祁佳峰 郭鵬 劉笑 杜文玲

摘要：棉花長勢對其產(chǎn)量有重要影響，對3～4葉期棉花長勢進行監(jiān)測并對后期長勢進行預測，有利于棉花的田間管理和提高最終產(chǎn)量。本研究利用棉花3～4葉期無人機高清影像進行試驗，首先利用綠葉指數(shù)（green leaf index，GLI）對棉花苗期影像進行分割，利用ENVI 5.6軟件中的農(nóng)業(yè)工具包對棉花幼苗進行提取；然后根據(jù)棉花幼苗的直徑范圍以自然斷點法將棉花幼苗依次劃分為一等苗、二等苗和三等苗；最后以305像素×305像素為單位面積，以單位面積內(nèi)甲等苗數(shù)量占出苗總數(shù)的比例和出苗率乘積的大小實現(xiàn)對棉花后期長勢優(yōu)劣的預測。結(jié)果發(fā)現(xiàn)，在眾多指數(shù)中，GLI指數(shù)對影像的分割效果最好，可以實現(xiàn)對棉花幼苗的有效提取。試驗區(qū)共提取棉花37 123株，其中，一等苗11 091株，二等苗21 151株，三等苗4 881株。經(jīng)不同尺度的重復檢驗，棉花幼苗的提取精度達95.7%；試驗區(qū)3～4葉期棉花冠層的平均地表覆蓋度為6.54%；長勢預測評分結(jié)果與2期NDVI相關(guān)性的決定系數(shù)分別為0.756 9、0.662 1，均方根誤差分別為0.077 0、0.900 1。本研究表明，利用棉花苗期長勢結(jié)合出苗率可對后期長勢進行有效預測，但預測精度會隨時間的推移逐漸降低，因此本研究中提出的方法更適合對棉花從苗期開始至未來中短期內(nèi)長勢的預測。本研究為棉花長勢預測提供一種新的手段，對棉花生長過程中進行人工干預和提高棉花產(chǎn)量具有重要的指導作用。

關(guān)鍵詞：無人機；棉花；苗期；長勢監(jiān)測；長勢預測

中圖分類號：S127文獻標志碼：A

文章編號：1002-1302（2023）16-0170-09

收稿日期：2022-10-24

基金項目：國家自然科學基金（編號：U2003109）；石河子大學高層次人才科研啟動資金專項（編號：RCZK2018C15）。

作者簡介：祁佳峰（1997—），男，甘肅定西人，碩士研究生，從事農(nóng)業(yè)遙感方向研究。E-mail：qjf626112@163.com。

通信作者：郭 鵬，博士，教授，從事農(nóng)業(yè)遙感方向研究。E-mail：gp163@163.com。

棉花是我國主要的經(jīng)濟作物，新疆也是我國棉花的主產(chǎn)區(qū)，據(jù)相關(guān)統(tǒng)計，新疆地區(qū)棉花種植面積占新疆總耕地面積的50%左右，占全國棉花種植總面積的80%左右^［1］。棉花種植面積廣泛，快速、準確的對棉花長勢進行監(jiān)測，是現(xiàn)代農(nóng)業(yè)的主要任務(wù)之一，而對一定時間段內(nèi)棉花長勢進行預測，對提高產(chǎn)量以及當?shù)卣娃r(nóng)業(yè)部門制定相關(guān)政策具有指導意義^［2］。

