基于Worldview-2影像的玉米倒伏面積估算

李宗南，陳仲新，任國業(yè)，李章成，王　昕（. 四川省農業(yè)科學院遙感應用研究所，成都 60066；　2. 中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，北京 0008）

?

基于Worldview-2影像的玉米倒伏面積估算

李宗南1，陳仲新2※，任國業(yè)1，李章成1，王昕1
（1. 四川省農業(yè)科學院遙感應用研究所，成都 610066；2. 中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，北京 100081）

摘要：為應用高分辨率遙感影像準確調查玉米倒伏面積，該文使用2012年9月14日獲取的Worldview-2多光譜影像研究灌漿期倒伏玉米的光譜、紋理特征及其最優(yōu)的面積估算方法。通過對影像進行大氣校正后得到正常玉米和倒伏玉米的反射率，結果顯示玉米倒伏后8個波段的反射率均升高，其中紅邊、近紅外1和近紅外2等3個波段的上升數(shù)值超過0.1。通過對反射率數(shù)據(jù)進行濾波得到正常、倒伏玉米的均值紋理特征，統(tǒng)計結果顯示各波段紋理特征有差異，其中綠色、紅邊、近紅外1及近紅外2等4波段的均值紋理特征數(shù)值差距更明顯。比較使用不同波段數(shù)量、特征及分類方法的倒伏面積估算值，結果表明基于最大似然分類法使用紅邊、近紅外1和近紅外2等3波段光譜反射率的倒伏面積估算方法最優(yōu)，其最小誤差為2.2%，最大誤差為8.9%，平均誤差為4.7%。該研究結果為應用高分辨率多光譜遙感數(shù)據(jù)調查玉米倒伏面積提供了相關依據(jù)。

關鍵詞：遙感；圖像處理；光譜分析；多光譜；倒伏面積；玉米

李宗南，陳仲新，任國業(yè)，李章成，王昕. 基于Worldview-2影像的玉米倒伏面積估算[J]. 農業(yè)工程學報，2016，32（2）：1－5.doi：10.11975/j.issn.1002-6819.2016.02.001ht tp://www.tcsae.org

Li Zongnan， Chen Zhongxin， Ren Guoye， Li Zhangcheng， Wang Xin. Estimation of maize lodging area b ased on Worldview-2 image[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 1－5. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.001http://www .tcsae.org

0　引　言

大風、強降雨及病蟲害可導致作物發(fā)生倒伏[1-4]，作物倒伏將導致作物生長受阻、產量及品質降低，是常見的農業(yè)災害之一[5-9]。倒伏面積是評估作物倒伏災害程度的一項重要指標。調查作物倒伏面積，對災后農業(yè)生產管理、農業(yè)災害保險、補貼等工作有重要意義。遙感通過遠距離探測方式，可快速獲取感興趣區(qū)信息，是調查作物倒伏狀況快捷有效的技術方法[10]。Murakami等使用低空氣球平臺搭載小型的攝影測量系統(tǒng)獲取作物高度，通過高度信息對蕎麥的倒伏程度進行評估[11]。李宗南等使用小型固定翼電動無人機遙感系統(tǒng)獲取發(fā)生倒伏的玉米地塊影像，通過正常、倒伏玉米紋理特征的差異準確估算倒伏玉米面積[12]。張杰通過冬小麥倒伏試驗測量的地面高光譜數(shù)據(jù)研究冬小麥多個時期不同程度倒伏的高光譜反射率、一階導數(shù)、植被指數(shù)的變化，并研究冬小麥倒伏在ALOS衛(wèi)星的全色、多光譜影像中的光譜變化特征，認為ALOS影像可用于冬小麥倒伏識別、分類[13]。Yang等使用Radarsat-2衛(wèi)星連續(xù)5個時相的全極化C波段影像研究倒伏小麥的后向散射系數(shù)、極化特征，發(fā)現(xiàn)極化特征對倒伏小麥敏感，基于極化特征可準確評估小麥倒伏[14]。

