基于無人機影像的井岡蜜柚果樹樹形信息提取及產(chǎn)量估測

摘要：為實現(xiàn)基于無人機影像的井岡蜜柚果樹樹形信息（冠幅、樹高）快速、準(zhǔn)確提取及產(chǎn)量預(yù)測，通過基于無人機影像生成數(shù)字正射影像（DOM），計算4個植被指數(shù)，分析4個植被指數(shù)閾值分割提取冠幅的精度，確定敏感植被指數(shù)及其最佳分類閾值完成植被區(qū)域的提取，實現(xiàn)冠幅提取；再基于無人機影像生成的數(shù)字高程模型（DEM），提取果樹樹高；運用“冠幅、樹高及冠幅+樹高”三種模式對產(chǎn)量進行預(yù)測。結(jié)果表明，利用歸一化差值指數(shù)（Normalized Difference Index，NDI）提取冠幅時精度最高，提取的東西冠幅與實測值之間決定系數(shù)R2達(dá)0.917 2，南北冠幅與實測值之間的R2達(dá)0.823 6，冠幅均值與實測值均值之間的R2達(dá)0.892 8；基于DEM提取樹高時，也具有較好的效果，提取的樹高與實測值之間的R2達(dá)0.863 3，均方根誤差RMSE為0.148 m。進一步運用“冠幅、樹高及冠幅+樹高”三種模式對掛果數(shù)進行預(yù)測，運用“冠幅+樹高”預(yù)測掛果數(shù)的R2為0.676，調(diào)整R2為0.638，預(yù)測效果最好。

關(guān)鍵詞：井岡蜜柚；果樹識別；無人機遙感；植被指數(shù)；估產(chǎn)模型

中圖分類號：S252+.9

文獻標(biāo)識碼：A

文章編號：2095-5553 （2024） 05-0161-07

收稿日期：2022年7月29日" 修回日期：2023年2月28日*基金項目：江西省農(nóng)機裝備應(yīng)用產(chǎn)業(yè)技術(shù)體系（JXARS—21）；江西現(xiàn)代農(nóng)業(yè)科研協(xié)同創(chuàng)新專項（JXXTCXQN202214）；國家紅壤改良工程技術(shù)研究中心開放基金資助項目（2020NETRCRSI—16）

第一作者：羅翔，男，1992年生，南昌人，碩士，助理研究員；研究方向為農(nóng)業(yè)遙感與農(nóng)業(yè)工程。E-mail： 381316930@qq.com

通訊作者：曹曉林，男，1970年生，江西都昌人，碩士，研究員；研究方向為農(nóng)業(yè)工程。E-mail： caoxl151@ 163.com

Extracting Jinggang pomelo tree information and estimating yield based on

Unmanned Aerial Vehicle （UAV） imageries

Luo Xiang， Cao Xiaolin， Yao Lintao， Wu Luofa， Cao Zhongsheng， Shu Shifu

（Institute of Agricultural Engineering， Jiangxi Academy of Agricultural Sciences， Nanchang， 330200， China）

Abstract：

In order to realize the rapid and accurate extraction of tree shape information （crown width and tree height） and yield prediction of Jinggang pomelo fruit tree based on the Unmanned Aerial Vehicle （UAV） imageries. By generating Digital Orthophoto map （DOM） based on the UAV imageries， four vegetation indexes were calculated and the accuracy of crown width extraction by threshold segmentation of four vegetation index was analyzed. The sensitive vegetation index and its best classification threshold was determined to complete the extraction of vegetation area and realize the crown width extraction. Then， based on the digital elevation model （DEM） generated by UAV imageries， the tree height of fruit trees was extracted. Finally， three models of crown width， tree height and crown width + tree height were used to predict yield. The results showed that the normalized difference index （NDI） had the highest accuracy in extracting crown width. The coefficients of determination R2 between the extracted East-West crown width and the measured value was 0.917 2， the R2 between the North-South crown width and the measured value was 0.823 6， and the R2 between the mean of crown width and the measured value was 0.892 8. When extracting tree height based on DEM， it also had a good effect. The R2 between the extracted tree height and the measured value is 0.863 3， and the root mean square error （RMSE） is 0.148 m. The yield prediction results showed that the R2 of using crown width + tree height to predict the number of fruits was 0.676， and the adjusted R2 was 0.638， which had the best prediction effect.

