基于Sentinel-1雷达影像的玉米倒伏监测模型

韩 东，杨 浩，杨贵军，邱春霞

0 引 言

玉米一直是中国粮食生产的关键作物。然而玉米植株因为其自身的结构特点，在大风大雨天气影响下很容易发生倒伏现象[1-5]。导致玉米倒伏的因素主要有品种特性、土壤、气候、田间栽培管理等[6-9]。不同生长期下发生倒伏对玉米后期产量均有不同程度的影响，其中抽雄期倒伏使得玉米产量损失最大，可达 22%左右，极端天气状况下可达到 50%左右甚至绝产[10-12]。尤其是近些年来，灾害天气频繁发生，使得玉米产量不断波动，给粮食市场带来不小的冲击。因此，农业管理部门、种植户和农业保险公司都希望能在倒伏灾情发生后快速、准确地评估出玉米减产量[13-14]，据此农业管理部门可及时合理的对市场波动做出相应调节，保证中国粮食安全；种植户和农业保险公司则可在灾情发生后基于及时、客观、定量的遥感评估来进行合理理赔。从这些角度出发考虑，用遥感来监测玉米倒伏灾情意义重大。

遥感技术的快速发展为倒伏监测提供了快速有效的方法[15]。目前国内外不少学者已经做了相应研究。刘良云等[16]基于冬小麦冠层光谱反射率和倒伏角度的相关关系，研究利用归一化植被指数（normalized different vegetation index, NDVI）来监测小麦倒伏的发生程度，并取得成功；包玉龙等[17]将高光谱反射与偏振信息结合起来分析了玉米倒伏前后冠层光谱反射特征的变化，并用其来区分玉米倒伏区域和未倒伏区域；王立志等[18]根据HJ-1B卫星CCD多光谱影像的比值植被指数(ratio vegetation index, RVI)差值与玉米倒伏比例具有最高相关性的规律来构建玉米倒伏模型，并进行灾害成图，与本研究利用合成孔径雷达（synthetic aperture radar, SAR）数据的强度信息定量监测玉米倒伏程度不同的是，该研究是在光学遥感的基础上通过植被指数来定量监测玉米倒伏。李宗南等[19-20]先后使用了无人机和Wordview影像进行了小尺度玉米倒伏面积提取；杨浩等[21-22]先后利用Radarsat-2全极化影像数据，验证并利用雷达极化指数的方法来监测小麦倒伏。Zhao等[23]通过探讨以圆形相关系数作为小麦倒伏监测指标的可行性，得出PolSAR在倒伏监测方面与作物的冠层结构相关。Chen等[24]从Radarsat-2数据中提取极化特征，然后用极化特征的时间序列来克服甘蔗生长条件变化的影响，监测台风前后大面积甘蔗倒伏情况。

目前这些方法还存在一些不足，对于光学遥感，通过分析倒伏发生前后光谱反射率的变化来判断倒伏发生情况，并通过构建植被指数的方法来构建倒伏模型[25-28]。其局限性在于，倒伏前后冠层光谱信息变化微弱、复杂的农田环境加大了光谱信息的提取难度。此外，倒伏多发生在雷雨天气，光学遥感数据由于恶劣天气的影响无法及时获取倒伏区域信息。而SAR数据由于不受恶劣天气和昼夜的影响，并且其对结构变化的敏感性将使得利用SAR数据监测玉米倒伏更具优势[29-30]。目前，SAR数据应用在作物倒伏监测方面的相关研究大都集中在定性研究阶段，局限于全极化数据，且都是面向地块尺度的，未能发展到基于像元尺度。

由于多数情况下很难获取到全极化数据，因此本研究在前人的基础上，利用易获取的双极化数据，通过提取并筛选最佳的倒伏相关极化指数，并构建玉米倒伏SAR监测模型，结合实地倒伏测量数据验证，最终划分玉米倒伏等级，实现玉米倒伏灾情评级，为灾情分析和灾后补救提供支持。

