各位老师，大家好！我是河北省农林科学院旱作农业研究所的柳斌辉，今天代表麦客江湖小组值日。我们组有陈红敏老师、介百永老师、贺超老师、李淼淼老师、丁晓义老师、廖平安老师、李长辉老师、黄建华老师、陈士强老师、蔺瑞明老师、王黎明老师、王洪亮老师、张正斌老师、聂小军老师、张双喜老师、王军老师、蔺怀龙老师、申晴老师，共19位老师。非常感谢感谢各位老师在此平台分享的宝贵工作经验和重要研究成果。借此机会，今天向大家汇报“基于无人机载遥感的水分胁迫下冬小麦叶绿素变化及冠层光谱响应”相关进展，请各位老师批评指正！
叶绿素作为光合作用的主要色素，承载着调控作物生长发育的功能[1]。在叶绿素加持下，作物通过光合作用将能量转化为营养成分，表现为长势和营养状态。因此，叶绿素含量常被作为评价植物生长状况的重要指标[2]。快速监测叶绿素及其变化，对开展冬小麦胁迫研究具有重要意义[3]。传统监测方法局限于小范围田块，人工取样虽然能确保一定精度，但其破坏作物正常生长，同时也不易实现动态监测，耗时费力，成本较高[4]。卫星遥感虽可实现空间大范围监测，但数据获取受卫星过境时间限制，且常受云、雨等天气条件影响，因而有效数据的可获取性相对较差；同时，卫星遥感数据较低的空间分辨率也不满足田块尺度下的精准监测需求[5]。近年来，无人机载遥感技术在农业领域的应用得到广泛关注，利用无人机搭载各式高分辨率传感器动态、实时监测作物生长状况，更是成为近年来农业监测领域的热门[6]。高光谱影像具备分辨率高、光谱信息丰富、波段连续性强等特点[7]，无人机搭载高光谱传感器，操作难度低且较少受监测区云层影响，可以快速获取小麦生长状况的连续影像，适合于田块尺度精准监测[8]。
根据植物光谱学理论，不同植物对不同波长光谱的反射、吸收等和自身生长密切相关，将各波长光谱组合得到的植被指数作为指标，可以准确反映植物生长情况[9]。作物叶绿素含量与其光谱特征紧密相连，国内外在相关方面研究已颇有建树。韩浩坤等[10]通过便携式野外光谱仪获取糜子冠层光谱反射率，基于不同植被指数建立其叶片叶绿素含量的估测模型，发现利用叶绿素敏感波段建立的检测模型决定系数较高，能较为准确预测叶绿素含量；姜海玲等[11]利用高斯光谱响应模型将PSR-3500光谱仪获取的冬小麦冠层光谱数据与SPAD-502叶绿素仪获取的叶片叶绿素相对含量重采样，分别计算四种指数并与叶绿素含量进行回归分析，结果表明四种指数因自身使用条件不同导致反演精度各不相同。Fullana-Pericàs等[12]利用无人机，分别在水分充足和水分亏缺状态下对91种基因型番茄的叶片生理生长指标比较分析，发现在水分充足和水分亏缺条件下CON和LSL基因型在叶片水平和冠层光谱上均有明显差异。其利用无人机，克服传统冠层水平测量固有的空间和时间上的限制，实现不同表型差异品种的田块尺度快速鉴别分析。Liu等[13]发现以往研究多集中于少量作物品种、单个生长阶段或生长季节，其以4个品种马铃薯为研究对象，通过Cessna-180型无人机搭载HySpex VNIR-1800 和SWIR-384高光谱传感器测定马铃薯高光谱数据，定量研究3个生长阶段和两个生长季节下营养状况并预测不同品种马铃薯间产量，实现了囊括作物主要生长阶段的综合性研究，最终得出各模型在所有日期下和单日下的不同表现；Corti等[14]利用多变量数据分析，通过高光谱影像提取菠菜冠层平均光谱，研究了高光谱扫描成像(400-1000 nm)在水分和氮复合胁迫下对温室作物变量的估计能力。其试验设置8个处理包括4个氮处理和4个水分胁迫处理，利用偏最小二乘（PLSR）模型对获取的76个样本分析建模，最终模型得到较好的预测结果；Lang等[15]利用DJI M600 Pro型无人机，配备RedEdge-MX和MicaSense多光谱传感器获取作物冠层遥感数据，研究36个植被指数在不同植被覆盖条件下对叶绿素估算的响应差异及鲁棒性。