基于無(wú)人機(jī)多光譜影像水氮耦合下棉花LAI與SPAD值模型的精度估測(cè)

中圖分類(lèi)號(hào)：S562 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-4330（2025）04-0781-10

0 引言

【研究意義】新疆是我國(guó)重要的商品棉生產(chǎn)基地[1]。棉花葉綠素相對(duì)含量（Chlorophyll rela-tivecontent，SPAD）是棉花長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)之_[2-3]，SPAD 值測(cè)定和葉面積指數(shù)（Leaf area in-dex，LAI）是棉花生長(zhǎng)管理中常用無(wú)損、方便的方法，為棉花產(chǎn)量估算、生長(zhǎng)狀態(tài)診斷和田間管理提供可靠數(shù)據(jù)支持[4-5]。【前人研究進(jìn)展】目前隨著精準(zhǔn)農(nóng)業(yè)發(fā)展，農(nóng)業(yè)遙感技術(shù)得到進(jìn)一步應(yīng)用。

衛(wèi)星遙感主要針對(duì)大尺度種植面積和作物長(zhǎng)勢(shì)的監(jiān)測(cè)，地物光譜儀主要進(jìn)行點(diǎn)尺度的數(shù)據(jù)獲取，但難以進(jìn)行大面積的監(jiān)測(cè)。無(wú)人機(jī)則體現(xiàn)出靈活性高、成本低、機(jī)動(dòng)性強(qiáng)和時(shí)空分辨率高等特點(diǎn)，監(jiān)測(cè)田間作物具有無(wú)可比擬的優(yōu)勢(shì)。近年來(lái)，無(wú)人機(jī)遙感技術(shù)為農(nóng)田動(dòng)態(tài)監(jiān)測(cè)提供了科學(xué)方法[6]無(wú)人機(jī)可以在短時(shí)間內(nèi)獲得較大范圍高分辨率的影像數(shù)據(jù)，彌補(bǔ)了衛(wèi)星遙感在中小尺度研究中的不足[7]。利用無(wú)人機(jī)遙感進(jìn)行作物生長(zhǎng)監(jiān)測(cè)和定量分析已成為研究熱點(diǎn)。楊貴軍等8通過(guò)無(wú)人機(jī)搭載多傳感器，實(shí)現(xiàn)了對(duì)作物產(chǎn)量 ，LAI 、冠層溫度等多種信息的監(jiān)測(cè)。孫詩(shī)睿等基于無(wú)人機(jī)多光譜遙感反演了冬小麥的 LAI ，發(fā)現(xiàn)隨機(jī)森林（Ran-dom forest， RF ）算法對(duì)冬小麥的 LAI 反演有更好的擬合效果。王亞杰°基于無(wú)人機(jī)獲取的多光譜數(shù)據(jù)，系統(tǒng)比較了玉米葉面積指數(shù)的不同監(jiān)測(cè)方法，結(jié)果表明，在不同水分處理下基于EVI構(gòu)建的一元線性模型能夠較好的預(yù)測(cè)玉米灌漿期和成熟期的 LAI 。喬浪等[\"從無(wú)人機(jī)RGB圖像中提取了10種顏色特征和6種紋理特征，采用BP神經(jīng)網(wǎng)絡(luò)建立玉米冠層葉綠素含量檢測(cè)模型，模型的決定系數(shù)為0.72。賀佳等[12，13]利用無(wú)人機(jī)獲取玉米多個(gè)生育時(shí)期的光譜影像，建立了不同生育時(shí)期的 LAI 估算模型并進(jìn)行驗(yàn)證?！颈狙芯壳腥朦c(diǎn)】目前基于無(wú)人機(jī)開(kāi)展的 LAI 和 SPAD 值研究主要集中在小麥、玉米和水稻等作物上，但鮮有對(duì)新疆南疆棉花全生育期進(jìn)行 LAI 和 SPAD 值反演的相關(guān)研究，前人已有通過(guò)衛(wèi)星遙感對(duì)棉花長(zhǎng)勢(shì)和產(chǎn)量的研究，建立了感興趣區(qū)所有的像元平均值和地面的農(nóng)學(xué)參數(shù)建立定量的模型參數(shù)，但衛(wèi)星遙感獲得的影像數(shù)據(jù)分辨率不如無(wú)人機(jī)獲得的分辨率高。因此，需基于無(wú)人機(jī)多光譜影像水氮耦合下研究棉花 LAI 和SPAD值的反演模型。【擬解決的關(guān)鍵問(wèn)題】利用無(wú)人機(jī)多光譜影像提取分析植被指數(shù)（VIs）和紋理特征（TFs）及其相關(guān)性，篩選出與棉花葉面積指數(shù)（LAI）和葉綠素相對(duì)含量（ SPAD 值）相關(guān)性高的變量，構(gòu)建基于 |VIs? 與 TFs 和二者融合參數(shù)作為輸人變量的棉花 LAI 和 SPAD 值的估測(cè)模型，探討3種參數(shù)選擇下模型對(duì)棉花 LAI 和SPAD值的估算精度差異，為新疆南疆棉花 LAI 和 SPAD 值的定量、監(jiān)測(cè)、實(shí)現(xiàn)農(nóng)田精準(zhǔn)灌溉和施肥提供技術(shù)支持。

