2018, Vol. 24 
doi: 
2. 河北省农林科学院农业资源环境研究所，河北石家庄 050051
2. Institute of Agro-Resource and Environment, Hebei Academy of Agricultural and Forestry Sciences, Shijiazhuang 050051, China
玉米产量占我国谷物产量的三分之一以上，已成为我国第一大粮食作物[1]。在当前以小农户为主的玉米生产中，不合理施用氮肥、氮肥利用率低、环境污染严重等问题突出[2–3]。传统的氮素营养诊断以实验室分析和破坏性取样为主，时效性和便捷性低[4]，难以满足以小农户为主体的生产条件下的技术需求，迫切需要发展便捷的新方法、新手段来满足对一定区域作物营养的动态监测和管理。
无人机遥感作为一种新型的遥感技术，以其独特的优势近年来在农业领域受到高度关注。无人机遥感技术以无人机飞行器为平台，搭载多传感器，快速获取田间作物冠层的高分辨率影像信息，经过遥感数据的处理后用于田间作物冠层信息的解析[5]。无人机遥感平台的传感器受其载荷能力的限制，在精度、质量和尺寸上需满足一定的要求，目前无人机遥感普遍采用的传感器主要为数码相机[6–7]、多光谱相机[8–9]、高光谱相机[10]、热像仪[10–11]和激光雷达[12]等。无人机搭载多传感器平台的遥感技术具有其特有的优势，如效率高、成本低、高度的灵活性，具有极高的时空分辨率，适合复杂农田环境[13]，对比卫星遥感，不受大气和云层的干扰，不存在访问周期长的问题[14–16]。目前，已开展了无人机遥感在解析作物株高信息、倒伏状况、生物量、叶绿素含量、叶面积指数、水分状态、氮素状况和产量等信息方面的研究工作[7, 11, 17–23]。
作为可见光遥感最便捷的工具之一，数码相机以其无损、准确、快速的特点在小麦[24]、夏玉米[25–26]、水稻[4, 27]、棉花[28]、冬油菜[29]等各种作物中得到广泛研究，可见光光谱参数被认为可以作为诊断氮素状况的良好指标。植物冠层的绿色状况受叶片叶绿素含量的影响，而叶绿素与植株的全氮含量有显著的相关关系[30]，由于叶绿素对可见光的有效吸收，在可见光波段 (400～700 nm)，作物冠层的光反射会随着缺氮程度的增加而增强[31–33]，这可作为可见光光谱参数用于作物氮素诊断的依据。研究发现，绿光标准化值[G/(R + G + B)]是较好地表征冬小麦拔节期氮营养状况的指标[24]，也可作为盛花期棉花氮素营养诊断的指标[28]；蓝光标准化值[B/(R + G + B)]可作为进行夏玉米六叶期氮素营养诊断的最佳冠层图像色彩参数指标[25–26]；红光标准化值[R/(R + G + B)]可作为水稻[4, 27]和冬油菜[29]氮素营养诊断的最佳冠层图像色彩参数指标。这些基于陆地地表的可见光光谱参数研究为发展无人机可见光谱遥感奠定了一定的基础。
综合前人在可见光谱进行作物氮营养诊断方面的研究进展，已有的研究以作物单一生育期为主，系统研究全生育期冠层可见光谱参数动态变化的较少；以陆地地表获取小面积光谱参数为主，无人机低空获取较大面积作物冠层与氮营养相关的光谱参数很少。为此，本研究应用无人机遥感平台搭载数码相机组成的可见光遥感系统，系统探究夏玉米生长发育的5个重要生育时期中12个可见光光谱参数的动态变化，旨在筛选稳定且一致的光谱参数，为夏玉米不同生育时期无损快速氮营养诊断提供依据。
1 材料与方法 1.1 试验材料试验于2015年在位于河北省曲周县的中国农业大学曲周试验基地进行，土壤为壤质潮土，种植体系为冬小麦–夏玉米轮作。夏玉米生育期从6月10日到10月3日，品种为华北地区种植较为广泛的夏玉米品种郑单958，种植密度为9万株/hm2，在夏玉米的整个生长季节内没有明显的干旱胁迫和病虫草害。