準確獲取倒伏面積依賴于遙感數(shù)據(jù)的空間分辨率。低空遙感平臺和遙感衛(wèi)星獲取的高分辨率影像是進行作物倒伏調查的主要數(shù)據(jù)源，而已有的使用衛(wèi)星遙感調查評估作物倒伏的研究還主要集中在作物倒伏后的光譜、后向散射系數(shù)及極化特征研究，應用衛(wèi)星影像準確估算倒伏面積的研究還很少。近年來，民用高分辨率衛(wèi)星遙感產業(yè)發(fā)展快速，適于農業(yè)災害遙感調查的低成本、米級高分辨率影像越來越多。本研究使用2012年9月14日獲取的Worldview-2遙感衛(wèi)星2 m分辨率的8波段多光譜影像研究灌漿期倒伏玉米的光譜、紋理特征及最優(yōu)的倒伏面積估算方法，以期為應用高分辨遙感數(shù)據(jù)進行玉米倒伏調查提供相關依據(jù)。

1　研究區(qū)概況與數(shù)據(jù)來源

1.1研究區(qū)概況

研究區(qū)為中國農業(yè)科學院萬莊農業(yè)高新技術產業(yè)園（116.58°E，39.60°N）的玉米地塊，地塊1、地塊2和地塊3的面積分別為13 089、13 088和2 2103 m2，地塊均位于河北省廊坊市廣陽區(qū)萬莊鎮(zhèn)，屬暖溫帶大陸性季風氣候，春季干旱多風沙，夏季炎熱多雨，秋季冷熱適宜，冬季寒冷干燥。地塊的土壤類型為黃潮土，土壤質地為砂壤。作物種植制度是典型的一年兩熟制，主要種植農作物是冬小麥和夏玉米。

1.2數(shù)據(jù)獲取

數(shù)據(jù)包括Worldview-2遙感影像和玉米倒伏面積調查結果，通過萬莊農業(yè)高新技術產業(yè)園2012年的農業(yè)遙感試驗獲取。該試驗通過高分辨率遙感影像訂購、無人機航拍等方式獲取研究區(qū)遙感數(shù)據(jù)，通過地面同步調查獲取作物類型、面積、農業(yè)災害等多種農情數(shù)據(jù)。

1.2.1玉米倒伏面積數(shù)據(jù)

該地區(qū)2012年9月11、12日發(fā)生降雨、大風天氣，導致部分地塊的玉米嚴重倒伏。玉米倒伏面積通過地面調查和無人機航片解譯確定。通過2012年9月13日的無人機航拍獲取園區(qū)彩色航片。航片首先在無人機姿態(tài)數(shù)據(jù)輔助下通過光束法區(qū)域網平差的空中三角測量法自動實現(xiàn)控制點加密，然后通過正射校正及拼接后得到空間分辨率為0.15m的數(shù)字正射圖像[15]。在地面倒伏玉米調查的基礎上，通過對正射圖像進行目視解譯，測算3個地塊的面積及玉米倒伏面積[12]。

1.2.2Worldview-2多光譜影像

通過編程訂購方式獲取研究區(qū)及周邊地區(qū)刈幅為5 km×5 km的Worldview-2多光譜影像。2012年9月14日過境的Worldview-2衛(wèi)星通過傳感器前向側擺20.1°、橫向側擺10.8°的姿態(tài)獲取空間分辨率為2 m的8波段多光譜影像。影像的產品等級為Ortho Ready Standard，即原始影像經過輻射定標、系統(tǒng)幾何校正和基于影像覆蓋范圍內平均高程的正射校正。影像具體各項光譜性能參數(shù)見表1，研究區(qū)影像的真彩色合成圖見圖1。

表1　Worldview-2多光譜影像的性能參數(shù)Table 1　Parameters of Worldview-2 multi-spectral image

圖1　研究區(qū)位置及影像Fig.1　Location of study area and image

1.3數(shù)據(jù)預處理

首先使用30m網格的DEM數(shù)據(jù)通過遙感圖像處理軟件對Worldview-2多光譜影像進行更高精度的正射校正；然后根據(jù)影像元數(shù)據(jù)提供的各波段增益計算各波段輻照度；最后使用大氣校正模塊輸入傳感器觀測角度、成像時間、衛(wèi)星高度、影像中心經緯度等信息，選擇鄉(xiāng)村氣溶膠模式和中緯度夏天大氣模式進行大氣校正，得到研究區(qū)的多光譜反射率數(shù)據(jù)。