材料與方法

1.1材料

研究區(qū)位于新疆生產(chǎn)建設(shè)兵團(tuán)第一師阿拉爾市八團(tuán)（中國(guó)科學(xué)院阿克蘇農(nóng)田生態(tài)系統(tǒng)國(guó)家野外科學(xué)觀測(cè)研究站， 80^°45^′E，40^°37^′N） 。該地為典型的暖溫帶極端大陸性干旱荒漠氣候區(qū)，夏季氣溫高，冬季寒冷，日照充足，降水稀少，蒸發(fā)強(qiáng)烈。多年年均降水量約為 48.50mm 。試驗(yàn)區(qū)土壤類(lèi)型為鹽化潮土，土壤質(zhì)地為粉砂質(zhì)壤土（砂粒 46% 、粉粒 50% 和黏粒 4% ），土壤 pH 值為8.08，堿解氮含量為 3.79mg/kg ，速效磷含量為11.52mg/kg ，速效鉀含量為 104.02mg/kg ，全氮含量為 0.58g/kg ，全磷含量為 0.87g/kg ，全鉀含量為 20.56g/kg ，有機(jī)質(zhì)含量為 15.95g/kg 。圖1

于2022年 5～10 月進(jìn)行，種植的棉花品種為新陸中46號(hào)，采用膜下滴灌技術(shù)，采取寬窄行播種行距為 10cm+60cm+10cm ，膜間裸地寬度60cm ，株距 10cm ，每膜6行，采用1管4行滴灌毛管鋪在寬行中間。

1.2 方法

1. 2.1 試驗(yàn)設(shè)計(jì)

共設(shè)置15各處理，每個(gè)小區(qū) 11m×4m=44 m² 。設(shè)置5個(gè)純氮水平和3個(gè)灌溉定額，5個(gè)純氮水平分別為 N₀ （ 200kg/hm² ）、 N₁ （ 300kg/ hm² ）、 N₂ （ 400kg/hm² ）、 N₃ （ 500kg/hm² 和 ΔN₄ （ 600kg/hm² ）。3個(gè)灌溉定額分別為 W₁（2 100 m³/hm² ）、 V₂（2800m³/hm²） 和 W₃ （ 3500m³/ hm² ），每個(gè)處理3次重復(fù)。底肥一次性施入尿素（ N46% ） 150kg/hm² 、磷酸二銨 （P₂O₅46% ，N18% ） 300kg/hm² 、復(fù)合肥（ N15% ， P₂O₂15% ， K₂ 015%）450kg/hm² ，其余氮素以尿素（ N45% ）形式隨水多次施入。

1.2.2 數(shù)據(jù)獲取與影像處理

1.2. 2. 1 無(wú)人機(jī)光譜影像數(shù)據(jù)

選擇在天氣晴朗、無(wú)云的條件下，運(yùn)用無(wú)人機(jī)多光譜遙感影像的采集并同時(shí)采集地面 LAI SPAD值數(shù)據(jù)。無(wú)人機(jī)多光譜影像的采集時(shí)間集中在 12：00～14：00 ，使用大疆精靈4多光譜版。相機(jī)分辨率為 1600×1300PPI ，光圈值為 f/2.2 焦距為 5.74mm ，型號(hào)為 FC6360 。在田間組裝無(wú)人機(jī)設(shè)備并校正地磁和指南針，保障在獲取無(wú)人機(jī)多光譜影像中的坐標(biāo)準(zhǔn)確性。該無(wú)人機(jī)采集影像時(shí)垂直向下獲取5個(gè)波段的遙感影像，分別為藍(lán)光、綠光、紅光、紅邊和近紅外5個(gè)波段的光譜影像。提前規(guī)劃飛行計(jì)劃，要保證航線區(qū)域內(nèi)不會(huì)受到樹(shù)木、高壓電線及信號(hào)塔等的干擾，設(shè)定飛行高度為 30m ，航向重疊率為 85% ，旁向重疊率為 70% 。將所獲取的影像數(shù)據(jù)使用大疆智圖（DJITerra）軟件拼接，以獲得不同時(shí)期整個(gè)試驗(yàn)區(qū)的影像。

1. 2.2. 2 地面數(shù)據(jù)

于每個(gè)小區(qū)隨機(jī)選擇長(zhǎng)勢(shì)較均一的3株棉花測(cè)定 LAI 和SPAD值的地面數(shù)據(jù)。使用直尺對(duì)每個(gè)小區(qū)3株棉花分別測(cè)量每片葉的面積，將所測(cè)得結(jié)果進(jìn)行平均作為該小區(qū)的 LAI ;選用SPAD-

