水稻全生育期近地空农情遥感精准监测应用

于铁龙 杨兰 张婷婷 刘龙 宫华泽 包永辉

摘要：【目的】通过对水稻全生育期近地空农情遥感精准监测应用，在近地空尺度采集农田及水稻全生育周期冠层高分辨率光谱及影像，反演土壤及农作物全生育周期关键农情信息，实现农作物无损、便携、精准、低成本监测和种植端数字化溯源，农田全过程管理的数字化和可视化，为进一步农业数字化工作提供科学指导。【方法】通过采集水稻全周期（分蘖期、拔节期、孕穗期、扬花期、灌浆期、结实期）田块、冠层高分辨率的光谱及影像数据，利用农情遥感监测模型和人工智能算法反演土壤平整度、土壤墒情、土壤肥力、苗情、作物长势、病虫害等级分布、叶面氮含量、产量预测等数據，形成符合农场生产需求的全指标监测体系。将农情监测指标部署到“麦芒”数字农田平台，实现SaaS方式的在线运行。【结果】水稻全生育期农情快速监测与诊断模型大田应用精度≥80%，节约亩均劳动力成本33%-50%，提高实测作业效率50%-100%，快速计算土方量节约工程量20%，精准施肥平均节约施肥量为22%，对水稻品种及栽培方式给予针对性建议，实现水稻增产5%-8%。【结论】近地空农情监测系统已经具备了一定的农技指导作用，可实现水稻全生长期生长状况跟踪和农情诊断，提供精准施肥、变量施药、精准灌溉等方面的数据指导，实现种植端溯源；基于遥感监测信息实现了从农田建档到土情监测，再到耕种管收的全过程数字化和可视化管理。

关键词：近地空遥感；农情监测；“麦芒”数字农田；全生育期；数字农业

作者简介：于铁龙，本科，助理工程师，研究方向：智慧农业，无人机遥感应用。Email：3001662490@qq.com

通讯作者：张婷婷，博士，副研究员，研究方向：土壤遥感。

引言

我国农业近年来面临着发展瓶颈，不仅面临着资源（即水资源、土地资源等）价格不断上升和短缺波动风险，同时受制于传统种植和养殖经营模式低效、规模化程度低、农民整体文化水平低等因素，产生了如小型农户或生产者的“扎堆”、市场价格波动剧烈、现有粮食作物或农产品安全无法得到保障等诸多问题。2019年年底的《数字农业农村发展规划（2019-2025年）》明确提出“农业农村数据采集体系建立健全，天空地一体化观测网络、农业农村基础数据资源体系、农业农村云平台基本建成”的发展目标，同时提出“种植业信息化”“动态监测重要农作物的种植类型、种植面积、土壤墒情、作物长势、灾情虫情，及时发布预警信息，提升种植业生产管理信息化水平”的具体要求。数字农业是一个系统工程，是叠加在传统农业技术基础上的数字化手段，能够对单个农学意义上的环节产生价值，同时沉淀数据，完善建模，最终形成完整的数字化农田档案，有助于提升农田产量、降低成本、优化产品结构、精准管理、保持土地和其他资源的可持续发展。

