摘要： 為探討利用無人機多光譜遙感影像監(jiān)測蘋果樹冠層葉綠素含量的可行性，以南疆矮砧密植蘋果樹為研究對象，利用無人機獲取試驗區(qū)多光譜影像，選取10個植被指數(shù)，分析所選植被指數(shù)與實測SPAD值的相關(guān)性，將與SPAD相關(guān)性較好的7個植被指數(shù)作為模型的輸入變量，利用機器學習構(gòu)建一元線性回歸、偏最小二乘回歸、支持向量機回歸、隨機森林回歸和嶺回歸的蘋果樹冠層SPAD反演模型，通過精度檢驗確定最優(yōu)模型.結(jié)果表明，7個植被指數(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；驗證集R2為0.702，RMSE為2.527，RPD為1.832.因此，基于無人機多光譜遙感的RF模型可以實現(xiàn)蘋果樹冠層SPAD的快速準確估算.

關(guān)鍵詞： 蘋果樹；無人機；多光譜遙感；SPAD；機器學習

中圖分類號： S252.9；S661.1 文獻標志碼： A 文章編號： 1674-8530（2024）05-0525-07

DOI：10.3969/j.issn.1674-8530.23.0222開放科學（資源服務(wù)）標識碼（OSID）：

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 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，對植物與外界環(huán)境進行物質(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勢信息［1-2］.葉綠素相對含量SPAD（soil and plant analyzer development）與葉綠素含量有著緊密關(guān)聯(lián)，測定其值可表征葉片葉綠素含量［3-4］.目前使用SPAD葉綠素儀能夠無損測定植被SPAD值，但由于以單個葉片為檢測單位，在大尺度空間上的應(yīng)用受到了限制［5］.

無人機多光譜相機成本較低，可以通過多個波段信息更準確地確定植物長勢信息，具備與高光譜相機相同的定量反演能力［6］.機器學習可以結(jié)合遙感數(shù)據(jù)，在不同尺度上分析作物長勢信息，為精細化農(nóng)業(yè)管理打下堅實基礎(chǔ)［7］.基于無人機多光譜遙感技術(shù)結(jié)合機器學習作為一種無損、快速的方法，可用于監(jiān)測作物的葉綠素含量［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)能最大限度提高對植被特征的敏感性和模型精度［9］.研究表明，以可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合的逐步回歸和隨機森林回歸模型，估算SPAD值的精度和穩(wěn)定性高于僅用可見光植被指數(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，該模型能精準估測玉米冠層葉綠素含量［11］.

已有許多學者利用無人機遙感［12］技術(shù)結(jié)合機器學習估測作物葉綠素含量.岳云開等［13］運用機器學習算法構(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森林回歸的苧麻葉綠素含量反演模型，提出隨機森林回歸模型在成熟期預測苧麻葉綠素效果最好.范學星等［14］利用多光譜圖像光譜信息與機器學習快速準確檢測植物葉綠素含量，為植物生長監(jiān)測、脅迫診斷與精確管理提供參考依據(jù)和技術(shù)指導.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)測模型，研究表明BP神經(jīng)網(wǎng)絡(luò)模型在預測花生葉綠素含量方面具有最高的準確性.

以上研究主要側(cè)重于基于植被指數(shù)建立機器學習模型以估算作物葉綠素含量，且研究對象多為一年生農(nóng)作物，對蘋果樹冠層葉綠素含量的監(jiān)測研究較少，結(jié)合機器學習監(jiān)測的研究更是鮮有涉及.因此，文中以南疆矮砧密植蘋果樹為研究對象，利用無人機獲取蘋果樹冠層多光譜影像，選取10個植被指數(shù)與實測SPAD進行皮爾遜（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）、隨機森林回歸（random forest regression， RF）和嶺回歸（ridge regression， RR）的蘋果樹冠層SPAD反演模型，通過精度對比確定SPAD最佳反演模型，為果園的科學管理提供技術(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矮砧密植果園（81°16′E，40°39′N），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，全年日照時數(shù)為2 900 h，無霜期在200 d以上，地下水位深超過3 m.試驗地土壤為砂壤土，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.供試蘋果品種為富士，行距3.5 m，株距1 m.

試驗分別設(shè)置2個灌水水平：13.5 mm（W1），22.5 mm（W2）；2個施氮水平：79.2 kg/hm2（N1），99.0 kg/hm2（N2）.共4個試驗小區(qū)，每個小區(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 無人機影像獲取與預處理

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

在2022年8月2日（果實膨大期）進行無人機影像采集，使用Pix4Dmapper軟件對獲取的影像進行拼接，得到6個單獨波段的多光譜圖像.以ENVI 5.3軟件進行波段合成得到一張含有6個波段的多光譜圖像.在ArcMap 10.8平臺中提取在4個試驗區(qū)域的采樣點所對應(yīng)的光譜數(shù)據(jù)，共獲取附有6個波段的144組光譜數(shù)據(jù).

