引用本文
郭晶晶, 于海业, 刘爽, 肖飞, 赵晓漫, 杨亚平, 田绍楠, 张蕾. 生菜叶片绿度的高光谱判别方法研究[J]. 光谱学与光谱分析, 2022,42(8): 2557-2564.
GUO Jing-jing, YU Hai-ye, LIU Shuang, XIAO Fei, ZHAO Xiao-man, YANG Ya-ping, TIAN Shao-nan, ZHANG Lei. Study on the Hyperspectral Discrimination Method of Lettuce Leaf Greenness[J]. Spectroscopy and Spectral Analysis, 2022,42(8): 2557-2564.
Doi:10.3964/j.issn.1000-0593(2022)08-2557-08  
Permissions
Copyright©2022, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
生菜叶片绿度的高光谱判别方法研究
郭晶晶1, 于海业1, 刘爽2, 肖飞1, 赵晓漫1, 杨亚平1, 田绍楠1, 张蕾1,*
1.吉林大学生物与农业工程学院, 吉林 长春 130022
2.吉林农业大学园艺学院, 吉林 长春 130118
*通讯作者 e-mail: z_lei@jlu.edu.cn

作者简介: 郭晶晶, 1987年生,吉林大学生物与农业工程学院博士研究生 e-mail: 9337274@qq.com

收稿日期: 2021-11-30 修回日期: 2022-02-20
基金: 国家自然科学基金面上项目(32171913),国家自然科学基金青年科学基金项目(32001418),吉林省科技发展计划重点研发项目(20200402015NC)资助
摘要

生菜叶片绿度在作物生理及品质感官评价中具有重要作用。 结合目前高光谱检测与分析技术在植物生理信息监测中的应用现状, 开展了基于高光谱技术的生菜叶片绿度判别方法研究, 以此为叶菜品质感官评价的定量化及基于高光谱技术的多功能生理信息同步采集装置的开发提供必要的理论支撑。 本文以生菜为研究对象, 在三种不同光照强度下开展栽培试验。 以叶绿素相对含量(SPAD)作为反应绿度的参数, 获取生菜整个生命周期中的动态高光谱和SPAD数据, 分析了高光谱曲线的变化规律, 建立了高光谱与SPAD之间的关系模型。 采用Savitzky-Golay卷积平滑(SG)方法对原始高光谱数据进行降噪, 平滑后的数据分别与多元散射校正(MSC), 标准正态变量变换(SNV)和一阶导数(FD)三种预处理方法组合, 采用竞争性自适应重加权取样法(CARS)和提取有效植被指数(VI)两种方法进行敏感波长提取, 结合偏最小二乘(PLS)和最小二乘支持向量机(LSSVM)两种方法建模, 以决定系数(R2)和均方根误差(RMSE)为评价指标, 优选出最优绿度判定模型。 结果表明: 在10, 20和30 d的生菜全生命周期内, 不同光照强度下的高光谱曲线表现出总体变化趋势一致但反射率值不同的特征, 在可见光450~680nm范围内, 自然光照条件下的生菜高光谱反射率值要高于补光处理条件下的反射率值; 而在近红外730~850 nm范围内, 生菜叶片的高光谱响应特征恰好与可见光范围内相反。 基于SG+FD预处理与CARS敏感波长提取方法的组合可实现叶绿素相对含量特征信息的最有效提取, 提取的敏感波长占全波长的64.59%, 与原始高光谱(1.25%)相比, 提取的敏感波长数增加了63.34%。 最终确定LSSVM方法为最优建模方法, 基于SG+FD+CARS+LSSVM组合方法所建模型为最优生菜绿度判定模型, 训练集$R^{2}_{c}$=0.920 7, RMSEC=1.161 0, 预测集$R^{2}_{p}$=0.828 8, RMSEP=2.400 8, 模型精度较高, 可以实现生菜叶片绿度判别的目的。