回应现代农业发展诉求，高光谱遥感作为一种新技术，凭借其光谱分辨率高，光谱信息量大，谱段连续性强等优点在精细化农业领域得到了快速发展。农业定量遥感趋向无损伤、高精度（高空间分辨率，高时间分辨率）诊断作物长势及养分的方向发展[1]。国内外针对水稻光谱遥感监测研究成果颇丰，主要包括运用高光谱技术进行水稻长势监测，构建相关植被指数模型，如对水稻叶绿素含量监测研究[2-4]，对水稻叶面积指数高光谱监测[5-7]，对水稻上部生物量高光谱监测[8-9]，通过构建植被指数对水稻产量进行估算[10-12]。水稻养分监测包括对氮、磷、钾素高光谱研究[13-19]，其中对氮素研究较为成熟而对磷钾素研究较少。水稻高光谱遥感获取技术、数据处理与反演模型的选择对水稻监测结果精度产生重要影响。高光谱遥感技术根据光谱仪所处高度可分为近地遥感技术、机载遥感技术和卫星遥感技术。机载遥感和卫星遥感技术应用最早且范围较广，利用其对水稻监测的研究较为成熟[20-25]，其成像遥感技术可大范围监测农作物，但数据空间分辨率和时间分辨率低，使用成本较高，且易受到天气影响[26]，估测精度低不适合小型农田全周期生长监测。近地遥感技术中包括利用手持光谱探测仪的地面高光谱技术和无人机遥感技术，手持光谱探测仪作业效率较低，不利于在大中型农业场景下推广使用。无人机遥感技术获取的数据主要为非成像形式，可以弥补地面和卫星遥感平台的缺陷。无人机遥感应用系统具有高效、低成本、操作简单等特点，能够获取高空间分辨率和高时间分辨率影像。目前，学者利用无人机遥感在农情监测领域展开了诸多探索，如对农作物生长参数评估[27-29]，对水稻自动识别、长势和产量监测[30-33]。目前，国内外常用的高光谱反演技术主要分为两大类：第一类是线性模型，如一元线性回归、多元线性回归、逐步回归等，因其模型简单快速，应用较为广泛，如用线性回归技术建立了基于植被指数的水稻叶片全氮含量反演模型[34-35]，但光谱反射率的非线性导致预测精度受到模型限制。第二类是非线性模型，如人工神经网络（ANN）、偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）、BP神经网络法等，如采用BP神经网络分类器和像素累加法对农作物识别和面积测量[30]；利用面向对象分类方法对无人机影像进行水稻自动化识别并估计产量[31]；采用支持向量机（SVM）建立了水稻镉含量高光谱预测模型[36]。但目前水稻高光谱监测模型多为静态的统计模型，光谱单因素变量也难以精确模拟水稻生长发育形成与环境因子交互的作用机理。此外，缺乏具有普适性与动态性的反演模型。

本文针对当前农情遥感监测应用存在的缺陷，研发了农作物全周期近地空农情遥感精准监测应用系统，并将其用于水稻全周期农情监测。该系统基于无人机多光谱/高光谱数据监测近地空尺度农作物全生育周期的关键农情信息，通过GPU加速的云端一体化平台进行数据处理分析，实时获取信息，进而实现农产品的种植端数字化溯源；建立基于农作物光谱和图像特征以及特征融合的农情诊断深度神经网络结构，综合深度学习的农情诊断特征和模型的迁移构建了农情动态诊断模型，实现了农情智能动态诊断；将光谱测量、农情监测与诊断技术集成到无人机监测系统中，通过快速获取农情状况与丰缺诊断信息，解决了传统光谱监测设备成本高、操作复杂、专业性强等问题，实现农情指标的无损、便携、精准监测。

数字农业要求土地相对集约化，作业机械化，因此农垦系统成为了最佳的技术应用示范场景。黑龙江北大荒是国家粮食种植、储备的“压舱石”，黑龙江建三江七星农场是隶属黑龙江北大荒集团的标杆型大型农场。七星农场“万亩大地号”（以下简称万亩大地号）是黑龙江建三江地区大型水稻种植地块的称号，总面积约为12 620亩，已经成为集科技研发、旅游观光、农业生产于一体的现代化农业示范基地。目前农场的粮食生产机械化作业在数字化、智能化、精准化方面的发展还不均衡，特别是在作物种植环节，全生育周期的指标没有数字化。作物生长状况主要通过农技人员随意巡視及主观判断，依赖于农技人员的感官和经验，而农技人员往往缺乏对作物生长情况的客观认知而产生量化指标的差异性，而且巡田覆盖区域较小，以部分作物生长情况代替全部也有失偏颇，甚至在作物出现明显长势差异前仍无法察觉，导致后续的灌溉、施肥、喷药等农事管理操作也全靠主观判断，增加了水、肥、药及人工等的成本。综上而言，精准农业亟待发展及推广。

本文将基于自主研发的近地空农情遥感精准监测系统，在七星农场“万亩大地号”科技示范区进行水稻全生育周期近地空农情指数监测、无人机精准变量施药、数字化种植管理，以实现三个目标：①在近地空尺度，按照水稻的不同生育周期定制数据采集时间，利用搭载视觉光谱载荷的“麦视”监测机近地空遥感监测农田及土壤情况，获取水稻全生长周期的田块、冠层高分辨率的光谱及影像数据。②获取数据上传至云端后，加载农情遥感监测模型和人工智能算法，反演土壤平整度、土壤墒情、土壤肥力、苗情、作物长势、病虫害等级分布、叶面氮含量、产量预测等，实现水稻全生长期生长状况跟踪和农情诊断，提供精准施肥、变量施药、精准灌溉等方面的数据指导，实现种植端溯源。③基于遥感监测信息构建“麦芒”数字农田平台，实现从农田建档到土情监测，再到耕种管收的全过程数字化管理和可视化展示。

