融合光譜和紋理特征的玉米產(chǎn)量預(yù)測研究

摘 要 本研究采集夏玉米拔節(jié)、抽雄、灌漿和成熟4個(gè)時(shí)期的無人機(jī)可見光和多光譜影像，提取和篩選植被指數(shù)與紋理特征參數(shù)，構(gòu)建植被指數(shù)與紋理特征融合變量，采用反向傳播神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)3種機(jī)器學(xué)習(xí)方法構(gòu)建玉米產(chǎn)量預(yù)測模型。結(jié)果表明：相較于單一類型參數(shù)，融合植被指數(shù)和紋理特征進(jìn)行產(chǎn)量預(yù)測模型精度更高；3種機(jī)器學(xué)習(xí)方法中以隨機(jī)森林構(gòu)建的玉米產(chǎn)量預(yù)測模型效果最好，且最佳預(yù)測時(shí)期為灌漿期（籽粒水泡期）；綜合評價(jià)建模和驗(yàn)證結(jié)果，基于多光譜影像植被指數(shù)與紋理特征融合變量和隨機(jī)森林方法構(gòu)建的模型玉米產(chǎn)量預(yù)測效果最佳。遙感信息的多特征融合與機(jī)器學(xué)習(xí)方法的搭配能夠挖掘和利用更多信息并提高玉米產(chǎn)量預(yù)測的精度和魯棒性。

關(guān)鍵詞 玉米；無人機(jī)遙感；可見光；多光譜；植被指數(shù)；紋理特征；產(chǎn)量

玉米作為三大谷物之首，是當(dāng)今全球種植范圍廣泛、產(chǎn)量最大的谷類作物，同時(shí)也是重要的糧食、經(jīng)濟(jì)和飼料兼用作物。近年來，中國玉米的播種面積和產(chǎn)量總體呈穩(wěn)定增長的態(tài)勢，及時(shí)準(zhǔn)確地獲得玉米產(chǎn)量信息，對于保障國家糧食安全以及農(nóng)業(yè)結(jié)構(gòu)的優(yōu)化有著重要意義[1]。由于受地理環(huán)境、自然氣候、品種和生產(chǎn)技術(shù)差異等因素影響，作物產(chǎn)量高效、準(zhǔn)確估測是一項(xiàng)具有挑戰(zhàn)性的任務(wù)[2-3]。

傳統(tǒng)作物產(chǎn)量的估算方法在很大程度上依賴于實(shí)地調(diào)查，成本高昂、費(fèi)力耗時(shí)[4]。遙感監(jiān)測技術(shù)具有實(shí)時(shí)、無損和高通量的特性，可用于植物的長勢[5-6]、脅迫狀態(tài)[7-8]和產(chǎn)量[9-10]等監(jiān)測，已成為現(xiàn)代作物產(chǎn)量調(diào)查的主要方法之一[11]。得益于無人機(jī)平臺和機(jī)載傳感器領(lǐng)域的快速發(fā)展，無人機(jī)遙感可獲得較高的空間、光譜和時(shí)間分辨率數(shù)據(jù)[12]，在農(nóng)田精細(xì)尺度和動(dòng)態(tài)連續(xù)監(jiān)測方面較衛(wèi)星遙感具有顯著優(yōu)勢[13-16]。無人機(jī)作物遙感監(jiān)測的主要方法是通過搭載可見光、多光譜和高光譜等傳感器，獲取作物光譜信息，提取植被指數(shù)等信息用于反演作物長勢。植被指數(shù)是從植被冠層的光譜信息中提取的一種獨(dú)特的光學(xué)參數(shù)[17]。利用植被指數(shù)進(jìn)行產(chǎn)量估算已在糧食作物[18-19]、經(jīng)濟(jì)作物[20]、飼用作物[21]等方面取得諸多成果，但預(yù)測效率與精度仍有較大提升空間。除植被指數(shù)等光譜信息外，用于表達(dá)空間細(xì)節(jié)差異、突出植物冠層結(jié)構(gòu)和幾何特征的紋理特征在產(chǎn)量預(yù)測方面也有較好的應(yīng)用潛力。前人研究發(fā)現(xiàn)相較于僅用植被指數(shù)進(jìn)行棉花葉面積指數(shù)監(jiān)測，通過增加遙感影像的紋理特征信息，可提高監(jiān)測精度[22]。

遙感估產(chǎn)模型大致分為兩類：線性模型和非線性模型。使用基于植被指數(shù)、紋理指數(shù)等估測量和產(chǎn)量觀測值的傳統(tǒng)線性回歸模型，精度往往不足，且易出現(xiàn)過度擬合現(xiàn)象[23-24]。機(jī)器學(xué)習(xí)算法的發(fā)展為農(nóng)藝信息與遙感數(shù)據(jù)相結(jié)合并開發(fā)靈活的產(chǎn)量預(yù)測模型提供了新的機(jī)會。機(jī)器學(xué)習(xí)可高效編譯各種數(shù)據(jù)集和提取有用信息，提高模型準(zhǔn)確性，減少過擬合現(xiàn)象，已成功應(yīng)用于解決大型非線性問題[25]，神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)等算法日益廣泛用于產(chǎn)量預(yù)測問題的研究[26-28]。

玉米產(chǎn)量的形成是一個(gè)從播種到籽粒成熟的漫長過程，產(chǎn)量波動(dòng)較大，不同時(shí)期植被指數(shù)和特征因子與產(chǎn)量的相關(guān)程度不同，遙感產(chǎn)量估算方案需要基于玉米生長規(guī)律篩選最佳生育時(shí)期、估產(chǎn)參數(shù)和建模方法。因此，本研究獲取夏玉米的拔節(jié)、抽雄、灌漿和成熟4個(gè)關(guān)鍵生育時(shí)期的無人機(jī)可見光和多光譜影像數(shù)據(jù)，篩選與產(chǎn)量相關(guān)的植被指數(shù)和紋理特征參數(shù)，基于多源遙感數(shù)據(jù)融合分別建立反向傳播神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)的夏玉米產(chǎn)量估測模型并進(jìn)行精度對比，篩選最佳估測產(chǎn)量的時(shí)期、建模特征參數(shù)和方法，為夏玉米無人機(jī)遙感產(chǎn)量預(yù)測提供優(yōu)化方案。