1 研究区概况和数据来源

1.1 试验区域

试验区位于北京市昌平区小汤山国家精准农业研究示范基地（北纬 40°11′，东经 116°27′），属暖温带，半湿润大陆性季风气候，四季分明，春季干燥多风，夏季炎热多雨，秋季气温凉爽，冬季寒冷、雨雪稀少。试验区内地势平坦，占地166.7 hm2，海拔36 m。玉米是北京市夏季的主要粮食作物。基地在 2017年玉米种植面积为97.8 hm2，分布于试验区东边，西边和北边3个区域，种植玉米品种多样，所处生长期存在差异。整个试验区的玉米成片种植，植被类型单一。试验区地理位置和试验区样本点分布情况如图1所示。

图1 试验区及样本点分布Fig.1 Test area and sample point distribution

1.2 试验数据获取

2017年8月8日下午至2017年8月9日凌晨的强风（西北风）和强降雨引发了玉米倒伏现象。试验获取了2景双极化Sentinel-1A影像，并于2017年8月9日至11日 3天连续开展地面倒伏实地测量工作，获取地面倒伏实际数据。

Sentinel-1是欧洲委员会（EC）和欧洲航天局（ESA）于2014年4月发射的一个全天时、全天候雷达成像系统。Sentinel-1A影像的GRD产品包含有经过多视处理、采用WGS84椭球投影至地距的聚焦数据。因此，地距坐标是斜距坐标投影至地球椭球后的成果。像素信息代表监测区域的幅度信息。该产品在方位向和距离向分辨率一致。2景Sentinel-1A影像详细参数如表1所示。

表1 Sentinel-1A主要参数Table 1 Sentinel-1A main parameters

1.3 SAR影像数据处理

研究获取的Sentinel-1A影像数据为干涉宽幅（IW，interferometric wide swath）模式的地距影像（GRD，ground range detected）产品。该成像模式采用中等分辨率（5 m×20 m）获取幅宽250 km的影像，包含2个极化（VH、VV，其中H代表水平极化Horizontal,V代表垂直极化Vertical）的地距影像数据，极化数据由实部和虚部组成。通过对SAR数据的处理，使得其电磁波强度信息和电磁波相位信息能以电磁波对地物的后向散射系数来反映地物特征。对SAR数据的处理在欧空局雷达处理软件SNAP软件中和ENVI软件中完成，处理过程如下：

1）SAR数据定轨：利用产品文件精确的轨道参数进行精确定轨；

2）消除热噪声；

3）辐射定标：利用产品文件中的Sigma定标系数进行辐射定标；

4）斑噪去除：针对雷达图像固有的斑点噪声，进行斑噪去除，使用Gamma Map滤波（滤波窗口为5×5）；

5）地形校正：利用图像覆盖区域的STRM数据来对雷达图像进行正射校正。

1.4 试验样本点选取

试验所需要的 2景影像分别获取于倒伏发生前的 8月7日和倒伏发生后的8月19日。由于在雷雨天气下雷达的后向散射系数与晴朗天气下相比，普遍偏高。由于2景影像获取时的天气状况基本一致，均为晴朗。因此，本次研究不考虑外界环境对最终结果的影响。

在倒伏发生后，由于不同品种、不同生长期的玉米表现出不同的倒伏现象。在经过实地勘察后，选取整个基地范围内47个位置点作为样本点。其包含玉米倒伏的所有类型，且整体样本点分布较为均匀，满足最小影像分辨率的要求。

在实地测量地面样本点时，选择倒伏状况相似且面积大于100 m2的区域作为样本点的采集区域。每个样本点均记录其植株的倒伏类型、倒伏方位、倒伏角度、自然高度（自然状态下，植株最高点距地面的高度）、植株高度（直立状态下，植株最高点距地面的高度）、穗位高、茎弯/茎断位置、行距和株距，并且记录各个样本点的GPS位置和所处的生长期。每个样本点记录3组数据。

2 研究方法

2.1 3种典型的玉米倒伏类型

通过分析实地倒伏数据，结合田间倒伏实际情况，提出一种基于高度比的玉米倒伏程度衡量标准。所谓高度比就是玉米自然高度与植株高度的比值。经过实地调查，8月7日试验区玉米未发生倒伏。8月8日经过大风和雷雨天气的影响，发生大面积倒伏现象。经过地面实地勘察，典型倒伏类型的样本点有严重倒伏（样本点46），中度倒伏（样本点08），轻度倒伏（样本点07），如图2所示（基于高度比划分）。所有倒伏区域播种日期相近，土壤、降水、温度、风速均一致，生长期间田间管理水平无差异。

