引言

在宁夏，玉米、水稻和小麦作为主粮作物，近年来产量持续上扬，展现出良好态势。然而，宁夏农作物倒伏问题值得高度关注。目前，农作物倒伏呈现出局部发生，整体可控的态势。相关数据显示，当水稻倒伏面积约为15%时，对应的产量减产幅度通常在5%至10%；若出现重度倒伏现象，水稻产量的损失比例大概能达到22%；而在情况特别严重时，产量损失率可能会攀升至50%左右，更极端的情形下甚至会导致绝产。因此，能够快速准确地获取农作物倒伏的面积与位置信息，对灾后恢复工作具有重要意义。由于传统的防控方式大多依赖于农业生产者过往经验的主观判断，在一定程度上缺乏科学性，系统性的量化评估。同时，传统的作物倒伏监测依赖人工实地勘察与测量，且结果易受人为操作差异的干扰，如：监测区域面积过大，无法及时进行；倒伏灾害程度不一样。相较于传统方法，采用遥感技术反演作物倒伏面积，可大幅提升数据获取速度与结果时效性，同时有效降低测算成本，凭借这些核心优势，该技术在农业灾害监测领域的潜力持续凸显。如今，遥感监测小麦倒伏的技术路径正受到更多重视，其应用范围也在逐步扩大，为农业生产管理提供了更高效的支撑。

1研究背景

光学卫星影像判断农作物是否发生倒伏，核心是对比倒伏前后地物光谱反射率的差异作物倒伏会改变植株结构与生理状态，进而导致其在不同波段的光谱反射特性产生明显变化。在此基础上，通过计算并分析植被指数（如反映植被活力、水分含量的相关指数），就能进一步明确区分倒伏作物与正常作物，从而实现对倒伏区域的提取。王猛等通过分析发现，玉米发生倒伏后其冠层结构会出现改变。相应地，冠层的光谱反射率曲线也会产生变化，这使得植被指数随光谱反射率曲线的变动而出现一定程度的下降。任冲等利用Landsat TM/OIL影像，通过随机森林法和支持向量法对土地覆盖进行分类，从而进行林地动态变化监测。刘良云等人的研究表明，小麦发生倒伏后，植株的结构形态会随之改变。在此过程中，两个关键变化趋势逐渐显现：一方面，茎秆在冠层光谱构成中的贡献度随倒伏角度的增大而逐步提升；另一方面，归一化植被指数则呈现出相反的变化规律，即随着倒伏角度的增加而不断下降。韩东等围绕玉米倒伏的区域化监测需求展开研究，通过整合作物倒伏发生前后的Sentinel-1A卫星双极化数据，构建出针对性的倒伏监测模型，最终借助合成孔径雷达（SAR）技术实现了区域尺度下玉米倒伏情况的定量分析与评估。

综上所述，本研究选取宁夏银川贺兰县作为具体研究区域，以Landsat-8光学遥感数据与Sentinel-1 合成孔径雷达（SAR）数据为多源信息来源，将监督分类、植被指数分析、纹理特征提取及随机森林算法进行整合应用，构建出契合该研究区实际情况的农作物倒伏监测与面积反演模型。研究过程中，通过发挥多源数据的优势互补作用与多方法的协同验证效果，着力提升倒伏区域识别的精准度与效率。

2研究区域与数据

2.1研究区域概况

研究区域为宁夏银川贺兰县，地处宁夏回族自治区北部，银川平原中部，介于东经105°53′-106°36′，北纬38°26′-38°48′之间，平均海拔1100米。属于温带大陆性气候，具有春迟秋早，冬长夏短，昼夜温差大的特点，春暖多风，夏热少雨，秋凉干燥，冬寒漫长。雨季主要集中在夏季但降雨量却不大，无霜期平均为185天左右，年日照时数为2800—3000小时，日照率达到69%，是全国日照资源丰富地区之一。

