基于無人機多光譜遙感和機器學習的棉花SPAD值預測

中圖分類號：S233.75；S562 文獻標志碼：A 文章編號：1001-4330（2025）05-1041-10

0 引言

【研究意義】棉花葉綠素含量是反映棉花生長狀況的重要指標之一，其含量與棉花抗逆性和棉花葉片內氮含量密切相關，然而傳統(tǒng)的田間棉花SPAD值測量方法受到樣本數量和測量頻率的限制，且測量值容易受到環(huán)境條件和測量者操作技術的影響。因此，通過無損高效的遙感技術實現(xiàn)棉花生長狀態(tài)指標的快速估測具有重要應用價值?！厩叭搜芯窟M展】現(xiàn)有研究多關注小麥、玉米和水稻等糧食作物生長指標的估測。例如，周敏姑等1通過提取多光譜影像5個原始波段，分析了不同波段與小麥SPAD值的相關性并對比了主成分回歸、嶺回歸、逐步回歸三種回歸算法的精度。閆成川等2通過低成本無人機獲取多光譜影像結合神經網絡算法的徑向基函數對棉花葉片SPAD 值和含水量進行估測，并對棉花旱情等級進行了劃分。毛智慧等利用無人機多光譜影像構建了26種植被指數對比了不同植被指數對玉米SPAD值估測精度的影響，并分析了環(huán)境背景因素對估測結果的影響。【本研究切入點】目前研究中多注重在不同植被指數的篩選、最佳估測模型和最優(yōu)監(jiān)測生育期的篩選，缺乏在不同地塊估測驗證模型的泛化能力。需設計不同灌水和施肥試驗，評估無人機多光譜影像結合機器學習算法在棉花估測中的應用效果，對比不同模型的估測精度篩選出最優(yōu)估測模型，比較不同時期最優(yōu)估測模型的估測精度，并在不同田塊之間對模型的泛化能力進行驗證?！緮M解決的關鍵問題】探究不同水肥措施下棉花SPAD值的影響及不同機器學習算法對模型精度的影響，分析最優(yōu)估測模型在不同地塊估測的穩(wěn)定性，為棉花生長指標診斷與決策提供技術支持。

1 材料與方法

1.1材料

試驗于2022年4～10月在新疆維吾爾自治區(qū)農業(yè)科學院阿瓦提棉花綜合試驗基地進行（ N40^°06^? E80^°44 ，海拔 1025m ）。該區(qū)屬暖溫帶大陸性干旱氣候，多年平均降水量 46.7mm ，多年平均蒸發(fā)量 1890.7mm ，平均氣溫 10.4^°C ，年均日照 2 679h，≥10°C 年積溫 3987.7^°C ，無霜期211d，屬于典型的干旱灌溉農業(yè)區(qū)。地貌屬于沖積扇平原，地帶性土壤類型為灌淤土，母質為沖積物，質地為沙壤土，容重 1.45g/cm³ 、有機質12.83g/kg 、全氮 0.97g/kg 速效磷 10.95mg/ kg 礦質氮 12.93mg/kg 和 pH8.2 、田間持水量28.9% ，試驗前茬作物為棉花。2022年供試棉花品種為新陸中88號。