Keywords：

Jinggang pomelo; fruit trees detection; UAV remote sensing; vegetation index; yield estimation model

0 引言

井岡蜜柚是江西省“南橘、北梨、中柚”果業(yè)規(guī)劃的重點產(chǎn)業(yè)，是吉安市六大富民產(chǎn)業(yè)首要重點推進的支柱產(chǎn)業(yè)［1］。2020年，井岡蜜柚種植總面積達(dá)25.6 khm2，投產(chǎn)面積13.3 khm2，產(chǎn)量148 kt，位列江西省首位［2］。快速、準(zhǔn)確地提取井岡蜜柚果園果樹信息，對于及時掌握果園生產(chǎn)狀況具有重要意義，同時基于果樹信息構(gòu)建果樹估產(chǎn)模型，可以為采摘、銷售、物流等提供有力依據(jù)。

傳統(tǒng)果園信息獲取往往采取人工實地調(diào)查的方式，費時費力，難以快速、及時、準(zhǔn)確地獲取作物空間分布特征［3， 4］。近年來，遙感技術(shù)以其快速、簡便、宏觀、無損及客觀等優(yōu)點，可借助光譜植被指數(shù)等對作物長勢進行定性和定量分析［5， 6］，為果園基礎(chǔ)研究與應(yīng)用提供大面積、高時間分辨率的果樹信息數(shù)據(jù)［7， 8］。然而，考慮到井岡蜜柚果樹的冠幅，要想實現(xiàn)果樹準(zhǔn)確識別與計數(shù)，要求遙感影像具有高空間分辨率，衛(wèi)星遙感影像具有局限性。隨著無人機遙感技術(shù)的快速發(fā)展，其在作物識別、植保作業(yè)、林業(yè)監(jiān)測、作物授粉等方面的應(yīng)用日益廣泛［9， 10］。Wu等［11］基于無人機影像與深度學(xué)習(xí)實現(xiàn)對小麥抽穗數(shù)量的精準(zhǔn)識別，但該方法需要人工事先勾畫小麥生長區(qū)，且普適性一般。束美艷等［12］基于無人機觀測平臺，構(gòu)建柑橘果樹生長信息獲取技術(shù)框架，實現(xiàn)對柑橘樹冠信息的提取，但樹冠重疊對分割精度影響較大。普適性較強的Count Crops工具是以消除非植被區(qū)的遙感數(shù)據(jù)為輸入影像，冠幅為輸入?yún)?shù)，實現(xiàn)作物自動識別和計數(shù)。

目前以無人機高分辨影像對作物信息提取及估產(chǎn)的研究主要集中在水稻、玉米、大豆等作物，針對柑橘類研究主要為果園巡檢和相應(yīng)的植保作業(yè)。基于此，本文利用大疆御Mavic Pro旋翼無人機搭載的CMOS圖像傳感器采集研究區(qū)果園無人機影像，通過統(tǒng)計直方圖、目視解譯篩選最優(yōu)植被指數(shù)，采用閾值分割消除非植被區(qū)域，利用Count Crops工具實現(xiàn)井岡蜜柚果樹識別與計數(shù)，提取果樹冠幅與高度，并進行單株果樹產(chǎn)量預(yù)測與評價。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于江西省吉安市井岡山國家農(nóng)業(yè)科技園（114°52′22″E，27°8′31″N），以紅壤土為主，地勢平坦，坡度3%～5%。井岡蜜柚種植面積約66.7 hm2，株行距為4 m×5 m，采用傘形樹形，果園施肥、植保、灌溉等采取統(tǒng)一管理。

