基于無人機數碼影像的馬鈴薯生物量估算

劉 楊，馮海寬，黃 玨，孫 乾，楊福芹

基于無人機數碼影像的馬鈴薯生物量估算

劉 楊1,2,3,4，馮海寬1,3,4※，黃 玨2，孫 乾1,3,4，楊福芹5

（1. 農業農村部農業遙感機理與定量遙感重點實驗室，北京農業信息技術研究中心，北京 100097；2. 山東科技大學測繪科學與工程學院，青島 266590；3. 國家農業信息化工程技術研究中心，北京 100097；4. 北京市農業物聯網工程技術研究中心，北京 100097；5. 河南工程學院土木工程學院，鄭州 451191）

株高和植被覆蓋度（Vegetation Coverage, VC）是估算生物量的重要參數，而生物量的準確估算對農業生產具有重要作用。該研究獲取馬鈴薯現蕾期、塊莖形成期、塊莖增長期、淀粉積累期和成熟期的無人機和地面數碼影像，并實測株高、地上生物量和地面控制點（Ground Control Point, GCP）的三維空間坐標。首先基于數字表面模型（Digital Surface Model, DSM）提取馬鈴薯株高，其次利用地面和無人機數碼影像提取馬鈴薯VC實測值和估測值，然后將提取的株高、VC和二者乘積與選取的11種植被指數和生物量作相關性分析，挑選出相關性較好的前6種植被指數和3種農學參數，最后通過線性回歸（Linear Regression，LR）、偏最小二乘回歸（Partial Least Square Regression，PLSR）、隨機森林（Random Forest，RF）算法和支持向量機（Support Vector Machine, SVM）估算生物量。結果表明，提取株高和實測株高擬合的決定系數為0.86，標準均方根誤差為13.42%；提取VC值和實測VC值擬合的決定系數為0.84，標準均方根誤差為15.76%；利用LR建模和驗證精度由低到高依次為提取的株高、VC和二者乘積，每種變量的估算效果均從現蕾期到塊莖增長期逐漸變好，從淀粉積累期到成熟期逐漸變差；每個生育期利用3種方法以不同變量估算生物量效果依次由低到高為植被指數、植被指數結合提取株高、植被指數結合提取VC、植被指數結合提取的株高和VC，其中PLSR模型效果優于RF和SVM模型。該研究為馬鈴薯長勢快速監測提供參考。

模型；無人機；生物量；馬鈴薯；株高；植被覆蓋度；植被指數

0 引 言

植被覆蓋度是研究區域植被冠層在地面的垂直投影面積與研究區總面積的比值，即植土比[1]，其能夠表示植被的茂密程度以及植物進行光合作用的大小，同株高一樣，是衡量植被生長狀況的客觀指標[2-3]。作物生物量指的是在一定條件下，作物植被進行光合作用的產物，經常被用來評估作物長勢及預測產量[4-7]。植被覆蓋度和株高是估算生物量的重要參數。因此監測作物植被覆蓋度、株高和生物量對于揭露某一區域作物生長變化規律以及提供農業管理決策信息，具有科學的指導意義。

隨著遙感技術的興起，無人機遙感技術能夠彌補衛星遙感由于過境時間與環境等因素的影響而無法獲取數據的不足，憑借著機動性強、能夠云下獲取高分辨率的航拍影像等優勢，成為當前精準農業監測的主要技術手段[8-12]。而數碼影像獲取成本較低，空間分辨率較高，后續數據處理簡單，使得成為一種極具潛力的快速測量農學參數的方式，得到了研究者的關注。蘇占雄[13]探索利用數碼影像估算灌木和草地植被生物量的可行性，通過提取的各變量與生物量之間的相關性，建立了灌木和草地植被生物量的估算模型，估算精度非常高。劉艷慧等[14]通過數碼影像提取呼倫貝爾草原上的植被覆蓋度，利用株高和覆蓋度交叉變量構建的草地生物量估算模型優于單一變量模型，其相關系數達到了0.85。宋清潔等[15]基于小型無人機獲取的大樣方數據提取植被覆蓋度，與MODIS植被指數產品中歸一化植被指數進行相關分析，結果表明利用NDVI植被指數估算草地覆蓋度具有很高的精度（決定系數為0.88）。Zhou等[16]利用數碼影像結合光譜和紋理特征提取草地覆蓋度，結果表明該方法比非監督分類和最大似然法監督分類精度都要高。Guijarro等[17]基于數碼影像和影像紋理特征，通過計算機技術進行分類，識別出田間雜草。Saberioon等[18]基于多生育期的數碼影像數據，構建多種可見光植被指數來估算水稻的葉綠素含量（相關系數為0.78），結果表明高清數碼影像能夠對水稻的葉綠素含量進行有效監測。然而，將株高和植被覆蓋度進行結合用來估算作物生物量，從而監測作物營養狀況方面的研究較為鮮見。

綜上，本研究以馬鈴薯為研究對象，利用無人機數碼影像提取作物的株高和覆蓋度，結合地面實測生物量值進行單變量的模型構建；并挑選多種影像指數結合株高和覆蓋度數據通過3種方法建立生物量模型并驗證，最后篩選出最優估測模型，為馬鈴薯的長勢監測及產量評估提供一種高效快速的方法。

1 材料與方法

1.1 研究區域概況與試驗設計

于2019年3—7月在北京市昌平區小湯山鎮國家精準農業研究示范基地的馬鈴薯試驗田開展試驗。該區域位于小湯山鎮（40°10′34″N，116°26′39″E）東部，平均海拔約為36 m，氣候類型為暖溫帶半濕潤大陸性季風氣候，年均降水量約為640 mm，年均溫度約為10 ℃，年均無霜期180 d。

試驗田東西總長40 m，南北總長45 m（不包括保護行），試驗區共設密度試驗區、氮素試驗區和鉀肥試驗區（圖1），采用完全隨機試驗設計，密度試驗區和氮素試驗區均設2個試驗品種，分別為中薯5和中薯3，均為早熟品種，鉀肥試驗區設1個試驗品種為中薯3。

