劉昌華 王 哲 陳志超 周 蘭 岳學(xué)智 苗宇新

(1.河南理工大學(xué)測繪與國土信息工程學(xué)院， 焦作 454000； 2.中國農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 北京 100194)

0 引言

冬小麥作為我國重要的糧食作物，其種植面積為糧食種植面積的1/5[1]。小麥年消耗量基本在1億t左右[2]。小麥產(chǎn)量受諸多因素影響，其中氮肥管理是關(guān)鍵要素[3]。作物缺氮會引起葉色、葉片厚度等變化，進(jìn)而引起光譜反射率變化，因此利用光譜反射率所獲取的植被指數(shù)進(jìn)行作物氮素實(shí)時監(jiān)測成為可能[4]。目前小麥氮素營養(yǎng)遙感診斷手段主要有主動多光譜儀診斷、被動高光譜儀診斷、衛(wèi)星遙感診斷等[5]。

主動冠層傳感器已經(jīng)成功地用于非破壞估測小麥氮素狀況[6]，但是大尺度獲得主動冠層傳感器數(shù)據(jù)較為困難，很難快速進(jìn)行大面積作物的氮素診斷[7]。高光譜儀的光譜分辨率高，但每次測量均會產(chǎn)生海量數(shù)據(jù)[8]。另外，每次測定必須在晴朗無云的條件下進(jìn)行[9]，獲取數(shù)據(jù)較為繁瑣。多光譜衛(wèi)星影像可以被用到大尺度監(jiān)測作物生長狀況、估測作物產(chǎn)量中。然而，諸如SPOT、MSS、Landsat、TM等影像的分辨率太低，不能滿足植株氮素營養(yǎng)診斷和氮肥管理的需要[6]，且若想獲得高質(zhì)量的衛(wèi)星影像還需晴朗無云的天氣條件[10]。無人機(jī)遙感因其重訪周期短、高分、價低等優(yōu)勢彌補(bǔ)了衛(wèi)星遙感的不足[11-13]。BURKART等[14]提出一個高光譜飛行測角儀系統(tǒng)，在旋轉(zhuǎn)翼無人機(jī)(UAV)云臺上搭載一個光譜儀，結(jié)果表明，這種方法可以用來收集植被多光譜數(shù)據(jù)。SCHIRRMANN等[15]基于無人機(jī)獲得了11 hm2范圍內(nèi)低成本圖像，用于監(jiān)測小麥的生理參數(shù)和氮營養(yǎng)狀況。李冰等[16]設(shè)計(jì)了基于無人機(jī)的多光譜載荷觀測系統(tǒng)，并以冬小麥為研究對象，提出一種由直方圖曲線獲取植被指數(shù)閾值的方法。高林等[17]將無人機(jī)數(shù)碼影像應(yīng)用于冬小麥葉面積指數(shù)探測，結(jié)果表明具有可行性。ROOSJEN等[18]基于無人機(jī)搭載分幅相機(jī)，研究了拍攝角度對葉面積指數(shù)和葉綠素含量估計(jì)的影響，表明多角度獲取光譜數(shù)據(jù)對其估計(jì)有促進(jìn)作用。上述學(xué)者大多數(shù)從遙感圖像獲取手段和圖像信息提取兩方面進(jìn)行遙感研究，但建立無人機(jī)遙感與農(nóng)學(xué)參數(shù)反演模型的還很少，而模型對作物農(nóng)學(xué)參數(shù)的估測，對大塊農(nóng)田長勢、氮素狀況監(jiān)測和診斷都是十分必要的。

本研究旨在將遙感與農(nóng)學(xué)結(jié)合，將無人機(jī)遙感技術(shù)應(yīng)用于作物氮素監(jiān)測，建立基于光譜特征的冬小麥氮素指標(biāo)反演模型，并為區(qū)域冬小麥無損氮素營養(yǎng)的實(shí)時診斷、長勢監(jiān)測提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況與試驗(yàn)設(shè)計(jì)

