基于多時相HJ-1B CCD影像的玉米倒伏災(zāi)情遙感監(jiān)測

王立志，顧曉鶴，胡圣武，楊貴軍，王 磊，范友波，王艷杰

?

基于多時相HJ-1B CCD影像的玉米倒伏災(zāi)情遙感監(jiān)測

王立志1,2,3,4，顧曉鶴2,3,4，胡圣武1，楊貴軍2,3,4，王 磊1,2,3,4，范友波1,2,3,4，王艷杰1,2,3,4

（1河南理工大學測繪與國土信息工程學院，河南焦作454000；2國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京100097；3農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室，北京100097；4北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京100097）

【目的】通過對倒伏發(fā)生前后的多時相HJ-1B衛(wèi)星CCD多光譜影像植被指數(shù)的變化分析，實現(xiàn)區(qū)域尺度下的玉米倒伏受災(zāi)范圍監(jiān)測和災(zāi)情評估?！痉椒ā恳?015年8月3日因大風暴雨導(dǎo)致大面積玉米倒伏的河北省藁城市為研究區(qū)，提取HJ-1B CCD多光譜影像的多種植被指數(shù)，根據(jù)多時相植被指數(shù)變化量與實測倒伏樣本的關(guān)聯(lián)分析，篩選玉米倒伏敏感植被指數(shù)，采用正態(tài)(偏正態(tài))統(tǒng)計理論的雙閾值劃分策略劃定閾值，構(gòu)建基于植被指數(shù)變化分析的玉米倒伏災(zāi)情遙感監(jiān)測模型，評價玉米倒伏災(zāi)情嚴重程度，并基于野外實測樣本進行精度評價?！窘Y(jié)果】基于城鎮(zhèn)、水體、倒伏與未倒伏玉米的HJ-1B CCD2多光譜反射率曲線可得，玉米與城鎮(zhèn)建筑物和水體的光譜反射率存在較大差異，在可見光波段，倒伏玉米要高于未倒伏玉米的反射率，然而在近紅外波段（830 nm），未倒伏玉米略高于倒伏玉米的反射率。由已提取出玉米種植區(qū)域后的前后兩期HJ星的差值影像分析可得其像元整體分布趨勢基本符合正態(tài)(偏正態(tài))分布。由相關(guān)性分析可得，倒伏前后的比值植被指數(shù)(RVI)差值與玉米倒伏比例具有最高的相關(guān)性(=0.9377)，而且倒伏越嚴重，其RVI差值越大；通過野外實測樣本與模型驗證結(jié)果進行混淆矩陣分析，總體分類精度達到85.7%，Kappa系數(shù)為0.804；研究區(qū)玉米倒伏遙感空間制圖結(jié)果與當?shù)剞r(nóng)業(yè)技術(shù)推廣站監(jiān)測結(jié)果基本一致?！窘Y(jié)論】倒伏發(fā)生后，其玉米長勢以及災(zāi)后恢復(fù)程度均存在較大差異，因此，基于玉米倒伏前后RVI差值的遙感監(jiān)測模型能有效反映不同倒伏程度的冠層群體變化信息以及長勢恢復(fù)情況，能在區(qū)域尺度下實現(xiàn)玉米倒伏受災(zāi)范圍監(jiān)測和災(zāi)情等級評估。

