多高度無(wú)人機(jī)多光譜成像在棗樹(shù)不同生育期LAI監(jiān)測(cè)中的應(yīng)用

摘要： 為了實(shí)現(xiàn)棗樹(shù)葉面積指數(shù)（LAI）的快速估算，使用無(wú)人機(jī)多光譜相機(jī)獲取新疆阿拉爾墾區(qū)棗樹(shù)3個(gè)生育期的冠層無(wú)人機(jī)影像，并在地面同步測(cè)定樣本點(diǎn)的LAI值，以180種植被指數(shù)為基礎(chǔ)構(gòu)建模型，采用貝葉斯算法中的樹(shù)結(jié)構(gòu)Parzen估計(jì)器（TPE），提取最優(yōu)特征組合并優(yōu)化模型參數(shù)，實(shí)現(xiàn)模型性能的全面提升，對(duì)比分析各模型（CatBoost、RF、DNN、SVR）對(duì)棗樹(shù)LAI值的監(jiān)測(cè)能力。結(jié)果表明，（1）在相同飛行高度下，在坐果期的表現(xiàn)中，4個(gè)模型中TPE-CatBoost模型在60 m飛行高度的性能最好，決定系數(shù)（R²）為0.867 5，均方誤差（MSE）為0.005 2；（2）利用空間插值法、TPE-CatBoost模型對(duì)棗樹(shù)LAI進(jìn)行分析，揭示了整體趨勢(shì)和精確的局部分布情況。研究提出的TPE-CatBoost模型實(shí)現(xiàn)了墾區(qū)棗園棗樹(shù)LAI值的有效監(jiān)測(cè)，為墾區(qū)棗園的生長(zhǎng)監(jiān)測(cè)提供了有效的技術(shù)參考。

關(guān)鍵詞： 棗樹(shù)；葉面積指數(shù)；TPE優(yōu)化算法；CatBoost；特征優(yōu)選；模型參數(shù)選優(yōu)

中圖分類號(hào)： S252⁺.9 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-4440（2024）11-2093-09

Application of multi-altitude UAV multi-spectral imaging in LAI monitoring of jujube trees at different growth stages

HONG Guojun¹， ZHANG Ling¹， XU Heng²， YU Caili³， HUANG Yufen^4，5， FAN Zhenqi^4，5

（1.Institute of Regional Development， Jiangxi University of Technology， Nanchang 330200， China;2.Department of Science and Education， Jiangxi University of Technology， Nanchang 330200， China;3.College of Ocean， Shanwei Institute of Technology， Shanwei 516600， China;4.College of Information Engineering， Tarim University， Alaer 843300， China;5.Key Laboratory of Tarim Oasis Agriculture， Ministry of Education， Alaer 843300， China）

Abstract： In order to achieve rapid estimation of leaf area index （LAI） of jujube trees， unmanned aerial vehicle （UAV） multispectral cameras were used to obtain canopy UAV images of jujube trees at three growth stages in Alar Reclamation Area. The LAI values of sample points were measured synchronously on the ground. A model was constructed based on 180 vegetation indices， and the tree structure Parzen estimator （TPE） in Bayesian algorithm was used to extract the optimal feature combination and optimize the model parameters， so as to improve the performance of the model. The monitoring ability of models （CatBoost， RF， DNN， SVR） for jujube tree LAI values was compared and analyzed. The results showed that the TPE-CatBoost model was the best among the four models during the fruit setting period at a flight altitude of 60 meters， with a coefficient of determination （R² ） of 0.867 5 and a mean square error （MSE） of 0.005 2， respectively. The spatial interpolation method and TPE-CatBoost model were used to analyze the LAI of jujube trees， revealing the overall trend and accurate local distribution. The TPE-CatBoost model proposed in this study can effectively monitor the LAI of jujube trees in reclaimed jujube orchards， providing an effective technical reference for the growth monitoring of jujube in reclaimed areas.

Key words： jujube tree；leaf area index；TPE optimization algorithm;CatBoost；feature optimization；model parameter optimization

棗樹(shù)作為新疆地區(qū)的重要經(jīng)濟(jì)作物，其健康狀態(tài)直接影響棗果的品質(zhì)和產(chǎn)量，對(duì)區(qū)域農(nóng)業(yè)經(jīng)濟(jì)發(fā)展具有重要意義。作為單位水平地面上單面的葉面積指標(biāo)，葉面積指數(shù)（LAI）是評(píng)估作物生長(zhǎng)狀況、光合效率、呼吸作用、蒸騰作用等相關(guān)生理指標(biāo)的關(guān)鍵參數(shù)^[1-4]。因此，快速且精確地獲取農(nóng)作物各生長(zhǎng)期的LAI，對(duì)病蟲(chóng)害監(jiān)測(cè)^[5]、產(chǎn)量預(yù)測(cè)^[6-9]等田間管理活動(dòng)至關(guān)重要。傳統(tǒng)的實(shí)地測(cè)量LAI方法不僅具有破壞性，而且通常缺乏實(shí)時(shí)性和空間分布的準(zhǔn)確性^[10]。遙感技術(shù)在反演LAI方面具有顯著優(yōu)勢(shì)，它不僅能夠長(zhǎng)期監(jiān)測(cè)植被的生長(zhǎng)狀況，還能實(shí)現(xiàn)快速檢測(cè)。其中，低空無(wú)人機(jī)遙感因具有高空間分辨率、操作簡(jiǎn)便和成本低廉的特點(diǎn)，尤其適合用于農(nóng)田規(guī)模的作物信息采集^[11-13]。因此，本研究擬基于無(wú)人機(jī)多光譜數(shù)據(jù)，分析棗樹(shù)在不同生育期LAI變化規(guī)律，為實(shí)時(shí)掌握棗樹(shù)的生長(zhǎng)情況并據(jù)此實(shí)施科學(xué)的田間管理提供參考。

