摘 要：苧麻生理生化性狀是其遺傳基礎(chǔ)和環(huán)境條件綜合影響的結(jié)果，能夠反映特定脅迫環(huán)境下苧麻的生長(zhǎng)發(fā)育狀況。無(wú)人機(jī)遙感技術(shù)為大規(guī)模田間作物長(zhǎng)勢(shì)監(jiān)測(cè)提供了有效手段，但利用無(wú)人機(jī)搭載多光譜相機(jī)對(duì)苧麻理化性狀進(jìn)行綜合評(píng)價(jià)的研究還未見(jiàn)報(bào)道。因此，以苧麻種質(zhì)資源為研究對(duì)象，采用無(wú)人機(jī)多光譜遙感獲取苧麻冠層的光譜參數(shù)和紋理參數(shù)，運(yùn)用相關(guān)性分析法（Pearson correlation analysis，PCA）、遞歸特征消除法（Recursive feature elimination，RFE）2種最優(yōu)特征篩選方法和線性回歸（Linear regression，LR）、隨機(jī)森林回歸（Random forest，RF）、支持向量機(jī)回歸（Support vector machines，SVM）、偏最小二乘回歸（Partial least squares regression analysis，PLSR）4種機(jī)器學(xué)習(xí)算法分別構(gòu)建了苧麻葉綠素相對(duì)含量（SPAD值）、葉面積指數(shù)（Leaf area index，LAI）和葉片相對(duì)含水量（Relative water content，RWC）的估測(cè)模型。結(jié)果表明，苧麻理化性狀與冠層光譜偏態(tài)參數(shù)存在顯著相關(guān)性，基于偏態(tài)參數(shù)構(gòu)建的苧麻理化性狀估測(cè)模型能包含更多信息輸入。對(duì)比PCA方法，RFE能更有效地篩選敏感特征參數(shù)，從而提高估測(cè)模型精度?；诙鄷r(shí)序融合數(shù)據(jù)的苧麻理化性狀估測(cè)模型精度較高，LR-SAPD估測(cè)模型的R2為0.662，RMSE為2.088；LR-RWC估測(cè)模型的R2為0.793，RMSE為2.213，SVR-LAI模型能較好估測(cè)苧麻葉面積指數(shù)，R2為0.737，RMSE為0.630。本文提出了一種準(zhǔn)確高效、性?xún)r(jià)比高、普適性高的田間苧麻理化性狀動(dòng)態(tài)監(jiān)測(cè)方法，可用于作物理化含量的快速、無(wú)損估測(cè)。
關(guān)鍵詞：苧麻；理化性狀；無(wú)人機(jī)遙感；機(jī)器學(xué)習(xí)
0 引言
精準(zhǔn)農(nóng)業(yè)的發(fā)展依賴(lài)于詳細(xì)可靠的農(nóng)田狀況信息，如作物長(zhǎng)勢(shì)狀況、營(yíng)養(yǎng)狀況、雜草分布、病蟲(chóng)害分布等。然而，傳統(tǒng)的田間作物信息獲取方法存在耗時(shí)耗力、破壞性強(qiáng)、時(shí)效性差等缺點(diǎn)，嚴(yán)重阻礙了大規(guī)模作物生長(zhǎng)實(shí)時(shí)監(jiān)測(cè)。隨著低空高通量表型平臺(tái)的出現(xiàn)，這一過(guò)程得到了改進(jìn)[1]，以遙感技術(shù)和機(jī)器學(xué)習(xí)技術(shù)為主的作物高通量表型獲取技術(shù)使得農(nóng)田生產(chǎn)管理者能夠非破壞性、快速地獲取有價(jià)值的作物信息，改變了傳統(tǒng)的監(jiān)測(cè)策略[2]。
