河南作為小麥玉米的主要產糧區，對小麥玉米方面的研究頗為深入。針對小麥灌漿期易受天氣等因素影響，造成小麥倒伏的情況，需快速準確評估作物倒伏災情狀況，需及時獲取倒伏發生位置及面積等信息。

目前基于無人機遙感識別作物倒伏缺乏相應的技術標準，不利于規范無人機數據獲取流程和提出問題解決方案。河南農業大學農學院，教育部作物生長發育調控重點實驗室，省部共建小麥玉米作物學國家重點實驗室聯手組成了馮偉科研團隊，旨在探討不同空間分辨率無人機遙感影像及特征優化方法對小麥倒伏區域識別精度的影響。

在小麥倒伏后設置3個飛行高度(30、60和90 m)，獲取不同空間分辨率(1.05、2.09和3.26 cm)的數字正射影像圖(Digital Orthophoto Map，DOM)和數字表面模型(Digital Surface Model，DSM)，從不同空間分辨率影像中分別提取5個光譜特征、2個高度特征、5個植被指數以及40個紋理特征構建全特征集，并選擇3種特征選擇方法(ReliefF算法、RF-RFE算法、Boruta-Shap算法)篩選構建特征子集，進而利用3種面向對象監督分類方法——支持向量機(Support Vector Machine，SVM)、隨機森林(Random Forest，RF)和K最近鄰(K Nearest Neighbor，KNN)構建小麥倒伏分類模型，明確適宜的分類策略，確立倒伏分類技術路徑。

結果表明，SVM的分類效果整體優于RF和KNN，當影像空間分辨率在1.05~3.26 cm范圍內變化時，全特征集和3種優化特征子集均以1.05 cm分辨率的分類精度最高，優于2.09和3.26 cm。比較發現，Boruta-Shap特征優化方法既能實現降維和提高分類精度的目標，又能適應空間分辨率的變化，當影像分辨率為3.26 cm時，總體分類精度相較1.05和2.09 cm分別降低了1.81%和0.75%;當影像分辨率為2.09 cm時，總體分類精度相較1.05 cm降低了1.06%，表現為不同飛行高度下的分類精度相對差異較小，90 m總體分類精度可達到95.6%，Kappa系數達到0.914，滿足了對分類精度的需求。

通過選擇適宜的特征選擇方法，不僅可以兼顧分類精度，還能有效縮小影像空間分辨率變化引起的倒伏分類差異，有助于提升飛行高度，擴大小麥倒伏監測面積，降低作業成本，為確立作物倒伏信息獲取策略及小麥災情評估提供參考及支持。

此外，在小麥灌漿期，需進行水肥管理才能高產。

①水肥協調供應：水分和營養物質的供應對于小麥的正常生長至關重要。一方面，要保證灌漿期小麥的土壤濕度，及時補充水分;另一方面，要合理施肥，供給足夠的氮、磷、鉀等營養元素。水肥協調供應，才能滿足小麥生長的需要。

②合理施肥：適量的施肥有利于小麥的高產。遵從過猶不及的原則，避免過度施肥滋生病蟲害。合理施肥，根據小麥的需求量和土壤的狀況來進行施肥。

③注意排水：小麥灌漿期是雨水較多的季節，水分過多會影響小麥的正常生長。因此，在灌漿期，要注意排水，及時清理積水，保證土壤透氣性，避免小麥生長缺氧。

④密切觀察：密切觀察小麥的生長狀況，及時發現問題，及時采取措施。例如，發現小麥出現缺氧、疏菜、長勢不佳等情況時，應及時調整水肥管理措施，保證小麥的正常生長。

審核編輯 黃宇