基于無人機(jī)多光譜影像的不同施氮量水稻LAI反演方法研究

doi：10.15889/j.issn.1002-1302.2024.20.006

摘要：為探明水稻生育期內(nèi)葉面積指數(shù)（LAI）的變化情況，建立可快速準(zhǔn)確估測不同生育期水稻LAI的模型。在蒸滲測坑內(nèi)進(jìn)行不同施氮量下的水稻栽培試驗(yàn)，基于無人機(jī)采集不同時(shí)期水稻測坑多光譜數(shù)據(jù)，對計(jì)算得出的植被指數(shù)進(jìn)行相關(guān)性分析，篩選出與5個(gè)生育期相關(guān)性最高的前5種植被指數(shù)，利用多元線性回歸、偏最小二乘回歸、隨機(jī)森林、貝葉斯嶺、梯度提升回歸這5種方法構(gòu)建預(yù)測模型；模型構(gòu)建后，引入施氮量作為變量對模型進(jìn)行優(yōu)化，比較各生育期最優(yōu)的預(yù)測模型。結(jié)果表明，機(jī)器學(xué)習(xí)算法下，隨機(jī)森林回歸模型對揚(yáng)花期的水稻LAI預(yù)測精度和穩(wěn)定性最好（r2=0.85，MSE=0.33）；施氮量對LAI有顯著影響，引入施氮量作為變量對各時(shí)期、各模型的預(yù)測精度都有所提高（r2平均值提高0.15）。從整體看，機(jī)器學(xué)習(xí)算法下，隨機(jī)森林模型可對各時(shí)期的水稻LAI指數(shù)進(jìn)行較好的預(yù)測；在分蘗后期，各模型的預(yù)測精度和穩(wěn)定性最好。期待本研究建立的預(yù)測模型可為水稻LAI遙感監(jiān)測和田間精細(xì)管理提供參考，并為精準(zhǔn)農(nóng)業(yè)定量化研究提供技術(shù)支持。

關(guān)鍵詞：水稻；無人機(jī)；施氮量；葉面積指數(shù)；多光譜影像；模型計(jì)算

中圖分類號(hào)：S127" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0041-08

收稿日期：2023-10-23

基金項(xiàng)目：國家自然科學(xué)基金（編號(hào)：51879074、52109051）；江蘇省水利科技項(xiàng)目（編號(hào)：2020048）。

作者簡介：曾廣泉（1998—），男，甘肅蘭州人，碩士，主要從事節(jié)水灌溉與作物信息方面的研究。E-mail：zengqhalo@qq.com。

通信作者：張孟希，副教授，高級(jí)工程師，主要從事水土資源高效利用研究。E-mail：221310030004@hhu.edu.cn。

水稻是我國重要的糧食作物，2022年水稻產(chǎn)量達(dá)到2.08億t，占我國糧食總產(chǎn)量的32.92%［1］。水稻生產(chǎn)關(guān)系到全國糧食安全［2］，了解水稻生長狀況對于實(shí)現(xiàn)稻米的高產(chǎn)穩(wěn)產(chǎn)至關(guān)重要。葉面積指數(shù)（LAI）是單位面積土地上植株單側(cè)葉片平鋪面積的總和，與作物的色素含量、碳循環(huán)、生物量、物候等生化參數(shù)密切相關(guān)，是表現(xiàn)作物生長狀況的的重要指標(biāo)［3-4］。了解水稻葉面積指數(shù)對于掌握水稻生長狀況與產(chǎn)量估算有重要意義。

