基于无人机影像的井冈蜜柚果树树形信息提取及产量估测

罗翔 曹晓林 药林桃 吴罗发 曹中盛 舒时富

摘要：為实现基于无人机影像的井冈蜜柚果树树形信息（冠幅、树高）快速、准确提取及产量预测，通过基于无人机影像生成数字正射影像（DOM），计算4个植被指数，分析4个植被指数阈值分割提取冠幅的精度，确定敏感植被指数及其最佳分类阈值完成植被区域的提取，实现冠幅提取；再基于无人机影像生成的数字高程模型（DEM），提取果树树高；运用“冠幅、树高及冠幅+树高”三种模式对产量进行预测。结果表明，利用归一化差值指数（Normalized Difference Index，NDI）提取冠幅时精度最高，提取的东西冠幅与实测值之间决定系数R2达0.917 2，南北冠幅与实测值之间的R2达0.823 6，冠幅均值与实测值均值之间的R2达0.892 8；基于DEM提取树高时，也具有较好的效果，提取的树高与实测值之间的R2达0.863 3，均方根误差RMSE为0.148 m。进一步运用“冠幅、树高及冠幅+树高”三种模式对挂果数进行预测，运用“冠幅+树高”预测挂果数的R2为0.676，调整R2为0.638，预测效果最好。

关键词：井冈蜜柚；果树识别；无人机遥感；植被指数；估产模型

中图分类号：S252+.9

文献标识码：A

文章编号：2095-5553 （2024） 05-0161-07

收稿日期：2022年7月29日  修回日期：2023年2月28日*基金项目：江西省农机装备应用产业技术体系（JXARS—21）；江西现代农业科研协同创新专项（JXXTCXQN202214）；国家红壤改良工程技术研究中心开放基金资助项目（2020NETRCRSI—16）

第一作者：罗翔，男，1992年生，南昌人，硕士，助理研究员；研究方向为农业遥感与农业工程。E-mail： 381316930@qq.com

通讯作者：曹晓林，男，1970年生，江西都昌人，硕士，研究员；研究方向为农业工程。E-mail： caoxl151@ 163.com

Extracting Jinggang pomelo tree information and estimating yield based on

Unmanned Aerial Vehicle （UAV） imageries

Luo Xiang， Cao Xiaolin， Yao Lintao， Wu Luofa， Cao Zhongsheng， Shu Shifu

（Institute of Agricultural Engineering， Jiangxi Academy of Agricultural Sciences， Nanchang， 330200， China）

Abstract：

In order to realize the rapid and accurate extraction of tree shape information （crown width and tree height） and yield prediction of Jinggang pomelo fruit tree based on the Unmanned Aerial Vehicle （UAV） imageries. By generating Digital Orthophoto map （DOM） based on the UAV imageries， four vegetation indexes were calculated and the accuracy of crown width extraction by threshold segmentation of four vegetation index was analyzed. The sensitive vegetation index and its best classification threshold was determined to complete the extraction of vegetation area and realize the crown width extraction. Then， based on the digital elevation model （DEM） generated by UAV imageries， the tree height of fruit trees was extracted. Finally， three models of crown width， tree height and crown width + tree height were used to predict yield. The results showed that the normalized difference index （NDI） had the highest accuracy in extracting crown width. The coefficients of determination R2 between the extracted East-West crown width and the measured value was 0.917 2， the R2 between the North-South crown width and the measured value was 0.823 6， and the R2 between the mean of crown width and the measured value was 0.892 8. When extracting tree height based on DEM， it also had a good effect. The R2 between the extracted tree height and the measured value is 0.863 3， and the root mean square error （RMSE） is 0.148 m. The yield prediction results showed that the R2 of using crown width + tree height to predict the number of fruits was 0.676， and the adjusted R2 was 0.638， which had the best prediction effect.

