孙铭谦 康博识 李宏硕 曲原

摘要 风灾是一种常见的气象灾害，我国每年因风灾引发的农作物倒伏、减产现象逐渐增多，如何快速、准确地进行灾后评估对产量预测、农业政策调整十分重要。选取辽宁省盘锦市盘山地区具有代表性的4种类型受灾农田，应用无人机系统获取高分辨率航空影像，完成区域可见光遥感，利用地表反射率评估大风灾害水稻倒伏损失，推断农作物产量并与当年实际产量进行对比。结果表明，推断产量与实际产量误差处于合理区间，小型无人机可以快速、准确地评估农作物倒伏面积，为灾后决策提供重要的参考依据。

关键词 无人机；水稻倒伏；气象灾害；反射率；灾害评估

中图分类号：S511 文献标识码：B 文章编号：2095–3305（2023）09–0-03

气象因素对农业生产活动影响巨大，随着全球气候变化引起的极端天气频发，农作物产量年际间的波动日益加剧。近年来，我国几乎每年都会发生重大的气象灾害，严重影响我国粮食安全[1]。随着我国气象灾害评估的快速发展，灾后评估已成为政府决策的重要参考依据，快速准确的灾后评估对产量预测、农业政策调整具有十分重要的意义。水稻是我国主要粮食作物之一，在很多影响水稻产量的因素中，作物倒伏是制约水稻高产、稳产的重要因素[2-4]。大风是我国沿海地区常见的气象灾害，其影响范围广，往往造成严重的水稻倒伏现象，不但会造成作物减产，而且会影响稻米的品质，带来巨大的经济损失。与此同时，风灾的影响呈逐年增大趋势。因此，准确、定量地评估风灾等气象灾害对农业生产中的影响至关重要[5-9]。

常用的气象灾害评估方法有2种：一是遥感监测，二是观测员进行现场人工勘定。在气象灾害发生后，人工勘定无法覆盖大面积作物，卫星遥感采集的时效性不强，无法满足实际需求。无人机遥感具有高精度、高时空分辨率的优势，能够满足快速、准确评估气象灾害所产生影响的需求[10-16]。

1 无人机水稻倒伏快速评估技术概述

植物具有光谱特性，植物的不同部位吸收、反射、辐射的光谱也不尽相同。利用水稻稻穗与稻秆、地表之间的反射率差异，应用无人机搭载高清摄像机进行取样分析。通常在收获期的水稻稻穗的反射率为0.45～0.75，水稻稻秆的反射率为0.76～0.90，东北地表反射率为0.15～0.30。稻穗、稻稈和地表之间存在一定的反射率差异，将图像处理成二值图计算水稻倒伏面积。

1.1 无人机平台和搭载镜头

使用的无人机类型为DJI Phantom 4 Pro V2.0，重量（含电池及桨）为1 375 g，轴距为350 mm，最大上升速度为6 m/s，最大下降速度为4 m/s，最大水平飞行速度为72 km/h，最大可倾斜角度为42°，最大旋转角速度为250°/s，最大飞行高度为6 000 m，最大可承受风速为18 m/s（八级），最大飞行时间约为 30 min，卫星定位模块GPS/GLONASS 双模，悬停精度垂直：±0.1 m，水平：±0.3 m。

使用的相机影像传感器1英寸CMOS，有效像素2 000万。镜头FOV 84°，f/2.8 - f/11，ISO 范围100～12 800，电子快门速度8 - 1/8 000 s，照片尺寸5 472×3 648，长宽比为1.5。

1.2 统计方法

选择分层抽样法对农田进行抽样。分层抽样利用分组法与抽样法相结合的方法，通过分组减小各抽样层的变异性，通过抽样保证所抽取的样本具有代表性。在同一张航拍照片中，将不同地块的稻田分成5类：在航拍照片中，倒伏严重程度20%以下的为严重倒伏稻田、20%～40%为倒伏较严重稻田、40%～60%为该地块一般倒伏稻田、60%～80%为倒伏较轻稻田、80%～100%为倒伏程度最轻或者无倒伏稻田。根据分层采样法在该地块不同倒伏程度每类稻田中随机抽取1个样本进行水稻倒伏面积抽样分析。

1.3 数据处理方法

1.3.1 图像处理方法 无人机低空遥感技术以植物的光谱特性为基础，利用成熟期水稻稻穗、稻秆和地表之间反射率的差异，采集抽样农田的数据。使用场地黑白靶标的方式对数据进行定标，利用光学影像采集系统进行可见光遥感。地面系统主要是数据处理系统，包括图像修正、图像增强等。数据处理采用动态差分GPS与惯性测量装置IMU结合，直接在飞行中获取无人机的定位和定向，获得每一张影像的拍摄时间、高度、经纬度以及相机姿态角度等相关参数信息（图1）。

通过灰阶处理将遥感图像制成灰阶图像，并选取稻穗反射率区间分离制作二值图，再计算稻穗所占该地块比例。用面积计算方法求出地块面积，而得出稻穗面积与地块面积之比，从而计算得出倒伏率[17]。

