基于無人機(jī)多光譜影像的冬小麥SPAD值和氮素值估測研究

摘要：

為探究無人機(jī)多光譜反演冬小麥SPAD值和氮素值含量的模型估算潛力，采用大疆精靈4多光譜版一體化無人機(jī)獲得冬小麥返青期與拔節(jié)期30m和60m兩個(gè)高度下的多光譜影像。利用ENVI和ArcGIS軟件對圖像進(jìn)行分析處理，與地面采集的葉綠素含量和氮含量進(jìn)行回歸分析。采用線性、非線性、二元、逐步回歸、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林回歸的方法對植被指數(shù)與SPAD值、氮含量建立擬合模型以對葉綠素含量和氮含量進(jìn)行估測，綜合比較返青期與拔節(jié)期的數(shù)據(jù)。研究表明，拔節(jié)期數(shù)據(jù)擬合精度明顯高于返青期，30m高度下的植被指數(shù)與SPAD值和氮含量通過線性與非線性方法獲得的模型擬合精度優(yōu)于60m，最優(yōu)模型的決定系數(shù)R²分別為0.825和0.813。60m高度下，二元回歸分析、逐步回歸分析、BP神經(jīng)網(wǎng)絡(luò)以及隨機(jī)森林回歸模型中的擬合精度均優(yōu)于30m，對應(yīng)兩個(gè)生長時(shí)期的最優(yōu)模型決定系數(shù)R²分別為0.882和0.852、0.891和0.895、0.952和0.949、0.924和0.946。

關(guān)鍵詞：冬小麥；氮含量；無人機(jī)；SPAD值；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：S226.5

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號：2095-5553 （2025） 01-0144-07

Estimation of SPAD and nitrogen values of winter wheat based on unmanned

aerial vehicle multispectral images

Liu Bingjie， Yuan Donghao， Ding Li， Li Yuqi， Xu Yigao， Wang Wanzhang

（Henan Agricultural University， Zhengzhou， 450053， China）

Abstract：

In order to explore the model estimation potential of unmanned aerial vehicle （UAV） multispectral inversion of winter wheat SPAD value and nitrogen value content， multispectral images of winter wheat at 30m and 60m height were obtained by DJI Phantom4-M multispectral version. ENVI and ArcGIS software were used to analyze and process the images， and regression analysis was carried out with the chlorophyll content and nitrogen content collected on the ground. In this paper， linear， nonlinear， binary， stepwise regression， BP neural network and random forest regression methods were used to establish a fitting model for vegetation index， SPAD value and nitrogen content to estimate chlorophyll content and nitrogen content， and comprehensively compare the data of greening stage and jointing stage. The results showed that the fitting accuracy of the data in the knotting stage was significantly higher than that in the greening stage. The fitting accuracy of the vegetation index， SPAD value and nitrogen content obtained by linear and nonlinear methods at 30m height was better than that of the model at 60m， and the determination coefficients of the optimal model R²"were 0.825 and 0.813， respectively. At the height of 60m， the fitting accuracy of binary regression analysis， stepwise regression analysis， BP neural network and random forest regression model was better than 30m. The optimal model determination coefficients R²"corresponding to the two growth periods were 0.882 and 0.852， 0.891 and 0.895， 0.952 and 0.949， 0.924 and 0.946， respectively.

Keywords：

winter wheat; nitrogen content; unmanned aerial vehicle （UAV）; SPAD value; BP neural network

0"引言

葉綠素是植物制造有機(jī)物質(zhì)，進(jìn)行光合作用必不可少的成分，氮素也對植物的生長起著十分重要的作用，因此，研究葉綠素、氮含量對冬小麥生產(chǎn)具有重要指導(dǎo)意義。近年來，無人機(jī)遙感技術(shù)的發(fā)展逐步推動(dòng)農(nóng)業(yè)研究更加高效便利，無人機(jī)搭配可見光與多光譜相機(jī)，對數(shù)據(jù)進(jìn)行高效采集，在短時(shí)間內(nèi)獲取田間信息，將其與農(nóng)藝參數(shù)相結(jié)合，建立反演建型，對田間作物的類型、農(nóng)藝參數(shù)的估計(jì)以及冬小麥的生長和葉綠素營養(yǎng)狀況的診斷與監(jiān)測具有重要的指導(dǎo)意義。

