不同水分管理和遮陰下水稻株高及成熟期高光譜估算

李睿 宗晨 婁運生

摘要：通過田間試驗研究了不同水分管理和遮陰處理對水稻株高、成熟期及冠層高光譜特征的影響，通過相關性分析、線性與非線性回歸等統計方法，構建水稻株高和成熟期高光譜估算模型。水分管理設2個水平，節水灌溉（W，無水層）與常規灌溉（F，水深5 cm）;遮陰處理設3個水平，對照（CK，無遮光）、輕度遮陰（S1，單層遮光）和重度遮陰（S2，雙層遮光）。結果表明，遮陰處理下，節水灌溉對水稻株高有抑制作用。水稻株高與冠層光譜反射率在近紅外波段最為敏感，呈極顯著正相關關系（P<0.01），在可見光波段達顯著負相關關系（P<0.05）。8種植被指數與水稻不同生育期株高均達極顯著相關關系（P<0.01）。在拔節期至成熟期統一估算株高模型中，估算水稻株高效果較好的為歸一化植被指數（NDVI），準確率為71.6%;在拔節期和抽穗期分段估算水稻株高模型中基于增強型植被指數（EVI）模擬效果較好，成熟期基于重歸一化植被指數（RDVI）模擬效果較好，準確率分別為72.9%、77.7%、73.6%，表明分生育期估算株高模型模擬準確率較統一估算株高模型有所提高。在使用單變量和多變量模擬水稻成熟期模型中，三變量非線性回歸模型模擬準確率最高，其中EVI、NDWI和LAI三變量建模的模擬準確率為74.2%。以上結果為水稻株高及成熟期高光譜估算提供了試驗依據。

關鍵詞：水分管理;遮陰;株高;成熟期;高光譜

太陽輻射是維持地球生態系統與氣候系統能量平衡的重要因子，同時也是地球表層能量的根本來源[1]。中國近50年到達地面的太陽總輻射呈明顯下降趨勢，其中1961—2008年華東地區太陽總輻射下降速率為2.05 W/（m2·10年）[2-3]，下降速率明顯。江蘇淮河以南是長江流域稻—麥輪作區，在生育期間陰雨寡照天氣較多，給水稻分蘗、開花、灌漿和結實帶來危害[4-5]。目前，太陽輻射減弱對水稻影響的研究表明，拔節期光照減弱使水稻莖鞘物質積累減少，株高、千粒質量和每穗粒數下降，導致產量減少;始穗期弱光導致結實率及千粒質量下降，總產量大幅下降[6-9]。因此，研究太陽輻射減弱對作物生長的影響已成為氣候變化研究領域的熱點問題之一。

近年來水資源與農業生產之間的矛盾日益加深，因水分虧缺造成的作物減產損失超過了其他逆境損失的總和[10]。我國是水稻主要生產國之一，水稻需消耗大量的農業生態用水，而農業灌溉水利用效率僅為40%左右[11]。因此，提高水稻水分利用率，發展節水灌溉是水稻可持續生產的必由之路。相關研究發現，節水灌溉可使根系活力增強，莖稈粗壯，葉綠素含量、葉面積指數、凈光合速率及干物質積累量增加，并且可以改善水稻土壤通氣條件，抑制株高生長，從而提高抗倒伏性[12-18]。

株高是水稻重要生長指標之一，在一定范圍內，水稻的生物產量和籽粒產量均隨株高呈線性變化，株高較低會造成植株中下部通風透光率差，冠層葉片堆積，影響灌漿，使產量下降[19]。曾勇軍等研究認為，株高的增加能夠提高水稻產量[20]。但植物株高過高會出現倒伏現象，從而導致產量降低[21]。因此，高產水稻也需一定的株高保證[22]。在水稻生長期內掌握株高狀況，不僅可以及時了解長勢，還可以根據株高提前估算產量。目前水稻株高測定多依靠傳統人工方法，工作量大、時間長且缺乏便捷性，而高光譜遙感監測技術可以提供更加便捷的獲取方式。基于高光譜數據反演水稻等作物的生長指標已有研究[23-29]，李燕強等分別通過高光譜和中分辨成像光譜儀（MODIS）數據提取光譜參數，建立較準確的小麥株高估算模型[30-31]。研究認為，使用近地高光譜數據估算水稻株高可以克服MODIS數據受空間分辨率及大氣的影響，提高株高估算模型精度[32]，因此，本研究采用近地高光譜數據的水稻株高進行估算。