試驗(yàn)地點(diǎn)位于山東省樂陵市科技小院實(shí)驗(yàn)基地(37°41′55″N，117°8′41″E)，試驗(yàn)于2016年進(jìn)行，設(shè)計(jì)6個氮肥梯度(0、120、180、240、280、300 kg/hm2(農(nóng)戶常規(guī)))，2個小麥品種(濟(jì)麥22和魯元502)，共設(shè)置36個試驗(yàn)小區(qū)，小區(qū)面積為4 m×10 m，分為3個試驗(yàn)組，隨機(jī)排列。氮水平處理方法如圖1所示，圖中N1～N6分別對應(yīng)氮肥梯度為0、120、180、240、280、300 kg/hm2。圖1中以濟(jì)麥22為例，魯元502處理方法同濟(jì)麥22。施肥方法如下：氮肥分兩次施用，40%在種植前基施，60%在拔節(jié)期追施；磷肥全部以基肥施用；鉀肥分兩次施用，80%在種植前基施，20%在拔節(jié)期追施。所有小區(qū)栽培管理參照當(dāng)?shù)氐臉?biāo)準(zhǔn)進(jìn)行。

圖1 氮水平處理方法Fig.1 Diagram of nitrogen treatment method

1.2 試驗(yàn)數(shù)據(jù)收集與處理

無人機(jī)試驗(yàn)在冬小麥返青、拔節(jié)、孕穗、揚(yáng)花期進(jìn)行，采用八軸多旋翼無人機(jī)搭載Mini-MCA多光譜相機(jī)采集冠層光譜數(shù)據(jù)。設(shè)計(jì)飛行高度100 m，地面分辨率0.05 m，安全飛行速度控制在15 m/s。多光譜相機(jī)有6個通道，包括藍(lán)光(450 nm)、綠光(550 nm)、紅光(680 nm)、紅邊(720 nm)、近紅外(800 nm)5個波段，另一個通道為入射光傳感器，進(jìn)行光譜校準(zhǔn)。在晴朗無云時采集數(shù)據(jù)，選擇時段為10:00—14:00。無人機(jī)在起飛前需進(jìn)行相機(jī)檢校、航線規(guī)劃等工作，飛行過程中在機(jī)載差分GPS系統(tǒng)和IMU的支持下，獲取各攝像點(diǎn)坐標(biāo)和姿態(tài)。

得到圖像數(shù)據(jù)后，檢查有無曝光過度、曝光不足、遮擋等，無誤后再進(jìn)行圖像數(shù)據(jù)處理，包括輻射定標(biāo)、多波段合成、圖像拼接和幾何校正。本研究設(shè)計(jì)了一種多目標(biāo)定標(biāo)方法，在無人機(jī)起飛前在試驗(yàn)田合適位置連續(xù)布置4塊不同反射率的定標(biāo)毯，確保試驗(yàn)田和定標(biāo)毯同時出現(xiàn)在同一幅圖像中。4塊定標(biāo)毯的反射率由美國ASD Field Spec3近地面高光譜儀和配套的白板定標(biāo)測得，利用線性關(guān)系來建立DN(亮度)值和反射率之間的聯(lián)系。定標(biāo)公式為

Yi=kiXi+bi(i=1,2,3,4,5)

(1)

式中Yi——第i波段的定標(biāo)毯反射率

Xi——第i波段的DN值

ki——第i波段的相關(guān)系數(shù)

bi——第i波段的增量

分別針對同一波段借助ENVI讀取每塊定標(biāo)毯的平均DN值，代入式(1)，依據(jù)最小二乘準(zhǔn)則，求出相關(guān)系數(shù)k和增量b。進(jìn)而可以得到5個波段的輻射定標(biāo)模型，對需要校正的影像進(jìn)行輻射定標(biāo)，得到影像的反射率。利用AgisoftPhotoScan軟件(俄羅斯Agisoft LLC公司)流程化工具進(jìn)行無人機(jī)遙感影像處理，可實(shí)現(xiàn)3D影像重建和正射影像生成。在獲取返青、拔節(jié)、孕穗、揚(yáng)花4期拼接好的遙感影像后，對其進(jìn)行幾何校正。幾何校正采用ArcGIS軟件進(jìn)行，以返青期正射影像為參考圖像，在圖像上均勻選取10個參考點(diǎn)對后面3期影像進(jìn)行幾何精度校正，經(jīng)檢驗(yàn)圖像幾何校正誤差小于0.5個像元。經(jīng)過處理的4期遙感影像如圖2所示。