返青期和拔節(jié)期是小麥生長的關(guān)鍵時(shí)期，研究冬小麥葉綠素含量、氮含量與所采集數(shù)據(jù)之間的相關(guān)性，可以精確判斷小麥?zhǔn)┓是闆r與生長狀況。國內(nèi)外學(xué)者對此做了大量研究，日本^［1］利用無人機(jī)搭載商用數(shù)碼相機(jī)對大麥葉片的SPAD值進(jìn)行估算，選取了4個(gè)生長階段和兩個(gè)飛行高度估測SPAD值，并取得較好反演效果；德國^［2］利用無人機(jī)高光譜相機(jī)生成高光譜圖像，提出建立偏最小二乘回歸模型，用于小麥的葉面積指數(shù)LAI和SPAD值的估計(jì)，同時(shí)預(yù)估小麥的產(chǎn)量并得到驗(yàn)證；美國^［3］利用對近紅外敏感的RGB相機(jī)和機(jī)器學(xué)習(xí)的方法對玉米作物的NDVI（歸一化植被指數(shù)）進(jìn)行精確估計(jì)。劉昌華等^［4］利用八旋翼無人機(jī)搭載Mini-MCA多光譜相機(jī)獲取冬小麥4個(gè)時(shí)期（返青期、拔節(jié)期、孕穗期、揚(yáng)花期）的多光譜數(shù)據(jù)，根據(jù)各關(guān)鍵生育期與全生育期分別構(gòu)建植被指數(shù)與農(nóng)學(xué)參數(shù)回歸分析模型，評估基于無人機(jī)遙感影像的冬小麥氮素營養(yǎng)診斷的潛力。董超等^［5］利用無人機(jī)搭載Sequoia多光譜傳感器，采集試驗(yàn)區(qū)不同氮素施肥水平的冬小麥返青初期多光譜影像，同時(shí)測得冬小麥冠層葉綠素含量（SPAD）數(shù)據(jù)及產(chǎn)量數(shù)據(jù)，結(jié)果構(gòu)建的氮肥變量圖與實(shí)際數(shù)據(jù)有較高的一致性。劉濤等^［6］采用大疆精靈4多光譜版一體化無人機(jī)（Phantom4-M，P4M）獲取小麥冠層多光譜影像數(shù)據(jù)，在不同飛行高度（30m、60m、120m）下進(jìn)行研究，得到60m高度下的光譜系數(shù)與植被指數(shù)相關(guān)性最高。然而，當(dāng)前研究中多集中于SPAD值與植被指數(shù)的結(jié)合，在針對灌溉施肥關(guān)鍵時(shí)期的返青期研究較少。

本文采用無人機(jī)30m和60m兩個(gè)飛行高度對返青期和拔節(jié)期的小麥進(jìn)行研究對比，基于兩個(gè)不同飛行高度和兩個(gè)生育期獲得的數(shù)據(jù)，通過多種不同的回歸方法來分析植被指數(shù)與SPAD值、氮含量之間的相關(guān)性，建立反演模型估測小麥葉綠素和氮素含量，為監(jiān)測小麥長勢以及農(nóng)業(yè)管理做好準(zhǔn)備。

1"數(shù)據(jù)獲取

1.1"試驗(yàn)區(qū)與試驗(yàn)設(shè)計(jì)

無人機(jī)多光譜數(shù)據(jù)采集地點(diǎn)位于河南省鄭州市中牟縣劉集鎮(zhèn)（113°55′E，34°7′N），劉集鎮(zhèn)北依黃河，南臨縣城新區(qū)，地勢平坦，土地肥沃，有“小江南”之稱，全年日照充足，降雨量適中。

