關(guān)鍵詞：苧麻；葉片氮含量；高光譜；多尺度

中圖分類號(hào)：S563.1：TP181 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2025）02-0165-07

苧麻是蕁麻科苧麻屬多年生草本纖維植物。我國(guó)擁有豐富的苧麻種質(zhì)資源，種植面積和原麻產(chǎn)量占世界的90%以上。苧麻用途多樣，具有獨(dú)特的經(jīng)濟(jì)、藥用、生態(tài)價(jià)值，發(fā)展前景廣闊。氮素是苧麻生長(zhǎng)和產(chǎn)量品質(zhì)形成所必需的最重要的營(yíng)養(yǎng)元素，快速準(zhǔn)確地獲取苧麻氮素營(yíng)養(yǎng)狀況有助于科學(xué)、高效地制定氮肥管理策略，提高氮肥利用效率及降低環(huán)境污染。

傳統(tǒng)的苧麻氮素營(yíng)養(yǎng)診斷方法以大田調(diào)查取樣、實(shí)驗(yàn)室測(cè)量為主，這種方法耗費(fèi)大量人力、物力和時(shí)間，很難實(shí)時(shí)、精準(zhǔn)地獲取苧麻氮素狀況。隨著光譜技術(shù)的發(fā)展，高光譜遙感技術(shù)在作物葉綠素、葉面積指數(shù)以及氮磷鉀等各種生理生態(tài)參數(shù)的估測(cè)研究中廣泛應(yīng)用并取得不少成果。如白雪嬌找出了不同生育期冠層葉片氮含量、葉綠素含量及葉面積指數(shù)回歸擬合效果最好的光譜變量，并構(gòu)建了估測(cè)模型。付虹雨等基于無(wú)人機(jī)苧麻冠層RGB影像，通過(guò)數(shù)據(jù)融合和機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了苧麻產(chǎn)量估測(cè)。岳云開(kāi)等利用無(wú)人機(jī)多光譜遙感技術(shù)對(duì)苧麻葉綠素含量進(jìn)行監(jiān)測(cè)，最終篩選出成熟期的隨機(jī)森林（RF）模型用于苧麻葉綠素含量反演。王仁紅等研究發(fā)現(xiàn)利用高光譜手段反演氮營(yíng)養(yǎng)指數(shù)具有可行性。張?bào)憷俚壤酶吖庾V成像技術(shù)實(shí)現(xiàn)了對(duì)油菜葉片氮含量快速監(jiān)測(cè)及氮素含量分布情況的可視化。Inoue等利用400～900nm波段范圍的水稻冠層高光譜圖像構(gòu)建了葉片氮素營(yíng)養(yǎng)回歸模型。梁亮等利用一階微分光譜構(gòu)建歸一化氮指數(shù)，并建立了偏最小二乘回歸（PLSR）及支持向量機(jī)（SVM）算法的冠層氮含量估測(cè)模型。姚霞等利用不同算法的紅邊位置建立了小麥冠層氮素含量估算模型，并進(jìn)行了比較分析。薛利紅等發(fā)現(xiàn)水稻冠層光譜反射率與葉片氮積累量（LNA）呈顯著相關(guān)，尤其是近紅外與綠光波段的比值（R₈₁₀/R₅₆₀）與LNA呈顯著線性關(guān)系，不受氮肥水平和生育時(shí)期的影響，回歸方程為L(zhǎng)NA=0.859R₈₁₀/R₅₆₀-1.1596?？梢?jiàn)，利用該技術(shù)，通過(guò)分析作物不同氮營(yíng)養(yǎng)狀況下的冠層光譜差異，構(gòu)建基于作物冠層光譜的氮素營(yíng)養(yǎng)估測(cè)模型，能夠定量預(yù)測(cè)作物氮素含量。

