基于冠层高光谱遥感对加工番茄产量的估算模型

合集下载

基于无人机遥感的作物表型参数获取和应用研究进展

㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种图－谱融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。

基于番茄生长发育模拟模型论文

基于番茄生长发育模拟模型的研究[摘要]自20世纪60年代开始农业模拟模型研究以来，经历40多年的迅速发展，该领域的研究成果已是非常之多。

本文对近年来国内外就番茄生长发育模拟模型的研究进行概况，为番茄模拟研究提供参考。

[关键词]番茄模拟模型概况中图分类号：tv149 文献标识码：a 文章编号：1009-914x（2013）04-0300-01番茄在我国各地普遍栽培，但生产上主要还是凭经验管理。

目前国外已经发展和建立了温室内环境控制模型和许多作物的生长模型，特别是在番茄作物上。

这些模型总结了人类对作物行为的了解和作物对其生长环境的要求，并且已经广泛应用于温室生产方面。

目前绝大多数温室缺乏系统的环境监测和环境调控设备，难以开展作物生长发育模拟模型的研究，因此温室内作物配套栽培技术往往缺乏量化科学管理指标[1]。

北方日光温室不同于大型现代化温室，设施的调控能力还很差，因此只能借鉴国外已有的技术和模型，研究与我国北方日光温室气候相适应的番茄生长模拟模型。

根据统计资料显示，在作物模型的研究中有关园艺作物模型的研究仅占5 %左右，但随着对作物生长发育机理和模拟技术研究的不断深入以及现代设施园艺的发展，园艺作物的模拟研究得到逐步重视并取得重要进展，促进了整个作物模型研究的理论与技术发展，且丰富了作物模型研究的内涵。

对于园艺作物模型，荷兰依旧保持着研究领域的领先地位，比较有代表性的成果是与以色列等国合作开发的hortistm （horticultural simulator，园艺模拟器），以及与以色列、美国等共同研制开发的温室番茄生长发育模拟模型tomgro等[3]。

hortisim本质上是一个综合的通用模拟模型系统，通过一系列的研究和技术集成，以建立通用模拟工具为导向，实现对番茄、黄瓜、甜椒等多种园艺作物生产发育过程的模拟。

目前该系统己在荷兰和以色列等国家进行了大量的实验验证，但其瓶颈是没有实现交互性友好、操作管理方便的用户界面，这在很大程度上制约了模型与模拟系统的实用化发展。

基于地面高光谱遥感的大豆产量估算模型研究

基于地面高光谱遥感的大豆产量估算模型研究唐子竣;张威;黄向阳;向友珍;张富仓;陈俊英【期刊名称】《农业机械学报》【年(卷),期】2024(55)1【摘要】为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数:比值指数(Ratio index, RI)、差值指数(Difference index, DI)、归一化光谱指数(Normalized difference vegetation index, NDVI)、土壤调整光谱指数(Soil-adjusted iegetation index, SAVI)、三角光谱指数(Triangular vegetation index, TVI)、改进红边归一光谱指数(Modified normalized difference index, mNDI)和改进红边比值光谱指数(Modified simple ratio, mSR),使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)构建大豆产量估算模型并进行验证。

结果表明,各生育期(全花期(R2)、全荚期(R4)和鼓粒期(R6))计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80 kg/hm^(2)和5.12%。

基于高光谱成像技术的生菜冠层含水率检测

农业机械学报第52卷第2期2021年2月doi:10.6041/j.issn.1000-1298.2021.02.019基于高光谱成像技术的生菜冠层含水率检测李红张凯陈超张志洋刘振鹏(江苏大学流体机械工程技术研究中心，镇江212013)摘要：为实现作物含水率的无损检测，以6种水分胁迫水平的生菜为研究对象，利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。

采用掩模法去除高光谱图像的背景噪声，并对生菜冠层光谱图像进行光强校正。

利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声，采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量，结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量，对数据进行降维处理，采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。

经对比发现，全光谱中存在很多冗余信息变量和无关变量，采用全光谱建立的PLS模型复杂度最高，且预测能力最差；以MCUVE LASSO SPA筛选变量后的PLS模型效果最优，其中建模集相关系数R c和预测集相关系数R”分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。

择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率，生成可视化分布图，实现了生菜冠层叶片干基含水率可视化检测。