2.2 技术路线

本研究围绕多模态遥感协同的主粮作物倒伏监测，基于遥感影像数据开展特征观测，提取光学、雷达等特征。构建多模态融合策略、传统机器学习模型等智能算法模型对2022年7月22日贺兰县农作物进行了反演；还从数据获取、处理到模型应用，结合混淆矩阵等评估与优化方法搭建监测体系。最终围绕多模态遥感表征作物倒伏机理、多模态特征融合提升反演精度等科学问题。具体技术路线如下图所示。

2.3 数据介绍与预处理

2.3.1 数据介绍

Landsat8是美国陆地卫星计划（Landsat Program）中的一颗卫星，由美国国家航空航天局（NASA）和美国地质调查局（USGS）联合研制，在2013年2月11日发射升空，接替之前发射的Landsat7卫星，继续对地球陆地表面进行长期、连续的观测。

卫星携带载荷有操作陆地成像仪（OLI）：有9个波段，覆盖范围包含可见光、近红外及短波红外区域，其多光谱成像的空间分辨率达到30米，能清晰地反映出地物的基本特征（见表1）。也有热红外传感器（TIRS）：它有2个热红外波段，分别为10波段（10.60-11.19）和11波段（11.50-12.51），它的空间分辨率为100米，可满足一定精度的地表温度反演需求。主要用于测量地表温度，在城市热岛效应监测，土壤水分估计等方面发挥重要作用。

类型 Category	波段 Band	中心波长 Central wave length(μm)	空间分辨率 Resolution(m)
蓝色波段	Band1	0.433-0.453	30
蓝绿波段	Band2	0.450-0.515	30
绿波段	Band3	0.525-0.600	30
红波段	Band4	0.630-0.680	30
近红外	Band5	0.845-0.885	30
中红外	Band6	1.560-1.660	30
中红外	Band7	2.100-2.300	30
微米全色	Band8	0.500-0.680	15
短波红外波段	Band9	1.360-1.390	30
热红外	Band10	10.6-11.2	100
热红外	Band11	11.5-12.5	100

Sentinel-1是欧洲航天局（ESA）“哥白尼计划”中的卫星任务，包括两颗卫星：Sentinel-1A和Sentinel-1B，我们选取的数据是Sentinel-1中的单视复数（Single-Look Complex）数据，它是卫星合成孔径雷达（SAR）获取的一种原始方式，该数据保留了雷达回波信号的完整相位和幅度信息，具有较高的空间分辨率潜力，能为后续实验提供精准的基础数据。

2.3.2预处理

选取农作物倒伏后的Landsat-8遥感数据和Sentinel-1数据，进行对应的数据预处理。Landsat-8预处理采用ENVI5.6软件，预处理主要分为以下六个阶段，首先是前期准备阶段：包括检查数据的完整性与软件模块配置。数据检查集中在“主数据+辅助数据”：主数据需确认MTL.txt文件无缺失、影像无数据空洞。软件配置可根据处理环节按需加载模块，如大气校正无需加载扩展模块，只要启用ENVI主模块即可。接着是辐射定标阶段：核心作用是将影像DN值转换为辐射亮度。通过ENVI的Radiometric Calibration工具实现转换，同时启用太阳高度角校正，消除不同纬度/季节太阳入射角度差异对辐射亮度的影响，输出辐射亮度影像。然后是大气校正阶段：采用FLAASH模型消除大气干扰。输入辐射定标后得到的影像为输入，结合研究区平均高程（256m）、中纬度夏季大气模型、乡村型气溶胶模型，通过暗像元法反演气溶胶光学厚度（AOD），同时进行水汽与臭氧校正，将大气顶层反射率（TOA）转换为地表真实反射率（Surface Reflectance）。几何精校正阶段：采用双线性插值法进行重采样，确保校正后影像坐标与WGS84坐标系一致，满足后续多源数据叠加需求。除了双线性插值法，根据不同项目需求，重采样方法还可以设定为最邻近法、三次卷积内插法，这些方法的数据精度和重采样效果都不相同。最后是数据裁剪阶段：基于研究区矢量边界，通过ENVI的Subset Data via Vector工具进行裁剪。设置裁剪范围为矢量边界外接矩形，去除研究区外的冗余数据，减少后续处理的数据量，同时保留影像的辐射与几何信息完整性。

