基于無(wú)人機(jī)多光譜遙感的蘋(píng)果樹(shù)冠層SPAD反演

摘要： 為探討利用無(wú)人機(jī)多光譜遙感影像監(jiān)測(cè)蘋(píng)果樹(shù)冠層葉綠素含量的可行性，以南疆矮砧密植蘋(píng)果樹(shù)為研究對(duì)象，利用無(wú)人機(jī)獲取試驗(yàn)區(qū)多光譜影像，選取10個(gè)植被指數(shù)，分析所選植被指數(shù)與實(shí)測(cè)SPAD值的相關(guān)性，將與SPAD相關(guān)性較好的7個(gè)植被指數(shù)作為模型的輸入變量，利用機(jī)器學(xué)習(xí)構(gòu)建一元線性回歸、偏最小二乘回歸、支持向量機(jī)回歸、隨機(jī)森林回歸和嶺回歸的蘋(píng)果樹(shù)冠層SPAD反演模型，通過(guò)精度檢驗(yàn)確定最優(yōu)模型.結(jié)果表明，7個(gè)植被指數(shù)NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI與SPAD具有較好的相關(guān)性，相關(guān)系數(shù)為0.4～0.7，均在P小于0.01水平上極顯著相關(guān).采用隨機(jī)森林回歸建立的模型表現(xiàn)最優(yōu)，其建模集R2為0.728，RMSE為2.292，RPD為1.920；驗(yàn)證集R2為0.702，RMSE為2.527，RPD為1.832.因此，基于無(wú)人機(jī)多光譜遙感的RF模型可以實(shí)現(xiàn)蘋(píng)果樹(shù)冠層SPAD的快速準(zhǔn)確估算.

關(guān)鍵詞： 蘋(píng)果樹(shù)；無(wú)人機(jī)；多光譜遙感；SPAD；機(jī)器學(xué)習(xí)

中圖分類(lèi)號(hào)： S252.9；S661.1 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1674-8530（2024）05-0525-07

DOI：10.3969/j.issn.1674-8530.23.0222開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

劉江凡，趙澤藝，李朝陽(yáng)，等.基于無(wú)人機(jī)多光譜遙感的蘋(píng)果樹(shù)冠層SPAD反演［J］.排灌機(jī)械工程學(xué)報(bào)，2024，42（5）：525-531.

LIU Jiangfan，ZHAO Zeyi，LI Zhaoyang，et al. Estimation of apple tree canopy SPAD based on UAV multispectral remote sensing［J］.Journal of drainage and irrigation machinery engineering（JDIME），2024，42（5）：525-531.（in Chinese）

Estimation of apple tree canopy SPAD based on

UAV multispectral remote sensing

LIU Jiangfan1，ZHAO Zeyi1，LI Zhaoyang1，2，3*，GAO Yang2，4，ZHAO Xin1，JIANG Wenge1，GONG Zhi1

（1. College of Hydraulic and Architectural Engineering， Tarim University， Alar， Xinjiang 843300， China; 2. Western Research Institute， CAAS， Changji， Xinjiang 831100， China; 3. Key Laboratory of Northwest Oasis Water-saving Agriculture， Ministry of Agriculture and Rural Affairs， Shihezi， Xinjiang 832000， China; 4. Institute of Farmland Irrigation， CAAS， Xinxiang， Henan 453002， China）

Abstract： To explore the feasibility of using UAV （unmanned aerial vehicle） multispectral remote sensing images to monitor the chlorophyll content of apple tree canopy， apple trees planted closely on low rootstocks in southern Xinjiang were taken as the research object， and UAV was used to obtain multispectral images of the experimental area. In this study， 10 vegetation indices were selected and the measured canopy SPAD values of the orchard were extracted from multispectral remote sensing images for Pearson correlation analysis， and 7 vegetation indices with better correlation with SPAD were taken as the input variables of the model. The machine learning algorithms， such as univariate linear regression， partial least squares regression， support vector machine regression， random forest regression and ridge regression， were constructed. The SPAD inversion model of apple tree canopy was constructed， and the optimal model was determined by accuracy test. The results show that seven vegetation indices NDVI， EVI， SAVI， OSAVI， GNDVI， RVI， and GRVI have good correlation with SPAD， with correlation coefficients in the ranging from 0.4 to 0.7， and all of which are highly significant correlation at the P less than 0.01 level. The model established using random forest regression model exhibits superior performance， achieving a modeling set R2 of 0.728， an RMSE of 2.292， and an RPD of 1.920， respectively. For the validation set， the R2 is 0.702， RMSE stands at 2.527， and RPD reaches 1.832， respectively. Thus， the combination of UAV multispectral remote sensing and a random forest regression model enables real-time and accurate estimation monitoring of SPAD in apple tree canopies.