為提高作物氮素營(yíng)養(yǎng)估測(cè)精度，不少學(xué)者探索了不同尺度光譜源檢測(cè)作物氮素含量的潛力。楊天成使用ASD（Analytical Spectral Devices）公司生產(chǎn)的FieldSpec 3地物光譜儀獲取的高光譜數(shù)據(jù)及無(wú)人機(jī)數(shù)據(jù)和模擬衛(wèi)星反射率數(shù)據(jù)，在葉片和冠層兩種尺度上構(gòu)建了小麥鉀營(yíng)養(yǎng)監(jiān)測(cè)的光譜模型。董淼采用光譜分析與室內(nèi)葉綠素含量化學(xué)分析相結(jié)合的方法，分別在葉片和冠層尺度上對(duì)紅富士蘋(píng)果光譜反射率進(jìn)行分析，選取對(duì)葉綠素含量敏感的波段進(jìn)行模型構(gòu)建。Zhu等使用葉片和冠層尺度的高光譜變量（H-變量）作為統(tǒng)計(jì)葉綠素含量（LCC）模型的輸入，通過(guò)Pearson相關(guān)過(guò)濾和遞歸特征消除程序確定了建模的最佳H-變量。李棟利用連續(xù)小波分析方法，在葉片和冠層水平提取了葉綠素含量敏感的小波特征，并構(gòu)建了基于小波特征的多尺度葉綠素估測(cè)模型。田明璐研究發(fā)現(xiàn)冬小麥葉片和冠層SPAD值估算模型中，使用敏感光譜參數(shù)為自變量的支持向量回歸（SVR）模型精度最高。丁雅在葉片和冠層尺度上分析了不同時(shí)期棗原始光譜和一階光譜反射率的變化特征，將不同時(shí)期葉片、冠層光譜與營(yíng)養(yǎng)元素進(jìn)行相關(guān)性分析，構(gòu)建了棗葉片、冠層營(yíng)養(yǎng)元素含量的高光譜估測(cè)模型。羅丹通過(guò)對(duì)小麥葉片全氮含量與對(duì)應(yīng)的冠層和葉片光譜數(shù)據(jù)進(jìn)行相關(guān)性分析，確立了對(duì)氮素敏感的波段，并基于此建立估算葉片氮含量的模型，結(jié)果表明，基于徑向基函數(shù)（RBF）網(wǎng)絡(luò)在冠層和葉片尺度上構(gòu)建的模型具有較高決定系數(shù)和較低誤差，在檢驗(yàn)中R2均在0.9以上，RMSE均小于0.2，是估算葉片氮含量的最佳模型。以上研究表明，基于多尺度光譜數(shù)據(jù)利用高光譜技術(shù)估測(cè)作物葉片氮含量是可行的。

當(dāng)前還未有利用多尺度光譜數(shù)據(jù)估測(cè)苧麻葉片氮含量的研究報(bào)道，為此，本研究基于不同生育時(shí)期冠層和葉片兩個(gè)尺度的光譜數(shù)據(jù)，通過(guò)分析光譜反射率與葉片全氮含量的相關(guān)性，利用PLSR、SVM、RF算法構(gòu)建不同尺度的苧麻葉片全氮含量高光譜估測(cè)模型，以期為實(shí)時(shí)監(jiān)測(cè)苧麻氮素營(yíng)養(yǎng)狀況及植株長(zhǎng)勢(shì)提供技術(shù)支持。

1材料與方法

1.1試驗(yàn)材料及試驗(yàn)設(shè)計(jì)

試驗(yàn)于2022年4—11月在湖南農(nóng)業(yè)大學(xué)苧麻試驗(yàn)基地（28°10′51″N，113°04′34″E）進(jìn)行，供試苧麻品種為中苧2號(hào)。試驗(yàn)采用隨機(jī)區(qū)組設(shè)計(jì)，設(shè)置4個(gè)施氮水平，分別為NO（不施氮肥）、N1（施純氮273kg/hm²）、N2（施純氮332kg/hm²）、N3（常規(guī)施肥量，純氮390kg/hm²）；另設(shè)有2個(gè)追肥時(shí)期，分別為封行期（a）和旺長(zhǎng)期（b）。60%的氮肥基施，剩余40%的氮肥一次性追施。以N3水平封行期追肥作為CK，共7個(gè)處理（N0、N1-a、Nl-b、N2-a、N2-b、CK、N3-b），每個(gè)處理重復(fù)3次，共21個(gè)試驗(yàn)小區(qū)。磷肥（P₂O₅150kg/hm²）和鉀肥（K₂O 300kg/hm²）均作為基肥一次性施入。

