王貝貝 姚艷麗 張爭(zhēng) 王苗苗 郭琰煊

摘要 研究植被生態(tài)自動(dòng)化觀測(cè)方法，進(jìn)而確定儀器的組成結(jié)構(gòu)，根據(jù)傳感器的接口、協(xié)議類(lèi)型和神經(jīng)網(wǎng)絡(luò)處理器的應(yīng)用方式設(shè)計(jì)了基于ARM架構(gòu)控制處理器的外設(shè)接口，進(jìn)一步結(jié)合非RKNN模型的轉(zhuǎn)換應(yīng)用流程，設(shè)計(jì)了控制處理器數(shù)據(jù)采集、處理、存儲(chǔ)、傳輸和控制交互的具體功能和流程。針對(duì)3種不同的植被類(lèi)型，將儀器分別部署在內(nèi)蒙古、廣西和安徽3個(gè)國(guó)家級(jí)農(nóng)業(yè)氣象試驗(yàn)基地，采用儀器測(cè)量數(shù)據(jù)與人工平行觀測(cè)的方法進(jìn)行外場(chǎng)試驗(yàn)。結(jié)果表明，這種植被生態(tài)自動(dòng)化觀測(cè)方法是可行的、有效的，儀器性能指標(biāo)也符合實(shí)際業(yè)務(wù)觀測(cè)要求。

關(guān)鍵詞 植被生態(tài)自動(dòng)化觀測(cè);深度學(xué)習(xí);植被關(guān)鍵特征參數(shù)測(cè)量

中圖分類(lèi)號(hào) TP391 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 0517-6611（2021）17-0201-05

doi：10.3969/j.issn.0517-6611.2021.17.052

Abstract This paper studied the observation method of vegetation ecological automation， and then determined the composition and structure of the instrument. According to the sensor interface， protocol type and application mode of neural network processor， the peripheral interface of control processor based on ARM architecture was designed. Furthermore， combined with the application process of non RKNN model conversion，the specific function and process of the data acquisition， processing， storage and transmission， control interaction of control processor were designed. According to three different vegetation types， the instruments were deployed in three national agrometeorological experimental bases in Inner Mongolia， Guangxi and Anhui， and the field test was carried out by using the method of instrument measurement data and manual parallel observation. The results showed that the automatic observation method of vegetation ecology was feasible and effective， and the performance index of the instrument was also in line with the actual business observation requirements.

Key words Automatic observation of vegetation ecology;Deep learning;Measurement of key characteristic parameters of vegetation

植被生態(tài)觀測(cè)作為生態(tài)氣象自動(dòng)觀測(cè)中的重要項(xiàng)目，對(duì)于提高我國(guó)生態(tài)氣象的綜合觀測(cè)能力，建立生態(tài)氣象監(jiān)測(cè)網(wǎng)絡(luò)，開(kāi)展氣候與氣候變化對(duì)生態(tài)環(huán)境質(zhì)量的影響評(píng)估、氣象災(zāi)害對(duì)生態(tài)安全的預(yù)警評(píng)估具有重要意義。目前的測(cè)量方法有小尺度的人工觀測(cè)法和大尺度的遙感監(jiān)測(cè)法，其中人工觀測(cè)法因?yàn)槠鋵?duì)植物冠層破壞大，耗費(fèi)人力和物力，數(shù)據(jù)處理煩瑣，正在逐漸淘汰。遙感監(jiān)測(cè)法主要利用衛(wèi)星遙感資料對(duì)地表植被進(jìn)行監(jiān)測(cè)估算[1-6]，是當(dāng)前植被生態(tài)監(jiān)測(cè)的主要手段，但只適合大尺度測(cè)量，監(jiān)測(cè)頻次低、局部測(cè)量精度低并且缺少星地校驗(yàn)[7]。

