基于文獻(xiàn)計(jì)量的農(nóng)業(yè)高光譜定量建?？梢暬治?/h1>
2025-04-29 00:00:00劉霞許昌靜曹曉蘭
中國(guó)農(nóng)機(jī)化學(xué)報(bào) 2025年4期
摘要：為了解國(guó)內(nèi)外高光譜技術(shù)在農(nóng)業(yè)定量建模研究領(lǐng)域的演進(jìn)歷程，助力提高精準(zhǔn)農(nóng)業(yè)的實(shí)用性，以2007—2022年CNKI和WOS數(shù)據(jù)庫(kù)中農(nóng)業(yè)高光譜定量建模領(lǐng)域的中文805條，英文1 115條學(xué)術(shù)性文獻(xiàn)為數(shù)據(jù)源，結(jié)合可視化文獻(xiàn)計(jì)量分析軟件CiteSpace統(tǒng)計(jì)分析15年間的發(fā)文量趨勢(shì)、發(fā)文期刊及科研機(jī)構(gòu)、發(fā)文作者及合作關(guān)系等，其中WOS發(fā)文量呈緩慢增長(zhǎng)趨勢(shì)，且高于CNKI；中英文刊文量最多的期刊分別占總文獻(xiàn)數(shù)的12%、19%；國(guó)際發(fā)文量前5的科研機(jī)構(gòu)中，美國(guó)農(nóng)業(yè)部發(fā)文量最多，其余四席均為中國(guó)科研機(jī)構(gòu)；核心作者群及關(guān)鍵詞分析反映出主流研究方向是對(duì)小麥、水稻等糧食作物的營(yíng)養(yǎng)元素的反演研究；通過(guò)關(guān)鍵詞突現(xiàn)分析，明確該領(lǐng)域不同階段的研究熱點(diǎn)和演化趨勢(shì)。結(jié)果表明，目前農(nóng)業(yè)高光譜定量建模在作物生長(zhǎng)狀況檢測(cè)、作物品質(zhì)檢測(cè)以及作物產(chǎn)量估測(cè)方面的應(yīng)用較為廣泛，但目前存在不同尺度的作物高光譜數(shù)據(jù)融合與映射、數(shù)據(jù)分析與建模的智能化以及定量模型的適應(yīng)性等問(wèn)題，結(jié)合不同作物特點(diǎn)進(jìn)行數(shù)據(jù)融合、集合不同技術(shù)的優(yōu)勢(shì)，提高數(shù)據(jù)及模型準(zhǔn)確性將成為未來(lái)農(nóng)業(yè)高光譜定量建模研究領(lǐng)域的重點(diǎn)研究方向。
關(guān)鍵詞：農(nóng)作物；文獻(xiàn)計(jì)量學(xué)；高光譜；定量模型
中圖分類(lèi)號(hào)：S5" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2025） 04?0086?08
Visual analysis of quantitative modeling of agricultural hyperspectral data
based on bibliometrics
Liu Xia， Xu Changjing， Cao Xiaolan
（College of Information and Intelligent Science and Technology， Hunan Agricultural University， Changsha， 410128， China）
Abstract： In order to understand the evolution of hyperspectral technology in the field of agricultural quantitative modeling research at home and abroad， and to contribute to the practicality of precision agriculture， a dataset comprising 805 Chinese and 1 115 English academic papers on agricultural hyperspectral quantitative modeling from the CNKI and WOS databases spanning the years of 2007—2022 was utilized. Combining this data with the visualization and bibliometric analysis software CiteSpace， the study examined trends in publication volume， contributing journals， research institutions， authors， and collaborative relationships over the 15?year period. The analysis revealed a gradual increase in the number of publications in WOS， surpassing those in CNKI. The top journals， both in Chinese and English， accounted for 12% and 19% of the total literature， respectively. Among the top five international research institutions， the United States Department of Agriculture had the highest publication volume， while the remaining four were Chinese research institutions. Analysis of core author groups and keywords reflected that the mainstream research direction focused on the retrieval of nutritional elements in food crops such as wheat and rice. Keyword burst analysis further highlighted research hotspots and evolutionary trends at different stages in the field. The results show that quantitative agricultural hyperspectral modeling was widely used in crop growth status detection， crop quality detection and crop yield estimation. However， there were many problems such as fusion and mapping of crop hyperspectral data at different scales， intelligence of data analysis and modeling， and adaptability of quantitative models. Combining the characteristics of different crops， integrating the advantages of different technologies， and improving the accuracy of data and models will become the key research direction in the field of agricultural hyperspectral quantitative modeling in the future.
Keywords： crops; bibliometrics; hyperspectral; quantitative model
0 引言
高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域具有廣泛的應(yīng)用前景，是精準(zhǔn)農(nóng)業(yè)發(fā)展的重要部分[1]，農(nóng)作物高光譜反射率曲線(xiàn)能直接或間接地體現(xiàn)作物生長(zhǎng)狀態(tài)，通過(guò)數(shù)據(jù)分析方法，提取農(nóng)作物特征參數(shù)，建立數(shù)學(xué)模型，對(duì)作物理化組分和農(nóng)學(xué)參數(shù)進(jìn)行可計(jì)量的反演或預(yù)測(cè)，以輔助農(nóng)業(yè)生產(chǎn)和管理，是當(dāng)前具有重要意義的研究熱點(diǎn)。
近年來(lái)，國(guó)內(nèi)外應(yīng)用高光譜技術(shù)感知農(nóng)作物信息并進(jìn)行定量反演的相關(guān)研究，以近紅外光譜、拉曼光譜、葉綠素?zé)晒夤庾V等光譜技術(shù)為主，數(shù)據(jù)采集方式由傳統(tǒng)地面采集逐步發(fā)展為無(wú)人機(jī)遙感技術(shù)，以提高數(shù)據(jù)采集質(zhì)量，但天—地一體化方面的研究工作較少。部分學(xué)者開(kāi)發(fā)大數(shù)據(jù)與深度學(xué)習(xí)算法解決傳統(tǒng)線(xiàn)性及非線(xiàn)性模型的精度和適用性問(wèn)題，對(duì)作物營(yíng)養(yǎng)元素、土壤成分含量、作物識(shí)別、作物病害及農(nóng)藥殘留等的研究較為廣泛和深入。盡管農(nóng)業(yè)領(lǐng)域內(nèi)高光譜定量建模的文獻(xiàn)資源相當(dāng)豐富，然而，針對(duì)該領(lǐng)域進(jìn)行深入且系統(tǒng)性的文獻(xiàn)計(jì)量分析的研究卻仍顯稀缺，文獻(xiàn)資源仍未得到充分利用。
作物高光譜定量建模研究是實(shí)現(xiàn)農(nóng)作物精準(zhǔn)監(jiān)測(cè)、合理控制的重要手段，通過(guò)文獻(xiàn)計(jì)量分析對(duì)學(xué)術(shù)文獻(xiàn)進(jìn)行系統(tǒng)評(píng)估，便于農(nóng)業(yè)生產(chǎn)者更好地掌握作物生長(zhǎng)狀態(tài)，提高生產(chǎn)效益；使科研人員能夠快速了解作物高光譜定量建模領(lǐng)域研究現(xiàn)狀，促進(jìn)學(xué)術(shù)交流與合作，提升研究效率和質(zhì)量。本文利用表格處理軟件Excel、文獻(xiàn)計(jì)量分析軟件CiteSpace等工具，對(duì)國(guó)內(nèi)外2007—2022年該領(lǐng)域文獻(xiàn)的發(fā)文量、發(fā)文期刊及科研機(jī)構(gòu)、作者及關(guān)鍵詞等進(jìn)行分析，探討該領(lǐng)域研究熱點(diǎn)和發(fā)展趨勢(shì)，總結(jié)研究應(yīng)用范圍、定量建模流程及方法，剖析存在的問(wèn)題并對(duì)未來(lái)研究方向進(jìn)行展望。
1 數(shù)據(jù)來(lái)源及研究方法
1.1 數(shù)據(jù)來(lái)源
文獻(xiàn)數(shù)據(jù)來(lái)源于中國(guó)知網(wǎng)（CNKI）核心期刊數(shù)據(jù)庫(kù)和Web of Science（WOS）核心合集數(shù)據(jù)庫(kù)，檢索時(shí)間為2007年1月1日—2022年12月31日。在CNKI核心數(shù)據(jù)庫(kù)中采用“主題”的檢索方式，檢索主題設(shè)置為“高光譜”，學(xué)科范圍限定為“農(nóng)業(yè)”，文獻(xiàn)類(lèi)別為學(xué)術(shù)期刊；在WOS核心合集數(shù)據(jù)庫(kù)中以檢索式“TS=（“Hyperspectral”）”進(jìn)行精準(zhǔn)檢索，研究方向同樣選定“Agriculture”，文獻(xiàn)類(lèi)別排除綜述。人工選擇定量分析建模的文獻(xiàn)，剔除其他與研究主題不相符的文獻(xiàn)后，共獲得805篇中文文獻(xiàn)和1 115篇英文文獻(xiàn)。
1.2 研究方法
采用文獻(xiàn)計(jì)量學(xué)方法，采用CiteSpace軟件，時(shí)間切片設(shè)置為1年，分別對(duì)文獻(xiàn)的發(fā)文量、作者、發(fā)文機(jī)構(gòu)和關(guān)鍵詞等信息，從合作網(wǎng)絡(luò)、詞頻、中心性、突變等方面進(jìn)行分析，并以圖表的形式呈現(xiàn)可視化分析結(jié)果。
2 結(jié)果與分析
2.1 發(fā)文量統(tǒng)計(jì)分析
某領(lǐng)域的年發(fā)文量可以直觀反映研究現(xiàn)狀，整體觀察和把握該領(lǐng)域發(fā)展動(dòng)態(tài)[2]。繪制2007—2022年農(nóng)業(yè)高光譜定量建模研究領(lǐng)域年發(fā)文量趨勢(shì)圖（圖1），可以看出2010年之前，CNKI和WOS每年的發(fā)文量都在25篇左右，文章數(shù)量維持在一個(gè)相對(duì)平穩(wěn)且相近的水平。2010—2016年，CNKI和WOS的發(fā)文量緩慢增長(zhǎng)。從2017年開(kāi)始，二者的發(fā)文量增長(zhǎng)趨勢(shì)開(kāi)始明顯分化：WOS的發(fā)文量進(jìn)入快速增長(zhǎng)期，突破100篇，并以每年33%的平均增長(zhǎng)率增長(zhǎng)，截至2022年已經(jīng)達(dá)到188篇；而CNKI的發(fā)文量在2017年之后基本上維持在每年70篇左右。這種增長(zhǎng)趨勢(shì)的不同表明近年來(lái)國(guó)外在該領(lǐng)域的研究工作相對(duì)更加活躍。
