摘要：

無人機(jī)在農(nóng)業(yè)遙感監(jiān)測中具有便捷性和較低成本，利用大疆精靈4Pro采集研究區(qū)水稻三個發(fā)育時期的遙感數(shù)據(jù)，并測定兩個時期水稻葉片N、P含量。通過無人機(jī)影像構(gòu)建的數(shù)字表面模型（DSM），進(jìn)行差分運(yùn)算得到能夠反應(yīng)水稻生長高度的差異數(shù)字表面模型（DDSM）。實(shí)測株高與DDSM提取株高擬合分析的決定系數(shù)R2為0.814，表明DDSM提取的株高具有較高精度。將葉片中N、P含量變化與DDSM提取的生長速率進(jìn)行分析，結(jié)果表明：施肥三天后，N、P含量分別為4.787%、0.291%，N、P含量比為16.481，生長速率為4.971 cm/d；施肥20天后，N、P含量分別為3.750%、0.211%，N、P含量比為17.892，生長速率為2.564 cm/d。水稻生長符合生長速率假說，生長速率較高的時期具有較高N、P含量和較低的N、P含量之比。

關(guān)鍵詞：水稻；無人機(jī)；差異數(shù)字表面模型；氮、磷含量；生長速率假說

中圖分類號：S511： TP79

文獻(xiàn)標(biāo)識碼：A

文章編號：2095-5553 （2024） 04-0186-07

收稿日期：2022年8月12日" 修回日期：2022年9月2日

基金項(xiàng)目：成都市技術(shù)創(chuàng)新研發(fā)項(xiàng)目（2022—YF05—01090—SN）；成都理工大學(xué)研究生質(zhì)量工程項(xiàng)目（2022YJG022）；四川省科技計(jì)劃項(xiàng)目（2021YFG0365）

第一作者：林遠(yuǎn)楊，男，1999年生，四川內(nèi)江人，碩士研究生；研究方向?yàn)闊o人機(jī)遙感技術(shù)、精準(zhǔn)農(nóng)業(yè)等。E-mail： llyywyn@163.com

通訊作者：何敬，男，1983年生，河南光山人，博士，副教授；研究方向?yàn)闊o人機(jī)影像處理、三維建模及遙感目標(biāo)識別等。E-mail： xiao00yao@163.com

Effect of N and P on rice growth based on UAV image

Lin Yuanyang1， Wang Bin 1， Huang Yao 1， Su Chao 4， He Jing1， Liu Gang1， 2

（1. School of Earth Sciences， Chengdu University of Technology， Chengdu， 610059， China; 2. Chengdu University of

Technology， State Key Laboratory of Geological Hazard Prevention and Geological Environment Protection， Chengdu，

610059， China; 3. Sichuan Supply and Marketing Grain and Oil Co.， Ltd.， Chengdu， 610059， China）

Abstract：

Unmanned aerial vehicle （UAV） has the advantages of convenience and lower cost in agricultural remote sensing monitoring. Remote sensing data of three developmental periods of rice in the study area were collected by using DJI Elf 4Pro， and the N and P contents of rice leaves in two periods were measured. The digital surface model （DSM） constructed from the UAV images was used to obtain a differential digital surface model （DDSM） capable of reflecting rice growth height by performing differential operations. The decision coefficient R2 of the fit analysis between the measured plant height and the DDSM-extracted plant height was 0.814， indicating that the DDSM-extracted plant height had high accuracy. The N and P contents in the leaves were analyzed with the growth rate extracted by DDSM， and the results showed that three days after fertilization， the N and P contents were 4.787% and 0.291%， and the N and P content ratio was 16.481， and the growth rate was 4.971 cm/d. 20 days after fertilization， the N and P contents were 3.750% and 0.211%， and the N and P content ratio was 17.892 growth， and the growth rate was 2.564 cm/d. The results indicate that rice growth is consistent with the growth rate hypothesis and the period of higher growth rate has higher N and P content and lower N and P content ratio.