1.2 方法

1. 2.1 試驗設計

試驗1：采用雙因素隨機區(qū)組設計，不同灌溉定額為主區(qū)，不同施肥量為副區(qū)。采用水肥一體化膜下滴灌1膜3行種植方式，平均行距 76cm ，株距 5.5cm ，播種密度 23.9×10⁴ 株 ?hm² ，膜寬2.05m 。灌溉定額3個，分別為虧缺灌溉3150m³/hm² 、正常灌溉 4050m³/hm² 和過量灌溉4950m³/hm² 。設置3個氮肥施用量，分別為 0kg/hm² （ N₁ ） $＼ 、 3 0 0 ＼mathrm { ～ k g / h m } ^ { 2 } ＼left（ ＼begin{array} { r l } ＼end{array} ＼right）$ N2，正常施氮量） 600kg/hm² （ N₃ ，2倍正常施氮量），以尿素施入為主；處理間內設重復3個，總計27個小區(qū)。播種日期為2022年4月11日，除各處理施氮量外，基肥均為磷酸二銨（ P₂O₅?42% ， N?15% ） 1450.877kg/hm² ，水溶性鉀肥（ K₂0?57%）249.12kg/hm² ，生育期采用1水1肥方式追肥，6月初開始灌溉，8月中旬停水，灌水定額為灌溉定額的 1/10 ，其他按照田間實際管理操作。

試驗2：設計為雙因素隨機區(qū)組設計，不同灌溉定額和施氮梯度與試驗1相同，采用1膜6行種植方式，寬行距 66cm ，窄行距 10cm ，寬窄行相間排列，株距 11.0cm ，播種密度 23.9×10⁴ 株/hm² 。田間操作與試驗1相同。

1.2.2 測定指標

（1）土壤肥力特征：分別于2022年播種前采集土壤樣品，采集深度 0～100cm ，各小區(qū)按照“之\"字形進行5點采樣，去除土樣中的石礫、殘茬等雜質，混合均勻后過 1mm 篩風干備用。土樣pH值、含鹽量、有機質、堿解氮、速效磷和速效鉀測定分別采用電位法、重量法、鉻酸氧還滴定法、凱氏定氮法 、0.5mol/LNaHC0₃ 浸提-鉬銻抗比色法、原子吸收分光光度法[4] 。

（2）葉綠素含量：分別于棉花蕾期、花期、鈴期、吐絮期使用SPAD-502葉綠素測試儀，夾取測試樣品棉花葉片測定SPAD值。每個處理選30片葉，分別在每片葉的主葉脈兩側測定 3～5 次[5]。

1.2.3 多光譜影像的獲取

多光譜遙感信息采集應選擇在晴朗、無云、無風的天氣，時間為 10：00～14：00 ，并在同一天無人機飛過后進行田間取樣。試驗區(qū)布置定位板，獲取定位板中心的經度、緯度及高程，作為控制點信息。采集前設置多光譜相機鏡頭垂直距棉花植株冠層頂部 30m ，采集時先對研究區(qū)域進行無人機航線規(guī)劃高度 30m ，航向重疊率 75% ，旁向重疊率 75% ，航速 2m/s ，采用等間隔拍照，拍照間隔為 2m/ 張。

無人機測定：明確可飛區(qū)域，確定周圍無干擾因素及無人機正常使用，確定飛行范圍，設定好航線及航高等飛行參數及拍攝參數，自動起飛遙控進行拍攝，拍攝后按照既定路線返回后即可，并在每次飛行前以及飛行后均進行校正反射板拍照。利用Pix4Dmapper軟件拼接采集的單幅影像，通過控制點信息進行輻射校正。

1.2.4光譜反射率的提取及植被指數的計算

將拼接好的圖像用ArcGISmap軟件的shape文件劃分田間試驗小區(qū)，用分割工具對小區(qū)圖像進行裁剪，用掩膜工具提取裁剪的試驗區(qū)域；裁剪后的影像數據用ENVI軟件查看不同波段數據是否正確，用BandMath工具計算所需的植被指數[]。研究選取12種常用于作物氮素監(jiān)測的植被指數。表1

1.3 數據處理

1.3.1 機器學習方法與反演模型構建

將SPAD值與植被指數進行相關性分析，篩選出相關性高且在2個試驗中受生育期影響較小的6個波段或植被指數用于棉花葉片SPAD值估測模型構建。全生育時期獲得的數據樣本將其中80% 樣本作為建模集， 20% 樣本作為驗證集，分別使用隨機森林（RF）、偏最小二乘回歸（PLSR）、支持向量機回歸（SVR）、BP神經網絡（BPN）4種算法構建回歸估算模型（ n=324 ）。對構建的模型進行精度評價后，篩選出最佳估測模型，估測分析不同時期棉花葉片 SPAD 值，并在不同田塊進行模型的驗證。

