摘 要：叶面积指数 （leaf area index，LAI） 是表征作物生长信息的重要参数，利用无人机遥感平台获取农作物光谱信息定量反演 LAI 对精确监测作物生长情况具有重要意义。本文以玉米为研究对象，利用无人机 （unmanned aerial vehicle，UAV） 搭载MicaSense RedEdge-M 多光谱成像仪获取玉米拔节期、抽雄期、成熟期等关键生育期内低空遥感影像，同步采集地面 LAI，基于多光谱信息构建植被指数并研究其与 LAI 的定量关系，进一步建立玉米 LAI估算模型，对比分析筛选最优植被指数与最适监测时期。实验发现在拔节期、抽雄期、成熟期玉米 LAI与 NDVI、OSAVI、EVI、NDRE 均具有较好的相关性；在不同时期分别基于 OSAVI、NDRE、NDRE 建立了 LAI 监测模型，模型监测精度分别为 0.549、0.753、0.733；验证模型精度分别为0.907、0.932、0.926，模型估算值与田间实测值间相对误差分别为 8.57、8.37、9.24，均方根误差分别为0.104、0.087、0.091；基于不同生育时期LAI估算模型进行田块尺度的LAI空间分布制图，估算值与实测值的决定系数分别为0.883、0.931、0.867；相对误差分别为：9.17、8.86、9.32。结果表明基于MicaSense Red⁃Edge-M 多光谱成像仪能有效估算玉米关键生育时期 LAI，可为定量实时估算田块尺度的玉米 LAI提供理论依据。
1 引言
叶面积指数（Leaf area index，LAI）是表征作物冠层结构及生长信息的重要参数之一，了解LAI对掌握作物长势动态、水肥调控、产量预测等生产管理具有重要意义[1]。玉米是我国主要的作物之一，快速准确获取其生长信息，以便为田间施肥决策、估产等生产管理提供技术支撑[2]。传统 LAI 信息获取方法仅能表示点位信息，而遥感技术凭借非侵入式、高通量的优势，能快速、无损、大尺度获取作物生长信息，已成为精准农业的重要内容和研究热点[3-5]。
目前，利用卫星遥感技术对LAI的估算已经取得了 一 些 进 展 。 如 科 学 家 们 通 过 TM、ETM、WorldView-3、Sentinel-2、GF-1/2 等卫星遥感影像实现了区域尺度的小麦、水稻、玉米、棉花等作物LAI估算[6-11]。但卫星遥感影像容易受大气云层、雨雪天气、重访周期等因素的影响，难以满足特定区域尺度高频次、高分辨率数据的需求[12-14]。而低空无人机（Unmannedaerial vehicle，UAV）则能根据需求搭载不同光谱波段的传感器，有效弥补卫星遥感在中小尺度高精度估算研究中的不足，已逐渐成为现代精准农业研究的新手段[15-18]。如Berni等利用无人机多光谱影像估算橄榄树LAI[19]；刘峰等通过无人机多光谱估算板栗冠层覆盖度[20]；Córcoles等通过无人机多光谱数据研究了洋葱LAI[21]；Peter等利用无人机多光谱影像估算马铃薯LAI [22]；孙涛等基于无人机多光谱遥感影像实现了水稻 LAI 估算[23]；王瑛利用无人机多光谱影像估算小麦LAI[24]；褚洪亮等研究指出基于无人机多光谱影像估算玉米 LAI的预测值与田间实测值具有较高的一致性[25]；牛庆林等基于多光谱影像估算玉米育种材料LAI精度超过0.60[26]；孙诗睿等基于无人机多光谱数据结合灰色关联度与随机森林方法反演冬小麦LAI精度达到 0.80[27]；高林等基于无人机数码影像与多光谱遥感影像分别研究了小麦、大豆 LAI[28-29]。这些研究为无人机遥感技术服务农业生产管理提供了新的成果，同时推动了无人机遥感在作物生长信息定量监测中的应用。
虽然基于无人机多光谱的作物参数遥感估算已经取得了一些进展，但这些研究多通过不同传感器构建某一生育时期或多生育时期累加植被指数建立模型，而植被指数则随着作物生育时期及冠层结构等因素的变化，在时间尺度上存在一定差异性，导致估算模型估算精度及应用尺度受到局限。因此，本文以无人机搭载 MicaSense RedEdge-M 多光谱成像系统获取玉米拔节期、抽雄期、成熟期等多光谱影像，综合考虑在不同生育时期多光谱影像特征，同时结合MicaSense RedEdge-M 的红边波段，进一步优化筛选植被指数，建立 LAI 最佳估算模型及估算时期，改善 LAI估算模型的稳定性与适用性；并在此基础上进行田块尺度的LAI空间差异性制图，为田块尺度的作物生长信息监测诊断提供理论依据与技术支撑。