2.2 發(fā)文期刊及科研機(jī)構(gòu)分析
分別統(tǒng)計(jì)CNKI和WOS刊文量TOP5的期刊，中文TOP5期刊中，刊文量最多的期刊是《光譜學(xué)與光譜分析》（影響因子IF=1.823），達(dá)104篇，占據(jù)總文獻(xiàn)樣本數(shù)的12%；其次是《農(nóng)業(yè)工程學(xué)報(bào)》（IF=3.76），為95篇，占比為11%；《農(nóng)業(yè)機(jī)械學(xué)報(bào)》（IF=4.325）、《中國(guó)農(nóng)業(yè)科學(xué)》（IF=3.445）、《麥類(lèi)作物學(xué)報(bào)》（IF=2.57）的刊文量分別是56篇、36篇和30篇；其余期刊刊文量均在20篇以下。在英文TOP5期刊中，Computers and Electronics in Agriculture （IF=6.757）的刊文量最高，為222篇，占比19%；其次為Biosystems Engineering （IF=5.002），刊文量為88篇，占比7.91%；Precision Agriculture （IF=5.767）、Postharvest Biology and Technology （IF=6.751）、Geoderma （IF=7.422）的刊文量分別是75篇、65篇和56篇；其余期刊刊文量均低于50篇。
分別統(tǒng)計(jì)發(fā)文量排名前5機(jī)構(gòu)可知，國(guó)內(nèi)農(nóng)業(yè)高光譜定量建模研究領(lǐng)域排名前5的科研機(jī)構(gòu)主要來(lái)自高等院校和科研院所：國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心和西北農(nóng)林大學(xué)的發(fā)文量都為46篇，居首位；其次是北京農(nóng)業(yè)信息技術(shù)研究中心和北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，發(fā)文量為22篇；其余機(jī)構(gòu)發(fā)文均在20篇以下。國(guó)際上排名前5的科研機(jī)構(gòu)中，美國(guó)農(nóng)業(yè)部發(fā)文量居首位，占前5發(fā)文量的25%；余下4個(gè)均為中國(guó)的科研機(jī)構(gòu)。
2.3 作者及其合作關(guān)系分析
作者及其合作網(wǎng)絡(luò)分析可以反映出該領(lǐng)域的核心作者群，了解主流研究方向。在對(duì)作者及其合作關(guān)系進(jìn)行計(jì)量分析時(shí)，對(duì)合作網(wǎng)絡(luò)圖進(jìn)行適當(dāng)裁剪，僅呈現(xiàn)發(fā)文量[Count≥5]的節(jié)點(diǎn)及其網(wǎng)絡(luò)關(guān)系。作者合作網(wǎng)絡(luò)圖中，名字大小表示該作者發(fā)表論文的數(shù)量多少；節(jié)點(diǎn)之間的連線(xiàn)粗細(xì)反映合作關(guān)系的強(qiáng)度；連線(xiàn)顏色反映年份[3]。
以CNKI文獻(xiàn)為基礎(chǔ)繪制的作者合作圖譜如圖2所示。
合作網(wǎng)絡(luò)圖的節(jié)點(diǎn)N=498，邊E=1 126，網(wǎng)絡(luò)密度Densit=0.009 1。圖中連線(xiàn)節(jié)點(diǎn)數(shù)≥4的合作團(tuán)隊(duì)有：以曹衛(wèi)星等為主的團(tuán)隊(duì)、以洪添勝等為主的團(tuán)隊(duì)、以于豐華等為主的團(tuán)隊(duì)、以馮海寬等為主的團(tuán)隊(duì)和以楊貴軍等為主的團(tuán)隊(duì)等。圖2中最大節(jié)點(diǎn)是“常慶瑞”，但該節(jié)點(diǎn)與其他節(jié)點(diǎn)的連線(xiàn)較少，表明該研究者發(fā)文量較多，但未能形成明顯團(tuán)隊(duì)。從節(jié)點(diǎn)顏色分析，曹衛(wèi)星、王登偉等開(kāi)展研究時(shí)間較早，而楊貴軍、常慶瑞等開(kāi)展研究時(shí)間較晚。
以WOS文獻(xiàn)為基礎(chǔ)繪制的作者合作圖譜如圖3所示。合作網(wǎng)絡(luò)圖的節(jié)點(diǎn)N=470，邊E=601，網(wǎng)絡(luò)密度Densit=0.005 5。圖中連線(xiàn)節(jié)點(diǎn)數(shù)≥4的合作團(tuán)隊(duì)有：以Zhang Jingcheng等為主的團(tuán)隊(duì)、以Huang Wenqian等為主的團(tuán)隊(duì)和以Zhang Meijun等為主的團(tuán)隊(duì)等。圖中最大節(jié)點(diǎn)是“He Yong”，發(fā)文量最多，但與其他研究者合作較少。
3 研究熱點(diǎn)及趨勢(shì)分析
3.1 關(guān)鍵詞分析
分別統(tǒng)計(jì)國(guó)內(nèi)外文獻(xiàn)中屬于作物種類(lèi)和反演參數(shù)類(lèi)型的關(guān)鍵詞比例，結(jié)果分別如圖4、圖5所示。
為進(jìn)一步了解研究主要內(nèi)容，分別對(duì)國(guó)內(nèi)外文獻(xiàn)中發(fā)文量排在前2位的研究機(jī)構(gòu)的關(guān)鍵詞做共現(xiàn)分析，共現(xiàn)分析時(shí)做如下處理：排除信息量小、無(wú)意義的詞匯，如“高光譜”“光譜”等；適當(dāng)合并同義詞或近義詞，合并原則是后出現(xiàn)的詞合并至最早出現(xiàn)的詞，其共現(xiàn)網(wǎng)絡(luò)分別如圖6、圖7所示。
在作物種類(lèi)方面，由圖4可知，國(guó)內(nèi)主要研究的作物為小麥、水稻、玉米，分別占比39%、14%和13%。在研究機(jī)構(gòu)方面，從圖6的數(shù)據(jù)可以看出，國(guó)內(nèi)發(fā)文量排名前兩位的研究機(jī)構(gòu)是國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心和西北農(nóng)林科技大學(xué)。這兩個(gè)機(jī)構(gòu)的主要研究作物包括冬小麥、玉米、水稻和棉花。綜合分析表明，國(guó)內(nèi)作物種類(lèi)研究的重點(diǎn)主要集中在小麥、水稻、玉米和棉花等我國(guó)種植面積廣的糧食和經(jīng)濟(jì)作物。這與我國(guó)的農(nóng)業(yè)結(jié)構(gòu)和實(shí)際需求密切相關(guān)，同時(shí)也反映糧食安全的研究重點(diǎn)。對(duì)于外文文獻(xiàn)（圖5），水果類(lèi)在作物種類(lèi)研究中占比最高，達(dá)到32%。在圖7中，外文發(fā)文量排名前兩位的研究機(jī)構(gòu)是美國(guó)農(nóng)業(yè)部和中國(guó)農(nóng)業(yè)農(nóng)村部。這兩個(gè)機(jī)構(gòu)主要研究水果、玉米、棉花、小麥、蘋(píng)果等多種類(lèi)型的作物，呈現(xiàn)出研究種類(lèi)更加多元化的趨勢(shì)。表明國(guó)外研究更加關(guān)注多種類(lèi)作物的高光譜定量建模，覆蓋范圍更廣，反映國(guó)外農(nóng)業(yè)的多樣性和全球農(nóng)業(yè)的綜合性研究。
在反演參數(shù)類(lèi)型上，國(guó)內(nèi)外的研究重點(diǎn)都集中在作物理化參數(shù)，包括色素（主要是葉綠素）和氮素等、作物長(zhǎng)勢(shì)參數(shù)（如葉面積等）、作物產(chǎn)量和品質(zhì)參數(shù)。不同機(jī)構(gòu)的研究重點(diǎn)略有不同，例如國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心主要關(guān)注葉綠素和產(chǎn)量，而西北農(nóng)林科技大學(xué)關(guān)注葉綠素、氮素和生物量，美國(guó)農(nóng)業(yè)部關(guān)注葉綠素和生物量，中國(guó)農(nóng)業(yè)農(nóng)村部關(guān)注葉綠素和葉面積。
在高光譜數(shù)據(jù)處理和建模方法方面，特征提取方法主要采用傳統(tǒng)的植被指數(shù)方法；而在建模方法中，偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林回歸和支持向量機(jī)等是主要的工具；建立的模型以估算模型和監(jiān)測(cè)模型為主要方向；冠層光譜涉足的機(jī)構(gòu)較多。值得注意的是，發(fā)文量較高的機(jī)構(gòu)普遍對(duì)采用無(wú)人機(jī)采集高光譜數(shù)據(jù)有相關(guān)研究，表明高光譜技術(shù)在農(nóng)業(yè)遙感監(jiān)測(cè)和無(wú)人機(jī)應(yīng)用方面有著廣泛的應(yīng)用和研究前景。
3.2 研究趨勢(shì)分析
通過(guò)對(duì)關(guān)鍵詞的突現(xiàn)分析，可以進(jìn)一步了解該領(lǐng)域研究的前沿動(dòng)向。關(guān)鍵詞的Burst值（即突現(xiàn)值）越高，則表示該關(guān)鍵詞在一段時(shí)間內(nèi)出現(xiàn)過(guò)共現(xiàn)頻次激增的情況，是研究前沿的“腳印”[4]。
通過(guò)對(duì)中英文文獻(xiàn)關(guān)鍵詞進(jìn)行突現(xiàn)分析，頻次變化率最高的前10個(gè)關(guān)鍵詞如表1、表2所示。
由表1、表2分析可知，前期國(guó)內(nèi)研究熱點(diǎn)主要是棉花、葉片、氮素營(yíng)養(yǎng)、主成分分析等；國(guó)外研究熱點(diǎn)是玉米、冠層反射率、生物量、氮等。研究主題較為集中，且對(duì)于特定主題的探索具有相對(duì)長(zhǎng)的時(shí)間跨度，例如CNKI關(guān)鍵詞“氮素營(yíng)養(yǎng)”的突現(xiàn)持續(xù)時(shí)間為6年，WOS關(guān)鍵詞“玉米”的突現(xiàn)持續(xù)時(shí)間達(dá)7年，表明國(guó)內(nèi)外在這個(gè)時(shí)期對(duì)農(nóng)業(yè)高光譜定量建模的研究主要集中于特定農(nóng)作物和理化參數(shù)，側(cè)重初步研究和基礎(chǔ)應(yīng)用，探索潛在應(yīng)用，著力解決農(nóng)業(yè)高光譜數(shù)據(jù)在不同環(huán)境下獲取難題。同時(shí)，早期建立農(nóng)業(yè)高光譜定量模型方法多為傳統(tǒng)統(tǒng)計(jì)學(xué)方法和經(jīng)驗(yàn)?zāi)Ｐ?，如多元回歸、主成分分析等。
2015年后，國(guó)內(nèi)研究熱點(diǎn)主要為水稻、監(jiān)測(cè)模型、隨機(jī)森林等；國(guó)外研究熱點(diǎn)主要為蘋(píng)果、品質(zhì)評(píng)估、機(jī)器視覺(jué)等。隨著技術(shù)的不斷進(jìn)步，機(jī)器學(xué)習(xí)算法開(kāi)始在研究中占據(jù)主導(dǎo)地位，尤其是支持向量機(jī)、隨機(jī)森林、深度學(xué)習(xí)等方法的引入。學(xué)者們致力于提高模型的準(zhǔn)確性和魯棒性，通過(guò)對(duì)大規(guī)模高光譜數(shù)據(jù)的深度挖掘，實(shí)現(xiàn)對(duì)農(nóng)業(yè)要素更為精準(zhǔn)的定量預(yù)測(cè)。此時(shí)，國(guó)內(nèi)外的研究重點(diǎn)逐漸從模型建立轉(zhuǎn)向?qū)嶋H應(yīng)用，包括作物生長(zhǎng)監(jiān)測(cè)、土壤質(zhì)量評(píng)估等方面。
2021年后，國(guó)內(nèi)研究熱點(diǎn)為冠層光譜、無(wú)人機(jī)、反演模型等，國(guó)外為水分含量、無(wú)人機(jī)等。其中CNKI和WOS都出現(xiàn)突現(xiàn)關(guān)鍵詞“無(wú)人機(jī)”，CNKI中關(guān)鍵詞突現(xiàn)強(qiáng)度達(dá)5.51，這表明結(jié)合無(wú)人機(jī)和高光譜技術(shù)進(jìn)行作物生長(zhǎng)信息快速無(wú)損檢測(cè)應(yīng)用成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[5]，國(guó)內(nèi)外研究呈現(xiàn)出更為綜合和跨學(xué)科的趨勢(shì)，與其他領(lǐng)域的融合日益加深，如人工智能、物聯(lián)網(wǎng)、區(qū)塊鏈等技術(shù)逐漸與高光譜技術(shù)相結(jié)合，形成更為智能和高效的農(nóng)業(yè)信息系統(tǒng)。同時(shí)，研究者們關(guān)注多源數(shù)據(jù)的融合應(yīng)用，以提高模型的綜合性能，還注重研究成果的實(shí)際應(yīng)用，推動(dòng)高光譜技術(shù)在農(nóng)業(yè)現(xiàn)代化進(jìn)程中的廣泛應(yīng)用。