玉米；倒伏；植被指數(shù)；變化分析；多時相；監(jiān)測

0 引言

【研究意義】據(jù)國家統(tǒng)計局統(tǒng)計數(shù)據(jù)表明，玉米自2012年起成為中國的第一大糧食作物，玉米倒伏是由外界因素引發(fā)的玉米莖稈從自然直立狀態(tài)到永久錯位的作物受災(zāi)現(xiàn)象，是玉米生產(chǎn)過程中普遍存在的問題之一[1]。玉米倒伏是由品種特性、栽培技術(shù)以及土壤、氣候等內(nèi)外因素綜合作用的結(jié)果[2]。隨著農(nóng)業(yè)生產(chǎn)技術(shù)的發(fā)展和田間管理的改善，玉米倒伏由于其本身的不可控性和難處理性已逐漸成為影響玉米高產(chǎn)、穩(wěn)產(chǎn)的主要限制因素之一[3]。據(jù)統(tǒng)計，由于倒伏導(dǎo)致玉米減產(chǎn)一般可達15%—30%，嚴重區(qū)域甚至達到50%或者絕收[4-7]。玉米倒伏多發(fā)生在抽雄期至灌漿期，由于此時處于大風暴雨時節(jié)，加上玉米生長旺盛、現(xiàn)代農(nóng)民過分追求產(chǎn)量而形成的稠密種植和品種等原因，易造成玉米莖稈細、長，纖維素和木質(zhì)素較少等，而這些都極易導(dǎo)致玉米在大風暴雨的環(huán)境下發(fā)生倒伏，嚴重影響玉米籽粒產(chǎn)量、品質(zhì)和機械收獲能力[8]。此外，近年來中國農(nóng)業(yè)保險發(fā)展迅速，日益受到農(nóng)業(yè)管理部門、種植戶和保險企業(yè)的高度重視，推廣玉米種植保險的關(guān)鍵在于客觀、快速、準確地預(yù)測玉米在不同受災(zāi)強度下的減產(chǎn)率，有助于及時開展保險理賠和救災(zāi)補償，最大限度地減少種植戶受災(zāi)損失。因此，及時、客觀、快速和定量地監(jiān)測玉米的倒伏發(fā)生范圍和受災(zāi)程度，定量評估倒伏對玉米產(chǎn)量可能造成的損失，可以為農(nóng)藝救災(zāi)技術(shù)扶持、救災(zāi)物資優(yōu)化配置以及農(nóng)業(yè)保險快速理賠提供可靠的信息支撐。【前人研究進展】隨著遙感技術(shù)的發(fā)展，其本身所具有的快速、經(jīng)濟、客觀、區(qū)域性等優(yōu)點也為作物倒伏監(jiān)測、災(zāi)情評估方面提供了重要支撐[9-11]。目前國內(nèi)外不少學者在作物倒伏遙感監(jiān)測方面進行了探索性研究。劉良云等[12]研究發(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，并通過陸地資源衛(wèi)星LandSat ETM數(shù)據(jù)建立歸一化植被指數(shù)(normalized difference vegetation index，NDVI)與倒伏角度的模型來實現(xiàn)小麥倒伏的遙感監(jiān)測。由于玉米生長狀態(tài)受品種、播種時間、播種密度、水肥管理等因素影響較大，其個體和群體的差異一般都要高于小麥、水稻、蕎麥等作物，因此，此方法應(yīng)用于玉米倒伏的遙感監(jiān)測仍有待考究。楊浩[13]、Yang[14]等先后利用Radarsat-2全極化影像數(shù)據(jù)，提出了利用雷達極化指數(shù)監(jiān)測小麥倒伏的方法。但雷達數(shù)據(jù)成像周期較長，成本較高，限制了其在作物倒伏監(jiān)測方面大面積推廣。李宗南等[15-16]先后使用了無人機和Wordview影像進行了小尺度玉米倒伏面積提取。ZHANG等[17]利用地面ASD高光譜數(shù)據(jù)和小波變換評估了倒伏對玉米品質(zhì)的影響。Martinez-Vazquez等[18]從植株力學特性、土壤特性和風等與倒伏密切相關(guān)的參數(shù)出發(fā)，模擬小麥倒伏的各種參數(shù)。Berry等[19]通過設(shè)置不同的倒伏角度對小麥倒伏產(chǎn)量損失數(shù)學模型進行了推算和驗證。王猛等[20]驗證了倒伏玉米相較于正常玉米的冠層光譜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。席吉龍等[21]通過模擬灌漿期玉米不同倒伏程度驗證了葉綠素熒光指數(shù)（Fv/Fm）和產(chǎn)量隨著倒伏程度的加大而降低?！颈狙芯壳腥朦c】以上這些研究雖然大多集中在小麥上，但也為玉米倒伏的遙感監(jiān)測提供了方法上的借鑒。由于玉米發(fā)生倒伏后，冠層群體結(jié)構(gòu)產(chǎn)生較大變化，探測視場中的莖葉比及植株組分受光條件的變化直接反映于冠層光譜反射率的變化差異。與此同時，其倒伏前后的長勢參量也會發(fā)生較大變化，因此，可通過倒伏前后的多時相遙感影像進行長勢變化信息監(jiān)測，進而實現(xiàn)倒伏玉米的識別和災(zāi)情嚴重程度評估。【擬解決的關(guān)鍵問題】利用中分辨率環(huán)境減災(zāi)小衛(wèi)星HJ-1BCCD多光譜影像(charge-coupled device)提取多種植被指數(shù)，分析倒伏前后的不同倒伏樣本的植被指數(shù)變化情況，采用相關(guān)性分析法篩選最佳倒伏指示性植被指數(shù)，構(gòu)建玉米倒伏災(zāi)情遙感監(jiān)測模型，基于正態(tài)（偏正態(tài)）統(tǒng)計理論的雙閾值劃分策略，結(jié)合實地調(diào)查的玉米倒伏災(zāi)情劃分倒伏等級，實現(xiàn)區(qū)域尺度的玉米倒伏受災(zāi)范圍和災(zāi)情等級遙感制圖，為災(zāi)情評估和災(zāi)后補救提供技術(shù)上的支撐。

1 材料與方法

1.1 試驗區(qū)域

本研究于2015年8月在藁城市范圍內(nèi)隨機調(diào)查進行。藁城市位于河北省石家莊市中東部，地處太行山東麓平原，轄區(qū)總面積836 km2，其中耕地約549 km2，是典型的農(nóng)業(yè)耕作區(qū)。地理坐標為北緯37°51′18″—38°18′44″，東經(jīng)114°38′45″—114°58′47″。藁城氣候?qū)倥瘻貛О霛駶櫞箨懶约撅L氣候。由于地處平原，地勢、地貌對氣候影響不大，氣候因素分布比較均勻，表現(xiàn)為冬冷夏熱的氣候特點。全境四季分明，春季干燥多風，夏季炎熱多雨，秋季氣溫涼爽，冬季寒冷、雨雪稀少。藁城市夏季糧食作物主要為玉米，同時也是河北省玉米的主產(chǎn)區(qū)。