2 实验设计
2.1 研究区概况
实验在中国农业科学院新乡综合实验基地进行，实验基地地处 113°46'08.10"E，35°08'03.67"N，海拔78.9 m，温带大陆性季风型气候，年平均温度 14.2℃，无霜期 210 d，年日照时数约 2400.0 h，年蒸发量约2000.0 mm，年平均降水量 585.0 mm。土壤为黄河冲积物发育潮土，0~20 cm 碱解氮 68 .65 mg/kg，速效磷9.21 mg/kg，速 效 钾 71.12 mg/kg，有 机 质 含 量10.21mg/kg。
2.2 实验设计
小区实验于 2019—2020 年进行，采取随机区组设计，设置 2个玉米品种，5个氮肥水平，3组重复。2个玉米品种分别为“郑单 958（ZD958）”，“登海 605（DH605）”；5个氮肥（46.00% N 尿素）水平分别为 N0（0 kg/hm2），N1（75 kg/ hm2），N2（150 kg/ hm2），N3（225 kg/ hm2），N4（300 kg/ hm2），总氮肥 60% 作为基肥，40% 作为追肥，磷钾肥施用量分别为 120 kg/ hm2和 120 kg/ hm2；“ZD958”种植密度为 67500 株/hm2，“DH605”种植密度为 82500 株/hm2；其他管理方式按照豫北平原高产玉米措施管理。
2.3 数据获取与处理
2.3.1 无人机多光谱遥感影像采集及预处理
无人机多光谱数据采集是利用自主搭建低空无人机遥感监测平台，主要由大疆六旋翼无人机（Matrice 600Pro，M-600）与MicaSense RedEdge-M多光谱成像仪构成，主要参数见表 1。MicaSense RedEdgeM 多光谱成像仪同时收集蓝（Blue）、绿（Green）、红（Red）、近红外（Nir）、红边（Rededge）5 个不连续的光谱波段，相机焦距为 5.5 mm，视场角为 47.2°，图像分辨率为 1280×960。飞行前后以相机配备的 0.3 m×0.3 m灰板反射率进行校正。实验在晴朗无云无风或微风时进行，时间在 11:00—14:00，无人机飞行高度为 70 m，飞行方向为南北方向，航向重叠度为 70%，旁向重叠度为 70%。影像空间分辨率为获取到的0.035 m。MicaSense RedEdge-M 多光谱成像仪参数见表 2。同步获取 RGB 高清数码影像，空间分辨率0.028m，为几何校正基础数据。将航拍获取的多光谱照片以时间序列为索引，选取有效照片导入瑞士Pix4D公司Pix4D mapper软件，根据照片信息对进行（1）初始化处理；（2）点云和纹理处理；（3）DSM、正射影像等处理；（4）利用各通道反射板校正，输出拼接后影像；（5）拼接后的多光谱图像以同期获取的高清数码图像为参考进行几何校正，误差小于0.5个像元；（6）根据研究区域地理坐标对拼接后的图像进行裁剪，形成研究区多光谱影像。
2.3.2 LAI数据采集
在实验区内随机选取长势均匀一致的 1 m×1m固定样方内采集 LAI，与无人机多光谱数据同步采集。LAI采集以美国 Decagon公司植物冠层分析仪采集，在平行于玉米垄间、垂直垄间各测3次，取算数平均值为该测量点LAI。
2.4 植被指数选取
通过多光谱信息构建植被指数来反演LAI，可有效凸显作物群体结构信息，降低干扰因素的影响[30]。本文在前人对LAI遥感估算精度研究的基础上，综合考虑遥感估算精度不确定性因素的主要来源，同时结合 MicaSense RedEdge-M多光谱影像数据特点，筛选了归一化差值植被指（NDVI）、控制土壤背景因素的优化土壤调整植被指数（OSAVI）、控制大气噪声因素的增强植被指数（EVI）、同时结合多光谱传感器对红边波段优化归一化红边植被指数（NDRE）等具有明确物理意义且与LAI具有较好相关性的植被指数，建立 LAI估算模型。不同植被指数计算公式及来源见表2。
2.5 数据分析
