基于哨兵2號(hào)多光譜影像的水稻倒伏識(shí)別與分類

任志鵬，高 睿，王大慶

（1.黑龍江省農(nóng)墾科學(xué)院，哈爾濱 150000；2.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150000；3.黑龍江省農(nóng)墾管理干部學(xué)院，哈爾濱 150000；4.?？诮?jīng)濟(jì)學(xué)院，海口 571127）

0 引 言

水稻作為我國的主要糧食作物之一，其產(chǎn)量和品質(zhì)的穩(wěn)定常常受到倒伏災(zāi)害的影響[1]。水稻倒伏主要發(fā)生在大風(fēng)、暴雨等惡劣氣象天氣之后，倒伏程度與氣象災(zāi)害嚴(yán)重程度、土壤結(jié)構(gòu)、灌溉方式等息息相關(guān)[2,3]，同時(shí)也取決于水稻自身品種、株高、種植密度等因素[4]。水稻倒伏類型主要分為兩種，一是根部倒伏，即水稻根部與土壤連接處的錨固作用被破壞，出現(xiàn)連根拔出的倒伏；二是莖稈倒伏，即水稻莖稈在自重或外力作用下發(fā)生彎曲甚至折斷的倒伏。水稻倒伏后，冠層在空間上的有序結(jié)構(gòu)被破壞，光合作用效率大大降低；加之莖稈的彎曲折斷阻礙了作物內(nèi)部養(yǎng)分的傳輸路徑甚至形成外露傷口，影響水稻的正常生長發(fā)育過程，導(dǎo)致水稻產(chǎn)量下降和品質(zhì)劣化[5]。相關(guān)調(diào)查及試驗(yàn)發(fā)現(xiàn)[6,7]大田水稻倒伏后產(chǎn)量減少一般在5%～20%，嚴(yán)重倒伏情況下，水稻減產(chǎn)達(dá)35%以上。因此，加強(qiáng)對(duì)水稻倒伏面積及位置的監(jiān)測識(shí)別，并對(duì)倒伏嚴(yán)重程度進(jìn)行分類，對(duì)于估計(jì)水稻倒伏損失，及時(shí)采取相關(guān)挽救和補(bǔ)償措施意義重大。