1 材料與方法

1.1 研究區(qū)概況和試驗(yàn)設(shè)計(jì)

試驗(yàn)于2022年在陜西省楊凌區(qū)西北農(nóng)林科技大學(xué)曹新莊農(nóng)場進(jìn)行（34°29′N，108°06′E，海拔454.8 m），該地位于陜西關(guān)中平原，海拔454.8 m，屬暖溫帶半濕潤季風(fēng)氣候，夏玉米生長季平均降水為304.9 mm，平均氣溫為26.0 ℃，總?cè)照諘r(shí)間為1 213 h，供試土壤為[HT5，6SS]土[KG-*3][HT5，6SS]婁土，本研究基于2009年起實(shí)施的冬小麥-夏玉米一年兩熟制長期定位氮磷施肥試驗(yàn)實(shí)施。

供試玉米品種分別為‘鄭單958’‘先玉335’‘京科968’和‘陜單609’，田間試驗(yàn)采取品種、施氮量和施磷量三因素裂區(qū)設(shè)計(jì)，夏玉米于2022年6月15日播種，9月30日收獲。5個(gè)氮肥（N）梯度：0、75、150、225和300 kg/hm2，4個(gè)磷肥（P2O5）梯度：0、60、120和180 kg/hm2，即20個(gè)施肥處理。設(shè)置3次重復(fù)。肥料全部基施。種植密度為67 500株/hm2，株距24.7 cm，行距 60 cm。其他田間管理措施同當(dāng)?shù)卮筇铩?/p>

1.2 數(shù)據(jù)獲取與處理

1.2.1 無人機(jī)影像獲取與處理 本研究使用大疆經(jīng)緯M300 RTK無人機(jī)搭載MicaSense Altum-PT多光譜鏡頭采集夏玉米拔節(jié)期（V6，7月24日）、抽雄期（VT，8月10日）、灌漿期（籽粒水泡期R2，9月1日）和成熟期（R6，9月28日）4個(gè)時(shí)期的遙感數(shù)據(jù)，該相機(jī)可同時(shí)采集6通道（全色、藍(lán)光、綠光、紅光、紅邊、紅外）多光譜影像。利用DJI Pilot APP規(guī)劃航線，制定飛行任務(wù)。每次拍攝在晴朗無云天氣10：00—12：00進(jìn)行，無人機(jī)飛行高度設(shè)定為20 m，航向重疊率為80%，旁向重疊率為75%，每個(gè)生育時(shí)期的飛行計(jì)劃和相機(jī)設(shè)置保持一致。飛行前拍攝校準(zhǔn)反射面板，用于無人機(jī)影像的輻射校正。

使用Pix4D mapper軟件對航拍獲得的影像進(jìn)行輻射校正和圖像拼接。采用ArcGIS軟件對合成后的可見光（RGB）影像和多光譜（Multi-spectral，MS）影像進(jìn)行試驗(yàn)區(qū)的選擇、地圖代數(shù)運(yùn)算和分區(qū)統(tǒng)計(jì)處理。

1.2.2 產(chǎn)量數(shù)據(jù)獲取與處理 在玉米成熟期，每個(gè)小區(qū)選取行長5 m長勢均勻的玉米各3行，統(tǒng)計(jì)穗數(shù)，在行內(nèi)選取20個(gè)均勻果穗，取3次重復(fù)，風(fēng)干后于室內(nèi)考種，測定穗粒數(shù)和百粒質(zhì)量，按14%含水量折算籽粒產(chǎn)量[29]。

1.3 植被指數(shù)和紋理特征的選取

植被指數(shù)（Vegetation index，VI）是兩個(gè)或多個(gè)波段地物反射率的組合運(yùn)算，以增強(qiáng)植被某一特性或者細(xì)節(jié)，是作物生長分析的重要參數(shù)。本文基于前人研究選取可見光波段構(gòu)建的歸一化紅光（r）、歸一化綠光（g）、歸一化藍(lán)光（b）、綠藍(lán)比指數(shù)（GBRI）、紅綠比指數(shù)（RGRI）、超藍(lán)指數(shù)（ExB）、超綠指數(shù)（ExG）、超紅指數(shù)（ExR）、超綠超紅差分指數(shù)（ExGR）、植被顏色提取指數(shù)（CIVE）、植被指數(shù)（VEG）、改進(jìn)型綠紅植被指數(shù)（MGRVI）、歸一化綠紅差分指數(shù)（NGRDI）、可見光波段差異植被指數(shù)（VDVI）、綜合指數(shù)1（COM1）和綜合指數(shù)2（COM2）16種可見光植被指數(shù)[30-32]；基于多光譜波段構(gòu)建的耐大氣植被指數(shù)（ARVI）、差值植被指數(shù)（DVI）、增強(qiáng)植被指數(shù)（EVI）、綠色歸一化差異植被指數(shù)（GNDVI）、葉面葉綠素指數(shù)（LCI）、歸一化差異紅邊植被指數(shù)（NDRE）、歸一化差異植被指數(shù)（NDVI）、優(yōu)化的土壤調(diào)節(jié)植被指數(shù)（OSAVI）、比值植被指數(shù)（RVI）和土壤調(diào)節(jié)植被指數(shù)（SAVI）10種多光譜植被指數(shù)[33-34]進(jìn)行估測建模，共計(jì)26種植被指數(shù)。[JP]

紋理特征（Textural features，T）是一種全局特征，反映圖像中同質(zhì)現(xiàn)象的視覺特征，體現(xiàn)物體表面具有緩慢變換或周期性變化的表面組織結(jié)構(gòu)排列屬性，對作物產(chǎn)量估測有很高的應(yīng)用潛力。本研究利用ENVI軟件中的灰度共生矩陣（Gray-level co-occurrence matrix，GLCM）提取出每個(gè)植被指數(shù)的8種紋理特征[35]：對比度（Contrast，CON）、相關(guān)性（Correlation，COR）、相異性（Dissimilarity，DIS）、熵（Entropy，ENT）、協(xié)同性（Homogeneity，HOM）、均值（Mean，MEA）、二階矩（Second moment，SEM）和方差（Variance，VAR）。分析窗口尺寸為3×3，空間相關(guān)矩陣偏移X和Y默認(rèn)為1。