理化性狀是作物生長(zhǎng)過(guò)程中被廣泛關(guān)注的表型指標(biāo)，能夠用于表征作物生長(zhǎng)動(dòng)態(tài)及潛力，與作物生命活動(dòng)息息相關(guān)。主要的作物理化性狀包括葉面積指數(shù)（Leaf area index，LAI）[3-4]、葉綠素相對(duì)含量（SPAD值）[5-6]、相對(duì)含水量（Relative water content，RWC）等。其中，LAI被證明與作物生長(zhǎng)、作物水分利用、作物碳吸收和產(chǎn)量有關(guān)[7-8]；葉綠素含量可以用于判斷作物營(yíng)養(yǎng)狀況以及衰老進(jìn)程[9]；而RWC作為表征作物水分狀況的關(guān)鍵參數(shù)，是開(kāi)展水分虧缺診斷的重要基礎(chǔ)。因此，SPAD值、LAI、RWC的快速、實(shí)時(shí)、精準(zhǔn)監(jiān)測(cè)對(duì)于作物營(yíng)養(yǎng)診斷、田間肥料精準(zhǔn)管理、作物生產(chǎn)能力評(píng)價(jià)和品質(zhì)預(yù)測(cè)等均具有重要意義[10-11]。
基于遙感技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的作物理化性狀監(jiān)測(cè)手段通過(guò)分析植物反射光譜特征來(lái)指示作物生理變化和損傷[12]。在過(guò)去的近十年里，學(xué)者們嘗試使用不同傳感數(shù)據(jù)和不同建模方法優(yōu)化作物理化性狀遙感反演的性能，包括使用支持向量回歸（Support vector machines，SVM）、偏最小二乘回歸（Partial least squares regression，PLSR）等傳統(tǒng)機(jī)器學(xué)習(xí)方法構(gòu)建多源遙感數(shù)據(jù)與實(shí)測(cè)作物理化性狀的經(jīng)驗(yàn)關(guān)系，通過(guò)深度神經(jīng)網(wǎng)絡(luò)或通過(guò)融合PROSAIL冠層反射率模型增強(qiáng)作物理化性狀反演的解釋性等。如，CHEN等[13]基于無(wú)人機(jī)高光譜數(shù)據(jù)，結(jié)合PROSAIL輻射傳輸模型和6種回歸模型估測(cè)了玉米LAI，最佳模型R2為0.72。牛玉潔等[14]基于雷達(dá)點(diǎn)云和多光譜遙感數(shù)據(jù)，采用PLSR構(gòu)建了LAI估測(cè)模型（R2=0.91）。馮海寬等[15]使用多種機(jī)器學(xué)習(xí)算法構(gòu)建了蘋(píng)果葉片葉綠素含量估測(cè)模型（R2=0.94）。盡管以上研究均表明高通量表型技術(shù)在作物理化性狀估測(cè)上具有巨大潛力，但當(dāng)前研究仍然存在弊端，在利用多光譜影像分析作物理化性狀時(shí)，通常假設(shè)反射指數(shù)遵循正態(tài)分布，而忽視了偏態(tài)分布中其他參數(shù)對(duì)作物理化性狀定量描述的意義[16-17]，導(dǎo)致信息匱乏，極大地限制了遙感數(shù)據(jù)應(yīng)用。
苧麻是我國(guó)特色纖維作物，為了在田間條件下更好地表征遺傳和環(huán)境對(duì)苧麻關(guān)鍵理化性狀的影響，需要更準(zhǔn)確、勞動(dòng)強(qiáng)度更小的分析方法。研究基于多時(shí)序的無(wú)人機(jī)多光譜影像，協(xié)同地面實(shí)測(cè)數(shù)據(jù)，定量確定苧麻SPAD值、LAI、RWC，并驗(yàn)證苧麻群體影像是否符合偏態(tài)分布模式，并探索偏態(tài)分布模式在苧麻理化性狀估測(cè)上的應(yīng)用前景；比較不同特征篩選方法和機(jī)器學(xué)習(xí)算法對(duì)苧麻理化性狀估測(cè)精度的影響；探究利用多時(shí)序遙感數(shù)據(jù)綜合估測(cè)苧麻理化性狀的可行性。
1 材料與方法
1.1 試驗(yàn)區(qū)域
試驗(yàn)區(qū)位于湖南省長(zhǎng)沙市湖南農(nóng)業(yè)大學(xué)耘園教學(xué)基地（28°11¢1¢¢N，113°4¢10¢¢E），屬于典型的亞熱帶季風(fēng)性濕潤(rùn)氣候，降水充沛，光熱條件良好。試驗(yàn)共布置154個(gè)小區(qū)，包含154份種質(zhì)資源（圖1）。各小區(qū)面積2m×1.8m，2行×4蔸，蔸間距為0.4m，行間距為0.6m，排水溝寬為0.5m。苧麻材料于2017年12月育苗移栽，2018年6月破桿。試驗(yàn)區(qū)土壤成分均一且土壤肥沃，灌溉排水便捷，田間水肥管理一致。
