中圖分類號：S562 文獻標志碼：A 文章編號：1001-4330（2025）04-0791-09

0 引言

【研究意義】葉綠素是植物進行光合作用的重要色素，其含量與作物生長狀況、產(chǎn)量以及健康狀況等密切相關(guān)，是評價作物長勢和品質(zhì)的重要指標[1]。葉綠素相對含量（Soil and Plant AnalyzerDevelopment，SPAD）與葉綠素含量之間具有極顯著關(guān)系，故測量SPAD值可有效的反映作物葉片葉綠素含量[2-4]。田間測量 SPAD 值具有非破壞性的特點，但仍存在耗時費力、難以大面積監(jiān)測等問題?？焖佟o損、精準監(jiān)測SPAD值仍是一個亟需解決的問題[5-6]。因此，及時估算作物葉綠素含量對于棉田施肥管理具有重要意義。【前人研究進展】無人機遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的研究顯著增加[7]。周敏姑等[8]基于多光譜影像提取光譜參量構(gòu)建線性回歸模型，結(jié)果表明一元線性回歸模型反演效果最佳（ R² 達0.866）。王爍等基于高光譜影像提取13種植被指數(shù)以及優(yōu)化光譜指數(shù)構(gòu)建線性或非線性模型，提出基于優(yōu)化光譜指數(shù)構(gòu)建二次曲線方程的精度最高（ R² 達0.843）。毛智慧等[10]利用不同多光譜傳感器及植被指數(shù)預(yù)測SPAD值，根據(jù)MAC傳感器提取的MACRI1植被指數(shù)構(gòu)建對數(shù)方程模型效果最佳（ R² 達0.8326）。上述研究中簡單的線性或非線性模型預(yù)測SPAD值精度高，但在處理大規(guī)模較復(fù)雜數(shù)據(jù)時存有不足。目前機器學(xué)習(xí)算法逐漸成為構(gòu)建SPAD 值估算模型的重要手段。劉江凡等[11]利用無人機多光譜影像，選取與蘋果樹冠層SPAD值顯著相關(guān)的植被指數(shù)構(gòu)建反演模型，通過精度驗證，采用隨機森林回歸構(gòu)建的模型表現(xiàn)最優(yōu)（ R² 達0.702）。JianjunWang等[12]利用無人機獲取冬小麥越冬期多光譜影像，提取原始波段及植被指數(shù)，選擇不同特征選擇算法和機器學(xué)習(xí)模型組合構(gòu)建模型，表明通過隨機森林選擇的特征構(gòu)建支持向量機模型精度最高（ R² 達0.754）。BiligeSudu 等[13]在微噴條滴灌供水條件下，獲得了夏玉米不同關(guān)鍵生育期的高光譜圖像并提取波段數(shù)據(jù)，通過不同算法選擇與SPAD值顯著相關(guān)的波段構(gòu)建。機器學(xué)習(xí)算法模型，得出深度神經(jīng)網(wǎng)絡(luò)模型反演效果最佳（ R² 達0.82）。YahuiGuo等[14]利用無人機采集玉米不同生長階段影像并提取光譜和紋理指數(shù)構(gòu)建機器學(xué)習(xí)模型，表明支持向量機預(yù)測SPAD值模型精度表現(xiàn)較高（ R² 達0.81）?！颈狙芯壳腥朦c】無人機遙感估算SPAD值相關(guān)技術(shù)愈加成熟，在小麥、水稻、玉米和棉花等作物葉片SPAD值反演均開展了研究，然而在棉花葉片SPAD值估算大多針對花鈴期進行構(gòu)建模型，對不同生育時期SPAD值估算變化情況的研究尚少，棉花從現(xiàn)蕾期開始進入營養(yǎng)生長和生殖生長的并進階段，及時掌握田間棉花SPAD值差異變化對精準施肥尤為重要，故有必要探明不同生育時期棉花SPAD值的變化規(guī)律?！緮M解決的關(guān)鍵問題】以新疆昌吉市棉花為研究對象，利用無人機搭載多光譜相機在棉花不同生育時期獲取遙感數(shù)據(jù)，構(gòu)建基于多光譜植被指數(shù)的棉花SPAD值估算模型，篩選各生育時期普適性更強、精度更高的模型，為農(nóng)田精準施肥提供技術(shù)支撐。

