摘要：快速、便捷地實(shí)時(shí)獲取蘋(píng)果樹(shù)冠層氮含量是實(shí)現(xiàn)精準(zhǔn)施肥的數(shù)據(jù)基礎(chǔ)。本研究以“秦脆”蘋(píng)果樹(shù)為研究對(duì)象，分別于新梢旺長(zhǎng)期、春梢停長(zhǎng)期、果實(shí)膨大期利用無(wú)人機(jī)遙感平臺(tái)獲取30、50、70 m飛行高度下的多光譜遙感圖像，并同步測(cè)定冠層氮含量。從不同試驗(yàn)條件下的遙感圖像中各提取43種植被指數(shù)，然后通過(guò)相關(guān)性分析篩選出6種敏感植被指數(shù)，利用梯度提升決策樹(shù)（GBDT）算法，建立了蘋(píng)果樹(shù)冠層氮含量的反演模型。結(jié)果表明：GBDT算法可以在“秦脆”蘋(píng)果樹(shù)不同生長(zhǎng)期的冠層氮含量反演模型建立中取得良好的效果，且降低無(wú)人機(jī)遙感試驗(yàn)的飛行高度可以顯著提高模型的預(yù)測(cè)精度：最優(yōu)模型出現(xiàn)在新梢旺長(zhǎng)期30 m高度時(shí)，其R2為0.941，RMSE為0.300。本研究結(jié)果可為“秦脆”蘋(píng)果樹(shù)的精準(zhǔn)施肥提供數(shù)據(jù)支撐，并為相關(guān)研究提供參考。

關(guān)鍵詞：無(wú)人機(jī)遙感；蘋(píng)果樹(shù)冠層氮含量；多光譜；梯度提升決策樹(shù)

中圖分類(lèi)號(hào)：S661.1： S127 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024） 10-0167-07

蘋(píng)果是溫帶地區(qū)重要的經(jīng)濟(jì)果樹(shù)，其果實(shí)中含有許多有益于人體健康的成分。中國(guó)是全球最大的蘋(píng)果生產(chǎn)國(guó)和消費(fèi)國(guó)，蘋(píng)果種植面積和產(chǎn)量均占世界總量的50%以上，在全球蘋(píng)果產(chǎn)業(yè)中有著舉足輕重的地位。氮素是作物健康生長(zhǎng)發(fā)育必需的營(yíng)養(yǎng)元素，在提高作物光合能力、增加同化產(chǎn)物等方面有著重要作用，同時(shí)氮素營(yíng)養(yǎng)狀況也是評(píng)價(jià)作物長(zhǎng)勢(shì)的重要指標(biāo)，對(duì)提高產(chǎn)量和改善作物品質(zhì)具有重大意義，因此果園的施肥環(huán)節(jié)在很大程度上影響到水果的產(chǎn)量和質(zhì)量。我國(guó)是世界最主要的化肥生產(chǎn)與施用大國(guó)，但是肥料利用率較低。為了解決化肥投入不合理、肥料平均利用率低和農(nóng)業(yè)生態(tài)環(huán)境污染等一系列問(wèn)題，精準(zhǔn)施肥技術(shù)應(yīng)運(yùn)而生。作物相關(guān)信息的快速獲取與解析是開(kāi)展精準(zhǔn)農(nóng)業(yè)實(shí)踐的前提和基礎(chǔ)，無(wú)人機(jī)遙感平臺(tái)具有價(jià)格便宜、操作簡(jiǎn)單、運(yùn)行維護(hù)成本低、數(shù)據(jù)獲取實(shí)時(shí)、飛行時(shí)間靈活等優(yōu)點(diǎn)，用其替代傳統(tǒng)的破壞性取樣測(cè)定方法對(duì)于作物生長(zhǎng)發(fā)育的實(shí)時(shí)監(jiān)測(cè)及精準(zhǔn)施肥管理具有重要意義。