傳統(tǒng)的LAI測量方法需要進(jìn)行田間破壞性取樣和人工測量分析，存在工作效率低、工作量大等弊端，無法滿足大片區(qū)域的自動(dòng)化植物表型分析需求［5］。為進(jìn)行水稻LAI的反演，于強(qiáng)等結(jié)合干物質(zhì)重量和Logistic模型對LAI變化進(jìn)行研究［6］；葉宏寶等通過建立葉齡模型對LAI進(jìn)行模擬［7］。隨著遙感影像和地理信息系統(tǒng)技術(shù)的發(fā)展，無人機(jī)遙感已成為農(nóng)業(yè)監(jiān)測中常用的技術(shù)手段之一；該技術(shù)具備機(jī)動(dòng)靈活、作業(yè)周期短、受地形條件影響小等特點(diǎn)［8］。近年來，無人機(jī)遙感估測已被運(yùn)用于各類作物的指標(biāo)反演中［9］，不僅減少了工作量，還提高了指標(biāo)測量的效率和精度。通過衛(wèi)星、無人機(jī)遙感等技術(shù)，王福民等進(jìn)行了植被指數(shù)對LAI估算的研究［10］；杭艷紅等結(jié)合光譜與紋理特征對水稻葉面積進(jìn)行估算［11］。在引入了機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)算法等工具后，孫玉婷等研究了支持向量機(jī)對水稻葉面積的預(yù)測［12］；蘇中濱等改進(jìn)QGA-ELM算法應(yīng)用于水稻LAI反演［13］。但以上研究在對不同施氮量下的LAI進(jìn)行反演時(shí)得出的精度不夠高。

在水稻生育期內(nèi)，各時(shí)期LAI值的變化會(huì)呈現(xiàn)“先升高后回落”的現(xiàn)象［14-15］，這是因?yàn)樗驹谶M(jìn)入孕穗期后，干物質(zhì)分配由葉、莖等營養(yǎng)器官轉(zhuǎn)向穗等生殖器官，且在進(jìn)入黃熟期后，葉片逐漸變黃、變干，導(dǎo)致LAI在整個(gè)生育期達(dá)到峰值后便開始回落。在水稻的生長過程中，氮元素有至關(guān)重要的作用，合理增施氮肥，可使葉片面積、形態(tài)生長達(dá)到最適合水稻生長和營養(yǎng)吸收的狀態(tài)［16］。在研究中加入施氮量，對LAI預(yù)測的影響因素具有重要意義。

結(jié)合以上分析，本研究使用無人機(jī)拍攝得到多光譜影像，經(jīng)過后續(xù)計(jì)算處理得到光譜指數(shù)，運(yùn)用多元回歸、機(jī)器學(xué)習(xí)算法等方法構(gòu)建模型，并通過交叉驗(yàn)證和加入施氮量作為變量優(yōu)化、修正模型，得到適用性更高、精度更為準(zhǔn)確的模型，旨在為無人機(jī)遙感監(jiān)測在智慧農(nóng)業(yè)中的應(yīng)用提供一定的基礎(chǔ)與參考。

1" 材料與方法

1.1" 試驗(yàn)區(qū)概況

試驗(yàn)于2022年6—10月在江蘇省南京市河海大學(xué)江寧校區(qū)節(jié)水園區(qū)（118°47′E，31°55′N）進(jìn)行。該地屬亞熱帶季風(fēng)性氣候，降水充沛，年平均降水量約1 090.4 mm，年平均氣溫約15.4℃。

試驗(yàn)區(qū)內(nèi)設(shè)有32個(gè)固定式蒸滲測坑，每個(gè)測坑長2.5 m、寬2 m、深2 m。測坑內(nèi)土壤質(zhì)地為黏壤土，0～30 cm深度體積質(zhì)量為1.46 g/cm3，飽和土壤含水量為30.4%，田間持水量為26.5%，總孔隙度為45.8%。

1.2" 試驗(yàn)設(shè)計(jì)

試驗(yàn)水稻品種為南粳9108，種植密度為 34萬穴/hm2，每穴3 株籽苗。于6月2日育秧，6月26日移栽，10月21號(hào)收割。試驗(yàn)設(shè)置5種氮肥梯度處理N1、N2、N3、N4、N5，對應(yīng)施氮量分別為0、150、225、300、375 kg/hm2，按照基肥 ∶蘗肥 ∶穗肥=4 ∶3 ∶3的配比施用氮肥（以純氮計(jì)算）?；省⑻Y肥、穗肥的施用時(shí)間分別為6月25日、7月6日、8月18日。磷肥（以P2O5計(jì)算）按照75 kg/hm2在施基肥時(shí)施用，鉀肥（以K2O計(jì)算）按照120 kg/hm2分基肥和穗肥各1/2施用。每種施氮處理設(shè)重復(fù)3次。

