基于无人机可见光影像的坐果期枣树冠层SPAD值估算

王永东 尼格拉·吐尔逊 郑江华 巴日斯 王蕾

摘要：以坐果期枣树为研究对象，利用无人机可见光影像，对田间尺度的枣树冠层SPAD值进行监测，基于14种植被指数与枣树冠层实测SPAD值的相关性，优选植被指数构建单变量回归、多元逐步回归和随机森林回归的枣树冠层SPAD值估算模型，以期探讨无人机可见光遥感影像估算枣树冠层SPAD值的可行性。通过相关性分析发现，红绿比值指数（RGRI）、超绿指数（EXG）、改进型绿红植被指数（MGRVI）、可见光波段差异植被指数（VDVI）、可见光大气阻抗植被指数（ARVI）与枣树冠层SPAD值的相关性极显著，其中EXG与枣树冠层SPAD值的相关系数达到-0.578。基于枣树冠层SPAD值的相关性极显著的5种植被指数构建的单变量反演模型的r²在0.111～0.604之间，RMSE在1.936～3.085之间。其中，以EXG构建的线性模型为单变量反演模型中效果最优的模型，r²达到0.604，RMSE为1.936。基于RGRI、MGRVI、EXG协同构建的多元逐步回归模型效果优于任何单一植被指数构建的单变量反演模型，R²达到0.635。与使用单变量构建的线性或非线性模型相比，基于随机森林算法构建的枣树冠层SPAD值反演模型效果最佳，其r²达到0.804，RMSE为1.317。基于随机森林算法的枣树冠层SPAD值反演模型表现出了对实测值较高的拟合能力和较优的模型预测能力，表现出了对枣树特殊种植结构比较健壮的反演能力，以及对土壤等背景因素的抗干扰能力。研究结果为低空遥感监测林果长势和健康评估提供了技术支撑。

关键词：无人机；枣树冠层；可见光；SPAD值；植被指数；反演模型；随机森林算法

中图分类号：S127  文献标志码：A

文章编号：1002-1302（2024）06-0206-09

收稿日期：2023-05-22

基金项目：新疆大学横向科研项目（编号：2020670007）。

作者簡介：王永东（1997—），男，甘肃定西人，硕士研究生，主要从事遥感技术应用与农业遥感研究。E-mail：wyd1997@stu.xju.edu.cn。

通信作者：郑江华，博士，教授，主要从事干旱区环境遥感与生态评价研究。E-mail：zheng _ jianghua@126.com。

一般而言，作物越健康，其叶绿素含量越高^[1-2]。通过探测作物叶片中的叶绿素含量可获知其健康情况^[3]。在无损获取待测作物叶片叶绿素含量方面，手持式叶绿素计（SPAD-502Plus）因其携带便捷、测量速度快、测量准确等优势，已经作为越来越多相关研究的测定仪器，并且其测量的作物叶片的SPAD值与化学等方法获取的作物叶片叶绿素含量具有显著相关性，可以使用SPAD值表征作物叶绿素含量^[4-6]。

近年来，随着无人机的普遍应用^[7-9]，携带高光谱、多光谱及数码相机的低空遥感平台在对于田间尺度或特定农作物的叶绿素相对含量获取方面的研究和应用越来越广泛^[10-13]，已有研究多数集中于冬小麦、玉米、水稻等农作物^[14-15]。如马明洋等以东北粳稻为研究对象，对使用无人机获取的高清数字影像反演 SPAD值的可行性和方法展开了研究^[16]。Schirrmann等应用无人机获取的RGB图像对小麦冠层叶绿素相对含量等生物和化学指标进行了研究，并建立各指标含量与光谱指数的回归模型^[17]。孟沌超等使用无人机拍摄的不同生育期的玉米RGB 影像，对植被指数以及纹理特征分别做了针对性研究，定量分析了玉米 SPAD值^[18]。贺英等同样以玉米为研究对象，基于无人机数码相机获取的RGB影像进行冠层SPAD值反演模型构建，结果表明随机森林回归模型效果较好^[19]。王丽爱等同样使用随机森林回归算法，研究确认该方法可以实现对小麦叶片SPAD值的遥感估算^[20]。这些研究为本研究提供了技术参考。