Ballester等采集多光譜圖像并計(jì)算結(jié)構(gòu)和葉綠素敏感植被指數(shù)，評(píng)估了其在跟蹤棉花氮狀態(tài)的時(shí)空變化以及預(yù)測(cè)皮棉產(chǎn)量方面的有效性。劉奕彤等采用多光譜相機(jī)采集玉米拔節(jié)期冠層多光譜圖像，建立并對(duì)比了寒地玉米氮素一元線性回歸、多項(xiàng)式回歸及多元回歸模型。Hunt等利用NDVI和綠波段植被指數(shù)對(duì)生長(zhǎng)季后期的馬鈴薯進(jìn)行氮素監(jiān)測(cè)，所有區(qū)域的馬鈴薯氮素都可以在圖像中被正確識(shí)別。魏鵬飛等利用無(wú)人機(jī)多光譜影像構(gòu)建典型植被指數(shù)，并篩選出敏感光譜指數(shù)進(jìn)行模型構(gòu)建，最終實(shí)現(xiàn)了田塊尺度夏玉米葉片氮素含量的遙感估算。董超等選擇冬小麥返青初期，通過(guò)構(gòu)建不同的植被指數(shù)探查冬小麥對(duì)不同氮素水平的反應(yīng)，進(jìn)而建立基于無(wú)人機(jī)多光譜影像的土壤氮素施肥指標(biāo)，提出麥田氮肥的變量施用決策。Moghimi等利用無(wú)人機(jī)多光譜圖像，基于機(jī)器學(xué)習(xí)算法分別構(gòu)建了分類(lèi)模型和回歸模型用于評(píng)估葡萄植株氮素狀況。Zheng等利用植被指數(shù)、歸一化紋理指數(shù)及其組合估算氮營(yíng)養(yǎng)參數(shù)，對(duì)比分析表明用歸一化差紅邊指數(shù)估算氮素營(yíng)養(yǎng)參數(shù)的效果最好。Colorado等利用無(wú)人機(jī)多光譜圖像估算水稻葉片氮含量，并提出一種新的無(wú)人機(jī)軌跡控制策略以減少無(wú)人機(jī)飛行期間角風(fēng)引起的擾動(dòng)。Lee等基于無(wú)人機(jī)多光譜圖像，從單個(gè)多光譜波段和相關(guān)植被指數(shù)出發(fā)預(yù)測(cè)玉米冠層氮重（nitrogenweight）。李美炫等以果樹(shù)冠層為研究對(duì)象，依據(jù)無(wú)人機(jī)多光譜影像數(shù)據(jù)，基于歸一化陰影指數(shù)、歸一化冠層陰影指數(shù)去除果樹(shù)冠層影像的陰影，以提高蘋(píng)果樹(shù)冠層氮素含量反演模型的精度。Yu等利用無(wú)人機(jī)多光譜圖像、植被指數(shù)、作物高度、田間地形測(cè)量和土壤特性，采用隨機(jī)森林和支持向量機(jī)方法預(yù)測(cè)了玉米田的冠層氮重。Xu等通過(guò)無(wú)人機(jī)同步獲得數(shù)字RGB和多光譜圖像估算玉米葉片含氮量，并引入了一個(gè)新的改良植被指數(shù)——覆蓋調(diào)整光譜指數(shù)（CASI）。

綜上所述，利用無(wú)人機(jī)遙感平臺(tái)代替?zhèn)鹘y(tǒng)氮含量測(cè)定方法監(jiān)測(cè)施肥期內(nèi)果樹(shù)冠層氮含量具有一定的研究?jī)r(jià)值，對(duì)確定施用肥料的氮素配比起到一定的參考作用，在精準(zhǔn)施肥領(lǐng)域具有良好的應(yīng)用前景?！扒卮唷笔俏鞅鞭r(nóng)林科技大學(xué)選育的抗逆蘋(píng)果品種，目前針對(duì)其冠層氮含量的遙感反演研究仍處于空白，展開(kāi)相關(guān)研究對(duì)于該蘋(píng)果品種的推廣具有一定意義。因此，本研究以“秦脆”蘋(píng)果樹(shù)為對(duì)象，利用無(wú)人機(jī)遙感平臺(tái)獲取冠層多光譜圖像，同時(shí)采樣進(jìn)行冠層氮含量的測(cè)定，基于此建立冠層氮含量反演模型，并引入梯度提升決策樹(shù)（GBDT）算法以提高模型的預(yù)測(cè)精度，以期為“秦脆”蘋(píng)果樹(shù)的精準(zhǔn)施肥提供數(shù)據(jù)支撐，并為相關(guān)研究提供參考。