4 討論
作物高光譜定量建?？梢詭椭r(nóng)業(yè)生產(chǎn)者實(shí)現(xiàn)精準(zhǔn)管理，使科研人員能夠快速準(zhǔn)確獲取領(lǐng)域知識(shí)。通過(guò)分析關(guān)鍵詞，閱讀代表性文獻(xiàn)，討論總結(jié)作物高光譜定量模型的應(yīng)用、定量建模的流程和方法，梳理研究中存在的問(wèn)題。
4.1 作物高光譜定量模型的應(yīng)用范圍
1） 作物生長(zhǎng)狀況監(jiān)測(cè)。圖4的CNKI反演參數(shù)中，色素、葉面積、氮素、水分分別占比28%、19%、13%和7%，圖5的WOS反演參數(shù)中，nitrogen、pigment、leaf area、water分別占比14%、10%、9%和9%，說(shuō)明科研人員對(duì)營(yíng)養(yǎng)元素的研究居多。高文強(qiáng)等[6]提出一種基于高光譜的葉綠素含量預(yù)測(cè)模型以評(píng)價(jià)作物生長(zhǎng)狀況，祝?？⒌萚7]構(gòu)建水稻葉綠素和氮素定量模型監(jiān)測(cè)作物生長(zhǎng)狀況，Cao等[8]通過(guò)構(gòu)建茶葉氮含量估測(cè)模型來(lái)估測(cè)茶樹(shù)生長(zhǎng)狀況。因此，作物生長(zhǎng)狀況監(jiān)測(cè)是定量模型應(yīng)用的一個(gè)重要方面。
2） 作物品質(zhì)檢測(cè)。圖4反演參數(shù)中，品質(zhì)占比2%，圖5反演參數(shù)中，品質(zhì)占比21%，外文文獻(xiàn)中對(duì)作物品質(zhì)的研究較多。金宇豪等[9]構(gòu)建油菜籽粒油酸含量模型為監(jiān)測(cè)油菜品質(zhì)提供理論依據(jù)，Torres?Tello等[10]建立小麥水分含量的深度學(xué)習(xí)模型控制收割質(zhì)量。所以作物品質(zhì)檢測(cè)是高光譜定量建模應(yīng)用的另一方面。
3） 作物產(chǎn)量估測(cè)。圖4、圖5反演參數(shù)中，產(chǎn)量占比分別為5%、10%。甘甜等[11]構(gòu)建基于多源遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的定量模型以預(yù)測(cè)小麥產(chǎn)量，提高人民生活水平。此為定量模型應(yīng)用的一個(gè)方面。
4.2 作物高光譜定量建模流程和方法
1） 作物高光譜數(shù)據(jù)獲取。通過(guò)圖6、圖7關(guān)鍵詞共現(xiàn)分析以及表1關(guān)鍵詞突現(xiàn)分析，總結(jié)作物高光譜數(shù)據(jù)主要有冠層和葉片兩個(gè)尺度層次：作物冠層高光譜采集設(shè)備早期常使用便攜式地物光譜儀，隨著航空航天技術(shù)，特別是無(wú)人機(jī)技術(shù)的發(fā)展，機(jī)載和星載光譜儀大量應(yīng)用；葉片高光譜數(shù)據(jù)采集時(shí)一般是人工光源，對(duì)天氣條件要求較低，通常利用便攜式地物光譜儀的光纖探頭耦合漫反射光合附件（如葉夾器）來(lái)測(cè)量，或者在實(shí)驗(yàn)室內(nèi)搭建高光譜測(cè)量平臺(tái)，采摘新鮮葉片帶回實(shí)驗(yàn)室測(cè)量。作物冠層高光譜數(shù)據(jù)常用于大范圍的作物估產(chǎn)、長(zhǎng)勢(shì)監(jiān)測(cè)、種植密度和面積的估測(cè)等，葉片高光譜數(shù)據(jù)一般用于作物生理生化參數(shù)的反演。
2） 高光譜數(shù)據(jù)預(yù)處理。雖然數(shù)據(jù)預(yù)處理方法在關(guān)鍵詞共現(xiàn)圖譜中出現(xiàn)較少，但此為構(gòu)建作物高光譜定量模型不可忽略的重要步驟，選擇合適的數(shù)據(jù)預(yù)處理方法可以增加數(shù)據(jù)的可靠性，提高模型精度[12]。包括異常樣本剔除、數(shù)據(jù)降噪等。金承亮等[13]對(duì)比使用多種數(shù)據(jù)預(yù)處理方法以提高模型精度。目前，常用的方法主要有Cook距離[14]、馬氏距離[15]、杠桿值[16]、蒙特卡洛交叉驗(yàn)證[17]等；光譜數(shù)據(jù)降噪是為了去除噪音、樣品背景和雜散光影響等因素對(duì)模型預(yù)測(cè)性能的影響，從而提高校正模型的預(yù)測(cè)能力和穩(wěn)健性[18]，常用的方法有主成分分析法[19]、標(biāo)準(zhǔn)正態(tài)變量變換SNV[20]、SG平滑[21]、導(dǎo)數(shù)光譜[22]、基線(xiàn)校正BC[23]、多元散射校正MSC[24]、正交信號(hào)校正OSC[25]、歸一化Normalize[26]等。
3） 作物高光譜特征工程。特征工程主要是在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，通過(guò)特定的方法對(duì)數(shù)據(jù)進(jìn)行降維，去除冗余信息，提取更有效率和代表性的特征參數(shù)，以提高模型的效率、質(zhì)量和穩(wěn)健性。作物高光譜特征工程主要有兩種思路：特征選擇和特征提取[27]。葉磊等[28]提出一種改進(jìn)RF算法特征選擇策略，在保證分類(lèi)器性能的前提下進(jìn)行數(shù)據(jù)降維，減少特征集的冗余。目前有多種方法可用于高光譜數(shù)據(jù)的特征選擇，主要有連續(xù)投影算法（SPA）[29]、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）[30]、區(qū)間偏最小二乘（iPLS）[31]、遺傳算法（GA）[32]等。特征提取則是利用高光譜圖像的所有波段，對(duì)原特征空間進(jìn)行數(shù)學(xué)變換，得到新的特征空間[33]，常用的特征提取方法有主成分分析（PCA）[34]、線(xiàn)性判別分析（LDA）[35]。
4） 作物高光譜數(shù)據(jù)定量建模及評(píng)價(jià)指標(biāo)。在表1、表2關(guān)鍵詞突現(xiàn)分析中，隨機(jī)森林、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等建模方法得到國(guó)內(nèi)外廣泛應(yīng)用，目前常用的定量建模方法有多元線(xiàn)性回歸（MLR）[36]、主成分回歸（PCR）[37]、偏最小二乘回歸（PLSR）[38]、支持向量回歸（SVR）[39]和人工神經(jīng)網(wǎng)絡(luò)等，其中MLR、PCR和PLSR屬于線(xiàn)性回歸建模，SVR、神經(jīng)網(wǎng)絡(luò)屬于非線(xiàn)性回歸建模。定量模型的評(píng)價(jià)有校正均方根誤差RMSEC、交互驗(yàn)證均方根誤差RMSECV、預(yù)測(cè)均方根誤差RMSEP和決定系數(shù)R2。
4.3 作物高光譜定量建模研究存在的問(wèn)題
1） 不同尺度的作物高光譜數(shù)據(jù)融合與映射。作物冠層高光譜數(shù)據(jù)主要反映作物整體生長(zhǎng)狀況，但數(shù)據(jù)采集受天氣條件影響和限制較大，數(shù)據(jù)噪聲較大；而葉片高光譜數(shù)據(jù)雖然只能反映作物局部的狀態(tài)，但由于采用人工光源，受環(huán)境影響較小，數(shù)據(jù)噪聲小。此外，即便是同一類(lèi)作物高光譜，由于采集設(shè)備不同（如便攜式地物光譜儀和無(wú)人機(jī)搭載光譜儀），所采集的數(shù)據(jù)也有較大差異。當(dāng)前的定量建模研究一般僅采用其中一種數(shù)據(jù)，如何將多種尺度的數(shù)據(jù)融合與映射，以取長(zhǎng)補(bǔ)短，更全面地反映作物的真實(shí)狀況是一個(gè)值得研究的問(wèn)題。
2） 高光譜數(shù)據(jù)分析與建模的智能化。傳統(tǒng)的高光譜數(shù)據(jù)降噪、提取特征和建模的方法，過(guò)于依賴(lài)人力和專(zhuān)業(yè)知識(shí)，成為提升模型性能的瓶頸。深度學(xué)習(xí)技術(shù)不僅可以避免人工特征的局限性，還能直接從原始高光譜數(shù)據(jù)中自動(dòng)挖掘規(guī)律，得到有效的信息，將深度學(xué)習(xí)方法用于高光譜數(shù)據(jù)處理和分析是一個(gè)可行的途徑。
3） 作物高光譜定量模型的適應(yīng)性。由于作物生長(zhǎng)狀況復(fù)雜、生境狀況不同，作物高光譜數(shù)據(jù)會(huì)產(chǎn)生相應(yīng)變化，如果建模的研究人員沒(méi)有足夠的專(zhuān)業(yè)技能和經(jīng)驗(yàn)，可能導(dǎo)致建立的模型局限性較大，僅能適應(yīng)某些特定條件。如何提高模型適應(yīng)性，使得在不同條件下也能獲得較準(zhǔn)確的預(yù)測(cè)也是需要研究的問(wèn)題。
5 結(jié)論
1） 利用文獻(xiàn)計(jì)量軟件CiteSpace對(duì)2007—2022年中國(guó)知網(wǎng)收錄的805篇和Web of Science收錄的1 115篇農(nóng)業(yè)高光譜定量建模相關(guān)核心期刊文獻(xiàn)進(jìn)行可視化分析，分別統(tǒng)計(jì)發(fā)文量、發(fā)文期刊、科研機(jī)構(gòu)、發(fā)文作者、關(guān)鍵詞和核心文獻(xiàn)。
2） 農(nóng)業(yè)高光譜定量建模研究領(lǐng)域發(fā)文量整體呈穩(wěn)定增長(zhǎng)趨勢(shì)，且外文文獻(xiàn)發(fā)文量高于中文文獻(xiàn)；《光譜學(xué)與光譜分析》和Computers and Electronics in Agriculture是國(guó)內(nèi)外發(fā)文量最多的兩個(gè)期刊，分別占比12%和19%；國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心和美國(guó)農(nóng)業(yè)部等機(jī)構(gòu)發(fā)文量多，影響力深遠(yuǎn)；核心作者主要來(lái)自中國(guó)，由西北農(nóng)林科技大學(xué)常慶瑞帶領(lǐng)的研究團(tuán)隊(duì)發(fā)文量最多；外文文獻(xiàn)中，來(lái)自中國(guó)的何勇發(fā)文最多，但與其他作者及機(jī)構(gòu)間的合作不多。
3） 農(nóng)業(yè)高光譜定量建模研究具有數(shù)據(jù)豐富、跨學(xué)科和可持續(xù)發(fā)展等特點(diǎn)，核心研究?jī)?nèi)容集中于數(shù)據(jù)采集與處理、特征提取與選擇、建模方法與模型優(yōu)化、應(yīng)用領(lǐng)域拓展等，主要構(gòu)建農(nóng)作物生長(zhǎng)監(jiān)測(cè)、品質(zhì)檢測(cè)和產(chǎn)量估測(cè)等定量模型；定量建模研究會(huì)受到多尺度數(shù)據(jù)融合與映射、光譜數(shù)據(jù)分析技術(shù)以及定量模型適應(yīng)性等方面的影響；目前多源數(shù)據(jù)融合、結(jié)合機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)進(jìn)行建模、無(wú)人機(jī)與衛(wèi)星技術(shù)等成為新興研究熱點(diǎn)。
4） 國(guó)內(nèi)外科研工作者在農(nóng)業(yè)高光譜定量建模領(lǐng)域已經(jīng)做出很大貢獻(xiàn)，農(nóng)業(yè)定量遙感也正在向著無(wú)損傷、精確診斷等方向發(fā)展，近地遙感技術(shù)獲取數(shù)據(jù)精確度高但檢測(cè)范圍小，衛(wèi)星遙感技術(shù)檢測(cè)范圍大但精確度低，機(jī)載遙感技術(shù)介于兩者之間，所以結(jié)合不同作物特點(diǎn)進(jìn)行數(shù)據(jù)融合，集合不同技術(shù)的優(yōu)勢(shì)，可以成為未來(lái)農(nóng)業(yè)高光譜定量建模研究領(lǐng)域的重點(diǎn)研究方向；葉片及冠層光譜信息是作物、背景和環(huán)境的混合信息，前期數(shù)據(jù)處理質(zhì)量直接影響定量模型監(jiān)測(cè)準(zhǔn)確度，將深度學(xué)習(xí)等方法應(yīng)用于前期數(shù)據(jù)處理以及定量模型的建立以提高數(shù)據(jù)及模型的準(zhǔn)確性，逐漸成為新趨勢(shì)；由于作物種類(lèi)的復(fù)雜性和環(huán)境的多變性，目前建立的定量模型沒(méi)有很強(qiáng)的普適性，針對(duì)某一作物建立模型數(shù)據(jù)庫(kù)也是一個(gè)重要研究方向。
參 考 文 獻(xiàn)
[ 1 ] 程一松， 胡春勝. 高光譜遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究， 2001（3）： 193-195.