氮肥试验设5个氮水平，分别为：1) 不施氮对照 (CK)；2) 农民传统施肥处理 (ConN)；3) 基于根层氮肥实时监控的优化施氮处理 (OptN)；4) 优化施氮上调30%处理 (130%OptN)；5) 优化施氮下调30%处理 (70%OptN)。其中优化施氮处理采用以根层养分调控为核心的氮素实时监控技术，根据作物在不同生育阶段的氮素需求等确定氮素供应的目标值，结合土壤无机氮测试来确定不同时期的氮肥用量，以达到土壤和肥料的氮素供应与作物氮素需求同步的目的[34]。试验中所用氮肥为尿素，分为基肥 (播前) 和追肥 (六叶期V6、吐丝期VT) 三次施用，具体氮肥用量见表1。各处理磷钾肥用量相同，磷肥用量为P2O5 45 kg/hm2 ，钾肥用量为K2O 90 kg/hm2，全部作为基肥施入。每个处理设4次重复，随机区组排列，每个小区的面积为300 m2 (20 m × 15 m)，整个试验用地面积7500 m2。
| 表1 不同处理施氮量 (N kg/hm2) Table 1 N fertilization rate of different treatments |
 |
在夏玉米六叶期 (V6)、十叶期 (V10)、吐丝期 (VT)、籽粒建成期 (R2)、乳熟期 (R4) 和完熟期 (R6，收获期) 进行地上部生物量取样，取样时在每个小区中部连续取6株玉米，烘箱105℃下杀青30 min后烘干至恒重计算地上部生物量，同时采用H2SO4–H2O2法消化，凯氏定氮法测定植株氮浓度，并计算相应的植株地上部吸氮量。
1.3 数字图像数据的获取与处理采用大疆精灵2代无人机作为遥感平台，搭载Canon Powershot S110数码相机 (最大像素1600万)，在夏玉米生长发育的5个主要时期，即：六叶期 (V6)、十叶期 (V10)、吐丝期 (VT)、籽粒建成期 (R2)、乳熟期 (R4)，选择晴天光线较强的时间上午9:00—10:00无人机飞行高度约为120 m，相机调至TV模式下，设置为连拍模式，时间间隔为1 s，获取夏玉米整块试验田冠层图像。数码相机得到的图像为RGB真彩色图像，图像以JPEG无损压缩格式转存入计算机。图像的处理采用Adobe Photoshop，在连拍模式获得的图像中，选取一张最大程度全部包括试验田的图像，裁剪去掉试验田之外的部分，并进行轻微的几何矫正保证最终的试验田部分的实际形状，选择小区处理时，人为去掉小区边界四个方向各一行的玉米，以排除边行长势不均的干扰。各时期冠层航拍图像利用“直方图程序 (Histogram procedure)”来获得数字图像的红光值R (redness intensity)、绿光值G (greenness intensity) 和蓝光值B (blueness intensity) 和亮度值L (lightness intensity)，在数据获取时均选取中间值，六叶期由于未封垄，为剔除土壤背景的干扰，先利用其“色彩选择程序 (Colour selection)”选择数字图像中植物冠层部分，再进行上述操作[4]。为更好地描述色彩参数与植株营养参数之间的相关关系，对色彩参数绝对值进行处理，获取绿光与红光比值 (G/R)、绿光与蓝光比值 (G/B)、红光与蓝光比值 (R/B)、绿光与亮度比值 (G/L)、红光标准化值[R/(R + G + B)](normalized redness intensity)、绿光标准化值[G/(R + G + B)](normalized greenness intensity)、蓝光标准化值 [B/(R + G + B)] (normalized blueness intensity)[27]、红绿蓝植被指数RGBVI [RGBVI = (G × G−R × B)/(G × G + R × B)][35]。
将各生育时期获取的光谱参数与当前常规的氮营养诊断指标 (氮浓度、生物量和吸氮量) 进行相关性分析，并分析不同生育时期光谱参数的变异系数，选取相关性高且变异系数小的光谱参数作为最佳诊断参数。试验数据用Microsoft Excel 2010和SAS统计软件进行分析。
2 结果与分析 2.1 不同氮肥用量对玉米各生育期氮浓度、生物量和吸氮量的影响随着植株的生长，植株氮浓度呈现降低的趋势，即植株氮浓度在植株生长过程中存在稀释效应 (表2)。在所有生育时期，不施氮处理 (CK) 的植株氮浓度都是最低的，显著低于其他四个处理，除十叶期CK外的四个处理70%OptN、OptN、130%OptN、ConN没有差异外，其他时期70%OptN处理显著低于OptN、130%OptN、ConN处理，而OptN、130%OptN、ConN三个处理间没有显著性差异。在V6、V10、VT、R2、R4、R6生育期，OptN处理较CK处理植株氮浓度分别提高27.0%、59.6%、68.0%、92.6%、73.0%、49.3%。