关键词: 生菜; 绿度; 高光谱; 叶绿素相对含量(SPAD); 预测模型
中图分类号:S311 文献标志码:A
Study on the Hyperspectral Discrimination Method of Lettuce Leaf Greenness
GUO Jing-jing1, YU Hai-ye1, LIU Shuang2, XIAO Fei1, ZHAO Xiao-man1, YANG Ya-ping1, TIAN Shao-nan1, ZHANG Lei1,*
1. School of Biological and Agricultural Engineering, Jilin University, Changchun 130022, China
2. College of Horticulture, Jilin Agricultural University, Changchun 130118, China
*Corresponding author
Abstract

Lettuce leaf greenness is important in the physiological and sensory evaluation of crop quality. Based on the comparison of existing methods for greenness discrimination, combined with the application status and prospects of hyperspectral detection and analysis technology in the detection of plant physiological information, the research on the application method of hyperspectral technology in the greenness discrimination of lettuce leaves was carried out. The quantification of sensory evaluation of the vegetable quality and developing a multifunctional synchronous collection device for physiological information based on hyperspectral technology provide necessary theoretical support. Lettuce is the subject of study. Cultivation experiments were conducted under three different light environments, and relative chlorophyll content (SPAD) was used as a parameter to respond to greenness. Acquisition of dynamic hyperspectral and SPAD data throughout the life cycle of lettuce. Study of hyperspectral response characteristics to leaf greenness. The variation pattern of the hyperspectral curve was analyzed. Finally, a relationship model between hyperspectrum and SPAD was developed. The Savitzky-Golay convolution smoothing (SG) method was used to reduce the noise of the original hyperspectral data. The smoothed data was combined with the three preprocessing methods of multivariate scattering correction (MSC), standard normal variable transformation (SNV) and first derivative (FD), and finally adopted competitive adaptive reweighted sampling (CARS) and extraction effective vegetation index (VI) two methods for sensitive wavelength extraction. Combine the two methods of partial least squares (PLS) and least squares support vector machine (LSSVM) for modeling, and use the coefficient of determination (R2) and root mean square error (RMSE) as evaluation indicators to select the optimal greenness prediction model. The results showed that the hyperspectral curves of lettuce under different light environments showed a consistent overall trend but different reflectance values during the whole life cycle of lettuce at 10, 20 and 30 days. The lettuce reflectance values in the visible light range of 450~680 nm exhibited higher natural light exposure than the supplemental light treatment, while the hyperspectral response characteristics in the NIR range of 730~850 nm were exactly opposite to the visible light range. The combination of SG+FD pre-treatment and CARS sensitive wavelength extraction method based on SG+FD can achieve the most effective extraction of chlorophyll content feature information, and the extracted sensitive wavelengths accounted for 64.59% of the total wavelengths, which increased the number of extracted sensitive wavelengths by 63.34% compared with the original hyperspectrum (1.25%). The LSSVM method was identified as the optimal modeling method, and the model built based on the combined SG+FD+CARS+LSSVM method was the optimal lettuce greenness prediction model with the training set $R^{2}_{c}$=0.920 7, RMSEC=1.161 0, and the prediction set $R^{2}_{p}$=0.828 8, RMSEP=2.400 8, indicating that the model had high accuracy. The purpose of greenness judgment of lettuce leaves can be realized.

Keyword: Lettuce; Greenness; Hyperspectrum; Chlorophyll content(SPAD); Predictive model
引言

生菜是一种重要的经济作物, 绿色新鲜的生菜含有丰富的维生素C, 具有减脂, 降低胆固醇, 促进血液循环等多种功效[1]。 叶绿素是绿色植物重要的光合色素和生化参数, 它的功能主要为吸收、 传递光量子, 进而影响作物光合作用过程PSII和PSI之间能量的合成与转换[2]。 高等植物的绿度是由体内的叶绿素(chlorophyll, chl)引起的, 叶绿素包含叶绿素a和叶绿素b两种色素, 前者使叶片呈蓝绿色, 后者使叶片呈黄绿色。 蔬菜叶片的绿度情况常被用作评价蔬菜生长过程的养分状况、 水分状况、 环境条件等是否适宜的初级判别指标, 同时也是消费者在选择蔬菜产品时参考的主要感官指标之一[3]。