2　倒伏玉米面積估算方法

首先對比分析正常玉米、倒伏玉米的光譜特征和紋理特征，為使用Worldview-2影像區(qū)分正常玉米和倒伏玉米提供特征選擇的依據(jù)；然后根據(jù)正常玉米和倒伏玉米的光譜、紋理特征差異，使用不同的監(jiān)督分類法進行分類，根據(jù)分類結果統(tǒng)計倒伏玉米類別的面積；根據(jù)倒伏玉米實測面積計算不同方法的估算誤差，根據(jù)誤差大小評價基于Worldview-2多光譜影像估算倒伏玉米面積的最優(yōu)方法。

2.1倒伏玉米的特征

2.1.1倒伏玉米的光譜特征

在研究區(qū)的多光譜反射率影像中，隨機選取若干正常玉米和倒伏玉米的感興趣區(qū)，其中正常玉米區(qū)含285個像元，倒伏玉米區(qū)含284個像元。統(tǒng)計感興趣區(qū)內各波段反射率的均值和標準差，然后根據(jù)波段中心波長位置，繪制出正常、倒伏玉米的反射率曲線，結果見圖2。

圖2　正常玉米和倒伏玉米的多光譜曲線Fig.2　Spectral curve of normal maize and lodging maize

根據(jù)圖2，倒伏玉米在400～1 040 nm波長范圍內8個波段的反射率較正常玉米的均出現(xiàn)了明顯上升，從藍光到近紅外2的各波段反射率上升為0.02、0.03、0.06、0.05、0.04、0.11、0.13、0.13，其中紅邊、近紅外1和近紅外2等3個波段的反射率上升大于0.1，高于可見光范圍的5個波段，該變化規(guī)律與冬小麥、水稻倒伏后光譜變化規(guī)律[4，13]相似，其主要原因可能是冠層結構變化。灌漿期正常玉米冠層內，葉片按照特定范圍的葉傾角分布，當包含直射、散射輻射的太陽光輻照時，視場內的玉米冠層表現(xiàn)為光照和蔭蔽二部分，即陽葉和陰葉，其中陽葉的反射包括直、散射輻射，亮度高，陰葉反射散射輻射，亮度低；玉米倒伏后，原冠層結構崩塌，陽葉比例顯著增加，而陰葉比例則下降，從而導致冠層各波段反射率上升。

根據(jù)倒伏后反射率變化量和正常玉米反射率，計算倒伏玉米從藍光到近紅外2的各波段反射率相對變化率依次分別為57%、73%、88%、88%、84%、60%、33%、31%。由于倒伏后紅光反射率相對變化量大于近紅外波段的，倒伏玉米的NDVI（normalized diffe rence vegetation index）將小于正常玉米的，根據(jù)紅光、近紅外反射率計算NDVI，正常玉米和倒伏玉米的NDVI分別為0.88和0.76。

2.1.2倒伏玉米的紋理特征

本研究計算的紋理特征主要基于灰度共生矩陣[16]，首先計算得出8個波段各自的均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩、相關性等8項紋理特征值。對比紋理特征圖像中玉米地塊內正常、倒伏玉米的差異，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，此結果與彩色圖像紋理的效果[ 12]相似。因而本研究只分析各波段的均值紋理。正常、倒伏玉米感興趣區(qū)內各波段均值紋理特征的統(tǒng)計結果見圖3。

圖3　各波段正常玉米和倒伏玉米的均值紋理特征Fig.3　Texture features of normal maize and lodging maize in different bands

根據(jù)各波段紋理特征的箱線圖，倒伏玉米的紋理特征數(shù)值均高于正常玉米的，其中二者在海岸藍、藍光、黃色及紅色波段的數(shù)值范圍較鄰近或相交；而在綠色、紅邊、近紅外1及近紅外2波段的數(shù)值范圍有明顯距離，不存在交叉，因此，綠色、紅邊、近紅外1及近紅外2等波段的均值紋理特征可更好區(qū)分正常玉米和倒伏玉米。