1.3" 數(shù)據(jù)采集

1.3.1" 葉面積指數(shù)數(shù)據(jù)采集

LAI數(shù)據(jù)采集于2022年水稻分蘗前期（7月11日）、分蘗中期（7月23日）、分蘗后期（8月7日）、拔節(jié)期（8月17日）、揚(yáng)花期（9月2日）、乳熟期（9月16日）、黃熟期（10月3日）。數(shù)據(jù)采集通過破壞性取樣方法，在各試驗(yàn)小區(qū)內(nèi)隨機(jī)選取4穴，每穴選取5張代表性葉片，使用EPSON 4990 Photo掃描儀進(jìn)行掃描，使用FIJI軟件分析測定葉片面積，結(jié)合比葉重法［17］測得LAI。

1.3.2" 圖像數(shù)據(jù)采集

圖像數(shù)據(jù)由大疆精靈4多光譜版無人機(jī)拍攝獲取。于2022年7—9月中午11：00—13：00，選擇無云、光照條件好的天氣進(jìn)行拍攝。無人機(jī)飛行高度設(shè)定為8 m，飛行旁向重疊率為80%，航向重疊率為70%。

拍攝用無人機(jī)配備6個(gè)1/2.9英寸互補(bǔ)金屬氧化物半導(dǎo)體傳感器：其中1個(gè)彩色傳感器用于可見光成像；5個(gè)單色傳感器用于多光譜成像，分別獲取藍(lán)、綠、紅、紅邊、近紅外波段。單個(gè)傳感器的有效像素為208萬px，多光譜傳感器的具體參數(shù)見表1。

1.4" 植被指數(shù)計(jì)算

植被指數(shù)是用來衡量地表植被狀況的一種指標(biāo)［18］，它通常采用遙感技術(shù)，通過測量所接收到的反射輻射能力，計(jì)算出植被與非植被區(qū)域的光譜反射率差異，從而得到相應(yīng)的植被指數(shù)值；各植被指數(shù)能夠在一定條件下用來定量表明植被的生長狀況。本研究選取20種植被指數(shù)（表2）進(jìn)行分析，使用皮爾遜相關(guān)系數(shù)選取相關(guān)性較好的植被指數(shù)參與模型構(gòu)建。

1.5" 模型構(gòu)建與評價(jià)

選取水稻分蘗后期、拔節(jié)期、揚(yáng)花期、乳熟期、黃熟期的試驗(yàn)數(shù)據(jù)構(gòu)建模型，選取2種多元線性回歸方法及3種機(jī)器學(xué)習(xí)方法建立模型，分別是多元線性回歸模型、偏最小二乘回歸模型、隨機(jī)森林模型、貝葉斯嶺模型、梯度提升回歸模型。訓(xùn)練機(jī)器學(xué)習(xí)相關(guān)模型時(shí)，將訓(xùn)練中70%的試驗(yàn)數(shù)據(jù)作為訓(xùn)練集、30%的數(shù)據(jù)作為驗(yàn)證集，并進(jìn)行5折交叉驗(yàn)證［37］。

模型構(gòu)建完成后，采用決定系數(shù)（r2）和均方根誤差（RMSE）評價(jià)模型。一般來說，r2越高，表明模型越穩(wěn)定；RMSE越低，表示模型精度越高。

1.6" 數(shù)據(jù)處理與分析

數(shù)據(jù)統(tǒng)計(jì)分析采用Microsoft Excel 2021、IBM SPSS 25，繪圖采用Origin 2022。顯著性分析采用Duncans新復(fù)極差法，相關(guān)性分析采用Person相關(guān)系數(shù)法。

2" 結(jié)果與分析

2.1" 不同施氮量下水稻LAI的變化規(guī)律

由圖1表明，不同施氮量下的水稻LAI在整個(gè)生育期內(nèi)總體呈先升后降的趨勢。在結(jié)束返青期進(jìn)入分蘗期時(shí)，施氮量對水稻LAI的影響并不顯著；在進(jìn)入分蘗后期后，施氮量對水稻LAI的影響逐漸增大。整個(gè)生育期內(nèi)，LAI值從分蘗初期開始不斷增加，在揚(yáng)花期達(dá)到峰值，進(jìn)入乳熟期后下降。這是由于進(jìn)入乳熟期后，葉片光合作用減弱，養(yǎng)分向穗部轉(zhuǎn)移，植株下部的葉片開始衰老死亡，從而造成LAI逐漸減?。?8］。

