基于智能移動設備的低成本微型作物光譜反射率測量儀設計與實現

吳金愷 劉乃森 曹靜 胡佳楠 潘嫄嫄 畢然 郭靖宇 王許淇 霍丹琪 張文宇

摘要： ?為實現作物生長信息的低成本、實時、無損監(jiān)測，本研究基于光譜分析技術，選擇395 nm和800 nm 2個波段，根據光學系統(tǒng)原理和小型化需求，進行基于智能移動設備的低功耗微型作物光譜反射率測量儀研發(fā)，包括封裝殼體、光學系統(tǒng)和硬件電路設計及控制系統(tǒng)App開發(fā)；并使用積分球和ASD Fieldspec 4 Hi-Res地物光譜儀對測量儀4個通道（395 nm和800 nm太陽光接收通道和作物反射光接收通道）的測量值進行標定，并以反射率為20%、40%、60%、100%的4塊標準灰度板為測量對象檢驗測量儀的準確性。結果表明：4個通道標定方程的決定系數均在0.998 0以上，395 nm和800 nm反射率的均方根誤差分別為1.46%和1.07%，平均絕對誤差分別為1.17%和0.82%；4塊標準反射率灰度板在395 nm和800 nm 2個波段測得反射率的相對誤差分別小于2.0%和3.6%，變異系數分別在1.36%～4.17%和0.78%～2.36%。該測量儀體積32 cm3，質量僅20 g，且具有低成本、高精度、易操作、可升級等特性，可實現基于智能移動設備的作物生長實時監(jiān)測。

關鍵詞： ?生長監(jiān)測； 智能測量儀； 微型化； 智能手機； 光譜反射率

中圖分類號： ?S126 ???文獻標識碼： A ???文章編號： ?1000-4440（2024）03-0469-09

Design and implementation of low-cost miniature crop spectral reflectance meter based on smart mobile devices

WU Jin-kai1，2， LIU Nai-sen3， CAO Jing2， HU Jia-nan2， PAN Yuan-yuan2， BI Ran2， GUO Jing-yu3， WANG Xu-qi3， HUO Dan-qi3， ZHANG Wen-yu1，2，3

（1. School of Agricultural Engineering， Jiangsu University， Zhenjiang 212013， China; 2.Jiangsu Academy of Agricultural Sciences Wuxi Branch， Wuxi 214174， China; 3.Huaiyin Normal University/Collaborative Innovation Center of Regional Modern Agriculture ＆ Environmental Protection Co-constructed by the Province and Ministry/Jiangsu Key Laboratory for Eco-Agricultural Biotechnology around Hongze Lake/Jiangsu Engineering Research Center for Cyanophytes Forecast and Ecological Restoration of Hongze Lake， Huaian 223300， China）

Abstract： ?In order to achieve low-cost， real-time and non-destructive monitoring of crop growth information， based on spectral analysis technology， this study selected two bands， 395 nm and 800 nm， and carried out the research and development of a low-power miniature crop spectral reflectance measuring instrument based on a smart mobile device according to the principle of the optical system and miniaturisation requirements， including the package housing， optical system and hardware circuit design and control system App development. Measurements of the four channels （395 nm and 800 nm sunlight receiving channels and crop reflected light receiving channels） of the meter were calibrated using an integrating sphere and a spectrometer （ASD）， and the accuracy of the meter was checked using four grey scale panels with standard reflectance （20%， 40%， 60%， 100%）. The results showed that the coefficients of determination of the calibration equations of the four channels were above 0.998 0， the root mean square errors of 395 nm and 800 nm reflectance were 1.46% and 1.07%， and the average absolute errors were 1.17% and 0.82%， respectively. The relative errors of the reflectance measured by the four standard reflectance greyscale panels in the 395 nm and 800 nm bands were less than 2.0% and 3.6%， respectively， and the coefficients of variation were in the ranges of 1.36%-4.17% and 0.78%-2.36%， respectively. With a volume of 32 cm3 and a weight of only 20 g， the instrument is low-cost， high-precision， easy-to-operate， and scalable， which can realize real-time crop growth monitoring based on smart mobile devices.