将连续2年数据按照处理进行分组，采用经验模型法进行 LAI 估算。在对实验区采集数据经验性统计描述的基础上，通过相关、回归分析，建立经验模型，并以独立数据对模型精度进行验证；在建模过程中，对比分析最适植被指数与最适估算时期；在此基础上利用模型进行大田尺度的LAI空间制图，结合空间分布图，进行田间实测值取样，分析反演制图精度；进一步分析多光谱数据估算玉米LAI的潜力。
2.6 精度评价
本文以相关系数（Correlation coefficient，r）来衡量LAI与植被指数的相关程度；以决定系数（Determi‐nation coefficient，R2）与标准误差（Standard error，SE）评价 LAI 的估算效果 ；以均方根误差（Root meansquare error，RMSE）与相对误差（Relative error，RE）分析模型估算值与田间实测值的拟合程度，评价模型的验证精度。
x 表示估计值；xˉ 表示估计值的平均值；y 表示实测值；yˉ表示实测值的平均值 ;n表示样本数量。
3 结果与分析
3.1 玉米LAI与植被指数的定量关系
通过对无人机多光谱遥感影像进行解译分析，提取 5个波段下玉米冠层反射率值，根据表 2公式计算植被指数，通过统计分析（n=60）计算不同生育时期LAI与相应植被指数的定量关系（表 3）。由表可知，在不同生育时期，NDVI、OSAVI、EVI、NDRE 与 LAI呈现极显著相关（P<0.01），相关系数为：0.713~0.868。按照统计学规定，相关系数 0.50≤|r|≤0.80，表明变量之间中度相关；|r|≥0.80，变量之间则高度相。通过相关分析表明所选植被指数均能用来估算玉米LAI，可作为构建LAI估算模型的参数。
3.2 基于植被指数的LAI估算模型精度与验证
在相关性分析的基础上，以 LAI 为因变量，植被指数为自变量，建立不同生育时期 LAI估算模型（n=60），不同生育时期玉米 LAI 估算模型见表 4。由表可知：基于4种植被指数的不同生育时期LAI估算模型决定系数（R2）分别为 0.508~0.666、0.667~0.753、0.630~0.733；标 准 误 差（SE）分 别 为 ：0.026~0.133、0.027~0.121、0.047~0.141。表明模型具有较好的估测精度。以独立数据对模型精度进行验证（n=60），结果发现不同生育时期模型估算值与田间实测值间相对误差（RE）分别为：8.57~11.31、8.34~10.84、9.24~13.41；均 方 根 误 差（RMSE）分 别 为 ：0.104~0.147、0.087~0.121、0.091~0.156；说明估算模型具有较好的稳定性。不同生育时期 LAI模型估算值与田间实测值间对比结果如图2所示。
3.3 基于多光谱的玉米 LAI 空间分布与精度验证
将LAI估算模型应用于多光谱遥感影像，得到研究区不同生育时期玉米 LAI 空间分布，如图 3 所示，由图可知，拔节期玉米LAI相对较小，抽雄期较高，成熟期又略有降低。为验证空间LAI分布图估算精度，在图中随机选取 30 个采样点，对比实测值与空间分布图估算值的一致性，如图 4 所示，在不同生育时期估算值与实测值间的决定系数（R2）分别为 0.883、0.931、0.867；相对误差（RE）分别为：9.17、8.86、9.32；均方根误差（RMSE）分别为 0.115、0.074、0.133。说明估算值与实测值间具有较高的一致性。表明了基于 MicaSense RedEdge-M 多光谱成像系统能较好的估算玉米不同生育时期LAI。
4 结论与讨论
无人机作为一种新的遥感技术手段，在弥补现代精准农业监测诊断研究应用中具有重要意义[35]。本文研究了拔节期、抽雄期、成熟期等关键生育时期玉米LAI与NDVI、OSAVI、EVI、NDRE等植被指数的定量关系，发现在不同生育时期所选植被指数与LAI的相关系数达到0.713~0.868，说明了所选植被指数可作为LAI建模的参数；这是由于本文中所筛选的植被指数，综合考虑不同生育阶段冠层光谱信息噪声来源，选取了消除土壤背景、大气噪声等因素的植被指数，改善了植被指数与LAI的相关性。
