基于無人機高清影像的棉花苗期長勢監測及后期長勢預測

祁佳峰 郭鵬 劉笑 杜文玲

摘要：棉花長勢對其產量有重要影響，對3～4葉期棉花長勢進行監測并對后期長勢進行預測，有利于棉花的田間管理和提高最終產量。本研究利用棉花3～4葉期無人機高清影像進行試驗，首先利用綠葉指數（green leaf index，GLI）對棉花苗期影像進行分割，利用ENVI 5.6軟件中的農業工具包對棉花幼苗進行提取；然后根據棉花幼苗的直徑范圍以自然斷點法將棉花幼苗依次劃分為一等苗、二等苗和三等苗；最后以305像素×305像素為單位面積，以單位面積內甲等苗數量占出苗總數的比例和出苗率乘積的大小實現對棉花后期長勢優劣的預測。結果發現，在眾多指數中，GLI指數對影像的分割效果最好，可以實現對棉花幼苗的有效提取。試驗區共提取棉花37 123株，其中，一等苗11 091株，二等苗21 151株，三等苗4 881株。經不同尺度的重復檢驗，棉花幼苗的提取精度達95.7%；試驗區3～4葉期棉花冠層的平均地表覆蓋度為6.54%；長勢預測評分結果與2期NDVI相關性的決定系數分別為0.756 9、0.662 1，均方根誤差分別為0.077 0、0.900 1。本研究表明，利用棉花苗期長勢結合出苗率可對后期長勢進行有效預測，但預測精度會隨時間的推移逐漸降低，因此本研究中提出的方法更適合對棉花從苗期開始至未來中短期內長勢的預測。本研究為棉花長勢預測提供一種新的手段，對棉花生長過程中進行人工干預和提高棉花產量具有重要的指導作用。

關鍵詞：無人機；棉花；苗期；長勢監測；長勢預測

中圖分類號：S127文獻標志碼：A

文章編號：1002-1302（2023）16-0170-09

收稿日期：2022-10-24

基金項目：國家自然科學基金（編號：U2003109）；石河子大學高層次人才科研啟動資金專項（編號：RCZK2018C15）。

作者簡介：祁佳峰（1997—），男，甘肅定西人，碩士研究生，從事農業遙感方向研究。E-mail：qjf626112@163.com。

通信作者：郭 鵬，博士，教授，從事農業遙感方向研究。E-mail：gp163@163.com。

棉花是我國主要的經濟作物，新疆也是我國棉花的主產區，據相關統計，新疆地區棉花種植面積占新疆總耕地面積的50%左右，占全國棉花種植總面積的80%左右^［1］。棉花種植面積廣泛，快速、準確的對棉花長勢進行監測，是現代農業的主要任務之一，而對一定時間段內棉花長勢進行預測，對提高產量以及當地政府和農業部門制定相關政策具有指導意義^［2］。

精準農業和農業現代化進程中，作物長勢監測已成為學術界關注的熱點問題之一。遙感技術具有觀測范圍廣和獲取信息速度快等優勢而被廣泛應用于農業領域^［3-4］，在作物長勢監測方面，一般利用歸一化植被指數（NDVI）和葉面積指數（LAI）進行評價。劉曉晨等利用多源影像數據，通過計算同一地塊不同年份間的NDVI差值，分別實現了不同年份棉花和小麥長勢的監測和對比^［5-6］。金秀良等通過分析棉花整個生育期葉面積指數（LAI）和生物量與高光譜特征參數的相關性后構建了棉花長勢估測模型，決定系數達0.804^［7］。謝鑫昌等利用Landsat8影像數據，并引入DEM等特征變量，通過隨機森林算法構建了長勢差值模型，對近5年的長勢進行了動態監測^［8］。Li等利用同一地區不同作物多年同期的NDVI數據，提出了NDVI大數據百分位數評估法，實現了對作物長勢的遙感監測^［9］。Becker-Reshef等利用MODIS和SPOT衛星數據，雖然對各作物的種植位置信息進行了有效提取并進行產量估計，但未能對作物長勢進行監測^［10］。Genovese等利用MODIS影像，通過構建NDVI差值數據實現了對西班牙地區小麥長勢的實時監測^［11］。而隨著無人機技術的不斷成熟和進步，其也逐漸被應用于作物長勢監測的研究中，王慶等借助無人機高清影像數據，通過冠層的光譜特征和結構特征實現了對甜菜長勢的監測^［12］。張瑞杰等也利用無人機高分辨率的優勢，利用深度學習算法實現了對油菜長勢的快速監測^［13］。