1 材料與方法

1.1 試驗(yàn)區(qū)概況及材料

1.1.1 試驗(yàn)區(qū)概況

本研究的試驗(yàn)區(qū)位于陜西省咸陽(yáng)市武功縣。武功縣屬溫帶大陸性季風(fēng)氣候，全年無(wú)霜期315 d，光照充足，歷年平均日照時(shí)數(shù)2 094.9 h，年降水量633.7 mm，非常適宜農(nóng)業(yè)生產(chǎn)活動(dòng)。在蘋(píng)果栽培領(lǐng)域，武功縣屬于黃土高原產(chǎn)區(qū)，是我國(guó)蘋(píng)果的優(yōu)產(chǎn)區(qū)。

試驗(yàn)果園為陜西果業(yè)科技集團(tuán)有限公司某果園（34.34°N，108.09°E），采用標(biāo)準(zhǔn)化種植模式，實(shí)現(xiàn)了水肥一體化管理、環(huán)境實(shí)時(shí)監(jiān)測(cè)等；種植的蘋(píng)果品種主要為“秦脆”，行間距為4.0 m，株間距為1.5 m，種植面積約為1.4 hm2：試驗(yàn)期間分別于6月上旬和7月上旬隨水施用三元復(fù)合肥600kg/hm2，未根據(jù)每株樹(shù)的生長(zhǎng)狀況進(jìn)行精準(zhǔn)施肥。

1.1.2 試驗(yàn)對(duì)象

“秦脆”為西北農(nóng)林科技大學(xué)以“長(zhǎng)富2號(hào)”X“蜜脆”雜交育成的抗逆蘋(píng)果品種，果實(shí)品質(zhì)優(yōu)良，抗旱、耐寒，對(duì)早期落葉病的抗性高，于2016年12月通過(guò)陜西省果樹(shù)品種審定委員會(huì)審定。

1.1.3 無(wú)人機(jī)平臺(tái)及多光譜相機(jī)

選用大疆創(chuàng)新科技公司生產(chǎn)的DJI M600 pro六旋翼無(wú)人機(jī)作為遙感平臺(tái)，搭載Red Edge多光譜相機(jī)采集多光譜遙感圖像。Red Edge多光譜相機(jī)是一款工業(yè)級(jí)別的多光譜成像儀，專(zhuān)門(mén)為農(nóng)業(yè)遙感提供多波段光譜數(shù)據(jù)；它擁有5個(gè)獨(dú)立的成像器，可以同時(shí)收集5個(gè)不連續(xù)的光譜波段數(shù)據(jù)，如表1所示。

1.2 田間試驗(yàn)設(shè)計(jì)

1.2.1 無(wú)人機(jī)遙感試驗(yàn)