1 材料与方法

1.1 项目区概况

黑龙江七星农场是国家重要的商品粮生产基地，地处三江平原，毗邻富锦、同江、抚远、饶河四个大型口岸。它是由黑龙江、松花江和乌苏里江冲击而成的平原，场区三江环绕，地势低平，坡降平缓，海拔高程多在52-65m之间。气候属于寒温带大陆性季风气候，冬季漫长、严寒而干燥，夏季短暂、温暖而湿润，一年中四季分明。年平均温度3.1℃，极端最低温度-41℃，极端最高温度38.4℃；全年日照时数为2260-2570h，日照率为53.6%；无霜期短，平均137天；多年平均降雨量为502.8mm，多集中在7-9三个月，占全年降雨量的50%-70%，可充分满足大豆水稻等作物对水分的要求。境内土壤以草甸土白浆土为主，土层深厚、有机质含量高、土质肥沃、蓄水能力强，是耕地中的“大熊猫”。近年来，黑龙江七星农场采取保护性耕地替代传统耕地、绿色农药替代传统化学农药、有机肥替代化肥等措施，做好黑土地保护。

七星农场现有耕地面积122万亩，其中水田105万亩，年生产粮食16亿斤，农场主要作物类型有小麦、大豆、水稻和玉米，是北大荒集团水稻种植面积最大的农场，见图1。田间全覆盖式布置了200个测点、20套小型气象站和20套地下水位监测系统信息采集设备用以采集农业生产大数据。农业生产管理的科学化、产品的品牌化（物联网环境下现代水稻供应链管理模式）、农业生产信息化、农机全程机械化率达到99%以上，智能大棚、智能农机、食品安全可追溯系统都已完备。

1.2 监测系统

实验田数据采集所使用的设备为大疆四旋翼无人机P4M，搭载6个影像传感器，包括1个用于可见光成像的彩色传感器和5个用于多光谱成像的单色传感器，包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段，单个传感器有效像素为208万。续航时间27min，单次飞行最大作业面积为0.63km2。无人机具备适配云端GPU加速的多种AI算法，日均万亩作业能力，作业轻巧便携。采用D-RTK GNSS系统定位，地面平台通过集飞行控制、航线规划、数据获取、数据上传、模型匹配、数据计算、结果展示等功能于一体的“麦视”APP实现对无人机操控。所获取的可见光原始图像分辨率可达厘米级。图2展示了无人机及探测器实物图、“麦视”APP应用界面、田间作业场景以及无人机获取可见光图像。

1.3 数据采集与预处理

项目于2021年1-12月在黑龙江省建三江管理局七星农场基地开展（47.27°E，132.66°N）。按照水稻的不同生育周期规划数据采集时间，获取水稻全生育周期的田块、冠层高分辨率的光谱及影像数据。针对水稻农情监测需跨越水稻的整个生长周期的情况，在水稻的不同生长阶段进行针对性的监测，水稻苗期、分蘖期、拔节期、孕穗期、扬花期、灌浆期、结实期的监测内容见表1。

无人机起飞前进行了暗电流矫正和辐射定标，因不同生长期水稻长势不同而飞行参数略有差异。在采集数据的同时进行百万亩秒级田块边界自动化识别提取，用于基础农田边界数据制作（图3）。分析了农田集约化程度，图4显示地块面积峰值处于2.5亩附近，整体连片，便于机械化耕种，格田分布较为均一。最后利用Photoscan 软件进行影像拼接与几何校正并利用ExifTool进行照片信息提取。在采样同时进行了地面真值调查，包括病害等级、株高、叶面积指数（LAI）、气象数据和控制点数据。

一共完成1400块基础农田边界的数据制作，监测覆盖面积为10 526.23亩。纯地块面积共计7897.91亩；最大单一地块面积为34.50亩；最小单一地块面积为3.28亩；平均地块面积为5.41亩（如图5）。

2 模型与系统构建

2.1 农情指数反演

基于监测数据，按照研究计划进行各项农情指标的反演，具体指标内容见表2。通过反演土壤平整度、土壤墒情、土壤肥力、苗情、作物长势、病虫害等级分布、叶面氮含量、产量预测等，实现水稻全生长期生长状况跟踪和农情诊断，提供精准施肥、变量施药、精准灌溉等方面的数据指导，实现种植端溯源。

