基于影像分割的覆膜玉米叶绿素含量反演

周智辉，谷晓博，程智楷，常甜，赵彤彤，王玉明，杜娅丹

西北农林科技大学水利与建筑工程学院/西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌 712100

0 引言

【研究意义】作物覆膜种植能增温保墒，显著影响作物的生理参数，从而促进作物生长、提高产量[1-2]，我国西北旱区是玉米高强度覆膜种植的区域[3-4]。叶绿素含量是评价玉米光合能力和营养状况的重要生理指标，传统的叶绿素含量测定主要通过分光光度计法、原子吸收法和SPAD 叶绿素仪等，测定数量有限，仅适用于小范围区域研究，随着遥感以及计算机技术的飞速发展，为大面积农田作物长势信息快速获取与决策分析提供了有效手段，以无人机为平台搭载高空间分辨率多光谱成像仪的遥感作物长势监测方法以其便捷高效、非侵入性、范围广等优势在农田尺度得到了广泛应用[5-7]。地膜覆盖改变了土壤的粗糙度、表面温度和湿度等性质，与无覆膜农田光谱特性存在一定差异[8]，已有研究表明覆膜会对光谱遥感监测造成一定影响[9-11]。因此，快速、准确获取覆膜作物的叶绿素含量，对覆膜农田的高效、精准管理具有重要意义。【前人研究进展】已有部分学者开展了对覆膜玉米长势指标的遥感监测研究，HUANG 等[12]将PROSAIL物理模型和集成叠加算法相混合反演了覆膜春玉米叶片叶绿素含量，为高光谱近距离遥感提供了新技术；魏夏永等[13]使用高光谱反演了覆膜玉米的冠层氮含量垂直分布。上述研究未考虑到地膜等背景因素对冠层玉米叶绿素含量反演的影响，在农田尺度，作物冠层反射光谱中背景信号的混合会削弱植物信号，从而影响遥感作物理化参数的监测[14]。随着厘米级空间分辨率的低空无人机作物长势监测技术的发展，背景像元和植被像元可以清楚地区分，因此将影像像元剔除的方法被广泛应用。邓尚奇等[15]通过阈值分割法剔除多光谱影像中的土壤像元，证明剔除背景像元能提高冬小麦叶绿素含量和叶面积指数的预测精度；CHEN等[16]使用基于对象的分类方法将影像土壤像元剔除，设计了多种作物的纯化光谱氮含量估测模型，结果表明在建立植物氮含量预测模型时，最好剔除影像中的土壤像元。上述研究多从剔除土壤和阴影像元的光谱信息入手进行作物长势监测，遥感影像中的纹理特征也可有效表征作物的长势信息，将光谱特征与纹理特征融合进行作物长势指标反演建模相比于仅使用光谱特征精度提升明显[17-19]。【本研究切入点】那么，利用影像分割方法提取植被像元光谱特征后构建的模型能否提高覆膜玉米叶绿素含量的反演精度？以往研究多引入未剔除背景的纹理特征用于构建叶绿素反演模型，而剔除背景后的纹理特征能否用于表征作物长势信息仍需进一步研究。【拟解决的关键问题】以多光谱遥感数据为基础，以覆膜玉米为研究对象，利用监督分类方法提取苗期、拔节期、抽雄期和灌浆期的玉米像元影像，分别提取全像元和玉米像元影像的光谱特征和纹理特征，筛选较优变量输入，使用偏最小二乘、支持向量机和BP 神经网络3 种机器学习算法构建玉米叶绿素含量估算模型，对比分析全像元和玉米像元影像信息在不同模型中的精度差异，探究将地膜背景剔除对无人机遥感影像光谱和纹理特征反演覆膜玉米叶绿素含量的影响，确定反演覆膜玉米叶绿素含量的最优模型，以期为利用无人机遥感实施覆膜作物生长监测提供理论参考。

1 材料与方法

1.1 试验区概况

夏玉米试验于2022年6—10月在陕西杨凌西北农林科技大学教育部旱区农业水土工程重点实验室的灌溉试验站（108°4′E，34°17′N，海拔521 m）进行。该区属暖温带季风半湿润气候区，全年无霜期210 d，年均气温13 ℃，多年平均降水量为632 mm，年均蒸发量1 500 mm。种植作物一年两熟，以冬小麦和夏玉米为主，试验地土壤质地为中壤土，土壤平均干容重为1.4 g·cm-3，凋萎系数为8.5%，田间持水率为24%（质量含水率），地下水埋深大于50 m。0—40 cm 土层pH 为7.4，基础肥力（质量比）为速效氮107.1 mg·kg-1，速效磷23.3 mg·kg-1，速效钾88.5 mg·kg-1，有机质含量为16.9 g·kg-1。

