摘 要：苎麻生理生化性状是其遗传基础和环境条件综合影响的结果，能够反映特定胁迫环境下苎麻的生长发育状况。无人机遥感技术为大规模田间作物长势监测提供了有效手段，但利用无人机搭载多光谱相机对苎麻理化性状进行综合评价的研究还未见报道。因此，以苎麻种质资源为研究对象，采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数，运用相关性分析法（Pearson correlation analysis，PCA）、递归特征消除法（Recursive feature elimination，RFE）2种最优特征筛选方法和线性回归（Linear regression，LR）、随机森林回归（Random forest，RF）、支持向量机回归（Support vector machines，SVM）、偏最小二乘回归（Partial least squares regression analysis，PLSR）4种机器学习算法分别构建了苎麻叶绿素相对含量（SPAD值）、叶面积指数（Leaf area index，LAI）和叶片相对含水量（Relative water content，RWC）的估测模型。结果表明，苎麻理化性状与冠层光谱偏态参数存在显著相关性，基于偏态参数构建的苎麻理化性状估测模型能包含更多信息输入。对比PCA方法，RFE能更有效地筛选敏感特征参数，从而提高估测模型精度。基于多时序融合数据的苎麻理化性状估测模型精度较高，LR-SAPD估测模型的R2为0.662，RMSE为2.088；LR-RWC估测模型的R2为0.793，RMSE为2.213，SVR-LAI模型能较好估测苎麻叶面积指数，R2为0.737，RMSE为0.630。本文提出了一种准确高效、性价比高、普适性高的田间苎麻理化性状动态监测方法，可用于作物理化含量的快速、无损估测。
关键词：苎麻；理化性状；无人机遥感；机器学习
0 引言
精准农业的发展依赖于详细可靠的农田状况信息，如作物长势状况、营养状况、杂草分布、病虫害分布等。然而，传统的田间作物信息获取方法存在耗时耗力、破坏性强、时效性差等缺点，严重阻碍了大规模作物生长实时监测。随着低空高通量表型平台的出现，这一过程得到了改进[1]，以遥感技术和机器学习技术为主的作物高通量表型获取技术使得农田生产管理者能够非破坏性、快速地获取有价值的作物信息，改变了传统的监测策略[2]。
理化性状是作物生长过程中被广泛关注的表型指标，能够用于表征作物生长动态及潜力，与作物生命活动息息相关。主要的作物理化性状包括叶面积指数（Leaf area index，LAI）[3-4]、叶绿素相对含量（SPAD值）[5-6]、相对含水量（Relative water content，RWC）等。其中，LAI被证明与作物生长、作物水分利用、作物碳吸收和产量有关[7-8]；叶绿素含量可以用于判断作物营养状况以及衰老进程[9]；而RWC作为表征作物水分状况的关键参数，是开展水分亏缺诊断的重要基础。因此，SPAD值、LAI、RWC的快速、实时、精准监测对于作物营养诊断、田间肥料精准管理、作物生产能力评价和品质预测等均具有重要意义[10-11]。
基于遥感技术和机器学习技术的作物理化性状监测手段通过分析植物反射光谱特征来指示作物生理变化和损伤[12]。在过去的近十年里，学者们尝试使用不同传感数据和不同建模方法优化作物理化性状遥感反演的性能，包括使用支持向量回归（Support vector machines，SVM）、偏最小二乘回归（Partial least squares regression，PLSR）等传统机器学习方法构建多源遥感数据与实测作物理化性状的经验关系，通过深度神经网络或通过融合PROSAIL冠层反射率模型增强作物理化性状反演的解释性等。如，CHEN等[13]基于无人机高光谱数据，结合PROSAIL辐射传输模型和6种回归模型估测了玉米LAI，最佳模型R2为0.72。牛玉洁等[14]基于雷达点云和多光谱遥感数据，采用PLSR构建了LAI估测模型（R2=0.91）。冯海宽等[15]使用多种机器学习算法构建了苹果叶片叶绿素含量估测模型（R2=0.94）。尽管以上研究均表明高通量表型技术在作物理化性状估测上具有巨大潜力，但当前研究仍然存在弊端，在利用多光谱影像分析作物理化性状时，通常假设反射指数遵循正态分布，而忽视了偏态分布中其他参数对作物理化性状定量描述的意义[16-17]，导致信息匮乏，极大地限制了遥感数据应用。
