基于HJ-1A/B CCD数据的玉米倒伏识别方法

王 杰，刘 实，兰玉彬，陈立文，郭永青，王 颖

基于HJ-1A/B CCD数据的玉米倒伏识别方法

王 杰1,2，刘 实3，兰玉彬1,4，陈立文5，郭永青2，王 颖6

（1. 山东理工大学国际精准农业航空应用技术研究中心，淄博 255000；2. 山东理工大学交通与车辆工程学院，淄博 255000； 3. 吉林省气象局，长春 130062；4. 山东理工大学农业工程与食品科学学院，淄博 255000；5. 吉林大学地球探测科学与技术学院，长春 130026；6. 吉林省气象科学研究所，长春 130062）

为快速获取大面积玉米倒伏灾情信息，以2012年台风“布拉万”过境导致大面积玉米倒伏的公主岭市为研究区，利用HJ-1A/BCCD数据，对受灾前后倒伏玉米和正常玉米之间的光谱差异进行分析，提取归一化植被指数（NDVI）、比值植被指数（RVI）、增强植被指数（EVI）、差值植被指数（DVI）及4波段光谱反射率主成分，结合地面调查构建基于二元Logistic回归的玉米倒伏识别模型，并进行精度评价和验证。结果表明：玉米倒伏后冠层光谱反射率在可见光−近红外波段均表现为增大，但植被指数减小；二元Logistic回归方法对玉米倒伏识别适用，所建模型中以4波段光谱反射率主成分构建的二元Logistic回归模型对玉米倒伏的识别效果最优，测试集上分类结果的准确率达到96.23%，NDVI和RVI模型次之，准确率为80%左右；将主成分模型应用于公主岭市倒伏玉米识别，结果与灾情实际情况基本一致。基于二元Logistic回归模型对玉米倒伏进行监测的思路和方法可为区域尺度玉米倒伏的多光谱遥感监测提供参考。

遥感；环境减灾卫星；灾害；玉米；倒伏

玉米是全球种植面积最广、总产最高的农作物之一，其种植面积和总产量仅次于水稻和小麦[1]。玉米茎秆高大，易受大风暴雨等外力作用发生倒伏，从而严重影响产量、籽粒品质及机械收获[2−5]。据统计，由倒伏造成的玉米减产一般可达15%～30%，严重区域可达50%以上，甚至绝收[6−8]。此外，近年来中国农业保险发展迅速，日益受到农业管理部门、种植户和保险行业的高度重视，而客观、快速、准确地监测和评估作物受灾状况，有助于及时开展保险理赔和救灾补偿，最大限度地减少种植户的受灾损失[9−11]。因此，及时、客观、快速和定量地监测玉米倒伏发生的范围和受灾程度具有重要意义，而遥感监测在此方面具有独特优势。玉米发生倒伏后，冠层结构将发生明显变化，从而使冠层辐射传输特性和光谱特征发生改变，这为大面积玉米倒伏的遥感监测提供了可能性。近年来，随着遥感技术的发展，作物倒伏遥感监测研究开始引起学者们的关注。当前对玉米倒伏的遥感监测研究主要集中在倒伏玉米光谱特征变化和遥感监测方法两方面。王猛等[12]对ASD光谱仪所采集数据的分析发现，与正常玉米相比，倒伏玉米的冠层光谱反射率，在可见光和近红外波段均显著下降；包玉龙等[13]对USB2000高光谱仪采集数据的分析表明，倒伏玉米的反射率在可见光波段减小，而在近红外波段增大，与正常玉米反射信息比较，具有非常明显的各项异性特征。韩东等[14]利用Sentinel-1雷达影像提出了一种采用自然高与植株高的比值作为倒伏程度评价指标的玉米倒伏监测模型，模型求解的自然高/植株高比值与实测比值总体相关性达到0.899；王立志等[15]对多时相HJ-1B卫星CCD多光谱影像的分析发现，倒伏玉米反射率在可见光波段高于未倒伏玉米，而在近红外波段，略低于未倒伏玉米，并基于此通过筛选确定倒伏前后的比值植被指数（RVI）差值作为敏感指标，采用阈值法实现了区域尺度下的玉米倒伏受灾范围监测和灾情评估；李宗南等[16]对Worldview-2影像的分析表明，玉米倒伏后8个波段的反射率均升高，并提出了基于最大似然分类法使用红边、近红外1和近红外2等3波段光谱反射率的玉米倒伏面积估算方法；任红玲等[17]利用环境减灾卫星数据，采用最大似然法对“布拉万”台风造成的吉林省玉米倒伏灾害进行了监测。可见，已有研究中玉米倒伏后冠层光谱特征变化差异较大，这可能与玉米倒伏时所处的生育期以及倒伏程度轻重有关；针对不同遥感数据、不同倒伏玉米冠层光谱变化特征采用的玉米倒伏遥感监测方法差异较大。因此，针对玉米倒伏后冠层光谱变化及玉米倒伏遥感监测方法仍需进一步研究，以明确玉米倒伏后冠层光谱变化规律，并最终建立相对成熟的遥感监测方法。