在前人的研究中，結(jié)合植被指數(shù)（VI）的機(jī)器學(xué)習(xí)模型已被證實(shí)可以有效提高LAI反演的精度^[14-16]。Liu等^[17]提出減少土壤貢獻(xiàn)（CS）方法，顯著提高了玉米生長(zhǎng)早期LAI估算的準(zhǔn)確性，與傳統(tǒng)方法相比，相對(duì)均方根誤差（rRMSE）降低了3.5%，有效減少了土壤對(duì)估算的干擾。陳家華等^[18]分析了衛(wèi)星影像的光譜和紋理特征，并采用皮爾遜相關(guān)系數(shù)評(píng)估其與冬小麥LAI的關(guān)聯(lián)性，發(fā)現(xiàn)雙變量多元線性回歸模型在冬小麥LAI反演中表現(xiàn)出最高精度[決定系數(shù)（R²）=0.780，均方根誤差（RMSE）=0.573，rRMSE=12.29%]。Li等^[19]利用RGB（紅、綠、藍(lán)）圖像通過(guò)Unet神經(jīng)網(wǎng)絡(luò)對(duì)大豆葉片參數(shù)進(jìn)行精確估算，圖像分割的交并比（IoU）、準(zhǔn)確率（PA）和召回率（Recall）值分別達(dá)到0.98、0.99和0.98，且通過(guò)比較隨機(jī)森林、CatBoost和簡(jiǎn)單非線性回歸模型得出，隨機(jī)森林在葉數(shù)、葉鮮重和葉面積指數(shù)估算中表現(xiàn)最佳。石浩磊等^[20]用無(wú)人機(jī)多光譜數(shù)據(jù)分析棉花不同生育期的LAI，通過(guò)構(gòu)建多種光譜和顏色指數(shù)的預(yù)測(cè)模型，并采用偏最小二乘（PLSR）、嶺回歸（RR）、隨機(jī)森林（RF）、支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)（BP）等算法進(jìn)行優(yōu)化，結(jié)果顯示，LAI呈現(xiàn)先增后減趨勢(shì)，其中多光譜指數(shù)優(yōu)于顏色指數(shù)，尤其是歸一化植被指數(shù)（NDVI）與RF和BP模型的預(yù)測(cè)精度最高，為棉花生長(zhǎng)監(jiān)測(cè)與精細(xì)管理提供了有力的依據(jù)。近年來(lái)，研究者為了提升機(jī)器學(xué)習(xí)技術(shù)在棗樹(shù)LAI值檢測(cè)中的效能，廣泛研究特征優(yōu)選與參數(shù)優(yōu)化策略。為了提高棗樹(shù)LAI值檢測(cè)的效率，本研究擬采用TPE（貝葉斯算法中的樹(shù)結(jié)構(gòu)Parzen估計(jì)器）算法對(duì)棗樹(shù)3個(gè)生育期的特征進(jìn)行選擇，并對(duì)CatBoost、RF、深度神經(jīng)網(wǎng)絡(luò)（DNN）和支持向量回歸（SVR）模型進(jìn)行參數(shù)優(yōu)化，以探討其在精確調(diào)整模型參數(shù)、挑選關(guān)鍵特征方面的潛力，通過(guò)綜合優(yōu)化從而顯著提高棗樹(shù)LAI值的預(yù)測(cè)精度和效率。

1 材料與方法

1.1 研究區(qū)

研究區(qū)位于新疆南部棗樹(shù)種植面積較大的阿拉爾墾區(qū)12團(tuán)（圖1），具體位于塔克拉瑪干沙漠邊緣與塔里木河交匯處，氣候?yàn)榕瘻貛Т箨懶愿珊祷哪畾夂颍ǖ乩碜鴺?biāo)：40°30′39″N， 81°13′14″E）。研究區(qū)年平均氣溫為10.7 ℃，年均降水量為40.1～82.5 mm，年均日照時(shí)間超過(guò)2 900 h。研究區(qū)位于塔里木河南側(cè)，受天山冰雪融水的滋養(yǎng)，水資源相對(duì)豐富，為棗樹(shù)種植提供了充足的灌溉保障。研究區(qū)土壤主要為沙壤。研究區(qū)的平坦地形、充足熱量、明顯的晝夜溫差和優(yōu)越的光照條件共同營(yíng)造出了棗樹(shù)生長(zhǎng)的理想環(huán)境。研究區(qū)主要種植灰棗，并栽培有少量駿棗，借助于墾區(qū)優(yōu)越的自然條件，棗樹(shù)得以健康生長(zhǎng)并產(chǎn)出高質(zhì)量的果實(shí)。