502型手持式葉綠素儀測(cè)定 SPAD 值。測(cè)定之前進(jìn)行儀器校準(zhǔn)，每個(gè)選3株棉花，每株選擇3片葉片，每片葉子不同位置測(cè)定3次，取其平均值作為該小區(qū)的SPAD值。

1.2.3 光譜特征選擇

選取16種 VIs 對(duì)棉花 LAI 和 SPAD 值進(jìn)行反演， VIs 可以反映出植物的生長(zhǎng)狀態(tài)[14]， VIs 是根據(jù)植被反射率的2個(gè)或多個(gè)波段經(jīng)過(guò)特定組合得出的參數(shù)。表1

紋理特征是用于描述圖像中表面細(xì)微結(jié)構(gòu)和布局的視覺(jué)特征，反映物體表面的組織結(jié)構(gòu)排列屬性。使用ENVI5.6軟件進(jìn)行基于二階概率統(tǒng)計(jì)濾波（Co－occurrencemeasures）的方式來(lái)實(shí)現(xiàn)圖像紋理特征值的提取[15]，對(duì)近紅外波段進(jìn)行提取共獲取8類(lèi) TFs ：均值（MEA）、方差（VAR）、協(xié)同性（HOM）對(duì)比度（CON）、相異性（DIS）、信息熵（ENT）、二階矩（SEM）和相關(guān)性（COR）。紋理分析時(shí)選取窗口尺寸為 7×7 ，空間相關(guān)矩陣偏移X 和 Y 默認(rèn)為1。表2

1.3 數(shù)據(jù)處理

1. 3.1 模型構(gòu)建

分析提取的植被指數(shù)（VIs）和紋理特征（TFs）與棉花葉面積指數(shù) （LAI） 和葉綠素相對(duì)含量（SPAD值）之間的相關(guān)性，并篩選出對(duì)于估算模型最優(yōu)的光譜變量。采用反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、隨機(jī)森林（RF）以及支持向量機(jī)（SVR）等回歸模型。將利用提取的光譜特征作為輸入模型，通過(guò)學(xué)習(xí)建立與棉花 LAI 和SPAD值之間的復(fù)雜非線性關(guān)系，以實(shí)現(xiàn)對(duì) LAI 和 SPAD 值的精準(zhǔn)估算。篩選出最具預(yù)測(cè)能力的光譜變量。3種模型分別與棉花 LAI 和SPAD值建立估算模型。SVR是一種有監(jiān)督式的機(jī)器學(xué)習(xí)算法，通過(guò)在高維或無(wú)限維空間中構(gòu)造一個(gè)或一組超平面來(lái)實(shí)現(xiàn)分類(lèi)和回歸[32]，BPNN是一種運(yùn)用誤差反向傳播方式修正權(quán)值、閾值，具有高度自學(xué)習(xí)和自適應(yīng)的能力[33]。RF通過(guò)有放回地抽樣從原始數(shù)據(jù)集中構(gòu)建多個(gè)子數(shù)據(jù)集，可挖掘變量之間的復(fù)雜非線性關(guān)系[34]。全生育期共 225個(gè)樣本，按照6：4劃分建模集和驗(yàn)證集。

1.3.2 模型精度驗(yàn)證

選取決定系數(shù)（Coefficientofdetermination，R² ）、均方根誤差（Root mean square error，RMSE）和均方根誤差（Meansquareerror，MSE）作為評(píng)價(jià)估算模型的指標(biāo)[35]。估算模型和驗(yàn)證模型的 R² 越大，RMSE和MSE越小，模型穩(wěn)定性越好，預(yù)測(cè)精度越高。

2 結(jié)果與分析

2.1 棉花 LAI 及 SPAD 值與光譜數(shù)據(jù)

研究表明，整個(gè)生育期內(nèi)，棉花 LAI 呈先上升后下降的趨勢(shì)，并在花期達(dá)到最高值。每個(gè)生育期采集45個(gè)樣本數(shù)據(jù)，全生育期共225個(gè)樣本。棉花 LAI 平均值由蕾期（1.65）增加到花期（2.31），花鈴期（2.25）盛鈴期（2.15）吐絮期（2.10），花期棉花 LAI 達(dá)到最大值，在花鈴期開(kāi)始逐漸下降。棉花整個(gè)生育期的 LAI 數(shù)據(jù)表現(xiàn)出較小的標(biāo)準(zhǔn)差 （0.3～0.45 ）、方差 （0.09～0.20） 和變異系數(shù) （0.16～0.19） 。棉花 LAI 的離散程度較低，即在整個(gè)生長(zhǎng)期內(nèi)，棉花 LAI 分布相對(duì)均勻。表3

