中能夠看出倒伏水稻和正常水稻在紅光波段、紅邊波段和短波波段的分離性較大, 這3個(gè)波段可作為兩者區(qū)分的重要波段。倒伏水稻在藍(lán)、綠、紅通道的反射率數(shù)據(jù)呈現(xiàn)逐漸遞增的趨勢(shì), 而正常水稻則相反, 即在藍(lán)、綠、紅通道的反射率逐漸下降。倒伏水稻紅光波段反射率高于藍(lán)光反射率, 正常水稻則相反, 紅光和藍(lán)光的反射率之差可作為倒伏水稻與正常水稻區(qū)分的重要特征之一。

2.1.2 倒伏水稻的指數(shù)特征

植被指數(shù)是表示植被長(zhǎng)勢(shì)、生物量等的重要指數(shù), 研究應(yīng)用較多的有NDVI[30]、比值植被指數(shù)(ratio vegetation index, RVI)、差值植被指數(shù)(difference vegetation index, DVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index, EVI)。本文根據(jù)植被指數(shù)計(jì)算公式(表2)分別計(jì)算了正常與倒伏水稻的這4種植被指數(shù)。植被土壤水分狀態(tài)的微小變化能引起短波紅外光譜反射率的巨大變化, 陸地水分指數(shù)(land surface water index, LSWI)由近紅外波段和對(duì)植物和土壤水分含量敏感的短波紅外波段組合而成, 對(duì)水田監(jiān)測(cè)有較好效果[31]。紅邊波段是介于紅光波段和近紅外波段之間的波段, 紅邊位置的變動(dòng)與作物葉子內(nèi)部的物理狀態(tài)密切相關(guān)[32-33]。本研究采用線性四點(diǎn)內(nèi)插法計(jì)算紅邊位置指數(shù)(red edge position index, REP), 計(jì)算公式如表2所示。

表2 本文選用的各光譜指數(shù)的計(jì)算公式

blue、green、red和nir分別為藍(lán)光、綠光、紅光和近紅外波段反射率。60、700、740和780表示為在波長(zhǎng)670 nm、700 nm、740 nm和780 nm處的反射率。700與40是700~740 nm區(qū)間進(jìn)行內(nèi)插產(chǎn)生的常數(shù)。blue,green,redandniris blue, green, red and near-infrared reflectance.670,700,740and780is the reflectivity at the wavelength of 670 nm, 700 nm, 740 nm and 780 nm. 700 and 40 are constants produced by interpolation in the range of 700-740 nm.

根據(jù)表2公式對(duì)哨兵2號(hào)影像進(jìn)行波段運(yùn)算得到以上6種光譜指數(shù), 并統(tǒng)計(jì)分析正常與倒伏水稻的光譜指數(shù)特征(圖3)。由圖3a-c可知, 倒伏水稻的NDVI、RVI和EVI分別介于0.3~0.5、1.5~2.7和0.07~0.15, 且這3種植被指數(shù)均低于正常水稻。這可能是因?yàn)榘l(fā)生倒伏后水稻冠層結(jié)構(gòu)改變, 其冠層光譜反射率也隨之發(fā)生相應(yīng)的變化, 但近紅外波段相對(duì)變化量低于紅光反射率, 反映作物長(zhǎng)勢(shì)的NDVI、RVI和EVI指數(shù)是依據(jù)作物在紅光波段和近紅外波段的光譜反射率值進(jìn)行計(jì)算的, 因此這些指數(shù)也隨著光譜反射率曲線的變化發(fā)生了不同程度的降低。倒伏水稻的NDVI均值為0.37, 正常水稻為0.52, 相對(duì)減少了28.85%。倒伏水稻的RVI均值為2.19, 正常水稻RVI均值為3.01, 相對(duì)減少了27.24%。倒伏水稻的EVI均值為0.11, 而正常水稻為0.15, 相對(duì)減少了26.67%。