密度試驗設置為3個水平，每公頃60 000株（T1）、72 000株（T2）和84 000株（T3），處理6個，每個處理重復3次，共18個試驗小區。

氮素試驗設置為4個水平，0 kg/hm2尿素（N0）、244.65 kg/hm2尿素（N1）、489.15 kg/hm2尿素（N2，正常處理，15 kg純氮）和733.50 kg/hm2尿素（N3），處理8個，每個處理重復3次，共24個試驗小區。

鉀肥試驗設置為3個水平，0 kg/hm2鉀肥（K0）、970.5 kg/hm2鉀肥（K1）和1 941 kg/hm2鉀肥（K2），處理2個，每個處理重復3次，共6個試驗小區。另外，密度試驗區和氮素試驗區中的所有處理均同時施用了K1處理。

小區總計48個，小區面積為6.5 m×5 m。為了更好的獲取試驗田的數字表面模型（Digital Surface Model, DSM），本試驗在試驗小區周圍均勻布控11個地面控制點（Ground Control Point，GCP）（G1～G11，由0.3 m×0.3 m的木板和埋于地下的木樁組成,其上有黑白標志的塑料板，目的是準確確定木板的中心位置）并用差分全球定位系統（Global Positioning System, GPS）測定其三維空間位置。

注：T1、T2和T3代表不同種植密度梯度的處理，分別為每公頃60 000、72 000和84 000株；N0、N1、N2和N3代表不同施氮肥梯度的處理，分別為0、244.65、489.15和733.50（kg·hm-2）尿素；K0、K1和K2代表不同施鉀肥梯度的處理，分別為0、970.5和1 941（kg·hm-2）鉀肥，其中種植密度試驗區和氮素試驗區中的所有處理均同時施用了K1處理；n01~n18、s01~s24和k01~k06代表種植密度試驗區、氮素試驗區和鉀肥試驗區的小區編號；中薯5和中薯3均為本研究試驗所使用的馬鈴薯品種；G1~G11代表地面控制點。

1.2 數碼影像獲取

本研究所采用的數碼影像分為兩類，1）利用無人機獲取的馬鈴薯現蕾期（2019年5月13日）、塊莖形成期（2019年5月28日）、塊莖增長期（2019年6月10日）、淀粉積累期（2019年6月20日）和成熟期（2019年7月3日）等5個關鍵生育期數碼影像。此時天空晴朗無風無云，飛行高度50 m，獲取的影像基本不受大氣環境的影響。2）每個小區內選取面積為130 cm×130 cm長勢均勻的馬鈴薯樣本作為植被覆蓋度的實測值提取，利用G16型相機（佳能，日本）在其上方1.5 m處進行水平垂直拍攝，每個生育期獲取48張地面數碼影像。無人機數碼參數和地面數碼相機參數（表1）。

表1 無人機參數和地面數碼相機參數

1.3 地面數據獲取

分別獲取馬鈴薯現蕾期至成熟期5個關鍵時期的覆蓋度、株高和地上生物量數據。對于小面積的植被覆蓋度實測值獲取，一般采用目視法，但此方法獲取的誤差較大，而數碼影像已經日漸成熟，成為小區域監測植被覆蓋度的可靠技術手段和驗證方法[19]。本研究每個試驗小區的植被覆蓋度實測值獲取是學習了多篇文章求取覆蓋度的方法和思路[20-22]，首先利用色度-飽和度-亮度（Hue-Saturation-Intensity，HSI）顏色轉換空間進行研究小區外的處理；其次利用過綠植被指數（Excess Green Vegetation Index，EXG=2--，其中、、分別代表紅、綠、藍波段的像元亮度值）對上一步處理的研究小區進行綠色植被處理；然后通過最大類間方差閾值法進行土壤剔除；最后采用形態學閾值法去除植被雜草并進行去噪。即每個小區實測的植被覆蓋度為每個研究小區提取的植被像素數比小區總像素數。馬鈴薯株高的測定方法為每個小區中選取能夠代表長勢水平的4棵植株，用直尺測量從莖基到葉頂端的距離，取其均值高度代表為該小區的實測株高。地上生物量通過收獲法獲取，選取能夠代表小區長勢水平的3棵植株樣本，進行取樣并迅速帶回實驗室將其莖葉分離，隨后用流水洗凈，105 ℃殺青，80 ℃烘干48 h以上，直到質量恒定再進行稱量。將植株莖和葉的干質量求和得到樣本干質量，最終通過群體密度和樣本干質量，得到每個小區的馬鈴薯生物量[23]。

1.4 無人機數碼影像處理

通過以運動結構（Structure From Motion，SFM）為核心算法的PhotoScan影像拼接軟件對獲取的無人機數碼影像進行拼接處理，得到試驗區域的數字正射影像（Digital Orthophoto Map，DOM）和DSM。DOM和DSM的拼接流程如下，首先，將航帶內的影像和相對應的定位定姿系統（Position and Orientation System, POS）數據導入軟件中，還原影像拍攝時的姿態和空間位置；其次，將地面控制點G1～G11添加到軟件中，利用GCP的三維坐標信息優化影像對齊并生成飛行區域的稀疏點云；隨后，基于稀疏點云構建密集點云，進而生成飛行區域的空間格網并建立紋理信息；最后，生成飛行區域馬鈴薯試驗田的DOM和DSM（圖2）。

注：POS代表定位定姿系統，DOM代表數字正射影像，DSM代表數字表面模型。

1.5 數碼影像指數的選取

本研究選取11個利用歸一化后的波段進行整合的可見光植被指數（Vegetation Indices, VIs），作為本研究的變量估算馬鈴薯的生物量（表2）。

表2 可見光植被指數及數學表達式

注：、、分別表示紅、綠、藍波段的像素亮度值；、、分別表示、、進行歸一化處理后的像素亮度值。

Note:,, andrepresent pixel brightness values of red, green and blue bands, respectively;,, andrepresent pixel brightness values after,, andare normalized, respectively.

