GEE平臺(tái)下玉米與水稻倒伏區(qū)域識(shí)別方法研究

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1002-1302（2025）13-0253-0

倒伏是導(dǎo)致作物減產(chǎn)的主要原因之一。近年來極端天氣頻繁出現(xiàn)，對(duì)農(nóng)業(yè)生產(chǎn)構(gòu)成了不可忽視的影響。如2020年我國(guó)東北地區(qū)曾多次遭受臺(tái)風(fēng)影響，各種農(nóng)作物倒伏累計(jì)超過千萬畝。當(dāng)玉米和水稻等作物發(fā)生倒伏時(shí)，減產(chǎn)率可達(dá) 25% 以上甚至絕產(chǎn)[1-3]。研究高效識(shí)別氣象災(zāi)害后的作物倒伏區(qū)域的方法不僅有利于精準(zhǔn)防災(zāi)減災(zāi)，還可為產(chǎn)量評(píng)估和進(jìn)行合理災(zāi)后補(bǔ)償提供重要參考。

傳統(tǒng)獲取作物倒伏區(qū)域和倒伏程度的方法主要是依賴人力實(shí)地調(diào)查，效率低且成本高，不適用于對(duì)農(nóng)田進(jìn)行大規(guī)模精準(zhǔn)監(jiān)測(cè)。利用遙感技術(shù)可以實(shí)時(shí)高效地監(jiān)測(cè)作物大面積倒伏情況[4]。李宗南等基于倒伏發(fā)生前后的衛(wèi)星遙感數(shù)據(jù)發(fā)現(xiàn)，玉米倒伏時(shí)在近紅外波段反射率與紋理特征發(fā)生變化[5-6]。王杰等基于玉米發(fā)生倒伏時(shí)植被指數(shù)的變化規(guī)律結(jié)合地面調(diào)查，構(gòu)建了基于二元Logistic回歸的玉米倒伏識(shí)別模型[1]。任志鵬等基于對(duì)水稻倒伏敏感的4種植被指數(shù)與可見光波段的紋理特征構(gòu)建決策樹，成功區(qū)分了正常、輕度、中度和重度4種倒伏水稻[7]。但這些基于光學(xué)遙感衛(wèi)星數(shù)據(jù)的研究需要高質(zhì)量大范圍的無云影像，對(duì)研究區(qū)天氣狀況要求較高，同時(shí)還需要實(shí)地采集倒伏程度不同的真實(shí)作物樣本數(shù)據(jù)，增加了監(jiān)測(cè)成本。

近年來，隨著無人機(jī)技術(shù)的快速發(fā)展，基于不受云層干擾的低空無人機(jī)遙感監(jiān)測(cè)作物倒伏的研究紛紛涌現(xiàn)。趙靜等基于無人機(jī)可見光數(shù)據(jù)和多光譜數(shù)據(jù)分別對(duì)小麥和玉米進(jìn)行了倒伏范圍提取[8-9]。楊蜀秦等以小麥灌漿期和成熟期2個(gè)不同生長(zhǎng)階段的無人機(jī)可見光影像為依據(jù)改進(jìn)圖像分割模型，準(zhǔn)確識(shí)別了2種生育期小麥的倒伏區(qū)域[10]。魏永康等研究了將 DSM 模型與基于多光譜數(shù)據(jù)的植被指數(shù)和紋理特征等進(jìn)行融合的效果，結(jié)果表明，基于無人機(jī)遙感數(shù)據(jù)的特征融合能有效提高提取小麥倒伏范圍的準(zhǔn)確度[11-12]。低空無人機(jī)遙感技術(shù)不受云層干擾，但其監(jiān)測(cè)范圍相比衛(wèi)星遙感要小得多，大部分研究也局限于田塊尺度。

