《Computers and Electronics in Agriculture》：Estimating wheat lodging fraction from Sentinel-1/2 imagery using UAV-derived reference labels
编辑推荐：
•无人机衍生标签使得哨兵尺度小麦倒伏比例估计成为可能。•哨兵 1/2 灾前灾后变化在 WLF（小麦倒伏比例）估计中优于灾后特征。•空间分组验证支持新乡全市范围内可靠的 10 米 WLF 制图。引言小麦倒伏是主要的生产制约因素，会干扰灌浆，降低产量和籽粒质量，并增加收割难度和损
- •
无人机衍生标签使得哨兵尺度小麦倒伏比例估计成为可能。
- •
哨兵 1/2 灾前灾后变化在 WLF（小麦倒伏比例）估计中优于灾后特征。
- •
空间分组验证支持新乡全市范围内可靠的 10 米 WLF 制图。
引言
小麦倒伏是主要的生产制约因素，会干扰灌浆，降低产量和籽粒质量，并增加收割难度和损失（Li et al., 2023, Kong et al., 2022）。中后期生长阶段严重的风雨事件能在短时间内产生高度异质的倒伏模式，从而迫切需要快速且空间明确的灾害评估。传统田间调查提供直接观测，但劳动密集且难以在大型受灾区域实施。因此，遥感提供了一种重要手段，将倒伏观测从单个田块扩展到更广泛的空间域。
基于遥感的小麦倒伏监测已取得了巨大进展。基于无人机（UAV）的红 - 绿 - 蓝（RGB）和多光谱影像已结合机器学习和深度学习技术用于倒伏检测和细尺度表征（Azizi et al., 2024, Long et al., 2025）。卫星观测提供了更广泛的空间覆盖：高分辨率光学影像已用于倒伏区域提取（Tang et al., 2022），而哨兵 1 合成孔径雷达（SAR）和哨兵 2 光学数据已应用于倒伏易感性制图、检测以及倒伏相关光谱和结构变化的表征（Chauhan et al., 2021, Chauhan et al., 2020, Sharda et al., 2025）。无人机 - 卫星协同也已用于在农业监测中连接观测尺度（Alvarez-Vanhard et al., 2021, Jiang et al., 2023）。然而，突发天气事件后的快速基于卫星的倒伏评估仍受限于缺乏与卫星像元空间兼容的可靠参考观测。无人机影像可以提供此类信息，但其有限的覆盖范围意味着它更适合作为分布式参考源，而不是作为区域连续制图的直接解决方案。
从更高分辨率的观测中构建比例参考信息是遥感中公认的方法。高分辨率分类影像长期以来已用于推导较粗像元内的土地覆盖比例（Atkinson et al., 1997, Verhoeye and De Wulf, 2002），相关概念已应用于亚像元作物制图和农业面积估计（Lobell and Asner, 2004, Hu et al., 2021）。然而，将此原理应用于事件级小麦倒伏引入了几个实际挑战。首先，厘米级无人机分类必须准确配准并聚合到卫星兼容的网格中。其次，来自同一无人机调查区域的相邻卫星网格存在空间依赖性，因此随机划分单个网格可能会产生过于乐观的模型性能估计。第三，倒伏相关信息可能由灾后冠层状况和灾前灾后变化共同表示，而相对于光学观测，SAR 的增量贡献应通过受控评估来确定，而不是先验假设。当使用空间分布的无人机观测来支持直接调查区域以外的制图时，这些问题变得尤为重要。
因此，关键的方法论问题不仅仅是开发另一个倒伏分类器或回归算法，而是建立一条可靠途径，将空间有限的无人机观测转化为卫星尺度定量参考标签，并评估其在空间独立条件下的传输能力。在本研究中，小麦倒伏比例（WLF）被定义为哨兵对齐的 10 × 10 米网格内倒伏小麦面积的比例。因此，WLF 代表倒伏范围，而不是植株级倒伏严重程度、倒伏角度、茎秆弯曲或生理损伤强度。通过在卫星像元内聚合高分辨率二值无人机分类，可以生成连续参考标签，同时保留混合倒伏信息，这些信息如果在每个网格中仅用二值倒伏/非倒伏类别表示将会丢失。
