无人机飞行高度对冬小麦植株氮积累量预测模型的影响

doi:10.15933/j.cnki.1004-3268.2022.02.018

河南农业科学 ›› 2022, Vol. 51 ›› Issue (2): 147-158.DOI: 10.15933/j.cnki.1004-3268.2022.02.018

所属专题：遥感助力农业信息精准监测专题

• 农业信息与工程·农产品加工 • 上一篇下一篇

无人机飞行高度对冬小麦植株氮积累量预测模型的影响

井宇航^1,2,3，郭燕^2,3，张会芳²，戎亚思^1,2，张少华¹，冯伟¹，王来刚^2,3，贺佳^2,3，刘海礁^2,3，郑国清^2,3

（1.河南农业大学农学院/省部共建小麦玉米作物学国家重点实验室，河南郑州 450046；2.河南省农业科学院农业经济与信息研究所，河南郑州 450002；3.农作物种植监测与预警河南省工程实验室，河南郑州 450002）

收稿日期:2021-12-20 出版日期:2022-02-15 发布日期:2022-04-18
通讯作者: 郭燕（1983-），女，河南驻马店人，副研究员，博士，主要从事农业遥感与信息技术研究。E-mail：guoyan8372@163.com 冯伟（1976-），男，河南正阳人，研究员，博士，主要从事小麦高产栽培与农业遥感应用研究。E-mail：fengwei78@126.com
作者简介:井宇航（1995-），男，河南襄城人，在读硕士研究生，研究方向：小麦生理生态。E-mail：jingyuhang202103@163.com
基金资助:
国家自然科学基金项目（41601213）；河南省重点研发与推广专项（212102311154，212400410282）；河南省农业科学院杰出青年科技基金项目（2021JQ02）；河南省农业科学院自主创新项目（2022ZC53）；河南省科技智库调研课题（HNKJZK-2022-53B）；河南省农科院农经信息所科技创新领军人才培育计划项目（2022KJCX01）

Effects of UAV Flight Height on Prediction Model of Plant Nitrogen Accumulation in Winter Wheat

JING Yuhang^1,2,3，GUO Yan^2,3，ZHANG Huifang²，RONG Yasi^1,2，ZHANG Shaohua1，FENG Wei¹，WANG Laigang^2,3，HE Jia^2,3，LIU Haijiao^2,3，ZHENG Guoqing^2,3

（1.Agronomy College of Hennan Agricultural University/State Key Laboratory of Wheat and Maize Crop Science，Zhengzhou 450046，China；2.Institute of Agricultural Economy and Information，Henan Academy of Agricultural Sciences，Zhengzhou 450002，China；3.Henan Engineering Laboratory of Crop Planting Monitoring and Warning，Zhengzhou 450002，China）

Received:2021-12-20 Published:2022-02-15 Online:2022-04-18

摘要/Abstract

摘要： 无人机具有快速、高效、无损获取作物信息的优势，但是飞行高度直接影响作物信息获取效率。通过设置30、60、90 m飞行高度获取冬小麦拔节期、开花期、灌浆期不同分辨率的无人机遥感影像，探索无人机飞行高度对冬小麦植株氮积累量预测模型的影响。首先将不同高度植被指数和纹理特征与冬小麦植株氮积累量进行相关性和共线性分析，筛选出6个植被指数（NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG）和4个纹理特征（Green-mean、Green-sm、Red-mean、Red-var）。基于筛选出的植被指数和纹理特征，采用偏最小二乘回归（PLSR）和BP神经网络（BPNN）法建立了植被指数、纹理特征与植被指数+纹理特征的冬小麦植株氮积累量预测模型，并将模型在不同高度进行交叉验证，采用决定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD）指标对模型的稳定性进行分析。结果表明，2种方法均是30 m飞行高度遥感影像提取的植被指数、纹理特征、植被指数、纹理特征建立的预测模型稳定性最好，3种建模信息构建的模型验证时的R²、RMSE、RPD 分别为0.57~0.89、1.27~4.16 g/m²、1.67~3.65。BPNN在3种建模信息下构建的模型稳定性整体优于PLSR，验证模型的R²、RPD分别提高0.01~0.39、0.05~1.44，RMSE下降0.08~8.53 g/m²。3个高度植被指数、纹理特征、植被指数+纹理特征的植株氮积累量预测模型稳定性顺序：植被指数+纹理特征>植被指数>纹理特征。融合3个飞行高度遥感影像的植被指数、纹理特征、植被指数+纹理特征进行植株氮积累量预测可以提高估算精度，R²、RMSE、RPD分别为0.89~0.93、1.80~2.03 g/m²、3.54~4.03。因此，在兼顾效率与精度的情况下，适当提高无人机飞行高度，综合利用植被指数和纹理特征可以对植株氮积累量达到较好的预测效果。

