摘  要：莖桿倒伏是苧麻三麻培育中最常見的災(zāi)害，傳統(tǒng)的監(jiān)測方法具有耗時(shí)耗力、不及時(shí)等局限性。提出了一種基于無人機(jī)航拍獲取苧麻倒伏信息的方法，首先利用Pix4D Mapper軟件生成苧麻的冠層正射影像和數(shù)字表面模型（digital surface model,DSM），基于正射影像提取苧麻光譜、紋理及形狀特征，基于DSM提取苧麻株高指標(biāo)，最后結(jié)合3種機(jī)器學(xué)習(xí)算法構(gòu)建正常/倒伏苧麻分類模型。結(jié)果表明，基于DSM提取的株高信息可以有效代替大田實(shí)測株高，模型R2為0.899。倒伏和正常苧麻在光譜、紋理、形狀及株高特征上具有差異。在3種機(jī)器學(xué)習(xí)算法中，支持向量機(jī)和決策樹模型的性能最好，準(zhǔn)確率達(dá)到99%，能夠高效地識(shí)別苧麻倒伏地塊。以上研究結(jié)果為準(zhǔn)確、快速評(píng)估作物倒伏情況提供了技術(shù)支撐。

關(guān)鍵詞：苧麻；倒伏；無人機(jī)；可見光相機(jī)；數(shù)字表面模型

倒伏災(zāi)害一直是農(nóng)業(yè)生產(chǎn)領(lǐng)域關(guān)注的熱點(diǎn)難題。作物倒伏會(huì)造成產(chǎn)量和質(zhì)量下降，影響農(nóng)業(yè)機(jī)械自動(dòng)化收割。倒伏災(zāi)情嚴(yán)重時(shí)，小麥、水稻等主要糧食作物產(chǎn)量損失率在22%左右，極端情況下甚至?xí)^產(chǎn)，對糧食安全造成重大威脅^[1]?？沟狗芰κ亲魑锪挤N選育研究中重要的遺傳特性以及選育標(biāo)準(zhǔn)，但倒伏信息獲取與評(píng)估仍是亟需解決的難題^[2,3]。目前，倒伏已納入我國農(nóng)業(yè)保險(xiǎn)體系，及時(shí)、有效地獲取大面積農(nóng)田的倒伏信息是科學(xué)、有序、精準(zhǔn)進(jìn)行農(nóng)業(yè)保險(xiǎn)理賠以及救災(zāi)補(bǔ)償?shù)幕A(chǔ)^[4]?？焖?、準(zhǔn)確的倒伏信息獲取手段對于作物的生產(chǎn)管理、良種選育以及災(zāi)害保險(xiǎn)具有重要意義。

