無人機觀測時間對玉米冠層葉綠素密度估算的影響

周麗麗,馮海寬,聶臣巍,許曉斌,劉 媛,孟 麟,薛貝貝,明 博, 梁齊云,蘇 濤,*,金秀良,*

(1.安徽理工大學 空間信息與測繪工程學院,安徽 淮南 232001; 2.中國農業科學院 作物科學研究所,北京 100081; 3.中國農業科學院國家南繁研究院,海南 三亞 572024; 4.國家農業信息化工程技術研究中心,北京 100097;5. 武漢大學 測繪與遙感信息工程國家重點實驗室,湖北 武漢 430079)

玉米是重要的糧食作物和工業原料,準確監測玉米的生長狀態對農業經濟發展具有重要意義[1]。葉綠素是玉米維持光合作用,從而保證產量和籽粒品質的重要色素。及時、準確地監測冠層葉綠素密度(canopy chlorophyll density, CCD)有助于及時掌握作物的生長脅迫狀態和營養狀況,為農藝學家進行變量施肥提供科學指導[2]。近年來,遙感技術發展迅猛,無人機(unmanned aerial vehicle, UAV)遙感更是以其低成本、可控性高、靈活快速的優勢廣泛應用于精準農業中[3],可以實現對作物冠層結構參數或生理生化參數的精準估計[4]。

目前,基于無人機遙感技術估算玉米CCD的研究已經在國內外取得了豐富的成果[5-7]。郭松等[8]基于低空無人機對比分析了單因素回歸模型、多元線性回歸模型和獅群算法優化的核極限學習機模型等各類模型對抽雄期玉米葉綠素的預測能力,結果表明,機器學習算法的效果優于傳統回歸算法。Qiao等[9]利用無人機RGB數據,建立并討論了基于人工神經網絡的玉米葉綠素含量估算模型。但縱觀國內外研究現狀,大多數基于無人機遙感平臺的研究都是在中午經驗性地選擇時間進行觀測試驗的[10-11]。近年來,隨著精準農業的不斷發展,精細化的試驗設計對無人機的作業時間提出了更高的要求。盡管目前很多研究將無人機觀測試驗的時間嚴格設定在10：00—14：00[12],但在該時段不同時間獲得的冠層反射率與葉綠素密度之間的關系依然可能受光源與傳感器觀測幾何特性的影響[13],無人機飛行時間的隨機性仍然可能會影響葉綠素密度的估算精度;然而,關于該時段內不同時間獲取的冠層光譜特性如何變化,以及是否會對葉綠素含量的估算產生影響等,尚鮮有研究。

在不考慮多角度觀測的情況下,無人機田間試驗一般是垂直下視觀測,而玉米在同一天幾個小時內的CCD變化不會很大[14];因此,在同一天不同觀測時間變化最大的通常是太陽天頂角和方位角。PROSAIL模型可以在其他參數條件都固定的情況下通過改變太陽天頂角和方位角來很好地模擬不同天頂角和方位角環境下的植被冠層反射率[15-16],這為本研究提供了模型參考和理論依據。舒方等[17]基于PROSAIL模型分析了歸一化植被指數(normalized difference vegetation index, NDVI)對葉綠素含量、葉面積指數(leaf area index, LAI)和太陽天頂角等參數的敏感性,并成功估算了冬小麥的葉綠素含量。何宇航[18]基于PROSAIL模型探究了多角度效應對估算小麥和茶樹葉綠素含量的影響。通過計算同一天不同時間的太陽天頂角和方位角,可以模擬理想情況不同觀測時間光譜反射率的變化;然而,僅通過模型模擬數據研究不同時間對CCD估算的影響存在一定的局限性,還需要進一步設計玉米不同處理下生長發育差異的田間試驗。

綜上,本研究圍繞無人機不同觀測時間對玉米CCD估算的影響展開研究,期望以理論模型和田間試驗相結合的方式實現以下主要目標：(1)探究玉米冠層光譜隨觀測時間的變化規律;(2)挖掘冠層光譜與CCD的相關性在不同觀測時間下的差異;(3)探索不同觀測時間對玉米CCD估算精度的影響。