本研究以受台风“布拉万”影响，玉米大面积倒伏受灾的吉林省公主岭市为研究区，利用HJ-1A/B CCD数据，通过分析受灾前后倒伏玉米与正常玉米的光谱差异，提取4种植被指数及4波段光谱反射率的主成分，结合地面实地调查样本构建玉米倒伏识别的二元Logistic回归模型，并进行精度评价和验证。

1 资料与方法

1.1 概况

台风“布拉万”于2012年8月28进入东北地区，28日14：00−29日14：00，吉林省出现区域性暴雨和大风天气，7级大风半径达300km，长春、吉林、白山、通化、延边、四平东部出现8级以上大风，发生严重的大风灾害，造成玉米大面积倒伏。

公主岭市位于吉林省中部，地理坐标为124°02'−125°18'E，43°11'−44°09'N，处于素有世界“黄金玉米带”之称的松辽平原腹地。除东南部少量低山丘陵外，公主岭市大部分地区为平原，属温带大陆性季风气候，气温、降水、光照等季节性变化显著，冬冷夏热，四季分明，年平均气温5.6℃，年平均降水量594.8mm，无霜期144d。公主岭市主要粮食作物为玉米，是吉林省主要玉米产区之一（图1）。受台风“布拉万”影响，公主岭市东部和南部玉米倒伏严重，当时玉米已进入乳熟期。

图1 2010年吉林省公主岭市玉米种植区分布

1.2 数据与方法

1.2.1 数据来源

HJ-1A/B CCD数据来源于中国资源卫星应用中心网站。选取2012年8月13日（灾前15d）、8月30日（灾后1d）、9月10日（灾后12d）、9月16日（灾后18d）4个时相的数据，覆盖范围为吉林省中西部，产品级别为LEVEL2。

研究区玉米种植分布数据和风灾灾情报告数据来源于吉林省气象局。2012年9月1−2日对吉林省中部主要受灾地区进行实地调查，采用GPS记录玉米倒伏和未倒伏地块的位置信息。结合研究区玉米分布情况和谷歌地球高分辨率遥感影像，在玉米倒伏地块和未倒伏地块分别取得316个位置点，用于读取倒伏玉米和未倒伏玉米的光谱信息数据。

1.2.2 环境减灾卫星遥感数据处理

获取的HJ-1A/B CCD经过辐射粗校正和几何粗校正，利用ENVI软件及HJ-1A/B CCD数据下载时附带的元文件对4个时相的CCD数据进行进一步辐射定标、大气校正和几何精校正。流程如下：（1）首先利用辐射定标工具和元文件中的辐射定标参数对数据进行辐射定标；（2）利用大气校正模块和元文件数据对CCD数据进行大气校正，其中传感器参数从元文件中自动读取，大气模型参数设为Mid-Latitude Summer，光谱条件参数自动读取，其它参数设为默认；（3）利用几何校正模块和GPS实测地面控制点对CCD数据进行几何精校正，最大误差控制在1个像元以内。

1.2.3 光谱数据获取与建模变量选择

在ENVI中，利用在倒伏玉米和未倒伏玉米地块分别取得的316个位置点读取经过处理的4个时相CCD的各波段光谱反射率数据，每个时相分别获取632组光谱反射率数据。

选取归一化植被指数（Normalized Difference Vegetation Index，NDVI）、比值植被指数（Ratio Vegetation Index，RVI）、增强植被指数（Enhanced Vegetation Index，EVI）和差值植被指数（Difference Vegetation Index，DVI）[18−20]作为玉米倒伏识别建模变量。此外，利用提取的光谱反射率数据对同一时相的4波段反射率进行主成分分析，提取的主成分作为玉米倒伏识别建模变量。