Key words： ?growth monitoring; smart meter; miniaturization; smart phone; spectral reflectance

智慧農業(yè)是以信息、知識、裝備為核心要素的現代農業(yè)生產方式，是各國現代農業(yè)科技競爭的制高點、未來農業(yè)發(fā)展的新業(yè)態(tài)[1]。而作物生長監(jiān)測是進一步開展長勢診斷和動態(tài)調控的基礎和前提，是智慧農業(yè)的關鍵核心技術[2]。因此，快速、精準獲取作物生長信息是栽培技術從傳統(tǒng)模式向智慧化轉變的第一步，可為作物生產的智慧化管理甚至品種選育提供數據支撐，也是智慧農業(yè)的重點研究內容。

傳統(tǒng)的作物生長信息獲取方法有外觀診斷法[3-5]、化學分析法等，但外觀診斷得到的作物長勢信息往往受主觀影響較大，精確度較差；通過化學分析得到的作物長勢信息準確度高，但需要破壞性取樣，且耗時費力，無法適應智慧農業(yè)對無損和高效的要求。20世紀70年代以來，隨著遙感技術的高速發(fā)展，通過多光譜或高光譜實時、無損、精確、快速獲取作物生長信息已成為現代農業(yè)的新特征，為作物長勢診斷和產量預測提供了新途徑[6]。國內外學者利用遙感技術，已在水稻[7-8]、小麥[9]、油菜[10-11]、玉米[12]、馬鈴薯[13]等作物的生長[14-15]、營養(yǎng)狀況[16]、品質[17]和產量性狀[18-19]無損監(jiān)測方面開展了大量工作。

上述研究中光譜信息的采集大多使用通用光譜監(jiān)測儀器得到。如美國ASD公司生產的FieldSpec系列便攜式地物光譜儀，其中FieldSpec FR spectroradiometer高光譜儀光譜范圍350～2 500 nm，光譜分辨率 1 nm，內置偏移校正、漂移鎖定和漂移補償等算法，可以獲取豐富的地物光譜信息，目前已在眾多研究中得到應用[20-22]。美國Holland Scientific公司生產的Crop Circle ACS-470植物冠層光譜儀采用調制多色發(fā)光二極管（LED）陣列發(fā)射430～850 nm光波、3通道硅光電二極管陣列作為光電探測器，測量光譜范圍為320～1 100 nm，可以測量作物營養(yǎng)狀況以及作物冠層和土壤的反射率信息[23-24]。日本TOPCON株式會社研制的Cropspec車載式作物生長傳感器使用激光二極管脈沖進行730～740 nm和800～810 nm作物冠層反射率的測量，進而確定葉片葉綠素含量和氮含量[25]。利用上述儀器采集的地物光譜波段多、信息豐富，適合于科學研究，但因售價較為昂貴、體積龐大、操作繁瑣、維修不易、數據分析及二次開發(fā)門檻較高，導致其難以在農業(yè)生產中大面積推廣應用。

為推動基于光譜的農作物生長監(jiān)測技術的農業(yè)應用，各國學者或企業(yè)加強了小尺寸的農作物生長監(jiān)測專用傳感器或設備的研制。日本Minolta Camera公司生產的SPAD-502葉綠素儀通過測量650 nm波段（紅光）和940 nm波段（近紅外光）的葉片透射率，進而得到作物葉片的葉綠素含量，實現作物營養(yǎng)狀況診斷[26]。Sui等[27]采用鹵鎢燈發(fā)出恒定光源，使用濾光片得到特定波長的紅光、綠光、藍光和近紅外光，研制出的植物營養(yǎng)診斷儀可以實現作物植株含氮量監(jiān)測，準確度達90%以上。Yao等[28]利用LED發(fā)射波長為730 nm和810 nm的光波，研制出的主動光源作物生長診斷儀可以實現作物葉面積指數、葉干質量、葉片含氮量和氮積累量等信息的監(jiān)測，但該診斷儀長期工作時，光源將變得不穩(wěn)定，且易受環(huán)境光的影響，監(jiān)測結果的準確性會下降。Moya等[29]基于太陽光被動光源設計的作物葉綠素監(jiān)測裝置可實現遠距離的作物葉綠素含量無損監(jiān)測。Zhong等[30]以太陽光為光源，通過采集550 nm、650 nm、760 nm和850 nm等波段光譜信息，設計的智能作物養(yǎng)分狀況監(jiān)測裝置可以有效預測冬小麥葉片葉綠素含量。Ni等[31]通過測量720 nm和810 nm處的作物冠層光譜反射率，研發(fā)的多光譜便攜式作物生長診斷儀可以實現作物葉片含氮量、葉片氮積累量、葉面積指數、冠層生物量等生長指標的實時監(jiān)測。上述研發(fā)的監(jiān)測設備已初步實現作物生長監(jiān)測設備的輕量化，但其價格仍較為昂貴，算法升級需要返廠，為其推廣應用帶來了不便。