关键词: 无人机, 冬小麦, 飞行高度, 植株氮积累量, 预测模型, 植被指数, 纹理特征

Abstract: UAV has the advantage of obtaining crop information quickly，efficiently and non‑destructively，and is widely used in modern agriculture. However，the flight height of UAV directly affects the efficiency of obtaining crop information. In this study，UAV remote sensing images with different resolutions were obtained at the jointing，flowering and filling stages of winter wheat by setting flight altitudes of 30 m， 60 m and 90 m，to explore and analyze the impact of UAV flight altitude on the prediction model of winter wheat plant nitrogen accumulation. Firstly，six vegetation indices（NDVI，RDVI，RERDVI，GBNDVI，OSAVI，EXG）and four texture features（Green‑mean，Green‑sm，Red‑mean，Red‑var）were screened out by correlation and collinearity analysis between different height of vegetation indices，texture features and nitrogen accumulation of winter wheat. Based on the selected vegetation index and texture characteristics，the prediction models of nitrogen accumulation of winter wheat plant were established with vegetation index，texture feature and vegetation index+texture feature by using PLSR and BPNN methods，and the models were cross‑verified at different heights. The stability of the models was analyzed by R²，RMSE and RPD indices. The results showed that the prediction models established with vegetation index，texture feature and vegetation index+texture feature extracted from 30 m UAV images had the best stability by the two methods. The R²，RMSE and RPD ranges of the three models with different information were 0.57—0.89，1.27—4.16 g/m2 and 1.67—3.65，respectively. The stability of BPNN model constructed under the three kinds of modeling information was better than that of PLSR on the whole.The R² and RPD of the verification model were improved in the range of 0.01—0.39 and 0.05—1.44，respectively.RMSE decreased by 0.08—8.53 g/m².The order of stability of the prediction models for plant nitrogen accumulation was vegetation index+texture feature>vegetation index>texture feature. The vegetation index，texture feature and vegetation index+texture feature of remote sensing images from three UAV flight heights were combined to predict plant nitrogen accumulation，which could improve the estimation accuracy（R²，RMSE and RPD ranges were 0.89—0.93，1.80—2.03 g/m² and 3.54—4.03，respectively）.Therefore，when considering the efficiency and accuracy，the flight height of UAV should be increased appropriately for efficient nitrogen accumulation prediction with comprehensive utilization of vegetation index and texture feature.

Key words: UAV, Winter wheat, Flying height, Plant nitrogen accumulation, Prediction model, Vegetation index, Texture feature

中图分类号:

S127

井宇航, 郭燕, 张会芳, 戎亚思, 张少华, 冯伟, 王来刚, 贺佳, 刘海礁, 郑国清. 无人机飞行高度对冬小麦植株氮积累量预测模型的影响[J]. 河南农业科学, 2022, 51(2): 147-158.

JING Yuhang, GUO Yan, ZHANG Huifang, RONG Yasi, ZHANG Shaohua, FENG Wei, WANG Laigang, HE Jia, LIU Haijiao, ZHENG Guoqing. Effects of UAV Flight Height on Prediction Model of Plant Nitrogen Accumulation in Winter Wheat[J]. Journal of Henan Agricultural Sciences, 2022, 51(2): 147-158.