[ 2 ] 盛強(qiáng)， 鄭建明， 劉江山， 等. 基于CiteSpace的內(nèi)表面缺陷檢測(cè)研究進(jìn)展與趨勢(shì)[J]. 光譜學(xué)與光譜分析， 2023， 43（1）： 9-15.
Sheng Qiang， Zheng Jianming， Liu Jiangshan， et al. Advances and prospects in inner surface defect detection based on CiteSpace [J]. Spectroscopy and Spectral Analysis， 2023， 43 （1）： 9-15.
[ 3 ] 陳悅， 陳超美， 劉則淵， 等. CiteSpace知識(shí)圖譜的方法論功能[J]. 科學(xué)學(xué)研究， 2015， 33（2）： 242-253.
[ 4 ] 趙繪存. 商業(yè)模式創(chuàng)新發(fā)展態(tài)勢(shì)的知識(shí)圖譜分析[J]. 中國(guó)科技論壇， 2016（1）： 38-43.
[ 5 ] 姜妍， 王琳， 楊月， 等. 無(wú)人機(jī)高光譜成像技術(shù)在作物生長(zhǎng)信息監(jiān)測(cè)中的應(yīng)用[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2022， 53（3）： 88-96.
[ 6 ] 高文強(qiáng)， 肖志云. 基于Atrous—CDAE—1DCNN的紫丁香高光譜數(shù)據(jù)的葉綠素含量反演[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（7）： 158-166.
Gao Wenqiang， Xiao Zhiyun. Inversion of chlorophyll content of lilac hyperspectral data based on Atrous—CDAE—1DCNN [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 158-166.
[ 7 ] 祝?？?， 付虹雨， 王學(xué)華， 等. 高光譜早稻生理指標(biāo)可跨期預(yù)測(cè)性的初步研究[J]. 光譜學(xué)與光譜分析， 2022， 42（1）： 170-175.
Zhu Haijun， Fu Hongyu， Wang Xuehua， et al. Preliminary study on the intertemporal predictability of the physiological index of early rice based on hyperspectral [J]. Spectroscopy and Spectral Analysis， 2022， 42（1）： 170-175.
[ 8 ] Cao Q， Yang G， Duan D， et al. Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants （Camellia sinensis （L.） O. Kuntze） under field conditions [J]. Computers and Electronics in Agriculture， 2022（198）.
[ 9 ] 金宇豪， 石楠， 文雙雅， 等. 菜油兼用型油菜籽粒油酸含量的高光譜模型構(gòu)建[J]. 南方農(nóng)業(yè)學(xué)報(bào)， 2021， 52（6）： 1674-1682.
[10] Torres?Tello J W， Ko S， Singh K D， et al. A novel approach to identify the spectral bands that predict moisture content in canola and wheat [J]. Biosystems Engineering， 2021， 210： 91-103.
[11] 甘甜， 李雷， 李紅葉， 等. 基于多源遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的冬小麥產(chǎn)量預(yù)測(cè)研究[J]. 麥類(lèi)作物學(xué)報(bào)， 2022， 42（11）： 1419-1428.
[12] 呂美蓉， 任國(guó)興， 李雪瑩， 等. 光譜數(shù)據(jù)預(yù)處理對(duì)潮間帶沉積物氮LSSVM模型的影響研究[J]. 光譜學(xué)與光譜分析， 2020， 40（8）： 2409-2414.
Lü Meirong， Ren Guoxing， Li Xueying， et al. The effect of spectral pretreatment on the LSSVM model of nitrogen in intertidal sediments [J]. Spectroscopy and Spectral Analysis， 2020， 40（8）： 2409-2414.
[13] 金承亮， 王永軍， 黃河， 等. 高維紅外光譜數(shù)據(jù)預(yù)處理在中藥材產(chǎn)地鑒別中的應(yīng)用[J]. 光譜學(xué)與光譜分析， 2023， 43（7）： 2238-2245.
Jin Chengliang， Wang Yongjun， Huang He， et al. Application of high?dimensional infrared spectral data preprocessing in the origin identification of traditional Chinese materials [J]. Spectroscopy and Spectral Analysis， 2023， 43（7）： 2238-2245.
[14] 史波林， 趙鐳， 劉文， 等. 蘋(píng)果內(nèi)部品質(zhì)近紅外光譜檢測(cè)的異常樣本分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（2）： 132-137.
Shi Bolin， Zhao Lei， Liu Wen， et al. Outlier sample analysis on near infrared spectroscopy determination for apple interior quality [J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（2）： 132-137.
[15] 劉紅蕓， 吳雪梅， 李德侖， 等. 基于高光譜技術(shù)的采摘期煙葉水分含量研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（9）： 157-163.
Liu Hongyun， Wu Xuemei， Li Delun， et al. Study on the moisture content of tobaco leaves during the picking period based on hyperspectral technology [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 157-163.
[16] 田海清， 王春光， 張海軍， 等. 蜜瓜品質(zhì)光譜檢測(cè)中異常建模樣品的綜合評(píng)判[J]. 光譜學(xué)與光譜分析， 2012， 32（11）： 2987-2991.
Tian Haiqing， Wang Chunguang， Zhang Haijun， et al. Outlier sample discriminating methods for building calibration model in melons quality detecting using NIR spectra [J]. Spectroscopy and Spectral Analysis， 2012， 32（11）： 2987-2991.
[17] 曲歌， 陳爭(zhēng)光， 張慶華. 基于無(wú)信息變量消除法的水稻種子發(fā)芽率測(cè)定[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2019， 35（5）： 1015-1020.
[18] BehnoodR， Paul S， Pedram G， et al. Noise reduction in hyperspectral imagery： Overview and application [J]. Remote Sensing， 2018， 10（3）： 482.
[19] 崔賓閣， 馬秀丹， 謝小云. 小樣本的高光譜圖像降噪與分類(lèi)[J]. 遙感學(xué)報(bào)， 2017， 21（5）： 728-738.
[20] Grisanti E， Totska M， Huber S， et al. Dynamic localized SNV， peak SNV， and partial peak SNV： Novel standardization methods for preprocessing of spectroscopic data used in predictive modeling [J]. Journal of Spectroscopy， 2018， 2018： 1-14.
[21] Li Y H， Tan X， Zhang W， et al. Research and application of several key techniques in hyperspectral image preprocessing [J]. Frontiers in Plant Science， 2021， 12： 627865.
[22] Li C， Fan P， Jiang K， et al. Melon seed variety identification based on hyperspectral technology combined with discriminant analysis [J]. Bangladesh Journal of Botany， 2017， 46（3）： 1153-1160.
[23] Esquerre C， Gowen A A， Burger J， et al. Suppressing sample morphology effects in near infrared spectral imaging using chemometric data pre?treatments [J]. Chemometrics amp; Intelligent Laboratory Systems， 2012.
[24] Wang Q， Liu Y， Xu Q， et al.Identification of mildew degrees in honeysuckle using hyperspectral imaging combined with variable selection [J]. Journal of Food Measurement and Characterization， 2019， 13（3）： 2157-2166.
[25] Roger J C. A review of orthogonal projections for calibration [J]. Journal of Chemometrics， 2018， 32（9）.
[26] Hasanzadeh B， Abbaspour?Gilandeh Y， Soltani?Nazarloo A， et al. Non?destructive detection of fruit quality parameters using hyperspectral imaging， multiple regression analysis and artificial intelligence [J]. Horticulturae， 2022， 8（7）： 598.
[27] 蘇紅軍， 杜培軍， 盛業(yè)華. 高光譜遙感數(shù)據(jù)光譜特征提取算法與分類(lèi)研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2008（2）： 390-394.
[28] 葉磊， 韋克蘇， 李德侖， 等. 基于改進(jìn)RF特征選擇策略的烤煙油分高光譜特征分析[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（8）： 196-202.
Ye Lei， Wei Kesu， Li Delun， et al. Analysis of hyperspectral characteristics of flue?cured tobacco oil based on improved RF feature selection strategy [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 196-202.
[29] Zhao X， Zhang J， Pu R， et al. The continuous wavelet projections algorithm： A practical spectral?feature?mining approach for crop detection [J]. The Crop Journal， 2022， 10（5）： 1264-1273.
[30] Hong G， Abd El?Hamid H T. Hyperspectral imaging using multivariate analysis for simulation and prediction of agricultural crops in Ningxia， China [J]. Computers and Electronics in Agriculture， 2020， 172： 105355.
[31] Song D， Gao D， Sun H， et al. Chlorophyll content estimation based on cascade spectral optimizations of interval and wavelength characteristics [J]. Computers and Electronics in Agriculture， 2021， 189： 106413.
[32] Huang L， Zhang H， Ruan C， et al. Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm [J]. International Journal of Agricultural and Biological Engineering， 2020， 13（2）： 182-188.
[33] 杜培軍， 陳云浩， 方濤， 等. 高光譜遙感數(shù)據(jù)光譜特征的提取與應(yīng)用[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2003（5）： 34-38.
[34] Luo M， Bors A G. Principal component analysis of spectral coefficients for mesh watermarking [C]. 2008 15th IEEE International Conference on Image Processing. IEEE， 2008： 441-444.
[35] Delwiche S R， Baek I， Kim M S. Does spatial region of interest （ROI） matter in multispectral and hyperspectral imaging of segmented wheat kernels？ [J]. Biosystems Engineering， 2021， 212：106-114.
[36] Ma L， Chen X， Zhang Q， et al. Estimation of nitrogen content based on the hyperspectral vegetation indexes of interannual and multi?temporal in cotton [J]. Agronomy， 2022， 12（6）： 1319.
[37] 杜明華， 楊甜， 馬燕， 等. 基于NIR高光譜成像技術(shù)的番茄葉片葉綠素含量檢測(cè)[J]. 江蘇農(nóng)業(yè)科學(xué)， 2022， 50（20）： 48-55.
[38] 馮海寬， 陶惠林， 趙鈺， 等. 利用無(wú)人機(jī)高光譜估算冬小麥葉綠素含量[J]. 光譜學(xué)與光譜分析， 2022， 42（11）： 3575-3580.
Feng Haikuan， Tao Huilin， Zhao Yu， et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral [J]. Spectroscopy and Spectral Analysis， 2022， 42（11）： 3575-3580.
[39] 吾木提 ? 艾山江， 尼加提 ? 卡斯木， 陳晨， 等. 基于多維高光譜植被指數(shù)的冬小麥葉面積指數(shù)估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（5）： 181-190.
Umut Hasan， Nijat Kasim， Chen Chen， et al. Estimation of winter wheat LAI based on multi?dimensional hyperspectral vegetation indices [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（5）： 181-190.
