基于WOS的高光譜技術在農業方面應用的計量分析

彭曉偉　張愛軍　楊曉楠

摘要： 利用高光譜技術可對作物在生長發育過程中出現的問題進行實時監控和處理，從而實現精準施肥、精準施藥及實時管理。為了解高光譜技術在農業領域中的利用狀況，利用Web of Science網站自帶的數據分析功能以及VOSviewer可視化分析軟件對Web of Science核心合集數據庫中高光譜技術在農業領域中應用的發文數量與研究領域、主要發文國家（地區）、主要發文機構和研究學者、主要發文學術期刊、發文被引頻次較多的文章、主要研究熱點及其變化趨勢等進行計量分析。結果表明，高光譜技術在農業領域的應用受到的關注越來越多，發文量呈現指數增長的趨勢。發文量最高的20個國家中有9個是歐洲國家，中國、美國對該領域的貢獻最大。高光譜技術在農業領域應用研究的影響力最高的期刊為Remote Sensing of Environment，發文量最多的學者為浙江大學的He Yong，影響力最高的文章是“Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy： a review”。高光譜技術在農業領域應用的研究趨勢主要涉及數據采集、分析方式的更新及作物對光譜的作用機制。

關鍵詞： 高光譜技術;農業領域;計量分析

中圖分類號： S127 文獻標識碼： A 文章編號： 1000-4440（2022）01-0239-11

Abstract： Hyperspectral technology can be used to monitor and deal with the problems in the process of crop growth and development in real time， so as to realize precise fertilization， precise application and real-time management. In order to understand the utilization of hyperspectral technology in the field of agriculture， the data analysis function of Web of Science system and VOSviewer visualization analysis software were used to quantitatively analyze the number and research field of hyperspectral technology in the core collection database of Web of Science， the main countries （ regions ）， the main institutions and scholars， the main academic journals， the articles with more citations， the main research hotspots and their trends. The results showed that the application of hyperspectral technology in agriculture had attracted more and more attention， and the number of publications exhibited an exponential growth trend. Nine of the 20 countries with the highest number of publications were European countries， but China and the United States had the largest contribution to this field. The most influential journal of hyperspectral technology in agricultural applications was Remote Sensing of Environment， and HE Y of Zhejiang University was the scholar with the largest number of publications. The most influential article was ‘Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy： a review’. The development trend of hyperspectral technology in agriculture mainly involves the updating of data collection and analysis methods and the action mechanism of crop on spectrum.

Key words： hyperspectral technology;agricultural field;quantitative analysis

高光譜遙感（Hyperspectral remote sensing），又稱成像光譜遙感，是以測譜學為基礎發展起來的遙感前沿技術，它利用很窄（一般波段寬度<10 nm）的電磁波波段從感興趣的物體上獲取有關數據，高光譜分辨率一般可達到10-2 λ數量級，可產生1條完整的光譜曲線[1]，并且高光譜遙感具有譜像合一的技術，使圖像可以同時具有空間、輻射和波譜信息。由于遙感技術具有獲取速度快、信息量大、覆蓋面廣的特點[2-4]，因此被廣泛應用在農業遙感監測中[5-6]。

高光譜技術可以非破壞性地獲取某地塊的地物反射信息，從而對各種作物的生理生化參數進行監測[7]。在作物種子鑒別方面，該技術可鑒別作物種子類別[8]與真偽，并可檢測種子活力[9]及品質[9]，從而挑選出活力較高的種子進行農業生產活動。在作物測量方面，高光譜技術可用于估測作物葉綠素含量[10]、葉面積指數[11]、光利用效率[12]及氮含量[13]等生理特性及識別作物是否染病[14]、是否缺乏營養元素[15]。而在土壤性質測量方面，高光譜技術可用于估測土壤水鹽狀況[16]及測定土壤重金屬含量[17]、土壤有機質含量[18]與營養元素含量[19]。

在種子鑒別及判斷作物是否染病方面，高光譜技術可利用支持向量機、逐步判別分析法、Ada-Boost算法等方法進行操作。在用高光譜技術估測各項生理指標時，常見的建模方法主要有以下幾個：（1）基于單變量模型，例如基于敏感波段及光譜指數建立的二次模型、指數模型、對數模型、多項式模型和乘冪模型。（2）基于多變量模型，主要是利用多個敏感波段及光譜指數建立的偏最小二次回歸模型及多元回歸模型等。（3）深度學習算法，利用BP神經網絡、RBF神經網絡、支持向量機回歸等算法模型。