从图1可以看出，CK处理的生物量累积和吸氮量在整个生育期都要显著低于其他四个处理。对于70%OptN和OptN处理，70%OptN处理的生物量累积和吸氮量在整个生育期都要显著低于OptN处理，从六叶期到吐丝期，OptN处理的生物量累积和吸氮量分别增加7 t/hm2和116 kg/hm2，分别比70%OptN处理高出31.5%和11%。从吐丝期到完熟期，OptN处理的生物量累积增加12 t/hm2，比70%OptN处理高出9%，而吸氮量增加为63 kg/hm2，比70%OptN处理低2 kg/hm2，但完熟期，OptN处理的吸氮量比70%OptN处理高18%。在整个生育期，OptN和130%OptN及ConN处理的生物量累积和吸氮量均没有显著性差异。
| 表2 不同氮肥管理下夏玉米各生育期植株氮浓度 (%) Table 2 Maize plant N concentrations at different growth stages affected by N treatments |
 |
 |
| 图1 不同氮肥处理夏玉米生物量和氮素累积动态 Fig. 1 Accumulation of biomass and nitrogen of maize through the growing season as affected by N treatments [注（Note）：***代表在0.001水平差异显著Indicate significance at P < 0.001.] |
表3结果表明，除B、R/(R + G + B)、R/B外，R、G、L、G/(R + G + B)、B/(R + G + B)、G/R、G/B、G/L、RGBVI均在各生育期V6、V10、VT、R2、R4与夏玉米植株氮浓度有显著或极显著的相关性。其中参数R、G、L在各生育期与植株氮浓度都有极显著的负相关关系，而参数B相关性并不稳定。参数G/(R + G + B)、G/R、G/L、RGBVI在V6、V10期与植株氮浓度呈显著正相关，而抽雄吐丝后呈显著负相关，且V6、V10期相关性不及抽雄吐丝后。参数B/(R + G + B) 在V6期与植株氮浓度有显著负相关关系，而V10期以后呈现极显著正相关关系且相关性高于V6期，参数G/B在V6期与植株氮浓度有显著正相关关系，而V10期以后呈现极显著负相关关系且相关性高于V6期。参数R/(R + G + B) 与植株氮浓度在V6、V10期呈显著负相关，而抽雄吐丝后与植株氮浓度无相关性。参数R/B在V6期与植株氮浓度无相关性，而V10期以后呈现极显著负相关关系。
| 表3 玉米不同生育时期冠层图像色彩参数与氮浓度之间的相关关系 (n = 20) Table 3 Correlation coefficients between indexes of canopy image color parameter and N concentrations of maize at different growth stages |
 |
表4结果表明，除参数B、R/(R + G + B)、R/B外，其他冠层图像色彩参数均与各时期夏玉米植株生物量有显著或极显著的相关关系。其中参数R、G、L在各时期与生物量都有极显著的负相关关系，而参数B与生物量的相关关系并不稳定。参数G/(R + G + B)、G/R、G/L、RGBVI在V6、V10期与生物量呈显著正相关，而抽雄吐丝后呈显著负相关，且V6、V10期相关性不及抽雄吐丝后。参数B/(R + G + B) 在V6期与生物量有显著负相关关系，而V10期以后呈现极显著正相关关系且相关性高于V6期。参数G/B在V6期与生物量有显著正相关关系，而V10期以后呈现极显著负相关关系且相关性高于V6期。参数R/(R + G + B) 与生物量在V6、V10期呈显著负相关，而抽雄吐丝后与生物量无相关性。参数R/B在V6期与生物量无相关性，而V10期以后呈现极显著负相关关系。