Sentinel-1数据的预处理工作主要基于欧空局开发的SNAP雷达处理软件及ENVI软件完成。具体处理流程包括：热噪声去除、多视处理、辐射定标、斑点噪声抑制以及地形校正等关键步骤。

3研究方法

3.1监督分类

监督分类是指研究人员在对遥感图像区域特征了解的基础上，把已知的类别特征作为训练样本让系统学习训练出模型，并按一定的分类原则对其他待分类的图像像元进行分类处理。常见的监督分类算法有：最大似然监督分类（Maximum Likelihood Classification），决策树（Decision Tree），支持向量机（Support Vector Machine Classification）等，本研究采用的是最大似然监督分类。

最大似然监督分类是一种建立在Bayes准则上的常用的监督分类方法，倾向于集群分布的统计特征。总体精度指的是正确分类的像元和分类总个数的比值，Kappa系数则是在基于用户精度与生产者精度基础上的最终评价指标。它的取值范围为0-1，值越大表示分类精度越高。通过总体精度和Kappa系数来评价分类结果与真实地物类别一致性的程度，即可作为分类模型准确度与可靠性的衡量依据。为构建分类模型并验证精度，本研究基于ENVI软件已预处理过的研究区上制作ROI（感兴趣区域，Region of Interest），通过混淆矩阵计算方法，Landsat-8数据的监督分类结果显示，总体精度为90.6%，Kappa系数为0.824。Kappa值处在0.8-1.0之间，表明分类结果与真实地物的一致性较强，整体精度满足实验要求。

3.2 指数特征

植被指数是用来监测植被生长状态、长势以及生物量等等的重要指数。在研究中应用较多的有归一化植被指数（NDVI）、归一化差异水分指数（NDWI）、增强植被指数（EVI）、土壤调整植被指数（SAVI）。通过以往学者的研究，实验根据植被指数的计算公式计算了倒伏区域正常与倒伏作物的这四种植被指数。其中，NDVI作为可见光红波段与近红外波段的归一化比值是最常用的，也是最广泛的植被指数。在土壤中水分状态的微小变化，则会引起短波红外反射率的巨大变化，陆地水分指数（LSWI）对土壤和植物含水量敏感，对水田监测有良好效果。红边波段是介于红光波段和近红外波段之间的波段，红边位置的变动与作物叶子内部的物理状态密切相关。由于线性四点差值法执行较为简单，且所需光谱类型为反射率光谱，所以本研究用线性四点差值法来计算红边位置指数（Red Edge Position index, REP），计算公式如表2所示。

光谱指数 Spectral index	简写 Abbreviation	计算公式 Formula
归一化植被指数 Normalized difference vegetation index	NDVI
差值植被指数 Difference vegetation index	DVI
地表水分指数 Land surface water index	LSWI
比值植被指数 Enhanced vegetation index	EVI

通过表中公式进行波段计算（Band Math）并分析正常与倒伏作物的光谱指数特征，从图1来看，倒伏区域的NDVI、EVI以及LSWI等光谱指数均低于正常水稻值。作物发生倒伏后，其自身结构会出现改变，这会进一步导致光谱反射特性产生相应变化。具体来看，在近红外波段，光谱反射率的变化幅度要小于红光波段。而NDVI、RVI、EVI这三类用于表征作物长势的指数，其计算过程依赖于作物在红光与近红外两个波段的光谱反射率数据。受上述光谱反射率曲线变化的影响，这些长势指数的数值也会出现不同程度的下降，这可能就是倒伏后相关指数变化的主要原因。