1.2 數(shù)據(jù)獲取及預(yù)處理

1.2.1 無人機影像采集

本研究所用無人機影像數(shù)據(jù)由大疆御Mavic Pro旋翼無人機搭載的CMOS圖像傳感器采集，拍攝時間2021年4月29日，無人機飛行高度20 m，航行和旁向重疊率分別為80%和75%，共采集278張照片。利用Agisoft PhotoScan Professional軟件處理無人機影像，處理過程包括對齊照片、生成密集點云、生成網(wǎng)格、生成紋理、導(dǎo)出數(shù)字正射影像（DOM）和數(shù)字高程模型（DEM），空間分辨率為0.01 m。

1.2.2 實地果樹數(shù)據(jù)采集

為了獲得果園果樹的實際數(shù)據(jù)，本研究于無人機航拍當(dāng)天，隨機選取40株果樹作為樣本，利用鋼卷尺及果園輔助作業(yè)平臺，測量果樹的東西冠幅、南北冠幅以及樹高，東西冠幅和南北冠幅乘積再乘以一個經(jīng)驗系數(shù)，估算冠幅面積［12］。人工計數(shù)每株果樹的掛果數(shù)。

1.3 植被指數(shù)計算

植被指數(shù)是遙感中對植被進行監(jiān)測應(yīng)用最為廣泛的參數(shù)之一，通常利用衛(wèi)星不同波段探測數(shù)據(jù)組合而成，不僅能夠反映植被生長狀況，還可以利用圖像光譜特征實現(xiàn)目標(biāo)識別［13］，已成為遙感反演植被的相關(guān)參數(shù)的重要技術(shù)手段［14， 15］。目前，基于可見光影像的植被指數(shù)有10多種［16］，本研究計算4種基于可見光影像的植被指數(shù)（表1），并通過統(tǒng)計直方圖、目視解譯篩選最優(yōu)植被指數(shù)。

1.4 果樹識別及信息提取

本研究采用植被指數(shù)雙峰閾值法提取植被區(qū)域和非植被區(qū)域，將非植被區(qū)域設(shè)置為背景，消除其對果樹識別的影響，再將消除非植被區(qū)域的植被指數(shù)影像作為輸入影像，果樹冠幅范圍作為輸入?yún)?shù)，利用ENVI 5.6的Count Crops工具，對果樹進行識別并計數(shù)，并輸出果樹中心坐標(biāo)與冠層直徑，實現(xiàn)對單株果樹的東西冠幅和南北冠幅的提取。將冠層矢量提取結(jié)果與生成的DEM數(shù)據(jù)進行疊加，作為一個搜索窗口，利用ArcGIS 10.2的緩沖區(qū)分析，將果樹的冠幅向外擴展一個像素，形成新的計算窗口。搜索窗口中最大值為植被最高點的海拔高度，計算窗口中最小值為植被臨近地表的海拔高度，兩個高度相減即可提取果樹的高度［8］，利用決定系數(shù)R2、均方根誤差RMSE分別對提取的果樹冠幅和高度進行評價。

1.5 構(gòu)建果園估產(chǎn)模型

為了探究果樹冠幅、樹高與掛果數(shù)之間的定量關(guān)系，以掛果數(shù)為因變量，果樹冠幅、樹高及冠幅+樹高為自變量，分別建立井岡蜜柚估產(chǎn)模型，利用決定系數(shù)R2、調(diào)整R2對模型精度進行評價。

2 結(jié)果與分析

2.1 植被指數(shù)分割閾值的確定

本研究計算4種植被指數(shù)，通過ENVI 5.6軟件統(tǒng)計分析植被區(qū)域和非植被區(qū)域，得到特征值。由表2可知，NDI和GLI植被指數(shù)在植被區(qū)域和非植被區(qū)域之間的差異性較大，而CRI2和VARI植被指數(shù)在植被區(qū)域和非植被區(qū)域之間的差異性不明顯。為進一步分析4種植被指數(shù)對植被區(qū)域的識別度，通過ENVI 5.6軟件統(tǒng)計分析植被區(qū)域和非植被區(qū)域的直方圖，圖1為4種植被指數(shù)統(tǒng)計直方圖。