精準農(nóng)業(yè)和農(nóng)業(yè)現(xiàn)代化進程中，作物長勢監(jiān)測已成為學術(shù)界關(guān)注的熱點問題之一。遙感技術(shù)具有觀測范圍廣和獲取信息速度快等優(yōu)勢而被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域^［3-4］，在作物長勢監(jiān)測方面，一般利用歸一化植被指數(shù)（NDVI）和葉面積指數(shù)（LAI）進行評價。劉曉晨等利用多源影像數(shù)據(jù)，通過計算同一地塊不同年份間的NDVI差值，分別實現(xiàn)了不同年份棉花和小麥長勢的監(jiān)測和對比^［5-6］。金秀良等通過分析棉花整個生育期葉面積指數(shù)（LAI）和生物量與高光譜特征參數(shù)的相關(guān)性后構(gòu)建了棉花長勢估測模型，決定系數(shù)達0.804^［7］。謝鑫昌等利用Landsat8影像數(shù)據(jù)，并引入DEM等特征變量，通過隨機森林算法構(gòu)建了長勢差值模型，對近5年的長勢進行了動態(tài)監(jiān)測^［8］。Li等利用同一地區(qū)不同作物多年同期的NDVI數(shù)據(jù)，提出了NDVI大數(shù)據(jù)百分位數(shù)評估法，實現(xiàn)了對作物長勢的遙感監(jiān)測^［9］。Becker-Reshef等利用MODIS和SPOT衛(wèi)星數(shù)據(jù)，雖然對各作物的種植位置信息進行了有效提取并進行產(chǎn)量估計，但未能對作物長勢進行監(jiān)測^［10］。Genovese等利用MODIS影像，通過構(gòu)建NDVI差值數(shù)據(jù)實現(xiàn)了對西班牙地區(qū)小麥長勢的實時監(jiān)測^［11］。而隨著無人機技術(shù)的不斷成熟和進步，其也逐漸被應(yīng)用于作物長勢監(jiān)測的研究中，王慶等借助無人機高清影像數(shù)據(jù)，通過冠層的光譜特征和結(jié)構(gòu)特征實現(xiàn)了對甜菜長勢的監(jiān)測^［12］。張瑞杰等也利用無人機高分辨率的優(yōu)勢，利用深度學習算法實現(xiàn)了對油菜長勢的快速監(jiān)測^［13］。

基于作物苗期直徑、株高^［14］、根數(shù)和株質(zhì)量^［15］、地徑^［16］等指標對作物進行分級的研究已取得諸多顯著成果^［17］，如：李亞麒等以云南松幼苗的地徑和株高對幼苗進行分級并構(gòu)建生物量估算模型，實現(xiàn)了對生物量的估算^［18］；周新華等以杉木容器苗的地徑和株高為分級指標，通過聚類分析對幼苗質(zhì)量進行了等級劃分^［19］。對棉花作物而言，3～4葉期是棉花生長過程中的重要時間節(jié)點，也是對其進行評價和分級的最佳時間點，在3～4葉期之前，不同棉花植株之間的大小形態(tài)極為相似，無法進行有效區(qū)分，而在3～4葉之后，棉花葉片快速生長至覆蓋地表，不同棉花葉片之間也出現(xiàn)大量重疊，因此無法進行提取，也不能進行有效分級。同一地塊的氣候類型、土壤類型、土壤肥力和水分、溫度等外界因素基本一致，并且經(jīng)試驗發(fā)現(xiàn)，同一地塊中的棉苗自3～4葉期開始，在同等外界因素條件下，不同生長狀態(tài)的棉苗在中短期內(nèi)，其生長過程中不會發(fā)生太大改變。棉花長勢對產(chǎn)量具有重要影響，根據(jù)棉花苗期狀態(tài)對棉花后期長勢進行預測后，可以通過人工干預的方式促進棉花生長，改變棉花生長狀態(tài)，從而在一定程度上提高棉花產(chǎn)量，但目前為止，對棉花苗期長勢進行監(jiān)測并對后期長勢進行預測的研究還比較少。鑒于此，本試驗借助無人機影像高空間分辨率的優(yōu)勢，通過對3～4葉期棉花進行提取和分級后，實現(xiàn)了對棉花3～4葉期時長勢的監(jiān)測，并對后期長勢進行了預測，從而在一定程度上對提高產(chǎn)量具有指導作用。

1 數(shù)據(jù)與方法

1.1 試驗區(qū)與方法

試驗區(qū)位于新疆兵團第八師石河子墾區(qū)（地理位置85°58′23E，44°22′45″N），面積約2 533 m²，經(jīng)校正裁剪后的試驗區(qū)見圖1。試驗區(qū)棉花播種密度為252 000株/hm²，該地區(qū)地勢平坦，平均海拔約450 m，屬于溫帶大陸性氣候。其冬季較為寒冷和干燥，夏季較為炎熱和漫長，年均氣溫約7 ℃，年降水量約180 mm，年日照時數(shù)約2 800 h^［20］。特殊的氣候和地形，導致該地區(qū)熱量極其充足，適合棉花、番茄、玉米等作物的生長，更是我國棉花的主要產(chǎn)區(qū)之一^［21］。