无人机搭载高光谱传感器已在国内外农业监测上得到广泛应用[16-20]。总体看来，前人研究较多集中于单生育期或较少品种，很少综合考虑生育进程和品种间的相互影响，且研究特定生育期生长状况很难准确反映其内在联系，不能全面揭示胁迫下小麦内外部生理生长规律[21-25]。为此，本试验基于连续关键生育期，对所有品种按生育期单独设置补灌处理，利用无人机采集不同胁迫下冬小麦各期高光谱影像，结合地面实测叶绿素数据，分析冬小麦在水分胁迫下叶绿素和冠层光谱反射率变化规律，尝试寻找响应水分胁迫的敏感波段及其差异，进而实现科学、精准灌溉，为绿色农业可持续发展提供技术支持。
1 实验部分
1.1 研究区域与试验设计
试验地点位于河北省农林科学院旱作节水农业试验站（图1），该试验区为海河平原典型麦区，全年平均降水量约为497.1 mm，其中70％的降水集中在7～8月，年平均气温13.3 ℃，其中，最热月平均气温为27.1 ℃，最冷月平均气温为-2.1 ℃；无霜期为202天，年有效积温（≥10 ℃）4 603.7 ℃。试验地0～30 cm耕层土壤基础养分含量为有机质15.62 g/kg、全氮1.15 g/kg。
本试验选取11个冬小麦品种。根据多年种植经验和前人研究[26-29]，可细分为三类品系，即：（1）抗旱性能较好品系，有石麦15、长8744和冀麦418；（2）抗旱性能一般品系，有石麦22、山农28、衡H1603、衡4399和济麦22；（3）抗旱性能较差品系，有鲁原472、新麦28和农大212。试验区采用裂区设计，每个试验区面积为9m2（1.5m×6m），如图1所示。所有小麦品种使用纯氮225 kg/hm2，P2O5 112.5 kg/hm2，K2O 112.5 kg/hm2作为底肥种植。生育期内单次灌水量为50立方水/每亩，灌溉方式采用漫灌。设置7个处理：处理1为补灌两次水处理，补灌时间分别为2021年4月3日（拔节）和5月3日（扬花）；处理2为无补灌处理，直至小麦成熟收获；处理3至处理7为补灌一次水处理，补灌时间分别为2020年11月29日（冬季）、2021年3月10日（返青）、4月3日（拔节）、4月10日（拔节后7天）以及4月18日（拔节后14天）。每个处理进行3次重复试验。在以上所有处理中，处理1和处理2分别作为正常生长和完全水分胁迫条件下的两个对照。
为排除外界因素干扰，在试验区外围进行了保护性设置。首先在试验地两端增设种植保护区，以减少外来水对试验区影响；其次在不同处理间设置隔离带，每条隔离带间距0.4m，以减少处理间可能的相互干扰；第三，重复试验区内各品种位置随机分布，以防止灌溉不均导致品种间受水量差异。除水分胁迫试验外，冬小麦在生育期内未受其他自然灾害影响。病虫草害等管理采用当地常规管理模式进行。
1.2相对叶绿素值数据获取
叶绿素测定选择小麦冠层叶片作为采集对象，针对田间试验区每个小麦种植行随机选取10株分别进行。本试验采用Konica Minolta公司生产的SPAD-502 PLUS型叶绿素计（SPAD Chlorophyll Meter）测定冬小麦叶片的叶绿素含量，其读数能够准确表征叶绿素相对含量。具体测定过程为：首先确定随机选取的10株小麦作为样本，将小麦样本冠层叶片剪下，选择无病害、无生理坏斑、无机械损伤的叶片作为待测目标，使用软刷清除叶片表面灰尘，在每个叶片上、中、下3个部位进行测量，计算平均值为该品种小麦冠层叶片叶绿素含量相对值。
1.3无人机载高光谱影像获取
