中***农业大学
******农业信息技术工程研究中心
******智能农业装备研究中心
武汉大学
图4 试验田玉米倒伏类型（RL：根倒伏；SB1：玉米茎秆在第3节间处弯曲；SB2：玉米茎秆在玉米穗下部节间处弯曲；SI60°、SI45°、SI30°分别为玉米茎秆倾斜60°、45°、30°；CK：对照的直立植株）图5 数据采集照片
图6 实验地块高光谱影像真彩色合成图（VT：抽穗期；R3：乳熟期）图8 玉米植株倒伏示意图、冠层高度（h）和倒伏后冠层高度（hL）、地块面积（A）和采样面积（s）
图9 不同倒伏程度玉米的OCS变化图10 不同倒伏等***玉米冠层光谱红边位置
图11 不同倒伏程度的冠层图像
图13 不同倒伏程度CCD的变化
图16 CCD与WC之间的关系
图17 基于OCS（a）、FOD（b）、WC（c）和VI（d）构建模型估算的CCD与实测CCD之间的关系图18 CCD空间分布图（注：CCD<0为玉米叶片阴影、玉米植株之间的间隙以及倒伏暴露的土壤）针对作物倒伏胁迫，基于无人机高光谱影像进行CCD估算和倒伏等***监测。构建表征玉米倒伏严重程度的CCD指数，该指数融合了作物结构参数和生理参数，能够解释倒伏胁迫下作物冠层结构的变化和对作物生理活动的影响。分析了不同倒伏等***下玉米冠层光谱与CCD的变化特征，探究不同光谱参数与CCD的内在联系，并在特征变换和CCD模型构建方面开展了***系列研究。结论如下：（i）随着倒伏等***的增加，玉米冠层光谱反射率增大，红边位置向短波方向移动；（ii）倒伏胁迫越严重，CCD越高；特征变换提高了FOD、WC、VI与CCD的相关性，相关性高于OCS。（iii）基于VI的敏感参数构建CCD模型，R2=0.63，RMSE=0.36 g/m3，得到了不同倒伏等***下CCD的空间分布情况。结果验证了CCD为利用无人机高光谱影像进行作物倒伏等***评估提供了***种可靠、准确的方法，且能够满足田块尺度上作物倒伏等***识别的需求，为无人机高光谱监测作物倒伏信息提供了依据。原文链接：
https://doi.org/10.1016/j.compag.2021.106671
（来源： ）