与此同时，少有研究关注林果等作物，就监测层面而言，冬小麦、玉米、水稻等农作物密植，与之不同的是，枣树植株高大且具有较大种植间距，枣树植株之间，甚至枝条之间，间杂裸土，这种监测对象的种植结构方面的差异是否会对监测产生干扰，有必要进行研究。同时在受到裸土等背景因素的干扰后基于植被指数的单变量、多变量、随机森林算法能否有效地反演枣树冠层的SPAD值，有待进一步研究。因此，本研究关注新疆若羌枣树，探讨利用无人机可见光遥感影像监测并反演枣树冠层SPAD值的可行性，以期实现基于可见光影像的枣树冠层SPAD值的快速、初步监测，为后续特色林果种植业冠层SPAD值更精确地反演和试验设计提供前期探索和借鉴。

1  研究区概况与研究方法

1.1  研究区概况

研究区地处新疆若羌县（86°45′～93°45′E，36°00′～41°23′N），属暖温带大陆性荒漠干旱气候^[6]，年平均气温12 ℃，年平均降水量约37 mm，历史上的“楼兰古国”曾位于此，夏季常有扬尘或沙尘暴发生^[21]。研究区位于若羌县铁干里克乡一块典型的枣树示范种植园（图1）。

1.2  无人机数据获取与处理

本研究中所用无人机为大疆PHANTOM4 Pro v2.0四旋翼，携带一体式云台相机，相机使用1英寸CMOS图像传感器，镜头焦距8.8 mm。无人机获取数据的日期为2021年7月，选择晴朗、微风的天气进行，拍摄时间在北京时间11：30—12：30之间，航高50 m，无人机设定为自动巡航模式，航向重叠度为 80%，旁向重叠度为 75%，设置飞行航线4条，对整个研究区进行了全覆盖航拍。在无人机获取航拍数据的同时在地面同步开展枣树冠层SPAD值测量工作。对获取的无人机数据使用PIX4D软件进行影像拼接处理，生成研究区正射影像图。

1.3  枣树冠层SPAD值获取与样区设置

枣树冠层SPAD值获取日期为2021年7月（坐果期），无人机航拍的同时，在地面使用SPAD-502Plus叶绿素计测量枣树冠层叶片中的SPAD值。在研究区划分出60个采样区，每个采样区为10 m×10 m，在每个采样区的四角与中心共选取5棵枣树测量其冠层SPAD值，在每棵枣树冠层的东南西北及中心顶部，共5个方向，每个方向摘取2张冠层叶片，1棵枣树共摘取10张冠层叶片。对于每片枣树冠层叶片，SPAD-502Plus叶绿素计测量的面积只有6 mm²（2 mm×3 mm），测量中心线指示枣树冠层叶片测量区域的中心，将需要测量的枣树冠层叶片插入测量探头的样品槽，确保叶片完全遮盖接收窗口，测量时避开叶脉等极厚的部位。每张冠层叶片测量5次，取其平均值作为该叶片的SPAD值。

最后取10张枣树冠层叶片的实测SPAD值的平均值作为该棵枣树冠层的实测SPAD值，然后将每个样区中5棵枣树冠层SPAD值的平均值作为该样区的SPAD值，将60个采样区进行随机划分，40个采样区为训练集，20个采样区为验证集（表1）。

1.4  研究方法

1.4.1  植被指数

本研究选择了14种可见光影像中常用的植被指数（表2），以无人机获取的研究区可见光影像的红、绿、蓝3个波段进行运算，构建14种可见光植被指数，进行与枣树冠层实测SPAD值的相关性计算和模型构建。