除光學(xué)遙感數(shù)據(jù)外，合成孔徑雷達(dá)（SAR）技術(shù)能夠穿透云層探測(cè)地表物體，所以十分適用于光照條件差、云層遮擋嚴(yán)重區(qū)域的農(nóng)作物倒伏監(jiān)測(cè)。但SAR圖像數(shù)據(jù)具有噪聲多、處理過程復(fù)雜等特點(diǎn)，因此，目前利用SAR圖像對(duì)作物倒伏區(qū)域進(jìn)行識(shí)別的研究還比較少。韓冬等提取玉米倒伏發(fā)生前后Sentinel-1衛(wèi)星提供的SAR數(shù)據(jù)的反射強(qiáng)度信息與實(shí)測(cè)倒伏樣本關(guān)聯(lián)分析，再篩選出倒伏前后的最佳敏感系數(shù)后構(gòu)建了基于模擬作物倒伏前后高度差的檢測(cè)模型[13]。Chauhan 等通過綜合使用Sentinel-1SAR和Sentinel-2多光譜影像數(shù)據(jù)成功將倒伏小麥地塊區(qū)分為中度、嚴(yán)重和非常嚴(yán)重的倒伏等級(jí)，并分析了以VH為代表的后向散射系數(shù)彼此間的互補(bǔ)性，在進(jìn)一步的研究中還發(fā)現(xiàn)了小麥的倒伏安全系數(shù)與Sentinel-1衛(wèi)星數(shù)據(jù)的高度相關(guān)性[14-15]。盡管這些研究均需采集真實(shí)樣本進(jìn)行建模，但也驗(yàn)證了利用SAR影像數(shù)據(jù)進(jìn)行作物倒伏程度區(qū)域提取研究的可行性。

目前，絕大多數(shù)作物倒伏識(shí)別研究往往針對(duì)單一作物。谷歌地球引擎（GEE）是谷歌開發(fā)的新一代遙感大數(shù)據(jù)計(jì)算分析云平臺(tái)，不僅能方便快捷地調(diào)用經(jīng)過地形與輻射校正的Sentinel-1地面距離監(jiān)測(cè)（GRD）數(shù)據(jù)和經(jīng)過大氣校正的Sentinel-2多光譜數(shù)據(jù)等海量多源遙感數(shù)據(jù)，還可以上傳其他多源遙感數(shù)據(jù)并調(diào)用龐大的計(jì)算資源進(jìn)行后續(xù)處理。利用GEE平臺(tái)可以解決在識(shí)別多種作物倒伏范圍前獲取作物復(fù)雜種植結(jié)構(gòu)難的問題。目前已有許多利用GEE平臺(tái)進(jìn)行作物分布提取的研究，但基于GEE 進(jìn)行作物倒伏范圍識(shí)別的研究還甚少[16-17]

綜上，針對(duì)作物倒伏區(qū)域光照條件差、云層干擾嚴(yán)重以及依賴真實(shí)樣本數(shù)據(jù)的問題，本研究在GEE平臺(tái)下利用隨機(jī)森林（RF算法對(duì)由簡(jiǎn)單非迭代聚類（SNIC）算法獲得的超像素對(duì)象合集提取作物的分布區(qū)域，然后根據(jù)倒伏前后Sentinel-1數(shù)據(jù)差異面向超像素對(duì)象分別使用K-means算法與LVQ算法進(jìn)行作物倒伏等級(jí)提取，利用Sentinel-2數(shù)據(jù)進(jìn)行驗(yàn)證，篩選出針對(duì)不同作物最有效的倒伏識(shí)別模型。

1 研究區(qū)概況

研究區(qū)位于遼寧省鐵嶺縣，如圖1所示（圖中方形標(biāo)記區(qū)域?yàn)檠芯繀^(qū)）。鐵嶺縣主要農(nóng)作物為水稻和玉米，總種植面積占全縣所有作物 95% 以上。2023年8月19日夜間，該地出現(xiàn)大雨冰雹等強(qiáng)對(duì)流天氣，導(dǎo)致千畝以上農(nóng)田受災(zāi)倒伏。作物發(fā)生倒伏前后研究區(qū)范圍內(nèi)氣象條件較差，云霧較多（圖2）。

2 數(shù)據(jù)與預(yù)處理

2.1遙感數(shù)據(jù)

2.1.1Sentinel-1數(shù)據(jù)本研究使用的SAR數(shù)據(jù)是GEE平臺(tái)中IW模式下經(jīng)地形與輻射校正的

圖1 研究區(qū)位置

圖2倒伏前后研究區(qū)未處理影像

Sentinel-1GRD數(shù)據(jù)。篩選具有VV與VH雙極化方式，覆蓋研究區(qū)時(shí)間跨度分別為2023年8月8—18日、20一30日的2組影像，對(duì)每組影像每個(gè)像元點(diǎn)位的極化強(qiáng)度進(jìn)行中值合成處理，其結(jié)果在下文中分別用SAR_Before和SAR_After表示。

