摘 要：葉面積指數(shù) （leaf area index，LAI） 是表征作物生長信息的重要參數(shù)，利用無人機遙感平臺獲取農(nóng)作物光譜信息定量反演 LAI 對精確監(jiān)測作物生長情況具有重要意義。本文以玉米為研究對象，利用無人機 （unmanned aerial vehicle，UAV） 搭載MicaSense RedEdge-M 多光譜成像儀獲取玉米拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育期內(nèi)低空遙感影像，同步采集地面 LAI，基于多光譜信息構(gòu)建植被指數(shù)并研究其與 LAI 的定量關(guān)系，進一步建立玉米 LAI估算模型，對比分析篩選植被指數(shù)與監(jiān)測時期。實驗發(fā)現(xiàn)在拔節(jié)期、抽雄期、成熟期玉米 LAI與 NDVI、OSAVI、EVI、NDRE 均具有較好的相關(guān)性；在不同時期分別基于 OSAVI、NDRE、NDRE 建立了 LAI 監(jiān)測模型，模型監(jiān)測精度分別為 0.549、0.753、0.733；驗證模型精度分別為0.907、0.932、0.926，模型估算值與田間實測值間相對誤差分別為 8.57、8.37、9.24，均方根誤差分別為0.104、0.087、0.091；基于不同生育時期LAI估算模型進行田塊尺度的LAI空間分布制圖，估算值與實測值的決定系數(shù)分別為0.883、0.931、0.867；相對誤差分別為：9.17、8.86、9.32。結(jié)果表明基于MicaSense Red?Edge-M 多光譜成像儀能有效估算玉米關(guān)鍵生育時期 LAI，可為定量實時估算田塊尺度的玉米 LAI提供理論依據(jù)。

1 引言

葉面積指數(shù)（Leaf area index，LAI）是表征作物冠層結(jié)構(gòu)及生長信息的重要參數(shù)之一，了解LAI對掌握作物長勢動態(tài)、水肥調(diào)控、產(chǎn)量預(yù)測等生產(chǎn)管理具有重要意義[1]。玉米是我國主要的作物之一，快速準確獲取其生長信息，以便為田間施肥決策、估產(chǎn)等生產(chǎn)管理提供技術(shù)支撐[2]。傳統(tǒng) LAI 信息獲取方法僅能表示點位信息，而遙感技術(shù)憑借非侵入式、高通量的優(yōu)勢，能快速、無損、大尺度獲取作物生長信息，已成為精準農(nóng)業(yè)的重要內(nèi)容和研究熱點[3-5]。

目前，利用衛(wèi)星遙感技術(shù)對LAI的估算已經(jīng)取得了 一 些 進 展 。 如 科 學(xué) 家 們 通 過 TM、ETM、WorldView-3、Sentinel-2、GF-1/2 等衛(wèi)星遙感影像實現(xiàn)了區(qū)域尺度的小麥、水稻、玉米、棉花等作物LAI估算[6-11]。但衛(wèi)星遙感影像容易受大氣云層、雨雪天氣、重訪周期等因素的影響，難以滿足特定區(qū)域尺度高頻次、高分辨率數(shù)據(jù)的需求[12-14]。而低空無人機（Unmannedaerial vehicle，UAV）則能根據(jù)需求搭載不同光譜波段的傳感器，有效彌補衛(wèi)星遙感在中小尺度高精度估算研究中的不足，已逐漸成為現(xiàn)代精準農(nóng)業(yè)研究的新手段[15-18]。如Berni等利用無人機多光譜影像估算橄欖樹LAI[19]；劉峰等通過無人機多光譜估算板栗冠層覆蓋度[20]；Córcoles等通過無人機多光譜數(shù)據(jù)研究了洋蔥LAI[21]；Peter等利用無人機多光譜影像估算馬鈴薯LAI [22]；孫濤等基于無人機多光譜遙感影像實現(xiàn)了水稻 LAI 估算[23]；王瑛利用無人機多光譜影像估算小麥LAI[24]；褚洪亮等研究指出基于無人機多光譜影像估算玉米 LAI的預(yù)測值與田間實測值具有較高的一致性[25]；牛慶林等基于多光譜影像估算玉米育種材料LAI精度超過0.60[26]；孫詩睿等基于無人機多光譜數(shù)據(jù)結(jié)合灰色關(guān)聯(lián)度與隨機森林方法反演冬小麥LAI精度達到 0.80[27]；高林等基于無人機數(shù)碼影像與多光譜遙感影像分別研究了小麥、大豆 LAI[28-29]。這些研究為無人機遙感技術(shù)服務(wù)農(nóng)業(yè)生產(chǎn)管理提供了新的成果，同時推動了無人機遙感在作物生長信息定量監(jiān)測中的應(yīng)用。