1.2 试验设计

供试夏玉米品种为‘郑单958’，地膜为0.008 mm厚的聚乙烯白色透明薄膜。夏玉米采用垄沟覆膜种植方式。为提高农田玉米长势空间差异性，设置50 000株/hm2（D1）、65 000 株/hm2（D2）、80 000 株/hm2（D3）3 种种植密度；60 kg·hm-2（N1）、120 kg·hm-2（N2）、180 kg·hm-2（N3）、240 kg·hm-2（N4）、300 kg·hm-2（N5）5 种施氮梯度。根据玉米的种植分布与田间布置，对试验区内的玉米进行区域划分，共选取36 个样本区域，小区面积均为4 m×4 m。试验设计可见光影像如图1 所示。

图1 试验区位置和试验设计Fig. 1 Location of test area and experiment design

1.3 数据采集

1.3.1 叶绿素含量 夏玉米叶绿素含量于苗期（7 月29 日）、拔节期（8 月13 日）、抽雄期（8 月31 日）和灌浆期（9 月17 日）4 个生育期取样测定，取样日期与遥感数据采集日期一致。各小区选取3 片最新完全展开叶（抽雄后选取穗位叶），称取0.1 g 新鲜叶片并用96%乙醇浸提，分别在665、649 和470 mm 波长下比色并计算叶绿素含量（mg·g-1）[20]。

1.3.2 遥感数据 选用大疆精灵4 多光谱版无人机获取玉米冠层光谱信息，该无人机配备6 个有效像素为208 万的1/2.9 英寸CMOS 传感器，包含1 个用于可见光成像的RGB 传感器和5 个用于多光谱成像的单波段传感器，5 个用于多光谱成像的传感器分别以450、560、650、730、840 nm 为中心波长。为保证数据质量，选取晴朗无云、风力小于3 级的天气并在12：00—14：00 飞行，无人机航向重叠为80%，旁向重叠为80%，飞行高度为20 m，对应1.1 cm/像素的地面分辨率。精灵4 集成实时动态（RTK）定位模块和TimeSync系统可为无人机提供实时的厘米级定位精度，因此可不设置地面控制点[6,21]。本研究使用反射率约为25%和50%的两块参照定标板用于辅助影像的辐射定标，起飞前将定标板平放在地面上，手动控制飞机于定标板1.5 m 高度处，镜头垂直向下并保证定标板上无阴影，拍摄各波段反射率图像。无人机多光谱影像数据拼接、辐射定标借助DJI Terra 软件完成。

1.4 光谱特征及纹理特征提取

根据多光谱波段及前人研究选取10 种植被指数作为与叶绿素相关的光谱特征（表1）。

表1 光谱特征计算公式Table 1 Formulas for calculating spectral features

玉米采用垄沟覆膜种植，植株按行排列，具有明显的空间分布特征，因此引入纹理信息用于玉米叶绿素含量反演建模。选择最为常用的灰度共生矩阵（gray-level co-occurrence matrix，GLCM）对空间纹理信息进行提取分析。通过ENVI5.3 软件计算每个波段的8 个基于GLCM 的纹理特征值，以最小窗口大小（3×3 像素）和默认方向进行纹理计算，包括均值（Mean）、方差（Var）、协同性（Hom）、对比度（Con）、相异性（Dis）、信息熵（Ent）、二阶矩（Sec）和相关性（Corr），由于相机有5 个光谱通道，在各生育期可提取40 种纹理特征。

1.5 数据分析方法

1.5.1 影像分割 首先获取苗期、拔节期、抽雄期和灌浆期的全像元多光谱影像，考虑到影像中地膜和阴影背景对玉米冠层光谱的影响，采用ENVI 5.3 软件监督分类中的支持向量机法对影像玉米像元、地膜像元和阴影像元进行人工标记并分类，采用默认参数，径向核函数（RBF），惩罚因子=100，采用混淆矩阵来评估分类精度（表2），总体分类精度均在97%以上，Kappa 系数均在0.96 以上，表明3 类像元分类精度较好。利用掩膜获取3 类像元的多光谱影像，剔除背景前后的影像对比如图2 所示。使用感兴趣区域（region of interest）获取影像中各小区全像元、玉米像元影像光谱反射率平均值，以及地膜和阴影像元光谱反射率平均值。使用配对样本t检验比较不同生长阶段下所有小区的全像元和玉米像元影像冠层光谱间的差异。统计计算两种影像各小区的光谱特征和纹理特征平均值，与样点实测叶绿素含量值进行相关性分析比较。