3.3纹理特征

灰度共生矩阵（Gray-level co-occurrence matrix，GLCM）是一种纹理分析工具，广泛应用于处理遥感影像，可在一定范围内呈现不同间隔灰度值的变化速度差异，明确其对应的变化幅度，同时高效提取变化幅度相关信息，基于此特性，灰度共生矩阵方法能够准确反映纹理的粗糙程度及重复方向，在现阶段的纹理分析方法体系里，它不仅应用频次最高，还拥有更强的认可度。具体定义如下：以灰度值为ｉ的像素点为起始点，当朝着0°、45°、90°、135°这几个固定方位，且保持距离ｄ的固定位置移动时，最终抵达灰度值为ｊ的像素点的概率即为Ｐ（ｉ，ｊ），所有这些概率的估计值会被整合为矩阵形式予以展示。基于灰度共生矩阵计算得到的统计量有：方差（Variance）、对比度（Contrast）、相异性（Dissimilarity）、熵（Entropy）、二矩阵（Second Moment）、相关性（Correlation）：

（1）通过方差来反映灰度离散程度，值越大纹理就越粗糙，其计算公式如下：

（2）通过对比度来反映相邻像素灰度差异，值越大边界越清晰，其计算公式如下：

（3）相异性和对比度的作用相似，但它对差异更加敏感，其计算公式如下：

（4）通过熵反映纹理复杂度，值越大纹理越乱（如城市建筑区），其计算公式如下：

（5）通过二阶矩来反映灰度分布均匀性，值越大纹理就越均匀，其计算公式如下：

（6）通过相关性来反映相邻像素灰度的线性相关程度，值越接近1表示纹理越有规律，其计算公式如下：

借助ENVI5.6软件来获取各波段的均值纹理，设定纹理滤波窗口尺寸为3×3，同时将共生矩阵在X和Y方向上的变换量都设为1。

3.4 随机森林分类

随机森林法（Random Forest），是一种基于构建多颗决策树进行分类训练并预测最终可能的分类结果的分类方法，在遥感数据分析中展现出强大的适配性与效能，无论是针对植被、水体等特定地物的分类识别，还是对地表温度、土壤湿度等参数的反演，亦或是对区域尺度环境变量的估算，均能表现出优异的性能。随机森林分类器（RFC）融合了Bagging算法与随机子空间算法的特点，它由众多决策树（作为基础分类器）共同构成一个性能更强的分类模型。其分类结果的得出，是对所有成员决策树的输出进行综合处理的结果。在具体决策时，随机森林通常采用投票方式，即统计各个类别获得的票数，最终将得票最多的类别确定为样本数据的归属类别，其结构可参考图2

为实现对2022年7月22日贺兰县农作物倒伏Landsat-8遥感影像的精准反演，本研究采用随机森林算法构建反演模型。为科学验证模型反演结果的可靠性与准确性，通过构建混淆矩阵，定量计算整体分类精度、Kappa系数及各类别专项精度指标（生产者精度、用户精度、错分率、漏分率），形成系统化的精度评估体系，见表3。

类别	错分率（Commission）%	漏分率（Omission）%	生产者精度（Prod.Acc.）%	用户进度 (User Acc.)%
河流	20.62	4.33	95.67	79.38
田地	0.50	10.15	89.85	99.50
种植地	5.77	4.69	95.31	94.23
建筑	59.15	8.14	91.86	40.85
倒伏区域	87.79	0.00	100	82.21

随机森林模型的整体分类精度与Kappa系数是衡量模型整体性能的核心指标，计算结果如表所示。由表可知，本研究随机森林反演模型的Kappa系数为0.8312。依据Landis与Koch提出的Kappa系数一致性分级标准：Kappa∈[0.00，0.20]为微弱一致性，Kappa∈[0.21，0.40]为弱一致性，Kappa∈[0.41，0.60]为中等一致性，Kappa∈[0.61，0.80]为较好一致性，Kappa∈[0.81，1.00] 为极好一致性。本研究Kappa系数处于极好一致性区间，表明随机森林模型的反演结果与实际地物分布的匹配度较高，模型整体反演性能可靠，可满足后续研究对数据精度的基本需求。