苎麻是我国特色纤维作物，为了在田间条件下更好地表征遗传和环境对苎麻关键理化性状的影响，需要更准确、劳动强度更小的分析方法。研究基于多时序的无人机多光谱影像，协同地面实测数据，定量确定苎麻SPAD值、LAI、RWC，并验证苎麻群体影像是否符合偏态分布模式，并探索偏态分布模式在苎麻理化性状估测上的应用前景；比较不同特征筛选方法和机器学习算法对苎麻理化性状估测精度的影响；探究利用多时序遥感数据综合估测苎麻理化性状的可行性。
1 材料与方法
1.1 试验区域
试验区位于湖南省长沙市湖南农业大学耘园教学基地（28°11¢1¢¢N，113°4¢10¢¢E），属于典型的亚热带季风性湿润气候，降水充沛，光热条件良好。试验共布置154个小区，包含154份种质资源（图1）。各小区面积2m×1.8m，2行×4蔸，蔸间距为0.4m，行间距为0.6m，排水沟宽为0.5m。苎麻材料于2017年12月育苗移栽，2018年6月破杆。试验区土壤成分均一且土壤肥沃，灌溉排水便捷，田间水肥管理一致。
1.2 数据采集
1.2.1 无人机多光谱遥感影像采集
于2022年苎麻苗期（3月15日、3月23日）、封行期（3月29日、4月7日）、旺长期（4月12日、4月20日）采用大疆Phantom4多光谱无人机获取苎麻冠层影像。该无人机采用厘米级定位系统，集成了6个相机（蓝光、绿光、红光、红边和近红外），所有相机均拥有200万像素解析力，拍摄图像的最大分辨率为1600像素×1300像素。每次飞行选择在晴朗无风的10：00-12：00时间段进行，无人机遥感系统采取距离地面20m的高度搭配-90°云台俯仰角进行拍摄，航向及旁向重叠度均为85%。
1.2.2 地面数据采集
采集的苎麻理化性状包括SPAD值、LAI、RWC，地面数据的采集与无人机飞行在同一天进行。采用SPAD-502型叶绿素仪测量苎麻冠层叶片SPAD值作为叶片叶绿素相对含量，测量时，选取植株顶部下新展开的叶片（倒4叶或倒5叶），在叶基部开始20%~80%区域的主叶脉两端，取平均值作为该叶片的SPAD值，然后随机选取小区内10株苎麻，取其平均值作为该小区的SPAD值；使用LAI-2200冠层分析仪进行苎麻LAI采集；取苎麻叶片样本称取其湿重记为Wt，然后将上述样本干燥，称其干重为Wd，RWC定义为湿重与干重的差值。
1.3多光谱遥感影像预处理
1.3.1遥感影像拼接与校正
采用大疆智图软件生成研究区域的正射影像。拼接过程中，导入地面控制点的三维空间位置信息进行地理校正（图2a），同时导入定标板的实际反射率进行辐射定标（图2b）。
1.3.2 苎麻植株分割
利用无人机拍摄的苎麻冠层遥感影像可以最大限度地获取顶部展开叶信息，但是，在苗期影像中不可避免地包含了阴影、裸地等非作物信息[18]。为避免干扰信息的影响，研究基于HSV通道的H通道值[19]，对土壤进行分割，并进一步利用最大类间方差法去除杂草。
1.4 苎麻理化性状估测模型的构建
1.4.1 遥感特征值提取
以往研究中，往往仅选择常用的植被指数进行分析，忽视了高通量、多维度数据对作物目标性状估测的潜在价值。本研究在广泛查阅文献的基础上[20-23]，提取了48个光谱特征值的均值、标准差以及9个纹理特征值（表1）。
表1 遥感特征参数的计算
注：i、j分别为像素点行数、列数，p(i,j)表示影像中(i,j)位置的灰度值，sx、sy为px(i)和px(j)的方差，N为行或列数。
1.4.2 敏感特征筛选