1.6 數據分析方法

馬鈴薯株高的提取，利用集空間數據顯示、分析和制圖為一體的ArcGIS軟件的柵格計算工具將馬鈴薯不同生育期的DSM與播種后至出苗前的裸土時期之間的DSM進行差值運算，可以得到相應生育期馬鈴薯的株高，最后利用基于感興趣區（Region Of Interest，ROI）數據提取的ROI工具提取出每個生育期試驗小區的馬鈴薯平均株高（dsm，cm）

馬鈴薯覆蓋度的提取，基于每個生育期的DOM借助專業遙感影像處理平臺ENVI軟件，利用EXG指數通過雙峰法求取閾值，將大于閾值的像素歸為1，小于閾值的像素歸為0，最后根據ROI統計每個小區像素1的占比，即得到每個小區的植被覆蓋度。

進行馬鈴薯生物量的估測時，所采用的方法為偏最小二乘回歸（Partial Least Square Regression，PLSR）、隨機森林（Random Forest，RF）算法和支持向量機（Support Vector Machine, SVM）。PLSR在構建生物量模型時，其能夠消除多個自變量之間的共線性問題，用較少的自變量來預測因變量。RF利用袋外數據集的重要性原則，對輸入的數據集進行降維，以達到用少量不相關變量來預測因變量。SVM是一種機器學習的方式，分為線性和非線性向量機，通過核函數求解一個超平面對訓練數據進行二元分類。本研究輸入數據集為數碼影像參數，輸出結果為馬鈴薯的生物量。

1.7 評價指標

本研究對每個生育期分別挑選67%樣本數據（32個）作為建模集，33%樣本數據（16個）作為驗證集以此來構建馬鈴薯生物量估算模型。將采用決定系數（coefficient of determination,2）、均方根誤差（Root Mean Square Error, RMSE）、標準均方根誤差（Normalized Root Mean Square Error, NRMSE，%）來評價模型的精度。2越接近于1，RMSE和NRMSE越低，其估測模型的精度就越高。具體計算如式（1）~式（3）所示：

2 結果與分析

2.1 馬鈴薯植被覆蓋度的監測

馬鈴薯5個生育期分別獲取240個植被覆蓋度（Vegetation Coverage, VC）實測值和預測值，為了驗證植被覆蓋度的提取效果，將二者進行線性擬合并計算精度（圖3）。由圖3可知，擬合的2為0.84，NRMSE為15.76%，說明基于無人機數碼影像提取的VC精度較高，能夠利用提取的VC對馬鈴薯生物量進行估算研究。

圖3 植被覆蓋度的預測值與實測值對比

2.2 馬鈴薯株高的監測

為了驗證提取株高的精度，將獲取的馬鈴薯株高與實測的馬鈴薯株高進行對比分析（圖4）。由圖4可知，二者擬合的2為0.86，NRMSE為13.42%，RMSE為6.36 cm，說明利用DSM結合GCP提取的株高精度較高，對馬鈴薯生物量能夠較好的估測。

圖4 基于數字表面模型提取的株高和實測株高的對比

2.3 馬鈴薯生物量估算

2.3.1 相關性分析

將馬鈴薯現蕾期、塊莖形成期、塊莖增長期、淀粉積累期和成熟期5個關鍵生育期的數碼影像指數與dsm、VC和dsm×VC一起組成新的數據集，將此數據集和每個生育期實測的馬鈴薯生物量進行相關性分析，分別得到5個生育時期的新數據集與馬鈴薯生物量的分析結果（表3）。由表3可知，每個生育期得到的14種參數與馬鈴薯生物量大部分達到極顯著相關（<0.01），相關性表現較好。比較不同生育期的EXG、GRVI、MGRVI等11種影像指數（表2）以及dsm、VC和dsm×VC 3種農學參數與馬鈴薯生物量的相關性可知，現蕾期與生物量相關性較高的前6個影像指數為GLA、RGBVI、EXG、CIVE、EXGR和NGBDI；塊莖形成期和塊莖增長期與生物量相關性較高的前6個影像指數為EXR、VARI、GRVI、NDI、MGRVI和EXGR；淀粉積累期和成熟期與生物量相關性較高的前6個影像指數為GLA、RGBVI、EXG、CIVE、NGBDI和EXGR。現蕾期、塊莖形成期、塊莖增長期、淀粉積累期、成熟期的前6個影像指數相關系數絕對值分別在0.667、0.730、0.703、0.640和0.452以上，均達到極顯著相關（<0.01），其中塊莖形成期和塊莖增長期得到的影像指數與生物量的相關性高于現蕾期、淀粉積累期和成熟期。每個生育期得到的dsm、VC和dsm×VC3種農學參數除了dsm在現蕾期和成熟期未與生物量達到極顯著相關（<0.01）外，其他時期均與生物量達到極顯著水平（<0.01），而每個生育期的相關性排序依次為dsm×VC、VC和dsm，說明植被覆蓋度比株高更能估測馬鈴薯生物量。

表3 馬鈴薯5個關鍵生育期的相關性分析

注：**表示0.01顯著水平，*表示0.05顯著水平。

Note: ** indicates a significant level of 0.01, * indicates a significant level of 0.05.