使用皮爾遜相關(guān)系數(shù)法（Pearson Correlation Coefficient，PCC）分析產(chǎn)量與植被指數(shù)和紋理特征的相關(guān)系數(shù)（r），并以其絕對值（|r|）的大小為標(biāo)準(zhǔn)對構(gòu)建的光譜指數(shù)進(jìn)行變量篩選并排序[36]。

1.4 模型構(gòu)建

本研究將各個(gè)時(shí)期植被指數(shù)和紋理特征作為輸入?yún)?shù)，分別與產(chǎn)量數(shù)據(jù)進(jìn)行相關(guān)性分析和顯著性檢驗(yàn)，篩選出最優(yōu)參數(shù)后，選取反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）、隨機(jī)森林（Random Forest，RF）和支持向量機(jī)（Support Vector Machine，SVM）3種機(jī)器模型進(jìn)行產(chǎn)量估測。本試驗(yàn)共采集產(chǎn)量數(shù)據(jù)240個(gè)，按3∶1比例劃分訓(xùn)練集和驗(yàn)證集，即隨機(jī)選取其中75%作為建模集，25%作為訓(xùn)練集樣本。取各小區(qū)植被指數(shù)和紋理特征平均值作為建模數(shù)據(jù)。使用Matlab軟件進(jìn)行數(shù)據(jù)分析。

1.5 模型精度評價(jià)指標(biāo)

選取決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）和平均絕對誤差（Mean absolute error，MAE）評價(jià)模型精度。R2用于評價(jià)估測值和實(shí)測值的擬合程度，其值越接近1則模型擬合效果越好；RMSE用于評價(jià)估測值和實(shí)測值的偏差程度，其值越小則模型擬合效果越好；MAE用于評價(jià)估測值和實(shí)測值的實(shí)際偏差，其值越小則模型擬合效果越好[5]。

2 結(jié)果與分析

2.1 可見光與多光譜植被指數(shù)及其紋理特征與玉米籽粒產(chǎn)量的相關(guān)性

將各生育時(shí)期的植被指數(shù)和紋理特征分別與夏玉米產(chǎn)量進(jìn)行相關(guān)性分析。根據(jù)皮爾遜相關(guān)系數(shù)界值表，n=80時(shí)，|r|>0.217表示P<0.05水平顯著，|r|>0.283表示P<0.01水平顯著，|r|>0.357表示P<0.001水平顯著。對植被指數(shù)篩選發(fā)現(xiàn)（表1、表2），玉米V6、VT、R2和R6的植被指數(shù)與產(chǎn)量相關(guān)系數(shù)絕對值|r|> 0.217（P<0.05）的可見光和多光譜植被指數(shù)分別為25、24、22和20個(gè)，且多光譜植被指數(shù)與產(chǎn)量的相關(guān)性大于可見光植被指數(shù)。4個(gè)生育時(shí)期與產(chǎn)量相關(guān)性最高的植被指數(shù)分別為NDRE、NDRE、RVI和GNDVI。以R2時(shí)期植被指數(shù)與產(chǎn)量相關(guān)性最高。

為便于表示，用“_”連接植被指數(shù)與紋理特征，如r_CON表示從r植被指數(shù)提取的對比度（Contrast，CON）。對可見光和多光譜植被指數(shù)的紋理特征篩選發(fā)現(xiàn)（圖1），可見光紋理特征的在4個(gè)生育時(shí)期分別以r_MEA、r_MEA、RGRI_MEA和RGRI_COR與產(chǎn)量的相關(guān)性最好，|r|介于0.657～0.763；多光譜紋理特征的|r|在4個(gè)生育時(shí)期分別以NDRE_MEA、ARVI_COR、RVI_MEA和NDRE_VAR相關(guān)性最好，|r|介于0.779～0.843，均表現(xiàn)出極顯著相關(guān)關(guān)系（P< 0.001）。通過統(tǒng)計(jì)篩選4個(gè)生育時(shí)期最優(yōu)可見光與多光譜在的紋理特征類型，以MAE特征頻率最高，占比為52.5%，其次是COR特征，占比為15%。

綜上，基于多光譜波段構(gòu)建的植被指數(shù)和紋理特征與產(chǎn)量的相關(guān)性要優(yōu)于可見光，紋理特征與產(chǎn)量的相關(guān)性略優(yōu)于植被指數(shù)。4個(gè)生育時(shí)期中以R2時(shí)期提取的有關(guān)參量與產(chǎn)量的相關(guān)性表現(xiàn)最好。

2.2 建模參數(shù)的優(yōu)選

依據(jù)皮爾遜相關(guān)系數(shù)法對特征進(jìn)行排序，分別針對RGB和MS數(shù)據(jù)篩選各生育時(shí)期相關(guān)系數(shù)絕對值最高的5個(gè)植被指數(shù)（VI）和紋理特征（T）作為建模的特征參數(shù)，其中VI+T為相對應(yīng)參數(shù)的疊加，形成RGB_VI、RGB_T、RGB_VI+T、MS_VI、MS_T、MS_VI+T 6種參數(shù)組合類型（表3）。根據(jù)表1、表2和圖1結(jié)果，篩選的特征參數(shù)與在V6、VT、R2、R6 4個(gè)生育時(shí)期|r|范圍表現(xiàn)為RGB_VI：0.627～ 0.659、0.629～0.708、0.616～0.757、0.398～ 0.563；MS_VI：0.722～0.782、0.714～0.821、 0.855～0.878、0.675～ 0.757，RGB_T：0.627～0.657、0.679～0.755、 0.662～0.763和0.503～0.658，MS_T：0.733～0.783、0.798～0.843、 0.862～0.880和0.722～0.779，均表現(xiàn)出極強(qiáng)相關(guān)性（P<0.001）。