1.2 數(shù)據(jù)采集
1.2.1 無(wú)人機(jī)多光譜遙感影像采集
于2022年苧麻苗期（3月15日、3月23日）、封行期（3月29日、4月7日）、旺長(zhǎng)期（4月12日、4月20日）采用大疆Phantom4多光譜無(wú)人機(jī)獲取苧麻冠層影像。該無(wú)人機(jī)采用厘米級(jí)定位系統(tǒng)，集成了6個(gè)相機(jī)（藍(lán)光、綠光、紅光、紅邊和近紅外），所有相機(jī)均擁有200萬(wàn)像素解析力，拍攝圖像的最大分辨率為1600像素×1300像素。每次飛行選擇在晴朗無(wú)風(fēng)的10：00-12：00時(shí)間段進(jìn)行，無(wú)人機(jī)遙感系統(tǒng)采取距離地面20m的高度搭配-90°云臺(tái)俯仰角進(jìn)行拍攝，航向及旁向重疊度均為85%。
1.2.2 地面數(shù)據(jù)采集
采集的苧麻理化性狀包括SPAD值、LAI、RWC，地面數(shù)據(jù)的采集與無(wú)人機(jī)飛行在同一天進(jìn)行。采用SPAD-502型葉綠素儀測(cè)量苧麻冠層葉片SPAD值作為葉片葉綠素相對(duì)含量，測(cè)量時(shí)，選取植株頂部下新展開(kāi)的葉片（倒4葉或倒5葉），在葉基部開(kāi)始20%~80%區(qū)域的主葉脈兩端，取平均值作為該葉片的SPAD值，然后隨機(jī)選取小區(qū)內(nèi)10株苧麻，取其平均值作為該小區(qū)的SPAD值；使用LAI-2200冠層分析儀進(jìn)行苧麻L(zhǎng)AI采集；取苧麻葉片樣本稱(chēng)取其濕重記為Wt，然后將上述樣本干燥，稱(chēng)其干重為Wd，RWC定義為濕重與干重的差值。
1.3多光譜遙感影像預(yù)處理
1.3.1遙感影像拼接與校正
采用大疆智圖軟件生成研究區(qū)域的正射影像。拼接過(guò)程中，導(dǎo)入地面控制點(diǎn)的三維空間位置信息進(jìn)行地理校正（圖2a），同時(shí)導(dǎo)入定標(biāo)板的實(shí)際反射率進(jìn)行輻射定標(biāo)（圖2b）。
1.3.2 苧麻植株分割
利用無(wú)人機(jī)拍攝的苧麻冠層遙感影像可以最大限度地獲取頂部展開(kāi)葉信息，但是，在苗期影像中不可避免地包含了陰影、裸地等非作物信息[18]。為避免干擾信息的影響，研究基于HSV通道的H通道值[19]，對(duì)土壤進(jìn)行分割，并進(jìn)一步利用最大類(lèi)間方差法去除雜草。
1.4 苧麻理化性狀估測(cè)模型的構(gòu)建
1.4.1 遙感特征值提取
以往研究中，往往僅選擇常用的植被指數(shù)進(jìn)行分析，忽視了高通量、多維度數(shù)據(jù)對(duì)作物目標(biāo)性狀估測(cè)的潛在價(jià)值。本研究在廣泛查閱文獻(xiàn)的基礎(chǔ)上[20-23]，提取了48個(gè)光譜特征值的均值、標(biāo)準(zhǔn)差以及9個(gè)紋理特征值（表1）。
表1 遙感特征參數(shù)的計(jì)算
注：i、j分別為像素點(diǎn)行數(shù)、列數(shù)，p(i,j)表示影像中(i,j)位置的灰度值，sx、sy為px(i)和px(j)的方差，N為行或列數(shù)。
1.4.2 敏感特征篩選
篩選穩(wěn)定性高的敏感特征值對(duì)于模型性能極其重要，不僅能簡(jiǎn)化數(shù)據(jù)處理流程，還能夠減少無(wú)關(guān)信息對(duì)目標(biāo)變量的干擾。本研究分別采用相關(guān)性分析法（Pearson correlation analysis，PCA）和遞歸特征消除法（Recursive feature elimination，RFE）來(lái)篩選與目標(biāo)變量有關(guān)的特征值，以上篩選方法均在python中實(shí)現(xiàn)。
