引用本文
孙红, 刘宁, 邢子正, 张智勇, 李民赞, 吴静珠. 马铃薯冠层光谱响应特征参数优化与生长期判别[J]. 光谱学与光谱分析, 2019,39(6): 1870-1877.
SUN Hong, LIU Ning, XING Zi-zheng, ZHANG Zhi-yong, LI Min-zan, WU Jing-zhu. Parameter Optimization of Potato Spectral Response Characteristics and Growth Stage identification[J]. Spectroscopy and Spectral Analysis, 2019,39(6): 1870-1877.
Doi:10.3964/j.issn.1000-0593(2019)06-1870-08  
Permissions
Copyright©2019, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
马铃薯冠层光谱响应特征参数优化与生长期判别
孙红1, 刘宁1, 邢子正1, 张智勇1, 李民赞1,*, 吴静珠2
1. 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
2. 北京工商大学, 食品安全大数据技术北京市重点实验室, 北京 100048
*通讯联系人 e-mail: limz@cau.edu.cn

作者简介: 孙红, 女, 1980年生, 中国农业大学信息与电气工程学院副教授 e-mail: sunhong@cau.edu.cn

收稿日期: 2018-09-27 接受日期: 2019-02-10
基金: 国家自然科学基金项目(31501219), 广西创新驱动发展专项(桂科AA18118037); 中央高校基本科研业务费项目(2018TC020, 2018XD003); 重点实验室课题(BKBD-2017KF03)和上海青浦区产学研项目(2017-12)资助
摘要

快速判别马铃薯作物的生长进程是指导田间关键生长期科学水肥管理的重要依据。 研究在马铃薯发棵期(M1)、 块茎形成期(M2)、 块茎膨大期(M3)和淀粉积累期(M4)四个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理后, 分析了马铃薯不同生长期的光谱反射率变化特征, 并初步选取了光谱“峰谷”响应参数, 提出了一种基于方差分析与变量减少组合的光谱参数筛选算法(variance analysis combined with variable reduction, VACVR)用于明确光谱学响应的优化指标, 采用Kennard-Stone(K-S)法划分样本集, 最终基于支持向量机(support vector machine, SVM)方法建立马铃薯关键生长期判别模型。 针对光谱数据, 首先使用变量标准化(standard normalized variable, SNV)进行光谱预处理, 在定性分析了随着生长期的推进马铃薯冠层反射特征的变化趋势的基础上, 基于作物生长期动态光谱学响应与峰谷特性选取14个参数, 包括: 8个位置参数、 2个面积参数、 4个植被指数参数。 采用K-S算法将样本按照3∶1划分为训练集(240个样本)和测试集(74个样本)。 分析马铃薯不同生长期冠层反射光谱发现, 随生长期的推进冠层光谱存在差异性: 即在400~500和740~880 nm范围内, 光谱反射率呈降低趋势; 在530~640和910~960 nm范围内, 反射率呈升高趋势; 在530~640 nm范围内, M2和M3生长期的平均光谱非常接近, M4生长期的平均光谱与其他三个生长期的差别较大。 叶绿素平均含量随生长期的进程, 从M1(28.12 mg·L-1)到M2(31.04 mg·L-1)增加, 在M2生长期达到最大值, 之后M3(22.00 mg·L-1)和M4(15.36 mg·L-1)依次减少。 光谱响应参数随着生长期的进程, 绿峰位置Lg和红谷位置Lr逐渐红移, 红边位置Lre逐渐蓝移; 蓝边面积Abe逐渐增大, 红边面积Are逐渐减小; 红边面积与蓝边面积比值依次呈现减小趋势。 根据VACVR算法筛选10个敏感光谱响应参数, 建立SVM判别模型, 训练集判别率为100%, 测试集判别率为94.59%, 该模型可在判别马铃薯的生长期的基础上为田间管理决策提供支持。