水稻的成熟收獲期是獲得優質稻米最重要的環節之一，水稻成熟度和收獲時期對籽粒品質具有重要的影響，適期進行收割有利于提高水稻產量及品質。研究表明，稻穗含水率下降至20%～23%，穗后25 d左右為最佳收獲時間，此時蛋白質含量較高，可獲得較好品質[33-35]。目前對水稻成熟程度的判斷，主要依靠經驗觀測法，對葉片及稻穗顏色等作物特征進行主觀判斷，誤差大且不適用于大范圍種植區[36]。已有研究采用植被指數對水稻等作物成熟度進行建模估算[37]，但僅局限于使用光譜植被指數建模，未加入與生長相關的指標。本研究結合稻穗含水率與生長指標，通過線性與非線性方法建模，找出能夠指示水稻成熟度的高光譜植被指數，分析確定適宜收獲期，以期在全球氣候變化背景下，對水稻成熟期精確估算提供技術支撐，為精準農業提供支持。

1 材料與方法

1.1 試驗田概況

本試驗在江蘇農業氣象重點實驗室農業氣象試驗站進行。供試土壤是黏粒含量為26.1%的潴育型水稻土。供試水稻品種為南粳5055。水稻育苗完成日期為2017年5月7日，移栽日期為6月7日，行株距為20 cm×20 cm。移栽前每個小區撒播315 g復合肥。

1.2 試驗設計

本試驗在田間條件下進行，使用2因素隨機區組設計，水稻灌溉方式分2組水平，節水灌溉（W，無水層）與常規灌溉（F，水深5 cm）。遮陰處理分3組水平，對照（CK，自然光）、輕度遮陰（S1，單層遮陰）和重度遮陰（S2，雙層遮陰）。水稻從2017年7月（拔節期）至2017年10月（灌漿期）放置遮陽網。黑色遮陽網通過鋼管支架覆蓋在遮陰處理小區水稻冠層上方30 cm處，隨水稻生長定期調整其高度。試驗設6個處理：（1）常規灌溉+無遮陰（FCK）;（2）淹水灌溉+輕遮陰（FS1）;（3）淹水灌溉+重遮陰（FS2）;（4）節水灌溉+無遮陰（WCK）;（5）節水灌溉+輕遮陰（WS1）;（6）節水灌溉+重遮陰（WS2）。每種處理均設3組重復，各處理隨機排列，共18個小區，每個小區面積為2 m×2 m=4 m2。

2.3.2 水稻拔節期至成熟期株高統一估算模型的擬合與驗證 本研究使用水稻數據的2/3進行建模，1/3進行驗證。擬合方程為所選5種回歸模型中模擬效果最好的模型，其余省略。表3中所選植被指數擬合與驗證的r2均達極顯著水平，說明8種植被指數均能用于水稻拔節期至成熟期株高的統一模擬模型，擬合模型的r范圍為0.412～0.520，最小值為ARVI的，最大值為NDVI的，擬合模型的均方根誤差（RMSE）范圍為0.065～0.075，MSAVI的最小，RVI的最大，驗證模型中決定系數范圍為0362～0.513，最小值為RVI的，最大值為NDVI的，驗證模型的均方根誤差范圍是0.093～0.110，最小值為NDVI的，最大值為RVI的。在8個模型中，基于NDVI建模的擬合與驗證r2最大，均方根誤差值最小，所以NDVI可較好地模擬水稻拔節期至成熟期的株高。

2.4 不同生育期株高分段估算模型

2.4.1 不同生育期株高與植被指數的相關性 分析不同生育期（拔節期、抽穗期和成熟期，下同）的株高與8種植被指數的相關性可知，8種植被指數與拔節期、抽穗期和成熟期株高的相關系數范圍為0682≤r≤0.756，均達極顯著水平（P<0.01），與拔節期至成熟期株高植被指數的相關系數相比有所上升。其中抽穗期的相關系數均高于拔節期和成熟期，成熟期的相關系數均低于拔節期和抽穗期。綜上所述，所選8種植被指數均能用于模擬水稻拔節期、抽穗期和成熟期的株高。