針對(duì)中尺度觀測(cè)，因?yàn)槟壳爸脖簧鷳B(tài)自動(dòng)化觀測(cè)方法不明確、不統(tǒng)一，無(wú)經(jīng)驗(yàn)可參考，尚無(wú)更多具體的國(guó)家和行業(yè)標(biāo)準(zhǔn)規(guī)范作為依據(jù)，導(dǎo)致各業(yè)務(wù)部門(mén)的無(wú)法實(shí)現(xiàn)自動(dòng)化測(cè)量?jī)x器的研制和列裝;同時(shí)，目前的自動(dòng)化測(cè)量?jī)x器多為進(jìn)口儀器，存在測(cè)量要素單一、專(zhuān)業(yè)性強(qiáng)、操作復(fù)雜、數(shù)據(jù)無(wú)法遠(yuǎn)傳、對(duì)配套軟件的算法計(jì)算功能依賴(lài)較高[8]，無(wú)法實(shí)現(xiàn)對(duì)野外植被的多要素、遠(yuǎn)距離和自動(dòng)高效的觀測(cè)，因此對(duì)植被生態(tài)自動(dòng)化觀測(cè)方法的研究和儀器設(shè)計(jì)與實(shí)現(xiàn)是當(dāng)今業(yè)務(wù)和科研部門(mén)的迫切需求，而對(duì)中尺度范圍具有AI人工智能數(shù)據(jù)處理的自動(dòng)化測(cè)量?jī)x器可以提高人工效率、減少人為誤差，提高衛(wèi)星遙感應(yīng)用的解譯精度與驗(yàn)證能力，很好地補(bǔ)充現(xiàn)有植被生態(tài)測(cè)量體系。

1 自動(dòng)化觀測(cè)方法研究

針對(duì)能夠反映陸表植被生長(zhǎng)狀態(tài)的關(guān)鍵特征參數(shù)植被覆蓋度、植株密度、冠層高度、三維群落結(jié)構(gòu)和歸一化植被指數(shù)（NDVI）等。一方面，參考《生態(tài)氣象觀測(cè)規(guī)范（試行）》中關(guān)于植被生態(tài)的測(cè)量和評(píng)定標(biāo)準(zhǔn);另一方面，結(jié)合地面植物具有明顯的光譜反射特征，通過(guò)對(duì)植被光譜的研究可以判斷植被的長(zhǎng)勢(shì)特征，因此可利用基于深度學(xué)習(xí)的圖像處理、激光點(diǎn)云、多光譜測(cè)量等技術(shù)，采用多光譜光量子傳感器、圖像傳感器和激光雷達(dá)傳感器等，實(shí)現(xiàn)對(duì)陸表植被生態(tài)的長(zhǎng)期、自動(dòng)和連續(xù)觀測(cè)，具體觀測(cè)方法如下：

①可以通過(guò)在植被冠層上方距離≥2 m處架設(shè)圖像傳感器，自動(dòng)獲取植被實(shí)時(shí)高清圖像，結(jié)合深度學(xué)習(xí)的方法，計(jì)算出植被蓋度、植株密度;

②為了提高測(cè)量效率，同時(shí)在植被冠層上方距離≥1.5 m的高度架設(shè)激光點(diǎn)云傳感器，將采集到的植被點(diǎn)云數(shù)據(jù)經(jīng)過(guò)去噪、濾波、重構(gòu)、校正處理后得到植被群落結(jié)構(gòu)[9];

③通過(guò)在植被冠層上方距離≥1.5 m的高度架設(shè)激光測(cè)距傳感器、傾角傳感器及三維程控云臺(tái)，利用激光測(cè)距原理、數(shù)學(xué)三角空間變換以及冠層高度的測(cè)量計(jì)算模型，實(shí)現(xiàn)冠層高度測(cè)量[10];

