基于无人机遥感的果园冠层氮素估算及空间分析_李达岁.pdf

第42卷 第4期2023年 7月华中农业大学学报Journal of Huazhong Agricultural UniversityVol.42 No.4July 2023，158166基于无人机遥感的果园冠层氮素估算及空间分析李达岁1，阮思奇1，胡青青1，张金智1，2，张亚昊3，佃袁勇1，胡春根1，2，刘永忠1，2，雷宏伟4，周靖靖11.华中农业大学园艺林学学院，武汉 430070；2.果蔬园艺作物种质创新与利用全国重点实验室，武汉 430070；3.武汉市洪山区园林局林业防护中心，武汉 430070；4.江西绿萌科技控股有限公司，赣州 341600摘要 为快速准确地获取植株冠层氮素含量及空间分布特征，对大尺度的果园进行精准动态的管理，以宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式3种栽培模式的120棵柑橘树为研究对象，通过测定冠层氮素含量并提取无人机遥感影像多光谱数据中的纹理指数和植被指数，运用随机森林算法（RF）建立基于植被指数、纹理指数以及融合植被指数和纹理指数的柑橘冠层氮素反演模型，并比较融合植被指数和纹理指数的支持向量机（SVM）、BP神经网络算法（BP）和RF的模型反演精度。结果显示：在随机森林算法中，融合植被指数和纹理指数比单独的植被指数或纹理指数更能准确预测柑橘冠层氮素含量；植被指数训练集R2为0.710，测试集R2为0.430；纹理指数训练集R2为0.761，测试集R2为0.349；融合植被指数和纹理指数训练集R2为0.775，测试集R2为0.533。融合植被指数和纹理指数在SVM算法训练集R2为0.511，测试集R2为0.371；BP神经网络训练集R2为0.651，测试集R2为0.204。用融合植被指数和纹理指数的RF模型对3种栽培模式的柑橘园进行氮素反演，得到宽行窄株小冠模式的柑橘冠层平均氮素含量最高，其次为宽行窄株篱壁模式，传统栽培模式最低，氮素含量均值分别为31.33、30.20和27.82 mg/g。结合无人机遥感与融合植被指数和纹理指数的随机森林算法能够有效预测柑橘冠层氮素含量，可为大尺度柑橘果园定量施肥提供参考。关键词 无人机遥感；柑橘；精准施肥；氮素；多光谱；植被指数；纹理指数中图分类号 S127；S666 文献标识码 A 文章编号 1000-2421（2023）04-0158-09柑橘是世界第一大类水果，也是我国南方栽培面积最广、经济地位最重要的果树1。氮素是柑橘生长发育的必需元素，其盈亏直接影响柑橘的产量及果实品质2，但柑橘对氮肥的利用率相对较低3，因此，实时、快捷、准确地检测果树氮素含量并进行科学施肥，是果树优质丰产的重要保障4。传统的果树氮素含量测量方法费时、费力，不能满足大面积、快速、实时监测的需要5，且植物氮素的测定需要在专门的实验室中对叶片样品进行化学分析，费用昂贵且会产生对环境有负面影响的有毒化学物质6。基于无人机（unmanned aerial vehicle，UAV）获取多光谱遥感数据作为一种无损、干净、快速的方法，可用于监测植物的氮含量7。基于无人机遥感反演农作物长势参数（形态参数、生理生化参数、胁迫参数、产量参数）的相关研究近年来发展迅速，已成为国内外农业遥感领域的热点8。基于遥感光谱数据估算植物氮含量的基本方法有 2种：基于作物地面实测参数和其遥感光谱反射率相关关系的统计模型和基于模拟光在叶片或冠层辐射传输过程的物理模型9。基于统计模型估算植物氮含量的研究包含光谱指数、原始光谱、包络线去除光谱、导数光谱等不同参数。然而，仅使用植被指数进行氮素含量估算，精度较低，植被指数结合机器学习算法可适当提高果园冠层氮素反演精度10-11。高分辨率遥感影像除了具备光谱信息外，还具有丰富的纹理信息，能够有效反映植被内部的结构信息，有效缓和光谱饱和现象12。而利用纹理信息进行森林参数、作物（如冬小麦和水稻等）生物量和氮素营养诊断已有报道13-14，但在果树冠层营养元素收稿日期：2022 12 15基金项目：国家重点研发计划项目（2019YFD1000104）；国家自然科学基金项目（31901963）；国家柑橘产业技术体系（CARS-26）李达岁，E-mail：lds_通信作者：周靖靖，E-mail：李达岁，阮思奇，胡青青，等.基于无人机遥感的果园冠层氮素估算及空间分析 J.华中农业大学学报，2023，42（4）：158166.DOI：10.13300/ki.hnlkxb.2023.04.018反演及诊断方面鲜有尝试。本研究利用大疆精灵4多光谱版无人机采集江西赣州宽行窄株小冠模式、宽行窄株篱壁模式、传统栽培模式的柑橘园多光谱遥感数据，提取植被指数和纹理指数，利用随机森林算法（random forest，RF）、支持向量机（support vector machine，SVM）、BP 神经网络算法（back propagation，BP）3种机器语言算法对柑橘冠层氮素含量进行反演，遴选出适合柑橘冠层氮素反演的高精度模型，以期为大尺度柑橘果园高效精准定量施肥提供技术支撑。