2.4.2 不同生育期水稻株高估算模型的擬合與驗證 表5為水稻不同生育期株高估算模型精度，擬合方程為5種回歸模型中擬合效果最好的模型，其余省略。拔節期所有擬合模型的決定系數（r2）均達極顯著水平（P<0.01），擬合模型的r2范圍為0513～0.573，均方根誤差的范圍為0.021～0026;驗證模型的決定系數范圍為0277～0.531，僅RVI未通過顯著性檢驗（P>0.05），均方根誤差的范圍為0.028～0037。從水稻拔節期的擬合與驗證模型的決定系數及均方根誤差來看，EVI的擬合r2為0.573，擬合RMSE為0.021，并且驗證r2達0.531，擬合與驗證r2均為極顯著水平（P<0.01），驗證RMSE為0029。因此，基于EVI建立的模型擬合度較好，可用于模擬水稻拔節期株高。

在抽穗期整體模擬效果較好，擬合r2范圍為0601～0.612，均達極顯著水平（P<0.01），均方根誤差的范圍為0.016～0.023;驗證r2范圍為0.540～0.627，均通過極顯著檢驗（P<0.01），均方根誤差的范圍為0.037～0.059。其中EVI建立的模型擬合r2為0.612，驗證r2為0.603，RMSE分別為0019、0.039。因此，基于EVI建立的二次多項式模型可用于水稻抽穗期株高的模擬。

成熟期中擬合r2范圍為0.475～0.517，除ARVI外均達極顯著水平（P<0.01），均方根誤差的范圍為0.041～0.049;驗證r2范圍為0.391～0542，均通過顯著性檢驗（P<0.05），均方根誤差的范圍為0.044～0.053。其中RDVI建立的模型擬合r2為0.517，RMSE為0.041;驗證r2為0.542，RMSE為0.041。因此，基于RDVI建立的模型可用于水稻成熟期株高模擬。綜合來看，不同生育時期分段模擬準確率較統一估算模型有所提高，可更加準確估算出水稻株高。

2.5 水稻成熟期高光譜估算

2.5.1 建模方法 研究表明，稻穗含水率下降至20%～23%時，可認為水稻進入完熟期[33-35]。在成熟期時水稻葉綠素含量呈明顯下降趨勢，且相關研究表明，作物葉綠素含量的變化可通過增強型植被指數（EVI）或歸一化植被指數（NDVI）進行監測[36，39]，其中EVI能與生物量、葉面積指數等生理參數建立更好的線性關系，并能更好地避免高濃度氣溶膠與大氣背景噪聲等對模型準確率的影響，是研究植被覆蓋的最佳指數之一[40]。稻穗含水率的變化可通過歸一化水指數（NDWI）進行監測[41-42]。EVI與NDWI的計算公式見表7。本研究把稻穗含水率作為因變量，通過高光譜提取出的EVI、NDWI與生長指標作為自變量，通過線性和非線性方法建模從而模擬稻穗含水率，當穗含水率下降至20%～23%時，認為水稻達最佳成熟收獲期。

2.5.2 水稻成熟期估算模型參數的相關性 由表6可知，稻穗含水率與NDWI、EVI、株高和LAI均呈極顯著相關關系（P<0.01），相關系數范圍為 0.550～0.931，其中最大的是NDWI的，為0.931，最小的是株高的，為0.550。有許多學者已成功運用高光譜反演LAI[24，43]，并且LAI與稻穗含水率極顯著相關。成熟期的株高在“2.4.2”節已證明可用RDVI進行估算，并且株高與稻穗含水率的相關性達顯著水平。因此，所選4種參數均可用于估算水稻成熟期。