中國(guó)農(nóng)機(jī)化學(xué)報(bào)2025年4期
- 中國(guó)農(nóng)機(jī)化學(xué)報(bào)的其它文章
- 國(guó)內(nèi)農(nóng)業(yè)社會(huì)化服務(wù)領(lǐng)域研究進(jìn)展、熱點(diǎn)與展望
- 感知價(jià)值、技術(shù)獲得對(duì)農(nóng)戶(hù)綠色生產(chǎn)行為的影響研究
- 棉花產(chǎn)業(yè)的技術(shù)進(jìn)步方向及增長(zhǎng)路徑選擇
- 山東省種植業(yè)碳排放因素分解及脫鉤效應(yīng)研究
- 農(nóng)業(yè)生產(chǎn)數(shù)字化的突破路徑
- 基于IVFFN—CNTR—PT的農(nóng)產(chǎn)品智能分級(jí)設(shè)備兩階段評(píng)價(jià)
摘要：為了解國(guó)內(nèi)外高光譜技術(shù)在農(nóng)業(yè)定量建模研究領(lǐng)域的演進(jìn)歷程，助力提高精準(zhǔn)農(nóng)業(yè)的實(shí)用性，以2007—2022年CNKI和WOS數(shù)據(jù)庫(kù)中農(nóng)業(yè)高光譜定量建模領(lǐng)域的中文805條，英文1 115條學(xué)術(shù)性文獻(xiàn)為數(shù)據(jù)源，結(jié)合可視化文獻(xiàn)計(jì)量分析軟件CiteSpace統(tǒng)計(jì)分析15年間的發(fā)文量趨勢(shì)、發(fā)文期刊及科研機(jī)構(gòu)、發(fā)文作者及合作關(guān)系等，其中WOS發(fā)文量呈緩慢增長(zhǎng)趨勢(shì)，且高于CNKI；中英文刊文量最多的期刊分別占總文獻(xiàn)數(shù)的12%、19%；國(guó)際發(fā)文量前5的科研機(jī)構(gòu)中，美國(guó)農(nóng)業(yè)部發(fā)文量最多，其余四席均為中國(guó)科研機(jī)構(gòu)；核心作者群及關(guān)鍵詞分析反映出主流研究方向是對(duì)小麥、水稻等糧食作物的營(yíng)養(yǎng)元素的反演研究；通過(guò)關(guān)鍵詞突現(xiàn)分析，明確該領(lǐng)域不同階段的研究熱點(diǎn)和演化趨勢(shì)。結(jié)果表明，目前農(nóng)業(yè)高光譜定量建模在作物生長(zhǎng)狀況檢測(cè)、作物品質(zhì)檢測(cè)以及作物產(chǎn)量估測(cè)方面的應(yīng)用較為廣泛，但目前存在不同尺度的作物高光譜數(shù)據(jù)融合與映射、數(shù)據(jù)分析與建模的智能化以及定量模型的適應(yīng)性等問(wèn)題，結(jié)合不同作物特點(diǎn)進(jìn)行數(shù)據(jù)融合、集合不同技術(shù)的優(yōu)勢(shì)，提高數(shù)據(jù)及模型準(zhǔn)確性將成為未來(lái)農(nóng)業(yè)高光譜定量建模研究領(lǐng)域的重點(diǎn)研究方向。
關(guān)鍵詞：農(nóng)作物；文獻(xiàn)計(jì)量學(xué)；高光譜；定量模型
中圖分類(lèi)號(hào)：S5" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2025） 04?0086?08
Visual analysis of quantitative modeling of agricultural hyperspectral data
based on bibliometrics
Liu Xia， Xu Changjing， Cao Xiaolan
（College of Information and Intelligent Science and Technology， Hunan Agricultural University， Changsha， 410128， China）
Abstract： In order to understand the evolution of hyperspectral technology in the field of agricultural quantitative modeling research at home and abroad， and to contribute to the practicality of precision agriculture， a dataset comprising 805 Chinese and 1 115 English academic papers on agricultural hyperspectral quantitative modeling from the CNKI and WOS databases spanning the years of 2007—2022 was utilized. Combining this data with the visualization and bibliometric analysis software CiteSpace， the study examined trends in publication volume， contributing journals， research institutions， authors， and collaborative relationships over the 15?year period. The analysis revealed a gradual increase in the number of publications in WOS， surpassing those in CNKI. The top journals， both in Chinese and English， accounted for 12% and 19% of the total literature， respectively. Among the top five international research institutions， the United States Department of Agriculture had the highest publication volume， while the remaining four were Chinese research institutions. Analysis of core author groups and keywords reflected that the mainstream research direction focused on the retrieval of nutritional elements in food crops such as wheat and rice. Keyword burst analysis further highlighted research hotspots and evolutionary trends at different stages in the field. The results show that quantitative agricultural hyperspectral modeling was widely used in crop growth status detection， crop quality detection and crop yield estimation. However， there were many problems such as fusion and mapping of crop hyperspectral data at different scales， intelligence of data analysis and modeling， and adaptability of quantitative models. Combining the characteristics of different crops， integrating the advantages of different technologies， and improving the accuracy of data and models will become the key research direction in the field of agricultural hyperspectral quantitative modeling in the future.
Keywords： crops; bibliometrics; hyperspectral; quantitative model
0 引言
高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域具有廣泛的應(yīng)用前景，是精準(zhǔn)農(nóng)業(yè)發(fā)展的重要部分[1]，農(nóng)作物高光譜反射率曲線(xiàn)能直接或間接地體現(xiàn)作物生長(zhǎng)狀態(tài)，通過(guò)數(shù)據(jù)分析方法，提取農(nóng)作物特征參數(shù)，建立數(shù)學(xué)模型，對(duì)作物理化組分和農(nóng)學(xué)參數(shù)進(jìn)行可計(jì)量的反演或預(yù)測(cè)，以輔助農(nóng)業(yè)生產(chǎn)和管理，是當(dāng)前具有重要意義的研究熱點(diǎn)。
近年來(lái)，國(guó)內(nèi)外應(yīng)用高光譜技術(shù)感知農(nóng)作物信息并進(jìn)行定量反演的相關(guān)研究，以近紅外光譜、拉曼光譜、葉綠素?zé)晒夤庾V等光譜技術(shù)為主，數(shù)據(jù)采集方式由傳統(tǒng)地面采集逐步發(fā)展為無(wú)人機(jī)遙感技術(shù)，以提高數(shù)據(jù)采集質(zhì)量，但天—地一體化方面的研究工作較少。部分學(xué)者開(kāi)發(fā)大數(shù)據(jù)與深度學(xué)習(xí)算法解決傳統(tǒng)線(xiàn)性及非線(xiàn)性模型的精度和適用性問(wèn)題，對(duì)作物營(yíng)養(yǎng)元素、土壤成分含量、作物識(shí)別、作物病害及農(nóng)藥殘留等的研究較為廣泛和深入。盡管農(nóng)業(yè)領(lǐng)域內(nèi)高光譜定量建模的文獻(xiàn)資源相當(dāng)豐富，然而，針對(duì)該領(lǐng)域進(jìn)行深入且系統(tǒng)性的文獻(xiàn)計(jì)量分析的研究卻仍顯稀缺，文獻(xiàn)資源仍未得到充分利用。
作物高光譜定量建模研究是實(shí)現(xiàn)農(nóng)作物精準(zhǔn)監(jiān)測(cè)、合理控制的重要手段，通過(guò)文獻(xiàn)計(jì)量分析對(duì)學(xué)術(shù)文獻(xiàn)進(jìn)行系統(tǒng)評(píng)估，便于農(nóng)業(yè)生產(chǎn)者更好地掌握作物生長(zhǎng)狀態(tài)，提高生產(chǎn)效益；使科研人員能夠快速了解作物高光譜定量建模領(lǐng)域研究現(xiàn)狀，促進(jìn)學(xué)術(shù)交流與合作，提升研究效率和質(zhì)量。本文利用表格處理軟件Excel、文獻(xiàn)計(jì)量分析軟件CiteSpace等工具，對(duì)國(guó)內(nèi)外2007—2022年該領(lǐng)域文獻(xiàn)的發(fā)文量、發(fā)文期刊及科研機(jī)構(gòu)、作者及關(guān)鍵詞等進(jìn)行分析，探討該領(lǐng)域研究熱點(diǎn)和發(fā)展趨勢(shì)，總結(jié)研究應(yīng)用范圍、定量建模流程及方法，剖析存在的問(wèn)題并對(duì)未來(lái)研究方向進(jìn)行展望。
1 數(shù)據(jù)來(lái)源及研究方法
1.1 數(shù)據(jù)來(lái)源
文獻(xiàn)數(shù)據(jù)來(lái)源于中國(guó)知網(wǎng)（CNKI）核心期刊數(shù)據(jù)庫(kù)和Web of Science（WOS）核心合集數(shù)據(jù)庫(kù)，檢索時(shí)間為2007年1月1日—2022年12月31日。在CNKI核心數(shù)據(jù)庫(kù)中采用“主題”的檢索方式，檢索主題設(shè)置為“高光譜”，學(xué)科范圍限定為“農(nóng)業(yè)”，文獻(xiàn)類(lèi)別為學(xué)術(shù)期刊；在WOS核心合集數(shù)據(jù)庫(kù)中以檢索式“TS=（“Hyperspectral”）”進(jìn)行精準(zhǔn)檢索，研究方向同樣選定“Agriculture”，文獻(xiàn)類(lèi)別排除綜述。人工選擇定量分析建模的文獻(xiàn)，剔除其他與研究主題不相符的文獻(xiàn)后，共獲得805篇中文文獻(xiàn)和1 115篇英文文獻(xiàn)。
1.2 研究方法
采用文獻(xiàn)計(jì)量學(xué)方法，采用CiteSpace軟件，時(shí)間切片設(shè)置為1年，分別對(duì)文獻(xiàn)的發(fā)文量、作者、發(fā)文機(jī)構(gòu)和關(guān)鍵詞等信息，從合作網(wǎng)絡(luò)、詞頻、中心性、突變等方面進(jìn)行分析，并以圖表的形式呈現(xiàn)可視化分析結(jié)果。
2 結(jié)果與分析
2.1 發(fā)文量統(tǒng)計(jì)分析