1.4.3 建模方法及評(píng)價(jià)指標(biāo)
所采用的機(jī)器學(xué)習(xí)算法包括5種，分別為線性回歸（Linear regression，LR）、偏最小二乘回歸（Partial least squares regression analysis，PLSR）、支持向量機(jī)（Support vector machines，SVM）、決策樹(shù)回歸（Decision tree，DT）和隨機(jī)森林（Random forest，RF）。
每個(gè)時(shí)期從所有樣地中獲取154份樣本數(shù)據(jù)，全生育期共獲取樣本924份。在建模過(guò)程中，采用比例7：3將數(shù)據(jù)劃分為訓(xùn)練集和驗(yàn)證集，采用網(wǎng)格搜索方法尋找不同模型的最佳參數(shù)，采用5-折交叉驗(yàn)證方法評(píng)估模型，均方根誤差(Root mean square error，RMSE)和決定系數(shù)（Coefficient of determination，R2）被用于量化和評(píng)估模型性能。
2 結(jié)果與分析
2.1 苧麻種質(zhì)資源理化性狀差異
表2為苧麻種質(zhì)資源SPAD值、LAI、RWC在生育期內(nèi)的時(shí)序變化及各時(shí)期統(tǒng)計(jì)描述。從苗期到旺長(zhǎng)期，氣溫逐漸升高，干旱脅迫下苧麻葉片萎蔫度增加，導(dǎo)致苧麻SPAD、RWC總體呈現(xiàn)下降趨勢(shì)。隨著麻莖生長(zhǎng)，出葉總數(shù)逐漸增加，葉片面積逐漸變大，地面實(shí)際測(cè)量的LAI逐漸增大。
從不同生育期苧麻理化性狀存在的差異來(lái)看，苗期SPAD表現(xiàn)出更為明顯的品種差異，標(biāo)準(zhǔn)差達(dá)到4.018，表明苧麻種質(zhì)資源在苗期光效利用上存在較大變異，苗期可能是影響苧麻有機(jī)質(zhì)最終累積量的關(guān)鍵時(shí)期；苧麻RWC在不同生育期的總體范圍為60.809~95.836，較高的含水量差異有助于干旱條件下耐旱品種篩選；苧麻種質(zhì)資源LAI總體在0.907~7.636之間，同一生育期內(nèi)變化幅度不大。綜上所述，不同時(shí)期的苧麻理化性狀表現(xiàn)出明顯差異，數(shù)據(jù)集具備建模所需的梯度和差異性。
表2 各時(shí)期苧麻理化性狀統(tǒng)計(jì)描述
2.2 苧麻理化性狀與遙感特征值的相關(guān)性分析
表3為苧麻理化性狀與遙感特征值的相關(guān)性分析。由表3可知，苧麻SPAD與光譜特征值的相關(guān)性比與紋理特征值的相關(guān)性更高，平均相關(guān)系數(shù)達(dá)到0.199。苧麻RWC、LAI與紋理特征值的相關(guān)性比與光譜特征值的相關(guān)性更顯著，RWC與紋理特征值的平均相關(guān)系數(shù)達(dá)到0.547，LAI與紋理特征的平均相關(guān)系數(shù)達(dá)到0.563。
研究進(jìn)一步分析了光譜特征值偏態(tài)參數(shù)與苧麻理化性狀的相關(guān)性。與光譜特征值均值相比，標(biāo)準(zhǔn)差總體上具有與RWC、LAI更高的相關(guān)性系數(shù)，分別達(dá)到0.411和0.390。因此，在依靠遙感特征值對(duì)作物理化性狀進(jìn)行建模估測(cè)時(shí)，可考慮遙感特征值的偏態(tài)分布情況。
表3 不同類(lèi)型遙感特征值與苧麻理化性狀的相關(guān)性分析
2.3 不同建模策略對(duì)苧麻理化性狀估測(cè)精度的影響