1.2 數(shù)據(jù)獲取

2015年8月3日藁城市出現(xiàn)了季節(jié)性暴風雨，導(dǎo)致研究區(qū)內(nèi)發(fā)生了大面積玉米倒伏。本文選取兩期HJ-1B CCD2影像作為本次玉米倒伏遙感監(jiān)測的主要數(shù)據(jù)源，其參數(shù)如表1，時相分別為7月25日(倒伏前，抽雄期）和8月10日（倒伏后，吐絲期），且由影像中心經(jīng)緯度和研究區(qū)經(jīng)緯度計算得到試驗區(qū)的觀測角度約為83°，近似星下點垂直監(jiān)測，影像質(zhì)量良好，無云遮蓋。據(jù)當?shù)剞r(nóng)技推廣人員分析，玉米此時處于抽雄期至吐絲期，生理生長仍在繼續(xù)，各種生理指標(如葉面積指數(shù)、生物量、株高等)還在上升，而玉米遭受倒伏脅迫后群體結(jié)構(gòu)受到較大破壞，雖然玉米自我修復(fù)能力較強，但倒伏與未倒伏之間的玉米群體仍會存在結(jié)構(gòu)和生理指標上的巨大差異，即倒伏與未倒伏之間以及不同倒伏脅迫程度之間的玉米群體會在倒伏前后的長勢上存在不同的變化差異，因此，倒伏前后的玉米長勢變化差異可用來監(jiān)測玉米倒伏發(fā)生范圍及其災(zāi)情等級。于8月5日（倒伏后第2天）聯(lián)合藁城市農(nóng)技推廣中心開展野外調(diào)查，在全區(qū)范圍內(nèi)隨機選擇大面積玉米地塊進行實地觀測，由于HJ-1B CCD2傳感器空間分辨率為30 m以及盡量避免混合像元造成的像元誤差，樣本地塊面積不小于33.35 km2，并在樣本地塊中心位置使用差分GPS記錄樣本地塊的空間坐標，并通過對角線取樣法記錄中心位置30 m×30 m內(nèi)的倒伏比例，用于表征倒伏災(zāi)情嚴重程度。其中包括未倒伏地塊和倒伏地塊，共計47個野外觀測樣本（其中有一個觀測樣本在玉米種植區(qū)域提取完成后驗證精度時，被誤分類非玉米區(qū)域，故只有46個野外觀測樣本），隨機選取其中的30個野外實測樣本為建模樣本，剩余16個為檢驗樣本（建模和檢驗樣本內(nèi)均包含倒伏和未倒伏地塊）。

表1 HJ-1B CCD2影像主要參數(shù)

1.3 數(shù)據(jù)處理與玉米種植區(qū)提取方法

兩幅HJ-1B CCD2影像處理流程如下：1）輻射定標和波段疊加：利用定標公式中的絕對定標增益系數(shù)和偏移量將原始多光譜圖像4個波段的DN值(digital number)依次轉(zhuǎn)換為輻亮度，并通過ENVI5.1中的Layer Stacking將定標過的4個波段疊加為一個多波段光譜影像；2）大氣校正：采用ENVI5.1中自帶的FLAASH模塊進行大氣校正（由于兩期影像時間較近，且查詢當天天氣可知兩天天氣狀況均為晴朗無云天氣，影像質(zhì)量較高，故采用統(tǒng)一大氣參數(shù)進行大氣校正），消除大氣對地物反射率的影響，得到地表地物的真實反射率值；3）幾何精校正：兩期HJ星影像均以已知地理信息的TM影像為基準圖，使用ENVI5.1中的Image Registration Workflow模塊采用3次卷積內(nèi)插法自動選取控制點50個，并輔用人工修正的方式，對影像進行幾何精校正，確保糾正誤差小于0.5個像元。

玉米種植區(qū)提取：由于藁城市地處平原，玉米種植集中且單一，同期混淆作物較少，玉米遙感識別較為簡單，在野外樣本的支持下，采用最大似然監(jiān)督分類法對7月25日HJ-1B CCD2影像進行玉米提取，分類精度為97.8%，分類效果較好，滿足本文后續(xù)研究要求。并使用Arcgis軟件做出樣圖如下，藁城市7月25日HJ-1B CCD2遙感影像（a）和玉米種植空間分布圖（b）見圖1，其中a圖由綠光、近紅外、紅光波段依次組合而成。

1.4 分析方法

1.4.1 數(shù)理統(tǒng)計方法 對于所獲取的玉米倒伏數(shù)據(jù)首先采用數(shù)理統(tǒng)計方法進行數(shù)據(jù)預(yù)處理，主要包括利用Excel 2013進行數(shù)據(jù)整理和圖表制作，運用SPSS 19.0統(tǒng)計分析軟件的 Bivariate Correlation（Pearson）模塊進行相關(guān)性分析和General Linear Model模塊進行方差分析與顯著性P值計算等。

圖1 7月25日HJ-1B CCD2影像與玉米種植空間分布圖

1.4.2 閾值劃分方法 采用正態(tài)(偏正態(tài))統(tǒng)計理論的雙閾值劃分策略，提出一種基于倒伏前后比值植被指數(shù)變化量的玉米倒伏災(zāi)情等級監(jiān)測方法。首先提取用于建模的野外樣本點的倒伏比例和DRVI，并計算出倒伏與未倒伏玉米各自的均值、最大值、最小值、標準差等，依據(jù)野外實測樣本倒伏比例和DRVI的關(guān)聯(lián)分析，選取未倒伏的最大DRVI值作為劃分倒伏與未倒伏玉米的一級閾值Y1。針對倒伏區(qū)域，計算倒伏樣本地塊DRVI的均值μ和標準差σ，并劃分為[Y1，μ?σ]、[μ?σ，μ]、[μ，μ+σ]、[μ+σ，Max] 4個區(qū)間，其中Max為DRVI影像里的最大值，這里的μ?σ、μ、μ＋σ稱為二級閾值Y2，并將這4個區(qū)間依次對應(yīng)于未倒伏、輕度倒伏、中度倒伏、重度倒伏4個倒伏等級，最后將二級閾值劃分的未倒伏與一級閾值劃分的未倒伏按照統(tǒng)計學的包含關(guān)系統(tǒng)一歸為未倒伏,技術(shù)流程圖如圖2所示。