关键词: 马铃薯作物; 光谱特征; 参数优化; 生长期判别
中图分类号:O433.4 文献标志码:A
Parameter Optimization of Potato Spectral Response Characteristics and Growth Stage identification
SUN Hong1, LIU Ning1, XING Zi-zheng1, ZHANG Zhi-yong1, LI Min-zan1,*, WU Jing-zhu2
1. Key Laboratory of Modern Precision Agriculture System Integration Research, China Agricultural University, Beijing 100083, China
2. Beijing Key Laboratory of Big Data Technology for Food Safety, Beijing Technology and Business University, Beijing 100048, China
*Corresponding author
Abstract

In order to satisfy the field management requirement, the research was conducted to indicate the optimizing parameters and identify the growth stage based on the canopy spectral response of potato plants. Aiming to the four growth stages of potato, tillering stage (M1), tuber formation stage (M2), tuber expansion stage (M3) and starch accumulation stage (M4), 80 sample plots were divided in the potato field. The 314 groups data of canopy spectral reflectance were collected by ASD Handheld2 portable spectrometer. The potato leaves were collected synchronously in per sample plot to determine the chlorophyll content. After spectral pretreatment, the spectral reflectance changes of potato crop at different growth stages were analyzed. The spectral response parameters of potato growth stages were selected according to the “peak-valley” reflectance characteristics. A new algorithm was proposed to select sensitive spectral response parameters based on the variance analysis combined with variable reduction (VACVR) method. The Kennard-Stone (K-S) algorithm was used to divide the all samples into training sets and test sets. The identification model of potato growth stages was established by the support vector machine (SVM) method. For spectral reflectance, the standard normalized variable (SNV) was used for spectral pretreatment. Based on the qualitative analysis of the canopy reflection characteristics change trend as potato growth stage progress, the 14 spectral response parameters, including the 8 position parameters, the 2 area parameters and the 4 vegetation index parameters, were selected combining with spectral “peak-valley” characteristics and the dynamicspectral response of potato growth stages. The K-S algorithm was used to divide the overall sample according to 3∶1 into a training set (240 samples) and a test set (74 samples). In general, the canopy spectral reflectance varied with the growth stages progress. In the range of 400~500 and 740~880 nm, the spectral reflectance decreased. In the range of 530~640 and 910~960 nm, the spectral reflectance increased. In the range of 530~640 nm, the canopy average spectral reflectance of the M2 and M3 growth stage were very close. The canopy average spectral reflectance of the M4 growth stage was significantly different from that of the other three growth stages. The average chlorophyll content increased from M1 (28.12 mg·L-1) to M2 (31.04 mg·L-1), reaching a maximum in the M2 growth stage. And the average chlorophyll content of M3 (22.00 mg·L-1) and M4 (15.36 mg·L-1) reduced successively. With the progress of the growth stage, the green peak position and the red valley position gradually red-shifted, the red edge position gradually blue-shifted, the blue edge area gradually increased, the red edge area decreased gradually, and the ratio and normalized ratio of red edge area to blue edge decreased in turn. According to the VACVR algorithm, 10 sensitive spectral response parameters were selected to establish the SVM identification model. The identification rate of the training set was 100%, and the identification rate of the test set was 94.59% (70/74). Therefore, the model can identify the potato growth stage to support the water and fertilizer management in the potato field.

Keyword: Potato crop; Spectral characteristics; Parameters optimization; Growth stage identification
引言

马铃薯营养价值高、 产量大, 是中国第四大主粮。 马铃薯属于水肥需求量最大的农作物之一, 农民种植经验和农学研究均表明在不同的生长期马铃薯作物对水分和氮肥等的管理需求也不尽相同[1, 2, 3]。 其中, 在块茎形成期, 为了防止茎叶徒长和产生小薯不能在根部进行施肥; 在块茎膨大期, 对水肥需求量最大, 约占全生长期的50%, 而且此时期对水分比较敏感, 水分过多会导致烂薯[4]。 因此, 对不同生长期进行科学的判别, 对马铃薯作物的田间差异化管理有重要指导意义。

现代光谱分析技术作为一种无损快速的监测手段, 已经在农作物光谱特征分析、 农作物物理或化学成分的反演、 农作物识别与分类等领域被应用和研究, 指明了叶绿素、 类胡萝卜素、 水分等元素的敏感吸收波长, 形成了红边、 植被指数等光谱参数[5, 6, 7, 8]。