從圖1可以看出，CRI2和VARI植被指數(shù)的直方圖未呈現(xiàn)明顯的雙峰分布，無法有效確定植被區(qū)域和非植被區(qū)域的分割閾值；而NDI和GLI植被指數(shù)的直方圖呈明顯的雙峰分布，進一步說明NDI和GLI植被指數(shù)對應(yīng)的植被區(qū)域和非植被區(qū)域的區(qū)分性較強，適合可見光波段植被信息的提取，可確定最佳分割閾值。

2.2 最佳植被指數(shù)的確定

根據(jù)確定的NDI和GLI植被指數(shù)分割閾值，利用面向?qū)ο蟮姆诸惙椒ǎM行植被區(qū)域的提取，圖2為選取研究區(qū)原始影像以及NDI和GLI植被指數(shù)對果樹識別的結(jié)果。通過目視解譯分析可知，GLI植被指數(shù)提取的植被區(qū)域，雖可以有效識別果樹，但果樹陰影部分誤識別為果樹，導(dǎo)致識別的果樹冠幅偏大。相比之下，NDI植被指數(shù)提取的植被區(qū)域果樹識別較為完整可靠，更加接近實際果樹空間分布，對果樹的識別結(jié)果較好，可作為井岡蜜柚果樹識別的特征指數(shù)。

由于目視解譯的結(jié)果存在主觀性，為了更加客觀地比較NDI和GLI植被指數(shù)對井岡蜜柚識別的優(yōu)劣，本研究利用ENVI 5.6軟件的Count Crops工具，分別以NDI和GLI植被指數(shù)為輸入影像，實地測量的果樹冠幅（1.33～3.19 m）為輸入?yún)?shù)，進行井岡蜜柚識別，圖3為基于NDI和GLI植被指數(shù)對井岡蜜柚果樹株數(shù)識別結(jié)果。從圖3可以看出，研究區(qū)共包含井岡蜜柚果樹62株，基于NDI和GLI植被指數(shù)均識別出61株果樹，識別精度為98.39%，說明該方法在識別果樹上具有可行性。進一步分析可知，漏識別的果樹冠幅較小，不在輸入的果樹冠幅范圍內(nèi)，導(dǎo)致出現(xiàn)漏識別現(xiàn)象。

同時，本研究利用提取的冠層直徑，獲取了實地調(diào)查的40株果樹冠層對應(yīng)的像元數(shù)，利用目視解譯得到的果樹冠層像元數(shù)進行評價（圖4）。從圖4可知，NDI植被指數(shù)提取的果樹冠層對應(yīng)的像元數(shù)和目視解譯的果樹冠層對應(yīng)的像元數(shù)決定系數(shù)R2達(dá)0.949 2，均方根誤差RMSE為2 871個，而GLI植被指數(shù)提取的果樹冠層對應(yīng)的像元數(shù)和目視解譯的果樹冠層對應(yīng)的像元數(shù)R2達(dá)0.914 7，RMSE為3 699個，說明NDI植被指數(shù)為最佳識別植被指數(shù)。

2.3 井岡蜜柚果樹冠幅提取

本研究將獲取的冠層直徑與原始影像疊加，提取果樹冠幅。選取實地調(diào)查的20株果樹，分別提取東西冠幅和南北冠幅。經(jīng)分析可知，提取的東西冠幅范圍為1.96～2.92 m，精度為92.45%～98.79%，提取的南北冠幅范圍為1.9～2.58 m，精度為92.56%～99.72%，提取的冠幅均值范圍為1.93～2.66 m，精度為93.32%～98.7%，冠幅提取精度較高。同時，經(jīng)擬合分析，研究區(qū)提取的果樹冠幅與實地測量的真實冠幅呈現(xiàn)明顯的線性關(guān)系，如圖5所示。

提取果樹的東西冠幅和實地測量的東西冠幅R2達(dá)0.917 2，RMSE為0.121 m，南北冠幅R2達(dá)0.823 6，RMSE為0.085 m，冠幅均值R2達(dá)0.892 8，RMSE為0.093 m，進一步說明果樹冠幅提取效果較好。本文還估算冠幅面積，結(jié)果表明，冠幅面積的最大值為5.50 m2，最小值為2.93 m2，中位數(shù)為4.61 m2，可有效反映果樹生長狀態(tài)，為果園生產(chǎn)管理提供依據(jù)。