本研究可为生菜冠层含水率快速无损检测提供参考。

关键词：生菜；含水率；高光谱成像；无损检测；光强校正；特征选择中图分类号：S636.2；TP391.41文献标识码：A文章编号：1000-1298(2021)02_0211_07OSID：Detection of Moisture Content in Lettuce Canopy Based onHyperspectral Imaging TechniqueLI Hong ZHANG Kai CHEN Chao ZHANG Zhiyang LIU Zhenpeng (Research Center f Fluid Machinery Engineering and Technology,Jiangsu University,Zhenjiang212013,China) Abstract:In order to realize the non-destructive testing of crop moisture content，taking lettuces of six water stress levels as experimental objects，the canopy moisture content of lettuce was detected and studied by using hyperspectral imaging technology and characteristic band selection method.Firstly，by analyzing the spectral reflectance of the canopy leaves and the background area，there were significant differences in spectral reflectance at810.0nm and710.7nm wavelengths，respectively.Therefore，the images of these two wavelengths were used to construct the mask image，which was used to mask the original hyperspectral image to remove background information.Secondly，spectral normalization was used to correct the light intensity of lettuce canopy.Thirdly，the standard normal variable(SNV)was used to preprocess the original spectral curve to eliminate the influence of scattering caused by particles on the sample surface.Fourthly，the irrelevant information was eliminated by Monte Carlo uninformative variable elimination(MCUVE)，and then the least absolute shrinkage and selection operator(LASSO)，successive projections algorithm(SPA)，the least absolute shrinkage and selection operator coupled with successive projections algorithm(LASSO SPA)were used to extract the characteristic wavelengths for data dimensionality bing partial least squares(PLS)，five lettuce canopy moisture content detection models were established.The results showed that the PLS model established by the full spectrum had the highest complexity and the worst predictive ability，because there were many redundant information variables and irrelevant variables in the full spectrum.The effect of PLS model with input variables screened by MCUVE—LASSO—SPA was the best.At this time,the correlation coefficients(R) of the modeling set and prediction set were0.8827and0.9015，and the root mean square error (RMSE)were 1.0662and0.9287,respectively.The MCUVE LASSO SPA PLS model was 收稿日期：20200925修回日期：20201201基金项目：江苏省农业科技自主创新资金项目(CX(19)2040)和国家自然科学基金重点项目(51939005)作者简介：李红(1967—)，女,研究员，博士生导师，主要从事农业精准灌溉技术研究，E-mail：***********.cn212农业机械学报2021年selected to calculate the dry basis moisture content of each pixel of the lettuce canopy,and a visual distribution map was generated to realize the visual detection of the dry basis moisture content of the lettuce canopy leaves.The research results provided a reference for the rapid non-destructive detection of lettuce canopy moisture content.Key words:lettuce;moisture content;hyperspectral imaging；non-destructive detection；intensity correction;feature selection0引言生菜是典型的叶菜类蔬菜，其生长期间需水量大，水分直接影响生菜的长势、品质和产量［1］o因此，快速、准确测定生菜的含水率对实时监测生菜植株长势具有重要意义。

番茄群体冠层形态结构三维模拟——基于实测数据

2012年2月农机化研究第2期番茄群体冠层形态结构三维模拟一基于实测数据袁晓敏1’2，温维亮2，郭新宇2，王传宇2(1．首都师范大学信息工程学院，北京100048；2．北京农业信息技术研究中，L'／农业部农业信息技术重点开放实验室，北京100097)摘要：为了提供较精确的作物冠层几何模型进行作物冠层光分布计算研究，首先实际测量番茄器官、个体及群体的形态特征参数，进而基于实测数据对番茄器官、个体及群体进行三维重建，使用C++语言和O penG L函数库，开发了番茄群体可视化软件，可实现番茄群体三维模型的快速生成。

基于精确器官模型和实测数据建立的番茄群体三维模型，较好地反映了群体冠层结构的基本特征，为作物冠层生产力计算和评价建立了几何模型基础。

关键词：番茄群体；实测数据；特征参数；冠层结构；三维模拟中图分类号：s641．2；S126文献标识码i A文章编号：1003—188X(2012)02—0172—050引言番茄是我国重要的蔬菜作物，利用数字植物技术重建数字番茄技术体系¨o，以三维可视的方式对番茄的生命过程和生产过程进行分析、设计和模拟十分必要。

