棉花全生长周期机载高光谱正射影像数据集构建

程俊涛　赵庆展　刘汉青　田文忠　王学文　胡斌　隆学丰

摘要： 目的 棉花作為我国的主要经济作物，对其开展低空遥感精细监测的研究目前尚缺乏高质量的监测样本数据集。高光谱影像具有丰富的光谱特征和空间特征，被广泛用于生化参量反演、病虫害监测、长势评估与产量预测。为此，本文构建了面向棉花全生长周期的机载高光谱成像数据集（Airborne hyperspectral imaging dataset for the full growth cycle of cotton，AHS-FGCC）。方法 基于大疆M600 Pro无人机搭载Rikola高光谱成像仪，以100 m航高获取同一区域同一棉花品种苗期、苗后期、蕾期、花期、铃期、盛铃期以及吐絮期共7期无人机高光谱数据。该数据经过标准预处理，参考《地理信息元数据》规范，补充无人机载高光谱棉花数据元数据信息，从而构建全生长周期棉花高光谱正射影像数据集。通过与采样点ASD（SR-3500）地物光谱仪棉花冠层光谱曲线对比，分析棉花数据集的光谱精度以及对应的棉花生长期光谱变化规律。结果表明 Rikola成像光谱仪和ASD地物光谱仪波长在503～850 nm区间，反射率曲线趋势具有良好的一致性，“绿峰特征”，“红谷特征”，“红边特征”3种典型光谱特征表现也基本吻合。结论 本数据集可以较好地反应棉花不同生长周期的光谱特征变化规律，可为棉花的低空遥感精细监测提供样本数据，并为农作物高光谱或多光谱数据集构建的相关研究提供参考和借鉴。（数据集发布于科学数据银行，访问地址：https：//www.scidb.cn/detail？dataSetId=a07c3451e3cf4ff090b1cbb72edc08c3。）

关键词：棉花；无人机遥感；高光谱；数据集；生长周期；正射影像

中图分类号：S127; TP751文献标志码：A文献标识码

Construction and analysis of airborne hyperspectral orthophoto data set in

the whole growth cycle of cotton

CHENG  Juntao1，2，3，ZHAO  Qingzhan1，2，3*，LIU  Hanqing2，3，4，TIAN  Wenzhong2，3，4，

WANG  Xuewen1，2，3，HU  Bin1，2，3，LONG  Xuefeng1，2，3

（1 College of Information Science and Technology， Shihezi University，Shihezi， Xinjiang 832003， China; 2 Geospatial Information Engineering

Research Center， Xinjiang Production and Construction Crops， Shihezi，Xinjiang 832003， China; 3 Xinjiang Production and Construction Corps Industrial Technology

Research Institute， Shihezi，Xinjiang 832003， China; 4 College of Mechanical and Electrical Engineering， Shihezi University， Shihezi，Xinjiang 832003， China）

Abstract：  Cotton is the main economic crop in China， but there is still a lack of high-quality monitoring sample datasets for research on low-altitude remote sensing fine monitoring. Hyperspectral images not only have rich spectral and spatial characteristics， but also are widely used in biochemical parameter inversion， plant diseases and insect pests monitoring， growth potential assessment， and yield prediction. To this end， this paper builds an airborne hyperspectral image dataset for the full growth cycle of cotton （AHS-FGCC）. Based on the DJI M600 Pro drone equipped with a Rikola hyperspectral imager， a total of 7 phases（seedling， seedling-seeding， bud， florescence， boll-forming， peak bolling and open-boll periods） of UAV hyperspectral data of the same cotton varieties in the same area with a height of 100 m. This data has been standardly preprocessed. Referring to the Geographic Information Metadata specification， the airborne hyperspectral cotton metadata information is supplemented to build a full growth cycle cotton hyperspectral orthography image dataset. The results show that the reflectance curves obtained by the Rikola imaging spectrometer and the ASD ground object spectrometer have good consistency in the wavelength range of 503-850 nm. In addition， the three typical spectral features of "green peak feature"， "red valley feature" and "red edge feature" are basically consistent. This dataset can better reflect the spectral characteristics of cotton in different growth periods and can provide sample data for fine monitoring of cotton by low-altitude remote sensing， and provide a reference for related research on the construction of crop hyperspectral or multispectral datasets.（Dataset published on Science Data Bank.Address：https：//www.scidb.cn/detail？dataSetId=a07c3451e3cf4ff090b1cbb72edc08c3）