2.2倒伏玉米面積估算

使用相同的訓練區(qū)，分別基于光譜特征和紋理特征進行倒伏玉米面積估算。首先根據(jù)不同特征，分別使用最大似然分類法[17]和馬氏距離分類法[17]區(qū)分研究區(qū)內正常玉米、倒伏玉米及與玉米地塊相鄰近的道路、建筑物、裸地、其他綠色植物等6類典型地物，分類所使用的波段分別為8個波段和優(yōu)選的3個波段；然后使用地塊邊界矢量文件裁剪出玉米地塊分類結果，根據(jù)此結果統(tǒng)計出地塊內倒伏玉米類別的像元數(shù)量并換算成倒伏面積；最后將計算得到的倒伏玉米面積與實測面積進行比較，根據(jù)誤差大小確定最優(yōu)的倒伏玉米面積估算方法。

本研究旨在區(qū)分玉米地塊中的倒伏玉米并估算其面積，故未對研究區(qū)所有地物進行細分。多數(shù)地物類別通過玉米地塊矢量文件裁剪后去除。所使用的玉米地塊邊界通過目視解譯勾繪得到。根據(jù)對正常、倒伏玉米的光譜、紋理特征分析，8個波段的信息均有差異；其中紅邊、近紅外1及近紅外2波段的光譜、紋理特征差異更明顯，因此將此3個波段作為優(yōu)選波段。

3　結果與分析

在相同訓練樣區(qū)條件下，通過使用不同特征、波段數(shù)量及分類方法進行倒伏玉米面積估算，結果詳見表2。

表2　不同估算方法的倒伏玉米面積結果及誤差Table 2　Results and errors of lodging maize area estimated by different methods

根據(jù)表2可知，選擇使用紅邊、近紅外1和近紅外2波段等3個波段特征的估算誤差普遍小于使用8個波段的；使用8個波段特征的估算結果不同程度高估或低估了個別地塊的倒伏玉米面積。該結果表明優(yōu)選3個波段的特征進行倒伏面積估算，可減少部分波段特征在正常玉米和倒伏玉米間差異小而引起的誤差，有更高的精度。

比較使用3個波段特征分別基于2種分類方法的估算誤差，發(fā)現(xiàn)基于馬氏距離分類法的結果差于最大似然分類法的；不論使用光譜、紋理特征，基于馬氏距離分類法的估算結果均明顯低估了地塊2、3的倒伏面積

比較使用3個波段光譜反射率、紋理特征基于最大似然分類法的估算結果，發(fā)現(xiàn)使用光譜反射率的誤差除地塊1的誤差略大于使用紋理特征的外，地塊2、3的均明顯小于后者。綜上，本研究認為基于最大似然分類法使用紅邊、近紅外1和近紅外2等3波段光譜反射率的倒伏玉米面積估算方法最優(yōu)，其估算倒伏玉米面積的平均誤差為4.7%。

與實測面積相比較，基于最大似然分類法使用3個波段反射率的估算結果表現(xiàn)為地塊1的面積大于實測值，而地塊2、3的面積則略小于實測值。其主要原因是不同地塊中正常玉米、倒伏玉米混合像元中倒伏玉米的比例。地塊1為玉米倒伏嚴重地塊，倒伏玉米占混合像元的比例較高，混合像元被更多分為倒伏玉米；而地塊2、3中倒伏玉米數(shù)量較少，混合像元中正常玉米所占比例則可能較高，被分為正常玉米的概率較高。

4　討　論

本文使用Worldview-2多光譜數(shù)據(jù)首先分析了灌漿期正常、倒伏玉米光譜及紋理特征的差異，然后探討了使用該數(shù)據(jù)估算倒伏面積的最優(yōu)方法。灌漿期為玉米生長后期的重要關鍵期，其冠層結構與玉米的抽雄期、臘熟期的差異很小，而與玉米生長早期的差異很大。早期玉米植株高度低、葉面積指數(shù)小、覆蓋度低，故本研究結果主要為玉米生長后期倒伏調查參考，而生長早期的倒伏特征及面積估算方法還有待后續(xù)研究。