1.2.4 二元Logistic回归模型

二元Logistic回归模型构建过程简单、使用方便，且模型解释性、预测准确度和实用推广性较好[21]。以4种植被指数和利用光谱反射率提取的主成分作为玉米倒伏识别建模变量分别构建二元Logistic回归模型，并进行对比分析，以得到最优模型。把倒伏玉米标记为1，正常玉米标记为0。假设判识玉米发生倒伏的条件概率为P，由Logistic线性回归模型求解可得如式（1）所示的方程[22]。

式中，α0为常量，α1，…，αm为变量回归系数；X1，X2，…，Xm为回归自变量，均为单一变量，分别为NDVI、RVI、EVI、DVI及4波段反射率提取的主成分。P表示玉米发生倒伏的概率，当玉米倒伏的概率大于未倒伏的概率时，判定玉米发生倒伏，即P＞0.5时，因变量Y=1；反之，判定玉米未发生倒伏，因变量Y=0。

1.2.5 精度评价

选取精确率（Pre）、准确率（Acc）作为二元Logistic回归模型精度评价指标，如式（2）−（3）所示[23]。对训练集（用于训练模型的数据集）和测试集（用于模型检验的数据集）的实际观测结果与模型分类结果进行比较，并以试验精确率和准确率的均值作为分类精度的最终估计。

式中，TP为倒伏玉米划分正确的样本数；FP为未倒伏玉米划分正确的样本数；TN为未倒伏玉米划分错误的样本数；FN为倒伏玉米划分错误的样本数。

2 结果与分析

2.1 玉米倒伏识别模型的数据筛选

2.1.1 波段反射率分析

分别计算各时相玉米倒伏区和未倒伏区样本点蓝光波段（0.43−0.52μm）、绿光波段（0.52−0.60μm）、红光波段（0.63−0.69μm）和近红外波段（0.76−0.9μm）反射率数据的平均值，分析倒伏区和未倒伏区玉米冠层反射率在可见光−近红外波段的变化特征。将4个时相中倒伏区与未倒伏区玉米冠层光谱反射率进行对比可见（图2），灾前（图2a）两类区域的玉米在可见光−近红外波段的反射率非常接近；灾后1d（图2b），倒伏区玉米冠层的光谱反射率在可见光−近红外波段明显增大，尤其以近红外波段更为显著；灾后12d和18d，倒伏区和未倒伏区玉米冠层的光谱反射率在可见光−近红外波段均表现出下降趋势，且在近红外波段下降幅度更大，这与玉米生长发育处于衰退期有关，但倒伏区玉米冠层在可见光−近红外波段光谱反射率仍均高于未倒伏区玉米，趋势与灾后1d一致。因此，仅针对灾后1d（即8月30日）HJ-1A/1B CCD数据进行玉米倒伏识别建模。

2.1.2 波段反射率主成分分析

由光谱分析可知，研究区内玉米倒伏后可见光−近红外波段反射率均增大，植被指数对光谱变化数据利用并不充分，因此，利用SPSS对样本点的8月30日4波段反射率数据进行主成分分析，提取到一个主成分，贡献率为98.043%，计算式为

式中，F为可见光−近红外波段反射率主成分取值， 、、分别为蓝、绿、红和近红外波段的反射率。

2.2 玉米倒伏识别模型的构建

在SPSS软件中，通过提取的样本点反射率数据计算NDVI、RVI、EVI、DVI及主成分F，并分别构建5个变量的二元Logistic回归模型。模型构建过程中，于取得的632个样本中，选取400个样本（倒伏玉米和未倒伏玉米样本各200个）作为训练集，用于建模，其余232个样本（倒伏玉米和未倒伏玉米样本各116个）作为测试集，用于模型精度评价。