2.1.2 Sentinel-2數(shù)據(jù)本研究篩選Sentinel-2經(jīng)大氣校正后的L2A級(jí)數(shù)據(jù)進(jìn)行處理。獲取覆蓋鐵嶺縣時(shí)間跨度為2021年（全年）與2023年（全年）的圖像，依次進(jìn)行去云、月度中值合成和線性插值處理，保留作物生長(zhǎng)期（4—10月）內(nèi)的圖像，構(gòu)成2份不同年度的時(shí)序圖像集，流程如圖3所示。然后，分別獲取覆蓋研究區(qū)的2023年4月1日至10月31日、8月1—18日、8月20—27日與9月1—30日的圖像去云后進(jìn)行中值合成，結(jié)果在下文中分別使用SNIC_Source、S2_Before、S2_After、S2_Sep表示。

圖3時(shí)序圖像集生成流程

2.2地物覆蓋數(shù)據(jù)

DynamicWorld是谷歌在2022年發(fā)布的基于Sentinel-2遙感影像利用深度學(xué)習(xí)模型近實(shí)時(shí)給出地物一次分類（包括水域、農(nóng)田和草地等）的數(shù)字產(chǎn)品[18]。本研究使用其生成和篩選樣本點(diǎn)。

2.3已有作物種植分布數(shù)據(jù)

本研究利用2021年?yáng)|北地區(qū) 30m 級(jí)3種作物種植分布數(shù)據(jù)集獲取多種作物的樣本點(diǎn)[17]。該數(shù)據(jù)集中分類的地物類型為水稻、玉米、大豆和其他（包含建筑、水體和其他作物等）等4種類型。在下文中使用數(shù)據(jù)集A表示。

3研究方法

3.1 生成農(nóng)田判別區(qū)

數(shù)據(jù)集A可視化結(jié)果表明，有大量河灘地錯(cuò)分情況（圖4，圖中方形標(biāo)示內(nèi)為不合理的河灘大豆帶）。研究表明，選擇作物成熟期時(shí)段的DynamicWorld數(shù)據(jù)進(jìn)行處理能有效提高生成和篩選樣本點(diǎn)的可靠性。本研究獲取2023年6月10日至8月30日的DynamicWorld數(shù)據(jù)，對(duì)每張地物分類圖像進(jìn)行二值化處理，僅保留分類為農(nóng)田的像元，之后合并所有二值圖像中同一位置上均有像素值的像元，生成農(nóng)田判別區(qū)（圖5）。

3.2樣本點(diǎn)獲取

研究區(qū)所在的鐵嶺縣種植的作物主要為玉米和水稻，其他各類經(jīng)濟(jì)作物種植面積占比約為 5% ，因此本研究使用水稻、玉米和其他共3類地物樣本點(diǎn)用于訓(xùn)練隨機(jī)森林分類器。

在鐵嶺縣內(nèi)隨機(jī)生成若干樣本點(diǎn)，將位于非農(nóng)田區(qū)內(nèi)的點(diǎn)標(biāo)記為其他。以位于農(nóng)田區(qū)的點(diǎn)為中心建立半徑為 100m 的緩沖區(qū)，根據(jù)數(shù)據(jù)集A統(tǒng)計(jì)緩沖區(qū)內(nèi)與中心點(diǎn)類別相同的像素占比，超過 90% 則保留該中心點(diǎn)。若該點(diǎn)類別為水稻或玉米則按原類別標(biāo)記，否則標(biāo)記為其他。最終獲得320個(gè)水稻樣本點(diǎn)、306個(gè)玉米樣本點(diǎn)和463個(gè)其他樣本點(diǎn)（圖6）。

圖4數(shù)據(jù)集A可視化結(jié)果（鐵嶺縣）

圖5由DynamicWorld數(shù)據(jù)生成的農(nóng)田判別區(qū)

圖6樣本點(diǎn)分布示意

3.3為時(shí)序圖像集添加特征變量

從Sentinel-2多光譜數(shù)據(jù)中選擇B6、B11和B12 波段，與7種常用植被指數(shù)（表1）作為光譜特征變量。利用灰度共生矩陣生成NDVI和EVI的紋理特征，從中選取自相關(guān)角二階矩（ASM）、自相關(guān)矩陣相關(guān)性（CORR）和自相關(guān)矩陣熵（ENT）作為空間特征變量。選擇時(shí)序圖像集像素的第10、25、50、75、90以及25～75的百分位數(shù)，和3個(gè)植被指數(shù)（NDVI、EVI、LSWI）的曲線進(jìn)行諧波回歸分析擬合獲得的參數(shù)作為整體特征變量。對(duì)2021年時(shí)序圖像集與2023年時(shí)序圖像集分別添加如上所有特征變量，得到特征變量時(shí)序圖像集。