無人機(jī)航向由西向東，“Z”型移動(dòng)拍攝。數(shù)據(jù)獲取時(shí)間為2023年3月5日13點(diǎn)（返青期）和2023年3月29日13點(diǎn)（拔節(jié)期）。飛行時(shí)，天氣晴朗，風(fēng)力較小，采用大疆精靈4多光譜版無人機(jī)（圖1）獲取小麥冠層多光譜影像數(shù)據(jù)。此設(shè)備有一個(gè)可見光通道和5個(gè)多光譜通道（藍(lán)、綠、紅、紅邊、近紅外），風(fēng)力對其影響較小，能穩(wěn)定保持在設(shè)定高度，飛行器起飛重量1380g，最大上升速度6m/s，最大水平飛行速度20m/s，飛行續(xù)航28min，電池容量5 350mAh，每張照片像素在兩百萬以上。無人機(jī)可以自動(dòng)根據(jù)地理位置和時(shí)間感知太陽夾角進(jìn)行影像補(bǔ)償。在地面布置5個(gè)像控點(diǎn)，利用無人機(jī)航路規(guī)劃系統(tǒng)規(guī)劃預(yù)期航線，設(shè)置飛行高度30m和60m。

兩個(gè)高度下拍攝的影像數(shù)分別為1 596張和456張，使用Pix4D mapper軟件將圖片拼接，得到兩個(gè)高度下的可見光圖片和每個(gè)高度下的5張多光譜通道（B、G、R、RE、NIR）的影像，將圖片和影像導(dǎo)入ENVI中進(jìn)行數(shù)據(jù)波段計(jì)算和數(shù)據(jù)分析。將多光譜通道下的紅光（R），綠光（G），近紅外（NIR）經(jīng)過歸一化處理后的影像波段分別記為s1、s2、s3。五種植被指數(shù)計(jì)算公式如表1所示。

無人機(jī)數(shù)據(jù)采集后，在地面的5個(gè)像控點(diǎn)處使用北斗/GNSS接收器在其中心處打點(diǎn)，便于后續(xù)明確導(dǎo)入地理數(shù)據(jù)信息與實(shí)際之間是否存在偏差，以及后續(xù)對地理位置的校正提供依據(jù)。在田地間劃分區(qū)域采用“Z”字形順序打點(diǎn)，每個(gè)點(diǎn)周圍用葉綠素測定儀進(jìn)行5次測量，并保證打點(diǎn)和測量點(diǎn)分布相對均勻。最后導(dǎo)出打點(diǎn)器以及葉綠素和氮含量測量儀測得的數(shù)據(jù)，將每個(gè)點(diǎn)處的5次測量值取平均值，作為打點(diǎn)位置的葉綠素含量。打點(diǎn)位置如圖2所示，冬小麥數(shù)據(jù)統(tǒng)計(jì)特征如表2所示。

1.2"影像構(gòu)建與光譜指數(shù)選擇

將Pix4D合成的影像導(dǎo)入ENVI5.3，按照表3進(jìn)行波段運(yùn)算和歸一化處理，合成過程影像如圖3所示。

將處理過的數(shù)據(jù)影像導(dǎo)入ArcGIS中，再將打點(diǎn)器上記錄的數(shù)據(jù)導(dǎo)入后，添加X、Y所對應(yīng)的地理位置信息，在圖像上顯示出打點(diǎn)位置，將數(shù)據(jù)提取至點(diǎn)，導(dǎo)出每個(gè)點(diǎn)對應(yīng)的植被指數(shù)。將采集的葉綠素、氮含量數(shù)據(jù)與導(dǎo)出點(diǎn)的植被指數(shù)一一對應(yīng)。篩選出植被指數(shù)與葉綠素含量、氮含量擬合程度較高的幾個(gè)植被指數(shù)（NDVI、DVI、RVI、OSAVI、SAVI）。以返青期為例詳細(xì)分析每種回歸分析所得的數(shù)據(jù)模型。