基于作物苗期直徑、株高^［14］、根數和株質量^［15］、地徑^［16］等指標對作物進行分級的研究已取得諸多顯著成果^［17］，如：李亞麒等以云南松幼苗的地徑和株高對幼苗進行分級并構建生物量估算模型，實現了對生物量的估算^［18］；周新華等以杉木容器苗的地徑和株高為分級指標，通過聚類分析對幼苗質量進行了等級劃分^［19］。對棉花作物而言，3～4葉期是棉花生長過程中的重要時間節點，也是對其進行評價和分級的最佳時間點，在3～4葉期之前，不同棉花植株之間的大小形態極為相似，無法進行有效區分，而在3～4葉之后，棉花葉片快速生長至覆蓋地表，不同棉花葉片之間也出現大量重疊，因此無法進行提取，也不能進行有效分級。同一地塊的氣候類型、土壤類型、土壤肥力和水分、溫度等外界因素基本一致，并且經試驗發現，同一地塊中的棉苗自3～4葉期開始，在同等外界因素條件下，不同生長狀態的棉苗在中短期內，其生長過程中不會發生太大改變。棉花長勢對產量具有重要影響，根據棉花苗期狀態對棉花后期長勢進行預測后，可以通過人工干預的方式促進棉花生長，改變棉花生長狀態，從而在一定程度上提高棉花產量，但目前為止，對棉花苗期長勢進行監測并對后期長勢進行預測的研究還比較少。鑒于此，本試驗借助無人機影像高空間分辨率的優勢，通過對3～4葉期棉花進行提取和分級后，實現了對棉花3～4葉期時長勢的監測，并對后期長勢進行了預測，從而在一定程度上對提高產量具有指導作用。

1 數據與方法

1.1 試驗區與方法

試驗區位于新疆兵團第八師石河子墾區（地理位置85°58′23E，44°22′45″N），面積約2 533 m²，經校正裁剪后的試驗區見圖1。試驗區棉花播種密度為252 000株/hm²，該地區地勢平坦，平均海拔約450 m，屬于溫帶大陸性氣候。其冬季較為寒冷和干燥，夏季較為炎熱和漫長，年均氣溫約7 ℃，年降水量約180 mm，年日照時數約2 800 h^［20］。特殊的氣候和地形，導致該地區熱量極其充足，適合棉花、番茄、玉米等作物的生長，更是我國棉花的主要產區之一^［21］。

試驗主要分3步進行：第1步，利用綠葉指數（GLI）實現對試驗區影像的分割，并利用ENVI 5.6農業工具包中的作物計算工具（Count Crops）實現對棉花幼苗株數的提取；第2步，利用ArcGIS軟件，根據棉花幼苗直徑范圍按自然斷點法進行分級，并對雜草進行去除；第3步，對當前長勢進行監測并結合出苗率對后期長勢進行預測。

1.2 數據獲取

1.2.1 無人機數據 試驗分別于2021年5月19日、6月7日、7月18日12：00至14：00獲取了3期無人機數據，其中第1期是出苗數據，后2期是長勢數據，獲取3期數據時均天氣晴朗，無風，極適宜無人機飛行。試驗使用的無人機質量約1 kg，續航約 20 min，獲取的影像包含紅、綠、藍和近紅4個通道，最終獲取的影像空間分辨率達0.007 5 m。影像拍攝時飛機飛行高度為30 m，航向重疊率為80%，旁向重疊率為60%，數據獲取時，相機鏡頭垂直向下，并且懸停拍攝。