圖3d所示的差值植被指數(shù)(DVI)由紅光和藍(lán)光波段的反射率之差組成。倒伏水稻的DVI高于正常水稻, 且倒伏水稻的DVI大于0, 而正常水稻的DVI小于0。水稻發(fā)生倒伏后造成紅光波段反射率高于藍(lán)光反射率, 而正常水稻則相反, 紅光波段反射率低于藍(lán)光反射率。因此, DVI可作為識(shí)別倒伏水稻的特征之一。圖3e表明水稻的LSWI均低于0.4, 且倒伏水稻明顯低于正常水稻。正常水稻的LSWI均值為0.17, 倒伏水稻的LSWI為0.32, 相對(duì)減少了46.87%, 表明水稻受倒伏脅迫后, LSWI受到土壤背景影響, 含水量下降, 故而低于正常水稻。圖3f表明倒伏水稻的REP低于正常水稻, 但相對(duì)差距較小, 正常水稻的紅邊位置為716.14 nm, 倒伏水稻的紅邊位置為718.24 nm, 表明水稻受倒伏脅迫后, 紅邊位置向短波方向移動(dòng), 有變小的趨勢(shì), 發(fā)生“藍(lán)移”現(xiàn)象。

2.1.3 倒伏水稻的紋理特征

本文采用基于統(tǒng)計(jì)分析法的灰度共生矩陣計(jì)算正常與倒伏水稻的紋理信息。GLCM (Grey-Level Co-occurrence Matrix)是一個(gè)統(tǒng)計(jì)描述影像中的1個(gè)局部區(qū)域或整個(gè)區(qū)域相鄰像元或一定距離內(nèi)兩像元灰度呈現(xiàn)的某種關(guān)系的矩陣, 即通過統(tǒng)計(jì)影像上一定大小的基準(zhǔn)窗口內(nèi)某一方向上(0°、45°、90°、135°)相距為的兩個(gè)灰度級(jí)和同時(shí)出現(xiàn)的聯(lián)合事件概率密度分布而獲得的對(duì)稱矩陣P(), 能夠表現(xiàn)基準(zhǔn)窗口中心點(diǎn)附近像素灰度的空間相關(guān)性, 可以有效地表達(dá)紋理特征。

李宗南等[13]通過研究倒伏玉米的均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)性等8項(xiàng)紋理特征, 發(fā)現(xiàn)基于灰色共生矩陣的反射率均值紋理特征差異明顯。鑒于此結(jié)果, 本文僅研究倒伏水稻的均值紋理特征。使用數(shù)據(jù)處理軟件ENVI 5.3計(jì)算各波段的均值紋理, 將紋理濾波窗口設(shè)置為3×3, 共生矩陣和的變換量均為1。使用Excel軟件計(jì)算各波段紋理特征的均值、方差; 根據(jù)均值和方差計(jì)算得到變異系數(shù); 根據(jù)各項(xiàng)特征的均值計(jì)算二者的相對(duì)差異, 正常、倒伏水稻感興趣區(qū)內(nèi)各波段均值紋理特征的統(tǒng)計(jì)結(jié)果如表3所示。差異系數(shù)反映同一地物內(nèi)該特征數(shù)值的離散程度; 離散程度越小, 即差異系數(shù)越小越容易根據(jù)該特征區(qū)分出該類地物。相對(duì)差異反映兩種地物在該特征上的差異, 相對(duì)差異越大越容易區(qū)分。本研究根據(jù)特征的變異系數(shù)和相對(duì)差異評(píng)選適于區(qū)分正常、倒伏水稻的紋理特征波段。