Key words： cotton;UAV remote sensing;hyperspectral;dataset;growth cycle;orthophoto

棉花作为我国极为重要的1种大田经济作物，其生产覆盖全国24个省（直辖市、自治区），商品率在95%以上，在国民经济中占有十分重要的地位。新疆因得天独厚的气候、光照、土地等自然资源条件，成为目前我国最大的商品棉基地，实现棉花种植生产的精准管理，对促进新疆经济发展具有重要意义。田明璐等［1］以无人机高光谱影像数据为基础，应用植被指数构建棉花叶面积指数的估算模型，为棉花精准管理及变量施肥提供了新的技术手段和科学依据；郭伟等［2］通过无人机采集棉花病虫害的高光谱和地面调查信息，获取不同病虫害严重度的棉花冠层成像光谱数据，利用比值导数法选取病虫害棉花冠层光谱敏感波段，进而建立棉花病虫害严重度估测模型，反演棉花病虫害严重度的空间分布，为棉花精准施药提供有效辅助。易翔等［3］通过获取不同阶段棉花地上部生物量和无人机高光谱数据，对比不同的光谱预处理方法和回归建模方法，构建并筛选出最优棉花地上部生物量估算模型，实现棉花地上部生物量的快速无损监测，为新疆棉花生产的科学管理提供参考。这些研究多是基于作物的光谱信息对其生物物理和化学组分进行建模反演，为田块尺度农作物的动态监测和精细管理提供了1种及时、快速和非损伤性的有效手段，但是他们的数据源均是基于自身采集的某一期或多期的棉花光谱数据进行的，数据具有一定的局限性，全生长周期的棉花高光谱数据更具现实意义和参考价值。

随着遥感对地观测技术的不断发展，遥感数据在诸多领域都得到了广泛的应用，已经成为人们获取地理环境及其变化信息的重要手段［4］。高光谱作为遥感技术中的重要一环，以其光谱分辨率高、图谱合一等独特优势，在植被参数反演、作物长势监测、产量估计、品质监测以及病虫害监测预测方面都得到了广泛应用［5］。目前具有代表性的公开高光谱数据集有雄安新区马蹄湾村高光谱数据集、面向遥感场景分类的高光谱图像（HSRS-SC）数据集、Indian Pines数据集、RIT数据集等，这些公开的高光谱数据集多与地物分类、变化检测、像元解混等方向相关，与农业领域相关的高光谱数据集相对较少。农业领域的数据采集方式往往以微小型无人机遥感信息平台为主，传统的非成像地物光谱数据采集方式，只能获取单个样点范围内的光谱数据；近地成像的光谱数据采集方式，不仅工作量大且难以获得大面积的正射影像；航空拍摄方式，数据获取门槛高且成本昂贵；卫星拍摄方式，则易受天气、云量、重访周期等因素影响［6］。利用无人机遥感技术不仅能有效弥补上述数据采集方式的缺陷，还能够满足农业领域高空间、高时间和高光谱分辨率的遥感数据需求。

本文结合当前农业遥感领域高光谱数据集较为匮乏的研究现状，利用无人机搭载Rikola高光谱仪对新疆塔城地区蘑菇湖村的棉花试验田进行数据采集，同步利用ASD地物光谱仪对地面数据进行相应的采集。经数据预处理得到的机载棉花正射影像，联合地面光谱数据使用典型光谱特征值及一阶微分，对机载棉花高光谱数据的准确性与可靠性进行验证，以期为棉花生长状况状态监测、机载高光谱图像质量研究、棉花光谱库的构建、农作物高光谱或多光谱数据集的构建等多个应用方向提供参考和借鉴。