1 材料與方法

1.1 研究區與試驗設計

本研究于內蒙古自治區通遼市科爾沁區錢家店鎮全國玉米綠色高質高效行動示范基地(43°71′N,122°42′E,平均海拔166 m)開展玉米田間試驗。研究區屬溫帶半干旱大陸性季風氣候,四季分明,雨熱同期,氣溫適中,年平均氣溫6.1 ℃,年日照時數3 113 h,年均降水量385.1 mm,年均無霜期150 d,年均風速3.6 m·s-1,是種植玉米的黃金地帶。

為了體現玉米的長勢差異,于2022年設計了兩個試驗區,分別為氮調控區和氮梯度區,如圖1所示,玉米品種均為迪卡159。氮調控區的種植密度為90 000株·hm-2,依據施肥方式的差異設置3類處理,分別為不施肥(ND0)、常規農戶施肥(NDT)和施肥調控處理(ND1,ND2,…,ND27)。氮梯度區設置了2個種植密度水平[60 000株·hm-2(4K)和90 000株·hm-2(6K)]和10個施氮水平(N0、N3、N6、N9、N12、N15、N18、N21、N24、N36),二者相互組合,共形成20個處理。上述各處理分別對應于1個小區,每個小區的面積均為240 m2。

圖1 研究區的地理位置與試驗設計圖Fig.1 Diagram of study area and experimental design

在氮調控區：各施肥調控處理統一按照450 kg·hm-2的量施用基肥,從玉米播種后50 d開始,按照試驗設計方案(表1)施肥;常規農戶施肥按900 kg·hm-2的量施基肥?；示褂脫交旆柿?N質量分數15%,P2O5質量分數23%,K2O質量分數12%,云南美盛嘉吉化肥有限公司生產),追肥使用尿素(N質量分數46%,內蒙古天潤化肥股份有限公司生產)。

表1 施肥方案

在氮梯度區：除N0處理不施肥,N3、N6處理不施基肥外,其他處理統一施基肥76.5 kg·hm-2;除N0外,各處理統一從玉米播種后50 d開始追肥,之后每隔10 d追肥一次,共追肥6次,每次等量追肥,N3～N36處理的追肥量分別為98.75、197.08、128.33、226.67、325.42、423.75、522.5、621.25、1 015.42 kg·hm-2?；屎妥贩仕梅柿吓c氮調控區相同。

1.2 數據獲取

1.2.1 無人機數據獲取

分別在抽雄吐絲期(VT/R1,7月31日)、籽粒建成期(R2,8月11日)、乳熟期(R3,8月21日)和蠟熟期(R5,9月2日)采集無人機影像。因為上午和下午的太陽入射光亮度有限,所以選擇10：00—14：00點進行無人機試驗。分別在上述生育時期的10：00—10：59(10AM)、11：00—11：59(11AM)、13：00—13：59(1PM)和14：00—14：59(2PM)4個時間段的晴空無云條件下,采用經緯M300 RTK(深圳市大疆創新科技有限公司)無人機搭載RedEdge-MX(美國MicaSense)多光譜相機(波長400～900 nm)對玉米試驗田進行飛行作業。在飛行前后使用自動校準的反射率面板對多光譜傳感器進行輻射定標,飛行高度設置為70 m,速度為3 m·s-1,航向重疊和旁向重疊率均為70%。利用Agisoft PhotoScan 1.4.5軟件(俄羅斯Agisoft)對無人機多光譜影像進行拼接、輻射校正等預處理,以獲得正射反射率影像。

1.2.2 地面農學參數獲取

在獲取無人機數據的同時,同步進行地面農學參數獲取,不同的是,每個生育時期僅獲取一次數據。首先,對氮梯度區進行取樣,每個小區選取3個位點,每個位點取3株玉米,共計9株;對氮調控區進行取樣,每個小區取3個位點,每個位點取2株,共計6株。然后,帶回實驗室進行莖、葉分離,測量并計算每片葉子的葉面積(利用葉長、葉寬計算展開葉和未展開葉的葉面積時,比例系數分別取0.75和0.50)[19]。用計算得到的葉片面積與種植密度作比,計算LAI。同時,使用打孔器在每片葉片取5～6個完整的圓片(直徑6 mm),稱量質量后放入試管中,加入10～12 mL無水乙醇浸泡至葉片變白。使用分光光度計測量每個樣本在663、645 nm處的吸光值(D663、D645),計算葉綠素含量(8.04D663+20.29D645,單位為mg·L-1),折算葉片葉綠素密度(LCD,單位為μg·cm-2)[20]。最后,對每個小區所有樣本的葉片葉綠素密度和葉面積指數求平均值,并計算相應的冠層葉綠素密度(LCD與LAI之積)。

