袁帥 王鑫鑫 侯升林 申書(shū)興 范曉飛

摘要：田間蔬菜種植周期短，因此準(zhǔn)確掌握各種蔬菜的種植信息，及早發(fā)現(xiàn)蔬菜種植中的問(wèn)題，對(duì)蔬菜生產(chǎn)有重要意義。目前，對(duì)田間蔬菜作物的生長(zhǎng)調(diào)查通常采用肉眼觀察、實(shí)驗(yàn)室提取等方法獲取信息，不僅浪費(fèi)大量人力，還可能因主觀因素導(dǎo)致數(shù)據(jù)準(zhǔn)確性降低。蔬菜生產(chǎn)與育種過(guò)程受益于高通量的表型信息獲取，表型是研究“基因型-表型-環(huán)境”作用機(jī)制的橋梁。在蔬菜育種和生產(chǎn)中高通量表型獲取技術(shù)已被廣泛應(yīng)用，通過(guò)高通量的表型觀測(cè)，能夠及早發(fā)現(xiàn)蔬菜生產(chǎn)中的問(wèn)題，同時(shí)為品種選育提供支持。在大量評(píng)估田間蔬菜試驗(yàn)中，高通量表型信息獲取?；诠庾V數(shù)據(jù)。無(wú)人機(jī)搭載光譜傳感器能夠較全面獲取蔬菜表型信息，結(jié)合機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)的數(shù)據(jù)處理方法，可實(shí)現(xiàn)田間蔬菜種植過(guò)程中的實(shí)時(shí)監(jiān)測(cè)。本文著重介紹光譜成像技術(shù)在蔬菜生產(chǎn)和育種上的應(yīng)用，通過(guò)光譜成像技術(shù)，能夠?qū)崿F(xiàn)對(duì)田間蔬菜生長(zhǎng)信息的監(jiān)測(cè)、病蟲(chóng)害的早期診斷、田間土壤水分監(jiān)測(cè)，并能在一定程度上輔助種植者對(duì)蔬菜進(jìn)行產(chǎn)量預(yù)估。同時(shí)，通過(guò)無(wú)人機(jī)遙感光譜成像技術(shù)建立起的大規(guī)模生理性狀和形態(tài)性狀定量獲取可為蔬菜新品種選育提供重要的數(shù)據(jù)支撐。

關(guān)鍵詞：蔬菜生產(chǎn)；光譜傳感器；表型；無(wú)人機(jī)成像；品種選育

中圖分類號(hào)：S630.4；S127? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）24-0001-10

蔬菜生產(chǎn)是勞動(dòng)密集型產(chǎn)業(yè)，但用工難度大、人工成本高等問(wèn)題制約著我國(guó)蔬菜產(chǎn)業(yè)發(fā)展，目前人工成本在蔬菜生產(chǎn)中的占比已超過(guò)60%［1］。早期研究指出，通過(guò)信息的處理與決策，可對(duì)植物生長(zhǎng)、植物健康及其他因素進(jìn)行針對(duì)性測(cè)量，這也是精準(zhǔn)農(nóng)業(yè)基于信息技術(shù)與農(nóng)業(yè)生產(chǎn)相結(jié)合的方式［2］，精準(zhǔn)農(nóng)業(yè)是無(wú)人機(jī)應(yīng)用的一項(xiàng)重要經(jīng)濟(jì)領(lǐng)域。無(wú)人機(jī)在農(nóng)業(yè)生產(chǎn)和育種研究中的使用非常普遍，是農(nóng)業(yè)信息獲取的重要途徑之一，預(yù)計(jì)2027年市場(chǎng)份額將達(dá)4.8億元［3］。無(wú)人機(jī)和輕小型高光譜傳感器的發(fā)展，使利用作物光譜特征反演農(nóng)學(xué)參數(shù)成為可能。在田間蔬菜調(diào)查過(guò)程中，植被指數(shù)可廣泛用于評(píng)估蔬菜生長(zhǎng)狀況［4-5］。通過(guò)不同植被指數(shù)的提取與融合，能夠有效預(yù)測(cè)植株生長(zhǎng)中的動(dòng)態(tài)變化。相比于單一光譜波段的選擇，基于紋理信息與光譜信息的結(jié)合是常用的光譜圖像分析手法［6］。通過(guò)對(duì)田間蔬菜光譜成像，能夠提供一系列與蔬菜生理生化相關(guān)的光譜信息，如葉面積指數(shù)、葉片葉綠素含量、氮素含量和冠層含水量等。在對(duì)田間蔬菜病蟲(chóng)害的研究中發(fā)現(xiàn)，不同光譜波段對(duì)病蟲(chóng)害的響應(yīng)略有不同，如當(dāng)煙草受花葉病感染后，可見(jiàn)光波段反射率上升，而在近紅外波段反射率下降［7］。由于蔬菜生長(zhǎng)周期短，在田間蔬菜育種性狀調(diào)查中，每一生長(zhǎng)周期植株在生理和形態(tài)變化差異較大，需要及時(shí)在各個(gè)生長(zhǎng)時(shí)期進(jìn)行育種性狀診斷。多光譜圖像處理技術(shù)能夠揭示植物生理學(xué)中隱藏的變化，并用于早期植株疾病監(jiān)測(cè)［8］。許多基于計(jì)算機(jī)視覺(jué)工具和來(lái)自各類傳感器的成像能夠在高精度和高通量的表性分析中起到重要作用［9］。無(wú)人機(jī)遙感圖像處理技術(shù)，能夠快速分析作物表型特征，包括3D結(jié)構(gòu)信息、生理和生化特征［10］。在田間蔬菜性狀調(diào)查中，大量表型分析能夠快速挖掘潛在的相關(guān)聯(lián)基因，可在最大程度上提高蔬菜種植和生產(chǎn)的經(jīng)濟(jì)效益。本研究對(duì)光譜成像技術(shù)在大田蔬菜上的應(yīng)用進(jìn)行了闡述，對(duì)無(wú)人機(jī)遙感檢測(cè)機(jī)理及無(wú)人機(jī)傳感器平臺(tái)和光譜波段的預(yù)處理、篩選方法進(jìn)行詳細(xì)介紹；并分析了光譜成像在田間蔬菜生長(zhǎng)監(jiān)測(cè)上的應(yīng)用研究；最后，探討了無(wú)人機(jī)光譜成像技術(shù)在大田中應(yīng)用的優(yōu)點(diǎn)和不足，以期為今后的應(yīng)用提供技術(shù)參考。

1 無(wú)人機(jī)遙感系統(tǒng)

1.1 無(wú)人機(jī)遙感檢測(cè)系統(tǒng)

無(wú)人機(jī)主要監(jiān)測(cè)以及生長(zhǎng)信息模型構(gòu)建流程見(jiàn)圖1。當(dāng)前，無(wú)人機(jī)遙感技術(shù)已廣泛應(yīng)用于田間作物的生長(zhǎng)發(fā)育狀況研究。無(wú)人機(jī)遙感系統(tǒng)主要包括無(wú)人機(jī)平臺(tái)、輕型傳感器、地面控制系統(tǒng)及數(shù)據(jù)處理系統(tǒng)。