以大疆公司M600Pro型号六旋翼无人机为平台，搭载Resonon公司Pika-L型高光谱成像仪进行冬小麦全生育期高光谱影像获取。Resonon公司作为专业高光谱传感器制造商，其生产的Pika L型高光谱成像仪具有卓越性能。该光谱仪的光谱范围为400-1000nm，光谱分辨率为2.1nm，光谱通道数为150，采样间隔1.07nm，每秒最大帧数为249。
本试验在冬小麦生育期内，共获取5期高光谱影像。无人机具体飞行日期及对应生育期为：2021年4月8日（拔节期）、4月18日（孕穗期）、4月28日（抽穗期）、5月12日（开花期）、以及5月21日（灌浆期）。无人机飞行时间为当日上午11点至下午2点，飞行高度为50m，飞行速度为5m/s。为保证获取完整研究区影像，航向重叠度设置为80%，旁向重叠度设置为70%。影像获取时天气晴朗。获取的高光谱影像空间分辨率为0.03m×0.03m。
1.4数据处理与分析
1.4.1 高光谱影像数据处理
首先使用SpectrononPro软件对高光谱分幅影像进行辐射定标、大气校正和地理校正，然后通过ENVI软件完成所有分幅影像的航向拼接和旁向拼接，拼接时基准图像为同步飞行的无人机载CMOS相机生成的RGB图像。
本研究的影像采集日期最大相隔43天，各次试验时的光照强度、气温和空气湿度差异以及散云引起的光照条件变化等，均可能造成噪声影响，同时也无法完全避免机器自身的噪声，因此需要对高光谱影像进行处理。在此，首先使用Savitzky-Golay滤波平滑算法（简称S_G滤波）对影像进行去噪和平滑处理[30]。其次采用数据标准化方法统一量纲来降低噪声影响。Zhang等[31]研究发现，高光谱影像以有效光谱反射率均值为基底对作物冠层光谱反射率进行归一标准化后，得到的标准化反射率光谱能更好反映不同光照条件下光谱曲线的变化情况。该方法具体公式如式1。
1.4.3 统计分析
单因素方差分析可用于揭示不同处理间或相同处理下不同品系间差异。通过方差分析方法，检验各品种间不同梯度水分胁迫下叶绿素含量差异的显著性。数据通过方差齐性检验（P<0.05）则采用图基（Tukey）方法，否则采用多尼特（Dunnett）方法进行多重比较[35]；同时按照组间、组内分类定量比较处理间、品种间光谱曲线，参照试验条件揭示变化规律；对叶绿素及高光谱影像所有波长处随水分胁迫的变化趋势进行相关性分析，显著性水平达到0.05、0.01或0.001则认为呈显著、强显著或极强显著变化,相关系数大于0.4或小于-0.4则认为关系紧密。通过显著性水平和相关系数确定波长范围。
1.4.4 窄波段指数构建
窄波段光谱指数以相对不敏感波段为变换基础，利用数学法则对光谱信息进行增强处理后计算得到该类指数。这样处理既能放大敏感波段的敏感性，同时能结合试验影像得到适用性极强的指数[36]。通常构建窄波段指数的方式有以下几种，分别为简单比值指数（SRSI）、简单差值指数（SDSI）和归一化指数（NDSI）。为更好展示试验结果，本文采用这三种指数进行计算分析。
首先提取光谱信息，之后对全光谱按照两两组合的方式构建光谱反射率矩阵计算窄波段光谱指数，计算公式如表1所示。其中与分别为随机波长,对应的光谱反射率。热力图通过渲染颜色，可以直观展示数据分布情况，将组合矩阵中所有值与叶绿素进行线性拟合后，所得决定系数按照高低绘制决定系数热力图。因试验涉及生育期较多，选择其中开花期制作热力图。其中色彩趋于蓝色表示决定系数较低，趋于红色表示决定系数较高。通过新建窄波段光谱指数与叶绿素进行线性拟合，将所有拟合结果汇总制作热力图，根据拟合精度的显著性水平和决定系数确定最佳波长组合及对应光谱指数。
2 结果与讨论
2.1 水分胁迫对各生育期下不同品系冬小麦叶绿素的影响