2.3 基于機(jī)器學(xué)習(xí)的玉米產(chǎn)量預(yù)測模型的構(gòu)建與驗(yàn)證

分別使用BPNN、RF和SVM 3種機(jī)器學(xué)習(xí)方法進(jìn)行建模和驗(yàn)證（圖2、圖3和圖4），基于不同生育時(shí)期估測產(chǎn)量，均以籽粒灌漿期（R2）模型的精度最優(yōu)；在參數(shù)類型選擇方面，均以多光譜植被指數(shù)與紋理特征疊加（MS_VI+T）類型參數(shù)建模與驗(yàn)證精度最高，多光譜紋理特征（MS_T）類型參數(shù)次之。結(jié)合建模和驗(yàn)證效果，3種機(jī)器學(xué)習(xí)建模方法中以RF的總體建模和驗(yàn)證精度 最優(yōu)。

基于BPNN模型中，最優(yōu)模型為MS_VI+T（建模集R2=0.763，RMSE=466.890 kg/hm2，MAE=360.531 kg/hm2;驗(yàn)證集R2=0.864，RMSE=446.387 kg/hm2，MAE=353.725 kg/hm2）。當(dāng)僅利用單一類型參數(shù)建模時(shí)，以MS_T模型結(jié)果最優(yōu)（模型R2=0.822，RMSE=482.861 kg/hm2，MAE=386.144 kg/hm2）。相比于MS_VI模型，MS_T模型驗(yàn)證效果R2提升0.002，RMSE降低99.786 kg/hm2，MAE降低78.448 kg/hm2。表明，基于單一紋理特征參數(shù)建模效果優(yōu)于單一植被指數(shù)模型。

基于RF模型中，最優(yōu)模型為MS_VI+T（建模集R2=0.859，RMSE=400.288 kg/hm2，MAE=308.907 kg/hm2;驗(yàn)證集R2=0.900，RMSE=295.291 kg/hm2，MAE=249.082 kg/hm2）。其中，相比于RGB_VI+T模型，MS_VI+T模型驗(yàn)證效果R2提升0.224，RMSE降低344.799 kg/hm2，MAE降低268.906 kg/hm2。由此，基于多光譜參數(shù)類型構(gòu)建的模型優(yōu)于可見光參數(shù)類型的模型。

基于SVM模型中，最優(yōu)模型為MS_VI+T（建模集R2=0.775，RMSE=506.824 kg/hm2，MAE=346.592 kg/hm2;驗(yàn)證集R2=0.904，RMSE=291.351 kg/hm2，MAE=217.139 kg/hm2）。相比于MS_VI和MS_T模型，MS_VI+T模型驗(yàn)證效果R2提升0.017和0.038，RMSE降低142.053和88.274 kg/hm2，MAE降低112.016和79.655 kg/hm2。因此，融合植被指數(shù)與紋理特征參數(shù)建模能夠提升模型的精度，其中對于植被指數(shù)提升空間高于紋理特征參數(shù) 模型。

綜上，融合植被指數(shù)和紋理特征構(gòu)建的模型較單一類型變量模型的建模與驗(yàn)證精度均有所提升，基于紋理特征構(gòu)建的產(chǎn)量預(yù)測模型的精度總體優(yōu)于植被指數(shù)模型，基于隨機(jī)森林方法構(gòu)建模型的精度總體優(yōu)于反向神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法。綜合建模和驗(yàn)證精度，本研究中最優(yōu)玉米產(chǎn)量預(yù)測模型為融合多光譜植被指數(shù)和紋理特征的基于隨機(jī)森林方法在灌漿期（R2）構(gòu)建的模型。

2.4 玉米產(chǎn)量分布反演

基于篩選的最優(yōu)玉米產(chǎn)量預(yù)測進(jìn)行產(chǎn)量反演，得到玉米產(chǎn)量示意圖（圖5）。不同的氮磷水平處理下夏玉米產(chǎn)量存在差異，產(chǎn)量隨施氮量的增加呈現(xiàn)先增加后降低的趨勢，即N3施肥處理下產(chǎn)量達(dá)到最高，且產(chǎn)量隨施磷量的增加而增加，在所有處理中產(chǎn)量介于3 709～7 322 kg/hm2，各小區(qū)不同品種玉米產(chǎn)量的實(shí)際產(chǎn)量和預(yù)測產(chǎn)量較為接近。

3 討 論

3.1 玉米產(chǎn)量預(yù)測生育時(shí)期選擇

遙感信息會隨著作物的生長發(fā)生變化，本文基于玉米拔節(jié)期、抽雄期、灌漿期和成熟期對產(chǎn)量進(jìn)行遙感估測的精度存在較大差異。玉米苗期（出苗至拔節(jié)）根系發(fā)展迅速，莖葉生長緩慢，前期地上部長勢及遙感信息與產(chǎn)量的相關(guān)性較小。穗期（拔節(jié)至開花）是營養(yǎng)生長向生殖生長并進(jìn)的時(shí)期，決定穗數(shù)，莖節(jié)間迅速生長，葉片增長，根系繼續(xù)擴(kuò)展，干物質(zhì)迅速增加，是玉米生長發(fā)育最旺盛的階段。玉米粒期（開花至成熟）以生殖生長為中心，經(jīng)過開花受精而進(jìn)入了籽粒產(chǎn)量形成時(shí)期，此時(shí)主要功能葉片是植株的中上層葉片，是決定粒數(shù)和粒質(zhì)量的重要時(shí)期。玉米成熟期中下部葉片會變黃，基部葉片變干枯，會降低利用光譜信息預(yù)測的精度。本研究篩選出的玉米最佳預(yù)測產(chǎn)量時(shí)期是灌漿前期，同前人研究一致[37-38]。作物產(chǎn)量的形成是一個(gè)長期不斷積累的過程，基于單一的生育時(shí)期進(jìn)行玉米產(chǎn)量預(yù)測可能代表性不足，而綜合利用多生育時(shí)期的信息更能夠全面、科學(xué)合理地反映產(chǎn)量形成過程，因此，如何綜合利用多時(shí)相的作物遙感信息進(jìn)行產(chǎn)量預(yù)測，還需有待進(jìn)一步研究。