2"結(jié)果與分析

2.1"線性與非線性回歸分析

對數(shù)據(jù)采用不同的擬合方式進(jìn)行分析，以提取的植被指數(shù)作為自變量，SPAD值和氮素值作為因變量。決定系數(shù)R²越大，均方根誤差RMSE越小，則其擬合相關(guān)性越高，對于數(shù)據(jù)的預(yù)測準(zhǔn)確性也就越高，反之則相關(guān)性低，精確度低。數(shù)據(jù)分析結(jié)合圖像，采用線性和非線性，其中非線性包括指數(shù)、多項(xiàng)式、對數(shù)、乘冪，得到植被指數(shù)所關(guān)聯(lián)最高的R²的方程式如表4、表5所示。

從表4和圖4可以看出，多光譜植被指數(shù)與SPAD值的線性與非線性回歸分析中，不同的植被指數(shù)決定系數(shù)R²分布在0.7左右的占比較大，其中擬合程度最高的模型R²為0.735 0，RMSE為1.303。從表4和圖5可以看出，多光譜植被指數(shù)與氮含量的回歸分析中，不同的植被指數(shù)決定系數(shù)R²分布在0.6～0.7左右的較多，其中擬合程度最高的模型R²為0.736 7，RMSE為0.030 9，以R²作為評估標(biāo)準(zhǔn)選出最穩(wěn)定且精度最高的模型。線性與非線性回歸分析建模速度較快，計(jì)算簡便，但具有一定的局限性。

2.2"二元回歸分析

取30m高度下R²＞0.7的植被指數(shù)和60m高度下R²＞0.6的植被指數(shù)分別進(jìn)行二元回歸分析。對兩個(gè)高度下NDVI和RVI，NDVI和OSAVI，NDVI和SAVI，RVI和OSAVI，RVI和SAVI，OSAVI和SAVI，分別與SPAD值、氮含量進(jìn)行回歸分析得到?jīng)Q定系數(shù)R²，結(jié)果如表6所示。

2.3"逐步回歸分析

基于逐步回歸分析方法旨在從幾個(gè)變量中建立“最優(yōu)”的多元回歸方程，采用依次增加輸入變量的方法探究植被指數(shù)分別與SPAD值和氮含量估測值之間的最優(yōu)回歸。將R²＞0.7的植被指數(shù)（NDVI、RVI、OSAVI、SAVI）作為輸入變量逐步分別對SPAD值和氮含量進(jìn)行回歸分析，擬合回歸的決定系數(shù)如表7所示。

對比得到60m高度下以NDVI、RVI、OSAVI、SAVI這4個(gè)為輸入變量時(shí)，決定系數(shù)最大。逐步回歸分析估測值與實(shí)測值擬合模型如圖6、圖7所示。

2.4"BP神經(jīng)網(wǎng)絡(luò)的回歸

基于BP神經(jīng)網(wǎng)絡(luò)的回歸分析，網(wǎng)絡(luò)實(shí)質(zhì)上完成從輸入到輸出的映射功能，數(shù)學(xué)理論證明其有實(shí)現(xiàn)復(fù)雜非線性映射的功能，使得這種方法非常適用于求解內(nèi)部機(jī)制十分復(fù)雜的問題，并且神經(jīng)網(wǎng)絡(luò)具有一定的推廣和概括的能力，可以處理高維數(shù)據(jù)，并且自適應(yīng)能力強(qiáng)，還有較強(qiáng)的學(xué)習(xí)能力，計(jì)算能力也很強(qiáng)大^［１４］。BP神經(jīng)網(wǎng)絡(luò)為一種多層的神經(jīng)網(wǎng)絡(luò)，因采用BP算法，所以被稱為BP神經(jīng)網(wǎng)絡(luò)，主要用于模式識(shí)別、分類、函數(shù)逼近、數(shù)據(jù)壓縮等^［１5］。