图/表 9

参考文献

［1］余梦，谷晓博，李援农，等.播期和种植模式对冬小麦氮转运和产量的影响［J］.河南农业科学，2021，50（10）：27‑36.
YU M，GU X B，LI Y N，et al.Effects of planting pattern and sowing date on nitrogen translocation and yield of
winter wheat ［J］.Journal of Hennan Agricultural Sciences，2021，50（10）：27‑36.
［2］VIOLA L，GIOVANNI D，ADALGISA N M，et al.The effect of nitrogen fertilization on the expression of protein in wheat and tritordeum varieties using a proteomic approach［J］.Food Research International，2021，148（3）：110617.
［3］SHI P H，WANG Y，XU J M，et al.Rice nitrogen nutrition estimation with RGB images and machine learning methods［J/OL］.Computers and Electronics in Agriculture，2021：180［2021‑09‑10］.https：//doi.org/10.1016/J.COMPAG.2020.105860.
［4］COHAN J P，SOUDER C L，GUICHERD C，et al.Combining breeding traits and agronomic indicators to characterize the impact of cultivar on the nitrogen use efficiency of bread wheat［J］.Field Crops Research，2019，242：107588.
［5］郭燕，井宇航，贺佳，等.小麦冠层氮素含量光谱估算研究进展［J］.麦类作物学报，2021，41（11）：1425‑1431.
GUO Y，JING Y H，HE J，et al.Research progress of nitrogen content estimation in winter wheat canopy based
on optical spectrum［J］.Journal of Triticeae Crops，2021，41（11）：1425‑1431.
［6］DELLOYE C，WEISS M，DEFOUMY P.Retrieval of the canopy chlorophyll content from Sentinel‑2 spectral bands to estimate nitrogen accmulation in intensive winter wheat cropping systems［J］.Remote Sensing of Environment，2018，216：245‑261.
［7］贺佳，刘冰峰，黎世民，等.不同生育时期冬小麦籽粒蛋白质含量的高光谱遥感监测模型［J］.中国生态农业学报，2017，25（6）：865‑875.
HE J，LIU B F，LI S M，et al.Winter wheat grain protein content monitoring model driven by hyperspectral remote
sensing images at different growth stages［J］.Chinese Journal of Eco‑Agriculture，2017，25（6）：865‑875.
［8］ARTI S，BASKAR G，ASHEESH K S，et al.Machine learning for high‑throughput stress phenotyping in plants ［J］.Trends in Plant Science，2016，21（2）：110‑124.
［9］WANG Y，SHI P H，ZHANG G，et al.A critical nitrogen dilution curve for japonica rice based on canopy image［J］.Field Crops Research，2016，198：93‑100.
［10］刘杨，孙乾，黄珏，等.无人机多光谱影像的马铃薯地上生物量估算［J］.光谱学与光谱分析，2021，41（8）：2549‑2555.
LIU Y，SUN Q，HUANG Y，et al.Estimation of potato above ground biomass based on UAV multispectral images［J］.Sectroscopy and Spectral Analysis，2021，41（08）：2549‑2555.
［11］JAY S，BARET F，DUTARTRE D，et al.Exploiting the centimeter resolution of UAV multispectral imagery to improve remote‑sensing estimates of canopy structure and biochemistry in sugar beet crops［J/OL］.Remote Sensing of Environment，2019：231‑248［2021‑09‑10］.https：//doi.org/10.1016/j.rse.2018.09.011.
［12］秦占飞，常庆瑞，谢宝妮，等.基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测［J］.农业工程学报，2016，32（23）：77‑85.