表1植被指數及其計算公式

Tab.1 VegetationIndexandItsCalculationFormula

注：Red、Blue、Green、RE、NIR分別表示紅光波段、綠光波段、藍光波段、紅邊、近紅外波段的反射率 Notes：Red，ueEdspielyeprntaeideudgdarrd

1. 3.2 模型驗證指標

研究的回歸算法均基于MATLABR2021a環(huán)境搭建。選擇決定系數（Coefficentofdetermina-tion， R² ）、均方根誤差（Rootmean square error，RMSE）平均絕對誤差（Meanabsoluteerror， MAE ）作為評估光譜指數模型建模與驗證精度的指標，選取均方根誤差（Rootmeansquareerror，RMSE）、相對誤差（Relativeestimationerror， RE ）和歸一化均方根誤差（Normalized root mean square error，NRMSE）統(tǒng)計分析葉片SPAD值模型模擬值與觀測值之間的符合程度，模型采用隨機重復抽樣方法驗證模型。

式中， y_i 為觀測值； 為模擬值； n 為樣本容量； 和 y 為觀測值的平均值。

2 結果與分析

2.1 灌溉定額與施肥水平互作下棉花 SPAD 值 變化特征

研究表明，棉花葉片 SPAD 值隨著施肥量的增加而逐漸升高，總體表現(xiàn)為 N₁23 ，過量施肥（ N₃ ）條件下SPAD值雖然有一定提升，但是增幅不大。棉花 SPAD 值隨著灌溉定額的增加呈先升高后降低的趨勢，在高灌溉量條件下棉花SPAD值差異明顯降低。棉花蕾期和花期的變異系數介于 4.14%～5.28% 表現(xiàn)為弱變異，花鈴期和吐絮期變異系數介于 7.00%～10.53% 表現(xiàn)為中等變異，棉花 SPAD 值在蕾期和花期差異較小，在花鈴期和吐絮期 SPAD 值差異較大。圖1

2.2 多光譜指數與棉花葉片 SPAD 值相關性

研究表明，不同植被指數在不同時期與棉花SPAD值相關系數略有變動，篩選出前6種植被指數 （RE，NDRE，NIR，SAVI，DVI，MNLI） 。SPAD值與光譜指數的相關性在在花期表現(xiàn)較其他3個時期差，在花期SPAD值與綠光波段的相關性較佳，GREEN和GNDVI指數與SPAD值在花期具有較好的相關性。表2～3

表2多光譜指數與棉花 SPAD 值的Pearson相關性（試驗1）

Tab.2Pearson correlation analysis betweenmultispectralindexand

cottonSPADvalue（Experiment1）

表3多光譜指數與棉花 SPAD 值的Pearson相關性（試驗2）

Tab.3 Pearsoncorrelation analysisbetweenmultispectral

indexandcottonSPADvalue（Experiment2）

2.3 模型的構建與最優(yōu)估測模型精度對比

2.3.1 不同模型建模效果對比

研究表明，RF的模型的估測精度最優(yōu)，模型估測精度為 RFgt;BPNgt;SVRgt;PLSR ；選取RF和BPN模型作為棉花 SPAD 值反演的備選模型；但在模型單個時期的估測和不同地塊間進行模型的驗證中BPN模型，并未取得理想的估測精度，因此RF模型作為棉花葉片 SPAD 值估測的最優(yōu)估測模型。表4

2.3.2 不同時期最優(yōu)模型估測精度對比

研究表明，模型的估測精度在花鈴期最優(yōu)估測精度 R² 介于 0.68～0.73 ，模型在吐絮期的誤差RMSE介于 2.64～3.48 ，明顯高于其他3個時期這可能與吐絮期葉片失色有關；模型SPAD值在花期估測結果并無較好的精度。試驗1的模型估測精度明顯優(yōu)于試驗2的估測精度。表5，圖2～3

