Plant height is a key indicator to dynamically measure crop health and overall growth status, which is widely used to estimate the biological yield and final grain yield of crops. The traditional manual measurement method is subjective, inefficient, and time-consuming. And the plant height obtained by sampling cannot evaluate the height of the whole field. In the last decade, remote sensing technology has developed rapidly in agriculture, which makes it possible to collect crop height information with high accuracy, high frequency, and high efficiency. This paper firstly reviewed the literature on obtaining plant height by using remote sensing technology for understanding the research progress of height estimation in the field. Unmanned aerial vehicle (UAV) platform with visible-light camera and light detection and ranging (LiDAR) were the most frequently used methods. And main research crops included wheat, corn, rice, and other staple food crops. Moreover, crop height measurement was mainly based on near-field remote sensing platforms such as ground, UAV, and airborne. Secondly, the basic principles, advantages, and limitations of different platforms and sensors for obtaining plant height were analyzed. The altimetry process and the key techniques of LiDAR and visible-light camera were discussed emphatically, which included extraction of crop canopy and soil elevation information, and feature matching of the imaging method. Then, the applications using plant height data, including the inversion of biomass, lodging identification, yield prediction, and breeding of crops were summarized. However, the commonly used empirical model has some problems such large measured data, unclear physical significance, and poor universality. Finally, the problems and challenges of near-field remote sensing technology in plant height acquisition were proposed. Selecting appropriate data to meet the needs of cost and accuracy, improving the measurement accuracy, and matching the plant height estimation of remote sensing with the agricultural application need to be considered. In addition, we prospected the future development was prospected from four aspects of 1) platform and sensor, 2) bare soil detection and interpolation algorithm, 3) plant height application research, and 4) the measurement difference of plant height between agronomy and remote sensing, which can provide references for future research and method application of near-field remote sensing height measurement.
ZHANG Jian, XIE Tianjin, YANG Wanneng, ZHOU Guangsheng. Research Status and Prospect on Height Estimation of Field Crop Using Near-Field Remote Sensing Technology[J]. Smart Agriculture, 2021, 3(1): 1-15. doi:10.12133/j.smartag.2021.3.1.202102-SA033
为了解遥感技术测高领域的研究进展，总结现有研究所使用的主流传感器、平台和重点观测对象，在“Web of Science”和“ScienceDirect”平台搜索引擎检索近10年（2010—2019年）全球发表的有关遥感技术测高的学术论文，检索标题关键词规则为："canopy or crop or plant or vegetation or wheat or maize or corn or rice or barley or soybean or sorghum or rapeseed" and "height or lodging or biomass or yield or lai"，结果如图1所示。图1（a）统计了遥感测高中使用频率最高的无人机（Unmanned Arial Vehicle，UAV）平台搭载可见光相机、激光雷达（Light Detection and Ranging，LiDAR）、合成孔径雷达和超声波传感器4种主要方法及其他方法的文章数量，其整体上呈现增加的趋势。其中，由于低空遥感技术及计算机视觉方法的高速发展，无人机平台搭载可见光相机成为最常用的作物株高获取手段，其次为激光雷达方法。图1（b）显示，作物测高论文多数以小麦、玉米、水稻等大宗粮食作物为研究对象。并且，作物测高以地面及无人机等近地遥感平台为主（图1（c）），近地观测方式更适用于具有低矮、种植密集结构特征的作物。
激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑。由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息。在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］。然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］。此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］。地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取。其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等。在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果。但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］。随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］。
与深度相机相比，可见光相机能够获取更高分辨率的图像［37］。有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］。随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小。近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］。通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］。特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像。目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下。
无人机平台搭载可见光相机可以通过多种空间辅助数据来优化测高精度，如DTM、DSM、地面控制点（Ground Control Point，GCP）、地面实测株高数据等。科学研究或农业生产等不同领域为满足测高精度与成本需求会对空间辅助数据有所取舍。文献［108］系统地评估了多种空间辅助数据组合下无人机搭载可见光相机的测高精度与成本。本研究结合文献［108］讨论结果，将决定系数R2和均方根误差RMSE作为精度评价指标，人工、时间和操作成本作为成本评价指标，共同评估DTM、GCP、株高实测数据和冠层密度4种数据不同组合下的测高结果，如表2所示。
Table 2
表2
表2基于精度和成本角度总结不同数据完备性下的作物株高估算
Table 2 Evaluation summary of accuracy and cost for crop height estimation
High resolution genetic mapping and identification of a candidate gene(s) for the purple sheath color and plant height in an interspecific F-2 population derived from Oryza nivara Sharma & Shastry × Oryza sativa L. cross
[J]. Genetic Resources and Crop Evolution, 2020, 67(1): 97-105.