（1）土壤平整度。农业土地的田间平整度是水田作物的关键参数指标，直接决定了种植过程中的水肥空间运移情况。为了能够达到满足生产需求的平整度，需要利用激光平地机进行改造。利用高重叠度的近地空航拍数据（图6（1）），组成立体像对，利用近景摄影测量原理，重建农田土地数字地形模型，即对土地高程测量，完成对土地平整度的评估（图6（2）），精度可达±5cm，能够支撑农业生产中所需要开展的平地与格田改造工作。依据田间平整度监测形成的整地方案，定量化评估整地的土方量，精准有效进行农机作业。

（2）土壤墒情。利用光谱遥感能力，对农业土壤的表层含水量进行反演推算，形成土壤墒情监测图（图7（1））。

（3）土壤肥力。利用光谱遥感数据，对土壤中氮磷钾等有效成分进行定量反演，基于反演结果计算出与土壤肥力相关的指标量，形成田间土壤肥力分布图（图7（2））。

（4）病虫害等级分布。利用视觉光谱技术，在不同生长期对水稻发生的主要病虫害进行识别与定位，形成病虫害监测图，支撑施药处方图的制作，指导智能化农机施药作业（图7（3））。

（6）作物产量预测。产量是农业生产最重要的指标，通常在收割之前1-2个月进行产量预测。利用植物生长模型，输入遥感监测指标，推算出最终的亩产量（图7（4））。

（5）叶片氮含量。叶片氮含量是农业追肥的主要依据，基于多光谱技术能够清晰地反演出叶片氮含量指标，指导精准追肥作业（图7（5））。

（5）作物长势。针对作物生长过程中冠层结果以及叶片形态进行观测，对作物长势结构进行量化分析，支撑判断作物长势是否正常（图7（6））。水稻全生长周期近地空无人机拍摄影像与反演结果对比（图8）。

（4）苗情。主要针对播种之后追踪出苗率、成活率指标，形成对缺苗位置的定位与定量判断，指导补苗措施（图9）。

2.2 农情监测系统构建

农情监测系统基于遥感监测信息实现从农田建档到土情监测，再到耕种管收的全过程数字化管理和可视化展示。系统主要包括数据采集、数据处理、算法构建和数据可视化管理四部分。数据采集包括多光谱影像获取和地面真值调查。数据处理主要对多光谱影像进行拼接、几何校正和辐射定标。算法构建包括光谱指数模型计算和机器学习模型构建。数据可视化管理主要通过建构“麦芒”数字农田SaaS平台实现监测数据、变量植保信息和未来账本信息的实时显示。数据采集完成后进行自动化数据处理，数据通过上传插件至云端服务器。服务器分为预处理服务器和算法服务器。预处理服务器进行几何校正、辐射校正和图像拼接，结果存至数据库内驱动算法服务器运行，算法服务器会依据数据采集的生长期时间自动调用相应模型对数据库中的数据进行计算，最终结果重新存入数据库。反演结果数据将自动推送到“麦芒”系统的监测数字大屏上，进行可视化展示。农情监测系统总体技术实施框架（如图10）。

3 “麦芒”数字农田管理系统

农情指标反演结果均被部署在“麦芒”数字农田系统。“麦芒”数字农田系统将农田进行了数字孪生，数字化重新定义了每一块农田，最大程度地取代田间判断与农技指导。

“麦芒”可实现对农业种植过程的数字化管理和可视化展示，通过可视化大屏全面展现数字农场精准监测、变量植保、未来账本等信息。“麦芒”还向农场管理者提供全程监测数据、变量植保的过程数据、及联动财务数据的未来账本等引领行业的特色功能（图11）。