本研究旨在利用智能移動設備高計算能力的特性，設計與之適配的低成本、小體積、高效率作物光譜反射率測量儀，在田間應用時能夠直接使用智能移動設備控制測量儀實時獲取作物反射光譜，通過估算得到作物長勢信息，以期降低作物生長監(jiān)測設備的成本，推動作物生長監(jiān)測設備的普及應用和智慧農業(yè)的發(fā)展。

1 基于智能移動設備的低成本微型作物反射率測量儀設計

測量儀由光學系統(tǒng)、硬件電路、封裝殼體和軟件系統(tǒng)組成，外觀結構如圖1。測量儀通過Type-C接頭和智能移動設備連接，為了盡量減小測量儀的尺寸和質量，測量儀不含電池，完全由移動設備供電。采集指令由移動設備發(fā)出，移動設備接收到測量儀數據后進行處理并呈現在App中。

1.1 封裝殼體設計

封裝殼體對測量儀的光學元件、電路板（PCB）等起固定作用，同時還需保證光路的正常工作。本研究研發(fā)的測量儀封裝殼體主要分為上部端蓋和下部端蓋兩部分。上部端蓋的光學窗口接收太陽光，下部端蓋的光學窗口接收作物的反射光（圖2）。

上部端蓋的光學通道內設有余弦校正器、濾光片、減光片的擱置臺階，側面設有Type-C接口的安裝孔以及PCB和下部端蓋的固定孔。PCB固定支柱采用合適的高度，以保證安裝PCB后，PCB上的光電探測器的上表面正好貼合濾光片（圖3）。

下部端蓋的光學窗口安裝濾光片，下部端蓋光學通道的孔徑與孔深決定了傳感器的視場角，同時保證安裝后探測孔剛好貼合光電探測器（圖3）。

1.2 光學系統(tǒng)設計

測量儀的光學系統(tǒng)主要包括上部接收單元和下部接收單元。上部接收單元接收入射的太陽光，下部接收單元接收作物的反射光。上、下部接收單元均具有395 nm和800 nm 2個光學通道，各光學通道使用特定的濾光片以獲取對應波長的光信號，濾光片的型號分別為BP395-25K和BP800-40K，半高寬為25 nm和40 nm。上部單元在濾光片上方還裝有余弦校正器，余弦校正器為乳白玻璃，其朝向太陽的一面為粗糙面，可在一定程度上消減太陽高度角對測量準確性的影響。

光電探測器感光面的直徑為d，通過設置下部單元光學通道的長度（h），可以確定傳感器的視場角（圖4），該測量儀的視場角為30°。

本研究選擇TSL2561作為光電探測器，其對395 nm和800 nm 兩個波段均有較高的響應度。TSL2561可以直接將光信號轉化為數字信號，降低了電路的復雜度，使電路更加穩(wěn)定，并且TSL2561的體積較小，符合微型傳感器電子元器件選型要求，提高了便攜性。TSL2561焊接在PCB上后，其四周覆蓋黑色硅膠墊，避免外部光線進入光通路。

1.3 硬件電路設計

硬件電路用來處理光信號并與移動設備通信。微控制單元（MCU）在接收移動設備發(fā)送的指令后，開始依次采集上部單元395 nm、上部單元800 nm、下部單元395 nm和下部單元800 nm通道的光照度數據并發(fā)送給移動設備，由移動設備進行數據處理（圖5）。