Keywords：

Jinggang pomelo; fruit trees detection; UAV remote sensing; vegetation index; yield estimation model

0 引言

井冈蜜柚是江西省“南橘、北梨、中柚”果业规划的重点产业，是吉安市六大富民产业首要重点推进的支柱产业［1］。2020年，井冈蜜柚种植总面积达25.6 khm2，投产面积13.3 khm2，产量148 kt，位列江西省首位［2］。快速、准确地提取井冈蜜柚果园果树信息，对于及时掌握果园生产状况具有重要意义，同时基于果树信息构建果树估产模型，可以为采摘、销售、物流等提供有力依据。

传统果园信息获取往往采取人工实地调查的方式，费时费力，難以快速、及时、准确地获取作物空间分布特征［3， 4］。近年来，遥感技术以其快速、简便、宏观、无损及客观等优点，可借助光谱植被指数等对作物长势进行定性和定量分析［5， 6］，为果园基础研究与应用提供大面积、高时间分辨率的果树信息数据［7， 8］。然而，考虑到井冈蜜柚果树的冠幅，要想实现果树准确识别与计数，要求遥感影像具有高空间分辨率，卫星遥感影像具有局限性。随着无人机遥感技术的快速发展，其在作物识别、植保作业、林业监测、作物授粉等方面的应用日益广泛［9， 10］。Wu等［11］基于无人机影像与深度学习实现对小麦抽穗数量的精准识别，但该方法需要人工事先勾画小麦生长区，且普适性一般。束美艳等［12］基于无人机观测平台，构建柑橘果树生长信息获取技术框架，实现对柑橘树冠信息的提取，但树冠重叠对分割精度影响较大。普适性较强的Count Crops工具是以消除非植被区的遥感数据为输入影像，冠幅为输入参数，实现作物自动识别和计数。

目前以无人机高分辨影像对作物信息提取及估产的研究主要集中在水稻、玉米、大豆等作物，针对柑橘类研究主要为果园巡检和相应的植保作业。基于此，本文利用大疆御Mavic Pro旋翼无人机搭载的CMOS图像传感器采集研究区果园无人机影像，通过统计直方图、目视解译筛选最优植被指数，采用阈值分割消除非植被区域，利用Count Crops工具实现井冈蜜柚果树识别与计数，提取果树冠幅与高度，并进行单株果树产量预测与评价。

1 材料与方法

1.1 研究区概况

研究区位于江西省吉安市井冈山国家农业科技园（114°52′22″E，27°8′31″N），以红壤土为主，地势平坦，坡度3%～5%。井冈蜜柚种植面积约66.7 hm2，株行距为4 m×5 m，采用伞形树形，果园施肥、植保、灌溉等采取统一管理。

1.2 数据获取及预处理

1.2.1 无人机影像采集

本研究所用无人机影像数据由大疆御Mavic Pro旋翼无人机搭载的CMOS图像传感器采集，拍摄时间2021年4月29日，无人机飞行高度20 m，航行和旁向重叠率分别为80%和75%，共采集278张照片。利用Agisoft PhotoScan Professional软件处理无人机影像，处理过程包括对齐照片、生成密集点云、生成网格、生成纹理、导出数字正射影像（DOM）和数字高程模型（DEM），空间分辨率为0.01 m。

1.2.2 实地果树数据采集

为了获得果园果树的实际数据，本研究于无人机航拍当天，随机选取40株果树作为样本，利用钢卷尺及果园辅助作业平台，测量果树的东西冠幅、南北冠幅以及树高，东西冠幅和南北冠幅乘积再乘以一个经验系数，估算冠幅面积［12］。人工计数每株果树的挂果数。

1.3 植被指数计算

植被指数是遥感中对植被进行监测应用最为广泛的参数之一，通常利用卫星不同波段探测数据组合而成，不仅能够反映植被生长状况，还可以利用图像光谱特征实现目标识别［13］，已成为遥感反演植被的相关参数的重要技术手段［14， 15］。目前，基于可见光影像的植被指数有10多种［16］，本研究计算4种基于可见光影像的植被指数（表1），并通过统计直方图、目视解译筛选最优植被指数。

1.4 果树识别及信息提取

本研究采用植被指数双峰阈值法提取植被区域和非植被区域，将非植被区域设置为背景，消除其对果树识别的影响，再将消除非植被区域的植被指数影像作为输入影像，果树冠幅范围作为输入参数，利用ENVI 5.6的Count Crops工具，对果树进行识别并计数，并输出果树中心坐标与冠层直径，实现对单株果树的东西冠幅和南北冠幅的提取。将冠层矢量提取结果与生成的DEM数据进行叠加，作为一个搜索窗口，利用ArcGIS 10.2的缓冲区分析，将果树的冠幅向外扩展一个像素，形成新的计算窗口。搜索窗口中最大值为植被最高点的海拔高度，计算窗口中最小值为植被临近地表的海拔高度，两个高度相减即可提取果树的高度［8］，利用决定系数R2、均方根误差RMSE分别对提取的果树冠幅和高度进行评价。