4结论与分析

4.1结论

通过ENVI5.6完成Landsat-8数据的预处理，消除了太阳高度角、大气干扰及坐标偏差对数据的影响；借助SNAP与ENVI软件完成Sentinel-1数据的热噪声消除、多视处理等预处理，保留了雷达回波信号的相位与幅度信息。预处理后的数据满足地物分类与倒伏提取的精度需求，其中Landsat-8数据经最大似然监督分类后，总体精度达90.6%，Kappa系数为0.824，处于0.8-1.0的高一致性区间，证明预处理流程科学有效。

通过计算NDVI、DVI、LSWI、EVI四种关键光谱指数发现，倒伏作物的NDVI、EVI及LSWI均显著低于正常水稻。这一差异源于作物倒伏后植株结构改变：近红外波段光谱反射率变化幅度小于红光波段，而NDVI、EVI等长势指数依赖红光与近红外波段反射率计算，进而导致指数数值下降。同时，LSWI对土壤和植物含水量的敏感性，进一步验证了倒伏作物生理状态变化的光谱表征，为倒伏区域提取提供了明确的指数依据。

基于预处理后的多源数据构建的随机森林反演模型，整体分类精度达90.939%，Kappa系数为0.8312，见表4。依据Landis与Koch的Kappa系数一致性分级标准，处于极好一致性区间（0.81-1.00），表明模型反演结果与实际地物分布匹配度高。从各类别精度来看，倒伏区域生产者精度达100%、漏分率为0，田地用户精度99.5%、错分率仅0.5%，核心地物分类效果稳定；仅建筑用地用户精度（40.85%）与错分率（59.15%）表现较差，但不影响倒伏监测的核心目标，模型整体可满足贺兰县农作物倒伏监测的实际需求。

指标	数值
整体精度（Overall Accuracy）	90.939
Kappa系数（Kappa Coefficient）	0.8312

4.2讨论

本研究主要基于灾后单一时相的数据进行分析，未能利用多时相数据构建作物生长过程曲线，从而更精准地通过变化检测来识别倒伏。此外，所建立的模型及其特征阈值在贺兰县特定区域与时期表现良好，但其在不同年份、不同地理区域、不同作物品种上的普适性仍有待进一步验证。

虽然本研究引入了Sentinel-1雷达数据，但在最终的随机森林模型中，其作用并未被重点突出。雷达数据对作物结构、水分十分敏感，其在倒伏监测中的独特优势（如不受云雨影响、对茎秆弯曲敏感）未来应被更深入地分析与利用，例如重点分析后向散射系数、相干性等参数的变化。

针对本研究的不足与现有技术的发展趋势，对未来研究提出以下展望：

在后续的研究中，可进一步整合多源遥感数据资源。具体而言，一方面纳入Sentinel-2、GF-2等具备更高空间分辨率的光学遥感影像，这类影像能清晰捕捉地物的精细纹理与光谱特征；另一方面同步融合雷达遥感数据，利用其不受云雨、昼夜等天气光照条件限制的优势。与此同时，可引入无人机遥感技术开展地面协同验证工作。通过无人机灵活、高效的低空飞行监测能力，获取小范围区域内更高精度的地物实况数据，与卫星遥感数据形成互补与校验。最终依托上述多技术协同的思路，构建起卫星遥感—无人机航拍—地面实地验证一体化的综合监测体系。该体系能够充分发挥不同监测手段的优势，有效化解传统单一数据源中常见的地物类别混淆问题，进一步提升对地物识别、动态变化监测的整体精度与可靠性，为后续决策提供更科学、准确的数据支撑。

5结语

在现有识别技术的基础上，可进一步引入时序分析方法与深度学习技术，形成更高效的作物倒伏识别方案。在时序分析层面，可充分借助时间序列遥感数据的连续性优势，通过追踪不同生长阶段的植被指数变化，重点捕捉作物发生倒伏前后的指数突变规律——比如归一化植被指数（NDVI）在倒伏后可能出现的显著下降、植被覆盖度指数的异常波动等。这种基于时间维度的特征分析，能有效排除单一时相数据中偶然因素的干扰，进一步提升识别结果的准确性与长期稳定性。