圖2 4個時期的冬小麥無人機(jī)多光譜影像Fig.2 UAV multispectral images of winter wheat in four stages

最后，借助IDL、ArcGIS和ENVI等軟件進(jìn)行試驗(yàn)小區(qū)平均光譜提取和65個植被指數(shù)的計(jì)算。從遙感影像間接得到的針對不同生長階段和農(nóng)學(xué)參數(shù)的最優(yōu)植被指數(shù)為：歸一化差分植被指數(shù)[19](NDVI)V1，歸一化綠波段指數(shù)[20](NGI)V2，紅邊綠波段歸一化植被指數(shù)[21](REGNDVI)V3，綠波段歸一化植被指數(shù)[22](GNDVI)V4，成熟期可基于修正二次葉綠素吸收反射率指數(shù)[17](MCARI2)V5，綠波段優(yōu)化土壤調(diào)整植被指數(shù)[23](GOSAVI)V6，成熟期基于修正二次葉綠素吸收反射率指數(shù)/綠波段優(yōu)化土壤調(diào)整植被指數(shù)[24](MCARI2/GOSAVI)V7，修正冠層葉綠素含量指數(shù)[25](MCCCI)V8，修正增強(qiáng)植被指數(shù)[26](MEVI)V9，歸一化紅邊植被指數(shù)[27](NDRE)V10，DATT植被指數(shù)[28](DATT)V11。

1.3 植株取樣與農(nóng)學(xué)數(shù)據(jù)測量

取樣在數(shù)據(jù)采集當(dāng)天進(jìn)行，每個試驗(yàn)小區(qū)選擇1 m長雙行冬小麥植株進(jìn)行測定。表征冬小麥氮素營養(yǎng)狀況的農(nóng)學(xué)參數(shù)主要有地上部生物量、植株吸氮量、氮營養(yǎng)指數(shù)(Nitrogen nutrition index,NNI)和產(chǎn)量。

生物量是指單位面積有機(jī)物總量。將冬小麥植株樣品進(jìn)行剪根和去除雜物處理，之后在電子天平上稱量，裝袋做好標(biāo)記置于干燥箱中，105℃下殺青30 min，再以80℃恒溫干燥至質(zhì)量不變并稱量[29]。

將干燥后的植株樣本研磨粉碎后，用凱氏定氮儀測定植株氮含量。植株吸氮量則是地上部生物量與植株氮含量的乘積，單位取kg/hm2。氮營養(yǎng)指數(shù)NNI是用來相對準(zhǔn)確地判定作物體內(nèi)氮營養(yǎng)狀況的一個指標(biāo)，是作物地上部植株實(shí)際的氮濃度與臨界氮濃度的比值[30]。其計(jì)算公式由王備戰(zhàn)等[31]提出。

NNI=Na/Nc

(2)

式中NNI——氮營養(yǎng)指數(shù)

Na——植株實(shí)際氮濃度

Nc——臨界氮濃度

華北平原冬小麥臨界氮濃度公式由YUE等[32]提出。

Nc=4.15W-0.38

(3)

式中W——地上部生物量干質(zhì)量

當(dāng)?shù)厣喜可锪啃∮? t/hm2時，臨界氮濃度為定值4.15 t/hm2，當(dāng)?shù)厣喜可锪吭?～10 t/hm2范圍時，可用式(3)計(jì)算。

產(chǎn)量是指作物的整個生產(chǎn)周期的產(chǎn)出，成熟期取1 m長雙行植株樣本，晾曬測其干質(zhì)量。

1.4 分析方法

目前，基于遙感影像進(jìn)行小麥農(nóng)學(xué)數(shù)據(jù)的反演方法有經(jīng)驗(yàn)?zāi)Ｐ头?、物理模型法和統(tǒng)計(jì)模型法。本文采用經(jīng)驗(yàn)?zāi)Ｐ头▽Χ←?個農(nóng)學(xué)參數(shù)進(jìn)行反演。建立植被指數(shù)和地面農(nóng)學(xué)數(shù)據(jù)的回歸模型，主要有冪函數(shù)、二次函數(shù)、線性函數(shù)、指數(shù)函數(shù)、多項(xiàng)式等。這種方法不僅可以預(yù)測并求出模型函數(shù)，還可以對結(jié)果進(jìn)行殘差檢驗(yàn)和精度檢驗(yàn)。反演分析模型的建立步驟如下：