3.2 玉米產(chǎn)量預(yù)測參數(shù)類型的選擇

本研究利用無人機(jī)搭載的傳感器獲得田塊尺度的可見光和多光譜的影像，對比可見光和多光譜影像產(chǎn)量預(yù)測的精度，以多光譜傳感器產(chǎn)量預(yù)測的精度更高。作物生長狀況在可見光（被葉綠素吸收）、近紅外（受葉片內(nèi)部構(gòu)造影響）[39]和紅邊波段（植物色素狀態(tài)）呈現(xiàn)不同特征，而多光譜數(shù)據(jù)相比于可見光包含的信息更多，能夠?yàn)楫a(chǎn)量預(yù)測精度的提高提供潛力。通過植被指數(shù)單一類型作為參數(shù)能夠?qū)崿F(xiàn)產(chǎn)量的預(yù)測[40]，但玉米產(chǎn)量和生長過程是多因素共同作用的結(jié)果，利用多類型（植被指數(shù)+紋理特征）的數(shù)據(jù)融合進(jìn)行作物產(chǎn)量估算[41]，能夠充分利用不同數(shù)據(jù)的優(yōu)點(diǎn)，從而達(dá)到提高模型精度和泛化能力。本研究利用多源影像數(shù)據(jù)計(jì)算了植被指數(shù)和紋理特征兩種參數(shù)對作物產(chǎn)量進(jìn)行預(yù)測，其中將植被指數(shù)與紋理特征進(jìn)行參數(shù)融合后的模型精度明顯高于單一類型參數(shù)，與前人研究結(jié)果一致[42-44]。多傳感器數(shù)據(jù)融合可以增強(qiáng)光譜信息，提高估產(chǎn)的精度，但精度提高并不明顯，且多傳感器的數(shù)據(jù)融合不僅成倍增加了遙感作業(yè)的工作量，也增加了設(shè)備投入成本，性價(jià)比降低[9]。因此相比于融合多傳感器數(shù)據(jù)，可以考慮融合同一傳感器的不同特征類型的數(shù)據(jù)。而作物的圖像特征除紋理特征外，還包括能描述圖像或圖像區(qū)域所對應(yīng)的景物的表面性質(zhì)的顏色特征、針對物體的外邊界圖像的輪廓和區(qū)域關(guān)系的形狀區(qū)域，以及圖像中分割出來的多個(gè)目標(biāo)之間相互的空間關(guān)系等特征。因此如何利用有限的光譜信息中獲取更多維度的信息，融合更多包含作物信息的輔助特征，從而進(jìn)一步提高模型精度有待更深入的研究。

3.3 玉米產(chǎn)量預(yù)測機(jī)器學(xué)習(xí)方法的選擇

機(jī)器學(xué)習(xí)算法可以充分利用遙感信息，在作物監(jiān)測方面表現(xiàn)出較好應(yīng)用潛力。但采用算法不同、監(jiān)測作物種類不同可能導(dǎo)致預(yù)測效果存在較大差異[21，23，26，45]。為了探究不同的機(jī)器學(xué)習(xí)算法對產(chǎn)量的預(yù)測效果，本研究選擇了BPNN、RF和SVM 3種方法用于比較夏玉米產(chǎn)量預(yù)測的潛力?；贐PNN模型可以學(xué)習(xí)和逼近任意復(fù)雜的非線性函數(shù)關(guān)系，較好的并行分布能力，但調(diào)參數(shù)目過多，因此對結(jié)果的解釋欠佳[46]；RF模型可以集成多個(gè)決策樹來減少過擬合，在處理各種類型的數(shù)據(jù)時(shí)，通常具有較高的準(zhǔn)確度[18，47]；基于RF模型和SVM模型都能夠?qū)?shù)據(jù)產(chǎn)生的噪聲有較好的魯棒性，從而減少模型過擬合的風(fēng)險(xiǎn)，但SVM由于需要計(jì)算核函數(shù)和對參數(shù)的設(shè)置調(diào)節(jié)，參數(shù)的選擇可能對模型的性能產(chǎn)生較大的影響[48]。在本研究中基于RF構(gòu)建的訓(xùn)練集和測試集模型性能最佳。此外，深度學(xué)習(xí)算法已逐漸作為估測產(chǎn)量的新方法，其通過捕捉數(shù)據(jù)中復(fù)雜的模式和關(guān)系，在自動(dòng)學(xué)習(xí)特征和生成可靠的作物產(chǎn)量預(yù)測方面具有強(qiáng)大的潛力[49-50]。然而深度學(xué)習(xí)對數(shù)據(jù)及算力的要求較高，需要投入大量的人力物力和時(shí)間來開發(fā)新的算法和模型，相關(guān)研究和應(yīng)用案例還 較少。

本研究期限較短，數(shù)據(jù)集較小，在后期的研究與應(yīng)用中還需要更多的數(shù)據(jù)積累驗(yàn)證與模型優(yōu)化。面對大尺度產(chǎn)量預(yù)測的應(yīng)用，如何將低空無人機(jī)遙感的細(xì)致性和高空衛(wèi)星遙感的宏觀性進(jìn)行結(jié)合從而實(shí)現(xiàn)不同尺度的作物產(chǎn)量估測還需更多的研究。產(chǎn)量由多因素影響，針對不同品種和氣候條件，未來可以考慮進(jìn)行時(shí)序特征分析和動(dòng)態(tài)指數(shù)的構(gòu)建，融合結(jié)構(gòu)特征（株高、葉面積指數(shù)等）、生長動(dòng)態(tài)參數(shù)（生長速率等）以及土壤、氣象等多源數(shù)據(jù)繼續(xù)優(yōu)化模型，構(gòu)建更加精準(zhǔn)和泛化能力強(qiáng)的玉米生長監(jiān)測與產(chǎn)量預(yù)測模型。

4 結(jié) 論

本研究基于無人機(jī)可見光和多光譜影像分別計(jì)算植被指數(shù)和紋理特征，并進(jìn)行了特征融合，豐富了反演建模的維度，利用相關(guān)系數(shù)篩選夏玉米拔節(jié)期、抽雄期、灌漿期、成熟期最優(yōu)建模參數(shù)，比較BPNN、RF和SVM 3種機(jī)器學(xué)習(xí)對夏玉米產(chǎn)量預(yù)測的差異。相比于單一維度參數(shù)建模，將植被指數(shù)與紋理特征融合建模預(yù)測效果更佳，且基于多光譜數(shù)據(jù)構(gòu)建的模型優(yōu)于可見光，基于多光譜植被指數(shù)與紋理特征（MS_VI+T）的組合作為最佳建模參數(shù)。篩選最佳估產(chǎn)時(shí)期為夏玉米灌漿期（R2），以RF方法建模精度最好。通過多源數(shù)據(jù)的對比分析以及融合多特征數(shù)據(jù)和采用機(jī)器學(xué)習(xí)方法能夠較好地實(shí)現(xiàn)夏玉米產(chǎn)量預(yù)測。

參考文獻(xiàn) Reference：

［1］WART V J，KERSEBAUM C K，PENG S，et al.Estimating crop yield potential at regional to national scale[J].Field Crops Research，2013，143：34-43.