1 资料与方法

1.1 研究区概况

研究区位于新疆塔城地区沙湾县蘑菇湖村，地处天山北麓中段，准噶尔盆地南缘，整体地势南高北低，北部为古尔班通特沙漠，中部为山前洪积-冲积绿洲平原，南部为天山支脉，属于典型大陆性中温带干旱气候，夏季炎热冬季寒冷，具有降水量少、蒸发量大、气候干燥、昼夜温差大等特点，年平均气温约为6.6℃，年降水量140～350mm，年蒸发量为1 500～2 000mm，为寒旱种植区，全年太阳实照时数为2 835h左右，无霜期约为180d。研究区主要种植作物有棉花、小麦、玉米、甜菜、西葫芦和苜蓿等，其中棉花的种植期为4—10月［7-9］。研究区经纬度范围为44°24′29.27″～44°24′32.45″N，85°53′27.35″～85°53′28.57″E，影像获取于6、7、8、10月，地表覆盖物主要为棉花、葫芦瓜以及裸土。

1.2 数据获取

机载棉花高光谱数据分别于2019年6月4日（苗期）、2019年6月29日（苗后期）、2019年7月11日（蕾期）、2019年7月18日（花期）、2019年8月7日（玲期）、2019年8月27日（盛铃期）、2021年10月8日（吐絮期）7个时间段采集。

实验采用大疆M600 Pro六旋翼无人机，结合如影Ronin-MX云台，搭载Rikola高光谱成像仪（性能参数如表1所示），实现棉花高光谱数据的获取。通过选择天气状况良好的实验日期，挑选微风、少云且光照条件充足的飞行时间段，来确保最终的棉花高光谱数据的成像质量。飞行前设置飞行区域，统一设定100 m的飞行高度，80%的航向重叠率，75%旁向重叠率，并在地面放置反射率为3%、22%、48%以及64%的漫反射板，便于后期數据的辐射校正。对7月11日、7月18日以及8月27日3期数据进行地面数据采集，选择美国Spectral Evolution公司的SR-3500地物光谱仪（性能参数如表2所示）对棉花冠层光谱数据进行收集，用以机载棉花高光谱成像质量验证。收集棉花冠层光谱信息时传感器镜头垂直向下，垂直高度约为1.5 m，在每个采样点采集10条光谱曲线，按照三行五列均匀分布，累计采取了15个区域的地面光谱数据，取平均值作为该区域的棉花冠层光谱反射率，为保证测量精度，对每组目标在观测前后均进行标准白板校正，以减少云层及太阳高度变化等对光谱反射率的影响［10］。

.

1.3 数据预处理

将原始数据导出，使用传感器自带的Hyperspectral Image软件进行镜头渐晕校正和暗电流校正，去除感光单元不均匀和边缘光线衰弱及暗电流误差；通过RegMosaic软件中进行波段配准，将成像高光谱仪在拍摄影像时多个波段沿飞行方向上的错位进行修正；利用ENVI软件中的“ENVI to TIFF”工具，将波段配准文件变成TIF格式的影像数据；在Agisoft PhotoScan软件中导入影像数据和POS信息进行自动拼接，将其导入ENVI 5.3软件进行辐射校正，机载高光谱影像的实际数字量化值（DN）与地面反射率（Ref）的关系表达式为［11］：

Refa=RefbDNb×DNa，（1）

其中Refa为整幅高光谱影像校正之后的反射率值（待求），DNa为未校正之前的高光谱影像DN值（已知），Refb为标准漫反射板的反射率值（已知），DNb为图像中提取的对应漫反射板的DN值（已知）。根据定标方程，利用ENVI软件中的“spectral math”工具，对影像上的所有像素点进行辐射校正，得到最终的正射影像。具体流程如图1所示。