目前叶片绿度的判别方法主要有三种: 图像识别法, 分光光度计法和叶绿素仪法。 图像识别法可以识别大量绿色叶片, 速度快, 适合野外大量数据采集, 但需要额外技术投入, 而且受环境影响特别是光照的影响较大[4]。 分光光度计法能准确定量测出叶绿素含量, 检测结果稳定, 但是实验步骤多, 耗时长, 时效差, 对实验员的操作水平要求较高, 而且需要破坏待测样本。 分光光度计法为有损检测, 难以满足精准农业实时、 准确、 大量获取作物生长信息的需求[5]。 叶绿素仪法操作简单, 设备体积小、 效率高, 不需要破坏叶片结构就可以通过测定相对叶绿素含量(SPAD)值实现对叶片绿度的快速准确判别。 目前, 叶绿素仪已在农业领域得到较为广泛的应用, 对判别生菜叶片绿度十分有效, 且对叶片无损伤。 在科学研究中, 为了研究作物生理及生长状态等特征, 需要采用多个设备同时对同一片叶进行多个参数指标的采集, 如叶绿素荧光、 光合作用参数等, 甚至有些设备需要叶夹夹取叶片暗适应20 min以上, 对同一叶片的相同位置进行反复多次夹取、 测量, 将为叶片生理活动造成一定的外在干扰, 反复多次操作还会为叶片带来潜在的机械损伤风险, 特别是叶片脆性较高的叶菜。

高光谱技术作为近地遥感技术之一, 具有高分辨率, 高精度和快速检测等特点。 高光谱包含的丰富信息量及强波段连续性为作物生理指标及生长状态的实时无损快速检测提供了有效途径[6]。 近年来, 高光谱技术在农业领域的应用发展较快速。 此技术用于叶片绿度判别的研究主要针对大田作物, Shu等[7]对高光谱与SPAD进行相关分析, 计算了20个植被指数(VI), 用Boruta算法筛选出对SPAD值敏感的VI, 比较和分析SPAD值的估计精度, 结果表明: 构建的预测模型条件良好, 可以有效预测玉米叶片SPAD, 模型精度较高。 Lin等[8]进行了冬小麦冠层SPAD值的高光谱诊断研究于不同时期进行了SPAD值估计。 在设施蔬菜栽培领域, 高光谱技术已应用于蔬菜的养分、 水分等生理生化信息的检测方面[9], 但对于叶片绿度的判别研究尚无报道。

通过试验获取数据, 建立高光谱对SPAD的反演模型, 对解析复杂的光谱信息具有重要的实际意义, 也可为多功能一体的仪器设备开发提供理论支撑。 试验基于不同光照强度下的生菜叶片, 进行整个生长期的高光谱和SPAD数据采集, 分析高光谱数据的变化特征, 明确其对不同光照强度的响应特征。 同时, 基于原始高光谱进行3种预处理方法与2种敏感波长提取方法的组合运算, 结合2种建模方法建立生菜叶片绿度预测模型, 探讨基于不同输入波长和建模方法的组合对预测生菜绿度准确性的影响。

