基于Sentinel-2多光譜數(shù)據(jù)的紅棗葉面積指數(shù)反演

中圖分類(lèi)號(hào)：S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1002-1302（2025）11-0198-1

新疆得天獨(dú)厚的自然條件使得其特色林果馳名中外，新疆紅棗種植面積占全國(guó)的1/3，產(chǎn)量占全國(guó)的1/2。新疆紅棗因新疆空氣干燥、降水量少、日照時(shí)間長(zhǎng)、晝夜溫差大的氣候條件，果實(shí)糖度高、口感細(xì)膩，質(zhì)量?jī)?yōu)于其他種植區(qū)[1]。南疆若羌縣地處塔克拉瑪干沙漠南緣，屬暖溫帶大陸性荒漠干旱氣候，降水量少、溫差大，具有種植紅棗得天獨(dú)厚的自然條件[2]，且種植紅棗可以增加農(nóng)民的收人，具有一定的經(jīng)濟(jì)效益。掌握紅棗葉面積指數(shù)變化與空間分布，可以為估算產(chǎn)量、預(yù)測(cè)價(jià)格、監(jiān)測(cè)生產(chǎn)情況提供依據(jù)。

農(nóng)作物種類(lèi)、結(jié)構(gòu)、分布特征、長(zhǎng)勢(shì)、產(chǎn)量和健康參數(shù)等重要信息的提取通常采用統(tǒng)計(jì)方法或常規(guī)的地面調(diào)查方法。這些方法缺乏空間視角，易受人為因素影響，且費(fèi)時(shí)、費(fèi)力，難以滿足相關(guān)部門(mén)管理、決策對(duì)其現(xiàn)勢(shì)性信息的需求[3]。優(yōu)化紅棗產(chǎn)業(yè)，對(duì)紅棗種植進(jìn)行精準(zhǔn)管理，才能實(shí)現(xiàn)若羌紅棗種植業(yè)的可持續(xù)發(fā)展。傳統(tǒng)葉面積指數(shù)測(cè)量方法受限于田間樣點(diǎn)數(shù)據(jù)獲取，難以實(shí)現(xiàn)大范圍整體監(jiān)測(cè)。而遙感技術(shù)以其快速、無(wú)損和大面積探測(cè)等顯著優(yōu)勢(shì)，已成為葉面積指數(shù)反演的重要手段，并已經(jīng)成功地用于評(píng)價(jià)作物種植面積與布局，監(jiān)測(cè)作物長(zhǎng)勢(shì)與參數(shù)反演等方面[3]

以往基于遙感技術(shù)反演葉面積指數(shù)的研究多以冬小麥、水稻、玉米、大豆和棉花等冠層分布較為均勻的農(nóng)作物為主[4-6]，而在冠層結(jié)構(gòu)差異較大的紅棗中應(yīng)用較少。此外，利用葉面積指數(shù)評(píng)價(jià)紅棗健康狀況的可能性有待深入探究。若羌縣紅棗種植業(yè)在農(nóng)民人均收入中占比達(dá) 68.54% 以上，是當(dāng)?shù)剞r(nóng)民致富的\"紅色銀行\(zhòng)"和\"搖錢(qián)樹(shù)”[7]。鑒于此，開(kāi)展遙感數(shù)據(jù)反演紅棗葉面積指數(shù)的研究，并選擇適合新疆若羌紅棗農(nóng)作物葉面積指數(shù)反演的方法，對(duì)研究區(qū)紅棗葉面積指數(shù)進(jìn)行反演，能夠?yàn)榫珳?zhǔn)農(nóng)業(yè)的發(fā)展提供依據(jù)。