1.2數(shù)據(jù)采集與處理

1.2.1地面高光譜數(shù)據(jù)采集與處理 冠層高光譜數(shù)據(jù)用Field Spec Hand Held 2便攜式地物光譜儀（ASD，美國(guó)）進(jìn)行采集，儀器波長(zhǎng)范圍325～1075nm，光譜分辨率3nm@ 700 nm，光譜采樣間隔1.5nm，視場(chǎng)角25°。葉片高光譜數(shù)據(jù)用Field-Spec 3（ASD，美國(guó)）地物光譜儀進(jìn)行采集，內(nèi)置石英鹵素?zé)?，光源穩(wěn)定。

于兩季苧麻（頭麻、二麻）的關(guān)鍵生育時(shí)期（苗期、封行期、旺長(zhǎng)期、成熟期）進(jìn)行數(shù)據(jù)采集，共進(jìn)行了8次采集任務(wù)，均在晴朗無(wú)云少風(fēng)天的10時(shí)至14時(shí)完成。冠層光譜數(shù)據(jù)采集時(shí)，每小區(qū)測(cè)定前均用標(biāo)準(zhǔn)白板校正，然后每小區(qū)均勻選取2個(gè)采樣點(diǎn)，使儀器光纖探頭距苧麻冠層上方70cm進(jìn)行測(cè)定，每個(gè)采樣點(diǎn)重復(fù)測(cè)定3次，以平均值作為該小區(qū)的冠層光譜反射率數(shù)據(jù)。葉片光譜數(shù)據(jù)測(cè)定前同樣進(jìn)行白板校正，每個(gè)小區(qū)隨機(jī)選擇4蔸（選蔸后定蔸），每蔸選擇2株測(cè)其倒三葉4條光譜數(shù)據(jù)，取平均值作為該葉片的最終光譜。

1.2.2苧麻葉片全氮含量的測(cè)定 光譜測(cè)定完后，采集每個(gè)生育時(shí)期樣本點(diǎn)的苧麻倒三葉，裝入標(biāo)記好的信封中帶回實(shí)驗(yàn)室，放入烘箱104℃殺青30min后70～80℃烘干，稱重，然后采用凱氏定氮法測(cè)定苧麻葉片全氮含量（LNC）：將葉片樣品磨碎后進(jìn)行消化，直至溶液變清澈透明為止，待消化液冷卻后，使用AA3型連續(xù)流動(dòng)分析儀測(cè)定消化液全氮含量，計(jì)算苧麻葉片全氮含量。

1.3模型構(gòu)建與評(píng)估

試驗(yàn)共獲得兩季苧麻608個(gè)樣本的LNC數(shù)據(jù)，將每個(gè)生育時(shí)期的兩季樣本（152個(gè)）隨機(jī)按3：1比例劃分為訓(xùn)練集和驗(yàn)證集。采用View Spec Pro 6.2軟件對(duì)冠層和葉片光譜數(shù)據(jù)進(jìn)行預(yù)處理，輸出原始光譜及一階導(dǎo)數(shù)光譜，然后利用Microsoft Excel 2016進(jìn)行數(shù)據(jù)整理。用SPSS Sta-tistics 27軟件進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，采用Pearson相關(guān)性分析求取苧麻L(zhǎng)NC與光譜反射率的相關(guān)系數(shù)，挑選出相關(guān)性最大的波段作為特征波段。將篩選出的特征波段作為輸入變量，分別采用PLSR、SVM和RF構(gòu)建苧麻L(zhǎng)NC估測(cè)模型。使用決定系數(shù)（R²）、均方根誤差（RMSE）作為模型評(píng)價(jià)指標(biāo)，R²值越大、相對(duì)應(yīng)的RMSE值越小，說(shuō)明模型預(yù)測(cè)能力越好。