Combined use of airborne LiDAR and satellite GF-1 data to estimate leaf area index, height, and aboveground biomass of maize during peak growing season
[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(9): 4489-4501.
Evaluating dense 3D reconstruction software packages for oblique monitoring of crop canopy surface
[C]// The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Prague, Czech Republic: XXIII ISPRS Congress, 2016: 785-789.
Estimation of plant height using a high throughput phenotyping platform based on unmanned aerial vehicle and self-calibration: Example for sorghum breeding
[J]. European Journal of Agronomy, 2018, 95: 24-32.
High resolution genetic mapping and identification of a candidate gene(s) for the purple sheath color and plant height in an interspecific F-2 population derived from Oryza nivara Sharma & Shastry × Oryza sativa L. cross
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
无人机遥感解析田间作物表型信息研究进展
1
2016
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Crop biophysical properties estimation based on LiDAR full-waveform inversion using the DART RTM
1
2017
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
机载LiDAR系统原理及应用综述
1
2007
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
机载LiDAR系统原理及应用综述
1
2007
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Combined use of airborne LiDAR and satellite GF-1 data to estimate leaf area index, height, and aboveground biomass of maize during peak growing season
1
2015
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Beyond 3-D: The new spectrum of LiDAR applications for earth and ecological sciences
1
2016
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions
2
2016
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
An automated method to quantify crop height and calibrate satellite-derived biomass using hypertemporal LiDAR
1
2016
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Field-based high-throughput phenotyping for maize plant using 3D LiDAR point cloud generated with a "Phenomobile"
1
2019
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Potential of a terrestrial LiDAR-based system to characterise weed vegetation in maize crops
1
2013
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Multitemporal field-based plant height estimation using 3D point clouds generated from small unmanned aerial systems high-resolution imagery
2
2018
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Wheat height estimation using LiDAR in comparison to ultrasonic sensor and UAS
2
2018
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
High-throughput phenotyping of plant height: Comparing unmanned aerial vehicles and ground LiDAR Estimates
2
2017
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Method for estimating rice plant height without ground surface detection using laser scanner measurement
1
2016
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Throughput determination of plant height, ground cover, and above-ground biomass in wheat with LiDAR
1
2018
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Field-based high-throughput phenotyping of plant height in sorghum using different sensing technologies
2
2018
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Development of a field-based high-throughput mobile phenotyping platform
1
2016
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
Biomass and crop height estimation of different crops using UAV-based LiDAR
4
2020
... 激光雷达通过记录激光飞行时间（Time of Flight，ToF）能够准确地定位激光束接触到物体的光斑.由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息.在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等［8,9］.然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分［10,11］.此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度［12］.地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取.其地基平台主要包括地面固定平台［13-15］、机器人平台［16］和车载平台［17,18］等.在玉米［19］、小麦［20,21］、水稻［22,23］以及高粱［24］等多种作物中均取得了高精度的作物株高估算结果.但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实［25］.随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白［26］. ...
... VUX-1UAV
玉米[78]
330
0.50
3.50
3.00
15.00
112.0~570.0
R2=0.96，RMSE=0.13 m
小麦[26]
5.85
41.84
997.0
R2=0.78，RMSE=0.03 m
马铃薯[26]
5.85
41.84
833.0
R2=0.50，RMSE=0.12 m
甜菜[26]
5.85
41.84
933.0
R2=0.70，RMSE=0.07 m
玉米[113]
—
150.00
420.0
R2=0.65，RMSE=0.24 m
大豆[113]
—
150.00
420.0
R2=0.40，RMSE=0.09 m
Velodyne ...