一 材料與方法

1.1 材料

試驗點位于新疆昌吉回族自治州昌吉市大西渠鎮(zhèn)華興農(nóng)場（ 44^°12^′N，87^°18^′E ，該地屬于中溫帶大陸性干旱氣候，年平均氣溫為 6.8% ，年平均降水量為 190mm ，年平均蒸發(fā)量為 1787mm ，無霜期為 160～190d ，年日照時數(shù)為 2700h ，年 ? 10^°C 積溫為 3450^°C 。試驗區(qū)土壤質(zhì)地為粘性壤土，有機質(zhì)含量 12.9g/kg ，全氮 0.67g/kg 和容重1.42g/cm³ ，土壤 pH 值8.02。圖1

1.2 方法

1.2.1 試驗設(shè)計

采用雙因素隨機區(qū)組試驗，設(shè)3個品種和5個種植密度處理，棉花品種為新農(nóng)大棉1號、新陸早73號和欣試518，種植密度分別為 D₁（9×10⁴ 株 ?hm² ） D₂ （ 13.5×10⁴ 株 /hm² ）、 D₃ （ 18×10⁴ 株 ?m² ） .D₄（22.5×10⁴ 株 ?hm² ）和 D₅ （ 27×10⁴ 株 ?hm² ），以大田種植品種中棉113密度為 27× 10⁴ 株 ?hm² 為對照處理（CK），共16個處理，每個處理重復(fù)3次，共計48個小區(qū)。各小區(qū)長 9m 寬 6.9m 。采用1膜3管6行種植模式，按照當(dāng)?shù)孛藁ㄉa(chǎn)管理方式進行，播種日期為2023年4月28日，收獲日期為10月8日。

1.2.2 測定指標

1.2.2.1 地面 SPAD 值

田間實測棉花葉片SPAD值采集時間為6月21日7月19日8月18日和9月16日，分別對應(yīng)棉花的現(xiàn)蕾期、開花期、盛鈴期和吐絮期。于各小區(qū)的中行、邊行分別定點選擇連續(xù)5株棉花，打頂前選擇棉花倒4葉，打頂后倒3葉，使用SPAD-502Plus 葉綠素儀測定。在葉片不同位置測量3次求其平均值，分別計算中、邊行5株棉花SPAD值的平均值為該小區(qū)中、邊行實測數(shù)據(jù)。

1. 2. 2. 2 無人機遙感影像獲取

于每次地面數(shù)據(jù)采集前，采用大疆創(chuàng)新M350RTK無人機搭載MicasenseRedEdge-P多光譜傳感器獲取棉田冠層影像。多光譜相機共有5個通道，分別為藍（B）綠（G）紅（B）、近紅外（NIR）、紅邊（RE）波段，對應(yīng)波長分別為（ 475±32 ）nm、0 560±27 ） nm 、（ 668±14. ） nm 、（ 842±57. ）nm和1 717±12 ） nm 。選擇晴朗無云、無風(fēng)天氣，獲取時間為 13：00～15：00 。圖像采集前先對無人機進行地磁校準，起飛點和降落點為同一位置，選擇空曠平坦位置，在棉田放置標定牌，確定圖像中棉田的位置，航線盡量選擇覆膜方向。飛行高度30m ，飛行速度 2m/s ，旁向和航向重疊率均為 85% ，采用等時間拍照，每個時期圖像采集航線一致。

1.3 數(shù)據(jù)處理

1. 3.1 數(shù)據(jù)預(yù)處理

1. 3.1. 1 影像拼接

利用Pix4DMapper軟件對獲取的多光譜影像數(shù)據(jù)進行拼接與輻射校正。首先將原始圖像數(shù)據(jù)導(dǎo)入軟件，選擇AgMultispectral模式并采用輻射標定板對反射圖譜進行輻射校準，輸出DOM影像。

1.3.1.2 剔除土壤背景

在ArcMap10.7中對獲取的正射影像去除背景。首先通過柵格數(shù)據(jù)計算NDVI植被指數(shù)圖譜，然后使用重分類工具制作掩膜，再對正射影像進行掩膜土壤背景，并提取波段反射率。