在作物生长期冠层反射光谱响应动态变化方面, 赵新飞[8]对不同关键生育期水稻冠层光谱反射率的变化规律进行了研究, 发现水稻抽穗前, 冠层的比值植被指数(ratio vegetation index, RVI)(810, 720)逐渐增大, 到孕穗期达到最大值; 水稻抽穗后, 冠层的RVI(810, 720)值逐渐减小, 至收获期降至最低值。 刁航等[6]利用蓝边面积、 红边面积等14个光谱参数, 探究不同成熟度烤烟叶片的光谱特征, 发现绿峰幅值、 红谷幅值和红边位置等光谱参数随烟叶成熟度规律性变化。 Dutta等[9]采集马铃薯块茎形成期、 块茎膨大期和淀粉积累期的冠层光谱, 分析光谱反射率, 发现在350~700 nm内差异较小, 在700~1 000 nm内差异较为明显, 但随着生长期的推进, 叶片叶绿素和冠层光谱之间的相关系数降低。

针对马铃薯作物生长期光谱学检测研究方面, Roosjen等[7]利用多角度光谱数据改进算法估算马铃薯作物叶面积指数和叶片叶绿素含量。 Li等[10]利用转化叶绿素吸收反射率指数与优化土壤调整植被指数的比值来诊断马铃薯叶片氮含量, 发现从块茎形成后期开始叶片氮素含量逐渐下降。 Zhou等[11]采用谱图结合的方法, 用植被覆盖度(图像)修正光谱植被指数(光谱), 以更加准确地诊断马铃薯作物氮含量。

上述研究均表明, 作物冠层光谱与生育期动态之间有着紧密的联系, 且光谱特征是对生长过程中作物生理和生化参数变化的综合体现。 然而, 目前针对马铃薯作物生长期光谱学检测研究主要集中于随作物生长期推进定性地分析光谱变化的趋势, 或定量地分析理化指标并建立检测模型, 而在判别生长期并建立分类模型, 以分类和识别结果来指导不同生长期差异化田间水肥管理尚未见相关深入的研究。

因此, 为了判别马铃薯的生长期, 本研究利用便携式光谱仪器采集田间马铃薯冠层光谱, 探究马铃薯关键生长期的光谱反射率变化特征, 通过生长期光谱特征参数分析与优化筛选明确光谱学响应指标, 建立一种田间马铃薯生长期的判别模型, 以期为田间分时差异化管理决策提供参考。

1 实验部分
1.1 材料

实验于2018年在北京市昌平区小汤山国家精准农业示范基地进行, 试验田中等肥力, 大小为30 m× 40 m, 共80个采样区。 马铃薯品种为大西洋, 根据马铃薯生长时间长短和马铃薯植株生长情况差异设置4个生长期, 分别为M1(发棵期)、 M2(块茎形成期)、 M3(块茎膨大期)和M4(淀粉积累期)[12], 生长期划分标准如表1所示。

表1 马铃薯生长期划分标准 Table 1 The classification norm of potato growth stage
1.2 田间光谱数据采集与叶绿素含量测定

田间测定马铃薯作物冠层反射率, 采用ASD公司的ASD FieldSpecHandHeld便携式地物光谱仪, 波长范围为325~1 075 nm, 分辨率< 3.0 nm @700 nm、 波长精度1 nm、 采样间隔1 nm。 在80个样区内选取采样点重复采集3次取平均值, 同步随机采集叶片装袋, 在实验室化学浸提后利用紫外分光光度计测定叶绿素含量, 具体测定方法同参考文献[13]。 在每个生长期采集80组数据, 其中M1生长期因植被覆盖度较低导致出现无效数据, 因而保留了74组有效数据, 全生长期共获取314组数据样本。