图2 3种典型倒伏样本Fig.2 Three typical lodging samples

2.2 倒伏前后雷达极化特征分析

首先，寻找相关敏感极化指数。将预处理之后的 8月7日和8月19日的雷达影像在ENVI软件中分别获取32个建模样本点的后向散射系数σVV（VV后向散射系数）和σVH（VH后向散射系数）。然后，对2次获取的σVV和σVH分别构建相关极化指数并与实测的植株高度（直立状态下）和自然高度做相关性分析。相关性分析在SPSS软件中进行。结果如表2所示：

表2 后向散射系数与植株高的相关性Table 2 Correlation coefficient between backscatter indicators and plant height

通过对极化指数与植株高度的相关性分析得到，在未发生倒伏之前，雷达的VH后向散射系数对植株高度敏感性最强，相关性达到0.666。说明用σVH来构建倒伏模型在理论上是可行的。在倒伏发生之后，只有 2种后向散射系数信息与自然高达到显著相关水平。与未倒伏状况相比，极化指数相关性偏低且均为负相关。

原因在于，倒伏发生后的一段时间内，农田环境存在地表雨水积累、植株持续生长、倒伏恢复等多种情况，使得极化指数对植株个体高度的敏感性降低。基于最优原则，选取 σVV+VH极化指数来构建倒伏模型，其相关性为–0.336，达到显著相关水平。

2.3 构建玉米倒伏监测模型

在玉米植株发生倒伏现象之后，其高度信息会发生明显的变化。因此，我们基于玉米植株高度的变化来得到倒伏模型。考虑到倒伏发生之后，雷达极化通道对玉米植株自然高特征敏感性偏低和倒伏前后雷达极化指数得到植株高度精度较低的特点，提出一种基于模拟倒伏前后植株高度差的方法来确定差值参数（倒伏前后模拟植株高的差值）β，然后通过自然高与植株高的比值来得到倒伏监测模型。具体步骤如下：

1）基于σVH和σVV+VH来构建差值；

2）利用差值β的最小值和平均值求解中度倒伏和严重倒伏的差值临界点β0；

3）利用第 2步得到的 β0和理想植株(未生长、未倒伏)的差值0来计算自然高与植株高的比值；

4）根据自然高与植株高的比值区间来确定相应的倒伏程度区间，达到用倒伏监测模型分级的目的。

由于在用模型分别模拟倒伏前和倒伏后植株高度时，雷达极化指数对偏低和偏高的植株高度的模拟结果存在较大差异，因此在构建倒伏监测模型时首先采用σVH和σVV+VH构建倒伏前后差值（式（1）所示）。通过对32个建模样本点倒伏前后实测植株高度差值与用敏感极化指数回归建模分析得到的差值做相关性分析显示，模拟的差值与地面实测的差值具有极显著相关水平，分布如图3所示，对于植株高度较低的植株其差值会稍微偏小，较高的植株其差值会稍微偏大。

式中β是倒伏差值，σVV+VH是倒伏后雷达VV+VH通道的后向散射系数，σVH是倒伏前雷达 VH通道的后向散射系数。

图3 实测株高差值结果与模拟差值结果Fig.3 Measured difference results and simulated difference results of plant height

对于轻微倒伏的玉米植株，其倒伏前后的植株高度差值很小。所以选择最小的差值βmin作为理想的未倒伏作物的差值。差值平均值βavg可以理解为中度倒伏状况下差值的中间值。通过与βmin联立求解中度倒伏与严重倒伏的差值分界点β0。求解式（2）如下所示。

经过计算 β0的值为 101.2，为方便建模，将 β0的取值修定为100。对反演的倒伏前后模型求解倒伏比值γ，如式（3）所示：

借鉴前人经验并结合实际情况，对于严重倒伏区域0<γ<0.3，对应 β＞β0；中度倒伏区域 0.3<γ<0.7，对应0<β<β0；轻度倒伏区域 0.7<γ<1，对应 β＜0。为方便后面公式的推导，分别将公式中分子和分母前两项设为 u和v,则γ区间所对应模型的反演区间为：