試驗主要分3步進行：第1步，利用綠葉指數(shù)（GLI）實現(xiàn)對試驗區(qū)影像的分割，并利用ENVI 5.6農(nóng)業(yè)工具包中的作物計算工具（Count Crops）實現(xiàn)對棉花幼苗株數(shù)的提??；第2步，利用ArcGIS軟件，根據(jù)棉花幼苗直徑范圍按自然斷點法進行分級，并對雜草進行去除；第3步，對當前長勢進行監(jiān)測并結(jié)合出苗率對后期長勢進行預測。

1.2 數(shù)據(jù)獲取

1.2.1 無人機數(shù)據(jù) 試驗分別于2021年5月19日、6月7日、7月18日12：00至14：00獲取了3期無人機數(shù)據(jù)，其中第1期是出苗數(shù)據(jù)，后2期是長勢數(shù)據(jù)，獲取3期數(shù)據(jù)時均天氣晴朗，無風，極適宜無人機飛行。試驗使用的無人機質(zhì)量約1 kg，續(xù)航約 20 min，獲取的影像包含紅、綠、藍和近紅4個通道，最終獲取的影像空間分辨率達0.007 5 m。影像拍攝時飛機飛行高度為30 m，航向重疊率為80%，旁向重疊率為60%，數(shù)據(jù)獲取時，相機鏡頭垂直向下，并且懸停拍攝。

1.2.2 地面點數(shù)據(jù) 試驗區(qū)棉花以“一膜三壟六行”的方式種植，行間距為10 cm，壟間距為66 cm，膜膜間距30 cm，一膜總寬182 cm。出苗數(shù)據(jù)與無人機數(shù)據(jù)同時獲取，試驗利用GPS定位，共在試驗區(qū)隨機設(shè)置3個不同面積尺度的出苗提取精度驗證區(qū)。為對棉花進行有效提取和分級，需要對試驗區(qū)范圍內(nèi)棉花幼苗的最大直徑和最小直徑進行確定，試驗共隨機對100株直徑較大和100株直徑較小的棉花進行直徑測量，最后以二者的平均值分別作為棉花的最大直徑和最小直徑。經(jīng)測量，最后確定棉花的最大直徑為14 cm，最小直徑為4 cm。

1.3 數(shù)據(jù)處理與方法

1.3.1 無人機數(shù)據(jù)處理 獲取的無人機數(shù)據(jù)首先利用Pix4Dmapper軟件進行拼接和校正，然后利用ENVI 5.6進行裁剪，最后以WGS_1984_UTM_zone_45N為投影方式，以 .TIFF格式儲存。為更直觀地了解地面覆蓋度的空間分布情況并對后期長勢進行預測，利用ArcGIS工具對試驗區(qū)影像以影像左下角為樞軸點，順時針旋轉(zhuǎn)66°后，以305像素×305像素為單位面積進行分割，最終共計獲取了484幅分割后的獨立影像。經(jīng)旋轉(zhuǎn)后的影像及分割效果如圖2所示。

1.3.2 指數(shù)篩選 本研究利用無人機獲取的四通道數(shù)據(jù)可以構(gòu)建34種已有的各類指數(shù)，而經(jīng)試驗，分割效果較好，可以將目標（棉苗）和背景（土壤和地膜）進行有效區(qū)分的指數(shù)共有15種（表1）。

1.3.3 雜草去除與棉花分級 雜草是影響棉苗提取精度的重要影響因素，3～4葉期棉花與雜草在顏色和形態(tài)上極其相似，在影像中無法利用植被指數(shù)進行區(qū)分。而經(jīng)實地觀察，雜草大部分生長在膜與膜的間隙之間，在地膜覆蓋區(qū)由于地膜遮擋，雜草無法破膜而出，因此覆膜區(qū)極少有雜草生長，對最終試驗結(jié)果影響極小，可忽略不計。因此，根據(jù)雜草與棉花幼苗之間的相對位置關(guān)系，試驗在每膜的第1行左側(cè)10 cm和第6行右側(cè)10 cm處畫線，將直線以外的提取物確定為雜草并去除，去除原理見圖3。