早期作物倒伏估測是由人工進(jìn)行實(shí)地調(diào)查，然后記錄相關(guān)倒伏信息。但作物的倒伏具有突發(fā)性、隨機(jī)性以及范圍廣等特點(diǎn)，傳統(tǒng)調(diào)查方式難以實(shí)現(xiàn)大范圍災(zāi)情監(jiān)測和減災(zāi)措施實(shí)施的及時(shí)響應(yīng)^[5]。近年來，近地遙感技術(shù)在農(nóng)業(yè)領(lǐng)域發(fā)展迅速，使得高精度、高頻次、高效率的作物長勢信息采集成為可能，為倒伏監(jiān)測和災(zāi)情評(píng)估提供了科學(xué)方法?；谶b感的作物倒伏研究思路主要有2種。一是基于遙感光譜探測田間作物倒伏狀況。倒伏發(fā)生時(shí)，作物冠層結(jié)構(gòu)具有葉片雜亂，作物莖、穗暴露等特點(diǎn)，因此利用作物不同部位光譜反射率的差異可實(shí)現(xiàn)倒伏遙感監(jiān)測。王猛等^[6]發(fā)現(xiàn)，倒伏玉米的冠層光譜反射率低于正常玉米，并由此實(shí)現(xiàn)倒伏玉米識(shí)別。田明璐等^[7]發(fā)現(xiàn)，多光譜中倒伏水稻在各個(gè)波段的反射率均高于正常水稻，利用光譜差異對倒伏水稻的分類精度達(dá)到99.04%。陸洲等^[8]利用作物的光譜特征識(shí)別正常/倒伏水稻，其中高光譜的紅光波段、差異植被指數(shù)（difference vegetation index,DVI）的差異最大。二是基于遙感空間結(jié)構(gòu)數(shù)據(jù)探測田間作物倒伏狀況，空間結(jié)構(gòu)數(shù)據(jù)包括作物株高以及冠層紋理特征^[9]。倒伏災(zāi)害發(fā)生時(shí)，直立生長的作物會(huì)歪斜或匍倒，導(dǎo)致群體絕對株高降低，冠層紋理的均一性被破壞。胡琪等^[10]通過計(jì)算小麥的絕對高度監(jiān)測倒伏狀況，在大面積倒伏災(zāi)害識(shí)別中，正常/嚴(yán)重倒伏的識(shí)別精度最高。董錦繪等^[11]通過紅綠藍(lán)（red green blue,RGB）色彩模式的三通道特征參數(shù)識(shí)別正常/倒伏小麥存在一定誤差，提出需要結(jié)合光譜信息建立基于作物的數(shù)字表面模型（digital surface model,DSM）影像。趙立成等^[12]在無人機(jī)可見光影像數(shù)據(jù)上增加了DSM數(shù)據(jù)，依靠田埂/小麥、正常/倒伏之間冠層高度差異消除了光譜中的“椒鹽”現(xiàn)象，提高了識(shí)別精度。前人對基于多光譜遙感的作物倒伏監(jiān)測進(jìn)行了大量研究，但忽視了作物冠層影像包含的空間結(jié)構(gòu)信息的影響，缺乏多維數(shù)據(jù)比對。同時(shí)，雖然有研究證明利用無人機(jī)（unmanned aerial vehicles,UAV）獲取的DSM數(shù)據(jù)能夠有效監(jiān)測作物倒伏信息，但只考慮了作物的絕對高度，而株高受遺傳因素、栽培管理、生長環(huán)境等眾多因素影響，絕對高度在研究中不具備普適性。因此，需要引入更靈活的株高相關(guān)指標(biāo)進(jìn)行倒伏研究。

倒伏作為苧麻生產(chǎn)中常見的農(nóng)業(yè)災(zāi)害，嚴(yán)重影響了苧麻的高產(chǎn)優(yōu)質(zhì)。當(dāng)前，有關(guān)作物倒伏研究多集中于水稻、小麥等作物，研究內(nèi)容側(cè)重正常/倒伏作物分類以及倒伏面積提取，鮮有關(guān)于苧麻倒伏監(jiān)測和倒伏災(zāi)害脅迫下多生長指標(biāo)的響應(yīng)解析研究。本研究采用無人機(jī)遙感系統(tǒng)獲取苧麻倒伏前后的冠層可見光影像，利用數(shù)字表面模型提取株高相關(guān)參數(shù)，正射影像提取冠層紋理特征，進(jìn)而基于多維數(shù)據(jù)，定量評(píng)估苧麻倒伏情況。

1 材料與方法

1.1 試驗(yàn)區(qū)域

試驗(yàn)區(qū)位于湖南省長沙市芙蓉區(qū)湖南農(nóng)業(yè)大學(xué)耘園教學(xué)基地（28°11′1.981″N、113°4′10.159″E，圖1）。該區(qū)屬典型的亞熱帶季風(fēng)性濕潤氣候，降水充沛，光熱條件良好，是苧麻生長的主產(chǎn)區(qū)之一。試驗(yàn)區(qū)地勢平坦，無遮擋物，為無人機(jī)進(jìn)行遙感作業(yè)提供了有利條件。試驗(yàn)地面積為15m×60m，布置154個(gè)小區(qū)，小區(qū)種植品種無重復(fù)，共包含154份苧麻種質(zhì)資源。各小區(qū)面積2.0m×1.8m,2行×4蔸，蔸間距0.4m，行間距0.6m，排水溝寬為0.5m。苧麻于2017年12月育苗移栽，2018年6月破桿。試驗(yàn)區(qū)土壤成分均一且土壤肥沃，灌溉排水便捷，田間水肥管理一致。