| 表4 玉米不同生育时期冠层图像色彩参数与生物量之间的相关关系 (n = 20) Table 4 Correlation coefficients between indexes of canopy image color parameter and maize biomass at different growth stages |
 |
由表5可以发现，与植株氮浓度和生物量结果相一致，除参数B、R/(R + G + B)、R/B外，其他冠层图像色彩参数均与各时期夏玉米植株吸氮量有显著或极显著的相关关系。其中参数R、G、L在各时期与植株吸氮量都有极显著的负相关关系，而参数B与吸氮量的相关性并不稳定。参数G/(R + G + B)、G/R、G/L、RGBVI在V6、V10期与植株吸氮量呈显著正相关，而抽雄吐丝后呈显著负相关，且在V6、V10期相关性不及抽雄吐丝后。参数B/(R + G + B) 在V6生育期与植株吸氮量有显著负相关关系，而V10期以后呈现极显著正相关关系且相关性高于V6期，参数G/B在V6期与植株吸氮量有显著正相关关系，而V10期以后呈现极显著负相关关系且相关性高于V6期。参数R/(R + G + B) 与植株吸氮量在V6、V10期呈显著负相关，而抽雄吐丝后与植株吸氮量无相关性。参数R/B在V6期与植株吸氮量无相关性，而V10期以后呈现极显著负相关关系。
| 表5 玉米不同生育时期冠层图像色彩参数与吸氮量之间的相关关系 Table 5 Correlation coefficients between indexes of canopy image color parameter and N uptake of maize at different growth stages |
 |
综上所述，参数R、G、L、G/(R + G + B)、G/R、G/B、G/L、RGBVI均在各生育期V6、V10、VT、R2、R4与夏玉米常规的氮营养诊断指标 (氮浓度、生物量和吸氮量) 有极显著的相关性 (P < 0.01)，可作为氮素营养诊断的参数。
2.3 不同生育时期冠层图像色彩参数变异系数表6结果表明，各生育期内图像色彩参数的变异系数有较大的差异，范围在0.93%～35.54%之间。其中参数R、G、L和RGBVI的变异系数在各时期都较大，介于7.14%～35.54%之间；参数B、R/(R + G + B)、B/(R + G + B)、G/R、G/B、R/B在各时期的变异系数不稳定，介于1.03%～9.89%之间；参数G/(R + G + B)、G/L的变异系数在各时期都较小，介于0.93%～4.30%之间。各生育期内图像色彩参数与夏玉米常规的氮营养诊断指标 (氮浓度、生物量和吸氮量) 的相关性研究表明，参数R、G、L、G/(R + G + B)、G/R、G/B、G/L、RGBVI均在各时期与夏玉米常规的氮营养诊断指标有极显著的相关性 (P < 0.01)，结合图像色彩参数的变异系数综合分析，参数G/(R + G + B)、G/L与氮素状况的相关性高且变异系数小而稳定，可作为基于无人机可见光遥感各时期氮素营养动态诊断的最佳色彩参数。
| 表6 不同生育时期玉米冠层图像色彩参数的变异系数 (%, n = 20) Table 6 Coefficient of variation (%) about indexes of canopy image color parameter at different growth stages |
 |
研究表明，玉米产量的形成依赖于高的干物质累积和氮素吸收[36]，六叶期后干物质和氮素吸收呈快速增长的趋势，六叶期至吐丝期是氮素吸收最快的生长阶段。随着玉米产量的提高，花后氮吸收的重要性也随之增加，玉米高产的实现需要花后高的干物质累积和氮吸收[36–37]，因此对于玉米全生育期的氮素吸收和干物质累积进行诊断对于玉米实现高产和氮肥高效利用具有重要意义。长期以来，我国玉米生产习惯在大喇叭口期追肥；近年来，在机械化玉米生产中，为满足夏玉米六叶期后氮素的快速积累，推荐施氮选择在六叶期[38]；在高产超高产条件下，优化施肥技术需要在抽雄吐丝期进行第二次追肥，以满足高产超高产水平玉米对花后氮素需求的增加，因此对玉米花后灌浆期氮素诊断以保证高产的实现是很有必要的[39]。当前尽管花后施肥难度较大，通过抽雄吐丝期追肥的方式满足，但相信随着精准农业和先进农业机械的快速发展，花后施肥调控会为产量的提高提供可行的手段。在前人研究中，利用可见光遥感进行作物氮素营养诊断主要以花前单一生育期为主[25–29]，本文应用无人机可见光遥感系统研究了花前花后冠层图像色彩参数的动态变化并筛选出了适宜不同生育期氮素诊断的参数，随着精准农业和先进农业机械的快速发展，相信该技术的应用将是作物无损营养诊断与推荐施肥的重要发展方向。