由图2和图3可知，（1）各品系各处理下叶绿素含量差异显著，证明试验设置的各个胁迫处理均对小麦叶绿素产生显著影响；（2）除少数处理外，从拔节、孕穗、开花直到灌浆，叶绿素含量大致表现为降低─升高─降低态势，但冬季和返青期灌溉处理下的抗旱性一般品系、以及返青期灌溉处理下的抗旱性较差品系除外；（3）同处理对比发现，处理1、处理6和处理7下各品系叶绿素变化一致且各期含量大致相同；处理2下各品系变化差别最大且主要体现在灌浆期，其他处理下各品系变化均有不同程度差异；（4）整体上看，各品系各处理下叶绿素最大值均在开花期取得，最小值取得时期则有所不同：处理2下各品系最小值在灌浆期取得，处理3下除抗旱性一般品系在抽穗期取得外，其他品系最小值在孕穗期取得；处理4下除抗旱性一般品系在灌浆期取得外，其他品系最小值在抽穗期取得。剩余各品系各处理下最小值均在孕穗期取得。
图2不同处理下抗旱性较好品系（A）、抗旱性一般品系（B）及抗旱性较差品系（C）在各生育期之间的叶绿素平均值比较，小写字母表示叶绿素平均值在各生育期间差异的显著性水平（α = 0.05）
图3不同生育期下抗旱性较好品系（A）、抗旱性一般品系（B）和抗旱性较差品系（C）在各处理间的叶绿素平均值比较，小写字母表示叶绿素平均值在各生育期间差异的显著性水平（α = 0.05）
2.2 水分胁迫下各品系冬小麦冠层光谱反射率响应规律
研究不同处理不同生育进程下各品系光谱反射率曲线发现：（1）在不同生育期，随着品种抗性减弱，不同处理间在近红外光谱区域（700-1000nm）反射率差距逐渐增大，反射率由大到小依次为：处理1>处理7>处理6>处理5>处理3>处理4>处理2。抗性越强品系不同处理间在近红外区间差距越小；抗性越弱品系不同处理间在近红外区间差距越大。（2）具体来说，从拔节期到灌浆期，在近红外区域随着生育进程发展，光谱曲线最高与最低间的差距逐渐增大。抗旱性较好品系反射率最大降幅分别为1.6%，2.3%，2.7%，5.1%和7.1%；抗旱性一般品系反射率最大降幅分别为2.4%，3.0%，3.6%，5.9%和11.7%；抗旱性较差品系反射率最大降幅分别为3.1%，4.2%，4.2%，6.6%和11.7%。（3）在同一生长进程下，随着品种抗性减弱，光谱曲线最高与最低差距也在增大。拔节期内最大降幅依次为1.6%，2.4%，3.1%；孕穗期内最大降幅依次为2.3%，3.0%，4.2%；抽穗期内最大降幅依次为2.7%，3.6%，4.2%；开花期内最大降幅依次为5.1%，5.9%，6.6%；灌浆期内最大降幅依次为7.1%，11.7%，11.7%。（4）纵观各品系各生育期发现，可见光区域（400-700nm）最高值与最低值对应处理基本与近红外区域相反，如拔节期抗旱性较好品系，其可见光区域在拔节后7天处理下取得最大值，在水处理下取得最小值；同时近红外区域在水处理下取得最大值，拔节后7天处理下取得最小值。开花期和灌浆期所有品系可见光波段均在旱处理下取得最大值，水处理下取得最小值；近红外区域均在水处理下取得最大值，旱处理下取得最小值。
2.3 基于无人机载高光谱的小麦叶绿素敏感指数筛选
作物受胁迫后理化特性的改变会关联性反映在色素、组织结构等方面[37-39]，无人机载高光谱能够即时捕获这种变化，并将其展现在作物光谱影像中。通过提取样区对应作物光谱信息，利用相关性分析确定与叶绿素高度相关的敏感波段，揭示水分胁迫下冠层光谱反射率对叶绿素的响应特征，为后续建立指数模型提供依据。
对本试验涉及的三种品系冬小麦冠层光谱进行预处理后，将得到的标准化光谱反射率与叶绿素进行相关性分析，构建皮尔逊相关系数模型。每样区上、中、下三部分光谱平均后作为该样区代表，共得到每样区7个处理下的光谱信息，分别与对应叶绿素进行计算，表2展示了各生育期下正负相关波段范围及对应最大相关性。