在相关性分析的基础上，建立了不同生育时期LAI 估算模型，并以独立数据进行验证。拔节期、抽雄期、成熟期分别基于 OSAVI、NDRE、NDRE 建立的LAI模型估算精度分别为 0.549、0.753、0.733；验证模型精度分别为0.907、0.932、0.926；说明抽雄期能更好地估算玉米LAI，不同植被指数尤以NDRE在生育后期能较好的表征LAI。这是由于在生育后期，群体冠层覆盖度较高，而本文中采用多光谱红边中心波段为717nm，波 宽 为 10nm，波 宽 相 对 较 窄 ，噪 声 较 小 ，NDRE经过进一步归一化处理，提高了红边与近红外波段反射率的对比度[36]，增强了光谱信息对LAI的敏感性，改善了LAI估算精度。这一结果与前人研究结果基本一致[25-29]。
将不同生育时期 LAI 估算模型应用于田块尺度的玉米 LAI 空间差异性制图，不同氮肥水平下，LAI随着施肥量的增加呈增加趋势，过量施肥则LAI不再增加；从拔节期至成熟期，LAI 呈“低—高—低”的抛物线趋势。根据空间差异性制图结果，随机选取采样点的实测值对空间分布估测值进行验证，不同生育时期模型估算值与田间实测值的决定系数分别为0.883、0.931、0.867；相对误差分别为 9.17、8.86、9.32，说明模型估算值与田间实测值间具有较好的一致性，表明该模型具有较好的稳定性与适应性，该结果可应用于田块尺度的作物LAI监测，为农田生产管理提供理论依据与技术支持。
由于 LAI 是表征作物冠层结构与长势信息的参数，在作物全生育时期存在较大差异，而本文仅研究了拔节期、抽雄期、成熟期等关键生育时期，有必要对全生育时期进一步研究。另外，本文虽然考虑了不同玉米品种的株型、密度、肥力水平等因素，但由于栽培环境的异质性限制，模型在不同生态环境条件下的适用性仍有待进一步验证完善。
参考文献
[1] Jefferies R A, Mackerron D K L. Responses of potato genotypes to drought. II. Leaf area index, growth and yield[J]. Annals of Applied Biology, 1993, 122(1): 105-112.
[2] 李俐,许连香,王鹏新,等 .基于叶面积指数的河北中部平原夏 玉 米 单 产 预 测 研 究 [J]. 农 业 机 械 学 报 , 2020, 51(06):198-208.Li L, Xu L X, Wang P X, et al. Summer maize yield forecasting based on leaf area index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10):230-239.
[3] Fu Y, Yang G, Wang J, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements[J]. Computers and Electronics in Agriculture. 2014,100: 51-59.
[4] Verger A, Vigneau N, Cheron C, et al. Green area index froman unmanned aerial system over wheat and rapeseed crops[J]. Remote Sensing Environment, 2014, 152: 654-664.
[5] Liang L, Di L, Zhang L, et al. Estimation of crop LAI usinghyperspectral vegetation indices and a hybrid inversion method [J]. Remote Sensing Environment, 2015, 165: 123-134.
[6] Walthall C, Dulaney W, Anderson M, et al. A comparison of empirical and neural network approaches for estimating corn and soybean leaf area index from Landsat ETM imagery[J].Remote Sensing of Environment, 2004, 92(4): 465-474.