其原理可概括為：在對(duì)田間蔬菜生長(zhǎng)信息監(jiān)測(cè)中，預(yù)先建立無(wú)人機(jī)平臺(tái)與地面控制系統(tǒng)，操作地面控制系統(tǒng)控制飛行軌跡。通過(guò)無(wú)線數(shù)據(jù)傳輸通道，設(shè)定所需的田間作物監(jiān)測(cè)信息與圖像采集信息，并對(duì)采集到的信息進(jìn)行處理，以達(dá)田間作物生長(zhǎng)信息監(jiān)測(cè)和對(duì)其存在的異常生理生化狀況進(jìn)行反饋的目的。在對(duì)田間蔬菜生長(zhǎng)監(jiān)測(cè)中，通過(guò)搭載的光譜傳感器能快速獲取田間蔬菜的實(shí)時(shí)光譜，并實(shí)現(xiàn)對(duì)信息的處理。不同傳感器在功能上有所不同，但其主要工作內(nèi)容可分為兩方面：將實(shí)測(cè)的田間蔬菜表型及生理生化信息作為參數(shù)處理，與無(wú)人機(jī)獲取的光譜影像結(jié)合后進(jìn)行光譜分析及模型建立。

1.2 常用機(jī)載傳感器

無(wú)人機(jī)常搭載的傳感器有RGB相機(jī)、多光譜相機(jī)、高光譜相機(jī)、熱紅外相機(jī)、激光雷達(dá)等［11］。RGB相機(jī)常用作田間作物數(shù)字表面模型的構(gòu)建，RGB相機(jī)與光譜相機(jī)相結(jié)合的方法是田間作物表型性狀獲取與研究的常用途徑。

基于光學(xué)傳感器的RGB相機(jī)在信息收集上的效率高于普通RGB相機(jī)，在對(duì)田間作物生長(zhǎng)狀況監(jiān)測(cè)常用到多光譜、高光譜傳感器，兩者使用的技術(shù)是相似的，均是測(cè)量光譜中可見(jiàn)光、近紅外和短波紅外部分的亮度。與多光譜相比，高光譜的光譜波段較多且波段范圍窄，一般在5～10 nm之間［12］。熱成像儀在田間作物冠層溫度和水分脅迫的監(jiān)測(cè)中起到很大的作用。

無(wú)人機(jī)遙感在田間蔬菜生長(zhǎng)信息監(jiān)測(cè)的必要條件是能夠確保獲取數(shù)據(jù)的準(zhǔn)確性，并能夠在飛行過(guò)程中保證操作的安全性。數(shù)據(jù)的質(zhì)量和可靠性對(duì)后期數(shù)據(jù)的處理起到關(guān)鍵作用。常用光譜傳感器類型及監(jiān)測(cè)指標(biāo)見(jiàn)表1。

1.3 光譜成像系統(tǒng)敏感波段選擇

數(shù)據(jù)處理系統(tǒng)在無(wú)人機(jī)系統(tǒng)中的作用十分關(guān)鍵，對(duì)于光譜成像系統(tǒng)，敏感波段篩選很大程度上影響著后期光譜模型的構(gòu)建。在無(wú)人機(jī)光譜成像對(duì)蔬菜生長(zhǎng)情況監(jiān)測(cè)中，由于光譜圖像特別是高光譜圖像包含豐富的光譜信息和嚴(yán)重的非線性關(guān)系，使得數(shù)據(jù)量的處理是核心問(wèn)題［13］。在對(duì)所得光譜模型的處理中，一個(gè)理想的光譜特征集往往對(duì)目標(biāo)參數(shù)具有較高的靈敏性，但多種光譜特征與信息之間冗余低，選擇與植被監(jiān)測(cè)指標(biāo)相關(guān)的敏感波段以除去光譜冗余不僅能降低計(jì)算時(shí)間，同時(shí)，能夠保留植被重要的光譜信息。因此，對(duì)原始數(shù)據(jù)的處理，能夠有效地提高特征波長(zhǎng)的預(yù)測(cè)能力［14］。接下來(lái)介紹幾種常用的光譜波段選擇方法。

1.3.1 相關(guān)系數(shù)法

皮爾遜相關(guān)系數(shù)法常用于敏感波段的選擇，通過(guò)將各個(gè)波段的光譜反射信息與實(shí)測(cè)生長(zhǎng)指標(biāo)（如葉綠素、氮素等）作為2個(gè)變量，通過(guò)皮爾遜相關(guān)系數(shù)進(jìn)行相關(guān)性分析，通過(guò)分析各個(gè)波段的相關(guān)程度，找到與實(shí)際測(cè)量指標(biāo)相對(duì)應(yīng)的敏感光譜波段［15］。

1.3.2 最佳指數(shù)法（OIF）

通過(guò)計(jì)算單個(gè)波段圖像的標(biāo)準(zhǔn)差和各波段間的相關(guān)系數(shù)矩陣，比較波段間相關(guān)性與標(biāo)準(zhǔn)差，若相關(guān)性越小、標(biāo)準(zhǔn)差越大，則波段組合的信息量越大［16］。

1.3.3 主成分分析法（PCA）

主成分分析常用于原始光譜數(shù)據(jù)的處理，能夠解決光譜數(shù)據(jù)中的多重共線性問(wèn)題，將高位空間上的多個(gè)特征組合成少數(shù)的幾個(gè)無(wú)關(guān)主成分，將篩選出來(lái)的主成分作為特征構(gòu)建模型。其優(yōu)勢(shì)在于能夠篩選出與植株生長(zhǎng)信息相對(duì)應(yīng)的特征波長(zhǎng)，提高回歸建模的準(zhǔn)確性［17］。

1.3.4 連續(xù)投影算法（SPA）

SPA作為光譜波段篩選的重要環(huán)節(jié)，廣泛用于多元校準(zhǔn)的變量選擇，通過(guò)投影操作有效降低眾多波段間的共線性影響，減少冗雜信息，其優(yōu)點(diǎn)在于通過(guò)篩選特征波長(zhǎng)，降低建模輸入變量數(shù)量，提高了運(yùn)算效率與建模速度［18］。

1.3.5 隨機(jī)森林算法（RF）

隨機(jī)森林算法常用于分類和回歸問(wèn)題，通過(guò)隨機(jī)選擇從原始數(shù)據(jù)集中提取的訓(xùn)練樣本數(shù)據(jù)，基于提取結(jié)果，構(gòu)建單個(gè)決策樹(shù)，最終將多個(gè)不同的決策樹(shù)組合在一起形成隨機(jī)森林。該算法常用于多維光譜圖像分類與最佳光譜波段選擇。其缺點(diǎn)在于算法運(yùn)行時(shí)間較長(zhǎng)，操作慢［19］。

1.3.6 K-means聚類算法

根據(jù)相關(guān)性將光譜波段數(shù)據(jù)分為K個(gè)簇，逐個(gè)選取K個(gè)簇中心，計(jì)算樣本與簇中心最短距離。其目的是在波段選擇中，提取出相關(guān)性較低的波段組合。其主要思想是將各個(gè)樣本數(shù)據(jù)進(jìn)行劃分，保證在同一個(gè)簇中的樣本相關(guān)性盡可能大，最后在劃分之后的簇中選取平均值作為簇中心進(jìn)行下一輪計(jì)算，直至聚類中心不再發(fā)生變化，則聚類完成［20］。

2 田間蔬菜光譜監(jiān)測(cè)技術(shù)

2.1 常見(jiàn)作物生長(zhǎng)動(dòng)態(tài)監(jiān)測(cè)