2.4 井岡蜜柚果樹高度提取

為了提取井岡蜜柚果樹高度，本研究將冠層矢量提取結(jié)果與生成的DEM數(shù)據(jù)進行疊加，作為一個搜索窗口，根據(jù)鄰近空間關(guān)系，利用ArcGIS 10.2的緩沖區(qū)分析，將果樹的冠幅向外擴展一個像素，形成新的計算窗口。搜索窗口中最大值為植被最高點的海拔高度，計算窗口中最小值為植被臨近地表的海拔高度，兩個高度相減即可得到果樹的高度。選取實地調(diào)查的20株果樹，分別提取井岡蜜柚果樹高度。經(jīng)分析可知，井岡蜜柚樹高提取范圍為1.84～3.27 m，提取的果樹高度與真實測量值的誤差絕對值最大為0.21 m，最小為0.05 m，相對誤差絕對值最大為7.54%，最小為2.14%，說明樹高提取效果較好。同時，經(jīng)擬合分析，研究區(qū)提取的果樹高度與實地測量的高度呈明顯的線性關(guān)系，如圖6所示。提取的坡地果樹的高度值和實地測量的高度值擬合的R2達(dá)0.863 3，RMSE為0.148 m，進一步說明提取效果較好。

2.5 基于果樹信息的井岡蜜柚估產(chǎn)模型

為了探究果樹的冠幅、樹高與單株果樹掛果數(shù)之間的關(guān)系，本研究選取實地測量的20株井岡蜜柚果樹作為建模的訓(xùn)練樣本，運用“冠幅、樹高及冠幅+樹高”三種模式，分析了提取的果樹樹冠面積、高度與單株果樹掛果數(shù)量之間的關(guān)系，其余20株果樹作為驗證樣本，用于驗證模型精度。經(jīng)多元線性擬合建立單株井岡蜜柚果樹產(chǎn)量估算模型（表3），運用冠幅預(yù)測掛果數(shù)的R2為0.502，調(diào)整R2為0.474，運用樹高預(yù)測掛果數(shù)的R2為0.245，調(diào)整R2為0.203，運用冠幅+樹高預(yù)測掛果數(shù)的R2為0.676，調(diào)整R2為0.638，預(yù)測效果最好。

為了驗證模型預(yù)測精度，將驗證樣本代入估產(chǎn)模型，進行多元線性擬合運算，得到單株井岡蜜柚果樹掛果數(shù)的預(yù)測值。預(yù)測果樹掛果數(shù)范圍為20.89～31.53個，與實際掛果數(shù)的最大誤差絕對值為5.06個，最小誤差絕對值為0.02個。通過進一步的分析，將實際掛果數(shù)量與預(yù)測值經(jīng)線性擬合，兩者之間呈顯著的線性關(guān)系，詳見圖7。果樹預(yù)測掛果數(shù)量與實際掛果數(shù)量擬合值R2達(dá)0.839 5，RMSE為2.303個，具有很好的擬合效果。

3 討論

本文結(jié)合無人機遙感技術(shù)效率快、空間分辨率高、攜帶方便、操作簡單等特點，采集研究區(qū)果園無人機影像，結(jié)合輸出的數(shù)字DOM與DEM，研究井岡蜜柚果樹識別與計數(shù)的方法，識別精度為98.39%，誤差主要是1株果樹冠幅沒有在輸入冠幅范圍之內(nèi)，進而出現(xiàn)漏識別現(xiàn)象［8］。近年來，經(jīng)過諸多學(xué)者們的不斷探索，深度學(xué)習(xí)已廣泛應(yīng)用于智能農(nóng)業(yè)的病蟲害檢測［20， 21］、植物和水果識別［22］、農(nóng)作物及雜草檢測與分類［23］等智慧識別研究，識別精度高。下一步將運用深度學(xué)習(xí)算法、遙感技術(shù)、傳感器技術(shù)等方法，有效解決果樹漏識別問題，提高識別精度。