1.2 無人機(jī)航拍照片獲取

于2019、2020年苧麻三麻的關(guān)鍵生育期即苗期、封行期、旺長期和成熟期，采用大疆悟2四旋翼無人機(jī)（Inspire 2 DJI，深圳）搭載蟬思X5s高清數(shù)碼相機(jī)進(jìn)行苧麻倒伏監(jiān)測。該相機(jī)有效像素可達(dá)2080萬，最大分辨率為5280×3956。為保證太陽輻射穩(wěn)定和充足，選擇晴朗無云天氣于當(dāng)?shù)貢r(shí)間12:00—14:00進(jìn)行作業(yè)。無人機(jī)遙感平臺(tái)采用DJI GO軟件在指定區(qū)域內(nèi)自動(dòng)生成航線，飛行高度20m，云臺(tái)俯仰角-90°，飛行速度2m·s^-1，航向及旁向重疊度均為85%。所搭載數(shù)碼相機(jī)的曝光模式選擇自動(dòng)。各生育期飛行任務(wù)的拍攝參數(shù)、航線規(guī)劃一致，在飛行任務(wù)執(zhí)行前設(shè)置完成。

圖1 試驗(yàn)小區(qū)分布

1.3 圖像處理

無人機(jī)拍攝的影像采用Pix4D Mapper軟件進(jìn)行拼接。利用Arc GIS 10.2軟件中的柵格工具，在全幅DSM影像上構(gòu)建小區(qū)尺度的矩形感興趣區(qū)域（area of interest,AOI）。AOI繪制時(shí)，沿小區(qū)四周邊緣余留10%，同時(shí)按小區(qū)行列號(hào)進(jìn)行編號(hào)，并以shapefile文件保存。

1.4 特征指標(biāo)提取方法

1.4.1 株高指標(biāo)的獲取

株高是能夠直接表征作物倒伏情況的關(guān)鍵特征參數(shù)，一般情況下，倒伏作物的冠層高度會(huì)低于正常作物。本研究采用植株上邊界與地面之間的高程差值來計(jì)算苧麻株高^[13]。植株上邊界通過航拍獲取的植株冠層DSM估算，地面高程通過試驗(yàn)地裸土DSM估算。結(jié)合株高數(shù)據(jù)計(jì)算倒伏前后株高變化，株高發(fā)生正向變化判定為正常苧麻，發(fā)生反向變化判定為倒伏苧麻?；旌宵c(diǎn)云在一定程度上會(huì)導(dǎo)致估測株高存在誤差，因此以降低幅度為10%指標(biāo)檢驗(yàn)初步判定為倒伏的苧麻。

1.4.2 紋理、光譜、形狀指標(biāo)的獲取

通過目視解譯及地面調(diào)查結(jié)果從影像上篩選倒伏和正常苧麻對象，進(jìn)而分別獲取不同類型地塊的光譜、紋理及形狀特征。其中，光譜特征通過RGB不同波段數(shù)字量化值（digital number,DN）組合而成。紋理特征選用灰度共生矩陣（gray level co-occurrence matrices,GLCM），包括同質(zhì)度、對比度、熵與均值4個(gè)特征^[14]。本研究在經(jīng)驗(yàn)累積以及不斷試錯(cuò)的基礎(chǔ)上，共選取了5個(gè)顏色特征、4個(gè)紋理特征及4個(gè)形狀特征進(jìn)行分析。提取正常苧麻地塊138個(gè)，倒伏苧麻地塊16個(gè)。相關(guān)特征描述與計(jì)算方法如表1所示。

1.5 苧麻倒伏識(shí)別模型構(gòu)建

利用隨機(jī)森林（random forest,RF）、支持向量機(jī)（support vector machine,SVM）、決策樹（decision tree,DT)3種機(jī)器算法，以70%的數(shù)據(jù)為訓(xùn)練集，30%的數(shù)據(jù)為測試集，建立3個(gè)分類模型。

2 結(jié)果與分析

2.1 株高提取精度分析

基于株高數(shù)字表面模型（H_DSM）和實(shí)測株高構(gòu)建的一元線性回歸模型如式1所示，R²為0.899，均方根誤差（root mean squared error,RMSE）為0.234，模型擬合程度較好，表明遙感影像提取株高具有代替大田群體苧麻株高的可行性。表2為株高數(shù)字表面模型與實(shí)際株高的對比分析，實(shí)際株高均值比遙感影像提取的株高均值低1.6 cm，誤差范圍在可接受范圍。綜上所述，遙感影像提取的株高可用于計(jì)算倒伏前后株高差異。