[7] Propastin P A. Spatial non-stationarity and scale-dependency of prediction accuracy in the remote estimation of LAI over a tropical rainforest in Sulawesi, Indonesia[J]. Remote Sensing of Environment, 2009, 113(10):2234-2242.
[8] Frampton W J, Dash J, Warmouth G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 83-92.
[9] 苏伟, 侯宁, 李琪, 等. 基于Sentinel-2 遥感影像的玉米冠层叶面积指数反演[J]. 农业机械学报, 2018, 49(1): 151-156.Su W, Hou N, Li Q, et al. Retrieving leaf area index of corn canopy based on sentinel-2 remote sensing image[J]. Transaction of the Chinese Society for Agricultural Machinery,2018, 49(1): 151-156.
[10] 易秋香. 基于Sentinel-2 多光谱数据的棉花叶面积指数估算[J]. 农业工程学报, 2019, 35(16):189-197.Yi Q X. Remote estimation of cotton LAI using Sentinel-2 multispectral data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 189-197.
[11] 吾木提·艾山江, 买买提·沙吾提, 陈水森, 等. 基于GF-1/2卫星数据的冬小麦叶面积指数反演[J]. 作物学报, 2020,46(5): 787-797.Umut H, Mamat S, Chen S, et al. Inversion of leaf area index of winter wheat based on GF-1/2 image[J]. Acta Agronomica Sinica, 2020, 46(5): 787-797.
[12] Alonzo M, Bookhagen B, Mcfadden J P, et al. Mapping urban forest leaf area index with airborne LiDAR using penetration metrics and allometry[J]. Remote Sensing of Environment, 2015, 162(1):141-153.
[13] Zhang L Y, Zhang H H, Niu Y X, et al. Mapping maize water stress based on UAV multispectral remote sensing[J].Remote Sensing, 2019, 11(6): 605.
[14] Yu N, Li L J, Schmitza N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187(15): 91-101.
[15] Bhardwaj A, Sam L, Akanksha A, et al. UAVs as Remote Sensing Platform in Glaciology: Present Applications and Future Prospects[J]. Remote Sensing of Environment, 2016,175(15):196-204.
[16] Niu Y X, Zhang L Y, Zhang H H, et al. Estimating AboveGround Biomass of Maize Using Features Derived from UAV-Based RGB Imagery[J]. Remote Sensing, 2019, 11 (11): 1261.
[17] Guan K, Wu J, Kimball J S, et al. The shared and unique values of optical, fluorescence, thermal and microwave satellite data for estimating large-scale crop yields[J]. Remote Sensing of Environment, 2017, 199: 333-349.
[18] Roosjen P P J, Bbede B, Suomalainen J M, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data-potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 66:14-26.
[19] Berni J A J, ZARCO-TEJADA P J, SUAREZ L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(3): 722-738.
[20] 刘峰, 刘素红, 向阳 . 园地植被覆盖度的无人机遥感监测研究[J]. 农业机械学报, 2014, 45(11): 250-257.Liu F, Liu S H, Xiang Y. Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J]. Transactions of the Chinese Society for Agriculural Machinery, 2014, 45(11): 250-257.
[21] Corcoles J I, Ortega J F, Hernandez D, et al. Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle[J]. Biosystems Engineering, 2013,115(1): 31-42.
[22] Peter P J, Roosjen B B, Juha M, et al. Improved Estimation of Leaf Area Index and Leaf Chlorophyll Content of a Potato Crop using Multi-angle Spectral Data-Potential of Unmanned Aerial Vehicle Imagery[J]. International Journal of Applied Earth Observations and Geoinformation, 2017.
[23] 孙涛, 刘振波, 葛云健, 等 . 基于数码相片 Gamma 校正的水稻叶面积指数估算[J]. 生态学报, 2014, 34(13):3548-3557.Sun T, Liu Z B, Ge Y J, et al. Estimation of paddy rice leaf area index based on photo gamma correction[J]. Acta Ecologica Sinica, 2014, 34(13): 3548-3557
[24] 王瑛 . 基于无人机遥感的小麦叶面积指数反演方法研究[D].杨凌: 西北农林科技大学, 2017: 28. Wang Y. Research on the inversion methods of wheat leaf area index based on unmanned aerial vehicle remote sensing [D]. Yangling: Northwest A＆F University, 2017: 28.