將植被指數(shù)數(shù)據(jù)和SPAD值與氮含量導(dǎo)入到MATLAB中，利用BP算法編程分別對SPAD值和氮含量進(jìn)行估測，將多光譜植被指數(shù)（NDVI、RVI、OSAVI、SAVI）分別與SPAD值、氮含量作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量，構(gòu)建分別關(guān)于SPAD值和氮含量的BP神經(jīng)網(wǎng)絡(luò)回歸分析模型，并且分析計(jì)算出模型的決定系數(shù)R^2［16］。將前20行作為訓(xùn)練測試，對數(shù)據(jù)構(gòu)建模型分析，輸入數(shù)據(jù)后得到結(jié)果：在30m高度下，植被指數(shù)與SPAD值和氮含量之間的決定系數(shù)R²分別為0.907 5和0.907 7，RMSE分別為2.235 6和0.499 8，60m高度下的決定系數(shù)R²分別為0.923 8和0.931 6，RMSE分別為1.845 6和0.738 8。60m高度下的植被指數(shù)與氮含量之間的擬合程度更高。

2.5"基于隨機(jī)森林回歸分析

隨機(jī)森林（Random Forest）可以同時(shí)訓(xùn)練多棵決策樹模型，然后將得到的結(jié)果結(jié)合在一起就得到最終的結(jié)果^［17］。隨機(jī)森林方法可以用于分裂和回歸。主要區(qū)別取決于對決策樹類型的選取，根據(jù)具體的數(shù)據(jù)模式選擇適用其類別的決策樹模型。隨機(jī)森林優(yōu)點(diǎn)在于數(shù)據(jù)集上表現(xiàn)較好，通過兩個(gè)隨機(jī)性的引入，降低隨機(jī)森林陷入過擬合的概率，但是對于較小的數(shù)據(jù)集也是有可能過擬合，因此還是需要注意。兩個(gè)隨機(jī)性的引入，賦予隨機(jī)森林較好的抗噪能力，使隨機(jī)森林模型能夠處理較高維的數(shù)據(jù)類型，而且不用進(jìn)行特征選擇，對于數(shù)據(jù)集的適應(yīng)能力也比較強(qiáng)^［18］。既可以處理離散性的數(shù)據(jù)，也可以處理連續(xù)型的數(shù)據(jù)，并且數(shù)據(jù)集不需要進(jìn)行規(guī)范化，最重要是其訓(xùn)練速度快，實(shí)現(xiàn)簡便。

將數(shù)據(jù)導(dǎo)入MATLAB中，按照代碼進(jìn)行模型構(gòu)建以及數(shù)據(jù)的分析和預(yù)測^{［19， 20］}。將多光譜植被指數(shù)（NDVI、RVI、OSAVI、SAVI）分別與SPAD值和氮含量作為隨機(jī)森林模型的輸入變量，構(gòu)建分別關(guān)于SPAD值和氮含量的隨機(jī)森林回歸分析模型，并且分析計(jì)算出模型的R²。

將數(shù)據(jù)全部打亂順序，前20行作為訓(xùn)練集，構(gòu)建數(shù)據(jù)模型分析，輸入數(shù)據(jù)得到結(jié)果在30m高度下，植被指數(shù)與SPAD值和氮含量之間的決定系數(shù)R²分別為0.875 6和0.854 9，RMSE分別為2.365 6和2.443 8，60m高度下的決定系數(shù)R²分別為0.883 8和0.872 6，RMSE分別為2.845 4和2.921 3。60m高度下的植被指數(shù)與SPAD值和氮含量之間的擬合程度更高。BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林?jǐn)?shù)據(jù)整合如圖8所示。

2.6"返青期與拔節(jié)期回歸數(shù)據(jù)整合

對拔節(jié)期的數(shù)據(jù)同樣以線性，非線性，二元，多元回歸，以及BP神經(jīng)網(wǎng)絡(luò)，隨機(jī)森林回歸方法進(jìn)行分析，結(jié)果如表8所示。可以得出拔節(jié)期數(shù)據(jù)相對于返青期，模型決定系數(shù)更高，對于SPAD值和氮含量的估測也更具有可靠性。