2.2 正常苧麻與倒伏苧麻的特征差異分析

圖2為倒伏和正常苧麻在光譜、紋理、形狀和株高數(shù)字表面模型特征上的差異對比。在光譜特征上，倒伏地塊的紅色標(biāo)準(zhǔn)值、綠色標(biāo)準(zhǔn)值、藍(lán)色標(biāo)準(zhǔn)值、綠葉植被指數(shù)與超綠植被指數(shù)均低于正常苧麻分布的地塊，其中綠色標(biāo)準(zhǔn)值、綠葉植被指數(shù)與超綠植被指數(shù)的倒伏地塊分布集中。在紋理特征上，倒伏地塊灰度共生矩陣同質(zhì)度、對比度、熵以及均值都明顯低于正常苧麻地塊，且2類對象在灰度共生矩陣同質(zhì)度、對比度、熵這3項(xiàng)紋理特征上沒有交集，表明紋理特征是分類倒伏苧麻和正常苧麻的重要特征。在形狀特征上，倒伏地塊在邊界指數(shù)、圓度、緊湊度3項(xiàng)指標(biāo)上都高于正常地塊，而密度低于正常地塊；在DSM值上，倒伏苧麻DSM值整體低于正常地塊。成熟期正常苧麻株高數(shù)字表面模型值在0.956～3.563m，而倒伏地塊株高數(shù)字表面模型值在0.512～1.256m，株高數(shù)字表面模型中所有低于正常苧麻株高最小值0.956m的植株都呈現(xiàn)出不同程度的倒伏形態(tài)，表明株高數(shù)字表面模型極具區(qū)分倒伏和正常苧麻的潛力。

表1 特征描述與計(jì)算

注：R表示紅色圖層包含的總像素灰度值的平均值，G表示綠色圖層包含的總像素灰度值的平均值，B表示藍(lán)色圖層包含的總像素灰度值的平均值。i,j分別為像素點(diǎn)行數(shù)、列數(shù)；p(i,j）表示影像中（i,j）位置的灰度值；N為行或列數(shù)。e表示對象影像邊界長度，L min Bd Rd表示對象最小包圍矩形的周長，Rd_max表示對象的最大內(nèi)包圍圓的半徑，Rd_min表示最小外包圍圓半徑，S_{min Bd Rd}表示最小包圍矩形的面積，A表示對象的實(shí)際面積，S表示影像對象像素之和，R₁表示影像對象的協(xié)方差矩陣。

表2 株高數(shù)字表面模型和實(shí)際株高

綜上，結(jié)合倒伏與正常地塊間的特征差異程度，選取了11項(xiàng)特征值，分別為3項(xiàng)光譜特征綠色標(biāo)準(zhǔn)值、綠葉植被指數(shù)和超綠植被指數(shù)；3項(xiàng)紋理特征灰度共生矩陣同質(zhì)度、對比度、熵；4項(xiàng)性狀特征邊界指數(shù)、緊湊度、圓度、密度以及H_DSM特征值，作為區(qū)分倒伏苧麻和正常苧麻的光譜特征。

圖2 倒伏和正常苧麻特征差異

2.3 模型對比分析

由表3可知，隨機(jī)森林（RF）的精確率為0.98，召回率為1.00,F1分?jǐn)?shù)為0.99，準(zhǔn)確率為98%；支持向量機(jī)（SVM）的精確率為0.99，召回率為1.00,F1分?jǐn)?shù)為1.00，準(zhǔn)確率為99%。決策樹（DT）的精確率為1.00，召回率為0.99,F1分?jǐn)?shù)為1.00，準(zhǔn)確率為99%。綜上，3種機(jī)器學(xué)習(xí)算法在識(shí)別正常苧麻和倒伏苧麻上均有較高的準(zhǔn)確率，其中SVM與DT模型表現(xiàn)更好，基于機(jī)器學(xué)習(xí)的正常苧麻和倒伏苧麻地塊快速識(shí)別是可行的。

表3 3種機(jī)器學(xué)習(xí)模型結(jié)果

2.4 倒伏脅迫下苧麻生物量的差異分析

以倒伏后的苧麻生物量為指標(biāo)反映倒伏災(zāi)害對苧麻生長狀況的影響。由表4可知，發(fā)生嚴(yán)重倒伏的苧麻生物量均值僅為1.199kg·m^-2，比正常苧麻生物量均值低1.173kg·m^-2，比發(fā)生一般倒伏的苧麻生物量均值低0.985kg·m^-2。由此可見，苧麻倒伏對其產(chǎn)量具有很大影響，控制苧麻抗倒程度是提高其產(chǎn)量和質(zhì)量的重要措施。