Keywords：

rice; UAV; differential digital surface model; nitrogen and phosphorus content; growth rate hypothesis

0 引言

中國三分之二的城鄉(xiāng)居民的口糧消費(fèi)為水稻［1］，2023年水稻播種面積為28949.1khm2，占總糧食面積的24.33%，產(chǎn)量為20660.3kt，占糧食總產(chǎn)的29.71%。因此及時準(zhǔn)確地獲取到水稻的生產(chǎn)規(guī)模不僅保障我國糧食安全，也是維系人與自然生態(tài)平衡的關(guān)鍵［2］。在各種表型特征中，作物高度是作物生物量和作物健康狀況等的重要指標(biāo)，也是衡量其抗倒伏、蟲害的重要因素［3］?？焖贉?zhǔn)確地獲取水稻的生長高度是精準(zhǔn)農(nóng)業(yè)的一個重要組成部分，有助于對水稻肥料缺失、病蟲害等進(jìn)行管理決策和風(fēng)險評估，并可以彌補(bǔ)勞動力的缺失［4， 5］。

水稻的生長信息需要進(jìn)行作物生長調(diào)查，在生長季節(jié)對作物進(jìn)行實(shí)地監(jiān)測，傳統(tǒng)人工監(jiān)測農(nóng)作物的生長工作量大且效率低［6］。近年來，無人機(jī)平臺和傳感器的成本正在降低，能夠獲取更高空間分辨率和時間分辨率的遙感數(shù)據(jù)［7， 8］。無人機(jī)對于農(nóng)作物的監(jiān)測具有低成本、高靈活性、操作簡單的特點(diǎn)［9， 10］。張宏鳴等［11］使用無人機(jī)獲取四期玉米的數(shù)字表面模型，利用骨架算法提取玉米株高，精度高于其他兩種玉米高度提取方法；高雯晗［12］利用無人機(jī)平臺獲取高清數(shù)碼圖像提取油菜株高，其決定系數(shù)能夠達(dá)到0.92；Bendig等［13］利用多時相作物表面模型提取大麥株高；Zarco-Tejada等［14］使用固定翼無人機(jī)獲取RGB影像估算橄欖樹高，決定系數(shù)為0.83。這些研究表明基于無人機(jī)采集的影像數(shù)據(jù)能夠較好提取出農(nóng)作物的株高。

生態(tài)化學(xué)計(jì)量學(xué)是研究生態(tài)過程中各種化學(xué)元素的含量、相互作用關(guān)系以及隨著環(huán)境變化的規(guī)律，可以揭示生態(tài)系統(tǒng)的供給關(guān)系和物質(zhì)循環(huán)與平衡［15， 16］。目前，生態(tài)化學(xué)計(jì)量學(xué)的研究主要集中在C、N、P、K元素的計(jì)量關(guān)系，這些化學(xué)元素在植物生長和生理調(diào)節(jié)機(jī)能中發(fā)揮著重要作用［17］。生長速率假說是生態(tài)化學(xué)計(jì)量學(xué)的主要理論之一，假說主要內(nèi)容是C、N、P的計(jì)量關(guān)系對生物生長速率的影響［18］。在水稻培育中肥料（尤其是N、P）至關(guān)重要，因?yàn)镹和Р參與蛋白質(zhì)和遺傳物質(zhì)的制造，并且水稻生長發(fā)育中，P會參與核糖體和rRNA的生產(chǎn)；N會參與蛋白質(zhì)主體的氨基酸與各種酶、生物堿、多種輔酶和一些植物激素的生產(chǎn)，并參與碳水化合物利用［19， 20］。因此生長速率假說提出：快速生長的生物具有較低N、P比值［21］。

本研究采集三個水稻發(fā)育時期的無人機(jī)遙感影像，創(chuàng)建數(shù)字表面模型（DSM），并進(jìn)行差分運(yùn)算得到差異數(shù)字表面模型（Differential Digital Surface Mode， DDSM），DDSM可以提取出水稻的生長高度與生長速率；采集兩期水稻葉片樣本，提取出N、P含量，解析N、P含量與N、P比值對水稻生長速率的影響。為動態(tài)監(jiān)測水稻長勢與水稻長勢反應(yīng)的營養(yǎng)元素缺失，提供一種高精度、低成本的農(nóng)業(yè)監(jiān)測技術(shù)。

1 材料與方法

1.1 研究區(qū)域

研究區(qū)位于四川省成都市青白江姚渡鎮(zhèn)，居成都市東北部（東經(jīng)103°18′～104°20′，北緯30°47′～30°49′），地處成都市龍泉山脈的淺丘地帶，海拔高度約480m，研究區(qū)域約28hm2。姚渡鎮(zhèn)屬于多丘陵地帶，內(nèi)陸亞熱帶濕潤季風(fēng)氣候帶，四季分明，年平均氣溫14.9℃～16.7℃，全年無霜期273～279d，平均年降水量為925.4mm，年平均日照1239.1h，研究區(qū)地形平坦，起伏波動不大。