在棉花的整個(gè)生長(zhǎng)過(guò)程中，水氮耦合處理對(duì)棉花SPAD值產(chǎn)生了影響。棉花 SPAD 值呈先上升后下降的趨勢(shì)，并在花期達(dá)到最高值。在各生育期，采集45個(gè)樣本數(shù)據(jù)，合計(jì)共225個(gè)樣本。SPAD值平均值由蕾期（39.67）逐漸增加至花期（51.22），在花鈴期（46.98）、盛鈴期（45.87）、吐絮期（45.19）逐漸下降。在整個(gè)生育期內(nèi)SPAD值的標(biāo)準(zhǔn)差范圍為 2.32～3.99 ，方差范圍為5.37＼～15.90，變異系數(shù)范圍為 0.06～0.09 。棉花SPAD 值的離散程度較小，即SPAD值的分布相對(duì)均勻。表4

2.2 植被指數(shù)、紋理特征與棉花 LAI 和 SPAD 值的相關(guān)性

研究表明，篩選相關(guān)系數(shù)在0.5以上的5種VIs ，所選6種 VIs 與棉花 LAI 的相關(guān)系數(shù)在0.01水平上達(dá)極顯著（ Plt;0.01 ），相關(guān)系數(shù)絕對(duì)值在0.5以上的6種 VIs：NDVI，OSAVI，MASVI，NPCI， （204號(hào)SAVI和RVI相關(guān)系數(shù)絕對(duì)值分別為0.70、0.61、0.51，0.67，0.51 和0.66。8種TFs有4種 TFs 與棉花 LAI 相關(guān)系數(shù)在0.01水平上達(dá)到極顯著（ P lt;0.01 ），分別為CON、MEA、SEM和 COR 。對(duì)應(yīng)的相關(guān)系數(shù)絕對(duì)值分別為0.85、0.82、0.50和0.53。選出與棉花SPAD值相關(guān)系數(shù)在0.01水平上達(dá)到極顯著（ Plt;0.01 ），相關(guān)系數(shù)絕對(duì)值在0.5以上的4種 VIs：NDVI，OSAVI，NPCI，RVI ，相關(guān)系數(shù)絕對(duì)值分別為 0.57、0.53、0.57 和0.54。8種紋理特征有5種 TFs 與棉花SPAD值相關(guān)系數(shù)在0.01水平上達(dá)到極顯著（ ），分別為MEA、VAR、HOM、CON 和 SEM 。對(duì)應(yīng)的相關(guān)系數(shù)絕對(duì)值分別為 0.51，0.31，0.34，0.31 和0.32。選擇6種VIs與4種紋理特征作為模型的輸入變量估測(cè)棉花 LAI ，選擇5種 VIs 與5種TFs作為模型的輸入變量估測(cè)棉花SPAD值。圖2

表4棉花葉綠素含量統(tǒng)計(jì)

2.3 基于植被指數(shù)的棉花 LAI 和 SPAD 值估測(cè)模型

研究表明， SVR 模型的精度最低（建模集 R² =0.52 ，驗(yàn)證集 R²=0.42 ，而 RF 模型的精度最高（建模集 R²=0.75 ，驗(yàn)證集 R²=0.50 ）。以棉花SPAD值為因變量，選擇相關(guān)系數(shù)絕對(duì)值高的 VIs 作為自變量，包括NDVI、OSAVI、NPCI和 RWI 。使用 SVR，BPNN 和 RF 算法構(gòu)建 SPAD 值的估算模型，并評(píng)估其估算精度。 SVR 模型的精度最低（建模集 R²=0.31 ，驗(yàn)證集 R²=0.25 ，而 RF 模型的精度最高（建模集 R²=0.88 ，驗(yàn)證集 R²=0.45 。RF 模型在估算棉花 LAI 和 SPAD 值方面具有較高的精度，而SVR模型的性能相對(duì)較差。表5

2.4 基于紋理特征的棉花 LAI 和 SPAD 值估測(cè)模型

研究表明，篩選與棉花 LAI 相關(guān)系數(shù)絕對(duì)值較高的地紋理特征特征（TFs），包括MEA、COR、VAR、HOM、CON 和SEM，作為自變量，以棉花 LAI 為因變量，分別采用SVR、BPNN和 RF 算法構(gòu)建了相應(yīng)的估算模型。3種模型估算棉花 LAI 的精度為 0.51～0.78，SVR 模型精度最低（建模集 R² =0.51 ，驗(yàn)證集 其中 RF 模型精度最高（建模集和驗(yàn)證集分別為0.78、0.72）。3種模型對(duì)棉花SPAD值估算模型精度為 0.31～0.85，3 種模型SVR模型的精度最低（建模集驗(yàn)證集的 R² 分別為0.310.28）， RF 精度最高（建模集驗(yàn)證集的 R² 分別為0.85、0.53）。表6

2.5 基于結(jié)合植被指數(shù)和紋理特征融合的棉花LAI 和 SPAD 值估測(cè)模型

研究表明， RF 模型具有最高的精度（建模集R²=0.97 ，驗(yàn)證集 R²=0.79， 。采用 VIs 和TFs組合構(gòu)建 LAI 的 RF 估算模型，其精度比單獨(dú)使用VIs 或TFs的模型分別提高了 26.67% 和