1.3.1. 3 植被指數(shù)構(gòu)建

遙感圖像上的植被信息主要通過綠色植物葉片和冠層的光譜特性及其變化反映[15]。植被指數(shù)是由不同光譜波段間進行線性或非線性組合計算而成，主要反映植被在可見光、近紅外波段反射與土壤背景之間差異，以增強植被信息[16]。研究選取與棉花 SPAD 值相關(guān)性較高的9個植被指數(shù)用于構(gòu)建棉花SPAD值的估算模型。表1

1.3.2 模型構(gòu)建與評價

1. 3.2.1 估算模型構(gòu)建

基于建模樣本和植被指數(shù)分別采用極限學(xué)習(xí)機（ExtremeLearningMachine，ELM）隨機森林回歸（RandomForestRegression，RFR）、支持向量回歸（SupportVectorRegression，SVR）、多元逐步回歸（MultipleStepwiseRegression，MSR）四種算法構(gòu)建棉花SPAD值估算模型。極限學(xué)習(xí)機是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，在保證其精度的前提下相較于其他神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度更快，易于操作，非線性擬合能力強，能產(chǎn)生唯一的最優(yōu)解[22]。隨機森林回歸是一種基于決策樹的集成學(xué)習(xí)算法，主要針對數(shù)據(jù)分類和回歸問題。隨機森林可以評估自變量對因變量的重要性程度，訓(xùn)練速度快、準確率較高、有效解決數(shù)據(jù)非線性問題且不易產(chǎn)生擬合[23]。支持向量回歸是一種針對小樣本數(shù)據(jù)具有良好學(xué)習(xí)和泛化能力的監(jiān)督型機器學(xué)習(xí)模型[24]，在處理數(shù)據(jù)非線性問題中展現(xiàn)卓越的性能，具有較好的魯棒性[25]

1.3.2. 2 模型精度評價

將樣本按照6：4的比例隨機劃分為模型訓(xùn)練集和驗證集。選取決定系數(shù)（Coefficientofdeter-mination， R² ）均方根誤差（Root Mean Square Er-ror，RMSE）和相對均方根誤差（relativeRootMeanSquare Error， rRMSE ）作為模型評價指標。訓(xùn)練集和驗證集的 R² 越大，RMSE和rRMSE越小，表明模型穩(wěn)定性越好，預(yù)測精度越高。

2 結(jié)果與分析

2.1 棉花葉片 SPAD 值特征

研究表明，隨著棉花生育時期的推進，SPAD值平均值呈上升趨勢。全部樣本 SPAD 值介于43.3～85.7 ，現(xiàn)蕾期、開花期和盛鈴期的SPAD值變異系數(shù)介于 1%～10% ，表現(xiàn)為弱變異，各生育時期SPAD值離散程度小，即SPAD值具有一定穩(wěn)定性。吐絮期的 SPAD 值變異系數(shù)為 10.96% ，表現(xiàn)為中等變異，該時期SPAD值穩(wěn)定性較差，葉片葉綠素差異較大。表2

2.2 棉花 SPAD 值與多光譜植被指數(shù)的相關(guān)性

研究表明，大多數(shù)植被指數(shù)隨生育時期的推進呈先上升后下降的趨勢，所選取的植被指數(shù)與棉花SPAD值均呈極顯著正相關(guān)，相關(guān)系數(shù)為0.32～0.81 。在各生育時期CCCI和CIrededge與棉花 SPAD 值的相關(guān)性較高，相關(guān)系數(shù)為 0.81～ 0.67，MSR 在現(xiàn)蕾期、開花期和盛鈴期相關(guān)性最低，相關(guān)系數(shù)為 0.32～0.35 ，在吐絮期則表現(xiàn)較優(yōu)的相關(guān)性，相關(guān)系數(shù)為0.62。各植被指數(shù)與SPAD值間的相關(guān)性隨生育時期的變化而發(fā)生波動。各多光譜植被指數(shù)具有反映棉花SPAD值在不同生長階段變化的潛質(zhì)。圖2