MCU采用MSP430I2401 16位單片機（美國德州儀器公司產品），工作電壓為2.2～3.6 V，有激活、待機、關閉、關斷4種工作模式，可以讓器件在不到5 μs 的時間內從低功耗模式喚醒至激活模式，含有用于通信的通用異步收發(fā)器（UART）、雙向兩線制串行通信接口I2C等外圍設備，以及16位RISC架構和高達16.384 MHz的系統(tǒng)時鐘。

電源芯片采用可升降電壓的TPS63001，轉換效率達96%，輸入電壓范圍為1.8～5.5 V，輸出電壓3.3 V， 靜態(tài)電流小于50 μA。在低負載電流下，轉換器會進入省電模式。

USB接口與傳感器信息轉換采用高速USB總線轉接芯片CH347（南京沁恒微電子股份有限公司產品）。該芯片提供USB總線轉異步串口、I2C同步串行接口、SPI同步串行接口等功能。在異步串口方式下，CH347提供2個高速串口，收發(fā)控制指令、數據流和調制解調器（Modem）聯(lián)絡信號。

光數字轉換器（Light-to-digital converters）選用美國TAOS公司推出的高速、低功耗、量程寬、可編程、配置靈活的光數字轉換芯片TSL2561。該芯片數字輸出符合標準的SMBus和I2C總線協(xié)議，用戶可自定義中斷上限和下限閾值。該芯片采用1.25 mm×1.75 mm超小封裝，超低功耗，工作電壓為2.7～3.3 V。

因為TSL2561最多只能配置3個地址，而本研究使用了4個TSL2561，因此采用了ADG774多路復用開關，該器件具有低功耗、高開關速度、低導通電阻等特性，采用3.3/5.0 V單電源供電。由MCU來控制多路復用開關，當采集太陽面數據時S1A和S2A導通，采集作物面數據時S1B和S2B導通。導通的電阻曲線在整個模擬輸入范圍內非常平坦，非常適合便攜式電池供電的儀器。

1.4 軟件設計

測量儀嵌入式程序在IAR Embedded Workbench中采用C語言編寫，主要有控制TSL2561采集光信號、模擬開關通道切換、數據傳輸轉換等模塊。程序基于開源的Contiki嵌入式操作系統(tǒng)開發(fā)，具有小巧、高效和可擴展等特點，可以運行在多種嵌入式設備和硬件平臺上，并支持多種通信協(xié)議和網絡技術。

軟件系統(tǒng)主要有初始化、指令接受、數據采集和數據發(fā)送等進程。系統(tǒng)啟動時會自動運行初始化進程（Initialization），在配置MCU通信參數以及其他參數的同時，令其他進程均處于等待事件的狀態(tài)。指令接收進程啟動后，Contiki操作系統(tǒng)會將串口接收到的Type-C消息通過串行事件信息（Serial_line_event_message）進行廣播。當接收到串口的消息后，MCU對消息進行解析，解析完成后，通過事件通知進入相應的進程。若串口信息為采集指令，則啟動數據采集進程，光傳感器模塊依次采集上部單元395 nm，上部單元800 nm，下部單元395 nm和下部單元800 nm通道的數據。數據采集完成后，啟動數據發(fā)送進程，將采集到的數據通過Type-C接口發(fā)送到智能設備。智能設備接收到數據后進行2個波段反射率、植被指數等的計算，計算完成后將數據呈現至手機App頁面。

手機App界面如圖6所示，測量儀連接到手機后點擊“掃描設備”，若發(fā)現設備則自動連接并提示連接成功。點擊“采集”按鈕傳感器開始執(zhí)行采集數據指令，并接收傳感器采集的數據。App可記錄每個樣品區(qū)最多5個采樣點的數據并生成反射率柱狀圖以及每個采樣點在395 nm和800 nm處的反射率、歸一化植被指數、氮含量。點擊“保存數據”以保存當前采集的數據，點擊“歷史數據”可以查看先前保存的數據。

2 測量儀的標定

利用積分球和光譜儀對測量儀進行標定。標定所用積分球由廣州景頤光電科技有限公司制造，積分球直徑200 mm，出光口直徑70 mm，出光口均勻性大于98%，穩(wěn)定性在1%以內，波段范圍為250～2 500 nm。積分球出光口的光照度數據由ASD FieldSpec 4 Hi-Res地物光譜儀（美國ASD公司產品）測量。