结果表明，所有关键生育期下各品系光谱反射率与叶绿素均具有相关性且每期各不相同，最大相关性对应波长均出现在红边和近红外水分吸收区。拔节期各品系在412-730nm和930-996nm间与叶绿素呈显著正相关关系，在750-920nm呈显著负相关关系，最大相关性为0.66，对应波长为953nm；孕穗期各品系在925-975nm间呈现显著正相关关系，在745-800nm间呈现显著负相关关系，最大相关性为-0.736，对应波长为750nm；抽穗期各品系在750-900nm间呈现显著正相关关系，在520-740nm间呈现显著负相关关系，最大相关性为-0.51，对应波长为738；开花期各品系正相关关系表现均不明显，推测可能原因为大田试验条件且采集样本数量较多导致，各品系在720-778nm间呈现显著负相关关系，最大相关性为-0.491，对应波长为726nm；灌浆期各品系在750-952nm间呈现显著正相关关系，在407-750nm间呈现显著负相关关系，最大相关性为0.81，对应波长为946nm。综合看来，采集得到的冬小麦影像400-1000nm全部光谱信息与叶绿素紧密关联且相互影响。
构建热力图样本量为22500个样本，分别与叶绿素进行拟合计算，结果如图5和表3所示。由图5可以看出热力图的高值区基本分布在445-591nm区域和701-755nm区域，其中445-591nm区域为红光区域；701-755nm为红边区域。由表3可知，对于抗旱性较好品系，拔节期下NDSI效果最好为0.455，对应波长组合为（478，821nm）；孕穗期下NDSI效果最好为0.526，对应波长组合为（582，712nm）；抽穗期下NDSI效果最好为0.553，对应波长组合为（468，809nm）；开花期下SRSI效果最好为0.762，对应波长组合为（479，738nm）；灌浆期下SRSI效果最好为0.748，对应波长组合为（519，678nm）。对于抗旱性一般品系，拔节期下NDSI效果最好为0.428，对应波长组合为（648，720nm）；孕穗期下SDSI效果最好为0.602，对应波长组合为（508，750nm）；抽穗期下SDSI效果最好为0.433，对应波长组合为（472，747nm）；开花期下NDSI效果最好为0.672，对应波长组合为（477，730nm）；灌浆期下NDSI效果最好为0.732，对应波长组合为（481，927nm）。对于抗旱性较差品系，拔节期下SRSI效果最好为0.592，对应波长组合为（504，953nm）；孕穗期下SDSI效果最好为0.585，对应波长组合为（515，729nm）；抽穗期下NDSI效果最好为0.681，对应波长组合为（415，738nm）；开花期下SRSI效果最好为0.811，对应波长组合为（497，726nm）；灌浆期下SDSI效果最好为0.774，对应波长组合为（476，946nm）。综合来看，各组合指数入选波段基本为可见光波段和红边波段，最高值均出现在开花期和灌浆期。
2.4 结果讨论
不同品系冬小麦在各生育期不同处理下叶绿素差异显著，说明抗旱性能的不同是导致叶绿素变化明显的一个重要因素。小麦的冠层光谱反射率在不同生育期各有差异，在生育早期，不同水分处理下小麦冠层光谱差异较小，主要原因为早期小麦对水分胁迫的响应相对不敏感，其受到水分胁迫主要影响小麦的根系生长，在冠层上表现并不明显；进入孕穗期逐渐表现出不同水分处理下冠层光谱反射变化规律，在开花期和灌浆期达到最高，同时在可见光波段，含水量越高冠层光谱反射率越低，含水量越低冠层光谱反射率越高；在近红外波段，含水量越高冠层反射率越高，含水量越低冠层反射率越低。该结论也与Michael等[40]的研究结论相吻合。冠层反射率的这种响应特性，归因于受水分胁迫的小麦冠层叶绿素含量变化。