2結(jié)果與分析

2.1不同施氮水平對(duì)苧麻L(zhǎng)NC的影響

圖1和圖2分別展示了2022年頭麻、二麻各生育時(shí)期LNC在不同施氮水平下的差異，可以看出，隨著生育時(shí)期的后移，不同處理苧麻L(zhǎng)NC差異加大，并且隨著施氮水平的提升，LNC表現(xiàn)出明顯的增加趨勢(shì)，表現(xiàn)為N3gt;N2gt;N1gt;N0。N2水平下不同追肥時(shí)期對(duì)苧麻L(zhǎng)NC的影響較大，大多生育時(shí)期表現(xiàn)出顯著差異?？傮w來(lái)說(shuō)，低氮水平下旺長(zhǎng)期追肥的LNC值較高，而高氮水平下，封行期追肥的LNC值較高。

2.2基于冠層光譜的苧麻L(zhǎng)NC估測(cè)

2.2.1冠層光譜波段篩選 采用Pearson相關(guān)性分析方法探究不同生育時(shí)期苧麻L(zhǎng)NC與冠層一階導(dǎo)數(shù)光譜之間的相關(guān)關(guān)系，從而篩選出可用于LNC估測(cè)的波段。結(jié)果（圖3）顯示，苧麻L(zhǎng)NC與一階導(dǎo)數(shù)光譜在多個(gè)生育時(shí)期都存在顯著（Plt;0.05）或極顯著（Plt;0.01，下同）相關(guān)關(guān)系，其中，苗期在414～420、456～460、545～551nm波段呈極顯著正相關(guān)：封行期在896～921nm波段呈極顯著正相關(guān)，在972～1074nm波段呈極顯著負(fù)相關(guān)；旺長(zhǎng)期在329、998nm波長(zhǎng)外呈極顯著相關(guān)，在1020～1044 nm波段呈極顯著負(fù)相關(guān)：成熟期在445～457、852～868nm波段呈極顯著負(fù)正相關(guān)，在904～915nm波段呈極顯著負(fù)相關(guān)。

在上述分析的基礎(chǔ)上，選取各生育時(shí)期與LNC極顯著相關(guān)的特征波長(zhǎng)，用于構(gòu)建苧麻L(zhǎng)NC估測(cè)模型。苧麻冠層一階導(dǎo)數(shù)光譜在苗期414～420、456～460、545～551nm波段存在一定差異，因此選取該波段范圍內(nèi)的3個(gè)拐點(diǎn)即414、459、550 nm作為特征波長(zhǎng)，其中414nm特征波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為0.536;封行期篩選出的特征波長(zhǎng)為913、996、1029、1070nm，其中996nm波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為-0.592：旺長(zhǎng)期篩選出的特征波長(zhǎng)為329、998、1021、1044nm，其中1044nm波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為-0.552。成熟期篩選出的特征波長(zhǎng)為413、456、866、908nm，其中908nm波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為-0.580。

2.2.2基于冠層光譜的苧麻L(zhǎng)NC估測(cè)模型構(gòu)建及驗(yàn)證 將篩選出的各生育時(shí)期特征波長(zhǎng)作為輸入變量，構(gòu)建基于一階導(dǎo)數(shù)光譜特征的LNC估測(cè)模型。表1為不同生育時(shí)期苧麻L(zhǎng)NC估測(cè)模型精度評(píng)價(jià)結(jié)果，可以看出：在苗期，PLSR建模效果最好，估測(cè)模型精度最高，驗(yàn)證集的R²=0.506，RMSE=0.695：在封行期，基于RF的LNC估測(cè)模型精度最高，驗(yàn)證集的R²=0.694，RMSE=0.440;在旺長(zhǎng)期，也是基于RF的LNC估測(cè)模型精度最好，驗(yàn)證集的R²=0.676，RMSE=0.382;在成熟期，仍是RF模型的精度最好，驗(yàn)證集的R²=0.795， RMSE= 0.608，優(yōu)于PLSR（R²=0.617，RMSE=0.624）和SVM（R²=0.778，RMSE=0.503）的建模效果。通過(guò)比較發(fā)現(xiàn)，3種機(jī)器學(xué)習(xí)模型中，基于RF構(gòu)建的LNC估測(cè)模型在封行期、旺長(zhǎng)期和成熟期精度均最高，在苗期表現(xiàn)也較好，因此，以RF構(gòu)建的LNC估測(cè)模型在苧麻4個(gè)生育時(shí)期的綜合表現(xiàn)最佳。