根據(jù)表3, 各波段紋理特征的差異系數(shù)和相對(duì)差異有很大區(qū)別: 在正常水稻中, 均值紋理特征差異系數(shù)最小是藍(lán)光, 最大的為紅光波段(22.92%); 在倒伏水稻中均值紋理特征差異系數(shù)最小為4.37%, 最大為15.26%, 分別對(duì)應(yīng)藍(lán)光和綠光; 正常與倒伏水稻各項(xiàng)特征的相對(duì)差異最小的為1.48%, 最大的為44.34%, 分別對(duì)應(yīng)藍(lán)光和紅光。通過對(duì)相對(duì)差異和變異系數(shù)的排序評(píng)選, 得到3項(xiàng)適于區(qū)分正常水稻和倒伏水稻的紋理均值: 紅光、紅邊波段1和短波紅外, 三者的相對(duì)差異分別為44.34%、25.87%和21.67%; 在倒伏水稻差異系數(shù)方面, 紅色、紅邊波段和短波紅外分別為5.62%、9.45%和8.09%。此結(jié)果表明基于灰度共生矩陣的紅光、紅邊波段1和短波紅外濾波處理較其他紋理特征濾波更能增強(qiáng)正常、倒伏水稻間的圖像特征差異, 而紅光的紋理均值差異最大。紅光的紋理均值可作為倒伏水稻識(shí)別的又一特征。在紅光波段, 倒伏水稻的紋理均值為2.00, 方差為0.11, 而正常水稻的紋理均值為1.11, 方差為0.25, 因此可設(shè)定紋理均值閾值1.5區(qū)分正常與倒伏水稻。

表3 正常水稻與倒伏水稻各波段均值紋理

差異系數(shù)=方差/均值×100%; 相對(duì)差異=(倒伏水稻均值-正常水稻均值)/倒伏水稻均值×100%。Difference coefficient = variance/mean×100%, relative difference = (mean value of lodging rice-mean value of normal rice) / mean value of lodging rice×100%.

2.2 倒伏水稻識(shí)別模型

基于上述分析, 倒伏水稻遙感提取可基于閾值法, 利用決策樹分類進(jìn)行。研究區(qū)內(nèi)主要作物為水稻, 另外還有少量大豆種植, 本研究旨在區(qū)分水稻地塊中的倒伏水稻并估算其面積, 故未對(duì)研究區(qū)所有地物進(jìn)行細(xì)分, 其他地物可利用掩膜文件去除。

經(jīng)過反復(fù)對(duì)比和試驗(yàn), NDVI可有效剔除非植被和人造建筑; 利用對(duì)水稻敏感的LSWI和RVI設(shè)定閾值能夠提取水稻種植區(qū); 結(jié)合DVI和紅光波段均值紋理Mean可區(qū)分正常與倒伏水稻。依據(jù)倒伏與正常水稻的NDVI均介于0.28~0.60, 設(shè)定閾值0.60>NDVI>0.28, 篩選出綠色植被; 正常和倒伏水稻的LSWI均小于0.4, RVI大于1.5, 分別設(shè)置LSWI<-0.4且RVI>1.5可排除其他綠色植被, 提取出水稻區(qū)域。圖3說明倒伏水稻的DVI與正常水稻差異明顯, 倒伏水稻DVI大于0; 表3中倒伏水稻的紅光波段紋理均值差異最大, 倒伏水稻的紋理均值為1, 而正常水稻為2。依據(jù)這兩個(gè)特征, 分別設(shè)定DVI>0且Mean>1.5, 當(dāng)滿足條件時(shí)為倒伏水稻, 否則為正常水稻。具體分類流程圖如圖4所示。

圖中各縮寫說明見表2。The meanings of abbreviations are shown in the table 2.

3 結(jié)果與驗(yàn)證

利用ENVI 5.3建立并執(zhí)行決策樹, 分類結(jié)果如圖5所示。圖5a中濃江農(nóng)場(chǎng)倒伏水稻分布較散, 其西部和南部水稻受災(zāi)面積較大, 北部受災(zāi)面積較小, 中部偏北和東部基本未倒伏, 該空間分布監(jiān)測(cè)結(jié)果與現(xiàn)場(chǎng)調(diào)查情況基本一致。圖5c為農(nóng)場(chǎng)內(nèi)某一水稻地塊倒伏水稻識(shí)別結(jié)果, 對(duì)比于圖5b, 從目視效果來看, 大部分的倒伏水稻被識(shí)別出來。為檢驗(yàn)提取效果, 本研究從面積識(shí)別精度和混淆矩陣兩方面進(jìn)行評(píng)價(jià)。