2.3.2 單變量模型對比分析

每個生育期將dsm、VC和dsm×VC作為自變量利用線性回歸構建馬鈴薯生物量估算模型，并計算每個生育期各模型的精度評價指標（表4）。由表4可知，每個生育期利用線性回歸（Linear Regression，LR）以3種變量估算馬鈴薯生物量時，驗證集的精度均高于相應建模集的。每個生育期以3種變量得到的建模和驗證效果依次為dsm×VC、VC和dsm，而利用同種變量估算馬鈴薯生物量從現蕾期到塊莖增長期逐漸變好，從淀粉積累期估算效果開始變差，其中現蕾期到塊莖增長期以dsm×VC建模的2由0.451 6變化為0.498 7，RMSE由327.30 kg/hm2變化為143.51 kg/hm2，NRMSE從23.21%變化到17.63%，驗證2也不斷增大，RMSE和NRMSE都不斷減小；淀粉積累期到成熟期建模2由0.424 4變化為0.410 9，RMSE由292.95 kg/hm2變化為296.23 kg/hm2，NRMSE由23.77%變化為24.62%，驗證2不斷減小，RMSE和NRMSE都不斷增加。綜合各模型的精度評價指標可以看出，以dsm×VC作為模型因子時，馬鈴薯生物量估算模型精度得到顯著提高，說明株高和植被覆蓋度進行結合能夠彌補單一變量估算生物量的不足。

2.3.3 多變量模型對比分析

將每個生育期篩選的前6個植被指數，如現蕾期為GLA、RGBVI、EXG、CIVE、EXGR和NGBDI；塊莖形成期和塊莖增長期為EXR、VARI、GRVI、NDI、MGRVI和EXGR；淀粉積累期和成熟期為GLA、RGBVI、EXG、CIVE、NGBDI和EXGR，分別與dsm和VC一起作為模型自變量，利用PLSR、RF和SVM 3種方法估算馬鈴薯現蕾期到成熟期的生物量，并計算每個生育期不同模型的精度評價指標，建模和驗證結果如表5和表6所示，驗證樣本的擬合效果如圖5～圖7所示。

每個生育期以VIs、VIs+dsm、VIs+VC以及它們的結合為模型因子時，利用3種方法估算馬鈴薯生物量，建模2均從現蕾期到塊莖增長期呈上升趨勢，RMSE和NRMSE均呈下降趨勢，驗證結果與建模結果變化保持一致，也是估算生物量的效果逐漸變好，在塊莖增長期以同種變量估算生物量的精度達到最高；從淀粉積累期到成熟期建模和驗證2呈現下降趨勢，RMSE和NRMSE均呈增加趨勢，估算生物量的效果逐漸變差，整個生育期的模型精度變化趨勢與單變量模型結果相一致。每種方法在不同生育期以VIs構建模型效果最差，融入dsm或VC變量模型精度得到提升，其中加入VIs+VC變量效果更好，而VIs+dsm+VC共同作為模型輸入變量估算馬鈴薯生物量時，構建的模型精度最高，穩定性最強。綜合各個模型建模和驗證結果可知，每個生育期以同種變量基于PLSR構建的模型效果最好，基于RF構建的模型效果次之，而基于SVM得到的模型效果最差。整個生育期通過3種方法以VIs+dsm+VC變量估算馬鈴薯生物量效果最佳，現蕾期、塊莖形成期、塊莖增長期、淀粉積累期和成熟期基于PLSR建模2分別為0.628 5、0.658 4、0.681 4、0.653 2和0.548 8，基于RF建模分別為0.538 5、0.603 3、0.632 2、0.615 9和0.542 4，基于SVM建模2分別為0.445 1、0.521 1、0.601 3、0.574 3和0.538 4。

表4 不同生育期3種變量與馬鈴薯生物量的線性回歸分析

注：dsm為提取平均株高，cm；VC為植被覆蓋度。下同。

Note:dsmis the extracted mean height, cm; VC is the Vegetation Coverage. The same below.

表5 不同生育期模型變量估測馬鈴薯生物量的建模分析

注：VIs為可見光植被指數，下同。

Note：VIs is the visible vegetation indices, the same below.

表6 不同生育期模型變量估測馬鈴薯生物量的驗證分析

圖5 不同生育期驗證樣本基于偏最小二乘回歸的馬鈴薯生物量實測值和預測值擬合結果

圖6 不同生育期驗證樣本基于隨機森林算法的馬鈴薯生物量實測值和預測值擬合結果

圖7 不同生育期驗證樣本基于支持向量機的馬鈴薯生物量實測值和預測值擬合結果

2.3.4 PLSR模型的生物量空間分布

通過PLSR以VIs+dsm+VC為輸入變量估算馬鈴薯5個生育期的生物量，制作出每個生育期的生物量空間分布圖（圖8）。其中，各生育期的生物量空間分布情況和預測結果一致，現蕾期，每個試驗小區生物量值較小，處于640 kg/hm2以下；塊莖形成期，各小區生物量分布差異明顯，重復1和重復2小區的生物量值高于重復3小區的，其中重復2小區的生物量值較高，n01～n09和s01～s12的重復1、重復2以及n10～n18、s13～s24和k01～k06重復1大部分生物量值處于1 280 kg/hm2以上；塊莖增長期，作物生長旺盛，各小區生物量值較前2期大幅增加，且各小區生長狀況容易辨別，重復1和重復2的部分小區生物量值高達1 920 kg/hm2以上，重復3小區生物量值相對較小；淀粉積累期，每個試驗小區的生物量值分布均勻，同樣重復1和重復2小區的生物量值高于重復3的，但都低于1 920 kg/hm2；成熟期，試驗中部小區的生物量分布效果相比邊緣小區分布較好，但整體上每個試驗小區的生物量值明顯低于上個生育期，而且密度試驗區、氮素試驗區和鉀肥試驗區在淀粉積累期和成熟期表現結果更為直觀。不同生育期3個重復小區的生物量值空間分布差異與不同小區的種植密度和施肥情況有關，總體來說，每個生育期馬鈴薯長勢情況由強到弱分布依次為重復2、重復1和重復3。通過對馬鈴薯生物量含量進行填圖，能夠更直觀的辨別各個時期的馬鈴薯生長情況和相對差異性，起到對馬鈴薯田間管理快速高效率地決策作用。