1.2.2 地面點數據 試驗區棉花以“一膜三壟六行”的方式種植，行間距為10 cm，壟間距為66 cm，膜膜間距30 cm，一膜總寬182 cm。出苗數據與無人機數據同時獲取，試驗利用GPS定位，共在試驗區隨機設置3個不同面積尺度的出苗提取精度驗證區。為對棉花進行有效提取和分級，需要對試驗區范圍內棉花幼苗的最大直徑和最小直徑進行確定，試驗共隨機對100株直徑較大和100株直徑較小的棉花進行直徑測量，最后以二者的平均值分別作為棉花的最大直徑和最小直徑。經測量，最后確定棉花的最大直徑為14 cm，最小直徑為4 cm。

1.3 數據處理與方法

1.3.1 無人機數據處理 獲取的無人機數據首先利用Pix4Dmapper軟件進行拼接和校正，然后利用ENVI 5.6進行裁剪，最后以WGS_1984_UTM_zone_45N為投影方式，以 .TIFF格式儲存。為更直觀地了解地面覆蓋度的空間分布情況并對后期長勢進行預測，利用ArcGIS工具對試驗區影像以影像左下角為樞軸點，順時針旋轉66°后，以305像素×305像素為單位面積進行分割，最終共計獲取了484幅分割后的獨立影像。經旋轉后的影像及分割效果如圖2所示。

1.3.2 指數篩選 本研究利用無人機獲取的四通道數據可以構建34種已有的各類指數，而經試驗，分割效果較好，可以將目標（棉苗）和背景（土壤和地膜）進行有效區分的指數共有15種（表1）。

1.3.3 雜草去除與棉花分級 雜草是影響棉苗提取精度的重要影響因素，3～4葉期棉花與雜草在顏色和形態上極其相似，在影像中無法利用植被指數進行區分。而經實地觀察，雜草大部分生長在膜與膜的間隙之間，在地膜覆蓋區由于地膜遮擋，雜草無法破膜而出，因此覆膜區極少有雜草生長，對最終試驗結果影響極小，可忽略不計。因此，根據雜草與棉花幼苗之間的相對位置關系，試驗在每膜的第1行左側10 cm和第6行右側10 cm處畫線，將直線以外的提取物確定為雜草并去除，去除原理見圖3。

經實地考察，棉花幼苗主要有3種不同的生長狀態，而不同生長狀態之間的差異主要體現在直徑范圍大小。因此，將棉花按直徑范圍分為一等苗、二等苗、三等苗。一等苗是生長狀態極好的棉苗；二等苗是無病害，體型略遜色于一等苗但優于三等苗的棉苗；三等苗體型極小和有病害的棉苗。其中，一等苗直徑范圍為9.0～14.0 cm，二等苗直徑范圍為6.5～<9.0 cm，三等苗直徑范圍為4.0～<6.5 cm。

1.4 長勢監測與預測

1.4.1 長勢監測 3～4葉期棉花各植株葉片間重疊極少，棉花葉片對地表的垂直覆蓋度可以代表小區域范圍內棉花當前的長勢情況。因此，在分割后的單位面積二值化圖像中，以棉花像素占總像素的比例評價棉花長勢情況的好壞。

式中：Cotton cover表示棉花葉片對地面的垂直覆蓋度；N_{Leaf Pixel}表示單位面積內棉花葉片所占的像素總和；N_{Total Pixel}表示單位面積內的總像素。

1.4.2 長勢預測 同一地塊的土壤類型、氣候和溫度相同，水分和肥力等因素也基本無差別，因此在短時間內棉苗之間的相對生長狀態不會發生較大改變。單位面積內棉花長勢主要受單個植株形態大小和出苗率的共同影響。一等苗在外在大小形態和長勢上較二等苗和三等苗具有明顯優勢，對單位面積的長勢具有關鍵影響。因此，經試驗，對于棉花長勢的預測，本研究以單位面積內一等苗占總出苗數的比例和單位面積內出苗率的乘積大小對后期長勢進行預測。為使量綱統一，并方便后期利用歸一化植被指數（NDVI）進行長勢預測結果的驗證，試驗對長勢預測的分值進行歸一化處理，歸一化后的分值越大，表示棉花后期長勢越好，反之，則說明棉花后期長勢越差。