④通過(guò)在冠層上方距離≥1.5 m的高度布設(shè)向上和向下的雙通道（紅光、近紅外）光量子傳感器，實(shí)現(xiàn)植被透射輻射的實(shí)時(shí)監(jiān)測(cè)，并基于植被透射輻射和輻射反射率測(cè)量及計(jì)算模型，實(shí)現(xiàn)歸一化植被指數(shù)（NDVI）等的測(cè)量[11];

⑤所有傳感器的基礎(chǔ)數(shù)據(jù)需要基于AI人工智能數(shù)據(jù)處理的方法在儀器端完成分析和計(jì)算，最終直接輸出測(cè)量結(jié)果[12];

⑥上述所有傳感器安裝于自立式觀測(cè)桿體上，并配套控制處理終端、通信系統(tǒng)和供電系統(tǒng)等，實(shí)現(xiàn)無(wú)人值守和自動(dòng)觀測(cè)。

2 儀器設(shè)計(jì)

2.1 組成結(jié)構(gòu)

儀器由硬件和嵌入式軟件兩部分組成，硬件主要包括傳感器、控制處理終端、通信單元、供電單元等部分。嵌入式軟件主要實(shí)現(xiàn)傳感器數(shù)據(jù)的采集、處理、分析、存儲(chǔ)和傳輸，系統(tǒng)組成框圖如圖1所示。

2.2 控制處理器硬件功能設(shè)計(jì)

傳感器和外設(shè)接口類(lèi)型不同、種類(lèi)較多，在滿(mǎn)足要求的情況下設(shè)計(jì)冗余接口，便于后期擴(kuò)展。其中，圖像傳感器采用USB type A、RJ45 接口和onvif標(biāo)準(zhǔn)的協(xié)議類(lèi)型，激光點(diǎn)云傳感器采用RJ45 接口，激光測(cè)距傳感器采用TTL電平串口，傾角傳感器采用0～2.5 V基準(zhǔn)電壓的模擬接口，三維程控云臺(tái)采用RS485串口，光量子傳感器采用SDI-12數(shù)字接口，無(wú)線(xiàn)數(shù)據(jù)傳輸模塊采用RS485串口，SD卡外存儲(chǔ)器采用SDIO接口，預(yù)留的調(diào)試接口采用RS232串口。

為了保證控制處理器能夠完成邊緣計(jì)算圖像識(shí)別模型算法的運(yùn)行并獲取推理結(jié)果，采用搭載瑞芯微RK1808K神經(jīng)網(wǎng)絡(luò)處理器，配置1G DDR4內(nèi)存和8G EMMC，并提供標(biāo)準(zhǔn)Mini-PCIe接口的人工智能計(jì)算卡[13]，可以接收控制處理器主控芯片的控制指令。

2.3 控制處理器嵌入式軟件設(shè)計(jì)

基于ARM架構(gòu)的控制處理器的主要功能是完成傳感器數(shù)據(jù)的采集、處理、存儲(chǔ)、傳輸和控制交互，控制處理器可直接輸出經(jīng)過(guò)AI邊緣計(jì)算的結(jié)果XML文件，改變了以往所有傳感器數(shù)據(jù)先傳輸至中心站來(lái)完成分析處理的模式，極大地降低了中心站的建設(shè)要求，提高了業(yè)務(wù)人員對(duì)數(shù)據(jù)的利用效率?；贏I計(jì)算的嵌入式軟件設(shè)計(jì)主要分為以下兩個(gè)步驟。

2.3.1 基于ARM架構(gòu)ubuntu 16.04系統(tǒng)下AI運(yùn)算的設(shè)計(jì)流程。

在RK1808K運(yùn)行基于深度學(xué)習(xí)的算法模型，由于運(yùn)行的是非RKNN模型，首先需要把PC下的TensorFlow模型使用RKNN-Toolkit導(dǎo)出為RKNN模型，RKNN-Toolkit使用流程如圖2所示。然后，導(dǎo)入到RK1808K人工智能計(jì)算卡，可調(diào)用基于python的API函數(shù)進(jìn)行圖像識(shí)別模型算法的設(shè)計(jì)。