1.2 地面實(shí)測(cè)LAI數(shù)據(jù)

在2023年棗樹(shù)的3個(gè)關(guān)鍵生育期[盛花期（6月25日）、坐果期（7月30日）和膨大期（8月25日）]對(duì)棗樹(shù)進(jìn)行無(wú)人機(jī)航拍、地面實(shí)測(cè)樣本的采集。使用華測(cè)S8高精度設(shè)備準(zhǔn)確記錄100株健康棗樹(shù)的全球定位系統(tǒng)（GPS）位置，確保地面樣本點(diǎn)與無(wú)人機(jī)影像的精確匹配。使用HM-G20植物冠層

分析系統(tǒng)軟件計(jì)算葉面積指數(shù)。為了準(zhǔn)確劃分棗樹(shù)LAI的空間差異，本研究采用基于統(tǒng)計(jì)學(xué)的Jenk自然間斷點(diǎn)分級(jí)法，將棗樹(shù)各生育期的LAI值分為3個(gè)等級(jí)，詳細(xì)內(nèi)容見(jiàn)表1。通過(guò)對(duì)棗樹(shù)實(shí)測(cè)LAI的分析，發(fā)現(xiàn)棗樹(shù)各生育期LAI的平均值與中值均處于中值區(qū)，說(shuō)明棗樹(shù)在各生育期的LAI處于中等水平。棗樹(shù)各生育期LAI的空間分布特征見(jiàn)圖2。

1.3 無(wú)人機(jī)多光譜數(shù)據(jù)的獲取與預(yù)處理

本研究采用大疆精靈4四旋翼無(wú)人機(jī)對(duì)棗樹(shù)3個(gè)重要生育期的多光譜圖像進(jìn)行采集。本研究利用搭載1個(gè)可見(jiàn)光彩色傳感器和5個(gè)多光譜單色傳感器的無(wú)人機(jī)，獲取棗園在不同光譜角度下的影像數(shù)據(jù)。傳感器分別覆蓋藍(lán)（450 nm）、綠（560 nm）、紅（650 nm）、紅邊（730 nm）和近紅外（840 nm）波段，像素分辨率為2.08×10⁶。為了確保圖像質(zhì)量?jī)?yōu)良，采集工作安排在每天光照充足的14：00左右進(jìn)行。用DJI GO軟件規(guī)劃航線，將傳感器角度設(shè)置為與地面垂直，確保橫向、縱向的重疊率分別達(dá)到70%、60%。飛行速度設(shè)置為3 m/s，飛行高度依次為60 m、100 m、200 m，以適應(yīng)不同高度的采集需求。數(shù)據(jù)用大疆智圖軟件處理并拼接，最后用ENVI 5.6軟件進(jìn)行多光譜合成、輻射校正和歸一化，確保數(shù)據(jù)質(zhì)量滿足分析需求。

1.4 棗樹(shù)生育期組合光譜指數(shù)與特征優(yōu)化研究

1.4.1 組合光譜指數(shù)的計(jì)算 傳統(tǒng)植被指數(shù)依賴特定波段信息，這可能限制了LAI估算的準(zhǔn)確性和效率。為了解決該問(wèn)題并提升估算精度，本研究引入差值植被指數(shù)（DVI）^[21]、比值植被指數(shù)（RVI）^[22-23]、鹽指數(shù)3（S₃）^[24]、歸一化植被指數(shù)（NDVI）^[24-27]、綠-藍(lán)波段歸一化差值植被指數(shù)（GBNDVI）^[28]5種植被指數(shù)計(jì)算公式[公式（1）～（5）]來(lái)構(gòu)建新的植被指數(shù)。通過(guò)隨機(jī)生成的180種新植被指數(shù)，研究更適合棗樹(shù)LAI敏感性評(píng)價(jià)的指數(shù)。新構(gòu)建的植被指數(shù)突破了傳統(tǒng)波段限制，深入探討新植被指數(shù)與LAI敏感度間的關(guān)系，顯著提高了測(cè)量精度。構(gòu)建的高維數(shù)據(jù)包括棗樹(shù)的3個(gè)生育期和不同飛行高度，為棗樹(shù)生長(zhǎng)監(jiān)測(cè)提供了新思路。

VI₁=b_x-b_y（1）

VI₂=b_x/b_y（2）

VI₃=（b_x-b_y）/b_z（3）

VI₄=（b_x-b_y）/（b_x+b_y）（4）

VI₅=（b_x-b_y-b_z）/（b_x+b_y+b_z）（5）

式中，VI₁～VI₅表示5種組合光譜指數(shù)；x、y、z的取值范圍為1～5，1～5分別表示無(wú)人機(jī)影像的藍(lán)光波段、綠光波段、紅光波段、紅邊波段和近紅外波段5個(gè)光譜波段；b表示反射率。