式中：GS代表長勢預測分值；P_{Seedling rate}代表單位面積內的出苗率；P_{First class seedling}代表單位面積內一等苗所占的比例；NGS代表長勢預測分值的歸一化結果；GS_min代表試驗區域內長勢預測分值的最小值；GS_max代表試驗區域內長勢預測分值的最大值。

1.4.3 長勢預測結果檢驗 NDVI是評價作物長勢的重要指標之一，為驗證對棉花長勢預測結果的精度，分別獲取了研究區2021年5月27日和2021年6月18日影像，將2個時期的影像以同樣尺寸進行分割后，隨機選取同地不同期20幅分割后的影像，以單位面積內NDVI平均值和長勢預測分值歸一化后的結果進行擬合，從而實現對長勢預測結果精度的檢驗。擬合效果以最常用的決定系數r²（coefficient of determination）和均方根誤差RMSE（root mean squared error）進行評價。

式中：n代表樣本數；y_i代表預測長勢的分值；x_i代表實際長勢NDVI；y_i代表預測長勢分值的平均值；x_i代表實際長勢NDVI平均值。

2 結果與分析

2.1 影像分割與雜草去除

2.3.1 影像分割分析 依據棉花幼苗、地膜、裸土在顏色上的差異，根據綠色植物典型的光譜反射特性，可以利用各類指數對影像進行分割，從而實現對棉花幼苗的提取，各不同指數對影像的分割局部效果如圖4所示。各指數在分割過程中受陰影的影響較大，地膜未覆蓋區的土塊以及棉花植株產生的陰影在進行圖像分割時對分割效果產生較大影響，進而影響對棉花幼苗的提取。對棉花植株的陰影錯提后，棉花幼苗等級劃分的準確性也會受到極大影響。因此，需要篩選出不受陰影干擾的指數對影像進行分割，經不斷篩選和對比后發現，GLI可以對棉花幼苗和其產生的陰影進行有效區分，亦不會受地膜未覆蓋區土塊所產生的陰影干擾，并且在細節的提取和分割上效果最佳，圖像分割完整，分割時產生的雜質少。因此，最終選擇GLI實現對圖像的分割，經反復目視調整，當分割閾值為0.041時，可以實現對目標和背景的有效分割。

2.3.2 雜草去除與幼苗分級 利用距離法去除雜草后，利用ArcGIS對37123株棉花幼苗按直徑范圍大小以自然斷點法進行等級劃分。經分級，共劃分出一等苗11 091株，二等苗21 151株，三等苗4 881株，雜草去除效果和棉花分級效果見圖5。

2.3.3 棉花提取精度檢驗 為驗證對棉花幼苗的提取精度，本研究在試驗區共隨機布設5種尺度的驗證區進行重復試驗，并最終選擇3次重復試驗的平均精度作為棉花幼苗提取的最終精度，精度變化情況見表2。在出苗率高、長勢好的區域，由于個別棉花幼苗葉片之間有重疊，因此在進行提取時容易錯將2株幼苗當作1株進行提取，從而導致自動提取的數量往往比實際的棉苗數量偏少。精度檢驗結果表明，隨著驗證區面積的逐漸變大，自動提取的數量與人工統計數量之間的差距逐漸減少，提取精度呈先緩慢上升后趨于穩定的總體變化趨勢。

2.2 長勢監測與預測

單位面積內一等苗數量占比空間分布情況如圖6（左）所示，該地塊一等苗數量分布不均勻，主要呈集中分布狀態，總體來說，區域右下方一等苗占比較少。通過結合試驗區棉花的種植密度，得到單位面積（305像素×305像素）內棉花的種植總株數為133株，根據對棉花幼苗的提取結果繪制的棉花出苗率分布見圖6，根據計算結果可知，單位面積內棉花出苗率最高為81.20%，最低為42.86%，結合區域面積，試驗區棉花整體出苗率為58.62%，并且出苗不均勻。