Worldview-2垂直視角觀測可獲取1.8 m分辨率的多光譜影像，側擺視角觀測可獲取2 m分辨率的多光譜影像，該數(shù)據(jù)可準確細分作物[18]、樹木類型[19]，是目前進行地物細分常用高分辨率數(shù)據(jù)；較之無人機遙感的彩色影像，該多光譜影像雖然空間分辨率差了一個數(shù)量級，但具有豐富的多光譜信息；本研究使用該數(shù)據(jù)進行地物分類時，發(fā)現(xiàn)基于定量多光譜信息的分類可有效避免無人機彩色影像將長勢差、葉片衰老變黃的正常劃分為倒伏玉米的問題[12]。

本研究基于Worldview-2多光譜反射率估算倒伏面積的精度為95.3%，與使用無人機遙感影像基于紋理特征估算倒伏面積的精度（96.4%）[12]相比，差距不大；但表2中多種估算方法的結果有明顯差異，說明使用該影像估算倒伏玉米面積有較大不確定性，不同分類方法對混合像元所屬類別的劃分有較大差異，影響倒伏面積估算結果。對此，結合無人機低空遙感和高分辨率衛(wèi)星遙感各自優(yōu)勢可更準確客觀地評估作物倒伏狀況。一方面，無人機低空遙感在小區(qū)域獲取的厘米級分辨率影像有助于衛(wèi)星遙感影像分類的訓練區(qū)選擇及結果驗證；另一方面，衛(wèi)星遙感覆蓋范圍遠大的優(yōu)點可實現(xiàn)低成本下大范圍作物倒伏調查。Worldview-2影像具有豐富的光譜、紋理信息，應用多種自動分類技術綜合利用光譜和紋理特征進行分類，有助于提高分類精度和效率[20]。因此要實現(xiàn)應用遙感影像在區(qū)域上進行快速的作物倒伏調查，未來有必要研究多種分類器提取作物地塊邊界的方法。

5　結　論

通過對發(fā)生玉米倒伏地區(qū)的Worldview-2影像進行預處理和大氣校正，獲取研究區(qū)的地物反射率，統(tǒng)計分析典型正常、倒伏玉米的反射率，發(fā)現(xiàn)玉米倒伏后，在400～1 040 nm波長范圍內8個波段的反射率均出現(xiàn)升高，其中紅邊、近紅外1和近紅外2等3個波段的上升數(shù)值超過0.1。通過對反射率數(shù)據(jù)進行濾波得到正常、倒伏玉米的均值紋理特征，統(tǒng)計結果顯示8個波段的紋理特征有差異，其中綠色、紅邊、近紅外1及近紅外2等4波段的均值紋理特征數(shù)值差距更明顯。對比使用不同波段數(shù)量、特征及分類方法的倒伏面積估算結果，發(fā)現(xiàn)基于最大似然分類法使用紅邊、近紅外1和近紅外2等3波段光譜反射率的倒伏面積估算方法最優(yōu)，其最小誤差為2.2%，最大誤差為8.9%，平均誤差為4.7%；使用Worldview-2多光譜影像可準確估算倒伏玉米面積。

[參考文獻]

[1] Sterling M， B aker C J， Berr y P M， et al. An experimental investigation of the lodging of wheat[J] . Agricultur al and Forest Meteorology， 2003， 119（3/4）: 149－165.

[2] Berry P M， St erling M， Baker C J， et al. A calibrated model of wheat lodging compared with field measurements[J] . Agricultural and Forest Meteoro logy， 2003， 119（3/4）: 167－180.

[3] Berry P M， Ster ling M， Spink J H， et al. Understanding and reducing lodging in cereals[J]. Advances in Agronomy， 2004，84（4）: 217－271.

[4] Baker C J， Sterling M， B erry P M. A gen eralised model of crop lodging[J]. Journal of Theoretical Biology， 2014， 363: 1－12.

[5] Setter T L， Laureles E V， Mazar edo A M. Lodging reduces yield of r ice b y s elf-shading and redu ctions in canopy photosynthesis[J]. Field Crops Research， 1997， 49（2/3）: 95－106.

[6] Berry P M， Spink J. Predicting yield losses caused by lodging in wheat[J]. Field Crops Research， 2012， 137（3）: 19－26.

[7] Zhang Jingcheng， Gu Xiaohe， Wang Jihua， et al. Evaluating maize gr ain qu ality by con tinuous wavelet an alysis under normal and lodging circumstances[J]. Sensor Letters， 2012，10（1/2）: 580－585.