在训练样本基础上建立的各植被指数和主成分二元Logistic回归模型、参数及检验情况见表1。

标准差反映的是样本均值对总体均值的变异程度，其值越小标志着总体样本波动越小、离散度越小；而Wald检验值为无约束估计量与约束估计量之间的距离，其值越大表示该特征的影响越显著，因此，样本的标准差越小、Wald检验值越大，模型越能反映实际情况[23]。由表1可知，除DVI模型外，其它模型的显著性均达到了显著水平（Sig<0.05）；从标准差来看，RVI模型最小，EVI模型、主成分模型和NDVI模型次之，DVI模型最大；从Wald检验情况看，DVI模型最小，NDVI模型、RVI模型和EVI模型次之，主成分模型最大。综上可知，主成分模型最能反映实际倒伏状况，NDVI模型、RVI模型和EVI模型次之，DVI模型效果最差。

2.3 玉米倒伏识别模型评价

2.3.1 预测精度评价

计算精确率和准确率的平均值作为二元Logistic回归模型的精度评价指标，结果见表2。由表可见，在训练集和测试集上，各模型的精确率和准确率在数值上近似相等且趋势相同，表明分类样本的分布较为均衡，因此，可以使用准确率来评估各模型的分类精度。从准确率来看，主成分模型在训练集和测试集中均有较好的表现，在所有模型中表现最优，分类精度最高，准确率达到96.23%；NDVI模型和RVI模型次之，准确率在80%左右；EVI模型准确率较低，为74.67%，DVI模型最低，为30.56%。

表1 倒伏玉米识别二元Logistic回归模型（n=400）结果

注：NDVI指归一化植被指数；RVI指比值植被指数；EVI指增强型植被指数；DVI指差值植被指数；F指4波段反射率主成分；P指判识玉米发生倒伏的条件概率。

Note: NDVI denotes normalized difference vegetation index；RVI denotes ratio vegetation index；EVI denotes enhanced vegetation index；DVI denotes difference vegetation index；F denotes principal component extracted from 4 bands reflectance of HJ-1 CCD；P denotes the conditional probability to discriminate lodging maize.

表2 二元Logistic回归模型分类精度（%）

2.3.2 分类精度验证

为进一步验证优选出的主成分模型对倒伏玉米的识别效果，在ENVI中按模型计算玉米倒伏识别条件概率P，以P=0.5为分类阈值，对2012年8月30日公主岭市的玉米倒伏区进行识别，结果如图3a所示。由图可见，玉米倒伏区主要分布在公主岭市的东部和南部，分布范围与吉林省气象局掌握的大风发生范围及当地农业部门掌握的灾情信息基本一致。将本研究监测结果与任红玲等[17]采用最大似然法对该区域玉米倒伏的监测结果（图3b）进行对比分析，发现两者具有非常好的一致性。对主成分模型识别的玉米倒伏区面积进行统计计算，结果为6.8万hm2，与任红玲等监测得到的7.0万hm2接近。

（a）主成分模型分类结果Results by principal component model （b）任红玲等结果[17] Results by REN Hong-ling et al[17]

3 结论与讨论

（1）大风导致玉米倒伏后，玉米的冠层结构遭到破坏，其光谱特征发生明显变化。利用4个时相的HJ-1A/B CCD数据，分析了“布拉万”台风过境前后公主岭市玉米倒伏区和未倒伏区玉米光谱反射率变化特征，发现可见光−近红外波段，倒伏玉米的光谱反射率均表现为增大，以近红外波段增幅最大，但植被指数降低。本研究中玉米倒伏后冠层光谱反射率变化趋势与李宗南等[16]的研究结果一致，但与王猛等[12,15]的研究结果差异较大，说明玉米倒伏后冠层光谱变化的规律仍未明晰，需进一步研究。

（2）分别以NDVI、RVI、EVI、DVI及通过对波段反射率数据进行主成分分析得到的主成分为变量，构建二元Logistic回归玉米倒伏识别模型并对其效果进行对比分析，结果表明主成分模型识别效果最优，准确率达到96.23%，对公主岭市玉米倒伏灾情的监测效果较好，与任红玲等[17]采用最大似然法的监测结果接近，与当地农业部门掌握的灾情基本一致。

（3）本研究提出的玉米倒伏遥感监测思路和方法具有一定普适性，能够通过单时相遥感数据结合地面调查完成大面积玉米倒伏监测，实现对灾情宏观情况的掌握。但由于仅对玉米倒伏区和未倒伏区进行了划分，而对倒伏区内不同倒伏程度的划分未涉及，今后研究中需进一步深入，以实现更为精确的灾损评估。

[1]李阔,熊伟,潘婕,等.未来升温1.5℃与2.0℃背景下中国玉米产量变化趋势评估[J].中国农业气象,2018,39(12):765-777.