圖2 玉米倒伏受災(zāi)程度遙感監(jiān)測流程圖

2 結(jié)果

2.1 光譜分析

圖3是對預(yù)處理之后的8月10號（倒伏后）HJ-1B CCD2多光譜影像經(jīng)過導(dǎo)入地面GPS點（倒伏和未倒伏玉米采樣點）和提取多個影像中可以明顯標識的城鎮(zhèn)點和水體點，然后在Excel中對每類地物的光譜曲線進行均值化處理并作圖。其中城鎮(zhèn)建筑物與水體的光譜反射率曲線與玉米的多光譜反射率曲線差異較大，同時也是1.3中的玉米分類精度較高的緣由。針對倒伏和未倒伏玉米，其在可見光波段范圍，倒伏玉米要高于未倒伏玉米的反射率。然而在近紅外波段（830 nm），未倒伏玉米略高于倒伏玉米的反射率，主要原因在于玉米倒伏后莖對冠層光譜的貢獻比增大，導(dǎo)致倒伏玉米與未倒伏玉米分別在近紅外和可見光波段分別出現(xiàn)差異。因此可通過光譜波段組合（即植被指數(shù)）進行倒伏程度劃分，考慮到植被指數(shù)的滯后性，可以通過倒伏前后的植被指數(shù)差值來盡量削弱滯后性對倒伏監(jiān)測的影響[22]。

圖3 地物的光譜反射率曲線

2.2 植被指數(shù)篩選

通過借鑒前人研究和相關(guān)農(nóng)學知識，本文選取了6種植被指數(shù)，分別為：歸一化植被指數(shù)(normalized difference vegetation index，NDVI）、結(jié)構(gòu)不敏感色素指數(shù)（structure insensitive pigment index，SIPI）、增強植被指數(shù)（enhanced vegetation index，EVI）、比值植被指數(shù)（ratio vegetation index，RVI）、大氣阻抗植被指數(shù)（atmospherically resistant vegetation index，ARVI）、垂直植被指數(shù)（perpendicular vegetation index，PVI），其具體計算公式如表2。

為了解析植被指數(shù)變化情況與倒伏災(zāi)情程度的響應(yīng)機理，對HJ-1B CCD2影像進行波段運算得到6種植被指數(shù)，采用掩膜處理提取出玉米種植區(qū)域內(nèi)的植被指數(shù)；計算并分析倒伏前后的玉米地塊的植被指數(shù)變化量（DVIi，定義為倒伏前玉米植被指數(shù)減去倒伏后玉米植被指數(shù)所得到的差值）；提取建模野外樣本的DVIi與其實測玉米倒伏比例進行相關(guān)性分析，計算相關(guān)系數(shù)R，如表3所示。

表2 植被指數(shù)計算公式

R為近紅外反射率，R為紅光反射率，R為藍光反射率，為土壤線的截距，為土壤線與X軸夾角

Ras near-infrared reflectance,Ras red reflectance,Ras blue reflectance,as intercept of the soil line,as the angle between soil line andaxis

表3 植被指數(shù)差值與倒伏比例的相關(guān)性

**為0.01水平下的極顯著相關(guān)，*為0.05水平下的顯著相關(guān)

** as highly significant correlation of 0.01 level, * as significant correlation of 0.05 level

由表3可知，比值植被指數(shù)(RVI)變化量與玉米倒伏比例的相關(guān)性最佳，相關(guān)系數(shù)可達0.9377，說明DRVI具有較好的玉米倒伏受災(zāi)程度表征能力；DEVI、DSIPI、DPVI與倒伏比例的相關(guān)性均較低，表明這3種植被指數(shù)無法準確反演玉米倒伏群體結(jié)構(gòu)的變化情況，主要由于3種植被指數(shù)其自身的波段組合造成的，加上此時玉米處于營養(yǎng)生長旺盛期，自我恢復(fù)能力較強，所以導(dǎo)致這3種植被指數(shù)變化量無法有效區(qū)分不同狀態(tài)的玉米；ARVI是大氣抗阻植被指數(shù)，通過加入藍光，重新組合藍、紅、近紅外3種波段來消除大氣（如氣溶膠、霧霾等）的散射、透射，減弱土壤背景的影響，但由于此時的玉米生長旺盛、覆蓋度很高，土壤背景對于植被的光譜反射率的影響較小，從而表現(xiàn)為表3中與實測倒伏比例相關(guān)性不是很高（= 0.7652）；DNDVI、DRVI的相關(guān)性均很高，相關(guān)系數(shù)分別達到了0.8917和0.9377，這是由于兩個植被指數(shù)均是紅、近紅外波段的組合，能較好地反映植被覆蓋度和作物生長狀況的差異，但當作物生物量較高即高植被區(qū)域時，NDVI植被指數(shù)易受飽和問題限制[29]，因此，RVI更適用于植被生長旺盛、具有高覆蓋度的植被遙感監(jiān)測。究其原因在于NDVI是用非線性拉伸的方式增強了近紅外（NIR）和紅光（R）反射率的對比度，而RVI是通過建立比值模型直接擴大了NIR和R的反射率的對比度，因此當?shù)孛鏋楦咧脖粎^(qū)域時，RVI的相對增加速度要高于NDVI的相對增加速度，即RVI對高植被區(qū)的靈敏度要優(yōu)于NDVI，因此，本文中的DRVI與玉米倒伏比例的相關(guān)性要高于DNDVI與玉米倒伏比例的相關(guān)性。綜上所述，本文選取RVI作為玉米倒伏遙感監(jiān)測的敏感植被指數(shù)。