... [26]
5.85
41.84
833.0
R2=0.50，RMSE=0.12 m
甜菜[26]
5.85
41.84
933.0
R2=0.70，RMSE=0.07 m
玉米[113]
—
150.00
420.0
R2=0.65，RMSE=0.24 m
大豆[113]
—
150.00
420.0
R2=0.40，RMSE=0.09 m
Velodyne ...
... [26]
5.85
41.84
933.0
R2=0.70，RMSE=0.07 m
玉米[113]
—
150.00
420.0
R2=0.65，RMSE=0.24 m
大豆[113]
—
150.00
420.0
R2=0.40，RMSE=0.09 m
Velodyne ...
Comparing nadir and multi-angle view sensor technologies for measuring in-field plant height of upland cotton
A high-throughput stereo-imaging system for quantifying rape leaf traits during the seedling stage
1
2017
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Precise and continuous measurement of plant heights in an agricultural field using a time-lapse camera
1
2017
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Automatic rice crop height measurement using a field server and digital image processing
1
2014
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Land-based crop phenotyping by image analysis: Accurate estimation of canopy height distributions using stereo images
1
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Evaluating dense 3D reconstruction software packages for oblique monitoring of crop canopy surface
1
2016
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
3D monitoring for plant growth parameters in field with a single camera by multi-view approach
1
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
UAV-based imaging for multi-temporal, very high resolution crop surface models to monitor crop growth variability
1
2013
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing
0
2016
Crop height monitoring with digital imagery from Unmanned Aerial System (UAS)
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
... ,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
基于无人机数码影像的冬小麦株高和生物量估算
2
2019
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
... ,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Distinctive image features from scale-invariant keypoints
1
2004
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Crop height monitoring using a consumer-grade camera and UAV technology
1
2019
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Fuzzy clustering of maize plant-height patterns using time series of UAV remote-sensing images and variety traits
UAV-based imaging platform for monitoring maize growth throughout development
0
2020
基于无人机数码影像的玉米育种材料株高和LAI监测
1
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
基于无人机数码影像的玉米育种材料株高和LAI监测
1
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data
1
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Estimation of plant height using a high throughput phenotyping platform based on unmanned aerial vehicle and self-calibration: Example for sorghum breeding
2
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Measurement and calibration of plant-height from fixed-wing UAV images
1
2018
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Winter wheat canopy height extraction from UAV-based point cloud data with a moving cuboid filter
1
2019
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Closing the phenotyping gap: High resolution UAV time series for soybean growth analysis provides objective data from field trials
1
2020
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Multispectral imaging and unmanned aerial systems for cotton plant phenotyping
1
2019
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Evaluation of orthomosics and digital surface models derived from aerial imagery for crop type mapping
1
2017
... 与深度相机相比，可见光相机能够获取更高分辨率的图像［37］.有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度［38,39］.随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配［40］、多视图立体视觉［41,42］等方法的作物测高方式，但其效率较低、测量范围较小.近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法［43-46］.通过可见光相机采集重叠的图像，基于运动恢复结构（Structure from Motion，SfM）对重叠图像进行特征检测与匹配［47］.特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像.目前，该技术已应用于玉米［48-51］、水稻［52］、高粱［53,54］、小麦［5,46,55］、大豆［56］、棉花［57,58］等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差（Root Mean Square Error，RMSE）在10 cm以下. ...
Detection of wheat height using optimized multi-scan mode of LiDAR during the entire growth stages
Crop height estimation based on UAV images: methods, errors, and strategies
2
2021
... 无人机平台搭载可见光相机可以通过多种空间辅助数据来优化测高精度，如DTM、DSM、地面控制点（Ground Control Point，GCP）、地面实测株高数据等.科学研究或农业生产等不同领域为满足测高精度与成本需求会对空间辅助数据有所取舍.文献［108］系统地评估了多种空间辅助数据组合下无人机搭载可见光相机的测高精度与成本.本研究结合文献［108］讨论结果，将决定系数R2和均方根误差RMSE作为精度评价指标，人工、时间和操作成本作为成本评价指标，共同评估DTM、GCP、株高实测数据和冠层密度4种数据不同组合下的测高结果，如表2所示. ...