QIN Z F，CHANG Q R，XIE B N，et al.Rice leaf nitrogen content estimation based on hysperspectral imagery of
UAV in Yellow River diversion irrigation district［J］.Transactions of the Chinese Society of Agricultural Engineering，2016，32（23）：77‑85.
［13］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.
CHENG 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.
［14］杭艳红，苏欢，于滋洋，等.结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算［J］.农业工程学报，2021，37（9）：64‑71.
HANG Y H，SU H，YU Z Y，et al.Estimation of rice leaf area index combining UAV spectrum，texture features
and vegetation coverage［J］. Transactions of the Chinese Society of Agricultural Engineering，2021，37（9）：64‑71.
［15］YUE J B，YANG G J，TIAN Q J，et al.Estimate of winter‑wheat above‑ground biomass based on UAV ultrahigh‑ground‑resolution image textures and vegetation indices ［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2019，150：226‑244.
［16］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，2019，26（6）：166‑184.
［17］魏鹏飞，徐新刚，李中元，等.基于无人机多光谱影像的夏玉米叶片氮含量遥感估测［J］.农业工程学报，2019，35（8）：126‑133，335.
WEI P F，XU X G，LI Z Y，et al.Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（8）：126‑133，335.
［18］李长春，陈鹏，陆国政，等.基于无人机高清数码影像和高光谱遥感数据反演大豆典型生育期氮平衡指数［J］.应用生态学报，2018，29（4）：1225‑1232.
LI C C，CHEN P，LU G Z，et al.The inversion of nitrogen balance index in typical growth period of soybean based
on high definition digital image and hyperspectral data on unmanned aerial vehicles［J］.Chinese Journal of Applied Ecology，2018，29（4）：1225‑1232.
［19］朱婉雪，李仕冀，张旭博，等.基于无人机遥感植被指数优选的田块尺度冬小麦估产［J］.农业工程学报，2018，34（11）：78‑86.
ZHU W X，LI S J，ZHANG X B，et al.Estimation of winter wheat yield using optimal vegetation indices from
unmanned aerial vehicle remote sensing ［J］.Transactions of the Chinese Society of Agricultural Engineering，2018，34（11）：78‑86.
［20］LIU H，ZHU H，WANG P.Quantitative modeling for leaf nitrogen content of winter wheat using UAV‑based hyper‑spectral data［J］.International Journal of Remote Sensing，2016，38（8）：2117.
［21］刘帅兵，杨贵军，景海涛，等.基于无人机数码影像的冬小麦氮含量反演［J］.农业工程学报，2019，35（11）：75‑85.
LIU S B，YANG G J，JING H T，et al.Retrieval of winter wheat nitrogen content based on UAV digital image［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（11）：75‑85.
［22］LI Z H，LI Z H，FAIRBAIRN D，et al.Multi‑LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyper‑spectral［J］.Computers and Electronics in Agriculture，2019，162：174‑182.
［23］刘昌华，王哲，陈志超，等.基于无人机遥感影像的冬小麦氮素监测［J］.农业机械学报，2018，49（6）：207‑214.
LIU C H，WANG Z，CHEN Z C，et al.Nitrogen monitoring of winter wheat based on unmanned aerial vehicle remote sensing image［J］.Transactions of the Chinese Society for Agricultural Machinery，2018，49（6）：207‑214.