研究區(qū)為四川某有限公司管理，絕大部分農(nóng)田種植作物為水稻，用于水稻育種與水稻栽培。本研究選取該區(qū)域內(nèi)相鄰兩塊水稻田作為研究區(qū)并進(jìn)行數(shù)據(jù)采集。該水稻田為三系雜交水稻育種試驗(yàn)田，父本品種為“德恢3241”于3月20日播種，預(yù)計(jì)抽穗期為7月20日。母本品種為“品香A”于在5月3日播種，花期預(yù)計(jì)在7月20日。由于母本播種時間較晚，生長高度較低，本研究的研究對象為父本水稻。研究區(qū)分布圖如圖1所示。

1.2 試驗(yàn)設(shè)計(jì)

1.2.1 無人機(jī)數(shù)據(jù)采集

父本“德恢3241”在6月中旬進(jìn)入孕穗期，7月中旬進(jìn)入抽穗期。使用Phantom 4 PRO無人機(jī)，配備位置與姿態(tài)系統(tǒng)（Position and Orientation System，POS）分別于2022年6月16日，2022年6月20日和2022年7月5日采集研究區(qū)的無人機(jī)影像數(shù)據(jù)。無人機(jī)起飛重為1388g，圖像尺寸5472像素×3648像素，鏡頭為FOV 84°8.8mm/24mm，最大飛行時間為30min。影像獲取時，需太陽光強(qiáng)度穩(wěn)定、天空晴朗無云，在當(dāng)?shù)貢r間11：00～16：00進(jìn)行數(shù)據(jù)采集，飛行高度為50m，航向重疊度為80%，旁向重疊度為70%，每次飛行獲取大約120張圖像。

1.2.2 地面數(shù)據(jù)采集

為了獲取水稻葉片N、P的含量，在兩個試驗(yàn)田中，各選取5m×5m范圍進(jìn)行樣本框布設(shè)。如圖2中白色框所示，每個5m×5m的范圍內(nèi)有5個樣本框，樣本框大小為40cm×40cm。每個樣本框采集5個樣本點(diǎn)，樣本葉片采集順序按Z字形固定順序采集，每次葉片樣本采集共計(jì)50份，將樣本葉片一一對應(yīng)放入貼有標(biāo)簽的密封袋中。數(shù)據(jù)采集完成后立即放入冰箱保鮮，以避免葉片枯黃。

為了驗(yàn)證基于無人機(jī)提取水稻株高的精度，需要實(shí)測水稻株高對比分析。分別于2022年6月16日和2022年7月5日無人機(jī)飛行后，無風(fēng)條件下采集兩個時期父本水稻株高H，如圖2黑框所示，以種植地面到水稻植株頂端葉片的高度作為水稻的測量高度，使用卷尺測量其株高H。每塊水稻田選擇60株水稻進(jìn)行株高實(shí)測，每次數(shù)據(jù)采集共實(shí)測120株水稻。地面控制點(diǎn)可以提高DOM與DSM成果的精度，在進(jìn)行無人機(jī)航測之前使用中海達(dá)的GPS在研究區(qū)域采集10個地面控制點(diǎn)（GCP），以國家大地2000坐標(biāo)系（WGS2000，EPSG： 4544）為參考，地面控制點(diǎn)均勻設(shè)置在研究區(qū)。

1.3 數(shù)據(jù)處理

1.3.1 無人機(jī)影像數(shù)據(jù)處理

無人機(jī)遙感影像在Pix4Dmappe中優(yōu)化相機(jī)參數(shù)，利用基于無人機(jī)運(yùn)動重構(gòu)（SfM）與多視圖三維重建（MVS）技術(shù)創(chuàng)建高分辨率的數(shù)字表面模型（DSM）與數(shù)字正射影像（DOM）［22， 23］。SfM方法基于像對間的特征匹配數(shù)據(jù)，通過迭代光束平差過程自動求解相機(jī)方位和場景幾何形態(tài)等信息，并進(jìn)行自動特征匹配，采用非線性最小二乘算法不斷優(yōu)化。而生成的3D點(diǎn)云數(shù)據(jù)只具有圖像空間坐標(biāo)系，因此必須使用地面控制點(diǎn)（GCP）將其轉(zhuǎn)變到現(xiàn)實(shí)世界的空間坐標(biāo)系中。GCP可以提高絕對定位精度，優(yōu)化校準(zhǔn)參數(shù)，減少徑向和切向失真并將圖像坐標(biāo)轉(zhuǎn)換為參考坐標(biāo)。