1 实验部分
1.1 试验条件

试验于2020年8月17日至10月17日在吉林大学生物与农业工程学院环境自动调控温室内进行。 8月17日开始育苗, 9月17日移苗定植, 定植后30 d收获。 平均温度为白天(19± 4) ℃。 相对湿度60%~80%。 供试生菜品种为意大利耐抽苔生菜。 采用日本园式营养液配方开展岩棉培试验, 营养液设置变浓度管理[10]。 试验设置自然光照(对照组)、 固定补光(处理1)和智能补光(处理2)三种光照强度处理。 两种补光处理均采用红蓝比5:1的LED补光灯, 在自然光照低于8 000 lux时进行补光, 补光时间为每天的9:00— 17:00。 其中, 固定补光方式是将补光装置固定在距离地面高度60 cm处, 补光强度为8 000 lux与实际光强的差值; 智能补光的补光强度与处理1相同, 但补光灯高度根据生菜株高生长情况自动调节, 即生菜冠层接收光强始终高于处理1。 每个处理种植10株生菜, 共30株生菜。

1.2 数据采集

生菜移植后的第10天、 20天和30天分别逐株采集叶片的高光谱和SPAD数据, 采集时间为每个采样日的10:00— 11:00。 每株生菜选取3片功能叶片进行指标测定。 至试验结束, 共取得样本总量270个。 高光谱数据采用美国Analytical Spectral Devices分析光谱仪器公司生产HH2地物光谱仪测定, 测量范围325~1 075 nm, 采样间隔1.4 nm, 分辨率3 nm, 每片叶采集10条数据后取其平均值。 SPAD采用日本KONICA MINOLTA SPAD-502叶绿素仪测定, 每片叶采集3条数据后取平均值。 采用ViewSpec Pro, Matlab R2018b进行数据处理与分析, 采用Origin 19.0进行绘图。

2 结果与讨论
2.1 不同光照强度下的生菜高光谱响应特征分析

高光谱仪获取325~1 075 nm全波长范围的首尾波段范围的反射率波动幅度较大, 进而会产生较多随机噪声, 不利于后续光谱分析, 将其去除, 选取450~850 nm波段范围的高光谱作为有效高光谱用于研究。 高光谱可反映植物叶片内部细微结构的多种信息, 不同实验条件下的植物内部信息变化情况可反映在高光谱曲线上[11]。 不同生长期及不同光照强度处理下的生菜高光谱响应特征如图1所示。 生菜的高光谱曲线符合典型绿色植被的光谱特征, 即具有明显的波峰、 波谷及高反射平台。 在可见光450~680 nm波段范围的550 nm处形成“ 绿峰” , 680 nm处形成“ 红谷” , 在近红外730~850 nm波段范围形成高反射平台。 进一步分析不同光照强度度对高光谱曲线的影响, 生长10, 20和30 d生菜的高光谱均表现出相同的响应特征规律: 在可见光范围内, 自然光下的生菜高光谱反射率高于补光处理, 三种光照强度下的反射率大小关系为: 自然光> 补光处理1> 补光处理2。 而近红外波段范围的高光谱响应特征恰好表现出与可见光波段范围相反的规律。 探究其原因, 可见光波段的高光谱反射率主要受植物光合作用强弱的影响, 补光处理会增强生菜叶片的光合作用活性, 吸收的光更多, 反射的光更少, 因此表现出补光处理的生菜叶片反射率低于自然光处理。 而在近红外波段, 高光谱反射率主要受叶片内部细胞组织结构的影响, 自然光下生长的生菜叶片内部细胞结构发育更健康, 叶肉组织结构更成熟, 使叶片吸收光的能力更强, 反射率较低, 故表现出自然光下的生菜叶片反射率低于补光处理。 基于上述高光谱曲线的特征差异, 可作为生菜是否处于自然环境的生长状态监测指示。

图1 不同生长期的生菜高光谱特征
(a): 10天; (b): 20天; (c): 30天Fig.1 Hyperspectral characteristics of lettuce in different growth periods
(a): 10 days; (b): 20 days; (c) 30 days