棉花葉片SPAD值在花期和吐絮期更容易出現(xiàn)預測值比實測值低的情況，在花鈴期的實測值與預測值較其他時期更加均勻分布在 1：1 線兩端，花鈴期是棉花SPAD值監(jiān)測的最佳時期。圖3、圖4

Tab.4Estimationaccuracy ofdifferentmodelsfor SPADvalueofcotton leavesthroughout the entire growth period （n=324）

表5基于最優(yōu)模型的棉花不同生育期葉片 SPAD 值估算精度 ）

表4棉花全生育期葉片 SPAD 值不同模型估算精度（ n=324 ））

Tab.5 EstimationaccuracyofSPADvaluesforcottonleavesatdifferent growthstagesbasedontheoptimal model （n=81 ！

2.4 模型的驗證

研究表明，模型的估測精度 R² 介于 0.40～ 0.67，蕾期對模型估測值與實測值的 R²=0.41 ！RE=2.730% ；花期對模型估測值與實測值的 R² =0.43，RE=3.292% ；花鈴期對模型估測值與實測值的 R²=0.66，RE=4.275% ；吐絮期對模型估測值與實測值的 R²=0.41 ， RE=4.577% 。估測值與實測值具有較好的一致性，且驗證結果與模型不同時期估測結果相一致，RF模型在同一年際的不同地塊的棉花 SPAD 值估測具有較好的穩(wěn)定性。圖4

3討論

3.1 灌溉定額和施氮水平對棉花葉片 SPAD 值的影響

施肥是提高棉花產量和質量的重要措施之一，SPAD值通常被用來評估植物葉片的葉綠素含量和氮素狀況[19-21]。因此，增加施肥量可以提高棉花對氮肥的吸收，進而提升棉花的SPAD值。此外，增加灌溉定額在一定程度上也促進了棉花對氮肥的吸收，有助于提高棉花SPAD值，在適量灌溉時，增加灌溉定額加劇了土壤中肥料的淋溶[22.23]，不能有效發(fā)揮肥料的效用，導致棉花SPAD 值降低。研究表明，合理增加施肥量和灌溉定額，可以有效提升棉花的SPAD值，從而促進棉花的生長發(fā)育和提高產量;棉花葉片SPAD值在花鈴期之后變異系數增高可能與不同水肥處理下田間棉花葉色差異有關。

3.2 棉花葉片 SPAD 值反演模型

棉花SPAD值其含量對棉花的產量和品質形成密切相關，通過無人機影像實現(xiàn)田塊尺度棉花SPAD 值動態(tài)估測[24，25]。研究通過植被指數與棉花所有生育時期的SPAD值進行相關性分析篩選出了在棉花各生育期均表現(xiàn)較好的6個植被指數，但研究也發(fā)現(xiàn)不同時期同一植被指數相關性差異明顯，在花期綠光波段及相應的植被指數具有較好的相關性，可能是由于花期棉花長勢旺盛，其他植被指數在紅光或紅邊波段易出現(xiàn)“飽和”現(xiàn)象有關[18]。在不同算法模型構建和精度對比中，RF模型精度最優(yōu)BPN算法次之，但研究中由于RF算法在全生育期模型的估測中存在訓練集模型精度較高在驗證集存在明顯下降的因素，因此研究將RF和BPN兩種模型作為最優(yōu)估測模型，在最優(yōu)估測模型單個生育期建模中發(fā)現(xiàn)BPN模型由于樣本量的減少，對樣本中的極端值特別敏感在估測中出現(xiàn)了 R² 為負值的情況，因此研究選取了RF模型為最優(yōu)估測模型，研究中篩選模型的情況與劉一博等[26]、Zhang等[27]研究出現(xiàn)情況一致。