2.5.3 水稻成熟期估算模型的擬合與驗證 由表7可知，單變量模型的擬合r2均達顯著水平（P<005），范圍為0.371～0.423，擬合RMSE為 0.050～0.053，驗證r2范圍為0.309～0.359，驗證RMSE為0.085～0.088，其中歸一化水指數（NDWI）建立的非線性指數函數模型擬合r2為0423，驗證r2為0.359，均通過顯著性檢驗（P<005），擬合RMSE為0.050，驗證RMSE為0.085，該模型模擬效果相較于其他單變量模型較好;雙變量模型擬合R2范圍為0.390～0.532，擬合RMSE為0.030～0.062，驗證R2范圍為0.362～0.516，驗證RMSE為0.051～0.079，整體模擬效果相比于單變量模型有所提高，其中基于EVI、NDWI建立的非線性模型擬合R2達0.532，驗證R2為0.516，均達極顯著水平（P<0.01），擬合RMSE為0.030，驗證RMSE為0.072，模擬效果相比于其他雙變量模型精度更高;在三變量模型中，擬合R2范圍為0.521～0.560，擬合RMSE范圍為0.032～0.069，驗證R2范圍為0.503～0.551，驗證RMSE范圍為0.051～0087，可明顯看出三變量模型的模擬效果相比單變量與雙變量模型模擬精度更高，其中基于EVI、NDWI和LAI參數建立的非線性三元二次模型擬合R2為0.560，驗證R2為0.551，均通過極顯著水平檢驗（P<0.01），擬合RMSE為0.032，驗證RMSE為0.051，模擬效果為最佳。綜上所述，使用三變量模型進行建模精度較高，并且非線性模型精度比線性模型更高。

圖3為水稻成熟期最佳模擬模型模擬值與實測值的散點圖，從圖中可以直觀地看出該模型的模擬效果。EVI、NDWI和LAI建立的非線性模型模擬準確率為74.2%，擬合R2為0.551，均方根誤差RMSE為0.051。因此，基于EVI、NDWI和LAI建立的非線性模型可較好地模擬水稻成熟期。

3 結論

（1）在不同水分管理和遮陰處理的耦合作用下，節水灌溉對遮陰處理下水稻株高有抑制作用。

（2）水稻冠層光譜在近紅外光波段下與株高呈顯著正相關關系（P<0.01），在可見光波段下與株高呈顯著負相關關系（P<0.05）。可見光與近紅外光波段均為株高的敏感波段。

（3）水稻拔節期至成熟期株高可用NDVI建立的二次多項式模型進行估算，準確率為71.6%。

（4）在分不同生育期建模估算水稻株高的模型中，使用EVI建立的模型能較好地估算水稻拔節期和抽穗期株高，估算準確率分別為72.9%、77.7%，使用RDVI估算成熟期水稻株高準確率為736%。表明分生育期估算株高模型模擬準確率較統一估算株高模型有所提高。

（5）使用EVI、NDWI和LAI三變量建立的估算模型能較準確地模擬稻穗含水率，從而模擬水稻成熟期，準確率為74.2%。

4 討論

本試驗在前人研究的基礎上，根據波段相關性選取8種不同植被指數（ARVI、SAVI、EVI、MSAVI、NDVI、OSAVI、RDVI、RVI）分析水稻拔節期至成熟期株高與植被指數的相關性，結果說明株高與所選植被指數均達極顯著相關關系（P<0.01），此結論與前人研究結果[30-31，44]一致，但統一估算模型的決定系數不高，平均值為0.48，且驗證的決定系數下降，均方根誤差增大，這主要是因為統一估算模型中，含不同的生育期，而不同生育時期水稻植株的發育程度和生理狀態有較大差異，導致水稻冠層光譜反射率對株高的敏感程度不同。

在不同生育期（拔節期、抽穗期和成熟期），水稻株高與8種不同植被指數均達極顯著相關（P<001），比拔節期至成熟期統一估算模型平均提高0.04、0.07、0.01，其中抽穗期相關性最高，說明水稻冠層光譜反射率對株高最為敏感的階段為抽穗時期。3個不同生育期分段估算模型的擬合決定系數分別較統一估算模型平均提高0.06、0.13、0.03，驗證決定系數分別提高0.04、0.16、0.06，均方根誤差減小，說明分生育期模擬株高能克服不同遮陰處理和灌溉條件下對水稻株高的影響。因此，把不同生育時期分開研究，選擇不同生育期的最優植被指數與方程，能更加精確地估算水稻株高，估算結果可以有效防止水稻生長后期因株高過高倒伏進而提高作物產量。

本研究通過高光譜數據提取EVI與NDWI指數和生長指標進行建模，模擬水稻成熟期。通過對比單變量和三變量建模發現，三變量建模能有效提高模擬精度，相比于單變量、雙變量分別提高014、0.10。采用線性與非線性法進行建模，通過對比發現非線性建模模擬精度比線性建模有所提升。利用光譜植被指數及生長指標進行建模估算水稻稻穗含水率從而判斷水稻成熟期，為準確、及時收割水稻以獲得最佳稻米品質提供參考依據。但本研究的不足之處在于監測結果具有不確定性，水稻成熟時期易受天氣影響，在成熟時期連續的陰雨天氣或者連續晴天都會使水稻成熟期推遲或者提前，對模擬結果造成一定誤差。

參考文獻：

[1]龐嘉棠. 旬太陽總輻射氣候學計算方法[J]. 氣象，1979（2）：20-21.