1材料與方法

1.1 研究區(qū)概況

本研究區(qū)位于若羌縣 （86^°45^′～93^°45^′E，36^°05^′～ 41^°23^′N 若羌鎮(zhèn)，該縣地處新疆巴音郭楞蒙古自治州東南部，塔克拉瑪干沙漠東南緣，海拔 780～ 6973m 。西部接且末縣，北部鄰尉犁縣、鄯善縣和哈密市，東部和甘肅省、青海省交界，南部與西藏自治區(qū)相接，總面積為20.23萬(wàn) km^2[8] 。若羌縣下轄5個(gè)鎮(zhèn)、3個(gè)鄉(xiāng)，分別為若羌鎮(zhèn)、瓦石峽鎮(zhèn)、羅布泊鎮(zhèn)、鐵干里克鎮(zhèn)、依吞布拉克鎮(zhèn)、吾塔木鄉(xiāng)、鐵干里克鄉(xiāng)、祁曼塔格鄉(xiāng)。該地區(qū)春季多風(fēng)多沙塵暴，夏季炎熱干旱少雨，秋季溫度變化劇烈，冬季干旱寒冷，常年盛行東北風(fēng)，屬于暖溫帶大陸性荒漠干旱氣候。豐富的光熱日照資源和較大的晝夜溫差變化為若羌縣發(fā)展經(jīng)濟(jì)林果業(yè)提供了優(yōu)越的自然條件，其中特產(chǎn)“若羌紅棗”成為中國(guó)國(guó)家地理標(biāo)志產(chǎn)品之一，也成為馳名中外的新疆名片產(chǎn)品[8]。若羌紅棗樹(shù)不僅能給鹽堿地較多、氣候干旱、風(fēng)沙較大的若羌縣帶來(lái)較好的經(jīng)濟(jì)效益，同時(shí)還能起到防風(fēng)固沙的作用。若羌縣主要紅棗種植區(qū)分布在若羌鎮(zhèn)、鐵干里克鎮(zhèn)、吾塔木鄉(xiāng)、瓦石峽鎮(zhèn)、塔什薩依開(kāi)發(fā)區(qū)以及農(nóng)二師36團(tuán)現(xiàn)轄行政區(qū)域。本研究采樣點(diǎn)選取了若羌縣若羌鎮(zhèn)的縣級(jí)紅棗提質(zhì)增效示范園的4個(gè)片區(qū)，每個(gè)片區(qū)55個(gè)樣地，每個(gè)樣地均采用 4m× 2m 栽培模式，并嚴(yán)格按照若羌縣有害生物統(tǒng)防統(tǒng)治的要求科學(xué)肥水管理。研究區(qū)位置如圖1所示。

1.2數(shù)據(jù)獲取與處理

1.2.1田間試驗(yàn)設(shè)計(jì)若羌縣的紅棗物候期分為5個(gè)時(shí)期：4月為萌芽期，4月至5月中旬為展葉生長(zhǎng)期，6月底至7月為果實(shí)膨大期，8月底至9月底為坐果成熟期，10月為果實(shí)風(fēng)干采摘期?；诖?，本研究于2021年5月初至9月底對(duì)研究區(qū)的紅棗樹(shù)進(jìn)行田間數(shù)據(jù)采集。采用Sentinel-2衛(wèi)星 10m 分辨率多光譜影像數(shù)據(jù)作為數(shù)據(jù)源，設(shè)計(jì)測(cè)定樣方的尺寸為 10m×10m ，采用五點(diǎn)測(cè)量法，分別在樣方4個(gè)頂點(diǎn)（標(biāo)號(hào)1＼～4）和中心點(diǎn)（標(biāo)號(hào)5）上進(jìn)行采樣測(cè)量，并且使用手持GPS記錄坐標(biāo)位置（圖2）。

1.2.2葉面積指數(shù)采集及預(yù)處理測(cè)量葉面積指數(shù)（leafareaindex，LAI）最常見(jiàn)的方法有2種——直接測(cè)量法和間接測(cè)量法[9]。本研究選用間接測(cè)量法，使用LAI-2000植物冠層分析儀（美國(guó)LI-COR公司）進(jìn)行若羌縣紅棗葉面積指數(shù)的測(cè)量工作。使用LAI-2000植物冠層分析儀從5個(gè)不同天頂角角度測(cè)量植被冠層散射天空輻射衰減，根據(jù)這5個(gè)天頂角的透射率，計(jì)算出葉片數(shù)量（葉面積指數(shù)）和葉片傾斜度（平均葉片傾斜角度）等數(shù)據(jù)[10]使用LAI-2000植物冠層分析儀在2021年5月（展葉生長(zhǎng)期）7月（果實(shí)膨大期）9月（坐果成熟期）分別測(cè)量230個(gè)樣本點(diǎn)的葉面積指數(shù)。使用LAI-2000測(cè)量時(shí)，要避免在直射光條件下測(cè)量，需要在日出、日落或多云天氣條件下進(jìn)行，避免不了的情況下使用 270^° 測(cè)量模式采用默認(rèn)的ABBBB模式[11]，即每個(gè)樣本點(diǎn)紅棗樹(shù)的A值為紅棗樹(shù)樹(shù)冠上部的測(cè)量數(shù)據(jù)值（標(biāo)記1）；后面的4個(gè)B值為紅棗樹(shù)樹(shù)冠下部的測(cè)量數(shù)據(jù)值（標(biāo)記2～5）。這些數(shù)據(jù)由LAI-2000植物冠層分析儀通過(guò)機(jī)器內(nèi)部運(yùn)算后得到該樣本點(diǎn)的葉面積指數(shù)，反復(fù)測(cè)3次，取平均值作為該樣本點(diǎn)的實(shí)測(cè)葉面積指數(shù)。LAI－2000植物冠層分析儀單位為 m²/m² 或無(wú)量綱。測(cè)量方法如圖3所示。

實(shí)測(cè)葉面積指數(shù)統(tǒng)計(jì)數(shù)據(jù)如表1所示。為了能更直觀地分析若羌縣若羌鎮(zhèn)不同物候期的紅棗葉面積指數(shù)的變化，對(duì)采樣數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，結(jié)果如圖4所示。