其中，N5處理的LAI值在分蘗前期的均值為0.75，到揚(yáng)花期逐漸增加到6.47，到黃熟期后回落到4.32。在各生育期內(nèi)，LAI值隨施氮量的增加而增大；其中N2處理相比N1處理的增幅最為顯著，N5相比N4的增幅較小。揚(yáng)花期，N2處理的LAI均值比N1處理增加了1.64，而N5處理的LAI均值比N4處理僅增加0.37。

2.2" 不同生育期植被指數(shù)與LAI的相關(guān)性

選取水稻分蘗后期、拔節(jié)期、揚(yáng)花期、乳熟期、黃熟期相應(yīng)的LAI，使用選取的20種植被指數(shù)與其

進(jìn)行Person相關(guān)性分析，得到圖2所示結(jié)果。圖2顯示，在分蘗后期，WDRVI、NDVI、OSAVI這3項(xiàng)指數(shù)與LAI的相關(guān)性最好，相關(guān)系數(shù)值（r值）分別為0.932、0.929、0.927；在拔節(jié)期，RVI、CIg、CIre這3項(xiàng)指數(shù)與LAI的相關(guān)性最好，r值分別為0.874、0.873、0.868；在揚(yáng)花期，CVI、CIg、CIre這3項(xiàng)指數(shù)與LAI的相關(guān)性最好，r值分別為0.836、0.835、0.833；在乳熟期，TVI、DVI、EVI這3項(xiàng)指數(shù)與LAI的相關(guān)性最好，r值分別為0.718、0.715、0.711；在黃熟期，CIg、CVI、GNDVI這3項(xiàng)指數(shù)與LAI的相關(guān)性最好，r值分別為0.720、0.709、0.707。由此說明，不同生育期下植被指數(shù)與LAI的相關(guān)性不同；在分析不同生育期的LAI時(shí)，可分別選取相關(guān)性較好的植被指數(shù)進(jìn)行分析， 用優(yōu)選的植被指數(shù)構(gòu)建水稻的

LAI反演模型。

根據(jù)圖2得出的結(jié)果，選取各生育期與LAI相關(guān)性最好的5個(gè)植被指數(shù)，具體情況見表3。

2.3" 基于優(yōu)選植被指數(shù)的水稻LAI模型構(gòu)建

2.3.1" 基于植被指數(shù)的模型構(gòu)建

根據(jù)各時(shí)期所選植被指數(shù)情況，對各生育期進(jìn)行植被指數(shù)與LAI的模型構(gòu)建。分別將各時(shí)期的相關(guān)植被指數(shù)放入多元回歸模型（MLR）、偏最小二乘回歸模型（PLS）、隨機(jī)森林模型（RF）、貝葉斯嶺模型（BR）、梯度提升回歸模型（GBR）中進(jìn)行訓(xùn)練。由表4可知，在各模型的訓(xùn)練結(jié)果中，對水稻LAI值的模擬預(yù)測以分蘗后期到揚(yáng)花期之間較好（r2值均在0.6～0.9之間）；其中最好的是RF模型對揚(yáng)花期的模擬結(jié)果，r2=0.85，RMSE=0.33。

2.3.2" 模型的改進(jìn)與驗(yàn)證

基于前人的研究［39］以及“2.1”節(jié)中對本試驗(yàn)區(qū)水稻做出的研究結(jié)論，可得出施氮量對水稻的LAI變化有顯著影響，在建立模型時(shí)可加入施氮量這一自變量對模型進(jìn)行改進(jìn)。由圖3結(jié)果可知，在加入施氮量這一自變量后，各生育期模型的精度均有不同程度的提升。梯度提升回歸模型中，5個(gè)生育期的r2值由0.78、0.61、0.86、0.63、0.56分別提高到0.88、0.83、0.95、0.79、0.69，各時(shí)期的r2值平均提高了0.15。

從5種預(yù)測模型在不同生育期的預(yù)測結(jié)果來看（圖3），大部分模型的預(yù)測值和實(shí)測值之間存在著較好的線性關(guān)系。其中，黃熟期在不同模型下5個(gè)時(shí)期中的預(yù)測效果最差，其5種預(yù)測模型的r2值分別為0.52、0.50、0.52、0.56、0.56，均低于各模型r2的平均值（0.68）；改進(jìn)后黃熟期模型的r2值分別為0.51、0.51、0.58、0.64、0.69，均低于改進(jìn)后各模型r2的平均值（0.74）。