1.3 植被指數(shù)選取與計算

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個多光譜植被指數(shù)；基于采樣點的光譜數(shù)據(jù)，植被指數(shù)運算在Python 3.10中進行，計算公式見表1.

1.4 地面SPAD實測數(shù)據(jù)獲取

使用SPAD-502便攜式葉綠素儀監(jiān)測蘋果樹冠層SPAD值.每個試驗處理分為3個重復，每個重復選定1棵樹分東、西、南、北4個方向，按照最頂端與最底層樹枝距離平均分上、中、下3層作為取樣點.每個取樣點取3個葉片分別測定1次并計算其平均值作為該點的SPAD值.在4個試驗區(qū)域共獲取144個實測SPAD值.

1.5 數(shù)據(jù)分析

在Python 3.10中進行Pearson相關(guān)性分析，利用sklearn包建立LR，PLSR，SVR，RF和RR的蘋果樹冠層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建立蘋果樹冠層SPAD反演模型.

LR只涉及一個自變量和一個因變量之間的關(guān)系，具有可解釋性強和預測簡便等優(yōu)點.PLSR結(jié)合主成分分析和多元線性回歸的優(yōu)點，通過投影將預測變量和觀測變量投影到一個新空間，以尋找一個線性回歸模型；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，其獨特之處在于能夠通過映射數(shù)據(jù)點到高維空間，有效解決低維空間中難以處理的非線性問題；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是一種基于決策樹的集成學習算法，其核心思路是通過對多個決策樹的結(jié)果進行組合，達到增強模型的效果，從而提高預測的準確性；RF采用的主要參數(shù)是n_estimators，代表隨機森林中樹的數(shù)量，設(shè)定1～30進行迭代.RR是一種專用于共線性數(shù)據(jù)分析的有偏估計回歸方法，具有選擇變量的能力，可以改善回歸系數(shù)的估計，使其更加穩(wěn)定；在RR中正則化參數(shù)alpha能解決共線性問題，其值設(shè)定為0.001.

1.7 模型精度評價

數(shù)據(jù)經(jīng)過預處理，將實測樣本按照建模集∶驗證集為3∶1的比例進行數(shù)據(jù)劃分，為了避免模型對特定數(shù)據(jù)分布的過度擬合，劃分選取隨機性原則.最終確定建模集和驗證集數(shù)據(jù)個數(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）和相對分析誤差（RPD）3個指標評價模型反演精度.

2 反演結(jié)果與分析

2.1 SPAD與植被指數(shù)的相關(guān)性

對選定的10個植被指數(shù)與SPAD進行Pearson相關(guān)性分析，結(jié)果見表2.

10個植被指數(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個植被指數(shù)與蘋果樹冠層SPAD較為敏感.因此，選取NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI估算蘋果樹冠層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個植被指數(shù)NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI為自變量，以實測SPAD值為因變量建立LR模型.

LR模型建模和驗證結(jié)果見表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.各個模型整體精度偏低，無法對樣本進行預測.

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個植被指數(shù)NDVI，EVI，SAVI，OSAVI，GNDVI，RVI，GRVI組合為自變量，以實測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p，m分別表示預測值、實測值）.

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 模型評價

對比模型精度參數(shù)統(tǒng)計見表4：RF模型的建模集R2為0.728，驗證集R2為0.702，均高于其余模型建模集和驗證集的R2.RF模型的建模集和驗證集的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，建模集和驗證集RPD分別為1.920和1.832，可以很好地預測樣本.綜合R2，RMSE和RPD可知，RF方法構(gòu)建的蘋果樹冠層SPAD反演模型效果最好.SVR模型驗證集R2為0.527，RMSE為3.105，RPD為1.455，可以有效地預測樣本.LR，PLSR和RR模型精度較差，建模集和驗證集R2均低于0.500，RPD均低于1.400，無法對樣本進行預測.