雖然基于無人機多光譜的作物參數(shù)遙感估算已經(jīng)取得了一些進展，但這些研究多通過不同傳感器構(gòu)建某一生育時期或多生育時期累加植被指數(shù)建立模型，而植被指數(shù)則隨著作物生育時期及冠層結(jié)構(gòu)等因素的變化，在時間尺度上存在一定差異性，導(dǎo)致估算模型估算精度及應(yīng)用尺度受到局限。因此，本文以無人機搭載 MicaSense RedEdge-M 多光譜成像系統(tǒng)獲取玉米拔節(jié)期、抽雄期、成熟期等多光譜影像，綜合考慮在不同生育時期多光譜影像特征，同時結(jié)合MicaSense RedEdge-M 的紅邊波段，進一步優(yōu)化篩選植被指數(shù)，建立 LAI 估算模型及估算時期，改善 LAI估算模型的穩(wěn)定性與適用性；并在此基礎(chǔ)上進行田塊尺度的LAI空間差異性制圖，為田塊尺度的作物生長信息監(jiān)測診斷提供理論依據(jù)與技術(shù)支撐。

2 實驗設(shè)計

2.1 研究區(qū)概況

實驗在中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合實驗基地進行，實驗基地地處 113°46'08.10"E，35°08'03.67"N，海拔78.9 m，溫帶大陸性季風(fēng)型氣候，年平均溫度 14.2℃，無霜期 210 d，年日照時數(shù)約 2400.0 h，年蒸發(fā)量約2000.0 mm，年平均降水量 585.0 mm。土壤為黃河沖積物發(fā)育潮土，0~20 cm 堿解氮 68 .65 mg/kg，速效磷9.21 mg/kg，速 效 鉀 71.12 mg/kg，有 機 質(zhì) 含 量10.21mg/kg。

2.2 實驗設(shè)計

小區(qū)實驗于 2019—2020 年進行，采取隨機區(qū)組設(shè)計，設(shè)置 2個玉米品種，5個氮肥水平，3組重復(fù)。2個玉米品種分別為“鄭單 958（ZD958）”，“登海 605（DH605）”；5個氮肥（46.00% N 尿素）水平分別為 N0（0 kg/hm2），N1（75 kg/ hm2），N2（150 kg/ hm2），N3（225 kg/ hm2），N4（300 kg/ hm2），總氮肥 60% 作為基肥，40% 作為追肥，磷鉀肥施用量分別為 120 kg/ hm2和 120 kg/ hm2；“ZD958”種植密度為 67500 株/hm2，“DH605”種植密度為 82500 株/hm2；其他管理方式按照豫北平原高產(chǎn)玉米措施管理。