2.3 玉米倒伏災(zāi)情監(jiān)測模型構(gòu)建

針對實地倒伏區(qū)域，借鑒田寶明等[30]的倒伏等級劃分，本文將玉米實測倒伏比例劃為4種倒伏分級。將倒伏比例為91%—100%的玉米劃分為重度倒伏；倒伏比例為61%—90%的玉米劃分為中度倒伏；倒伏比例為21%—60%的玉米劃分為輕度倒伏；倒伏比例為0—20%的玉米劃分為未倒伏，這是由于玉米恢復(fù)能力較強，有輕微倒伏現(xiàn)象的玉米可以在短時間內(nèi)得到快速自我恢復(fù)。經(jīng)實地調(diào)查發(fā)現(xiàn)，研究區(qū)內(nèi)發(fā)生倒伏面積較大，不同倒伏狀態(tài)均存在，并由圖4分析可知倒伏比例越大，其DRVI值越大。提取用于建模的野外樣本點的倒伏比例和DRVI，并計算出倒伏與未倒伏玉米各自的均值、最大值、最小值、標準差等，統(tǒng)計數(shù)據(jù)見表4。對已提取出玉米種植區(qū)域后的前后兩期HJ星的差值影像在ENVI 5.3中進行統(tǒng)計分析，分析結(jié)果見圖5，且由圖5分析可知其像元整體分布趨勢基本符合正態(tài)（偏正態(tài)）分布。因此，本文采用1.4.2的閾值劃分方法，基于正態(tài)（偏正態(tài)）統(tǒng)計理論的雙閾值劃分策略，實現(xiàn)對玉米倒伏災(zāi)情模型的構(gòu)建。

2.4 玉米倒伏災(zāi)情遙感監(jiān)測結(jié)果

根據(jù)玉米倒伏災(zāi)情遙感監(jiān)測方法對DRVI影像進行藁城市的玉米倒伏分級，其遙感監(jiān)測分級圖為圖6。通過正態(tài)（偏正態(tài)）統(tǒng)計理論劃分的倒伏分級可以清晰地反映出玉米在整個藁城的受災(zāi)空間整體分布趨勢是藁城中部偏西和西南部倒伏最嚴重，藁城東南部和藁城最北部倒伏較輕，藁城中部偏北和東部基本未倒伏，該空間分布監(jiān)測結(jié)果與當?shù)剞r(nóng)技推廣部門掌握的災(zāi)情信息基本一致。因此可以根據(jù)倒伏分級進行災(zāi)情評估或早期災(zāi)后扶苗，以減少倒伏對玉米產(chǎn)量的損失。

2.5 精度評價

為較真實、客觀地實現(xiàn)模型精度的評價，本文采用混淆矩陣的方法進行精度評價。即選取未參與建模的16個野外實測樣本點，將其實測倒伏等級與對應(yīng)GPS位置的倒伏遙感監(jiān)測等級匯總制成一個混淆矩陣，按照計算公式分別計算其總體分類精度和Kappa系數(shù)。為增強精度評價的可靠性，增加試驗次數(shù)至50次，每次均采用放回隨機抽樣，每次均計算其總體分類精度和Kappa系數(shù)，最后選取50次總體分類精度和Kappa系數(shù)的均值作為最終的精度評價指標。經(jīng)計算得到得其總體分類精度P為85.7%，Kappa系數(shù)為0.804，兩種精度驗證結(jié)果均表明本文的倒伏遙感監(jiān)測模型精度較高，可以實現(xiàn)對區(qū)域內(nèi)不同倒伏狀態(tài)空間分布的遙感監(jiān)測。

表4 野外采樣點統(tǒng)計屬性表

倒伏比例0%為未倒伏，倒伏比例100%為完全倒伏，倒伏比例越大，表示倒伏越嚴重，DRVI定義為倒伏前RVI值減去倒伏后RVI值

圖5 DRVI影像像元統(tǒng)計圖

圖6 藁城市玉米倒伏災(zāi)情等級遙感監(jiān)測圖

3 討論

玉米發(fā)生倒伏后，受倒伏脅迫的影響，不同倒伏程度的玉米在后期的自我恢復(fù)中所需要的時間以及恢復(fù)程度均有較大差異，主要表現(xiàn)在倒伏后玉米的不同長勢上，而且倒伏災(zāi)情越嚴重，其對后期長勢回復(fù)的干擾就越大[31]，所以可以通過能夠表征作物長勢的植被指數(shù)差值來反演玉米倒伏的受災(zāi)程度[14]。本文選取倒伏發(fā)生前后的兩幅環(huán)境減災(zāi)小衛(wèi)星多光譜影像，提取多種植被指數(shù)并進行差值運算，通過相關(guān)性分析篩選敏感性最高的植被指數(shù)差值，基于正態(tài)（偏正態(tài)）統(tǒng)計理論的雙閾值劃分策略進行閾值劃定，構(gòu)建基于植被指數(shù)變化分析的玉米倒伏災(zāi)情遙感監(jiān)測模型，最終實現(xiàn)藁城市玉米倒伏的遙感監(jiān)測。

此次關(guān)于玉米倒伏的研究僅僅只是玉米生長周期內(nèi)的一個生育期——抽雄期，并不能完全推廣整個生育周期內(nèi)的玉米倒伏研究。由于灌漿期玉米穗粒開始灌漿，營養(yǎng)生長基本停止，加上處于夏季暴風雨的多發(fā)時節(jié)，所以灌漿期也是玉米極易發(fā)生倒伏的生育期[21,32]，并且在相同外部條件下玉米發(fā)生倒伏的概率以及倒伏后玉米的恢復(fù)能力都有了很大的改變[33]，為基于長勢變化的玉米倒伏遙感監(jiān)測方法增添了許多不確定性。