3 结果与分析

3.1 样本点的倒伏分类结果准确度分析

15个检验样本点的实测自然高与植株高的比值与模型模拟的差值结果如表 3所示。其中实测自然高与植株高的比值γ作为本研究衡量植株倒伏程度的标准。从图中可以看出γ在区间（0,0.3）内为严重倒伏类型，对应的模型模拟的差值 β范围为：β>100；γ在区间（0.3,0.7）内为中度倒伏类型，对应的模型模拟的差值 β范围为：0<β<100；γ在区间（0.7,1）内为轻度倒伏类型，对应的模型模拟的差值β范围为：β<0。15个检验点的分类准确率达到100%。

对于倒伏严重区域，由于其暴露出来的复杂农田地表环境，诸如地表积水、杂草等的影响使得倒伏前后植株高度差值大于 β0。中度倒伏区域，由于其雷达极化通道几乎未受除了植株本身结构变化外的其他农田参量的影响，因此其差值应介于0和β0之间。轻度倒伏区域，倒伏前后植株高度差异较小，并且考虑到倒伏恢复和植株持续生长现象，其差值应小于0。此分析结果与模型得到的结果相吻合。总体样本点的分类结果如表4所示。

3.2 实测倒伏程度与模型倒伏程度相关性分析

自然高与植株高的比值结果的总体相关性为 0.899（如表5所示），达到极显著相关水平。原因在于通过将倒伏前后植株高度差值求解的参量 β引入自然高与植株高的比值公式后，要比单纯依靠极化指数进行反演的结果更接近于真实值，得到的划分区间也更准确。

模型得到的中度倒伏区域自然高与植株高的比值结果最好，严重倒伏区域次之，轻度倒伏区域最差。原因在于中度倒伏区域地表植被结构未被破坏且复杂的农田地表信息未暴露给雷达极化通道。因此，唯一的针对植株结构的后向散射系数使得其得到的结果精度最高。在倒伏严重区域虽然前后植株结构差异很大，但由于其倒伏程度严重导致地表水分、杂草等信息被混杂进雷达的后向散射系数变化信息中，因此其得到的结果精度会降低。轻度倒伏区域由于植株结构前后差异很小，并且植株倒伏恢复情况较前两种类型要好，非结构信息造成的误差相对较大。因此，模型得到的结果精度偏低。

表3 15个检验样本点的株高差值结果和实测高度比结果Table 3 Difference results and measured height ratio results of 15 test sample points in plant height

表4 总样本点的倒伏程度分类结果Table 4 Total sample point lodging degree classification results

表5 实测与模型倒伏程度相关性分析Table 5 Correlation coefficient of measured andsimulated lodging degree

3.3 试验区倒伏灾情遥感成图结果分析

根据倒伏监测模型对小汤山基地的玉米倒伏灾情进行分级，其遥感分级图为图4。可以看出轻度倒伏区域所占面积最大且主要分布在基地西边地块和北边地块；严重倒伏区域次之，主要分布在东边地块和各地块的边缘，原因是东边地块种植的是春玉米，由于其在灾害发生时已经处于灌浆期，整体植株高度相对于其他地块的夏玉米要高，因此倒伏程度严重；中度倒伏区域所占面积最少。整体倒伏分类结果与实地调查结果基本一致。最终的遥感分级图对玉米倒伏程度具有较好的表征效果。

图4 倒伏程度遥感分级Fig.4 Lodging degree of remote sensing grading map

4 讨 论

本研究提出的基于Sentinel-1A雷达影像的倒伏监测模型。其双极化的SAR数据不仅容易获取，而且其重访周期较短（研究区重访周期为12天）。相较于光学遥感，SAR在灾害天气下进行作物倒伏分析时更具优势。与以往SAR大多应用在作物监测方面研究不同的是，本研究对SAR在像元尺度下进行作物倒伏的定量监测做了初步尝试，并取得了较为满意的结果。