表4 正常苧麻和倒伏苧麻的生物量

3 討論

基于無人機(jī)航拍圖像獲取苧麻倒伏信息相較于傳統(tǒng)的人工方法具有快捷、準(zhǔn)確、無損等優(yōu)勢，為倒伏災(zāi)害的識(shí)別和及時(shí)防治提供了技術(shù)支撐。梁永檢等^[15]基于DSM對甘蔗全生育期的株高監(jiān)測，預(yù)測精度較高，R²為0.961。本研究中，基于DSM的苧麻株高估測精度為0.899，可能是由于無人機(jī)飛行高度較低，槳葉旋轉(zhuǎn)產(chǎn)生氣流導(dǎo)致部分苧麻傾倒，株高信息受損。

利用特征篩選方法可以獲得較高的分類精度。趙靜等^[16]通過篩選特征植被指數(shù)和紋理指數(shù)，結(jié)合支持向量機(jī)構(gòu)建了基于多光譜的倒伏玉米分類模型，精度達(dá)到95.38%。本研究中，增加了紋理、形狀、植株高度等特征，共篩選了13項(xiàng)特征指標(biāo)，取得了較好的效果。雖然高清數(shù)碼相機(jī)所拍攝的影像獲取的植被指數(shù)信息少于多光譜信息，但所取得的高精度的空間位置信息和紋理結(jié)構(gòu)信息，是多光譜相機(jī)很好的替代^[17,18]。

已有研究探討了基于RGB相機(jī)評(píng)估倒伏程度的可行性，申華磊等^[19]采用深度學(xué)習(xí)算法建立小麥倒伏面積分割模型，在識(shí)別正常和倒伏小麥中獲得了97.25%的準(zhǔn)確率。深度學(xué)習(xí)需要使用大量的樣本數(shù)據(jù)，本研究采用的支持向量機(jī)、決策樹2種機(jī)器學(xué)習(xí)算法適合小樣本進(jìn)行監(jiān)測，在分類正常苧麻和倒伏苧麻上達(dá)到了99%的準(zhǔn)確率。因此，利用航拍圖像中提取的多種特征指數(shù)，結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建的分類模型用于識(shí)別正常苧麻和倒伏苧麻是可行的。但對于苧麻倒伏程度分級(jí)與倒伏面積的提取，仍需開展后續(xù)試驗(yàn)。

參考文獻(xiàn)

[1]劉利華,金再欣,劉小麗,等.水稻倒伏對產(chǎn)量影響的試驗(yàn)結(jié)果分析[J].中國稻米,2009(2):19-21.

[2]張建,謝田晉,楊萬能,等.近地遙感技術(shù)在大田作物株高測量中的研究現(xiàn)狀與展望[J].智慧農(nóng)業(yè),2021,3(1):1-15.ZHANG J, XIE T J, YANG W N, et al.. Research status and prospect on height estimation of field crop using near-field remote sensing technology[J]. Smart Agric., 2021,3(1):1-15.

[3]SU W, ZHANG M, BIAN D, et al.. Phenotyping of corn plants using unmanned aerial vehicle(UAV)images[J/OL]. Remote Sens.,2019,11(17):2021[2022-11-06]. https://doi.org/10.3390/rs11172021.

[4]XUE J,GOU L,ZAO Y S,et al.. Effects of light intensity within the canopy on maize lodging[J]. Field Crops Res., 2016, 188:133-141.

[5]周龍飛.基于多源遙感數(shù)據(jù)的玉米倒伏災(zāi)情監(jiān)測研究[D].青島:山東科技大學(xué),2020.ZHOU L F. Monitoring of maize lodging disaster based on multi-source remote sensing data[D]. Qingdao:Shandong University of Science and Technology,2020.

[6]王猛,隋學(xué)艷,梁守真,等.夏玉米倒伏模擬試驗(yàn)及遙感監(jiān)測[J].測繪科學(xué),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]. Sci.Survey. Map., 2017,42(8):137-141.

[7]田明璐,班松濤,袁濤,等.基于低空無人機(jī)多光譜遙感的水稻倒伏監(jiān)測研究[J].上海農(nóng)業(yè)學(xué)報(bào),2018,34(6):88-93.TIAN M L,BAN S T,YUAN T,et al.. Monitoring of lodged rice using low-altitude UAV based multispectral image[J]. Acta Agric. Shanghai, 2018,34(6):88-93.

