基于無人機光譜圖像多數(shù)據(jù)融合的大豆地上生物量估測研究

摘要：

為提高大豆地上生物量（AGB）估測精度，提出基于無人機遙感技術(shù)的多數(shù)據(jù)融合估測AGB方法。使用多光譜無人機獲取大豆始花期、始粒期冠層光譜圖像，利用9種植被指數(shù)分別構(gòu)建基于偏最小二乘回歸（PLSR）和Lasso回歸的葉面積指數(shù)（LAI）估測模型，并通過數(shù)字表面模型（DSM）估測大豆株高。將株高、LAI和9種植被指數(shù)作為模型參數(shù)，構(gòu)建大豆AGB估測模型，分別對比PLSR與Lasso在始花期與始粒期的模型精度，確定最優(yōu)AGB估測模型。結(jié)果表明：株高估測模型始花期R²=0.81，始粒期R²=0.87，株高擬合效果良好；LAI估測模型PLSR方法優(yōu)于Lasso方法，始花期R²=0.81，始粒期R²=0.82；利用PLSR和Lasso回歸兩種方法構(gòu)建AGB估測模型，通過對比分析PLSR的估測精度高于Lasso回歸，始花期R²=0.65，始粒期R²=0.66；通過相關(guān)性分析，株高、LAI和植被指數(shù)與AGB呈現(xiàn)顯著水平，在不同時期利用PLSR方法估測AGB的效果均優(yōu)于Lasso方法，始花期和始粒期的R²、RMSE分別為0.80、0.17和0.82、1.26；利用不同時期估測模型驗證不同大豆品種AGB精度均為85%以上。

關(guān)鍵詞：大豆；地上生物量；多光譜；植被指數(shù)；株高；葉面積指數(shù)

中圖分類號：S252+.9； S565.1

文獻標(biāo)識碼：A

文章編號：2095-5553 （2025） 01-0151-07

Study on estimation of soybean aboveground biomass based on multi data fusion of

unmanned aerial vehicle spectral images

Zhang Qing¹， Li Jinyang¹， Shi Wenqiang¹， Qi Liqiang¹， Zhang Wei^{1， 2}

（1. "College of Engineering， Heilongjiang Bayi Agricultural University， Daqing， 163319， China； 2. Key Laboratory of

Soybean Mechanization Production， Ministry of Agriculture and Rural Affairs， Daqing， 163319， China）

Abstract：

In order to improve the accuracy of aboveground biomass （AGB） estimation in soybean， a multi-data fusion method based on UAV remote sensing technology was proposed to estimate AGB. A multispectral UAV was used to acquire canopy spectral images of soybean at the flowering and grain initiation stages， and nine vegetation indices were used to construct leaf area index （LAI） estimation models based on partial least squares regression （PLSR） and Lasso regression， and the height of soybean plants was estimated by digital surface modeling （DSM）. The plant height， LAI， and 9 vegetation indexes were used as model parameters to construct a soybean AGB estimation model， and the model accuracy of PLSR and Lasso during the initial flowering and grain stages was compared respectively to determine the optimal AGB estimation model. The results showed that the plant height estimation model had R²=0.81 at the beginning of flowering and R²=0.87 at the beginning of grain stage， which was a good fit for plant height. The PLSR method of LAI estimation was better than the Lasso method， with R²=0.81 at the beginning of flowering and R²=0.82 at the beginning of grain stage. The AGB estimation model was constructed by using the two methods of regression of PLSR and Lasso. The estimation accuracy of PLSR was higher than that of Lasso regression， with R²=0.65 at the beginning flower stage and R²=0.66 at the beginning grain stage. Through correlation analysis， plant height， LAI and vegetation index showed significant levels with AGB， and the estimation of AGB by using the PLSR method was better than that of the Lasso method at different periods， with R²"and RMSE at the beginning flower stage and the beginning grain stage， respectively， being 0.80， 0.17 and 0.82， 1.26 at the beginning flower and beginning grain stages， respectively. The accuracy of AGB of different soybean varieties was more than 85% by using the estimation models at different periods.