通過GCP校正后的各時期DSM，具有統(tǒng)一的空間坐標(biāo)基準(zhǔn)。將不同生長時期的DSM進(jìn)行差值運(yùn)算，得到可以描述水稻株高生長高度的差異數(shù)字表面模型（DDSM），可作為水稻長勢的監(jiān)測指標(biāo)，株高提取原理如圖3所示。采集的三期數(shù)據(jù)生成的DSM分別記為DSM1、DSM2、DSM3，兩兩作差后分別得到水稻株高的增長值：DDSM1，DDSM2和DDSM3。

DDSM1=DSM2-DSM1

（1）

DDSM2=DSM3-DSM2

（2）

DDSM3=DSM3-DSM1

（3）

1.3.2 N、P元素提取

水稻葉片N、P元素含量提取的化學(xué)試驗(yàn)方法是連續(xù)流動分析儀法：首先將50個樣本點(diǎn)葉片放置在110℃下進(jìn)行0.5h殺青，然后將殺青完后的水稻葉片在70℃下烘干24h，待質(zhì)量恒定后進(jìn)行研磨并過0.5mm篩稱取0.2g干物質(zhì)質(zhì)量并放置于干燥容器內(nèi)。利用H2SO4-H2O2消煮法對研磨物質(zhì)進(jìn)行有機(jī)物分解，最后得到無機(jī)銨鹽或磷酸鹽，在利用連續(xù)流動分析儀進(jìn)行N、P含量測取。利用式（4）計(jì)算N、P含量。

y=C×V/M

（4）

式中：

y——元素含量；

C——無機(jī)銨鹽或磷酸鹽濃度；

V——樣品容積；

M——

樣品質(zhì)量。

本研究使用的是0.2g的樣本，100mL容積進(jìn)行的試驗(yàn)。

1.3.3 水稻生長速率

由于生物有機(jī)體為適應(yīng)其生長速率的變化必須改變體內(nèi)元素組成，在此基礎(chǔ)上產(chǎn)生了“生長速率假說”。該假說認(rèn)為生物有機(jī)體的生長速率與其體內(nèi)元素化學(xué)計(jì)量特征之間存在緊密的聯(lián)系。本研究中基于DDSM可以提取出某一階段內(nèi)水稻的生長高度，由此可以統(tǒng)計(jì)這一階段水稻的生長速率G，計(jì)算如式（5）所示。

G=Ht/t

（5）

式中：

t——某一階段的天數(shù)；

Ht——

在t時間內(nèi)水稻生長的高度。

1.3.4 精度評估方法

評估模型準(zhǔn)確性的指標(biāo)包括決定系數(shù)R2、均方根誤差RMSE和歸一化均方根誤差nRMSE。當(dāng)R2接近1時，模型的擬合效果較好，當(dāng)RMSE和nRMSE減小時，模型擬合效果上升。計(jì)算公式依次為

R2=∑ni=1（Xi-X）2（Yi-Y）2∑ni=1（Xi-X）2∑ni=1（Yi-Y）2

RMSE=∑ni=1（YI-Xi）2n

nRMSE=RMSEX×100%

2 結(jié)果與分析

2.1 正射影像與點(diǎn)云構(gòu)建

通過無人機(jī)影像的處理，構(gòu)建各時期研究區(qū)DSM，如圖4所示。

從圖4中可以看出，20220616時期與20220620時期的水稻較稀疏，父本水稻新分蘗的枝葉還未向外延申，可以清晰地看出每一列水稻；母本水稻還屬于幼苗階段，在點(diǎn)云圖中沒有呈現(xiàn)較明顯的高度。而20220705時期，水稻田中父本與母本的枝葉已經(jīng)將地面覆蓋，在正射圖中可以較明顯地看到母本水稻，父本與母本高度的不統(tǒng)一使得DSM表面較粗糙。

2.2 水稻株高提取

將三期DSM兩兩進(jìn)行差分運(yùn)算，得到20220616—20220620的水稻生長高度DDSM1，20220620—20220705的水稻生長高度DDSM2，還有20220616—20220705的水稻生長高度DDSM3，結(jié)果如圖5所示。在120株水稻高度采樣點(diǎn)處，分別提取DDSM1，DDSM2，DDSM3的值，株高生長高度變化如圖6所示。