1.4.2 特征優(yōu)選與模型參數(shù)選優(yōu) 在本研究中，采用貝葉斯TPE優(yōu)化算法優(yōu)化因變量函數(shù)，以反映模型性能。貝葉斯優(yōu)化作為一種全局優(yōu)化方法，通過(guò)構(gòu)建概率代理模型并迭代優(yōu)化目標(biāo)函數(shù)來(lái)尋找全局最優(yōu)解。特征選擇預(yù)處理分為3步：（1）基于5種植被指數(shù)計(jì)算公式，對(duì)不同高度、不同生育期的原始波段數(shù)據(jù)進(jìn)行特征擴(kuò)充，生成新植被指數(shù)；（2）進(jìn)行相關(guān)性分析，篩選與實(shí)測(cè)LAI值相關(guān)性高的特征；（3）保留每個(gè)時(shí)期相關(guān)性較高的20個(gè)特征，剔除其余相關(guān)性較低的特征。

將優(yōu)化目標(biāo)與模型參數(shù)特征組合數(shù)視為一個(gè)函數(shù)，即以模型R²或MSE等優(yōu)化目標(biāo)為因變量（y），模型參數(shù)與特征組合為自變量（x），有y=f（x），進(jìn)行如下優(yōu)化步驟，得到最優(yōu)參數(shù)與特征組合：（1）給定優(yōu)化目標(biāo)與目標(biāo)參數(shù)特征組合的取值范圍，即模型參數(shù)的取值范圍與特征組合的集合；（2）在所有可選參數(shù)與特征組合的取值范圍內(nèi)隨機(jī)取值，求出這些值對(duì)應(yīng)的優(yōu)化目標(biāo)得分；（3）根據(jù)上一步得到的有限觀測(cè)值，對(duì)優(yōu)化目標(biāo)函數(shù)f（x）進(jìn)行估計(jì)，得到f（x）的估計(jì)函數(shù);（4）利用采集函數(shù)選取下一個(gè)需要實(shí)值計(jì)算的點(diǎn)，采集函數(shù)通?？梢赃x擇置信度上限或信息熵等函數(shù)，例如可在置信度低的地方選取下一個(gè)要計(jì)算的點(diǎn)，從而返回步驟（2）進(jìn)行迭代更新。最終得到函數(shù)f（x）的估計(jì)函數(shù)，從而計(jì)算出使優(yōu)化目標(biāo)達(dá)到最優(yōu)的參數(shù)取值和特征組合。

1.5 模型的構(gòu)建

將采集的100個(gè)樣本數(shù)據(jù)分為2個(gè)部分，為了避免模型對(duì)特定數(shù)據(jù)分布的過(guò)度擬合，采用隨機(jī)性原則進(jìn)行劃分。最終確定70%作為訓(xùn)練集，剩余30%為驗(yàn)證集。在PyCharm中應(yīng)用CatBoost、RF、DNN和SVR模型預(yù)測(cè)不同高度及不同算法下的棗樹(shù)LAI值。以棗樹(shù)實(shí)測(cè)LAI值為因變量、無(wú)人機(jī)最優(yōu)特征組合為自變量，參與4個(gè)模型的訓(xùn)練。

CatBoost屬于Boosting算法家族，其核心使用對(duì)稱的全二叉樹(shù)結(jié)構(gòu)，以簡(jiǎn)化模型的復(fù)雜度和降低計(jì)算量，有效減少過(guò)擬合現(xiàn)象^[28-29]。該算法引入最小方差采樣（MVS）技術(shù)優(yōu)化訓(xùn)練中的樣本選擇，以提高對(duì)不均勻數(shù)據(jù)集的處理能力。預(yù)測(cè)時(shí)，通過(guò)葉節(jié)點(diǎn)預(yù)測(cè)值的加權(quán)求和得到最終結(jié)果。在本研究中，CatBoost的配置參數(shù)為nrounds=75，max_depth=4，eta=0.09，這些設(shè)置使模型具有高準(zhǔn)確性和良好的泛化能力。

隨機(jī)森林（RF）是一種基于Bagging的集成學(xué)習(xí)模型^[19]，它結(jié)合自助聚合法和隨機(jī)特征選擇來(lái)構(gòu)建多個(gè)決策樹(shù)，通過(guò)增加樹(shù)與樹(shù)之間的差異性，有效降低模型方差，提高泛化能力。在預(yù)測(cè)過(guò)程中，將樣本并行輸入到各決策樹(shù)中并通過(guò)投票或求平均的方式整合結(jié)果，增強(qiáng)了模型的精確性、魯棒性。本研究用TPE法確定隨機(jī)森林配置（nrounds=89，max_depth=3，min_samples_split=4），以優(yōu)化模型的性能和適應(yīng)性。