筛选稳定性高的敏感特征值对于模型性能极其重要，不仅能简化数据处理流程，还能够减少无关信息对目标变量的干扰。本研究分别采用相关性分析法（Pearson correlation analysis，PCA）和递归特征消除法（Recursive feature elimination，RFE）来筛选与目标变量有关的特征值，以上筛选方法均在python中实现。
1.4.3 建模方法及评价指标
所采用的机器学习算法包括5种，分别为线性回归（Linear regression，LR）、偏最小二乘回归（Partial least squares regression analysis，PLSR）、支持向量机（Support vector machines，SVM）、决策树回归（Decision tree，DT）和随机森林（Random forest，RF）。
每个时期从所有样地中获取154份样本数据，全生育期共获取样本924份。在建模过程中，采用比例7：3将数据划分为训练集和验证集，采用网格搜索方法寻找不同模型的最佳参数，采用5-折交叉验证方法评估模型，均方根误差(Root mean square error，RMSE)和决定系数（Coefficient of determination，R2）被用于量化和评估模型性能。
2 结果与分析
2.1 苎麻种质资源理化性状差异
表2为苎麻种质资源SPAD值、LAI、RWC在生育期内的时序变化及各时期统计描述。从苗期到旺长期，气温逐渐升高，干旱胁迫下苎麻叶片萎蔫度增加，导致苎麻SPAD、RWC总体呈现下降趋势。随着麻茎生长，出叶总数逐渐增加，叶片面积逐渐变大，地面实际测量的LAI逐渐增大。
从不同生育期苎麻理化性状存在的差异来看，苗期SPAD表现出更为明显的品种差异，标准差达到4.018，表明苎麻种质资源在苗期光效利用上存在较大变异，苗期可能是影响苎麻有机质最终累积量的关键时期；苎麻RWC在不同生育期的总体范围为60.809~95.836，较高的含水量差异有助于干旱条件下耐旱品种筛选；苎麻种质资源LAI总体在0.907~7.636之间，同一生育期内变化幅度不大。综上所述，不同时期的苎麻理化性状表现出明显差异，数据集具备建模所需的梯度和差异性。
表2 各时期苎麻理化性状统计描述
2.2 苎麻理化性状与遥感特征值的相关性分析
表3为苎麻理化性状与遥感特征值的相关性分析。由表3可知，苎麻SPAD与光谱特征值的相关性比与纹理特征值的相关性更高，平均相关系数达到0.199。苎麻RWC、LAI与纹理特征值的相关性比与光谱特征值的相关性更显著，RWC与纹理特征值的平均相关系数达到0.547，LAI与纹理特征的平均相关系数达到0.563。
研究进一步分析了光谱特征值偏态参数与苎麻理化性状的相关性。与光谱特征值均值相比，标准差总体上具有与RWC、LAI更高的相关性系数，分别达到0.411和0.390。因此，在依靠遥感特征值对作物理化性状进行建模估测时，可考虑遥感特征值的偏态分布情况。
表3 不同类型遥感特征值与苎麻理化性状的相关性分析
2.3 不同建模策略对苎麻理化性状估测精度的影响
分别采用PCA和RFE筛选敏感特征值作为模型变量，并以模型精度为指标，评估不同特征筛选方法的有效性。由表4可知，与CK相比，PCA和RFE均提高了估测模型的最终精度，但RFE具有更好的表现。采用RFE筛选特征后，LR-SPAD估测精度最高，R2分别比CK和PCA提高9.241%、8.525%；LR-RWC估测精度最高（R2=0.793，RMSE为2.213），R2分别比CK和PCA方法提高8.631%、6.300%；SVR-LAI估测精度达到0.737，比CK和PCA方法提高0.959%、0.959%。由此可知，特征筛选是作物反演建模过程中必不可少的步骤，RFE能提供更加稳定的特征选择。
在建模算法上，对比了LR、RF、SVR、PLSR、DT算法的建模精度（表4）。LR、RF、SVR、PLSR在估测苎麻理化性状上的综合表现相当，在SPAD值上，这4种算法的估测精度都在0.592以上；对于RWC，4种算法也取得了较高的估测精度，R2均在0.760以上；对于LAI，以上4种算法R2均在0.698以上。但是，DT对所有苎麻理化性状的估测效果都很差，并且存在训练集过拟合，测试集精度极低的情况。