利用ArcGIS軟件分別統(tǒng)計(jì)正常水稻和倒伏水稻的像元個(gè)數(shù), 并根據(jù)像元分辨率計(jì)算倒伏水稻和正常水稻的面積, 結(jié)果如表4所示。本次遙感監(jiān)測(cè)水稻總面積為378.20 km2, 其中正常水稻面積為344.33 km2, 倒伏水稻為33.87 km2, 倒伏面積占比8.95%。從黑龍江省農(nóng)墾建三江管理局獲悉農(nóng)場(chǎng)以種植水稻為主, 水稻常年種植面積389.33 km2?，F(xiàn)場(chǎng)調(diào)查統(tǒng)計(jì)的倒伏水稻面積為33.13 km2, 正常水稻面積為356.20 km2。本次遙感監(jiān)測(cè)水稻面積識(shí)別誤差為2.86%, 正常水稻識(shí)別誤差為3.33%, 倒伏水稻識(shí)別誤差為2.23%。

表4 研究區(qū)倒伏與正常水稻遙感識(shí)別面積與統(tǒng)計(jì)面積對(duì)比

為較真實(shí)、客觀地實(shí)現(xiàn)模型精度的評(píng)價(jià), 本文采用混淆矩陣的方法進(jìn)行位置精度評(píng)價(jià)。在研究區(qū)創(chuàng)建隨機(jī)驗(yàn)證點(diǎn), 隨機(jī)點(diǎn)數(shù)為300個(gè), 結(jié)合高分辨率影像和實(shí)地情況對(duì)每個(gè)隨機(jī)點(diǎn)目視解譯, 并與遙感提取結(jié)果對(duì)比, 匯總制成一個(gè)混淆矩陣, 分別計(jì)算其用戶精度、制圖精度和Kappa系數(shù)(圖6)。經(jīng)計(jì)算得到其Kappa系數(shù)為0.93, 正常水稻的用戶精度和制圖精度分別為96.00%和94.00%, 倒伏水稻的用戶精度和制圖精度均為92.00%, 表明錯(cuò)分率及漏分率較低?；诿娣e和混淆矩陣兩種精度驗(yàn)證結(jié)果均表明本文的倒伏遙感監(jiān)測(cè)模型精度較高, 可以實(shí)現(xiàn)對(duì)區(qū)域內(nèi)倒伏水稻空間分布的遙感監(jiān)測(cè)。

4 討論

目前, 倒伏作物信息的獲取主要是基于光學(xué)衛(wèi)星數(shù)據(jù)、雷達(dá)數(shù)據(jù)和無人機(jī)圖像。對(duì)于光學(xué)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(gòu)建植被指數(shù)來提取倒伏作物, 其局限性在于倒伏前后冠層光譜信息變化微弱、復(fù)雜的農(nóng)田環(huán)境加大了光譜信息的提取難度。雷達(dá)數(shù)據(jù)應(yīng)用在作物倒伏監(jiān)測(cè)方面的相關(guān)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, 未能發(fā)展到基于像元尺度。無人機(jī)影像主要依賴目視解譯確定玉米倒伏信息。深度學(xué)習(xí)應(yīng)用于倒伏作物提取需要具有專家知識(shí)進(jìn)行準(zhǔn)確標(biāo)注, 才能訓(xùn)練好神經(jīng)網(wǎng)絡(luò)模型參數(shù), 但倒伏與非倒伏作物邊界具有一定的模糊性。本文使用哨兵2號(hào)多光譜數(shù)據(jù)首先分析了乳熟期正常、倒伏水稻光譜及紋理特征的差異, 然后根據(jù)差異篩選了對(duì)倒伏水稻敏感的光譜指數(shù)和紋理均值, 最后探討了使用該特征建立倒伏水稻識(shí)別的決策樹方法。研究表明倒伏水稻在哨兵2影像上具有明顯的紋理特征, 基于光譜和紋理特征知識(shí)庫(kù)的決策樹分類結(jié)果更加符合真實(shí)地物分布狀況。