RF模型在不同時期的棉花SPAD值估測中，單個生育期的估測精度明顯的由于全生育期的精度，與無人機影像在不同監(jiān)測時期受到氣候因子影響和不同時期的田間管理因素的影響有關[28]研究中模型在2個試驗中均表現(xiàn)為在花鈴期監(jiān)測精度最優(yōu)，與棉花田間生長狀況相一致。田明璐等[29]研究中利用無人機高光譜影像構建植被指數用線性模型對棉花SPAD值進行了估測，估測精度在 0.66～0.73 。劉江凡等[30]通過無人機多光譜影像構建了5種蘋果樹冠層SPAD值估測模型，發(fā)現(xiàn)RF模型可以實現(xiàn)蘋果樹SPAD值精確估算。陳兆中等[31通過無人機多光譜影像對水稻葉片SPAD值進行估測，發(fā)現(xiàn)隨機森林模型預測精度最高。植株 SPAD 值與植被指數具有較好的相關性隨機森林算法模型監(jiān)測具有較好的監(jiān)測精度，該結果與研究一致。

研究中RF模型取得了較好的估測精度，但模型本身也存在著訓練集樣本精度明顯高于測試集樣本的情況模型需要進一步優(yōu)化，研究中只涉及了不同水肥對棉花SPAD值的影響，而不同品種[32]密度[33]也與棉花的生長狀況密切相關，要進一步驗證模型的泛化能力，需要多年份不同地點數據進一步驗證。

4結論

4.1不同灌水和施肥條件下，棉花葉片 SPAD 值受灌水和施肥影響顯著，棉花蕾期和花期的變異系數介于 4.14%～5.28% 表現(xiàn)為弱變異，花鈴期和吐絮期變異系數介于 7.00%～10.53% 表現(xiàn)為中等變異，棉花 SPAD 值在中后期受灌溉定額和氮肥水平影響較大。

4.2通過光譜指數與棉花 SPAD 值篩選出前6種植被指數用4種機器學習算法建模篩選出，最優(yōu)監(jiān)測模型為隨機森林模型 （RF），RF 模型在不同生育期的估測中取得了較優(yōu)的估測精度， RF 模型在花鈴期估測精度最佳，模型的估測進度 R² 介于0.68～0.73，RMSE介于 2.29～3.35 。用 RF 模型對不同田塊的棉花 SPAD 值估測，取得了較優(yōu)的估測精度，模型具有較優(yōu)的穩(wěn)定性，模型在花鈴期估測精度最優(yōu)，決定系數 R²=0.661 3 ，均方根誤差RMSE=2.981 0 ，相對誤差 RE=0.04275 。

4.3基于無人機多光譜影像計算光譜指數基于RF 算法建模估測棉花葉片SPAD值，具有較優(yōu)的估測精度。

參考文獻（Keierences）

[1]周敏姑，邵國敏，張立元，等．無人機多光譜遙感反演冬小 麥 SPAD 值[J]．農業(yè)工程學報，2020，36（20）：125-133. ZHOU Mingu，SHAO Guomin， ZHANG Liyuan，et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles[J]．Transactions of the Chinese Society of Agricultural Engineering，2020，36（20） ： 125-133.

[2]閆成川，曲延英，陳全家，等．基于無人機多光譜影像的棉 花 SPAD 值及葉片含水量估測[J]．農業(yè)工程學報，2023，39 （2）：61-67. YAN Chengchuan，QU Yanying，CHEN Quanjia，et al. Estimation of cotton SPAD value and leaf water content based on UAV multispectral images[J]. Transactions of the Chinese Society of Agricultural Engineering，2023，39（2） ： 61-67.

［3］毛智慧，鄧磊，孫杰，等．無人機多光譜遙感在玉米冠層葉 綠素預測中的應用研究［J]．光譜學與光譜分析，2018，38 （9）： 2923. MAO Zhihui，DENG Lei， SUN Jie，et al.Research on the application of UAV multispectral remote sensing in the maize chlorophyll prediction[J]. Spectroscopy and Spectral Analysis，2018，38 （9）： 2923.