表4 不同特征筛选方法对苎麻生理指标估算精度的影响
2.4 基于多维特征的苎麻理化性状估测
表5为基于光谱特征值和多维特征值的估测精度对比。由表5可知，对于苎麻SPAD值，基于单一光谱特征构建的估测模型精度更高，这一结果验证了苎麻SPAD值与光谱特征值之间相关性更高的结论。多源特征值的融合取得了更高的估测精度，对比单一光谱特征值的估测结果，基于多源特征值的苎麻RWC、LAI估测模型的R2分别提高2.648%、0.950%，RMSE分别减小4.817%、1.408%。综上所述，多维数据融合并不适用于所有作物理化性状的估测。
表5 基于不同类型特征值的苎麻理化性状估测
2.5 基于多时序数据融合的苎麻理化性状估测
由图3可知，对于所有苎麻理化性状，基于多时序数据构建的估测模型都具有最佳效果。对于苎麻SPAD值，单一生育期模型R2范围为0.270~0.367，由大到小表现为苗期、封行期、旺长期；对于RWC，单一生育期模型R2范围为0.026~0.086，多时序数据的融合显著提升了RWC估测效果，分别比苗期、封行期、旺长期估测精度提高93.583%、90.081%、77.127%；对于LAI，单一生育期模型性能有大到小表现为封行期、苗期、旺长期，R2分别0.666、0.596、0.368，RMSE分别为0.598、0.487、0.707。综上所述，使用多个生长阶段数据进行建模将提高苎麻种质资源生理生化指标估测精度。
3 讨论
在过去的几十年里，作物表型组学发展了各种作物变量检索方法，在此基础上，如何进一步提高检索精度成为了研究的热点问题。本研究探索了特征筛选、算法选择、多时序数据融合优化苎麻理化指标估测模型的潜力。
针对特征筛选，研究比较了PCA和RFE2种方法筛选敏感特征值的有效性（表4），结果表明，RFE比PCA具有更好的处理效果，特征筛选能显著提高模型精度。另外，作物理化指标对遥感特征值的类型也存在响应差异，相比多光谱特征值和纹理特征值，RGB波段特征值与苎麻SPAD值具有更强相关性，证明了低成本RGB相机在作物叶绿素反演中的应用潜力。然而在以往研究中，尽管RGB波段信息具有很好的估算能力[24]，但多光谱波段特征与作物SPAD值存在更大相关性[25]。纹理特征值在苎麻种质资源RWC和LAI估测中发挥关键作用，这是因为，光谱植被指数在LAI和RWC较大时会出现饱和现象，存在估测局限性。
针对算法筛选，以往研究表明，适宜的算法有助于提高作物理化指标估测的精度[26]。研究对比了LR、RF、SVR、PLSR4种机器学习算法的性能，结果表明4种算法都能较好估测苎麻种质资源理化指标，并且具有较高的估测精度。但是，机器学习算法也存在一些问题，如对数据集的大小和结构要求高，算法过程复杂，中间变量过多[27]。
针对多时序数据融合，研究结果表明使用多个生长阶段数据进行建模将提高苎麻种质资源理化指标估测精度，因为在某些物候期发现的差异可以在其他物候期得到补偿[28]，这一结论与HUNTER等[29]的研究结果一致。
4 结论
（1）苎麻各项理化性状对不同类型遥感特征值的响应程度不同，苎麻SPAD值对RGB波段光谱特征值敏感，而苎麻RWC、LAI除了与光谱特征值具有较强相关关系外，与纹理特征值也存在显著相关。另外，光谱偏态参数能够提供额外的数据信息。
（2）不同的机器学习算法在模型构建与验证中有不同表现，除DT外，其他4种算法构建的模型精度相当且稳定，其中基于LR的苎麻SPAD值、RWC估测模型精度分别为0.662、0.793，基于SVR的苎麻LAI估测精度可达到0.737。
（3）对比单一生育期模型，基于多时序数据构建的苎麻生理生化指标估测模型具有更好的估测效果，但该模型在监测单个生长阶段的作物性状时会产生较大的误差。
参考文献
[1] PHILLIPS R L. Mobilizing science to break yield barriers [J]. Crop Science, 2010, 50: 99-109.