Keywords：

soybeans; above-ground biomass; multispectral; vegetation index; plant height; leaf area index

0"引言

地上生物量（Aboveground Biomass，AGB）是經(jīng)濟學(xué)產(chǎn)量的基礎(chǔ)，可用于評估大豆生長和生產(chǎn)力。通過對AGB的實時監(jiān)測，了解大豆的生長狀況、預(yù)測產(chǎn)量，并采取相應(yīng)的農(nóng)業(yè)措施，以提高大豆產(chǎn)量和質(zhì)量。農(nóng)學(xué)專家通常在始花期和始粒期研究AGB積累與產(chǎn)量關(guān)系，始花期AGB反映從出苗到此時期生物量積累的水平，始粒期是AGB最大的時期，能夠增強植物進行光合作用的能力，提高大豆的生長速度和產(chǎn)量^［1］。傳統(tǒng)測量大豆AGB方法有調(diào)查法、手工割取法及梯度法等，測量效率低，還會對植株造成直接損壞。因此，有必要利用信息化手段快速無損估測大豆AGB，為高產(chǎn)優(yōu)質(zhì)大豆品種選育提供決策依據(jù)^［2］。

隨著現(xiàn)代科技的快速發(fā)展，無人機遙感平臺搭載多光譜傳感器可快速捕捉光譜數(shù)據(jù)，實現(xiàn)大范圍內(nèi)空間圖像等相關(guān)信息的快速獲取^［3］。目前，國內(nèi)外已有大量研究學(xué)者利用無人機平臺獲取作物冠層光譜數(shù)據(jù)，使用植被指數(shù)建立經(jīng)驗?zāi)Ｐ凸罍y作物長勢參數(shù)。劉楊等^［4］采集馬鈴薯多光譜圖像提取光譜信息構(gòu)建植被指數(shù)和紋理特征，根據(jù)實地獲取的AGB數(shù)據(jù)，構(gòu)建馬鈴薯AGB估測模型，該模型結(jié)合多光譜圖像信息和地面實測數(shù)據(jù)準(zhǔn)確地估測了馬鈴薯AGB。Han等^［5］使用6種植被指數(shù)結(jié)合不同回歸算法，對比田間實測數(shù)據(jù)，估測不同時期玉米AGB。鄧江等^［6］利用4種植被指數(shù)建立棉花AGB估測模型，得到不同植被指數(shù)在各時期的估測精度。徐新娟等^［7］利用無人機獲取大豆冠層圖像，通過3種植被指數(shù)利用逐步回歸分析方法建立大豆AGB估測模型。以上方法主要通過植被指數(shù)估測作物不同時期的AGB，但隨著作物的生長，冠層覆蓋度較大，導(dǎo)致植被指數(shù)發(fā)生飽和，進而影響估測精度。為此，研究學(xué)者通過引入新的模型參數(shù)提高模型估測精度。如陶惠林等^［8］利用無人機圖像生成冬小麥作物表面模型，用于估測作物株高，結(jié)合提取的21種植被指數(shù)，構(gòu)建不同生育期AGB估測模型，融入株高參數(shù)的模型精度R²提升了0.098。劉楊等^［9］利用偏最小二乘回歸和嶺回歸兩種方法結(jié)合13種植被指數(shù)融合株高參數(shù)構(gòu)建馬鈴薯不同生育期AGB估算模型，融合后的模型精度比原模型有較大提升。Shu等^［10］利用無人機平臺獲取玉米冠層圖像，用于估測玉米株高和葉面積指數(shù)（Leaf Area Index，LAI），利用株高和LAI構(gòu)建玉米AGB估測模型，與NDVI構(gòu)建的AGB估測模型R²提升0.03；陸國政等^［11］利用無人機獲取大豆冠層圖像，利用植被指數(shù)結(jié)合株高作為模型參數(shù)變量，通過最小二乘法建立多元線性回歸模型估算大豆AGB，并采用混合法構(gòu)建AGB估測模型，模型結(jié)果為R²=0.714，RMSE=0.393，證明株高、LAI和AGB顯著相關(guān)，將株高作為估測AGB的模型參數(shù)可以大幅度提高模型精度。

綜上所述，作物AGB估測可以通過引入新的模型參數(shù)提高模型精度，且研究學(xué)者證明株高和LAI與AGB呈顯著相關(guān)，為此可以借鑒用于構(gòu)建AGB估測模型。因此，以大豆植株為研究對象，利用多光譜無人機獲取大豆始花期和始粒期冠層圖像數(shù)據(jù)，估測作物株高、LAI數(shù)據(jù)，并結(jié)合植被指數(shù)構(gòu)建大豆不同生育期AGB估測模型。采用偏最小二乘回歸（PLSR）和套索算法（LASSO）方法構(gòu)建大豆不同生育期的AGB估算模型，對比不同模型估測精度，篩選最優(yōu)AGB估測手段。