經(jīng)實地考察，棉花幼苗主要有3種不同的生長狀態(tài)，而不同生長狀態(tài)之間的差異主要體現(xiàn)在直徑范圍大小。因此，將棉花按直徑范圍分為一等苗、二等苗、三等苗。一等苗是生長狀態(tài)極好的棉苗；二等苗是無病害，體型略遜色于一等苗但優(yōu)于三等苗的棉苗；三等苗體型極小和有病害的棉苗。其中，一等苗直徑范圍為9.0～14.0 cm，二等苗直徑范圍為6.5～<9.0 cm，三等苗直徑范圍為4.0～<6.5 cm。

1.4 長勢監(jiān)測與預測

1.4.1 長勢監(jiān)測 3～4葉期棉花各植株葉片間重疊極少，棉花葉片對地表的垂直覆蓋度可以代表小區(qū)域范圍內(nèi)棉花當前的長勢情況。因此，在分割后的單位面積二值化圖像中，以棉花像素占總像素的比例評價棉花長勢情況的好壞。

式中：Cotton cover表示棉花葉片對地面的垂直覆蓋度；N_{Leaf Pixel}表示單位面積內(nèi)棉花葉片所占的像素總和；N_{Total Pixel}表示單位面積內(nèi)的總像素。

1.4.2 長勢預測 同一地塊的土壤類型、氣候和溫度相同，水分和肥力等因素也基本無差別，因此在短時間內(nèi)棉苗之間的相對生長狀態(tài)不會發(fā)生較大改變。單位面積內(nèi)棉花長勢主要受單個植株形態(tài)大小和出苗率的共同影響。一等苗在外在大小形態(tài)和長勢上較二等苗和三等苗具有明顯優(yōu)勢，對單位面積的長勢具有關(guān)鍵影響。因此，經(jīng)試驗，對于棉花長勢的預測，本研究以單位面積內(nèi)一等苗占總出苗數(shù)的比例和單位面積內(nèi)出苗率的乘積大小對后期長勢進行預測。為使量綱統(tǒng)一，并方便后期利用歸一化植被指數(shù)（NDVI）進行長勢預測結(jié)果的驗證，試驗對長勢預測的分值進行歸一化處理，歸一化后的分值越大，表示棉花后期長勢越好，反之，則說明棉花后期長勢越差。

式中：GS代表長勢預測分值；P_{Seedling rate}代表單位面積內(nèi)的出苗率；P_{First class seedling}代表單位面積內(nèi)一等苗所占的比例；NGS代表長勢預測分值的歸一化結(jié)果；GS_min代表試驗區(qū)域內(nèi)長勢預測分值的最小值；GS_max代表試驗區(qū)域內(nèi)長勢預測分值的最大值。

1.4.3 長勢預測結(jié)果檢驗 NDVI是評價作物長勢的重要指標之一，為驗證對棉花長勢預測結(jié)果的精度，分別獲取了研究區(qū)2021年5月27日和2021年6月18日影像，將2個時期的影像以同樣尺寸進行分割后，隨機選取同地不同期20幅分割后的影像，以單位面積內(nèi)NDVI平均值和長勢預測分值歸一化后的結(jié)果進行擬合，從而實現(xiàn)對長勢預測結(jié)果精度的檢驗。擬合效果以最常用的決定系數(shù)r²（coefficient of determination）和均方根誤差RMSE（root mean squared error）進行評價。