1.4.2  单变量回归模型和多元逐步回归模型

在单变量的回归模型构建中，使用单一植被指数的线性、对数、反比、二项式形式，以实测枣树冠层SPAD值为因变量进行拟合，构建基于某一可见光植被指数的单变量枣树冠层SPAD值反演模型。

在多元逐步回归模型中，优选与枣树冠层实测SPAD值相关性显著的植被指数，在SPSS中首先用单个植被指数作为自变量与地面实测枣树冠层SPAD值作因变量进行回归，依据植被指数作为自变量所对应的F统计量值，先找到第1个变量，若此时F统计量值较大（或者F的概率较小），则引入另外一个F统计量值较高（或者F的概率较低）的植被指数作为变量进行二元线性回归，以此类推。若F统计量值大于临界值，就将其引入；如果小于临界值，就将其排除，直到所有适合的植被指数变量都被引入，或者所有不满足条件的植被指数变量都被排除^[35]。

1.4.3  基于随机森林算法的回归模型

随机森林是基于众多决策树组成的集成模型，通过对每个决策树的预测求平均实现预测，同时，随机森林模型也是决策树模型的集合^[36]。为了实现对枣树冠层SPAD值数据回归建模，以植被指数为特征变量，枣树冠层SPAD值为目标变量，基于由训练集训练完成的模型，再使用验证集数据对模型进行验证，进而得出实现枣树冠层SPAD值反演的预测模型。

通过相关性分析，对可见光植被指数进行筛选，选择与枣树冠层SPAD值相关性显著的植被指数作为特征变量，进行特征重要性评价，植被指数的重要性得分高则进入模型训练，模型经多次训练，进行SPAD值的估算并制图。

1.4.4  建模效果评价及验证

选择决定系数（r²）、均方根误差（RMSE）共同作为所构建模型的评价指标，模型的对比与验证中使用r²。其中，r²取值在 0～1之间，取值越接近0，表示所构建模型的拟合及预测能力越弱或误差越大；取值越接近1，表示所构建模型的拟合及预测能力越强或误差越小，精度越高。对于RMSE，其取值越小，表示模型的预测能力越好。决定系数与均方根误差的计算公式如下：

式中：y＾_i为预测值；y_i为观测值；y为样本观测值的平均值；n为总的样本数；i为样本编号。

2  结果与分析

2.1  可见光植被指数与枣树冠层实测SPAD值的相关性分析

计算实测枣树冠层SPAD值与14种可见光植被指数间的相关性，依据0.01与0.05显著水平下的相关系数临界值（0.05显著水平的检验临界值为0.324，0.01显著水平的检验临界值为0.418），对计算的14种可见光波段植被指数进行筛选。由表3可知，绿红比值指数 （GRRI）、归一化绿红差异指数（NGRDI）、土壤调整植被指数（SAVI）与实测枣树冠层SPAD值的相关系数大于0.05显著水平下的检验临界值，通过了0.05显著水平检验，表明这3种植被指数与实测枣树冠层SPAD值的相关性较为显著。进一步筛选发现，红绿比值指数（RGRI）、超绿指数（EXG）、改进型绿红植被指数（MGRVI）、可见光波段差异植被指数（VDVI）、可见光大气阻抗植被指数（ARVI）与实测枣树冠层SPAD值的相关系数绝对值大于0.01显著水平下的检验临界值，通过了0.01显著水平检验，表明与实测枣树冠层SPAD值的相关性极显著，适宜后续建模。

通过0.05或0.01显著水平检验的植被指数中，红绿比值指数（RGRI）、超绿指数（EXG）、可见光波段差异植被指数（VDVI）、改进型绿红植被指数（MGRVI）与枣树冠层SPAD值呈负向相关关系，绿红比值指数（GRRI）、归一化绿红差异指数（NGRDI）、土壤调整植被指数（SAVI）、可见大气阻抗植被指数（ARVI）与枣树冠层SPAD值呈正向相关关系，其中红绿比值指数（RGRI）、超绿指数（EXG）、改进型绿红植被指数（MGRVI）、可见光大气阻抗植被指数（ARVI）的相关系數的绝对值均大于0.5，表明其与枣树冠层SPAD值的相关性较高，与其余的植被指数相比，超绿指数（EXG）与枣树冠层SPAD值的相关性最强（图2）。