[2]Chen Y，Wang P，Zhang Z，et al. Rice yield development and the shrinking yield gaps in China，1981—2008[J]. Regional Environmental Change，2017，17（4）：2397-2408.

[3]尹 青，張 華，何金海. 近48年華東地區地面太陽總輻射變化特征和影響因子分析[J]. 大氣與環境光學學報，2011，6（1）：37-46.

[4]李 林，張更生，陳 華. 陰害影響水稻產量的機制及其調控技術Ⅰ、水稻分蘗期間模擬陰害對產量形成的影響[J]. 中國農業氣象，1994（02）：28-32.

[5]孫萌萌，王瑩慧，汪育文，等. 南粳5055及其親本的光合特性[J]. 江蘇農業學報，2020，36（1）：1-9.

[6]李 君，婁運生，馬 莉，等. 夜間增溫和水分管理耦合對水稻葉片光合作用和熒光特性的影響[J]. 江蘇農業學報，2019，35（3）：506-513.

[7]Vaz J，Sharma P K，Photoinhibition and photosynthetic acclimation of rice. （Oryza sativa L. cv Jyothi）plants grown under different light intensities and photoinhibited under field conditions[J]. Indian Journal of Biochemistry & Biophysics，2009，46（3）：253-260.

[8]馬 莉，婁運生，李 君，等. 太陽輻射對稻田甲烷排放的影響[J]. 應用生態學報，2019，30（8）：2725-2736.

[9]李 睿，婁運生，張 震，等. 節水灌溉和遮光強度對水稻生長發育的耦合影響[J]. 中國農業氣象，2018，39（11）：702-714.

[10]陳立松，劉星輝. 水分脅迫對荔枝葉片呼吸代謝有關酶活性的影響[J]. 林業科學，2003，39（2）：39-43.

[11]姚 林，鄭華斌，劉建霞，等. 中國水稻節水灌溉技術的現狀及發展趨勢[J]. 生態學雜志，2014，33（5）：1381-1387.

[12]孫彥坤，曹印龍，付 強，等. 寒地井灌稻區節水灌溉條件下土壤溫度變化及水稻產量效應[J]. 灌溉排水學報，2008，27（6）：67-70.

[13]陳厚存，李桂云，吳中華，等. 水稻間歇灌溉增產機理與防治蚊媒應用研究[J]. 中國稻米，2012，18（2）：33-36.

[14]文廷剛，王偉中，楊文飛，等. 水稻穗分化期外源植物生長調節劑處理對穎花分化與退化的影響[J]. 江蘇農業學報，2019，35（3）：514-522.

[15]劉 明，李 巖，郭貴華，等. 長江下游不同類型水稻分蘗期耐淹能力比較[J]. 應用生態學報，2015，26（5）：1373-1381.

[16]李沅媛，龔道枝，嚴為光，等. 兩種水分條件下夏玉米葉片氣孔行為對光質的瞬時響應[J]. 中國農業氣象，2017，38（2）：113-120.

[17]Kumar A，Nayak A K，Pani D R，et al. Physiological and morphological responses of four different rice cultivars to soil water potential based deficit irrigation management strategies[J]. Field Crops Research，2017，205：78-94.

[18]夏瓊梅，陳清華，李叢英，等. 淺濕交替節水灌溉對水稻產量及生物學特性的影響[J]. 中國稻米，2015，21（4）：114-117.

[19]Guerra L C，Agy G，Hook J E，et al. Irrigation water use estimates based on crop simulation models and kriging[J]. Agricultural Water Management，2007，89（3）：199-207.

[20]曾勇軍，石慶華，潘曉華，等. 水稻理想株型的研究進展[J]. 中國稻米，2006，12（1）：10-13.

[21]張 晶，吳紹洪，劉燕華，等. 土地利用和地形因子影響下的西藏農業產值空間化模擬[J]. 農業工程學報，2007，23（4）：59-65.

[22]郭相平，甄 博，王振昌. 旱澇交替脅迫增強水稻抗倒伏性能[J]. 農業工程學報，2013，29（12）：130-135.