特定番茄冠层的形态结构体现了品种遗传特征、光辐射和土壤水肥条件等环境因素、植株冠层之间与植株冠层内部的相互作用关系，直接影响着其光合作用和生产力。

优化番茄冠层形态结构以提高光能利用率进而提高产量，是番茄理想株型研究的一项重要课题。

近年来，随着计算机图形学的发展，应用虚拟现实技术将真实的植物个体和群体在计算机上进行重建已经成为可能，一些学者已经在玉米和水稻群体可视化方面做了不少尝试。

郭焱等拉1应用一般二次方程描述玉米叶片曲线和叶形，采用较少参数面显示了较真实的玉米群体结构，实现了玉米冠层的三维重建。

王锡平等旧1利用玉米冠层内植株各器官的实测三维空间坐标进行冠层结构分析，并且建立了太阳光在玉米冠层内直接辐射分布模拟模型。

孟军等【41采用三角形逼近法，实现了秋光和沈农265两个水稻品种的群体冠层三维可视化模拟。

基于番茄生长模型的决策控制系统研究

Y
w
p
表 1 番茄生长数据正态性检验结果
0. 822
0. 042
X1
0. 858
0. 087
X2
0. 921
0. 421
X3
0. 877
0. 052
X4
0. 952
0. 820
直径 furitL 之间的相关性也比较强。
5. 1 温度控制
在讨论苗期番茄生长模型时,通过调研和实验发
现,番茄在苗期生长发育的最适温度范围为白天 20 ~
— 24 —
Copyright©博看网. All Rights Reserved.
第 13 期
2023 年 7 月
No. 13
July,2023
无线互联科技·智能控制
者更好地了解和掌握番茄生长的情况,从而实现更加
精准的生产管理。
于 1,而且 p≥0. 05,这表示整个样本数据符合正态分
布要求,因此可以使用皮尔逊相关系数进行分析。番
决策,提高农业生产效率和经济效益。
长和增加产量。
5. 3 光照控制
参考文献
光照对番茄生长非常重要。番茄是一种喜光作
[1] 杨敏慎,刘晓雨,郭辉. 气候变暖和 CO 2 浓度升高
棚中光照充足,番茄植株的生长速度会加快。而过强
246 - 258.
物,能够利用光合作用产生能量,促进生长。温室大
与土壤湿度呈正相关。同样,土壤湿度 dayS 和果实
检验法对番茄生长数据进行正态性检验,基于两个假
5 温室环境的控制措施
的方法,利用观测数据进行实现。使用 Shapiro - Wilk
设———样本来自的总体分布服从正态分布( H 0 ) 或不

温室不同种植模式番茄冠层气候特征及对产量的影响研究

层的平均光照强度、均气温均比平面种植模式分别高１％、１，相对湿度低２％；体阶梯种植模式相平２１％而０立
对平面种植模式产量增加了２％，果重增加了２％，花率减少了１％，５单１落７果实含糖量上升了１％。【论】结立
Ａｓａｔ【ｊｃｖ］ｈｘｅｍｎｕｅｃｅｙｔａｅａｅｅｔａｒｌｏｓｄｅｅｅｔｏｃｎｐｂｔｃ：ＯｂｅｔｅＴｅｐｒｅｔｓｓｈｒｍｔｓｓｔｓｍｔｉｕｙｔｆｃｆａｏｙｒｉｅｉｒｏｏｈｔｅａｔｔｈｓ
ｐａｔｇｐｔｒｍｐｏｅｏｔａｏｙｃｉｔｌｎｉａｔｎｉｒｖｓｔｍａｏｃｎｐｌｎｅｍａｅ，ａｈｅｉｇｔｅｐｒｏｅｏｎｒａｉｇｙｅｄａｄｉｏｉｇｔｍａｏ’ ｃｉｖｎｈｕｐｓｆｉｃｅｎｉｌｎｍｐｒｖｎｏｔＳｓ
ｄｍｅｓｏａａｄｒｐａｔｇｐｔｒｓｈｇｅｈｎｔｏｅｏｈｃｎｅｔｏａｌｎｉｇｐｔｒ，ｗｉｎｉｃｅｓｆｉｎｉｎｌｌｄｅｌｎｉａｔｎｉｉｈｒｔａｈｓｆｔｅｏｖｎｉｎｌｐａｔｎａｔｎｎｅｅｔａｎｒａｅｏｈ１２％，１％１ｒｓｅｔｖｌｅｐｃｉｅｙ，ｂｔｕｍｏｓｕｅｉｔｒｗａｄｃｅｓｄｙ０％；ｔｒｅ — ｄｍｅｓｏａｌｄｅｐａｔｇａｔｒｓｅｒａｅｂ２ｈｅｉｎｉｎｌａｄｒｌｎｉｐｔｎｎｅ