1.5 构建果园估产模型

为了探究果树冠幅、树高与挂果数之间的定量关系，以挂果数为因变量，果树冠幅、树高及冠幅+树高为自变量，分别建立井冈蜜柚估产模型，利用决定系数R2、调整R2对模型精度进行评价。

2 结果与分析

2.1 植被指数分割阈值的确定

本研究计算4种植被指数，通过ENVI 5.6软件统计分析植被区域和非植被区域，得到特征值。由表2可知，NDI和GLI植被指数在植被区域和非植被区域之间的差异性较大，而CRI2和VARI植被指数在植被区域和非植被区域之间的差异性不明显。为进一步分析4种植被指数对植被区域的识别度，通过ENVI 5.6软件统计分析植被区域和非植被区域的直方图，图1为4种植被指数统计直方图。

从图1可以看出，CRI2和VARI植被指数的直方图未呈现明显的双峰分布，无法有效确定植被区域和非植被区域的分割阈值；而NDI和GLI植被指数的直方图呈明显的双峰分布，进一步说明NDI和GLI植被指数对应的植被区域和非植被区域的区分性较强，适合可见光波段植被信息的提取，可确定最佳分割阈值。

2.2 最佳植被指数的确定

根据确定的NDI和GLI植被指数分割阈值，利用面向对象的分类方法，进行植被区域的提取，图2为选取研究区原始影像以及NDI和GLI植被指数对果树识别的结果。通过目视解译分析可知，GLI植被指数提取的植被区域，虽可以有效识别果树，但果树阴影部分误识别为果树，导致识别的果树冠幅偏大。相比之下，NDI植被指数提取的植被区域果树识别较为完整可靠，更加接近实际果树空间分布，对果树的识别结果较好，可作为井冈蜜柚果树识别的特征指数。

由于目视解译的结果存在主观性，为了更加客观地比较NDI和GLI植被指数对井冈蜜柚识别的优劣，本研究利用ENVI 5.6软件的Count Crops工具，分别以NDI和GLI植被指数为输入影像，实地测量的果树冠幅（1.33～3.19 m）为输入参数，进行井冈蜜柚识别，图3为基于NDI和GLI植被指数对井冈蜜柚果树株数识别结果。从图3可以看出，研究区共包含井冈蜜柚果树62株，基于NDI和GLI植被指数均识别出61株果树，识别精度为98.39%，说明该方法在识别果树上具有可行性。进一步分析可知，漏识别的果树冠幅较小，不在输入的果树冠幅范围内，导致出现漏识别现象。

同时，本研究利用提取的冠层直径，获取了实地调查的40株果树冠层对应的像元数，利用目视解译得到的果树冠层像元数进行评价（图4）。从图4可知，NDI植被指数提取的果树冠层对应的像元数和目视解译的果树冠层对应的像元数决定系数R2达0.949 2，均方根误差RMSE为2 871个，而GLI植被指数提取的果树冠层对应的像元数和目视解译的果树冠层对应的像元数R2达0.914 7，RMSE为3 699个，说明NDI植被指数为最佳识别植被指数。

2.3 井冈蜜柚果树冠幅提取

本研究将获取的冠层直径与原始影像叠加，提取果树冠幅。选取实地调查的20株果树，分别提取东西冠幅和南北冠幅。经分析可知，提取的东西冠幅范围为1.96～2.92 m，精度为92.45%～98.79%，提取的南北冠幅范围为1.9～2.58 m，精度为92.56%～99.72%，提取的冠幅均值范围为1.93～2.66 m，精度为93.32%～98.7%，冠幅提取精度较高。同时，经拟合分析，研究区提取的果树冠幅与实地测量的真实冠幅呈现明显的线性关系，如图5所示。

提取果树的东西冠幅和实地测量的东西冠幅R2达0.917 2，RMSE为0.121 m，南北冠幅R2达0.823 6，RMSE为0.085 m，冠幅均值R2达0.892 8，RMSE为0.093 m，进一步说明果树冠幅提取效果较好。本文还估算冠幅面积，结果表明，冠幅面积的最大值为5.50 m2，最小值为2.93 m2，中位数为4.61 m2，可有效反映果树生长状态，为果园生产管理提供依据。