2.3 棉花各生育時期 SPAD 值估算模型構(gòu)建與驗證

研究表明，ELM模型和RFR模型在各生育時期估算精度較優(yōu)。現(xiàn)蕾期、開花期和吐絮期最佳估算模型為ELM，其中現(xiàn)蕾期最優(yōu)模型驗證集 R² 為0.656，RMSE為2.306，rRMSE為0.042；開花期最優(yōu)模型驗證集 R² 為0.741，RMSE為1.448，rRMSE為0.025；吐絮期最優(yōu)模型驗證集 R² 為0.587，RMSE為5.274，rRMSE為0.079。盛鈴期最佳估算模型為RFR，驗證集 R² 為 0.577，RMSE 為 1.980，rRMSE 為0.031。在棉花開花期，基于ELM的棉花 SPAD 值估測模型精度最優(yōu)，預(yù)測性能較現(xiàn)蕾期提高了 12.96% ，較盛鈴期提高了28.42% ，較吐絮期提高了 26.24% 。表3

4個生育時期模型 R² 值分別為 0.656、0.741 70.549和0.587，ELM模型可以實現(xiàn)棉花各生育時期的SPAD值估算，其中，開花期模型精度最高，盛鈴期精度最低，原因可能是人工采集SPAD值時，少許處理小區(qū)棉花葉片存在少許積水，導(dǎo)致實測SPAD值存在略微差異，同時地面采樣點與影像上對應(yīng)像素空間窗口有少量除根后纏繞在棉花上的干枯田旋花影響。圖3

注：A：現(xiàn)蕾期;B：開花期；C：盛鈴期；D：吐絮期 Notes：A：Budding stage;B：Flowering period;C： Full boll period;D：Opening-boll stage

Fig.2Thermogram of correlation coefficient between vegetation index and cotton SPAD value atdifferent growth stages

注：A：現(xiàn)蕾期；B：開花期；C：盛鈴期；D：吐絮期 Notes：A：Budding stage；B：Flowering period；C：Fullboll period;D：Opening-boll stage

3討論

3.1 無人機多光譜植被指數(shù)的相關(guān)性

試驗研究表明，CIrededge植被指數(shù)和CCCI植被指數(shù)與各生育時期棉花SPAD值相關(guān)性均較高。HORLER等[26]研究發(fā)現(xiàn)，波段反射率與葉綠素有較優(yōu)的相關(guān)性，使得CIrededge與SPAD值具有強相關(guān)性。從研究中選取的與SPAD值具有較高相關(guān)性的植被指數(shù)公式中發(fā)現(xiàn)，近紅外和紅邊波段參與較多，證明2個波段對研究區(qū)棉花葉片SPAD值具有較好的光譜響應(yīng)。與黃春燕[27]研究確定近紅外波段和紅邊波段為新疆棉花SPAD值的敏感波段結(jié)論一致。MRETVI植被指數(shù)和ME-VI植被指數(shù)均由近紅外、紅邊和綠波段構(gòu)建而成，與不同生育時期棉花SPAD值均顯示較高的相關(guān)性，相關(guān)系數(shù)在0.5以上，呈極顯著相關(guān)，說明綠波段與棉花冠層SPAD值響應(yīng)明顯。MSR植被指數(shù)與棉花SPAD值相關(guān)性較低，說明紅波段研究區(qū)SPAD值的響應(yīng)較低，與劉成成[28]的研究相符合。

近紅外波段、紅邊波段和綠波段可作為該研究區(qū)棉花SPAD值的特征波段。光譜波段因地域不同而有所不同，王爍等研究得出在陜西省關(guān)中地區(qū)綠光和紅邊波段為棉花葉片SPAD值的敏感波段。紀偉帥等[29]確定紅光和紅邊波段為華北平原棉花葉片 SPAD 值特征波段。故明確不同地區(qū)棉花SPAD值敏感波段可提高估算模型精度，減少其他光譜特征的干擾。