1.3 試驗模型

1.3.1 隨機森林模型

隨機森林(random forest, RF)模型是一種基于決策樹的非參數回歸方法,通過建立多棵決策樹對樣本進行訓練和預測,可以處理復雜的非線性問題,且高效穩定,在參數反演方面比其他方法更有優勢[21-23]。本研究利用RF構建不同觀測時間的CCD估算模型,以探索不同觀測時間對CCD估算的影響。

RF包含3個重要的超參數：每個決策樹變量的個數(mtry)、決策樹的數量(ntree)和決策樹節點最小個數(nodesize)。通過多次試驗,本研究將上述超參數分別設置為5、800和1。由于本研究側重分析不同觀測時間對模型估算精度的影響,因此選擇同樣的超參數組合構建玉米CCD估算模型即可滿足研究目標的需要。

1.3.2 PROSAIL模型

PROSAIL模型是由PROSPECT模型和SAIL模型耦合而成的冠層輻射傳輸模型[24]。該模型可以根據葉片生理生化參數、冠層結構參數和太陽角度等模擬植被的冠層反射率[24]。相比其他冠層輻射傳輸模型,該模型的參量更少,且容易獲得[25];因此,本研究選擇PROSAIL模型模擬玉米冠層反射率。

通過RedEdge-MX紅邊相機提供的波譜響應函數將模擬得到的高光譜反射率數據重采樣到多光譜對應的寬波段,以便與實測的多光譜數據進行比較。依據試驗日期、觀測時間和經緯度計算當地不同觀測時間下的太陽天頂角和方位角(表2)。固定PROSAIL模型的其他參數,基于太陽角度參數即可模擬同一天不同時間的光譜反射率,進而可以計算理想狀況下的植被指數。模型中的輸入參數(結構參數、含水量和干物質等)依據Li等[16]的研究設定,簡述如下：葉片結構參數(N),取值為1.5;LCD,取值范圍為10～80;葉片類胡蘿卜素含量(Lcar,單位為μg·cm-2),取值范圍為5～20;葉片花青素含量(Lant,單位為μg·cm-2),取值范圍為0～10;葉片褐色素含量(Lbrown,單位為μg·cm-2),取值范圍為0～1;等效水厚度(Ewt,單位為cm),取值范圍為0～0.06;干物質含量(Dm,單位為g·cm-2),取值范圍為0.002 8～0.005 4;LAI,取值范圍為1～7;熱點效應因子(hspot),取值范圍為0～1;土壤因子(Psoil),取值范圍為0～1;觀測天頂角(VZA),取值為0。

表2 PROSAIL模型中太陽天頂角和方位角參數的具體設置

1.4 植被指數

根據前人的研究成果選取了13個與葉綠素相關的植被指數,用于分析不同觀測時間光譜特征的變化及對玉米CCD估算的影響,具體包括NDVI[26]、綠色歸一化植被指數(GNDVI)[27]、紅邊葉綠素指數(CIrededge)[28]、結構不敏感色素指數(SIPI)[29]、紅邊歸一化植被指數(NDVIrededge)[30]、MERIS陸地葉綠素指數(MTCI)[31]、改良葉綠素吸收指數(MCARI)[32]、轉化葉綠素吸收反射指數(TCARI)[33]、差異植被指數(DVI)[34]、增強植被指數(EVI)[35]、優化土壤調節植被指數(OSAVI)[36]、植被色素比率(PPR)[37],以及由TCARI和OSAVI之比構建的組合指數(TCARI/OSAVI)[38]。

1.5 精度評價

本研究以玉米每個生育時期每個時間段獲取的植被指數對CCD進行建模和驗證,樣本總計49個,隨機采取35個用于模型的構建,剩余樣本用于模型的精度驗證。使用決定系數(R2)、均方根誤差(RMSE)和歸一化均方根誤差(NRMSE)對模型進行綜合評價。

2 結果與分析

2.1 不同時間地物光譜反射率對比

對比抽雄吐絲期、籽粒建成期、乳熟期和蠟熟期10AM、11AM、1PM和2PM試驗小區內所有像元的平均反射率可以發現,不同觀測時間玉米的綠、紅邊和近紅外的波段反射率差異較大(圖2),其中近紅外的差異最大,以乳熟期為例,10AM近紅外反射率最低的為0.47,11AM近紅外反射率最高的為0.84,二者之差達到0.37。不同時間,藍、紅波段的反射率差異相對較小。