21. 79% 。3種模型對(duì)棉花 SPAD 值估算模型精度為 0.47～0.89，RF 模型具有最高的估算精度（建模集 R²=0.91 ，驗(yàn)證集 R²=0.58 。將 VIs 和 TFs 融合構(gòu)建的棉花SPAD值估算模型比分別使用VIs 和TFs構(gòu)建的模型提高 3.41% 和 7.06% 。表7

3討論

3.1棉花 LAI 和SPAD值不僅是反映棉花生長(zhǎng)狀況和生理狀態(tài)的重要指標(biāo)，也是構(gòu)建植物光合效能、呼吸功能、蒸騰作用等估算模型的關(guān)鍵參數(shù)[36]。與傳統(tǒng)的可見(jiàn)光相機(jī)和高光譜相機(jī)相比，無(wú)人機(jī)多光譜傳感器具有成本低廉、數(shù)據(jù)處理簡(jiǎn)單等特點(diǎn)，因而在農(nóng)業(yè)遙感監(jiān)測(cè)領(lǐng)域具有一定的優(yōu)勢(shì)。利用無(wú)人機(jī)對(duì)冬小麥 LAI^[37] 大豆 LAI^[38] 號(hào)玉米SPAD值3反演結(jié)果表明，利用無(wú)人機(jī)多光譜影像對(duì)作物 LAI 和SPAD值進(jìn)行估算是可行的。

3.2無(wú)人機(jī)遙感對(duì)棉花的 LAI 和SPAD值估測(cè)研究提供理論支持，通過(guò)棉花不同生育期 LAI 和SPAD值的模型精度對(duì)比，發(fā)現(xiàn)將相關(guān)系數(shù)絕對(duì)值高的植被指數(shù)（ |VIs? ）和紋理特征（TFs）兩者融合對(duì)棉花 LAI 和 SPAD 值進(jìn)行估測(cè)的模型精度要高于單獨(dú)使用一種變量的模型精度。

3.3基于 VIs 和 TFs 構(gòu)建不同算法模型的棉花LAI 和 SPAD 值的估算模型，通過(guò)多光譜影像提取了16種植被指數(shù)和8種紋理特征，利用皮爾遜相關(guān)性分析篩選變量，對(duì)篩選出相關(guān)系數(shù)高的VIs和 TFs 對(duì)棉花 LAI 和 SPAD 值進(jìn)行模型構(gòu)建，對(duì)棉花 LAI 和 SPAD 值進(jìn)行建模估測(cè)可以將更多的光譜變量作為輸人變量進(jìn)行模型構(gòu)建時(shí)可以提高模型的精度。

4結(jié)論

4.1基于多光譜圖像提取棉花光譜特征和紋理特征的16種植被指數(shù)與8種紋理特征，通過(guò)相關(guān)系數(shù)絕對(duì)值在0.5以上的6種植被指數(shù)為NDVI、OSAVI，MSAVI，NDCI，SAVI，RVI ，構(gòu)建與LAI的估算模型，其中4種植被指數(shù) NDVI，OSAVI，NDCI， （204號(hào)RVI構(gòu)建與SPAD值的估算模型。3種紋理特征CON，ENT，SEM 構(gòu)建 LAI 的估算模型，構(gòu)建棉花SPAD值的估算模型選擇以下5種紋理CON、SEM、HOM、VAR和 MEA 。

4.2基于植被指數(shù)對(duì)棉花 LAI 和 SPAD值構(gòu)建的3種算法模型，精度最高的為RF模型。棉花LAI 和SPAD值估算模型精度建模集 R² 為0.75、0.88，驗(yàn)證集 R² 為 0.50，0.45 。精度最高的是RF模型，模型精度建模集 R² 為 0.78.0.85 ，驗(yàn)證集 R² 為0.72、0.53?；谌诤?VIs 與 TFs 與棉花 LAI 和SPAD值估算精度建模集 R² 分別為0.97、0.91，要比 VIs，TFs 分別提高 3.41%.7.06% 。

參考文獻(xiàn)（References）

[1]紀(jì)偉帥．基于無(wú)人機(jī)多光譜的棉花冠層葉片葉綠素相對(duì)含量、葉面積指數(shù)反演[D]．泰安：山東農(nóng)業(yè)大學(xué)，2021.JIWeishuai.Inversionofchlorophyllrelativecontentand leafareaindexofcotton canopyleavesbased on UAV multispectral data[D].Taian：Shandong Agricultural University，2021.

[2]唐華俊.農(nóng)業(yè)遙感研究進(jìn)展與展望[J].中國(guó)農(nóng)業(yè)文摘-農(nóng)業(yè)工程，2018，30（5）：6-8，5.TANGHuajun. Progressand prospect of agricultural remote sens-ingresearch[J].Agricultural Science and Engineeringin China，2018，30（5）：6-8，5.