Key words： apple tree;unmanned aerial vehicle;multispectral remote sensing;SPAD;machine learning

葉綠素作為光合作用的重要色素，對(duì)植物與外界環(huán)境進(jìn)行物質(zhì)和能量交換的能力有至關(guān)重要的影響，其含量可以指示植物的光合能力和長(zhǎng)勢(shì)信息［1-2］.葉綠素相對(duì)含量SPAD（soil and plant analyzer development）與葉綠素含量有著緊密關(guān)聯(lián)，測(cè)定其值可表征葉片葉綠素含量［3-4］.目前使用SPAD葉綠素儀能夠無(wú)損測(cè)定植被SPAD值，但由于以單個(gè)葉片為檢測(cè)單位，在大尺度空間上的應(yīng)用受到了限制［5］.

無(wú)人機(jī)多光譜相機(jī)成本較低，可以通過(guò)多個(gè)波段信息更準(zhǔn)確地確定植物長(zhǎng)勢(shì)信息，具備與高光譜相機(jī)相同的定量反演能力［6］.機(jī)器學(xué)習(xí)可以結(jié)合遙感數(shù)據(jù)，在不同尺度上分析作物長(zhǎng)勢(shì)信息，為精細(xì)化農(nóng)業(yè)管理打下堅(jiān)實(shí)基礎(chǔ)［7］.基于無(wú)人機(jī)多光譜遙感技術(shù)結(jié)合機(jī)器學(xué)習(xí)作為一種無(wú)損、快速的方法，可用于監(jiān)測(cè)作物的葉綠素含量［8］.

遙感為大面積葉綠素估算提供了巨大的潛力，其中植被指數(shù)已被廣泛應(yīng)用于估算植被葉綠素含量，良好的植被指數(shù)能最大限度提高對(duì)植被特征的敏感性和模型精度［9］.研究表明，以可見(jiàn)光植被指數(shù)與多光譜植被指數(shù)相結(jié)合的逐步回歸和隨機(jī)森林回歸模型，估算SPAD值的精度和穩(wěn)定性高于僅用可見(jiàn)光植被指數(shù)或多光譜植被指數(shù)［10］.以歸一化植被指數(shù)、土壤調(diào)整植被指數(shù)和冠層葉綠素含量指數(shù)組合建立的多元線性回歸模型精度較高，該模型能精準(zhǔn)估測(cè)玉米冠層葉綠素含量［11］.

已有許多學(xué)者利用無(wú)人機(jī)遙感［12］技術(shù)結(jié)合機(jī)器學(xué)習(xí)估測(cè)作物葉綠素含量.岳云開(kāi)等［13］運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建基于植被指數(shù)的一元線性回歸、多元線性回歸和隨機(jī)森林回歸的苧麻葉綠素含量反演模型，提出隨機(jī)森林回歸模型在成熟期預(yù)測(cè)苧麻葉綠素效果最好.范學(xué)星等［14］利用多光譜圖像光譜信息與機(jī)器學(xué)習(xí)快速準(zhǔn)確檢測(cè)植物葉綠素含量，為植物生長(zhǎng)監(jiān)測(cè)、脅迫診斷與精確管理提供參考依據(jù)和技術(shù)指導(dǎo).QI等［15］基于多光譜圖像中提取的植被指數(shù)，建立不同的花生葉綠素含量監(jiān)測(cè)模型，研究表明BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)花生葉綠素含量方面具有最高的準(zhǔn)確性.

以上研究主要側(cè)重于基于植被指數(shù)建立機(jī)器學(xué)習(xí)模型以估算作物葉綠素含量，且研究對(duì)象多為一年生農(nóng)作物，對(duì)蘋(píng)果樹(shù)冠層葉綠素含量的監(jiān)測(cè)研究較少，結(jié)合機(jī)器學(xué)習(xí)監(jiān)測(cè)的研究更是鮮有涉及.因此，文中以南疆矮砧密植蘋(píng)果樹(shù)為研究對(duì)象，利用無(wú)人機(jī)獲取蘋(píng)果樹(shù)冠層多光譜影像，選取10個(gè)植被指數(shù)與實(shí)測(cè)SPAD進(jìn)行皮爾遜（Pearson）相關(guān)性分析，選取相關(guān)性較好的植被指數(shù)作為模型特征參數(shù)，基于植被指數(shù)構(gòu)建一元線性回歸（simple linear regression， LR）、偏最小二乘回歸（partial least squares regression， PLSR）、支持向量回歸（support vector regression， SVR）、隨機(jī)森林回歸（random forest regression， RF）和嶺回歸（ridge regression， RR）的蘋(píng)果樹(shù)冠層SPAD反演模型，通過(guò)精度對(duì)比確定SPAD最佳反演模型，為果園的科學(xué)管理提供技術(shù)支持.