植被指數(shù)與生物物理和生物化學(xué)作物特征相關(guān)，因此在田間蔬菜生長(zhǎng)信息調(diào)查過(guò)程中，植被指數(shù)是遙感中作物生長(zhǎng)信息監(jiān)測(cè)最常用的方法之一［21］。在高光譜圖像中，根據(jù)不同的光譜組合，可計(jì)算出100多個(gè)光譜植被指數(shù)，為植物的生長(zhǎng)狀態(tài)和營(yíng)養(yǎng)監(jiān)測(cè)提供了豐富信息［22］，綠色植被與地物光譜在可見(jiàn)光與近紅外波段中具有獨(dú)特的光譜反射特性。其中，歸一化植被指數(shù)（NDVI）廣泛用于評(píng)估和監(jiān)測(cè)植被動(dòng)態(tài)、冠層信息和田間植被環(huán)境的變化［23］。歸一化差異紅邊指數(shù)（NDRE）和冠層葉綠素含量指數(shù)（SCCCI）在預(yù)測(cè)植株氮素吸收和總氮濃度中起到很好的作用［24］。Qi等在350～2 500 nm的光譜范圍內(nèi)構(gòu)建了葉片光譜指數(shù)，通過(guò)對(duì)歸一化差異光譜指數(shù)（NDSI）、比值光譜指數(shù)（RSI）、差值光譜指數(shù)（DSI）和土壤調(diào)節(jié)植被指數(shù)（SASI）分析，發(fā)現(xiàn)4種光譜植被指數(shù)均能夠反映葉片中葉綠素含量的變化［25］。在對(duì)于生物量的估算中，與基于紅光的指數(shù)相比，紅邊帶（680～740 nm）的植被指數(shù)具有較高的估算準(zhǔn)確性［26］。對(duì)不同光譜指數(shù)間進(jìn)行相關(guān)分析和回歸分析，可建立一些常見(jiàn)的用于田間蔬菜長(zhǎng)勢(shì)監(jiān)測(cè)的植被指數(shù)（表2）。

2.2 田間蔬菜生長(zhǎng)信息監(jiān)測(cè)應(yīng)用研究

2.2.1 田間蔬菜長(zhǎng)勢(shì)及營(yíng)養(yǎng)指標(biāo)監(jiān)測(cè)

葉面積與株高在一定程度上能夠反映作物長(zhǎng)勢(shì)，其中，葉面積指數(shù)（LAI）是描述作物冠層結(jié)構(gòu)的重要參數(shù)之一［27］。LAI通過(guò)影響田間蔬菜光合作用、呼吸作用、蒸騰作用來(lái)影響產(chǎn)量。LAI與光譜植被指數(shù)密切相關(guān)，基于紅邊的植被指數(shù)可估算多種作物的LAI［28］。NDVI更是被證明與作物的LAI有很好的相關(guān)性，兩者相互結(jié)合能夠作為作物良好長(zhǎng)勢(shì)的評(píng)價(jià)指標(biāo)?？租暼绲韧ㄟ^(guò)高光譜影像不同特征波段的選取，構(gòu)建了LAI估測(cè)模型［29］。株高長(zhǎng)期以來(lái)一直被記作為生長(zhǎng)指數(shù)。在有蓮座葉的蔬菜，如白菜（Brassica rapa var. glabra），可通過(guò)整株植物的投影面積以相對(duì)較高的精度來(lái)預(yù)測(cè)植株高度，但對(duì)于地上部高度重疊的植株很難在二維圖像中進(jìn)行預(yù)測(cè)［30］。因此，數(shù)字作物模型的建立常用做植株高度估算［31］。

劉楊等通過(guò)高光譜影像結(jié)合三維空間坐標(biāo)建立大田馬鈴薯（Solanum tuberosum L.）數(shù)字表面模型（DSM），株高的提取與實(shí)際值呈線性擬合，R2為0.84［32］。

在對(duì)田間蔬菜營(yíng)養(yǎng)指標(biāo)監(jiān)測(cè)中，葉綠素的含量能夠反映蔬菜的光合能力和健康狀態(tài)。傳統(tǒng)的植物葉綠素診斷常需要通過(guò)化學(xué)方法進(jìn)行提取，對(duì)植物葉片具有破壞性，且成本高。光譜圖像中，包含著豐富的光譜信息，通過(guò)特征波段的提取，可在不破壞植物表面的前提下對(duì)內(nèi)在物質(zhì)含量進(jìn)行反演和估算。常用于葉綠素的反演方法主要是建立回歸模型與特征波段選擇分析。袁自然等采集不同生長(zhǎng)狀態(tài)的辣椒（Capsicum annuum L.）葉片高光譜圖像，利用4種不同的算法模型和葉綠素含量構(gòu)建回歸模型，通過(guò)比較分析得出隨機(jī)森林特征選擇算法能夠較為準(zhǔn)確地預(yù)測(cè)辣椒葉片葉綠素含量，其驗(yàn)證集R2=0.90［33］。在全波段光譜圖像中，一些窄帶可見(jiàn)光組合的光譜指數(shù)與蔬菜葉片和冠層葉綠素含量存在密切的聯(lián)系［34］。Wan等在對(duì)前人無(wú)人機(jī)圖像中提取的所有植被指數(shù)中發(fā)現(xiàn)，歸一化差異黃度指數(shù)（NDYI）能夠更好地監(jiān)測(cè)田間植物葉綠素含量變化［35］。光合利用率可通過(guò)葉黃色素在531、570 nm處窄帶的光譜反射指數(shù)來(lái)量化［36］。

大多數(shù)綠色植株吸收特征均處于光譜380～2 500 nm 之間［37］。研究發(fā)現(xiàn)，在單一波段下，對(duì)氮素的估算存在土壤背景等外界環(huán)境的干擾，估算結(jié)果往往具有較大的不準(zhǔn)確性［38］?；诖?，Luisa等通過(guò)研究11個(gè)光譜相應(yīng)指數(shù)與幼葉、成熟葉和衰老葉的氮含量之間的關(guān)系發(fā)現(xiàn)，在550、680 nm上的光譜反射和NDVI與氮含量高度相關(guān)［39］。在多種回歸模型預(yù)測(cè)氮含量中，多元線性回歸的方法因無(wú)法處理高光譜數(shù)據(jù)的多重共線性而限制其預(yù)測(cè)能力［40］。偏最小二乘回歸（PLSR）能夠克服多重共線性，被證明是氮含量預(yù)測(cè)的有效方法。與光譜窄帶指數(shù)相比，PLSR能夠提高氮濃度預(yù)測(cè)的精準(zhǔn)度。此外，在非線性回歸方法的使用中，隨機(jī)森林回歸（RFR）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)回歸（SVR）在氮含量的預(yù)測(cè)中被頻繁使用，與PLSR、RFR相比，SVR對(duì)于氮濃度預(yù)測(cè)具有較高的準(zhǔn)確性［41］?；诠庾V成像的氮含量預(yù)測(cè)有助于持續(xù)監(jiān)測(cè)田間蔬菜生長(zhǎng)中氮在土壤中的轉(zhuǎn)化過(guò)程，同時(shí)指導(dǎo)種植者對(duì)田間作物的施肥管理，減小過(guò)度施肥對(duì)環(huán)境的影響。一些對(duì)田間蔬菜長(zhǎng)勢(shì)及營(yíng)養(yǎng)指標(biāo)監(jiān)測(cè)的常用光譜波段選擇及研究方法見(jiàn)表3。

2.2.2 田間蔬菜病蟲(chóng)害監(jiān)測(cè)

