中***農業大學
******農業信息技術工程研究中心
******智能農業裝備研究中心
武漢大學
圖4 試驗田玉米倒伏類型（RL：根倒伏；SB1：玉米莖稈在第3節間處彎曲；SB2：玉米莖稈在玉米穗下部節間處彎曲；SI60°、SI45°、SI30°分別為玉米莖稈傾斜60°、45°、30°；CK：對照的直立植株）圖5 數據采集照片
圖6 實驗地塊高光譜影像真彩色合成圖（VT：抽穗期；R3：乳熟期）圖8 玉米植株倒伏示意圖、冠層高度（h）和倒伏后冠層高度（hL）、地塊面積（A）和采樣面積（s）
圖9 不同倒伏程度玉米的OCS變化圖10 不同倒伏等***玉米冠層光譜紅邊位置
圖11 不同倒伏程度的冠層圖像
圖13 不同倒伏程度CCD的變化
圖16 CCD與WC之間的關系
圖17 基于OCS（a）、FOD（b）、WC（c）和VI（d）構建模型估算的CCD與實測CCD之間的關系圖18 CCD空間分布圖（注：CCD<0為玉米葉片陰影、玉米植株之間的間隙以及倒伏暴露的土壤）針對作物倒伏脅迫，基于無人機高光譜影像進行CCD估算和倒伏等***監測。構建表征玉米倒伏嚴重程度的CCD指數，該指數融合了作物結構參數和生理參數，能夠解釋倒伏脅迫下作物冠層結構的變化和對作物生理活動的影響。分析了不同倒伏等***下玉米冠層光譜與CCD的變化特征，探究不同光譜參數與CCD的內在聯系，并在特征變換和CCD模型構建方面開展了***系列研究。結論如下：（i）隨著倒伏等***的增加，玉米冠層光譜反射率增大，紅邊位置向短波方向移動；（ii）倒伏脅迫越嚴重，CCD越高；特征變換提高了FOD、WC、VI與CCD的相關性，相關性高于OCS。（iii）基于VI的敏感參數構建CCD模型，R2=0.63，RMSE=0.36 g/m3，得到了不同倒伏等***下CCD的空間分布情況。結果驗證了CCD為利用無人機高光譜影像進行作物倒伏等***評估提供了***種可靠、準確的方法，且能夠滿足田塊尺度上作物倒伏等***識別的需求，為無人機高光譜監測作物倒伏信息提供了依據。原文鏈接：
https://doi.org/10.1016/j.compag.2021.106671
（來源： ）