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆阿拉爾市十團(tuán)矮砧密植果園（81°16′E，40°39′N(xiāo)），該地平均海拔為1 013 m，屬于溫暖帶干旱荒漠氣候，常年平均氣溫為11±1 ℃，年均降水量約為48 mm，年蒸發(fā)量約為2 100 mm，全年日照時(shí)數(shù)為2 900 h，無(wú)霜期在200 d以上，地下水位深超過(guò)3 m.試驗(yàn)地土壤為砂壤土，0～120 cm土層田間持水量為18.5%（體積含水率），有機(jī)質(zhì)質(zhì)量比為11.05 g/kg，平均容重為1.51 g/cm3，全氮質(zhì)量比為176 mg/kg.供試蘋(píng)果品種為富士，行距3.5 m，株距1 m.

試驗(yàn)分別設(shè)置2個(gè)灌水水平：13.5 mm（W1），22.5 mm（W2）；2個(gè)施氮水平：79.2 kg/hm2（N1），99.0 kg/hm2（N2）.共4個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)面積約為150 m2，W1和W2的灌水定額分別為297和495 mm.研究區(qū)示意圖如圖1所示.

1.2 無(wú)人機(jī)影像獲取與預(yù)處理

采用大疆M600 Pro搭載美國(guó)Micro-MCA Snap多光譜相機(jī)作為無(wú)人機(jī)影像采集系統(tǒng).該設(shè)備可同時(shí)獲取6個(gè)光譜通道的波段遙感影像，6個(gè)傳感器分別為近紅外1（中心波長(zhǎng)800 nm，帶寬80 nm）、藍(lán)光（中心波長(zhǎng)490 nm，帶寬80 nm）、綠光（中心波長(zhǎng)550 nm，帶寬70 nm）、紅光（中心波長(zhǎng)680 nm，帶寬80 nm）、紅邊（中心波長(zhǎng)720 nm，帶寬100 nm）、近紅外2（中心波長(zhǎng)900 nm，帶寬140 nm）.

在2022年8月2日（果實(shí)膨大期）進(jìn)行無(wú)人機(jī)影像采集，使用Pix4Dmapper軟件對(duì)獲取的影像進(jìn)行拼接，得到6個(gè)單獨(dú)波段的多光譜圖像.以ENVI 5.3軟件進(jìn)行波段合成得到一張含有6個(gè)波段的多光譜圖像.在ArcMap 10.8平臺(tái)中提取在4個(gè)試驗(yàn)區(qū)域的采樣點(diǎn)所對(duì)應(yīng)的光譜數(shù)據(jù)，共獲取附有6個(gè)波段的144組光譜數(shù)據(jù).

1.3 植被指數(shù)選取與計(jì)算

植被指數(shù)［16］的構(gòu)建涉及不同敏感波段的組合，在一定程度上消除環(huán)境背景效應(yīng)（例如非植被目標(biāo)土壤、水體等）的影響.依據(jù)已有的多光譜植被指數(shù)，并結(jié)合多光譜影像特征，遴選10個(gè)多光譜植被指數(shù)；基于采樣點(diǎn)的光譜數(shù)據(jù)，植被指數(shù)運(yùn)算在Python 3.10中進(jìn)行，計(jì)算公式見(jiàn)表1.

1.4 地面SPAD實(shí)測(cè)數(shù)據(jù)獲取

使用SPAD-502便攜式葉綠素儀監(jiān)測(cè)蘋(píng)果樹(shù)冠層SPAD值.每個(gè)試驗(yàn)處理分為3個(gè)重復(fù)，每個(gè)重復(fù)選定1棵樹(shù)分東、西、南、北4個(gè)方向，按照最頂端與最底層樹(shù)枝距離平均分上、中、下3層作為取樣點(diǎn).每個(gè)取樣點(diǎn)取3個(gè)葉片分別測(cè)定1次并計(jì)算其平均值作為該點(diǎn)的SPAD值.在4個(gè)試驗(yàn)區(qū)域共獲取144個(gè)實(shí)測(cè)SPAD值.