[3]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.CHENHao，F(xiàn)ENG Hao，YANG Zhenting，etal.Estimation ofchlorophyll content of summer maize canopybased on UAV multi-spectral remotesensing[J].Journal ofDrainageand IrrigationMachinery Engineering，2021，39（6）：622-629.

[4］陳小龍，陳燦，周莉．水稻不同生育期葉綠素含量的測(cè)定及其相關(guān)性分析[J].現(xiàn)代農(nóng)業(yè)科技，2010，（17）：42-44，52.CHEN Xiaolong，CHEN Can， ZHOU Li. Determinationand cor-relativityanalysis of chlorophyll content at different developmentalstages inrice[J]. ModernAgricultural Sciences and Techlog，2010，（17） ：42-44，52.

［5］王薇，宋廷宇，王艷，等．番茄葉片 SPAD 值與葉綠素含量的相關(guān)性分析[J].北方園藝，2013，（23）：12-15.WANG Wei，SONG Tingyu，WANG Yan，et al.Correlation a-nalysis onchlorophyll content and SPAD value in tomato leaves[J].NorthernHorticulture，2013，（23）：12-15.

[6]Grados D，Reynarfaje X， Schrevens E. A methodological ap-proach to assess canopy NDVI -based tomato dynamics under ir-rigation treatments[J]. Agricultural Water Management，2020，240：106208.

［7］王靖，彭漪，劉小娟，等．基于無(wú)人機(jī)多光譜數(shù)據(jù)的水稻 LAI （20反演與應(yīng)用[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（12）：145-156.WANG Jing，PENG Yi，LIU Xiaojuan， et al. Inversion and ap-plicationof riceLAI basedonUAVmultispectral data[J].Journalof China Agricultural University，2021，26（12）： 145-156.

[8］楊貴軍，李長(zhǎng)春，于海洋，等．農(nóng)用無(wú)人機(jī)多傳感器遙感輔助小麥育種信息獲取[J]．農(nóng)業(yè)工程學(xué)報(bào)，2015，31（21）：184 -190.YANGGuijun，LIChangchun，YUHaiyang，etal．UAVbasedmulti-load remote sensing technologies forwheat breedinginfor-mation acquirement[J]. Transactions of the Chinese Society of Ag-ricultural Enginering，2015，31（21） ： 184-190.

［9］孫詩(shī)睿，趙艷玲，王亞娟，等．基于無(wú)人機(jī)多光譜遙感的冬小麥葉面積指數(shù)反演［J]．中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，24（11） ： 51 -58.SUN Shirui， ZHAO Yanling，WANG Yajuan，et al.Leaf areaindex inversion of winter wheat based on multispectral remotesensing of UAV[J]. Journal of China Agricultural University，2019， 24（11）：51-58

[10］王亞杰．基于無(wú)人機(jī)多光譜遙感的玉米葉面積指數(shù)監(jiān)測(cè)方法研究［D]．楊凌：西北農(nóng)林科技大學(xué)，2018.WANG Yajie.Study on monitoring method of maize leaf area in-dex based on multi - spectral remote sensing of UAV[D]. Yan-gling：NorthwestAamp;FUniversity，2018.

［11］喬浪，張智勇，陳龍勝，等．基于無(wú)人機(jī)圖像的玉米冠層葉綠素含量檢測(cè)與分布研究［J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（S1）：182-186，194.QIAO Lang， ZHANG Zhiyong， CHEN Longsheng， et al. Detec-tion and distribution of chlorophyll content in maize canopy basedonUAV images[J]. Transactions of the Chinese Society for Agri-cultural Machinery，2019，50（S1）：182-186，194.

[12］賀佳，王來(lái)剛，郭燕，等．基于無(wú)人機(jī)多光譜遙感的玉米LAI估算研究[J]．農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)，2021，3（4）：20-28.HE Jia，WANG Laigang，GUO Yan，et al.Estimating the leafareaindex of maize based on unmanned aerial vehicle multispec-tral remote sensing[J]. Journal of Agricultural Big Data，2021，3（4）：20-28.

「13］牛莊林馮海寬楊貴軍等 基干無(wú)人機(jī)數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測(cè)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2018，34（5）： 73-82. NIU Qinglin，F(xiàn)ENG Haikuan， YANG Guijun，et al. Monitoring plantheight andleaf area indexofmaizebreedingmaterial based onUAVdigital images[J].Transactions of the Chinese Society of Agricultural Enginering， 2018，34（5） ： 73-82.

［14］陶惠林，馮海寬，楊貴軍，等．基于無(wú)人機(jī)成像高光譜影像 的冬小麥LAI估測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（1）：176－ 187. TAOHuilin，F(xiàn)ENGHaikuan，YANGGuijun，etal.Leaf area index estimation of winter wheat based on UAV imaging hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery，2020，51（1）：176-187.