倒伏是作物生產(chǎn)中普遍存在的問題, 面對(duì)突發(fā)的倒伏災(zāi)害, 倒伏監(jiān)測(cè)所需要的是較高的空間分辨率和時(shí)間分辨率。衛(wèi)星遙感的時(shí)空分辨率往往不能夠保持一致性。當(dāng)傳感器有較高的分辨率時(shí), 衛(wèi)星的重訪周期較長(zhǎng), 當(dāng)時(shí)間分辨率較高時(shí), 數(shù)據(jù)的獲取就過于籠統(tǒng), 忽略了細(xì)節(jié)。哨兵2號(hào)空間分辨率為10 m, 幅寬 290 km, 兩星共同工作時(shí)間分辨率可以提高至5 d, 在時(shí)間和空間分辨率均占優(yōu)勢(shì)。

需要注意的是, 本文主要研究的是水稻生長(zhǎng)后期的倒伏特征。由于不同生長(zhǎng)期內(nèi)水稻植株的結(jié)構(gòu)和生長(zhǎng)狀態(tài)差異顯著, 其倒伏前后紋理和光譜會(huì)有所不同。故本研究結(jié)果主要為水稻生長(zhǎng)后期倒伏調(diào)查參考, 而生長(zhǎng)早期的倒伏特征及面積估算方法還有待后續(xù)研究。

5 結(jié)論

本文以黑龍江省同江市的倒伏水稻為研究對(duì)象,以哨兵2號(hào)多光譜影像為數(shù)據(jù)源, 研究倒伏水稻的光譜和紋理特征, 并獲得其遙感提取方法。研究得到如下結(jié)論:

1)水稻倒伏后可見光-近紅外-短波紅外等8個(gè)波段的反射率均升高, 其中短波紅外、紅光和紅邊1等3個(gè)波段的反射率上升大于0.06。反射率相對(duì)變化率最大的為紅光波段。倒伏水稻紅光波段反射率高于藍(lán)光反射率, 而正常水稻則相反。

2)倒伏水稻的NDVI、RVI、EVI和LSWI均降低, 水稻受倒伏脅迫后, 紅邊位置向短波方向移動(dòng), 發(fā)生“藍(lán)移”現(xiàn)象。倒伏水稻的DVI高于正常水稻。

3)紅色、紅邊波段和短波紅外濾波處理較其他紋理特征濾波更能增強(qiáng)正常、倒伏水稻間的圖像特征差異, 而紅光的紋理均值差異最大。

4)組合光譜和紋理特征構(gòu)建的決策樹模型能有效識(shí)別倒伏水稻區(qū)域, 正常水稻與倒伏水稻識(shí)別誤差分別為3.33%和2.23%。倒伏水稻的用戶精度和制圖精度均為92.0%, Kappa系數(shù)為0.93。

[1] 饒玉春, 李躍, 董國(guó)軍, 等. 水稻抗倒伏研究進(jìn)展[J]. 中國(guó)稻米, 2009, (6): 15–19 RAO Y C, LI Y, DONG G J, et al. Research progress of rice antilodging[J]. China Rice, 2009, (6): 15–19

[2] LANG Y Z, YANG X D, WANG M E, et al. Effects of lodging at different filling stages on rice yield and grain quality[J]. Rice Science, 2012, 19(4): 315–319

[3] 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 LIU L H, JIN Z X, LIU X L, et al. Influence trial of lodging on rice yield[J]. China Rice, 2009, (2): 19–21

[4] 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 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]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19): 207–213

[5] 王猛, 張杰, 梁守真, 等. 玉米倒伏后冠層光譜變化特征分析[J]. 安徽農(nóng)業(yè)科學(xué), 2014, 42(31): 11187–11188 WANG M, ZHANG J, LIANG S Z, et al. Character analysis of the canopy spectral changes after corn lodging[J]. Journal of Anhui Agricultural Sciences, 2014, 42(31): 11187–11188

[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]. Science of Surveying and Mapping, 2017, 42(8): 137–141