目前關于高光譜技術在農業上應用的研究很多，但是農學背景下的文獻計量學分析是稀缺的[20-21]。本研究通過檢索Web of Science（WOS）核心合集數據庫30年（1990-2020年）內的所有期刊，分析30年內高光譜技術在農業上應用的論文發文量、主要發文國家和發文作者之間的合作關系及該領域的研究熱點和研究趨勢。

1 材料與方法

1.1 數據來源

本研究中的文獻計量數據來源于美國湯森路透公司（Thomson Reuters）的WOS核心合集數據庫，該數據庫被廣泛應用于文獻計量學研究中[22]。文獻檢索的主題詞高光譜農業設置為“hyperspectral” AND “soil” OR “hyperspectral” AND “agriculture” OR “hyperspectral” AND “crop”。設置檢索時間為1990-2020年，所有文獻的檢索日期截至2020年12月31日，最終得到的文獻數量是4 806篇。

1.2 研究方法

利用WOS核心合集自帶的分析工具對1990-2020年發表的4 806篇文獻從發文數量與研究領域、發文單位所在的主要國家（地區）、發文的主要機構和研究者、發文的主要學術期刊、被引量較多的文章、主要研究熱點及其變化趨勢進行分析。通過VOSviewer科研合作網絡分析主要發文國家/地區（Countries）、機構（Origanizations）之間的合作關系及關鍵詞（Key word）的共線關系，并分析節點間的連接總強度（Total link strength，TLS）。將WOS檢索的目標文獻數據分別保存為文本格式（.txt），進行數據清洗后導入相關軟件進行可視化圖譜的繪制。利用Hirsch[23]定義的h指數評估研究人員的學術產出數量與學術產出水平。例如，作者有20篇論文（著作）等被引用20次，這時h指數為20。本研究結果顯示的h指數僅指WOS核心合集數據庫中的引文，如果考慮其他數據庫（例如Scopus和Google Scholar），則可能獲得不同的h指數。

2 結果與分析

2.1 歷年發文量及研究領域分析

在過去的30年中，根據上文對WOS中文獻的搜索策略，找到4 806篇關于高光譜技術在農業中應用的文獻，對文獻進行篩選，共選出4 761篇文獻。直到2020年12月31號，文獻的總被引頻次為139 027次，h指數為147。由于1990-1996年未找到相關文獻，故本研究對1996-2020年的文獻發表量進行分析（圖1），可以看出，高光譜技術在農業中的應用呈現指數增長趨勢（R2=0.937 1），發文量從1996年的1篇到2019年的660篇，從2003年開始，發文量明顯呈現暴發性增長趨勢。

利用WOS核心合集數據庫自帶的分析工具得到各學科的發文數量及h指數，由表1可以看出，高光譜技術在農業中的應用涉及多個學科，其中在遙感學、影像科學與攝影技術、環境科學及農學等學科中發文量最多，占總發文量的65.76%，在遙感學的h指數最高。值得注意的是，在光譜學領域的發文數量較少（占比4.70%），h指數較低，進一步分析發現，通過植物的反射光譜特性分析可以得出植物生理參數的機制，因此在實際研究中可加強光譜學與農學的交叉研究，從而促進高光譜學和農學的協同發展。

2.2 主要發文國家（地區）

如圖2所示，美國（h指數為98）和中國（h指數為62）的發文量占總發文量的60.54%，其中中國的發文量最大（占比為35.31%），在20個發文量較多的國家中，有9個來自歐洲，其中西班牙（h指數為56）是歐洲中對本研究貢獻率（以h指數計）最高的國家，發文量占總發文量的6.09%，而在非洲、大洋洲和南美洲，南非（h指數為38）、澳大利亞（h指數為43）和巴西（h指數為27）是少數發表過高光譜技術在農業方面應用研究論文的國家，其發文量分別占總發文量的2.17%、5.18%和2.32%。根據VOSviewer的總聯系強度可以看出，美國（TLS值為752）、中國（TLS值為575）、德國（TLS值為376）和西班牙（TLS值為294）等國家在農業高光譜領域的國際合作關系密切。由圖3可以看出，中國和美國間的連線最為密集，并與德國、加拿大、法國和澳大利亞等國家間均有合作。