[2]MUELLER N D，GERBER J S，JOHNSTO M，et al.Closing yield gaps through nutrient and water management[J].Nature，2012，490 （7419）：254-7.

[3]DENG L，MAO Z，LI X，et al.UAV-based multispectral remote sensing for precision agriculture：a comparison between different cameras [J].ISPRS Journal of Photogrammetry and Remote Sensing，2018，146：124-136.

[4]MESHESHA T D，ABEJE M.Developing crop yield forecasting models for four major Ethiopian agricultural commodities [J].Remote Sensing Applications：Society and Environment，2018，11：83-93.

[5]徐云飛，程 琦，魏祥平，等.變異系數(shù)法結(jié)合優(yōu)化神經(jīng)網(wǎng)絡(luò)的無人機(jī)冬小麥長勢監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2021， 37（20）：71-80.

XU Y F，CHENG Q，WEI X P，et al.Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network[J].Transactions of the Chinese Society of Agricultural Engineering，2021， 37（20）：71-80.

[6]CHIRANJIT S，CHANDRA K S.Rice crop growth monitoring with sentinel-1 SAR data using machine learning models in google earth engine cloud[J/OL].Remote Sensing Applications：Society and Environment，2023，32：1-2.https：//doi.org/10.1016/j.rsase.2022.101029.

[7]齊文棟，何黎明，王安鵬，等.低溫冷害脅迫下的多熟水稻產(chǎn)量遙感監(jiān)測[J].遙感技術(shù)與應(yīng)用，2023，38（3）：558-565.

QI W D，HE L M，WANG A P，et al. Remote sensing monitoring of yield loss of multiple cropping paddy caused by low temperature [J].Remote Sensing Technology and Application，2023，38（3）：558-565.

[8]ZHOU J，KHOT R L，BOYDSTON A R，et al. Low altitude remote sensing technologies for crop stress monitoring：a case study on spatial and temporal monitoring of irrigated pinto bean[J].Precision Agriculture，2018，19（3）555-569.

[9]宋成陽，耿洪偉，費(fèi)帥鵬，等.基于多源數(shù)據(jù)的小麥品種產(chǎn)量估測研究[J].光譜學(xué)與光譜分析，2023，43（7）：2210-2219.

SONG CH Y，GENG H W，F(xiàn)EI SH P，et al. Study on yield estimation of wheat varieties based on multi-source data [J].Spectroscopy and Spectral Analysis，2023，43（7）：2210-2219.

[10] QU G，SHUAI Y，SHAO C，et al.County scale corn yield estimation based on Multi-Source Data in Liaoning province[J].Agronomy，2023，13（5）：1428.

[11]CHENG T，YANG Z，INOUE Y，et al.Preface：recent advances in remote sensing for crop growth monitoring[J].Remote Sensing，2016，8（2）：116.

[12]BO D，SHENGHUI F，YAN G，et al.Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone[J/OL].Field Crops Research，2021，267：1-11.https：//doi.org/10.1016/j.fcr.2021.108148.

[13]孫 陽，吳 瓊，馬 鋼.基于無人機(jī)影像的農(nóng)作物生長反演方法及應(yīng)用[J].測繪與空間地理信息，2021，44（9）：165-166，170.

SUN Y，WU Q，MA G.Crop growth inversion method and application based on UAV image[J].Geomatics & Spatial Information Technology，2021，44（9）：165-166，170.

[14]LEW T T S，SAROJAM R，JANG izT08UK0ApBZzUk6P24gtIvg6G+dUZc5vEz8Vk9VM50=I C，et al. Species-independent analytical tools for next-generation agriculture.[J].Nature Plants，2020，6（12）：1408-1417.

[15]FUHONG C，WEN L，WUXIONG S，et al.A mobile device-based imaging spectrometer for environmental monitoring by attaching a lightweight small module to a commercial digital camera[J/OL].Scientific Reports，2017， 7（1）：1-9.doi：10.1038/s41598-017-15848-x.

[16]KEITA H，NAOTO O，MOTOKI H，et al.High-dynamic-range spectral imaging system for omnidirectional scene capture[J].Journal of Imaging，2018，4（4）：53.

[17]TEAL K R，TUBANA B，GIRMA K，et al.In-season prediction of corn grain yield potential using normalized difference vegetation index[J].Agronomy Journal，2006，98（6）：1488-1494.

[18]王晶晶，李長碩，卓 越，等.基于多時(shí)相無人機(jī)遙感生育時(shí)期優(yōu)選的冬小麥估產(chǎn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（9）：197-206.

WANG J J，LI CH SH，ZH Y，et al.Yield estimation of winter wheat based on optimization of growth stages by multi-temporal UAV remote sensing[J].Transactions of the Chinese Society for Agricultural Machinery，2022， 53（9）：197-206..

[19]穆 軍，許 可，鐘曼麗，等.基于CiteSpace的農(nóng)作物遙感估產(chǎn)知識圖譜分析[J].現(xiàn)代農(nóng)業(yè)裝備，2020，41（2）：41-48.

MU J，XU K，ZHONG M L，et al.Knowledge structure analysis of crop yield estimation using remote sensing based on citespace [J].Modern Agricultural Equipment，2020，41（2）：41-48.

[20]祁佳峰，劉 笑，杜文玲，等.基于無人機(jī)高清影像的棉花單產(chǎn)預(yù)測[J].棉花學(xué)報(bào)，2022，34（4）：286-298.

QI J F，LIU X，DU W L，et al.Cotton yield estimation based on UAV high-resolution images [J].Cotton Science，2022，34（4）：286-298.