国内外农作物遥感估产的研究进展

引言
引言
遥感光谱技术是一种利用遥感器获取农作物光谱信息，并据此进行农作物估产的方法。它具有快速、无损、大面积等优点，为精准农业的发展提供了重要支持。本次演示将介绍遥感光谱技术在农作物估产中的应用研究进展，以期为相关领域的进一步研究提供参考。
研究现状
研究现状
近年来，遥感光谱技术在农作物估产中得到了广泛应用，主要包括激光诱导击穿光谱技术、成像光谱技术、无线传感器技术等。其中，激光诱导击穿光谱技术通过分析农作物的光谱反射和吸收特征，能够准确测定农作物的化学成分，进而估算其产量。
1.国内外研究成果对比
在国内，中国农业科学院、中国科学院等机构也在遥感估产方面进行了大量研究，提出了多种基于遥感的农作物估产方法。例如，利用多光谱遥感影像和作物生长模型，对北方冬小麦产量进行估算，为区域农业管理和粮食预购提供了有效手段。
2.影响因素分析
2.影响因素分析
农作物遥感估产的影响因素主要包括气候、土壤、品种、种植制度等。这些因素在不同地区和不同作物之间存在差异，会对遥感估产的准确性产生影响。例如，在水稻生长季，苗期渍水、生育期高温等气候因素会对水稻的生长和产量产生影响。另外，不同品种和种植制度的水稻对遥感信息的响应也会有所不同，从而影响估产的准确性。因此，在农作物遥感估产研究中，需要综合考虑各种因素的影响，提高模型的适用性和准确性。
文献综述
统计模型法是另一种常用的农作物遥感估产方法，其基本原理是将遥感影像作为自变量，将农作物产量作为因变量，建立回归模型，然后利用模型对农作物产量进行预测。统计模型法的优点是能够反映农作物的空间异质性和时间变化，但需要大量的实地调查和数据处理。
文献综述
光谱指数法是基于农作物光谱特性的遥感估产方法，其基本原理是利用遥感影像的光谱信息建立农作物估产模型。光谱指数法的优点是能够反映农作物的生理和生化变化，但需要选择合适的光谱指数和建立准确的估产模型。

基于机载高光谱成像的柑橘产量预测模型研究

第30卷,第5期光谱学与光谱分析Vol 130,No 15,pp1295213002010年5月 Spectroscopy and Spectral Analysis May ,2010　基于机载高光谱成像的柑橘产量预测模型研究叶旭君1,Kenshi Sakai 2,何　勇1311浙江大学生物系统工程与食品科学学院,浙江杭州　31002921东京农工大学农学部,东京18328509,日本摘　要　果树的隔年结果现象严重影响果园的果实产量和经济效益。

选择受隔年结果现象影响较为严重的柑橘作为研究对象,运用机载高光谱成像仪在较早生长季节(2003年4、5、6月)获取柑橘果树的高光谱图像,利用偏最小二乘回归(PL S )确定基于高光谱图像数据的模型预测变量,建立柑橘产量的多元线性回归(ML R )和人工神经网络(ANN )预测模型。

研究结果表明,利用5月份获得的高光谱图像建立的模型具有最优的产量预测效果,而且PL S 2ML R 模型比PL S 2ANN 模型具有更好的稳定性和一致性。

该研究结果为今后研制和开发基于高光谱成像技术的柑橘产量预测方法提供了重要的理论和技术基础。

关键词　柑橘;PL S ;ML R ;ANN ;预测模型;变量技术;精细农业中图分类号:S127 文献标识码:A DOI :1013964/j 1issn 1100020593(2010)0521295206　收稿日期:2009208209,修订日期:2009211212　基金项目:日本科学振兴会(J SPS )项目(2110,14360148,15658074)资助　作者简介:叶旭君,1971年生,浙江大学生物系统工程与食品科学学院助理研究员 e 2mail :yezising @zju 1edu 1cn3通讯联系人 e 2mail :yhe @zju 1edu 1cn引　言果树的隔年结果现象对果园的果实产量和经济效益有极大的影响。