分別采用PCA和RFE篩選敏感特征值作為模型變量，并以模型精度為指標(biāo)，評(píng)估不同特征篩選方法的有效性。由表4可知，與CK相比，PCA和RFE均提高了估測(cè)模型的最終精度，但RFE具有更好的表現(xiàn)。采用RFE篩選特征后，LR-SPAD估測(cè)精度最高，R2分別比CK和PCA提高9.241%、8.525%；LR-RWC估測(cè)精度最高（R2=0.793，RMSE為2.213），R2分別比CK和PCA方法提高8.631%、6.300%；SVR-LAI估測(cè)精度達(dá)到0.737，比CK和PCA方法提高0.959%、0.959%。由此可知，特征篩選是作物反演建模過(guò)程中必不可少的步驟，RFE能提供更加穩(wěn)定的特征選擇。
在建模算法上，對(duì)比了LR、RF、SVR、PLSR、DT算法的建模精度（表4）。LR、RF、SVR、PLSR在估測(cè)苧麻理化性狀上的綜合表現(xiàn)相當(dāng)，在SPAD值上，這4種算法的估測(cè)精度都在0.592以上；對(duì)于RWC，4種算法也取得了較高的估測(cè)精度，R2均在0.760以上；對(duì)于LAI，以上4種算法R2均在0.698以上。但是，DT對(duì)所有苧麻理化性狀的估測(cè)效果都很差，并且存在訓(xùn)練集過(guò)擬合，測(cè)試集精度極低的情況。
表4 不同特征篩選方法對(duì)苧麻生理指標(biāo)估算精度的影響
2.4 基于多維特征的苧麻理化性狀估測(cè)
表5為基于光譜特征值和多維特征值的估測(cè)精度對(duì)比。由表5可知，對(duì)于苧麻SPAD值，基于單一光譜特征構(gòu)建的估測(cè)模型精度更高，這一結(jié)果驗(yàn)證了苧麻SPAD值與光譜特征值之間相關(guān)性更高的結(jié)論。多源特征值的融合取得了更高的估測(cè)精度，對(duì)比單一光譜特征值的估測(cè)結(jié)果，基于多源特征值的苧麻RWC、LAI估測(cè)模型的R2分別提高2.648%、0.950%，RMSE分別減小4.817%、1.408%。綜上所述，多維數(shù)據(jù)融合并不適用于所有作物理化性狀的估測(cè)。
表5 基于不同類(lèi)型特征值的苧麻理化性狀估測(cè)
2.5 基于多時(shí)序數(shù)據(jù)融合的苧麻理化性狀估測(cè)
由圖3可知，對(duì)于所有苧麻理化性狀，基于多時(shí)序數(shù)據(jù)構(gòu)建的估測(cè)模型都具有最佳效果。對(duì)于苧麻SPAD值，單一生育期模型R2范圍為0.270~0.367，由大到小表現(xiàn)為苗期、封行期、旺長(zhǎng)期；對(duì)于RWC，單一生育期模型R2范圍為0.026~0.086，多時(shí)序數(shù)據(jù)的融合顯著提升了RWC估測(cè)效果，分別比苗期、封行期、旺長(zhǎng)期估測(cè)精度提高93.583%、90.081%、77.127%；對(duì)于LAI，單一生育期模型性能有大到小表現(xiàn)為封行期、苗期、旺長(zhǎng)期，R2分別0.666、0.596、0.368，RMSE分別為0.598、0.487、0.707。綜上所述，使用多個(gè)生長(zhǎng)階段數(shù)據(jù)進(jìn)行建模將提高苧麻種質(zhì)資源生理生化指標(biāo)估測(cè)精度。
3 討論
在過(guò)去的幾十年里，作物表型組學(xué)發(fā)展了各種作物變量檢索方法，在此基礎(chǔ)上，如何進(jìn)一步提高檢索精度成為了研究的熱點(diǎn)問(wèn)題。本研究探索了特征篩選、算法選擇、多時(shí)序數(shù)據(jù)融合優(yōu)化苧麻理化指標(biāo)估測(cè)模型的潛力。
針對(duì)特征篩選，研究比較了PCA和RFE2種方法篩選敏感特征值的有效性（表4），結(jié)果表明，RFE比PCA具有更好的處理效果，特征篩選能顯著提高模型精度。另外，作物理化指標(biāo)對(duì)遙感特征值的類(lèi)型也存在響應(yīng)差異，相比多光譜特征值和紋理特征值，RGB波段特征值與苧麻SPAD值具有更強(qiáng)相關(guān)性，證明了低成本RGB相機(jī)在作物葉綠素反演中的應(yīng)用潛力。然而在以往研究中，盡管RGB波段信息具有很好的估算能力[24]，但多光譜波段特征與作物SPAD值存在更大相關(guān)性[25]。紋理特征值在苧麻種質(zhì)資源RWC和LAI估測(cè)中發(fā)揮關(guān)鍵作用，這是因?yàn)?，光譜植被指數(shù)在LAI和RWC較大時(shí)會(huì)出現(xiàn)飽和現(xiàn)象，存在估測(cè)局限性。