由圖6可知，單株水稻DDSM1與DDSM2的總和為DDSM3。在20220616—20220705這一階段，水稻生長高度的平均值為41.634 cm；20220616—20220620時期，水稻生長高度的平均值為18.172 cm；20220620—20220705時期，水稻生長高度的平均值為23.462 cm。DDSM1的生長高度波動較大，DDSM2的生長高度較平緩，趨于平均值。

為驗(yàn)證基于DDSM提取水稻生長高度的可靠性，20220616—20220705時期的水稻生長高度DDSM3與實(shí)測株高增長值進(jìn)行擬合分析，結(jié)果如圖7所示。

由圖7可知，基于DDSM3提取的水稻生長高度與實(shí)測水稻株高的決定系數(shù)R2為0.814，RMSE為7.058 cm，nRMSE=16.860%。這說明基于DDSM3提取水稻株高具有較高的精度，可以對水稻的長勢有較好的監(jiān)測，并且表明該階段中20220616—20220620時期的DDSM1和20220620—20220705時期的DDSM2，能夠代表水稻實(shí)際的生長高度。

2.3 水稻葉片N、P含量提取

使用連續(xù)流動測速儀對水稻葉片進(jìn)行N、P含量提取，每期獲得50份樣本數(shù)據(jù)。每個樣本框中的5份樣本葉片的N、P含量取平均值為該樣本框中水稻的N、P含量，得到10個樣本框中水稻N、P含量。不同生育時期水稻葉片的N、P含量的變化規(guī)律如圖8所示。

由圖8可知，20220616時期水稻葉片N、P含量的平均值分別為4.787%、0.291%，而20220705時期水稻葉片N、P含量的平均值分別為3.750%、0.211%，20220616時期的N、P含量都大于20220705時期。由于2022年6月15日對研究區(qū)水稻進(jìn)行了施肥，水稻中的N、P含量明顯增加，隨著水稻對肥料的吸收與轉(zhuǎn)換，水稻中的N、P含量又逐漸減少。

2.4 N、P含量對水稻生長速率的影響

使用基于DDSM提取的水稻生長高度，統(tǒng)計(jì)20220616—20220620與20220620—20220705兩個時期水稻生長速率。在使用實(shí)測水稻株高進(jìn)行驗(yàn)證的120株水稻中，選取水稻葉片樣本框中的10株水稻，統(tǒng)計(jì)生長速率，結(jié)果如圖9所示。

由圖9可知，20220616—20220620生長速率平均值為4.971 cm/d，而20220620—20220705時期生長速率的平均值為2.564 cm/d。水稻生長速率在施肥后三天內(nèi)最高達(dá)到了7.469 cm/d，最低生長速率為3.652 cm/d。而在20220620—20220702時期生長速率較平穩(wěn)，穩(wěn)定在2 cm/d到3 cm/d之間。由圖綜合分析可知，施肥之后，N、P含量明顯增加，水稻的生長速率也明顯增加。而在水稻的發(fā)育中，氮、磷逐漸被水稻吸收并轉(zhuǎn)換為自身物質(zhì)，N、P含量逐漸變小，生長速率降低，趨于平穩(wěn)。

由圖9分析，可以得到兩個時期N、P含量之比，結(jié)果如圖10所示，20220616時期N、P含量之比的平均值為16.481，小于20220705時期N、P含量之比的平均值17.892。水稻的生長速率與N、P含量之比存在一定關(guān)系，將兩個時期N、P含量之比與此階段中水稻生長速率進(jìn)行擬合分析，結(jié)果如圖11所示。

由圖11可知，雖然施肥后N、P含量上升，但N、P含量之比沒有明顯上升，20220705時期的N、P含量之比要大于20220616時期。隨著N、P含量比的增加，水稻生長速率降低。

3 討論

3.1 水稻株高提取

DDSM提取株高與實(shí)測株高對比分析后，可以說明，DDSM提取株高長勢與實(shí)際生長情況一致，DDSM預(yù)測的水稻株高對水稻長勢監(jiān)測以及對水稻生長中營養(yǎng)成分的響應(yīng)具有可行性。綜合各時期的DOM、DSM、DDSM綜合分析可知，水稻是異速生長的農(nóng)作物，所以在相同時間內(nèi)發(fā)育狀態(tài)不同的水稻株高生長高度會不同。而且在較高生長速率的發(fā)育期，同一塊田的生長高度波動較大，這使得DDSM1表面較粗糙，且DDSM1中的高度值分布不均勻，這是因?yàn)樗救~片較細(xì)且稀少，并且每株水稻間存在較多空隙。但水稻但經(jīng)過一定時間的生長發(fā)育后，葉片變得濃厚，延伸到了周圍區(qū)域，水稻葉片會相互交叉遮擋形成下墊面，水稻株高也會趨于平均值，DDSM2中水稻增長值也較為均衡。