针对采集叶绿素含量与反射光谱数据进行分析, 主要包括光谱数据预处理、 光谱参数提取与分析、 特征参数筛选、 判别模型建立4个主要环节, 具体采用方法如下文所述。

1.3 标准正态变量校正

为了消除大田环境中的噪声, 采用标准正态变量(SNV)方法对采集的原始光谱曲线进行预处理。 SNV方法认为每条光谱曲线中, 各波长点的反射率应该满足一定的分布(如正态分布), 通过这一假设对每一条光谱进行校正。

1.4 光谱参数定义

为了探讨马铃薯冠层不同生长期的光谱响应特征, 选用14个常用的光谱特征参数, 其中位置变量8个, 面积变量2个, 植被指数变量4个, 其定义如表2所示。

表2 光谱参数的定义 Table 2 The definition of spectral parameters
1.5 结合方差分析与变量减少算法的敏感光谱参数筛选方法

本研究提出了一种基于方差分析与变量减少组合的光谱响应参数筛选算法, 对14个光谱特征参数进行应用, 选出对马铃薯生长期判别贡献大的参数, 具体过程是: 在每两个生长期之间用方差分析, 计算出两两生长期之间的显著差异值(P-value), 依靠P-value值来判断光谱参数在不同生长期之间的差异性, P-value越小表示差异越显著, 说明该光谱参数对马铃薯生长期判别贡献越大; 首先将14个光谱参数全部作为输入变量, 得到初始判别精度, 然后按照P-value值从大到小依次减少变量, 直到判别精度降低, 立即停止减少变量, 其余的光谱参数即为敏感光谱参数, 算法流程如图1所示。

图1 基于方差分析与变量减少组合的光谱响应参数筛选算法流程图Fig.1 Flow chart of parameters selection based on variance analysis combined with variable reduction algorithm

1.6 判别模型建立方法

支持向量机(SVM)是一种小样本学习算法, 在高维模式识别中表现出很大的优越性, 在分类问题上得到一些学者的重视和使用。 SVM是建立在统计学理论的VC维理论和结构风险最小原理基础上的, 基本思想是: SVM变换样本数据到一个高维特征空间中, 在高维特征空间中构造最佳核函数来创建一个超平面, 超平面之间的间隔越大, 分类效果越好[14]。

本研究中SVM核函数选择多项式函数, 用遗传算法以及10折交叉验证对于多项式核函数的参数g、 惩罚参数c和多项式核函数的最高次项次数d三个参数进行寻优。 首先对光谱参数做归一化处理, 然后建立SVM生长期判别模型。

2 结果与讨论
2.1 马铃薯作物生长期冠层光谱特征响应分析

叶绿素平均含量随生长期的进程变化趋势如图2所示, 从M1(28.12 mg· L-1)到M2(31.04 mg· L-1)增加, 在M2生长期达到最大值, 之后M3(22.00 mg· L-1)、 M4(15.36 mg· L-1)依次减少, 且在M4时期由于叶片衰老枯萎叶绿素含量最低。

图2 马铃薯每个生长期叶绿素含量统计箱线图Fig.2 Statistical box line graph of chlorophyll content of potato growth stage

SNV校正后的马铃薯冠层反射光谱曲线如图3(a)所示, 总体而言, 在350~700 nm内, 由于叶绿素、 叶黄素和花青素的吸收, 在400和680 nm附近存在吸收谷, 在700 nm以后反射率急速上升, 并由于水分的吸收在970 nm附近出现吸收谷。 进而, 观察不同生长期的平均值光谱曲线图3(b)可知, 不同的生长期平均光谱值在400~500, 530~640, 740~880和910~960 nm四个光谱范围内存在差异, 其中在400~500 nm范围内随生长期推进光谱反射率降低; 在530~640 nm范围内, 生长期越长反射率越高, M4生长期的平均光谱值与其他三个生长期的差别较大, 而M2和M3生长期的平均光谱非常接近; 在740~880 nm范围内, 生长期越长光谱反射率越低, 且M3, M3和M4三个生长期光谱在763 nm处存在小反射峰; 在910~960 nm范围内, 生长期越长反射率越高, M1生长期的平均光谱值与其他三个生长期的差别大。