圖8 不同生育期的馬鈴薯生物量空間分布

3 討 論

本研究通過馬鈴薯現蕾期、塊莖形成期、塊莖增長期、淀粉積累期和成熟期5個關鍵生育期的無人機數碼影像基于DSM提取出了不同生育期的dsm，實測株高和dsm的擬合2為0.86，證實了提取的株高精度較高，這個結果和陶惠林等[24]、牛慶林等[31]和Bendig等[11]的研究結果一致。然而利用無人機數碼影像基于DSM提取的作物高度整體上與實測值偏低，主要因為數碼相機傳感器獲取的是作物冠層數據，而馬鈴薯實測株高莖頂端的冠層空間結構小，進行三維重建時可能被當作噪聲去除，從而導致馬鈴薯冠層空間信息丟失；同時冠層影像中包含了大量的裸土像元，在進行株高的提取時，也參與了運算，這會導致提取的株高偏低。

本研究通過EXG指數法提取了每個小區的植被覆蓋度，為了驗證提取的效果，將提取的覆蓋度值與實測的覆蓋度值進行線性擬合，2為0.84，NRMSE小于20%，說明提取的精度可靠。然而本研究得到的結果與胡健波等[32]和王猛等[33]得到的結果相比，精度略低，主要原因：1）可能是影像分辨率不同，本文無人機飛行高度較高，獲得的影像分辨率相對較低；2）研究對象不同，胡健波等研究利用地面數碼影像提取草地覆蓋度，而王猛等研究利用無人機數碼影像提取玉米、小麥和棉花的覆蓋度；3）本研究通過設計氮素和密度梯度試驗，會導致每個小區的植被覆蓋度發生變化，植株葉片的表現形態和冠層空間結構會明顯不同，這會導致作物冠層光譜有所差別。

本研究在估算馬鈴薯不同生育期的生物量時，首先將構建的EXG、GRVI和MGRVI等11種植被指數以及dsm、VC和dsm×VC3種農學參數與生物量進行相關性分析，結果顯示影像指數在塊莖形成期和塊莖增長期與生物量的相關性高于現蕾期、淀粉積累期和成熟期的相關性，主要因為塊莖形成期和塊莖增長期馬鈴薯長勢較好，植被覆蓋度相較于其他生育期較大，冠層光譜信息的提取不易受到地面土壤像元的影響，使得與生物量的聯系較好。3種農學參數在不同生育期與生物量的相關性排序為dsm×VC、VC和dsm，這與劉艷慧等[14]和Wen等[34]研究結果一致。然而dsm在現蕾期和成熟期與生物量相關性偏低，主要因為現蕾期馬鈴薯葉片剛剛開始生長，植株葉片空間結構小，而成熟期由于自身生長原因外加天氣影響，植株葉片枯萎凋零，使得提取的株高不能很好的反映作物的生物量。

單變量模型中，每個生育期利用LR估算馬鈴薯生物量的效果依次為dsm×VC、VC和dsm，這與生物量相關性分析結果保持一致。每種模型以dsm或VC為變量估算生物量的精度較低，而將二者進行結合共同用來估算馬鈴薯生物量時，模型精度得到顯著提高，這與劉陟等[35]研究結果一致，也表明混合變量模型優于單一變量模型。多變量模型中，每個生育期以VIs、VIs+dsm、VIs+VC以及它們的結合利用3種方法估算馬鈴薯生物量，均從現蕾期到塊莖增長期估算效果逐漸變好，從淀粉積累期到成熟期估算效果變差，這與單變量模型估算效果變化趨勢一致。主要因為馬鈴薯前期以自身營養和生殖為主，隨著生育期的推移，莖節伸長、葉片擴大，到了塊莖增長期，莖葉等營養器官最為旺盛，隨后由于地上部有機物需要向地下塊莖不斷輸送，外受天氣環境的影響，造成植株葉片迅速枯黃脫落，整個生育期植被覆蓋度呈現先上升后下降的趨勢，使得前期冠層光譜信息的提取相較后期不易受到地面土壤的影響，構建的模型效果由好變差。通過分析各個模型精度評價指標，每個生育期以同種方法均以VIs+dsm+VC為變量估算效果最佳，VIs+VC和VIs+dsm次之，而單一VIs最差。每個生育期以不同變量基于PLSR方法估算生物量最佳，基于RF次之，而SVM最差。使用PLSR方法構建的模型效果較好，主要因為它利用了主成分分析，能夠較好地處理多個自變量之間的共線性問題，更好地使用冠層光譜信息來監測作物參數[36]。同時Yue等[37]也表明PLSR方法構建的模型效果優于RF和SVM模型，主要原因1）機器學習法能夠高效處理較大數據集，而且對數據的魯棒性較好，但對于較小數據集表現優勢不明顯[38]。本文參與建模和驗證樣本均屬于較小數據集，所以RF和SVM表現能力較差一些；2）本文輸入的模型變量之間存在多重共線性，RF對變量之間的共線性不敏感，而SVM在擬合過程中受到了和函數和懲罰因子的限制，降低了生物量的估算精度。本研究通過不同方法構建馬鈴薯生物量估算模型，得到的模型2相較于劉艷慧等[14]估算草地生物量的2略小，主要原因1）2的大小與樣本量有關，劉艷慧等人的研究僅利用7個樣本點構建草地生物量估算模型，而本研究建模和驗證樣本分別為32個和16個，遠遠超過7個，所以本研究得到的模型2略小；2）可能是劉艷慧等對無人機數碼影像通過圖像濾波和圖像增強技術進行去噪處理，增強了植被信息，結合最大熵遺傳算法提高了植被覆蓋度的提取精度，使得模型的2略大。因此，未來的研究應著重考慮采取合適的技術手段去提高作物覆蓋度的提取精度，從而才能夠更好地估算生物量，以此來為農業精準監測提供新的技術方法。