3.2 棉花葉片 SPAD 值估測模型

研究構(gòu)建了各生育時期的植被指數(shù)，使用4種機器學(xué)習(xí)算法構(gòu)建棉花不同生育時期葉片SPAD值估算模型，并探究各生育時期模型精度。結(jié)果發(fā)現(xiàn)，在棉花開花期的SPAD值估測精度最高，現(xiàn)蕾期次之，依次是吐絮期和盛鈴期，同時有研究將棉花的花期和鈴期并稱為花鈴期，此時是棉花生長的關(guān)鍵時期，以往基于無人機遙感的對棉花 SPAD 值研究往往基于這一時期[30-31]。研究中SPAD值估測精度在棉花盛鈴期最低，可能是地面采集棉花SPAD值樣點與無人機影像上對應(yīng)像素空間范圍內(nèi)有棉鈴以及干枯雜草的影響使得無人機獲取可見光光譜信息存在細微差異，導(dǎo)致提取處理小區(qū)的多光譜各波段平均值存在差異，也是影響模型精度的原因。而吐絮期模型精度低的原因可能是此階段棉鈴開裂露絮，棉花葉片逐漸變枯發(fā)黃，隨著棉田噴灑脫葉劑，大量葉片脫落，三者共同作用造成無人機獲得的多光譜影像存在一定誤差，導(dǎo)致提取波段反射率時在一定程度上降低或升高，進而導(dǎo)致模型精度降低。

通過比較各生育時期SPAD值估測模型發(fā)現(xiàn)，極限學(xué)習(xí)機在各生育時期精度均較高，該機器學(xué)習(xí)算法在構(gòu)建棉花SPAD值估測模型中研究尚少，研究證明了極限學(xué)習(xí)機在棉花葉片SPAD值估算中的可行性。

4結(jié)論

基于無人機多光譜影像構(gòu)建多種植被指數(shù)，并建立其與棉花葉片SPAD值的估算模型，近紅外波段、紅邊波段和綠波段可作為研究區(qū)的特征波段； CCCI 植被指數(shù)和CIrededge植被指數(shù)與棉花SPAD值相關(guān)性最高。開花期ELM的模型精度最優(yōu)，其驗證集 R² 達0.741，RMSE達1.448，rRMSE達0.025。ELM模型在各生育時期模型精度均表現(xiàn)較優(yōu)。

參考文獻（References）

[1]秦占飛，常慶瑞，申健，等.引黃灌區(qū)水稻紅邊特征及SPAD 高光譜預(yù)測模型[J]．武漢大學(xué)學(xué)報（信息科學(xué)版），2016，41 （9）：1168-1175. QIN Zhanfei，CHANG Qingrui，SHEN Jian，etal.Red edge characteristics and SPAD estimation model using hyperspectral dataforricein Ningxiairigationzone[J]. Geomaticsand InformationScienceofWuhanUniversity，2016，41（9）：1168-1175.

[2]蘇偉，趙曉鳳，孫中平，等.基于Sentinel-2A影像的玉米 冠層葉綠素含量估算[J]．光譜學(xué)與光譜分析，2019，39（5）： 1535-1542. SU Wei， ZHAO Xiaofeng，SUN Zhongping，et al. Estimating the corncanopy chlorophyll content using the sentinel -2A image [J].Spectroscopy and Spectral Analysis，2019，39（5）：1535- 1542.

[3]夏天，吳文斌，周清波，等．不同地域冬小麥葉片 SPAD 高 光譜估算研究[J].中國農(nóng)業(yè)資源與區(qū)劃，2014，35（4）：49 -57. XIA Tian，WU Wenbin，ZHOU Qingbo，et al.Hyperspectral - based estimation of winter wheat SPAD in two different regions [J].Chinese Journal of Agricultural Resources and Regional Planning，2014，35（4）：49-57.

[4]MarencoRA，Antezana-VeraSA，NascimentoHCS.Relationshipbetweenspecificleafarea，leaf thickness，leafwatercontent and SPAD -5O2 readings in six Amazonian tree species[J]. Photosynthetica，2009，47（2）：184-190.

[5]UddlingJ，Gelang-AlfredssonJ，PiikkiK，et al.Evaluating therelationship between leaf chlorophyll concentration and SPAD -502chlorophyll meter readings[J].Photosynthesis Research， 2007，91（1）：37-46.

[6]Pagola M，Ortiz R，Irigoyen I，etal.New method to assess barley nitrogen nutrition status based on image colour analysis[J]. ComputersandElectronicsin Agriculture，20o9，65（2）：213- 218.

[7]MullaD J.Twenty five years of remote sensing in precision agriculture： Key advances and remaining knowledge gaps[J]. Biosystems Engineering，2013，114（4）： 358-371.