1"材料與方法

1.1"試驗設(shè)計

為構(gòu)建適用于不同品種的大豆AGB估測模型，在黑龍江省黑河市尖山農(nóng)場進行試驗，試驗田采用輪作種植模式，前茬作物為玉米。選取當(dāng)?shù)刂髟?0個大豆品種進行試驗，具體大豆品種如表1所示。

單個品種種植面積為6.6m×10.0m，保苗株數(shù)35萬株/hm²。采用1.1m壟上三行種植模式，該模式充分利用壟臺邊際效應(yīng)，增加單位面積的作物數(shù)量，進而提高作物產(chǎn)量^［12］。

1.2"數(shù)據(jù)采集

1.2.1"無人機圖像采集

選用大疆精靈4多光譜無人機作為圖像采集平臺。為保證采集圖像質(zhì)量，選擇在天空晴朗、無風(fēng)無云的條件下進行田間多光譜圖像采集。使用DJI GS Pro軟件設(shè)置無人機的飛行參數(shù)，以便在較短時間內(nèi)獲取圖像數(shù)據(jù)。飛行高度設(shè)定為30m，航向重疊率和旁向重疊率為85%，該飛行參數(shù)可以確保每個小區(qū)被多個圖像覆蓋，并將相機的朝向與飛行的航向方向保持一致，以確保圖像的一致性和準(zhǔn)確性。

將無人機多光譜圖像數(shù)據(jù)導(dǎo)入Agisoft PhotoScan Professional軟件，利用空間位置信息對多光譜圖像進行地形校正。使用點云生成技術(shù)生成試驗小區(qū)的數(shù)字正射影像圖（DOM）和數(shù)字表面模型（DSM）。使用ENVI 5.6軟件獲取各個波段圖像。使用ARCGIS繪圖軟件對試驗小區(qū)進行劃分和排列，計算10個主栽品種在各波段的光譜反射率。

1.2.2"葉面積指數(shù)測定

使用FS-leaf1000葉片圖像分析儀對田間各小區(qū)長勢具有代表性的30株大豆植株進行所有葉面積測定，取均值代表該小區(qū)單株葉面積總和，根據(jù)種植密度計算大豆株數(shù)。根據(jù)試驗地的設(shè)計求出每個小區(qū)的總面積。根據(jù)式（1）計算出每個小區(qū)對應(yīng)的LAI。

LAI=x×iy

（1）

式中：

x——單株葉面積的總和；

y——單個小區(qū)的面積；

i——單個小區(qū)大豆株數(shù)。

1.2.3"地上生物量（AGB）計算

在各小區(qū)收集3株長勢均一的大豆植株，放入120℃內(nèi)電熱鼓風(fēng)干燥箱烘干，將烘干后的3株大豆重量均值作為該小區(qū)大豆AGB。

1.2.4"株高測定

在各小區(qū)內(nèi)選擇30株生長均勻的大豆植株作為估測樣本。使用卷尺測量每株大豆自然狀態(tài)下最高點到地表的距離作為株高數(shù)據(jù)，將30個樣本的大豆株高平均值作為小區(qū)單株大豆的平均株高。

1.3"植被指數(shù)選取

植被指數(shù)是一種有效的估測方法，通過對不同波段的反射率進行計算，相比于使用原始波段反射率進行分析，可以更準(zhǔn)確地反映植物的生長狀況^［13］。選擇5種多波段組合植被指數(shù)和4種多光譜傳感器單波段植被指數(shù)，構(gòu)建不同時期大豆植株的長勢參數(shù)。具體模型參數(shù)如表2所示。

1.4"模型構(gòu)建方法

1.4.1"偏最小二乘回歸（PLSR）

PLSR能夠通過降維的方式提取關(guān)鍵信息，減少數(shù)據(jù)維度，從而簡化模型建設(shè)和分析過程。并且PLSR不僅考慮自變量與因變量之間的關(guān)系，還考慮自變量之間的關(guān)系，可以更好地解釋因變量的變異^［14］。

1.4.2"套索算法（Lasso）

Lasso通過添加L1正則化項，將一些不相關(guān)或弱相關(guān)的特征系數(shù)置為零，實現(xiàn)自動特征選擇，減少了模型中不必要的特征，便于模型的理解和解釋^［15］。