對于無人機(jī)監(jiān)測作物生長高度還有較大的提升空間，并且需要討論更多的水稻生長因素如：無人機(jī)數(shù)據(jù)的空間分辨率、田間風(fēng)的大小等。在未來不僅要提高無人機(jī)監(jiān)測的精度，也要實(shí)施綜合的、自動化的圖像采集過程，以創(chuàng)建作物的生長模型，而不是使用階梯式的、繁瑣的半自動化提取作物生長情況。

3.2 N、P含量對水稻生長速率的影響

生長速率假說是解析生命有機(jī)體維持其體內(nèi)平衡的機(jī)制性假說。該假說認(rèn)為生命有機(jī)體的生長速率隨生育期而變化，為適應(yīng)這種變化有機(jī)體還需改變其體內(nèi)N、P含量以及N、P比值，即較高的生長速率對應(yīng)著較高濃度的N、P含量以及較低的N、P比值。在本研究中，20220615時期研究區(qū)進(jìn)行施肥后，水稻的N、P含量明顯上升，并且水稻生長速率在20220620時期前也明顯提高，這表明水稻的生長速率與N、P含量成正相關(guān)關(guān)系。在20220616時期N、P比要小于20220705時期，但生長速率卻大于20220705時期，這表明水稻的生長速率與N、P比成負(fù)相關(guān)關(guān)系。水稻生長速率較高的時期，N、P含量較高，N、P比值較低，這說明水稻的生長符合生長速率假說。

基于無人機(jī)提取的株高比人工監(jiān)測更加方便、快捷且成本較低，由于N、P含量對水稻的生長有著促進(jìn)的作用，當(dāng)施肥后可以利用無人機(jī)監(jiān)測水稻生長，可以快速地發(fā)現(xiàn)由于肥料缺失導(dǎo)致的生長速率緩慢的水稻，并及時地在該區(qū)域補(bǔ)充肥料。

在水稻生長速率較高的時期，N、P比值雖然小于生長速率較緩慢的時期，但并不明顯。由于生物體內(nèi)的P主要存在于rRNA，水稻的莖葉快速生長，快速合成蛋白質(zhì)則意味著更多的核糖體即rRNA，這表明水稻吸收的磷肥還會儲存在莖稈中，并沒有完全運(yùn)輸在葉片中，并且作物中的液泡還存有營養(yǎng)物質(zhì)，這就可能導(dǎo)致N、P比值沒有明顯降低。

4 結(jié)論

本研究中，使用無人機(jī)照片、GCP數(shù)據(jù)和POS數(shù)據(jù)來構(gòu)建DSM，并測定兩個時期水稻葉片N、P含量。通過差分運(yùn)算得到能夠反映水稻生長高度的DDSM，將葉片中N、P含量變化與DDSM提取的生長速率進(jìn)行分析，較為準(zhǔn)確地提取了水稻株高，并可以從水稻生長的狀態(tài)來判斷某區(qū)域N、P含量的缺失，以便及時為該區(qū)域重新施肥。

1） 本研究利用DDSM提取的株高與實(shí)測株高進(jìn)行擬合分析，決定系數(shù)R2為0.814，表明DDSM提取的株高具有較高精度；其生長速率，施肥3天后為4.971 cm/d，施肥20天后為2.564 cm/d。

2） 本研究中兩個時期內(nèi)葉片中N、P含量變化：施肥三天后，N、P含量分別為4.787%、0.291%，N、P含量比為16.481；施肥20天后，N、P含量分別為3.750%、0.211%，N、P含量比為17.892。

3） 綜合分析生長速率與N、P含量，水稻葉片中N、P含量增加，水稻生長速率也顯著提升，表明N、P能夠促進(jìn)水稻的生長發(fā)育；N、P比值低時生長速率卻明顯提高，因此研究區(qū)水稻的生長符合生長速率假說，即生物較高的生長速率對應(yīng)這較高的N、P含量與較低的N、P比值。

參 考 文 獻(xiàn)

［1］ 唐華俊. 新形勢下中國糧食自給戰(zhàn)略［J］. 農(nóng)業(yè)經(jīng)濟(jì)問題， 2014， 35（2）： 4-10.