表1植被指數(shù)

注： ρGREEN 、pRED、pRED1、pRED2、pRED3、 ρNIR 、 ρSWIRI ！、ρSWIR2 分別為Sentinel-2遙感影像的B3、B4、B5、B6、B7、B8、B11、B12 波段的地表反射率數(shù)值。

3.4獲取超像素對(duì)象合集

SNIC算法首先在圖像上生成1組均勻分布的種子點(diǎn)，每個(gè)種子點(diǎn)代表1個(gè)初始超像素。在非迭代的聚類過程中，SNIC算法通過考慮顏色（光譜）相似性和空間距離將每個(gè)像素分配給離它最近的種子點(diǎn)，從而形成超像素，每個(gè)超像素內(nèi)的像素均具有相似的顏色和位置特性。在GEE中將種子號(hào)設(shè)為15，分割尺度設(shè)為20，緊湊性設(shè)為0，連接性設(shè)為8，鄰域大小設(shè)為256，使用SNIC_Source全波段對(duì)其進(jìn)行分割，獲得超像素對(duì)象合集SNIC_Result。

3.5提取作物分布

使用生成的樣本點(diǎn)集與2021年度特征變量時(shí)序圖像集訓(xùn)練RF分類器。將2023年度特征變量時(shí)序圖像集裁剪至研究區(qū)范圍并使用SNIC_Result超像素對(duì)象合集對(duì)每個(gè)超像素對(duì)象對(duì)應(yīng)像元特征變量值作均值化處理，得到對(duì)象化的2023年度時(shí)序圖像集后，使用已訓(xùn)練RF分類器對(duì)其進(jìn)行分類。

3.6為SAR圖像添加特征變量

為SAR_Before和SAR_After添加 ΔVV+VH 和VV/VH等2個(gè)新特征變量，除原始后向散射系數(shù)外，極化和差與極化比值同樣可用于監(jiān)測(cè)作物生長(zhǎng)情況[19-20]

將SAR_Before和SAR_After的VH極化后向散射系數(shù)強(qiáng)度數(shù)據(jù)以灰度形式可視化（圖7）。對(duì)比可知，彎曲河道水面（深色）與植被（淺色）之間信號(hào)強(qiáng)度差異明顯，部分植被表層結(jié)構(gòu)被破壞前后信號(hào)強(qiáng)度發(fā)生明顯變化。植被區(qū)域存在大量噪點(diǎn)信號(hào)，為降低噪聲干擾，對(duì)添加了特征變量的SAR_Before和SAR_After均使用SNIC_Result對(duì)每個(gè)像元的所有特征變量值在對(duì)應(yīng)超像素對(duì)象內(nèi)作均值化處理，得到倒伏前后具有相同超像素對(duì)象分布的2張SAR合成圖像。通過計(jì)算這2張圖像同一超像素對(duì)象間特征變量值的差異，可得到1張與SNIC_Result具有相同超像素對(duì)象分布的用于識(shí)別倒伏區(qū)域的新圖像SAR_Diff。

圖7倒伏發(fā)生前（左）后（右）Sentinel-1VH極化后向散射系數(shù)強(qiáng)度可視化結(jié)果

3.7識(shí)別不同作物的倒伏區(qū)域與模型優(yōu)選

3.7.1倒伏區(qū)域識(shí)別模型 K 均值（K-means）算法是一種常用的無監(jiān)督聚類算法，在面向超像素對(duì)象的圖像聚類過程中，其核心思想是通過不斷調(diào)整聚類中心的位置，將對(duì)象劃分至具有相似特征的組中。在隨機(jī)選擇初始聚類中心后，基于特征變量值計(jì)算的距離將每個(gè)對(duì)象分配到與聚類中心最近的組，再根據(jù)當(dāng)前類內(nèi)對(duì)象特征更新每個(gè)組的聚類中心，重復(fù)這個(gè)過程直到聚類中心不再變化為止。