2.3 數(shù)據(jù)獲取與處理

2.3.1 無人機多光譜遙感影像采集及預(yù)處理

無人機多光譜數(shù)據(jù)采集是利用自主搭建低空無人機遙感監(jiān)測平臺，主要由大疆六旋翼無人機（Matrice 600Pro，M-600）與MicaSense RedEdge-M多光譜成像儀構(gòu)成，主要參數(shù)見表 1。MicaSense RedEdgeM 多光譜成像儀同時收集藍（Blue）、綠（Green）、紅（Red）、近紅外（Nir）、紅邊（Rededge）5 個不連續(xù)的光譜波段，相機焦距為 5.5 mm，視場角為 47.2°，圖像分辨率為 1280×960。飛行前后以相機配備的 0.3 m×0.3 m灰板反射率進行校正。實驗在晴朗無云無風(fēng)或微風(fēng)時進行，時間在 11:00—14:00，無人機飛行高度為 70 m，飛行方向為南北方向，航向重疊度為 70%，旁向重疊度為 70%。影像空間分辨率為獲取到的0.035 m。MicaSense RedEdge-M 多光譜成像儀參數(shù)見表 2。同步獲取 RGB 高清數(shù)碼影像，空間分辨率0.028m，為幾何校正基礎(chǔ)數(shù)據(jù)。將航拍獲取的多光譜照片以時間序列為索引，選取有效照片導(dǎo)入瑞士Pix4D公司Pix4D mapper軟件，根據(jù)照片信息對進行（1）初始化處理；（2）點云和紋理處理；（3）DSM、正射影像等處理；（4）利用各通道反射板校正，輸出拼接后影像；（5）拼接后的多光譜圖像以同期獲取的高清數(shù)碼圖像為參考進行幾何校正，誤差小于0.5個像元；（6）根據(jù)研究區(qū)域地理坐標對拼接后的圖像進行裁剪，形成研究區(qū)多光譜影像。

2.3.2 LAI數(shù)據(jù)采集

在實驗區(qū)內(nèi)隨機選取長勢均勻一致的 1 m×1m固定樣方內(nèi)采集 LAI，與無人機多光譜數(shù)據(jù)同步采集。LAI采集以美國 Decagon公司植物冠層分析儀采集，在平行于玉米壟間、垂直壟間各測3次，取算數(shù)平均值為該測量點LAI。

2.4 植被指數(shù)選取

通過多光譜信息構(gòu)建植被指數(shù)來反演LAI，可有效凸顯作物群體結(jié)構(gòu)信息，降低干擾因素的影響[30]。本文在前人對LAI遙感估算精度研究的基礎(chǔ)上，綜合考慮遙感估算精度不確定性因素的主要來源，同時結(jié)合 MicaSense RedEdge-M多光譜影像數(shù)據(jù)特點，篩選了歸一化差值植被指（NDVI）、控制土壤背景因素的優(yōu)化土壤調(diào)整植被指數(shù)（OSAVI）、控制大氣噪聲因素的增強植被指數(shù)（EVI）、同時結(jié)合多光譜傳感器對紅邊波段優(yōu)化歸一化紅邊植被指數(shù)（NDRE）等具有明確物理意義且與LAI具有較好相關(guān)性的植被指數(shù)，建立 LAI估算模型。不同植被指數(shù)計算公式及來源見表2。

2.5 數(shù)據(jù)分析

將連續(xù)2年數(shù)據(jù)按照處理進行分組，采用經(jīng)驗?zāi)Ｐ头ㄟM行 LAI 估算。在對實驗區(qū)采集數(shù)據(jù)經(jīng)驗性統(tǒng)計描述的基礎(chǔ)上，通過相關(guān)、回歸分析，建立經(jīng)驗?zāi)Ｐ?，并以獨立?shù)據(jù)對模型精度進行驗證；在建模過程中，對比分析植被指數(shù)與估算時期；在此基礎(chǔ)上利用模型進行大田尺度的LAI空間制圖，結(jié)合空間分布圖，進行田間實測值取樣，分析反演制圖精度；進一步分析多光譜數(shù)據(jù)估算玉米LAI的潛力。