本文应用无人机可见光遥感系统，通过对夏玉米冠层图像色彩参数指标与传统氮素营养诊断参数的相关性分析，并比较色彩参数指标的稳定性，筛选出了不同生育时期相对稳定一致的色彩参数指标。结果表明，色彩参数R、G、L、G/(R + G + B)、G/R、G/B、G/L、RGBVI均在各生育期V6、V10、VT、R2、R4与夏玉米常规的氮营养诊断指标 (氮浓度、生物量和吸氮量) 有极显著的相关性，色彩参数G/(R + G + B)、G/L与氮素状况的相关性高 (0.641 < r < 0.944) 且变异系数小而稳定，介于0.93%～4.30%之间，优于其他色彩参数指标，可作为各时期氮素营养动态诊断的最佳色彩参数。在前人的研究结果中，孙钦平等 [26]认为在夏玉米V10期，参数G/(R + G + B) 和B/(R + G + B) 可作为最佳色彩参数指标，在本研究中，V10期参数G/(R + G + B) 和B/(R + G + B) 与传统氮素营养诊断参数也呈极显著相关关系，只不过B/(R + G + B) 在V6期与氮素状况的相关性不及其他色彩参数指标，综合全生育期的动态诊断，故文中没有强调B/(R + G + B)。而张立周等[25]认为夏玉米的最佳诊断时期是V6期，其效果好于V10期，相应最佳色彩参数为B/(R + G + B)，这与本研究结果存在差异，这可能是由于无人机可见光遥感系统的大面积垂直航拍图像获取方式造成的。综合来看，G/(R + G + B)、G/L可作为全生育期氮素营养动态诊断的最佳色彩参数指标。
无人机搭载传感器平台的遥感技术以其较高的工作效率和灵活性、较高时空分辨率、工作周期短且受云层等天气因素影响较小等特有的优势，在获取作物的株高信息、倒伏信息、生物量、叶面积指数、氮素状况等多个方面得到广泛的研究与应用[17–23]。在本研究中，运用无人机遥感平台结合数码相机组成的遥感系统，对比近地面遥感应用数码相机获取作物图像信息同样具有很大的优势：近地面应用数码相机只能在小范围内获取作物图像，要想完成大面积作物氮素诊断需要多次图像获取，工作量大且工作效率低；而运用无人机遥感平台可以在短时间内获取大面积的图像信息，具有很高的工作效率，因此基于无人机遥感平台的遥感手段更适用于较大区域的氮素快速诊断，特别是为较大规模农业经营主体 (合作社、家庭农场) 和整乡整村提供技术服务，符合当前农业的发展方向。
无人机可见光遥感对比近地遥感具有更大的灵活性和活动空间，极大地减少了工作量，提高了工作效率，节省了成本，这也为作物多生育时期的氮素营养诊断提供了可能性。但基于无人机遥感平台的数字图像技术还不够成熟，大量图像需要进行人工处理，且图像中作物叶片的重叠和土壤背景对光谱参数存在影响等是普遍存在问题，作物品种间冠层图像色彩参数是否存在差异仍需进一步研究。因此，在以后的研究中，应尽量减小各方面的误差，使无人机遥感技术在发挥其优势的同时更加准确，以更好地应用于作物氮素诊断。
| [1] | FAO. FAOSTAT-Agriculture database[DB/OL]. http://faostat.fao.org/, 2016. |
| [2] | Cui Z, Zhang F, Chen X, et al. On-farm evaluation of an in-season nitrogen management strategy based on soil Nmin test[J]. Field Crops Research, 2008, 105(1/2): 48–55. |