2.3 主要發文機構和人員

由表2可以看出，在發文量較多的10個機構中，中國科學院的發文量最多，有6個中國大學/研究院的發文量排名在10以內，包括中國科學院（h指數為32）、浙江大學（h指數為34）、北京市農林科學院（h指數為26）、中國科學院大學（h指數為21）、中國科學院遙感與數字地球研究所（h指數為20）、中國農業大學（h指數為25）。由表3可以看出，浙江大學的He Yong發文影響力較大，發文105篇（h指數為26），占浙江大學總發文量的50%，占該領域總發文量的2.237%，該學者的主要研究方向為農業遙感與信息、數字農業與精細農業、農業物聯網技術等。在發文量排名前10的機構中，美國農業部的h指數最高，為62，其中Moon S. Kim的發文量排名第3（h指數為24），論文被引用2 389次，說明美國農業部發表文章的影響力較大。來自西班牙的Pablo J. Zarco-Tejada的論文被引用次數最多，達到6 701次，其在高光譜農業方面的影響力最高，h指數為31。雖然愛爾蘭的都柏林大學、中國的南京農業大學以及韓國的忠南大學均未被列入發文量排名前10的機構，但仍有學者發表過相關優秀論文。

本研究利用VOSviewer分析不同機構之間在農業高光譜領域的合作關系，由圖4可以看出，中國科學院（TLS值為284）和浙江大學（TLS值為113）與各主要論文產出研究機構間的合作關系密切，右下集群（黃色集群）以中國科學院、中國科學院大學（TLS值為106）、北京師范大學為主（TLS值為61），而右上集群（綠色集群）以浙江大學、北京農林科學院為主（TLS值為54），左上集群（藍色集群）是以美國農業部（TLS值為96）、加利福利亞大學（TLS值為37）、佛羅里達大學（TLS值為31）、美國航空航天局（TLS值為24）為主的美國機構，而左下集群（紅色集群）則是以加拿大農業及農業食品部（TLS值為60）、西班牙國家研究理事會（TLS值為35）和加拿大曼尼托巴大學（TLS值為15）為主的歐洲和北美洲的洲際集群。

2.4 主要發文期刊和文章

通過分析1990-2020年的發文期刊可以看出，發文量排名前3的期刊是Remote Sensing（發文393篇）、Remote Sensing of Environment（發文273篇）和Spectroscopy and Spectral Analysis（發文257篇），文章總被引次數排名前3的期刊為Remote Sensing of Environment（被引23 328次）、Remote Sensing（被引6 622次）、International Journal of Remote Sensing（被引6 098次），文章的h指數排名前3的期刊是Remote Sensing of Environment（h指數為82）、Remote Sensing（h指數為41）和Computers and Electronics in Agriculture（h指數為40），農業高光譜領域發文期刊中影響因子排名前3的期刊為Remote Sensing of Environment（9.085）、IEEE Transactions on Geoscience and Remote Sensing（5.855）、International Journal of Applied Earth Observation and Geoinformation（4.650）（表4）。

由表5可以看出，在被引頻次排名前10的期刊中，發表在Remote Sensing of Environment上的文章有5篇，這些文章的研究方向均為高光譜技術在精準農業上的應用，有研究者利用高光譜技術對作物的葉綠素含量、葉面積指數、生物量及氮素含量進行了研究，研究內容涉及植被指數優化、估測模型的比較、估測算法的優化與更新等多個方面。發表在Postharvest Biology and Technology上的文章作為總被引頻次（1 185次）和年均被引頻次（91.15次）最高的文章，探究了近紅外光譜技術應用在果蔬品質方面的研究進展，比較了不同分光光度計的設計和測量原理及蔬菜組織的光吸收、散射特性。發表在Precision Agriculture、Remote Sensing of Environment上的文章則探究了無人機搭載光譜平臺在農業上的應用趨勢，提出應用小型無人機替代傳統高光譜衛星影像，從而實時分析作物生長狀態，可為精準農業提供理論依據和技術支持。發表在Science上的2篇文章則探討了高光譜技術在測量土壤性質方面的應用。