某領(lǐng)域的年發(fā)文量可以直觀反映研究現(xiàn)狀，整體觀察和把握該領(lǐng)域發(fā)展動(dòng)態(tài)[2]。繪制2007—2022年農(nóng)業(yè)高光譜定量建模研究領(lǐng)域年發(fā)文量趨勢(shì)圖（圖1），可以看出2010年之前，CNKI和WOS每年的發(fā)文量都在25篇左右，文章數(shù)量維持在一個(gè)相對(duì)平穩(wěn)且相近的水平。2010—2016年，CNKI和WOS的發(fā)文量緩慢增長(zhǎng)。從2017年開(kāi)始，二者的發(fā)文量增長(zhǎng)趨勢(shì)開(kāi)始明顯分化：WOS的發(fā)文量進(jìn)入快速增長(zhǎng)期，突破100篇，并以每年33%的平均增長(zhǎng)率增長(zhǎng)，截至2022年已經(jīng)達(dá)到188篇；而CNKI的發(fā)文量在2017年之后基本上維持在每年70篇左右。這種增長(zhǎng)趨勢(shì)的不同表明近年來(lái)國(guó)外在該領(lǐng)域的研究工作相對(duì)更加活躍。
2.2 發(fā)文期刊及科研機(jī)構(gòu)分析
分別統(tǒng)計(jì)CNKI和WOS刊文量TOP5的期刊，中文TOP5期刊中，刊文量最多的期刊是《光譜學(xué)與光譜分析》（影響因子IF=1.823），達(dá)104篇，占據(jù)總文獻(xiàn)樣本數(shù)的12%；其次是《農(nóng)業(yè)工程學(xué)報(bào)》（IF=3.76），為95篇，占比為11%；《農(nóng)業(yè)機(jī)械學(xué)報(bào)》（IF=4.325）、《中國(guó)農(nóng)業(yè)科學(xué)》（IF=3.445）、《麥類(lèi)作物學(xué)報(bào)》（IF=2.57）的刊文量分別是56篇、36篇和30篇；其余期刊刊文量均在20篇以下。在英文TOP5期刊中，Computers and Electronics in Agriculture （IF=6.757）的刊文量最高，為222篇，占比19%；其次為Biosystems Engineering （IF=5.002），刊文量為88篇，占比7.91%；Precision Agriculture （IF=5.767）、Postharvest Biology and Technology （IF=6.751）、Geoderma （IF=7.422）的刊文量分別是75篇、65篇和56篇；其余期刊刊文量均低于50篇。
分別統(tǒng)計(jì)發(fā)文量排名前5機(jī)構(gòu)可知，國(guó)內(nèi)農(nóng)業(yè)高光譜定量建模研究領(lǐng)域排名前5的科研機(jī)構(gòu)主要來(lái)自高等院校和科研院所：國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心和西北農(nóng)林大學(xué)的發(fā)文量都為46篇，居首位；其次是北京農(nóng)業(yè)信息技術(shù)研究中心和北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，發(fā)文量為22篇；其余機(jī)構(gòu)發(fā)文均在20篇以下。國(guó)際上排名前5的科研機(jī)構(gòu)中，美國(guó)農(nóng)業(yè)部發(fā)文量居首位，占前5發(fā)文量的25%；余下4個(gè)均為中國(guó)的科研機(jī)構(gòu)。
2.3 作者及其合作關(guān)系分析
作者及其合作網(wǎng)絡(luò)分析可以反映出該領(lǐng)域的核心作者群，了解主流研究方向。在對(duì)作者及其合作關(guān)系進(jìn)行計(jì)量分析時(shí)，對(duì)合作網(wǎng)絡(luò)圖進(jìn)行適當(dāng)裁剪，僅呈現(xiàn)發(fā)文量[Count≥5]的節(jié)點(diǎn)及其網(wǎng)絡(luò)關(guān)系。作者合作網(wǎng)絡(luò)圖中，名字大小表示該作者發(fā)表論文的數(shù)量多少；節(jié)點(diǎn)之間的連線(xiàn)粗細(xì)反映合作關(guān)系的強(qiáng)度；連線(xiàn)顏色反映年份[3]。
以CNKI文獻(xiàn)為基礎(chǔ)繪制的作者合作圖譜如圖2所示。
合作網(wǎng)絡(luò)圖的節(jié)點(diǎn)N=498，邊E=1 126，網(wǎng)絡(luò)密度Densit=0.009 1。圖中連線(xiàn)節(jié)點(diǎn)數(shù)≥4的合作團(tuán)隊(duì)有：以曹衛(wèi)星等為主的團(tuán)隊(duì)、以洪添勝等為主的團(tuán)隊(duì)、以于豐華等為主的團(tuán)隊(duì)、以馮海寬等為主的團(tuán)隊(duì)和以楊貴軍等為主的團(tuán)隊(duì)等。圖2中最大節(jié)點(diǎn)是“常慶瑞”，但該節(jié)點(diǎn)與其他節(jié)點(diǎn)的連線(xiàn)較少，表明該研究者發(fā)文量較多，但未能形成明顯團(tuán)隊(duì)。從節(jié)點(diǎn)顏色分析，曹衛(wèi)星、王登偉等開(kāi)展研究時(shí)間較早，而楊貴軍、常慶瑞等開(kāi)展研究時(shí)間較晚。
以WOS文獻(xiàn)為基礎(chǔ)繪制的作者合作圖譜如圖3所示。合作網(wǎng)絡(luò)圖的節(jié)點(diǎn)N=470，邊E=601，網(wǎng)絡(luò)密度Densit=0.005 5。圖中連線(xiàn)節(jié)點(diǎn)數(shù)≥4的合作團(tuán)隊(duì)有：以Zhang Jingcheng等為主的團(tuán)隊(duì)、以Huang Wenqian等為主的團(tuán)隊(duì)和以Zhang Meijun等為主的團(tuán)隊(duì)等。圖中最大節(jié)點(diǎn)是“He Yong”，發(fā)文量最多，但與其他研究者合作較少。
3 研究熱點(diǎn)及趨勢(shì)分析
3.1 關(guān)鍵詞分析
分別統(tǒng)計(jì)國(guó)內(nèi)外文獻(xiàn)中屬于作物種類(lèi)和反演參數(shù)類(lèi)型的關(guān)鍵詞比例，結(jié)果分別如圖4、圖5所示。
為進(jìn)一步了解研究主要內(nèi)容，分別對(duì)國(guó)內(nèi)外文獻(xiàn)中發(fā)文量排在前2位的研究機(jī)構(gòu)的關(guān)鍵詞做共現(xiàn)分析，共現(xiàn)分析時(shí)做如下處理：排除信息量小、無(wú)意義的詞匯，如“高光譜”“光譜”等；適當(dāng)合并同義詞或近義詞，合并原則是后出現(xiàn)的詞合并至最早出現(xiàn)的詞，其共現(xiàn)網(wǎng)絡(luò)分別如圖6、圖7所示。
在作物種類(lèi)方面，由圖4可知，國(guó)內(nèi)主要研究的作物為小麥、水稻、玉米，分別占比39%、14%和13%。在研究機(jī)構(gòu)方面，從圖6的數(shù)據(jù)可以看出，國(guó)內(nèi)發(fā)文量排名前兩位的研究機(jī)構(gòu)是國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心和西北農(nóng)林科技大學(xué)。這兩個(gè)機(jī)構(gòu)的主要研究作物包括冬小麥、玉米、水稻和棉花。綜合分析表明，國(guó)內(nèi)作物種類(lèi)研究的重點(diǎn)主要集中在小麥、水稻、玉米和棉花等我國(guó)種植面積廣的糧食和經(jīng)濟(jì)作物。這與我國(guó)的農(nóng)業(yè)結(jié)構(gòu)和實(shí)際需求密切相關(guān)，同時(shí)也反映糧食安全的研究重點(diǎn)。對(duì)于外文文獻(xiàn)（圖5），水果類(lèi)在作物種類(lèi)研究中占比最高，達(dá)到32%。在圖7中，外文發(fā)文量排名前兩位的研究機(jī)構(gòu)是美國(guó)農(nóng)業(yè)部和中國(guó)農(nóng)業(yè)農(nóng)村部。這兩個(gè)機(jī)構(gòu)主要研究水果、玉米、棉花、小麥、蘋(píng)果等多種類(lèi)型的作物，呈現(xiàn)出研究種類(lèi)更加多元化的趨勢(shì)。表明國(guó)外研究更加關(guān)注多種類(lèi)作物的高光譜定量建模，覆蓋范圍更廣，反映國(guó)外農(nóng)業(yè)的多樣性和全球農(nóng)業(yè)的綜合性研究。
在反演參數(shù)類(lèi)型上，國(guó)內(nèi)外的研究重點(diǎn)都集中在作物理化參數(shù)，包括色素（主要是葉綠素）和氮素等、作物長(zhǎng)勢(shì)參數(shù)（如葉面積等）、作物產(chǎn)量和品質(zhì)參數(shù)。不同機(jī)構(gòu)的研究重點(diǎn)略有不同，例如國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心主要關(guān)注葉綠素和產(chǎn)量，而西北農(nóng)林科技大學(xué)關(guān)注葉綠素、氮素和生物量，美國(guó)農(nóng)業(yè)部關(guān)注葉綠素和生物量，中國(guó)農(nóng)業(yè)農(nóng)村部關(guān)注葉綠素和葉面積。
在高光譜數(shù)據(jù)處理和建模方法方面，特征提取方法主要采用傳統(tǒng)的植被指數(shù)方法；而在建模方法中，偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林回歸和支持向量機(jī)等是主要的工具；建立的模型以估算模型和監(jiān)測(cè)模型為主要方向；冠層光譜涉足的機(jī)構(gòu)較多。值得注意的是，發(fā)文量較高的機(jī)構(gòu)普遍對(duì)采用無(wú)人機(jī)采集高光譜數(shù)據(jù)有相關(guān)研究，表明高光譜技術(shù)在農(nóng)業(yè)遙感監(jiān)測(cè)和無(wú)人機(jī)應(yīng)用方面有著廣泛的應(yīng)用和研究前景。
3.2 研究趨勢(shì)分析
通過(guò)對(duì)關(guān)鍵詞的突現(xiàn)分析，可以進(jìn)一步了解該領(lǐng)域研究的前沿動(dòng)向。關(guān)鍵詞的Burst值（即突現(xiàn)值）越高，則表示該關(guān)鍵詞在一段時(shí)間內(nèi)出現(xiàn)過(guò)共現(xiàn)頻次激增的情況，是研究前沿的“腳印”[4]。
通過(guò)對(duì)中英文文獻(xiàn)關(guān)鍵詞進(jìn)行突現(xiàn)分析，頻次變化率最高的前10個(gè)關(guān)鍵詞如表1、表2所示。
由表1、表2分析可知，前期國(guó)內(nèi)研究熱點(diǎn)主要是棉花、葉片、氮素營(yíng)養(yǎng)、主成分分析等；國(guó)外研究熱點(diǎn)是玉米、冠層反射率、生物量、氮等。研究主題較為集中，且對(duì)于特定主題的探索具有相對(duì)長(zhǎng)的時(shí)間跨度，例如CNKI關(guān)鍵詞“氮素營(yíng)養(yǎng)”的突現(xiàn)持續(xù)時(shí)間為6年，WOS關(guān)鍵詞“玉米”的突現(xiàn)持續(xù)時(shí)間達(dá)7年，表明國(guó)內(nèi)外在這個(gè)時(shí)期對(duì)農(nóng)業(yè)高光譜定量建模的研究主要集中于特定農(nóng)作物和理化參數(shù)，側(cè)重初步研究和基礎(chǔ)應(yīng)用，探索潛在應(yīng)用，著力解決農(nóng)業(yè)高光譜數(shù)據(jù)在不同環(huán)境下獲取難題。同時(shí)，早期建立農(nóng)業(yè)高光譜定量模型方法多為傳統(tǒng)統(tǒng)計(jì)學(xué)方法和經(jīng)驗(yàn)?zāi)Ｐ?，如多元回歸、主成分分析等。
2015年后，國(guó)內(nèi)研究熱點(diǎn)主要為水稻、監(jiān)測(cè)模型、隨機(jī)森林等；國(guó)外研究熱點(diǎn)主要為蘋(píng)果、品質(zhì)評(píng)估、機(jī)器視覺(jué)等。隨著技術(shù)的不斷進(jìn)步，機(jī)器學(xué)習(xí)算法開(kāi)始在研究中占據(jù)主導(dǎo)地位，尤其是支持向量機(jī)、隨機(jī)森林、深度學(xué)習(xí)等方法的引入。學(xué)者們致力于提高模型的準(zhǔn)確性和魯棒性，通過(guò)對(duì)大規(guī)模高光譜數(shù)據(jù)的深度挖掘，實(shí)現(xiàn)對(duì)農(nóng)業(yè)要素更為精準(zhǔn)的定量預(yù)測(cè)。此時(shí)，國(guó)內(nèi)外的研究重點(diǎn)逐漸從模型建立轉(zhuǎn)向?qū)嶋H應(yīng)用，包括作物生長(zhǎng)監(jiān)測(cè)、土壤質(zhì)量評(píng)估等方面。
2021年后，國(guó)內(nèi)研究熱點(diǎn)為冠層光譜、無(wú)人機(jī)、反演模型等，國(guó)外為水分含量、無(wú)人機(jī)等。其中CNKI和WOS都出現(xiàn)突現(xiàn)關(guān)鍵詞“無(wú)人機(jī)”，CNKI中關(guān)鍵詞突現(xiàn)強(qiáng)度達(dá)5.51，這表明結(jié)合無(wú)人機(jī)和高光譜技術(shù)進(jìn)行作物生長(zhǎng)信息快速無(wú)損檢測(cè)應(yīng)用成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[5]，國(guó)內(nèi)外研究呈現(xiàn)出更為綜合和跨學(xué)科的趨勢(shì)，與其他領(lǐng)域的融合日益加深，如人工智能、物聯(lián)網(wǎng)、區(qū)塊鏈等技術(shù)逐漸與高光譜技術(shù)相結(jié)合，形成更為智能和高效的農(nóng)業(yè)信息系統(tǒng)。同時(shí)，研究者們關(guān)注多源數(shù)據(jù)的融合應(yīng)用，以提高模型的綜合性能，還注重研究成果的實(shí)際應(yīng)用，推動(dòng)高光譜技術(shù)在農(nóng)業(yè)現(xiàn)代化進(jìn)程中的廣泛應(yīng)用。