Li K,Xiong W,Pan J,et al.Trend evaluation on changes of maize yield in China under global warming by 1.5℃and 2.0℃[J].Chinese Journal of Agrometeorology,2018,39(12): 765-777.(in Chinese)

[2]Martinez-Vazquez P.Crop lodging induced by wind and rain[J].Agricultural and Forest Meteorology,2016,228-229: 265-275.

[3]Alexander Q S,Fletcher G,Jo H D,et al.An automatable,field camera track system for phenotyping crop lodging and crop movement[J].Hardware X,2018,(4):1-13.

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

[5]Wei W,Ma B L.Assessment of canola crop lodging under elevated temperatures for adaptation to climate change[J]. Agricultural and Forest Meteorology,2018,248:329-338.

[6]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 S Y,Wang Y X,Hu C D,et al.Effects of strong windlodging 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)

[7]何亮,张艳红,曹云,等.2016年秋季气候对农业生产的影响[J].中国农业气象,2017,38(1):61-63.

He L,Zhang Y H,Cao Y,et al.The effect of climate on the agricultural production in the autumn 2016[J].Chinese Journal of Agrometeorology,2017,38(1): 61-63.(in Chinese)

[8]刘战东,肖俊夫,南纪琴,等.倒伏对夏玉米叶面积、产量及其构成因素的影响[J].中国农学通报,2010,26(18):107-110.

Liu Z D,Xiao J F,Nan J Q,et al.Effect of different levels lodging on leaf area index,yield and its components of summer maize[J].Chinese Agricultural Science Bulletin,2010, 26(18):107-110.(in Chinese)

[9]席吉龙,张建诚,姚景珍,等.夏玉米灌浆期倒伏对产量的影响模拟研究[J].山西农业科学,2015,43(6):705-708.

Xi J L,Zhang J C,Yao J Z,et al.Simulation study on the influence of filling summer corn lodging on yield[J].Journal of Shanxi Agricultural Sciences,2015,43(6):705-708.(in Chinese)

[10]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 S Y,Ma W,Peng J Y,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)

[11]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 Y L,Mao L X,Zhou G S.Changement of major grain crops in the world and its risk assessment of meteorological disasters[J].Transactions of the CSAE,2016,32(1):226-235. (in Chinese)

[12]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 M,Sui X Y,Liang S Z,et al.Simulation test and remote sensing monitoring of summer corn lodging[J].Science of Surveying and Mapping,2017,42(8):137-141.(in Chinese)

[13]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 Y L,Zhang J Q,Liu X J,et al.Measurement and analysis of reflected information from crops canopy suffering from wind disaster influence[J].Spectroscapy and Spectral Analysis, 2013,33(4):1057-1060.(in Chinese)

[14]韩东,杨浩,杨贵军,等.基于Sentinel-1雷达影像的玉米倒伏监测模型[J].农业工程学报,2018,34(3):166-172 .

Han D,Yang H,Yang G J,et al.Monitoring model of maize lodging based on Sentinel-1 radar image[J].Transactions of the CSAE,2018,34(3):166-172.(in Chinese)

[15]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 L Z,Gu X H,Hu S W,et al.Remote sensing monitoring of maize lodging disaster with multi-temporal HJ-1B CCD image[J]. Scientia Agricultura Sinica,2016,49(21):4120- 4129.(in Chinese)

[16]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[J].农业工程学报,2016,32(2):1-5.

Li Z N,Chen Z X,Ren G Y,et al.Estimation of maize lodging area based on Worldview-2 image[J].Transactions of the CSAE,2016,32(2):1-5.(in Chinese)

[17]任红玲,王萌,刘珂,等.卫星遥感在台风影响玉米倒伏灾害监测中的应用[J].气象灾害防御,2015,22(4):21-24.

Ren H L,Wang M,Liu K,et al.Application of remote sensing in monitoring of maize lodging disaster caused by typhoon [J].Meteorological Disasters and Protective,2015,22(4): 21-24.(in Chinese)

[18]Yuan L H,Chen X Q,Wang X Y,et al.Spatial associations between NDVI and environmental factors in the Heihe River Basin[J].Journal of Geographical Sciences,2019,29(9): 1548-1564.