2.3基于葉片光譜的苧麻L(zhǎng)NC估測(cè)

2.3.1葉片光譜波段篩選 Pearson相關(guān)性分析結(jié)果（圖4）顯示，苧麻L(zhǎng)NC與葉片一階導(dǎo)數(shù)光譜在多個(gè)生育時(shí)期都存在顯著或極顯著相關(guān)關(guān)系。其中，苗期在2 036～2087nm波段范圍內(nèi)呈極顯著正相關(guān)：封行期在480～490nm波段范圍內(nèi)呈極顯著負(fù)相關(guān)，在970～996、2067～2093nm波段范圍內(nèi)呈極顯著正相關(guān)：旺長(zhǎng)期在全波段范圍內(nèi)相關(guān)性均較低，僅在1012nm處相對(duì)較高；成熟期在1435～1458nm波段范圍內(nèi)呈極顯著正相關(guān)，在2285～2293nm波段范圍內(nèi)呈極顯著負(fù)相關(guān)。

基于上述分析，選取達(dá)到極顯著相關(guān)水平的波長(zhǎng)作為特征波長(zhǎng)，用于構(gòu)建葉片尺度的苧麻L(zhǎng)NC估測(cè)模型：苗期選取2036～2087nm波段范圍內(nèi)的3個(gè)拐點(diǎn)即2061、2073、2077nm作為特征波長(zhǎng)，其中位于近紅外波段范圍內(nèi)的2061nm波長(zhǎng)與LNC相關(guān)系數(shù)最高，達(dá)0.684;封行期篩選出的特征波長(zhǎng)為488、981、2084nm，其中488 nm波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為-0.501;旺長(zhǎng)期篩選出的特征波長(zhǎng)為354、399、427、1012nm，其中1012nm波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為0.401;成熟期篩選出的特征波長(zhǎng)為1449、1683、2292、2313nm，其中2292nm波長(zhǎng)與苧麻L(zhǎng)NC相關(guān)性最高，相關(guān)系數(shù)為-0.564。

2.3.2基于葉片光譜的苧麻L(zhǎng)NC估測(cè)模型構(gòu)建及驗(yàn)證 將篩選出的各生育時(shí)期特征波長(zhǎng)作為輸入變量，構(gòu)建基于葉片尺度一階導(dǎo)數(shù)光譜特征的LNC估測(cè)模型。由表2可知，基于葉片特征光譜的苧麻L(zhǎng)NC估測(cè)模型估測(cè)精度較高。在苗期，RF建模效果最好，模型精度最高，驗(yàn)證集的R2為0.622，RMSE為0.356;在封行期，也是基于RF構(gòu)建的LNC估測(cè)模型精度最高，驗(yàn)證集的R²為0.656，RMSE為0.437;在旺長(zhǎng)期，PLSR構(gòu)建的LNC估測(cè)模型精度最好，驗(yàn)證集的R2和RMSE分別為0.670和0.470;在成熟期，RF構(gòu)建的LNC估測(cè)模型精度最優(yōu)，驗(yàn)證集的R²為0.606，RMSE為0.409。綜合來(lái)看，基于RF構(gòu)建的LNC估測(cè)模型在4個(gè)生育時(shí)期中表現(xiàn)較優(yōu)。

3討論與結(jié)論

嚴(yán)文淦等對(duì)高產(chǎn)田每季纖用苧麻出苗-齊苗、齊苗-封行、封行-黑腳、黑腳-成熟四個(gè)營(yíng)養(yǎng)生長(zhǎng)階段的養(yǎng)分含量及吸收量進(jìn)行研究，發(fā)現(xiàn)高產(chǎn)田三季麻各營(yíng)養(yǎng)階段植株體內(nèi)養(yǎng)分含量和吸收量均不相同，表現(xiàn)為前期養(yǎng)分含量高，之后逐漸下降，但吸收量則以中、后期較高，吸氮高峰一般出現(xiàn)在封行-黑腳期，此時(shí)期各季麻吸氮量達(dá)到總吸收量的26.9%～42.4%。本研究中不同施氮水平下苧麻L(zhǎng)NC隨著生育期的推進(jìn)呈現(xiàn)先增加后降低的趨勢(shì)，并在旺長(zhǎng)期達(dá)到峰值，說(shuō)明麻株吸氮高峰出現(xiàn)在封行一旺長(zhǎng)期，與前人研究結(jié)果一致。不同施氮水平間比較，頭麻、二麻苗期和旺長(zhǎng)期的LNC總體以N3-b處理下最高，封行期和成熟期均以CK（N3-a）的最高。