[7] 張杰. 冬小麥倒伏遙感監(jiān)測(cè)研究[D]. 濟(jì)南: 山東師范大學(xué), 2011 ZHANG J. A study on the lodge of winter wheat by remote sensing monitor[D]. Jinan: Shandong Normal University, 2011

[8] 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(cè)[J]. 中國(guó)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

[9] 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(cè)[J]. 遙感學(xué)報(bào), 2005, 9(3): 323–327 LIU L Y, WANG J H, SONG X Y, et al. The canopy spectral features and remote sensing of wheat lodging[J]. Journal of Remote Sensing, 2005, 9(3): 323–327

[10] 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(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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 Chinese Society of Agricultural Engineering, 2018, 34(3): 166–172

[11] 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(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(7): 1–8 YANG H, YANG G J, GU X H, et al. Radar polarimetric response features and remote sensing monitoring of wheat lodging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(7): 1–8

[12] YANG H, CHEN E X, LI Z Y, et al. Wheat lodging monitoring using polarimetric index from RADARSAT-2 data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 157–166

[13] 李宗南, 陳仲新, 任國(guó)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 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 Chinese Society of Agricultural Engineering, 2016, 32(2): 1–5

[14] 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): 174–152 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 Agricultural Sciences, 2016, (10): 174–152

[15] CHAUHAN S, DARVISHZADEH R, LU Y, et al. Wheat lodging assessment using multispectral UAV data[C]// International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Enschede, The Netherlands: 2019, 13: 235–240

[16] ZHAO X, YUAN Y T, SONG M D, et al. Use of unmanned aerial vehicle imagery and deep learning unet to extract rice lodging[J]. Sensors (Basel), 2019, 19(18): 3859

[17] 鄭二功, 田迎芳, 陳濤, 等. 基于深度學(xué)習(xí)的無人機(jī)影像玉米倒伏區(qū)域提取[J]. 河南農(nóng)業(yè)科學(xué), 2018, 47(8): 155–160 ZHENG E G, TIAN Y F, CHEN T, et al. Region extraction of corn lodging in UAV images based on deep learning[J]. Journal of Henan Agricultural Sciences, 2018, 47(8): 155–160

[18] CHAUHAN S, DARVISHZADEH R, LU Y, et al. Understanding wheat lodging using multi-temporal Sentinel-1 and Sentinel-2 data[J]. Remote Sensing of Environment, 2020, 243: 111804

[19] DRUSCH M, BELLO U D, CARLIER S, et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services[J]. Remote Sensing of Environment, 2012, 120: 25–36

[20] BAILLARIN S J, MEYGRET A, DECHOZ C, et al. Sentinel- 2 level 1 products and image processing performances[C]// 2012 IEEE International Geoscience and Remote Sensing Symposium. Munich, Germany: IEEE, 2012.

[21] 蘇偉, 張明政, 蔣坤萍, 等. Sentinel-2衛(wèi)星影像的大氣校正方法[J]. 光學(xué)學(xué)報(bào), 2018, 38(1): 314–323 SU W, ZHANG M Z, JIANG K P, et al. Atmospheric correction method for Sentinel-2 satellite images[J]. Acta Optica Sinica, 2018, 38(1): 314–323

[22] 劉佳, 王利民, 滕飛, 等. RapidEye衛(wèi)星紅邊波段對(duì)農(nóng)作物面積提取精度的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(13): 140–148 LIU J, WANG L M, TENG F, et al. Impact of red-edge waveband of RapidEye satellite on estimation accuracy of crop planting area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 140–148

[23] 鄭長(zhǎng)春, 王秀珍, 黃敬峰. 多時(shí)相MODIS影像的浙江省水稻種植面積信息提取方法研究[J]. 浙江大學(xué)學(xué)報(bào): 農(nóng)業(yè)與生命科學(xué)版, 2009, 35(1): 98–104 ZHENG C C, WANG X Z, HUANG J F. Mapping paddy rice planting area in Zhejiang Province using multi-temporal MODIS images[J]. Journal of Zhejiang University: Agriculture & Life Sciences, 2009, 35(1): 98–104