試驗在暗室中進行，將測量儀和ASD探測頭固定在積分球前的支架上，傳感器接收光平面與積分球出光口平面平行。積分球亮度的調節(jié)通過調節(jié)電源來實現，電源電壓最大可達12 V，實驗時按0.5 V梯度降低電壓，同一電壓下采集傳感器4個通道測量的電壓值（mV）和光譜儀的遙感影像像元亮度值。

由于研究選用的濾光片中心波長為395 nm和800 nm，半高寬為25 nm和40 nm，所以取ASD波長為383～407 nm和780～820 nm的平均遙感影像像元亮度值（DN）作為測量儀395 nm和800 nm處標定值。利用ASD的DN對測量儀各光學通道輸出的電壓進行標定，標定結果如圖7、圖8所示。由圖可知，4個通道標定系數存在一定差別，但ASD測得的DN和測量儀輸出的電壓呈現較好的線性關系，各通道決定系數（R2）均大于0.998 0。標定完成后即可計算395 nm和800 nm波段的反射率，方法如下：

R395= ydown395 yup395 ×100% （1）

R800= ydown800 yup800 ×100% （2）

式中yup395、ydown395分別表示395 nm光學通道太陽面、作物面標定后的DN，yup800、ydown800分別表示800 nm光學通道太陽面、作物面標定后的DN，R395、R800分別表示395 nm、800 nm光學通道的反射率。

3 測量儀性能及參數

選擇晴朗無云天氣在10：50-13：50時段內，分別以20%、40%、60%、100%的標準反射率灰度板為測量對象，每隔10 min測量1次并計算反射率，檢驗測量儀測量反射率的準確性。使用1∶1圖、均方根誤差（RMSE）、平均絕對誤差（MAE）、相對誤差（RE）、變異系數（CV）檢驗測量儀的準確性。測量儀測得的反射率與灰度板的標準反射率很接近，395 nm和800 nm的RMSE分別為1.46%和1.07%，MAE分別為1.17%和0.82%（圖9）。以4個標準反射率灰度板為測量對象，395 nm和800 nm波段測量儀測得的反射率相對誤差（RE）分別小于2.0%和3.6%（圖10），變異系數（CV）分別為1.36%～4.17%和0.78%～2.36%（圖11）。上述結果均表明測量儀測得的反射率與實際值基本一致。

當前，利用光譜手段進行作物生長監(jiān)測已成為智慧農業(yè)的核心技術之一。本研究開發(fā)的測量儀與目前部分商品化的測量設備參數對比如表1所示。從表中可以看出，目前市場上主流的商品化光譜設備普遍價格昂貴、攜帶不便，限制了基于光譜的監(jiān)測技術的推廣應用。

針對攜帶不便的問題，本研究設計的測量儀簡化了電源系統(tǒng)，改為由智能手機直接供電，選用體積小于2.2 mm3的光數字轉換芯片TSL2561，簡化電路結構，測量儀體積約為32 cm3，質量僅20 g，均遠低于同類設備。如此小的體積和質量使該測量儀具有極高的便攜性，且該測量儀機械結構相對簡單，不易損壞，適合在田間使用。

針對數據單一和升級流程繁瑣的問題，本研究設計的測量儀采集的數據均由手機App處理，依靠手機的強大計算能力，能夠顯示如反射率、植被指數、含氮量等豐富的信息，且后續(xù)可以通過更新App來優(yōu)化測量模型和算法，提高測量準確率，擴充功能。農戶可通過手機App更便捷地了解作物生長情況，從而為農作物的精準調控、降本增效提供依據。

本研究設計的測量儀成本為千元級，批量生產后還可以進一步降低成本，而市面上功能相近的作物生長傳感器都在萬元級以上，一般農戶難以承擔，因此，本研究設計的測量儀更具有推廣潛力和市場。

4 討 論

針對監(jiān)測作物類型和參數類型單一的問題，本研究設計的測量儀可針對不同作物類型和參數類型定制不同波段的濾光片，再配合App的更新嵌入不同的算法模型，從而實現多作物多參數的監(jiān)測。