針對(duì)算法篩選，以往研究表明，適宜的算法有助于提高作物理化指標(biāo)估測(cè)的精度[26]。研究對(duì)比了LR、RF、SVR、PLSR4種機(jī)器學(xué)習(xí)算法的性能，結(jié)果表明4種算法都能較好估測(cè)苧麻種質(zhì)資源理化指標(biāo)，并且具有較高的估測(cè)精度。但是，機(jī)器學(xué)習(xí)算法也存在一些問(wèn)題，如對(duì)數(shù)據(jù)集的大小和結(jié)構(gòu)要求高，算法過(guò)程復(fù)雜，中間變量過(guò)多[27]。
針對(duì)多時(shí)序數(shù)據(jù)融合，研究結(jié)果表明使用多個(gè)生長(zhǎng)階段數(shù)據(jù)進(jìn)行建模將提高苧麻種質(zhì)資源理化指標(biāo)估測(cè)精度，因?yàn)樵谀承┪锖蚱诎l(fā)現(xiàn)的差異可以在其他物候期得到補(bǔ)償[28]，這一結(jié)論與HUNTER等[29]的研究結(jié)果一致。
4 結(jié)論
（1）苧麻各項(xiàng)理化性狀對(duì)不同類(lèi)型遙感特征值的響應(yīng)程度不同，苧麻SPAD值對(duì)RGB波段光譜特征值敏感，而苧麻RWC、LAI除了與光譜特征值具有較強(qiáng)相關(guān)關(guān)系外，與紋理特征值也存在顯著相關(guān)。另外，光譜偏態(tài)參數(shù)能夠提供額外的數(shù)據(jù)信息。
（2）不同的機(jī)器學(xué)習(xí)算法在模型構(gòu)建與驗(yàn)證中有不同表現(xiàn)，除DT外，其他4種算法構(gòu)建的模型精度相當(dāng)且穩(wěn)定，其中基于LR的苧麻SPAD值、RWC估測(cè)模型精度分別為0.662、0.793，基于SVR的苧麻L(zhǎng)AI估測(cè)精度可達(dá)到0.737。
（3）對(duì)比單一生育期模型，基于多時(shí)序數(shù)據(jù)構(gòu)建的苧麻生理生化指標(biāo)估測(cè)模型具有更好的估測(cè)效果，但該模型在監(jiān)測(cè)單個(gè)生長(zhǎng)階段的作物性狀時(shí)會(huì)產(chǎn)生較大的誤差。
參考文獻(xiàn)
[1] PHILLIPS R L. Mobilizing science to break yield barriers [J]. Crop Science, 2010, 50: 99-109.
[2] 王亞杰. 基于無(wú)人機(jī)多光譜遙感的玉米葉面積指數(shù)監(jiān)測(cè)方法研究[D].楊凌: 西北農(nóng)林科技大學(xué), 2018.
WANG Yajie. Study on monitoring method of maize leaf area index based on UAV multi-spectral remote sensing [D]. Yangling: Northwest A&F University, 2018.
[3] WATSON D J. Comparative physiological studies on the growth of field crops: I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years [J]. Annals of Botany, 1947, 11:41-76.
[4] 王軍, 姜蕓. 基于無(wú)人機(jī)多光譜遙感的大豆葉面積指數(shù)反演[J].中國(guó)農(nóng)學(xué)通報(bào), 2021, 37(19):134-142.