3" 討論與結(jié)論

本研究中，計(jì)算整理了不同時(shí)期與水稻LAI相

關(guān)性最好的植被指數(shù)，將以上植被指數(shù)帶入多種預(yù)

測模型中對LAI進(jìn)行預(yù)測，得到各時(shí)期最適宜的模擬結(jié)果；加入施氮量這一控制量對模型進(jìn)行改進(jìn)，使各模型的精度均有不同程度的提高。

在前人的研究中，多運(yùn)用光譜指數(shù)以及由光譜指數(shù)進(jìn)行線性運(yùn)算得出的植被指數(shù)進(jìn)行建模；但無人機(jī)獲取的光譜信息較容易受到日光條件的干擾，而杭艷紅等的研究中也發(fā)現(xiàn)僅用光譜指數(shù)與植被指數(shù)對LAI進(jìn)行估計(jì)存在一定的局限性［11］。同時(shí)，氮元素在水稻的生長過程中有至關(guān)重要的作用，其對水稻的LAI變化也有顯著影響［40-41］。研究發(fā)現(xiàn)，在分蘗后期到揚(yáng)花期這段葉片生長最繁盛的時(shí)期，施氮量對水稻LAI的大小有顯著影響。因此，本研究結(jié)合了植被指數(shù)和施氮量來提高水稻LAI的估算準(zhǔn)確度。

在本研究中，綜合不同時(shí)期所選擇的植被指數(shù)來看，CVI、CIg、CIre等與近紅外波段關(guān)聯(lián)較高的植被指數(shù)與LAI的相關(guān)性最好，相關(guān)性r值分別達(dá)到

了0.87、0.86、0.83。結(jié)合植株的生理特性，植株葉片構(gòu)造中的柵狀組織和冠層葉片會(huì)對紅外太陽輻射進(jìn)行散射，在近紅外波段形成高反射平臺(tái)，從而使得水稻LAI指數(shù)與近紅外波段的光譜反射率表現(xiàn)出良好的相關(guān)性［42］。這一特性也可很好地解釋同一模型在水稻不同生長時(shí)期得出不同預(yù)測準(zhǔn)確度情況。研究發(fā)現(xiàn)，水稻在分蘗期到揚(yáng)花期葉片不斷生長的這一階段內(nèi)，各模型的預(yù)測精度（r2均值為0.76）要好于進(jìn)入乳熟期后，植株養(yǎng)分向穗部轉(zhuǎn)移、植株下部的葉片開始衰老枯黃的這一階段（r2均值為0.56）。

在本研究中，通過比較各時(shí)期建立的預(yù)測模型，可看出機(jī)器學(xué)習(xí)算法下的隨機(jī)森林模型、貝葉斯嶺回歸模型、梯度提升模型的穩(wěn)定性、預(yù)測精度均好于多元線性模型、偏最小二乘回歸模型。這與水稻的生長特性相關(guān)。在分蘗期后，水稻葉片的生長速度逐漸變緩，從而導(dǎo)致LAI指數(shù)與植被指數(shù)的變化為非線性關(guān)系［28］。因此，在構(gòu)建水稻LAI預(yù)測模型時(shí)，可以考慮采用更多非線性模型進(jìn)行預(yù)測。但機(jī)器學(xué)習(xí)算法下的模型存在黑箱模型的特性［43］，使得模型不易理解和解釋。故計(jì)劃在后續(xù)研究中把不同品種、不同播種方式之間的差異性作為考慮因素，以更充分地了解植被指數(shù)與水稻LAI之間的關(guān)系。

綜上所述，得出以下結(jié)論：（1）各生育期內(nèi)植被指數(shù)與水稻LAI的相關(guān)性普遍較強(qiáng)，但不同生育期內(nèi)的與LAI相關(guān)性最好的植被指數(shù)類型不同，其中CVI、CIg、CIre這3項(xiàng)植被指數(shù)與LAI的相關(guān)性最好。

