1.摘要
倒伏是玉米生产中的常见现象，严重影响玉米的产量、品质和机械收割能力。卫星雷达凭借良好的穿透力，甚至可以在多云的天气条件下监测作物生长。本研究利用双偏振Sentinel-1A数据，提出了一种基于玉米倒伏前后株高变化计算玉米倒伏角度和监测玉米倒伏程度的方法。结果表明，倒伏前后玉米株高的最佳敏感偏振组合分别为VH/VV和VV，倒伏角度由倒伏前后的株高反演结果计算得到，玉米倒伏等级分类的总体准确率为67%，基于倒伏角度的模型能够有效地在区域尺度上绘制玉米倒伏范围并划分倒伏等级。2.结果与分析
2.1倒伏前后的后向散射系数分析
地物的微波后向散射特性在不同偏振组合下表现出不同的分离特征，可以为倒伏前后玉米株高的反演提供有效信息。本研究提取了倒伏前后Sentinel-1A图像中同一位置的地物后向散射系数（图1）。可以看出，水体和裸地的后向散射系数都很低，建筑物的VV和VH偏振后向散射系数都很高。未倒伏玉米样品的后向散射系数变化不大，而倒伏玉米样品的后向散射系数变化明显。与未倒伏玉米相比，倒伏玉米在VV偏振模式下增产33.36%，在VH偏振模式下增产28.36%。利用Sentinel-1A图像监测玉米倒伏，可以通过多种偏振组合找到最佳的敏感偏振组合。图1倒伏前后地物的后向散射系数。蓝线为8月31日VV；红线为9月12日VV；绿线为8月31日VH；紫线为9月12日VH。2.2.筛选敏感因子
分别提取倒伏前后雷达图像的后向散射系数VV和VH，引入偏振和与偏振积，探索玉米倒伏前后株高的最佳敏感偏振组合。本研究分析了倒伏前后株高与所有偏振组合的相关性，并计算了相关系数R（表1）。结果表明，倒伏前后玉米株高相关性的最佳偏振组合分别为VH/VV和VV。倒伏前株高与VH/VV的相关系数为0.62，倒伏后株高与VV的相关系数为0.44。倒伏前后有几个偏振组合与株高有很好的相关性，这表明利用Sentinel-1A图像建立玉米倒伏监测模型在理论上是可行的。表1倒伏前后不同偏振组合与株高的相关性
图2倒伏前后株高与各偏振组合的关系。a-f为倒伏前，g-l为倒伏后。
2.3倒伏角度的精度验证
利用野外采样的倒伏角度验证了倒伏反演结果的准确性（图3）。建模决策系数（R2）为0.35，均方根误差（RMSE）为17.18，表明基于玉米株高的雷达数据可以反演玉米灌浆期的倒伏角度。图3利用实测样本进行玉米倒伏角度监测的验证2.4倒伏等级分类
倒伏前后玉米株高的变化有助于计算倒伏角度，本研究对玉米种植区倒伏后株高与倒伏前株高的比值进行了基于像素的统计分析（图4）。玉米种植区的整体像元分布符合正态分布，因此，基于正态统计理论的双阈值划分策略，将倒伏角度图谱划分为四种玉米倒伏严重程度等级。倒伏角的平均值和标准差分别为37°和14°。对应于倒伏角度[0，23]的玉米被分类为严重倒伏，[23，37]为中度倒伏，[37，51]为轻度倒伏，[51，90]为未倒伏。图4基于像素的倒伏角正弦值统计图
2.5倒伏等级的精度评价
利用30个实测样本验证了倒伏反演结果的准确性，每个采样图所覆盖的像素从到不等，倒伏等级的范围是根据倒伏角度的位置确定的。分类提取的结果如表2所示，基于倒伏角度的倒伏分类准确率为67%，预测倒伏等级与实测倒伏等级一致。结果表明，基于倒伏角的方法可以有效地诊断玉米灌浆期倒伏程度。表2基于实测样本的分类结果验证
2.6绘制玉米倒伏等级图
玉米倒伏在藁城中部的西部和西南部最严重，南部和北部较轻，东部最轻（图5）。玉米严重倒伏占28.35%，中度倒伏占34.28%，轻度倒伏占28.96%，未倒伏占8.41%。结果表明，遥感分级图能较好地表现玉米倒伏的严重程度。因此，可以根据倒伏等级分类进行倒伏评估或倒伏后的留株，以减少玉米产量损失。图5玉米倒伏等级分类图
3.结论
本研究分析了倒伏与未倒伏玉米的偏振特性及其典型特征，利用倒伏前后的sentinel-1A双偏振数据分析了不同倒伏程度下的玉米株高变化，得出倒伏前和倒伏后的最佳偏振组合分别为VH/VV和VV，对应的相关系数分别为0.62和0.44。因此，构建了基于最优敏感偏振组合的株高模型，并计算倒伏角度作为倒伏程度的评价指标，实测和预测倒伏角度的R2为0.35。基于正态统计理论的双阈值划分策略对倒伏等级进行了分类，利用实测样本的倒伏角度验证，分类准确率为67%。通过区域制图，实现了SAR定量监测玉米倒伏的目标。雷达遥感使用偏振特性来监测倒伏，与光学遥感相比，在反映倒伏作物的冠层结构变化时更具有优势。因此，雷达遥感在作物倒伏监测中具有很大的应用潜力。基于倒伏角度研究玉米倒伏的严重程度，为作物倒伏监测提供了新的思路。??????阅读原文查看论文详情预览时标签不可点收录于合集#个上一篇下一篇