[24] 魏新彩. 基于HJ衛(wèi)星影像的水稻種植面積遙感信息提取方法研究——以江漢平原地區(qū)為例[D]. 武漢: 湖北大學(xué), 2013 WEI X C. Extraction of paddy rice planting area based on environmental satellite image—Taking Jianghan Plain area as example[D]. Wuhan: Hubei University, 2013

[25] BAILLARIN S J, MEYGRET A, DECHOZ C, et al. Sentinel- 2 level 1 products and image processing performances[C]// 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Munich, Germany: IEEE, 2012

[26] FRIEDL M A, BRODLEY C E. Decision tree classification of land cover from remotely sensed data[J]. Remote Sensing of Environment, 1997, 61(3): 399–409

[27] CONRAD C, COLDITZ R R, DECH S, et al. Temporal segmentation of MODIS time series for improving crop classification in Central Asian irrigation systems[J]. International Journal of Remote Sensing, 2011, 32(23): 8763–8778

[28] 馬麗, 徐新剛, 劉良云, 等. 基于多時(shí)相NDVI及特征波段的作物分類研究[J]. 遙感技術(shù)與應(yīng)用, 2008, 23(5): 520–524 MA L, XU X G, LIU L Y, et al. Study on crops classification based on multi-temporal NDVI and characteristic bands[J]. Remote Sensing Technology and Application, 2008, 23(5): 520–524

[29] 趙佳佳, 馮美臣, 楊武德, 等. 倒伏脅迫下冬小麥冠層光譜及紅邊特征[J]. 山西農(nóng)業(yè)科學(xué), 2015, 43(6): 673–676 ZHAO J J, FENG M C, YANG W D, et al. Canopy spectral and red edge characteristics of winter wheat under lodging stress[J]. Journal of Shanxi Agricultural Science, 2015, 43(6): 673–676

[30] 胡瓊, 吳文斌, 宋茜, 等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2015, 48(10): 1900–1914 HU Q, WU W B, SONG Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900–1914

[31] 王利民, 劉佳, 楊福剛, 等. GF-1衛(wèi)星多時(shí)相組合近紅外數(shù)據(jù)水稻識(shí)別能力[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(23): 196–202 WANG L M, LIU J, YANG F G, et al. Rice recognition ability basing on GF-1 multi-temporal phases combined with near infrared data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(23): 196–202

[32] 鄒紅玉, 鄭紅平. 淺述植被“紅邊”效應(yīng)及其定量分析方法[J]. 遙感信息, 2010, (4): 112–116 ZOU H Y, ZHENG H P. The effect and method of quantitative analysis of “Red Edge” of vegetation[J]. Remote Sensing Information, 2010, (4): 112–116

[33] 程高峰, 李秉柏, 李萍萍, 等. 作物紅邊位置算法評(píng)述[J]. 江蘇農(nóng)業(yè)科學(xué), 2009, (2): 12–14 CHENG G F, LI B B, LI P P, et al. Revliew on the crop red edge position algorithms[J]. Jiangsu Agricultural Sciences, 2009, (2): 12–14

[34] KIMURA R, OKADA S, MIURA H, et al. Relationships among the leaf area index, moisture availability, and spectral reflectance in an upland rice field[J]. Agricultural Water Management, 2004, 69(2): 83–100

[35] 張國(guó)圣. 基于高光譜的水稻氮素診斷和產(chǎn)量估測(cè)模型[D]. 沈陽(yáng): 沈陽(yáng)農(nóng)業(yè)大學(xué), 2017 ZHANG G S. Estimation model of rice leaf nitrogen conter and yield based on hyperspectral[D]. Shenyang: Shenyang Agricultural University, 2017

[36] 劉元亮, 李艷, 吳劍亮. 基于LSWI和NDVI時(shí)間序列的水田信息提取研究[J]. 地理與地理信息科學(xué), 2015, 31(3): 32–37 LIU Y L, LI Y, WU J L. Study on extraction of paddy fields based on LSWI and time-series NDVI[J]. Geography and Geo-Information Science, 2015, 31(3): 32–37