通過相關(guān)性分析提取的DRVI和雙閾值劃分方法，可以定量地反演玉米不同倒伏程度的空間分布情況，但是由于不同生育期的玉米在生長狀態(tài)、群體生理指標以及環(huán)境參數(shù)都存在一定的差異[4]，所以僅僅以抽雄期的玉米進行倒伏遙感監(jiān)測方面的研究，并不能完全的推廣到整個玉米生育期的倒伏遙感監(jiān)測。在今后的研究工作中，可以加入對玉米多個生育期倒伏的遙感監(jiān)測的研究，以求找到一個最適宜的綜合指標和精度更高的閾值選擇方法進行整個玉米生育期的遙感監(jiān)測，以便后期進行災(zāi)情評估、災(zāi)后補救和產(chǎn)量減損評估。

4 結(jié)論

4.1 通過對倒伏前后植被指數(shù)變化量與倒伏比例的相關(guān)性分析發(fā)現(xiàn)，比值植被指數(shù)差值相關(guān)性最高，達到0.9377，可作為定量反演玉米倒伏遙感監(jiān)測的最佳植被指數(shù)。

4.2 玉米發(fā)生倒伏后，比值植被指數(shù)差值隨著倒伏程度的增加而增大。表明倒伏越嚴重，玉米的長勢就越差，從而導(dǎo)致倒伏后比值植被指數(shù)變小，比值植被指數(shù)差值變大。并且對其差值影像統(tǒng)計分析發(fā)現(xiàn)其大體分布上符合正態(tài)（偏正態(tài)）分布。

4.3 通過提取多種植被指數(shù)，可采用基于正態(tài)（偏正態(tài)）統(tǒng)計理論的雙閾值劃定策略，構(gòu)建基于倒伏前后植被指數(shù)變化分析的玉米倒伏災(zāi)情遙感監(jiān)測模型，實現(xiàn)玉米倒伏受災(zāi)范圍以及災(zāi)情等級空間分布制圖。

4.4 通過構(gòu)建混淆矩陣，選擇總體分類精度和Kappa系數(shù)兩個指標進行精度驗證，總體分類精度為85.7%，Kappa系數(shù)為0.804，表明本研究的倒伏遙感監(jiān)測模型精度較高。

References：

[1] 豐光, 黃長玲, 邢錦豐. 玉米抗倒伏的研究進展. 作物雜志, 2008(4): 12-14.

Feng G, Huang C L, Xing J F. The research progress in lodging resistance of maize., 2008(4): 12-14.(in Chinese)

[2] 楊揚, 楊建宇, 李紹明, 張曉東, 朱德海, 劉哲, 米春橋, 肖開能. 玉米倒伏脅迫影響因子的空間回歸分析. 農(nóng)業(yè)工程學報, 2011, 27(6): 244-249.

Yang Y, Yang J Y, Li S M, ZHANG X D, ZHU D H, LIU Z, MI C Q, XIAO K N. Spatial regression analysis on influence factors of maize lodging stress., 2011, 27(6): 244-249. (in Chinese)

[3] 田保明, 楊光圣, 曹剛強, 舒海燕. 農(nóng)作物倒伏及其影響因素分析. 中國農(nóng)學通報, 2006, 22(4): 163-167.

TIAN B M, YANG G S, CAO G Q, SHU H Y. The performent of lodging and root cause analysis for lodging resistance in crops., 2006, 22(4): 163-167. (in Chinese)

[4] 王恒亮, 吳仁海, 朱昆, 張永超, 張玉聚, 孫建偉. 玉米倒伏成因與控制措施研究進展. 河南農(nóng)業(yè)科學, 2011, 40(10): 1-5.

Wang H L, Wu R H, Zhu K, ZHANG Y C, ZHANG Y J, SUN J W. Reviews of causes and control of maize lodging., 2011, 40(10): 1-5. (in Chinese)

[5] 陳碧梅, 勞賞業(yè). 玉米倒伏類型及抗倒伏措施. 農(nóng)業(yè)災(zāi)害研究, 2015, 5(4): 5-6.

CHEN B M, LAO S Y. Lodging types and lodging resistant measures of corn., 2015, 5(4): 5-6. (in Chinese)

[6] 程富麗, 杜雄, 劉夢星, 靳小利, 崔彥宏. 玉米倒伏及其對產(chǎn)量的影響. 玉米科學, 2011, 19(1): 105-108.

CHENG F L, DU X, LIU M X, JIN X L, CUI Y H. Lodging of summer maize and the effects on grain yield., 2011, 19(1): 105-108. (in Chinese)

[7] 李樹巖, 王宇翔, 胡程達, 閆瑛. 抽雄期前后大風倒伏對夏玉米生長及產(chǎn)量的影響. 應(yīng)用生態(tài)學報, 2015, 26(8): 2405-2413.

LI S Y, WANG Y X, HU C D, YAN Y. Effects of strong wind lodging at pre-and post-tasseling stages on growth and yield of summer maize., 2015, 26(8): 2405-2413. (in Chinese)

[8] 王梅菊. 夏玉米倒伏的原因與對策. 中國種業(yè), 2012(10): 47-48.

WANG M J. The reasons and countermeasures of summer maize lodging., 2012(10): 47-48. (in Chinese)

[9] 史舟, 梁宗正, 楊媛媛, 郭燕. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望. 農(nóng)業(yè)機械學報, 2015, 46(2): 247-260.

SHI Z, LIANG Z Z, YANG Y Y, GUO Y. Agricultural remote sensing research status and prospect.2015, 46(2): 247-260. (in Chinese)

[10] 任紅玲, 王萌, 劉珂, 郭春明. 衛(wèi)星遙感在臺風影響玉米倒伏災(zāi)害監(jiān)測中的應(yīng)用. 氣象災(zāi)害防御, 2015(4): 21-24.