1.2.3Sentinel-2遙感影像數(shù)據(jù)獲取及預(yù)處理本研究選擇使用Sentinel-2多光譜衛(wèi)星影像，該衛(wèi)星是由歐洲航空局于20152017年分別發(fā)射的2顆相同的極軌衛(wèi)星組成的。數(shù)據(jù)通過(guò)歐洲航空局的數(shù)據(jù)下載網(wǎng)站（https：//scihub.copernicus.eu/dhus/#/home）下載，獲取影像的時(shí)間與地面采集時(shí)間接近一致，采樣時(shí)間及影像信息如表2所示[12]

1.3 研究方法

根據(jù)以往的研究，Sentinel-2多光譜衛(wèi)星在可見(jiàn)光波段（B2、B3、B4）、紅邊波段（B5、B6、B7）、近紅外波段（B8）的分布，可以實(shí)現(xiàn)多種植被指數(shù)的計(jì)算。本研究通過(guò)波段組合計(jì)算方式獲得了若羌縣紅棗葉面積指數(shù)估算研究中的各類(lèi)植被指數(shù)，例如，傳統(tǒng)的近紅外植被指數(shù)NDVI、DVI、GNDVI等;紅邊參數(shù)植被指數(shù)REIP、IRECI、CIREP1等；還有土壤調(diào)節(jié)型植被指數(shù)SAVI、OSAVI2等。共計(jì)26種與若羌縣紅棗葉面積指數(shù)估算相關(guān)的植被指數(shù)[12]26種植被指數(shù)在Sentinel-2多光譜數(shù)據(jù)的對(duì)應(yīng)波段計(jì)算公式如表3所示。

1.4機(jī)器學(xué)習(xí)方法

1.4.1隨機(jī)森林模型隨機(jī)森林（random forest，RF）是一種典型且常用的基于決策樹(shù)的集成分類(lèi)器。集成學(xué)習(xí)是目前主流的機(jī)器學(xué)習(xí)算法。它不是一個(gè)單獨(dú)的機(jī)器學(xué)習(xí)算法，而是通過(guò)構(gòu)建并組合多個(gè)決策樹(shù)來(lái)生成最終的預(yù)測(cè)結(jié)果[34] 。

1.4.2高斯過(guò)程回歸模型高斯過(guò)程回歸模型（gaussianprocessregression，GPR）是一種非參數(shù)回歸方法，用于建模數(shù)據(jù)之間的關(guān)系并估計(jì)未知的函數(shù)關(guān)系[35]。該方法基于高斯過(guò)程理論，能夠提供靈活、概率化的模型，適用于多領(lǐng)域，包括機(jī)器學(xué)習(xí)、統(tǒng)計(jì)建模和優(yōu)化等。

1.4.3 偏最小二乘回歸模型 偏最小二乘回歸（partialleastsquaresregression，PLSR）是一種多元回歸分析方法，旨在解決多重共線性問(wèn)題，同時(shí)實(shí)現(xiàn)特征選擇和降維[36]

1.4.4支持向量機(jī)回歸模型支持向量機(jī)（supportvectormachines，SVM）是一種強(qiáng)大的監(jiān)督學(xué)習(xí)算法，主要用于分類(lèi)和回歸問(wèn)題[37]。SVM在機(jī)器學(xué)習(xí)領(lǐng)域中得到了廣泛應(yīng)用，其理論基礎(chǔ)和優(yōu)越性使其成為一種常用的工具。

2 結(jié)果與分析

本研究基于Sentinel-2遙感影像數(shù)據(jù)，對(duì)新疆巴州若羌縣若羌鎮(zhèn)縣級(jí)紅棗提質(zhì)增效示范園的紅棗生長(zhǎng)發(fā)育3個(gè)物候期（5月展葉生長(zhǎng)期、7月果實(shí)膨大期、9月坐果成熟期）進(jìn)行遙感影像數(shù)據(jù)采集，通過(guò)Sentinel-2遙感影像數(shù)據(jù)提取出不同植被指數(shù)組合，并與實(shí)測(cè)的紅棗葉面積指數(shù)（LAI）相結(jié)合，分別用4種機(jī)器學(xué)習(xí)方法（隨機(jī)森林模型、高斯過(guò)程回歸模型、偏最小二乘回歸模型、支持向量機(jī)回歸模型）構(gòu)建反演紅棗葉面積指數(shù)模型。用決定系數(shù) （r²） 、均方根誤差（RMSE）以及平均絕對(duì)百分比誤差（MAPE）對(duì)構(gòu)建的紅棗葉面積指數(shù)反演模型精度進(jìn)行評(píng)價(jià)。本研究在每個(gè)生育期采集4個(gè)片區(qū)（每個(gè)片區(qū)55個(gè)樣地）共計(jì)230棵紅棗樹(shù)的葉面積指數(shù)數(shù)據(jù)，3個(gè)時(shí)期共計(jì)690個(gè)樣本數(shù)據(jù)。