學(xué)習(xí)向量量化（LVQ）算法是與 K -means算法類似的聚類算法，但LVQ算法假設(shè)數(shù)據(jù)樣本帶有類別標(biāo)記，聚類過程中利用樣本的這些監(jiān)督信息來輔助聚類。在面向超像素對(duì)象的圖像聚類過程中，從超像素對(duì)象里隨機(jī)選擇數(shù)個(gè)對(duì)象作為初始原型向量，每個(gè)類別可以有1個(gè)或多個(gè)原型向量。對(duì)于每個(gè)超像素對(duì)象，基于特征變量值計(jì)算它與所有原型向量的歐氏距離后找到與之最近的原型向量，若該原型向量的類別與該對(duì)象一致，則更新原型向量使其更接近該對(duì)象，反之則使其遠(yuǎn)離，直至最終原型向量收斂。

VV極化相比VH極化對(duì)含水量變化更敏感[21-22]。考慮大雨冰雹天氣會(huì)顯著影響環(huán)境水分，因此將SAR_Diff 結(jié)合 K - means算法和LVQ算法分別針對(duì)不同作物構(gòu)建4種能夠區(qū)分作物倒伏程度的作物倒伏區(qū)域識(shí)別模型，即dVH_Kmeans模型，dVH_d（ VV+VH. ）_d（VV/VH）_Kmeans模型，dVH_LVQ模型和dVH_d（ VV+VH ）_d（VV/VH）_LVQ模型，使用這4種模型將2種作物種植區(qū)分別劃分為未倒伏、輕度倒伏、中度倒伏、重度倒伏等4種區(qū)域。

3.7.2模型評(píng)估水稻和玉米發(fā)生倒伏時(shí) NDVI與EVI的數(shù)值均會(huì)明顯下降，故為S2_Before、S2_After 和 S2_Sep 添加 NDVI與 EVI 特征[2.5.23] 。由圖2可知，S2_Before和S2_After因云霧影響所以在去云后存在大量數(shù)據(jù)缺失，但在GEE平臺(tái)下可在設(shè)定范圍內(nèi)使用僅包含有效數(shù)據(jù)的像元進(jìn)行均值化計(jì)算。對(duì)2種作物使用4種模型提取出各4組區(qū)分倒伏程度的區(qū)域集合后，對(duì)每組區(qū)域集合基于S2_Before和S2_After計(jì)算分級(jí)倒伏范圍內(nèi)2種特征變量均值的變化量，即dNDVI與dEVI，以每組區(qū)域集合對(duì)應(yīng)的每組dNDVI與dEVI數(shù)值表現(xiàn)出的可分性作為評(píng)估模型效果的指標(biāo)，獲得針對(duì)不同作物的最佳模型后，使用S2_Sep的特征變量值進(jìn)一步驗(yàn)證模型的有效性。作物分布與不同作物倒伏區(qū)域識(shí)別流程如圖8所示。

圖8獲取針對(duì)不同作物的倒伏區(qū)域識(shí)別流程

3.8精度分析與評(píng)估

使用 30% 樣本作為測(cè)試集生成混淆矩陣，以生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)作為指標(biāo)評(píng)價(jià)RF分類器性能。評(píng)估作物倒伏范圍識(shí)別模型時(shí)，以模型給出的4類倒伏范圍間平均dNDVI與平均dEVI的類間方差和平均歐氏距離作為對(duì)模型分類性能的評(píng)價(jià)標(biāo)準(zhǔn)。