1材料与方法1.1材料研究区位于江西省赣州市信丰县绿萌柑橘基地（2429 2709 N、11354 11638 E），属亚热带丘陵山区湿润季风气候。本研究选择宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式的柑橘树作为研究对象15，采用分层抽样和随机抽样相结合的方式选取 120 株柑橘树，每种栽培模式 40 株，采用A8 Plus小型化RTKGPS差分定位仪对样本植株进行定位，采取每株柑橘树的冠层叶片 35 片，放入-20 冰箱保存。1.2遥感数据采集和辐射定标于 2020年 11月 16日上午 10：00晴朗无云的天气下，利用大疆精灵4多光谱版无人机对柑橘果园进行遥感影像采集，设置飞行高度为100 m，镜头焦距为5.74 mm。遥感影响空间分辨率为5 cm，包含5个波段：蓝波段（blue，B）、绿波段（green，G）、红波段（red，R）、红边波段（rededge band，RE）和近红外波段（near infrared band，NIR）。辐射定标：DN（digital number）值与地面表观反射率之间的回归方程为：y=0.01743x-0.23758（x 为地球表观反射率，y为DN值），得到表观反射率影像。1.3柑橘冠层氮素含量测定采用凯氏定氮法16测定柑橘叶片氮素含量，将每株柑橘树的35片叶的氮素含量均值作为其冠层叶片氮素含量。1.4植被指数计算提取17个植被指数，构建基于多光谱的柑橘冠层氮素含量反演模型（表1）。表1植被指数计算公式Table 1Calculation formula of vegetation index注：R为光谱反射率：RNIR为近红外反射率、RR为红光反射率、RG为绿光反射率、RB为蓝光反射率。Note：R is spectral reflectance：RNIR is near-infrared reflectance，RR is the red light reflectivity，RG is the green light reflectivity，RB is the blue light reflectivity.第 4 期李达岁 等：基于无人机遥感的果园冠层氮素估算及空间分析反演及诊断方面鲜有尝试。本研究利用大疆精灵4多光谱版无人机采集江西赣州宽行窄株小冠模式、宽行窄株篱壁模式、传统栽培模式的柑橘园多光谱遥感数据，提取植被指数和纹理指数，利用随机森林算法（random forest，RF）、支持向量机（support vector machine，SVM）、BP 神经网络算法（back propagation，BP）3种机器语言算法对柑橘冠层氮素含量进行反演，遴选出适合柑橘冠层氮素反演的高精度模型，以期为大尺度柑橘果园高效精准定量施肥提供技术支撑。1材料与方法1.1材料研究区位于江西省赣州市信丰县绿萌柑橘基地（2429 2709 N、11354 11638 E），属亚热带丘陵山区湿润季风气候。本研究选择宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式的柑橘树作为研究对象15，采用分层抽样和随机抽样相结合的方式选取 120 株柑橘树，每种栽培模式 40 株，采用A8 Plus小型化RTKGPS差分定位仪对样本植株进行定位，采取每株柑橘树的冠层叶片 35 片，放入-20 冰箱保存。1.2遥感数据采集和辐射定标于 2020年 11月 16日上午 10：00晴朗无云的天气下，利用大疆精灵4多光谱版无人机对柑橘果园进行遥感影像采集，设置飞行高度为100 m，镜头焦距为5.74 mm。遥感影响空间分辨率为5 cm，包含5个波段：蓝波段（blue，B）、绿波段（green，G）、红波段（red，R）、红边波段（rededge band，RE）和近红外波段（near infrared band，NIR）。辐射定标：DN（digital number）值与地面表观反射率之间的回归方程为：y=0.01743x-0.23758（x 为地球表观反射率，y为DN值），得到表观反射率影像。1.3柑橘冠层氮素含量测定采用凯氏定氮法16测定柑橘叶片氮素含量，将每株柑橘树的35片叶的氮素含量均值作为其冠层叶片氮素含量。1.4植被指数计算提取17个植被指数，构建基于多光谱的柑橘冠层氮素含量反演模型（表1）。