摘要
水稻是世界三大粮食作物之一，水稻稳产对全球政治和经济稳定具有重大影响。倒伏是在水稻生育内发生的茎秆永久易位现象。倒伏不仅影响水稻的产量和品质，也会导致机械化收割困难等问题。传统的水稻倒伏信息多通过田间走访调查获得，这种方式效率低、成本高，且不能获取倒伏水稻的准确空间分布。卫星遥感凭借其宏观、快速和信息量大的优势，成为当前主流的农情监测手段。基于卫星数据的倒伏识别和倒伏率估算模型构建，需要地面参考数据作为训练样本。然而，传统依靠地面调查获取参考数据的方式费时费力，无人机影像凭借超高空间分辨率的优势，可清晰识别农田内部细节，且灵活性强、可重复使用，适用于参考数据的高效获取。因此，本文以GoogleEarthEngine平台为支撑，综合利用无人机影像空间分辨率高及卫星影像覆盖范围广的优势，构建了区域尺度倒伏水稻识别模型和倒伏率估算模型，应用于倒伏水稻空间分布制图和倒伏程度评估，为大范围水稻产量损失评估奠定基础。本文主要研究内容及结果如下： （1）明确了光学和SAR数据在倒伏水稻识别性能上的差异，量化了加入多时相SAR和纹理特征对倒伏识别精度提升的贡献，构建了县域和省域水稻倒伏识别模型。 本研究在县域和省域两个尺度分别开展。在县域尺度，以江苏省淮安市洪泽区为研究区，目视解译多架次无人机影像，获取正常和倒伏水稻训练样本，利用Sentinel-1/2影像提取了光谱波段、植被指数、后向散射系数和纹理特征进行倒伏水稻识别，验证了SAR数据的纹理特征和多时相特征在倒伏识别上的应用性，并评价了光学、SAR及二者特征融合在倒伏水稻识别中的贡献，基于随机森林（RandomForest，RF）进行水稻倒伏敏感特征筛选并构建分类模型。结果表明，与原始后向散射相比，加入纹理特征可以提高SAR数据的倒伏识别精度（原始后向散射：OA=52.22%，后向散射+纹理：OA=61.11%）。同单时相特征相比，利用倒伏前后的多时相SAR特征可以提高倒伏识别效果（单时相：OA=61.11%，多时相：OA=83.33%）。在数据源上，仅使用光学或SAR数据能够取得较好的分类精度（光学：OA=88.89%，Kappa=0.78；SAR：OA=84.44%，Kappa=0.69），融合光学和SAR特征对识别精度的提升作用有限（OA=90.00%，Kappa=0.80）。在省域尺度，由于缺乏适宜的时空连续光学影像，仅使用了倒伏前后的多时相SAR后向散射系数及纹理特征。结果表明，仅使用SAR数据可以取得较好的倒伏水稻识别效果（OA=73.33%，Kappa=0.47）。本研究基于光学和SAR卫星影像，首次将水稻倒伏监测研究应用于省域尺度，为区域或国家尺度水稻倒伏灾害监测及损失评估提供技术支撑。 （2）提出了一种基于无人机和卫星影像融合的水稻倒伏率监测新思路，以无人机采样获取倒伏率参考数据，升尺度到卫星影像并构建区域尺度倒伏率估算模型。 在洪泽区，为进一步明确Sentinel-1/2卫星影像倒伏像元内的倒伏水稻占比，本研究构建了倒伏率估算模型。首先，基于ExG指数(ExcessGreenIndex)自适应阈值对无人机影像进行正常和倒伏水稻分类，绘制倒伏水稻分布图。之后利用卫星影像构建空间格网，并将格网与无人机倒伏分布图叠加，提取每个格网对应的水稻倒伏率，作为构建倒伏率估算模型的参考数据。基于Sentinel-1/2影像提取了光谱波段、植被指数、后向散射系数和纹理特征，在GEE平台上应用RF回归算法结合变量重要性筛选，构建了卫星像元尺度水稻倒伏率与遥感特性的回归模型，应用于区域尺度水稻倒伏率估算。结果表明，基于无人机影像获取的倒伏和正常水稻参考数据，总体分类精度高于90%。然后基于光学卫星影像构建了倒伏率估算模型，加入SAR影像后的估算精度提升并不显著（光学：建模R2=0.74，验证R2=0.46，RMSE=22.11；光学+SAR：R2=0.76，验证R2=0.45，RMSE=22.23），证明了光学数据在倒伏率估算上的优势。本研究提出的基于无人机与卫星协同感知的倒伏率估算方法，定量化评价卫星像素尺度的水稻倒伏率，明确区域尺度的水稻倒伏受灾严重程度，为进一步提高产量预测精度提供重要信息支撑。 总体上，本研究为全天候不同尺度水稻倒伏研究提供了理论依据，为农业生成部门及时、有效地掌握水稻倒伏状况、调整收获方案、评估产量损失提供了重要技术支撑，对保障粮食安全具有重要价值。
NETL