| [3] | Meng Q, Peng H, Wu L, et al. Understanding production potentials and yield gaps in intensive maize production in China[J]. Field Crops Research, 2013, 143(1): 91–97. |
| [4] |
贾良良, 范明生, 张福锁, 等. 应用数码相机进行水稻氮素营养诊断[J].
光谱学与光谱分析, 2009, 29(8): 2176–2179.
Jia L L, Fan M S, Zhang F S, et al. Nitrogen status diagnosis of rice by using a digital camera[J]. Spectroscopy and Spectral Analysis, 2009, 29(8): 2176–2179. |
| [5] |
刘建刚, 赵春江, 杨贵军, 等. 无人机遥感解析田间作物表型信息研究进展[J].
农业工程学报, 2016, 32(24): 98–106.
Liu J G, Zhao C J, Yang G J, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(24): 98–106. DOI:10.11975/j.issn.1002-6819.2016.24.013 |
| [6] | Guo W, Fukatsu T, Ninomiya S. Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images[J]. Plant Methods, 2015, 11(1): 1–15. |
| [7] | Bendig J, Bolten A, Bennertz S, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395–10412. |
| [8] | Zaman-Allah M, Vergara O, Araus J L, et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize[J]. Plant Methods, 2015, 11(1): 1–10. |
| [9] | Ballesteros R, Ortega J F, Hernandez D, et al. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part II: Application to maize and onion crops of a semi-arid region in Spain[J]. Precision Agriculture, 2014, 15(6): 593–614. DOI:10.1007/s11119-014-9357-6 |
| [10] | Gonzalez-Dugo V, Hernandez P, Solis I, 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. |
| [11] | Berni J A J, Zarco-Tejada P J, Suarez L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. Transactions on Geoscience and Remote Sensing, 2009, 47(3): 722–738. DOI:10.1109/TGRS.2008.2010457 |
| [12] | Deery D, Jimenez-Berni J, Jones H, et al. Proximal remote sensing buggies and potential applications for field-based phenotyping[J]. Agronomy, 2014, 4(3): 34–379. |
| [13] |
赵春江. 农业遥感研究与应用进展[J].
农业机械学报, 2014, 45(12): 277–293.