2.4 井冈蜜柚果树高度提取

为了提取井冈蜜柚果树高度，本研究将冠层矢量提取结果与生成的DEM数据进行叠加，作为一个搜索窗口，根据邻近空间关系，利用ArcGIS 10.2的缓冲区分析，将果树的冠幅向外扩展一个像素，形成新的计算窗口。搜索窗口中最大值为植被最高点的海拔高度，计算窗口中最小值为植被临近地表的海拔高度，两个高度相减即可得到果树的高度。选取实地调查的20株果树，分别提取井冈蜜柚果树高度。经分析可知，井冈蜜柚树高提取范围为1.84～3.27 m，提取的果树高度与真实测量值的误差绝对值最大为0.21 m，最小为0.05 m，相对误差绝对值最大为7.54%，最小为2.14%，说明树高提取效果较好。同时，经拟合分析，研究区提取的果树高度与实地测量的高度呈明显的线性关系，如图6所示。提取的坡地果树的高度值和实地测量的高度值拟合的R2达0.863 3，RMSE为0.148 m，进一步说明提取效果较好。

2.5 基于果树信息的井冈蜜柚估产模型

为了探究果树的冠幅、树高与单株果树挂果数之间的关系，本研究选取实地测量的20株井冈蜜柚果树作为建模的训练样本，运用“冠幅、树高及冠幅+树高”三种模式，分析了提取的果树树冠面积、高度与单株果树挂果数量之间的关系，其余20株果树作为验证样本，用于验证模型精度。经多元线性拟合建立单株井冈蜜柚果树产量估算模型（表3），运用冠幅预测挂果数的R2为0.502，调整R2为0.474，运用树高预测挂果数的R2为0.245，调整R2为0.203，运用冠幅+树高预测挂果数的R2为0.676，调整R2为0.638，预测效果最好。

为了验证模型预测精度，将验证样本代入估产模型，进行多元线性拟合运算，得到单株井冈蜜柚果树挂果数的预测值。预测果树挂果数范围为20.89～31.53个，与实际挂果数的最大误差绝对值为5.06个，最小误差绝对值为0.02个。通过进一步的分析，将实际挂果数量与预测值经线性拟合，两者之间呈显著的线性关系，详见图7。果树预测挂果数量与实际挂果数量拟合值R2达0.839 5，RMSE为2.303个，具有很好的拟合效果。

3 讨论

本文结合无人机遥感技术效率快、空间分辨率高、携带方便、操作简单等特点，采集研究区果园无人机影像，结合输出的数字DOM与DEM，研究井冈蜜柚果树识别与计数的方法，识别精度为98.39%，误差主要是1株果树冠幅没有在输入冠幅范围之内，进而出现漏识别现象［8］。近年来，经过诸多学者们的不断探索，深度学习已广泛应用于智能农业的病虫害检测［20， 21］、植物和水果識别［22］、农作物及杂草检测与分类［23］等智慧识别研究，识别精度高。下一步将运用深度学习算法、遥感技术、传感器技术等方法，有效解决果树漏识别问题，提高识别精度。

遥感植被指数是利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数［24， 25］。本研究选取4种植被指数进行井冈蜜柚果树识别，经阈值分割、目视解译可知，NDI植被指数为最佳植被指数。而有研究表明GLI植被指数为最佳植被指数［8］，与本研究结果不一致。分析原因，选取的研究区果树类型、地理位置、太阳高度角、大气条件等存在较大差异，这些都将影响无人机影像的可见光反射率，进而影响植被指数结果［26］。

本研究基于无人机影像提取井冈蜜柚果树冠幅与高度，构建果树冠幅、树高与挂果数的估产模型，预测精度较高，但受试验条件的限制，只随机选取40株果树进行实地信息采集，所选样本数量较少，采用线性回归方法构建模型，属于经验模型，普适性有待提高，且井冈蜜柚产量通常会受到土壤类型、肥沃程度、气象因子、树冠大小和果树高度等复杂因素的影响［27-29］。因此下一步研究将增加样本数，综合考虑更多影响因素，构建更加准确的、普适性好的产量估算模型。

4 结论

1） 采用植被指数双峰阈值法、目视解译以及冠层信息对比的方法，筛选最佳识别植被指数。结果表明，NDI和GLI植被指数的直方图呈明显的双峰分布，能够有效区分植被区域和非植被区域，而NDI和GLI植被指数提取的果树冠层对应的像元数和目视解译的果树冠层对应的像元数R2分别达0.949 2、0.914 7，RMSE分别为2 871个、3 699个，说明NDI植被指数为最佳识别植被指数。

2） 基于NDI植被指数，实现冠幅提取，再结合无人机影像生成的数字高程模型（DEM），提取果树树高。经分析，提取的果树东西冠幅R2达0.917 2，南北冠幅R2达0.823 6，冠幅均值R2达0.892 8，树高R2达0.863 3，说明基于无人机影像的井冈蜜柚果树信息提取效果较好。

3） 运用“冠幅、树高及冠幅+树高”三种模式，分析提取的果树树冠面积、高度與单株果树挂果数量之间的关系，运用“冠幅+树高”预测挂果数的R2为0.676，调整R2为0.638，预测效果最好。

参 考 文 献

［1］ 宋彩英， 覃志豪. 吉安市井冈蜜柚产业发展研究［J］. 中国农业资源与区划， 2014， 35（5）： 113-116， 122.