2.3.2 基于數(shù)據(jù)文件格式確定各功能模塊的設(shè)計(jì)流程。

整個(gè)嵌入式軟件的開(kāi)發(fā)流程主線(xiàn)是按照數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)傳輸和控制交互展開(kāi)的，整個(gè)開(kāi)發(fā)設(shè)計(jì)流程如圖3所示。

①初始化操作。完成4路繼電器斷開(kāi)操作、打開(kāi)看門(mén)狗、串口配置、讀取配置文件中遠(yuǎn)程TCP服務(wù)器IP地址和端口號(hào)，F(xiàn)TP服務(wù)器地址、端口、用戶(hù)名、密碼和目錄等;創(chuàng)建TCP客戶(hù)端、FTP客戶(hù)端、心跳包定時(shí)器和創(chuàng)建數(shù)據(jù)接收監(jiān)聽(tīng)線(xiàn)程。

②數(shù)據(jù)采集。按照數(shù)據(jù)采集時(shí)間范圍定時(shí)獲取基礎(chǔ)數(shù)據(jù)文件，圖像文件可以通過(guò)在線(xiàn)視頻預(yù)覽的模式下基于onvif協(xié)議完成圖片的抓圖和本地存儲(chǔ);利用激光測(cè)距傳感器、傾角傳感器和三維程控云臺(tái)在測(cè)量區(qū)內(nèi)輪循打點(diǎn)掃描，數(shù)據(jù)通過(guò)約定的通信協(xié)議和采集計(jì)算方法進(jìn)行采集;激光點(diǎn)云的數(shù)據(jù)文件基于SDK獲取空間X、Y、Z坐標(biāo)值和反射率，并將數(shù)據(jù)按照約定格式存入文本;植被指數(shù)數(shù)據(jù)文件通過(guò)模擬SDI-12協(xié)議的時(shí)序采集紅光和近紅外的輻射值;對(duì)儀器的運(yùn)行狀態(tài)信息每小時(shí)采集1次。

③數(shù)據(jù)處理。對(duì)圖像文件進(jìn)行質(zhì)量控制，完成重命名，調(diào)用圖像識(shí)別算法python腳本對(duì)圖像進(jìn)行識(shí)別處理[14]，同時(shí)生成XML數(shù)據(jù)文件;調(diào)用處理算法對(duì)激光點(diǎn)云20萬(wàn)組數(shù)據(jù)進(jìn)行濾波，從深度圖提取NARF關(guān)鍵點(diǎn)，生成植被冠層分布等高圖，利用三維重建技術(shù)生成植被群落結(jié)構(gòu)圖;對(duì)激光測(cè)距獲取的距離值以及對(duì)傾角傳感器獲取的水平角和俯仰角，利用三角幾何換算和數(shù)據(jù)擬合等方法得到冠層高度;對(duì)獲取的紅光和近紅外的輻射值通過(guò)反射率計(jì)算模型，進(jìn)一步計(jì)算出歸一化植被指數(shù)（NDVI）等。

④數(shù)據(jù)存儲(chǔ)。將圖像文件、冠層分布等高圖和植被群落結(jié)構(gòu)圖轉(zhuǎn)為64Base編碼格式存入XML文件;將通過(guò)圖像識(shí)別和模型算法生成的結(jié)果[植被覆蓋度、植株密度、冠層高度、三維群落結(jié)構(gòu)和歸一化植被指數(shù)（NDVI）等]按照觀測(cè)數(shù)據(jù)元素字典和數(shù)據(jù)文件格式進(jìn)行編碼存儲(chǔ);將獲取的狀態(tài)信息同樣按照觀測(cè)數(shù)據(jù)元素字典和數(shù)據(jù)文件格式進(jìn)行編碼存儲(chǔ)。