图3 SNV处理后的马铃薯冠层反射光谱曲线
(a): 每个样本的冠层反射光谱曲线; (b): 每个生长期的冠层平均反射光谱曲线Fig.3 Potato canopy reflectance spectral curve after SNV
(a): Potato canopy spectral curve per sample; (b): Averagecanopy spectral curve per potato growth stage

2.2 马铃薯作物生长期光谱特征参数分析与优化筛选

为了探讨不同生长期14个光谱参数的特征变化, 计算各个光谱参数在每个生长期的平均值, 用该值分析随着生长期推进各个光谱参数的响应特征。 在光谱曲线上标出了绿峰、 红谷、 蓝边和红边的位置如图4所示, 为了更加清楚地观察光谱参数的变化趋势将图4中的(a), (b)区域对应的反射光谱和(c), (d)区域对应的一阶导数光谱四个区域放大, 得到四幅光谱放大图, 如图5所示。 利用方差分析, 分别对不同生长期的马铃薯冠层光谱位置参数特征、 冠层光谱面积参数特征、 冠层光谱植被指数参数特征进行分析讨论。

图4 绿峰(a)、 红谷(b)、 蓝边(c)和红边(d)区域位置标识Fig.4 Green peak (a), red valley (b), blue edge (c) and red edge (d) location identifier

图5 绿峰、 红谷、 蓝边和红边区域位置光谱放大图
(a): 光谱在510~560 nm放大图(绿峰区域); (b): 光谱在640~680 nm放大图(红谷区域); (c): 一阶导数光谱在490~530 nm放大图(蓝边区域); (d): 一阶导光谱在680~760 nm放大图(红边区域)Fig.5 Spectrum enlarged view of green peak, red valley, blue edge and red edge location
(a): Spectrum enlarged view of green peak region; (b): Spectrum enlarged view of red valley reign; (c): First derivative pectrum enlarged view of blue edge; (d): First derivative spectrum enlarged view of red edge

2.2.1 光谱参数的方差分析

分析光谱参数在每两个生长期之间差异的显著性, 结果如表3所示, 绿峰位置Lg、 红谷位置Lr、 红边幅值Vre和红边面积Are四个光谱参数在不同生长期之间均存在显著性差异; M4生长期的14个光谱参数与其他生长期之间均存在显著性差异。

表3 四个生长期之间的方差分析结果统计① Table 3 Result of variance analysis between four growth stages

2.2.2 不同生长期马铃薯冠层光谱位置参数特征

四个不同生长期马铃薯冠层光谱位置参数的分析结果如表4所示。 由图5和表4可知随着生长期的延长, 绿峰幅值Rg(-0.735 1~-0.650 9)总体上增大, M2与M3间无显著性差异; 绿峰位置Lg在551.2~554.4 nm逐渐红移, 而且不同生长期之间存在显著性差异。 红谷幅值Rr(-1.049 6~-1.013 9)总体上减小, M2与M3间无显著性差异; 红谷位置Lr在670.9~674.2 nm内逐渐红移, 而且不同生长期之间存在显著性差异。 红边幅值Vre(0.059 8~0.049 9)总体上减小, 且不同生长期之间存在显著性差异; 红边位置Lre在719.7~714.0 nm随着生长期的延长逐渐蓝移, M1与M2, M2和M3之间无显著性差异, 但M4的红边位置Lre(714.0 nm)远小于其他生长期。 与其他生长期相比, M1的蓝边幅值Vbe(0.011 2)、 蓝边位置Lbe(524.6 nm)与M3的Vbe(0.011 3)、 Lbe(524.0 nm)较为接近; 在这两个光谱参数下, 生长期M1和M3之间无显著性差异。 且如表4所示, 在这8个光谱位置参数下, M4与其他三个生长期之间均存在显著性差异。

表4 不同生长期光谱位置参数统计② Table 4 Statistical of spectral position parameters at different growth stages