表1植被指数计算公式Table 1Calculation formula of vegetation index名称 Name归一化差值植被指数 Normalized difference vegetation index差值植被指数 Difference vegetation index增强植被指数 Enhanced vegetation index土壤修正植被指数 Soil adjusted vegetation index非线性植被指数 None liner index绿色归一化植被指数 Green normalized difference vegetation index绿色比植被指数 Green ratio vegetation index归一化叶绿素指数 Normalized pigment chlorophyll index作物氮反射指数 Nitrogen reflectance index土壤调节植被指数 Optimized soil adjusted vegetation index植物衰老反射率指数 Plant senescing reflectance index比植被指数 Ratio vegetation index冠层结构不敏感植被指数 Structure insensitive pigment index三角植被指数 Triangle vegetation index可见光大气阻抗植被指数 Visible atmospherically resistant vegetation index宽范围动态植被指数 Wide dynamic vegetation index转化叶绿素吸收反射指数Transformation chlorophyll absorption reflection index公式 FormulationINDV=(RNIR-RR)/(RNIR+RR)IDV=(RNIR-RR)IEV=2.5()RNIR-RR/(RNIR-7.5RB+6RR+1)ISAV=1.5(RNIR-RR)(RNIR+RR+0.5)INL=(RNIR2-RR)/(RNIR2+RR)IGNDV=(RNIR-RG)/(RNIR+RG)IGRV=RNIR/RGINPC=(RR-RB)/(RR+RB)INR=RR/(RR+RG+RB)IOSAV=1.16(RNIR-RR)/(0.16+RNIR+RR)IPSR=(RR-RB)/RNIRIRV=RNIR/RRISIP=(RNIR-RB)/(RNIR-RR)ITV=0.5 120(RR-RG)-200(RR-RG)IVAR=(RG-RR)/(RR+RG-RB)IWDRV=(0.12RNIR-RR)/(0.12RNIR+RR)ITCAR=3(RNIR-RR)-0.2(RNIR-RG)(RNIR/RR)参考文献Reference1717171718171719171720172021171821注：R为光谱反射率：RNIR为近红外反射率、RR为红光反射率、RG为绿光反射率、RB为蓝光反射率。Note：R is spectral reflectance：RNIR is near-infrared reflectance，RR is the red light reflectivity，RG is the green light reflectivity，RB is the blue light reflectivity.159第 42 卷 华 中 农 业 大 学 学 报1.5纹理指数提取采用灰度共生矩阵方法分别提取红光波段、绿光波段、蓝光波段、近红外波段和红边波段的8种纹理指数22，分别为：同质性（IHOM）、平均值（IMEAN）、对比度（ICON）、熵（IEnt）、非相似度（IDIS）、变化量（IVAR）、角二阶矩阵（ISM）和相关性（ICOR）（表2）。1.6数据处理根据决定系数R2、均方误差（mean square error，MSE）、平均绝对值误差（mean absolute error，MAE）来评价反演精度。1.7模型建立利用Python软件中的RF、SVM、BP算法程序包选取70%的样本作为训练集，30%样本作为测试集验证模型精度，分别建立基于植被指数、纹理指数、融合植被指数和纹理指数的柑橘冠层氮素反演模型。2结果与分析2.1不同栽培模式下柑橘冠层氮素含量分布特征由表3可见，3种栽培模式的柑橘冠层的氮素含量由高到低为：宽行窄株小冠宽行窄株篱壁传统栽培模式，平均值分别为31.57、30.10、27.64 mg/g。2.2基于植被指数的随机森林柑橘冠层氮素反演利用基于特征递归消除的机器学习算法，对提取的17个植被指数进行重要性排序，递归重要性最低的指数，筛选至最佳的3个指数并以此确定模型。模型的训练集 R2为 0.710，MSE 和 MAE 分别为0.311和0.449；测试集R2为0.430，MSE和MAE分别为0.467和0.555。重要性高到低排序分别为归一化叶绿素指数（INPC）、冠层结构不敏感植被指数（ISIP）、作物氮反射指数（INR）。2.3基于纹理指数的随机森林柑橘冠层氮素反演对提取的40个纹理指数进行重要性排序，递归消减重要性最低的指数，筛选至最佳的7个指数并以此确定模型（图1）。模型的训练集R2为0.761，MSE和 MAE 分 别 为 0.256 和 0.389；测 试 集 的 R2为0.349，MSE 和 MAE 分别为 0.533和 0.599。重要性最高的为绿光波段的平均值（IMEAN_G），其次分别是近红外波段的相关性（ICOR_NIR）、红边波段的相关性（ICOR_RE）。