無(wú)人機(jī)遙感試驗(yàn)按照農(nóng)業(yè)農(nóng)村部《農(nóng)情監(jiān)測(cè)遙感數(shù)據(jù)獲取與預(yù)處理技術(shù)規(guī)范》（NY/T 3526-2019）的標(biāo)準(zhǔn)，分別于2022年5月30日、6月27日、8月1日的11：00-14：00進(jìn)行田間試驗(yàn)，這3個(gè)日期分別對(duì)應(yīng)蘋(píng)果樹(shù)生長(zhǎng)的新梢旺長(zhǎng)期、春梢停長(zhǎng)期和果實(shí)膨大期。3個(gè)試驗(yàn)日均為晴朗、無(wú)風(fēng)、無(wú)云的天氣。無(wú)人機(jī)飛行高度選取30、50、70 m，飛行速度3m/s，旁向重疊度為70%，航向重疊度為80%，采取等距間隔拍照模式。試驗(yàn)前在選定采樣區(qū)的4個(gè)頂角擺放白、黑色參考板各2塊，用于對(duì)圖像進(jìn)行輻射定標(biāo)和校正。采集的遙感圖像按照蘋(píng)果生長(zhǎng)期、飛行高度分別存儲(chǔ)，以便于后續(xù)預(yù)處理。在采樣區(qū)使用棋盤(pán)采樣法選取60個(gè)代表性采樣點(diǎn)，使用美國(guó)Trimble公司生產(chǎn)的R8s差分式GPS定位儀對(duì)每個(gè)采樣點(diǎn)西北角、東南角的經(jīng)緯度值進(jìn)行測(cè)量和記錄，用于在遙感圖像中裁剪出采樣果樹(shù)的冠層覆蓋區(qū)域，從而精確提取每個(gè)采樣果樹(shù)區(qū)域的各波段反射率。

1.2.2 冠層氮含量測(cè)定

于上述3個(gè)試驗(yàn)日同步取樣用于測(cè)定果樹(shù)冠層氮含量，測(cè)定方法為凱氏定氮法。在60個(gè)采樣點(diǎn)的果樹(shù)冠層上、中、下部的東、西、南、北4個(gè)方向的內(nèi)、外層各采集1片樹(shù)葉，每株樹(shù)上采集的24片葉作為一個(gè)待測(cè)樣本。將同一個(gè)批次的60個(gè)樣本依次裝袋、編號(hào)，然后在105℃殺青30 min后烘干、碾碎，過(guò)0.25mm濾網(wǎng)，將過(guò)篩后的樣品送往實(shí)驗(yàn)室進(jìn)行氮含量檢測(cè)。

1.3 圖像預(yù)處理

1.3.1 圖幅拼接

圖幅拼接采用瑞士Pix4D公司開(kāi)發(fā)的Pix4D Mapper軟件進(jìn)行。將無(wú)人機(jī)一次飛行采集的若干幅遙感圖像導(dǎo)人軟件中，根據(jù)無(wú)人機(jī)飛行軌跡和每個(gè)拍照控制點(diǎn)的順序排列，經(jīng)過(guò)位置校正、圖像對(duì)齊、建立密集點(diǎn)云、生成網(wǎng)絡(luò)、生成紋理、生成正射影像等步驟，最終輸出拼接完成的整幅遙感影像。圖幅拼接示意圖如圖1所示。

1.3.2 輻射校正

輻射校正同樣在Pix4D Map-per軟件中進(jìn)行。利用傳感器觀測(cè)目標(biāo)的反射或輻射能量時(shí)，所得到的測(cè)量值與目標(biāo)的光譜反射率或光譜輻射亮度等物理量之間存在一定誤差，稱(chēng)為輻射誤差。輻射誤差會(huì)造成遙感圖像失真，影響遙感圖像的判讀和解譯，因此，必須進(jìn)行消除或削弱。本研究采用偽標(biāo)準(zhǔn)地物輻射糾正法對(duì)無(wú)人機(jī)影像進(jìn)行輻射定標(biāo)和校正，將多光譜影像的灰度值（DN）轉(zhuǎn)化為目標(biāo)地物的光譜反射率。

1.3.3"背景剔除

在本研究中，遙感試驗(yàn)的主體對(duì)象為蘋(píng)果樹(shù)，然而果樹(shù)冠層難以完全遮蔽土壤背景，因此在試驗(yàn)區(qū)正射影像中包含大量的土壤像元。由于土壤和果樹(shù)對(duì)各波段的敏感程度存在差異，反射率有所不同，因此土壤像元的存在可能會(huì)對(duì)采樣點(diǎn)平均反射率產(chǎn)生較大的影響，需要對(duì)其進(jìn)行剔除。剔除背景后的圖像如圖2所示。