[15]李麗宏，謝東陽(yáng)，王琳，等．紋理圖像多尺度灰度共生矩陣 步長(zhǎng)參數(shù)的研究[J]．河北工程大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021，38（3）：108-112. LI Lihong，XIE Dongyang，WANG Lin，et al. Research on the step size parameters of multi - scale gray - level co - occurrence matrix for texture images[J]. Journal of Hebei Universityof Engineering（Natural Science），2021，38（3）：108-112.

[16］孟沌超，趙靜，蘭玉彬，等．基于無(wú)人機(jī)可見(jiàn)光影像的玉米 冠層 SPAD反演模型研究［J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51 （S2）：366 -374. MENG Dunchao，ZHAO Jing，LAN Yubin，et al．Study on maize canopy SPAD inversion model based on UAV visible light image[J].Transactionsof the Chinese Societyfor Agricultural Machinery，2020，51（S2）： 366-374.

[17]Lelong C C D，Burger P，Jubelin G，et al.Assessment of unmanned aerial vehicles imagery for quantitativemonitoring of wheat crop in small plots[J]．Sensors，2008，8（5）：3557- 3585.

［18］夏天，吳文斌，周清波，等．冬小麥葉面積指數(shù)高光譜遙感 反演方法對(duì)比[J]．農(nóng)業(yè)工程學(xué)報(bào)，2013，29（3）：139-147. XIA Tian，WU Wenbin，ZHOU Qingbo，et al.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Enginering，2013，29（3）：139-147.

[19]Liu JG，atteyE，ego G.Assessment ofvegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons[J]. Remote Sensing of Environment， 2012， 123： 347 -358.

［20］任楓獲，陳圣波，陳彥冰．基于高分辨率遙感影像的花粒 期玉米葉面積指數(shù)估算方法［J]．江西農(nóng)業(yè)學(xué)報(bào)，2021，33 （2）：116-120. RENFengdi，CHEN Shengbo，CHEN Yanbing.Estimation method of maize leaf area index at anthesis stage based on highresolution remote sensing image[J]. Acta Agriculturae Jiangxi， 2021，33（2）：116-120.

[21]Liang L，Di L P， Zhang L P，et al.Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J].Remote Sensingof Environment，2015，165：123-134.

[22] Tanaka S.Kawamura K．Maki M .et al.Spectral index for quantifying leaf area index of winterwheat by field hyperspectral measurements：a case study in Gifu prefecture，central Japan [J].Remote Sensing，2015，7（5）：5329-5346.

[23]Ramoelo A， Skidmore A K，Cho M A，et al.Regional estimation of savanna grass nitrogen using the red -edge band of the spaceborne RapidEye sensor[J]. International Journal of Applied Earth Observationand Geoinformation，2012，19：151-162.

[24]Gitelson A A，Merzlyak MN.Remote estimation of chlorophyll contentinhigherplant leaves[J]. International Journal ofRemote Sensing，1997，18（12）：2691-2697.

[25]VerrelstJ，Schaepman ME，KoetzB，et al．Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data [J]. Remote Sensing of Environment，2008，112（5）： 2341 - 2353.

[26]Sellaro R，Crepy M，Trupkin S A，et al. Cryptochrome as a sensor of the blue/green ratio of natural radiation in Arabidopsis [J].Plant Physiology，2010，154（1）：401-409.

[27]WangFM，Huang JF，TangYL，et al. New vegetation index and its application in estimating leaf area index of rice[J].Rice Science，2007，14（3）：195-203.

[28]Roujean JL，Breon FM.Estimating PAR absorbed by vegetation frombidirectional reflectance measurements[J].Remote Sensing of Environment，1995， 51（3）：375-384 ：

[29]Gong P，Pu R L，Biging G S，et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）：1355-1362.

[30]Xing NC，Huang WJ，Xie QY，et al. A transformed triangular vegetation index for estimating winterwheat leaf area index [J].Remote Sens，2013，12：16.

[31］劉詠梅，胡念釗，龍永清，等．無(wú)人機(jī)RGB影像在高寒草 地狼毒入侵監(jiān)測(cè)及蓋度估算中的應(yīng)用[J]．中國(guó)草地學(xué)報(bào)， 2023，45（2）： 1-12. LIU Yongmei， HU Nianzhao，LONG Yongqing，et al. Aplication of UAV RGB image in monitoring and coverage estimation of Stellera chamaejasme invasion inalpine grasslands，Qinghai-Tibet Plateau[J].Chinese Journal of Grasland，2023，45（2）：1 -12.

[32］黃茜，楊偉才，毛曉敏．東北春玉米單株莖流變化規(guī)律及 其農(nóng)田尺度提升方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2020，36（16）：94 -102. HUANG Xi，YANG Weicai，MAO Xiaomin.Variations of sap flow rate and its farmland scale improving method for spring maize in NorthEast ChinaJ]. Transactions of the Chinese Society of Agricultural Enginering，2020，36（16） ： 94-102.