3"討論

基于無人機(jī)多光譜遙感技術(shù)提取冬小麥植被指數(shù)，進(jìn)行回歸分析，對冬小麥返青期和拔節(jié)期兩個(gè)生長時(shí)期的SPAD值和氮含量進(jìn)行估測。其中線性與非線性回歸分析中，拔節(jié)期30m高度下植被指數(shù)NDVI和RVI與SPAD值和氮含量具有較高的相關(guān)性，估算模型決定系數(shù)R²分別為0.825和0.813（前者為SPAD，后者為氮含量，以下相同）。二元回歸中拔節(jié)期60m高度下以NDVI和OSAVI為輸入變量的模型決定系數(shù)R²分別為0.882和0.852，具有較高的模型精度。拔節(jié)期逐步回歸分析中，60m高度下以NDVI、RVI、OSAVI、SAVI四個(gè)植被指數(shù)為輸入變量時(shí)模型精度最高，R²分別為0.891和0.895。拔節(jié)期采用BP神經(jīng)網(wǎng)絡(luò)對SPAD值和氮含量進(jìn)行回歸分析時(shí)60m高度下的模型決定系數(shù)R²分別為0.952和0.949。拔節(jié)期利用隨機(jī)森林進(jìn)行回歸分析，60m高度下植被指數(shù)與SPAD值之間的決定系數(shù)R²為0.924，60m高度下植被指數(shù)與氮含量之間的決定系數(shù)R²為0.946。對比表8可知，返青期的數(shù)據(jù)回歸模型擬合程度總體上較拔節(jié)期低。

4"結(jié)論

1） "返青期與拔節(jié)期兩個(gè)時(shí)期對于SPAD值和氮含量，通過二元回歸分析，逐步回歸分析，BP神經(jīng)網(wǎng)絡(luò)以及隨機(jī)森林回歸模型分析，均得到60m高度下的決定系數(shù)大于30m高度下的決定系數(shù)。總體上，60m高度下的回歸擬合精度較高。

2） "二元回歸分析，逐步回歸分析，BP神經(jīng)網(wǎng)絡(luò)以及隨機(jī)森林回歸模型中擬合精度最高的模型是60m高度下通過BP神經(jīng)網(wǎng)絡(luò)算法獲得的。

3） "拔節(jié)期數(shù)據(jù)擬合精度明顯高于返青期，30m高度下的植被指數(shù)與SPAD值和氮含量通過線性與非線性方法獲得的模型擬合精度優(yōu)于60m，最優(yōu)模型的決定系數(shù)R²分別為0.825和0.813。60m高度下，二元回歸分析、逐步回歸分析、BP神經(jīng)網(wǎng)絡(luò)以及隨機(jī)森林回歸模型中的擬合精度均優(yōu)于30m，拔節(jié)期數(shù)據(jù)回歸擬合程度好于返青期。

參"考"文"獻(xiàn)

［1］

Liu Y， Hatou K， Aihara T， et al. A robust vegetation index based on different UAV RGB images to estimate SPAD values of naked barley leaves ［J］. Remote Sensing， 2021， 13（4）： 686.

［2］

Kanning M， Kühling I， Trautz D， et al. High-resolution UAV-based hyperspectral imagery for LAI and chlorophyll estimations from wheat for yield prediction ［J］. Remote Sensing， 2018， 10（12）： 2000.

［3］

Wang L， Duan Y， Zhang L， et al. Precise estimation of NDVI with a simple NIR sensitive RGB camera and machine learning methods for corn plants ［J］. Sensors， 2020， 20（11）： 3208.

［4］

劉昌華， 王哲， 陳志超， 等. 基于無人機(jī)遙感影像的冬小麥氮素監(jiān)測［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（6）： 207-214.