本研究設(shè)計(jì)的深度神經(jīng)網(wǎng)絡(luò)（DNN）算法針對(duì)低維特征數(shù)據(jù)進(jìn)行優(yōu)化處理。算法結(jié)構(gòu)包括3個(gè)全連接層，神經(jīng)元數(shù)分別為16個(gè)、64個(gè)和16個(gè)，使用tanh激活函數(shù)引入非線性特性并增強(qiáng)模型對(duì)復(fù)雜數(shù)據(jù)的表達(dá)能力。此外，集成了1個(gè)8神經(jīng)元的單層網(wǎng)絡(luò)^[24]。最終，將2個(gè)網(wǎng)絡(luò)的輸出合并后，通過(guò)1個(gè)8神經(jīng)元的單層網(wǎng)絡(luò)進(jìn)行回歸預(yù)測(cè)。為了提升性能并防止過(guò)擬合，模型訓(xùn)練設(shè)定的批次大小為32，學(xué)習(xí)率為0.001，采用Adam優(yōu)化器和均方誤差（MSE）損失函數(shù)進(jìn)行100輪訓(xùn)練迭代，并實(shí)施早停策略。

支持向量回歸（SVR）是基于支持向量機(jī)的一種常用的回歸模型，通過(guò)確定支持向量來(lái)構(gòu)建回歸函數(shù)的超平面，并通過(guò)最大化該超平面與訓(xùn)練數(shù)據(jù)間的間隔來(lái)進(jìn)行擬合^[30]。SVR常用不同核函數(shù)來(lái)提升模型對(duì)非線性數(shù)據(jù)的擬合能力，例如高斯核和多項(xiàng)式核等。模型構(gòu)建完成后，可通過(guò)將預(yù)測(cè)樣本的特征與相應(yīng)系數(shù)相乘來(lái)得到預(yù)測(cè)結(jié)果。本研究中的SVR模型配置為kernel=‘poly’（多項(xiàng)式核），degree=7，用以捕捉數(shù)據(jù)中的高階非線性關(guān)系。

1.6 模型的驗(yàn)證

本研究采用SVR、DNN、RF和CatBoost評(píng)估模型精度，并分析無(wú)人機(jī)在不同生育期及不同飛行高度采集的數(shù)據(jù)對(duì)模型性能的影響。性能評(píng)估主要依據(jù)決定系數(shù)（R²）和均方誤差（MSE）。通過(guò)對(duì)比模型在不同條件下的R²和MSE，確定在LAI值檢測(cè)任務(wù)中表現(xiàn)最佳的模型。上述比較不僅揭示了各模型的優(yōu)勢(shì)與局限性，還有助于選擇最適合當(dāng)前數(shù)據(jù)特征的模型，以提升棗樹(shù)葉片LAI值檢測(cè)的準(zhǔn)確性和效率。

2 結(jié)果與分析

2.1 棗樹(shù)LAI變化特征

棗樹(shù)盛花期、坐果期和膨大期100個(gè)樣本的實(shí)測(cè)LAI值統(tǒng)計(jì)特征如圖3所示。整個(gè)生育期中，棗樹(shù)葉片的LAI值為0.79～2.47，不同生育期間的LAI值存在明顯差異。隨著生育進(jìn)程的推進(jìn)，LAI值呈現(xiàn)出先升高后降低的趨勢(shì)，以坐果期為轉(zhuǎn)折點(diǎn)。從盛花期到膨大期，棗樹(shù)葉片的結(jié)構(gòu)和形態(tài)發(fā)生顯著變化，直接影響了不同生育期的LAI值特征。在盛花期，為了滿足植物的生長(zhǎng)需求，葉片進(jìn)行大量光合作用以積累營(yíng)養(yǎng)物質(zhì)，導(dǎo)致LAI提高。進(jìn)入膨大期后，果實(shí)快速膨大，需要大量營(yíng)養(yǎng)元素和水分，棗樹(shù)減少對(duì)葉片的資源投入，導(dǎo)致LAI降低。在盛花期、坐果期和膨大期，LAI值的變異系數(shù)分別為13.46%、13.44%和14.71%，變異性屬于中等。

2.2 不同飛行高度與3個(gè)生育期LAI的差異性分析

本研究利用無(wú)人機(jī)在不同飛行高度和棗樹(shù)各生育期的數(shù)據(jù)，通過(guò)TPE-CatBoost、TPE-RF、TPE-DNN和TPE-SVR模型建立棗樹(shù)LAI檢測(cè)模型。表2顯示，在60 m的無(wú)人機(jī)飛行高度下，TPE-CatBoost模型在3個(gè)生育期獲得了最高訓(xùn)練精度，訓(xùn)練集的R²分別為0.823 6、0.867 5和0.845 3，MSE分別為0.008 8、0.005 2和0.006 7。而在200 m的無(wú)人機(jī)飛行高度下，TPE-CatBoost模型的表現(xiàn)也較好，訓(xùn)練集的R²分別為0.711 5、0.745 1和0.722 2，MSE分別為0.012 2、0.009 3和0.011 5。由圖4可以看出，在60 m飛行高度下3個(gè)生育期中，各反演模型的精度驗(yàn)證集決定系數(shù)（R²）從大到小依次為TPE-CatBoost、TPE-RF、TPE-DNN和TPE-SVR。TPE-CatBoost模型的MSE最小，說(shuō)明其學(xué)習(xí)能力最強(qiáng)，能夠提高棗樹(shù)LAI的反演精度。與其他模型相比，TPE-CatBoost在棗樹(shù)LAI反演上具有更高的擬合度和更小的誤差。