(1)以處理過的無人機(jī)多光譜影像為基礎(chǔ)，30個小區(qū)的邊界范圍為重點(diǎn)，提取30個小區(qū)的65個植被指數(shù)(N6梯度為農(nóng)戶常規(guī)施肥，未提取植被指數(shù))。

(2)從不同時期所獲得的地上部生物量、植株吸氮量、氮營養(yǎng)指數(shù)和產(chǎn)量中隨機(jī)選取75%數(shù)據(jù)作為建模數(shù)據(jù)，另外25%作為驗(yàn)證數(shù)據(jù)。分析比較不同生育時期植被指數(shù)和農(nóng)學(xué)數(shù)據(jù)的相關(guān)性，選出最優(yōu)反演生育期，構(gòu)建最優(yōu)模型。

(3)利用驗(yàn)證數(shù)據(jù)分析評估最優(yōu)模型的預(yù)測能力。

2 結(jié)果與分析

2.1 農(nóng)學(xué)參數(shù)的變化

小麥農(nóng)學(xué)參數(shù)在不同生長階段變化如表1所示。地上部生物量和植株吸氮量隨生育期的增加而增加，各個時期的變異相差不大，其中地上部生物量變異系數(shù)為27%～28%，植株吸氮量為35%～40%，這可能是由其生理特性決定的。NNI各個時期相差不大(0.72～0.82)，標(biāo)準(zhǔn)差和變異系數(shù)隨生育期而增大，其中揚(yáng)花期變異最大，變異系數(shù)為30%。對于全生育期，地上部生物量、吸氮量、NNI變異系數(shù)分別為64%、57%與24%。成熟期不同處理下小麥產(chǎn)量的變異也較大，變異系數(shù)為29%。較大的變異有利于反演模型的建立與驗(yàn)證。

表1 冬小麥不同生長階段農(nóng)學(xué)參數(shù)變化Tab.1 Variation of agronomy variables of winter wheat across different growth stages

2.2 構(gòu)建冬小麥農(nóng)學(xué)數(shù)據(jù)反演模型及模型精度驗(yàn)證

為了避免農(nóng)學(xué)數(shù)據(jù)時域性對反演的干擾，本研究進(jìn)行分時期建立模型，分析比較植被指數(shù)和農(nóng)學(xué)數(shù)據(jù)的相關(guān)性。本研究根據(jù)實(shí)測農(nóng)學(xué)數(shù)據(jù)與無人機(jī)影像獲取的65個植被指數(shù)建立了相關(guān)關(guān)系，選取決定系數(shù)(R2)、均方根誤差(RMSE)和相對誤差(RE)作為評價模型精度的指標(biāo)，最優(yōu)植被指數(shù)與農(nóng)學(xué)參數(shù)如表2所示。在不同生育期，最優(yōu)植被指數(shù)和農(nóng)學(xué)參數(shù)的決定系數(shù)各不相同。隨著生育期的推后，生物量、吸氮量、NNI的決定系數(shù)呈現(xiàn)升高趨勢，分別介于0.45～0.88、0.60～0.96和0.60～0.95之間。而產(chǎn)量的決定系數(shù)在孕穗期達(dá)到最大值0.96，拔節(jié)期(R2=0.93)與揚(yáng)花期(R2=0.94)的決定系數(shù)相差很小。在揚(yáng)花期，MCCCI能最好地估測地上部生物量和植株吸氮量，決定系數(shù)分別為0.88和0.96，DATT能最好地估測NNI，決定系數(shù)為0.95。

表2 最優(yōu)植被指數(shù)與農(nóng)學(xué)參數(shù)的關(guān)系Tab.2 Relationships between the best vegetation indexes and agronomy parameters

注：P代表冪函數(shù);Q代表二次多項(xiàng)式函數(shù);E代表指數(shù)函數(shù)。

圖3 冬小麥揚(yáng)花期地上部生物量、植株吸氮量和NNI觀測值與估測值間的相關(guān)關(guān)系Fig.3 Relationships between observed and estimated values of winter wheat aboveground biomass, plant N uptake and NNI across flowering stage