Zhao C J. The development of agricultural remote sensing research and application[J]. Journal of Agricultural Machinery, 2014, 45(12): 277–293. DOI:10.6041/j.issn.1000-1298.2014.12.041 |
| [14] | Li J, Zhang F, Qian X, et al. Quantification of rice canopy nitrogen balance index with digital imagery from unmanned aerial vehicle[J]. Remote Sensing Letters, 2015, 6: 183–189. DOI:10.1080/2150704X.2015.1021934 |
| [15] |
王峰, 吴云东. 无人机遥感平台技术研究与应用[J].
遥感信息, 2010, (2): 114–118.
Wang F, Wu Y D. Research and application of UAS borne remote sensing[J]. Remote Sensing Information, 2010, (2): 114–118. |
| [16] |
金伟, 葛宏立, 杜华强, 等. 无人机遥感发展与应用概况[J].
遥感信息, 2009, (1): 88–92.
Jin W, Ge H L, Du H Q, et al. A review on unmanned aerial vehicle remote sensing and its application[J]. Remote Sensing Information, 2009, (1): 88–92. |
| [17] | Zhang C H, Walters D, Kovacs J M. Applications of low altitude remote sensing in agriculture upon farmers’ requests: A case study in Northeastern Ontario, Canada[J]. PloS One, 2014, 9(11): 112894–112894. DOI:10.1371/journal.pone.0112894 |
| [18] |
李宗南, 陈仲新, 王利民, 等. 基于小型无人机遥感的玉米倒伏面积提取[J].
农业工程学报, 2014, 30(19): 207–213.
Li Z N, Chen Z X, Wang L M, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19): 207–213. DOI:10.3969/j.issn.1002-6819.2014.19.025 |
| [19] | Geipel J, Link J, Claupein W. Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models acquired with an unmanned aircraft system[J]. Remote Sensing, 2014, 6(11): 10335–10355. |
| [20] | Verger A, Vigneau N, Chéron C, et al. Green area index from an unmanned aerial system over wheat and rapeseed crops[J]. Remote Sensing of Environment, 2014, 152: 654–664. DOI:10.1016/j.rse.2014.06.006 |
| [21] | Aasen H, Burkart A, Bolten A, et al. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2015, 108(5): 251–254. |
| [22] | Brocks S, Bendig J, Bareth G. Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras[J]. Journal of Applied Remote Sensing, 2016, 10(4): 1–19. |
| [23] |
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. DOI:10.3969/j.issn.1002-6819.2013.18.017 |
| [24] |
张立周, 侯晓宇, 张玉铭, 等. 数字图像诊断技术在冬小麦氮素营养诊断中的应用[J].
中国生态农业学报, 2011, 19(5): 1168–1170.
Zhang L Z, Hou X Y, Zhang Y M, et al. Diagnosis of the state of N in wheat via digital image processing technique[J]. Chinese Journal of Eco-Agriculture, 2011, 19(5): 1168–1170. |
| [25] |
张立周, 王殿武, 张玉铭, 等. 数字图像技术在夏玉米氮素营养诊断中的应用[J].
中国生态农业学报, 2010, 18(6): 1340–1344.
Zhang L Z, Wang D W, Zhang Y M, et al. Diagnosis of N nutrient status of corn using digital image processing technique[J]. Chinese Journal of Eco-Agriculture, 2010, 18(6): 1340–1344. |
| [26] |
孙钦平, 贾良良, 芮玉奎, 等. 应用可见光光谱进行夏玉米氮营养诊断[J].
光谱学与光谱分析, 2009, 29(2): 432–435.
Sun Q P, Jia L L, Rui Y K, et al. Nitrogen status diagnosis of summer maize by using visible spectral analysis technology[J]. Spectroscopy and Spectral Analysis, 2009, 29(2): 432–435. |
| [27] |
李岚涛, 张萌, 任涛, 等. 应用数字图像技术进行水稻氮素营养诊断[J].
植物营养与肥料学报, 2015, 21(1): 259–268.