2.2.3 不同生长期马铃薯冠层光谱面积参数特征

四个不同生长期光谱面积参数显著性差异分析结果如表5所示, 随着生长期的延长, 马铃薯冠层光谱蓝边面积Abe(0.199 3~0.285 3)有逐渐增大的趋势, 但是M1与M2, M2与M3之间均无显著性差异, 而M4的Abe(0.285 3c)远大于其他生长期, 与其他三个生长期之间均存在显著性差异; 且红边面积Are(2.089 0~1.963 3)随着生长期的延长逐渐减小, 而且在不同生长期之间存在显著性差异。 且由图5(c)可以直观的看出M4的蓝边面积Abe最明显大于其他三个生长期。

表5 不同生长期光谱面积参数统计 Table 5 Statistical of spectral area parameters at different growth stages

2.2.4 不同生长期马铃薯冠层光谱植被指数参数特征

四个不同生长期光谱植被指数显著性差异分析结果如表6所示, Rg/Rr和(Rg-Rr)/(Rg+Rr)随着生长期的延长总体上呈现减小趋势, M2和M3之间无显著性差异; Are/Abe和(Are-Abe)/(Are+Abe)随着生长期的延长依次呈现减小趋势, 但M1与M2、 M2与M3之间均无显著性差异。

表6 不同生长期光谱植被指数参数统计 Table 6 Statistical of spectral vegetation index parameters at different growth stages
2.3 基于方差分析与变量减少组合的光谱参数优化算法

本研究提出利用方差分析法结合变量减少法对14个光谱参数特征进行筛选优化, 选出对马铃薯生长期判别贡献大的参数, 14个光谱参数的平均P-value值如表7所示, 光谱参数的P-value值越小, 对判别生长期的贡献度越大。 按照上述方法, 选出10个光谱参数作为判别模型输入变量, 结果如表7所示。

表7 光谱特征参数的选择结果③ Table 7 Selection result of spectral parameters

不同生长期之间无显著性差异的光谱参数统计结果如表8所示, 经过变量筛选, 在生长期之间部分无显著性差异的光谱参数被剔除, 而在生长期之间存在显著性差异的光谱参数被保留, 说明利用方差分析结合变量减少算法筛选敏感光谱参数是有效的。 可以看出, M2和M3之间无显著性差异的光谱参数个数最多(5个), 与冠层光谱反射率分析结果一致, 可能会导致M2和M3之间的误判率高于其他生长期组合。

表8 不同生长期间无显著性差异的光谱参数统计 Table 8 Statistics of spectral parameters with no significant difference during the growth period
2.4 基于优化参数的马铃薯作物生长期判别模型研究

对四个生长期314个样本用K-S算法按照3∶ 1的比例划分训练集和测试集, 训练集240个样本, 测试集74个样本。 将筛选出的10个光谱参数作为输入变量, 建立马铃薯生长期SVM判别模型, 模型参数寻优结果为: g为1.425 8、 惩罚参数C为53.251 2、 d为4, 模型的训练集判别率为100%, 测试集判别率为94.59%(70/74), 如图6所示。 因此应用可见光光谱参数作为输入变量建立的SVM判别模型能够在一定程度上识别马铃薯的生长期。

图6 测试集的实际生长期与判别结果对比图Fig.6 Comparison chart between actual growth stage and identification results of the test set

进一步对测试集中误判的四个样本进行分析, 其中M1和M4两个生长期没有发生误判情况, 四个误判的样本均在M2和M3, 其中有两个样本M2被误判成M3, 另外两个样本是M3被误判为M2, 与表8分析结果相对应, 分析原因: 在M2和M3都处于由地上部(茎叶)向地下部(块茎)块茎输送营养阶段, 冠层结构较为相近, 尽管叶绿素含量有所降低, 但是冠层光谱差异尚未明显体现; 而在M4叶片枯黄衰老严重, 此时期叶片枯萎较其他生长期严重、 冠层结构改变较大、 叶色素成分含量与其他生长期的差异较大, 导致了反射光谱与其他三个生长期存在显著性差异。