因?yàn)榘喂?jié)期、孕穗期、揚(yáng)花期的冬小麥產(chǎn)量數(shù)據(jù)建模的決定系數(shù)非常相近，為了檢驗(yàn)最優(yōu)生育期是否為孕穗期，對這3個時期的數(shù)據(jù)模型進(jìn)行驗(yàn)證，結(jié)果如表3所示。

由表3可知，用拔節(jié)期、揚(yáng)花期建立的模型進(jìn)行驗(yàn)證時，決定系數(shù)都有所升高，拔節(jié)期決定系數(shù)由0.93上升至0.96附近，揚(yáng)花期決定系數(shù)由0.94上升至0.96附近，孕穗期決定系數(shù)基本穩(wěn)定在0.96附近。三者之間就決定系數(shù)而言，所建模型都具有可靠性。拔節(jié)期誤差較低，RMSE最大值0.47 t/hm2和RE最大值0.06都略低于孕穗期和揚(yáng)花期的最大值。就產(chǎn)量估計(jì)而言，3個時期在R2、RMSE、RE這3個估測指標(biāo)間的差別也不是很大，很難在拔節(jié)期和孕穗期、孕穗期和揚(yáng)花期之間確立哪個區(qū)間是估產(chǎn)的關(guān)鍵時期。這與千懷遂[33]的孕穗期至揚(yáng)花期是進(jìn)行小麥單產(chǎn)估測的關(guān)鍵時期的研究結(jié)果不太一致。得到這種結(jié)果可能是因?yàn)榻?shù)據(jù)和驗(yàn)證數(shù)據(jù)比較少。

2.3 研究區(qū)冬小麥氮營養(yǎng)指數(shù)反演

利用DATT最優(yōu)氮營養(yǎng)指數(shù)反演模型對研究區(qū)揚(yáng)花期冬小麥NNI進(jìn)行氮素營養(yǎng)診斷，結(jié)果如圖4所示。當(dāng)NNI大于1(綠色)時，表明冬小麥氮素過剩；當(dāng)NNI等于1時為氮適宜(黃色)；當(dāng)NNI小于1時為氮不足(紅色)。對比圖1可以得到，紅色小區(qū)即N1區(qū)域，為不施氮肥小區(qū)，表現(xiàn)為氮不足，在N2～N6小區(qū)氮適宜比重居多，也存在氮不足和氮過剩的情形，這跟品種和水也有很大關(guān)系?？傮w而言，診斷圖可以在揚(yáng)花期基本反映冬小麥的生長狀況，為冬小麥精準(zhǔn)氮素管理提供依據(jù)。

表3 拔節(jié)期、孕穗期和揚(yáng)花期的產(chǎn)量反演模型和精度驗(yàn)證Tab.3 Inversion models and precision validation of yield in elongation stage, booting stage and flowering stage

圖4 基于DATT冪函數(shù)模型反演的揚(yáng)花期冬小麥氮營養(yǎng)指數(shù)Fig.4 NNI inversion of winter wheat based on model of DATT power function in flowering stage

3 結(jié)束語

基于無人機(jī)多光譜相機(jī)的氮素監(jiān)測方法能夠準(zhǔn)確有效地監(jiān)測小麥的生育狀況，提取的NNI分布圖能夠?yàn)榫珳?zhǔn)施肥提供依據(jù)和數(shù)據(jù)支持。借助無人機(jī)搭載多光譜相機(jī)在精確反演氮營養(yǎng)指數(shù)方面可行，可為精準(zhǔn)管理提供技術(shù)支持。

1 欒青, 馬雅麗, 李偉偉,等. GIS支持下的臨汾市冬小麥動態(tài)估產(chǎn)模型研究[J]. 山西農(nóng)業(yè)科學(xué), 2012, 40(5):536-539.

LUAN Qing, MA Yali, LI Weiwei,et al. Study on GIS based winter wheat dynamic yield estimation model in Linfen[J]. Shanxi Agriculture Science, 2012, 40(5):536-539.(in Chinese)

2 張玉萍, 馬占鴻. 不同施氮量下小麥遙感估產(chǎn)模型構(gòu)建[J]. 江蘇農(nóng)業(yè)學(xué)報, 2015, 31(6):1325-1329.