類間方差 S_B² 衡量不同類別均值之間的差異，值越大說明模型將不同類別分離開的能力越強(qiáng)。其計(jì)算公式為：

式中： K 是類別總數(shù)， μ_k 是第 k 類的均值， μ 是總體均值。

平均歐氏距離 d_avg 衡量類別中心之間的平均距離，該值越大說明不同類別間分離度越高，定義為：

式中： K 是類別總數(shù) ?_Ai 和 μ_j 是第 i 類和第 j 類的均值。 |μ_i-μ_j| 表示第 i 類和第 j 類間的歐氏距離。

4 結(jié)果與分析

4.1作物提取模型精度

生產(chǎn)者精度和用戶精度結(jié)果（表2）表明，總體精度為 93.97% ，Kappa系數(shù)為0.9075。本研究樣本數(shù)據(jù)來源于數(shù)據(jù)集A，雖然該數(shù)據(jù)集包含錯(cuò)分情況，但本研究的分類器依然保持了高準(zhǔn)確性。為直觀對(duì)比，將作物分類結(jié)果可視化，并對(duì)SNIC_Source合成真彩色圖像（圖9）。將圖9、圖7進(jìn)行對(duì)比，發(fā)現(xiàn)本研究提取結(jié)果與光學(xué)圖像和SAR圖像均具有很高的契合度。其中，SAR圖像中明顯變化的區(qū)域與水稻種植區(qū)高度一致，符合水稻冠層葉片密集，發(fā)生倒伏后冠層結(jié)構(gòu)遭到破壞因而VH極化信號(hào)出現(xiàn)由低增高（在灰度圖像上表現(xiàn)為由暗變亮）的特點(diǎn)。

表2分類精度

4.2作物倒伏區(qū)域識(shí)別模型效果對(duì)比

4種作物倒伏識(shí)別模型提取結(jié)果對(duì)比見表3、表4、表5。結(jié)果表明，LVQ算法性能優(yōu)于 K- means算法；針對(duì)水稻效果最好的模型是 d（VV/VH）_LVQ模型，而針對(duì)玉米效果最好的模型是使用了dVH單特征的 模型。造成這一差異的主要原因是水稻種植環(huán)境在8月份長(zhǎng)期保持高含水量，經(jīng)過大雨等極端天氣后種植區(qū)含水量相對(duì)變化較小，對(duì)濕度敏感的VV極化受影響較小，而玉米為旱田作物，種植區(qū)域濕度變化較大，導(dǎo)致VV極化受到了較大干擾，因此d （?VV+?VH） 與d（VV/VH）特征均不適合參與識(shí)別極端天氣后的倒伏玉米。使用 s2_-sep 對(duì)最優(yōu)模型識(shí)別出的各級(jí)倒伏區(qū)進(jìn)行驗(yàn)證（表6）。玉米的重度倒伏區(qū)內(nèi)9月份植被指數(shù)均值與其他各區(qū)域出現(xiàn)了明顯差異。這表明水稻可能因種植密集、植株較矮而有著更好的倒伏恢復(fù)能力。但玉米植株較高，出現(xiàn)重度倒伏后難以恢復(fù)，與未發(fā)生倒伏的玉米在植被指數(shù)上的差異顯著，存在已被提前收割的可能。最終經(jīng)最優(yōu)模型識(shí)別出的作物分級(jí)倒伏范圍可視化結(jié)果如圖10所示。

圖9作物種植分布提取結(jié)果（左）與SNIC_Source合成真彩色圖像（右）

表3不同模型識(shí)別出的不同倒伏程度的水稻區(qū)域在平均植被指數(shù)變化量上的差異

表4不同模型識(shí)別出的不同倒伏程度的玉米區(qū)域在平均植被指數(shù)變化量上的差異

表5不同模型的分離性能

表6最優(yōu)模型在S2_Sep上的驗(yàn)證結(jié)果

5結(jié)論

本研究基于GEE使用RF分類器面向超像素對(duì)象提取了研究區(qū)內(nèi)玉米和水稻2種作物倒伏分布結(jié)果。針對(duì)研究區(qū)域受云霧干擾嚴(yán)重?zé)o法使用光學(xué)遙感數(shù)據(jù)識(shí)別倒伏范圍以及缺乏實(shí)地樣本的問題，基于SAR影像數(shù)據(jù)構(gòu)建多種作物倒伏識(shí)別模型，面向超像素對(duì)象劃分倒伏范圍，將獲得的倒伏識(shí)別區(qū)域利用光學(xué)數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明，本研究方法具有很高的可信度。

圖10作物倒伏程度識(shí)別結(jié)果

但是，本研究的方法仍存在一些不足，今后將探索結(jié)合隨機(jī)采樣、無監(jiān)督樣本聚類與監(jiān)督分類，以及更充分地使用包含倒伏前后完整數(shù)據(jù)的光學(xué)影像像元提高作物倒伏區(qū)域識(shí)別精度和驗(yàn)證能力的方法。

參考文獻(xiàn)：

[1]王杰，劉實(shí)，蘭玉彬，等.基于 HJ-1A/BCCD 數(shù)據(jù)的玉米倒伏識(shí)別方法[J].中國(guó)農(nóng)業(yè)氣象，2020，41（2）：121-128.

[2]陸洲，徐飛飛，羅明，等.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.