1.3.2 面积计算方法 已知无人机飞行高度H，Fov为无人机搭载相机镜头视角，对角线AB与镜头之间的夹角α，无人机拍摄图片的长宽比Bwr。根据H、Fov和Bwr能够求出单张航拍图像面积，再按照单个地块所占像素与照片总像素之比计算出单个地块面积。

S= ·tan2（ ）H 3dH（1）

1.3.3 反射率特征分析 通过现场取样，对稻冠、稻秆和土壤表面进行多次采样。经标定后，对不同类型、不同地块的稻田采用随机采样法进行灰度值取样。对稻冠、稻秆和土壤每种类型的100个取样点进行分析。结果表明，稻冠最大灰度值为192，反射率为0.75，最小灰度值为109，反射率为0.42；稻秆最大灰度值为250，反射率为0.98，最小灰度值为195，反射率为0.76；土壤表明最大灰度值为89，反射率为0.34，最小灰度值为10，反射率为0.04。根据相关研究，无人机遥感土壤灰度受阴影影响会偏低，订正阴影部分土壤最小反射率为0.1[18-19]。由此可得，在收获期盘山县的水稻稻冠的反照率为0.42～0.75，水稻稻秆的反照率为0.76～0.98，东北地表反照率为0.10～0.34（图2）。

1.3.4 灾害损失评估方法及其对产量的影响 在水稻栽培的过程中，经常有不同程度的倒伏发生，倒伏影响光合作用，导致结实率下降、千粒重下降，影響了水稻的产量和品质。相关研究表明，水稻倒伏的程度分为3种：第一种为轻度倒伏，倒伏面积占总面积比小于5%，对整体产量和品质的影响不大；第二种为中度倒伏，倒伏面积占5%～20%，茎秆折损程度较重，对整体产量和品质的影响较大，减产5%～10%；第三种为重度倒伏，倒伏面积大于20%，稻谷籽粒不饱满，空瘪粒率上升，死米、青米增多，减产10%～20%。通过图像处理得出该类稻田平均倒伏比率后，按照倒伏面积划分倒伏程度，得到对应的减产率，再依据该稻田平均年每667 m2产量，计算得出减产量。

2 结果与分析

2.1 研究区域概况

盘山县处于辽中南地区，位于辽东半岛与辽西走廊的汇合处，为辽河冲积平原，地势平坦低洼，平均海拔为4 m左右，总面积为2 145 km2。境内有大辽河、双台子河、绕阳河等13条河流，广布沼泽洼地，沿海多滩涂。盘山县属于温带大陆性气候，四季分明，雨热同期，降水集中在7—8月，年平均降水量为605 mm，无霜期长。盘山县年平均气温为8.8 ℃，最低气温为-28.2 ℃，

最高气温为35.2 ℃。县内粮食播种面积566.7 km2以上，水田500.0 km2，旱田66.7 km2，人均占有耕地达2 200.0 m2。

盘山县共有水稻种植面积412.0 km2，主栽品种有盐丰系列（盐丰47为主，60%）、盐粳系列（盐粳927、盐粳939，20%）、锦稻系列（锦稻103、锦稻105、锦稻107、锦稻109，10%～15%）、其他（月光、辽河，5%）。全县水稻优良品种率达到100%，种植面积占比达到70%。其中，中等规模水稻种植面积109.3 km2，大规模水稻种植面积32.0 km2，水稻河蟹混养型种植面积270.7 km2。

2.2 取样

2021年9月16日，盘山县出现瞬时六级大风（11.9 m/s），平均风速为二级，9月15日盘山县普降中雨，瞬时大风和稻穗较湿使得此次风灾对收获期水稻造成了一定程度的减产。风灾发生后，于9月17日进行航拍采样，采样时间为12：00～15：00。

本次采样按照分层取样法对水稻倒伏情况进行取样，在盘山县受大风灾害影响地区选取D1（122°4′18.2″E，41°18′44.9″N）、D2（122°34′2.1″E，41°16′15.7″N）、D3（122°3′2.1″E，41°16′16.8″N）3块受灾农田进行遥感监测。其中，D1为大规模水稻农田，D2为中等规模水稻农田，D3为水稻河蟹混养型农田。在D1、D2、D3地块中，按照分层取样法抽取严重倒伏稻田为1号稻田、倒伏较严重稻田为2号稻田、一般倒伏稻田为3号稻田、倒伏较轻稻田为4号稻田和倒伏情况最轻或者无倒伏稻田为5号稻田（图3～图5）。

2.3 数据统计

D1高度为361.785 m，D2高度为306.814 m，D3高度为333.214 m。D1面积为203 710 m2，D2面积为146 530 m2，D3面积为172 831 m2。根据表1得出，D1地块综合倒伏率为3.7%，倒伏面积为7 600 m2，属于轻度倒伏。