Song Caiying， Qin Zhihao. Study on the development of Jinggang candied pomelo industry of Jian City ［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2014， 35（5）： 113-116， 122.

［2］ 江西省统计局. 江西统计年鉴［M］. 北京： 中国统计出版社， 2021.

［3］ Liang L， Luo X， Liu Z， et al. Habitat selection and prediction of the spatial distribution of the Chinese horseshoe bat （R. sinicus） in the Wuling Mountains ［J］. Environmental Monitoring and Assessment， 2019， 191： 1-15.

［4］ 王浩淼， 宋苗语， 李翔， 等. 无人机高光谱遥感监测葡萄长势与缺株定位［J］. 园艺学报， 2021， 48（8）： 1626-1634.

Wang Haomiao， Song Miaoyu， Li Xiang， et al. High efficient grapevine growth monitor and in-lane deficiency localization by UAV hyperspectral remote sensing ［J］. Acta Horticulturae Sinica， 2021， 48（8）： 1626-1634.

［5］ 孙逸飞， 柳平增， 张艳， 等. 基于Sentinel-2A遥感影像的潍坊市冬小麦种植面积提取研究［J］. 中国农机化学报， 2022， 43（7）： 98-105.

Sun Yifei， Liu Pingzeng， Zhang Yan， et al. Research on extraction of winter wheat planting area in Weifang City based on Sentinel-2A remote sensing image ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 98-105.

［6］ Fletcher R S. Using vegetation indices as input into random forest for soybean and weed classification ［J］. American Journal of Plant Sciences， 2016， 7（15）： 2186-2198.

［7］ Luo X， Liang L， Liu Z， et al. Habitat suitability evaluation of the Chinese Horseshoe Bat （R. sinicus） in the Wuling mountain area based on MAXENT Modelling ［J］. Polish Journal of Environmental Studies， 2020， 29（2）.

［8］ 李福根， 段玉林， 史云， 等. 利用单次无人机影像的果树精准识别方法［J］. 中国农业信息， 2019， 31（4）： 10-22.

Li Fugen， Duan Yulin， Shi Yun， et al. Accurate detection of fruit trees using a set of unmanned aerial vehicle（UAV）imageries ［J］. China Agricultural Informatics， 2019， 31（4）： 10-22.

［9］ Wan L， Li Y， Cen H， et al. Combining UAV-based vegetation indices and image classification to estimate flower number in oilseed rape ［J］. Remote Sensing， 2018， 10（9）： 1484.

［10］ 汪沛， 罗锡文， 周志艷， 等. 基于微小型无人机的遥感信息获取关键技术综述［J］. 农业工程学报， 2014， 30（18）： 1-12.

Wang Pei， Luo Xiwen， Zhou Zhiyan， et al. Key technology for remote sensing information acquisition based on micro UAV ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（18）： 1-12.

［11］ Wu J T， Yang G J， Han L， et al. Automatic counting of in situ rice seedlings from UAV images based on a deep fully convolutional neural network ［J］. Remote Sensing， 2019， 11（6）： 691.

［12］ 束美艳， 李世林， 魏家玺， 等. 基于无人机平台的柑橘树冠信息提取［J］. 农业工程学报， 2021， 37（1）： 68-76.

Shu Meiyan， Li Shilin， Wei Jiaxi， et al. Extraction of citrus crown parameters using UAV platform ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（1）： 68-76.

［13］ Panu S， Preesan R. Oil palm tree detection with high resolution multi-spectral satellite imagery ［J］. Remote Sensing， 2014， 6（10）： 9749-9774.

［14］ 江洪， 汪小钦， 吴波， 等. 地形调节植被指数构建及在植被覆盖度遥感监测中的应用［J］. 福州大学学报（自然科学版）， 2010， 38（4）： 527-532.