本研究設計的作物生長信息測量儀仍存在一些改進之處：1）視場角的大小決定了采集作物光譜信息區(qū)域的大小，若視場角過大則會采集到目標作物外的光譜信息，導致測量不準確。若視場角過小則會導致采集信息的一致性不高，所測區(qū)域的代表性差，采樣的誤差大。所以合適的視場角是準確采集光譜信息的前提，本測量儀目前視場角定為30°，控制適當的距離可以精準的測量小范圍的葉幕或單葉，但也一定程度上限制了測量范圍。2）濾光片的表面近似為光滑的鏡面，盡管濾光片的外側安裝有余弦校正器，但是當太陽的高度角變化時，濾光片的光線透過率仍有差異，與其他基于太陽光譜的測量儀一樣，本研究研發(fā)的測量儀測量精度也受到太陽高度角變化的影響，最佳工作時間限制在正午前后。

5 結 論

（1）本試驗研制出了一種基于智能移動設備的微型作物反射率測量儀，該測量儀通過Type-C接頭與智能移動設備連接，由智能移動設備直接供電，簡化了電路結構，減小了體積。測量儀的視場角為30°，光譜波段為395 nm和800 nm，測量儀接收到采集指令后，直接將采集到的數據發(fā)送到智能移動設備，由App處理數據，并進行顯示。

（2）使用積分球和ASD FieldSpec 4 Hi-Res地物光譜儀對測量儀進行了標定，建立了測量儀395 nm和800 nm不同光學通道的標定方程，其決定系數（R2）均在0.998 0以上。

（3）以20%、40%、60%、100%的標準反射率灰度板為測量對象，測量儀所測395 nm和800 nm反射率的RMSE分別為1.46%和1.07%，MAE分別為1.17%和0.82%，RE分別小于2.0%和3.6%，CV分別為1.36%～4.17%和0.78%～2.36%。

參考文獻：

[1] ?趙春江，李 瑾，馮 獻. 面向2035年智慧農業(yè)發(fā)展戰(zhàn)略研究[J]. 中國工程科學，2021，23（4）：1-9.

[2] 曹衛(wèi)星，姚 霞， 程 濤，等. 作物生長監(jiān)測技術的研究與應用[C]// 中國作物學會. 2019年中國作物學會學術年會論文摘要集. 北京：中國作物學會，2019.

[3] 周廣西. 《沈氏農書》所載水稻施肥技術研究[J]. 南京農業(yè)大學學報（社會科學版），2006，6（1）：69-72.

[4] 陶勤南，方 萍，吳良歡，等. 水稻氮素營養(yǎng)的葉色診斷研究[J]. 土壤，1990（4）：190-193.

[5] 曹紹文. 作物葉色診斷施肥比色卡[J]. 今日科技，1989（7）：20.

[6] ZHU Y， YAO X， TIAN Y， 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.

[7] 趙春江，黃文江，王紀華，等. 不同品種、肥水條件下冬小麥光譜紅邊參數研究[J]. 中國農業(yè)科學，2002，35（8）：980-987.

[8] 周啟發(fā)，王人潮. 水稻氮素營養(yǎng)水平與光譜特性的關系[J]. 浙江農業(yè)大學學報，1993，19（增刊1）：42-47.

[9] 姚 霞，朱 艷，田永超，等. 小麥葉層氮含量估測的最佳高光譜參數研究[J]. 中國農業(yè)科學，2009，42（8）：2716-2725.

[10] 曹正鄧淵，文雙雅，高志強. 甘藍型油菜葉綠素熒光參數的高光譜預測[J]. 江蘇農業(yè)科學，2023，51（18）：185-190.

[11] 張筱蕾，劉 飛，聶鵬程，等. 高光譜成像技術的油菜葉片氮含量及分布快速檢測[J]. 光譜學與光譜分析，2014，34（9）：2513-2518.

[12] DELLINGER A E， SCHMIDT J P， BEEGLE D B. Developing nitrogen fertilizer recommendations for corn using an active sensor[J]. Agronomy Journal，2008，100（6）：1546-1552.