[4]鮑士旦．土壤農化分析[M].3版．北京：中國農業(yè)出版社， 2000. BAO Shidan. Soil and agricultural chemistry analysis[M].3rd ed.Beijing：China Agriculture Press，2000.

[5］李振海，王紀華，賀鵬，等．基于Dualex氮平衡指數測量儀 的作物葉綠素含量估算模型［J]．農業(yè)工程學報，2015，31 （21） ： 191 - 197. LI Zhenhai，WANG Jihua，HE Peng，et al.Modeling of crop chlorophyll contentbased on dualex[J]. Transactions of the Chinese Society of Agricultural Engineering，2015，31（21）：191- 197.

[6]邵亞杰，湯秋香，崔建平，等．融合無人機光譜信息與紋理 特征的棉花葉面積指數估測［J]．農業(yè)機械學報，2023，54 （6） ： 186 -196. SHAO Yajie，TANG Qiuxiang，CUI Jianping，et al.Cotton leaf area index estimation combining UAV spectral and textural features[J].Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：186-196.

[7]Daughtry C S T，WalthallC L，Kim M S，et al. Estimating corn leafchlorophyll concentration from leaf and canopy reflectance [J].Remote Sensing of Environment，2000，74（2）：229-239.

[8]NavarroG，CaballeroI，SilvaG，etal.Evaluationof forest fire on Madeira Island using Sentinel-2A MSI imagery[J]. InternationalJournal ofApplied EarthObservationand Geoinformation， 2017，58：97 -106.

[9]Fieuzal R， Marais Sicre C， Baup F. Estimation of corn yield usingmulti-temporal optical and radarsatelite data and artificial neural networks[J].International JournalofAppliedEarth Observation andGeoinformation，2017，57：14-23.

［10］譚昌偉，杜穎，童璐，等．基于開花期衛(wèi)星遙感數據的大田 小麥估產方法比較[J]．中國農業(yè)科學，2017，50（16）：3101 -3109. TAN Changwei， DU Ying，TONG Lu， et al. Comparison of the methods for predicting wheat yield based on sateliteremote sensing data at anthesis[J]. Scientia Agricultura Sinica，2017，50 （16）： 3101 -3109.

[11］魏鵬飛，徐新剛，李中元，等．基于無人機多光譜影像的夏 玉米葉片氮含量遙感估測[J]．農業(yè)工程學報，2019，35（8）： 126 -133，335. WEI Pengfei， XU Xingang，LI Zhongyuan， et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering，2019，35（8）：126-133， 335.

[12] Zhen Z J，Chen SB，Yin TG，et al. Using the negative soil adjustment factor of soil adjusted vegetation index（SAVI）to resist saturation effects and estimate leaf area index （LAI） in dense vegetation areas[J]. Sensors，2021，21（6） ： 2115.

[13］李鑫川，徐新剛，鮑艷松，等．基于分段方式選擇敏感植被 指數的冬小麥葉面積指數遙感反演［J]．中國農業(yè)科學， 2012，45（17） ： 3486 -3496. LI Xinchuan， XU Xingang， BAO Yansong， et al. Retrieving LAI of winter wheat basedonsensitive vegetationindex bythesegmentation method[J]. Scientia Agricultura Sinica，2012，45（17）： 3486 - 3496.

[14]GongP，PuRL，Biging GS，etal.Estimation offorest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）：1355-1362.

[15]Chen JM. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing，1996，22（3） ： 229 -242.

[16]RoujeanJL，Breon FM.EstimatingPAR absorbed by vegetationfrom bidirectional reflectance measurements[J].Remote Sensing of Environment，1995，51（3） ： 375-384.