2.5 關鍵詞共線網絡分析

對上述篩選的4 806篇文章的關鍵詞進行共線性分析得出，高光譜技術在農業領域的應用研究可以劃分為4個聚類，圖5中不同顏色表示不同的聚類，其中第1個聚類（綠色集群）主要是高光譜技術在農業領域應用的方法研究，關鍵詞為Classification（分類）、Prediction（預測）、Regression（回歸）、Identification（識別）、Selection（選擇）、Nondestructive determination（無損測定）、Least-squares regression（最小二乘）、Machine vision（機器視覺）、Successive projections algorithm（連續投影算法）、Artificial neural-networks（人工神經網絡）等;第2個聚類（藍色集群）主要是高光譜技術應用于作物研究的趨勢，主要關鍵詞包括Chlorophyll（葉綠素）、Vegetation index（植被指數）、Leaf（葉片）、Nitrogen（氮素）、Red edge（紅邊）、Canopy（冠層）、Yield（產量）、Wheat（小麥）、Corn（玉米）、Crop（作物）、Precision agriculture（精準農業）、Photosynthesis（光合作用）、Rice（水稻）、Carotenoids（類胡蘿卜素）等;第3個聚類（紅色集群）主要是關于高光譜技術在農業領域中數據獲取與數據分析的研究，主要關鍵詞為Image-analysis（圖像分析）、Hyperspectral data（高光譜數據）、Hyperspectral imagery（高光譜影像）、Imaging spectroscopy（成像光譜）、Resolution（分辨率）、Extraction（提取）、AVIRIS data（AVIRIS數據）、Accuracy（精度）、Airborne（機載）、MODIS data（MODIS數據）、Sensors（傳感器）、EO-1 Hyperion（EO-1影像）、Satellite（衛星）、UAV（無人機）;第4個聚類（黃色集群）主要是高光譜技術在農業領域應用的一些原理性研究，主要關鍵詞包括Hyperspectral vegetation indexes（高光譜植被指數）、Optical-properties（光學特性）、Band（波段）、Bidirectional reflectance（二向性反射）、Scattering（散射）、Light（光）、Leaf optical-properties（葉片光學特性）、Radiative-transfer models（輻射傳輸模型）、吸收（Absorption）、仿真（Simulation）。

2.6 研究趨勢

由圖6可以看出，在2013年及以前，研究的主要趨勢是探究敏感波段與估測目標間的相關關系，主要關鍵詞為Broad-band（帶寬）、Transmittance（透射率）、Cover（覆蓋）、Radiation-use efficiency（輻射利用效率）和Red edge（紅邊），如美國農業部在20世紀六七十年代就已經獲取了400～2 400 nm處干葉的光譜，并獲得了較高精度[24]。Gitelson等[25]對楓樹、七葉樹的樹葉進行高光譜數據分析發現，光譜700 nm處的反射率對葉綠素濃度比較敏感。可以看出，由于受到技術的影響，上述研究主要針對光譜技術的理論性，為之后的研究提供了一定理論依據。2013-2014年，Vegetation（植被）、Soil（土壤）、Chlorophyll-A（葉綠素A）、Forest（森林）、Corn（玉米）、Canopy reflectance（冠層反射率）等關鍵詞出現的頻率大大提高，如Hunt等[26]利用光譜波段組合對作物冠層的葉綠素含量進行估測，得到了較優的模型。Lyu等[27]通過采集水稻光譜值并建立支持向量機模型，對水稻葉綠素含量進行估測，結果表明，對光譜值進行一階微分處理的估測效果優于原始光譜。以上研究結果表明，相關研究方向從光譜理論層面轉向了實際應用。2014-2015年，關鍵詞主要為Discrimination（辨別）、Crop（作物）、Algorithm（算法）、Chlorophyll（葉綠素）、Biomass（生物量）、Yield（產量）、Spectroscopy（光譜）、Classification（分類）、Hyperspectral vegetation indexes（光譜植被指數），說明研究者在估測作物農學參數的基礎上擴展了研究類型，如產量估測、生物量估測，同時在研究方法上進行了創新，利用算法對光譜波段進行處理，從而實現對農學參數的估測與鑒別，如Morier等[28]研究不同施氮水平下馬鈴薯的農學相關指標變化規律，利用高光譜反射率對其進行估測，結果表明，紅邊葉綠素指數1與馬鈴薯的氮含量、總產量高度相關。Li等[29]利用DSSAT-CERES作物模型與遙感數據進行整合，對冬小麥的產量進行估測，估測R2、RMSE分別達到了0.698、0.726。2015-2016年的關鍵詞主要是Resolution（分辨率）、Simulation（仿真）、Airborne（機載）、Imaging spectroscopy（成像光譜）、Band selection（波段選擇）、Leaf optical-properties（葉片光學特性），說明這段時間高光譜數據的獲取和分析研究進一步加深，開始向圖譜合一的方向發展，研究者開始對圖像精度有了進一步的要求，同時利用葉綠素等農學指標對不同波段的敏感性進行波段組合，以提高估測精度，如Simko等[30]利用高光譜成像技術對真空包裝的鮮切生菜的葉綠素含量進行測定，從而判別其是否腐爛，分類精度達到了97%。2016-2017年的主要關鍵詞為Fruit（水果）、Food（食品）、Food quality （水果質量）、Least-squares regression（最小二乘回歸）、Optimization（優化）、Performance（性能）、Computer vision（計算機視覺）、Successive projections algorithm（連續投影算法），高光譜技術在農業領域的應用開始向水果、食品方向逐漸擴展。Elmasry等[31]在2016年對高光譜成像技術應用于食品質量檢測方面的研究進行綜述，分析了不同圖像采集、處理方法與檢測、分類、量化及預測食品質量的過程，而研究方法開始大規模使用多元回歸方程，對估測模型及分類模型的性能有了進一步的要求，同時在原有模型的基礎上進行不斷優化，以提高模型的預測精度。2017年之后的關鍵詞主要是Powdery mildew（白粉病）、Drought（干旱）、Heavy-metals（重金屬）、Random forest（隨機森林）、UAV（無人機），說明高光譜技術在農業上的應用逐漸從農學參數的估測拓展為病蟲害的識別及極端情況的識別，從而為進行精準農業提供技術支持，而研究方法和數據獲取手段也變為機器識別算法和利用無人機獲取高光譜數據，說明高光譜技術與計算機技術及農業的深度結合將成為發展趨勢。