［24］王玉娜，李粉玲，王伟东，等.基于无人机高光谱的冬小麦氮素营养监测［J］.农业工程学报，2020，36（22）：31‑39.

WANG Y N，LI F L，WANG W D，et al.Monitoring of winter wheat nitrogen nutrition based on UAV hyper‑spectral images［J］.Transactions of the Chinese Society of Agricultural Engineering，2020，36（22）：31‑39.
［25］杨福芹，冯海宽，肖天豪，等.融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算［J］.农业现代化研究，2020，41（4）：718‑726.
YANG F Q，FENG H K，XIAO T H，et al.Nitrogen nutrition index estimation in winter wheat by UAV spectral information and texture feature fusion［J］.Research of Agricultural Modernization，2020，41（4）：718‑726.
［26］贾丹，陈鹏飞.低空无人机影像分辨率对冬小麦氮浓度反演的影响［J］.农业机械学报，2020，51（7）：164‑169.
JIA D，CHEN P F.Effect of low altitude UAV image resolution on inversion of winter wheat nitrogen concentration［J］.Transactions of the Chinese Society for Agricultural Machinery，2020，51（7）：164‑169.
［27］陶惠林，冯海宽，杨贵军，等.基于无人机成像高光谱影像的冬小麦LAI估测［J］.农业机械学报，2020，51（1）：176‑187.
TAO H L，FENG H K，YANG G J，et al.Leaf area index estimation of winter wheat based on UAV imaging hyper‑spectral imagery［J］.Transactions of the Chinese Society for Agricultural Machinery，2020，51（1）：176‑187.
［28］纪文义，陈海涛，张继成，等.基于BP神经网络的大豆变量施肥模型研究与建立［J］.大豆科技，2013（4）：49‑53.
JI W Y，CHEN H T，ZHANG J C，et al.Study and establish of variable fertilizing modeling based on BP neural network［J］.Soybean Science & Technology，2013（4）：49‑53.
［29］郭燕，程永政，黎世民，等.区域尺度冬小麦叶绿素含量的高光谱预测和空间变异研究［J］.麦类作物学报，2017，37（7）：970‑977.
GUO Y，CHENG Y Z，LI S M，et al.Hyper‑spectral based estimation and spatial variability of chlorophyll content of winter wheat in regional scale［J］.Journal of Triticeae Crops，2017，37（7）：970‑977.
［30］牛亚晓，张立元，韩文霆，等.基于无人机遥感与植被指数的冬小麦覆盖度提取方法［J］.农业机械学报，2018，49（4）：212‑221.
NIU Y X，ZHANG L Y，HAN W T，et al.Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index［J］.Transactions of the Chinese Society for Agricultural Machinery，2018，49（4）：212‑221.
［31］奚雪，赵庚星.基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测［J］.中国农学通报，2020，36（20）：119‑126.
XI X，ZHAO G X.Chlorophyll content in winter wheat：Inversion and monitoring based on UAV multi‑spectral remote sensing ［J］.Chinese Agricultural Science Bulletin，2020，36（20）：119‑126.
［32］BANNARI A，MORIN D，BONN F，et al.A review of vegetation indices［J］.Remote Sensing Reviews，1995，13（1）：95‑120.
［33］GITELSON A A，KAUFMAN Y J，MERZLYAK M N.Use of a green channel in remote sensing of global vegetation from EOS‑MODIS［J］.Remote Sensing of Environment，1996，58（3）：289‑298.
［34］RONDEAUX G，BARET F，STEVEN M.Optimization of soil‑adjusted vegetation indices［J］.Remote Sensing of Environment，1996，55（2）：95‑107.
［35］GITELSON A A，VINA A，CIGANDA V，et al.Remote estimation of canopy content in crops［J］.Geophysical Research Letters，2005，32（8）：1‑4.
［36］XUE L H，CAO W X，LUO W H，et al.Monitoring leaf nitrogen in with canopy spectral reflectance［J］.Agronomy Journal，2004，96（1）：135‑142.
［37］VERRELST J，SCHAEPMAN M E，KOETZ B，et al.Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data［J］.Remote Sensing of Environment，2008，112（5）：2341‑2353.
［38］LAMM R D，SLAUGHTER D C，GILES D K.Precision weed control system for cotton ［J］.Journal of Electronic Packaging： Transactions of the ASME，2002，45（1）：231‑238.
［39］WAN L，LI Y，CEN H.Combining UAV‑based vegetation indices and image classification to estimate flower number in oilseed rape［J］.Remote Sensing，2018，10（9）：1484.
［40］万亮，岑海燕，朱姜蓬，等.基于纹理特征与植被指数融合的水稻含水量无人机遥感监测［J］.智慧农业，2020，2（1）：58‑67.
WAN L，CEN H Y，ZHU J P，et al.Using fusion of texture features and vegetation indices from water concentration in rice crop to UAV remote sensing monitor［J］.Smart Agriculture，2020，2（1）：58‑67.
［41］黄宇，陈兴海，刘业林，等.基于无人机高光谱不同高度的地物快速识别研究［J］.安徽农业科学，2018，46（11）：170‑173，209.
HUANG Y，CHEN X H，LIU Y L，et al.Fast identification of ground objects based on different heights of unmanned aerial vehicle （UAV）hyper‑spectrum［J］.Journal of Anhui Agricultural Sciences，2018，46（11）：170‑173，209.
［42］NAWAR S，BUDDENBAUM H，HILL J，et al.Modeling and mapping of soil salinity with reflectance spectroscopy
and Landsat data using two quantitative methods（PLSR and MARS）［J］.Remote Sensing，2014，6：10813‑10834.
［43］ZHOU J，MOU H W，ZHOU J F，et al.Qualification of soybean responses to flooding stress using UAV‑based imagery and deep learning［J］.Plant Phenomics，2021，3（1）：365‑377.