ZHANG Yuping, MA Zhanhong. Yield estimation model of wheat based on remote sensing data under different nitrogen supply conditions[J]. Jiangsu Journal of Agriculture Science, 2015, 31(6):1325-1329.(in Chinese)

3 宿敏敏, 黃珊瑜, 趙光明,等. 黑龍江墾區(qū)農(nóng)戶水稻管理現(xiàn)狀與對策分析[J]. 北方水稻,2012, 42(2):28-33.

SU Minmin,HUANG Shanyu,ZHAO Guangming, et al. Current rice management practices of farmers in Heilongjiang land reclamation area and improvement strategies[J]. North Rice, 2012, 42(2):28-33.(in Chinese)

4 趙光明. 寒地水稻高產(chǎn)與養(yǎng)分高效利用的綜合管理技術(shù)研究與示范[D].北京:中國農(nóng)業(yè)大學(xué), 2014.

ZHAO Guangming. Research and demonstration of integrated rice management technology for high yield and high nutrient use efficiency in cold region[D]. Beijing:China Agricultural University, 2014.(in Chinese)

5 趙安周, 朱秀芳, 李天祺. 基于HJ小衛(wèi)星影像的北京市冬小麥測產(chǎn)研究[J]. 農(nóng)業(yè)現(xiàn)代化研究, 2014, 35(5):573-577.

ZHAO Anzhou, ZHU Xiufang,LI Tianqi. Estimation of winter wheat yield in Beijing based on HJ-1 images[J]. Research of Agricultural Modernization, 2014, 35(5):573-577.(in Chinese)

6 田振坤, 傅鶯鶯, 劉素紅,等. 基于無人機(jī)低空遙感的農(nóng)作物快速分類方法[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(7):109-116.

TIAN Zhenkun, FU Yingying, LIU Suhong, et al. Rapid crops classification based on UAV low-altitude remote sensing[J]. Transactions of the CSAE, 2013, 29(7):109-116.(in Chinese)

7 曹強(qiáng). 基于主動作物冠層傳感器的冬小麥、水稻精準(zhǔn)氮素管理[D].北京:中國農(nóng)業(yè)大學(xué), 2014.

CAO Qiang. Active crop canopy sensor-based precision nitrogen management of winter wheat and rice[D]. Beijing:China Agricultural University, 2014.(in Chinese)

8 CAO Q, CUI Z, CHEN X, et al. Quantifying spatial variability of indigenous nitrogen supply for precision nitrogen management in small scale farming[J]. Precision Agriculture, 2012,13(1):45-61.

9 JIA L, LI F, GNYP M, et al. Nitrogen status estimation of winter wheat by using an IKONOS satellite image in the North China Plain[J]. IFIP Advances in Information and Communication Technology, 2012, 369:174-184.

10 王利民, 劉佳, 楊玲波,等. 基于無人機(jī)影像的農(nóng)情遙感監(jiān)測應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報, 2013,29(18):136-145.

WANG Limin, LIU Jia, YANG Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the CSAE, 2013,29(18):136-145.(in Chinese)

11 CAO Q, MIAO Y, WANG H, et al. Non-destructive estimation of rice plant nitrogen status with Crop Circle multispectral active canopy sensor[J]. Field Crops Research, 2013,154:133-144.

12 韓文霆, 郭聰聰, 張立元,等. 基于無人機(jī)遙感的灌區(qū)土地利用與覆被分類方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(11):270-277.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161137&flag=1.DOI:10.6041/j.issn.1000-1298.2016.11.037.

HAN Wenting, GUO Congcong, ZHANG Liyuan, et al. Classfication method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016, 47(11):270-277.(in Chinese)

13 楊福芹, 馮海寬, 李振海,等. 基于赤池信息量準(zhǔn)則的冬小麥葉面積指數(shù)估算[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2015, 46(11):112-120.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151116&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.11.016.

YANG Fuqin, FENG Haikuan, LI Zhenhai, et al. Hyperspectral estimation of leaf area index for winter wheat based on Akaike’s information criterion[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 112-120. (in Chinese)

14 BURKART A, AASEN H, ALONSO L, et al. Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer[J]. Remote Sensing, 2015,7(1):725-746.