2.2 基于高光谱的生菜绿度预测模型

由上述分析可知, 光照强度对生菜高光谱的影响显著, 而高光谱可以反映植物的多种生理生化信息, 因此, 基于高光谱对不同光照强度下的生菜叶片绿度进行判别意义重大。

2.2.1 高光谱预处理

270个生菜叶片样本的原始高光谱及三种组合预处理后的高光谱如图2所示。 为了减少实际测量过程中外界环境的影响, 降低计算难度, 加强波峰波谷信息, 将经过Savitzky-Golay卷积平滑(SG)处理后的高光谱分别结合多元散射校正(multiplicative scatter correction, MSC)、 变量标准化(standard normal variate, SNV)和一阶导数(first derivative, FD)三种预处理方法对原始高光谱进行预处理。 由图2可以看出, 经过预处理后的高光谱有效减少了首尾波段处的“ 抖动” , 并有效放大了波峰波谷等特征信息, 有利于后续分析。

图2 不同组合预处理后的高光谱
(a): 原始光谱; (b): MSC+SG预处理后; (c): SNV+SG预处理后; (d): FD+SG预处理后Fig.2 Hyperspectra pretreated different combinations of pretreatment
(a): Original spectra; (b): Pretreated by MSC+SG; (c): Pretreated by SNV+SG; (d): Pretreated by FD+SG

2.2.2 高光谱敏感波长提取

高光谱波段有401个波长, 含有较多的冗余信息, 为了提高高光谱建模的有效性, 减少或去除无效光谱的影响, 进行敏感波长的提取是非常必要的。 采用竞争性自适应重加权取样法(competitive adaptive reweighted sampling, CARS)和植被指数(vegetation index, VI)两种方法进行敏感波长提取, 将上述组合预处理后的高光谱分别进行敏感波长提取。

2.2.2.1 基于CARS法提取敏感波长

基于CARS法对四种预处理后的生菜叶片高光谱进行敏感波长提取过程如图3所示。 经过多次试验, 当采样次数为50时, 提取效果最优, 故设定采样次数为50。 CARS法选取最小交互验证均方根误差(root means square error of cross validation, RMSECV)值(蓝色“ * ” 线)对应的波长集为敏感波长。

图3 CARS法提取敏感波长过程
(a): 原始光谱; (b): MSC+SG预处理后; (c): SNV+SG预处理后; (d): FD+SG预处理后Fig.3 Extraction of sensitive wavelengths by CARS method
(a): Original spectra; (b): Pretreated by MSC+SG; (c): Pretreated by SNV+SG; (d): Pretreated by FD+SG

四种预处理后提取的敏感波长结果如表1所示。 可以看出, 原始高光谱提取出的敏感波长数最少, 仅有5个, 而采样次数最大, 表明冗余波长或共线性波长对采样过程具有较大的干扰。 不同预处理后的高光谱所提取的敏感波长数由多到少的排序为: FD+SG> MSC+SG> SNV+SG> 原始高光谱, 所选敏感波长分别占全波长的64.59%, 12.72%, 2.00%和1.25%, 去除的无效波长数分别为142个, 350个, 393个和396个。 上述结果表明FD+SG预处理与CARS法结合可进行生菜绿度敏感波长信息的最有效提取。

表1 CARS法提取的高光谱敏感波长 Table 1 Hyperspectral sensitive wavelengths extracted by CARS method

2.2.2.2 有效植被指数提取

植被指数可进行作物多种生长指标的定性或定量指示, 故基于有效植被指数建立生菜绿度预测模型是可行的。 采用6种植被指数进行生菜绿度判定模型预测, 6种光谱指数名称及公式如表2所示。 其中, m和n代表任意波长位置, Rm和Rn代表m和n波长的原始光谱反射率, R550代表550 nm波长的反射率。

表2 植被指数名称、 公式及参考文献 Table 2 Full names, formula and references of vegetation indices

为了更精准地提取出与生菜绿度相关性最大的波长, 在450~850 nm波长范围内进行所有波长的(m, n)组合波长提取, 以相关系数为提取指标, 最终提取出有效波长组合。 利用相关系数法对6种植被指数分别与绿度进行相关性分析, 并绘制相关系数等势图如图4所示。