[8］周敏姑，邵國敏，張立元，等．基于無人機遙感的冬小麥葉 綠素含量多光譜反演[J]．節(jié)水灌溉，2019，（9）：40-45. ZHOU Mingu， SHAO Guomin， ZHANG Liyuan，et al. Multi - spectral inversion of SPAD value of winter wheat based on unmanned aerial vehicle remote sensing[J]. Water Saving Irrigation，2019，（9）：40-45.

[9］王爍，常慶瑞，劉夢云，等．基于高光譜遙感的棉花葉片葉 綠素含量估算[J]．中國農(nóng)業(yè)大學(xué)學(xué)報，2017，22（4）：16- 27. WANG Shuo， CHANG Qingrui，LIU Mengyun， et al. Estimation onchlorophyll content of cotton based on optimized spectral index [J]. Journal of China Agricultural University，2017，22（4）：16 -27.

[10］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(yù)測中的應(yīng)用研究［J]．光譜學(xué)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 sensingin the maize chlorophyll prediction[J].Spectroscopy and Spectral Analysis，2018，38 （9） ： 2923.

[11]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/OL].排灌機械工程學(xué)報，1-7[2024- 01-18]. LIU Jiangfan，ZHA Zeyi，LI Zhaoyang，et al. Estimationof apple tree canopy SPAD based on UAV multispectral remote sensing J OL]. Journal of Drainage and Irigation Machinery Engineering （JDIME），1-7[2024 -01–18].

[12]WangJJ，ZhouQ，ShangJL，etal.UAV- and machine learning -based retrieval of wheat SPAD values at the overwintering stage for variety screening[J].Remote Sensing，2021，13 （24）： 5166.

[13]Sudu，B.；Rong，G.； Guga，S.，et al. Retrieving SPAD Values of Summer Maize Using UAV Hyperspectral Data Based on Multiple Machine Learning Algorithm. Remote Sens. 2022，14， 5407.

[14]Guo YH，Chen SZ，LiXX，etal．Machine learming-based approaches for predicting SPAD values of maizeusing multispectral images[J].Remote Sensing，2022，14（6）： 1337.

［15］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(xué)，2021，53（6）：121- 126，132. 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， 132.

［16］羅亞，徐建華，岳文澤．基于遙感影像的植被指數(shù)研究方 法述評［J]．生態(tài)科學(xué)，2005，24（1）：75-79. LUOYa ，XU Jianhua，YUE Wenze. Research on vegetation indices based on the remote sensing images[J]. Ecologic Science， 2005， 24（1）：75-79

[17］周琦，王建軍，霍中洋，等．不同生育期小麥冠層SPAD 值 無人機多光譜遙感估算［J]．光譜學(xué)與光譜分析，2023，43 （6）：1912 -1920. ZHOU Qi，WANG Jianjun，HUO Zhongyang，et al． UAV multi - spectral remote sensing estimation of wheat canopy SPAD value in different growth periods[J]. Spectroscopy and Spectral Analysis，2023，43（6）：1912-1920.

[18]Wang，Y.，Tan，S.，Jia，X.，et al.Estimating Relative Chlorophyll Content in Rice Leaves Using Unmanned Aerial Vehicle Multi -Spectral Images and Spectral- Textural Analysis.Agronomy 2023，13，1541.

[19]Cao Q，Miao Y X，Shen JN，et al. Improving in-season estimation of rice yield potential and responsiveness to topdressing nitrogen application with Crop Circle active crop canopy sensor[J]. Precision Agriculture，2016，17（2）：136-154.

[20]Bannari A，Khurshid K S，Staenz K，et al.A comparison of hyperspectral chlorophyll indices for wheat crop chlorophyll contentestimation using laboratoryreflectance measurements[J]. IEEE Transactions on Geoscience and Remote Sensing，2007，45 （10）：3063-3074.

［21］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(xué)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 Chinese Society for Agricultural Machinery， 2022，53（10）：211-219.

[22］王橋，葉敏，魏孟，等．基于ELM和MCSCKF的鋰離子電 池 SOC 估計[J]．工程科學(xué)學(xué)報，2023，45（6）：995-1002. WANG Qiao，YE Min，WEI Meng，et al.ELM- and MCSCKF - based state of charge estimation for lithium-ion batteries[J]. Chinese Journal of Engineering，2023，45（6） ： 995-1002.

[23]Gholizadeh M，Jamei M，Ahmadianfar I，etal.Prediction of nanofluids viscosityusing random forest（RF） approach[J].Chemometricsand Intelligent Laboratory Systems，2020，201： 104010.