1.5 數(shù)據(jù)分析

在Python 3.10中進(jìn)行Pearson相關(guān)性分析，利用sklearn包建立LR，PLSR，SVR，RF和RR的蘋(píng)果樹(shù)冠層SPAD反演模型，在Origin 2021中繪制PLSR，SVR，RF和RF反演模型的擬合圖.

1.6 模型構(gòu)建方法

采用LR，PLSR，SVR，RF和RR建立蘋(píng)果樹(shù)冠層SPAD反演模型.

LR只涉及一個(gè)自變量和一個(gè)因變量之間的關(guān)系，具有可解釋性強(qiáng)和預(yù)測(cè)簡(jiǎn)便等優(yōu)點(diǎn).PLSR結(jié)合主成分分析和多元線性回歸的優(yōu)點(diǎn)，通過(guò)投影將預(yù)測(cè)變量和觀測(cè)變量投影到一個(gè)新空間，以尋找一個(gè)線性回歸模型；PLSR中的主要參數(shù)是n_components，表示要保留的自變量的數(shù)量，其值設(shè)定為1～7. SVR是一種多元非線性回歸算法，其獨(dú)特之處在于能夠通過(guò)映射數(shù)據(jù)點(diǎn)到高維空間，有效解決低維空間中難以處理的非線性問(wèn)題；SVR的主要參數(shù)有kernel和gamma，kernel選用徑向基函數(shù)，gamma設(shè)置為1，kernel用于將輸入數(shù)據(jù)映射到高維空間，gamma控制了kernel的寬度.RF是一種基于決策樹(shù)的集成學(xué)習(xí)算法，其核心思路是通過(guò)對(duì)多個(gè)決策樹(shù)的結(jié)果進(jìn)行組合，達(dá)到增強(qiáng)模型的效果，從而提高預(yù)測(cè)的準(zhǔn)確性；RF采用的主要參數(shù)是n_estimators，代表隨機(jī)森林中樹(shù)的數(shù)量，設(shè)定1～30進(jìn)行迭代.RR是一種專(zhuān)用于共線性數(shù)據(jù)分析的有偏估計(jì)回歸方法，具有選擇變量的能力，可以改善回歸系數(shù)的估計(jì)，使其更加穩(wěn)定；在RR中正則化參數(shù)alpha能解決共線性問(wèn)題，其值設(shè)定為0.001.

1.7 模型精度評(píng)價(jià)

數(shù)據(jù)經(jīng)過(guò)預(yù)處理，將實(shí)測(cè)樣本按照建模集∶驗(yàn)證集為3∶1的比例進(jìn)行數(shù)據(jù)劃分，為了避免模型對(duì)特定數(shù)據(jù)分布的過(guò)度擬合，劃分選取隨機(jī)性原則.最終確定建模集和驗(yàn)證集數(shù)據(jù)個(gè)數(shù)分別為75和25用于分析建模.采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)分析誤差（RPD）3個(gè)指標(biāo)評(píng)價(jià)模型反演精度.

2 反演結(jié)果與分析

2.1 SPAD與植被指數(shù)的相關(guān)性

對(duì)選定的10個(gè)植被指數(shù)與SPAD進(jìn)行Pearson相關(guān)性分析，結(jié)果見(jiàn)表2.

10個(gè)植被指數(shù)與SPAD全部呈正相關(guān)關(guān)系，其中CVI與SPAD的相關(guān)系數(shù)最低只有0.17，在P小于0.05水平上顯著相關(guān).DVI和RENDVI與SPAD相關(guān)系數(shù)較低分別為0.26和0.33，在P小于0.01水平上極顯著相關(guān).另外7個(gè)植被指數(shù)NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI與SPAD具有較好的相關(guān)性，相關(guān)系數(shù)為0.4～0.7，均在P小于0.01水平上極顯著相關(guān).EVI，GNDVI，RVI，GRVI與SPAD的相關(guān)系數(shù)分別為0.59，0.49，0.59，0.48；NDVI，SAVI以及OSAVI與SPAD的相關(guān)系數(shù)相同且最高，為0.61.

除CVI，DVI和RENDVI相關(guān)系數(shù)較低外，其余7個(gè)植被指數(shù)與蘋(píng)果樹(shù)冠層SPAD較為敏感.因此，選取NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI估算蘋(píng)果樹(shù)冠層SPAD具有一定可行性.