[25] 褚洪亮, 肖青, 柏军华, 等. 基于无人机遥感的叶面积指数反演[J]. 遥感技术与应用, 2017, 31(01):140-148.Chu H L, Xiao Q, Bai J H, et al. The retrieval of leaf area index based on remote sensing by unmanned aerial vehicle [J]. Remote Sensing Technology and Application, 2017, 31(1): 140-148.
[26] 牛庆林, 冯海宽, 杨贵军, 等. 基于无人机数码影像的玉米育种材料株高和 LAI 监测[J]. 农业工程学报, 2018, 34(05): 73-82.Niu Q L, Feng H K, Yang G J, 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.
[27] 孙诗睿, 赵艳玲, 王亚娟, 等. 基于无人机多光谱遥感的冬小麦叶面积指数反演[J]. 中国农业大学学报, 2019, 24(11):51-58.Sun S R, Zhao Y L, Wang Y J, et al. Leaf area index inversion of winter wheat based on multispectral remote sensing of UAV. Journal of China Agricultural University. 2019, 24(11):51-58.
[28] 高林, 杨贵军, 李红军, 等. 基于无人机数码影像的冬小麦叶面积指数探测研究[J]. 中国生态农业学报, 2016, 24(09):1254-1264.Gao L, Yang G J, Li H J, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(09): 1254-1264.
[29] 高林, 杨贵军, 王宝山, 等. 基于无人机遥感影像的大豆叶面积指数反演研究[J]. 中国生态农业学报,2015,23(07):868-876. Gao L, Yang G J, Wang B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015,23(07):868-876.
[30] 刘良云.叶面积指数遥感尺度效应与尺度纠正[J].遥感学报, 2014, 18(6):1158-1168. Liu L Y. Simulation and correction of spatial scaling effects for leaf area index. Journal of Remote Sensing, 2014, 18(6):1158 -1168.
[31] Rouse J W, Haas R H, Schell J A,et al. Monitoring vegetation systems in the Great Plains with ERTS[Z]. NASA Special Publication, 1974, 351: 309-313.
[32] Rondeaux G, Steven M, Bare F. Op-timization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55: 95-107.
[33] Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988, 25(3): 295-309.
[34] Barnes E M, Clarke T R, Richards S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In: Robert P C.Rust RH LarsonW E, eds., Proceedings of the 5th International Conference on Precision Agriculture, Bloomington. MN. USA. 2000, 7, 16-19.
[35] 陈俊英, 陈硕博, 张智韬, 等. 无人机多光谱遥感反演花蕾期棉花光合参数研究[J]. 农业机械学报, 2018, 49(10):230-239.Chen J Y, Chen S B, Zhang Z T, et al. Investigation on Photosynthetic Parameters of Cotton during Budding Period by Multi-spectral Remote Sensing of Unmanned Aerial Vehicle [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10):230-239.
[36] 杨海波, 高兴, 黄绍福, 等. 基于卫星波段的马铃薯植株氮素含量估测[J]. 光谱学与光谱分析, 2019, 39(09):2686-2692.Yang H B, Gao X, Huang S F, et al. Staellite bands based estimation of nitrogen concentration in potato plants[J]. Spectroscopy and Spectral Analysis, 2019, 39(09):2686-2692.
来源：《农业大数据学报》官网，转在的目的在于传递更多的知识，如有侵权行为，请联系我们，我们会立即删除。
点将科技（www.Dianjiangtech.cn）成立于2001年，一直专注于生态环境和现代农业相关科研及应用系统和仪器的研发、销售及服务。公司总部位于上海，在香港、北京、昆明、合肥、西安设立大区办公室，及时响应客户的需求。公司一直致力于为用户提供更先进的技术和仪器以及更优质的服务，服务方向涵盖土壤、植物科学、环境气象、水文水质、海洋科学、动物、昆虫科学和现代农业等领域。