農(nóng)田遙感技術(shù)可廣泛應(yīng)用于作物分類、面積測算、長勢評(píng)估等工作[8]，李彥等[9]基于TM 遙感影像成功在河套灌區(qū)識(shí)別了玉米、小麥和葵花的作物分布及種植面積；周敏姑[10]等使用無人機(jī)遙感影像計(jì)算植被指數(shù)，成功建立了冬小麥葉綠素含量的回歸模型。在倒伏研究中，由于人工監(jiān)測作物倒伏的傳統(tǒng)方法效率低、成本高，越來越多的學(xué)者開始關(guān)注基于遙感數(shù)據(jù)的作物倒伏的監(jiān)測識(shí)別，目前主要包括基于無人機(jī)平臺(tái)的遙感數(shù)據(jù)識(shí)別、基于衛(wèi)星平臺(tái)的多光譜數(shù)據(jù)識(shí)別以及基于衛(wèi)星平臺(tái)的雷達(dá)數(shù)據(jù)識(shí)別3 種方法[11]。基于無人機(jī)平臺(tái)的遙感數(shù)據(jù)識(shí)別方法可利用無人機(jī)搭載多種傳感器，獲得小區(qū)域范圍內(nèi)倒伏作物各類遙感數(shù)據(jù)并分析倒伏作物特征，具有操作靈活、不受云層影響、空間分辨率高、可實(shí)時(shí)監(jiān)測等特點(diǎn)[12]，趙靜等[13]基于無人機(jī)RGB+DSM 融合影像提取作物特征，成功提取了小麥倒伏面積；張新樂等[14]利用倒伏玉米田塊的無人機(jī)多光譜影像提取光譜反射率及紋理特征并比較它們利用最大似然法識(shí)別倒伏面積的準(zhǔn)確率，發(fā)現(xiàn)多類紋理特征法的效果最好。鄭二功等[15]在倒伏玉米的無人機(jī)影像基礎(chǔ)上加入深度學(xué)習(xí)算法，利用全卷積神經(jīng)網(wǎng)絡(luò)成功識(shí)別出玉米倒伏區(qū)域?；谛l(wèi)星平臺(tái)的多光譜數(shù)據(jù)識(shí)別方法以衛(wèi)星多光譜影像為主要數(shù)據(jù)來源，獲取研究區(qū)較大空間及時(shí)間尺度的作物光譜反射率數(shù)據(jù)，利用作物倒伏前后的光譜反射率差異提取目標(biāo)特征，進(jìn)而識(shí)別倒伏作物。王利民等[16]利用GF-1 衛(wèi)星多時(shí)相近紅外波段數(shù)據(jù)進(jìn)行組合并構(gòu)建決策樹，識(shí)別了水稻不同生育期的倒伏面積；李宗南等[17]使用Worldview-2 多光譜影像提取倒伏玉米田塊的反射率及紋理特征，發(fā)現(xiàn)用紅邊及近紅外波段對(duì)玉米倒伏最敏感?；谛l(wèi)星平臺(tái)的雷達(dá)數(shù)據(jù)識(shí)別方法常使用合成孔徑雷達(dá)獲得的作物向后散射數(shù)據(jù)分析倒伏情況，其優(yōu)點(diǎn)是穿透能力強(qiáng)、數(shù)據(jù)不受天氣影響，可準(zhǔn)確反映作物形態(tài)結(jié)構(gòu)變化。張智宏[18]根據(jù)radarsat-2 雷達(dá)影像獲取倒伏小麥區(qū)域的極化SAR 參數(shù)并構(gòu)建倒伏小麥的監(jiān)測模型，分析了向后散射特征與小麥倒伏的相關(guān)關(guān)系。韓冬等[19]利用哨兵1號(hào)雷達(dá)影像構(gòu)建倒伏玉米的監(jiān)測模型，發(fā)現(xiàn)基于向后散射系數(shù)可準(zhǔn)確反演作物株高，進(jìn)而估計(jì)倒伏程度。也有研究者將衛(wèi)星多光譜及雷達(dá)數(shù)據(jù)結(jié)合，共同識(shí)別作物倒伏情況。Jinning Wang等[20]分析了哨兵1 號(hào)的SAR 特征參數(shù)與哨兵2 號(hào)衛(wèi)星的光譜指數(shù)對(duì)水稻倒伏的敏感性，基于隨機(jī)森林算法建立對(duì)水稻倒伏的最佳敏感性參數(shù)模型，成功區(qū)分了3 種倒伏水稻類型。Chauhan 等[21]結(jié)合哨兵1 號(hào)和哨兵2 號(hào)遙感數(shù)據(jù)以及田間實(shí)測倒伏情況，識(shí)別了小麥倒伏的發(fā)生率并對(duì)小麥倒伏嚴(yán)重程度進(jìn)行了分級(jí)。

綜上所述，現(xiàn)有研究對(duì)利用不同遙感數(shù)據(jù)源分析倒伏作物特征并提取倒伏區(qū)域做了大量嘗試，但使用的圖像特征較為單一且大多局限于作物倒伏與未倒伏的二分類，對(duì)于如何對(duì)作物倒伏程度進(jìn)一步細(xì)分的探索較少。本研究基于黑龍江紅衛(wèi)農(nóng)場的哨兵2號(hào)多光譜數(shù)據(jù)，提取并分析了倒伏水稻田塊的光譜反射率特征、植被指數(shù)特征和紋理特征，根據(jù)不同田塊的特征差異利用決策樹方法對(duì)水稻倒伏嚴(yán)重程度進(jìn)行分類，建立了倒伏水稻的識(shí)別模型。

1 材料與方法

1.1 研究區(qū)概況

本研究以黑龍江紅衛(wèi)農(nóng)場為研究區(qū)域，農(nóng)場位于黑龍江省雙鴨山市饒河縣北部，地理坐標(biāo)為133.30°E，47.31°N，屬于寒溫帶大陸性季風(fēng)氣候，年平均氣溫為-2～3 ℃，年平均降雨量為500 mm 左右[22]。冬季寒冷漫長，全年無霜期為120 d左右，夏季炎熱高溫，太陽輻射資源充足，年日照時(shí)數(shù)超過2 500 h，為農(nóng)作物生長提供了有利條件。紅衛(wèi)農(nóng)場隸屬黑龍江農(nóng)墾總局，總占地面積6.3 萬hm2，其中耕地面積2.03 萬hm2，主要種植作物為水稻、大豆、玉米、小麥等。2019年9月13日前后，農(nóng)場遭受大風(fēng)降雨天氣，導(dǎo)致部分地塊的水稻出現(xiàn)不同程度倒伏。試驗(yàn)地理位置及樣點(diǎn)分布見圖1。