（2）各模型的橫向?qū)Ρ戎校瑱C(jī)器學(xué)習(xí)算法下的隨機(jī)森林模型對揚(yáng)花期的預(yù)測精度和穩(wěn)定性最好；各時(shí)期的橫向?qū)Ρ戎?，各模型對分蘗后期的預(yù)測精度和穩(wěn)定性最好。

（3）施氮量對水稻LAI有顯著影響，加入施氮量這一變量對模型進(jìn)行優(yōu)化，可使各時(shí)期的模型預(yù)測精度有所提高。

參考文獻(xiàn)：

［1］國家統(tǒng)計(jì)局. 國家統(tǒng)計(jì)局關(guān)于2022年糧食產(chǎn)量數(shù)據(jù)的公告［J］. 現(xiàn)代面粉工業(yè)，2023，37（1）：18.

［2］章秀福，王丹英，方福平，等. 中國糧食安全和水稻生產(chǎn)［J］. 農(nóng)業(yè)現(xiàn)代化研究，2005，26（2）：85-88.

［3］常好雪，蔡曉斌，陳曉玲，等. 基于實(shí)測光譜的植被指數(shù)對水稻葉面積指數(shù)的響應(yīng)特征分析［J］. 光譜學(xué)與光譜分析，2018，38（1）：205-211.

［4］Gitelson A A，Via A，Arkebauer T J，et al. Remote estimation of leaf area index and green leaf biomass in maize canopies［J］. Geophysical Research Letters，2003，30（5）：1248.

［5］韓煥豪，崔遠(yuǎn)來，時(shí)元智，等. SunScan冠層分析儀在水稻葉面積指數(shù)測量中的應(yīng)用［J］. 灌溉排水學(xué)報(bào)，2015，34（8）：44-48.

［6］于" 強(qiáng)，傅抱璞，姚克敏.水稻葉面積指數(shù)的普適增長模型［J］. 中國農(nóng)業(yè)氣象，1995（2）：6-8.

［7］葉宏寶，孟亞利，湯" 亮，等. 水稻葉齡與葉面積指數(shù)動(dòng)態(tài)的模擬研究［J］. 中國水稻科學(xué)，2008，22（6）：625-630.

［8］劉" 楊，馮海寬，黃" 玨，等. 基于無人機(jī)高光譜影像的馬鈴薯株高和地上生物量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（2）：188-198.

［9］陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望［J］. 遙感學(xué)報(bào)，2016，20（5）：748-767.

［10］王福民，黃敬峰，唐延林，等. 新型植被指數(shù)及其在水稻葉面積指數(shù)估算上的應(yīng)用［J］. 中國水稻科學(xué)，2007，21（2）：159-166.

［11］杭艷紅，蘇" 歡，于滋洋，等. 結(jié)合無人機(jī)光譜與紋理特征和覆蓋度的水稻葉面積指數(shù)估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（9）：64-71.

［12］孫玉婷，楊紅云，王映龍，等. 基于支持向量機(jī)的水稻葉面積測定［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2018，34（5）：1027-1035.

［13］蘇中濱，陸藝偉，谷俊濤，等. 改進(jìn)的QGA-ELM算法水稻葉面積指數(shù)反演模型［J］. 光譜學(xué)與光譜分析，2021，41（4）：1227-1233.

［14］申關(guān)望，祁玉良，魯偉林，等. 施氮量對雜交水稻D優(yōu)3138干物質(zhì)轉(zhuǎn)運(yùn)與稻米品質(zhì)的影響［J］. 貴州農(nóng)業(yè)科學(xué)，2017，45（2）：23-25.

［15］劉振波，葛海嘯，葛云健，等. 冠層集聚指數(shù)對水稻LAI測量精度的影響［J］. 江蘇農(nóng)業(yè)科學(xué)，2018，46（24）：352-354.

［16］陳惠哲，朱德峰，林賢青，等. 穗肥施氮量對水稻劍葉生長及披垂的影響［J］. 西南農(nóng)業(yè)學(xué)報(bào)，2007，20（6）：1246-1249.

［17］劉镕源，王紀(jì)華，楊貴軍，等. 冬小麥葉面積指數(shù)地面測量方法的比較［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（3）：220-224.

［18］田慶久，閔祥軍. 植被指數(shù)研究進(jìn)展［J］. 地球科學(xué)進(jìn)展，1998，13（4）：327-333.