[21]嚴(yán)海軍，卓 越，李茂娜，等.基于機(jī)器學(xué)習(xí)和無人機(jī)多光譜遙感的苜蓿產(chǎn)量預(yù)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（11）：64-71.

YAN H J，ZHUO Y，LI M N，et al.Alfalfa yield prediction using machine learning and UAV multispectral remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering，2022，38（11）：64-71.

[22]邵亞杰，湯秋香，崔建平，等.融合無人機(jī)光譜信息與紋理特征的棉花葉面積指數(shù)估測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023， 54（6）：186-196.

SHAO Y J，TANG Q X，CUI J P，et al. Cotton leaf area index estimation combining UAV spectral and textural features [J].Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：186-196.

[23]ENHUI C，BING Z，DAILIANG P，et al.Wheat yield estimation using remote sensing data based on machine learning approaches[J/OL].Frontiers in Plant Science，2022，13：1-16.https：//doi.10.3389/fpls.2022.1090970.

[24]JOHNSON D M，HSIEH W W，CANNON J A，et al.Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods[J].Agricultural and Forest Meteorology，2016，218：74-84.

[25]WENGANG Z，XIN G，LI H，et al.Comprehensive review of machine learning in geotechnical reliability analysis：Algorithms，applications and further challenges[J/OL].Applied Soft Computing Journal，2023，136：1-18.https：//doi.org/10.1016/j.asoc.2023.110066.

[26]競 霞，張 杰，王嬌嬌，等.水稻產(chǎn)量遙感監(jiān)測機(jī)器學(xué)習(xí)算法對比[J].光譜學(xué)與光譜分析，2022，42（5）：1620-1627.

JING X，ZHANG J，WANG J J，et al. Comparison of machine learning algorithms for remote sensing monitoring of rice yields [J].Spectroscopy and Spectral Analysis，2022，42（5）：1620-1627.

[27]于海洋，陳圣波，楊北萍，等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的玉米遙感估產(chǎn)方法[J].世界地質(zhì)，2020，39（1）：208-214.

YU H Y，CHEN SH B，YANG B P，et al.Method of remote sensing estimation of corn yield based on genetic algorithm optimized BP neural network [J].Global Geology，2019，39（1）：208-214.

[28]ALEXIS P，L W M C，YANG C.Evaluation of random forests （RF） for regional and local-scale wheat yield prediction in southeast Australia[J].Sensors，2022，22（3）：717-717.

[29]劉 苗.不同水平氮磷配施對夏玉米產(chǎn)量和養(yǎng)分利用的影響[D].陜西楊凌：西北農(nóng)林科技大學(xué)，2022.

LIU M.Effects of different nitrogen and phosphorus application rate on yield，nutrient uptake and utilization of summer maize [D].Yangling Shaanxi：Northwest A&F University，2022.

[30]王嘉盼，武紅旗，王德俊，等.基于無人機(jī)可見光影像與生理指標(biāo)的小麥估產(chǎn)模型研究[J].麥類作物學(xué)報(bào)，2021， 41（10）：1307-1315.

WANG J P，WU H Q，WANG D J，et al.Research on wheat yield estimation model based on UAV visible light image and physiological index [J].Journal of Triticeae Crops，2021，41（10）：1307-1315.

[31]范軍亮，王 涵，廖振棋，等.基于紋理-顏色特征與植被指數(shù)融合的冬小麥LAI估測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023， 54（7）：347-359.

FAN J L，WANG H，LIAO ZH Q，et al.Winter wheat LAI estimation based on texture-color features and vegetation indices [J].Transactions of the Chinese Society for Agricultural Machinery，2023，54（7）：347-359.

[32]JOYCY S J，PRABAVATHY K A.Survey on automatic segmentation of relevant textures in agricultural images[J].Digital Image Processing，2012，4（3）：123-129.

[33]張 通，金 秀，饒 元，等.基于無人機(jī)多光譜的大豆旗葉光合作用量子產(chǎn)量反演方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（13）：150-157.

ZHANG T，JIN X，RAO Y，et al.Inversing photosynthesis quantum yield of the soybean flag leaf using a UAV-carrying multispectral camera [J].Transactions of the Chinese Society of Agricultural Engineering，2012， 38（13）：150-157.

[34]敖 登，楊佳慧，丁維婷，等.54種植被指數(shù)研究進(jìn)展綜述[J].安徽農(nóng)業(yè)科學(xué)，2023，51（1）：13-21，28.

AO D，YANG J H，DING W T，et al.Review of 54 vegetati on indices [J].Journal of Anhui Agricultural Sciences，2023，51（1）：13-21，28.

[35]YUAN L，CHENWEI N，ZHEN Z， et al. Evaluating how lodging affects maize yield estimation based on UAV observations[J/OL].Frontiers in Plant Science，2023，13：1-16.https：//doi：10.3389/fpls.2022.979103.

[36]杜菲菲，安慧君，李賀新.應(yīng)用光譜指數(shù)和機(jī)器學(xué)習(xí)反演紫丁香葉片的葉綠素面密度[J].東北林業(yè)大學(xué)學(xué)報(bào)，2024，52（2）：75-83.

DU F F，AN H J，LI H X.Inversion of chlorophyll contents in syringe oblata leaves using spectral index and MPA-TSVR [J].Journal of Northeast Forestry University，2024，52（2）：75-83.

[37]葉 強(qiáng)，楊鳳海，劉煥軍，等.引入地形特征的田塊尺度玉米遙感估產(chǎn)與空間格局分析[J].科學(xué)技術(shù)與工程，2021， 21（24）：10215-10221.

YE Q，YANG F H，LIU H J，et al.Maize yield estimation and spatial pattern analysis based on topographic features by remote sensing at the field scale [J].Science Technology and Engineering，2021，21（24）：10215-10221.

[38]馬冠南，丁春雨.基于植被指數(shù)和最優(yōu)物候期的玉米產(chǎn)量預(yù)測研究[J].農(nóng)業(yè)與技術(shù)，2017，37（9）：17-18，25.

MA G N，DING CH Y.Prediction of maize yield based on vegetation index and optimal phenological period [J].Agriculture and Technology，2017，37（9）：17-18，25.