1.2 數(shù)據(jù)來源

本研究使用的多光譜影像數(shù)據(jù)來自哨兵2 號(hào)衛(wèi)星（Sentinel-2）平臺(tái)，下載自歐州航天局哥白尼數(shù)據(jù)中心（https://scihub.copernicus.eu），衛(wèi)星重訪周期為5 d，幅寬為290 km，涵蓋可見光至短波紅外共13 個(gè)光譜波段數(shù)據(jù)，空間分辨率最高可達(dá)10 m[23]。本文選用了哨兵2 號(hào)2019年9月22日位于紅衛(wèi)農(nóng)場區(qū)域的L2A 級(jí)數(shù)據(jù)產(chǎn)品作為研究對(duì)象，使用的地理坐標(biāo)系為UTM/WGS84，該產(chǎn)品已預(yù)先經(jīng)過輻射定標(biāo)和大氣校正，消除了因遙感器、太陽高度、大氣散射等引起的圖像失真問題，可直接獲得研究區(qū)大氣底層反射率數(shù)據(jù)。本文剔除了與植被生長無關(guān)的3 個(gè)波段（Band-1、Band-9、Band-10），對(duì)其余波段的影像數(shù)據(jù)進(jìn)行剪裁、波段合成等預(yù)處理，為之后的特征分析做準(zhǔn)備，各波段參數(shù)信息如表1所示。

表1 哨兵2號(hào)衛(wèi)星多光譜波段參數(shù)Tab.1 Multispectral band parameters of sentinel-2 satellite

1.3 研究方法

本研究首先基于現(xiàn)場調(diào)查和無人機(jī)高清影像目視解譯結(jié)果，對(duì)遙感影像上正常水稻及不同倒伏程度水稻區(qū)域進(jìn)行采樣統(tǒng)計(jì)和分類；其次，結(jié)合多光譜遙感影像，計(jì)算不同類別樣點(diǎn)的光譜反射率特征、植被特征以及紋理特征并對(duì)比分析，選擇水稻倒伏的敏感性參數(shù)；使用決策樹分類方法，基于水稻倒伏的敏感性參數(shù)對(duì)水稻不同程度倒伏區(qū)域進(jìn)行識(shí)別和分類；最后，利用水稻倒伏面積的現(xiàn)場調(diào)查與目視解譯統(tǒng)計(jì)結(jié)果評(píng)價(jià)水稻倒伏識(shí)別與分類精度并進(jìn)行誤差分析。

1.3.1 樣點(diǎn)統(tǒng)計(jì)

結(jié)合紅衛(wèi)農(nóng)場水稻倒伏的現(xiàn)場調(diào)查結(jié)果，借助無人機(jī)高清影像數(shù)據(jù)對(duì)研究區(qū)水稻進(jìn)行目視解譯，判斷水稻倒伏嚴(yán)重程度并將水稻地塊分為四類：正常、輕度倒伏、中度倒伏和重度倒伏。水稻倒伏情況如圖2所示，共選取了435 個(gè)樣點(diǎn)，其中，正常水稻102 個(gè)，輕度倒伏水稻114 個(gè)、中度倒伏水稻107個(gè)，重度倒伏水稻112個(gè)，樣點(diǎn)分布情況見圖1。

圖2 研究區(qū)倒伏水稻目視解譯分類Fig.2 Classification of lodging rice in the pilot area by visual interpretation