4 討論
作物高光譜定量建?？梢詭椭r(nóng)業(yè)生產(chǎn)者實(shí)現(xiàn)精準(zhǔn)管理，使科研人員能夠快速準(zhǔn)確獲取領(lǐng)域知識(shí)。通過(guò)分析關(guān)鍵詞，閱讀代表性文獻(xiàn)，討論總結(jié)作物高光譜定量模型的應(yīng)用、定量建模的流程和方法，梳理研究中存在的問(wèn)題。
4.1 作物高光譜定量模型的應(yīng)用范圍
1） 作物生長(zhǎng)狀況監(jiān)測(cè)。圖4的CNKI反演參數(shù)中，色素、葉面積、氮素、水分分別占比28%、19%、13%和7%，圖5的WOS反演參數(shù)中，nitrogen、pigment、leaf area、water分別占比14%、10%、9%和9%，說(shuō)明科研人員對(duì)營(yíng)養(yǎng)元素的研究居多。高文強(qiáng)等[6]提出一種基于高光譜的葉綠素含量預(yù)測(cè)模型以評(píng)價(jià)作物生長(zhǎng)狀況，祝?？⒌萚7]構(gòu)建水稻葉綠素和氮素定量模型監(jiān)測(cè)作物生長(zhǎng)狀況，Cao等[8]通過(guò)構(gòu)建茶葉氮含量估測(cè)模型來(lái)估測(cè)茶樹(shù)生長(zhǎng)狀況。因此，作物生長(zhǎng)狀況監(jiān)測(cè)是定量模型應(yīng)用的一個(gè)重要方面。
2） 作物品質(zhì)檢測(cè)。圖4反演參數(shù)中，品質(zhì)占比2%，圖5反演參數(shù)中，品質(zhì)占比21%，外文文獻(xiàn)中對(duì)作物品質(zhì)的研究較多。金宇豪等[9]構(gòu)建油菜籽粒油酸含量模型為監(jiān)測(cè)油菜品質(zhì)提供理論依據(jù)，Torres?Tello等[10]建立小麥水分含量的深度學(xué)習(xí)模型控制收割質(zhì)量。所以作物品質(zhì)檢測(cè)是高光譜定量建模應(yīng)用的另一方面。
3） 作物產(chǎn)量估測(cè)。圖4、圖5反演參數(shù)中，產(chǎn)量占比分別為5%、10%。甘甜等[11]構(gòu)建基于多源遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的定量模型以預(yù)測(cè)小麥產(chǎn)量，提高人民生活水平。此為定量模型應(yīng)用的一個(gè)方面。
4.2 作物高光譜定量建模流程和方法
1） 作物高光譜數(shù)據(jù)獲取。通過(guò)圖6、圖7關(guān)鍵詞共現(xiàn)分析以及表1關(guān)鍵詞突現(xiàn)分析，總結(jié)作物高光譜數(shù)據(jù)主要有冠層和葉片兩個(gè)尺度層次：作物冠層高光譜采集設(shè)備早期常使用便攜式地物光譜儀，隨著航空航天技術(shù)，特別是無(wú)人機(jī)技術(shù)的發(fā)展，機(jī)載和星載光譜儀大量應(yīng)用；葉片高光譜數(shù)據(jù)采集時(shí)一般是人工光源，對(duì)天氣條件要求較低，通常利用便攜式地物光譜儀的光纖探頭耦合漫反射光合附件（如葉夾器）來(lái)測(cè)量，或者在實(shí)驗(yàn)室內(nèi)搭建高光譜測(cè)量平臺(tái)，采摘新鮮葉片帶回實(shí)驗(yàn)室測(cè)量。作物冠層高光譜數(shù)據(jù)常用于大范圍的作物估產(chǎn)、長(zhǎng)勢(shì)監(jiān)測(cè)、種植密度和面積的估測(cè)等，葉片高光譜數(shù)據(jù)一般用于作物生理生化參數(shù)的反演。
2） 高光譜數(shù)據(jù)預(yù)處理。雖然數(shù)據(jù)預(yù)處理方法在關(guān)鍵詞共現(xiàn)圖譜中出現(xiàn)較少，但此為構(gòu)建作物高光譜定量模型不可忽略的重要步驟，選擇合適的數(shù)據(jù)預(yù)處理方法可以增加數(shù)據(jù)的可靠性，提高模型精度[12]。包括異常樣本剔除、數(shù)據(jù)降噪等。金承亮等[13]對(duì)比使用多種數(shù)據(jù)預(yù)處理方法以提高模型精度。目前，常用的方法主要有Cook距離[14]、馬氏距離[15]、杠桿值[16]、蒙特卡洛交叉驗(yàn)證[17]等；光譜數(shù)據(jù)降噪是為了去除噪音、樣品背景和雜散光影響等因素對(duì)模型預(yù)測(cè)性能的影響，從而提高校正模型的預(yù)測(cè)能力和穩(wěn)健性[18]，常用的方法有主成分分析法[19]、標(biāo)準(zhǔn)正態(tài)變量變換SNV[20]、SG平滑[21]、導(dǎo)數(shù)光譜[22]、基線(xiàn)校正BC[23]、多元散射校正MSC[24]、正交信號(hào)校正OSC[25]、歸一化Normalize[26]等。
3） 作物高光譜特征工程。特征工程主要是在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，通過(guò)特定的方法對(duì)數(shù)據(jù)進(jìn)行降維，去除冗余信息，提取更有效率和代表性的特征參數(shù)，以提高模型的效率、質(zhì)量和穩(wěn)健性。作物高光譜特征工程主要有兩種思路：特征選擇和特征提取[27]。葉磊等[28]提出一種改進(jìn)RF算法特征選擇策略，在保證分類(lèi)器性能的前提下進(jìn)行數(shù)據(jù)降維，減少特征集的冗余。目前有多種方法可用于高光譜數(shù)據(jù)的特征選擇，主要有連續(xù)投影算法（SPA）[29]、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）[30]、區(qū)間偏最小二乘（iPLS）[31]、遺傳算法（GA）[32]等。特征提取則是利用高光譜圖像的所有波段，對(duì)原特征空間進(jìn)行數(shù)學(xué)變換，得到新的特征空間[33]，常用的特征提取方法有主成分分析（PCA）[34]、線(xiàn)性判別分析（LDA）[35]。
4） 作物高光譜數(shù)據(jù)定量建模及評(píng)價(jià)指標(biāo)。在表1、表2關(guān)鍵詞突現(xiàn)分析中，隨機(jī)森林、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等建模方法得到國(guó)內(nèi)外廣泛應(yīng)用，目前常用的定量建模方法有多元線(xiàn)性回歸（MLR）[36]、主成分回歸（PCR）[37]、偏最小二乘回歸（PLSR）[38]、支持向量回歸（SVR）[39]和人工神經(jīng)網(wǎng)絡(luò)等，其中MLR、PCR和PLSR屬于線(xiàn)性回歸建模，SVR、神經(jīng)網(wǎng)絡(luò)屬于非線(xiàn)性回歸建模。定量模型的評(píng)價(jià)有校正均方根誤差RMSEC、交互驗(yàn)證均方根誤差RMSECV、預(yù)測(cè)均方根誤差RMSEP和決定系數(shù)R2。
4.3 作物高光譜定量建模研究存在的問(wèn)題
1） 不同尺度的作物高光譜數(shù)據(jù)融合與映射。作物冠層高光譜數(shù)據(jù)主要反映作物整體生長(zhǎng)狀況，但數(shù)據(jù)采集受天氣條件影響和限制較大，數(shù)據(jù)噪聲較大；而葉片高光譜數(shù)據(jù)雖然只能反映作物局部的狀態(tài)，但由于采用人工光源，受環(huán)境影響較小，數(shù)據(jù)噪聲小。此外，即便是同一類(lèi)作物高光譜，由于采集設(shè)備不同（如便攜式地物光譜儀和無(wú)人機(jī)搭載光譜儀），所采集的數(shù)據(jù)也有較大差異。當(dāng)前的定量建模研究一般僅采用其中一種數(shù)據(jù)，如何將多種尺度的數(shù)據(jù)融合與映射，以取長(zhǎng)補(bǔ)短，更全面地反映作物的真實(shí)狀況是一個(gè)值得研究的問(wèn)題。
2） 高光譜數(shù)據(jù)分析與建模的智能化。傳統(tǒng)的高光譜數(shù)據(jù)降噪、提取特征和建模的方法，過(guò)于依賴(lài)人力和專(zhuān)業(yè)知識(shí)，成為提升模型性能的瓶頸。深度學(xué)習(xí)技術(shù)不僅可以避免人工特征的局限性，還能直接從原始高光譜數(shù)據(jù)中自動(dòng)挖掘規(guī)律，得到有效的信息，將深度學(xué)習(xí)方法用于高光譜數(shù)據(jù)處理和分析是一個(gè)可行的途徑。
3） 作物高光譜定量模型的適應(yīng)性。由于作物生長(zhǎng)狀況復(fù)雜、生境狀況不同，作物高光譜數(shù)據(jù)會(huì)產(chǎn)生相應(yīng)變化，如果建模的研究人員沒(méi)有足夠的專(zhuān)業(yè)技能和經(jīng)驗(yàn)，可能導(dǎo)致建立的模型局限性較大，僅能適應(yīng)某些特定條件。如何提高模型適應(yīng)性，使得在不同條件下也能獲得較準(zhǔn)確的預(yù)測(cè)也是需要研究的問(wèn)題。
5 結(jié)論
1） 利用文獻(xiàn)計(jì)量軟件CiteSpace對(duì)2007—2022年中國(guó)知網(wǎng)收錄的805篇和Web of Science收錄的1 115篇農(nóng)業(yè)高光譜定量建模相關(guān)核心期刊文獻(xiàn)進(jìn)行可視化分析，分別統(tǒng)計(jì)發(fā)文量、發(fā)文期刊、科研機(jī)構(gòu)、發(fā)文作者、關(guān)鍵詞和核心文獻(xiàn)。
2） 農(nóng)業(yè)高光譜定量建模研究領(lǐng)域發(fā)文量整體呈穩(wěn)定增長(zhǎng)趨勢(shì)，且外文文獻(xiàn)發(fā)文量高于中文文獻(xiàn)；《光譜學(xué)與光譜分析》和Computers and Electronics in Agriculture是國(guó)內(nèi)外發(fā)文量最多的兩個(gè)期刊，分別占比12%和19%；國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心和美國(guó)農(nóng)業(yè)部等機(jī)構(gòu)發(fā)文量多，影響力深遠(yuǎn)；核心作者主要來(lái)自中國(guó)，由西北農(nóng)林科技大學(xué)常慶瑞帶領(lǐng)的研究團(tuán)隊(duì)發(fā)文量最多；外文文獻(xiàn)中，來(lái)自中國(guó)的何勇發(fā)文最多，但與其他作者及機(jī)構(gòu)間的合作不多。
3） 農(nóng)業(yè)高光譜定量建模研究具有數(shù)據(jù)豐富、跨學(xué)科和可持續(xù)發(fā)展等特點(diǎn)，核心研究?jī)?nèi)容集中于數(shù)據(jù)采集與處理、特征提取與選擇、建模方法與模型優(yōu)化、應(yīng)用領(lǐng)域拓展等，主要構(gòu)建農(nóng)作物生長(zhǎng)監(jiān)測(cè)、品質(zhì)檢測(cè)和產(chǎn)量估測(cè)等定量模型；定量建模研究會(huì)受到多尺度數(shù)據(jù)融合與映射、光譜數(shù)據(jù)分析技術(shù)以及定量模型適應(yīng)性等方面的影響；目前多源數(shù)據(jù)融合、結(jié)合機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)進(jìn)行建模、無(wú)人機(jī)與衛(wèi)星技術(shù)等成為新興研究熱點(diǎn)。
4） 國(guó)內(nèi)外科研工作者在農(nóng)業(yè)高光譜定量建模領(lǐng)域已經(jīng)做出很大貢獻(xiàn)，農(nóng)業(yè)定量遙感也正在向著無(wú)損傷、精確診斷等方向發(fā)展，近地遙感技術(shù)獲取數(shù)據(jù)精確度高但檢測(cè)范圍小，衛(wèi)星遙感技術(shù)檢測(cè)范圍大但精確度低，機(jī)載遙感技術(shù)介于兩者之間，所以結(jié)合不同作物特點(diǎn)進(jìn)行數(shù)據(jù)融合，集合不同技術(shù)的優(yōu)勢(shì)，可以成為未來(lái)農(nóng)業(yè)高光譜定量建模研究領(lǐng)域的重點(diǎn)研究方向；葉片及冠層光譜信息是作物、背景和環(huán)境的混合信息，前期數(shù)據(jù)處理質(zhì)量直接影響定量模型監(jiān)測(cè)準(zhǔn)確度，將深度學(xué)習(xí)等方法應(yīng)用于前期數(shù)據(jù)處理以及定量模型的建立以提高數(shù)據(jù)及模型的準(zhǔn)確性，逐漸成為新趨勢(shì)；由于作物種類(lèi)的復(fù)雜性和環(huán)境的多變性，目前建立的定量模型沒(méi)有很強(qiáng)的普適性，針對(duì)某一作物建立模型數(shù)據(jù)庫(kù)也是一個(gè)重要研究方向。
參 考 文 獻(xiàn)
[ 1 ] 程一松， 胡春勝. 高光譜遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究， 2001（3）： 193-195.