[33］徐敏，趙艷霞，張顧，等.基于機(jī)器學(xué)習(xí)算法的冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2021，37（11）：162-171.XUMin，ZHAOYanxia，ZHANGGu，etal．Method for forecas-ting winter wheat first flowering stage based on machine learningalgorithm[J]. Transactionsof the Chinese Society of AgriculturalEngineering，2021，37（11）：162-171.

[34］黃林生，江靜，黃文江，等．Sentinel-2影像和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的小麥條銹病監(jiān)測(cè)方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2019，35（17）：178-185.HUANG Linsheng，JIANG Jing，HUANG Wenjiang，etal.Wheat yellow rust monitoring method based on Sentinel ^-2 imageandBPNNmodel[J].Transactions of the Chinese Society ofAgri-cultural Engineering，2019，35（17）： 178-185.

［35］樊鴻葉，李姚姚，盧憲菊，等．基于無(wú)人機(jī)多光譜遙感的春玉米葉面積指數(shù)和地上部生物量估算模型比較研究［J]．中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2021，23（9）：112-120.FAN Hongye，LI Yaoyao，LU Xianju，et al. Comparative analy-sis of LAI and above-ground biomass estimation models based onUAV multispectral remote sensing[J]． Journal of AgriculturalScience andTechnology，2021，23（9）：112-120.

[36]張楠楠，張曉，王城坤，等．基于高光譜和連續(xù)投影算法的棉花葉面積指數(shù)估測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（s1）：257-262.ZHANG Nannan， ZHANG Xiao，WANG Chengkun，et al. Cot-ton LAI estimation based on hyperspectral andsuccessive projec-tion algorithm[J].，2022，53（s1）：257-262.

［37］高林，楊貴軍，王寶山，等．基于無(wú)人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J]．中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2015，23（7）：868 -876.GAOLin，YANGGuijun，WANGBaoshan，etal.Soybean leafareaindexretrieval withUAV（unmanned aerialvehicle）remotesensing imagery[J].Chinese Journal ofEco-Agriculture，2015，23（7） ： 868-876.

［38］王修信，孫濤，朱啟疆，等．林地葉面積指數(shù)遙感估算方法適用分析[J]．生態(tài)學(xué)報(bào)，2014，34（16）：4612-4619.WANG Xiuxin， SUN Tao， ZHU Qijiang， et al. Assssment ofdifferent methods for estimating forestleaf areaindexfrom remotesensing data[J]. Acta Ecologica Sinica，2014，34（16）： 4612-4619.

［39］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 ofsummer maize SPAD based on UAV multispectral images[J].Transactions of the Chinese Society for Agricultural Machinery，2022，53（10）： 211-219.

Abstract：【Objective】 Cotton chlorophyll content and leaf area index are rapidly inferred by UAV using multispectral remote sensing data，which is crucial for predicting yield and making field management decisions.【Methods】The coton in Aral， Xinjiang was taken as the research object，the influencing factors of cotton LAI and SPAD value were taken into consideration in the research，and diferent irrigation levels and different nitrogen levels were set to create a diferentiated canopy structure.Vegetation indexes（VIs）were obtained by using a UAV equipped with multispectral sensors to obtain the canopy images of coton during the main growth periods，and the mean values（ MEA ），variance（ VAR ），synergy（HOM），contrast （CON）， dissimilarity（ D/S ），information （ ENT ），second-order moment（ SEM ），correlation （ COR ）and so on were obtained based on the second -order probabilistic statistical filtering（CO-occurrnce measures）method （altogether 8 texture features TFs ）. The estimation models of cotton LAI and SPAD value based on spectral features，texture features and the combination of the two were established，and the differences were compared. 【Results】（1）The results showed that the LAI and SPAD value of cotton increased first and then decreased during the whole growth period，and the maximum values of LAI and SPAD value of cotton were at the flowering stage. （2）Four VIs （NDVI，OSAVI，NDCI，RVI） and three TFs（CON，ENT，SEM）with high absolute correlation coefficients were screened out，and cotton LAI and SPAD value estimation models were constructed based on SVR，BPNN，RF，and the highest accuracy of the estimation model was the RF model. （3） The estimation effect of the three input variables on cotton LAI and SPAD value was VIs+TFs ， WIs ，and TFs in order of accuracy. The fused variables have the highest accuracy for the estimation model of cotton LAI and SPAD （ value （ R²=0.97 ， RMSE=0.07 ， R²=0.91 ， RMSE=1.63 ）.【Conclusion】 RF algorithm model constructed by using VIs and TFs extracted from multi -spectral remote sensing images of UAV can estimate cotton LAI （204號(hào) and SPAD value with high accuracy.

Key words：cotton； leaf area index; chlorophyl content; water - nitrogen coupling；unmanned aerial ve-hicle；multispectral； texture features