式中：n代表樣本數(shù)；y_i代表預測長勢的分值；x_i代表實際長勢NDVI；y_i代表預測長勢分值的平均值；x_i代表實際長勢NDVI平均值。

2 結(jié)果與分析

2.1 影像分割與雜草去除

2.3.1 影像分割分析 依據(jù)棉花幼苗、地膜、裸土在顏色上的差異，根據(jù)綠色植物典型的光譜反射特性，可以利用各類指數(shù)對影像進行分割，從而實現(xiàn)對棉花幼苗的提取，各不同指數(shù)對影像的分割局部效果如圖4所示。各指數(shù)在分割過程中受陰影的影響較大，地膜未覆蓋區(qū)的土塊以及棉花植株產(chǎn)生的陰影在進行圖像分割時對分割效果產(chǎn)生較大影響，進而影響對棉花幼苗的提取。對棉花植株的陰影錯提后，棉花幼苗等級劃分的準確性也會受到極大影響。因此，需要篩選出不受陰影干擾的指數(shù)對影像進行分割，經(jīng)不斷篩選和對比后發(fā)現(xiàn)，GLI可以對棉花幼苗和其產(chǎn)生的陰影進行有效區(qū)分，亦不會受地膜未覆蓋區(qū)土塊所產(chǎn)生的陰影干擾，并且在細節(jié)的提取和分割上效果最佳，圖像分割完整，分割時產(chǎn)生的雜質(zhì)少。因此，最終選擇GLI實現(xiàn)對圖像的分割，經(jīng)反復目視調(diào)整，當分割閾值為0.041時，可以實現(xiàn)對目標和背景的有效分割。

2.3.2 雜草去除與幼苗分級 利用距離法去除雜草后，利用ArcGIS對37123株棉花幼苗按直徑范圍大小以自然斷點法進行等級劃分。經(jīng)分級，共劃分出一等苗11 091株，二等苗21 151株，三等苗4 881株，雜草去除效果和棉花分級效果見圖5。

2.3.3 棉花提取精度檢驗 為驗證對棉花幼苗的提取精度，本研究在試驗區(qū)共隨機布設(shè)5種尺度的驗證區(qū)進行重復試驗，并最終選擇3次重復試驗的平均精度作為棉花幼苗提取的最終精度，精度變化情況見表2。在出苗率高、長勢好的區(qū)域，由于個別棉花幼苗葉片之間有重疊，因此在進行提取時容易錯將2株幼苗當作1株進行提取，從而導致自動提取的數(shù)量往往比實際的棉苗數(shù)量偏少。精度檢驗結(jié)果表明，隨著驗證區(qū)面積的逐漸變大，自動提取的數(shù)量與人工統(tǒng)計數(shù)量之間的差距逐漸減少，提取精度呈先緩慢上升后趨于穩(wěn)定的總體變化趨勢。

2.2 長勢監(jiān)測與預測

單位面積內(nèi)一等苗數(shù)量占比空間分布情況如圖6（左）所示，該地塊一等苗數(shù)量分布不均勻，主要呈集中分布狀態(tài)，總體來說，區(qū)域右下方一等苗占比較少。通過結(jié)合試驗區(qū)棉花的種植密度，得到單位面積（305像素×305像素）內(nèi)棉花的種植總株數(shù)為133株，根據(jù)對棉花幼苗的提取結(jié)果繪制的棉花出苗率分布見圖6，根據(jù)計算結(jié)果可知，單位面積內(nèi)棉花出苗率最高為81.20%，最低為42.86%，結(jié)合區(qū)域面積，試驗區(qū)棉花整體出苗率為58.62%，并且出苗不均勻。

對分割后的二值化影像進行地表覆蓋度計算后，繪制的單位面積內(nèi)葉片垂直覆蓋度占比分布如圖7（左）所示，根據(jù)計算結(jié)果可知，單位面積內(nèi)棉花葉片的地表覆蓋度最低值為2.95%，最高值為12.11%，而整個研究區(qū)棉花葉片的平均覆蓋度為6.54%，并且試驗區(qū)3～4葉期時，棉花長勢整體不均勻，整體長勢較差的主要集中在試驗區(qū)中部。結(jié)合出苗率和單位面積內(nèi)一等苗數(shù)量占比繪制的單位面積上棉花后期長勢預測結(jié)果空間分布如圖7（右）所示，根據(jù)預測結(jié)果可知，在后期的生長過程中，區(qū)域東側(cè)和南側(cè)長勢較好，長勢較差的主要分布在中部和西側(cè)，而整體長勢不均勻。

2.3 長勢預測結(jié)果驗證

將長勢預測分值歸一化后的結(jié)果與2期NDVI分別進行相關(guān)性分析，擬合結(jié)果見圖8。試驗區(qū)驗證樣方6月7日NDVI與7月18日NDVI和長勢預測分值相關(guān)性的決定系數(shù)分別達到了0.756 9和 0.662 1，而均方根誤差僅為0.077 0和0.900 1，可見對棉花長勢的預測結(jié)果具有一定的可靠性。