[3]高花雨，任在斌，馮慧，等.玉米抗倒伏相關(guān)性狀的配合力分析[J].江蘇農(nóng)業(yè)科學(xué)，2023，51（13）：89-95.

[4]李丹，陳素華，吳國(guó)周，等.基于遙感技術(shù)的沙坨草甸交錯(cuò)帶玉米農(nóng)業(yè)氣象災(zāi)害評(píng)估：以科爾沁左翼后旗為例[J].中國(guó)農(nóng)學(xué)通報(bào)，2014，30（29）：280-286.

[5]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.

[6]王立志，顧曉鶴，胡圣武，等.基于多時(shí)相HJ-1BCCD影像的玉木倒伙火俏適您監(jiān)測(cè)[J」，中國(guó)衣業(yè)科字，2U10，49（21）：412U4129.

[7]任志鵬，高睿，王大慶.基于哨兵2號(hào)多光譜影像的水稻倒伏識(shí)別與分類[J]．節(jié)水灌溉，2022（7）：44-50.

[8]趙靜，潘方江，蘭玉彬，等.無人機(jī)可見光遙感和特征融合的小麥倒伏面積提取[J]：農(nóng)業(yè)工程學(xué)報(bào)，2021，37（3）：73-80.

[9]趙靜，閆春雨，楊東建，等.基于無人機(jī)多光譜遙感的臺(tái)風(fēng)災(zāi)后玉米倒伏信息提取[J]．農(nóng)業(yè)工程學(xué)報(bào)，2021，37（24）：56-64.

[10]楊蜀秦，王鵬飛，王帥，等.基于MHSA + DeepLab ^v3+ 的無人機(jī)遙感影像小麥倒伏檢測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（8）：213-219，239.

[11]魏永康，楊天聰，臧少龍，等．基于無人機(jī)多光譜影像特征融合的小麥倒伏監(jiān)測(cè)[J]．中國(guó)農(nóng)業(yè)科學(xué)，2023，56（9）：1670-1685.

[12]朱文靜，馮展康，戴世元，等．無人機(jī)多光譜影像的小麥倒伏信息多特征融合檢測(cè)研究[J]．光譜學(xué)與光譜分析，2024，44（1）：197 -206.

[13]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.

[14]ChauhanS，DarvishzadehR，vanDeldenSH，etal.Mappingofwheat lodging susceptibility with synthetic aperture radar data[J].Remote Sensing of Environment，2021，259：112427.

[15]ChauhanS，DarvishzadehR，LuY，etal．Understanding wheatlodging usingmulti-temporal Sentinel -1 and Sentinel ^-2 data[J].Remote Sensing of Environment，2020，243：111804.

[16] You NS，DongJW，Huang J X，et al. The 1O-m crop type mapsin Northeast China during 2017-2019[J].Scientific Data，2021，8（1） ：41.

[17]Xuan F，Dong Y，LiJY，et al. Mapping crop type inNortheastChina during 2013 -2O21 using automatic sampling and tile -basedimage classification[J].International Journal of Applied EarthObservationand Geoinformation，2023，117：103178.

[18]BrownCF，BrumbySP，Guzder-WilliamsB，etal.Dynamicworld，near real- time global 10m land use land cover mapping[J].Scientific Data，2022，9：251.

[19]劉警鑒，李洪忠，華璀，等．基于 Sentinel-1A數(shù)據(jù)的臨高縣早稻面積提取[J]．國(guó)土資源遙感，2020，32（1）：191－199.

[20]洪玉嬌，張碩，李俐.基于合成孔徑雷達(dá)數(shù)據(jù)的農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)研究進(jìn)展[J].智慧農(nóng)業(yè)（中英文），2024，6（1）：46-62.

[21]孫溪溪，侯 丹，白運(yùn)峰．基于Sentinel-1與Landsat8-OLI數(shù)據(jù)的土壤水分反演研究[J]．甘肅水利水電技術(shù)，2024，60（1）：29 -32.

[22]王二龍，王建萍，韓進(jìn)軍，等．基于Sentinel-1和 Sentinel-2協(xié)同反演干旱區(qū)地表土壤水分：以格爾木河中下游為例[J]．鹽湖研究，2022，30（1）：16-24.

[23]朱厚文，羅沖，官海翔，等．基于面向?qū)ο蟮亩嘣葱l(wèi)星遙感影像玉米倒伏面積提取[J]．遙感技術(shù)與應(yīng)用，2022，37（3）：599 -607.