在对玉米倒伏程度划分标准方面的研究上，孙守钧[31]按茎与地面的夹角大小将高粱倒伏分为 0~4级；田保明等[32]提出了根据植株上部茎秆弯曲与主茎夹角的划分方法；这 2种方法都是从单株角度对玉米的倒伏程度提出划分标准，然而野外玉米实际倒伏并不都是单纯的植株弯曲，对于根倒茎弯且冠层保持直立的倒伏类型很难通过测量其茎秆倾角来达到划分标准的目的。王立志等[18]采用正态(偏正态)统计理论的双阈值划分策略，以田间倒伏玉米所占的比例作为倒伏程度的衡量标准。由于在多数情况下，野外玉米种植区并不都是单一品种。同一个区域内会存在多种倒伏类型。因此，该方法不能很好的满足高精度倒伏分级的要求。在正常倒伏状态下，高度比与玉米倒伏角度存在函数关系，故本研究提出的方法可以较好的满足正常倒伏状况下的划分标准，又能较好地消除其他方法在划分根倒茎弯且冠层保持直立型的倒伏类型时所产生的误差。

需要注意的是，本研究还存在一些不足。模型的构建只运用了抽雄期的研究结果，并没有推广至整个生育期。由于不同生长期内玉米植株的结构和生长状态差异显著，其倒伏前后产生的差值区间也将存在差异，基于此得到的倒伏分级模型也会不同。此外，本次试验在小汤山基地进行，未对不同区域的倒伏现象进行验证。在玉米生长期内，不同的田间管理措施和不同地面情况会使得玉米倒伏监测模型的系数发生变化。模型的适用性还有待探讨。本次试验所选取的两景 Sentine-1A影像的传感器配置（波段频率、入射角等）完全一致，对不同入射角的传感器影像对倒伏监测模型的影响还未做进一步的探讨。

5 结 论

在小汤山试验基地发生倒伏灾情后，利用倒伏前后两景Sentinel-1A双极化(VV，VH)数据，通过构建倒伏监测模型并进行验证，达到在区域尺度下利用SAR定量监测玉米倒伏的目的。研究得到如下结论：

1）对倒伏前后不同雷达后向散射系数和植株高与自然高的相关性分析，筛选出最优建模指数。倒伏前为VH，相关性为 0.666，呈正相关。倒伏后为 VV+VH，相关性为-0.336，呈负相关。

2）由于单纯依靠极化指数反演植株高度存在较大误差，因此通过倒伏前后植株高度差值 β求得严重倒伏区域差值临界值β0(β0=100)，将其作为自然高与植株高比值公式的参数，通过设置合理的倒伏程度区间，构建倒伏监测模型。

3）32个建模点的实测差值结果与模拟差值结果的R2为0.896，达到极显著相关水平。总样本点实测的自然高与植株高比值与模型模拟比值的相关性为0.899，达到极显著相关性水平。表明本研究建立的倒伏监测模型精度较高

4）15个检验样本点和47个总样本点的倒伏分级准确度均达到100%。最终的研究区倒伏程度遥感成图结果与田间实际倒伏情况基本一致，具有较高的成图精度。

[1] 袁公选，杨金慧，李雅文，等. 玉米倒伏成因及预防[J]. 西北植物学报，1999，19(5)：72－76.Yuan Gongxuan, Yang Jinhui, Li Yawen, et al. Studies on the causes and prevention of maize lodging[J]. Northwest Botanical Garden, 1999, 19(5): 72－76. (in Chinese with English abstract)

[2] 孙世肾，戴俊英. 国外玉米倒伏研究[J]. 世界农业，1991(5)：23－24.Sun Shizhen, Dai Junying. Study on the lodging of foreign corn[J]. World Agriculture, 1991(5): 23－24. (in Chinese with English abstract)

[3] 宋朝玉，张继余，张清霞，等. 玉米倒伏的类型、原因及预防、治理措施[J]. 作物杂志，2006(1)：36－38.Song Zhaoyu, Zhang Jiyu, Zhang Qingxia, et al. Types,causes and prevention of maize lodging and its control measures[J]. Journal of Crop Science, 2006(1): 36－38. (in Chinese with English abstract)

[4] 孙世贤，顾慰连，戴俊英. 密度对玉米倒伏及其产量的影响[J]. 沈阳农业大学学报，1989(4)：413－416.Sun Shixian, Gu Xianlian, Dai Junying. Effects of density on lodging and yield of maize[J]. Journal of Shenyang Agricultural University, 1989(4): 413－416. (in Chinese with English abstract)

[5] 杨扬，杨建宇，李绍明，等. 玉米倒伏胁迫影响因子的空间回归分析[J]. 农业工程学报，2011，27(6)：244－249.Yang Yang, Yang Jianyu, Li Shaoming, et al. Spatial regression analysis of factors affecting maize lodging stress[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 244－249. (in Chinese with English abstract)