［17］劉帥兵，楊貴軍，景海濤，等．基于無人機數碼影像的冬小 麥氮含量反演[J]．農業(yè)工程學報，2019，35（11）：75-85. LIU Shuaibing，YANG Guijun， JING Haitao，et al. Retrieval of winter wheat nitrogen content basedon UAV digital image[J]. Transactions of theChinese SocietyofAgricultural Engineering， 2019，35（11）： 75-85.

[18]Gitelson A A， Kaufman Y J， Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS -MODIS [J]. Remote Sensing of Environment，1996，58（3）： 289 -298.

［19］李國君．棉花葉片葉綠素和氮含量與產量的相關性研究 [J]．新疆農墾科技，2018，41（11）：37-38. LI Guojun.Study on the correlation between chlorophyll and nitrogen content in cotton leaves and yield[J]. Xinjiang Farm Research of Science and Technology，2018，41（11）：37-38.

[20]Xiong D L，Chen J，YuTT，et al.SPAD-based leaf nitrogen estimation isimpacted by environmental factorsand crop leaf characteristics[J]. Scientific Reports，2015，5：13389.

[21]Cao YF，Xu HL，Song J，et al. Applying spectral fractal dimension index to predict the SPAD value of rice leaves under bacterial blight disease stress[J」.Plant Methods，2022，18（1）： 67.

［22]李宗新，董樹亭，王空軍，等．不同肥料運籌對夏玉米田間 土壤氮素淋溶與揮發(fā)影響的原位研究[J]．植物營養(yǎng)與肥料 學報，2007，13（6）：998-1005. LI Zongxin，DONG Shuting，WANG Kongjun，et al. In situ studyon influence of different fertilization strategies for summer maize on soil nitrogen leaching and volatilization[J].Plant Nutrition and Fertilizer Science，2007，13（6）： 998-1005.

[23]Xiao W.Interactive effects of irrigationand nitrogen fertilizer on nitrogen fertilizer recovery and nitrate-N movement acrosssoil profile in a winter wheat field[J/OL]. Acta Ecologica Sinica， 2008.

[24] Sudu B，Rong G Z，Guga S R， et al. Retrieving SPAD values of summer maize using UAV hyperspectral data based on multiple machine learning algorithm[J]. Remote Sensing，2022，14（21）： 5407.

[25]Yuan XT， Zhang X，Zhang NN，et al.Hyperspectral estimation of SPAD value of cotton leaves under Verticillium wilt stress based on GWO - ELM[J]. Agriculture，2023，13（9）： 1779.

[26]劉一博，裴杰，方華軍，等．利用無人機影像反演水稻 SPAD 值的最優(yōu)空間窗口確定[J]．農業(yè)工程學報，2023，39 （19）：165-174. LIU Yibo，PEI Jie，F(xiàn)ANG Huajun，etal.Optimizing spatial window selection for rice SPAD value retrieval using multispectral UAV images[J].Transactions of the Chinese Society of Agricultural Engineering，2023，39（19） ： 165 -174.

[27]ZhangLY，Han WT，Niu Y X，et al.Evaluating the sensitivity of water stressed maize chlorophylland structure based on UAV derivedvegetation indices[J]. Computers and Electronics in Agriculture，2021，185：106174.

[28]Jiang J，Atkinson P M， Zhang JY，et al.Combining fixed - wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale[J]. European Journal of Agronomy，2022，138：126537.

[29］田明璐，班松濤，常慶瑞，等．基于無人機成像光譜儀數據 的棉花葉綠素含量反演[J]．農業(yè)機械學報，2016，47（11）： 285-293. TIAN Minglu，BAN Songtao，CHANG Qingrui，et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV -based imaging spectroradiometer[J].Transactions of the ChineseSociety for Agricultural Machinery，2016，47（11）：285- 293.

［30］劉江凡，趙澤藝，李朝陽，等．基于無人機多光譜遙感的蘋 果樹冠層 SPAD 反演[J]．排灌機械工程學報，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 Irigation Machinery Engineering， 2024，42（5）：525-531.