各波长处与叶绿素进行相关性分析，发现相关性较高波长主要集中于红光区域和红边区域，组合指数的热点区域与之重合，验证了受到水分胁迫后小麦冠层主要变化为叶片失水、色素变化等，进而导致作物光合作用减弱，最终影响作物生长[41]。通过新建指数筛选出的三种指数反演叶绿素精度较高，为后续构建相关反演模型奠定了基础。
水分胁迫对小麦的影响是累计性的，不能通过单一生育期结果说明胁迫对小麦叶绿素最终影响，前人研究多集中于单生育期下品种间变化或多生育期下少数品种间变化，如Zhu[42]等设置60%和80%两个灌溉水平的小麦种植试验，利用DJI M600无人机进行作物高光谱采集，分析发现红边等反射率是叶绿素含量（LCC）估算模型中最重要的输入，且不同生长阶段和作物品种的指数效果不同，这与我们的试验结果相符合。但其只采集三个生育期下光谱数据，既没有涵盖小麦生长初期阶段也没有抓住小麦生长发育最激烈时期，且其参与试验的品种只有两个，设置的水分梯度也只有60%和80%，试验参数较少，不能较为清晰揭示变化规律。本试验设计为大田环境下的关键生育期水分胁迫试验，相比于人工设置的试验环境更具有真实性和推广性，同时能通过连续关键生育期下的累积变化清晰揭示水分胁迫对小麦叶绿素的影响。
3 结 论
通过单因素方差分析发现各品系各处理下叶绿素含量均差异显著，三品系由拔节期、孕穗期、开花期直到灌浆期，叶绿素含量大致表现为降低─升高─降低的态势，但冬季和返青期灌溉处理下的抗旱性一般品系、以及返青期灌溉处理下的抗旱性较差品系除外。
分别绘制不同生育进程抗旱性不同品系各处理下冠层光谱曲线，发现伴随生育进程推进和品种抗性减弱，不同处理间在近红外区域反射率差距逐渐增大。抗性越强品系不同处理间在近红外区域差距越小；抗性越弱品系不同处理间在近红外区域差距越大。依照生育进程排序，抗旱性较好品系反射率最大降幅分别为1.6%，2.3%，2.7%，5.1%和7.1%；抗旱性一般品系反射率最大降幅分别为2.4%，3.0%，3.6%，5.9%和11.7%；抗旱性较差品系反射率最大降幅分别为3.1%，4.2%，4.2%，6.6%和11.7%。
将各生育期高光谱影像与对应叶绿素进行相关分析，发现最大相关性波长均出现在红边和近红外水分吸收区且相关系数较高；利用新建窄波段指数与叶绿素拟合分析，结果表明，各品系下不同生育期三指数反演叶绿素精度均不相同，对于抗旱性较好品系，拔节期至抽穗期归一化指数NDSI精度较高，R2分别为0.455，0.526，0.553；开花期和灌浆期简单比值指数SRSI精度较高，R2分别为0.762和0.748。对于抗旱性一般品系，拔节期、开花期和灌浆期归一化指数NDSI精度较高，R2分别为0.428，0.672和0.732；孕穗期和抽穗期简单差值指数SDSI精度较高，R2分别为0.602和0.433。对于抗旱性较差品系，拔节期和开花期简单比值指数SRSI精度较高，R2分别为0.592和0.811；孕穗期和灌浆期归一化指数NDSI精度较高，R2分别为0.585和0.774；抽穗期归一化指数NDSI精度较高，R2为0.681。
参考文献：
[1] Li Weiyi, Sun Mingxin, Zeng Fengling, et al（李玮祎，孙明馨，曾风玲，等）.Chinese Journal of Agrometeorology（中国农业气象）,2022,43(02):137-147.
[2] Shi Zheng, Goldman, Li Tong, et al（师筝，高斯曼，李彤，等）.Journal of Wheat Crops（麦类作物学报）,2021,41(09):1134-1142.
[3] Zheng Jingrui, Wang Yunfeng, Han Yan, et al（郑景瑞，王云凤，韩燕，等）. Journal of Wheat Crops（麦类作物学报）,2021,41(03):295-304.