表2 研究期间的支持向量机分类精度与Kappa 系数Table 2 Support vector machine classification accuracy and Kappa coefficient during the study

图2 抽雄期多光谱影像剔除背景前后对比图Fig. 2 Schematic before and after background removal of multispectral image at tasseling stage

1.5.2 模型构建与评价指标 从玉米苗期、拔节期、抽雄期和灌浆期的实测叶绿素含量数据中随机筛选75%样本数据（108 个）用于模型建模，25%样本数据（36 个）用于模型验证。

为减少模型变量输入数量，使用全子集筛选法筛选全像元和玉米像元提取的光谱特征（SF）、纹理特征（TF）和光谱特征+纹理特征（SF+TF）。通过R语言4.1.3 中的leap 包进行全子集筛选，主要以贝叶斯信息准则（BIC）最小值为标准，同时考虑调整R2（R2adj）最大的原则筛选获得较优变量[31]。

将全子集筛选的变量结果分别与叶绿素含量构建偏最小二乘（PLS）、支持向量机（SVM）、BP神经网络（BPNN）3 种反演模型。使用e1071 包中的 tune 函数进行十折交叉验证和网格搜索确定SVM 模型参数cost 和gamma 以及BPNN 模型参数decay 和size；使用caret 包进行十折交叉验证和网格搜索确定PLS 模型参数ncomp，其他参数均为默认值，减少人为因素干扰。对比分析3 种机器学习算法在2 种影像不同特征变量输入上估测叶绿素含量的能力，为避免变量之间数量级的差异导致模型预测精度降低，对输入自变量都进行了归一化处理。采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）对模型的建模和验证精度进行评估，R2越大表示模型拟合效果越好，RMSE 和MAE越低表示模型的估算能力越高。当使用玉米像元和全像元的较优变量构建叶绿素预测模型时，整个过程相同。

2 结果

2.1 不同生育期叶绿素含量

覆膜夏玉米苗期、拔节期、抽雄期和灌浆期叶片叶绿素含量变化趋势如图3 所示。总体上，玉米叶绿素含量随生育期推进呈先增大后减小趋势，在抽雄期达到最大（3.32—5.48 mg·g-1），灌浆期开始降低。

图3 各生育期玉米叶绿素含量Fig. 3 Leaf chlorophyll content of maize for each growth stage

数据划分统计结果如表3 所示，建模集样本叶绿素含量的变化范围为2.07—5.48 mg·g-1，平均值为3.68 mg·g-1，变异系数为22.92%；验证集样本叶绿素含量的变化范围为 2.25—5.50 mg·g-1，平均值为 3.73 mg·g-1，变异系数为22.66%，两者差异较小，适合模型构建与验证。

表3 叶绿素含量数据划分Table 3 Classification of leaf chlorophyll content data

2.2 不同生育期影像光谱反射率对比

在玉米不同生育阶段，对全像元和玉米像元中的各波段光谱反射率进行配对样本t检验，结果如表4所示。除抽雄和灌浆期的红波段外，各生育期影像的背景像元对玉米冠层的光谱均有显著影响。

表4 全像元影像与玉米像元影像各波段反射率配对样本t 检验结果Table 4 Results of paired sample t-test for reflectance of all pixels image and maize pixels image