[6] 黄海. 群体密度对玉米茎秆及根系抗倒伏特性的影响[D].长春；吉林农业大学，2013.Huang Hai. Effects of population density on maize stalk and root lodging resistance[D]. Changchun: Jilin Agricultural University, 2013. (in Chinese with English abstract)

[7] 程富丽，杜雄，刘梦星，等. 玉米倒伏及其对产量的影响[J]. 玉米科学，2011，19(1)：105－108.Cheng Fuli, Du Xiong, Liu Mengxing, et al. Effect of maize lodging and its influence on yield[J]. Science of Maize, 2011,19(1): 105－108. (in Chinese with English abstract)

[8] 袁刘正，柳家友，付家峰，等. 玉米倒伏后子粒灌浆特性的比较分析[J]. 作物杂志，2010(2)：38－40.Yuan Liuzheng, Liu Jiayou, Fu Jiafeng, et al. Comparative analysis of grain filling characteristics after lodging of corn[J]. Chinese Journal of Crops, 2010(2): 38－40. (in Chinese with English abstract)

[9] 曹铁华，梁烜赫，李刚，等. 玉米倒伏和扶直的产量效应研究[J]. 玉米科学，2013(6)：81－90.Cao Tiehua, Liang Yihe, Li Gang, et al. Yield effects of lodging and straightening in maize[J]. Maize Science, 2013(6): 81－90. (in Chinese with English abstract)

[10] 王猛，隋学艳，梁守真，等. 夏玉米倒伏模拟试验及遥感监测[J]. 测绘科学，2017，42(8)：137－141.Wang Meng, Sui Xueyan, Liang Shouzhen, et al. Simulation experiment and remote sensing monitoring of summer maize lodging [J]. Proceedings of Surveying and Mapping, 2017,42(8): 137－141. (in Chinese with English abstract)

[11] 曹庆军，曹铁华，杨粉团，等. 灌浆期风灾倒伏对玉米籽粒灌浆特性及品质的影响[J]. 中国生态农业学报，2013，21(9)：1107－1113.Cao Qingjun, Cao Tiehua, Yang Fentuan, et al. Effects of wind disaster disasters on grain filling characteristics and quality of maize during filling period[J]. Chinese Journal of Eco-Agriculture, 2013, 21(9): 1107－1113. (in Chinese with English abstract)

[12] 李树岩，王宇翔，胡程达，等. 抽雄期前后大风倒伏对夏玉米生长及产量的影响[J]. 应用生态学报，2015，26(8)：2405－2413.Li Shuyan, Wang Yuxiang, Hu Chengda, et al. Effects of strong wind lodging at pre-and post-tasseling stages on growth and yield of summer maize[J]. Chinese Journal of Applied Ecology, 2015, 26(8): 2405－2413. (in Chinese with English abstract)

[13] 李树岩，马玮，彭记永，等. 大喇叭口及灌浆期倒伏对夏玉米产量损失的研究[J]. 中国农业科学，2015，48(19)：3952－3964.Li Shuyan, Ma Wei, Peng Jiyong, et al. Study on yield loss of summer maize with large trumpet and lodging at grain filling stage[J]. Journal of Agricultural Sciences, 2015, 48(19): 3952－3964. (in Chinese with English abstract)

[14] 钱永兰，毛留喜，周广胜. 全球主要粮食作物产量变化及其气象灾害风险评估[J]. 农业工程学报，2016，32(1)：226－235.Qian Yonglan, Mao Liuxi, Zhou Guangsheng. Changement of major grain crops in the world and its risk assessment of meteorological disasters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(1): 226－235. (in Chinese with English abstract)

[15] 张杰. 冬小麦倒伏遥感监测研究[D]. 济南；山东师范大学，2011.Zhang Jie. Winter Wheat Lodging Remote Sensing Monitoring Research[D]. Ji’nan: Shandong Normal University, 2011. (in Chinese with English abstract)

[16] 刘良云，王纪华，宋晓宇，等. 小麦倒伏的光谱特征及遥感监测. 遥感学报，2005，9(3)：323－327.Liu Liangyun, Wang Jihua, Song Xiaoyu, et al.The canopy spectral features and remote sensing of wheat lodging[J].Journal of Remote Sensing, 2005, 9(3): 323－327. (in Chinese with English abstract)