2.1Sentinel-2單波段反射率及植被指數(shù)與LAI 相關(guān)性分析

本研究首先對(duì)若羌縣若羌鎮(zhèn)實(shí)地測(cè)量3個(gè)時(shí)期的葉面積指數(shù)與Sentinel-2多光譜衛(wèi)星數(shù)據(jù)13個(gè)單波段反射率進(jìn)行相關(guān)性分析，又將實(shí)測(cè)葉面積指數(shù)與構(gòu)建的26種植被指數(shù)特征進(jìn)行了相關(guān)性分析（表4）。

由表4可知，哨兵2號(hào)衛(wèi)星的單波段反射率與LAI存在顯著相關(guān)性，尤其是在展葉生長(zhǎng)期和果實(shí)膨大期。這些結(jié)果為利用遙感數(shù)據(jù)監(jiān)測(cè)和評(píng)估農(nóng)作物生長(zhǎng)提供了重要線索，并強(qiáng)調(diào)了不同波段在不同物候期植被監(jiān)測(cè)中的潛在應(yīng)用價(jià)值。然而，在應(yīng)用這些數(shù)據(jù)時(shí)，需要考慮大氣因素等潛在干擾因素，以獲得更準(zhǔn)確的結(jié)果。

大部分植被指數(shù)與LAI均存在顯著正相關(guān)關(guān)系。在展葉生長(zhǎng)期，CIREP1、EVI、GNDVI、IPVI、IRECI、NDVIREP1、NDVI、OSAVI2、PSSRa、RVI、SAVI、SR、TCARI2以及TNDVI等植被指數(shù)與LAI的相關(guān)系數(shù)均大于O.6，其中CIREP1和NDVIREP1與LAI的相關(guān)系數(shù)較高，分別為 0.694，0.705 。表明這些指數(shù)在展葉生長(zhǎng)期可以很好地捕捉到LAI的變化。也印證了之前的研究結(jié)果，即這些指數(shù)在植被的綠葉覆蓋度上表現(xiàn)出較高的靈敏度。

在果實(shí)膨大期，雖然相關(guān)系數(shù)普遍下降，但仍有多個(gè)指數(shù)與LAI存在顯著正相關(guān)關(guān)系。CIREP1、EVI、GNDVI、IPVI、IRECI、MTVI、NDVIREP1、NDVI、OSAVI2、PSSRa、RVI、SAVI、SR、TCARI2以及TNDVI與LAI的相關(guān)系數(shù)仍然大于0.3，其中NDVIREP1、OSAVI2、TNDVI與LAI的相關(guān)系數(shù)較高。表明這些指數(shù)在果實(shí)膨大期也能夠反映出LAI的變化趨勢(shì)，盡管相關(guān)性略有下降。

坐果成熟期的相關(guān)性與果實(shí)膨大期相似，相關(guān)系數(shù)下降，但依然存在顯著正相關(guān)關(guān)系。CIREP1、

CIREP2、DVI、EVI、GNDVI、IDVI、IPVI、IRECI、MTVI、NDVIREP1、NDVIREP2、NDVI、OSAVI2、PSSRa、RVI、SAVI、SR、TCARI2和TNDVI與LAI的相關(guān)系數(shù)大于0.2，其中OSAVI2、TNDVI、NDVIREP2與LAI的相關(guān)系數(shù)較高。說(shuō)明這些植被指數(shù)可以在坐果成熟期捕捉到LAI的一部分變化，盡管相關(guān)性有所降低。

不同物候期內(nèi)，大部分植被指數(shù)都表現(xiàn)出與LAI之間的顯著正相關(guān)關(guān)系，尤其是在展葉生長(zhǎng)期。這表明這些指數(shù)可用于監(jiān)測(cè)和評(píng)估不同生長(zhǎng)階段的農(nóng)作物。