[24]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/OL].雜交水稻，1-9[2024-01-15]. CHENZhaozhong，DUAN Shaokun，YUE Yunkai，etal.InverTakenby Unmanned Aerial Vehicle[J/OL].Hybrid Rice，1-9 [2024 -01 -15].

[25］張琳，汪廷華，周慧穎．基于群智能算法的 SVR參數(shù)優(yōu)化 研究進展[J]．計算機工程與應(yīng)用，2021，57（16）：50-64. ZHANG Lin，WANG Tinghua， ZHOU Huiying. Research progresson parameteroptimization of SVR based on swarm intelligence algorithm[J]. Computer Enginering and Applications， 2021，57（16）：50-64.

[26]HorlerDNH，DockrayM，BarberJ.Therededge of plantleaf reflectance[J]. International Journal of Remote Sensing，1983，4 （2）：273-288.

[27］黃春燕．基于高光譜數(shù)據(jù)的北疆棉花遙感監(jiān)測研究［D]. 石河子：石河子大學(xué)，2005. HUANG Chunyan. Study on remote sensing monitoring of cotton innorthern Xinjiang based on hyperspectral data[D]. Shihezi： Shihezi University，2005.

[28]劉成成.基于無人機多光譜影像的棉花葉片SPAD值和LAI 反演研究[D].塔里木大學(xué)，2023. LIU C.Research on SPAD value and LAI inversion of cotton leaves based on drone multispectral images[D].Tarim University，2023.

［29］紀偉帥，陳紅艷，王淑婷，等．基于無人機多光譜的華北平 原花鈴期棉花葉片 SPAD 建模方法研究[J]．中國農(nóng)學(xué)通報， 2021，37（22）： 143-150. JI Weishuai，CHEN Hongyan，WANG Shuting，et al. Modeling method of cotton leavesSPAD at flowering and boll stage in North China Plain based on UAV multi-spectrum[J]. Chinese Agricultural Science Bulletin，2021，37（22）：143-150.

[30］田明璐，班松濤，常慶瑞，等．基于無人機成像光譜儀數(shù)據(jù) 的棉花葉綠素含量反演[J]．農(nóng)業(yè)機械學(xué)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 Chinese Society for Agricultural Machinery，2016，47（11）：285- 293.

[31］依爾夏提·阿不來提，買買提·沙吾提，白燈莎·買買提艾 力，等.基于隨機森林法的棉花葉片葉綠素含量估算［J].作 物學(xué)報，2019，45（1） ：81-90. Yierxiati AbulaitiuBaidengsha，Maimaitiaili Shawuti，Baidengsha Maimaitiaili，etal.Estimationof leaf chlorophyll content incotton based on the random forest approach[J].Acta Agronomica Sinica， 2019，45（1） 81.

Abstract：【Objective】 Rapid and non - destructive monitoring of SPAD value has important guiding significance for field management measures.【Methods】In this study，the DJI M35O RTK drone equipped with multispectral sensors was used to obtain multi -temporal canopy remote sensing images，calculate the multispectral vegetation index，screen the features significantly related to SPAD value，and four machine learning algorithms including limit learning machine，random forest regresion，support vector regression and multiple stepwise regresson were combined to construct a SPAD value estimation model for cotton at each growth stage. 【Results】The results showed that there was a significant positive correlation between vegetation index and cotton SPAD value at each growth stage，and there was a high correlation between CCCI （canopy chlorophyll content index） and CIrededge （red edge chlorophyll index） and SPAD value，with the highest correlation coefficients of O.81 and O.78，respectively.Comparing the accuracy of the model at different growth stages，it was found thatthe model at flowering stage had the highest accuracy，with the best estimation model being ELM， R² being 0.741， RMSE being 1.447，rRMSE being 0.023，ELM being the best estimation model at budding stage and flocculation stage （ R² being O.656 and O.587，respectively），and RFR（ R² being0.577）at full boll stage.【Conclusion】 This study shows that the optimal growth period for SPAD value estimation of cotton leaves is atthe flowering stage，the optimal model is ELM，and the model accuracy R² is the highest 0.741.

Key words：UAV；multispectral remote sensing;cotton; SPAD value；machine learning algorithm