2.4融合植被指数和纹理指数的随机森林柑橘冠层氮素反演对提取的57个融合指数进行重要性排序，递归消减重要性最低的指数，筛选至最佳的10个指数数量并以此确定模型（图2）。模型训练集R2为0.775，MSE 和 MAE分别为 0.241和 0.387；测试集的 R2为0.533，MSE 和 MAE 分别为 0.382 和 0.497。其中重要性最高的绿光波段的平均值（IMEAN_G），其次是归一 化 叶 绿 素 指 数（INPC）、红 边 波 段 的 相 关性（ICOR_RE）。2.5融合植被指数和纹理指数的SVM和BP神经网络柑橘冠层氮素反演使用 SVM 和 BP 算法以叶片氮素和筛选的 10个重要性排序靠前的参数建立模型。结果显示，表3不同模式柑橘冠层的氮素含量分布Table 3Distribution of nitrogen content in canopy of different patternsmg/g 模式Pattern宽行窄株篱壁 Wide row and narrow plant fence cultivation宽行窄株小冠 Wide row and narrow plant cultivation传统栽培模式 Traditional cultivation 平均值Mean30.1031.5727.64最大值Max35.6835.9936.02最小值Min23.7625.6618.51中值Median30.4032.2527.93标准差Standard deviation2.182.013.07表2纹理指数计算公式Table 2Calculation formula of texture features index名称 Name同质性 Homogeneity（IHOM）平均值 Mean（IMEAN）对比度 Contrast（ICON）熵 Entropy（IEnt）非相似度 Dissimilarity（IDIS）变化量 Variance（IVAR)二阶矩阵 Second moment（ISM）相关性Correlation（ICOR）公式 FormulationIHOM=i,j=0N-1Pi,j/1+(i-j)2IMEAN=i,pN-1ipICON=i,j=0N-1iPi,j(i-j)2IEnt=i,j=0N-1iPi,j(-lnPi,j)IDIS=i,j=0N-1iPi,j|i-j|IVAR=i,j=0N-1(Pi,j-)2/(N-1)ISM=i,j=0N-1iP2i,jICOR=i,j=0N-1ijPi,j-121.1=i=0N-1ii=0N-1Pi,j2.2=j=0N-1ij=0N-1Pi,j注：i，j为像素灰度、N 为灰度级数、Pi，j是在给定空间距离和方向时，灰度以i（行）为起始点，出现灰度级j（列）的概率。Note：i，j is pixel gray，N is gray level，Pi，j is the probability of gray level j（column）in a given spatial distance and direction，the gray level with i（row）as the starting point.160第 4 期李达岁 等：基于无人机遥感的果园冠层氮素估算及空间分析SVM 算法训练集 R2为 0.511，MSE 和 MAE 分别为0.523 和 0.510；测试集 R2为 0.371，MSE 和 MAE 分别 为 0.515 和 0.584。BP 神经网 络 训 练 集 R2为0.651，MSE 和 MAE 分 别 为 0.374 和 0.492；测 试集 R2为 0.204，MSE 和 MAE 分 别 为 0.652 和0.669。基于不同参数、不同算法构建的预测模型的预测值和真实值之间的关系如图3所示。图2 融合植被指数和纹理指数的RF预测模型建立中重要性排序Fig.2 Importance ranking in RF prediction model based on vegetation index and texture indexes图1 基于纹理指数的RF预测模型建立中重要性排序 Fig.1 Importance ranking in RF prediction model based on texture indexA：植被指数（RF）；B：纹理指数（RF）；C：植被指数+纹理指数（RF）；D：植被指数+纹理指数（SVM）；E：植被指数+纹理指数（BP）。A：Vegetation index（RF）；B：Texture index（RF）；C：Vegetation index and texture index（RF）；D：Vegetation index and texture parameters（SVM）；E：Vegetation index and texture index（BP）.