馬鈴薯5個生育期的生物量空間分布圖中，不同生育期的生物量值差異較大，且同生育期不同小區的生物量空間分布也明顯不同，這可能與馬鈴薯自身生長狀況、田塊內部差異以及受外界天氣的影響有關。馬鈴薯現蕾期，葉片干物質積累量主要用于自身建設和維持代謝活動，單株生物量值整體分布偏低；塊莖形成期到塊莖增長期，莖葉等器官逐步發育，生物量值不斷變大，而淀粉積累期到成熟期，由于地上積累的有機物不斷向地下塊莖輸送，同時生育后期，接連下雨天氣，造成地上葉片枯黃脫落，使得生物量值降低。本研究僅用1年的馬鈴薯試驗數據構建生物量估算模型，還需要進一步以不同年限、不同地點以及不同作物的樣本進行深入分析，以此得到一個更普適的作物生物量估算模型。

4 結 論

1）基于無人機數碼影像結合地面控制點（Ground Control Point, GCP）生成試驗田的數字表面模型（Digital Surface Model, DSM），通過DSM提取株高與實測株高具有高度的擬合性，決定系數（coefficient of determination,2）為0.86、均方根誤差（Root Mean Square Error, RMSE）為6.36 cm、標準均方根誤差（Normalized Root Mean Square Error, NRMSE）為13.42%，說明利用DSM提取的馬鈴薯株高的方法可行。

2）基于無人機數碼影像，通過將過綠植被指數（Excess Green Vegetation Index，EXG）提取的植被覆蓋度與地面數碼影像實測植被覆蓋度進行線性擬合，2為0.84，NRMSE為15.76%，表明提取的植被覆蓋度可以用來估算馬鈴薯生物量。

3）每個生育期通過線性回歸（Linear Regression，LR）以提取平均株高（dsm）、植被覆蓋度（Vegetation Coverage, VC）和dsm×VC 3種變量估算馬鈴薯生物量，建模和驗證精度由高到低依次為dsm×VC、VC和dsm，且均從現蕾期到塊莖增長期估算效果逐漸變好，從淀粉積累期到成熟期估算效果逐漸變差。

4）每個生育期利用偏最小二乘回歸（Partial Least Square Regression，PLSR）、隨機森林（Random Forest，RF）和支持向量機（Support Vector Machine, SVM）3種方法以植被指數（Vegetation Indices, VIs）、VIs+dsm、VIs+VC以及它們的結合估算馬鈴薯生物量，每種方法以VIs+dsm+VC估算效果最佳，VIs+VC和VIs+dsm次之，其中加入VC效果更好，而以VIs估算生物量效果最差；每個生育期基于PLSR構建的模型效果最優、基于RF模型次之、而SVM模型最差；整個生育期以同種方法同種變量估算馬鈴薯生物量效果變化趨勢與單變量模型保持一致。

[1]牛亞曉，張立元，韓文霆，等. 基于無人機遙感與植被指數的冬小麥覆蓋度提取方法[J]. 農業機械學報，2018，49(4)：212-221.

Niu Yaxiao, Zhang Liyuan, Han Wenting, et al. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212-221. (in Chinese with English abstract)

[2]佟斯琴，包玉海，張巧鳳，等. 基于像元二分法和強度分析方法的內蒙古植被覆蓋度時空變化規律分析[J]. 生態環境學報，2016，25(5)：737-743.

Tong Siqin, Bao Yuhai, Zhang Qiaofeng, et al. Spatiotemporal changes of vegetation coverage in Inner Mongolia based on the dimidiate pixel model and intensity analysis[J]. Ecology and Environment Sciences, 2016, 25(5): 737-743. (in Chinese with English abstract)

[3]周宇庭，付剛，沈振西，等. 藏北典型高寒草甸地上生物量的遙感估算模型[J]. 草業學報，2013，22(1)：120-129.

Zhou Yuting, Fu Gang, Shen Zhenxi, et al. Estimation model of aboveground biomass in the Northern Tibet Plateau based on remote sensing date[J]. Acta Prataculturae Sinica, 2013, 22(1): 120-129. (in Chinese with English abstract)

[4]劉暢，楊貴軍，李振海，等. 融合無人機光譜信息與紋理信息的冬小麥生物量估測[J]. 中國農業科學，2018，51(16)：3060-3073.

Liu Chang, Yang Guijun, Li Zhenhai, et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion[J]. Scientia Agricultura Sinica, 2018, 51(16): 3060-3073. (in Chinese with English abstract)

[5]牧其爾，高志海，包玉海，等. 植被指數紋理特征信息估測稀疏植被生物量[J]. 遙感信息，2016，31(1)：58-63.

Mu Qier, Gao Zhihai, Bao Yuhai, et al. Estimation of sparse vegetation biomass based on grey-level co-occurrence matrix of vegetation indices[J]. Remote Sensing Information, 2016, 31(1): 58-63. (in Chinese with English abstract)

[6]岳繼博，楊貴軍，馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比[J]. 農業工程學報，2016，32(18)：175-182.

Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182. (in Chinese with English abstract)

[7]崔日鮮，劉亞東，付金東. 基于可見光光譜和BP人工神經網絡的冬小麥生物量估算研究[J]. 光譜學與光譜分析，2015，9(9)：2596-2601.

Cui Rixian, Liu Yadong, Fu Jindong. Estimation of winter wheat biomass using visible spectral and BP based artificial neural networks[J]. Spectroscopy and Spectral Analysis, 2015, 9(9): 2596-2601. (in Chinese with English abstract)

[8]劉帥兵，楊貴軍，景海濤，等. 基于無人機數碼影像的冬小麥氮含量反演[J]. 農業工程學報，2019，35(11)：75-85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75-85. (in Chinese with English abstract)

[9]陳鵬飛，梁飛. 基于低空無人機影像光譜和紋理特征的棉花氮素營養診斷研究[J]. 中國農業科學，2019，52(13)：2220-2229.

Chen Pengfei, Liang Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]. Scientia Agricultura Sinica, 2019, 52(13): 2220-2229. (in Chinese with English abstract)

[10]劉建剛，趙春江，楊貴軍, 等. 無人機遙感解析田間作物表型信息研究進展[J]. 農業工程學報，2016，32(24)：98-106.

Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 98-106. (in Chinese with English abstract)

[11]Bendig J, Bolten A, Bennertz S, et al. Estimating biomass of barley using Crop Surface Models (CSMs) derived from UAV-based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395-10412.

[12]Jin Xiuliang, Kumar L, Li Zhenhai, et al. Estimation of winter wheat biomass and yield by combining the aquacrop model and field hyperspectral data[J]. Remote Sensing, 2016, 8(12): 1-15.

[13]蘇占雄. 利用照相方法估算灌木和草地植被地上生物量的研究[D]. 西安：西安建筑科技大學，2009.

Su Zhanxiong. Estimation Shrubs and Grassland Vegetation Above Ground Biomass Using Photography Methods[D]. Xi’an: Xi’an University of Architecture and Technology, 2009. (in Chinese with English abstract)

[14]劉艷慧，蔡宗磊，包妮沙，等. 基于無人機大樣方草地植被覆蓋度及生物量估算方法研究[J]. 生態環境學報，2018，27(11)：2023-2032.

Liu Yanhui, Cai Zonglei, Bao Nisha, et al. Research of grassland vegetation coverage and biomass estimation method based on major quadrat from UAV photogrammetry[J]. Ecology and Environmental Sciences, 2018, 27(11): 2023-2032. (in Chinese with English abstract)

[15]宋清潔，崔霞，張瑤瑤，等. 基于小型無人機與 MODIS 數據的草地植被覆蓋度研究：以甘南州為例[J]. 草業科學，2017，34(1)：40-50.

Song Qingjie, Cui Xia, Zhang Yaoyao, et al. Grassland fractional vegetation cover analysis using small UVAs and MODIS-a case study in Gannan prefecture[J]. Pratacultural Science, 2017, 34(1): 40-50. (in Chinese with English abstract)

[16]Zhou Qiming, Robson M. Automated rang eland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J]. International Journal of Remote Sensing, 2001, 22(17): 3457-3470.

[17]Guijarro M, Pajaresg G, Riomorosi I, et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers and Electronics in Agriculture, 2011, 75(1): 75-83.

[18]Saberioon M M, Amin M S, Anuar A R, et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale[J]. International Journal of Applied Earth Observations & Geoinformation, 2014, 32(10): 35-45.

[19]Zhang Dongdong, Mansaray L R, Jin H, et al. A universal estimation model of fractional vegetation cover for different crops based on time series digital photographs[J]. Computers and Electronics in Agriculture, 2018, 151(10): 93-103.

[20]胡健波，張璐，黃偉，等. 基于數碼照片的草地植被覆蓋度快速提取方法[J]. 草業科學，2011，5(9)：1661-1665.

Hu Jianbo, Zhang Lu, Huang Wei, et al. Rapid extraction method of grassland vegetation coverage based on digital photos[J]. Pratacultural Science, 2011, 5(9): 1661-1665. (in Chinese with English abstract)

[21]班愛琴，錢育蓉，莫媛淇，等. 用植被判定流程圖法從數碼照片中快速提取植被覆蓋度[J]. 西北農林科技大學學報：自然科學版，2012，40(8)：200-206.

Ban Aiqin, Qian Yurong, Mo Yuanqi, et al. Quickly extract vegetation coverage from digital photos using vegetation determination flowchart method[J]. Journal of Northwest A&F University: Natural Science Edition, 2012, 40(8): 200-206. (in Chinese with English abstract)

[22]Li Xiaobing, Chen Yunhao, Yang Hua, et al. Improvement, comparison, and application of field measurement methods for grassland vegetation fractional coverage[J]. Journal of Integrative Plant Biology: Formerly Acta Botanica Sinica, 2005, 47(9): 1074－1083.

[23]王備戰，馮曉，溫暖，等. 基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測[J]. 中國農業科學，2012，45(15)：3049-3057.

Wang Beizhan, Feng Xiao, Wen Nuan, et al. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images[J]. Scientia Agricultura Sinica, 2012, 45(15): 3049-3057. (in Chinese with English abstract)

[24]陶惠林，徐良驥，馮海寬，等. 基于無人機數碼影像的冬小麥株高和生物量估算[J]. 農業工程學報, 2019，35(19)：107-116.

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

[25]Bendig J, Kang Y, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39(1): 79-87.

[26]裴浩杰，馮海寬，李長春，等. 基于綜合指標的冬小麥長勢無人機遙感監測[J]. 農業工程學報，2017，33(20)：74-82.

Pei Haojie, Feng Haikuan, Li Changchun, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 74-82. (in Chinese with English abstract)

[27]Woebbecke D M, Meyer G E, Bargen K V, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259-269.

[28]Anatoly A, Yoram J, Robert S, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[29]George E, Camargo N. Verification of color vegetation indices for automated crop imaging applications[J]. Computers & Electronics in Agriculture, 2008, 63(2): 282-293.

[30]Francesco C, Leonardo D, Donatella G, et al. Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 5(47): 60-68.

[31]牛慶林，馮海寬，楊貴軍，等. 基于無人機數碼影像的玉米育種材料株高和LAI監測[J]. 農業工程學報，2018，34(5)：73-82.

Niu Qinglin, Feng Haikuan, Yang Guijun, et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 73-82. (in Chinese with English abstract)

[32]胡健波，張璐，黃偉，等. 基于數碼照片的草地植被覆蓋度快速提取方法[J]. 草業科學，2011，28(9)：1661-1665.

Hu Jianbo, Zhang Lu, Huang Wei, et al. Quickly determining grassland cover using the digital image[J]. Pratacultural Science, 2011, 28(9): 1661-1665. (in Chinese with English abstract)

[33]王猛，隋學艷，梁守真，等. 利用無人機遙感技術提取農作物植被覆蓋度方法研究[J]. 作物雜志，2020，4(3)：177-183.