[39]張芳毓，譚永毅，聶 婧，等.無人機(jī)多光譜在農(nóng)業(yè)中的應(yīng)用[J].智慧農(nóng)業(yè)導(dǎo)刊，2022，2（24）：11-13.

ZHANG F Y，TAN Y Y，NIE J，et al. Application of UAV multi-spectrum in agriculture [J].Journal of Smart Agriculture，2022，2（24）：11-13.

[40]韓文霆，彭星碩，張立元，等.基于多時(shí)相無人機(jī)遙感植被指數(shù)的夏玉米產(chǎn)量估算[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，51（1）：148-155.

HAN W T，PENG X SH，ZHANG L Y，et al.Summer maize yield estimation based on vegetation index derived from multi-temporal UAV remote sensing [J].Transactions of the Chinese Society for Agricultural Machinery， 2019，51（1）：148-155.

[41]劉欣誼，仲曉春，陳 晨，等.利用無人機(jī)圖像顏色與紋理特征數(shù)據(jù)在小麥生育前期對產(chǎn)量進(jìn)行預(yù)測[J].麥類作物學(xué)報(bào)，2020，40（8）：1002-1007.

LIU X Y，ZHONG X CH，CHEN CH，et al. Prediction of wheat yield using color and texture feature data of UAV image at early growth stage [J].Journal of Triticeae Crops，2020，40（8）：1002-1007.

[42]QUAN W，ANDIKA N P，YI G，et al.Combining both spectral and textural indices for alleviating saturation problem in forest LAI estimation using Sentinel-2 data[J].Geocarto International，2022，37（25）：10511-10531.

[43]賈 丹，陳鵬飛.低空無人機(jī)影像分辨率對冬小麥氮濃度反演的影響[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（7）：164-169.

JIA D，CHEN P F.Effect of low-altitude UAV image resolution on inversion of winter wheat nitrogen concentration[J].Transactions of the Chinese Society for Agricultural Machinery，2020，51（7）：164-169.

[44]JIAYI Z，XIAOLEI Q，YUETING W，et al.Combining texture，color，and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods[J/OL].Computers and Electronics in Agriculture，2021，185：1-14.https：//doi.org/101016/j.compag.2021.106138.

[45]崔孟然.基于機(jī)器學(xué)習(xí)的馬鈴薯產(chǎn)量高光譜估算[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2022.

CUI M R.Machine learning based hyperspectral estimation of potato yield[D].Hohhot：Inner Mongolia Agricultural University，2022.

[46]樂夏唯.基于機(jī)器學(xué)習(xí)的傾斜基板激光增材制造工藝優(yōu)化研究[D].江蘇徐州：中國礦業(yè)大學(xué)，2023.

LE X W.Optimisation of laser additive manufacturing process for inclined substrates based on machine learning [D].Xuzhou Jiangsu ：China University of Mining and Technology，2023.

[47]JEONG H J，RESOP P J，MUELLER D N，et al. Random forests for global and regional crop yield predictions.[J].PLoS One，2017，11（6）：e0156571.

[48]LIU H，SHI T，CHEN Y，et al.Improving spectral estimation of soil organic carbon content through semi-supervised regression[J].Remote Sensing，2017，9（1）：29-29.

[49]DILLI P，ALLARD W D，HENDRIK B，et al. Interpretability of deep learning models for crop yield forecasting[J/OL].Computers and Electronics in Agriculture，2023，206：1-14.https：//doi.org/10.1016/j.compay.2023.107663.

[50]S K M，TIMOTHY D，MBULISI S，et al. Fine-scale characterization of irrigated and rainfed croplands at national scale using multi-source data，random forest，and deep learning algorithms[J].ISPRS Journal of Photogrammetry and Remote Sensing，2023，204：117-130.

Remote Sensing Estimation for Maize Yield Integrating Spectral and Texture Features

MA Yuanhua， WANG Leyin， ZHANG Zhenxin， ZHENG Dasheng， YE Yulan，CUI Zhifeng， DU Bingxiao， CUN Yujie， LI Jun and WANG Rui

（College of Agronomy，Northwest A&F University，Yangling Shaanxi 712100，China）

Abstract This study investigates the integration of spectral and texture features for pridicting maize yield using remote sensing techniques.Visible light and multispectral images captured by drone were obtained at four key growth stages of summer maize：jointing， tasseling， filling， and maturity.Vegetation indexes and texture feature parameters were extracted and used to formulate spectral and texture feature fusion variables.Three machine learning methods（a back propagation neural network， a random forest， and a support vector machine）were employed to develop predictive models for predicting maize yield.The results showed that the accuracy of maize yield prediction models incorporating both spectral and texture feature fusion was superior to that of models using only spectral or texture features.Among the three machine learning methods， the random forest yielded the best maize prediction model.Among the four growth stages， the model for the filling stage （blister） had the highest accuracy.An overall evaluation of the results showed that the model obtained using the fused vegetation indexes and texture feature variables extracted from the multispectral images using the random forest method predicted maize yield with the highest accuracy.The fusion of multiple remote sensing features and the application of machine learning methods allow the extraction and utilization of more information， thereby improving the accuracy and robustness of yield prediction.

Key words Maize; UAV remote sensing; RGB; Multi-spectral; Vegetation index; Texture features; Yield

Received 2023-10-16 Returned 2024-01-21

Foundation item Natural Science Basic Research Program of Shaanxi Province（No.2023-JC-QN-0192）.

First author MA Yuanhua，female，master student.Research area：crop monitoring by remote sensing.E-mail：1162392907@qq.com

Corresponding author WANG Rui， male， associate professor， master supervisor.Research area：crop monitoring by remote sensing.E-mail：rico@nwafu.edu.cn

（責(zé)任編輯：史亞歌 Responsible editor：SHI Yage）

基金項(xiàng)目：陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃（2023-JC-QN-0192）。

第一作者：馬元花，女，碩士研究生，研究方向?yàn)樽魑镞b感監(jiān)測。E-mail：1162392907@qq.com

通信作者：王 瑞，男，副教授，碩士生導(dǎo)師，研究方向?yàn)樽魑镞b感監(jiān)測。E-mail：rico@nwafu.edu.cn