[4] Qi Shuangli, He Li, Duan Jianzhao, et al（齐双丽，贺利，段剑钊，等）. Journal of Wheat Crops（麦类作物学报）,2019,39(10):1246-1256.
[5] Ma Zice, Sun Peng, Zhang Qiang,et al（马梓策，孙鹏，张强，等）.Geographical Sciences（地理科学）,2022,42(01):152-162.
[6] Liu Guanghui（刘光辉）.Modern Radar（现代雷达）,2022,44(04):99-100.
[7] Wang Dong, Shen Kaicheng, Fan Yeman, et al（王东，沈楷程，范叶满，等）.Transactions of The Chinese Society of Agricultural Machinery（农业机械学报）,2022,24(05);1-10.
[8] Yu Fenghua, Cao Yingli, Xu Tongyu, et al（于丰华，曹英丽，许童羽，等）. Transactions of The Chinese Society of Agricultural Engineering（农业工程学报）,2020,36(15):103-110.
[9] Ma Longfei, Hu Naiyue, Li Wei, et al（马龙飞，胡乃月，李伟，等）.Journal of Plant Nutrition and Fertilizers（植物营养与肥料学报），2022,28(04):743-753.
[10] Han Haokun, Miao Jiayuan, Zhang Yuyu, et al（韩浩坤，妙佳源，张钰玉，等）.Agricultural Research in the Arid Areas（干旱地区农业研究）,2018,36(01):164-170.
[11] Jiang Hailing, Zhao Yiyuan, Li Yao, et al（姜海玲，赵艺源，李耀，等）.Journal of Jilin Normal University(Natural Science Edition)（吉林师范大学学报(自然科学版)），2020,41(01):135-140.
[12] Fullana-Pericàs, Mateu, Miquel À Conesa,Agricultural Water Management 223 (2019): 105722. Web.
[13] Liu, Nanfeng, Philip A Townsend, Mack R Naber,Remote Sensing of Environment 255 (2021): 112303. Web.
[14] Corti, Martina, Daniele Cavalli,Precision Agriculture 20.4 (2018): 675-96. Web.
[15] Qiao, Lang, Dehua Gao, Junyi Zhang,Remote Sensing (Basel, Switzerland) 12.16 (2020): 2650. Web.
[16] Cao, Yingli, Kailun Jiang, Jingxian Wu,PloS One 15.9 (2020): E0238530. Web.
[17] Ghazali, M. F, K. Wikantika,Scientia Agriculturae Bohemica 51.3 (2020): 86-97. Web.
[18] Simic Milas, Anita, Matthew Romanko,International Journal of Remote Sensing 39.15-16 (2018): 5415-431. Web.
[19] Liu Yang, Feng Haikuan, Sun Qian, et al（刘杨，冯海宽，孙乾，等）.Spectroscopy and Spectral Analysis（光谱学与光谱分析），2021,41(05):1470-1476.
[20] Peng Yaoqi, Xiao Yingxin, Zheng Yongjun, et al（彭要奇，肖颖欣，郑永军，等）. Spectroscopy and Spectral Analysis（光谱学与光谱分析），2020,40(05):1356-1361.
[21] Feng Ziheng, Song Li, Zhang Shaohua, et al（冯子恒，宋莉，张少华，等）.Scientia Agricultura Sinica（中国农业科学），2022,55(05):890-906.
[22] Liu Tao, Zhang Huan, Wang Zhiye, et al（刘涛，张寰，王志业，等）. Transactions of The Chinese Society of Agricultural Engineering（农业工程学报）,2021,37(19):65-72.
[23] Zhou Kai, Zhou Tong, Ding Feng, et al（周恺，周彤，丁峰，等）.Journal of Agricultural Science and Technology（中国农业科技导报），2021,23(01):89-97.
[24] Zhou Mingu, Shao Guomin, Zhang Liyuan, et al（周敏姑，邵国敏，张立元，等）.Water Saving Irrigation（节水灌溉），2019(09):40-45.
[25] Liu Zhikai, Niu Yaxiao, Wang Yi, et al（刘治开，牛亚晓，王毅，等）.Journal of Wheat Crops（麦类作物学报）,2019,39(07):859-866.