2.6 精度評價

本文以相關(guān)系數(shù)（Correlation coefficient，r）來衡量LAI與植被指數(shù)的相關(guān)程度；以決定系數(shù)（Determi‐nation coefficient，R2）與標準誤差（Standard error，SE）評價 LAI 的估算效果 ；以均方根誤差（Root meansquare error，RMSE）與相對誤差（Relative error，RE）分析模型估算值與田間實測值的擬合程度，評價模型的驗證精度。

x 表示估計值；xˉ 表示估計值的平均值；y 表示實測值；yˉ表示實測值的平均值 ;n表示樣本數(shù)量。

3 結(jié)果與分析

3.1 玉米LAI與植被指數(shù)的定量關(guān)系

通過對無人機多光譜遙感影像進行解譯分析，提取 5個波段下玉米冠層反射率值，根據(jù)表 2公式計算植被指數(shù)，通過統(tǒng)計分析（n=60）計算不同生育時期LAI與相應(yīng)植被指數(shù)的定量關(guān)系（表 3）。由表可知，在不同生育時期，NDVI、OSAVI、EVI、NDRE 與 LAI呈現(xiàn)極顯著相關(guān)（P<0.01），相關(guān)系數(shù)為：0.713~0.868。按照統(tǒng)計學(xué)規(guī)定，相關(guān)系數(shù) 0.50≤|r|≤0.80，表明變量之間中度相關(guān)；|r|≥0.80，變量之間則高度相。通過相關(guān)分析表明所選植被指數(shù)均能用來估算玉米LAI，可作為構(gòu)建LAI估算模型的參數(shù)。

3.2 基于植被指數(shù)的LAI估算模型精度與驗證

在相關(guān)性分析的基礎(chǔ)上，以 LAI 為因變量，植被指數(shù)為自變量，建立不同生育時期 LAI估算模型（n=60），不同生育時期玉米 LAI 估算模型見表 4。由表可知：基于4種植被指數(shù)的不同生育時期LAI估算模型決定系數(shù)（R2）分別為 0.508~0.666、0.667~0.753、0.630~0.733；標 準 誤 差（SE）分 別 為 ：0.026~0.133、0.027~0.121、0.047~0.141。表明模型具有較好的估測精度。以獨立數(shù)據(jù)對模型精度進行驗證（n=60），結(jié)果發(fā)現(xiàn)不同生育時期模型估算值與田間實測值間相對誤差（RE）分別為：8.57~11.31、8.34~10.84、9.24~13.41；均 方 根 誤 差（RMSE）分 別 為 ：0.104~0.147、0.087~0.121、0.091~0.156；說明估算模型具有較好的穩(wěn)定性。不同生育時期 LAI模型估算值與田間實測值間對比結(jié)果如圖2所示。

3.3 基于多光譜的玉米 LAI 空間分布與精度驗證

將LAI估算模型應(yīng)用于多光譜遙感影像，得到研究區(qū)不同生育時期玉米 LAI 空間分布，如圖 3 所示，由圖可知，拔節(jié)期玉米LAI相對較小，抽雄期較高，成熟期又略有降低。為驗證空間LAI分布圖估算精度，在圖中隨機選取 30 個采樣點，對比實測值與空間分布圖估算值的一致性，如圖 4 所示，在不同生育時期估算值與實測值間的決定系數(shù)（R2）分別為 0.883、0.931、0.867；相對誤差（RE）分別為：9.17、8.86、9.32；均方根誤差（RMSE）分別為 0.115、0.074、0.133。說明估算值與實測值間具有較高的一致性。表明了基于 MicaSense RedEdge-M 多光譜成像系統(tǒng)能較好的估算玉米不同生育時期LAI。

4 結(jié)論與討論

無人機作為一種新的遙感技術(shù)手段，在彌補現(xiàn)代精準農(nóng)業(yè)監(jiān)測診斷研究應(yīng)用中具有重要意義[35]。本文研究了拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育時期玉米LAI與NDVI、OSAVI、EVI、NDRE等植被指數(shù)的定量關(guān)系，發(fā)現(xiàn)在不同生育時期所選植被指數(shù)與LAI的相關(guān)系數(shù)達到0.713~0.868，說明了所選植被指數(shù)可作為LAI建模的參數(shù)；這是由于本文中所篩選的植被指數(shù)，綜合考慮不同生育階段冠層光譜信息噪聲來源，選取了消除土壤背景、大氣噪聲等因素的植被指數(shù)，改善了植被指數(shù)與LAI的相關(guān)性。