2.2基于機(jī)器學(xué)習(xí)方法的紅棗葉面積指數(shù)反演

本研究使用隨機(jī)森林模型、高斯過(guò)程回歸模型、偏最小二乘回歸模型、支持向量機(jī)回歸模型對(duì)研究區(qū)紅棗不同生育期的葉面積指數(shù)進(jìn)行反演。選擇與LAI相關(guān)度較好的13個(gè)特征構(gòu)建反演模型，分別為B4、B5、B10、B11等4個(gè)波段，以及CIREP1、EVI、IPVI、NDVIREP1、NDVI、OSAVI2、SAVI、SR、TCARI2等9種植被指數(shù)。用以上特征作為輸人層的參數(shù)，使用3個(gè)物候期以及1個(gè)總的時(shí)期來(lái)分析。對(duì)4個(gè)時(shí)期進(jìn)行4種模型的葉面積指數(shù)反演，對(duì)反演結(jié)果進(jìn)行比較，最終選取最優(yōu)的葉面積指數(shù)模型。2.2.1基于隨機(jī)森林的紅棗葉面積指數(shù)反演使用五折交叉驗(yàn)證與留一驗(yàn)證相結(jié)合的方式對(duì)訓(xùn)練集和測(cè)試集進(jìn)行劃分，在5次訓(xùn)練后，優(yōu)選出擬合優(yōu)度最好的模型進(jìn)行后續(xù)的預(yù)測(cè)。其中隨機(jī)森林的參數(shù)設(shè)置：并行計(jì)算時(shí)使用處理器的核心或線程數(shù)為4，隨機(jī)數(shù)種子為42，每棵決策樹(shù)的最大深度為100，使用200棵決策樹(shù)來(lái)構(gòu)建隨機(jī)森林模型。本研究使用 r²，RMSE，MAPE 指標(biāo)進(jìn)行構(gòu)建模型的評(píng)價(jià)。

由表5和圖5可知，展葉生長(zhǎng)期數(shù)據(jù)集和總體數(shù)據(jù)集得到的訓(xùn)練結(jié)果與實(shí)測(cè)數(shù)據(jù)紅棗葉面積指數(shù)的相關(guān)性較高，測(cè)試集的 r² 均在0.7以上。其中，總體數(shù)據(jù)集的 r² 最高，為 0.78;RMSE，MAPE 均為0.36。由此可見(jiàn)，總體數(shù)據(jù)包含的生長(zhǎng)信息相對(duì)較多，更能充分發(fā)揮數(shù)據(jù)的優(yōu)勢(shì)，可以預(yù)見(jiàn)利用全部生長(zhǎng)信息能提高葉面積指數(shù)的反演精度，取得更好的反演效果。此外，果實(shí)膨大期和坐果成熟期也取得了較好的模型性能。

由圖6可知，基于隨機(jī)森林回歸算法反演的不同物侯期獲取的紅棗葉面積指數(shù)空間分布呈自西向東減小的格局。展葉生長(zhǎng)期葉面積指數(shù)較小，大多分布在 0.8～1.6 范圍內(nèi)；果實(shí)膨大期葉面積指數(shù)增大，集中分布在 2.4～3.2 范圍內(nèi)；坐果成熟期葉面積指數(shù)較果實(shí)膨大期有所減小，但葉面積指數(shù)仍集中分布在2.4～3.2范圍內(nèi)。

2.2.2基于高斯過(guò)程回歸的紅棗葉面積指數(shù)反演由表6和圖7可知，總體數(shù)據(jù)集在測(cè)試集上表現(xiàn)最好，測(cè)試集的 r² 為 0.64，RMSE，MAPE 為0.46、0.43。其次是展葉生長(zhǎng)期數(shù)據(jù)集，測(cè)試集的 r² 為0.63，RMSE、MAPE分別為0.14、0.32。相比而言，果實(shí)膨大期和坐果成熟期的數(shù)據(jù)模型表現(xiàn)較差，可能存在一些欠擬合的問(wèn)題。這些結(jié)果表明全部生長(zhǎng)信息能提高葉面積指數(shù)的反演精度。

由圖8可知，基于高斯回歸算法反演的不同生育期紅棗葉面積指數(shù)呈中西部較高、東部較小的空間格局。從展葉生長(zhǎng)期至果實(shí)膨大期，中西部葉面積指數(shù)增長(zhǎng)較為明顯，中東部部分地區(qū)增長(zhǎng)較緩。從果實(shí)膨大期至坐果成熟期，葉面積指數(shù)略微減小。2.2.3基于偏最小二乘的紅棗葉面積指數(shù)反演建模由表7和圖9可知，展葉生長(zhǎng)期數(shù)據(jù)集在模型訓(xùn)練集和測(cè)試集上表現(xiàn)最好，是一個(gè)重要的數(shù)據(jù)子集，其中訓(xùn)練集和測(cè)試集的 r² 分別為0.59、0.64，測(cè)試集的RMSE為 0.14，MAPE 為0.32。其次是總體數(shù)據(jù)集，訓(xùn)練集的 r² 為0.56，測(cè)試集的 r² 為0.63，測(cè)試集的RMSE為 0.47，MAPE 為0.43，其包含更多生長(zhǎng)信息，仍有提升的潛力。而果實(shí)膨大期數(shù)據(jù)集和坐果成熟期數(shù)據(jù)集的模型性能相對(duì)較差。

由圖10可知，基于偏最小二乘回歸算法反演的不同生育期紅棗葉面積指數(shù)均呈中西部較高、東部較低的空間格局。展葉生長(zhǎng)期葉面積指數(shù)較小，隨著生育期的推進(jìn)，葉面積指數(shù)增大，至果實(shí)膨大期葉面積指數(shù)達(dá)到最大，隨后葉面積指數(shù)減小。