擬合結(jié)果表明，隨著棉花不斷生長，對棉花長勢預測的精度逐漸降低。由于棉花在生長過程中受到外界因素的影響不斷增多，特別是在進入7月以后，受高溫、干旱少雨和大面積病蟲害等因素的影響，棉花長勢會受到不同程度的影響，從而導致對棉花長勢預測的精度呈下降趨勢。因此，本研究的預測方法更適用于從棉花3～4葉期（5月中旬）開始至未來中短期內(nèi)（2個月內(nèi)）對棉花長勢的預測。

3 結(jié)論

該研究雖借助無人機高分辨率的優(yōu)勢對苗期棉花長勢進行了監(jiān)測，并依據(jù)出苗率和單株棉花生長狀態(tài)對棉花后期長勢進行了預測，但仍存在一些不足，如：新疆地區(qū)棉花在整個生長過程中受多種因素的共同影響，特別是7月后常發(fā)生的病蟲害、大風和干旱等極端天氣都會對棉花長勢造成嚴重影響，因此對棉花長勢預測的精度隨時間的推移而變差，所以該研究更適合從棉花3～4葉期開始至未來中短期內(nèi)對棉花長勢的預測。

棉花早期長勢對產(chǎn)量有重要影響，通過苗期狀態(tài)對后續(xù)中短時期內(nèi)長勢進行預測，并通過外界干預改變棉花長勢，對提高棉花產(chǎn)量具有一定作用。本研究以棉花3～4葉期無人機高清影像為基礎(chǔ)，通過對棉花幼苗進行提取和分級，對當前長勢進行監(jiān)測并對后期長勢進行預測，主要結(jié)論包括：（1）利用GLI指數(shù)對圖像進行分割后可以實現(xiàn)棉花幼苗的有效提取，而根據(jù)相對位置關(guān)系提出的距離法也可以有效去除雜草。經(jīng)計算，試驗區(qū) 3～4葉期棉花冠層對地面的平均垂直覆蓋度為6.54%，并且棉花長勢不均勻，整齊度一般。（2）試驗共提取棉花 37 123 株，經(jīng)不同尺度重復檢驗，棉花幼苗的平均提取精度為95.7%。經(jīng)驗證，長勢預測結(jié)果與2個不同時期NDVI平均值擬合的決定系數(shù)r²分別為0.756 9、0.662 1，取得了較好預測結(jié)果。

參考文獻：

［1］戴建國，薛金利，趙慶展，等. 利用無人機可見光遙感影像提取棉花苗情信息［J］. 農(nóng)業(yè)工程學報，2020，36（4）：63-71.

［2］田 野，張 清，李希燦，等. 基于多時相影像的棉花種植信息提取方法研究［J］. 干旱區(qū)研究，2017，34（2）：423-430.

［3］茶明星，汪小欽，李婭麗，等. 基于遙感數(shù)據(jù)的新疆開-孔河流域農(nóng)業(yè)區(qū)種植結(jié)構(gòu)提取［J］. 干旱區(qū)研究，2020，37（2）：532-540.

［4］白燕英，高聚林，張寶林. 基于Landsat8影像時間序列NDVI的作物種植結(jié)構(gòu)提?。跩］. 干旱區(qū)地理，2019，42（4）：893-901.

［5］劉曉晨. 基于Landsat8遙感數(shù)據(jù)的棉花長勢快速監(jiān)測［J］. 新疆農(nóng)業(yè)科技，2015（6）：50.

［6］尹 捷，周雷雷，李利偉，等. 多源遙感數(shù)據(jù)小麥識別及長勢監(jiān)測比較研究［J］. 遙感技術(shù)與應(yīng)用，2021，36（2）：332-341.

［7］金秀良，李少昆，王克如，等. 基于高光譜特征參數(shù)的棉花長勢參數(shù)監(jiān)測［J］. 西北農(nóng)業(yè)學報，2011，20（9）：73-77.

［8］謝鑫昌，楊云川，田 憶，等. 基于遙感的廣西甘蔗種植面積提取及長勢監(jiān)測［J］. 中國生態(tài)農(nóng)業(yè)學報，2021，29（2）：410-422.

［9］Li C C，Li H J，Li J Z，et al. Using NDVI percentiles to monitor real-time crop growth［J］. Computers and Electronics in Agriculture，2019，162：357-363.