對分割后的二值化影像進行地表覆蓋度計算后，繪制的單位面積內葉片垂直覆蓋度占比分布如圖7（左）所示，根據計算結果可知，單位面積內棉花葉片的地表覆蓋度最低值為2.95%，最高值為12.11%，而整個研究區棉花葉片的平均覆蓋度為6.54%，并且試驗區3～4葉期時，棉花長勢整體不均勻，整體長勢較差的主要集中在試驗區中部。結合出苗率和單位面積內一等苗數量占比繪制的單位面積上棉花后期長勢預測結果空間分布如圖7（右）所示，根據預測結果可知，在后期的生長過程中，區域東側和南側長勢較好，長勢較差的主要分布在中部和西側，而整體長勢不均勻。

2.3 長勢預測結果驗證

將長勢預測分值歸一化后的結果與2期NDVI分別進行相關性分析，擬合結果見圖8。試驗區驗證樣方6月7日NDVI與7月18日NDVI和長勢預測分值相關性的決定系數分別達到了0.756 9和 0.662 1，而均方根誤差僅為0.077 0和0.900 1，可見對棉花長勢的預測結果具有一定的可靠性。

擬合結果表明，隨著棉花不斷生長，對棉花長勢預測的精度逐漸降低。由于棉花在生長過程中受到外界因素的影響不斷增多，特別是在進入7月以后，受高溫、干旱少雨和大面積病蟲害等因素的影響，棉花長勢會受到不同程度的影響，從而導致對棉花長勢預測的精度呈下降趨勢。因此，本研究的預測方法更適用于從棉花3～4葉期（5月中旬）開始至未來中短期內（2個月內）對棉花長勢的預測。

3 結論

該研究雖借助無人機高分辨率的優勢對苗期棉花長勢進行了監測，并依據出苗率和單株棉花生長狀態對棉花后期長勢進行了預測，但仍存在一些不足，如：新疆地區棉花在整個生長過程中受多種因素的共同影響，特別是7月后常發生的病蟲害、大風和干旱等極端天氣都會對棉花長勢造成嚴重影響，因此對棉花長勢預測的精度隨時間的推移而變差，所以該研究更適合從棉花3～4葉期開始至未來中短期內對棉花長勢的預測。

棉花早期長勢對產量有重要影響，通過苗期狀態對后續中短時期內長勢進行預測，并通過外界干預改變棉花長勢，對提高棉花產量具有一定作用。本研究以棉花3～4葉期無人機高清影像為基礎，通過對棉花幼苗進行提取和分級，對當前長勢進行監測并對后期長勢進行預測，主要結論包括：（1）利用GLI指數對圖像進行分割后可以實現棉花幼苗的有效提取，而根據相對位置關系提出的距離法也可以有效去除雜草。經計算，試驗區 3～4葉期棉花冠層對地面的平均垂直覆蓋度為6.54%，并且棉花長勢不均勻，整齊度一般。（2）試驗共提取棉花 37 123 株，經不同尺度重復檢驗，棉花幼苗的平均提取精度為95.7%。經驗證，長勢預測結果與2個不同時期NDVI平均值擬合的決定系數r²分別為0.756 9、0.662 1，取得了較好預測結果。

參考文獻：

［1］戴建國，薛金利，趙慶展，等. 利用無人機可見光遙感影像提取棉花苗情信息［J］. 農業工程學報，2020，36（4）：63-71.

［2］田 野，張 清，李希燦，等. 基于多時相影像的棉花種植信息提取方法研究［J］. 干旱區研究，2017，34（2）：423-430.

［3］茶明星，汪小欽，李婭麗，等. 基于遙感數據的新疆開-孔河流域農業區種植結構提取［J］. 干旱區研究，2020，37（2）：532-540.

［4］白燕英，高聚林，張寶林. 基于Landsat8影像時間序列NDVI的作物種植結構提取［J］. 干旱區地理，2019，42（4）：893-901.

［5］劉曉晨. 基于Landsat8遙感數據的棉花長勢快速監測［J］. 新疆農業科技，2015（6）：50.

［6］尹 捷，周雷雷，李利偉，等. 多源遙感數據小麥識別及長勢監測比較研究［J］. 遙感技術與應用，2021，36（2）：332-341.

［7］金秀良，李少昆，王克如，等. 基于高光譜特征參數的棉花長勢參數監測［J］. 西北農業學報，2011，20（9）：73-77.

［8］謝鑫昌，楊云川，田 憶，等. 基于遙感的廣西甘蔗種植面積提取及長勢監測［J］. 中國生態農業學報，2021，29（2）：410-422.