根据表2得出，D2地块综合倒伏率为14.5%，倒伏面积为21 200 m2，属于中度倒伏。

根据表3得出，D3地块综合倒伏率为18.0%，倒伏面积为31 067 m2，属于中度倒伏。

2.4 灾害损失评估及对产量影响的计算及验证

盘山县大规模水稻农田在此次风灾中为轻度倒伏，对整体产量和品质的影响不大。中等规模水稻农田、水稻河蟹混养型农田为中度倒伏，倒伏面积占5%～20%，对整体产量和品质影响较大，一般减产5%～10%。盘山县大规模水稻农田种植面积为109 km2，理论产量为783 kg/667 m2，中等规模水稻农田种植面积为32 km2，理论产量为696 kg/667 m2、水稻河蟹混养型农田种植面积为271 km2，理论产量为652.5 kg/667 m2，可得出经过此次风灾后，盘山县大规模水稻农田无明显减产，中等规模水稻农田减产1 670.40～3 340.80 t、水稻河蟹混养型农田减产13 245.75～26 491.50 t，水稻因倒伏产生的减产总计为14 916.15～29 832.30 t。经计算，全县2020年累计水稻总产量为396 902.70～411 818.85 t。根据盘山县农村工作委员会提供的资料，2020年盘山县水稻累计总产量为403 371.60 t，误差为8 447.25 t，处于合理置信区间。

3 结论

第一，无人机遥感技术具有高时间分辨率、高空间分辨率、受外界影响小、能够进行全天候作业等特点，适用于农作物倒伏评估。

第二，在2020年9月16日盘山县一次风灾后，于24 h内利用无人机对反射率进行分析，结果表明，无人机可以准确快速地评估风灾后水稻的倒伏情况，为精准化农业提供有力的技术支持，对受灾稻田进行快速的灾害损失评估工作，为之后的秋收和粮食产量提供了重要的参考。

参考文献

[1] 赵思健，张峭，聂谦，等.农作物气象灾害风险识别与评估研究[J].灾害学， 2018，33（2）：51-57.

[2] 王勇，向波，冼季夏，等.水稻抗倒伏研究现状及存在的问题[J].广西农业科学，2007（2）：141-144.

[3] 史学岩.浅谈水稻倒伏的原因危害及综合防控[J].现代农业，2021（3）：51-52.

[4] 张怀凤，梁誉.水稻倒伏调查报告[J].北方水稻，2020，50（1）：41-42.

[5] 范晓林.农业气象灾害风险评估研究进展与展望[J].农家参谋，2020（16）：167.

[6] 范道全，张美娜，吕晓兰，等.无人机低空遥感技术在大田作物监测与产量预测中的应用[J].新疆农机化，2019（3）：17-20.

[7] 李正农，郝艳峰.农作物抗风研究综述[J].自然灾害学报，2020，29（3）：54-62.

[8] 汤云龙，汪楠，张欣，等.水稻倒伏与产量及食味的关系[J].北方水稻，2021，51 （2）：8-12.

[9] 张帅.基于无人机低空遥感的农田信息采集与处理研究[J].安徽农学通报， 2019，25（13）：149-151.

[10] 李宗南，陈仲新，王利民，等.基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报，2014，30（19）：207-213.

[11] 段小斌.基于无人机遥感技术的水稻倒伏区域识别研究[J].農机化研究， 2021，43（12）：225-228.

[12] 班松涛.水稻长势无人机遥感监测研究[D].杨凌：西北农林科技大学，2020.

[13] 周平.基于无人机多源信息的水稻倒伏特征分析[D].扬州：扬州大学，2020.

[14] 田明璐，班松涛，袁涛，等.基于低空无人机多光谱遥感的水稻倒伏监测研究[J].上海农业学报，2018，34（6）：88-93.

[15] 包诗薇，陈洪耀，张黎明，等.基于灰阶靶标的光学遥感器绝对辐射定标及反射率反演验证[J].光学学报，2021，41 （4）：210-218.

[16] 宋文生，纪桂姮，金峰.水稻倒伏的类型及防治措施[J].现代化农业，2013 （5）：37-38.

[17] 周平，周恺，刘涛，等.水稻倒伏监测研究进展[J].中国农机化学报，2019，40 （10）：162-168.

[18] 王鸽，韩琳.东北地区地表反照率时空分布研究[J].沈阳农业大学学报，2009， 40（4）：417-420.

[19] 陈明健.基于多光谱无人机的南京典型城市街区反照率估算及影响因素研究[D].南京：南京信息工程大学，2023.

Evaluation Method of Rice Lodging Caused by Wind Disaster Based on Small UAV

Sun Ming-qian et al（Panjin Meteorological Service， Panjin， Liaoning 124000）

Abstract Wind disaster was a common meteorological disaster， and the crop collapse and yield reduction caused by wind disaster increase gradually in our country every year. How to assess the post-disaster quickly and accurately was very important for the yield forecast and agricultural policy adjustment. In this paper， four representative types of affected farmland in Panshan area of Panjin City， Liaoning Province were selected， high-resolution aerial images obtained by unmanned aerial systems were used to complete regional visible light remote sensing， and surface reflectivity was used to assess the collapse loss of rice caused by wind disasters， and the crop yield was inferred and compared with the actual yield of the year. The results show that the error between the inferred yield and the actual yield is within a reasonable range， and the small UAV can quickly and accurately evaluate the lodging area， which provides an important reference for post-disaster decision-making.

Key words Uav; Rice lodging; Meteorological hazards; Reflectance; Disaster assessment