［2］ 黃季焜. 對近期與中長期中國糧食安全的再認(rèn)識［J］. 農(nóng)業(yè)經(jīng)濟(jì)問題， 2021（1）： 19-26.

Huang Jikun. Recognition of recent and mid-longterm food security in China ［J］. Issues in Agricultural Economy， 2021（1）： 19-26.

［3］ 徐云碧. 作物科學(xué)中的環(huán)境型鑒定（Envirotyping）及其應(yīng)用［J］. 中國農(nóng)業(yè)科學(xué)， 2015， 48（17）： 3354-3371.

Xu Yunbi. Envirotyping and its applications in crop science ［J］. Scientia Agricultura Sinica， 2015， 48（17）： 3354-3371.

［4］ Guo G， Wen Q， Zhu J. The impact of aging agricultural labor population on farmland output： From the perspective of farmer preferences ［J］. Mathematical Problems in Engineering， 2015： 1-7.

［5］ Gil-Docampo M L， Arza-Garcia M， Ortiz-Sanz J， et al. Above-ground biomass estimation of arable crops using UAV-based SfM photogrammetry ［J］. Geocarto International， 2020， 35（7）： 687-699.

［6］ Jimenez-Berni J A， Deery D M， Rozas-Larraondo P， et al. High throughput determination of plant height， ground cover， and above-ground biomass in wheat with LiDAR ［J］. Frontiers in Plant Science， 2018， 9： 335148.

［7］ Burkart A， Hecht V L， Kraska T， et al. Phenological analysis of unmanned aerial vehicle based time series of barley imagery with high temporal resolution ［J］. Precision Agriculture， 2018， 19（1）： 134-146.

［8］ 劉清旺， 李世明， 李增元， 等. 無人機(jī)激光雷達(dá)與攝影測量林業(yè)應(yīng)用研究進(jìn)展［J］. 林業(yè)科學(xué)， 2017， 53（7）： 134-148.

Liu Qingwang， Li Shiming， Li Zengyuan， et al. Review on the applications of UAV-based LiDAR and photogrammetry in forestry ［J］. Scientia Silvae Sinicae， 2017， 53（7）： 134-148.

［9］ 張繼賢， 劉飛， 王堅(jiān). 輕小型無人機(jī)測繪遙感系統(tǒng)研究進(jìn)展［J］. 遙感學(xué)報， 2021， 25（3）： 708-724.

Zhang Jixian， Liu Fei， Wang Jian. Review of the light-weighted and small UAV system for aerial photography and remote sensing ［J］. National Remote Sensing Bulletin， 2021， 25（3）： 708-724.

［10］ 郭慶華， 胡天宇， 劉瑾， 等. 輕小型無人機(jī)遙感及其行業(yè)應(yīng)用進(jìn)展［J］. 地理科學(xué)進(jìn)展， 2021， 40（9）： 1550-1569.

Guo Qinghua， Hu Tianyu， Liu Jin， et al. Advances in light weight unmanned aerial vehicle remote sensingand major industrial applications ［J］. Progress in Geography， 2021， 40（9）： 1550-1569.

［11］ 張宏鳴， 譚紫薇， 韓文霆， 等. 基于無人機(jī)遙感的玉米株高提取方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（5）： 241-250.

Zhang Hongming， Tan Ziwei， Han Wenting， et al. Extraction method of maize height based on UAV remote sensing ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（5）： 241-250.

［12］ 高雯晗. 無人機(jī)載遙感數(shù)據(jù)估測油菜長勢參數(shù)方法研究［D］. 武漢： 華中農(nóng)業(yè)大學(xué)， 2019.

Gao Wenhan. Research on method of estimating oilseed rape growth parameters based on UAV borne remote sensing data ［D］. Wuhan： Huazhong Agricultural University， 2019.

［13］ Bendig J， Bolten A， Bennertz S， et al. Estimating biomass of barley using crop surface models （CSMs） derived from UAV-based RGB imaging ［J］. Remote Sensing， 2014， 6（11）：10395-10412.

［14］ Zarco-Tejada P J， González-Dugo V， Berni J A J. Fluorescence， temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera ［J］. Remote Sensing of Environment， 2012， 117： 322-337.