蔬菜栽培過(guò)程中，病蟲(chóng)害是導(dǎo)致其減產(chǎn)的重要因素之一。有些病害在早期很難被發(fā)現(xiàn)，直至采取救治行動(dòng)時(shí)才發(fā)現(xiàn)已錯(cuò)過(guò)最佳救治時(shí)期，不能夠有效地控制病蟲(chóng)害的發(fā)生和蔓延。在蔬菜病蟲(chóng)害發(fā)病初期或發(fā)病前，及時(shí)對(duì)蔬菜進(jìn)行藥物噴灑防治或?qū)⑵溏P除，有利于種植者對(duì)田間蔬菜的管理。早期對(duì)于植株病蟲(chóng)害的研究多集中于植株外部形態(tài)的變化，圖像中的空間特征和紋理特征及光譜反射率等信息參數(shù)能夠?qū)χ仓杲】禒顟B(tài)進(jìn)行判別［44］。在病蟲(chóng)害脅迫監(jiān)測(cè)中，常用的機(jī)器學(xué)習(xí)算法有K-means聚類算法、隨機(jī)森林算法（RF）、支持向量機(jī)（SVM）、多層感知器官神經(jīng)網(wǎng)絡(luò)（MLP）、ANN等。在機(jī)器學(xué)習(xí)方面，對(duì)于可見(jiàn)光成像遙感，高分辨率RGB相機(jī)能夠在顏色、紋理和形狀特征的提取上對(duì)早期病蟲(chóng)害進(jìn)行檢測(cè)。在對(duì)十字花科作物進(jìn)行病蟲(chóng)害檢測(cè)中，Dang等根據(jù)顏色特征的判別方式，使用閾值分割的圖像處理方法來(lái)判別蘿卜枯萎病的發(fā)病程度［45］。Dutta等通過(guò)Otsu閾值分割結(jié)合顏色營(yíng)養(yǎng)指數(shù)，用于植株生長(zhǎng)中早期不健康葉的判別［46］。相比于RGB圖像，光譜圖像內(nèi)含大量光譜信息。在運(yùn)用光譜傳感器對(duì)病蟲(chóng)害進(jìn)行分析時(shí)，常采用特征提取與監(jiān)測(cè)算法相結(jié)合的方式［47］。線性回歸分析在光譜信息中是常用的統(tǒng)計(jì)分析方法，敏感波段結(jié)合統(tǒng)計(jì)分析在多時(shí)空變化中可用于對(duì)辣椒［49］、西瓜［Citrullus lanatus （Thunb.） Matsum.］［50］等病蟲(chóng)害的評(píng)估分析。Luo等使用高光譜遙感設(shè)備對(duì)葉片蚜蟲(chóng)進(jìn)行光譜成像，從17個(gè)光譜數(shù)據(jù)中選擇出了5個(gè)特征波長(zhǎng)，建立了蚜蟲(chóng)密度的PLSR模型［51］。對(duì)于定量的回歸分析模型構(gòu)建方法，分類算法通常能夠判斷作物發(fā)病的嚴(yán)重程度。Mahlein等通過(guò)對(duì)甜菜（Beta vulgaris L.）葉片高光譜成像，光譜信息結(jié)合實(shí)測(cè)病原菌數(shù)據(jù)，利用光譜角制圖分類算法（SAM）實(shí)現(xiàn)了對(duì)甜菜葉斑病、銹病、白粉病的有效鑒別［52］。

由于高光譜成像數(shù)據(jù)量大，傳統(tǒng)機(jī)器學(xué)習(xí)通常面臨著訓(xùn)練速度慢、過(guò)度擬合和可視化困難等缺點(diǎn)［53］。在針對(duì)病蟲(chóng)害的研究中，深度學(xué)習(xí)的方法相比于傳統(tǒng)的機(jī)器學(xué)習(xí)有更好的效果，Abdulridha等在番茄開(kāi)花生長(zhǎng)期從35個(gè)光譜植被指數(shù)中選擇出了一組用于疾病檢測(cè)的最佳指數(shù)，通過(guò)多層感知器官神經(jīng)網(wǎng)絡(luò)（MLP）和逐步判別分析（STDA）實(shí)現(xiàn)對(duì)番茄斑點(diǎn)病不同發(fā)病階段的檢測(cè)［49］。Xia等采用ANN和SVM結(jié)合全波段光譜圖像實(shí)現(xiàn)對(duì)蠶豆（Vicia faba L.）葉片三級(jí)蟲(chóng)害的預(yù)測(cè)［54］。隨著深度學(xué)習(xí)算法在高光譜數(shù)據(jù)處理領(lǐng)域的不斷發(fā)展，無(wú)人機(jī)光譜圖像技術(shù)已經(jīng)成為不同品種蔬菜植株病蟲(chóng)害發(fā)病狀況識(shí)別的高效途徑。一些常用于田間蔬菜病害的研究方法見(jiàn)表4。

2.2.3 田間土壤水分監(jiān)測(cè)

上章節(jié)所提到的無(wú)人機(jī)遙感技術(shù)在植物生長(zhǎng)信息的監(jiān)測(cè)已得到廣泛的應(yīng)用。但對(duì)田間作物需水量、土壤含水量、水分脅迫指數(shù)等研究仍是起步階段［59］。田間蔬菜在生長(zhǎng)過(guò)程中需水量大，精準(zhǔn)的灌溉技術(shù)能夠提高用水的效率。無(wú)人機(jī)遙感技術(shù)在田間水分監(jiān)測(cè)上比衛(wèi)星遙感具有更高的分辨率和靈活性且成本更低。目前，對(duì)于田間土壤水分監(jiān)測(cè)主要運(yùn)用到的遙感波段是可見(jiàn)光-近紅外和熱紅外波段。在無(wú)人機(jī)遙感技術(shù)中，通過(guò)單一波段或多個(gè)波段相融合方法建立植被指數(shù)能夠?qū)崿F(xiàn)對(duì)土壤水分的監(jiān)測(cè)。王海峰等在對(duì)表層土壤水分預(yù)測(cè)中，在單個(gè)土壤敏感波段中建立一元回歸模型，其相關(guān)系數(shù)為0.92［55］。吳龍國(guó)等在對(duì)多個(gè)波段進(jìn)行處理中，采用PCR、PLSR和多元線性回歸（MLR）等方法建模，對(duì)比不同的模型效果，發(fā)現(xiàn)提取的最優(yōu)特征波長(zhǎng)結(jié)合MLR模型在高光譜土壤水分檢測(cè)中具有很好的效果，其預(yù)測(cè)相關(guān)系數(shù)約為0.98［56，60］。在對(duì)土壤水分監(jiān)測(cè)的過(guò)程中，模型的精度往往隨著光譜信息窗口大小的改變而發(fā)生變化。Bai等通過(guò)對(duì)比不同模型精度，提出了最佳窗口大小的選擇方法。然而，水分灌溉的主要對(duì)象是田間作物而不是土壤，因此了解作物的含水量、需水狀況是合理田間灌溉的標(biāo)準(zhǔn)［57］。作物缺水狀態(tài)往往會(huì)通過(guò)自身生理變化來(lái)體現(xiàn)，通常表現(xiàn)為葉綠素等色素的分解和植株萎蔫。作物氣孔導(dǎo)度和蒸騰速率會(huì)隨著含水量的不足而減?。?8，61］，從而可以減少水分缺失對(duì)植株造成的損害。因此基于冠層指標(biāo)和色素含量變化的信息為無(wú)人機(jī)遙感監(jiān)測(cè)作物水分脅迫研究提供了必要條件。目前，多光譜植被指數(shù)在作物需水量方面應(yīng)用較為廣泛，一些常用于水分監(jiān)測(cè)的光譜植被指數(shù)有葉片水分指數(shù)（LWI）、水分脅迫指數(shù)（MSI）和歸一化差值水指數(shù)（NDWI）等［62］。許鶴等對(duì)不同生長(zhǎng)期的小白菜冠層光譜信息進(jìn)行分析，構(gòu)建NDWI實(shí)現(xiàn)了生長(zhǎng)期小白菜水分含量信息的反演，并結(jié)合生長(zhǎng)指數(shù)和干旱指數(shù)來(lái)判斷小白菜干旱程度［60］。在以上應(yīng)用中，通過(guò)無(wú)人機(jī)所獲得的大量田間地塊高分辨率光譜圖像，能夠快速感知田間蔬菜需水情況，在田間蔬菜種植中具有廣闊的應(yīng)用前景。