1.4 数据集样本描述

1.4.1 元数据简介

新疆塔城地区沙湾县蘑菇湖村2019—2021年不同生长周期棉花高光谱数据集的名称、作者、地理区域、数据年代、数据集组成、数据政策共享等信息见表3。

1.4.2 数据描述

构成本数据集的所有数据均来自于新疆塔城地区沙湾县蘑菇湖村。数据集主要分为两部分数据，一部分是原始影像中的头文件和当天天气状况文件，另一部分是经过数据预处理之后的正射影像，共计7期棉花高光谱数据，分别包含了苗期、苗后期、蕾期、花期、铃期、盛铃期以及吐絮期［12］。

数据格式为TIF数据，地理坐标系为“WGS 1984”，空间分辨率为6.5cm，不仅能清晰显示出不同时期的棉花的生长变化情况，而且对于研究区内其他地物，比如葫芦瓜以及裸土等主要地面覆盖物，也有较好的区分，影像像素位深为12 bit，波段数为42。

具体的元数据信息以“TASKFILE.TXT”头文件为准，也可从TIF影像中直接导出。不同生育期棉花高光谱数据如图2所示。

2 结果与分析

农业领域中无人机高光谱数据的应用多体现在光谱空间信息维，如作物的长势及病虫害监测等，因此对其光谱质量的评价是必要的。

现阶段关于无人机高光谱数据的质量评价多采用地面光谱数据和机载高光谱数据进行交叉验证的方法［13-14］。本研究以ASD光谱数据为标准，对比ASD与Rikola光谱反射率，并分析不同生长周期的棉花冠层光谱反射率变化情况，因实验设备限制仅对蕾期、花期和盛铃期3种典型生育期的棉花地面光谱反射率数据进行采集，以验证无人机高光谱数据成像质量。实验将辐射校正后机载棉花高光谱正射影像导入ENVI 5.3软件中打开，按照地面光谱数据采集位置分布，依次对每个区域进行5点采样，构建相应感兴趣区域（ROI），构建过程中尽量避免选中图像中的裸土位置，最后计算棉花冠层的平均反射率；通过ASD地物光谱仪采集多处地面棉花的冠层光谱数据，并计算棉花冠层平均反射率，再從地面采集的平均光谱反射率数据中提取出502～903nm区间的反射率数据。对比两者数据，并分析原因。

2.1 机载棉花冠层光谱反射率分析

综合7期Rikola高光谱棉花数据的光谱反射率曲线以及一阶微分曲线，如图3所示。

从图3A可以发现，6月4日到8月27日之间，棉花冠层光谱反射曲线呈现典型植被特征，反射率总体呈现先下降后上升的变化趋势。10月8日的棉花处于收获期，主要是裸露的棉花和干枯的枝叶，无绿色植被覆盖，此处不做过多讨论。在553nm（第6波段）处出现“绿峰特征”，在673nm（第19波段）处出现“红谷特征”，而“红边特征”主要集中在723～733nm（第24波段到第25波段）之间。

“绿峰特征”主要是由于叶绿素对蓝光和红光的强吸收引起的，6月4日光谱反射最高，约为18%；8月7日的反射率最低，反射率值约为7%。在棉花生长的早期，棉花植株小、冠层小，无论是叶片的面积还是叶绿素的含量相对较小，对于光谱的吸收能力较弱，大量的地膜以及裸土，对棉花冠层光谱反射率也产生了一定的影响［15］。随着棉花的不断生长，叶绿素含量较早期明显增加，在盛铃期达到最大值，光合作用最为显著，因此对于蓝红光的吸收较强。这与洪帅等［16］的早铃期棉花长势最好的结论相一致。

“红谷特征”主要是由于植物进行光合作用时对红光的强吸收引起的，红谷的深度直接表征植物的光合作用强弱［17］。6月4日到8月27日之间光谱反射率也呈现出先下降后上升的趋势，6月4日的光谱反射率最高，约为13%。8月7日的光谱反射率最低，约为3%。其主要原因仍是裸露的土壤对棉花冠层的光谱反射率产生了一定的影响，使得6月4日的棉花冠层光谱反射率较高。随着棉花的不断生长，地面的植被覆盖度大大增加，对红光的吸收在盛铃期达到最大。