此外，蓝绿比值指数（BGRI）、蓝红比值指数（BRRI）、归一化叶绿素比值植被指数（NPCI）、归一化绿蓝差异指数（NGBDI）、差值植被指数（DVI）、红绿蓝植被指数（RGBVI）均未通过0.05或0.01显著性水平检验，表明其与枣树冠层SPAD值的相关性并不显著。

2.2  基于优选相关性显著的植被指数构建单变量枣树冠层SPAD值预测模型

通过相关性分析发现，在0.01显著水平下，红绿比值指数（RGRI）、超绿指数（EXG）、改进型绿红植被指数（MGRVI）、可见光波段差异植被指数（VDVI）、可见光大气阻抗植被指数（ARVI）与枣树冠层SPAD值的相关性极显著，构建基于上述5种优选的植被指数的线性形式、对数形式、反比形式、二次多项式形式等4种模型与枣树冠层SPAD值的单变量回归模型。建模结果（表4）显示，基于枣树冠层SPAD值相关性显著的5种植被指数构建的各模型的决定系数（r²）在0.111～0.604之间，RMSE在1.936～3.085之间。在每一种植被指数构建的线性、对数、反比、二次多项式之间进行建模效果对比，基于红绿比值指数（RGRI）构建的单变量反演模型r²在0.469～0.515之间，RMSE在2.101～2.185之间，基于红绿比值指数（RGRI）构建的对数模型最优，二项式模型效果最差；基于超绿指数（EXG）构建的单变量反演模型r²在0.554～0.604之间，RMSE在1.936～2.057之间，基于超绿指数（EXG）构建的线性模型最优，反比模型效果最差；基于改进型绿红植被指数（MGRVI）构建的单变量反演模型r²在0.153～0.481之间，RMSE在2.284～3.085之间，基于改进型绿红植被指数（MGRVI）构建的线性模型最优，反比模型效果最差；基于可见光波段差异植被指数（VDVI）构建的单变量反演模型r²在0.508～0.597之间，RMSE在1.964～2.192之间，基于可见光波段差异植被指数（VDVI）构建的对数模型最优，反比模型效果最差；基于可见光大气阻抗植被指数（ARVI）构建的单变量反演模型r²在0.111～0.459之间，RMSE在2.341～2.962之间，基于可见光大气阻抗植被指数（ARVI）构建的二次多项式模型最优，反比模型效果最差。

综合建模效果而言，基于超绿指数（EXG）构建的单变量反演的各项模型效果较优，其次为可见光波段差异植被指数（VDVI）和红绿比值指数（RGRI），基于5种与枣树冠层SPAD值相关性极显著的植被指数构建的线性、对数、反比、二次多项式模型中，以超绿指数（EXG）构建的线性模型为单变量反演模型中效果最优的模型，r²达到0.604，RMSE为1.936。

2.3  多元逐步回归模型

基于优选相关性极显著的植被指数构建多变量枣树冠层SPAD值反演模型，以红绿比值指数、超绿指数、改进型绿红植被指数、可见光波段差异植被指数、可见光大气阻抗植被指数为自变量，采用多元逐步回归，在模型构建中，在设定的90%置信水平下逐步加入不同自变量进行回归，依据与枣树冠层SPAD值相关性绝对值的大小顺序，先引入超绿指数进行一元回归，在此基础上引入红绿比值指数多元逐步回归，依次进行，直到最后引入可见光波段差异植被指数。逐步回归的过程中，使用共线性诊断，在变量取舍中剔除可见光大气阻抗植被指数、可见光波段差异植被指数，最终得到反演枣树冠层SPAD值的多变量回归模型（表5），模型R²为0.635，RMSE为1.869，表现优于基于植被指数的单变量反演模型。