各生育期提取的全像元光谱反射率均值与影像监督分类后的玉米像元、地膜像元和阴影像元光谱反射率均值如图4 所示。不同生育期玉米像元光谱反射率基本相似，均具有典型绿色植被的光谱特征。地膜像元光谱反射率在整个波段范围内呈上升趋势，无明显反射峰和吸收谷，在可见光波段的反射率始终远高于玉米像元光谱的可见光反射率，而阴影像元光谱反射率始终低于玉米像元，且在RE 和NIR 波段的反射率远低于玉米像元。不同生育阶段的玉米像元和全像元光谱反射率之间的差异随玉米像元、地膜像元和阴影像元比例的变化而变化，苗期玉米覆盖度较低时，冠层光谱受地膜背景显著影响，全像元变化趋势与地膜像元光谱接近，B、G、R、RE 和NIR 波段反射率分别为0.10、0.14、0.16、0.24 和0.30，而玉米像元反射率分别为0.06、0.10、0.08、0.23 和0.33（图4-a）；拔节期全像元光谱仍受地膜背景影响，将背景像元剔除后B、G、R 和RE 波段反射率降低0.01、0.02、0.02 和0.01，NIR 波段反射率提高0.04（图4-b）。随着玉米植株生长，冠层郁闭度增大，玉米叶绿素含量升高，对B 和R 波段吸收增加，这两个波段的反射率减小，突出了G 波段的反射峰，NIR 波段的反射率增大，但同时冠层阴影也相对增多，阴影像元显著削弱了玉米冠层在G、RE 和NIR波段的反射率（图4-c、4-d），剔除背景像元后抽雄期G、RE 和NIR 波段反射率提高0.01、0.03 和0.09。相比抽雄期，灌浆期玉米生长活性降低，对B和R 波段反射增多，G 波段的反射峰减小，RE、NIR波段反射率降低（图4-d），剔除背景像元后G、RE和NIR 波段反射率提高0.01、0.02 和0.07。综上可知，玉米冠层反射光谱在各生育期均受到了较大的混合像元影响。

图4 4 个生育期全像元影像、玉米像元影像、地膜像元影像和阴影像元影像光谱反射率均值Fig. 4 Average spectral reflectance of all pixels image, maize pixels image, film pixels image and shadow pixels image during four growth stages

2.3 相关性分析与较优模型变量输入确定

2.3.1 光谱特征与叶绿素含量的相关性分析 将苗期、拔节期、抽雄期和灌浆期的全像元和玉米像元提取的光谱特征与叶绿素含量进行Pearson 相关性分析比较（图5），对于5 个原始波段，全像元的B、G、R 和RE 波段与叶绿素含量呈负相关，相关系数分别为-0.74、-0.73、-0.74 和-0.63，而NIR 波段与叶绿素含量呈正相关（相关系数0.68）；玉米像元的B、G、R 波段与叶绿素含量负相关性稍有减弱，相关系数分别为-0.71、-0.64、-0.71，但RE 波段与叶绿素含量相关系数骤降至-0.09，NIR 波段相关性提高到0.73。对于2 种影像光谱计算的10 种植被指数，全像元的植被指数与叶绿素含量的相关性介于0.67—0.76；玉米像元的植被指数与叶绿素含量的相关性介于0.68—0.77。整体上，2 种影像光谱特征与叶绿素含量相关性之间的差异较小，除玉米像元影像的RE 波段外，2 种像元影像提取的光谱特征与叶绿素含量均显著相关（P＜0.01）。除CIgreen、OSAVI、MSR、MCARI、SAVI 外，玉米像元光谱构建的植被指数与叶绿素含量相关性不变或降低。

图5 光谱特征与叶绿素含量的相关性分析Fig. 5 Correlation analysis of spectral features and chlorophyll content

2.3.2 纹理特征与叶绿素含量的相关性分析 提取各小区全像元和玉米像元的各波段纹理特征，并与叶绿素含量进行相关性分析（表5）。全像元提取的与叶绿素含量显著相关的纹理特征数量有30 个（P＜0.05），相关系数介于0.09—0.62，其中Var_G 和Con_G与叶绿素含量的相关系数达到0.62。在将背景剔除后，玉米像元提取的与叶绿素含量显著相关的纹理特征数量增加至38 个（P＜0.05），其中Mean_NIR 与叶绿素含量的相关系数达到0.71；仅Con_G 和Sec_RE 与叶绿素含量无显著相关性。整体上，玉米像元提取的纹理特征与叶绿素含量的相关系数较全像元平均提高0.08。

表5 纹理特征与叶绿素含量的相关性分析Table 5 Correlation analysis between texture features and chlorophyll content