［15］ 楊榮， 塞那， 蘇亮， 等. 內(nèi)蒙古包頭黃河濕地土壤碳氮磷含量及其生態(tài)化學(xué)計(jì)量學(xué)特征［J］. 生態(tài)學(xué)報， 2020， 40（7）： 2205-2214.

Yang Rong， Sai Na， Su Liang， et al. Ecological stoichiometry characteristics of soil carbon， nitrogen and phosphorus of the Yellow River wetland in Baotou，Inner Mongolia ［J］. Acta Ecologica Sinica， 2020， 40（7）： 2205-2214.

［16］ 趙瑞， 王傳寬， 全先奎， 等. 黑龍江省帽兒山溫帶闊葉樹種不同器官的生態(tài)化學(xué)計(jì)量特征［J］. 林業(yè)科學(xué)， 2021， 57（2）： 1-11.

Zhao Rui， Wang Chuankuan， Quan Xiankui， et al. Ecological stoichiometric characteristics of different organs of broadleaf tree species in a temperate forest in maoershan area， Heilongjiang Province ［J］. Scientia Silvae Sinicae， 2021， 57（2）： 1-11.

［17］ 張志山， 楊貴森， 呂星宇， 等. 荒漠生態(tài)系統(tǒng)C、N、P生態(tài)化學(xué)計(jì)量研究進(jìn)展［J］. 中國沙漠， 2022， 42（1）： 48-56.

Zhang Zhishan， Yang Guisen， Lü Xingyu， et al. Research progresses in ecological stoichiometry of C，N and P in desert ecosystems ［J］. Journal of Desert Research， 2022， 42（1）： 48-56.

［18］ 田地， 嚴(yán)正兵， 方精云. 植物生態(tài)化學(xué)計(jì)量特征及其主要假說［J］. 植物生態(tài)學(xué)報， 2021， 45（7）： 682-713.

Tian Di， Yan Zhengbing， Fang Jingyun. Review on characteristics and main hypotheses of plant ecological stoichiometry ［J］. Chinese Journal of Plant Ecology， 2021， 45（7）： 682-713.

［19］ 徐曉明， 張迎信， 王會民， 等. 水稻氮、磷、鉀吸收利用遺傳特征研究進(jìn)展［J］. 核農(nóng)學(xué)報， 2016， 30（4）： 685-694.

Xu Xiaoming， Zhang Yingxin， Wang Huimin， et al. Advancement of genetic characteristics for N，P and K utilization of rice ［J］. Journal of Nuclear Agricultural Sciences， 2016， 30（4）： 685-694.

［20］ 王春雨. 不同種植方式下氮素水平對雜交秈稻根系形態(tài)及養(yǎng)分吸收特性的影響［D］. 成都：四川農(nóng)業(yè)大學(xué)， 2018.

Wang Chunyu. The effects of nitrogen levels on characteristics of root and nutrient uptake of hybrid rice under different planting methods ［D］. Chengdu： Sichuan Agricultural University， 2018.

［21］ 李發(fā)奎， 李金霞， 孫小妹， 等. 黑果枸杞莖葉生長及其生態(tài)化學(xué)計(jì)量特征對灌水施肥的響應(yīng)［J］. 干旱區(qū)研究， 2020， 37（2）： 452-461.

Li Fakui， Li Jinxia， Sun Xiaomei， et al. Effects of irrigation and fertilization on the stem and leaf growth and ecostoichiometric characteristics of Lycium ruthenicum Murr ［J］. Arid Zone Research， 2020， 37（2）： 452-461.

［22］ 許志華， 吳立新， 劉軍， 等. 顧及影像拓?fù)涞腟fM算法改進(jìn)及其在災(zāi)場三維重建中的應(yīng)用［J］. 武漢大學(xué)學(xué)報（信息科學(xué)版）， 2015， 40（5）： 599-606.

Xu Zhihua， Wu Lixin， Liu Jun， et al. Modification of SfM algorithm referring to image’ topology and its application in 3-dimension reconstruction of disaster area ［J］. Geomatics and Information Science of Wuhan University， 2015， 40（5）： 599-606.

［23］ 王年， 胡旭陽， 朱凡， 等. 基于視圖感知的單視圖三維重建算法［J］. 電子與信息學(xué)報， 2020， 42（12）： 3053-3060.

Wang Nian， Hu Xunyang， Zhu Fan， et al. Single-view 3D reconstruction algorithm based on view-aware ［J］. Journal of Electronics amp; Information Technology， 2020， 42（12）： 3053-3060.