1.3.4 反射率提取

將拼接完成的遙感影像導(dǎo)人ENVI軟件中，利用投影轉(zhuǎn)換將UTM投影轉(zhuǎn)換為經(jīng)緯度數(shù)據(jù)。轉(zhuǎn)換完成后，通過(guò)各采樣點(diǎn)的西北角、東南角經(jīng)緯度框選出采樣點(diǎn)果樹(shù)區(qū)域，提取出每個(gè)采樣點(diǎn)紅光波段（Red，R）、綠光波段（Green，G）、藍(lán)光波段（Blue，B）、紅邊波段（Red_edge，Re）、近紅外波段（Near Infrared，Nir）反射率的平均值。

1.3.5 植被指數(shù)提取與分析

本研究利用藍(lán)光波段、綠光波段、紅光波段、近紅外波段、紅邊波段5個(gè)波段的反射率進(jìn)行數(shù)學(xué)組合運(yùn)算，共提取出43種植被指數(shù)（vegetation index，VI）。為了使不同生長(zhǎng)期、不同無(wú)人機(jī)飛行高度下的反演模型都達(dá)到較高的預(yù)測(cè)精度，在每次試驗(yàn)獲取的遙感圖像中都提取了光譜反射率并計(jì)算了植被指數(shù)，然后分別與各生長(zhǎng)期的果樹(shù)冠層氮含量實(shí)測(cè)值進(jìn)行相關(guān)性分析，最終篩選出相關(guān)性最高的6個(gè)敏感植被指數(shù)（sensitive vegetation index，SVI）。各植被指數(shù)的計(jì)算公式見(jiàn)表2。其中，紅邊百分比植被指數(shù)（REPVI）是根據(jù)Clevers的研究，將紅外線百分比植被指數(shù)（IPVI）計(jì)算式中的紅光波段反射率修改為紅邊波段的反射率得出。

1.4 模型建立與評(píng)價(jià)

1.4.1 模型建立方法

使用Python語(yǔ)言，采用梯度提升決策樹(shù)算法（gradient boosting decisiontree，GBDT）建立蘋(píng)果樹(shù)冠層氮含量的反演模型，設(shè)定決策樹(shù)最大深度為5，損失函數(shù)閾值為0.5，決策樹(shù)個(gè)數(shù)為100，固定學(xué)習(xí)率為0.1。無(wú)人機(jī)每采集一次遙感圖像記為一次試驗(yàn)，則本研究在蘋(píng)果樹(shù)3個(gè)生長(zhǎng)期各進(jìn)行了3次試驗(yàn)，每次試驗(yàn)獲取60個(gè)樣本，將所有樣本按3：1的比例劃分為建模集和驗(yàn)證集。

1.4.2 模型評(píng)價(jià)指標(biāo)

選用決定系數(shù)（R2）和均方根誤差（RMSE）作為模型評(píng)價(jià)指標(biāo)。R2取值范圍為0-1，值越接近1，則模型預(yù)測(cè)效果越好；RMSE值越小，模型預(yù)測(cè)效果越好。計(jì)算公式如下：

式中，xi為第i個(gè)果樹(shù)冠層氮含量的實(shí)測(cè)值，-x為果樹(shù)冠層氮含量的實(shí)測(cè)均值，Yi為第i個(gè)果樹(shù)冠層氮含量的預(yù)測(cè)值，-y為果樹(shù)冠層氮含量的預(yù)測(cè)均值，n為樣本數(shù)量。