3 结论

(1)随着生长期的推进, 在400~500和740~880 nm范围内, 光谱反射率逐渐降低; 在530~640和910~960 nm范围内, 光谱反射率逐渐升高。 随着生长期的推进, 绿峰位置Lg和红谷位置Lr逐渐红移, 红边位置Lre逐渐蓝移; 蓝边面积Abe逐渐增大, 红边面积Are逐渐减小; Are/Abe和(Are-Abe)/(Are+Abe)依次呈现减小趋势。 对14个光谱参数做方差分析, 绿峰位置Lg、 红谷位置Lr和红边幅值Vre在不同生长期之间有显著性的差异, 这为利用马铃薯冠层光谱参数判别生长期提供了数据基础。

(2)为了准确的判别马铃薯生长期并简化模型, 利用VACVR算法筛选出10个光谱参数作为输入变量, 建立SVM判别模型, 训练集判别率为100%, 测试集判别率为94.59%, 因此该模型能够在一定程度上识别马铃薯的生长期。

(3)测试集有4个样本误判, 均在M2和M3之间。 M2(块茎形成期)和M3(块茎膨大期)最需要识别出来, 进行大田水肥管理, 本研究仅利用光谱信息进行判别, 没有全部正确地识别M2和M3生长期, 在以后的研究中可以增加图像等信息进行多数据融合以更加准确地判别马铃薯生长期。

(4)本研究仅于2018年在北京市昌平区小汤山选取大西洋品种马铃薯作物, 不同生长环境、 不同品种可能会导致不同生长期冠层光谱响应特征不同, 故本文得到的判别模型在不同年份、 地点和品种之间是否具有一致性还有待后续实验分析验证。

The authors have declared that no competing interests exist.

参考文献
[1] Horvat T, Poljak M, Lazarevic B, et al. Növénytermelés, 2010, 59: 215. [本文引用:1]
[2] Beheral S K, Pand a R K. AssamUniversity Journal of Science & Technology, 2010, 4(2): 22. [本文引用:1]
[3] SUN Lei, WANG Hong, LI Ming-yue, et al(孙磊, 王弘, 李明月, 等). Chinese Potato Journal(中国马铃薯), 2013, (5): 314. [本文引用:1]
[4] Zotarelli L, Rens L R, Cantliffe D J, et al. Field Crops Research, 2015, 183: 246. [本文引用:1]
[5] SUN Hong, ZHENG Tao, LIU Ning, et al(孙红, 郑涛, 刘宁, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(1): 149. [本文引用:1]
[6] DIAO Hang, WU Yong-ming, YANG Yu-hong, et al(刁航, 吴永明, 杨宇虹, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(6): 1826. [本文引用:2]
[7] Roosjen P P J, Brede B, Suomalainen J M, et al. International Journal of Applied Earth Observation & Geoinformation, 2018, 66: 14. [本文引用:2]
[8] ZHAO Xin-fei, FENG Jia-min, ZHANG Da-wei, et al(赵新飞, 冯嘉敏, 张大伟, 等). Journal of Zhongkai University of Agriculture & Engineering(仲恺农业工程学院学报), 2015, 28(4): 26. [本文引用:2]
[9] Dutta D, Das P K, Paul S, et al. Journal of the Indion Society of Remote Sensing, 2016, 44(3): 363. [本文引用:1]
[10] LI Feng, Alchanatis Victor, ZHAO Hong, et al(李峰, Alchanatis Victor, 赵红, 等). Chinese Journal of Agrometeorology(中国气象学报), 2014, 35(3): 338. [本文引用:1]
[11] Zhou Z, Jabloun M, Plauborg F, et al. Computers & Electronics in Agriculture, 2018, 144: 154. [本文引用:1]
[12] QIN Wei-zhi, XIONG Jun, ZHENG Xu, et al(覃维治, 熊军, 郑虚, 等). Journal of Southern Agriculture(南方农业学报), 2017, 48(6): 985. [本文引用:1]
[13] WANG Xu, LIU Ren-jie, SUN Hong, et al(王旭, 刘仁杰, 孙红, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2017, (s1): 90. [本文引用:1]
[14] Fu JuiHsi, Lee SingLing. Expert System with Applications, 2012, 39(3): 3127. [本文引用:1]