REN H L, WANG M, LIU K, GUO C M. Application of satellite remote sensing in maize lodging flood monitoring of Typhoon.2015(4): 21-24. (in Chinese)

[11] 王福濤, 王世新, 周藝, 王麗濤, 閻福禮. 多光譜遙感在重大自然災(zāi)害評估中的應(yīng)用與展望. 光譜學與光譜分析, 2011, 31(3): 577-582.

WANG F T, WANG S X, ZHOU Y, WANG L T, YAN F L. Application and prospect of multi-spectral remote sensing in major natural disaster assessment., 2011, 31(3): 577-582. (in Chinese)

[12] 劉良云, 王紀華, 宋曉宇, 李存軍, 黃文江, 趙春江. 小麥倒伏的光譜特征及遙感監(jiān)測. 遙感學報, 2005, 9(3):323-327.

LIU L Y, WANG J H, SONG X Y, LI C J, HUANG W J, ZHAO C J. The canopy spectral features and remote sensing of wheat lodging., 2005, 9(3): 323-327. (in Chinese)

[13] 楊浩, 楊貴軍, 顧曉鶴, 李增元, 陳爾學, 馮琦, 楊小冬. 小麥倒伏的雷達極化特征及其遙感監(jiān)測. 農(nóng)業(yè)工程學報, 2014, 30(7): 1-8.

YANG H, YANG G J, GU X H, LI Z Y, CHEN E X, FENG Q, YANG X D. Radar polarimetric response features and remote sensing monitoring of wheat lodging., 2014, 30(7): 1-8. (in Chinese)

[14] YANG H, CHEN E X, LI Z Y, ZHAO C J, YANG G J, PIGNATTI S, CASA R, ZHAO L. Wheat lodging monitoring using polarimetric index from RADARSAT－2 data., 2015, 34(1): 157-166.

[15] 李宗南, 陳仲新, 王利民, 劉佳, 周清波. 基于小型無人機遙感的玉米倒伏面積提取. 農(nóng)業(yè)工程學報, 2014, 30(19): 207-213.

LI Z N, CHEN Z X, WANG L M, LIU J, ZHOU Q B. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle., 2014, 30(19): 207-213. (in Chinese)

[16] 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. 農(nóng)業(yè)工程學報, 2016, 32(2): 1-5.

LI Z N, CHEN Z X, REN G Y, LI Z C, WANG X. Estimation of maize lodging area based on Worldview-2 image., 2016, 32(2): 1-5. (in Chinese)

[17] Zhang J C, GU X H, Wang J H, HUANG W J, DONG Y Y, LUO J H, YUAN L, LI Y F. Evaluating maize grain quality by continuous wavelet analysis under normal and lodging circumstances., 2012, 10(1/2): 580-585.

[18] Martinez-Vazquez P, Sterling M. Predicting wheat lodging at large scales., 2011, 109(4): 326-337.

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

[20] 王猛, 張杰, 梁守真, 侯學會, 姚慧敏, 隋學艷, 王勇. 玉米倒伏后冠層光譜變化特征分析. 安徽農(nóng)業(yè)科學, 2014, 42(31): 11187-11188.

Wang M, Zhang J, Liang S Z, HOU X H, YAO H M, SUI X Y, WANG Y. Character analysis of the canopy spectral changes after corn lodging., 2014, 42(31): 11187-11188. (in Chinese)

[21] 席吉龍, 張建誠, 姚景珍, 郝佳麗, 楊娜, 席凱鵬. 夏玉米灌漿期倒伏對產(chǎn)量的影響模擬研究. 山西農(nóng)業(yè)科學, 2015, 43(6): 705-708.

Xi J L, Zhang J C, Yao J Z, HAO J L, YANG N, XI K P. Simulation study on the influence of filling summer corn lodging on yield., 2015, 43(6): 705-708. (in Chinese)

[22] 董燕生, 陳洪萍, 王慧芳, 顧曉鶴, 王紀華. 基于多時相環(huán)境減災(zāi)衛(wèi)星數(shù)據(jù)的冬小麥凍害評估. 農(nóng)業(yè)工程學報, 2012, 28(20): 172-179.

Dong Y S, Chen H P, Wang H F, GU X H, WANG J H. Assessing freeze injury to winter wheat with multi-temporal HJ-1 satellite imagery., 2012, 28(20): 172-179. (in Chinese)

[23] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of productivity of the shortgrass prairie.,, 1972, 45(2): 7-12.

[24] Rouse J W, Haas R H, Schell J A, DEERING D W, HARLAN J C. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation., 1974.

[25] Kaufman Yoram J, Tanré Didier. Atmospherically resistant vegetation index (ARVI) for EOS－MODIS., 1992, 30(2): 261-270.

[26] Huete A, Justice C, Leeuwen W V. Modis vegetation index (MOD13) algorithm theoretical basis document.,,,, 1999.

[27] Richardson A J, Wiegand C L. Distinguishing vegetation from soil background information., 1977, 43(12): 1541-1552.

[28] 付元元, 王紀華, 楊貴軍, 宋曉宇, 徐新剛, 馮海寬. 應(yīng)用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算. 光譜學與光譜分析, 2013, 32(5): 1315-1319.

Fu Y Y, Wang J H, Yang G J, SONG X Y, XU X G, FENG H K. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurement., 2013, 32(5): 1315-1319. (in Chinese)

[29] PENUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance., 1995, 31: 221-230.

[30] 田保明, 楊光圣. 農(nóng)作物倒伏及其評價方法. 中國農(nóng)學通報, 2005, 21(7): 111-114.