1.3.2 光譜反射率特征

圖3給出了4 種倒伏水稻類型的多光譜曲線，可以看出，隨著水稻倒伏嚴(yán)重程度的增加，不同波段反射率均有所提高，可見光波段中，綠光及紅光反射率差異較為顯著，從正常水稻到重度倒伏水稻，綠光反射率分別提高了0.017、0.010 和0.022，紅光反射率分別提高了0.010、0.012 和0.017。紅邊波段出現(xiàn)“紅邊藍(lán)移”現(xiàn)象，特別是正常水稻與重度倒伏水稻紅邊波段差異顯著，紅邊1、紅邊2 和紅邊3 的反射率分別提高了0.041、0.114和0.150，但輕度、中度和重度3種不同倒伏程度的水稻內(nèi)部差異較小。4種倒伏類別的水稻近紅外波段反射率差異較大，尤其是在近紅外1 處的反射率分別提高了0.038、0.023和0.024。

圖3 不同倒伏類型水稻多光譜曲線Fig.3 Multispectral curves of rice with different lodging types

計(jì)算正常水稻及不同倒伏程度水稻的光譜反射率相對(duì)差異，發(fā)現(xiàn)不同倒伏水稻類型在綠光、紅光、紅邊3以及近紅外1處的反射率分離性較大，相對(duì)差異均達(dá)到了25%以上。分析原因可能是水稻倒伏后植株相互傾軋，葉片相互交疊，光合作用減弱，葉綠素減少，導(dǎo)致可見光波段的反射率增加[24]。水稻倒伏后莖稈光照面積占比較葉片增加，對(duì)近紅外波段的反射能力增強(qiáng)[25]，隨著倒伏程度的加重，近紅外波段反射率逐漸提高，加之水稻在倒伏后會(huì)出現(xiàn)不同程度的受傷甚至枯死，對(duì)于作物生理狀態(tài)較為敏感的紅邊波段反射率增加。

1.3.3 植被指數(shù)特征

基于水稻地塊的多光譜影像，針對(duì)不同倒伏類型水稻分離性較大的波段選取一些常用植被指數(shù)進(jìn)行了計(jì)算，主要包括歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）、綠紅植被指數(shù)GRVI（Green Red Vegetation Index）、差值植被指數(shù)DVI（Difference Vegetation Index）、比植被指數(shù)RVI（Ratio Vegetation Index）、歸一化紅邊差異指數(shù)NDREⅠ（Normalized Difference Red-Edge ⅠIndex）以及地表水分指數(shù)LSWI（Land Surface Water Index）。計(jì)算公式如下所示。

式中：ρnir1、ρred、ρgreen、ρblue、ρred-e1、ρred-e2、ρswir1分別為近紅外1波段、紅光波段、綠光波段、藍(lán)光波段、紅邊1 波段、紅邊2波段以及短波紅外1波段反射率。

以往研究表明，NDVI能夠顯著反映植被覆蓋度和植物生理狀態(tài)[26]，GRVI可以反映植物長勢和健康狀態(tài)[27]，RVI能夠增強(qiáng)植被與土壤背景輻射值的差異，在植被高密度覆蓋區(qū)能夠更好地區(qū)分植被區(qū)與非植被區(qū)[28]，DVI與植被土壤背景變化值相關(guān)度高，常用于區(qū)分植被與水體[29]。NDREⅠ對(duì)植物參數(shù)的細(xì)微變化十分敏感[30]，LSWI能感知植物及土壤水分含量變化，在用于區(qū)分水稻與其他植被時(shí)效果較好[31]。

對(duì)不同倒伏類型水稻植被指數(shù)計(jì)算結(jié)果如表2所示，通過觀察各植被指數(shù)變化可以發(fā)現(xiàn)，隨著倒伏程度的加深，作物健康狀況逐漸惡化，生長活力下降，紅光的吸收能力降低，紅光波段的反射率的相對(duì)變化高于近紅外波段，導(dǎo)致NDVI和RVI呈下降趨勢，其中，NDVI的均值分別相對(duì)減少了1.6%、5.4%和3.7%，而RVI的均值則相對(duì)減少了4.7%、5.3%和6.8%，但仍在綠色植被的正常范圍內(nèi)。由于倒伏發(fā)生后綠光和紅光波段反射率均出現(xiàn)較為顯著的增加，以可見光波段反射率為變量計(jì)算的GRVI和DVI隨倒伏程度的加深而逐步增長。其中，由于紅光波段的反射率隨倒伏程度的加深而顯著增長，而藍(lán)光波段的反射率變化相對(duì)較小，反映二者關(guān)系的DVI的增長尤為明顯，正常水稻的DVI均小于0.041，而中度及以上倒伏水稻均大于0.039，可將DVI作為區(qū)分水稻倒伏類型的重要特征之一。NDRE1 顯示了水稻倒伏后紅邊段的變化情況，從正常水稻到重度倒伏水稻，NDRE1 逐漸上升，但增幅相對(duì)較小，分別為8.8%、4.6%和4.0%。LSWI表征了對(duì)含水量變化敏感的近紅外及短波紅外波段的關(guān)系，不僅與水稻自身含水量有關(guān)，也受稻田土壤水分變化影響，故隨著倒伏程度的增加無明顯變化規(guī)律，均保持在0.314～0.470 范圍內(nèi)，可作為判斷水稻田塊的主要特征指數(shù)。