遙感植被指數(shù)是利用衛(wèi)星不同波段探測數(shù)據(jù)組合而成的，能反映植物生長狀況的指數(shù)［24， 25］。本研究選取4種植被指數(shù)進行井岡蜜柚果樹識別，經(jīng)閾值分割、目視解譯可知，NDI植被指數(shù)為最佳植被指數(shù)。而有研究表明GLI植被指數(shù)為最佳植被指數(shù)［8］，與本研究結(jié)果不一致。分析原因，選取的研究區(qū)果樹類型、地理位置、太陽高度角、大氣條件等存在較大差異，這些都將影響無人機影像的可見光反射率，進而影響植被指數(shù)結(jié)果［26］。

本研究基于無人機影像提取井岡蜜柚果樹冠幅與高度，構(gòu)建果樹冠幅、樹高與掛果數(shù)的估產(chǎn)模型，預(yù)測精度較高，但受試驗條件的限制，只隨機選取40株果樹進行實地信息采集，所選樣本數(shù)量較少，采用線性回歸方法構(gòu)建模型，屬于經(jīng)驗?zāi)Ｐ停者m性有待提高，且井岡蜜柚產(chǎn)量通常會受到土壤類型、肥沃程度、氣象因子、樹冠大小和果樹高度等復(fù)雜因素的影響［27-29］。因此下一步研究將增加樣本數(shù)，綜合考慮更多影響因素，構(gòu)建更加準(zhǔn)確的、普適性好的產(chǎn)量估算模型。

4 結(jié)論

1） 采用植被指數(shù)雙峰閾值法、目視解譯以及冠層信息對比的方法，篩選最佳識別植被指數(shù)。結(jié)果表明，NDI和GLI植被指數(shù)的直方圖呈明顯的雙峰分布，能夠有效區(qū)分植被區(qū)域和非植被區(qū)域，而NDI和GLI植被指數(shù)提取的果樹冠層對應(yīng)的像元數(shù)和目視解譯的果樹冠層對應(yīng)的像元數(shù)R2分別達(dá)0.949 2、0.914 7，RMSE分別為2 871個、3 699個，說明NDI植被指數(shù)為最佳識別植被指數(shù)。

2） 基于NDI植被指數(shù)，實現(xiàn)冠幅提取，再結(jié)合無人機影像生成的數(shù)字高程模型（DEM），提取果樹樹高。經(jīng)分析，提取的果樹東西冠幅R2達(dá)0.917 2，南北冠幅R2達(dá)0.823 6，冠幅均值R2達(dá)0.892 8，樹高R2達(dá)0.863 3，說明基于無人機影像的井岡蜜柚果樹信息提取效果較好。

3） 運用“冠幅、樹高及冠幅+樹高”三種模式，分析提取的果樹樹冠面積、高度與單株果樹掛果數(shù)量之間的關(guān)系，運用“冠幅+樹高”預(yù)測掛果數(shù)的R2為0.676，調(diào)整R2為0.638，預(yù)測效果最好。

參 考 文 獻

［1］ 宋彩英， 覃志豪. 吉安市井岡蜜柚產(chǎn)業(yè)發(fā)展研究［J］. 中國農(nóng)業(yè)資源與區(qū)劃， 2014， 35（5）： 113-116， 122.

Song Caiying， Qin Zhihao. Study on the development of Jinggang candied pomelo industry of Ji’an City ［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2014， 35（5）： 113-116， 122.

［2］ 江西省統(tǒng)計局. 江西統(tǒng)計年鑒［M］. 北京： 中國統(tǒng)計出版社， 2021.

［3］ Liang L， Luo X， Liu Z， et al. Habitat selection and prediction of the spatial distribution of the Chinese horseshoe bat （R. sinicus） in the Wuling Mountains ［J］. Environmental Monitoring and Assessment， 2019， 191： 1-15.

［4］ 王浩淼， 宋苗語， 李翔， 等. 無人機高光譜遙感監(jiān)測葡萄長勢與缺株定位［J］. 園藝學(xué)報， 2021， 48（8）： 1626-1634.