在深度学习应用方面，可尝试运用U-Net（U-shaped Network）、CNN（Convolutional Neural Network）等主流深度学习模型开展建模与训练。这类模型具备强大的特征提取与自主学习能力，能够从海量遥感影像数据中自动挖掘更复杂、更细微的倒伏特征，比如作物茎秆倾斜角度、叶片分布形态的异常变化等，无需人工提前设计和筛选特征参数。这种方式不仅能减少对人工特征工程环节的依赖，降低人力成本与主观误差，还能适应不同作物类型、不同倒伏程度的复杂场景，让识别模型的通用性与鲁棒性得到进一步提升。

参考文献：

1. [1] 刘利华, 金再欣, 刘小丽, 等. 水稻倒伏对产量影响的试验结果分析[J]. 中国稻米,2009(02):19-21.
2. [2] 赫军伟,田晓宁. 遥感技术在农作物倒伏监测中的应用[J].资源导刊,2024(10):34-36+40.
3. [3] 王猛, 张杰, 梁守真, 等. 玉米倒伏后冠层光谱变化特征分析[J]. 安徽农业科学,2014,42(31):11187-11188+11201.
4. [4] 任冲, 鞠洪波, 张怀清, 等. 天水市近30年林地动态变化遥感监测研究[J]. 林业科学研究,2017,30(01):25-33.
5. [5] 刘良云, 王纪华, 宋晓宇, 等. 小麦倒伏的光谱特征及遥感监测[J]. 遥感学报,2005(03):323-327.
6. [6] 韩东, 杨浩, 杨贵军, 等. 基于Sentinel-1雷达影像的玉米倒伏监测模型[J]. 农业工程学报,2018,34(03):166-172.
7. [7] 杨龙. ENVI高分辨率遥感影像数据预处理[J]. 焦作大学学报,2020,34(01):97-100.
8. [8] 周珂, 杨永清, 张俨娜, 等. 光学遥感影像土地利用分类方法综述[J]. 科学技术与工程,2021,21(32):13603-13613.
9. [9] 孙坤, 鲁铁定.监督分类方法在遥感影像分类处理中的比较[J]. 江西科学,2017,35(03):367-371+468.
10. [10] 朱厚文, 罗冲, 官海翔, 等. 基于面向对象的多源卫星遥感影像玉米倒伏面积提取[J]. 遥感技术与应用,2022,37(03):599-607.
11. [11] 陆洲, 徐飞飞, 罗明, 等. 倒伏水稻特征分析及其多光谱遥感提取方法研究[J]. 中国生态农业学报(中英文),2021,29(04):751-761.
12. [12] 王利民, 刘佳, 杨福刚, 等. GF-1卫星多时相组合近红外数据水稻识别能力[J]. 农业工程学报,2017,33(23):196-202.
13. [13] 邹红玉, 郑红平. 浅述植被“红边”效应及其定量分析方法[J]. 遥感信息,2010(04):112-116.
14. [14] 程高峰, 李秉柏, 李萍萍, 等. 作物红边位置算法评述[J]. 江苏农业科学,2009(02):12-14.
15. [15] 史洁宁, 吴田军, 黄启厅, 等. 耦合NDVI与纹理时序特征的地块作物遥感分类[J]. 南方农业学报,2025,56(01):29-40.
16. [16] 张梦顺. 高光谱遥感影像中纹理特征的作用[J]. 工程技术研究,2022,7(12):219-221.
17. [17] 申佩佩, 文学东,朱梦圆.结合对象纹理特征和几何特征的农业大棚遥感提取方法[J]. 测绘通报,2024(12):123-127.
18. [18] 赵静, 潘方江, 兰玉彬, 等. 无人机可见光遥感和特征融合的小麦倒伏面积提取[J]. 农业工程学报,2021,37(03):73-80.
19. [19] 赵宇虹. 随机森林遥感信息提取研究进展及应用研究[J]. 测绘与空间地理信息,2021,44(03):133-136+139.
20. [20] 唐万, 胡俊, 张晖, 等. Kappa系数:一种衡量评估者间一致性的常用方法(英文)[J]. 上海精神医学,2015,27(01):62-67.