綜上，PLSR和Lasso在解決多重共線性、降低維度、特征選擇和控制模型復(fù)雜性等方面具有獨特優(yōu)勢。

1.5"精度評價

選用決定系數(shù)R²和標(biāo)準(zhǔn)均方根誤差RMSE作為模型的估算效果和穩(wěn)定性評價指標(biāo)。R²越大（趨近于1）精度越高，擬合效果越好。RMSE越?。ㄚ吔?）模型精度越高。具體計算見式（2）、式（3）。

R²=1－∑ni=1（y_i－y^_i）²∑ni=1（y_i－y-）²

（2）

RMSE=∑ni=1（y^_i-y_i）²n

（3）

式中：

y_i——數(shù)據(jù)真實值；

y-——數(shù)據(jù)真實值的平均值；

y^_i——數(shù)據(jù)估測值；

n——樣本數(shù)量。

2"結(jié)果與分析

2.1"作物株高估測結(jié)果

獲取試驗田的DOM和DSM，利用ARCGIS提取高程信息圖層。利用克里金空間插值法（式（4））計算，生成試驗區(qū)的地面高程模型（DEM）。以此作為試驗區(qū)的地表基準(zhǔn)面。使用柵格計算器對試驗區(qū)的DSM與建立的DEM進行減法運算，獲得感興趣區(qū)域的株高數(shù)據(jù)。

Z^（x₀）=∑ni=0λ_iZ（x_i）

（4）

式中：

Z^（x₀）——在x0處的估測值；

Z（x_i）——數(shù)據(jù)真實值的平均值；

λ_i——

Z（x_i）分配的權(quán)重系數(shù)。

對10個小區(qū)中采樣的大豆株高進行驗證，如圖1所示。始粒R5時期模型精度R²=0.87，RMSE=0.85，結(jié)果表明該方法計算的大豆株高與實際株高具有較好的擬合效果與精度。

2.2"基于植被指數(shù)的LAI估測結(jié)果

將提取的9種多波段和單波段植被指數(shù)作為輸入變量，使用PLSR和Lasso分別構(gòu)建不同植被指數(shù)的大豆LAI估測模型。評估其效果確定不同時期最優(yōu)模型，為研究AGB估測模型提供更精確的輸入?yún)?shù)，估測結(jié)果見表3。

由表3可知，對比多波段組合植被指數(shù)與單波段光譜估測精度，得出以多波段組合植被指數(shù)作為模型參數(shù)，使用PLSR算法估算LAI的效果最好，估測精度為始花期R²=0.81，RMSE=0.19，始粒期R²=0.82，RMSE=0.61。同時Lasso與PLSR模型相比，可靠性和穩(wěn)定性較差。

2.3"大豆AGB估測結(jié)果

2.3.1"相關(guān)性分析

分別對株高、LAI和植被指數(shù)在不同生長階段估測結(jié)果進行相關(guān)性分析，結(jié)果如表4所示?？梢钥闯?，模型參數(shù)都與AGB呈現(xiàn)顯著的相關(guān)性，始花期相關(guān)性高的模型參數(shù)為株高、RVI、GNDVI和NDVI，相關(guān)性系數(shù)分別為0.863、0.740、0.675和0.671；始粒期相關(guān)性高的模型參數(shù)為LAI、GNDVI和RVI，相關(guān)性系數(shù)分別為0.742、0.656和0.650。

2.3.2"基于植被指數(shù)估測AGB

使用PLSR和Lasso兩種方法構(gòu)建始花期和始粒期的AGB估算模型，檢測了5個多波段組合植被指數(shù)和4個單波段植被指數(shù)估算AGB的能力，結(jié)果如表5所示。

可以看出，使用PLSR和Lasso兩種方法基于不同時期的植被指數(shù)估測AGB，始粒期模型的估測效果優(yōu)于始花期。在相同的多波段組合植被指數(shù)或單波段植被指數(shù)情況下，始粒期的模型能夠更準(zhǔn)確地估算AGB。始粒期PLSR方法估測效果為R²=0.66，RMSE=1.78，Lasso方法估測效果為R²=0.45，RMSE=2.34。結(jié)果表明，同種方法以多波段組合植被指數(shù)構(gòu)建的模型精度更高，穩(wěn)定性更強。并從不同時期的估測模型精度和穩(wěn)定性來看，使用PLSR方法估測AGB的擬合效果要高于Lasso方法。