[8] Lang Youzhong， Yang Xiaodong， Wang Meie， et al. Ef fects of lodging at different f illing stages on rice yield and grain quality[J]. Rice Science， 2012， 19（4）: 315－319.

[9] 劉戰(zhàn)東，肖俊夫，南紀琴，等. 倒伏對夏玉米葉面積、產量及其構成因素的影響[J]. 中國農學通報，2010，26（18）：107－110. Liu Zhandong， Xiao Junfu， Nan Jiqin， et al. Effect of different levels lodging on leaf area ind ex， yield and its components of summer maize[J] . Chinese Agricultural Science Bulletin， 2010， 26（18）: 107－110. （in Chinese with English abstract）

[10] 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[J]. 遙感學報，2005，9（3）：323－327. Liu Liangyun， Wang Jihua， So ng Xiaoyu， et al. Th e canopy spectral featur es and remote sensing of wheat lodging[J] . Journal of R emote Sensing， 2005， 9（3）: 32 3－327. （in Chinese with English abstract）

[11] Murakami T， Yui M， Amaha K. Canopy height measurement by photogrammetric analysis of aerial images: Application to buckwheat （Fagop yrum escu lentum Moench） lodging evaluation[J]. C omputers and Electronics in Agriculture，2012， 89（3）: 70－75.

[12] 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[J]. 農業(yè)工程學報，2014，30（19）：207－213. Li Zongn an， C hen Zhongxin， Wang Limin， et al. Ar ea extraction of maize lodging based on remote sensing by small unmanned aer ial vehicle[J] . Tr ansactions of t he Chines e Society of Agricultural Engineering （Transactions of the CSAE），2014， 30（19）: 207－213. （in Chinese with English abstract）

[13] 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. A study on the Lodge of Winter Wheat by Remote Sensing Monito r[D]. Jinan: Sh andong Normal University，2011. （in Chinese with English abstract）

[14] Yang Hao， Chen Erxue， Li Zengyuan， et al. W heat lodging monitoring usin g polar imetric index from RA DARSAT-2 data[J]. International Journal of Applied Earth Observation and Geoinformation， 2015， 34（1）: 157－166.

[15] 王利民，劉佳，楊玲波，等. 基于無人機影像的農情遙感監(jiān)測應用[J]. 農業(yè)工程學報，2013，29（18）：136－145. Wang Limin， Liu Jia， Yang Lingbo， et al. Applications of unmanned aer ial veh icle images on agri cultural r emote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2013，29（18）: 136－145. （in Chinese with English abstract）

[16] Haralick R M， Shanmugam K， Dinstein I. Textural features for im age classification[J]. IEE E Transactions on S ystems，Man， and Cybernetics， 1973， 3（6）: 610－621.

[17] Richards J. Jia Xiuping. Remote Sensing Di gital Im age Analysis [M]. 4th ed. Berlin: Springer， 2006: 194－199

[18] Pu Ruiliang， Landry S. A co mparative analysis of h igh spatial resolution IKONOS a nd WorldView-2 imagery for mapping urban tree species[ J]. Remote Sensing of Environment， 2012， 124（9）: 516－533.

[19] Upadhyay P， Kumar A， Roy P S， et al. Effect on specific crop mapping using W orldView-2 multispectral ad d-on bands: Soft classification approach[J] . Journal of Ap plied Remote Sensing， 2012， 6（1）: 1－13.

·農業(yè)裝備工程與機械化·

[20] Huang Xin， Zhang Liangpei. A multiscale urban complexity index based on 3D wavelet tr ansform for spectr al-spatial feature extraction and c lassification: An evaluation on th e 8-channel WorldView-2 imag ery[J]. International Journal of Remote Sensing， 2012， 33（8）: 2641－2656.