TIAN B M, YANG G S. The performance of lodging and developing a standard test for lodging resistance in crops., 2005, 21(7): 111-114. (in Chinese)

[31] Mi C Q, Zhang X D, Li S M, YANG J Y, ZHU D H, YANG Y, LIU Z. Assessment of wind-induced environmental lodging stress for maize based on GIS//Icsdm 2011, Fuzhou, China, June 29 - July. 2011: 467-470.

[32] 李樹巖, 馬瑋, 彭記永, 陳忠民. 大喇叭口及灌漿期倒伏對夏玉米產(chǎn)量損失的研究. 中國農(nóng)業(yè)科學, 2015, 48(19): 3952-3964.

Li S Y, Ma W, Peng J Y, CHEN Z M. Study on yield loss of summer maize due to lodging at the big flare stage and grain filling stage., 2015, 48(19): 3952-3964. (in Chinese)

[33] 曹慶軍, 曹鐵華, 楊粉團, LAMINE D, 李剛, 王立春. 灌漿期風災(zāi)倒伏對玉米籽粒灌漿特性及品質(zhì)的影響. 中國生態(tài)農(nóng)業(yè)學報, 2013, 21(9): 1107-1113.

Cao Q J, Cao T H, Yang F T, LAMINE D, LI G, WANG L C. Effect of wind damage on grain-filling characteristics, grain quality and yield of spring maize (L.)., 2013, 21(9): 1107-1113. (in Chinese)

（責任編輯 趙伶俐）

Remote Sensing Monitoring of Maize Lodging Disaster with Multi-temporal HJ-1B CCD Image

Wang Li-zhi1,2,3,4, Gu Xiao-he2,3,4, Hu Sheng-wu1, Yang Gui-jun2,3,4, Wang Lei1,2,3,4, Fan You-bo1,2,3,4, Wang Yan-jie1,2,3,4

(1School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, Henan;2National Engineering Research Center for Information Technology in Agriculture, Beijing 100097;3Key Laboratory of Agri-informatics, Ministry of Agriculture, Beijing 100097;4Beijing Engineering Research Center of Agricultural Internet of Things, Beijing 100097)

【Objective】The aim of this study is to analyze the variance of a variety of vegetation indices derived from HJ-1B (One of the Small Satellite Constellations for Environment and Disaster Monitoring and Forecasting, HJ-1A/1B/1C) CCD multi-temporal images in pre- and post-lodging, in order to achieve the objective for measuring the area of maize lodging and evaluation of disaster rank. 【Method】This paper took Gaocheng, Hebei Province as a research area where suffered a heavy rainstorm which led to a large-scale maize lodging on August 3rd, 2015. A variety of vegetation indices derived from HJ-1B CCD multi-temporal images in pre- and post-lodging period were adopted to conduct the sensitivity analysis among various vegetation index variations (?VIi, the value of vegetation index before lodging minus that of after lodging) and the lodging characteristic values measured in field (Lodging proportion for research areas) to seek the preferable vegetation indices for maize lodging monitoring. The double threshold partition strategy of normal statistical theory was adopted to determine the thresholds and a remote sensing monitoring model for maize lodging was built based on the analysis of the difference of vegetation indices pre- and post-lodging to evaluate the disaster degree of the maize lodging. The accurate assessment of the model was conducted by comparing the in-field measured data and predicted results from the built model at last. 【Result】Based on the features of HJ–1B CCD2 multispectral reflectance curve of the town, water, lodging and no lodging maize, there was a difference between maize and building and water in special reflectance. In the visible spectrum, spectral reflectance of lodging maize was higher than that of no lodging maize, therefore, it was opposite in near infrared wave. From the analysis of RVI difference image, it nearly conform to normal distribution (skewed normal distribution). The result of correlation analysis suggested that RVI (ratio vegetation index) had the best correlation with the proportion of maize lodging (=0.9377). It means that the more serious of the lodging, the higher the RVI difference. It showed that the maize growth status was obviously affected by lodging, the more severe of the lodging, and it was more difficult for maize to restore to its normal state before lodging and thus causing bigger values of the RVI differences. Generally, RVI differences for different small areas showed a normal (or skew) distribution in general from the statistical analysis of the image of RVI difference. The data measured infield about lodging proportion and the values predicted from the model were adopted to carry out confusion matrix analysis, it showed that a good overall classification accuracy up to 85.7% while the Kappa coefficient was 0.804. The spatial distribution of maize lodging area and the degree of disaster could be mapped via the constructed maize lodging remote sensing model based on the differences of vegetable index derived from the double threshold partition strategy which based on normal (skew) statistical theory. The result from remote sensing mapping was basically consistent with the monitoring data from the local agricultural technical extension station. 【Conclusion】After occurrence of lodging of maize, there was a big difference between the maize growth and the resumption of maize after disaster. Therefore, it was concluded that the remote sensing monitoring model based on the differences of RVI measured in pre- and post-lodging period of maize is a feasible method for reflecting the information which indicate the changes of canopy groups described by different lodging degrees and can satisfy the need for measuring the area of maize lodging and evaluation of disaster rank.

maize; lodging; vegetation index; change analysis; multi-temporal; monitoring

2016-03-25；接受日期：2016-08-25

國家自然科學基金（41571323）、國家公益性行業(yè)（農(nóng)業(yè)）科研專項（201303109）、北京市優(yōu)秀人才青年拔尖個人項目（2014000021223ZK38）

聯(lián)系方式：王立志，E-mail：18500606648@163.com。通信作者顧曉鶴，E-mail：guxh@nercita.org.cn