［19］Ahamed T，Tian L，Zhang Y，et al. A review of remote sensing methods for biomass feedstock production［J］. Biomass and Bioenergy，2011，35（7）：2455-2469.

［20］Hunt E R Jr，Daughtry C S T，Eitel J U H，et al. Remote sensing leaf chlorophyll content using a visible band index［J］. Agronomy Journal，2011，103（4）：1090-1099.

［21］Vincini M，F(xiàn)razzi E，DAlessio P. A broad-band leaf chlorophyll vegetation index at the canopy scale［J］. Precision Agriculture，2008，9（5）：303-319.

［22］Xu L Y，Xie X D，Li S. Correlation analysis of the urban heat island effect and the spatial and temporal distribution of atmospheric particulates using TM images in Beijing［J］. Environmental Pollution，2013，178：102-114.

［23］Dorigo W A，Zurita-Milla R，de Wit A J W，et al. A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling［J］. International Journal of Applied Earth Observation and Geoinformation，2007，9（2）：165-193.

［24］Jiang Z，Huete A，Didan K，et al. Development of a two-band enhanced vegetation index without a blue band［J］. Remote Sensing of Environment，2008，112（10）：3833-3845.

［25］Gobron N，Pinty B，Verstraete M M，et al. Advanced vegetation indices optimized for up-coming sensors：design，performance，and applications［J］. IEEE Transactions on Geoscience and Remote Sensing，2000，38（6）：2489-2505.

［26］le Maire G，F(xiàn)ranois C，Dufrêne E. Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements［J］. Remote Sensing of Environment，2004，89（1）：1-28.

［27］Pu R L，Gong P，Yu Q. Comparative analysis of EO-1 ALI and Hyperion，and landsat ETM+ data for mapping forest crown closure and leaf area index［J］. Sensors，2008，8（6）：3744-3766.

［28］Haboudane D. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture［J］. Remote Sensing of Environment，2004，90（3）：337-352.

［29］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.

［30］Wu C Y，Niu Z，Tang Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices：modeling and validation［J］. Agricultural and Forest Meteorology，2008，148（8/9）：1230-1241.

［31］Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］. Remote Sensing of Environment，1995，51（3）：375-384.

［32］Birth G S，McVey G R. Measuring the color of growing turf with a reflectance Spectrophotometer1［J］. Agronomy Journal，1968，60（6）：640-643.

［33］Gitelson A A. Wide Dynamic Range Vegetation Index for remote quantification of biophysical characteristics of vegetation［J］. Journal of Plant Physiology，2004，161（2）：165-173.

［34］Broge N H，Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］. Remote Sensing of Environment，2001，76（2）：156-172.

［35］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.

［36］Herrmann I，Pimstein A，Karnieli A，et al. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands［J］. Remote Sensing of Environment，2011，115（8）：2141-2151.

［37］Karal . Performance comparison of different kernel functions in SVM for different k value in k-fold cross-validation［C］//2020 Innovations in Intelligent Systems and Applications Conference （ASYU）.Istanbul：IEEE，2020：1-5.

［38］秦占飛，申" 健，謝寶妮，等. 引黃灌區(qū)水稻葉面積指數(shù)的高光譜估測模型［J］. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2017，42（8）：1159-1166.

［39］李艷大，孫濱峰，曹中盛，等. 基于作物生長監(jiān)測診斷儀的雙季稻葉面積指數(shù)監(jiān)測模型［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（10）：141-149.

［40］田廣麗. 氮水平及栽培密度影響水稻生產(chǎn)能力的機(jī)制研究［D］. 南京：南京農(nóng)業(yè)大學(xué)，2016.

［41］楊" 洪，李旭毅，卿發(fā)紅，等. 不同產(chǎn)量水平水稻群體光合特性和產(chǎn)量構(gòu)成差異［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（5）：1089-1096.

［42］Liu W D，Xiang Y Q，Zheng L F，et al. Relationship between rice LAI，CH.D，and hyperspectral data［C］//Multispectral and Hyperspectral Remote Sensing Instruments and Applications.Hangzhou，China：SPIE，2003：352-359.

［43］張笑宇，沈" 超，藺琛皓，等. 面向機(jī)器學(xué)習(xí)模型安全的測試與修復(fù)［J］. 電子學(xué)報(bào)，2022，50（12）：2884-2918.