农业模型与作物模型简介

机理性模型
机理性模型即动态系统模拟模型，具有描述系统状态变化过程的功能，可响应气象和管理
措施等外部变量。这类模型具有解释性，着重解释输入输出变量间的过程机理, 以实现
对系统过程的理论假设进行定量化描述，该类模型都把时间作为变量, 以天或者小时为步
长, 因而具有动态性。
半机理性模型半机理性模型介于经验性和机理性模型之间。
◆ 模型概念 ◆ 模型分类 ◆ 模型应用案例
农业模型简介
农业模型概念
农业模型，亦称农业系统模型、农业计算机模拟模型等，它是为研究农业问题的定量规律所建立数学模型的总称。
具体而言，它是以农业系统要素为研究对象，根据农业系统学与农业科学原理，对农业系统要素内及要素间关系的定量化表达。
农业模型概念
作物生长模型的构建方法
资料获取与算法构建
资料获取大概有3方面的来源： ◆ 一是已有的工作或文献资料，主要用于模型的构建； ◆ 二是通过合作途径从研究者处获取相关资料，主要用于模型参数的确定及系统的测试； ◆ 三是通过补充试验或支持研究围绕某个方面获得全新的资料，一部分用于模型的构建，另一部分用于模型参数的确定及系统的测试。
农业模型分类
依据建模方法与本身性质
经验性模型
机理性模型
半机理性模型
农业模型分类
经验性模型
经验性模型主要采用统计学方法建立，着重建立输入和输出变量之间的相互关系, 而引起
变化的机理较少或根本不予反映（或称黑箱，即把所有变量放在一起考虑) , 偏重于应用。
例如：作物产量与某种肥料施用量间的一元二次通用模型： Y =a+bX+cX2
模块验证与改进
模型的检验包括对模型的敏感性分析、校正、核实、测验等四个主要过程；模型的改进则是在检验模型的过程中，对模型进行必要的改进与完善。

基于高光谱植被指数的加工番茄生长状况监测研究

ｄｉ１．９９ｊｉｎ１０一３７．０２０．０ｏ：０３６／．ｓ．０Ｏ１７２１．５０５ｓ
中图分类号：７ＴＰ９
文献标识码：Ａ
文章编号：００１７２１）２ — ０２ —０１０ —３７（０２１３０６５
（石河子大学新疆生产建设兵团绿洲生态农业重点实验室，河子８２０；石河子大学农学院，河子８２０） ① 石３０３② 石３０３
摘要：用ＡＳ利Ｄ地物非成像高光谱仪，获取２个加工番茄品种４平施氮量和３配置种植方式６关键生水种个育时期冠层的反射光谱数据，过计算得到归一化植被指数（ＤＩ、通ＮＶ）比值植被指数（ＶＩ、改型二次土壤调节Ｒ）修植被指数（Ａ１）红边归一化植被指数（ＥＤＩ，分别与其冠层叶绿素密度（Ｈ．、面积指数ＭＳＶ２和ＲＮＶ）并ＣＤ）叶（Ａ）地上鲜生物量（ＦＭ）地上千生物量（ＤＭ）行相关分析，检验，关系数均达到１的极显著水ＬＩ、ＡＢ和ＡＢ进经相
第２７卷第５期
２１年１月０２Ｏ
遥感信息
ＲＥＭ０ＴＥＳＥＮＳＮＧＮＦ０ＲＭＡＴ１ＩＩ０Ｎ
Ｖｏ｜７，Ｏ．ｌ２Ｎ５

