→查看原文　　　→查看PDF

玉米是我國第一大糧食作物。由于栽培方式不合理（如種植過密、施肥灌溉不當(dāng)?shù)龋┗蚱贩N抗倒伏能力弱，以及近年來強風(fēng)暴雨等天氣有所增加，玉米在生育中后期經(jīng)常會受到倒伏脅迫，嚴重影響了玉米產(chǎn)量、籽粒品質(zhì)和機械收獲能力。及時準確地監(jiān)測倒伏范圍和災(zāi)情等級，有助于提高保險理賠和救災(zāi)補償?shù)目陀^性和科學(xué)性，降低種植戶受災(zāi)損失，推動我國農(nóng)業(yè)保險體系的合理有序擴展。

2019年12月，Plant Phenomics刊發(fā)了題為Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Image的研究論文，介紹了一種基于無人機多光譜影像的玉米倒伏等級監(jiān)測的方法。

Fig.: The workflow of maize lodging grade classification.

本研究旨在分析無人機(UAV)多光譜影像在玉米倒伏等級監(jiān)測方面的應(yīng)用能力。多光譜Parrot Sequoia相機具有近紅外、紅邊、紅光、綠光四個同道，其中肉眼無法看到的近紅外、紅邊波段可以對植被狀況做出高精度的診斷，是分析植物健康的高效工具。在玉米倒伏野外樣本的支持下，針對無人機多光譜影像提取各類訓(xùn)練樣本的光譜反射率、紋理特征參數(shù)和植被指數(shù)，通過不同的特征參量組合，利用最大似然分類(MLC)法對各種特征組合圖像進行分類，提取4類玉米倒伏等級區(qū)域。利用混淆矩陣進行分類精度評價，篩選適用于玉米倒伏等級監(jiān)測的最優(yōu)特征組合。結(jié)果表明，僅利用原始多光譜特征的精度達到83.58%；主成分、紋理特征以及紋理-植被指數(shù)組合的分類精度均有不同程度的提高；紋理-植被指數(shù)組合的分類效果最佳，總體精度達86.61%，Kappa系數(shù)為0.8327。該研究成果有助于提升無人機技術(shù)在玉米倒伏災(zāi)情快速監(jiān)測方面的應(yīng)用能力。

Fig. : (a–d) are field survey photos of maize lodging.(f) is an enlarged view of a part of the UAV multispectral image with different lodging grades.

本文第一作者為孫乾（山東科技大學(xué)，碩士研究生，主要研究方向為資源環(huán)境遙感），通訊作者為北京農(nóng)業(yè)信息技術(shù)研究中心顧曉鶴研究員（博士，主要從事農(nóng)業(yè)定量遙感研究）。該研究得到國家自然科學(xué)基金(41571323)、北京自然科學(xué)基金(6172011)、北京市農(nóng)林科學(xué)院技術(shù)創(chuàng)新能力建設(shè)專項基金[KJCX20170705]的資助。

文章第一單位北京農(nóng)業(yè)信息技術(shù)研究中心長期從事農(nóng)業(yè)信息技術(shù)研究，在農(nóng)作物災(zāi)情遙感監(jiān)測、長勢脅迫診斷、產(chǎn)量品質(zhì)預(yù)測、作物輻射傳輸模型等方面具有很好的研究基礎(chǔ)。依托國家農(nóng)業(yè)信息化工程技術(shù)研究中心，在北京小湯山建有2500畝的國家精準農(nóng)業(yè)示范基地，已建成運營了近20年，依托實驗基地建有“農(nóng)業(yè)部小湯山精準農(nóng)業(yè)與生態(tài)環(huán)境重點野外科學(xué)觀測實驗站”（農(nóng)業(yè)部首批58個重點野外科學(xué)觀測實驗站之一），具有先進的光譜學(xué)、無人機觀測平臺、遙感、地理信息系統(tǒng)、全球定位系統(tǒng)軟硬件設(shè)備，具備各種田間農(nóng)學(xué)速測儀器和室內(nèi)分析儀器。過去和正在承擔(dān)的多個國家級科研項目，積累了大量的實驗方法和理論基礎(chǔ)、農(nóng)學(xué)知識模型、作物脅迫機理模型等資料。目前已獲得省部級以上科研獎勵18項，擁有自主知識產(chǎn)權(quán)的國家發(fā)明專利和實用新型專利100余項，發(fā)表農(nóng)業(yè)定量遙感方面的高水平論文500余篇。

How to Cite this Article

Qian Sun, Lin Sun, Meiyan Shu, Xiaohe Gu, Guijun Yang, and Longfei Zhou, “Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Image,” Plant Phenomics, vol. 2019, Article ID 5704154, 16 pages, 2019.https://doi.org/10.34133/2019/5704154.

專刊征稿：智慧農(nóng)業(yè)系統(tǒng)的圖像分析與機器學(xué)習(xí)

相關(guān)閱讀

A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting

原文介紹：Plant Phenomics | 一種用于高粱頭狀花序檢測和計數(shù)的弱監(jiān)督深度學(xué)習(xí)框架

High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance

原文介紹：

Plant Phenomics | 基于無人機圖像的高通量除草劑耐受性評價方法更精準

Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping

原文介紹：

Plant Phenomics | Easy MPE：基于無人機高通量表型技術(shù)提取高質(zhì)量田間小區(qū)圖像

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。2019年8月，已正式被DOAJ數(shù)據(jù)庫收錄。

編輯：孔敏

審核：尹歡