[17] 包玉龙，张继权，刘晓静，等. 受风灾影响后的农作物冠层反射信息测量与分析[J]. 光谱学与光谱分析，2013，33(4)：1057－1060.Bao Yulong, Zang Jiquan, Liu Xiaojing, et al. Study and analysis of canopy reflection information of crops affected by wind disaster[J]. Spectroscopy and Spectral Analysis, 2013, 33(4):1057－1060. (in Chinese with English abstract)

[18] 王立志，顾晓鹤，胡圣武，等. 基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测[J]. 中国农业科学，2016，49(21)：4120－4129.Wang Lizhi, Gu Xiaohe, Hu Shengwu, et al. Remote sensing monitoring of corn lodging based on multi-temporal HJ-1B CCD image[J]. Journal of Agricultural Sciences, 2016, 49(21): 4120－4129. (in Chinese with English abstract)

[19] 李宗南，陈仲新，王利民，等. 基于小型无人机遥感的玉米倒伏面积提取. 农业工程学报，2014，30(19)：207－213.Li Zongnan, Chen Zhongxin, Wang Limin, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2014, 30(19): 207－213. (in Chinese with English abstract)

[20] 李宗南，陈仲新，任国业，等. 基于Worldview-2影像的玉米倒伏面积估算. 农业工程学报，2016，32(2)：1－5.Li Zongnan, Chen Zhongxin, Ren Guoye, et al. Estimation of maize lodging area based on Worldview-2 image. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 1－5. (in Chinese with English abstract)

[21] 杨浩，杨贵军，顾晓鹤，等. 小麦倒伏的雷达极化特征及其遥感监测. 农业工程学报，2014，30(7)：1－8.Yang Hao, Yang Guijun, Gu Xiaohe, et al. Radar polarimetric response features and remote sensing monitoring of wheat lodging. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(7): 1－8.(in Chinese with English abstract)

[22] Yang H, Chen E X, Li Z Y, et al. Wheat lodging monitoring using polarimetric index from radarsat-2 data. International Journal of Applied Earth Observation & Geoinformation,2015, 34(1): 157－166.

[23] Zhao L, Yang J, Li P, et al. Characterizing lodging damage in wheat and canola using radarsat-2 polarimetric SAR Data[J].Remote Sensing Letters, 2017, 8(7): 667－675.

[24] Chen J, Li H, Han Y. Potential of RADARSAT-2 data on identifying sugarcane lodging caused by typhoon[C]// International Conference on Agro-Geoinformatics. IEEE, 2016: 1－6.

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

[26] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[J]. Nasa Type III, Final Report, Greenbelt,MD, USA, 1974.

[27] Kaufman Yoram J, Tanre Didier. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 261－270.

[28] Huete A, Justice C, Leeuwen W V. Modis vegetation index(MOD13) algorithm theoretical basis document[J]. NASA Goddard Space Flight Center, Greenbelt, MD, USA, 1999.

[29] 王迪，周清波，陈仲新，等. 基于合成孔径雷达的农作物识别研究进展[J]. 农业工程学报，2014，30(16)：203－212.Wang Di, Zhou Qingbo, Chen Zhongxin, et al. Study on crop identification based on synthetic aperture radar [J]. Journal of Agricultural Engineering, 2014, 30 (16): 203－212. (in Chinese with English abstract)

[30] Zhang Lu, Li Xinwu, Du Hejuan, et al. Simulation of maize crop polarization SAR data[J]. Journal of Remote Sensing,2010, 14(4): 621－636.

[31] 孙守钧. 高粱高产基础研究[D]. 沈阳；沈阳农业大学，1999.Sun Shoujun. Sorghum High Yield Basic Research[D].Shenyang: Shenyang Agricultural University, 1999. (in Chinese with English abstract)

[32] 田保明，杨光圣. 农作物倒伏及其评价方法[J]. 中国农学通报，2005，21(7)：111－111.Tian Baoming, Yang Guangsheng. Crop lodging and its evaluation method[J]. Chinese Agricultural Science Bulletin,2005, 21(7): 111－111. (in Chinese with English abstract)