［9］Li C C，Li H J，Li J Z，et al. Using NDVI percentiles to monitor real-time crop growth［J］. Computers and Electronics in Agriculture，2019，162：357-363.

［10］Becker-Reshef I，Vermote E，Lindeman M，et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data［J］. Remote Sensing of Environment，2010，114（6）：1312-1323.

［11］Genovese G，Vignolles C，Nègre T，et al. A methodology for a combined use of normalised difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting.A case study on Spain［J］. Agronomie，2001，21（1）：91-111.

［12］王 慶，車熒璞，柴宏紅，等. 基于無人機影像的冠層光譜和結構特征監測甜菜長勢［J］. 農業工程學報，2021，37（20）：90-98.

［13］張瑞杰，李俐俐，李 禮，等. 利用無人機影像數據進行油菜長勢監測［J］. 測繪地理信息，2021，46（增刊1）：227-231.

［14］楊亞莉，向祖恒，黃正明，等. 華榛1年生實生苗質量分級標準的研究［J］. 園藝與種苗，2018，38（1）：34-37.

［15］李 瑪，蘇 鈦，李 云，等. 滇重樓種苗質量分級標準研究［J］. 種子，2020，39（5）：141-143.

［16］簡才源，韋小麗，段如雁，等. 貴州不同區域閩楠裸根苗的生長評價與苗木分級［J］. 貴州農業科學，2015，43（6）：153-157.

［17］關參政，申培增. 甘肅枸杞種苗分級標準及其田間驗證試驗研究［J］. 林業科技通訊，2017（6）：29-32.

［18］李亞麒，孫繼偉，李建華，等. 不同等級云南松幼苗生物量估測模型［J］. 云南大學學報（自然科學版），2019，41（5）：1073-1082.

［19］周新華，黃 拯，厲月橋，等. 杉木容器苗分級標準研究［J］. 中南林業科技大學學報，2017，37（9）：68-73.

［20］徐 權，郭 鵬，祁佳峰，等. 基于無人機影像的SEGT棉花估產模型構建［J］. 農業工程學報，2020，36（16）：44-51.

［21］郭 鵬，武法東，戴建國，等. 基于無人機可見光影像的農田作物分類方法比較［J］. 農業工程學報，2017，33（13）：112-119.

［22］汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取［J］. 農業工程學報，2015，31（5）：152-159.

［23］康 悅，文 軍，張堂堂，等. 衛星遙感數據評估黃土高原陸面干濕程度研究［J］. 地球物理學報，2014，57（8）：2473-2483.

［24］Tian Y C，Yao X，Yang J，et al. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground-and space-based hyperspectral reflectance［J］. Field Crops Research，2011，120（2）：299-310.

［25］Huete A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment，1988，25（3）：295-309.

［26］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［27］Jiang R，Sanchez-Azofeifa A，Laakso K，et al. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency［J］. Journal of Cleaner Production，2021，289：125705.

［28］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［29］王建光，呂小東，姚貴平，等. 苜蓿和無芒雀麥混播草地高光譜遙感估產研究［J］. 中國草地學報，2013，35（1）：35-41.

［30］Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation［J］. Remote Sensing of Environment，1979，8（2）：127-150.

［31］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［32］Gunasekara N K，Al-Wardy M M，Al-Rawas G A，et al. Applicability of VI in arid vegetation delineation using shadow-affected SPOT imagery［J］. Environmental Monitoring and Assessment，2015，187（7）：454.

［33］肖 漢，陳秀萬，楊振宇，等. 基于光譜分析的草地葉綠素含量估測植被指數［J］. 光譜學與光譜分析，2014，34（11）：3075-3078.

［34］Gitelson A A，Stark R，Grits U，et al. Vegetation and soil lines in visible spectral space：a concept and technique for remote estimation of vegetation fraction［J］. International Journal of Remote Sensing，2002，23（13）：2537-2562.

［35］Zhu Y，Yao X，Tian Y C，et al. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice［J］. International Journal of Applied Earth Observation and Geoinformation，2008，10（1）：1-10.