[13] BORHAN M S， PANIGRAHI S， LORENZEN J H， et al. Multispectral and color imaging techniques for nitrate and chlorophyll determination of potato leaves in a controlled environment[J]. Transactions of the ASAE，2004，47（2）：599.

[14] 魏永康，楊天聰，臧少龍，等. 基于無人機多光譜影像特征融合的小麥倒伏監(jiān)測[J]. 中國農業(yè)科學，2023，56（9）：1670-1685.

[15] 王偉康，張嘉懿，汪 慧，等. 基于固定翼無人機多光譜影像的水稻長勢關鍵指標無損監(jiān)測[J]. 中國農業(yè)科學，2023，56（21）：4175-4191.

[16] 凌琪涵，孔發(fā)明，寧 強，等. 基于無人機多光譜影像的水稻氮營養(yǎng)監(jiān)測[J]. 農業(yè)工程學報，2023，39（13）：160-170.

[17] 姜友誼，劉博偉，張成健，等. 利用無人機多光譜影像的多品種玉米成熟度監(jiān)測[J]. 農業(yè)工程學報，2023，39（20）：84-91.

[18] 黃 璐，包云軒，郭銘淇，等. 稻縱卷葉螟危害下水稻葉片光譜特征及產量估測[J]. 中國農業(yè)氣象，2023，44（2）：154-164.

[19] 陳 悅，趙庚星，常春艷，等. 基于Sentinel-2多光譜影像的小麥-玉米輪作耕地糧食產量估測——以曹縣為例[J]. 應用生態(tài)學報，2023，34（12）：3347-3356.

[20] TANG Y L， WANG R C， HUANG J F. Relations between red edge characteristics and agronomic parameters of crops[J]. Pedosphere，2004，14（4）：467-474.

[21] PRADHAN S， BANDYOPADHYAY K K， SAHOO R N， et al. Predicting wheat grain and biomass yield using canopy reflectance of booting stage[J]. Journal of the Indian Society of Remote Sensing，2014，42（4）：711-718.

[22] SUN J， SHI S， GONG W， et al. Evaluation of hyperspectral LiDAR for monitoring rice leaf nitrogen by comparison with multispectral LiDAR and passive spectrometer[J]. Scientific Reports，2017，7（1）：40362.

[23] CHEN P， HABOUDANE D， TREMBLAY N， et al. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat[J]. Remote Sensing of Environment，2010，114（9）：1987-1997.

[24] SARLIKIOTI V， MEINEN E， MARCELIS L F M. Crop reflectance as a tool for the online monitoring of LAI and PAR interception in two different greenhouse crops[J]. Biosystems Engineering，2011，108（2）：114-120.

[25] 段友青，高廣智. 精準農業(yè)農機裝備智能化配置[J]. 現代化農業(yè)，2015（3）：60-61.

[26] DEBAEKE P， ROUET P， JUSTES E. Relationship between the normalized spad index and the nitrogen nutrition index：application to durum wheat[J]. Journal of Plant Nutrition，2006，29（1）：75-92.

[27] SUI R， THOMASSON J A. Ground-based sensing system for cotton nitrogen status determination[J]. Transactions of the ASABE，2006，49（6）：1983-1991.

[28] YAO L， WU R， WU S， et al. Design and testing of an active light source apparatus for crop growth monitoring and diagnosis[J]. IEEE Access，2020，8：206474-206490.

[29] MOYA I， CAMENEN L， EVAIN S， et al. A new instrument for passive remote sensing：1. Measurements of sunlight-induced chlorophyll fluorescence[J]. Remote Sensing of Environment，2004，91（2）：186-197.

[30] ZHONG Z， LI M， SUN H， et al. Development and application of a smart apparatus for detecting crop nutrition[J]. Transactions of the Chinese Society for Agricultural Machinery，2013，44（S2）：215-219.

[31] NI J， ZHANG J， WU R， et al. Development of an apparatus for crop-growth monitoring and diagnosis[J]. Sensors，2018，18（9）：3129.

[32] LIU N， ZHANG W， LIU F， et al. Development of a crop spectral reflectance sensor[J]. Agronomy，2022，12（9）：2139.

（責任編輯：石春林）