图3 柑橘叶片氮素含量预测值与实测值的相关性Fig.3 Correlations of measured values and predicted values of nitrogen content in citrus leaves161第 42 卷 华 中 农 业 大 学 学 报2.6不同栽培模式的氮素含量预测结果及反演根据上述结果，选择精度最高的融合纹理指数和光谱指数的反演模型对不同栽培模式的柑橘植株冠层氮素含量进行估算，得到3种栽培模式下的柑橘园冠层氮素含量分布图（图 4），其氮素含量范围在24.66 32.89 mg/g，且能看出柑橘植株呈带状排列与实际种植情况相符。宽行窄株小冠式栽培出的柑橘冠层氮素含量平均值最高，达31.33 mg/g，其他2种栽培模式的氮素含量稍低（表4）。3讨论植物冠层光谱特征是监测植被生长的重要指标，植被冠层的遥感影像中的各种特征参数能较准确地反映目标植株的组织分布结构、营养元素、生物量等多种综合信息23。本研究利用无人机多光谱系表4不同栽培模式氮素含量估算结果Table 4Estimation results of nitrogen content in different cultivation patternsmg/g 模式 Pattern宽行窄株篱壁 Wide row and narrow plant fence cultivation宽行窄株小冠 Wide row and narrow plant cultivation传统栽培模式 Traditional cultivation pattern平均值 Mean30.2031.3327.82最大值 Max32.2132.8931.40最小值 Min27.4029.5024.66A：老果园总体反演图；B：传统栽培模式；C：新果园总体反演图；D：宽行窄株篱壁式；E：宽行窄株式小冠式。A：Overall inversion map of old orchard；B：Traditional cultivation pattern；C：Overall inversion map of new orchard；D：Wide row and narrow plant fence cultivation pattern；E：Wide row and narrow plant cultivation pattern.图4 基于纹理指数和植被指数融合数据的氮素含量反演图Fig.4 N content inversion map based on mixed data of texture index and vegetation index162第 4 期李达岁 等：基于无人机遥感的果园冠层氮素估算及空间分析统获取3种不同栽培模式的柑橘植株冠层光谱信息，建立基于光谱特征、纹理特征、融合光谱和纹理特征的柑橘果园氮素估算模型，为规模化柑橘园营养状况的快速预测和果园养分精准管理提供科学依据。本研究比较了3种不同栽培模式的柑橘冠层氮素含量，宽行窄株小冠模式的冠层氮素含量平均值最大（31.57 mg/g），宽行窄株篱壁式次之（30.10 mg/g），传统栽培模式最低（27.64 mg/g），这可能与不同栽培模式的不同树形结构相关24。宽行窄株小冠和宽行窄株篱壁株行距大、树冠小，可以改善树体冠层通风透光状况，光合有效辐射较大，代谢速率较快，氮素含量相对较高15，25；然而，传统栽培模式的柑橘植株密度较大，植株间互相遮阴现象明显，透风透光条件较差，导致冠层氮素含量较低。利用重要性排序分别筛选出3个植被指数、7个纹理指数和10个融合植被指数和纹理指数，经建模得出测试集R2排序为融合植被指数和纹理指数植被指数纹理指数，用植被指数和纹理指数分别建模后的测试集R2分别为0.430和0.349，拟合效果较差，基于融和植被指数和纹理指数建模后的测试集MSE在基于植被指数与纹理指数建模后的MSE上分别降低了 18.2%和 28.3%，表明基于融合植被指数和纹理指数对柑橘冠层氮素含量的反演更具优势。这可能是因为植被指数在植物覆盖度较大时容易出现饱和现象26，而纹理指数反映的是图像灰度性质及其空间关系，扩大了基于原始影像亮度的空间信息辨识度，能够改善单一光谱反演时存在的饱和问题，在一定程度上提升生物量反演的潜力27-28。本研究的纹理指数是基于灰度共生矩阵计算得到的，较适用于对植株营养元素含量和分布的推算29，虽然灰度共生矩阵是处理纹理参数极为普遍的工具，但它是建立在单波段基础之上的，存在一定的局限性，后续还可以尝试灰度级差联合概率矩阵进行研究。柑橘叶片性状与传感器系统的冠层反射率之间的关系会因传感器和果园种类的不同而改变30，因此，并没有某一种特定的算法能在不同的果园中表现出最佳的分类精度10。本研究将基于融合植被指数和纹理指数构建的 RF 预测模型与 SVM 预测模型、BP预测模型进行对比分析，结果显示，RF算法拟合效果最好，测试集R2为0.533，且MSE、MAE均维持在合理的范围，与大豆、小麦等作物的冠层氮含量研究结论一致31-32。和其他算法相比，RF算法训练速度快，可高效处理不同纬度的数据，且不会出现过拟合33。