2.2 LR反演模型構(gòu)建

基于SPAD與植被指數(shù)的相關(guān)性分析結(jié)果，分別以7個(gè)植被指數(shù)NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI為自變量，以實(shí)測(cè)SPAD值為因變量建立LR模型.

LR模型建模和驗(yàn)證結(jié)果見(jiàn)表3：基于NDVI，SAVI，OSAVI建立的模型優(yōu)于其他植被指數(shù)，且模型精度基本相似，基于NDVI的模型建模集和驗(yàn)證集R2為0.370和0.371，RMSE為3.664和3.162，RPD為1.260和1.261.基于GNDVI和GRVI建立的模型精度表現(xiàn)較差，其中GRVI建模集和驗(yàn)證集R2為0.233和0.232，RMSE為4.043和3.494，RPD為1.142和1.141.各個(gè)模型整體精度偏低，無(wú)法對(duì)樣本進(jìn)行預(yù)測(cè).

2.3 PLSR，SVR，RF和RR反演模型構(gòu)建

基于SPAD與植被指數(shù)的相關(guān)性分析結(jié)果，以7個(gè)植被指數(shù)NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI組合為自變量，以實(shí)測(cè)SPAD值為因變量建立PLSR，SVR，RF和RR模型.4種模型的擬合結(jié)果如圖2所示（SPAD的下標(biāo)p，m分別表示預(yù)測(cè)值、實(shí)測(cè)值）.

由圖2可知PLSR，SVR，RF和RR建立的SPAD反演模型的建模集R2分別為0.412，0.452，0.728，0.404；RMSE分別為3.393，3.294，2.292，3.386；RPD分別為1.305，1.351，1.920，1.295.驗(yàn)證集R2分別為0.418，0.527，0.702，0.414；RMSE分別為3.483，3.105，2.527，3.538；RPD分別為1.311，1.455，1.832，1.306.

2.4 模型評(píng)價(jià)

對(duì)比模型精度參數(shù)統(tǒng)計(jì)見(jiàn)表4：RF模型的建模集R2為0.728，驗(yàn)證集R2為0.702，均高于其余模型建模集和驗(yàn)證集的R2.RF模型的建模集和驗(yàn)證集的RMSE均低于其余模型，分別為2.292和2.527.RF模型的RPD均大于其他模型，建模集和驗(yàn)證集RPD分別為1.920和1.832，可以很好地預(yù)測(cè)樣本.綜合R2，RMSE和RPD可知，RF方法構(gòu)建的蘋(píng)果樹(shù)冠層SPAD反演模型效果最好.SVR模型驗(yàn)證集R2為0.527，RMSE為3.105，RPD為1.455，可以有效地預(yù)測(cè)樣本.LR，PLSR和RR模型精度較差，建模集和驗(yàn)證集R2均低于0.500，RPD均低于1.400，無(wú)法對(duì)樣本進(jìn)行預(yù)測(cè).

3 討 論

敏感變量篩選能有效去除植被指數(shù)中的冗余信息，降低SPAD反演模型復(fù)雜程度，提高反演模型精度.文中研究通過(guò)Pearson相關(guān)性分析得到NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI與SPAD具有較好的相關(guān)性，相關(guān)系數(shù)為0.4～0.7，表明這7個(gè)植被指數(shù)對(duì)蘋(píng)果樹(shù)冠層SPAD較為敏感.其中NDVI，SAVI和OSAVI的相關(guān)性最高，這與馮浩等［16］利用多光譜植被指數(shù)與SPAD進(jìn)行相關(guān)性分析的結(jié)果較為相似.魯向暉等［17］研究表明與SPAD相關(guān)性最高的植被指數(shù)是三角植被指數(shù)（TVI）、陳浩等［18］分析得出GNDVI與葉綠素含量相關(guān)性最高，這與文中研究存在差異，可能是采用了不同的方法測(cè)量植被葉綠素含量，也可能與不同地區(qū)的植被類(lèi)型和環(huán)境條件有關(guān).