[37] 郝鵬宇, 唐華俊, 陳仲新, 等. 基于歷史增強(qiáng)型植被指數(shù)時(shí)序的農(nóng)作物類型早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(13): 179–186 HAO P Y, TANG H J, CHEN Z X, et al. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 179–186

Characteristic analysis of lodging rice and study of the multi-spectral remote sensing extraction method*

LU Zhou1, XU Feifei1,2**, LUO Ming1,2, LIANG Shuang1,2, ZHAO Chen1,2, FENG Xianfeng1

(1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China; 2. Crop-info Remote Sensing Technology (Suzhou) Co., Ltd., Suzhou 215151, China)

Crop lodging assessment is essential for evaluating yield damage and informing crop management decisions for sustainable agricultural production. Traditional evaluation methods and manual on-site measurements are time-consuming and labor- and capital-intensive. In this study, a remote sensing model to distinguish lodging rice was constructed based on spectral and textural features. To accurately extract the area of lodging rice from high-resolution remote sensing images, this study used Sentinel-2 multispectral images taken on September 27, 2019, to study the spectral and textural characteristics of lodging rice, in Tongjiang City, Heilongjiang Province. Analysis of the surface reflectance of normal rice and lodged rice, showed that reflectance of eight bands, including visible light, near-infrared, and shortwave infrared, increased after rice lodging; the reflectance of shortwave infrared, red light, and red edge 1 increased by more than 0.06. Except for the difference vegetation index (DVI), the typical vegetation indices of lodged rice, such as normalized difference vegetation index (NDVI), ratio vegetation index (RVI), enhanced vegetation index (EVI), and red edge position index (REP), decreased. There were significant differences between lodging rice and normal rice in the mean texture feature values of the red band, red edge 1, and shortwave infrared; the largest difference was for the mean texture value of the red band. Therefore, in this study, normalized difference vegetation index, land surface water index (LSWI), ratio vegetation index, difference vegetation index, and texture mean of the red band were used to construct the decision tree classification model. The results of remote sensing monitoring showed that rice lodging on the farm was decentralized. The area of rice disaster was larger in the west and south and smaller in the north. There was no lodging rice in the middle of the north and the east. Compared with the measured area, the area recognition errors of normal and lodged rice were 3.33% and 2.23%, respectively. When using random verification samples and model verification results for the confusion matrix analysis, the user accuracy and mapping accuracy of lodging rice were 92.0%, and the Kappa coefficient was 0.93. These results show that this method can be applied to remote sensing data from lodged rice in large areas and can provide a relevant basis for the investigation of rice lodging areas using high-resolution and multi-spectral remote sensing data.

Sentinel-2 image; Lodging rice; Spectral characteristics; Texture features; Remote sensing extraction

10.13930/j.cnki.cjea.200553

陸洲, 徐飛飛, 羅明, 梁爽, 趙晨, 馮險(xiǎn)峰. 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)(中英文), 2021, 29(4): 751-761

LU Z, XU F F, LUO M, LIANG S, ZHAO C, FENG X F. Characteristic analysis of lodging rice and study of the multi-spectral remote sensing extraction method[J]. Chinese Journal of Eco-Agriculture, 2021, 29(4): 751-761

S127

* 國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFD0300201)和蘇州市科技計(jì)劃項(xiàng)目(SNG2018100)資助

徐飛飛, 主要研究方向?yàn)檗r(nóng)業(yè)遙感應(yīng)用。E-mail: 1304659769@qq.com

陸洲, 主要從事農(nóng)業(yè)遙感應(yīng)用研究。E-mail: luzhou@igsnrr.ac.cn

2020-07-08

2020-08-14

* This study was supported by the National Key R&D Program of China (2016YFD0300201) and Suzhou Science and Technology Project (SNG2018100).

, E-mail: 1304659769@qq.com

Jul. 8, 2020;

Aug. 14, 2020