2.3 反演結(jié)果差異性分析

本研究對(duì)無(wú)人機(jī)在60 m飛行高度下3個(gè)生育期棗樹(shù)的葉面積指數(shù)（LAI）進(jìn)行了詳細(xì)的空間分布分析。從圖2、圖5可以看出，通過(guò)空間插值和遙感反演得到的棗樹(shù)LAI值大部分分布在中值區(qū)域，低值區(qū)主要集中在東南角、西北角，而高值區(qū)則集中在中間區(qū)域。上述分布與棗園中部開(kāi)始漫灌并向四周擴(kuò)散的灌溉模式密切相關(guān)。從棗樹(shù)3個(gè)生育期（TPE-CatBoost、TPE-RF、TPE-DNN、TPE-SVR）的12種反演結(jié)果看出，棗樹(shù)LAI值主要分布在中值區(qū)，低值區(qū)主要分布在棗園東南角、西北角，高值區(qū)主要集中在棗園中間區(qū)域，這與空間插值結(jié)果相符。與TPE-RF、TPE-DNN和TPE-SVR模型相比，TPE-CatBoost模型的優(yōu)異性體現(xiàn)在對(duì)棗樹(shù)各生育期LAI高值區(qū)在中間區(qū)域的精確反演，其反演結(jié)果也更貼近空間插值。對(duì)比各生育期時(shí)空分布特征可知，盡管空間插值和遙感反演模型的LAI值分布大體一致，空間插值結(jié)果呈現(xiàn)較為固定的趨勢(shì)，而遙感反演模型得到的結(jié)果則能更動(dòng)態(tài)地反映棗樹(shù)LAI值的實(shí)際分布情況。

3 討論

棗樹(shù)在其生長(zhǎng)周期中的盛花期到膨大期經(jīng)歷了3個(gè)生育階段，其間LAI呈現(xiàn)出先升高后降低的趨勢(shì)，這與Bai等^[9]的研究結(jié)果一致。LAI是作物冠層結(jié)構(gòu)的重要參數(shù)，其準(zhǔn)確測(cè)定對(duì)作物生長(zhǎng)監(jiān)控和產(chǎn)量預(yù)測(cè)至關(guān)重要。本研究利用無(wú)人機(jī)在不同高度采集的多光譜影像，結(jié)合TPE和4種機(jī)器學(xué)習(xí)模型監(jiān)測(cè)棗樹(shù)LAI，探討其應(yīng)用潛力。與傳統(tǒng)衛(wèi)星（如Sentinel-2、Landsat-9）相比，無(wú)人機(jī)提供的高分辨率光譜數(shù)據(jù)在作物生理參數(shù)監(jiān)測(cè)方面實(shí)現(xiàn)了更精細(xì)化的改進(jìn)。

本研究利用無(wú)人機(jī)在3個(gè)不同高度和3個(gè)生育期的數(shù)據(jù)源，同時(shí)利用TPE結(jié)合4種機(jī)器學(xué)習(xí)模型（CatBoost、RF、DNNF和SVR）的組合進(jìn)行試驗(yàn)，以期提升棗樹(shù)LAI的預(yù)測(cè)精度。驗(yàn)證結(jié)果表明，TPE特征優(yōu)選、模型參數(shù)選擇結(jié)合機(jī)器學(xué)習(xí)算法對(duì)棗樹(shù)不同生育期LAI的監(jiān)測(cè)是可行的，說(shuō)明TPE結(jié)合機(jī)器學(xué)習(xí)算法能夠在多個(gè)光譜指數(shù)中篩選出與棗樹(shù)LAI高度相關(guān)的光譜組合和各機(jī)器學(xué)習(xí)的最優(yōu)參數(shù)。當(dāng)飛行高度為60 m時(shí)，不同生育期的影像與TPE結(jié)合不同機(jī)器學(xué)習(xí)模型得到的結(jié)果存在較大差異。尤其是當(dāng)機(jī)器學(xué)習(xí)模型為SVR時(shí)，TPE結(jié)合SVR模型均不能很好地反演3個(gè)生育期的棗樹(shù)LAI區(qū)域。使用TPE結(jié)合CatBoost模型時(shí)，盡管在3個(gè)重要生育期中可以很好地區(qū)分棗樹(shù)的LAI值低值區(qū)、LAI值中值區(qū)、LAI值高值區(qū)等區(qū)域，但與空間插值結(jié)果存在一定差異。綜合分析可知，上述結(jié)果與Xiao等^[28]的研究結(jié)論一致，TPE-CatBoost模型的表現(xiàn)優(yōu)于其他模型，這是因?yàn)門PE-CatBoost模型結(jié)合了CatBoost算法的優(yōu)勢(shì)和TPE優(yōu)化方法的效率，提供了一種高效、魯棒、自動(dòng)化的特征優(yōu)選和模型參數(shù)優(yōu)化解決方案。此外，本研究使用的2種不同評(píng)價(jià)指標(biāo)（R²和MSE）存在一定的不一致性，因此后續(xù)研究應(yīng)引入其他評(píng)估指標(biāo)[如平均絕對(duì)誤差（MAE）或RMSE]以進(jìn)行更全面的評(píng)價(jià)。