本研究开发了一种无人机衍生的参考标签框架，用于在中国河南省新乡市严重小麦倒伏事件后的哨兵 WLF 估计。高分辨率无人机倒伏图在哨兵对齐的 10 × 10 米网格内进行了聚合，生成的 WLF 标签与哨兵 1 和哨兵 2 预测因子进行了匹配。完整的无人机源正射影像组用于数据集划分和分组验证，以保持空间独立性。随后比较了六种回归算法和四种哨兵配置，以评估灾后光学信息、灾后 SAR - 光学信息、光学灾前灾后变化以及组合 SAR - 光学灾前灾后变化。目标为：(1) 从无人机衍生的倒伏图构建哨兵兼容的 WLF 参考标签，同时考虑空间依赖性；(2) 量化时间信息和哨兵 1/2 数据组合对 WLF 估计的贡献；(3) 在空间独立的无人机调查区域上评估所选模型，并将其应用于新乡市冬小麦种植区的 10 米 WLF 制图。因此，方法论贡献在于一个可重复的跨尺度框架，该框架结合了无人机衍生参考标签构建、哨兵数据配置的受控比较以及源分组空间验证，而不是提出新的机器学习算法。
章节摘要
研究区域和倒伏事件
本研究在中国河南省新乡市进行（34°55′–35°50′ N, 113°30′–115°01′ E；图 1），该地区是华北平原重要的冬小麦产区。 generally flat terrain and relatively contiguous wheat fields provide suitable conditions for linking fine-resolution UAV observations with Sentinel-scale lodging assessment.
2024 年 5 月 15 日，当冬小麦处于灌浆中期时，新乡市经历了严重的风事件，最大风力
无人机倒伏分类和 WLF 生成
保留的植被指数数量影响了所有三种无人机分类器的性能（图 4）。在分组五折交叉验证下，当保留指数数量从一增加到二时，分类性能显著增加，而额外的指数几乎没有提供进一步的改善。因此，所有三种分类器的最优子集包含两个植被指数，TCI 和 NDVI。使用此子集，SVM 达到了平均 F1 分数 0.785 和 IoU 为
无人机衍生的 WLF 参考标签和跨尺度传输
基于卫星的倒伏评估的主要限制是缺乏与卫星观测空间尺度兼容的可靠参考信息。无人机影像可以解析厘米级的倒伏模式，但其有限的空间覆盖范围限制了直接区域应用。在本研究中，高分辨率无人机倒伏分类在哨兵对齐的 10 × 10 米网格内按面积聚合，以构建连续 WLF 参考标签。类似的细至粗
结论
本研究建立了一个无人机衍生的参考标签框架，用于新乡市严重倒伏事件后的哨兵小麦倒伏比例（WLF）估计。无人机衍生的二值倒伏图在哨兵对齐的 10 × 10 米网格内聚合以生成连续 WLF 参考标签，通过源正射影像分组模型开发和独立验证明确控制了空间依赖性。在哨兵尺度上，灾后光学特征已经
CRediT 作者贡献声明
张宝元：撰写 - 原稿。张天翔：资源。刘星宇：数据整理。宋超：调查。鲍晓源：方法学。孙倩：形式分析。潘玉春：监督。姚夏：概念化。淑梅艳：资金获取。顾小河：撰写 - 审阅与编辑。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。
致谢
本工作得到中国国家自然科学基金（42401438）、河南省自然科学基金（252300421158）和江苏省研究生科研与实践创新计划项目（KYCX25_0980）的支持。我们感谢协助无人机调查和田间数据收集的工作人员。
张宝元 | 张天翔 | 刘星宇 | 宋超 | 鲍晓源 | 孙倩 | 潘玉春 | 姚夏 | 淑梅艳 | 顾小河