2.2.4基于支持向量機(jī)的紅棗葉面積指數(shù)反演建模由表8和圖11可知，總體數(shù)據(jù)集表現(xiàn)較好，訓(xùn)練集的 r² 為0.63，測(cè)試集的 r² 為0.78，測(cè)試集的RMSE、MAPE分別為0.450.42。在展葉生長(zhǎng)期，訓(xùn)練集和測(cè)試集的 r² 分別為0.65、0.72，測(cè)試集的RMSE、MAPE分別為0.14、0.32，相較于總體數(shù)據(jù)集，雖然 r² 略低，但是RMSE和MAPE均優(yōu)于總體數(shù)據(jù)集。果實(shí)膨大期和坐果成熟期的數(shù)據(jù)模型表現(xiàn)相對(duì)較差，可能存在擬合不足的問(wèn)題，表明這2個(gè)時(shí)期的數(shù)據(jù)不夠充分，模型無(wú)法捕捉到足夠的生長(zhǎng)信息，導(dǎo)致預(yù)測(cè)性能不佳。綜上所述，總體數(shù)據(jù)集包含了更多的生長(zhǎng)信息，而且模型在總體數(shù)據(jù)集上表現(xiàn)出色。

由圖12可知，基于支持向量機(jī)回歸算法反演的不同物侯期紅棗葉面積指數(shù)呈中西部較高、東部較低的空間格局。從展葉生長(zhǎng)期至果實(shí)膨大期，中西部葉面積指數(shù)增長(zhǎng)較為明顯，中東部部分地區(qū)增長(zhǎng)較緩。從果實(shí)膨大期至坐果成熟期，葉面積指數(shù)整體略微減小。

3討論

本研究選取了新疆巴州若羌縣若羌鎮(zhèn)縣級(jí)紅棗提質(zhì)增效示范園的4個(gè)片區(qū)，以紅棗作為研究對(duì)象，基于Sentinel-2多光譜衛(wèi)星數(shù)據(jù)，結(jié)合3個(gè)時(shí)期（5月展葉生長(zhǎng)期、7月果實(shí)膨大期、9月坐果成熟期）的實(shí)測(cè)葉面積指數(shù)，分析了13個(gè)單波段反射率和26種植被指數(shù)與LAI的相關(guān)性。在此基礎(chǔ)上，使用4種機(jī)器學(xué)習(xí)算法構(gòu)建紅棗葉面積指數(shù)反演模型并進(jìn)行驗(yàn)證，尋找不同模型和不同物候期下的最佳反演模型，通過(guò)反演得出以下結(jié)論：

（1）大部分植被指數(shù)與葉面積指數(shù)間均存在顯著正相關(guān)關(guān)系。在展葉生長(zhǎng)期，多種植被指數(shù)的相關(guān)系數(shù)大于O.6，其中CIREP1、NDVIREP1與LAI的相關(guān)系數(shù)較高。表明這些指數(shù)在展葉生長(zhǎng)期可以很好地捕捉到葉面積指數(shù)的變化。也印證了之前的研究結(jié)果，即這些指數(shù)在植被的綠葉覆蓋度上表現(xiàn)出較高的靈敏度。

在果實(shí)膨大期，雖然相關(guān)系數(shù)普遍下降，但仍有多個(gè)指數(shù)與葉面積指數(shù)存在顯著正相關(guān)關(guān)系。大多植被指數(shù)相關(guān)系數(shù)仍然大于0.3，其中NDVIREP1、OSAVI2指數(shù)與LAI的相關(guān)系數(shù)最高。表明這些指數(shù)在果實(shí)膨大期也能夠反映出葉面積指數(shù)的變化趨勢(shì)，盡管相關(guān)性略有下降。

坐果成熟期的相關(guān)性與果實(shí)膨大期相似，相關(guān)系數(shù)下降，但依然存在顯著正相關(guān)關(guān)系。大多植被指數(shù)相關(guān)系數(shù)大于0.2。總體來(lái)看，不同物候期內(nèi)大部分植被指數(shù)都表現(xiàn)出與葉面積指數(shù)間的顯著正相關(guān)關(guān)系，尤其是在展葉生長(zhǎng)期。