除模型特征參數(shù)（植被指數(shù)）的選取外，建模方法也是影響SPAD估測(cè)結(jié)果的重要因素.文中研究綜合估算精度與預(yù)測(cè)效果發(fā)現(xiàn)，以單一植被指數(shù)建立的LR模型，模型精度整體較低，這與龔榮新等［19］在對(duì)大豆地上部生物量研究結(jié)果類(lèi)似，說(shuō)明蘋(píng)果SPAD與植被指數(shù)之間不是簡(jiǎn)單的線性關(guān)系.通過(guò)對(duì)比蘋(píng)果樹(shù)冠層SPAD估算模型的精度確定RF模型為最優(yōu)模型，這與陳瀾［20］在蘋(píng)果葉綠素含量估測(cè)得出的結(jié)論一致，說(shuō)明該模型在反演蘋(píng)果葉綠素含量上具有明顯優(yōu)勢(shì).同樣有研究表明RF模型在其他方面估測(cè)效果也較好，如韓兆迎等［21］利用高光譜數(shù)據(jù)預(yù)測(cè)蘋(píng)果樹(shù)冠層葉面積指數(shù)，隨機(jī)森林回歸模型優(yōu)于支持向量機(jī)回歸模型.NDLOVU等［22］利用多光譜圖像和機(jī)器學(xué)習(xí)技術(shù)對(duì)玉米葉片水分指標(biāo)進(jìn)行估測(cè)，得出最佳模型來(lái)自隨機(jī)森林回歸算法.造成以上結(jié)果的主要原因可能在于RF模型對(duì)于數(shù)據(jù)中的噪聲和異常值具有較強(qiáng)的魯棒性，解決其他模型可靠性較差的問(wèn)題，提高了模型泛化能力.而文中研究其他模型效果較差，可能是因?yàn)镻LSR模型在處理較為復(fù)雜的非線性問(wèn)題時(shí)具有較明顯的劣勢(shì)，SVR模型需依靠經(jīng)驗(yàn)進(jìn)行調(diào)參，同樣在一定程度上增加制約性，影響模型預(yù)測(cè)效果，而RR模型是一種線性模型，只適用于處理線性關(guān)系問(wèn)題.

文中研究基于無(wú)人機(jī)多光譜影像和機(jī)器學(xué)習(xí)建立蘋(píng)果樹(shù)冠層SPAD反演模型，相較于模型LR，PLSR，SVR和RR，RF能更精準(zhǔn)反演蘋(píng)果樹(shù)冠層SPAD.但文中研究的不足之處在于樣本數(shù)量較少，僅選取蘋(píng)果的單一生長(zhǎng)期進(jìn)行分析.對(duì)于蘋(píng)果不同生育期以及不同品種蘋(píng)果SPAD估算還有待于進(jìn)一步研究.因此，后續(xù)試驗(yàn)應(yīng)當(dāng)再增多樣本數(shù)量，考慮不同生長(zhǎng)期等方面，進(jìn)一步篩選對(duì)蘋(píng)果SPAD敏感的植被指數(shù)，并根據(jù)蘋(píng)果不同生育期進(jìn)行討論和建立機(jī)器學(xué)習(xí)回歸模型，以期獲取更準(zhǔn)確和全面的蘋(píng)果SPAD反演模型，為蘋(píng)果產(chǎn)區(qū)長(zhǎng)勢(shì)監(jiān)測(cè)提供技術(shù)支撐.

4 結(jié) 論

1） 研究選取的10個(gè)植被指數(shù)中，NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI與SPAD具有較好的相關(guān)性，相關(guān)系數(shù)為0.4～0.7，均在0.01水平上極顯著相關(guān)，說(shuō)明基于這7個(gè)植被指數(shù)估算蘋(píng)果樹(shù)冠層SPAD具有可行性.

2） 模型LR，PLSR，SVR，RR建立的蘋(píng)果SPAD估算模型精度不高，其中LR模型整體偏低，說(shuō)明SPAD與植被指數(shù)之間不是簡(jiǎn)單的線性關(guān)系，對(duì)于SPAD無(wú)法預(yù)測(cè).

3） RF模型的建模集和驗(yàn)證集R2為0.728和0.702，RMSE為2.292和2.527，RPD為1.920和1.832.表明基于RF模型反演蘋(píng)果樹(shù)冠層SPAD具有較好的精度，可以實(shí)現(xiàn)對(duì)蘋(píng)果樹(shù)冠層SPAD的精準(zhǔn)監(jiān)測(cè).

參考文獻(xiàn)（References）

［1］ WANG J J，ZHOU Q，SHANG J L，et al. UAV- and machine learning-based retrieval of wheat SPAD values at the overwintering stage for variety screening［J］.Remote sensing，2021，13（24）：5166.

［2］ 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.（in Chinese）

［3］ 王璐，李偉凱，關(guān)海鷗，等．基于多維度光譜特征波長(zhǎng)提取大豆冠層SPAD值估算模型［J］．江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，41（3）：334-338.