2.2.4 蔬菜產(chǎn)量預(yù)測(cè)

對(duì)于蔬菜產(chǎn)量的預(yù)估通常依賴于顏色和光譜數(shù)據(jù)［63］。經(jīng)研究發(fā)現(xiàn)，基于光譜指數(shù)與紋理測(cè)量的模型在產(chǎn)量估測(cè)上具有較高的準(zhǔn)確性［64］。越來(lái)越多的人利用多光譜窄帶或?qū)拵У臄?shù)據(jù)生成的表面反射率來(lái)提高作物產(chǎn)量模型的準(zhǔn)確率［65］。趙曉慶等結(jié)合大豆實(shí)測(cè)產(chǎn)量，在最優(yōu)空間尺度為9.03、10.13 m2下提取了冠層光譜，建立了產(chǎn)量與植被指數(shù)之間的偏最小二乘回歸模型，其相關(guān)系數(shù)為0.81［66］。基于全波長(zhǎng)光譜的PLSR模型將馬鈴薯產(chǎn)量預(yù)測(cè)精度由R2=0.63提高至 R2=0.81［67］。在光譜圖像中，窄帶植被指數(shù)和作物高度相結(jié)合。然而在大量光譜信息中尋找最佳光譜波段，將高維數(shù)據(jù)降維是一個(gè)復(fù)雜的過(guò)程［68］。Burger等提出了高光譜數(shù)據(jù)的重要性［69］，用以解決在計(jì)算處理等應(yīng)用中出現(xiàn)的冗雜維數(shù)問(wèn)題［70］。對(duì)于油菜（Brassica campestris L.）類莖葉型蔬菜，在對(duì)比多種光譜預(yù)處理方法如平滑算法、變量標(biāo)準(zhǔn)化、導(dǎo)數(shù)處理、小波變換等，發(fā)現(xiàn)小波變換為最優(yōu)的光譜預(yù)處理方法［71］。通過(guò)對(duì)光譜數(shù)據(jù)進(jìn)行RF、SPA、遺傳算法（GA）、嶺回歸等多種降維方法處理后，采用相關(guān)分析和單因素方差分析來(lái)尋找與其產(chǎn)量相關(guān)的敏感光譜指數(shù)，可建立單一植被指數(shù)與組合植被指數(shù)相結(jié)合的估產(chǎn)模型。在對(duì)田間番茄光譜信息處理中發(fā)現(xiàn)，選擇二階導(dǎo)數(shù)的光譜指數(shù)配合RF、SVM和嶺回歸等特征選取方法能夠減少番茄產(chǎn)量預(yù)測(cè)中的變量數(shù)量，提高產(chǎn)量預(yù)測(cè)的準(zhǔn)確性［72］。Gong等使用六波段無(wú)人機(jī)生成油菜冠層豐度圖像，發(fā)現(xiàn)地塊光譜指數(shù)和葉片相關(guān)豐度的乘積與油菜產(chǎn)量密切相關(guān)，且R2在0.75以上［73］。光譜混合分析（SMA）在定量獲取豐度信息的同時(shí)能夠減小其他器官對(duì)估產(chǎn)的影響，結(jié)合端元光譜計(jì)算的光譜指數(shù)，能夠表現(xiàn)出更好的估產(chǎn)能力［74］。通過(guò)光譜圖像結(jié)合原位端元的SMA，能夠?qū)⒃囼?yàn)小區(qū)中葉、穗和土壤的光譜按比例提取，結(jié)合豐度信息的植被指數(shù)比單獨(dú)的植被指數(shù)具有更高的產(chǎn)量預(yù)測(cè)能力。面對(duì)大量的光譜數(shù)據(jù)，簡(jiǎn)單的數(shù)據(jù)處理方法難以對(duì)其進(jìn)行優(yōu)化，因此選擇不同的算法模型對(duì)光譜信息的處理十分重要。一些常用的光譜產(chǎn)量建模方法見(jiàn)表5。

2.2.5 育種信息采集與品種選育

目前，植株表型與基因型高效準(zhǔn)確的結(jié)合，是育種工作的基本目標(biāo)［80］。然而，表型的快速檢測(cè)一直是預(yù)測(cè)育種結(jié)果的主要限制因素［81］。準(zhǔn)確快速地獲取植株在不同環(huán)境下的表型信息，有助于確定基因組與表型數(shù)據(jù)的關(guān)聯(lián)性，提高育種效率［82］。通過(guò)光譜傳感技術(shù)，能夠?qū)Υ罅恐仓赀M(jìn)行標(biāo)準(zhǔn)一致性的評(píng)估，且不受地域環(huán)境的影響，有助于品種選育。育種中重要的經(jīng)濟(jì)性狀主要有植株的株高、葉面積、生物量、植株萎縮狀態(tài)、花/果數(shù)量及果實(shí)質(zhì)量。前人研究表明，一天中12：00是針對(duì)光譜指數(shù)田間品種劃分最可靠的時(shí)間［83］。在對(duì)抗性選育過(guò)程中，通常建立大量雜交系，以形態(tài)生理學(xué)和植物生化性狀作為篩選標(biāo)準(zhǔn)，在雜交系中進(jìn)行抗性選擇。El-Hendawy等在光譜反射下對(duì)植株耐逆指數(shù)進(jìn)行評(píng)估，確定了具有高產(chǎn)潛力的基因型及通過(guò)不同耐逆指數(shù)在對(duì)照和鹽度條件下產(chǎn)生優(yōu)質(zhì)產(chǎn)量的基因型［84］。在對(duì)同一品種不同基因型劃分中，高光譜反射率數(shù)據(jù)中得出的歸一化差值植被指數(shù)能夠體現(xiàn)出親本系和自交F1之間的差異［85］。通過(guò)圖像表型信息獲取，對(duì)生菜（Lactuca sativa L. var. ramosa Hort.）近交系的評(píng)估中發(fā)現(xiàn)，高性能圖像表型鑒定與傳統(tǒng)方法高度相關(guān)，可以用做種質(zhì)庫(kù)中鑒定不同遺傳背景的替代方法［86］。高通量表型已經(jīng)用于測(cè)量種質(zhì)間的變異［87］。在育種過(guò)程中，由于來(lái)自正反交兩組F1系之間的表型差異遠(yuǎn)小于親本和F1之間的差異，導(dǎo)致肉眼難以評(píng)估。高光譜成像能夠提供大量的表型信息進(jìn)而反映不同表型變異的數(shù)據(jù)點(diǎn)［88］。Chang等對(duì)辣椒（Capsicum annuum L.）整個(gè)生命周期進(jìn)行高光譜成像，通過(guò)對(duì)各親本F1的特征波段選擇和反射率聚類分析，發(fā)現(xiàn)了潛在微妙的細(xì)胞質(zhì)效應(yīng)［85］。通過(guò)高通量信息采集，能夠?qū)我会槍?duì)性蔬菜表型性狀提供有價(jià)值的數(shù)據(jù)，有利于加速蔬菜育種進(jìn)程。