BP和SVM算法拟合效果较差，测试集R2分别为0.204和0.371，2个模型均出现了欠拟合的问题，韩兆迎等34、Osco等 11、栗方亮等16也得到了类似结果。前人基于机器学习算法估算柑橘冠层氮素含量的研究已经取得了一定的进展11，35-36，但基于不同算法所构建的柑橘冠层氮素含量预测模型R2在0.7左右，而用于预测小麦、水稻等大田作物的模型 R2可达 0.80.928，37，这也与柑橘为多年生常绿果树、全年不落叶所形成的大而厚的树冠有一定关系23。春季柑橘树的大部分新芽伴生在老芽附近，在柑橘冠层平均反射率光谱曲线上难以区分幼叶和成熟叶区域38，为无人机精确获取冠层光谱信息造成困难，导致建模精度偏低。本研究结果表明，运用无人机遥感并采用融合植被指数和纹理指数的随机森林算法能够有效预测柑橘冠层氮素含量，可为大尺度柑橘果园定量施肥提供参考。参考文献 References 1郭文武，叶俊丽，邓秀新.新中国果树科学研究 70年：柑橘J.果树学报，2019，36（10）：1264-1272.GUO W W，YE J L，DENG X X.Fruit scientific research in New China in the past 70 years：citrus J.Journal of fruit science，2019，36（10）：1264-1272（in Chinese with English abstract）.2叶春，李艳大，舒时富，等.基于高光谱的柑橘叶片氮素营养监测模型 J.江苏农业科学，2018，46（7）：223-226.YE C，LI Y D，SHU S F，et al.A hyperspectral based nitrogen nutrition monitoring model for citrus leaves J.Jiangsu agricultural sciences，2018，46（7）：223-226（in Chinese）.3李旭.减氮施肥对柑橘树体氮素含量、果实品质产量和氮肥利用的影响 D.武汉：华中农业大学，2020.LI X.Effects of reduced nitrogen fertilization on nitrogen content，fruit yield and nitrogen fertilizer utilization of citrus treesD.Wuhan：Huazhong Agricultural University，2020（in Chinese with English abstract）.4张冬强，唐子立，杨勇，等.用于监测柑橘叶片冻害的叶绿素含量光谱反射模型研究 J.农业环境科学学报，2012，31（10）：1891-1896.ZHANG D Q，TANG Z L，YANG Y，et al.Model for Citrus leaves chlorophyll content based on spectral signatureJ.Journal of agro-environment science，2012，31（10）：1891-1896（in Chinese with English abstract）.5房贤一，朱西存，王凌，等.基于高光谱的苹果盛果期冠层叶绿素含量监测研究 J.中国农业科学，2013，46（16）：3504-3513.FANG X Y，ZHU X C，WANG L，et al.Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage J.Scientia agricultura sinica，2013，46（16）：163第 42 卷 华 中 农 业 大 学 学 报3504-3513（in Chinese with English abstract）.6GALVEZ-SOLA L，GARCA-SNCHEZ F，PREZ-PREZ J G，et al.Rapid estimation of nutritional elements on citrus leaves by near infrared reflectance spectroscopy J/OL.Frontiers in plant science，2015，6：571 2022-12-15.https：/doi.org/10.3389/fpls.2015.00571.7ZHENG H B，CHENG T，LI D，et al.Combining unmanned aerial vehicle（UAV）-based multispectral imagery and ground-based hyperspectral data for plant nitrogen concentration estimation in rice J/OL.Frontiers in plant science，2018，9：9362022-12-15.https：/doi.org/10.3389/fpls.2018.00936.8刘忠，万炜，黄晋宇，等.