在相關(guān)性分析的基礎(chǔ)上，建立了不同生育時期LAI 估算模型，并以獨立數(shù)據(jù)進行驗證。拔節(jié)期、抽雄期、成熟期分別基于 OSAVI、NDRE、NDRE 建立的LAI模型估算精度分別為 0.549、0.753、0.733；驗證模型精度分別為0.907、0.932、0.926；說明抽雄期能更好地估算玉米LAI，不同植被指數(shù)尤以NDRE在生育后期能較好的表征LAI。這是由于在生育后期，群體冠層覆蓋度較高，而本文中采用多光譜紅邊中心波段為717nm，波 寬 為 10nm，波 寬 相 對 較 窄 ，噪 聲 較 小 ，NDRE經(jīng)過進一步歸一化處理，提高了紅邊與近紅外波段反射率的對比度[36]，增強了光譜信息對LAI的敏感性，改善了LAI估算精度。這一結(jié)果與前人研究結(jié)果基本一致[25-29]。

將不同生育時期 LAI 估算模型應(yīng)用于田塊尺度的玉米 LAI 空間差異性制圖，不同氮肥水平下，LAI隨著施肥量的增加呈增加趨勢，過量施肥則LAI不再增加；從拔節(jié)期至成熟期，LAI 呈“低—高—低”的拋物線趨勢。根據(jù)空間差異性制圖結(jié)果，隨機選取采樣點的實測值對空間分布估測值進行驗證，不同生育時期模型估算值與田間實測值的決定系數(shù)分別為0.883、0.931、0.867；相對誤差分別為 9.17、8.86、9.32，說明模型估算值與田間實測值間具有較好的一致性，表明該模型具有較好的穩(wěn)定性與適應(yīng)性，該結(jié)果可應(yīng)用于田塊尺度的作物LAI監(jiān)測，為農(nóng)田生產(chǎn)管理提供理論依據(jù)與技術(shù)支持。

由于 LAI 是表征作物冠層結(jié)構(gòu)與長勢信息的參數(shù)，在作物全生育時期存在較大差異，而本文僅研究了拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育時期，有必要對全生育時期進一步研究。另外，本文雖然考慮了不同玉米品種的株型、密度、肥力水平等因素，但由于栽培環(huán)境的異質(zhì)性限制，模型在不同生態(tài)環(huán)境條件下的適用性仍有待進一步驗證完善。

參考文獻

[1] Jefferies R A, Mackerron D K L. Responses of potato genotypes to drought. II. Leaf area index, growth and yield[J]. Annals of Applied Biology, 1993, 122(1): 105-112.

[2] 李俐,許連香,王鵬新,等 .基于葉面積指數(shù)的河北中部平原夏 玉 米 單 產(chǎn) 預(yù) 測 研 究 [J]. 農(nóng) 業(yè) 機 械 學(xué) 報 , 2020, 51(06):198-208.Li L, Xu L X, Wang P X, et al. Summer maize yield forecasting based on leaf area index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10):230-239.

[3] Fu Y, Yang G, Wang J, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements[J]. Computers and Electronics in Agriculture. 2014,100: 51-59.

[4] Verger A, Vigneau N, Cheron C, et al. Green area index froman unmanned aerial system over wheat and rapeseed crops[J]. Remote Sensing Environment, 2014, 152: 654-664.

[5] Liang L, Di L, Zhang L, et al. Estimation of crop LAI usinghyperspectral vegetation indices and a hybrid inversion method [J]. Remote Sensing Environment, 2015, 165: 123-134.

[6] Walthall C, Dulaney W, Anderson M, et al. A comparison of empirical and neural network approaches for estimating corn and soybean leaf area index from Landsat ETM imagery[J].Remote Sensing of Environment, 2004, 92(4): 465-474.