2 結(jié)果與分析

2.1 蘋(píng)果樹(shù)冠層氮含量分析

蘋(píng)果樹(shù)新梢旺長(zhǎng)期、春梢停長(zhǎng)期、果實(shí)膨大期的冠層氮含量測(cè)定結(jié)果如表3所示。可以看出，新梢旺長(zhǎng)期果樹(shù)冠層氮含量的平均值最大，為22.205 g/kg，但變異系數(shù)最大，為0.061，數(shù)值變化范圍較大（17.976 - 24.449 g/kg）；春梢停長(zhǎng)期果樹(shù)冠層氮含量平均值次之，為21.859 g/kg，最小值為19.545 g/kg，最大值為23.220 g/kg，變異系數(shù)最小，僅0.028;果實(shí)膨大期果樹(shù)冠層氮含量最小值為18.588 g/kg，最大值為23.106 g/kg，平均值為20.595 g/kg，明顯低于其他兩個(gè)時(shí)期。3個(gè)生長(zhǎng)時(shí)期的氮含量數(shù)據(jù)均基本符合正態(tài)分布。

2.2 敏感植被指數(shù)的篩選

本研究在蘋(píng)果樹(shù)新梢旺長(zhǎng)期、春梢停長(zhǎng)期、果實(shí)膨大期均進(jìn)行了30、50、70 m高度的無(wú)人機(jī)遙感試驗(yàn)，共獲取了9幅遙感圖像，從每幅圖像中提取43種敏感植被指數(shù)，然后計(jì)算各植被指數(shù)與冠層氮含量的相關(guān)系數(shù)，經(jīng)查詢相關(guān)系數(shù)的顯著性檢驗(yàn)表，當(dāng)樣本數(shù)為60時(shí)，相關(guān)系數(shù)的絕對(duì)值|R|＞0.325即達(dá)到極顯著水平，據(jù)此篩選出敏感植被指數(shù)，見(jiàn)表4，可用于反演模型構(gòu)建。

2.3 GBDT反演模型的構(gòu)建及評(píng)價(jià)

利用GBDT算法，以篩選出的敏感植被指數(shù)為自變量，建立各試驗(yàn)條件下對(duì)應(yīng)的蘋(píng)果樹(shù)冠層氮含量反演模型，模型的統(tǒng)計(jì)分析結(jié)果如表5所示?？梢?jiàn)，降低無(wú)人機(jī)遙感高度明顯提高各生長(zhǎng)期GBDT反演模型的預(yù)測(cè)精度，以新梢旺長(zhǎng)期的30 m遙感圖像獲得的模型最優(yōu)，建模集R2、RMSE分別為0.950、0.214，驗(yàn)證集R2、RMSE分別為0.941、0.300。三個(gè)生長(zhǎng)時(shí)期建模效果相比，新梢旺長(zhǎng)期建立的GBDT反演模型整體較優(yōu)，決定系數(shù)普遍較高，但是均方根誤差也較高，即模型對(duì)果樹(shù)冠層氮含量的預(yù)測(cè)值與實(shí)際值之間的偏差較大；在春梢停長(zhǎng)期，GBDT算法在冠層氮含量反演模型建立中表現(xiàn)依然出色，尤其在30 m的遙感圖像中，雖然R2略低于新梢旺長(zhǎng)期的最優(yōu)模型，但RMSE僅為0.176（驗(yàn)證集），明顯低于新梢旺長(zhǎng)期的最優(yōu)模型，表明雖然該時(shí)期模型的擬合效果較新梢旺長(zhǎng)期略顯遜色，但是預(yù)測(cè)偏差大大降低：而果實(shí)膨大期建立的各高度反演模型擬合效果相當(dāng)，R2值均在0.822 - 0.932范圍內(nèi)，RMSE在0.248 -0.402范圍內(nèi)。