（2）在4種機(jī)器學(xué)習(xí)反演葉面積指數(shù)模型時(shí)，選取與實(shí)測(cè)葉面積指數(shù)相關(guān)度較好的13個(gè)特征進(jìn)行模型構(gòu)建，分別為B4、B5、B10、B11等4個(gè)波段，以及CIREP1、EVI、IPVI、NDVIREP1、NDVI、OSAVI2、SAVI、SR、TCARI2等9種植被指數(shù)。在隨機(jī)森林算法中，展葉生長(zhǎng)期數(shù)據(jù)集和總體數(shù)據(jù)集得到的訓(xùn)練結(jié)果與實(shí)測(cè)數(shù)據(jù)紅棗葉面積指數(shù)的相關(guān)性較高，測(cè)試集的 r² 均在0.7以上，其中總體數(shù)據(jù)集的RF模型得到的相關(guān)系數(shù)最高（0.78），RMSE、MAPE均為0.36。由此可見(jiàn)，總體數(shù)據(jù)集包含的生長(zhǎng)信息相對(duì)較多，更能充分發(fā)揮數(shù)據(jù)的優(yōu)勢(shì)，可以預(yù)見(jiàn)利用全部生長(zhǎng)信息能提高葉面積指數(shù)的反演精度，取得更好的反演效果。此外，果實(shí)膨大期數(shù)據(jù)集和坐果成熟期數(shù)據(jù)集也取得了較好的模型性能。

在高斯過(guò)程回歸算法中，果實(shí)膨大期數(shù)據(jù)集和坐果成熟期數(shù)據(jù)集的模型表現(xiàn)相對(duì)較差，可能存在一些欠擬合的問(wèn)題。在偏最小二乘回歸模型算法中，展葉生長(zhǎng)期數(shù)據(jù)集在模型訓(xùn)練和測(cè)試上表現(xiàn)最好，果實(shí)膨大期數(shù)據(jù)集和坐果成熟期數(shù)據(jù)集的模型性能相對(duì)較差。在支持向量機(jī)回歸模型分析中，總體數(shù)據(jù)集表現(xiàn)得最好；果實(shí)膨大期數(shù)據(jù)集和坐果成熟期數(shù)據(jù)集的模型表現(xiàn)相對(duì)較差，可能存在擬合不足的問(wèn)題，表明這2個(gè)時(shí)期的數(shù)據(jù)不夠充分，模型無(wú)法捕捉到足夠的生長(zhǎng)信息，導(dǎo)致預(yù)測(cè)性能不佳。

綜上所述，?；陔S機(jī)森林的棗樹(shù)葉面積反演模型為最優(yōu)模型

4結(jié)論

本研究基于野外調(diào)查，獲取紅棗展葉生長(zhǎng)期（5月）、果實(shí)膨大期（7月）、坐果成熟期（9月）葉面積指數(shù)，選取最優(yōu)特征變量。使用4種機(jī)器學(xué)習(xí)算法，構(gòu)建紅棗葉面積指數(shù)反演模型并進(jìn)行驗(yàn)證，并通過(guò)反演獲得的葉面積指數(shù)最終得出以下結(jié)論：研究中選取的大部分植被指數(shù)與葉面積指數(shù)間均存在顯著正相關(guān)關(guān)系，表明這些指數(shù)在展葉生長(zhǎng)期可以很好地捕捉到葉面積指數(shù)的變化；在紅棗葉面積指數(shù)反演中，不同波段在不同生育期的反演效果存在差異；在4種機(jī)器學(xué)習(xí)模型中，隨機(jī)森林的棗樹(shù)葉面積指數(shù)反演模型為最優(yōu)模型。

參考文獻(xiàn)：

[1]楊蕊．振動(dòng)式紅棗采收機(jī)振動(dòng)參數(shù)分析與試驗(yàn)[D]．阿拉爾： 塔里木大學(xué)，2023.

[2]萬(wàn)勝，孫佳，王磊，等．新疆不同產(chǎn)區(qū)棗果品質(zhì)及其對(duì)生境 因子的響應(yīng)[J]．經(jīng)濟(jì)林研究，2023，41（1）：97-105.

[3]Sun Q，Gu X H，Chen L P，etal.Monitoring maize canopy chlorophyll density under lodging stressbased on UAV hyperspectral imagery[J]. Computers and Electronicsin Agriculture，2022， 193：106671.

[4]邵亞杰，湯秋香，崔建平，等．融合無(wú)人機(jī)光譜信息與紋理特征的 棉花葉面積指數(shù)估測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（6）：186- 196.

[5]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(lèi)作物學(xué)報(bào)，2023，43（7）：920- 932.

[6]馬俊偉，陳鵬飛，孫毅，等.基于無(wú)人機(jī)多光譜影像和機(jī)器學(xué)習(xí) 方法的玉米葉面積指數(shù)反演研究[J]．作物學(xué)報(bào)，2023，49（12）： 3364 -3376.

[7]陳玉．新疆紅棗價(jià)格波動(dòng)對(duì)農(nóng)戶種植意愿的影響研究[D]. 阿拉爾：塔里木大學(xué)，2020.

[8]尼格拉·吐?tīng)栠d.基于遙感數(shù)據(jù)的若羌灰棗冠層葉綠素含量估 算研究［D]．烏魯木齊：新疆大學(xué)，2021.