本研究利用飛行高度為60 m的遙感影像，通過(guò)TPE結(jié)合CatBoost、RF、DNNF和SVR4種機(jī)器學(xué)習(xí)模型，對(duì)棗樹(shù)各生育期的LAI值進(jìn)行了分類和反演分析。結(jié)果表明，不同機(jī)器學(xué)習(xí)模型和空間插值法在LAI反演結(jié)果上存在差異，這些差異源自于每種模型的算法特性和基礎(chǔ)假設(shè)不同。對(duì)棗樹(shù)盛花期、坐果期和膨大期等不同生育期的研究結(jié)果顯示，利用反演、空間插值法得到的中值、平均值處于中等區(qū)內(nèi)，表明棗樹(shù)3個(gè)生育期的生長(zhǎng)狀況總體上表現(xiàn)良好。然而，由于無(wú)人機(jī)多光譜數(shù)據(jù)的光譜特性和植被覆蓋程度的差異，在不同生育期模型的監(jiān)測(cè)結(jié)果表現(xiàn)出了不同的差異。為了提高模型的精度和適應(yīng)性，今后的研究應(yīng)考慮引入更多機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型，或嘗試模型融合技術(shù)，同時(shí)進(jìn)行實(shí)地驗(yàn)證和樣品分析，從而提供更有力的證據(jù)來(lái)支持當(dāng)前的遙感分析結(jié)果。

4 結(jié)論

本研究以新疆阿拉爾墾區(qū)棗園為例，分析了野外采集的棗樹(shù)LAI數(shù)據(jù)及不同飛行高度無(wú)人機(jī)獲取的遙感影像。本研究比較了TPE結(jié)合不同模型的建模策略，通過(guò)對(duì)比不同生育期模型的R²、MSE值及空間插值法的結(jié)果，揭示了各模型在棗樹(shù)生育期建模中的差異和精確度，得出如下結(jié)論：（1）在坐果期，TPE-CatBoost模型相較于其他模型在驗(yàn)證棗樹(shù)LAI值上的表現(xiàn)更優(yōu)，其在訓(xùn)練集中的R²達(dá)到0.842 1，MSE降至0.006 6。此外，基于60 m無(wú)人機(jī)數(shù)據(jù)的驗(yàn)證結(jié)果顯示，在各生育期，模型均保持了高預(yù)測(cè)精度和穩(wěn)定性，突顯了其可靠性和精確度優(yōu)勢(shì)。（2）通過(guò)對(duì)60 m飛行高度棗樹(shù)LAI的空間分布進(jìn)行詳細(xì)分析，發(fā)現(xiàn)LAI值主要分布在中值區(qū)域，東南角和西北角為低值區(qū)，中間區(qū)域?yàn)楦咧祬^(qū)，這與棗園的實(shí)際灌溉模式緊密相關(guān)。其中，TPE-CatBoost模型在3個(gè)生育期的LAI反演中表現(xiàn)最佳，結(jié)果不僅與空間插值法的結(jié)果一致，而且更真實(shí)地反映了LAI的實(shí)際分布。

參考文獻(xiàn)：

[1] ZOU M X， LIU Y， FU M D， et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage[J]. Frontiers in Plant Science，2024，14：1272049.

[2] DABROWSKI P， KEUTGEN A J， KEUTGEN N， et al. Photosynthetic efficiency of perennial ryegrass （Lolium perenne L.） seedlings in response to Ni and Cd stress[J]. Scientific Reports，2023，13：5357.

[3] 劉麗瑩，付祥釗，羅志強(qiáng)，等. 小葉榕氣生根氣體交換特征及影響因子研究[J]. 熱帶亞熱帶植物學(xué)報(bào)，2011，19（1）：45-50.

[4] 孟 暢，趙 楊，楊 菊，等. 光質(zhì)對(duì)皂莢幼苗生長(zhǎng)發(fā)育、光合特性及相關(guān)生理指標(biāo)的影響[J]. 植物生理學(xué)報(bào)，2022，58（10）：1961-1972.

[5] 蘇鈺格，包云軒，唐 倩，等. 基于地面高光譜遙感的稻縱卷葉螟為害下的水稻LAI估算模型研究[J]. 中國(guó)植保導(dǎo)刊，2023，43（1）：44-51.

[6] ZHUO W，F(xiàn)ANG S B，GAO X R，et al. Crop yield prediction using MODIS LAI，TIGGE weather forecasts and WOFOST model：a case study for winter wheat in Hebei，China during 2009-2013[J]. International Journal of Applied Earth Observation and Geoinformation，2022，106：102668.

[7] 楊 楠，周 萌，陳 歡，等. 基于無(wú)人機(jī)RGB影像的小麥葉面積指數(shù)與產(chǎn)量估算研究[J]. 麥類作物學(xué)報(bào)，2023，43（7）：920-932.