Liu Changhua， Wang Zhe， Chen Zhichao， et al. Nitrogen monitoring of winter wheat based on unmanned aerial vehicle remote sensing image ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（6）： 207-214.

［5］

董超， 趙庚星， 宿寶巍， 等. 基于無人機(jī)多光譜影像的冬小麥返青期變量施氮決策模型研究［J］. 光譜學(xué)與光譜分析， 2019， 39（11）： 3599-3605.

Dong Chao， Zhao Gengxing， Su Baowei， et al. Decision model of variable nitrogen fertilizer in winter wheat returning green stage based on UAV multi-spectral images ［J］. Spectroscopy and Spectral Analysis， 2019， 39（11）： 3599-3605.

［6］

劉濤， 張寰， 王志業(yè)， 等. 利用無人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（19）： 65-72.

Liu Tao， Zhang Huan， Wang Zhiye， et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 65-72.

［7］

Rouse J W. Monitoring the vernal advancement of retrogradation （green wave effect） of natural vegetation ［J］. Nasa/gsfc Type Iii. final Report. greenbelt Md， 1974.

［8］

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

［9］

Jordan C F. Derivation of leaf-area index from quality of light on the forest floor ［J］. Ecology， 1969， 50（4）： 663-666.

［10］

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

［11］

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

［12］

牛慶林， 馮海寬， 周新國， 等. 冬小麥SPAD值無人機(jī)可見光和多光譜植被指數(shù)結(jié)合估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（8）： 183-194.

Niu Qinglin， Feng Haikuan， Zhou Xinguo， et al. Combining UAV visible light and multispectral vegetation indices for estimating SPAD value of winter wheat ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（8）： 183-194.

［13］

Broge N H， Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area indexand canopy chlorophyll density ［J］. Remote Sensing of Environment， 2001， 76（2）： 156-172.

［14］

徐云飛， 程琦， 魏祥平， 等. 變異系數(shù)法結(jié)合優(yōu)化神經(jīng)網(wǎng)絡(luò)的無人機(jī)冬小麥長勢監(jiān)測［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（20）： 71-80.

Xu Yunfei， Cheng Qi， Wei Xiangping， et al. Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（20）： 71-80.

［15］

周敏姑， 邵國敏， 張立元， 等. 無人機(jī)多光譜遙感反演冬小麥SPAD值［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（20）： 125-133.

Zhou Mingu， Shao Guomin， Zhang Liyuan， et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（20）： 125-133.

［16］

李冰， 劉镕源， 劉素紅， 等. 基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（13）： 160-165.

Li Bing， Liu Rongyuan， Liu Suhong， et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（13）： 160-165.

［17］

郭偉， 朱耀輝， 王慧芳， 等. 基于無人機(jī)高光譜影像的冬小麥全蝕病監(jiān)測模型研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（9）： 162-169.

Guo Wei， Zhu Yaohui， Wang Huifang， et al. Monitoring model of winter wheat take-all based on UAV hyperspectral imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（9）： 162-169.

［18］

鄧尚奇， 趙鈺， 白雪源， 等. 基于無人機(jī)圖像分割的冬小麥葉綠素與葉面積指數(shù)反演［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（3）： 136-145.

Deng Shangqi， Zhao Yu， Bai Xueyuan， et al. Inversion of chlorophyll and leaf area index for winter wheat based on UAV image segmentation ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（3）： 136-145.

［19］

Jin X， Zarco-Tejada P J， Schmidhalter U， et al. High-throughput estimation of crop traits： A review of ground and aerial phenoty^**"platforms ［J］. IEEE Geoscience and Remote Sensing Magazine， 2020， 9（1）： 200-231.

［20］

劉帥兵， 楊貴軍， 景海濤， 等. 基于無人機(jī)數(shù)碼影像的冬小麥氮含量反演［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（11）： 75-85.

Liu Shuaibing， Yang Guijun， Jing Haitao， et al. Retrieval of winter wheat nitrogen content based on UAV digital image ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（11）： 75-85.