2.4"基于植被指數(shù)結(jié)合株高、LAI估測AGB

如表6所示，利用多波段植被指數(shù)、株高和LAI作為模型輸入?yún)?shù)構(gòu)建PLSR估測AGB模型，R²分別提升0.15、0.16；利用單波段植被指數(shù)結(jié)合株高、LAI構(gòu)建PLSR估測AGB模型，R²分別提升0.17、0.13；利用多波段植被指數(shù)、株高和LAI構(gòu)建Lasso估測AGB模型，R²分別提升0.22、0.26；利用單波段植被指數(shù)、株高和LAI構(gòu)建Lasso估測AGB模型，R²分別提升0.07、0.05。通過引入其他模型參數(shù)結(jié)合植被指數(shù)構(gòu)建的AGB估測模型精度高于傳統(tǒng)經(jīng)驗?zāi)Ｐ?，同時PLSR方法估測精度優(yōu)于Lasso方法。

2.5"田間實地驗證

為進一步驗證所構(gòu)建的大豆AGB估測模型實際田間應(yīng)用意義，在大豆始花期和始粒期利用最優(yōu)模型分別對田間主栽10個大豆品種進行AGB估測，每個品種選取5株，最后取5株平均值作為每個品種的AGB值，結(jié)果如表7所示。

由表7可知，不同時期的10個大豆品種估測精度均達到85%以上，結(jié)果表明該模型田間AGB估測效果較好。

3"討論

與傳統(tǒng)AGB估測模型相比，融入新模型參數(shù)的AGB估測模型取得了良好的效果，主要由于傳統(tǒng)AGB估測是基于不同植被指數(shù)作為模型參數(shù)構(gòu)建作物AGB估測模型，如劉冰峰等^［16］通過在玉米不同時期選擇不同植被指數(shù)，有效提高了AGB估測精度，但單波段植被指數(shù)構(gòu)建的模型存在飽和現(xiàn)象。賈學(xué)勤等^［17］利用不同植被指數(shù)采用PLSR構(gòu)建AGB估測模型，證明多波段植被指數(shù)相比于單波段植被指數(shù)構(gòu)建的估測模型效果更好。

相比于單一波段的植被指數(shù)估算模型，基于多波段組合的植被指數(shù)構(gòu)建的模型在估測作物AGB方面具有更好的精確度和穩(wěn)定性。這是因為使用多波段組合的植被指數(shù)可以消除或減小背景土壤對植被冠層的光譜信息的干擾，提高植被指數(shù)與AGB之間的敏感性，從而提高AGB估算的精確度。然而，使用多個波段的植被指數(shù)也可能出現(xiàn)過度擬合的情況，即模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)出色，但在新的數(shù)據(jù)上表現(xiàn)不佳。相比于該研究結(jié)果，通過融入新的模型參數(shù)，R²提高0.101，比傳統(tǒng)植被指數(shù)估測方法更具有優(yōu)勢。

為解決植被指數(shù)出現(xiàn)的飽和及過擬合現(xiàn)象，在估測模型中融入農(nóng)學(xué)長勢參數(shù)，如劉楊等^［9］通過植被指數(shù)結(jié)合株高利用3種方法構(gòu)建5個生育期的估測模型，結(jié)果表明，株高的融入提高了估測模型對作物AGB的擬合程度，降低了估算誤差，提升了估算精度，在不同時期最優(yōu)R²為0.79，相比于該研究，利用株高、LAI作為模型參數(shù)，不同時期R²均達到0.80以上，進一步說明融入新的模型參數(shù)對估測模型的優(yōu)勢。

隨著作物的生長，植被指數(shù)會出現(xiàn)飽和和過擬合的現(xiàn)象，造成估測AGB不準(zhǔn)確。因此，將提取植被指數(shù)、株高和LAI融入到模型中估測始花期和始粒期的AGB，結(jié)果表明，融入作物長勢參數(shù)能夠解決單一模型參數(shù)估測結(jié)果較低的現(xiàn)象。此外，在大豆生長發(fā)育的過程中，地上的營養(yǎng)物質(zhì)向上部傳遞，株高、葉片和莖粗、莢數(shù)等不斷地增長，模型參數(shù)的適用性和建模方法的篩選還需要進一步研究，未來可通過融入更多大豆長勢參數(shù)，將模型進一步優(yōu)化，為育種專家提供更加精準(zhǔn)的基礎(chǔ)數(shù)據(jù)。