[8] CHEN Y， ZHANG Z， TAO F L. Improving regional winter wheat yield estimation through assimilation of phenology and leaf area index from remote sensing data[J]. European Journal of Agronomy，2018，101：163-173.

[9] BAI T C， ZHANG N N， MERCATORIS B， et al. Improving jujube fruit tree yield estimation at the field scale by assimilating a single landsat remotely-sensed LAI into the WOFOST model[J]. Remote Sensing，2019，11（9）：1119.

[10]谷曉博，程智楷，周智輝，等. 基于特征降維和機(jī)器學(xué)習(xí)的覆膜冬小麥LAI遙感反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（6）：148-157，167.

[11]JIN X L， ZARCO-TEJADA P J， SCHMIDHALTER U， et al. High-throughput estimation of crop traits：a review of ground and aerial phenotyping platforms[J]. IEEE Geoscience and Remote Sensing Magazine，2021，9（1）：200-231.

[12]孫永祺，陳夢(mèng)媛，黃 倩，等. 低空無(wú)人機(jī)遙感在油料作物表型分析中的應(yīng)用[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2023，49（4）：472-483.

[13]SHAO G M， HAN W T， ZHANG H H， et al. Mapping maize crop coefficient K_c using random forest algorithm based on leaf area index and UAV-based multispectral vegetation indices[J]. Agricultural Water Management，2021，252：106906.

[14]劉帥兵，金秀良，馮海寬，等. 基于無(wú)人機(jī)多源遙感的玉米LAI垂直分布估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（5）：181-193，287.

[15]ZOU M X， LIU Y， FU M D， et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage[J]. Frontiers in Plant Science，2024，14：1272049.

[16]CARUSO G， PALAI G， TOZZINI L， et al. The role of LAI and leaf chlorophyll on NDVI estimated by UAV in grapevine canopies[J]. Scientia Horticulturae，2023，322：112398.

[17]LIU S B， JIN X L， BAI Y， et al. UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background[J]. International Journal of Applied Earth Observation and Geoinformation，2023，121：103383.

[18]陳家華，張立福，黃長(zhǎng)平，等. 基于Sentinel-2A影像光譜和紋理特征的冬小麥葉面積指數(shù)估算模型研究[J]. 遙感技術(shù)與應(yīng)用，2024，39（2）：290-305.

[19]LI X N， XU X Y， XIANG S， et al. Soybean leaf estimation based on RGB images and machine learning methods[J]. Plant Methods，2023，19（1）：59.

[20]石浩磊，曹紅霞，張偉杰，等. 基于無(wú)人機(jī)多光譜的棉花多生育期葉面積指數(shù)反演[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2024，57（1）：80-95.

[21]張傳波，李衛(wèi)國(guó)，王 晶，等. 波段反射率和植被指數(shù)結(jié)合的作物生長(zhǎng)季農(nóng)田土壤水分估測(cè)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（1）：111-118.

[22]BLASCH G， ANBERBIR T， NEGASH T， et al. The potential of UAV and very high-resolution satellite imagery for yellow and stem rust detection and phenotyping in Ethiopia[J]. Scientific Reports，2023，13：16768.

[23]韓振強(qiáng)，李衛(wèi)國(guó)，張曉東，等. 多遙感光譜指標(biāo)結(jié)合進(jìn)行大田冬小麥葉片葉綠素含量估測(cè)研究[J]. 麥類作物學(xué)報(bào)，2023，43（11）：1467-1474.

[24]洪國(guó)軍，謝俊博，張 靈，等. 基于多光譜影像的阿拉爾墾區(qū)棉田土壤鹽分反演[J]. 干旱區(qū)研究，2024，41（5）：894-904.

[25]GOVI D， PAPPALARDO S E， DE MARCHI M， et al. From space to field：combining satellite，UAV and agronomic data in an open-source methodology for the validation of NDVI maps in precision viticulture[J]. Remote Sensing，2024，16（5）：735.

[26]MOSCOVINI L， ORTENZI L， PALLOTTINO F， et al. An open-source machine-learning application for predicting pixel-to-pixel NDVI regression from RGB calibrated images[J]. Computers and Electronics in Agriculture，2024，216：108536.

[27]吳運(yùn)力，張 鈺，田佳榕. 氣候變化和人類活動(dòng)對(duì)內(nèi)蒙古高原不同植被類型NDVI的影響[J]. 中國(guó)農(nóng)業(yè)氣象，2023，44（12）：1155-1168.

[28]XIAO W， WANG C B， LIU J M， et al. Optimizing faulting prediction for rigid pavements using a hybrid SHAP-TPE-CatBoost model[J]. Applied Sciences，2023，13（23）：12862.

[29]張錫煜，李思佳，王 翔，等. 基于Sentinel-2衛(wèi)星影像的黑龍江綏化市土壤全氮定量遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（15）：144-151.

[30]SZOSTAK B， SPECHT M， BURDZIAKOWSKI P， et al. Methodology for performing bathymetric measurements of shallow waterbodies using an UAV，and their processing based on the SVR algorithm[J]. Measurement，2023，223：113720.

（責(zé)任編輯：徐 艷）