3 結(jié)論與展望

3.1 光譜成像技術(shù)在田間蔬菜生產(chǎn)應(yīng)用中的優(yōu)勢(shì)

光譜成像技術(shù)在大田蔬菜種植中有巨大的應(yīng)用潛力，通過(guò)對(duì)光譜信息的處理，可以對(duì)田間蔬菜生長(zhǎng)狀況以進(jìn)行監(jiān)測(cè)，種植者可以在第一時(shí)間發(fā)現(xiàn)種植過(guò)程的生長(zhǎng)信息，能夠及早地對(duì)田間蔬菜生長(zhǎng)各個(gè)時(shí)期的營(yíng)養(yǎng)補(bǔ)充和病害預(yù)防進(jìn)行判斷，有效降低蔬菜生產(chǎn)中的成本。

育種家在蔬菜種業(yè)中的作用大于大田作物，保持育種材料的持續(xù)高效創(chuàng)新，對(duì)于解決農(nóng)業(yè)“芯片”意義重大。以往科學(xué)家對(duì)蔬菜生長(zhǎng)性能以及生產(chǎn)力的評(píng)估只是選擇影響植株生長(zhǎng)狀況中的1個(gè)或2個(gè)條件，無(wú)法全面評(píng)估蔬菜生長(zhǎng)受限因素。通過(guò)無(wú)人機(jī)光譜圖像技術(shù)能夠全面獲取蔬菜生長(zhǎng)中的多種限制因素，通過(guò)后期的數(shù)據(jù)整合，便于更好地了解各個(gè)生長(zhǎng)指標(biāo)之間的相互關(guān)系。

3.2 光譜成像技術(shù)應(yīng)用于田間蔬菜種植時(shí)所存在的問(wèn)題

光譜成像技術(shù)在大田蔬菜上的應(yīng)用目前仍處于研究階段，由于大田蔬菜種植面積小，區(qū)域分散程度高，這增加了對(duì)光譜圖像處理的難度。再加上不同品種蔬菜所反映的光譜數(shù)據(jù)不盡相同，同一品種蔬菜因不同的生長(zhǎng)階段所反映的光譜數(shù)據(jù)也不相同等特點(diǎn)，在光譜模型建立過(guò)程中，難以有統(tǒng)一的建模標(biāo)準(zhǔn)。上面的研究主要集中于討論田間蔬菜生長(zhǎng)信息中的單個(gè)生長(zhǎng)指標(biāo)的預(yù)測(cè)模型，未來(lái)的研究方向應(yīng)是多種評(píng)價(jià)指標(biāo)相互融合的綜合生長(zhǎng)指標(biāo)預(yù)測(cè)模型，便于更好地理解他們之間的相互關(guān)系，以實(shí)現(xiàn)田間最佳蔬菜生長(zhǎng)預(yù)測(cè)。

光譜數(shù)據(jù)的精度取決于多種因素，如光照、田間濕度和風(fēng)力等影響。無(wú)人機(jī)搭載光譜設(shè)備續(xù)航時(shí)間通常受限在30 min內(nèi)，有效載荷低、持續(xù)時(shí)間短和圖像采集區(qū)域狹窄，在飛行過(guò)程中易受外界干擾。近些年無(wú)人機(jī)光譜成像技術(shù)在田間作物生長(zhǎng)信息監(jiān)測(cè)中能夠起到很好的作用，但由于無(wú)人機(jī)價(jià)格成本高，操作復(fù)雜，限制了商業(yè)生產(chǎn)和應(yīng)用。在未來(lái)農(nóng)業(yè)無(wú)人機(jī)的研發(fā)應(yīng)是低成本、輕量化的，無(wú)人機(jī)系統(tǒng)應(yīng)盡可能采用以田間種植群體為中心的用戶界面和反饋方案。

盡管無(wú)人機(jī)平臺(tái)和機(jī)載傳感器易于搭建，并成功應(yīng)用于農(nóng)業(yè)種植領(lǐng)域，但在大規(guī)模評(píng)估蔬菜作物生長(zhǎng)信息中，無(wú)論是在對(duì)田間蔬菜長(zhǎng)勢(shì)與營(yíng)養(yǎng)評(píng)估還是對(duì)于病蟲(chóng)害的研究，植物科學(xué)家都具有完備的科學(xué)理論，在后期圖像的預(yù)處理和后期數(shù)據(jù)的分析中，數(shù)據(jù)處理人員與科學(xué)家之間交流較少，常導(dǎo)致精準(zhǔn)育種計(jì)劃難以開(kāi)展。隨著研究領(lǐng)域的不斷深入，未來(lái)跨學(xué)科之間的交流將會(huì)變得更加緊密。

隨著光譜成像與其他技術(shù)（如自動(dòng)化技術(shù)、物聯(lián)網(wǎng)和人工智能）的更深入結(jié)合，光譜成像將為蔬菜生長(zhǎng)監(jiān)測(cè)與品種選育上帶來(lái)更廣泛的解決方案。但目前仍需要更多的數(shù)據(jù)處理工作，如多模態(tài)數(shù)據(jù)分析（幾何和紋理）光譜波段的篩選。其中傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)需要不斷升級(jí)為更加先進(jìn)的方法，如卷積神經(jīng)網(wǎng)絡(luò)，用于處理多元數(shù)據(jù)的融合，以實(shí)現(xiàn)精確的預(yù)測(cè)。

參考文獻(xiàn)：

［1］楊 瑤，李丹陽(yáng)，馮 健，等. 我國(guó)蔬菜生產(chǎn)機(jī)械化問(wèn)題與對(duì)策分析［J］. 農(nóng)機(jī)科技推廣，2021（9）：32，39.

［2］Demestichas K，Daskalakis E. Data lifecycle management in precision agriculture supported by information and communication technology［J］. Agronomy，2020，10（11）：1648.

［3］Macbride P E W. The future of agriculture［J］. Nature，1929，124（3116）：81-83.

［4］Huang S，Tang L N，Hupy J P，et al. A commentary review on the use of normalized difference vegetation index （NDVI） in the era of popular remote sensing［J］. Journal of Forestry Research，2021，32（1）：1-6.

［5］Meivel S，Maheswari S. Remote sensing analysis of agricultural drone［J］. Journal of the Indian Society of Remote Sensing，2021，49（3）：689-701.

［6］Luo S J，Jiang X Q，He Y B，et al. Multi-dimensional variables and feature parameter selection for aboveground biomass estimation of potato based on UAV multispectral imagery［J］. Frontiers in Plant Science，2022，13：948249.

［7］Zeng G L，Deng X L，Lan Y. Advances in diagnosis of crop diseases，pests and weeds by UAV remote sensing［J］. Smart Agriculture，2019，1（2）：1-19.

［8］Barreto A，Ispizua Yamati F R，Varrelmann M，et al. Disease incidence and severity of Cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning［J］. Plant Disease，2023，107（1）：188-200.

［9］Chivasa W，Mutanga O，Biradar C. UAV-based multispectral phenotyping for disease resistance to accelerate crop improvement under changing climate conditions［J］. Remote Sensing，2020，12（15）：2445.

［10］Xu R，Li C Y，Bernardes S. Development and testing of a UAV-based multi-sensor system for plant phenotyping and precision agriculture［J］. Remote Sensing，2021，13（17）：3517.

