玉米倒伏不仅影响产量，而且影响籽粒品质。快速进行倒伏检测有助于评估自然灾害造成的损失，筛选抗倒伏品种，优化田间管理策略。作物倒伏的准确检测离不开倒伏程度的准确测定，这有助于提高作物生产过程中的田间管理水平。因此，本研究结合光谱、纹理和冠层结构等多种特征分析了不同倒伏等级之间的差异，在此基础上对试验田进行像素级监督分类和面向对象的分类来获得高精度的倒伏等级分类。最后，结合不同的实验小区，初步确定了实验中最容易形成倒伏的生育时期，最优的种植密度，施氮方式以及抗倒伏品种。

作物倒伏检测对生产田灾害评估和智能化育种田中筛选抗倒伏品种都至关重要。基于消费级无人机遥感结合多种影像特征提取倒伏程度是一种实用有效的方法。因此，本研究基于倒伏前后无人机获取的遥感影像，分别构建了植被指数、纹理特征、冠层覆盖度、数字冠层模型等特征指标来评估不同倒伏等级之间的差异，并结合效果最好的影像特征进行倒伏等级的分类。

玉米倒伏分类及倒伏原因分析流程

采用像素级监督分类方法对玉米倒伏等级进行分类时，对于移除土壤背景后的玉米田，分类结果中会有严重的“椒盐噪声”，导致分类效果较差。实验的三种分类方法中，精度最高的是随机森林分类(RFC)，总体精度是78.26%，Kappa是0.63;K最近邻分类(KNN)和最大似然分类(MLC)对于轻度倒伏的分类结果都比较差。结合多种影像特征和面向对象的分类方法对玉米倒伏等级进行分类时，使用随机森林分类(RFC)方法，可以很好的改善分类结果中的“椒盐噪声”，使得不同倒伏等级之间的边界更加清晰，分类精度得到提高。其中，结合原始图像、数字表面模型和纹理特征，将面向对象分类方法与随机森林分类相结合时，总体分类精度最高为86.96%，kappa系数为0.7931。值得注意的是，结合冠层覆盖度和数字表面模型进行面向对象的方法进行分类可以获得不错的分类精度，这表明，筛选冠层结构相关的影像特征对于倒伏分类精度的提高具有重要意义。

不同影像特征组合和不同分类方法对玉米倒伏等级的分类结果(部分)

最后，结合各种试验小区分析表明，在R1、VT和V14期，玉米最易倒伏，且随着施氮量的增加，玉米倒伏程度增加。此外，在玉米营养生长中后期施肥，玉米的抗倒伏能力也有所提高。结果表明，辽单585、LP68和中单909是本次试验中抗倒伏性能最好的3个玉米品种。

作者介绍：

论文第一作者为长安大学地球科学与资源学院硕士研究生王梓旭，论文通讯作者为金秀良研究员。该研究得到国家重点研发计划项目(2016YFD0300605)、国家自然科学基金项目(42071426)、中国农业科学院创新工程项目(Y2020YJ07, S2018QY01)资助。

中国农业科学院作物科学研究所作物表型创新研究组研究方向为定量遥感在农业监测中的应用、光学传感器的应用和开发、作物表型平台的研究与应用、作物模型和多源遥感的数据同化、多源图像数据的处理、表型组与基因组关联分析与关键功能基因挖掘。

来源：

Wang, Z.; Nie, C.; Wang, H.; Ao, Y.; Jin, X. *; Yu, X.; Bai, Y.; Liu, Y.; Shao, M.; Cheng, M., et al. Detection and Analysis of Degree of Maize Lodging Using UAV-RGB Image Multi-Feature Factors and Various Classification Methods. In ISPRS International Journal of Geo-Information, 2021; Vol. 10，DOI: https://doi.org/10.3390/ijgi10050309.