2.3.3 较优变量输入筛选 以SF、TF 和SF+TF 为自变量，以叶绿素含量为因变量，综合考虑R2adj和BIC，进行全子集回归以筛选模型最佳变量输入组合（表6）。筛选SF 较优变量时，全像元和玉米像元的BIC 最小时筛选出的变量均仅有一个，考虑后续模型构建对变量个数的要求，选取R2adj最大时的变量，两种影像的R2adj均为0.59，且BIC 均较小，分别为-105和-103。筛选TF 较优变量时，均选取了BIC 最小时的结果，全像元影像的R2adj为0.63，BIC 为-100，玉米像元的R2adj提升0.03，BIC 降低20。筛选VI+TF较优变量时，均选取BIC 最小时的结果，全像元筛选结果与仅使用TF 一致，玉米像元的R2adj为0.69，BIC达到最小值-132。通过全子集筛选结果，确定了全像元和玉米像元影像建模的较优变量输入。最优输入变量如表6 所示。

表6 基于全子集筛选的两种影像筛选变量结果Table 6 Results of combining two optimal variables of images based on full subset filtering

2.4 反演建模

将表6 中筛选出的变量分别与叶绿素含量构建PLS、SVM、BPNN 反演模型，其反演精度如表7 所示。对比相同变量输入类别，两种影像在叶绿素含量反演建模差异，以全像元影像反演叶绿素含量的精度相对较差，所有模型的建模R2、RMSE 和MAE 分别为0.589—0.672、0.481—0.539 mg·g-1和0.396—0.441 mg·g-1，验证R2、RMSE 和MAE 分别为0.515—0.581、0.543—0.582 mg·g-1和0.422—0.491 mg·g-1。玉米像元影像所有模型的建模R2提高0.001—0.078，RMSE 和MAE 分别降低0—0.060 和0.001—0.055 mg·g-1，验证R2提高0.023—0.109，RMSE 和MAE 分别降低0.014—0.075 和0.007—0.047 mg·g-1。其中最佳反演模型的建模R2提高0.078，RMSE 和MAE 分别降低0.060 和0.055 mg·g-1；验证R2提高0.109，RMSE 和MAE 分别降低0.075 和0.047 mg·g-1。使用玉米像元影像的变量进行模型建模和验证效果优于全像元的变量。

表7 两种影像不同变量输入的3 种机器学习模型精度Table 7 Accuracy of three machine learning models with different variable inputs for two images

对比相同影像类型，不同变量输入在叶绿素含量反演建模的差异，使用TF 用于建模的效果较优于SF；使用SF+TF 作为变量输入建模时，均优于仅使用SF或仅使用TF 建模的精度。综合上述内容，玉米像元影像的SF+TF-BPNN 模型预测结果最好（建模R2、RMSE 和MAE 分别为0.750、0.421 mg·g-1、0.341 mg·g-1，验证R2、RMSE 和MAE 分别为0.690、0.468 mg·g-1、0.375 mg·g-1）。叶绿素含量地面实测值与无人机多光谱遥感估算值在验证集上的最优模型拟合关系如图6 所示。

图6 最优模型的叶绿素含量预测值与实测值拟合关系Fig. 6 Relationship between predicted and measured leaf chlorophyll content (LCC) fitted by the best model

基于玉米像元最优反演模型（SF+TF-BPNN）进行多生育期叶绿素含量的可视化制图（图7）。在不同种植密度和施氮处理下，苗期玉米生长差异较小（图7-a）；随着玉米生长发育，不同处理间的玉米生长差异逐渐显著，低种植密度小区叶绿素含量普遍高于高种植密度小区，中高施氮水平小区叶绿素含量普遍高于低施氮水平小区。对比不同生育期反演效果，不同种植密度和施氮量下覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量范围分别为2.21—3.31、3.10—4.46、3.56—5.11 和3.14—4.55 mg·g-1，与各生育期对应的实测叶绿素含量（苗期2.07—3.73 mg·g-1、拔节期2.63—4.60 mg·g-1、抽雄期3.32—5.48 mg·g-1、灌浆期3.29—4.98 mg·g-1）基本一致。整体上，从苗期至抽雄期叶绿素含量呈增高趋势，至灌浆期降低，与实测叶绿素含量变化趋势一致，表明使用玉米像元的SF+TF-BPNN 模型进行覆膜玉米各生育期叶绿素含量的估测是可行的。

图7 基于玉米像元影像反演玉米各生育期叶绿素含量的空间分布图Fig. 7 Spatial distribution of inverse maize leaf chlorophyll content (LCC) at each growth stage based on maize pixels image