[31］陳兆中，段少坤，岳云開，等．基于無人機航拍圖像的水稻 葉片SPAD值反演[J]．雜交水稻，2024，39（2）：14-22. CHEN Zhaozhong，DUAN Shaokun，YUE Yunkai，et al. Inversion of SPAD values of rice canopy based on aerial images taken by unmanned aerial vehicle[J]. Hybrid Rice，2024，39（2）：14 -22.

「32］劉蕓.石楠.胡文瑞.等．不同棉花品種 SPAD 值光譜估測模型及產量估測[J].農業(yè)研究與應用，2023，36（4）：1-8.LIU Yun ，SHINan，HU Wenrui，etal.Spectral estimation mod-els for SPAD valuesand yield estimation of different cottonvarie-ties[J].AgriculturalResearchandApplication，2023，36（4）：1-8.

[33］霍飛超．南疆1膜3行模式密度與縮節(jié)胺對棉花生長及產 量的影響[D]．阿拉爾：塔里木大學，2020. HUOFeichao.Effects of pattern density of1 film and3rowsof plasticfilminSouthXinjiangandthalidomideongrowthandyield of cotton[D].Aral：Tarim University，2020.

PredictionofSPADvalueof cottonbasedonUAV multispectral remote sensing and machine learning

FANG Wancheng'，LIN Tao2，3，CUI Jianping2，JIA Tao’，BAO Longlong' WANG Liang2，F(xiàn)AN Shiyu1，HU Zhengdong'，SHAO Yajie1，TANG Qiuxiang’

（1. Cotton Engineering Research Center of Ministry of Education / Colege of Agronomy， Xinjiang Agricultural University，Urumqi 83Oo52，China; 2. Cotton Research Institute， Xinjiang Uyghur Autonomous Region Academy of Agricultural Sciences， Urumqi 830O91，China; 3. Key Laboratoryof Desert Oasis Crop Physiological Ecology and Tillage，Ministry of Agriculture and Rural Areas， Urumqi ， China）

Abstract：【Objective】 Cotton is an important economic crop in Xinjiang， so obtaining cotton chlorophyll content （ SPAD value）quickly and accurately on the field scale is of great significance for accurate monitoring of cotton growth status and improving coton yield and quality prediction. Inthis study，multi -spectral remote sensing technology combined with machine learning method was used to retrieve the SPAD value of cotton in Aksu area.A feasible method for large area estimation of SPAD value of cotton in the field，and provides an important reference for non - destructive and real -time monitoring of crop growth index.【Methods】 The split zone design was used in the experiment，three nitrogen application levelsand three irrigation quotas were selected. Firstly，the response law of SPAD value of cotton under different water and nitrogen treatments was analyzed. Then the spectral characteristics of cotton multispectral images in diferent periods were further analyzed and the vegetation index was constructed. The correlation between vegetation index and SPAD value was analyzed，and the vegetation index with high correlation was selected.Four machine learning algorithms were used to model and analyze the SPAD value and multi-spectral index of the whole growth period of experiment 1 and experiment 2，and the optimal monitoring model was selected. The SPAD value of cotton in different periods were predicted and inversed，and the model was verified by diferent field data.【Results】The SPAD value of cotton was estimated by UAV multispectral images and machine learning algorithm，and it was found thatdifferent growth periods were significantly affected byirrigationand fertilization conditions.The bettr estimation accuracy was obtained by screening the appropriate spectral index and modeling with the random forest model，and the estimation result of the model was the best at the flowering and boll stage，and the estimation progress R² of the model was between O. 68 and O.73. The RF model had good stability in estimating the SPAD value of leaves among different fields.【Conclusion】 The estimation of SPAD value of cotton leaves by RF algorithm based on UAV multispectral image calculation has good accuracy and stability.

Key words：UAV multispectral; cotton； SPAD value;machine learning;random forest