[7] Propastin P A. Spatial non-stationarity and scale-dependency of prediction accuracy in the remote estimation of LAI over a tropical rainforest in Sulawesi, Indonesia[J]. Remote Sensing of Environment, 2009, 113(10):2234-2242.

[8] Frampton W J, Dash J, Warmouth G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 83-92.

[9] 蘇偉, 侯寧, 李琪, 等. 基于Sentinel-2 遙感影像的玉米冠層葉面積指數(shù)反演[J]. 農(nóng)業(yè)機械學(xué)報, 2018, 49(1): 151-156.Su W, Hou N, Li Q, et al. Retrieving leaf area index of corn canopy based on sentinel-2 remote sensing image[J]. Transaction of the Chinese Society for Agricultural Machinery,2018, 49(1): 151-156.

[10] 易秋香. 基于Sentinel-2 多光譜數(shù)據(jù)的棉花葉面積指數(shù)估算[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(16):189-197.Yi Q X. Remote estimation of cotton LAI using Sentinel-2 multispectral data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 189-197.

[11] 吾木提·艾山江, 買買提·沙吾提, 陳水森, 等. 基于GF-1/2衛(wèi)星數(shù)據(jù)的冬小麥葉面積指數(shù)反演[J]. 作物學(xué)報, 2020,46(5): 787-797.Umut H, Mamat S, Chen S, et al. Inversion of leaf area index of winter wheat based on GF-1/2 image[J]. Acta Agronomica Sinica, 2020, 46(5): 787-797.

[12] Alonzo M, Bookhagen B, Mcfadden J P, et al. Mapping urban forest leaf area index with airborne LiDAR using penetration metrics and allometry[J]. Remote Sensing of Environment, 2015, 162(1):141-153.

[13] Zhang L Y, Zhang H H, Niu Y X, et al. Mapping maize water stress based on UAV multispectral remote sensing[J].Remote Sensing, 2019, 11(6): 605.

[14] Yu N, Li L J, Schmitza N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187(15): 91-101.

[15] Bhardwaj A, Sam L, Akanksha A, et al. UAVs as Remote Sensing Platform in Glaciology: Present Applications and Future Prospects[J]. Remote Sensing of Environment, 2016,175(15):196-204.

[16] Niu Y X, Zhang L Y, Zhang H H, et al. Estimating AboveGround Biomass of Maize Using Features Derived from UAV-Based RGB Imagery[J]. Remote Sensing, 2019, 11 (11): 1261.

[17] Guan K, Wu J, Kimball J S, et al. The shared and unique values of optical, fluorescence, thermal and microwave satellite data for estimating large-scale crop yields[J]. Remote Sensing of Environment, 2017, 199: 333-349.

[18] Roosjen P P J, Bbede B, Suomalainen J M, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data-potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 66:14-26.

[19] Berni J A J, ZARCO-TEJADA P J, SUAREZ L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(3): 722-738.

[20] 劉峰, 劉素紅, 向陽 . 園地植被覆蓋度的無人機遙感監(jiān)測研究[J]. 農(nóng)業(yè)機械學(xué)報, 2014, 45(11): 250-257.Liu F, Liu S H, Xiang Y. Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J]. Transactions of the Chinese Society for Agriculural Machinery, 2014, 45(11): 250-257.

[21] Corcoles J I, Ortega J F, Hernandez D, et al. Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle[J]. Biosystems Engineering, 2013,115(1): 31-42.

[22] Peter P J, Roosjen B B, Juha M, et al. Improved Estimation of Leaf Area Index and Leaf Chlorophyll Content of a Potato Crop using Multi-angle Spectral Data-Potential of Unmanned Aerial Vehicle Imagery[J]. International Journal of Applied Earth Observations and Geoinformation, 2017.