10AM、11AM、1PM、2PM對應的時間分別為10：00—10：59、11：00—11：59、13：00—13：59、14：00—14：59。下同。圖a～d分別對應于抽雄吐絲期(VT/R1)、籽粒建成期(R2)、乳熟期(R3)、蠟熟期(R5)。10AM, 11AM, 1PM, 2PM represent 10：00—10：59, 11：00—11：59, 13：00—13：59, 14：00—14：59, respectively. The same as below. Fig. a-d represent the tasseling silking stage (VT/R1), blister stage (R2), milk stage (R3), and dough stage (R5), respectively.圖2 不同觀測時間下的波段反射率變化Fig.2 Changes of waveband reflectance at different observation time

不同生育時期,各觀測時間的影響差異有所不同,以籽粒建成期的差異最小。原因可能是,籽粒建成期的風速相較于其他3個時期最小,平均風速為2.37 m·s-1[數據來自歐洲中期天氣預報中心(ECMWF)]。冠層光譜數據不僅受觀測幾何條件的影響,也會受到冠層結構的影響。風會引起冠層波動,風速較大的時候會導致冠層結構產生較大的波動;而風速較小的時候,冠層結構相對穩定,冠層光譜差異較小。PROSAIL模擬的結果也證實了這一結論。綜上所述,玉米的光譜反射率在不同的觀測時間存在差異,且不同波段的響應不同。

2.2 不同時期CCD相關特征篩選

雖然波段反射率在不同觀測時間存在差異,但并沒有顯示出一定的規律性,且受背景、天氣等因素影響較大;為此,本研究選用13個植被指數,分析其在不同生育時期與CCD的相關性(表3),每個生育時期各196個樣本。在不同生育時期,同一植被指數與CCD的相關系數有所不同,但相關性一致。4個生育時期,與CCD相關性最高的前5個植被指數均是NDVIrededge、MTCI、CIrededge、GNDVI和NDVI,證明在玉米全生育時期紅邊波段均對CCD有較好的響應。后續,重點對這5個植被指數隨觀測時間的變化及其對CCD估算的影響進行分析。

表3 植被指數與冠層葉綠素密度(CCD)的相關性

2.3 植被指數的動態變化

2.3.1 模擬植被指數的動態變化

利用PROSAIL模型對不同觀測時間選定的5種植被指數進行模擬,發現模型模擬的植被指數(以下簡稱為模擬植被指數)在同一生育時期的不同觀測時間下存在微小的差異(圖3)。一方面,這說明由不同觀測時間所引起的玉米冠層光譜的微小變化可被PROSAIL模型模擬到;另一方面,這說明不同觀測時間對PROSAIL模型模擬的植被指數的影響不明顯。盡管不同時間模擬植被指數的差異較小,但其整體變化趨勢是越接近中午,值越低。進一步比較不同生育時期同一觀測時間模擬植被指數的變化,發現包含紅邊波段的NDVIrededge,CIrededge和MTCI等指數在不同生育時期間差異較大,不含紅邊波段的指數差異略小,說明紅邊波段在體現不同生育時期玉米長勢差異方面更有優勢,這點在前人的研究中也有所體現[39]。

NDVI,歸一化植被指數;GNDVI,綠色歸一化植被指數;CIrededge,紅邊葉綠素指數;NDVIrededge,紅邊歸一化植被指數;MTCI,MERIS陸地葉綠素指數。下同。NDVI, Normalized difference vegetation index; GNDVI, Green normalized difference vegetation index; CIrededge, Red edge chlorophyll index; NDVIrededge, Red edge normalized difference vegetation index; MTCI, MERIS terrestrial chlorophyll index. The same as below.圖3 基于PROSAIL模型模擬的植被指數在不同觀測時間下的變化Fig.3 Changes of vegetation indexes simulated by PROSAIL model under different observation time