［11］Yao H A，Qin R J，Chen X Y. Unmanned aerial vehicle for remote sensing applications—A review［J］. Remote Sensing，2019，11（12）：1443.

［12］Pascucci S，Pignatti S，Casa R，et al. Special issue “hyperspectral remote sensing of agriculture and vegetation”［J］. Remote Sensing，2020，12（21）：3665.

［13］Ghamisi P，Yokoya N，Li J，et al. Advances in hyperspectral image and signal processing：a comprehensive overview of the state of the art［J］. IEEE Geoscience and Remote Sensing Magazine，2017，5（4）：37-78.

［14］Wang H L，Peng J Y，Xie C Q，et al. Fruit quality evaluation using spectroscopy technology：a review［J］. Sensors，2015，15（5）：11889-11927.

［15］張愛(ài)武，康孝巖. p值統(tǒng)計(jì)量建模獨(dú)立性的高光譜波段選擇方法［J］. 紅外與激光工程，2018，47（9）：390-398.

［16］高 鵬，楊可明，榮坤鵬，等. 銅脅迫下玉米污染特征波段提取與程度監(jiān)測(cè)［J］. 光譜學(xué)與光譜分析，2020，40（2）：529-534.

［17］Hasegawa T. Spectral simulation study on the influence of the principal component analysis step on principal component regression［J］. Applied Spectroscopy，2006，60（1）：95-98.

［18］Araújo M C U，Saldanha T C B，Galvo R K H，et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis［J］. Chemometrics and Intelligent Laboratory Systems，2001，57（2）：65-73.

［19］Wang Q G，Chen H H. Optimization of parallel random forest algorithm based on distance weight［J］. Journal of Intelligent & Fuzzy Systems，2020，39（2）：1951-1963.

［20］Hofmeyr D P. Degrees of freedom and model selection for k-means clustering［J］. Computational Statistics & Data Analysis，2020，149：106974.

［21］Meng R，Lyu Z G，Yan J B，et al. Development of spectral disease indices for southern corn rust detection and severity classification［J］. Remote Sensing，2020，12（19）：3233.

［22］Xue J R，Su B F. Significant remote sensing vegetation indices：a review of developments and applications［J］. Journal of Sensors，2017，2017：1-17.

［23］Enciso J，Avila C A，Jung J H，et al. Validation of agronomic UAV and field measurements for tomato varieties［J］. Computers and Electronics in Agriculture，2019，158：278-283.

［24］Ballester C，Hornbuckle J，Brinkhoff J，et al. Assessment of in-season cotton nitrogen status and lint yield prediction from unmanned aerial system imagery［J］. Remote Sensing，2017，9（11）：1149.

［25］Qi H X，Zhu B Y，Kong L X，et al. Hyperspectral inversion model of chlorophyll content in peanut leaves［J］. Applied Sciences，2020，10（7）：2259.

［26］Tian H Q，Shi S D，Wang H，et al. Estimation of sugar beet aboveground biomass by band depth optimization of hyperspectral canopy reflectance［J］. Journal of the Indian Society of Remote Sensing，2017，45（5）：795-803.

［27］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［28］Dong T F，Liu J G，Shang J L，et al. Assessment of red-edge vegetation indices for crop leaf area index estimation［J］. Remote Sensing of Environment，2019，222：133-143.

［29］孔鈺如，王李娟，馮海寬，等. 無(wú)人機(jī)高光譜波段選擇的葉面積指數(shù)反演［J］. 光譜學(xué)與光譜分析，2022，42（3）：933-939.

［30］Chang S，Lee U，Hong M J，et al. High-throughput phenotyping （HTP） data reveal dosage effect at growth stages in Arabidopsis thaliana irradiated by gamma rays［J］. Plants，2020，9（5）：557.

［31］Han X Z，Thomasson J A，Bagnall G C，et al. Measurement and calibration of plant-height from fixed-wing UAV images［J］. Sensors，2018，18（12）：4092.

［32］劉 楊，馮海寬，黃 玨，等. 基于無(wú)人機(jī)高光譜影像的馬鈴薯株高和地上生物量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（2）：188-198.

［33］袁自然，葉 寅，武 際，等. 基于高光譜成像技術(shù)的辣椒葉片葉綠素含量估算［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（16）：189-193.

［34］Domingues Franceschini M H，Bartholomeus H，van Apeldoorn D，et al. Intercomparison of unmanned aerial vehicle and ground-based narrow band spectrometers applied to crop trait monitoring in organic potato production［J］. Sensors，2017，17（10）：2265.

［35］Wan L，Cen H Y，Zhu J P，et al. Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer—A case study of small farmlands in the South of China［J］. Agricultural and Forest Meteorology，2020，291：108096.

［36］Proctor C，He Y. Workflow for building a hyperspectral UAV：challenges and opportunities［J］. The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2015，XL-1/W4：415-419.

［37］Homolová L，Malenovsk Z，Clevers J G P W，et al. Review of optical-based remote sensing for plant trait mapping［J］. Ecological Complexity，2013，15：1-16.

［38］Berger K，Verrelst J，F(xiàn)éret J B，et al. Crop nitrogen monitoring：recent progress and principal developments in the context of imaging spectroscopy missions［J］. Remote Sensing of Environment，2020，242：111758.

［39］Luisa Espaa-Boquera M，Cárdenas-Navarro R，López-Pérez L，et al. Estimating the nitrogen concentration of strawberry plants from its spectral response［J］. Communications in Soil Science and Plant Analysis，2006，37（15/16/17/18/19/20）：2447-2459.

［40］Thenkabail P S，Lyon J G，Huete A. Biophysical and biochemical characterization and plant species studies［M］. Baca Raton：CRC Press，2018.

［41］Yao X A，Huang Y，Shang G Y，et al. Evaluation of six algorithms to monitor wheat leaf nitrogen concentration［J］. Remote Sensing，2015，7（11）：14939-14966.

［42］Liu Y N，Liu S S，Li J，et al. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images［J］. Computers and Electronics in Agriculture，2019，166：105026.

［43］Mwinuka P R，Mbilinyi B P，Mbungu W B，et al. The feasibility of hand-held thermal and UAV-based multispectral imaging for canopy water status assessment and yield prediction of irrigated African eggplant （Solanum aethopicum L.）［J］. Agricultural Water Management，2021，245：106584.

［44］Yang B Y，Xu Y. Applications of deep-learning approaches in [JP3]horticultural research：a review［J］. Horticulture Research，2021，8：123.

［45］Dang L M，Ibrahim Hassan S，Suhyeon I，et al. UAV based wilt detection system via convolutional neural networks［J］. Sustainable Computing：Informatics and Systems，2020，28：100250.

［46］Dutta K，Talukdar D，Bora S S. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images［J］. Measurement，2022，189：110478.

［47］Zhang J C，Huang Y B，Pu R L，et al. Monitoring plant diseases and pests through remote sensing technology：a review［J］. Computers and Electronics in Agriculture，2019，165：104943.

［48］Atshan L A，Brown P，Xu C，et al. Early detection of disease infection in chilli crops using sensors［J］. Acta Horticulturae，2020（1279）：263-270.

［49］Abdulridha J，Ampatzidis Y，Kakarla S C，et al. Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques［J］. Precision Agriculture，2020，21（5）：955-978.

［50］Kalischuk M，Paret M L，F(xiàn)reeman J H，et al. An improved crop scouting technique incorporating unmanned aerial vehicle-assisted multispectral crop imaging into conventional scouting practice for gummy stem blight in watermelon［J］. Plant Disease，2019，103（7）：1642-1650.