WANG Lu，LI Weikai，GUAN Haiou，et al. Estimation model of SPAD value for soybean canopy based on multi-dimensional spectral characteristic wavelength extraction［J］. Journal of Jiangsu University （natural science edition），2020，41（3）：334-338. （in Chinese）

［4］ 馬玲，杜明華，孟露，等.基于高光譜成像技術(shù)的番茄葉片葉綠素含量檢測(cè)［J］.江蘇農(nóng)業(yè)科學(xué)，2023，51（11）：167-174.

MA Ling， DU Minghua， MENG Lu， et al. Detection of chlorophyll content in tomato leaves based on hyperspectral imaging technology［J］. Jiangsu agricultural sciences， 2023，51（11）：167-174.（in Chinese）

［5］ PAGOLA M，ORTIZ R，IRIGOYEN I，et al.New method to assess barley nitrogen nutrition status based on image colour analysis comparison with SPAD-502［J］. Computers and electronics in agriculture，2009，65（2）：213-218.

［6］ 徐嵐俊， 孫夢(mèng)遙， 張傳帥， 等. 不同農(nóng)機(jī)駕駛方式對(duì)玉米播種出苗率的影響——基于無(wú)人機(jī)多光譜影像的測(cè)算［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（6）： 143-147.

XU Lanjun， SUN Mengyao， ZHANG Chuanshuai， et al. Effect of different driving modes of agricultural machinery on maize seedling rate： calculation based on UAV multispectral image［J］. Journal of Chinese agricultural mechanization， 2023， 44（6）： 143-147.（in Chinese）

［7］ 孫夢(mèng)遙， 胡冰冰， 陳華， 等. 基于無(wú)人機(jī)遙感的小麥無(wú)人駕駛系統(tǒng)作業(yè)質(zhì)量評(píng)估［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（6）： 148-154.

SUN Mengyao， HU Bingbing， CHEN Hua， et al. Operation quality assessment of unmanned wheat system based on UAV remote sensing［J］. Journal of Chinese agricultural mechanization， 2023， 44（6）： 148-154.（in Chinese）

［8］ 郭松，常慶瑞，鄭智康，等.基于無(wú)人機(jī)高光譜影像的玉米葉綠素含量估測(cè)［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（4）：976-984.

GUO Song， CHANG Qingrui， ZHENG Zhikang， et al. Estimation of maize chlorophyll content based on unmanned aerial vehicle （UAV） hyperspectral images［J］. Jiangsu journal of agricultural sciences， 2022，38（4）：976-984.（in Chinese）

［9］ WU C Y，NIU Z，TANG Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices： modeling and validation［J］. Agricultural and forest meteorology，2008，148（8/9）：1230-1241.

［10］ 牛慶林，馮海寬，周新國(guó)，等．冬小麥SPAD值無(wú)人機(jī)可見(jiàn)光和多光譜植被指數(shù)結(jié)合估算［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（8）：183-194.

NIU Qinglin，F(xiàn)ENG Haikuan，ZHOU Xinguo，et al. Combining UAV visible light and multispectral vegetation indices for estimating SPAD value of winter wheat［J］. Transactions of the CSAM，2021，52（8）：183-194. （in Chinese）

［11］ 王丹，趙朋，孫家波，等．基于無(wú)人機(jī)多光譜的夏玉米葉綠素含量反演研究［J］．山東農(nóng)業(yè)科學(xué)，2021，53（6）：121-126.

WANG Dan，ZHAO Peng，SUN Jiabo，et al. Inversion of chlorophyll content in summer maize based on UAV multi-spectrum［J］. Shandong agricultural sciences，2021，53（6）：121-126. （in Chinese）

［12］ 張振軍.基于數(shù)據(jù)篩選的無(wú)人機(jī)測(cè)繪數(shù)據(jù)異常檢測(cè)［J］.西華大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（4）：66-71.

ZHANG Zhenjun. Anomaly detection method of UAV surveying and mapping data based on data filtering［J］. Journal of Xihua University（natural science edition）， 2022，41（4）：66-71.（in Chinese）

［13］ 岳云開(kāi)，陳建福，趙亮，等．基于無(wú)人機(jī)多光譜遙感的苧麻葉綠素含量反演［J］．山東農(nóng)業(yè)科學(xué)，2023，55（7）：152-158.