WANG Jun, JIANG Yun. Inversion of soybean leaf area index based on UAV multispectral remote sensing [J]. Chinese Agricultural Science Bulletin, 2021, 37(19):134-142.
[5] 梁亮, 楊敏華, 張連蓬, 等. 基于 SVR 算法的小麥冠層葉綠素含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(20):162-171+294.
LIANG Liang, YANG Minhua, ZHANG Lianpeng, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on SVR algorithm [J]. Transactions of the CSAE, 2012, 28(20):162-171, 294.
[6] LI Y M, NI S X M, WANG X Z. The robustness of linear regression model in rice leaf chlorophyll concentration prediction [J]. National Remote Sensing Bulletin, 2003, 7(5):364-371.
[7] ALEXANDRIDIS T K, OVAKOGLOU G, CLEVERS J G P W. Relationship between MODIS EVI and LAI across time and space [J]. Geocarto International, 2019, 35(13):1-14.
[8] 陶惠林, 徐良驥, 馮海寬, 等. 基于無(wú)人機(jī)高光譜長(zhǎng)勢(shì)指標(biāo)的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2020, 51(2): 180-191.
TAO Huilin, XU Liangji, FENG Haikuan, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index [J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191.
[9] 李云梅, 倪紹祥, 王秀珍.線性回歸模型估算水稻葉片葉綠素含量的適宜性分析[J].遙感學(xué)報(bào), 2003, 7 (5) :364-371.
LI Yunmei, NI Shaoxiang, WANG Xiuzhen. The robustness of linear regression model in rice leaf chlorophyll concentration prediction [J]. Journal of Remote Sensing, 2003, 7 (5):364-371.
[10] RAUN W R, SOLIE J B , JOHNSON G V, STONE M L, MULLEN R W, et al. Improving nitrogen use efficiency in cereal grain production with optical sensing and variable rate application [J]. Agron. J. 2002, 94(4): 815-820.
[11] 林沂, 劉思遠(yuǎn), 晏磊, 等. 葉表面偏振反射測(cè)量對(duì)冬小麥氮含量高光譜估算的提升[J]. 光譜學(xué)與光譜分 析, 2020, 40(6):1956-1964.
LIN Yi, LIU Siyuan, YAN Lei, et al. Improvement of hyperspectral estimation of nitrogen content in winter wheat by leaf surface polarization reflection measurement [J]. Spectroscopy and Spectral Analysis, 2020, 40(6):1956-1964.
[12] SUKHOVA E. Application of reflectance indices for remote sensing of plants and revealing actions of stressors [J]. Photonics, 2021, 8(12):582-609.
[13] CHEN X, HE B Y, HUANG Y H, et al. Estimation of maize leaf area index based on UAV hyperspectral data [J]. Remote Sensing Technology and Application, 2019, 34(4):775-784.
[14] 牛玉潔, 李曉鵬, 張佳寶, 等.融合無(wú)人機(jī)載激光雷達(dá)與多光譜遙感數(shù)據(jù)的冬小麥葉面積指數(shù)反演[J]. 土 壤學(xué)報(bào), 2022, 59(1):161-171.
NIU Yujie, LI Xiaopeng, ZHANG Jiabao, et al. Inversion of leaf area index in winter wheat by merging UAV LiDAR and multispectral remote sensing data [J]. Acta Pedologica Sinica, 2022, 59(1):161-171.
[15] 馮海寬, 楊福芹, 楊貴軍, 等. 基于特征光譜參數(shù)的蘋(píng)果葉片葉綠素含量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(6):182-188.
FENG Haikuan, YANG Fuqin, YANG Guijun, et al. Estimation of chlorophyll content in apple leaves based on characteristic spectral parameters [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(6):182-188.
[16] WU X M, ZHANG F G, LV J T. Research on recognition of tea leaf based on image color information [J]. Journal of Tea Science, 2013, 33(6):584-589.
[17] 張佩, 陳鄭盟, 馬順登, 等. 用冠層葉色偏態(tài)分布模式 RGB 模型預(yù)測(cè)大豆產(chǎn)量[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2021, 37(9):120-126.