3 讨论

3.1 影像背景剔除对反演叶绿素含量的影响

使用无人机多光谱影像反演作物多生育期生理参数时，冠层反射光谱易受作物冠层结构、背景等因素的影响，导致遥感反演效果存在很大的不确定性。前人的研究忽视了覆膜土壤和阴影对提取的植被冠层光谱的影响，而覆膜土壤在可见光波段反射率远高于裸土、植被[11]，阴影在红边和近红波段的反射率远低于植被（图4）。随着玉米生长发育，农田中玉米像元、覆膜土壤像元和阴影像元的比例发生变化，同时作物长势不均匀会增加冠层背景像元的影响[16]，因此有必要将背景像元统一剔除，减少噪声的干扰。本研究通过影像光谱提取的植被指数与叶绿素含量均有显著相关性，说明植被指数能够一定程度上反映作物的叶绿素含量状况，而将影像背景剔除后提取的植被指数与叶绿素含量相关系数较不剔除背景提高较小，这可能是因为本文选取的多数植被指数是在研究植被和土壤混合光谱规律的基础上设计的，起到了剔除部分背景的作用，且相关性分析不能反映出植被指数与叶绿素含量的非线性关系[8,26]。在使用剔除背景后影像提取的光谱特征建立叶绿素含量反演模型的精度优于未剔除背景，证实了背景像元会对影像的光谱信息反演作物长势造成干扰，黄茜等[11]也发现覆膜处理的玉米光谱信息反演LAI 精度较无覆膜低，李美炫等[32]基于阴影指数剔除苹果树阴影后提高了光谱信息反演氮素模型精度，本研究结果与之具有一定相似性。本研究剔除背景后影像提取的纹理特征与叶绿素含量显著相关的数量增加，且反演叶绿素含量精度相比未剔除背景的纹理特征精度更高，这是因为纹理与图像中的暗区（玉米叶片、阴影）和亮区（地膜）的空间分布有关[33]，这种分布对玉米的叶绿素含量的反演可能是一种干扰。QIAO 等[34]研究也发现将背景像元剔除可降低纹理的复杂度，能够反映更多的作物生长信息，本研究结果与之具有一致性。因此在提取包含地膜和阴影背景的冠层影像信息反演叶绿素含量时，应当将背景剔除。但本研究并未讨论地膜和阴影两种背景因素对冠层光谱和纹理反演叶绿素含量影响的差别，后续可从这一方面更进一步研究。

3.2 光谱特征与纹理特征的建模差异

本研究使用剔除背景的光谱特征反演叶绿素含量的精度提升有限，一方面由于地膜存在的杂散射现象在一定程度上增加了玉米像元光谱的噪声；另一方面，光谱特征包含的信息易存在饱和现象，且多数光谱特征彼此间的相关系数高，存在强共线性的问题（图5），从而降低了光谱特征反演叶绿素含量的适用性。本研究在使用纹理特征建模时，建模精度相比使用光谱特征建模精度略高，而在进行相关性分析时纹理特征与叶绿素相关性普遍低于光谱特征，这是因为本研究选取的植被指数均包含红边或近红外波段，与叶绿素含量的相关性高但包含较多的重复信息，而仅通过筛选高相关性的特征作为输入时未必能够提高建模精度[35]，本研究使用全子集回归筛选出多个有益于提高叶绿素含量反演模型精度的有效特征信息，表明入选的纹理特征要优于光谱特征，这可能是因为纹理特征显著放大了地物光谱特征之间的细微差异，降低背景、太阳角度、传感器视角等因素的影响，抑制了同物异谱现象的发生[36]，在反演多个生育期的作物生长指标时，改善了作物覆盖度高导致的光谱信息饱和效应[33]；同时，本研究玉米冠层由复杂的叶、穗、地膜、阴影和茎组成，提取纹理时使用最小窗口（3×3）且影像地面分辨率为1.1 cm/像素，前人研究发现小窗口和高分辨率纹理影像中的高频信息增强了对复杂植被结构的检测，获得的纹理特征在估计作物生长指标方面可比植被指数更准确[37-38]。但纹理特征仍存在不足之处，纹理受影像提取窗口大小、分辨率和光谱波段的影响较大，同时还受到作物冠层大小和行距的影响[33]，陈鹏等[19]在使用影像纹理特征对马铃薯叶绿素含量进行建模反演时精度相比光谱特征较差，这说明单独使用纹理特征建模可能存在较大的不确定性，后续需进一步探明纹理在反演玉米叶绿素含量时的机理与最佳使用条件。在使用光谱特征+纹理特征为输入建模时，不同算法模型均优于使用单一影像特征为输入的模型精度，以往研究也证实了更多特征的融合可以有效提高作物参数估计的精度[38-39]，本研究只考虑了冠层影像的光谱和纹理特征，冠层的结构特征如覆盖度、冠层高度等参数均可从影像中提取，能有效地表征作物冠层的动态变化，未来可将这些参数融合构建综合生长指数以进一步优化生化参数的建模效果。