Wang Haomiao， Song Miaoyu， Li Xiang， et al. High efficient grapevine growth monitor and in-lane deficiency localization by UAV hyperspectral remote sensing ［J］. Acta Horticulturae Sinica， 2021， 48（8）： 1626-1634.

［5］ 孫逸飛， 柳平增， 張艷， 等. 基于Sentinel-2A遙感影像的濰坊市冬小麥種植面積提取研究［J］. 中國農(nóng)機化學(xué)報， 2022， 43（7）： 98-105.

Sun Yifei， Liu Pingzeng， Zhang Yan， et al. Research on extraction of winter wheat planting area in Weifang City based on Sentinel-2A remote sensing image ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 98-105.

［6］ Fletcher R S. Using vegetation indices as input into random forest for soybean and weed classification ［J］. American Journal of Plant Sciences， 2016， 7（15）： 2186-2198.

［7］ Luo X， Liang L， Liu Z， et al. Habitat suitability evaluation of the Chinese Horseshoe Bat （R. sinicus） in the Wuling mountain area based on MAXENT Modelling ［J］. Polish Journal of Environmental Studies， 2020， 29（2）.

［8］ 李福根， 段玉林， 史云， 等. 利用單次無人機影像的果樹精準(zhǔn)識別方法［J］. 中國農(nóng)業(yè)信息， 2019， 31（4）： 10-22.

Li Fugen， Duan Yulin， Shi Yun， et al. Accurate detection of fruit trees using a set of unmanned aerial vehicle（UAV）imageries ［J］. China Agricultural Informatics， 2019， 31（4）： 10-22.

［9］ Wan L， Li Y， Cen H， et al. Combining UAV-based vegetation indices and image classification to estimate flower number in oilseed rape ［J］. Remote Sensing， 2018， 10（9）： 1484.

［10］ 汪沛， 羅錫文， 周志艷， 等. 基于微小型無人機的遙感信息獲取關(guān)鍵技術(shù)綜述［J］. 農(nóng)業(yè)工程學(xué)報， 2014， 30（18）： 1-12.

Wang Pei， Luo Xiwen， Zhou Zhiyan， et al. Key technology for remote sensing information acquisition based on micro UAV ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（18）： 1-12.

［11］ Wu J T， Yang G J， Han L， et al. Automatic counting of in situ rice seedlings from UAV images based on a deep fully convolutional neural network ［J］. Remote Sensing， 2019， 11（6）： 691.

［12］ 束美艷， 李世林， 魏家璽， 等. 基于無人機平臺的柑橘樹冠信息提取［J］. 農(nóng)業(yè)工程學(xué)報， 2021， 37（1）： 68-76.

Shu Meiyan， Li Shilin， Wei Jiaxi， et al. Extraction of citrus crown parameters using UAV platform ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（1）： 68-76.

［13］ Panu S， Preesan R. Oil palm tree detection with high resolution multi-spectral satellite imagery ［J］. Remote Sensing， 2014， 6（10）： 9749-9774.

［14］ 江洪， 汪小欽， 吳波， 等. 地形調(diào)節(jié)植被指數(shù)構(gòu)建及在植被覆蓋度遙感監(jiān)測中的應(yīng)用［J］. 福州大學(xué)學(xué)報（自然科學(xué)版）， 2010， 38（4）： 527-532.

Jiang Hong， Wang Xiaoqin， Wu Bo， et al. A topography-adjusted vegetation index （TAVI） and its application in vegetation fraction monitoring ［J］. Journal of Fuzhou University （Natural Science）， 2010， 38（4）： 527-532.

［15］ Victoria G D， Pilar H， Ignacio S， et al. Using high-resolution hyperspectral and thermal airborne imagery to assess physiological condition in the context of wheat phenotyping ［J］. Remote Sensing， 2015， 7（10）： 13586-13605.

［16］ Shah S H， Angel Y， Houborg R， et al. A random forest machine learning approach for the retrieval of leaf chlorophyll content in wheat ［J］. Remote Sensing， 2019， 11（8）： 920.

［17］ Woebbecke D M， Meyer G E， Von Bargen K， et al. Plant species identification， size， and enumeration using machine vision techniques on near-binary images ［C］. Optics in Agriculture and Forestry， SPIE， 1993， 1836： 208-219.