Estimation of maize lodging area based on Worldview-2 image

Li Zongnan1, Chen Zhongxin2※, Ren Guoye1, Li Zhangcheng1, Wang Xin1
（1. Institute of Remote Sensing Applicɑtion， Sichuɑn Acɑdemy of Agriculturɑl Sciences， Chengdu 610066， Chinɑ;
2. Institute of Agriculturɑl Resources ɑnd Regionɑl Plɑnning， Chinese Acɑdemy of Agriculturɑl Sciences， Beijing 100081， Chinɑ）

Abstract:Lodging of cereal crops due to strong wind and rain is a common agricultural disaster in many regions of the world，leading to crop growth retardation and yield reduction. Area of crop lodging is very critical for agricultural hazard assessment and ag ricultural in surance clai m. A su rvey m ethod of l odging using high resolution remote sen sing d ata acq uired fro m unmanned aerial vehicle or satellite is fast an d efficient. Worldview-2 multi-spectral image has a 1.8 m spatial resolution in 8 bands （from 400 to 1040 nm）， which is a type of useful remote sensing data of agricultural information in many aspects， but there are few researches about lodging survey. Therefore， a maize lodging survey using Worldview-2 image was discussed in this paper， which was aimed to find an optimum method for estimating the lodging area of maize. In 2012， a Worldview-2 image with the swath of 5 km × 5 km was acquired on September 14thafter a lodging event occurred on September 12thin Wanzhuang Agricultural Park of Chinese Academy of Agricultural Sciences， and the precise area of lodging at 3 fields was measured using the photogrammetry of unmanned aerial vehicle. In this paper， the features of spectrum and texture were analyzed for finding out the optimum features and bands in classification. Firstly， typical pixels of normal maize （285 pixels）and lodging maize （284 pixels） were sampled. Spectrum was acquired from multi-spectral image after ortho-rectification and atmospheric correction. Mean texture feature was acquired from reflectance data by applying co-occurrence based filter. The spectral curves showed that there was a significant difference between normal maize and lodging maize. The reflectance of maize increased after lodging， and the values of the 3 bands including red edge， infrared 1 and infrared 2 were greater than 0.1. The change of canopy structure might be the main reason of this phenomenon. Comparing texture feature of lodging maize to normal maize， the values of the 8 bands between the 2 kinds of maize were different， and especially the band of green， red edge， infrared 1 and infrared 2. According to the feature analysis， red edge， infrared 1 and infrared 2 were chosen as t he optimum bands for classification in this study. Then， 8 classification methods were carried out by using different features，bands and algorithms of classification. The type of features included spectrum and texture， the bands used for classifying were respectively 3 optimum bands and all 8 bands， and the algorithms of classification were respectively based on Mahalanobis distance and the maximum likelihood. Finally， an optimum method was chosen according to the error. The estimation results of 8 methods showed that， the errors of those methods that used 3 optimum bands were lower than those using 8 bands， and when using the 3 optimal bands， the errors of those methods based on the algorithm of the maximum likelihood were lower than those based on the algorithm of Mahalanobis distance. According to the performance of 8 methods， the method that used reflectance of red edge， infrared 1 and infrared 2 based on the maximum likelihood was the best one， for which the minimum error was 2.2%， the maximum error was 8.9%， and the average of error was 4.7%. According to this study， using Worldview-2 multi-spectral image can e stimate the area of lodging maize accurately based on remote sensing data of unm anned aerial vehicle.

Keywords:remote sensing; image processing; spectrum analysis; multi-spectrum; lodging area; maize

通信作者：※陳仲新，男，河北唐山人，研究員，主要從事GIS及農業(yè)遙感應用、信息農業(yè)和數(shù)字農業(yè)、農業(yè)生態(tài)等方面研究。北京農業(yè)部農業(yè)信息技術重點實驗室，100081。Email：zxchen@mail.caas.net.cn

作者簡介：李宗南，男，廣西武鳴人，博士，主要從事作物生長遙感監(jiān)測、產量估算、農業(yè)災害遙感調查等方面研究。成都四川省農業(yè)科學院遙感應用研究所，610066。Email：lizongnan@aliyun.com

基金項目：農業(yè)部“948”計劃項目（2011-G6）；國家自然科學基金面上項目（41371396）；高分遙感農業(yè)應用項目

收稿日期：2015-04-22

修訂日期：2015-12-03

中圖分類號：S127；TP79

文獻標志碼：A

文章編號：1002-6819（2016）-02-0001-05

doi：10.11975/j.issn.1002-6819.2016.02.001