“红边特征”主要集中在723～733nm（第24波段到第25波段）之间，在672～762nm（第19波段到第28波段）光谱范围中有叶绿素强吸收的红光波段和强散射的近红外波段［18］。由图3B一阶微分反射率曲线可以看到，从6月4日开始，反射率曲线斜率不断增大，在8月7日达到最大值后，增长速度放缓。棉花生长前期，叶绿素密度较小，红边斜率较小，红边位置靠短波方向。随着生育期的推进，植株逐渐长大，冠层的叶绿素含量逐渐增加，红边斜率缓慢增加，红边的位置向近红外波段移动。到棉花的铃期，冠层的叶绿素也达到最大，叶绿素对红光波段的吸收加宽、加深，此时红边斜率达到最大值，红边位置更靠近红外波段。随着物候期的推进，冠层下部叶片逐渐衰老、死亡，在吐絮阶段，冠层叶绿素缓慢下降，致使红边斜率降低，红边的位置向短波方向移动，这与前人研究结果相一致［19］。

在752～903nm（第27波段到第42波段）之间，棉花的冠层光谱反射率维持在一个固定的反射率区间，基本保持不变。不同生长时期，近红外波段反射率差异显著，主要和生物量大小、棉花冠层叶片叶绿素含量、细胞结构以及冠层结构改变密切相关，有研究表明［20］，植物在近红外波段的反射率与叶片的层数有一定的关系，叶片的层数越多反射越高。与单片叶子相比，多片叶子能够在光谱的近红外波段产生更高的反射率，主要是因为辐射能量透过最上层的叶子后，将被第二层的叶子反射，结果在形式上增强了第一层叶子的反射能量。与此同时细胞的含水量也有一定的影响，随着含水量的增加，在近红外波段，棉花冠层光谱反射率呈上升趋势。因此不同生育期棉花冠层光谱反射率在近红外波段显现一定差异性，符合实际情况。

通过对不同生长周期，相同波段区间的光谱特征表现的一致分析基本相同，说明了无人机载高光谱棉花数据的准确性和可靠性。

2.2 棉花冠层光谱反射率对比

机载棉花冠层光谱反射率与地面采集光谱反射率曲线对比，如图4所示。

通过对Rikola和SR-3500采集的3期反射率光谱数据进行比对，发现在波长503～850 nm范围内，对同种地物2种仪器有着相同反射光谱特征，反射率曲线具有良好的一致性，且棉花的光谱特征值也无显著差异；表明在此波段范围Rikola所获取高光谱影像中包含的地物光谱信息是准确可靠的；而在862～903nm（第38波段到第42波段）之间，植物的光谱反射率出现明显下降，与地面采集光谱数据差异较大。笔者通过论文［21］查阅发现，无人机载高光谱影像的光谱反射率普遍存在这种现象。造成这种现象原因可能为以下3点：（1）Rikola所测的地物光谱曲线波动明显，这是由于Rikola传感器在探测范围边界噪声增大；（2）2种数据的太阳-目标-传感器的几何位置差异造成二向性分布函数影像；（3）Rikola传感器的通道响应函数造成的这种影响，这里不做过多探究。

通过二者数据对比发现，棉花冠层光谱反射率曲线变化趋势基本一致，进一步验证了无人机载高光谱棉花数据的准确性和可靠性。

3 讨论与结论

本数据集为机载高光谱棉花的正射影像数据，较其他类型遥感数据相比，有以下特点：

空间与光谱分辨率高。本数据集为低空无人机遥感数据，数据的空间分辨率较高，空间分辨率达6.2cm；光谱信息丰富（42个波段成像， 平均波宽10nm），较常见的可见光遥感数据相比，窄波段成像能更好的反应地物的光谱特征，有利于表现地物之间细微差别。

长周期观测。本数据集由7个典型生育期的棉花高光谱数据组成，数据的时序性强，能够提供不同生育期的棉花光谱特征，此外，数据观测对象为新疆塔城地区的机采棉花（天云0769），该品种在新疆地区具有一定的代表性。