[26] Wei Liangdi, Li Ning, Yang Jinwen, et al（魏良迪，李宁，杨进文，等）.Chinese Journal of Ecology（生态学杂志）,2022,24(05):1-10.
[27] Wang Youxin, Lin Mingyue, Zhang Xuehua, et al（王优信，蔺明月，张雪花，等）.Agricultural Research in the Arid Areas（干旱地区农业研究）,2020,38(06):22-29.
[28] Wang Youxin, Yan Rong, Lin Mingyue, et al（王优信，延荣，蔺明月，等）.Journal of Plant Genetic Resources（植物遗传资源学报）,2021,22(01):74-82.
[29] Zhao Yan, Ma Yanming, Jiang Fangshan, et al（赵岩，马艳明，蒋方山，等）.Molecular Plant Breeding（分子植物育种），2021,19(12):4100-4107.
[30] Savitzky,A,&Golay,M.J.E.Analytical Chemistry,36,1627-1639.
[31] Jingcheng Zhang,Ruiliang Pu,Wenjiang Huang, Field Crops Research,2012,134:127-129.
[32] Fu Letian, Li Peng, Gao Lian, et al（付乐天，李鹏，高莲，等）.Chinese Journal of Scientific Instrument（仪器仪表学报），2021,42(06):179-190.
[33] Ping Jing, Zhang Huiqin, Sun Changpu, et al（平婧，张慧琴，孙昌璞，等）.Nankai Business Review（南开管理评论），2020,23(02):214-224.
[34] Guo Zhankun, Jin Yongwei, Liang Xiaozhen, et al（郭战坤，金永威，梁小珍，等）.Mathematics in Practice and Theory（数学的实践与认识），2019,49(17):26-34.
[35] Wu Yongfeng, Hu Xin, Ren Dechao, et al（武永峰，胡新，任德超，等）. Scientia Agricultura Sinica（中国农业科学），2018,51(18):3470-3485.
[36] Wu, Yongfeng, Ying Ma, Xin Hu,European Journal of Agronomy 124 (2021): 126240. Web.
[37] Dou Jingjing, Zheng Zhiwei, Wang Yangren, et al（豆静静，郑志伟，王仰仁，等）.Water Saving Irrigation（节水灌溉），2022(05):7-13.
[38] Tan Qinliang, Cheng Qin, Pan Chenglie, et al（谭秦亮，程琴，潘成列，等）.Crops（作物杂志），1-11[2022-05-24].
[39] Zhang Zhitao, Yu Guangduo, Wu Tiankui, et al（张智韬，于广多，吴天奎，等）.Transactions of The Chinese Society of Agricultural Engineering（农业工程学报）,2021,37(23):82-89.
[40] Michael Paper, Matthias Glemser, Matthias Glemser,Frontiers in Bioengineering and Biotechnology 10 (2022): 885977. Web.
[41] Wang Haimei, Jia Chengzhen, Li Huirong, et al（王海梅，贾成朕，李慧融，等）.Agricultural Research in the Arid Areas（干旱地区农业研究），2020,38(01):237-242.
[42] Zhu Wanxue, Zhigang Sun, Ting Yang,Computers and Electronics in Agriculture 178 (2020): 105786. Web.
作者简介：柳斌辉，河北省农林科学院旱作农业研究所副研究员，主要从事农作物抗旱节水性鉴定评价和水高效利用研究。主要进行小麦、玉米、谷子资源材料的引进、鉴定、筛选，品种选育、示范推广，及生物节水潜力分析研究等工作。先后主持或参国家、省部级科研课题项目20余项；获河北省科技进步二等奖2项(第2、第6)、三等奖1项（第6），农业技术推广奖二等奖1项（第3），邯郸市科技进步一等奖1项；鉴定成果4项；进行抗旱节水性鉴定玉米品种（系）207份，小麦品种（系）128份；培育小麦品种5个；获新品种保护权3项；国家发明专利2项；软件著作权9项；国家实用新型专利8项；主研制定行业标准1项、河北省地方标准7项；发表文章30余篇，其中sci收录8篇，参与编写专著4部。邮箱：hzslbh@163.com。
联系客服