3.3 变量筛选及机器学习算法的反演差异

考虑影像提取的特征变量较多且其中存在的多重共线性问题，本研究使用全子集筛选法以R2adj和BIC为标准对2 种影像类型提取的光谱特征、纹理特征、光谱特征+纹理特征进行变量筛选，发现2 种像元类型下全子集筛选出的较优变量存在一定差异，这是因为不同光谱特征及纹理特征与叶绿素含量的相关性及相关性排序会因背景的剔除而发生一定变化，且全子集筛选法在选择最优模型时会考虑模型的拟合精度与模型复杂度间的平衡，所以筛选的结果会有一定差异[31]。在筛选全像元提取的影像信息时，光谱特征+纹理特征筛选得到的结果与仅使用纹理特征进行筛选得到的结果相同，在筛选玉米像元提取的影像信息时，对光谱特征+纹理特征筛选时得到的结果中光谱特征仅包含NDRE，这表明多个纹理特征变量组合提供了更多提高拟合精度的有效信息，此外，使用玉米像元提取的影像信息筛选出的纹理特征和光谱特征+纹理特征的BIC 较全像元提取的影像信息筛选结果BIC 更小，而R2adj更高，这一结果也印证了剔除背景后提取的影像信息对叶绿素含量的敏感性更高，更适用于叶绿素含量估测模型的构建。筛选出较优特征变量后本研究使用3 种机器学习算法构建叶绿素含量反演模型，相比PLS 模型和SVM 模型，使用BPNN 构建的模型在不同的较优变量中均取得最佳反演效果（R2=0.572—0.690），表明BPNN 在作物长势估测中的优势，主要因为PLS 是主成分分析、典型相关分析和多元线性回归的结合，通过变量筛选后用于建模的变量数量减少，从而降低PLS 的精度[40]；而SVM 在本研究中的效果较差可能是因为受限于核函数和惩罚因子的影响，降低了算法的反演效果[41]；BPNN 能够自适应地调整网络的权重和阈值，减少对异常数据的敏感性，具有较强的学习能力，能够更好地逼近预测函数，李媛媛、QI 等对玉米、花生的SPAD 进行反演建模时也得到了相似的结果[42-43]。但在使用BPNN 进行反演回归分析时，存在多次运行结果不一致的问题，这是因为神经网络的权重初始化是随机的，因此本研究从多次运行中选取了模型R2相对较好且无明显过拟合的结果。

不同机器学习算法在应用时存在差异，本研究中主要体现在对数据的要求、算法原理及模型稳定性的差别，后续可尝试通过多模型集成学习的方式来综合各算法模型优势[44-46]，进一步验证背景像元对玉米叶绿素含量反演的影响并提高反演精度。此外，由于数据量相对较小，未来的研究还需要增加其他玉米品种，并使用包含不同年份、不同地区的田间样本用于建模，提高模型的迁移泛化能力。

4 结论

（1）苗期、拔节期、抽雄期和灌浆期影像的背景像元对玉米冠层的光谱均有显著影响。剔除背景后反映了玉米冠层的真实光谱。剔除背景后，光谱特征与叶绿素含量相关系数提升不显著，纹理特征与叶绿素含量的相关系数整体平均提升0.08，其中近红外波段均值具有最高相关性，相关系数达到0.71。（2）基于玉米像元影像的光谱特征和纹理特征用于叶绿素含量建模精度相对全像元影像更高，其中以玉米像元影像提取的光谱特征+纹理特征为输入变量的BPNN 模型反演叶绿素含量精度最高，相比全像元影像最佳反演模型的建模R2提高0.078，RMSE 和MAE 分别降低0.060 和0.055 mg·g-1；验证R2提高0.109，RMSE 和MAE 分别降低0.075 和0.047 mg·g-1。研究结果表明将影像背景噪声去除的重要性，可为无人机多光谱遥感估算覆膜作物叶绿素含量提供理论参考。