15 SCHIRRMANN M, GIEBEL A, GLEINIGER F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing, 2016,8(9):706.

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, 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 CSAE, 2012, 28(13):160-165.(in Chinese)

17 高林, 楊貴軍, 于海洋,等. 基于無人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報, 2016,32(22):113-120.

GAO Lin, YANG Guijun, YU Haiyang, et al. Retrieving winter wheat leaf area index from UAV based imaging hyperspectral system[J]. Transactions of the CSAE, 2016,32(22):113-120.(in Chinese)

18 ROOSJEN P, BREDE B, SUOMALAINEN J, 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 FIEUZAL R, MARAIS S, BAUP F. Estimation of corn yield using multi-temporal optical and radar satellite data and artificial neural networks[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,57:14-23.

20 SON C. Near-infrared fusion via a series of transfers for noise removal[J]. Signal Processing, 2018,143:20-27.

21 PADILLA F, PENA M, GALLARDO M, et al. Determination of sufficiency values of canopy reflectance vegetation indices for maximum growth and yield of cucumber[J]. European Journal of Agronomy, 2017,84:1-15.

22 NAVARRO G, CABALLERO I, SILVA G, et al. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,58:97-106.

23 LIAQAT M, CHEEMA M, HUANG W, et al. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin[J]. Computers and Electronics in Agriculture, 2017,138:39-47.

24 GNYP M, MIAO Y, YUAN F, et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research, 2014,155(1):42-55.

25 SUOMALAINEN J, ROOSJEN P, BARTHOLOMEUS H, et al.Reflectance anisotropy measurements using a pushbroom spectro meter mounted on UAV and alaboratory goniometer-preliminary results[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015,XL-1/W4:257-259.

26 DAUGHTRY C, WALTHALL L, KIM M, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment,2000,74(2):229-239.

27 NA S, PARK C, CHEONG Y, et al. Selection of optimal vegetation indices for estimation of barley & wheat growth based on remote sensing—an application of unmanned aerial vehicle and field investigation data[J]. Korean Journal of Remote Sensing, 2016,32(5):483-497.

28 LEBOURGEOIS A, BEGUE S, LABBE M, et al. A light-weight multi-spectral aerial imaging system for nitrogen crop monitoring[J]. Precision Agriculture, 2012,13(5):525-541.

29 高曉薇. Crop Circle傳感器在冬小麥氮營養(yǎng)實(shí)時診斷與調(diào)控中的應(yīng)用研究[D].北京:中國農(nóng)業(yè)大學(xué), 2011.

GAO Xiaowei. Research on the application of Crop Circle sensor in real-time nitrogen nutritional status diagnosis and management of winter wheat[D]. Beijing:China Agricultural University, 2011.(in Chinese)

30 黃珊瑜. 基于多光譜作物冠層傳感器的寒地水稻氮營養(yǎng)實(shí)時診斷研究[D].北京:中國農(nóng)業(yè)大學(xué), 2010.

HUANG Shanyu. Research on multi-spectral canopy sensors-based real-time diagnosis of rice nitrogen status in cold region[D]. Beijing:China Agricultural University, 2010.(in Chinese)

31 王備戰(zhàn), 馮曉, 溫暖,等. 基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測[J]. 中國農(nóng)業(yè)科學(xué),2012, 45(15):3049-3057.

WANG Beizhan, FENG Xiao, WEN Nuan,et al. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images[J]. Scientia Agricultura Sinica, 2012,45(15):3049-3057.(in Chinese)

32 YUE S, MENG Q, ZHAO R, et al. Critical nitrogen dilution curve for optimizing nitrogen management of winter wheat production in the North China Plain[J]. Agronomy Journal, 2012,104(2):523-528.

33 千懷遂. 農(nóng)作物遙感估產(chǎn)最佳時相的選擇研究——以中國主要糧食作物為例[J]. 生態(tài)學(xué)報, 1998, 18(1):50-57.

QIAN Huaisui. Selection of the optimum temporal for crop estimation using remote sensing data—main food crops in China[J]. Acta Ecologica Sinica, 1998, 18(1):50-57.(in Chinese)