［18］ Louhaichi M， Borman M M， Johnson D E. Spatially located platform and aerial photography for documentation of grazing impacts on wheat ［J］. Geocarto International， 2001， 16（1）： 65-70.

［19］ Gitelson A A， Zur Y， Chivkunova O B， et al. Assessing carotenoid content in plant leaves with reflectance spectroscopy ［J］. Photochemistry and Photobiology， 2002， 75（3）： 272-281.

［20］ 譚文學(xué)， 趙春江， 吳華瑞， 等. 基于彈性動量深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的果體病理圖像識別［J］. 農(nóng)業(yè)機械學(xué)報， 2015， 46（1）： 20-25.

Tan Wenxue， Zhao Chunjiang， Wu Huarui， et al. A deep learning network for recognizing fruit pathologic images based on flexible momentum ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（1）： 20-25.

［21］ 孫鈺， 周焱， 袁明帥， 等. 基于深度學(xué)習(xí)的森林蟲害無人機實時監(jiān)測方法［J］. 農(nóng)業(yè)工程學(xué)報， 2018， 34（21）：74-81.

Sun Yu， Zhou Yan， Yuan Mingshuai， et al. UAV real-time monitoring for forest pest based on deep learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（21）： 74-81.

［22］ 沈萍， 趙備. 基于深度學(xué)習(xí)模型的花卉種類識別［J］. 科技通報， 2017， 33（3）： 115-119.

Shen Ping， Zhao Bei. Automatic classification of flowers based on deep learning model ［J］. Bulletin of Science and Technology， 2017， 33（3）： 115-119.

［23］ 王術(shù)波， 韓宇， 陳建， 等. 基于深度學(xué)習(xí)的無人機遙感生態(tài)灌區(qū)雜草分類［J］. 排灌機械工程學(xué)報， 2018， 36（11）： 1137-1141.

Wang Shubo， Han Yu， Chen Jian， et al. Weed classification of remote sensing by UAV in ecological irrigation areas based on deep learning ［J］. Journal of Drainage and Irrigation Machinery Engineering， 2018， 36（11）： 1137-1141.

［24］ Houborg R， McCabe M F. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 135： 173-188.

［25］ Liang L， Sun Q， Luo X， et al. Long-term spatial and temporal variations of vegetative drought based on vegetation condition index in China ［J］. Ecosphere， 2020， 8（8）： e01919.

［26］ Shao G， Tang L， Liao J. Overselling overall map accuracy misinforms about research reliability ［J］. Landscape Ecology， 2019， 34： 2487-2492.

［27］ 劉云萌， 劉云霞， 曾廣旭， 等. 基于GIS的吉安地區(qū)井岡蜜柚特色果業(yè)種植氣候區(qū)劃［J］. 江西農(nóng)業(yè)學(xué)報， 2015， 27（6）： 130-133.

Liu Yunmeng， Liu Yunxia， Zeng Guangxu， et al. Climatic regionalization of Jinggang pomelo planting in Ji’an area based on GIS ［J］. Acta Agriculturae Jiangxi， 2015， 27（6）： 130-133.

［28］ 萬祖毅. 基于無人機遙感的柑橘果樹信息提取及應(yīng)用研究［D］. 重慶： 西南大學(xué)， 2020.

Wan Zuyi. Extraction and application of citrus fruit tree information based on UAV remote sensing ［D］. Chongqing： Southwest University， 2020.

［29］ 吳強建， 肖委明， 趙曉東， 等. 江西井岡蜜柚種植區(qū)果園土壤肥力現(xiàn)狀及區(qū)域分布特征［J］. 農(nóng)業(yè)資源與環(huán)境學(xué)報， 2022（5）： 1025-1032.

Wu Qiangjian， Xiao Weiming， Zhao Xiaodong， et al. Status， spatial distribution， and fertility of soil in pomelo orchards in Jinggang， Jiangxi Province ［J］. Journal of Agricultural Resources and Environment， 2022（5）： 1025-1032.