4"結(jié)論

構(gòu)建大豆株高和LAI估測模型，同時驗證5種多波段組合植被指數(shù)、4種單波段植被指數(shù)、株高和LAI與大豆AGB的相關(guān)性，將與大豆AGB相關(guān)性較高的植被指數(shù)融合株高、LAI參數(shù)建立基于PLSR方法和Lasso方法的AGB估測模型。

1） 基于DOM和DSM，結(jié)合克里金插值算法生成DEM，提取的株高與實測株高有較高的擬合性（始花期：R²=0.81，RMSE=0.78；始粒期：R²=0.87，RMSE=0.85），表明提取的株高方法可靠。

2） 對比分析PLSR、Lasso回歸兩種方法，分別使用多波段植被指數(shù)和單波段植被指數(shù)進行估算，結(jié)果表明，基于PLSR方法的多波段植被指數(shù)估測效果最佳（始花期：R²=0.81，RMSE=0.19；始粒期：R²=0.82，RMSE=0.61），可為后續(xù)估測AGB提高精度。

3） "為減弱模型參數(shù)之間的自相關(guān)性，使用PLSR和Lasso回歸方法構(gòu)建各生育期AGB估測模型，探究2種方法估測AGB的效果。結(jié)果表明，每種變量以PLSR方法構(gòu)建的模型R²較大，說明此方法估測效果要優(yōu)于Lasso方法。其中始粒期利用PLSR結(jié)合模型參數(shù)估測AGB，精度達到最高，R²為0.82，RMSE為1.26。

4） "將株高和LAI作為模型參數(shù)融入生物量估測模型中，解決由于傳統(tǒng)植被指數(shù)估測引起的過飽和問題，提高模型估測能力，能夠更加精準(zhǔn)地獲取AGB數(shù)據(jù)，為育種專家提供技術(shù)手段。

參"考"文"獻

［1］

Board J E， Modali H. Dry matter accumulation predictors for optimal yield in soybean ［J］. Crop Science， 2005， 45： 1790-1799.

［2］

黃中文， 趙團結(jié)， 喻德躍， 等. 大豆產(chǎn)量有關(guān)性狀QTL的檢測［J］. 中國農(nóng)業(yè)科學(xué)， 2009， 42（12）： 4155-4165.

Huang Zhongwen， Zhao Tuanjie， Yu Deyue， et al. Detection of QTLs of yield related traits in soybean ［J］. Scientia Agricultura Sinica， 2009， 42（12）： 4155-4165.

［3］

李金陽， 張偉， 康燁， 等. 基于無人機遙感技術(shù)的大豆苗數(shù)估算研究［J］. 中國農(nóng)機化學(xué)報， 2022， 43（4）： 83-89.

Li Jinyang， Zhang Wei， Kang Ye， et al. Research on soybean seedling number estimation based on UAV remote sensing technology ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 83-89.

［4］

劉楊， 馮海寬， 孫乾， 等. 不同分辨率無人機數(shù)碼影像的馬鈴薯地上生物量估算研究［J］. 光譜學(xué)與光譜分析， 2021， 41（5）： 1470-1476.

Liu Yang， Feng Haikuan， Sun Qian， et al. Estimation study of above ground biomass in potato based on UAV digital images with different resolutions ［J］. Spectroscopy and Spectral Analysis， 2021， 41（5）： 1470-1476.

［5］

Han Liang， Yang Gujun， Dai Huayang， et al. Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data ［J］. Plant Methods， 2019， 15（1）：10.

［6］

鄧江， 谷海斌， 王澤， 等. 基于無人機遙感的棉花主要生育時期地上生物量估算及驗證［J］. 干旱地區(qū)農(nóng)業(yè)研究， 2019， 37（5）： 55-61， 69.

Deng Jiang， Gu Haibin， Wang Ze， et al. Estimation and validation of above ground biomass of cotton duringmain growth period using Unmanned Aerial Vehicle （UAV） ［J］. Agricultural Research in the Arid Areas， 2019， 37（5）： 55-61， 69.

［7］

徐新娟， 張晉玉， 晁毛妮， 等. 基于冠層反射光譜的大豆生物量預(yù)測模型研究［J］. 黑龍江農(nóng)業(yè)科學(xué)， 2017（9）： 119-123.