[ 2 ] 盛強(qiáng)， 鄭建明， 劉江山， 等. 基于CiteSpace的內(nèi)表面缺陷檢測(cè)研究進(jìn)展與趨勢(shì)[J]. 光譜學(xué)與光譜分析， 2023， 43（1）： 9-15.
Sheng Qiang， Zheng Jianming， Liu Jiangshan， et al. Advances and prospects in inner surface defect detection based on CiteSpace [J]. Spectroscopy and Spectral Analysis， 2023， 43 （1）： 9-15.
[ 3 ] 陳悅， 陳超美， 劉則淵， 等. CiteSpace知識(shí)圖譜的方法論功能[J]. 科學(xué)學(xué)研究， 2015， 33（2）： 242-253.
[ 4 ] 趙繪存. 商業(yè)模式創(chuàng)新發(fā)展態(tài)勢(shì)的知識(shí)圖譜分析[J]. 中國(guó)科技論壇， 2016（1）： 38-43.
[ 5 ] 姜妍， 王琳， 楊月， 等. 無(wú)人機(jī)高光譜成像技術(shù)在作物生長(zhǎng)信息監(jiān)測(cè)中的應(yīng)用[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2022， 53（3）： 88-96.
[ 6 ] 高文強(qiáng)， 肖志云. 基于Atrous—CDAE—1DCNN的紫丁香高光譜數(shù)據(jù)的葉綠素含量反演[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（7）： 158-166.
Gao Wenqiang， Xiao Zhiyun. Inversion of chlorophyll content of lilac hyperspectral data based on Atrous—CDAE—1DCNN [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 158-166.
[ 7 ] 祝?？?， 付虹雨， 王學(xué)華， 等. 高光譜早稻生理指標(biāo)可跨期預(yù)測(cè)性的初步研究[J]. 光譜學(xué)與光譜分析， 2022， 42（1）： 170-175.
Zhu Haijun， Fu Hongyu， Wang Xuehua， et al. Preliminary study on the intertemporal predictability of the physiological index of early rice based on hyperspectral [J]. Spectroscopy and Spectral Analysis， 2022， 42（1）： 170-175.
[ 8 ] Cao Q， Yang G， Duan D， et al. Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants （Camellia sinensis （L.） O. Kuntze） under field conditions [J]. Computers and Electronics in Agriculture， 2022（198）.
[ 9 ] 金宇豪， 石楠， 文雙雅， 等. 菜油兼用型油菜籽粒油酸含量的高光譜模型構(gòu)建[J]. 南方農(nóng)業(yè)學(xué)報(bào)， 2021， 52（6）： 1674-1682.
[10] Torres?Tello J W， Ko S， Singh K D， et al. A novel approach to identify the spectral bands that predict moisture content in canola and wheat [J]. Biosystems Engineering， 2021， 210： 91-103.
[11] 甘甜， 李雷， 李紅葉， 等. 基于多源遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的冬小麥產(chǎn)量預(yù)測(cè)研究[J]. 麥類(lèi)作物學(xué)報(bào)， 2022， 42（11）： 1419-1428.
[12] 呂美蓉， 任國(guó)興， 李雪瑩， 等. 光譜數(shù)據(jù)預(yù)處理對(duì)潮間帶沉積物氮LSSVM模型的影響研究[J]. 光譜學(xué)與光譜分析， 2020， 40（8）： 2409-2414.
Lü Meirong， Ren Guoxing， Li Xueying， et al. The effect of spectral pretreatment on the LSSVM model of nitrogen in intertidal sediments [J]. Spectroscopy and Spectral Analysis， 2020， 40（8）： 2409-2414.
[13] 金承亮， 王永軍， 黃河， 等. 高維紅外光譜數(shù)據(jù)預(yù)處理在中藥材產(chǎn)地鑒別中的應(yīng)用[J]. 光譜學(xué)與光譜分析， 2023， 43（7）： 2238-2245.
Jin Chengliang， Wang Yongjun， Huang He， et al. Application of high?dimensional infrared spectral data preprocessing in the origin identification of traditional Chinese materials [J]. Spectroscopy and Spectral Analysis， 2023， 43（7）： 2238-2245.
[14] 史波林， 趙鐳， 劉文， 等. 蘋(píng)果內(nèi)部品質(zhì)近紅外光譜檢測(cè)的異常樣本分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（2）： 132-137.
Shi Bolin， Zhao Lei， Liu Wen， et al. Outlier sample analysis on near infrared spectroscopy determination for apple interior quality [J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（2）： 132-137.
[15] 劉紅蕓， 吳雪梅， 李德侖， 等. 基于高光譜技術(shù)的采摘期煙葉水分含量研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（9）： 157-163.
Liu Hongyun， Wu Xuemei， Li Delun， et al. Study on the moisture content of tobaco leaves during the picking period based on hyperspectral technology [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 157-163.
[16] 田海清， 王春光， 張海軍， 等. 蜜瓜品質(zhì)光譜檢測(cè)中異常建模樣品的綜合評(píng)判[J]. 光譜學(xué)與光譜分析， 2012， 32（11）： 2987-2991.
Tian Haiqing， Wang Chunguang， Zhang Haijun， et al. Outlier sample discriminating methods for building calibration model in melons quality detecting using NIR spectra [J]. Spectroscopy and Spectral Analysis， 2012， 32（11）： 2987-2991.
[17] 曲歌， 陳爭(zhēng)光， 張慶華. 基于無(wú)信息變量消除法的水稻種子發(fā)芽率測(cè)定[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2019， 35（5）： 1015-1020.
[18] BehnoodR， Paul S， Pedram G， et al. Noise reduction in hyperspectral imagery： Overview and application [J]. Remote Sensing， 2018， 10（3）： 482.
[19] 崔賓閣， 馬秀丹， 謝小云. 小樣本的高光譜圖像降噪與分類(lèi)[J]. 遙感學(xué)報(bào)， 2017， 21（5）： 728-738.
[20] Grisanti E， Totska M， Huber S， et al. Dynamic localized SNV， peak SNV， and partial peak SNV： Novel standardization methods for preprocessing of spectroscopic data used in predictive modeling [J]. Journal of Spectroscopy， 2018， 2018： 1-14.
[21] Li Y H， Tan X， Zhang W， et al. Research and application of several key techniques in hyperspectral image preprocessing [J]. Frontiers in Plant Science， 2021， 12： 627865.
[22] Li C， Fan P， Jiang K， et al. Melon seed variety identification based on hyperspectral technology combined with discriminant analysis [J]. Bangladesh Journal of Botany， 2017， 46（3）： 1153-1160.
[23] Esquerre C， Gowen A A， Burger J， et al. Suppressing sample morphology effects in near infrared spectral imaging using chemometric data pre?treatments [J]. Chemometrics amp; Intelligent Laboratory Systems， 2012.
[24] Wang Q， Liu Y， Xu Q， et al.Identification of mildew degrees in honeysuckle using hyperspectral imaging combined with variable selection [J]. Journal of Food Measurement and Characterization， 2019， 13（3）： 2157-2166.
[25] Roger J C. A review of orthogonal projections for calibration [J]. Journal of Chemometrics， 2018， 32（9）.
[26] Hasanzadeh B， Abbaspour?Gilandeh Y， Soltani?Nazarloo A， et al. Non?destructive detection of fruit quality parameters using hyperspectral imaging， multiple regression analysis and artificial intelligence [J]. Horticulturae， 2022， 8（7）： 598.
[27] 蘇紅軍， 杜培軍， 盛業(yè)華. 高光譜遙感數(shù)據(jù)光譜特征提取算法與分類(lèi)研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2008（2）： 390-394.
[28] 葉磊， 韋克蘇， 李德侖， 等. 基于改進(jìn)RF特征選擇策略的烤煙油分高光譜特征分析[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（8）： 196-202.
Ye Lei， Wei Kesu， Li Delun， et al. Analysis of hyperspectral characteristics of flue?cured tobacco oil based on improved RF feature selection strategy [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 196-202.
[29] Zhao X， Zhang J， Pu R， et al. The continuous wavelet projections algorithm： A practical spectral?feature?mining approach for crop detection [J]. The Crop Journal， 2022， 10（5）： 1264-1273.
[30] Hong G， Abd El?Hamid H T. Hyperspectral imaging using multivariate analysis for simulation and prediction of agricultural crops in Ningxia， China [J]. Computers and Electronics in Agriculture， 2020， 172： 105355.
[31] Song D， Gao D， Sun H， et al. Chlorophyll content estimation based on cascade spectral optimizations of interval and wavelength characteristics [J]. Computers and Electronics in Agriculture， 2021， 189： 106413.
[32] Huang L， Zhang H， Ruan C， et al. Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm [J]. International Journal of Agricultural and Biological Engineering， 2020， 13（2）： 182-188.
[33] 杜培軍， 陳云浩， 方濤， 等. 高光譜遙感數(shù)據(jù)光譜特征的提取與應(yīng)用[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2003（5）： 34-38.
[34] Luo M， Bors A G. Principal component analysis of spectral coefficients for mesh watermarking [C]. 2008 15th IEEE International Conference on Image Processing. IEEE， 2008： 441-444.
[35] Delwiche S R， Baek I， Kim M S. Does spatial region of interest （ROI） matter in multispectral and hyperspectral imaging of segmented wheat kernels？ [J]. Biosystems Engineering， 2021， 212：106-114.
[36] Ma L， Chen X， Zhang Q， et al. Estimation of nitrogen content based on the hyperspectral vegetation indexes of interannual and multi?temporal in cotton [J]. Agronomy， 2022， 12（6）： 1319.
[37] 杜明華， 楊甜， 馬燕， 等. 基于NIR高光譜成像技術(shù)的番茄葉片葉綠素含量檢測(cè)[J]. 江蘇農(nóng)業(yè)科學(xué)， 2022， 50（20）： 48-55.
[38] 馮海寬， 陶惠林， 趙鈺， 等. 利用無(wú)人機(jī)高光譜估算冬小麥葉綠素含量[J]. 光譜學(xué)與光譜分析， 2022， 42（11）： 3575-3580.
Feng Haikuan， Tao Huilin， Zhao Yu， et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral [J]. Spectroscopy and Spectral Analysis， 2022， 42（11）： 3575-3580.
[39] 吾木提 ? 艾山江， 尼加提 ? 卡斯木， 陳晨， 等. 基于多維高光譜植被指數(shù)的冬小麥葉面積指數(shù)估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（5）： 181-190.
Umut Hasan， Nijat Kasim， Chen Chen， et al. Estimation of winter wheat LAI based on multi?dimensional hyperspectral vegetation indices [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（5）： 181-190.
中國(guó)農(nóng)機(jī)化學(xué)報(bào)2025年4期
- 中國(guó)農(nóng)機(jī)化學(xué)報(bào)的其它文章
- 國(guó)內(nèi)農(nóng)業(yè)社會(huì)化服務(wù)領(lǐng)域研究進(jìn)展、熱點(diǎn)與展望
- 感知價(jià)值、技術(shù)獲得對(duì)農(nóng)戶(hù)綠色生產(chǎn)行為的影響研究
- 棉花產(chǎn)業(yè)的技術(shù)進(jìn)步方向及增長(zhǎng)路徑選擇
- 山東省種植業(yè)碳排放因素分解及脫鉤效應(yīng)研究
- 農(nóng)業(yè)生產(chǎn)數(shù)字化的突破路徑
- 基于IVFFN—CNTR—PT的農(nóng)產(chǎn)品智能分級(jí)設(shè)備兩階段評(píng)價(jià)