［51］Luo J H，Huang W J，Zhao J L，et al. Detecting aphid density of winter wheat leaf using hyperspectral measurements［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（2）：690-698.

［52］Mahlein A K，Steiner U，Hillnhütter C，et al. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases［J］. Plant Methods，2012，8（1）：1-13.

［53］Cao F，Wu D，He Y，et al. Variety discrimination of grapes based on visible-near reflection infrared spectroscopy［J］. Acta Optica Sinica，2009，29（2）：537-540.

［54］Xia J A，Yang Y W，Cao H X，et al. Classification of broad bean pest of visible-near infrared spectroscopy based on cloud computing［J］. Spectroscopy and Spectral Analysis，2018，38（3）：756-760.

［55］王海峰，張智韜，付秋萍，等. 低空無(wú)人機(jī)多光譜遙感數(shù)據(jù)的土壤含水率反演［J］. 節(jié)水灌溉，2018（1）：90-94，102.

［56］吳龍國(guó)，王松磊，何建國(guó). 基于高光譜技術(shù)的土壤水分無(wú)損檢測(cè)［J］. 光譜學(xué)與光譜分析，2018，38（8）：2563.

［57］Bai X Q，Chen Y W，Chen J Y，et al. Optimal window size selection for spectral information extraction of sampling points from UAV multispectral images for soil moisture content inversion［J］. Computers and Electronics in Agriculture，2021，190：106456.

［58］Urban J，Ingwers M W，McGuire M A，et al. Increase in leaf temperature opens stomata and decouples net photosynthesis from stomatal conductance in Pinus taeda and Populus deltoides×nigra［J］. Journal of Experimental Botany，2017，68（7）：1757-1767.

［59］Ekinzog E K，Schlerf M，Kraft M，et al. Revisiting crop water stress index based on potato field experiments in Northern Germany［J］. Agricultural Water Management，2022，269：107664.

［60］許 鶴，潘 軍，蔣立軍，等. 蔬菜作物水分脅迫遙感光譜指數(shù)構(gòu)建實(shí)驗(yàn)研究［J］. 科學(xué)技術(shù)與工程，2019，19（28）：245-252.

［61］Sagan V，Maimaitiyiming M，F(xiàn)ishman J. Effects of ambient ozone on soybean biophysical variables and mineral nutrient accumulation［J］. Remote Sensing，2018，10（4）：562.

［62］Gerhards M，Schlerf M，Mallick K，et al. Challenges and future perspectives of multi-/ hyperspectral thermal infrared remote sensing for crop water-stress detection：a review［J］. Remote Sensing，2019，11（10）：1240.

［63］Mekonnen Y，Namuduri S，Burton L，et al. Review—Machine learning techniques in wireless sensor network based precision agriculture［J］. Journal of the Electrochemical Society，2020，167（3）：037522.

［64］Wang F M，Yi Q X，Hu J H，et al. Combining spectral and textural information in UAV hyperspectral images to estimate rice grain yield［J］. International Journal of Applied Earth Observation and Geoinformation，2021，102：102397.

［65］Marshall M，Thenkabail P. Advantage of hyperspectral EO-1 Hyperion over multispectral IKONOS，GeoEye-1，WorldView-2，Landsat ETM+，and MODIS vegetation indices in crop biomass estimation［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2015，108：205-218.

［66］趙曉慶，楊貴軍，劉建剛，等. 基于無(wú)人機(jī)載高光譜空間尺度優(yōu)化的大豆育種產(chǎn)量估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（1）：110-116.

［67］Li B，Xu X M，Zhang L，et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，162：161-172.

［68］Chlingaryan A，Sukkarieh S，Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture：a review［J］. Computers and Electronics in Agriculture，2018，151：61-69.

［69］Burger J，Gowen A. Data handling in hyperspectral image analysis［J］. Chemometrics and Intelligent Laboratory Systems，2011，108（1）：13-22.

［70］Landgrebe D. Hyperspectral image data analysis［J］. IEEE Signal Processing Magazine，2002，19（1）：17-28.

［71］朱紅艷. 基于無(wú)人機(jī)低空遙感的油菜表型信息獲取方法研究［D］. 杭州：浙江大學(xué)，2019.

［72］Kenichi T，Noa I，Xiao M X. Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery［J］. Plant Methods，2021，17（1）：77.

［73］Gong Y，Duan B，F(xiàn)ang S H，et al. Remote estimation of rapeseed yield with unmanned aerial vehicle （UAV） imaging and spectral mixture analysis［J］. Plant Methods，2018，14（1）：1-14.

［74］Yuan N G，Gong Y，F(xiàn)ang S H，et al. UAV remote sensing estimation of rice yield based on adaptive spectral endmembers and bilinear mixing model［J］. Remote Sensing，2021，13（11）：2190.

［75］Valente J，Sari B，Kooistra L，et al. Automated crop plant counting from very high-resolution aerial imagery［J］. Precision Agriculture，2020，21（6）：1366-1384.

［76］Midtiby H S，Pastucha E. Pumpkin yield estimation using images from a UAV［J］. Agronomy，2022，12（4）：964.

［77］Barreto A，Lottes P，Ispizua Yamati F R，et al. Automatic UAV-based counting of seedlings in sugar-beet field and extension to maize and strawberry［J］. Computers and Electronics in Agriculture，2021，191：106493.

［78］Chancia R，van Aardt J，Pethybridge S，et al. Predicting table beet root yield with multispectral UAS imagery［J］. Remote Sensing，2021，13（11）：2180.[HJ][LM]

[KH*4D]

[HT8.]

［79］Maimaitijiang M，Sagan V，Sidike P，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning［J］. Remote Sensing of Environment，2020，237：111599.

［80］Pasala R，Pandey B B. Plant phenomics：high-throughput technology for accelerating genomics［J］. Journal of Biosciences，2020，45（1）：111.

［81］Su W，Zhang M Z，Bian D H，et al. Phenotyping of corn plants using unmanned aerial vehicle （UAV） images［J］. Remote Sensing，2019，11（17）：2021.

［82］Yang G J，Liu J G，Zhao C J，et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping：current status and perspectives［J］. Frontiers in Plant Science，2017，8：1111.

［83］Barbosa M R Jr，Tedesco D，dos Santos Carreira V，et al. The time of day is key to discriminate cultivars of sugarcane upon imagery data from unmanned aerial vehicle［J］. Drones，2022，6（5）：112.

［84］El-Hendawy S，Al-Suhaibani N，Mubushar M，et al. Potential use of hyperspectral reflectance as a high-throughput nondestructive phenotyping tool for assessing salt tolerance in advanced spring wheat lines under field conditions［J］. Plants，2021，10（11）：2512.

［85］Chang S，Lee U，Kim J B，et al. Application of 3D-volumetric analysis and hyperspectral imaging systems for investigation of heterosis and cytoplasmic effects in pepper［J］. Scientia Horticulturae，2022，302：111150.

［86］ Mascarenhas Maciel G，de Araújo Gallis R B，Barbosa R L，et al. Image phenotyping of inbred red lettuce lines with genetic diversity regarding carotenoid levels［J］. International Journal of Applied Earth Observation and Geoinformation，2019，81：154-160.

［87］Yang W N，Guo Z L，Huang C L，et al. Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice［J］. Nature Communications，2014，5：5087.

［88］Roux F，Mary-Huard T，Barillot E，et al. Cytonuclear interactions affect adaptive traits of the annual plant Arabidopsis thaliana in the field［J］. Proceedings of the National Academy of Sciences of the United States of America，2016，113（13）：3687-3692.