⑤數(shù)據(jù)傳輸。將最終產(chǎn)生的XML文件通過(guò)創(chuàng)建的FTP客戶(hù)端推送至中心站。

⑥控制交互?？梢酝ㄟ^(guò)控制處理器創(chuàng)建的TCP客戶(hù)端與中心站進(jìn)行遠(yuǎn)程交互，中心站可遠(yuǎn)程控制儀器進(jìn)行相應(yīng)動(dòng)作和修改配置文件。

3 儀器應(yīng)用與數(shù)據(jù)分析

為了評(píng)估植被生態(tài)自動(dòng)化觀測(cè)方法的可行性和有效性以及觀測(cè)儀器的性能，分別選擇了廣西崇左扶綏縣甜蜜之光園區(qū)、內(nèi)蒙古錫林郭勒草原生態(tài)氣象野外科學(xué)試驗(yàn)基地、安徽合肥現(xiàn)代農(nóng)業(yè)氣象示范基地進(jìn)行外場(chǎng)觀測(cè)試驗(yàn)，試驗(yàn)內(nèi)容主要包括觀測(cè)數(shù)據(jù)的采集和觀測(cè)結(jié)果的分析，試驗(yàn)時(shí)長(zhǎng)均為6個(gè)月。其中，廣西崇左地區(qū)種植的植被類(lèi)型為甘蔗，內(nèi)蒙古錫林郭勒地區(qū)種植的植被類(lèi)型為牧草，安徽合肥地區(qū)種植的植被類(lèi)型為油菜，這3個(gè)地區(qū)的植被特征均屬于變化較明顯的類(lèi)型，便于觀測(cè)和對(duì)比分析。

3.1 植被覆蓋度和密度分析

圖4為內(nèi)蒙古錫林郭勒草原生態(tài)氣象野外科學(xué)試驗(yàn)基地牧草圖像以及通過(guò)基于深度學(xué)習(xí)的圖像識(shí)別方法識(shí)別出的覆蓋度和密度，牧草從8月1日至8月15日進(jìn)入生長(zhǎng)期，牧草越來(lái)越茂密，覆蓋度也從71%升至86%，從8月31號(hào)開(kāi)始進(jìn)入枯黃期，牧草覆蓋度從82%降至75%，并根據(jù)現(xiàn)場(chǎng)實(shí)際測(cè)量牧草覆蓋面積占樣方面積的比值，觀測(cè)儀測(cè)量的覆蓋度貼近牧草實(shí)際覆蓋度。同時(shí)，觀測(cè)區(qū)域大部分植株數(shù)變化不大，所以植被密度為15～16株/m2。

3.2 植被冠層高度分析

植被冠層高度分析采用人工實(shí)際觀測(cè)結(jié)果和儀器測(cè)量識(shí)別結(jié)果對(duì)比分析的方法，即根據(jù)儀器設(shè)置的掃描區(qū)域確定人工觀測(cè)區(qū)域，并選取觀測(cè)區(qū)域內(nèi)多個(gè)有代表性的植株。觀測(cè)儀每天輸出1條植被冠層高度觀測(cè)結(jié)果，觀測(cè)員每天在現(xiàn)場(chǎng)用尺子測(cè)量植株高度，并計(jì)算出植株高度平均值，作為人工觀測(cè)的植被冠層高度值。如圖5所示，為內(nèi)蒙古錫林郭勒2020年10月21日（當(dāng)天外界風(fēng)力較小，牧草呈自然狀態(tài)）人工現(xiàn)場(chǎng)測(cè)量的牧草冠層高度，觀測(cè)點(diǎn)1牧草冠層高度為43 cm，觀測(cè)點(diǎn)2牧草冠層高度為37 cm，觀測(cè)點(diǎn)3牧草冠層高度為42 cm，平均牧草冠層高度為40.67 cm。