表2 水稻植被指數(shù)計(jì)算Tab.2 Calculation of rice vegetation index

1.3.4 圖像紋理特征

本研究基于灰度共生矩陣GLCM （Grey-Level Cooccurrence Matrix）[32]計(jì)算哨兵2號(hào)多光譜影像的紋理特征，設(shè)置濾波窗口大小為3×3，X和Y的偏離值均為1，計(jì)算圖像紋理的均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相異性特征，對(duì)比不同倒伏程度水稻發(fā)現(xiàn)均值紋理特征的相異性較大，故對(duì)10個(gè)波段的均值紋理特征進(jìn)一步分析。

正常、輕度倒伏、中度倒伏和重度倒伏水稻的均值紋理特征統(tǒng)計(jì)量如表3所示，其中差異系數(shù)計(jì)算如公式（7）所示，表示特征值的離散程度。從不同倒伏水稻類型的均值紋理特征可以看出，可見光波段中藍(lán)光的差異系數(shù)相對(duì)較小，分別為11.32%、8.71%、8.66%和8.11%；紅邊及近紅外1 波段的差異系數(shù)均較小，大部分都在10%以內(nèi)。此外，短波紅外2的紋理特征值差異系數(shù)也較小，分別為9.53%、9.70%、7.83%和7.88%。表4將4 種水稻倒伏類型各波段的均值紋理特征進(jìn)行兩兩對(duì)比并計(jì)算相對(duì)差異指數(shù)，計(jì)算如公式（8）所示。在6 組對(duì)比情景中，藍(lán)光波段各水稻的均值紋理特征值差異顯著，特別是正常水稻與倒伏水稻之間，差異系數(shù)分別為27.33%、48.35%和72.89%，可以作為區(qū)分二者的主要特征。在對(duì)比輕度倒伏與中度、重度倒伏時(shí)發(fā)現(xiàn)，藍(lán)光和綠光波段的差異較大，分別為16.51%和35.79 以及14.62%和37.97%。中度倒伏與重度倒伏則在綠光和紅光波段差異較大，分別為20.37%和18.7%。

表3 水稻各波段均值紋理特征計(jì)算Tab.3 Calculation of mean texture features of rice in different bands

表4 不同倒伏類型水稻均值紋理相對(duì)差異Tab.4 Relative difference of mean texture of rice with different lodging types

式中：CV為差異系數(shù)，%；AVG為平均值；VAR為方差；RDI為相對(duì)差異指數(shù)，%；AVG1和AVG2分別為兩種倒伏水稻的紋理均值。

綜合考慮各波段均值紋理的差異系數(shù)及相對(duì)差異指數(shù)，不同倒伏類型水稻在可見光3個(gè)波段的紋理特征差異較為顯著且數(shù)據(jù)離散程度相對(duì)較低，故選擇藍(lán)光、綠光和紅光波段的紋理均值作為區(qū)分4種水稻類型的閾值。