项目运行过程中的技术指标要求水稻全生育期农情快速监测与诊断模型大田应用精度≥80%。于2021年年初至9月底，应用麦视软件共采取数据200余次，计算数据采集成功次数占比100%，航线信息成功显示，共计纯飞行时长5082min，飞行控制数据采集与结果可视化平台稳定性≥95%。在补苗操作中，通常人均亩均补苗的成本是30元，基于苗情遥感监测结果，可快速定位缺苗处，亩均节约劳动力成本33%-50%（10-15元）。通常人均每日补苗的作业效率为10亩地，基于苗情遥感监测结果，可快速定位缺苗处，实测人均每日补苗增加到15-20亩地，作业效率提高50%-100%。在农情查看中，传统查田一般需要看10个样点，如采用人工采集数据，每个样点采集效率按10min计算，实验区内地块查田共需100min，即1.6h，使用无人机可以60min内查完长势、水分、病虫害等信息，查田效率可提高67%。在底肥施洒环节，通过土壤肥力的监测图，根据图像和作物生长模型实施精准喷洒，平均节约施肥量为22%，按每亩地施洒35-40斤复合肥计算，每亩地的种植成本节省13.5-15.4元。在格田改造中，无法精确定位最优格田改造高度，通过生成高精度土地平整度监测图，可以快速计算土方量，可节约工程量超过20%。传统查田成本按人均每日一次计算需要300元，亩均0.03元，使用无人机自动查田，亩均电池损耗成本约0.000 2元，亩均查田的无人机使用成本为0.02元，租用成本为0.1元，节省查田成本近100%。研究人员基于2020年的遥感监测结果，对水稻品种及种植方法给予了针对性的建议，经过与测产数据对比，成功实现增产5%-8%。传统近地空遥感监测设备成本在20万左右，麦视全套监测成本在10万元左右，设备成本降低50%，近地空农情遥感图谱数据监测设备成本降低 20%-30%。

4 结论

为实现对水稻全生育周期农情指数精准快速监测及数字化管理，本文设计了基于无人机遥感平台近地空农情遥感精准监测系统。从耕地到收割的水稻各个生长阶段，通过精准监测技术对水稻及农田环境多种指标进行监测，集成分析结果指导农事作业，通过数字化农事管理平台协调监测并实现可视化展示，切实提高了工作效率。

本研究首次打通了寒地水稻近地空遥感监测的全技术流程，成功获取了插秧期及分蘖期的数据，得到了土壤墑情、土壤肥力、苗情、作物长势、病虫害等级分布、叶面氮含量、产量预测等遥感监测数据，为建立农田档案，建构全生育期的时序数据监测打下了良好的技术基础。监测数据为农田管理提供了数字化依据，大大提高了巡田的效率，节省了人工成本。采集的数据经遥感算法处理后，部署于数字农田平台，成功实现了数据的实时共享、记录及查询。

本系統仍有改进的空间，如雨天和风天等不利于数据采集的天气较多，导致数据采集时间窗口较小，需要加强数据采集能力，增加监测终端数量，配合“麦芒”数字农田平台突破意外天气的影响，实现全天候数据采集。项目要求近地空数据采集频次高、范围大，服务器算力与大数据量形成协调关系，因此需进一步优化现有数据处理架构。

本工作得到了北大荒建三江管理分局和七星农场的大力支持，同时北大荒信息公司也给予了研究团队充分的信息化基础设施，还有七星农场的参与本项工作的各位成员的辛勤劳动与密切配合，在此一并表示感谢。

参考文献

[1] 赵小敏，孙小香，王芳东，等.水稻高光谱遥感监测研究综述[J].江西农业大学学报，2019，41（1）：1-12.

[2] Curran P J.Remote sensing of foliar chemistry[J].Remote sensing of environment，1989，30（3）：271-278.

[3] 杨杰，田永超，姚霞，等.水稻上部叶片叶绿素含量的高光谱估算模型[J].生态学报，2009，29（12）：6561-6571.

[4] 唐延林，王秀珍，黄敬峰，等.水稻微分光谱和植被指数的作用探讨[J].农业工程学报，2003（1）：145-150.

[5] 浦瑞良，宫鹏，约翰R.米勤.美国西部黄松叶面积指数与高光谱分辨率CASI数据的相关分析[J].环境遥感，1993（2）：112-125.

[6] 刘占宇，黄敬峰，王福民，等.估算水稻叶面积指数的调节型归一化植被指数[J].中国农业科学，2008（10）：3350-3356.

[7] 辛明月，殷红，陈龙，等.不同生育期水稻叶面积指数的高光谱遥感估算模型[J].中国农业气象，2015，36（6）：762-768.

[8] Thenkabail P S，Smith R B，DePauwE.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J].Remote sensing of Environment，2000，71（2）：158-182.

[9] Casanova D，Epema G F，GoudriaanJ. Monitoring rice reflectance at field level for estimating biomass and LAI[J].Field Crops Research，1998，55（1-2）：83-92.