參試設(shè)備的自動(dòng)觀測(cè)結(jié)果為38.32 cm，則植被冠層高度測(cè)量誤差為2.35 cm。按此方法對(duì)3個(gè)觀測(cè)地點(diǎn)的冠層高度觀測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，結(jié)果如表1所示，觀測(cè)方法觀測(cè)到的冠層高度平均誤差均在5 cm以下，具有測(cè)量誤差小、精度高等優(yōu)點(diǎn)。內(nèi)蒙古錫林郭勒冠層高度觀測(cè)結(jié)果較其他2個(gè)地區(qū)誤差較大，測(cè)量高度比實(shí)際測(cè)量高度均偏小。通過(guò)研究發(fā)現(xiàn)該地區(qū)常年風(fēng)力較大，儀器測(cè)量時(shí)牧草的枝干容易被風(fēng)吹彎，導(dǎo)致觀測(cè)冠層高度值比實(shí)際偏小，誤差偏大。

3.3 植被指數(shù)分析

由于植被指數(shù)受光照的影響較大，參試設(shè)備在每天10：00—14：00光照強(qiáng)度好的時(shí)間段下每30 min測(cè)量1次，并依次輸出歸一化植被指數(shù)（NDVI）等信息。圖6為安徽合肥地區(qū)參試設(shè)備在12月至次年5月觀測(cè)的歸一化植被指數(shù)變化曲線(xiàn)，測(cè)量結(jié)果均介于-1～1，前期在植被覆蓋較少的情況下觀測(cè)結(jié)果在0.1左右，隨著植被逐漸生長(zhǎng)茂密，植被指數(shù)逐漸增加至0.65左右，符合植被指數(shù)的變化規(guī)律。

3.4 植被三維群落結(jié)構(gòu)分析

與植被冠層高度分析方法相同，植被三維群落結(jié)構(gòu)分析也是選用人工實(shí)際觀測(cè)結(jié)果和儀器測(cè)量識(shí)別結(jié)果對(duì)比分析的方法，即儀器的激光點(diǎn)云傳感器每天對(duì)植被群落進(jìn)行一次測(cè)量，輸出1張三維群落結(jié)構(gòu)圖。由于在測(cè)量高度為6 m，F(xiàn)OV為39.2°時(shí)，激光點(diǎn)云傳感器測(cè)量范圍半徑為2 m的圓形區(qū)域，所以選定人工觀測(cè)區(qū)域時(shí)，以激光點(diǎn)云傳感器垂直于地面的點(diǎn)為圓心，設(shè)定半徑為2 m的圓形區(qū)域即為人工實(shí)地測(cè)量區(qū)域。圖7為廣西崇左地區(qū)測(cè)量的植被三維群落結(jié)構(gòu)圖，經(jīng)人工現(xiàn)場(chǎng)測(cè)量對(duì)比發(fā)現(xiàn)，植被三維群落結(jié)構(gòu)圖均符合觀測(cè)區(qū)域?qū)嶋H情況。

4 結(jié)論

針對(duì)植被生態(tài)自動(dòng)化觀測(cè)方法及儀器設(shè)計(jì)與實(shí)現(xiàn)，該研究明確了植被生態(tài)自動(dòng)化的觀測(cè)要素、觀測(cè)方式和使用的傳感器類(lèi)型，解決了植被生態(tài)自動(dòng)化觀測(cè)方法不明確和不統(tǒng)一的問(wèn)題。另外，基于植被生態(tài)自動(dòng)化觀測(cè)方法提出了儀器的設(shè)計(jì)與實(shí)現(xiàn)的流程與具體方法步驟，首先明確了儀器的系統(tǒng)組成，進(jìn)而確定儀器的核心部件控制處理硬件的主要接口和功能，再進(jìn)一步提出了控制處理器嵌入式軟件在基于ARM架構(gòu)ubuntu 16.04系統(tǒng)下AI運(yùn)算的設(shè)計(jì)流程和主功能模塊設(shè)計(jì)流程，解決了儀器的設(shè)計(jì)和實(shí)現(xiàn)問(wèn)題。最后，通過(guò)儀器在國(guó)家級(jí)農(nóng)業(yè)氣象試驗(yàn)基地，針對(duì)不同的植被類(lèi)型與人工進(jìn)行平行觀測(cè)，進(jìn)行外場(chǎng)觀測(cè)試驗(yàn)，結(jié)果表明采用的植被生態(tài)自動(dòng)化觀測(cè)方法是可行的、有效的，基于植被生態(tài)自動(dòng)化觀測(cè)方法研制的儀器性能指標(biāo)是符合實(shí)際業(yè)務(wù)觀測(cè)要求的。