ZHANG Pei, CHEN Zhengmeng, MA Shundeng, et al. Canopy color skew distribution model RGB model was used to predict soybean yield [J]. Transactions of the CSAE, 2021, 37(9):120-126.
[18] 李紅軍, 李佳珍, 雷玉平, 等. 無(wú)人機(jī)搭載數(shù)碼相機(jī)航拍進(jìn)行小麥、玉米氮素營(yíng)養(yǎng)診斷研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2017, 25(12): 1832-1841.
LI Hongjun LI Jiazhen, LEI Yuping, et al. Diagnosis of nitrogen nutrition of winter wheat and summer corn using images from digital camera equipped on UAV [J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1832-1841.
[19] 崔丹丹, 楊瑞芳, 佘瑋, 等. 基于可見(jiàn)光遙感的苧麻種質(zhì)資源冠層性狀研究[J]. 植物遺傳資源學(xué)報(bào), 2020, 21(2): 483-490.
CUI Dandan, YANG Ruifang, SHE Wei, et al. Studies on canopy characters of ramie germplasm resources based on visible light remote sensing [J]. Journal of Plant Genetic Resources, 2020, 21(2): 483-490.
[20] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction [J]. Remote Sens Environ. 2002, 80 (1):76-87.
[21] SULIK J J, LONG D S. Spectral considerations for modeling yield of canola [J]. Remote Sens. Environ., 2016, (184): 161-174.
[22] HUNT J E R, CAVIGELLI M, DAUGHTRY C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status [J]. Precision Agriculture, 2005, 6: 359-378.
[23] JULIANE B, KANG Y, HELGE A, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley [J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79-87.
[24] 賀英, 鄧?yán)? 毛智慧, 等.基于數(shù)碼相機(jī)的玉米冠層 SPAD 遙感估算[J].中國(guó)農(nóng)業(yè)科學(xué), 2018, 51(15):66-77.
HE Ying, DENG Lei, MAO Zhihui, et al. Estimation of maize canopy by SPAD remote sensing based on digital camera [J]. Scientia Agricultura Sinica, 2018, 51(15):66-77.
[25] 牛慶林, 馮海寬, 周新國(guó), 等. 冬小麥 SPAD 值無(wú)人機(jī)可見(jiàn)光和多光譜植被指數(shù)結(jié)合估算[J]. 農(nóng)業(yè)機(jī)械 學(xué)報(bào), 2021, 52(8):183-194.
NIU Qinglin, FENG Haikuan, ZHOU Xinguo, et al. Estimation of SPAD value of winter wheat by combination of visible light and multispectral vegetation index [J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(8):183-194.
[26] 肖志云,王伊凝.基于 RF-VR 的紫丁香葉片葉綠素含量高光譜反演[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2021, 33(11):2164-2173.
XIAO Zhiyun, WANG Yining. Hyperspectral inversion of chlorophyll content in lilac leaves based on RF-VR [J]. Acta Agriculturae Zhejiangensis, 2021, 33(11):2164-2173.
[27] 徐晉, 蒙繼華. 農(nóng)作物葉綠素含量遙感估算的研究進(jìn)展與展望[J]. 遙感技術(shù)與應(yīng)用, 2016, 31(1): 74-85.
XU Jin, MENG Jihua. Research progress and prospect of crop chlorophyll content estimation by remote sensing [J]. Remote Sensing Technology and Application, 2016, 31(1): 74-85.
[28] CAMPOS I, GONZÁLEZ-GÓMEZ L, VILLODRE J, et al. Mapping within-field variability in wheat yield and biomass using remote sensing vegetation indices [J]. Precis Agric, 2019, 20:214-236.
[29] HUNTER F D L, MITCHARD E T A, TYRRELL P, et al. Inter-Seasonal time series imagery enhances classification accuracy of grazing resource and land degradation maps in a savanna ecosystem [J]. Remote Sens, 2020, 2(1):198-215.
文獻(xiàn)摘自：付虹雨，王薇，盧建寧，岳云開(kāi)，崔國(guó)賢，佘瑋.基于無(wú)人機(jī)多光譜遙感和機(jī)器學(xué)習(xí)的苧麻理化性狀估測(cè)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào):1-13[2023-04-08].http://kns.cnki.net/kcms/detail/11.1964.S.20230330.1731.004.html