加工番茄叶面积的遥感估算模型

熟期一元三次模型最好，。别为０６６、．４６０６３、．５２和０６３。将建立的模型进行尺分．１２０７２、．５１０６３．５１精度分析预测Ｒ值分别为０５３０７５、．６７０５０和０６８。２．７、．３９０５７、．５４．２６
１１试验材料与设计．
选择目前新疆加工番茄主栽品种里格尔８— ７５和石
中作物产量预估和病害评价的有效参数ｌ］２。一般来
说，ＡＩＬ较小时，群体的光合量也较小，Ａ较大时，ＬＩ群体
的光合量也较大。ＬＩＡ与光合作用、呼吸作用的关系及日辐射量有很大的关系。研究表明在可见光的红光和近红外光部分与植物叶面积指数有强相关性。Ｗｉａｄｅｎｇ等人最早研究光谱特征与ＬＩＡ之间的关系，ｕｎｋＢｎｉ从应
关键词：叶面积指数（）力工番茄；．Ⅱ 冠层光谱变量；遥感估算模型中图分类号：４．；４３１文献标识码：文章编号：Ｏ－ＯＯ（Ｏ８０一Ｏ２—０Ｓ６１２Ｑ９－３ＡｌｌＯ９２０）６０５４Ｏ作物的叶面积通常用叶面积指数（Ａ）衡量，ＬＩ来就是指单位土地面积上植物叶片的垂直投影面积的总和与相应土地面积的比值ｌ。叶面积指数不仅是进行生１］物量估算的一个重要参数，且也是定量分析地球生态而
摘
要：究了不同水肥条件下加工番茄里格尔８— 研７５和石红一０２６的冠层高光谱变量与叶面
积指数的关系。发现加工番茄叶面积指数（ＡＤ与归一化植被指数（ＤＩ和两个抗大气植被指ＬＮＶ）