[8]陸洲,徐飛飛,羅明,等.倒伏水稻特征分析及其多光譜遙感提取方法研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào),2021,29(4):751-761.LU Z,XU F F, LUO M,et al.. Characteristic analysis of lodging rice and study of the multi-spectral remote sensing extraction method[J]. Chin. J. Eco-Agric., 2021,29(4):751-761.

[9]樊鴻葉,李姚姚,盧憲菊,等.基于無人機(jī)多光譜遙感的春玉米葉面積指數(shù)和地上部生物量估算模型比較研究[J].中國農(nóng)業(yè)科技導(dǎo)報(bào),2021,23(9):112-120.FAN H Y,LI Y Y, LU X J,et al.. Comparative analysis of LAI and above-ground biomass estimation models based on UAV multispectral remote sensing[J]. J. Agric. Sci. Technol.,2021,23(9):112-120.

[10]胡琪,武紅旗,軒俊偉,等.基于無人機(jī)DSM的小麥倒伏信息提取[J].安徽農(nóng)業(yè)科學(xué),2020,48(16):227-231.HU Q, WU H Q, XUAN J W, et al.. Information extraction of wheat lodging based on DSM by UAV remote sensing[J]. J.Anhui Agric. Sci.,2020,48(16):227-231.

[11]董錦繪,楊小冬,高林,等.基于無人機(jī)遙感影像的冬小麥倒伏面積信息提取[J].黑龍江農(nóng)業(yè)科學(xué),2016(10):147-152.DONG J H,YANG X D,GAO L,et al.. Information extraction of winter wheat lodging area based on UAV remote sensing image[J]. Heilongjiang Agric. Sci., 2016(10):147-152.

[12]趙立成,段玉林,史云,等.基于無人機(jī)DSM的小麥倒伏識(shí)別方法[J].中國農(nóng)業(yè)信息,2019,31(4):36-42.ZHAO L C, DUAN Y L, SHI Y, et al.. Wheat lodging identification using DSM by drone[J]. Chin. Agric. Inform.,2019,31(4):36-42.

[13]PÉREZHARGUINDEGUY N,DÍAZ S,GARNIER E,et al.. New handbook for standardised measurement of plant functional traits worldwide[J/OL]. Australian J. Botany, 2013, 61:12225[2022-11-06]. https://doi.org/10.1071/BT12225.

[14]宋茜.農(nóng)作物空間分布信息提取及其時(shí)空格局變化分析研究[D].北京:中國農(nóng)業(yè)科學(xué)院,2018.SONG Q. Crop mapping and spatio-temporal analysis of agricultural land-use[D]. Beijing:Chinese Academy of Agricultural Sciences,2018.

[15]梁永檢,吳文志,施澤升,等.基于無人機(jī)RGB遙感的甘蔗株高估測[J].作物雜志,2023(1):226-232.LIANG Y J,WU W Z,SHI Z S,et al.. Estimation of sugarcane plant height based on UAV RGB remote sensing[J]. Crops,2023(1):226-232.

[16]趙靜,閆春雨,楊東建,等.基于無人機(jī)多光譜遙感的臺(tái)風(fēng)災(zāi)后玉米倒伏信息提取[J].農(nóng)業(yè)工程學(xué)報(bào),2021,37(24):56-64.ZHAO J, YAN C Y, YANG D J, et al.. Extraction of maize lodging information after typhoon based on UAV multispectral remote sensing[J]. Trans. Chin. Soc. Agric. Eng.,2021,37(24):56-64.

[17]李宗南,陳仲新,王利民,等.基于小型無人機(jī)遙感的玉米倒伏面積提取[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(19):207-213.LI Z N,CHEN Z X,WANG L M,et al.. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Trans. Chin. Soc. Agric. Eng.,2014,30(19):207-213.

[18]毛智慧,鄧?yán)?/font>,趙曉明,等.利用無人機(jī)遙感提取育種小區(qū)玉米倒伏信息[J].中國農(nóng)學(xué)通報(bào),2019,35(3):62-68.MAO Z H, DENG L, ZHAO X M, et al.. Extraction of maize lodging in breeding plot based on UAV remote sensing[J].Chin. Agric. Sci. Bull.,2019,35(3):62-68.