[19]张晓忆,景元书,李卫国.基于高通滤波算法的水稻遥感影像适宜尺度筛选[J].中国农业气象,2018,39(5):344-353.

Zhang X Y,Jing Y S,Li W G.Optimal scale screening of paddy rice in remote sensing imagery based on high pass filter fusion[J].Chinese Journal of Agrometeorology,2018, 39(5):344-353.(in Chinese)

[20]戴建国,张国顺,郭鹏,等.基于无人机遥感多光谱影像的棉花倒伏信息提取[J].农业工程学报,2019,35(2):63-70.

Dai J G,Zhang G S,Guo P,et al.Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing[J].Transactions of the CSAE,2019,35(2): 63-70.(in Chinese)

[21]朱华亮,温华洋,华连生,等.基于Logistic回归建立霜自动判识模型[J].中国农业气象,2019,40(8):534-542.

Zhu H L,Wen H Y,Hua L S,et al.Frost automatic identification model based on logistic regression[J].Chinese Journal of Agrometeorology,2019,40(8):534-542.(in Chinese)

[22]杜谦,范文,李凯,等.二元Logistic回归和信息量模型在地质灾害分区中的应用[J].灾害学,2017,32(2):220-226.

Du Q,Fan W,Li K,et al.Geohazard susceptibility assessment by using binary logical regression and information value model[J].Journal of Catastrophology,2017,32(2):220-226.(in Chinese)

[23]Gudicha D W,Tekle F B,Vermunt J K.Power and sample size computation for Wald tests in latent class models[J].Journal of Classification,2016,33(1):30-51.

Method of Maize Lodging Recognition Based on HJ-1A/B CCD Data

WANG Jie1,2, LIU Shi3, LAN Yu-bin1,4, CHEN Li-wen5, GUO Yong-qing2, WANG Ying6

(1.International Research Center of Precision Agricultural Aviation Application Technology, Shandong University of Technology, Zibo 255000, China; 2. School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255000; 3. Meteorological Service of Jilin Province，Changchun 130062; 4. School of Agricultural Engineering and Food Science, Shandong University of Technology, Zibo 255000; 5. College of Geo-exploration Science and Technology, Jilin University, Changchun 130026; 6.Jilin Provincial Institute of Meteorological Science, Changchun 130062)

To quickly and effectively obtain crop lodging information, this study proposed a remote sensing method for monitoring maize lodging using HJ-1(Small Satellite Constellations for Environment and Disaster Monitoring and Forecasting) CCD data. This paper took one area in Gongzhuling, Jilin Province as an example, where large-scale maize lodging occurred in 2012, caused by Typhoon Bolaven. The spectral characteristics of lodging and normal maize were first analyzed and summarized before and after the Typhoon. The results showed that compared with the normal field, the canopy reflectance increased in chromatic and near-infrared bans, but the vegetable index decreased in the lodged field. Four vegetation indices and a principal component were calculated, which extracted from 4 bans spectral data set. Binary Logistic models of lodging and normal maize classification were constructed with these 5 varieties. The prediction accuracies of the classification models were measured by ground survey samples. The principal component model could get the optimal results of recognition, and the classification accuracy on the test set was 96.23%. The classification accuracies of NDVI model and RVI model followed, the classification accuracies were about 80%. Finally, the principal component model was applied to recognize maize lodging using the spectral image, and the results confirmed that the proposed modes can accurately predict the distribution of maize lodging. The proposed maize lodging recognition method based on binary Logistic, provided a theoretical basis for monitoring large-scale lodged maize filed using multispectral data.

Remote sensing; Small satellite constellations for environment and disaster monitoring and forecasting; Disaster; Maize; Lodging

10.3969/j.issn.1000-6362.2020.02.007

王杰,刘实,兰玉彬,等.基于HJ-1A/B CCD数据的玉米倒伏遥感监测方法[J].中国农业气象,2020,41(2):121-128

2019−09−27

山东省引进顶尖人才“一事一议”专项经费资助项目（2018.01−2021.12）；中央引导地方科技发展专项资金“精准农业航空技术与装备研发”资助项目（2017.1−2019.12）；淄博市科技发展计划资助项目（2018kj010073）；吉林省科技发展计划项目（20140204052SF）

王杰，E-mail：wang-jie@ sdut.edu.cn