1.3.5 倒伏水稻識(shí)別分類

基于以上3種特征分析結(jié)果設(shè)置不同倒伏類型水稻的特征閾值，定義分類規(guī)則并構(gòu)建決策樹（見圖4），對(duì)倒伏水稻進(jìn)行識(shí)別和分類。根據(jù)光譜反射率特征分析可知，不同倒伏類型的水稻光譜反射率在綠光、紅光、紅邊3 以及近紅外1 四個(gè)波段處的差異較大，于是在構(gòu)建決策樹時(shí)重點(diǎn)選取相關(guān)波段計(jì)算的圖像特征作為分類依據(jù)。首先根據(jù)所有水稻類型的NDVI和RVI取值范圍提取綠色植被，即當(dāng)像元的0.49≤NDVI≤0.77 且3.03≤RVI≤7.45 時(shí)，將其歸為綠色植被。其次，以對(duì)水稻田塊較為敏感的LSWI作為區(qū)分水稻與其他作物的特征，由于正常及倒伏水稻的LSWI取值均小于0.47，故設(shè)置LSWI≤0.47，排除其他植被，篩選出水稻。由植被指數(shù)特征及紋理特征分析可知，4 種倒伏類型的水稻在DVI及藍(lán)光波段均值紋理特征上存在較大差異，因此以DVI＞0.041 且MEAN_B2≥1.8 為條件，區(qū)分正常水稻與倒伏水稻。進(jìn)一步，設(shè)置DVI＞0.053 且MEAN_B2≥2.3，篩選出輕度倒伏水稻。最后基于中度倒伏和重度倒伏水稻在綠光和紅光波段均值紋理的差異，設(shè)置MEAN_B3≥4.8 且MEAN_B4≥3.5，區(qū)分中度倒伏和重度倒伏水稻。

圖4 倒伏水稻識(shí)別分類決策樹流程圖Fig.4 Flowchart of decision tree for identification and classification of lodging rice

2 結(jié)果與分析

利用決策樹分類法對(duì)倒伏水稻類型識(shí)別和分類的結(jié)果如圖5所示，從圖5可以看出，紅衛(wèi)農(nóng)場此次倒伏水稻面積較大且分布在水稻種植區(qū)的各處，但大部分倒伏水稻以輕度倒伏為主，中度倒伏次之，重度倒伏則占比較小，這與現(xiàn)場調(diào)查和目視解譯結(jié)果一致。圖6為研究區(qū)某地塊水稻倒伏的分類識(shí)別結(jié)果，大部分倒伏水稻能夠被準(zhǔn)確識(shí)別并分類。為定量評(píng)價(jià)水稻倒伏識(shí)別與分類結(jié)果的精確度，本研究將現(xiàn)場調(diào)查和目視解譯統(tǒng)計(jì)得到的倒伏水稻面積與模型識(shí)別的面積進(jìn)行對(duì)比并分析識(shí)別誤差。

圖5 研究區(qū)倒伏水稻識(shí)別分類結(jié)果Fig.5 Identification and classification results of lodging rice in the pilot area

圖6 某田塊倒伏水稻識(shí)別分類結(jié)果Fig.6 Identification and classification results of lodging rice in a field

根據(jù)識(shí)別影像中各水稻倒伏類型的像元數(shù)量統(tǒng)計(jì)結(jié)果，結(jié)合衛(wèi)星影像的空間分辨率，計(jì)算得到倒伏水稻識(shí)別面積與倒伏水稻面積統(tǒng)計(jì)結(jié)果對(duì)比如表5所示。水稻倒伏識(shí)別分類結(jié)果顯示，正常水稻面積占比為67.83%，倒伏水稻面積占比為32.17%，其中大部分為輕度倒伏水稻，占比為21.95%，而輕度及重度倒伏水稻占比不到10%，其中中度倒伏水稻面積占比為6.39%，重度倒伏水稻面積占比為3.83%。從與倒伏水稻面積統(tǒng)計(jì)結(jié)果對(duì)比來看，除中度倒伏水稻以外，各類水稻倒伏類型的識(shí)別誤差均在10%以內(nèi)。其中，正常水稻面積識(shí)別誤差最小，為5.33%；中度倒伏水稻面積識(shí)別結(jié)果誤差最大，為10.25%。進(jìn)一步分析可以發(fā)現(xiàn)，正常、輕度倒伏和重度倒伏三類水稻面積的識(shí)別結(jié)果大于實(shí)際情況，對(duì)重度倒伏的識(shí)別則較為保守，相對(duì)于統(tǒng)計(jì)結(jié)果偏小。綜上所述，本研究構(gòu)建的倒伏水稻識(shí)別分類模型具有較高的準(zhǔn)確度，可應(yīng)用于研究區(qū)水稻倒伏監(jiān)測。