基于无人机遥感的农作物长势关键参数反演研究进展 J.农业工程学报，2018，34（24）：60-71.LIU Z，WAN W，HUANG J Y，et al.Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing J.Transactions of the CSAE，2018，34（24）：60-71（in Chinese with English abstract）.9梁雪映，樊风雷.基于遥感光谱的作物氮含量估算研究进展J.中国农业科技导报，2019，21（1）：51-61.LIANG X Y，FAN F L.Research progress on crop nitrogen content estimation based on remote sensing spectrum J.Journal of agricultural science and technology，2019，21（1）：51-61（in Chinese with English abstract）.10 王鑫梅，张劲松，孟平，等.基于无人机遥感影像的核桃冠层氮素含量估算 J.农业机械学报，2021，52（2）：178-187.WANG X M，ZHANG J S，MENG P，et al.Estimation of nitrogen content in walnut canopy based on UAV remote sensing image J.Transactions of the CSAM，2021，52（2）：178-187（in Chinese with English abstract）.11 OSCO L P，MARQUES RAMOS A P，SAITO MORIYA A，et al.Improvement of leaf nitrogen content inference in Valencia-orange trees applying spectral analysis algorithms in UAV mounted-sensor images J/OL.International journal of applied earth observation and geoinformation，2019，83：1019072022-12-15.https：/doi.org/10.1016/j.jag.2019.101907.12 CEN H Y，WAN L，ZHU J P，et al.Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras J/OL.Plant methods，2019，15：32 2022-12-15.https：/doi.org/10.1186/s13007-019-0418-8.13 贾丹，陈鹏飞.低空无人机影像分辨率对冬小麦氮浓度反演的影响 J.农业机械学报，2020，51（7）：164-169.JIA D，CHEN P F.Effect of low-altitude UAV image resolution on inversion of winter wheat nitrogen concentration J.Transactions of the CSAM，2020，51（7）：164-169（in Chinese with English abstract）.14 万亮，杜晓月，陈硕博，等.基于无人机多源图谱融合的水稻稻穗表型监测 J.农业工程学报，2022，38（9）：162-170.WAN L，DU X Y，CHEN S B，et al.Rice panicle phenotyping using UAV-based multi-source spectral image data fusion J.Transactions of the CSAE，2022，38（9）：162-170（in Chinese with English abstract）.15 胡青青，佃袁勇，龚赞，等.不同栽培模式的纽荷尔脐橙果实品质分析 J.华中农业大学学报，2022，41（5）：108-115.HU Q Q，DIAN Y Y，GONG Z，et al.Analyzing fruit quality of Newhall navel oranges with different cultivation patterns J.Journal of Huazhong Agricultural University，2022，41（5）：108-115（in Chinese with English abstract）.16 栗方亮，孔庆波，张青，等.琯溪蜜柚叶片氮素含量多种高光谱估算模型对比研究 J.果树学报，2022，39（5）：882-891.LI F L，KONG Q B，ZHANG Q，et al.Comparative study on se