參考文獻(xiàn)

[1] 朱敬芳，邢白靈，居為民，等.內(nèi)蒙古草原植被覆蓋度遙感估算[J].植物生態(tài)學(xué)報(bào)，2011，35（6）：615-622.

[2] 楊繪婷，徐涵秋.基于遙感空間信息的武夷山國(guó)家級(jí)自然保護(hù)區(qū)植被覆蓋度變化與生態(tài)質(zhì)量評(píng)估[J].應(yīng)用生態(tài)學(xué)報(bào)，2020，31（2）：533-542.

[3] 何斌，李青，劉勇.黔西北地區(qū)不同演替階段植物群落結(jié)構(gòu)與物種多樣性特征[J].廣西植物，2019，39（8）：1029-1038.

[4] 張穎，李松，張文豪，等.基于星載激光測(cè)高數(shù)據(jù)的植被冠層高度反演[J].應(yīng)用光學(xué)，2020，41（4）：697-703.

[5] 王川，范景輝，林思美，等.光學(xué)遙感植被指數(shù)與SAR遙感參數(shù)的相關(guān)性及其主要影響因素研究[J].國(guó)土資源遙感，2020，32（2）：130-137.

[6] 沙文生，魏淑花，牟高峰，等.寧夏草地植被覆蓋度動(dòng)態(tài)變化監(jiān)測(cè)[J].安徽農(nóng)業(yè)科學(xué)，2020，48（23）：10-15，20.

[7] 孫玉芳，姜麗華，李剛，等.外來(lái)植物入侵遙感監(jiān)測(cè)預(yù)警研究進(jìn)展[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2016，37（8）：223-229.

[8] 中國(guó)林業(yè)科學(xué)研究院資源信息研究所.一種森林物候信息自動(dòng)觀測(cè)方法：CN201710356448.0[P].2017-09-05.

[9] 楊玉澤，林文樹(shù).基于激光點(diǎn)云數(shù)據(jù)的樹(shù)木枝葉分割和三維重建[J].西北林學(xué)院學(xué)報(bào)，2020，35（3）：171-176.

[10] 河南中原光電測(cè)控技術(shù)有限公司.一種農(nóng)作物冠層高度的檢測(cè)方法及裝置：CN201611219819.2[P].2019-01-29.

[11] 國(guó)家衛(wèi)星氣象中心（國(guó)家空間天氣監(jiān)測(cè)預(yù)警中心）.冠層植被指數(shù)的反演方法、裝置及服務(wù)器：CN201911426087.8[P].2020-05-19.

[12] 尹曉明.基于TensorFlow深度學(xué)習(xí)機(jī)制的識(shí)別系統(tǒng)的實(shí)現(xiàn)及其移動(dòng)端識(shí)別優(yōu)化技術(shù)的研究[D].昆明：云南大學(xué)，2017：45-54.

[13] NICK TAUSANOVITCH.人工智能AI需要的硬件技術(shù)分析[J].集成電路應(yīng)用，2018，35（1）：30-32.

[14] 黎普濤，鞠訓(xùn)光，張德升，等.卷積神經(jīng)網(wǎng)絡(luò)在植被識(shí)別中的應(yīng)用研究[J].計(jì)算機(jī)科學(xué)與應(yīng)用，2019，9（5）：841-848.