Xu Xinjuan， Zhang Jinyu， Chao Maoni， et al. Study on soybean biomass forecasting model based on canopy reflectance spectra ［J］. Heilongjiang Agricultural Sciences， 2017（9）： 119-123.

［8］

陶惠林， 徐良驥， 馮海寬， 等. 基于無人機數(shù)碼影像的冬小麥株高和生物量估算［J］. 農(nóng)業(yè)工程學(xué)報， 2019， 35（19）： 107-116.

Tao Huilin， Xu Liangji， Feng Haikuan， et al. Estimation of plheight and biomass of winter wheat based on UAV digital image ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 107-116.

［9］

劉楊， 孫乾， 黃玨， 等. 無人機多光譜影像的馬鈴薯地上生物量估算［J］. 光譜學(xué)與光譜分析， 2021， 41（8）： 2549-2555.

Liu Yang， Sun Qian， Huang Jue， et al. Estimation of potato above ground biomass based on UAV multispectral images ［J］. Spectroscopy and Spectral Analysis， 2021， 41（8）： 2549-2555.

［10］

Shu Meiyan， Shen Mengyuan， Dong Qizhou， et al. Estimating the maize above-ground biomass by constructing the tridimensional concept model based on UAV-based digital and multi-spectral images ［J］. Field Crop Research， 2022， 282： 108491.

［11］

陸國政， 楊貴軍， 趙曉慶， 等. 基于多載荷無人機遙感的大豆地上鮮生物量反演［J］. 大豆科學(xué)， 2017， 36（1）： 41-50.

Lu Guozheng， Yang Guijun， Zhao Xiaoqing， et al. Inversion of sovbean fresh biomass based on multi-payload unmanned aerial vehicles （UAVs） ［J］. Soybean Science， 2017， 36（1）： 41-50.

［12］

陳海濤， 李桐輝， 王洪飛， 等. 氣吸滾筒式壟上三行大豆密植排種器設(shè)計與參數(shù)優(yōu)化［J］. 農(nóng)業(yè)工程學(xué)報， 2018， 34（17）： 16-24.

Chen Haitao， Li Tonghui， Wang Hongfei， et al. Design andparameter optimization of pneumatic cylinder ridge three-row close planting seed-metering device for soybean ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（17）： 16-24.

［13］

趙龍才， 李粉玲， 常慶瑞. 農(nóng)作物遙感識別與單產(chǎn)估算研究綜述［J］. 農(nóng)業(yè)機械學(xué)報， 2023， 54（2）： 1-19.

Zhao Longcai， Li Fenling， Chang Qingrui. Review on crop type identification and yield forecasting using remote sensing ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（2）： 1-19.

［14］

李旭， 陳柏林， 周保平， 等. 利用葉片高光譜反射率預(yù)測棉花葉綠素含量［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報， 2023， 42（3）： 195-202.

Li Xu， Chen Bolin， Zhou Baoping， et al.Predicting the content of chlorophyll in cotton using hyperspectral reflectance of leaves ［J］. Agricultural Mechanization Research， 2023， 42（3）： 195-202.

［15］

王來剛， 賀佳， 鄭國清， 等. 基于無人機多光譜遙感的玉米FPAR估算［J］. 農(nóng)業(yè)機械學(xué)報， 2022， 53（10）： 202-210.

Wang Laigang， He Jia， Zheng Guoqing， et al. Estimation of maize FPAR based on UAV multispectral remote sensing ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（10）： 202-210.

［16］

劉冰峰， 李軍， 賀佳， 等. 基于高光譜植被指數(shù)的夏玉米地上干物質(zhì)量估算模型研究［J］. 農(nóng)業(yè)機械學(xué)報， 2016， 47（3）： 254-262.

Liu Bingfeng， Li Jun， He Jia， et al. Estimation models of above-ground dry matter accumulation of summer maize based on hyperspectral remote sensing vegetation indexes ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（3）： 254-262.

［17］

賈學(xué)勤， 馮美臣， 楊武德， 等. 基于多植被指數(shù)組合的冬小麥地上干生物量高光譜估測［J］. 生態(tài)學(xué)雜志， 2018， 37（2）： 424-429.

Jia Xueqin， Feng Meichen， Yang Wude， et al. Hyperspectral estimation of aboveground dry biomass of winter wheat based on the combination of vegetation indices ［J］. Chinese Journal of Ecology， 2018， 37（2）： 424-429.