[9]郭濤，顏安，耿洪偉.基于無(wú)人機(jī)影像的小麥株高與LAI預(yù) 測(cè)研究［J]．麥類(lèi)作物學(xué)報(bào)，2020，40（9）：1129-1140.

[10]賈永倩，王振錫，李園，等.基于高光譜的阿克蘇市棗葉面積 指數(shù)估算模型[J]．新疆農(nóng)業(yè)科學(xué)，2016，53（12）：2175-2186.

[11]郭云開(kāi)，劉雨玲，張曉炯，等.利用輻射傳輸模型和隨機(jī)森林回 歸反演LAI[J]．測(cè)繪工程，2020，29（3）：33-38.

[12]史博太，常慶瑞，崔小濤，等．基于 Sentinel-2多光譜數(shù)據(jù)和機(jī) 器學(xué)習(xí)算法的冬小麥LAI遙感估算［J]．麥類(lèi)作物學(xué)報(bào)，2021， 41（6） ：752 -761.

[13]Son NT，Chen CF，Chen CR，et al．A comparative analysis of multitemporal MODISEVI and NDVI data for large-scale rice yield estimation[J]. Agricultural and Forest Meteorology，2O14，197： 52-64.

[14]YanK，Gao S，Chi HJ，et al.Evaluation of the vegetation-index - based dimidiatepixel model for fractional vegetationcover estimation [J].IEEE Transactions on Geoscience and Remote Sensing，2021， 60 ：4400514.

[15]Basso M，StoccheroD，Ventura BayanHenriquesR，etal.Proposal foran embedded system architecture using a GNDVI algorithm to support UAV-based agrochemical spraying[J]. Sensors，2019，19 （24） ：5397.

[16]Gunathilaka M D K L. Modelling the behavior of DVI and IPVI vegetation indices using multi - temporal remotely sensed data[J]. International Journal of Environment，Engineering and Education， 2021，3（1） ：9 - 16.

[17]BhattaraiR，Rahimzadeh-BajgiranP，WeiskittelA，etal.Sentinel2 based prediction of spruce budworm defoliation using red - edge spectral vegetation indices[J]. Remote Sensing Letters，，2020，11 （8） ：777 -786.

[18]Zhao CJ，Wang JH，Huang WJ，et al. Spectral indices sensitively discriminating wheat genotypes of different canopy architectures[J]. Precision Agriculture，2010，11（5） ：557-567.

[19]Dash J，Curran PJ.Evaluation of the MERIS terrestrial chlorophyll index （MTCI）[J].Advances in Space Research，2007，39（1）： 100 -104.

[20]LiRG，XuYJ，WangJ，et al.GATA4 loss-of-function mutation and thecongenitally bicuspid aorticvalve[J].The American Journal of Cardiology，2018，121（4） ：469-474.

[21]Scheffler D，F(xiàn)rantz D，Segl K.Spectral harmonization and red edge prediction of Landsat ^-8 to Sentinel ^-2 using land cover optimized multivariate regressors[J]. Remote Sensing of Environment，2020， 241：111723.

[22]Frampton W J，Dash J，Watmough G，et al.Evaluating the capabilities of Sentinel ^-2 for quantitative estimation of biophysical variables in vegetation[J].ISPRS Journalof Photogrammetry and Remote Sensing，2013，82：83-92.

[23]Zhou XN，Lin D D，Yang H M，et al.Use of landsat TM satellite surveillance data to measure the impact of the1998 flood on snail intermediate host dispersal in the Lower Yangtze River Basin[J]. Acta Tropica，2002，82（2） ：199-205.

[24]Carlson TN，RipleyDA.On the relation between NDVI，fractional vegetation cover，and leaf area index[J]．Remote Sensing of Environment，1997，62（3） ：241-252.

[25]Wessels KJ，van den Bergh F，Scholes R J.Limits to detectability of land degradation by trend analysis of vegetation index data[J]. Remote Sensing of Environment，2012，125：10-22.

[26]HueteA R.A soil- adjusted vegetation index（SAVI）[J]. Remote Sensing of Environment，1988，25（3）：295-309.

[27]Haboudane D，MillerJR，Pattey E，et al.Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture[J].Remote Sensing of Environment，2004，90（3）： 337 -352.

[28]Mutanga O，Masenyama A，Sibanda M.Spectral saturation in the remotesensingofhigh-densityvegetation traits：asystematic review of progress，challenges，and prospects[J].ISPRSJournal of Photogrammetry and Remote Sensing，2023，198：297-309.

[29]Wu C Y，Niu Z，TangQ，et al. Estimating chlorophyll content from hyperspectral vegetationindices：modelingand validation[J]. AgriculturalandForestMeteorology，2008，148（8/9）： 1230-1241.

[30]DmitrievPA，KozlovskyBL，Kupriushkin DP，etal.Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves[J]. Remote Sensing Applications（Society and Environment），2022，25：100679.