[1]	徐春燕, 张倩, 王雅娴, 王红雨, 盛开, 王宜伦. 商品有机肥对砂质潮土理化性状、冬小麦产量及养分积累的影响[J]. 河南农业科学, 2024, 53(2): 56-64.
[2]	李敏, 郭雷风, 王瑞利. 无人机遥感在马铃薯田间表型研究中的应用[J]. 河南农业科学, 2023, 52(9): 24-32.
[3]	连延浩, 杜飞波, 薛博, 王志强, 任永哲, 林同保, 李森. 垄作结合一次性施肥对冬小麦氮素利用及经济效益的影响[J]. 河南农业科学, 2023, 52(9): 56-65.
[4]	张科谦, 程钢, 吴微, 宋向阳, 张子谦, 姚顺, 吴帅. 融合主被动遥感影像的冬小麦种植面积提取研究[J]. 河南农业科学, 2023, 52(6): 160-171.
[5]	马纬, 武志明, 余科松. 基于无人机多光谱的不同施硒水平荞麦冠层叶绿素估测模型研究[J]. 河南农业科学, 2023, 52(3): 161-172.
[6]	戎亚思, 李国强, 张杰, 张建涛, 王猛, 郑国清, 冯伟. 基于AquaCrop 模型的河南省冬小麦灌溉制度优化研究[J]. 河南农业科学, 2023, 52(2): 151-161.
[7]	郭燕, 井宇航, 贺佳, 张会芳, 贾德伟, 王来刚. 基于无人机影像多源信息的冬小麦生物量与产量估算[J]. 河南农业科学, 2023, 52(12): 149-161.
[8]	臧贺藏, 王从胜, 赵巧丽, 赵晴, 张杰, 李国强, 郑国清. 基于深度学习的小麦倒伏自动分类方法研究[J]. 河南农业科学, 2023, 52(11): 167-173.
[9]	许嘉桐, 陈书涛, 张苗苗, 夏可, 王晖. 不同作物叶片和茎全磷含量与高光谱植被指数的关系[J]. 河南农业科学, 2022, 51(9): 141-150.
[10]	李菲菲, 汤军, 高贤君, 杨元维, 占杨英. 基于GEE 的气候变化对豫北地区冬小麦播种面积与产量影响研究[J]. 河南农业科学, 2022, 51(8): 150-165.
[11]	马红艳, 聂兆君, 刘红恩, 李畅, 秦世玉, 赵鹏. 施氮量和施硒方式对冬小麦产量和籽粒矿质元素积累的影响[J]. 河南农业科学, 2022, 51(5): 10-22.
[12]	赵晨, 赵浩斌, 路晓崇, 张晓阳, 白涛, 毛岚, 宋朝鹏, 王涛. 基于轮廓纹理特征和线性判别分析的鲜烟叶部位识别方法[J]. 河南农业科学, 2022, 51(10): 161-168.
[13]	徐佳敏, 王帅丽, 穆心愿, 赵霞, 唐保军, 夏来坤, 赵亚丽, 刘天学. 秸秆附着微生物对土壤养分、小麦根际细菌多样性及产量的影响[J]. 河南农业科学, 2022, 51(1): 60-70.
[14]	莫佳才, 彭漪, 刘小娟, 王靖. 基于无人机遥感影像的多品种水稻抽穗时间估算[J]. 河南农业科学, 2022, 51(1): 154-161.
[15]	谭秦红. 基于无人机图像处理的大豆叶片病害识别准确率研究[J]. 河南农业科学, 2021, 50(3): 174-180.

无人机飞行高度对冬小麦植株氮积累量预测模型的影响

Effects of UAV Flight Height on Prediction Model of Plant Nitrogen Accumulation in Winter Wheat

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献

相关文章 15

编辑推荐

Metrics