图4 植被指数与SPAD值相关系数等势图
(a): DI和SPAD; (b): NDVI和SPAD; (c): mSR和SPAD; (d): mNDI和SPAD; (e): SAVI和SPAD; (f): TVI和SPADFig.4 Equipotential diagrams of correlation coefficient between vegetation index and SPAD value
(a): DI and SPAD; (b): NDVI and SPAD; (c): mSR and SPAD; (d): mNDI and SPAD; (e): SAVI and SPAD; (f): TVI and SPAD

以最大相关系数所在的(m, n)波长作为有效波长组合, 不同预处理后高光谱提取出的有效波长组合如表3所示。 可以看出, 6种植被指数与绿度的最大相关系数均高于0.8, 表明具有较强的线性相关性, 可用于后续分析。 基于有效波长组合计算得到有效植被指数, 将其用于后续建模分析。

表3 不同预处理后有效波长组合提取 Table 3 Extraction of effective wavelength combinations after different pretreatments

2.2.3 基于高光谱建立生菜绿度预测模型的比较分析

采用偏最小二乘(partial least square, PLS)和最小二乘支持向量机(least-squares support vector machine, LSSVM)两种方法建模。 基于高光谱数据, 将2种建模方法与不同预处理方法及敏感波长提取方法结合建立不同的绿度预测模型, 分析不同预处理方法结合敏感波长提取方法和建模方法进行生菜绿度预测的可行性, 并选取最优预测模型。 采用间隔取样法将270个样本按2:1的比例分为建模集和预测集, 得到建模集样本180个, 预测集样本90个。 以原始高光谱及不同预处理和敏感波长提取方法组合提取出的敏感波长分别作为输入数据建立模型, 模型标号为Y1— Y18。 以建模集决定系数( Rc2)、 建模集均方根误差(RMSEC)、 预测集决定系数( Rp2)和预测集均方根误差(RMSEP)四个指标为评价标准, Rc2和 Rp2值越大且RMSEC和RMSEP值越小, 表明模型精度越高, 性能越优。

不同组合方法所建生菜绿度预测模型结果如表4所示。 可以看出, 以原始高光谱所建模型为基准, 经过预处理及敏感波长提取后所建模型的精度均有较大程度提高, 模型性能较优。 具体地, 基于不同敏感波长提取方法与建模方法组合分析预处理方法的有效性, 得出四种预处理方法的有效性大小关系为: FD+SG> MSC+SG> SNV+SG> 原始高光谱, 这与前面CARS法提取出的敏感波长数量排序结果一致。 相似地, 基于不同预处理方法与建模方法组合分析敏感波长提取方法的有效性, 得出两种敏感波长提取方法的有效性大小关系为: CARS> VI。 基于不同预处理方法与敏感波长提取方法组合分析建模方法的有效性, 得出两种建模方法的有效性大小关系为: LSSVM> PLS。 进一步地, 无论采用哪种建模方法, 基于FD+SG预处理与CARS敏感波长提取方法组合所建模型均表现出较高的绿度预测能力, 确定FD+SG+CARS为最优绿度特征信息提取方法。 确定FD+SG+CARS+LSSVM组合方法所建模型(Y10)为最优生菜绿度预测模型, 模型的 Rc2=0.920 7, Rp2=0.828 8, RMSEC=1.161 0, RMSEP=2.400 8。

表4 不同方法组合所建生菜绿度反演预测模型结果 Table 4 Results of lettuce chlorophyll content prediction model combined with different methods
3 结论

以生菜的全生命周期为研究时期, 对不同光照强度下的生菜叶片进行高光谱和叶绿素相对含量(SPAD)数据测量。 分析高光谱对不同光照强度的响应特征, 对获取的高光谱数据进行FD, MSC和SNV三种预处理, 再对原始与预处理后的高光谱采用CARS和VI两种方法提取敏感波长, 最后基于敏感波长结合PLS和LSSVM方法建立生菜叶片绿度预测模型。 得出以下结论:

(1) 可通过高光谱判别生菜全生命周期的光照强度。 可见光450~680 nm波段最高反射率和近红外730~850 nm波段最低反射率表示生菜自然生长, 可见光波段反射率的逐渐减小及近红外波段反射率的逐渐增大表示生菜生长所受的光照强度逐渐增加。

(2) 基于叶绿素相对含量(SPAD)预测模型可有效进行生菜叶片绿度的判别, 预处理后高光谱所建模型的精度均有所提高, 综合分析18个模型的评价指标, 最优预处理方法为FD+SG, 最优敏感波长提取方法为CARS法, 最优建模方法为LSSVM, 基于FD+SG+CARS+LSSVM方法建立的生菜绿度预测模型具有最优的预测能力, 模型的 Rc2=0.920 7, Rp2=0.828 8, RMSEC=1.161 0, RMSEP=2.400 8。

针对不同光环境下的生菜高光谱及生理信息进行了相关研究, 但弱光环境下的生菜内部信息变化差异尚不明确, 仍需进一步探究。 另外, 所建绿度判定模型在多光谱遥感检测中具有一定的应用潜力, 但由于试验条件有限及有限的样本量, 模型的普及性仍需进一步验证。

参考文献
[1] SHI Yue, ZHANG Hui-jun, YUAN Wei-jie, et al(时月, 张慧君, 袁伟杰, 等). Modern Food Science and Technology(现代食品科技), 2019, 35(5): 102. [本文引用:1]
[2] LIU Cheng-gong, WANG Ming-yuan, LIU Ning, et al(刘成功, 王明援, 刘宁, 等). Scientia Silvae Sinicae(林业科学), 2018, 54(12): 33. [本文引用:1]
[3] GONG Bin-bin, WANG Ning, ZHANG Tie-jun, et al(宫彬彬, 王宁, 章铁军, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(8): 237. [本文引用:1]
[4] Adhiwibawa M A S, Limantara L, Brotosudarmo T, et al. Journal of Physics: Conference Series, 2021, 1869(1): 012074. [本文引用:1]
[5] YANG Biao, DU Rong-yu, YANG Yu, et al(杨彪, 杜荣宇, 杨玉, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 50(12): 180. [本文引用:1]
[6] GAO Xiao-mei, LI Yan-li, LU Bi-lin, et al(高小梅, 李燕丽, 卢碧林, 等). Chinese Journal of Applied Ecology(应用生态学报), 2021, 32(3): 959. [本文引用:1]
[7] Shu M Y, Zuo J Y, Shen M Y, et al. International Journal of Remote Sensing, 2021, 42(15): 5864. [本文引用:1]
[8] Lin S G, Peng Z G, Wang C H, et al. Journal of Drainage and Irrigation Machinery Engineering, 2021, 39(1): 102. [本文引用:1]
[9] Eshkabilov S, Lee A, Sun X, et al. Computers and Electronics in Agriculture, 2021, 181: 105968. [本文引用:1]
[10] ZHANG Lei, LI Fa-qing-wei, YAO Li-jun, et al(张蕾, 李发秦尉, 姚利军, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2020, 51(4): 337. [本文引用:1]
[11] GUO Hui, YANG Ke-ming, ZHANG Wen-wen, et al(郭辉, 杨可明, 张文文, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(1): 212. [本文引用:1]
[12] Sun H, Feng M C, Xiao L J, et al. PLOS ONE, 2019, 14(6): e0216890. [本文引用:1]
[13] Román J R, Rodríguez-Caballero E, Rodríguez-Lozano B, et al. Remote Sensing, 2019, 11(11): 1350. [本文引用:1]
[14] Lu J Z, Ehsani R, Shi Y Y, et al. Scientific Reports, 2018, 8(1): 2793. [本文引用:1]