[23]李亞妮，魯 蕾，劉 勇. 基于PROSAIL模型的水稻田纓帽三角-葉面積指數模型及其應用[J]. 應用生態學報，2017，28（12）：3976-3984.

[24]常好雪，蔡曉斌，陳曉玲，等. 基于實測光譜的植被指數對水稻葉面積指數的響應特征分析[J]. 光譜學與光譜分析，2018，38（1）：205-211.

[25]Varvia P，Rautiainen M，Seppnen A. Bayesian estimation of seasonal course of canopy leaf area index from hyperspectral satellite data[J]. Journal of Quantitative Spectroscopy & Radiative Transfer，2018，208：19-28.

[26]孫 華，鞠洪波，張懷清，等. 三種回歸分析方法在Hyperion影像LAI反演中的比較[J]. 生態學報，2012，32（24）：7781-7790.

[27]Sidko A F，Botvich I Y，Pisman T I，et al. Estimation of chlorophyll content and yield of wheat crops from reflectance spectra obtained by ground-based remote measurements[J]. Field Crops Research，2017，207：24-29.

[28]Sun J，Shi S，Yang J，et al. Estimating leaf chlorophyll status using hyperspectral lidar measurements by PROSPECT model inversion[J]. Remote Sensing of Environment，2018，212：1-7.

[29]張靜靜，周衛紅，鄒萌萌，等. 灌漿期水稻葉片銅含量變化的高光譜遙感定量監測研究[J]. 江蘇農業科學，2019，47（23）：324-330.

[30]李燕強，張娟娟，熊淑萍，等. 不同冬小麥品種株高的高光譜估算模型[J]. 麥類作物學報，2012，32（3）：523-529.

[31]隋學艷，朱振林，朱傳寶，等. 基于MODIS數據的山東省小麥株高遙感估算研究[J]. 山東農業科學，2009（2）：5-7，11.

[32]Scotford I M，Miller P C H. Applications of spectral reflectance techniques in northern European cereal production：a review[J]. Biosystems Engineering，2005，90（3）：235-250.

[33]Dong C F，Xu N X，Ding C L，et al. Suitable gibberellic acid treatment for double-purpose rice （Oryza sativa L. ），varieties at different harvest times[J]. Field Crops Research，2016，193：178-185.

[34]雍 忠，盛玉波，姜國先. 不同收獲時間對保墑旱直播栽培水稻品質的影響[J]. 現代農業科技，2017（23）：7，9.

[35]Zheng H B，Cheng T，Yao X，et al. Detection of rice phenology through time series analysis of ground-based spectral index data[J]. Field Crops Research，2016，198：131-139.

[36]蒙繼華，吳炳方，杜 鑫，等. 基于HJ-1A/1B數據的冬小麥成熟期遙感預測[J]. 農業工程學報，2011，27（3）：225-230.

[37]陳維君. 水稻成熟度和收獲時期的高光譜監測[D]. 杭州：浙江大學，2006.

[38]黃敬峰，王福民，王秀珍. 水稻高光譜遙感實驗研究[M]. 杭州：浙江大學出版社，2010.

[39]Maccioni A，Agati G，Mazzinghi P. New vegetation indices for remote measurement of chlorophylls based on leaf directional reflectance spectra[J]. Journal of Photochemistry and Photobiology B-Biology，2001，61（1/2）：52-61.

[40]王正興，劉 闖，Alfredo H. 植被指數研究進展：從AVHRR-NDVI到MODIS-EVI[J]. 生態學報，2003，23（5）：979-987.

[41]Gao B C. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment，1997，58（3）：257-266.

[42]Sow M，Mbow C，Hély C，et al. Estimation of herbaceous fuel moisture content using vegetation indices and land surface temperature from MODIS data[J]. Remote Sensing，2013，5（6）：2617-2638.

[43]賀 佳，劉冰鋒，李 軍. 不同生育時期冬小麥葉面積指數高光譜遙感監測模型[J]. 農業工程學報，2014，30（24）：141-150.

[44]王小平. 基于高光譜的半干旱區作物水分脅迫及其生理參數監測模型研究[D]. 蘭州：蘭州大學，2014.王光宇，朱麗君，張 揚. 安徽省沿江平原雙季稻3種栽培體系碳足跡[J]. 江蘇農業科學，2021，49（3）：91-95.