通过对比分析2种不同仪器采集的相同地物的光谱数据，验证了无人机载高光谱棉花数据的可靠性和准确性。通过对不同生育期，相同波段区间内的光谱特征表现的一致性分析，说明了数据的可靠性和准确性。

数据集反映了棉花不同生长周期的光谱特征变化规律，可为棉花的低空遥感精细监测提供高质量数据，同时为作物高光谱（多光谱）数据集的构建提供参考。

但本數据集还存在一些不足之处，一是棉花品种单一，后续考虑对多品种棉花进行数据采集；二是部分获取数据和棉花生长周期的对应性还有提高的空间，可考虑进一步增加数据获取的频次；三是丰富数据集的应用场景，可在获取每一期影像地面光谱数据的同时获取同期叶绿素含量，为棉花的生化参量反演提供更为准确的数据支持。

参考文献（References）

［1］田明璐，班松涛，常庆瑞，等.基于低空无人机成像光谱仪影像估算棉花叶面积指数［J］.农业工程学报，2016，32（21）：102-108.

TIAN M L，BAN S T，CHANG Q R，et al.Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index［J］.Transactions of the Chinese Society of Agricultural Engineering，2016，32（21）：102-108.

［2］郭伟，乔红波，赵恒谦，等.基于比值导数法的棉花蚜害无人机成像光谱监测模型研究［J］.光谱学与光谱分析，2021，41（5）：1543-1550.

GUO W， QIAO H B，ZHAO H Q，et al.Cotton aphid damage monitoring using UAV hyperspectral data based on derivative of ratio spectroscopy［J］.Spectroscopy and Spectral Analysis，2021，41（5）：1543-1550.

［3］易翔，张立福，吕新，等.基于无人机高光谱融合连续投影算法估算棉花地上部生物量［J］.棉花学报，2021，33（3）：224-234.

YI X，ZHANG L F，LYU X，et al.Estimation of cotton above-ground biomass based on unmanned aerial vehicle hyperspectral and successive projections algorithm［J］.Cotton Science，2021，33（3）：224-234.

［4］李德仁.摄影测量与遥感学的发展展望［J］.武汉大学学报（信息科学版），2008，33（12）：1211-1215.

LI D R.Development prospect of photogrammetry and remote sensing［J］.Geomatics and Information Science of Wuhan University，2008，33（12）：1211-1215.

［5］TIAN W Z，ZHAO Q Z，MA Y J，et al.Flight parameter setting of unmanned aerial vehicle hyperspectral load［J］.Journal of Applied Spectroscopy，2022，89（1）：159-169.

［6］王利民，刘佳，杨玲波，等.基于无人机影像的农情遥感监测应用［J］.农业工程学报，2013，29（18）：136-145.

WANG L M，LIU J，YANG L B，et al.Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring［J］.Transactions of the Chinese Society of Agricultural Engineering，2013，29（18）：136-145.

［7］戴建國，张国顺，郭鹏，等.基于无人机遥感可见光影像的北疆主要农作物分类方法［J］.农业工程学报，2018，34（18）：122-129.

DAI J G，ZHANG G S，GUO P，et al.Classification method of main crops in northern Xinjiang based on UAV visible waveband images［J］.Transactions of the Chinese Society of Agricultural Engineering，2018，34（18）：122-129.

［8］黄双燕，杨辽，陈曦，等.机器学习法的干旱区典型农作物分类［J］.光谱学与光谱分析，2018，38（10）：3169-3176.

HUANG S Y，YANG L，CHEN X，et al.Study of typical arid crops classification based on machine learning［J］.Spectroscopy and Spectral Analysis，2018，38（10）：3169-3176.

［9］蔡兴冉，李忠勤，张慧，等.中国天山冰川变化脆弱性研究［J］.地理学报，2021，76（9）：2253-2268.