Wang Meng, Sui Xueyan, Liang Shouzhen, et al. Research on the method of extracting crop vegetation coverage using UAV remote sensing technology[J]. Crops, 2020, 4(3): 177-183. (in Chinese with English abstract)

[34]Wen Zhaofei, Ma Maohua, Zhang Ce, et al. Estimating seasonal aboveground biomass of a riparian pioneer plant community: An exploratory analysis by canopy structural data[J]. Ecological Indicators, 2017, 12(83): 411-450.

[35]劉陟，黃奇，周延林，等. 毛烏素沙地油蒿生物量估測模型研究[J]. 中國草地學報，2014，36(4)：24-30.

Liu Zhi, Huang Qi, Zhou Yanlin, et al. Study on the models for estimating the biomass ofin Mu us Sandland[J]. Chinese Journal of Grassland, 2014, 36(4): 24-30. (in Chinese with English abstract)

[36]田明璐，班松濤，常慶瑞，等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J]. 農業機械學報, 2016，47(11)：285-293.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of The Chinese Society of Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese with English abstract)

[37]Yue Jibo, Feng Haikuan, Jin Xiuliang, et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera[J]. Remote Sensing, 2018, 10(7): 1138-1162.

[38]馮海寬，楊福芹，楊貴軍，等. 基于特征光譜參數的蘋果葉片葉綠素含量估算[J]. 農業工程學報，2018，34(6)：182-188.

Feng Haikuan, Yang Fuqin, Yang Guijun, et al. Estimation of chlorophyll content in apple leaves base on spectral feature parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 182-188. (in Chinese with English abstract)

Estimation of potato biomass based on UAV digital images

Liu Yang1,2,3,4, Feng Haikuan1,3,4※, Huang Jue2, Sun Qian1,3,4, Yang Fuqin5

(1.100097,; 2.266590,; 3.100097,; 4.100097,; 5.451191,)

Accurate estimation of crop biomass by plant height and Vegetation Coverage (VC) is of great significance in agricultural production and has a strong guiding significance for agricultural managers. It is necessary to use an effective method to estimate the biomass of field crops quickly and accurately. Taking the potato in Xiaotangshan National Precision Agricultural Research Demonstration Base as the research object and conducted a field experiment between March and July 2019. Digital images were taken by Unmanned Aerial Vehicle (UAV) and ground camera from the field at budding, tuber formation, tuber growth, starch accumulation, and maturity period and measured plant height, above-ground biomass, and three-dimensional coordinates of Ground Control Points (GCPs) were obtained by ground survey. Firstly, the Digital Surface Model (DSM) is generated based on GCPs to calculate the plant height and compared the results with field measurements. Secondly, Measured and estimated values of VC were calculated through ground and UAV digital images and compared between the results. Then, the correlation analyses between biomass and extraction values of plant height, VC, their product, and eleven Vegetation Indices (VIs). Six VIs and three agronomy parameters were selected for each growth stage, respectively. Finally, the selected VIs and three agronomy parameters were used as modeling factors, and the biomass was estimated by Linear Regression (LR), Partial Least Square Regression (PLSR), Random Forest (RF) algorithm, and Support Vector Machine (SVM), and the models constructed by the remote sensing data were compared to optimize the model. The results showed that the extraction values of plant heigh from DSM agreed well with the measurements, the coefficient of determination was 0.86 and the normalized root mean square error was 13.42% throughout the growth period. Measured and predicted values of VC stayed highly relevant, the coefficient of determination was 0.84 and the normalized root mean square error was 15.76% throughout the growth period. Through three agronomy parameters, analyzing the effect of the modeling and verification set, the accuracy of the Linear Regression (LR) model with extraction values of plant heigh multiply predicted values of VC as modeling factors was significantly better than that of extraction values of plant heigh or predicted values of VC, however, the accuracy of estimating biomass model with extraction values of plant height was the worst. In different growth periods, the performance of estimating biomass by LR had gradually increased from the budding stage to the tuber growth stage and reduced from the starch accumulation stage to the maturity stage. To compare capabilities of PLSR, RF, and SVM to estimate potato biomass, this study compared the accuracy of models for different growth periods using four variables, for example, VIs combined with extraction values of plant height, VIs combined with extraction values of VC and three variables as one. For PLSR, RF, and SVM models, the accuracy of modeling and verification showed a trend of first increasing and then decreasing when using the same kind of variables as model factors. Comparison of the accuracy of models was contrasted by different methods with the same variable at five periods, it is found that VIs incorporating the plant height and VC into estimation model significantly improved the biomass estimation. Comparison with the measured biomass showed that the coefficient of determination, the normalized root mean square error of PLSR model was 0.628 5 at bud period, 0.658 4 at tuber formation period, 0.681 4 at tuber growth period, 0.653 2 at starch accumulation period, 0.548 8 at maturity period, respectively. The PLSR model is superior to the RF and SVM model which the coefficient of determinationwas 0.538 5, 0.603 3, 0.632 2, 0.615 9, 0.542 4 and 0.445 1, 0.521 1, 0.601 3, 0.574 3, 0.538 4, respectively. In summary, the biomass of potato was quickly estimated using UAV digital images data by the PLSR method combined with VIs, plant height, and VC as a whole in different growth periods and provided technical support for effectively monitoring crop growth and accurately predicting yield.

models; UAV; biomass; potato; plant height; vegetation coverage; vegetation index

劉楊，馮海寬，黃玨，等. 基于無人機數碼影像的馬鈴薯生物量估算[J]. 農業工程學報，2020，36(23)：181-192.doi：10.11975/j.issn.1002-6819.2020.23.021 http://www.tcsae.org

Liu Yang, Feng Haikuan, Huang Jue, et al. Estimation of potato biomass based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 181-192. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.23.021 http://www.tcsae.org

2020-08-03

2020-11-18

國家自然科學基金（41601346）

劉楊，主要從事農業定量遙感研究。Email：liuyanghe810@163.com

馮海寬，博士，助理研究員，主要從事農業定量遙感相關研究。Email：fenghaikuan123@163.com

10.11975/j.issn.1002-6819.2020.23.021

S25

A

1002-6819(2020)-23-0181-12