Jiang Hong， Wang Xiaoqin， Wu Bo， et al. A topography-adjusted vegetation index （TAVI） and its application in vegetation fraction monitoring ［J］. Journal of Fuzhou University （Natural Science）， 2010， 38（4）： 527-532.

［15］ Victoria G D， Pilar H， Ignacio S， et al. Using high-resolution hyperspectral and thermal airborne imagery to assess physiological condition in the context of wheat phenotyping ［J］. Remote Sensing， 2015， 7（10）： 13586-13605.

［16］ Shah S H， Angel Y， Houborg R， et al. A random forest machine learning approach for the retrieval of leaf chlorophyll content in wheat ［J］. Remote Sensing， 2019， 11（8）： 920.

［17］ Woebbecke D M， Meyer G E， Von Bargen K， et al. Plant species identification， size， and enumeration using machine vision techniques on near-binary images ［C］. Optics in Agriculture and Forestry， SPIE， 1993， 1836： 208-219.

［18］ Louhaichi M， Borman M M， Johnson D E. Spatially located platform and aerial photography for documentation of grazing impacts on wheat ［J］. Geocarto International， 2001， 16（1）： 65-70.

［19］ Gitelson A A， Zur Y， Chivkunova O B， et al. Assessing carotenoid content in plant leaves with reflectance spectroscopy ［J］. Photochemistry and Photobiology， 2002， 75（3）： 272-281.

［20］ 谭文学， 赵春江， 吴华瑞， 等. 基于弹性动量深度学习神经网络的果体病理图像识别［J］. 农业机械学报， 2015， 46（1）： 20-25.

Tan Wenxue， Zhao Chunjiang， Wu Huarui， et al. A deep learning network for recognizing fruit pathologic images based on flexible momentum ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（1）： 20-25.

［21］ 孙钰， 周焱， 袁明帅， 等. 基于深度学习的森林虫害无人机实时监测方法［J］. 农业工程学报， 2018， 34（21）：74-81.

Sun Yu， Zhou Yan， Yuan Mingshuai， et al. UAV real-time monitoring for forest pest based on deep learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（21）： 74-81.

［22］ 沈萍， 赵备. 基于深度学习模型的花卉种类识别［J］. 科技通报， 2017， 33（3）： 115-119.

Shen Ping， Zhao Bei. Automatic classification of flowers based on deep learning model ［J］. Bulletin of Science and Technology， 2017， 33（3）： 115-119.

［23］ 王术波， 韩宇， 陈建， 等. 基于深度学习的无人机遥感生态灌区杂草分类［J］. 排灌机械工程学报， 2018， 36（11）： 1137-1141.

Wang Shubo， Han Yu， Chen Jian， et al. Weed classification of remote sensing by UAV in ecological irrigation areas based on deep learning ［J］. Journal of Drainage and Irrigation Machinery Engineering， 2018， 36（11）： 1137-1141.

［24］ Houborg R， McCabe M F. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 135： 173-188.

［25］ Liang L， Sun Q， Luo X， et al. Long-term spatial and temporal variations of vegetative drought based on vegetation condition index in China ［J］. Ecosphere， 2020， 8（8）： e01919.

［26］ Shao G， Tang L， Liao J. Overselling overall map accuracy misinforms about research reliability ［J］. Landscape Ecology， 2019， 34： 2487-2492.

［27］ 劉云萌， 刘云霞， 曾广旭， 等. 基于GIS的吉安地区井冈蜜柚特色果业种植气候区划［J］. 江西农业学报， 2015， 27（6）： 130-133.

Liu Yunmeng， Liu Yunxia， Zeng Guangxu， et al. Climatic regionalization of Jinggang pomelo planting in Jian area based on GIS ［J］. Acta Agriculturae Jiangxi， 2015， 27（6）： 130-133.

［28］ 万祖毅. 基于无人机遥感的柑橘果树信息提取及应用研究［D］. 重庆： 西南大学， 2020.

Wan Zuyi. Extraction and application of citrus fruit tree information based on UAV remote sensing ［D］. Chongqing： Southwest University， 2020.

［29］ 吴强建， 肖委明， 赵晓东， 等. 江西井冈蜜柚种植区果园土壤肥力现状及区域分布特征［J］. 农业资源与环境学报， 2022（5）： 1025-1032.

Wu Qiangjian， Xiao Weiming， Zhao Xiaodong， et al. Status， spatial distribution， and fertility of soil in pomelo orchards in Jinggang， Jiangxi Province ［J］. Journal of Agricultural Resources and Environment， 2022（5）： 1025-1032.