［10］Becker-Reshef I，Vermote E，Lindeman M，et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data［J］. Remote Sensing of Environment，2010，114（6）：1312-1323.

［11］Genovese G，Vignolles C，Nègre T，et al. A methodology for a combined use of normalised difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting.A case study on Spain［J］. Agronomie，2001，21（1）：91-111.

［12］王 慶，車熒璞，柴宏紅，等. 基于無人機影像的冠層光譜和結(jié)構(gòu)特征監(jiān)測甜菜長勢［J］. 農(nóng)業(yè)工程學報，2021，37（20）：90-98.

［13］張瑞杰，李俐俐，李 禮，等. 利用無人機影像數(shù)據(jù)進行油菜長勢監(jiān)測［J］. 測繪地理信息，2021，46（增刊1）：227-231.

［14］楊亞莉，向祖恒，黃正明，等. 華榛1年生實生苗質(zhì)量分級標準的研究［J］. 園藝與種苗，2018，38（1）：34-37.

［15］李 瑪，蘇 鈦，李 云，等. 滇重樓種苗質(zhì)量分級標準研究［J］. 種子，2020，39（5）：141-143.

［16］簡才源，韋小麗，段如雁，等. 貴州不同區(qū)域閩楠裸根苗的生長評價與苗木分級［J］. 貴州農(nóng)業(yè)科學，2015，43（6）：153-157.

［17］關(guān)參政，申培增. 甘肅枸杞種苗分級標準及其田間驗證試驗研究［J］. 林業(yè)科技通訊，2017（6）：29-32.

［18］李亞麒，孫繼偉，李建華，等. 不同等級云南松幼苗生物量估測模型［J］. 云南大學學報（自然科學版），2019，41（5）：1073-1082.

［19］周新華，黃 拯，厲月橋，等. 杉木容器苗分級標準研究［J］. 中南林業(yè)科技大學學報，2017，37（9）：68-73.

［20］徐 權(quán)，郭 鵬，祁佳峰，等. 基于無人機影像的SEGT棉花估產(chǎn)模型構(gòu)建［J］. 農(nóng)業(yè)工程學報，2020，36（16）：44-51.

［21］郭 鵬，武法東，戴建國，等. 基于無人機可見光影像的農(nóng)田作物分類方法比較［J］. 農(nóng)業(yè)工程學報，2017，33（13）：112-119.

［22］汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提?。跩］. 農(nóng)業(yè)工程學報，2015，31（5）：152-159.

［23］康 悅，文 軍，張?zhí)锰茫? 衛(wèi)星遙感數(shù)據(jù)評估黃土高原陸面干濕程度研究［J］. 地球物理學報，2014，57（8）：2473-2483.

［24］Tian Y C，Yao X，Yang J，et al. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground-and space-based hyperspectral reflectance［J］. Field Crops Research，2011，120（2）：299-310.

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

［26］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［27］Jiang R，Sanchez-Azofeifa A，Laakso K，et al. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency［J］. Journal of Cleaner Production，2021，289：125705.

［28］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［29］王建光，呂小東，姚貴平，等. 苜蓿和無芒雀麥混播草地高光譜遙感估產(chǎn)研究［J］. 中國草地學報，2013，35（1）：35-41.

［30］Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation［J］. Remote Sensing of Environment，1979，8（2）：127-150.

［31］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［32］Gunasekara N K，Al-Wardy M M，Al-Rawas G A，et al. Applicability of VI in arid vegetation delineation using shadow-affected SPOT imagery［J］. Environmental Monitoring and Assessment，2015，187（7）：454.

［33］肖 漢，陳秀萬，楊振宇，等. 基于光譜分析的草地葉綠素含量估測植被指數(shù)［J］. 光譜學與光譜分析，2014，34（11）：3075-3078.

［34］Gitelson A A，Stark R，Grits U，et al. Vegetation and soil lines in visible spectral space：a concept and technique for remote estimation of vegetation fraction［J］. International Journal of Remote Sensing，2002，23（13）：2537-2562.

［35］Zhu Y，Yao X，Tian Y C，et al. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice［J］. International Journal of Applied Earth Observation and Geoinformation，2008，10（1）：1-10.