2.3.2 實測植被指數的動態變化

基于每個生育時期不同觀測時間實際獲取的無人機影像測算的植被指數(以下簡稱為實測植被指數)與基于PROSAIL模型模擬得到的植被指數差異明顯,但整體上實測植被指數的值同樣表現為越靠近12：00值越低的趨勢(圖4)。在抽雄吐絲期,實測植被指數值最低的是1PM時段;在籽粒建成期,NDVI、GNDVI、NDVIrededge和CIrededge值最低的是1PM時段,MTCI值最低的是2PM時段;在乳熟期,實測植被指數值最低的是11AM時段;在蠟熟期,NDVI、NDVIrededge,CIrededge和MTCI值最低的是1PM時段,而GNDVI值最低的是11AM時段。比較不同生育時期植被指數的變化,我們發現,NDVI、GNDVI、NDVIrededge、CIrededge和MTCI均在抽雄吐絲期達到最高值,籽粒建成期與乳熟期的數值相近,蠟熟期的值最低。這可能是因為,在抽雄吐絲期玉米的生長最為旺盛,此后隨著玉米生長轉入生殖生長階段,與長勢相關的植被指數值開始降低。

圖4 基于無人機影像實測的植被指數在不同觀測時間下的變化Fig.4 Changes of measured vegetation indexes based on unmanned aerial vehicle images under different observation time

2.4 不同時間植被指數與CCD的相關性變化

2.4.1 模擬植被指數與CCD的相關性變化

測算模擬植被指數與玉米CCD的相關性(圖5),結果顯示,整體上各植被指數與CCD的相關性均較高(均大于0.7),其中,包含紅邊波段的CIrededge,NDVIrededge和MTCI等指數與CCD的相關性相對更高,表明玉米反射光譜的紅邊位置與CCD更為敏感,這與Miller等[40]的研究一致。綜合玉米所有生育時期的5個植被指數發現,模擬植被指數與CCD的相關性在同一生育時期不同觀測時間下的差異不明顯。主要原因是,理想情況下模擬植被指數隨不同觀測時間的變化差異較小。因此,僅通過模擬數據來研究不同觀測時間玉米光譜反射特性與CCD相關性的差異存在一定的局限性。

2.4.2 實測植被指數與CCD的相關性變化

與模擬植被指數不同,不同觀測時間下實測植被指數與CCD的相關系數存在較大的變化,且不同生育時期和不同指數間的差異不一致(圖6)。MTCI、CIrededge和NDVIrededge與CCD的相關性隨時間的變化規律基本一致,主要是由于這3種植被指數均是近紅外和紅邊波段的比值或歸一化形式,而波段反射率隨不同觀測時間的變化主要表現在近紅外波段,紅邊波段變化較小。NDVI、GNDVI與CCD的相關性隨時間變化的規律同上述3種指數并不一致,主要是由于這兩種植被指數所用的光譜波段隨不同觀測時間的變化不一致。NDVI使用近紅外和紅波段的組合方式,GNDVI將NDVI中的紅波段替換成綠波段。在不同觀測時間,近紅外波段反射率變化最明顯,綠波段也有一定的變化,而紅波段幾乎不變;因此,這2種植被指數的變化是不一致的。在抽雄吐絲期,這兩種指數的值在不同觀測時間存在一定的波動。這可能是因為該時期玉米還沒完全結束營養生長,不同施肥和密度處理的玉米長勢存在差異,長勢慢的小區冠層光譜受非綠色組分的影響較大,導致了植被指數均值與CCD相關性的波動。在抽雄吐絲期、籽粒建成期和乳熟期,包含紅邊波段的CIrededge,NDVIrededge和MTCI與CCD的相關性隨時間波動不明顯,表明在不同觀測時間玉米CCD的光譜響應方面,包含紅邊波段的植被指數具有更好的穩定性。在蠟熟期,10AM、11AM和1PM時段的NDVI、GNDVI、CIrededge、NDVIrededge、MTCI與CCD的相關性差異相對較小,在2PM時段上述相關性均降低。這可能是由于2PM時段的太陽天頂角達到44.35°,高天頂角導致大氣散射效應增強,太陽光照強度變弱,限制了太陽光線在玉米冠層內部的反射和吸收,導致傳感器獲取的冠層光譜攜帶的葉綠素信息變少[18],進而導致此時測得的植被指數與CCD的相關性降低。不同時間相關性變化最小的是籽粒建成期和乳熟期。這可能是因為,這2個時期玉米均進入到生殖生長階段,葉綠素含量不再增加,不同處理的玉米長勢差異縮小,非綠色組分及其他因素的反射對冠層光譜造成的影響變小?？偟膩砜?選定的5種植被指數的實測值與CCD的相關性在所有生育時期均較高,表明這些植被指數在玉米不同生育時期的變異性較小,適用于玉米全生育期的葉綠素含量監測研究[41]。