CAI X R，LI Z Q，ZHANG H，et al.Vulnerability of glacier change in Chinese Tianshan Mountains［J］.Acta Geographica Sinica，2021，76（9）：2253-2268.

［10］杨丽丽，王振鹏，吴才聪.基于多源数据的新疆棉田螨害大范围监测研究［J］.光谱学与光谱分析，2021，41（12）：3949-3956.

YANG L L，WANG Z P，WU C C.Research on large-scale monitoring of spider mite infestation in Xinjiang cotton field based on multi-source data［J］Spectroscopy and Spectral Analysis，2021，41（12）：3949-3956.

［11］YANG G J，LI C C，WANG Y J，et al.The DOM generation and precise radiometric calibration of a UAV-mounted miniature snapshot hyperspectral imager［J］.Remote Sensing，2017，9（7）：642.

［12］王文静，张霞，赵银娣，等.综合多特征的Landsat 8时序遥感图像棉花分类方法［J］.遥感学报，2017，21（1）：115-124.

WANG W J，ZHANG X，ZHAO Y D，et al.2017.Cotton extraction method of integrated multi-features based on multi-temporal Landsat 8 images［J］.Journal of Remote Sensing，2017，21（1）：115-124.

［13］高林，杨贵军，于海洋，等.基于无人机高光谱遥感的冬小麦叶面积指数反演［J］.农业工程学报，2016，32（22）：113-120.

GAO L，YANG G J，YU H Y，et al.Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing［J］.Transactions of the Chinese Society of Agricultural Engineering，2016，32（22）：113-120.

［14］IENTILUCCI E J.Processing a new hyperspectral data set for target detection and atmospheric compensation algorithm assessment： The RIT2017 Data Set［C］.IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium，Valencia：IEEE，2018：4249-4252.

［15］陈鹏飞，梁飞.基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究［J］.中国农业科学，2019，52（13）：2220-2229.

CHEN P F，LIANG F.Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle［J］.Scientia Agricultura Sinica，2019，52（13）：2220-2229.

［16］洪帅，张泽，张立福，等.滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型［J］.棉花学报，2019，31（2）：138-146.

HONG S，ZHANG Z，ZHANG L F，et al.Hyperspectral estimation model of chlorophyll content in cotton canopy leaves under drip irrigation at different growth stages［J］.Cotton Science，2019，31（2）：138-146.

［17］朱延凯，王振华，李文昊.不同盐胁迫对滴灌棉花生理生长及产量的影响［J］.水土保持学报，2018，32（2）：298-305.

ZHU Y K，WANG Z H，LI W H.Effects of different salt stress on physiological growth and yield of cotton under drip irrigation［J］.Journal of Soil and Water Conservation，2018，32（2）：298-305.

［18］武永峰，胡新，呂国华，等.晚霜冻影响下冬小麦冠层红边参数比较［J］.光谱学与光谱分析，2014，34（8）：2190-2195.

WU Y F，HU X，LYU G H，et al.Comparison of red edge parameters of winter wheat canopy under late frost stress［J］.Spectroscopy and Spectral Analysis，2014，34（8）：2190-2195.

［19］LIU W D，XIANG Y Q， ZHENG L F，et al.Relationship between rice LAI， CH.D and hyperspectral data［C］.Multispectral and Hyperspectral Remote Sensing Instruments and Applications， International Society for Optics and Photonics，2003，4897：352-359.

［20］JACKSON R D，PINTER J P J.Spectral response of architecturally different wheat canopies［J］.Remote Sensing of Environment，1986，20（1）：43-56.

［21］BURKART A，AASEN H，ALONSO L，et al.Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer［J］.Remote Sensing，2015，7（1）：725-746.

（责任编辑：编辑郭芸婕）

收稿日期：2022-05-02

基金项目：中央引导地方科技发展专项资金项目（201610011）

作者简介：程俊涛（1998—），男，硕士研究生，专业方向为电子信息。

*通信作者：赵庆展（1972—），男，教授，从事农业信息化方向的研究，e-mail： zqz_inf@shzu.edu.cn。