LNC是評(píng)估苧麻植株氮狀態(tài)的重要指標(biāo)，精準(zhǔn)、無(wú)損、高效、及時(shí)獲取田間苧麻L(zhǎng)NC信息，有助于有效合理地為苧麻生長(zhǎng)提供肥料，從而最大限度地減少施肥過(guò)多對(duì)周圍環(huán)境的危害，實(shí)現(xiàn)苧麻產(chǎn)量和肥料利用效率最大化。利用高光譜傳感器獲取的高頻光譜信息可用于定量評(píng)估作物氮素營(yíng)養(yǎng)狀況，通過(guò)構(gòu)建敏感波段或植被指數(shù)與特定作物參數(shù)之間的反演模型，使快速獲取作物營(yíng)養(yǎng)狀況成為可能。

本研究采用Pearson相關(guān)性分析篩選與LNC顯著相關(guān)的特征波段，然后選用PLSR、SVM、RF共3種機(jī)器學(xué)習(xí)算法，從葉片、冠層兩個(gè)尺度研究了利用光譜數(shù)據(jù)估測(cè)苧麻L(zhǎng)NC的可行性及準(zhǔn)確性。通過(guò)比較所建模型在苧麻不同生育時(shí)期的表現(xiàn)發(fā)現(xiàn)，在基于冠層光譜波段構(gòu)建的苧麻L(zhǎng)NC估測(cè)模型中，除苗期為PLSR建模效果最好（驗(yàn)證集R²為0.506，RMSE為0.695）外，封行期、旺長(zhǎng)期、成熟期均為RF建模精度最高，驗(yàn)證集R²分別為0.694、0.676、0.795，RMSE分別為0.440、0.382、0.608：在基于葉片光譜波段構(gòu)建的苧麻L(zhǎng)NC估測(cè)模型中，苗期、封行期、成熟期均以RF建立的模型估測(cè)精度最高，驗(yàn)證集R²分別為0.622、0.656、0.606，RMSE分別為0.356、0.437、0.409，而旺長(zhǎng)期是PLSR建模效果最好，驗(yàn)證集R²和RMSE分別為0.670和0.470。綜合來(lái)看，RF模型在苧麻多個(gè)生育時(shí)期兩個(gè)尺度的LNC估測(cè)中表現(xiàn)穩(wěn)定且精度較優(yōu)，這也與顧晨的研究結(jié)論相一致。

另外，兩個(gè)尺度間比較，基于冠層光譜構(gòu)建的苧麻L(zhǎng)NC估測(cè)模型在成熟期精度最高，驗(yàn)證集的R²=0.795，RMSE=0.608：基于葉片光譜構(gòu)建的苧麻L(zhǎng)NC估測(cè)模型在旺長(zhǎng)期精度最高，驗(yàn)證集的R²=0.670，RMSE=0.470?？梢?jiàn)，基于冠層尺度的模型精度較高，且光譜測(cè)定更便捷，在苧麻L(zhǎng)NC估測(cè)方面具有優(yōu)勢(shì)。

綜上，基于冠層光譜數(shù)據(jù)構(gòu)建的RF模型更適用于苧麻L(zhǎng)NC的估測(cè)，可推廣性較高。但本研究只是基于田間試驗(yàn)開(kāi)展苧麻冠層和葉片尺度的氮素營(yíng)養(yǎng)診斷研究，單一平臺(tái)獲取的作物信息較為有限，在光譜分辨率、時(shí)間分辨率和空間分辨率等方面很難全面兼顧，應(yīng)用性還需進(jìn)一步考證，今后可以利用無(wú)人機(jī)和衛(wèi)星遙感數(shù)據(jù)對(duì)研究結(jié)果進(jìn)一步驗(yàn)證。