高光谱遥感数据分析在农作物识别中的应用研究

高光谱遥感数据分析在农作物识别中的应用研究引言：随着农业现代化的推进和科技的不断发展，高光谱遥感技术在农作物识别中的应用日益广泛。

高光谱遥感是一种通过检测物体在不同波长下的反射或辐射，获得其光谱特性，从而对物体进行识别和分析的技术。

本文将探讨高光谱遥感数据分析在农作物识别中的应用研究，并介绍其原理、方法和现状，以及未来的发展方向。

一、高光谱遥感数据分析的原理高光谱遥感数据分析是基于光谱特性差异的原理进行的。

光谱特性是指物体在不同波长下的反射、吸收和辐射等性质。

农作物在生长过程中会吸收和反射不同波长的光，形成独特的光谱特征。

通过高光谱遥感技术可以获取农田的大量光谱数据，进而分析和识别农作物的类型和状态。

二、高光谱遥感数据分析的方法1. 光谱特征提取：高光谱遥感数据可以采集每一个像素点的光谱信息，这些信息可以通过光谱特征提取方法进行分析。

常用的方法包括主成分分析（PCA）、线性光谱混合模型（LSMM）等。

通过这些方法可以提取出反映不同农作物光谱特征的指标，如NDVI指数、EVI指数等。

2. 农作物分类与识别：利用高光谱数据的光谱特征差异，可以建立分类和识别模型，实现对不同农作物的自动识别。

常见的分类方法包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。

这些方法可以利用光谱特征和已知样本进行模型训练，从而实现对新样本的分类和识别。

3. 农作物生长监测：高光谱遥感数据不仅可以用于农作物的分类和识别，还可以用于农作物的生长监测。

通过分析不同时间点的高光谱数据，可以评估农作物的生长状态、生长速度、病虫害等情况，为农民提供科学的决策依据。

三、高光谱遥感数据分析在农作物识别中的应用现状高光谱遥感数据分析在农作物识别中已经取得了一些重要的研究成果。

例如，在水稻、小麦、玉米等主要农作物的识别和监测方面，高光谱遥感技术已经取得了很大的进展。

研究表明，高光谱数据的使用可以提高农作物分类和识别的准确度，同时可以提高对农作物生长状态的监测精度。

水培番茄施氮量近红外光谱预测模型的研究

叶绿素ｂ的３６ｎ＇４４ｎ７ｉ；１Ｉｌｌｎ对应于叶绿素ａ的４０ｎ；３１ｒ４７ｎｎ对应于叶绿素ｂ的４１ｎ ” 。与文献相比，叶酸偏离１ｍ３ｍ［一ｒｉｍ；叶绿素ｂ分别偏离４６ｎｌ叶绿素ａ和ｌ，Ｔ偏离４ｎ另外ｍ。
１３光谱数据预处理．
由图２呵见，５￣５０ｎ３０６ｍ波段范围内严重存在着噪声，影响叶绿素有效信息的利用。去除噪声，重现叶绿素光谱特
征就成为一个重要的问题。
５００ｍ波段的特征峰分别为：６３４６～２５０ｎ７，１４０和１９０咖分别对应于叶绿素ａ的特征波段６５ｎ】、水的４７ｍｌ
水培番茄施氮量近红外光谱预测模型的研究
韩小平，左月明，李灵芝
１．山西农业大学工程技术学院，山西太谷
２．山西农业大学园艺学院，山西太谷
０００３８１
０００３８１
摘
要
通过小波变换去除了可见光区（５￣５０ｒ的噪声，提取出了叶酸的特征波段３６ｎ和与叶绿３０６ｍ）ｉ６ｍ
同氮素水平下的表现，试图在氮素和光谱之间建立某种关
系，对作物营养进行诊断。作物叶片氮含量和叶绿素含量密切相关且变化趋势相似，研究发现，５５０和６５ｎｎ附近的反７ｌ射率对叶绿素含量比较敏感［。Ｓｉａａ２ｈｂｙｍａ等研究了氮素营］
ＯＯ０Ｏ

基于高光谱的番茄叶片过氧化物酶活力测定

本研究。
ｓｎＬ）ｉ，ＰＳ对光谱数据降维，输入模型中的变量个数由累积ｏ贡献率来确定。研究中同时采用连续投影算法（ｏｔｕｕｃｎｉｏｓｎｐｏｅｔｎａｏｉｍ，ＳＡ）取特征波段，用特征波段下的ｒｊｉｌｒｈｃｏｇｔＰ提反射光谱信息建立模型，对番茄叶片中ＰＯＤ活性进行预测。
① 反应体系：．愈创木酚溶液０９０２．５ｍＬ，．％的双０３氧水溶液ｌｍＬ，加入００提取的酶液，．５ｎ总体积为２ｍＬ。
② 测定过程：启动反应后，定４０ｎｎ波长处的吸光测７ｌ度值（Ｄ值）加速度，１活力单位定义为每分钟ＯＤ值Ｏ增个增加０１．。
ｌ３２预测建模＿．
（）紫外可见分光光度计４化学方法测定ＰＤ酶活性是基于化学反应过程中样品Ｏ反应液吸光度值的变化。利用紫外可见分光光度计在４０７ｎｍ下测定ＰＤ酶活性。究采用的光度计为日本岛津公司Ｏ研
收稿日期：０２０—５２１ —２１。修订日期：０２０２２１—５１基金项目：国家高技术研究发展计划（６８３计划）目（０１项２１ＡＡ１００）０７５，国家自然科学基金项目（０００８，浙江省自然科学基金项目６８２３）
在农业生产中占有重要的地位。番茄能对皮肤癌、前列腺

基于卫星遥感技术的作物生长动态监测系统的研究

5“大基地”理论与实践基于卫星遥感技术的作物生长动态监测系统的研究李双贺任志鹏（黑龙江省农垦科学院电子技术开发研究所 )摘要：利用遥感卫星数据，结合遥感与GIS地理空间技术，集成人工智能算法KNeighborsDist、LightGBMXT、LightGBM、RandomForestMSE、CatBoost、NeuralNetFastAI、XGBoost、NeuralNetTorch、LightGBMLarge、ExtraTreesMSE、KNeighborsUnif等12种智能算法进行数据建模，通过人工与物联网设备物联网系统获取基础数据集，结合主流java技术，使用geoserver自动发布遥感服务，建设卫星遥感技术的作物生长动态监测系统。

关键词：卫星遥感；作物生长；人工智能；动态监测【作者简介】李双贺（1991—），男，工程师，本科，黑龙江省农垦科学院电子技术开发研究所。

【资助课题】黑龙江省重点研发计划项目“大田作物高效生产智能精准管控系统研究”课题编号“2022ZX01A26”。

一、研究及背景意义（一）提供精准的农业管理随着人口增长，现有农业面临着巨大的挑战，更需要提高农业田地资源的利用率，以现有的农田面积提高更高的产量，卫星遥感技术的作物生长动态监测系统可以提供精度较高的作物生长信息及情况，更好地帮助农业管理者决策，优化种植结构，提供生产效率和减少资源的浪费，帮助农民优化农作物的生长结构，优化种植计划、灌溉和施肥策略，从而提高农产品产量和质量。

（二）灾害监测和风险管理天气变化和大自然的灾害对农业生产会造成不可预测的影响，遥感卫星通过对农作物生长动态监测，可以实时地查看农作物状态，可以及早发现干旱、洪水、虫害等灾害，从而采取及时的措施来减少农作物的损失。