Li L T, Zhang M, Ren T, et al. Diagnosis of N nutrition of rice using digital image processing technique[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(1): 259–268. DOI:10.11674/zwyf.2015.0129 |
| [28] |
王娟, 雷咏雯, 张永帅, 等. 应用数字图像分析技术进行棉花氮素营养诊断的研究[J].
中国生态农业学报, 2008, 16(1): 145–149.
Wang J, Lei Y W, Zhang Y S, et al. Diagnosis of cotton N status using digital image analysis technique[J]. Chinese Journal of Eco-Agriculture, 2008, 16(1): 145–149. |
| [29] |
魏全全, 李岚涛, 任涛, 等. 基于数字图像技术的冬油菜氮素营养诊断[J].
中国农业科学, 2015, 48(19): 3877–3886.
Wei Q Q, Li L T, Ren T, et al. Diagnosing nitrogen nutrition status of winter rapeseed via digital image processing[J]. Scientia Agricultura Sinica, 2015, 48(19): 3877–3886. DOI:10.3864/j.issn.0578-1752.2015.19.010 |
| [30] | Wolf D W, Henderson D W, Hsiao T, et al. Interactive water and nitrogen effects on senescences of maize. Ⅱ. Photosynthetic decline and longevity of individual leaves[J]. Agronomy Journal, 1988, 80(6): 865–870. DOI:10.2134/agronj1988.00021962008000060005x |
| [31] | Walburg G, Bauer M E, Doughty C, et al. Effect of nitrogen on the growth, yield, and reflectance characteristics of corn canopies[J]. Agronomy Journal, 1982, 74: 677–683. DOI:10.2134/agronj1982.00021962007400040020x |
| [32] | Hinzman L, Bauer M, Daughtry C. Effects of nitrogen fertilization on growth and reflectance characteristics of winter wheat[J]. Remote Sensing of Environment, 1986, 19(1): 47–61. DOI:10.1016/0034-4257(86)90040-4 |
| [33] | Blackmer T, Schepers J, Varvel G. Light reflectance compared with other nitrogen stress measurements in corn leaves[J]. Agronomy Journal, 1994, 86(6): 934–938. DOI:10.2134/agronj1994.00021962008600060002x |
| [34] | Yan P, Yue S, Qiu M, et al. Using maize hybrids and in-season nitrogen management to improve grain yield and grain nitrogen concentrations[J]. Field Crop Research, 2014, 166(9): 38–45. |
| [35] | Bendig J, Yu K, Aasen H, 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. DOI:10.1016/j.jag.2015.02.012 |
| [36] | Echarte L, Rothstein S, Tollenaar M. The response of leaf photosynthesis and dry matter accumulation to nitrogen supply in an older and a newer maize hybrid[J]. Crop Science, 2008, 48(2): 656–665. DOI:10.2135/cropsci2007.06.0366 |
| [37] |
孟庆峰. 玉米和小麦高产与养分高效协同实现的技术途径研究[D]. 北京: 中国农业大学博士学位论文, 2012.
Meng Q F. Strategies for achieving high yieid and high nutrient use efficiency simultaneously for maize and wheat [D]. Beijing: PhD Dissertation of China Agriculture University, 2012. |
| [38] |
陈新平, 崔振岭, 张宏彦, 等. 玉米施肥技术与机械化[J].
农业技术与装备, 2011, (17): 22–24.
Chen X P, Cui Z L, Zhang H Y, et al. Technique of fertilization and mechanization for maize[J]. Agricultural Technology Equipment, 2011, (17): 22–24. DOI:10.3969/j.issn.1673-887X.2011.17.007 |
| [39] | Meng Q F, Yue S C, Hou P, et al. Improving yield and nitrogen use efficiency simultaneously for maize and wheat in China: A review[J]. Pedosphere, 2016, 26(2): 137–147. DOI:10.1016/S1002-0160(15)60030-3 |