3 討論

蘋(píng)果樹(shù)葉片為全樹(shù)含氮量最高的部位，正常氮含量為20-40 g/kg；含氮量過(guò)低會(huì)導(dǎo)致生長(zhǎng)緩慢、光合速率較低等問(wèn)題；含氮量過(guò)高則會(huì)導(dǎo)致果樹(shù)徒長(zhǎng)，影響果實(shí)的產(chǎn)量和品質(zhì)。本試驗(yàn)過(guò)程中發(fā)現(xiàn)，第58號(hào)果樹(shù)3次試驗(yàn)的氮含量分別為17.976、19.545、18.588 g/kg，均處于較低水平；第22號(hào)果樹(shù)3次試驗(yàn)的氮含量分別為24. 449、21.715、22.810 g/kg，雖然均在正常范圍內(nèi)，但是出現(xiàn)了異常變化情況。第1次試驗(yàn)中有6株果樹(shù)的冠層氮含量低于20 g/kg，第2次試驗(yàn)中僅有1株果樹(shù)的冠層氮含量低于20 g/kg，第3次試驗(yàn)中冠層氮含量低于20 g/kg的果樹(shù)多達(dá)14株，可以看出，大多數(shù)采樣果樹(shù)第2次氮含量測(cè)定數(shù)據(jù)略高于第1次，而第3次又略有降低，這可能是由于春梢停長(zhǎng)期后的蘋(píng)果樹(shù)生長(zhǎng)發(fā)育逐漸進(jìn)入了一個(gè)相對(duì)穩(wěn)定的階段，葉片中的氮元素被蘋(píng)果樹(shù)利用和消耗的同時(shí)，對(duì)氮元素的需求量也逐漸減少。若能結(jié)合無(wú)人機(jī)遙感技術(shù)對(duì)果樹(shù)冠層氮含量進(jìn)行實(shí)時(shí)、無(wú)損檢測(cè)，則能針對(duì)每株果樹(shù)的氮素狀況按需施肥，提高肥料利用率的同時(shí)盡可能保證每株果樹(shù)的健康生長(zhǎng)。

本研究首次針對(duì)“秦脆”品種蘋(píng)果樹(shù)研究冠層氮含量的反演模型，且首次將GBDT算法引入蘋(píng)果樹(shù)冠層氮含量反演模型構(gòu)建中，并取得了良好的效果，為相關(guān)研究提供了新的思路。但本研究仍存在以下不足之處：

（1）只在武功縣種植的“秦脆”蘋(píng)果樹(shù)的3個(gè)生長(zhǎng)期中各選擇1天進(jìn)行試驗(yàn)，且樣本數(shù)量較少。在今后的研究中，可嘗試在更多種植地區(qū)、更多品種蘋(píng)果樹(shù)、更多天數(shù)中進(jìn)行試驗(yàn)，并擴(kuò)充樣本量，為研究結(jié)論提供更有力的數(shù)據(jù)支撐。

（2）遙感試驗(yàn)中只設(shè)置了30、50、70 m三個(gè)無(wú)人機(jī)飛行高度，并得出結(jié)論在30 m高度下獲得的遙感圖像建模效果最好。今后可在此基礎(chǔ)上再適當(dāng)降低無(wú)人機(jī)飛行高度，以研判是否能夠進(jìn)一步提高模型預(yù)測(cè)精度。

4 結(jié)論

本研究基于無(wú)人機(jī)遙感平臺(tái)進(jìn)行了“秦脆”蘋(píng)果樹(shù)冠層氮含量的反演研究，主要結(jié)論如下：

（1）GBDT算法在“秦脆”蘋(píng)果樹(shù)不同生長(zhǎng)期的冠層氮含量反演模型建立中都可以取得良好的效果。其中，預(yù)測(cè)精度最高的模型出現(xiàn)在新梢旺長(zhǎng)期，驗(yàn)證集R2為0.941，RMSE為0.300;春梢停長(zhǎng)期的模型預(yù)測(cè)偏差較小，該時(shí)期最優(yōu)模型驗(yàn)證集的R2為0.901，RMSE為0.176;果實(shí)膨大期各高度模型效果相當(dāng)，所有模型的R2均在0.82以上，RMSE在0.248 -0.402之間。

（2）降低無(wú)人機(jī)遙感試驗(yàn)中的飛行高度可以顯著提高反演模型的預(yù)測(cè)精度，本研究中各蘋(píng)果樹(shù)生長(zhǎng)時(shí)期的最優(yōu)模型均在30 m高度遙感圖像中獲得。

基金項(xiàng)目：陜西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2022ZDLNY03 -04）