[10] 王延颐.南方稻区遥感水稻长势监测与估产研究[J].遥感技术与应用，1991（3）：1-6.

[11] 薛利红，曹卫星，罗卫红，等.光谱植被指数与水稻叶面积指数相关性的研究[J].植物生态学报，2004（1）：47-52.

[12] 黄敬峰，杨忠恩，王人潮，等.基于GIS的水稻遥感估产模型研究[J].遥感技术与应用，2002（3）：125-128.

[13] 张金恒，王珂，王人潮，等.水稻叶片反射光谱诊断氮素营养敏感波段的研究[J].浙江大学学报（农业与生命科学版），2004（3）：106-112.

[14] 田永超，杨杰，姚霞，等.利用叶片高光谱指数预测水稻群体叶层全氮含量[J].作物学报，2010，36（9）：1529-1537.

[15] Al-Abbas A H，BarrR，Hall J D，et al. Spectra of normal and nutrient-deficient maize leaves[J].1974.66（1）：16-20.

[16] Osbourne S L，Schepers J S，FrancisD，et al.Detection of phosphorus and nitrogen deficiencies in corn using spectral radiance measurements[J].2002.94（6）：1215-1221.

[17] 林芬芳，丁晓东，付志鹏，等.基于互信息理论的水稻磷素营养高光谱诊断[J].光谱学与光谱分析，2009，29（9）：2467-2470.

[18] 乔欣，马旭，张小超，等.大豆叶绿素和钾素信息的冠层光谱响应[J].农业机械学报，2008（4）：108-111+116.

[19] 王珂，沈掌泉，王人潮.不同钾营养水平的水稻冠层和叶片光谱特征研究初报[J].科技通报，1997（4）：8-11.

[20] Campos-TabernerM，García-HaroFJ，Camps-VallsG，et al. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring[J].Remote Sensing of Environment，2016，187：102-118.

[21] JiaK，LiangS，GuX，et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J].Remote sensing of Environment，2016，177：184-191.

[22] Punalekar S M，VerhoefA，Quaife T L，et al. Application of Sentinel-2A data for pasture biomass monitoring using a physically based radiative transfer model[J].Remote Sensing of Environment，2018，218：207-220.

[23] MoharanaS，DuttaS.Spatial variability of chlorophyll and nitrogen content of rice from hyperspectral imagery[J].ISPRS journal of photogrammetry and remote sensing，2016，122：17-29.

[24] Clevers J G P W，Gitelson A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3[J].International Journal of Applied Earth Observation and Geoinformation，2013，23：344-351.

[25] Jin X，Li Z，YangG，et al. Winter wheat yield estimation based on multi-source medium resolution optical and radar imaging data and the AquaCrop model using the particle swarm optimization algorithm[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，126：24-37.

[26] 陳仲新，郝鹏宇，刘佳，等.农业遥感卫星发展现状及我国监测需求分析[J].智慧农业，2019，1（01）：32-42.

[27] Cen H，WanL，ZhuJ，et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras[J].Plant Methods，2019，15（1）：1-16.

[28] Yu N，LiL，Schmitz 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，2016，187：91-101.

[29] 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（9）：1254-1264.

[30] 闵文芳，江朝晖，李想，等.基于无人机平台和图像分析的田间作物检测[J].湖南农业大学学报（自然科学版），2017，43（2）：212-216.

[31] 吴金胜，刘红利，张锦水.无人机遥感影像面向对象分类方法估算市域水稻面积[J].农业工程学报，2018，34（1）：70-77.

[32] JeongS，KoJ，KimM，et al. Construction of an unmanned aerial vehicle remote sensing system for crop monitoring[J].Journal of Applied Remote Sensing，2016，10（2）：026027.

[33] Zhou X，Zheng H B，Xu X Q，et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：246-255.

[34] 田永超，杨杰，姚霞，等.利用叶片高光谱指数预测水稻群体叶层全氮含量[J].作物学报，2010，36（9）：1529-1537.

[35] 周冬琴，朱艳，杨杰，等.基于冠层高光谱参数的水稻叶片碳氮比监测[J].农业工程学报，2009，25（3）：135-141.

[36] 吕杰，刘湘南.利用支持向量机构建水稻镉含量高光谱预测模型[J].应用科学学报，2012，30（1）：105-110.