3 結論

在過去的30年中，有關高光譜技術在農業領域中應用的論文數量呈現指數性增長的趨勢，從2003年開始，增長曲線的擬合R2達到了0.975 2，而高光譜技術在農業中的應用涉及多個學科，其中遙感學科的發文量最多，為1 513篇。發文影響力最大的國家為美國（h指數為98），次之為中國（h指數為62），且中國的發文量最多，美國、中國、德國、澳大利亞等國家在此領域的合作較為密切。

在發文量排名前10的機構中，中國的機構有6個，但影響力最高的機構為美國農業部（h指數為62）。在發文量排名前10的學者中，中國的學者有6個，在該領域影響力最高的學者為Pablo J. Zarco-Tejada（h指數為31），來自西班牙國家研究理事會。浙江大學、中國科學院、美國農業部、西班牙國家研究理事會等機構在此領域的合作較為密切。在本領域影響力最大的期刊為Remote Sensing of Environment（影響因子為9.085、h指數為82、總被引頻次為23 328次），而來自Postharvest Biology and Technology的文章“Nondetructive measurement of fruit and vegetable quality by means of NIR spectroscopy： a review”具有最高的被引頻次和年均被引頻次，是本領域中較具影響力的文章。

通過關鍵詞共線性網絡分析可知，高光譜技術在農業領域的研究熱點主要為更新研究方法及模型、對作物的相關深入研究、對數據的獲取及分析方法的更新以及植株對光譜反應機制的研究。

參考文獻：

[1] 鄭蘭芬，王晉年. 成像光譜遙感技術及其圖像光譜信息提取的分析研究[J]. 環境遙感， 1992（1）： 49-58，84.

[2] 張學治. 基于冠層反射光譜的夏玉米氮素營養與生長監測研究[D]. 南京：南京農業大學， 2011.

[3] 馬勤建. 基于高光譜植被指數的棉花冠層結構參數的估算研究[D]. 石河子：石河子大學， 2008.

[4] 陳碩博. 無人機多光譜遙感反演棉花光合參數與水分的模型研究[D]. 楊凌：西北農林科技大學， 2019.

[5] 房華樂，任潤東，蘇 飛，等. 高光譜遙感在農業中的應用[J]. 測繪通報， 2012（增刊）： 255-257.

[6] THENKABAIL P S， SMITH R B， PAUW E D. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment， 2000， 71（2）： 158-182.

[7] 劉冰峰. 夏玉米不同生育時期生理生態參數的高光譜遙感監測模型[D]. 楊凌：西北農林科技大學， 2016.