[2] 王亚杰. 基于无人机多光谱遥感的玉米叶面积指数监测方法研究[D].杨凌: 西北农林科技大学, 2018.
WANG Yajie. Study on monitoring method of maize leaf area index based on UAV multi-spectral remote sensing [D]. Yangling: Northwest A&F University, 2018.
[3] WATSON D J. Comparative physiological studies on the growth of field crops: I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years [J]. Annals of Botany, 1947, 11:41-76.
[4] 王军, 姜芸. 基于无人机多光谱遥感的大豆叶面积指数反演[J].中国农学通报, 2021, 37(19):134-142.
WANG Jun, JIANG Yun. Inversion of soybean leaf area index based on UAV multispectral remote sensing [J]. Chinese Agricultural Science Bulletin, 2021, 37(19):134-142.
[5] 梁亮, 杨敏华, 张连蓬, 等. 基于 SVR 算法的小麦冠层叶绿素含量高光谱反演[J]. 农业工程学报, 2012, 28(20):162-171+294.
LIANG Liang, YANG Minhua, ZHANG Lianpeng, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on SVR algorithm [J]. Transactions of the CSAE, 2012, 28(20):162-171, 294.
[6] LI Y M, NI S X M, WANG X Z. The robustness of linear regression model in rice leaf chlorophyll concentration prediction [J]. National Remote Sensing Bulletin, 2003, 7(5):364-371.
[7] ALEXANDRIDIS T K, OVAKOGLOU G, CLEVERS J G P W. Relationship between MODIS EVI and LAI across time and space [J]. Geocarto International, 2019, 35(13):1-14.
[8] 陶惠林, 徐良骥, 冯海宽, 等. 基于无人机高光谱长势指标的冬小麦长势监测[J]. 农业机械学报, 2020, 51(2): 180-191.
TAO Huilin, XU Liangji, FENG Haikuan, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index [J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191.
[9] 李云梅, 倪绍祥, 王秀珍.线性回归模型估算水稻叶片叶绿素含量的适宜性分析[J].遥感学报, 2003, 7 (5) :364-371.
LI Yunmei, NI Shaoxiang, WANG Xiuzhen. The robustness of linear regression model in rice leaf chlorophyll concentration prediction [J]. Journal of Remote Sensing, 2003, 7 (5):364-371.
[10] RAUN W R, SOLIE J B , JOHNSON G V, STONE M L, MULLEN R W, et al. Improving nitrogen use efficiency in cereal grain production with optical sensing and variable rate application [J]. Agron. J. 2002, 94(4): 815-820.
[11] 林沂, 刘思远, 晏磊, 等. 叶表面偏振反射测量对冬小麦氮含量高光谱估算的提升[J]. 光谱学与光谱分 析, 2020, 40(6):1956-1964.
LIN Yi, LIU Siyuan, YAN Lei, et al. Improvement of hyperspectral estimation of nitrogen content in winter wheat by leaf surface polarization reflection measurement [J]. Spectroscopy and Spectral Analysis, 2020, 40(6):1956-1964.
[12] SUKHOVA E. Application of reflectance indices for remote sensing of plants and revealing actions of stressors [J]. Photonics, 2021, 8(12):582-609.
[13] CHEN X, HE B Y, HUANG Y H, et al. Estimation of maize leaf area index based on UAV hyperspectral data [J]. Remote Sensing Technology and Application, 2019, 34(4):775-784.
[14] 牛玉洁, 李晓鹏, 张佳宝, 等.融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演[J]. 土 壤学报, 2022, 59(1):161-171.
NIU Yujie, LI Xiaopeng, ZHANG Jiabao, et al. Inversion of leaf area index in winter wheat by merging UAV LiDAR and multispectral remote sensing data [J]. Acta Pedologica Sinica, 2022, 59(1):161-171.
[15] 冯海宽, 杨福芹, 杨贵军, 等. 基于特征光谱参数的苹果叶片叶绿素含量估算[J]. 农业工程学报, 2018, 34(6):182-188.
FENG Haikuan, YANG Fuqin, YANG Guijun, et al. Estimation of chlorophyll content in apple leaves based on characteristic spectral parameters [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(6):182-188.
