在小麥揚花灌漿期，土壤中的養分供應非常重要。因此，及時施肥是保證小麥生長的關鍵。一般來說，施肥時間應該在小麥揚花開始期時進行。一般選擇氮、磷、鉀等多種元素的肥料進行施用，以保證小麥的健康生長。

小麥揚花灌漿期對水分的需求量非常大，但是過量的灌溉也容易導致小麥發生根腐病或者其他水害。因此，在小麥揚花灌漿期，適當控制水分非常重要。一般來說，在小麥揚花灌漿期，應該根據實際情況，靈活掌握灌溉的時間和量，以保證小麥的生長和發育。

利用低空無人機技術，并結合深度學習語義分割模型精準提取作物倒伏區域是一種高效的倒伏災害監測手段。在實際應用中，受田間各種客觀條件(不同無人機飛行高度低于120m、多個研究區、關鍵生育期不同天氣狀況等)限制，無人機獲取的圖像數量仍偏少，難以滿足高精度深度學習模型訓練的要求。

安徽大學農業生態大數據分析與應用技術國家地方聯合工程研究中心與西北農林科技大學機械與電子工程學院、宿州學院信息工程學院，組成了胡根生教授團隊展開了研究，旨在探索一種在作物生育期和研究區有限的情況下精準提取倒伏面積的方法。

以健康/倒伏小麥為研究對象，在其灌漿期和成熟期開展麥田圖像采集工作。設置2個飛行高度(40和80m)，采集并拼接獲取2019、2020、2021和2023年份3個研究區的數字正射影像圖;在Swin-Transformer深度學習語義分割框架基礎上，分別使用40m訓練集單獨訓練、40和80m訓練集混合訓練、40m訓練集預訓練80m訓練集遷移學習等3種訓練方法，獲得對照模型、混合訓練模型和遷移學習模型;采用對比實驗比較上述3種模型分割80m高度預測集圖像的精度并評估模型性能。

遷移學習模型倒伏面積提取精度最高，交并比、正確率、精確率、召回率和F1-Score共5個指標平均數分別為85.37%、94.98%、91.30%、92.52%和91.84%，高于對照組模型1.08%~3.19%，平均加權幀率達到738.35fps/m2，高于40m圖像183.12fps/m2。

利用低飛行高度(40m)預訓練語義分割模型，在較高飛行高度(80m)空圖像做遷移學習的方法提取倒伏小麥面積是可行的，這為解決空域飛行高度限制下，較少80m及以上圖像數據集無法滿足語義分割模型訓練的要求的問題，提供了一種有效的方法。

審核編輯 黃宇