[8] 韓沁姍. 基于近紅外高光譜的甘草種子鑒別系統研建[D]. 北京：北京林業大學， 2020.

[9] 彭曉偉，張愛軍，王 楠，等. 高光譜成像技術在作物種子方面的應用[J]. 國土資源遙感， 2020， 32（4）： 23-32.

[10]曾 旭. 油菜三種葉片的成像高光譜特征與SPAD值估測建模[D]. 長沙：湖南農業大學， 2019.

[11]白青蒙，韓玉國，彭致功，等. 利用葉面積指數優化冬小麥高光譜水分預測模型[J]. 應用與環境生物學報， 2020，26（4）： 943-950.

[12]張龍英. 不同土壤鹽度下檸條錦雞兒葉綠素熒光監測及種子性狀研究[D]. 呼和浩特：內蒙古農業大學， 2020.

[13]賀 婷，李建東，劉桂鵬，等. 基于高光譜遙感的玉米全氮含量估測模型[J]. 沈陽農業大學學報， 2016，47（3）： 257-265.

[14]齊雙麗. 基于多角度高光譜遙感的小麥白粉病監測研究[D]. 鄭州：河南農業大學， 2018.

[15]趙 珊. 基于高光譜成像的玉米苗期氮素營養監測的研究[D]. 哈爾濱：東北農業大學， 2016.

[16]肖珍珍，李 毅，馮 浩. 西北鹽堿土理化性質的高光譜建模及預測（英文）[J]. 光譜學與光譜分析， 2016， 36（5）： 1615-1622.

[17]安琪琪. 土壤重金屬污染檢測方法的研究進展[J]. 現代農業科技， 2020（17）： 166-168，173.

[18]包青嶺，丁建麗，王敬哲，等. 基于隨機森林算法的土壤有機質含量高光譜檢測[J]. 干旱區地理， 2019，42（6）： 1404-1414.

[19]劉秀英. 玉米生理參數及農田土壤信息高光譜監測模型研究[D]. 楊凌：西北農林科技大學， 2016.

[20]MAO G Z， SHI T T， ZHANG S， et al. Bibliometric analysis of insights into soil remediation[J]. Journal of Soil & Sediments， 2018， 18（7）： 2520-2534.

[21]REDDY R L R， SHANKARAPPA T H， REDDY K S， et al. Review of trends in soil fertility research （2007-2016） using Scopus database[J]. Communications in Soil Science & Plant Analysis， 2019， 50（1）： 1-18.

[22]胡遠妹，周 俊，劉海龍，等. 基于Web of Science對土壤重金屬污染修復研究的計量分析[J]. 土壤學報， 2018， 55（3）： 707-720.

[23]HIRSCH J E. An index to quantify an individual's scientific research output[J]. Proceedings of the National Academy of Sciences of the United States of America， 2005， 102（46）： 16569-16572.

[24]CURRAN P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment， 1989， 30（3）： 271-278.

[25]GITELSON A A， MERZLYAK M N， LICHTENTHALER H K. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm[J]. J Plant Physiology， 1996， 148（3/4）： 501-508.

[26]HUNT E R， DORAISWAMY P C， MCMURTREY J E， et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observations & Geoinformation， 2013， 21（1）： 103-112.

[27]LYU J， DENG F L， YAN Z G. Using PROSEPCT and SVM for the estimation of chlorophyll concentration[J]. Advanced Materials Research， 2014， 989/990/991/992/993/994： 2184-2187.

[28]MORIER T， CAMBOURIS A N， CHOKMANI K. In-season nitrogen status sssessment and yield estimation using hyperspectral vegetation indices in a potato crop[J]. Agronomy Journal， 2015， 107（4）： 1295-1309.

[29]LI Z H， WANG J H， XU X G， et al. Assimilation of two variables derived from hyperspectral data into the DSSAT-CERES model for grain yield and quality estimation[J]. Remote Sensing， 2015， 7（9）： 12400-12418.

[30]SIMKO I， JIMENEZ-BERNI J A， FURBANK R T. Detection of decay in fresh-cut lettuce using hyperspectral imaging and chlorophyll fluorescence imaging[J]. Postharvest Biology & Technology， 2015， 106： 44-52.

[31]ELMASRY G M， NAKAUCHI S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality-a comprehensive review[J]. Biosystems Engineering， 2016， 142： 53-82.

（責任編輯：徐 艷）

2201501186276