YUE Yunkai，CHEN Jianfu，ZHAO Liang，et al. Inversion of chlorophyll content in ramie based on UAV multispectral remote sensing［J］. Shandong agricultural sciences，2023，55（7）：152-158. （in Chinese）

［14］ 范學(xué)星，張慧春，鄒義萍，等．基于多光譜成像與機(jī)器學(xué)習(xí)的植物葉綠素含量反演［J］．林業(yè)科學(xué)，2023，59（7）：78-88.

FAN Xuexing，ZHANG Huichun，ZOU Yiping，et al. Inversion of plant chlorophyll content based on multispec-tral imaging and machine learning［J］. Scientia silvae sinicae，2023，59（7）：78-88. （in Chinese）

［15］ QI H X，WU Z Y，ZHANG L，et al. Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction［J］. Computers and electronics in agriculture，2021，187：106292.

［16］ 馮浩，楊禎婷，陳浩，等．基于無(wú)人機(jī)多光譜影像的夏玉米SPAD估算模型研究［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（10）：211-219.

FENG Hao，YANG Zhenting，CHEN Hao，et al. Estimation of summer maize SPAD based on UAV multispectral images［J］. Transactions of the CSAM，2022，53（10）：211-219. （in Chinese）

［17］ 魯向暉，王倩，張海娜，等．基于無(wú)人機(jī)多光譜遙感的芳樟矮林SPAD反演［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（5）：201-209.

LU Xianghui，WANG Qian，ZHANG Haina，et al. Inversion of SPAD of cinnamomum camphora dwarf forest based on UAV multispectral remote sensing［J］. Transactions of the CSAM，2023，54（5）：201-209. （in Chinese）

［18］ 陳浩，馮浩，楊禎婷，等．基于無(wú)人機(jī)多光譜遙感的夏玉米冠層葉綠素含量估計(jì)［J］．排灌機(jī)械工程學(xué)報(bào)，2021，39（6）：622-629.

CHEN Hao，F(xiàn)ENG Hao，YANG Zhenting，et al. Estimation of chlorophyll content of summer maize canopy based on UAV multispectral remote sensing［J］. Journal of drainage and irrigation machinery enginee-ring，2021，39（6）：622-629. （in Chinese）

［19］ 龔榮新，魯向暉，張海娜，等．基于高光譜植被指數(shù)的大豆地上部生物量估算模型研究［J］．大豆科學(xué)，2023，42（3）：352-359.

GONG Rongxin，LU Xianghui，ZHANG Haina，et al. Model analysis of estimating soybean above-ground biomass by hyperspectral vegetation index［J］. Soybean science，2023，42（3）：352-359. （in Chinese）

［20］ 陳瀾．基于高光譜遙感的蘋(píng)果生化參數(shù)估算模型研究［D］．楊凌：西北農(nóng)林科技大學(xué)，2020.

［21］ 韓兆迎，朱西存，房賢一，等．基于SVM與RF的蘋(píng)果樹(shù)冠LAI高光譜估測(cè)［J］．光譜學(xué)與光譜分析，2016，36（3）：800-805.

HAN Zhaoying，ZHU Xicun，F(xiàn)ANG Xianyi，et al. Hyperspectral estimation of apple tree canopy LAI based on SVM and RF regression［J］. Spectroscopy and spectral analysis，2016，36（3）：800-805. （in Chinese）

［22］ NDLOVU H S，ODINDI J，SIBANDA M，et al. A comparative estimation of maize leaf water content using machine learning techniques and unmanned aerial vehicle （UAV）-based proximal and remotely sensed data［J］. Remote sensing，2021，13（20）：4091.

（責(zé)任編輯 張文濤）

收稿日期： 2023-11-03； 修回日期： 2024-01-03； 網(wǎng)絡(luò)出版時(shí)間： 2024-01-16

網(wǎng)絡(luò)出版地址： https：//link.cnki.net/urlid/32.1814.TH.20240115.1641.004

基金項(xiàng)目： 兵團(tuán)財(cái)政科技計(jì)劃項(xiàng)目（2022BC009）；國(guó)家自然科學(xué)基金資助項(xiàng)目（51669032）

第一作者簡(jiǎn)介： 劉江凡（1999—），男，河南上蔡人，碩士研究生（lwy981623492@163.com），主要從事旱區(qū)水資源高效利用研究.

通信作者簡(jiǎn)介： 李朝陽(yáng)（1986—），男，河南漯河人，副教授，碩士生導(dǎo)師（lizhaoyang2i1@163.com），主要從事干旱區(qū)節(jié)水灌溉理論與技術(shù)研究.