无人机应用：小麦倒伏区域识别方法科研

河南作为小麦玉米的主要产粮区，对小麦玉米方面的研究颇为深入。针对小麦灌浆期易受天气等因素影响，造成小麦倒伏的情况，需快速准确评估作物倒伏灾情状况，需及时获取倒伏发生位置及面积等信息。

目前基于无人机遥感识别作物倒伏缺乏相应的技术标准，不利于规范无人机数据获取流程和提出问题解决方案。河南农业大学农学院，教育部作物生长发育调控重点实验室，省部共建小麦玉米作物学国家重点实验室联手组成了冯伟科研团队，旨在探讨不同空间分辨率无人机遥感影像及特征优化方法对小麦倒伏区域识别精度的影响。

在小麦倒伏后设置3个飞行高度(30、60和90 m)，获取不同空间分辨率(1.05、2.09和3.26 cm)的数字正射影像图(Digital Orthophoto Map，DOM)和数字表面模型(Digital Surface Model，DSM)，从不同空间分辨率影像中分别提取5个光谱特征、2个高度特征、5个植被指数以及40个纹理特征构建全特征集，并选择3种特征选择方法(ReliefF算法、RF-RFE算法、Boruta-Shap算法)筛选构建特征子集，进而利用3种面向对象监督分类方法——支持向量机(Support Vector Machine，SVM)、随机森林(Random Forest，RF)和K最近邻(K Nearest Neighbor，KNN)构建小麦倒伏分类模型，明确适宜的分类策略，确立倒伏分类技术路径。

结果表明，SVM的分类效果整体优于RF和KNN，当影像空间分辨率在1.05~3.26 cm范围内变化时，全特征集和3种优化特征子集均以1.05 cm分辨率的分类精度最高，优于2.09和3.26 cm。比较发现，Boruta-Shap特征优化方法既能实现降维和提高分类精度的目标，又能适应空间分辨率的变化，当影像分辨率为3.26 cm时，总体分类精度相较1.05和2.09 cm分别降低了1.81%和0.75%;当影像分辨率为2.09 cm时，总体分类精度相较1.05 cm降低了1.06%，表现为不同飞行高度下的分类精度相对差异较小，90 m总体分类精度可达到95.6%，Kappa系数达到0.914，满足了对分类精度的需求。

通过选择适宜的特征选择方法，不仅可以兼顾分类精度，还能有效缩小影像空间分辨率变化引起的倒伏分类差异，有助于提升飞行高度，扩大小麦倒伏监测面积，降低作业成本，为确立作物倒伏信息获取策略及小麦灾情评估提供参考及支持。

此外，在小麦灌浆期，需进行水肥管理才能高产。

①水肥协调供应：水分和营养物质的供应对于小麦的正常生长至关重要。一方面，要保证灌浆期小麦的土壤湿度，及时补充水分;另一方面，要合理施肥，供给足够的氮、磷、钾等营养元素。水肥协调供应，才能满足小麦生长的需要。

②合理施肥：适量的施肥有利于小麦的高产。遵从过犹不及的原则，避免过度施肥滋生病虫害。合理施肥，根据小麦的需求量和土壤的状况来进行施肥。

③注意排水：小麦灌浆期是雨水较多的季节，水分过多会影响小麦的正常生长。因此，在灌浆期，要注意排水，及时清理积水，保证土壤透气性，避免小麦生长缺氧。

④密切观察：密切观察小麦的生长状况，及时发现问题，及时采取措施。例如，发现小麦出现缺氧、疏菜、长势不佳等情况时，应及时调整水肥管理措施，保证小麦的正常生长。

审核编辑 黄宇