圖6 基于無人機影像實測的植被指數與冠層葉綠素密度(CCD)的絕對相關系數Fig.6 Absolute correlation coefficient within the measured vegetation indexes based on unmanned aerial vehicle images and canopy chlorophyll density (CCD)

2.5 不同觀測時間對CCD估算的影響

基于設定的PROSAIL模型的參數范圍,隨機生成10 000組模型輸入參數,并利用生成的LCD和LAI計算CCD,使用PROSAIL模型模擬這些參數對應的5種植被指數,將獲得的模擬的植被指數和CCD數據組合用于訓練RF模型?；诿總€生育時期的實測數據和不同觀測時間的太陽天頂角和方位角,利用PROSAIL模型模擬對應的植被指數,對RF模型進行驗證(圖7)。結果顯示,10 000組模擬數據的建模精度達到了極顯著水平(P<0.01),R2為0.99。綜合所有生育時期和觀測時間,RMSE和NRMSE均以11AM和1PM時段最低,且二者相差不大,這表明,理想情況下,基于同一天內不同時間的模擬數據估算CCD的精度存在差異,驗證誤差隨不同時間變化的規律整體表現為越接近12：00越小。

RMSE,均方根誤差;NRMSE,歸一化均方根誤差。下同。RMSE, Root mean square error; NRMSE, Normalized root mean squared error. The same as below.圖7 基于PROSAIL模型模擬的植被指數對冠層葉綠素密度(CCD)估算的影響Fig.7 Influence of the vegetation indexes simulated by PROSAIL model on canopy chlorophyll density (CCD) estimation

基于不同時間的觀測數據,利用RF方法構建玉米CCD的估算模型(圖8)。綜合所有生育時期和觀測時間,模型精度均達到了極顯著水平(P<0.01),R2最低的為0.53,最高的為0.80。用實測數據構建的CCD估算模型的精度在不同觀測時間下有所差異,但整體規律較為一致,表現為越接近12：00的時段精度越高,這與PROSAIL模型模擬的結果較為一致。在擬合精度上,抽雄吐絲期,乳熟期和籽粒建成期的趨勢較為一致,以1PM時段最好。蠟熟期的整體精度較差,這可能與玉米后期的衰老有關。玉米的衰老一般是從下往上開始的,導致整體的CCD降低,而冠層光譜由于過高的覆蓋度僅探測到上層未衰老的信息。抽雄吐絲期、乳熟期和蠟熟期模型的誤差趨勢在不同時間基本一致,整體表現為11AM時段的誤差最低。籽粒建成期的誤差趨勢表現為10AM時段的誤差最低。綜上所述,不同觀測時間對CCD估算模型的精度存在一定的影響,整體表現為越接近12：00,精度越高。

R2,決定系數。R2,Coefficient of determination.圖8 基于無人機影像實測的植被指數對冠層葉綠素密度(CCD)估算的影響Fig.8 Influence of the measured vegetation indexes based on unmanned aerial vehicle images on canopy chlorophyll density (CCD) estimation

3 結論

本研究通過設計無人機多頻次的田間觀測試驗,結合PROSAIL模型重點分析了不同觀測時段下植被指數的變化規律及其對CCD估算精度的影響。主要結論如下：(1)不同觀測時間的波段反射率和植被指數存在差異,其中,近紅外波段反射率的變化最明顯,與CCD相關性強的植被指數在越接近12：00的時段值越低。(2)在同一生育時期的不同觀測時間,模擬植被指數與CCD之間的相關性差異不明顯,但實測植被指數與CCD的相關性存在較大差異,且在不同生育時期的差異不一致。(3)UAV數據獲取時間對CCD的估算結果有影響,數據獲取時間越接近12：00,估算模型的精度越高,但不同生育時期的最佳獲取時間有一定差別,抽雄吐絲期、乳熟期和蠟熟期宜利用接近12：00的時段獲取的數據估算CCD,籽粒建成期在10AM時段獲取的光譜估算CCD最優。本文結果初步揭示了無人機多光譜數據觀測時間對CCD估算的影響,后續將深入探討如何消除由于觀測時間導致的估算誤差,為構建一個對太陽天頂角和方位角不敏感的CCD精準估算模型提供基礎,從而為作物長勢的精準監測提供技術支撐。