表5 倒伏水稻遙感識(shí)別結(jié)果與實(shí)測統(tǒng)計(jì)對(duì)比Tab.5 Comparison between remote sensing identification results and measured statistics of lodging rice

3 討 論

本研究使用哨兵2號(hào)衛(wèi)星多光譜影像數(shù)據(jù)，計(jì)算了黑龍江紅衛(wèi)農(nóng)場不同倒伏類型水稻的光譜反射率特征、植被指數(shù)特征以及圖像紋理特征并比較了它們的差異，之后基于對(duì)水稻倒伏敏感的特征構(gòu)建決策樹，對(duì)倒伏水稻田塊進(jìn)行識(shí)別分類。結(jié)果表明水稻倒伏后由于形態(tài)結(jié)構(gòu)及生理狀況的變化，各波段反射率均出現(xiàn)上升，一些植被指數(shù)隨倒伏程度的加重顯示出明顯的分離性，但大部分指數(shù)在不同倒伏類型中仍存在較大重疊，不能作為區(qū)分倒伏嚴(yán)重程度的特征。水稻的圖像均值紋理特征在各倒伏類型中顯示出較大的差異性，可見光波段的紋理特征差異尤為顯著，是構(gòu)建決策樹的重要參考因素。哨兵2號(hào)多光譜影像波段范圍較廣，包含豐富的地物信息，未來研究中可應(yīng)用多種分類方法處理圖像特征，提高對(duì)作物不同倒伏程度識(shí)別的準(zhǔn)確性。

哨兵2號(hào)的多光譜影像與其他衛(wèi)星平臺(tái)相比有波段覆蓋范圍廣、重訪周期短、空間分辨率高等優(yōu)點(diǎn)，但與無人機(jī)遙感影像仍存在一定差距，光譜反射率在天氣、云層、地形等諸多因素的干擾下存在較大的不確定性，不同波段空間分辨率不統(tǒng)一[33]，無法滿足對(duì)災(zāi)后水稻倒伏實(shí)時(shí)準(zhǔn)確監(jiān)測的要求。今后需與無人機(jī)遙感或衛(wèi)星雷達(dá)遙感協(xié)同工作，在大尺度范圍作物倒伏快速識(shí)別的基礎(chǔ)上，提高小區(qū)域倒伏監(jiān)測的準(zhǔn)確性和時(shí)效性。

本研究僅以處于生育階段后期的水稻作為倒伏識(shí)別的對(duì)象，而不同生育期的水稻由于形態(tài)結(jié)構(gòu)和生理狀態(tài)的差異，倒伏后的反射率特征和紋理特征將存在差異，后續(xù)研究中可對(duì)水稻各生育階段發(fā)生倒伏后的特征進(jìn)行探索，構(gòu)建水稻種植全過程的倒伏監(jiān)測識(shí)別體系。

4 結(jié) 論

（1）隨著水稻倒伏嚴(yán)重程度的加深，可見光、紅邊、近紅外1和短波紅外波段的光譜反射率均有所上升，四種水稻倒伏類型在綠光、紅光、紅邊3 以及近紅外1 處反射率分離性較大，反射率均值的相對(duì)差異達(dá)到了25%以上。

（2）水稻的植被指數(shù)特征在倒伏發(fā)生后出現(xiàn)了不同的變化趨勢，其中反映植被覆蓋度和生理狀況的NDVI和RVI均下降，GRVI、DVI和NDREⅠ則隨水稻倒伏而增加，不同倒伏類型水稻的DVI顯示出了較大的差異。LSWI則沒有明顯的變化規(guī)律。

（3）4種水稻倒伏類型在可見光波段的均值紋理特征差異顯著，尤其是藍(lán)光波段的紋理均值在全部6 組對(duì)比中有4 組達(dá)到了27%以上，是區(qū)分不同倒伏類型的重要特征。

（4）基于對(duì)水稻倒伏敏感的特征量使用決策樹分類法可有效區(qū)分出正常、輕度倒伏、中度倒伏和重度倒伏4種水稻倒伏類型，與實(shí)際倒伏面積對(duì)比的識(shí)別誤差分別5.33%、6.51%、10.25%和-7.75%，具有良好的適用性。