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反演模型復雜程度，提高反演模型精度.文中研究通過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個植被指數(shù)對蘋果樹冠層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量植被葉綠素含量，也可能與不同地區(qū)的植被類型和環(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估測結(jié)果的重要因素.文中研究綜合估算精度與預測效果發(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］在對大豆地上部生物量研究結(jié)果類似，說明蘋果SPAD與植被指數(shù)之間不是簡單的線性關(guān)系.通過對比蘋果樹冠層SPAD估算模型的精度確定RF模型為最優(yōu)模型，這與陳瀾［20］在蘋果葉綠素含量估測得出的結(jié)論一致，說明該模型在反演蘋果葉綠素含量上具有明顯優(yōu)勢.同樣有研究表明RF模型在其他方面估測效果也較好，如韓兆迎等［21］利用高光譜數(shù)據(jù)預測蘋果樹冠層葉面積指數(shù)，隨機森林回歸模型優(yōu)于支持向量機回歸模型.NDLOVU等［22］利用多光譜圖像和機器學習技術(shù)對玉米葉片水分指標進行估測，得出最佳模型來自隨機森林回歸算法.造成以上結(jié)果的主要原因可能在于RF模型對于數(shù)據(jù)中的噪聲和異常值具有較強的魯棒性，解決其他模型可靠性較差的問題，提高了模型泛化能力.而文中研究其他模型效果較差，可能是因為PLSR模型在處理較為復雜的非線性問題時具有較明顯的劣勢，SVR模型需依靠經(jīng)驗進行調(diào)參，同樣在一定程度上增加制約性，影響模型預測效果，而RR模型是一種線性模型，只適用于處理線性關(guān)系問題.

文中研究基于無人機多光譜影像和機器學習建立蘋果樹冠層SPAD反演模型，相較于模型LR，PLSR，SVR和RR，RF能更精準反演蘋果樹冠層SPAD.但文中研究的不足之處在于樣本數(shù)量較少，僅選取蘋果的單一生長期進行分析.對于蘋果不同生育期以及不同品種蘋果SPAD估算還有待于進一步研究.因此，后續(xù)試驗應(yīng)當再增多樣本數(shù)量，考慮不同生長期等方面，進一步篩選對蘋果SPAD敏感的植被指數(shù)，并根據(jù)蘋果不同生育期進行討論和建立機器學習回歸模型，以期獲取更準確和全面的蘋果SPAD反演模型，為蘋果產(chǎn)區(qū)長勢監(jiān)測提供技術(shù)支撐.

4 結(jié) 論

1） 研究選取的10個植被指數(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)，說明基于這7個植被指數(shù)估算蘋果樹冠層SPAD具有可行性.

2） 模型LR，PLSR，SVR，RR建立的蘋果SPAD估算模型精度不高，其中LR模型整體偏低，說明SPAD與植被指數(shù)之間不是簡單的線性關(guān)系，對于SPAD無法預測.

3） RF模型的建模集和驗證集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模型反演蘋果樹冠層SPAD具有較好的精度，可以實現(xiàn)對蘋果樹冠層SPAD的精準監(jiān)測.

參考文獻（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，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］.中國農(nóng)機化學報，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提取大豆冠層SPAD值估算模型［J］．江蘇大學學報（自然科學版），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［J］.江蘇農(nóng)業(yè)科學，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， 孫夢遙， 張傳帥， 等. 不同農(nóng)機駕駛方式對玉米播種出苗率的影響——基于無人機多光譜影像的測算［J］. 中國農(nóng)機化學報， 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］ 孫夢遙， 胡冰冰， 陳華， 等. 基于無人機遙感的小麥無人駕駛系統(tǒng)作業(yè)質(zhì)量評估［J］. 中國農(nóng)機化學報， 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.基于無人機高光譜影像的玉米葉綠素含量估測［J］.江蘇農(nóng)業(yè)學報，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，等．冬小麥SPAD值無人機可見光和多光譜植被指數(shù)結(jié)合估算［J］．農(nóng)業(yè)機械學報，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．基于無人機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，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)篩選的無人機測繪數(shù)據(jù)異常檢測［J］.西華大學學報（自然科學版），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，陳建福，趙亮，等．基于無人機多光譜遙感的苧麻葉綠素含量反演［J］．山東農(nóng)業(yè)科學，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］ 范學星，張慧春，鄒義萍，等．基于多光譜成像與機器學習的植物葉綠素含量反演［J］．林業(yè)科學，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．基于無人機多光譜影像的夏玉米SPAD估算模型研究［J］．農(nóng)業(yè)機械學報，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．基于無人機多光譜遙感的芳樟矮林SPAD反演［J］．農(nóng)業(yè)機械學報，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．基于無人機多光譜遙感的夏玉米冠層葉綠素含量估計［J］．排灌機械工程學報，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，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果生化參數(shù)估算模型研究［D］．楊凌：西北農(nóng)林科技大學，2020.

［21］ 韓兆迎，朱西存，房賢一，等．基于SVM與RF的蘋果樹冠LAI高光譜估測［J］．光譜學與光譜分析，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

基金項目： 兵團財政科技計劃項目（2022BC009）；國家自然科學基金資助項目（51669032）

第一作者簡介： 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.

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