[16] WU X M, ZHANG F G, LV J T. Research on recognition of tea leaf based on image color information [J]. Journal of Tea Science, 2013, 33(6):584-589.
[17] 张佩, 陈郑盟, 马顺登, 等. 用冠层叶色偏态分布模式 RGB 模型预测大豆产量[J]. 农业工程学报, 2021, 37(9):120-126.
ZHANG Pei, CHEN Zhengmeng, MA Shundeng, et al. Canopy color skew distribution model RGB model was used to predict soybean yield [J]. Transactions of the CSAE, 2021, 37(9):120-126.
[18] 李红军, 李佳珍, 雷玉平, 等. 无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究[J]. 中国生态农业学报, 2017, 25(12): 1832-1841.
LI Hongjun LI Jiazhen, LEI Yuping, et al. Diagnosis of nitrogen nutrition of winter wheat and summer corn using images from digital camera equipped on UAV [J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1832-1841.
[19] 崔丹丹, 杨瑞芳, 佘玮, 等. 基于可见光遥感的苎麻种质资源冠层性状研究[J]. 植物遗传资源学报, 2020, 21(2): 483-490.
CUI Dandan, YANG Ruifang, SHE Wei, et al. Studies on canopy characters of ramie germplasm resources based on visible light remote sensing [J]. Journal of Plant Genetic Resources, 2020, 21(2): 483-490.
[20] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction [J]. Remote Sens Environ. 2002, 80 (1):76-87.
[21] SULIK J J, LONG D S. Spectral considerations for modeling yield of canola [J]. Remote Sens. Environ., 2016, (184): 161-174.
[22] HUNT J E R, CAVIGELLI M, DAUGHTRY C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status [J]. Precision Agriculture, 2005, 6: 359-378.
[23] JULIANE B, KANG Y, HELGE A, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley [J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79-87.
[24] 贺英, 邓磊, 毛智慧, 等.基于数码相机的玉米冠层 SPAD 遥感估算[J].中国农业科学, 2018, 51(15):66-77.
HE Ying, DENG Lei, MAO Zhihui, et al. Estimation of maize canopy by SPAD remote sensing based on digital camera [J]. Scientia Agricultura Sinica, 2018, 51(15):66-77.
[25] 牛庆林, 冯海宽, 周新国, 等. 冬小麦 SPAD 值无人机可见光和多光谱植被指数结合估算[J]. 农业机械 学报, 2021, 52(8):183-194.
NIU Qinglin, FENG Haikuan, ZHOU Xinguo, et al. Estimation of SPAD value of winter wheat by combination of visible light and multispectral vegetation index [J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(8):183-194.
[26] 肖志云,王伊凝.基于 RF-VR 的紫丁香叶片叶绿素含量高光谱反演[J]. 浙江农业学报, 2021, 33(11):2164-2173.
XIAO Zhiyun, WANG Yining. Hyperspectral inversion of chlorophyll content in lilac leaves based on RF-VR [J]. Acta Agriculturae Zhejiangensis, 2021, 33(11):2164-2173.
[27] 徐晋, 蒙继华. 农作物叶绿素含量遥感估算的研究进展与展望[J]. 遥感技术与应用, 2016, 31(1): 74-85.
XU Jin, MENG Jihua. Research progress and prospect of crop chlorophyll content estimation by remote sensing [J]. Remote Sensing Technology and Application, 2016, 31(1): 74-85.
[28] CAMPOS I, GONZÁLEZ-GÓMEZ L, VILLODRE J, et al. Mapping within-field variability in wheat yield and biomass using remote sensing vegetation indices [J]. Precis Agric, 2019, 20:214-236.
[29] HUNTER F D L, MITCHARD E T A, TYRRELL P, et al. Inter-Seasonal time series imagery enhances classification accuracy of grazing resource and land degradation maps in a savanna ecosystem [J]. Remote Sens, 2020, 2(1):198-215.
文献摘自：付虹雨，王薇，卢建宁，岳云开，崔国贤，佘玮.基于无人机多光谱遥感和机器学习的苎麻理化性状估测[J/OL].农业机械学报:1-13[2023-04-08].http://kns.cnki.net/kcms/detail/11.1964.S.20230330.1731.004.html