（三）可持续农业发展中国对可持续农业发展提出了一系列要求，这些要求旨在提高农业生产效率、降低环境影响、保护农村生态环境、促进农村经济可持续发展，监测系统可以帮助农民采取对环境友好的农业实践，减少农药和化肥的使用，降低农业对生态系统的负面影响。

大面积农作物估产

当植物的生长状况发生变化时，其波普曲线的形态也会随之改变。如植物病虫害，农作物因缺乏营养和水分而生长不良时，海绵组织受到破坏，叶子的色素比例也发生变化，使得可见光区的两个吸收谷不明显，0.55um处的反射峰按植物叶子被损害的程度而变低。近红外区的
近红外波段在植物遥感中的重要作用，这是因为近红外区的反射是受叶内复杂的叶腔结构和腔内对近红外辐射的多次散射控制，以及近红外光对叶片有近50%的透射和重复反射的原因。随着植物的生长发育和病虫害胁迫状态或水分亏缺状态等的不同，植物叶片的叶绿色含量、叶腔的组织结构、水分含量均会发生，致使叶片的光谱特性变化。虽然这种变化在可见光和近红外区同步出现，但近红外的反射变化更为明显。这对于植物/非植物的区分、不同植被类型的识别、植物长势监测等是很有价值的。
•
•
二是遥感光谱绿度值-地物光谱绿度值-生物量关系模式，即先分析实测地物光谱绿度值与生物量之间的关系，建立相应模型，再分析卫星遥感植被指数与地物光谱绿度值的关系，建立卫星遥感植被指数与与生物量之间的关系模型，最后利用光谱检测模型进行检测与估产；三是遥感-地学综合模式。该方法将气温、降水等环境因子引入模式，与遥感-生物量模型互相补充，克服各自存在的缺陷，可进一步提高估产精度。建立的统计模型有线性、幂函数、指数、对数等，回归的方法有一元回归、多元回归、逐步回归等，得到的系数差别较大，并且应用也局限于建模的时间和地点，在很多情况下地面资料的数量也影响模型的精度。

遥感综合模型综合模型借助遥感信息和植被信息、气象因子等来建立，其包含了更多的信息量，可以更加精确地反映植被的生物物理参数。尽管这类方法前景广阔，但受到模型中大量参数和变量获取的限制（如呼吸、衰老、光合作用、碳分配、凋落物的分解等），以及当物种的组成在时空上变化较大时出现复杂的、异质性的、冠层的描述问题的影响，部分模型只适用于当时的研究区域，如何通过“尺度扩大” 来改进模式中的区域限制，更好地适用遥感信息的同化需要，也是亟需解决的一个关键问题。

遥感技术在农业领域的应用考核试卷

C.大气散射和吸收
D.所有以上选项
19.以下哪种遥感技术主要用于农业灾害监测？( )
A.多光谱遥感
B.高光谱遥感
C.雷达遥感
D.热红外遥感
20.在农业遥感应用中，以下哪个环节最为关键？( )
A.遥感数据获取
B.遥感数据处理
C.遥感模型建立
D.遥感结果验证与应用
二、多选题（本题共20小题，每小题1.5分，共30分，在每小题给出的四个选项中，至少有一项是符合题目要求的）
A.时间序列趋势分析
B.周期性分析
C.突变点检测
D.预测模型构建
14.以下哪些遥感应用可以辅助农业生产决策？( )
A.土壤湿度监测
B.作物长势监测
C.灾害预警
D.农药使用指导
15.以下哪些是无人机遥感的主要优势？( )
A.高空间分辨率
B.灵活的飞行计划
C.低成本
D.实时数据获取
16.以下哪些遥感技术可以用于森林火灾监测？( )
8. ABC
9. ABC
10. ABCD
11. ABCD
12. ABC
13. ABCD
14. ABCD
15. ABC
16. AB
17. ABCD
18. ABCD
19. ABCD
20. ABCD
三、填空题
1.传感器
2.绿光波段
3. GVI
4. QuickBird
5.图像分类
6.时间
7.光谱反射率
8.摄像头
1.请简述遥感技术在农业作物估产中的应用原理及其优势。
2.描述如何利用遥感技术进行农业灾害监测，并列举至少三种常见的农业灾害类型，以及遥感在这些灾害监测中的应用。