[23] 孫濤, 劉振波, 葛云健, 等 . 基于數(shù)碼相片 Gamma 校正的水稻葉面積指數(shù)估算[J]. 生態(tài)學(xué)報, 2014, 34(13):3548-3557.Sun T, Liu Z B, Ge Y J, et al. Estimation of paddy rice leaf area index based on photo gamma correction[J]. Acta Ecologica Sinica, 2014, 34(13): 3548-3557

[24] 王瑛 . 基于無人機遙感的小麥葉面積指數(shù)反演方法研究[D].楊凌: 西北農(nóng)林科技大學(xué), 2017: 28. Wang Y. Research on the inversion methods of wheat leaf area index based on unmanned aerial vehicle remote sensing [D]. Yangling: Northwest A＆F University, 2017: 28.

[25] 褚洪亮, 肖青, 柏軍華, 等. 基于無人機遙感的葉面積指數(shù)反演[J]. 遙感技術(shù)與應(yīng)用, 2017, 31(01):140-148.Chu H L, Xiao Q, Bai J H, et al. The retrieval of leaf area index based on remote sensing by unmanned aerial vehicle [J]. Remote Sensing Technology and Application, 2017, 31(1): 140-148.

[26] 牛慶林, 馮海寬, 楊貴軍, 等. 基于無人機數(shù)碼影像的玉米育種材料株高和 LAI 監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報, 2018, 34(05): 73-82.Niu Q L, Feng H K, Yang G J, et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 73-82.

[27] 孫詩睿, 趙艷玲, 王亞娟, 等. 基于無人機多光譜遙感的冬小麥葉面積指數(shù)反演[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報, 2019, 24(11):51-58.Sun S R, Zhao Y L, Wang Y J, et al. Leaf area index inversion of winter wheat based on multispectral remote sensing of UAV. Journal of China Agricultural University. 2019, 24(11):51-58.

[28] 高林, 楊貴軍, 李紅軍, 等. 基于無人機數(shù)碼影像的冬小麥葉面積指數(shù)探測研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2016, 24(09):1254-1264.Gao L, Yang G J, Li H J, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(09): 1254-1264.

[29] 高林, 楊貴軍, 王寶山, 等. 基于無人機遙感影像的大豆葉面積指數(shù)反演研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報,2015,23(07):868-876. Gao L, Yang G J, Wang B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015,23(07):868-876.

[30] 劉良云.葉面積指數(shù)遙感尺度效應(yīng)與尺度糾正[J].遙感學(xué)報, 2014, 18(6):1158-1168. Liu L Y. Simulation and correction of spatial scaling effects for leaf area index. Journal of Remote Sensing, 2014, 18(6):1158 -1168.

[31] Rouse J W, Haas R H, Schell J A,et al. Monitoring vegetation systems in the Great Plains with ERTS[Z]. NASA Special Publication, 1974, 351: 309-313.

[32] Rondeaux G, Steven M, Bare F. Op-timization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55: 95-107.

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

[34] Barnes E M, Clarke T R, Richards S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In: Robert P C.Rust RH LarsonW E, eds., Proceedings of the 5th International Conference on Precision Agriculture, Bloomington. MN. USA. 2000, 7, 16-19.

[35] 陳俊英, 陳碩博, 張智韜, 等. 無人機多光譜遙感反演花蕾期棉花光合參數(shù)研究[J]. 農(nóng)業(yè)機械學(xué)報, 2018, 49(10):230-239.Chen J Y, Chen S B, Zhang Z T, et al. Investigation on Photosynthetic Parameters of Cotton during Budding Period by Multi-spectral Remote Sensing of Unmanned Aerial Vehicle [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10):230-239.

[36] 楊海波, 高興, 黃紹福, 等. 基于衛(wèi)星波段的馬鈴薯植株氮素含量估測[J]. 光譜學(xué)與光譜分析, 2019, 39(09):2686-2692.Yang H B, Gao X, Huang S F, et al. Staellite bands based estimation of nitrogen concentration in potato plants[J]. Spectroscopy and Spectral Analysis, 2019, 39(09):2686-2692.

來源：《農(nóng)業(yè)大數(shù)據(jù)學(xué)報》官網(wǎng)，轉(zhuǎn)在的目的在于傳遞更多的知識，如有侵權(quán)行為，請聯(lián)系我們，我們會立即刪除。