2.4  基于随机森林回归算法的枣树冠层SPAD值反演模型

以RGRI、EXG、MGRVI、VDVI、ARVI等5种与枣树冠层SPAD值相关性极显著的植被指数为自变量，进行特征重要性评价，5种植被指数的重要性得分均较高，以枣树冠层实测SPAD值为目标变量，进行随机森林算法的回归，使用随机森林算法回归的训练集结果如图3所示，基于随机森林算法的枣树冠层SPAD值反演模型结果表明，训练集的r²达到0.804，RMSE为1.317。使用训练集样本构建的模型回归效果优异，表明应用随机森林算法对枣树冠层SPAD值的回归拟合能力强。综合考虑，与使用单变量构建的线性或非线性模型相比，基于随机森林算法构建的枣树冠层SPAD值反演模型较优，同时也优于多元逐步回归模型，基于随机森林算法的枣树冠层SPAD值反演模型表现出了对实测值较高的拟合能力和较优的模型预测能力。

2.5  模型对比与验证

根据植被指数的单变量反演模型、多元逐步回归模型以及随机森林算法回归模型的建模效果，选择单变量回归模型基于红绿比值指数（RGRI）构建的对数模型、超绿指数（EXG）构建的线性模型、改进型绿红植被指数（MGRVI）构建的线性模型、可见光波段差异植被指数（VDVI）构建的对数模型、可见光大气阻抗植被指数（ARVI）构建的二次多项式模型、多元逐步回归模型[自变量分别为红绿比值植被指数（RGRI）、改进型绿红植被指数（MGRVI）、超绿指数（EXG）]、随机森林回归模型进行基于验证集样本的精度验证，结果（图4）显示，7种模型的r²在0.38～0.79之间。以植被指数构建的单变量反演模型中，基于EXG的验证精度最高，验证r²达到0.61。基于RGRI、MGRVI、EXG的多元逐步回归模型效果优于任何单一植被指数构建的单变量反演模型，r²达到0.64。以RGRI、EXG、MGRVI、VDVI、ARVI為特征变量构建的随机森林算法回归模型验证精度r²达到0.79，效果最优。

2.6  研究区SPAD值制图

根据“2.5”节中构建的模型的精度对比，基于获取的研究区可见光影像，应用随机森林模型得到基于无人机可见光影像的枣树冠层 SPAD值分布图（图5）。基于无人机最优反演模型的反演结果显示，研究区中部东、西两侧分布区域的枣树SPAD值较高，其余大部分区域枣树SPAD值在39.7～44.1之间，与地面实测SPAD值的平均值为40.1较为吻合。研究区中部东侧区域枣树SPAD值较高，同时在研究区中部西侧也有较高的枣树SPAD值区域分布，其余区域的枣树SPAD值较低，符合实际调查情况。

3  讨论

叶绿素相对含量（SPAD值）表示所测作物叶片中叶绿素的相对含量，在农业方面的相关研究已经越来越多，尤其是在稻谷、玉米、棉花、番茄、冬小麦等作物方面^{[16，18，29，37-39]}。枣树不同于小麦、水稻等农作物，它植株较为高大，株与株之间的间距过大，导致土壤背景对枣树SPAD值反演模型有影响，同时本研究的结果显示，随机森林模型展现了优良的反演能力，表明该模型在反演枣树冠层SPAD值时同样具有很好的抗干扰能力，而这也同随机森林模型在其他作物的SPAD值反演中表现出很好的抗噪能力^[19-20]一致。

坐果期作为枣树生长的一个关键生育期，采集在坐果期拍摄的枣树冠层无人机影像，研究在枣树生长的典型生育期冠层的SPAD值，可以为枣树果实生长进行针对性施肥提供调控根据，因此本研究重点探究了利用搭载在无人机上的传感器获取的RGB影像，提取植被指数，反演坐果期枣树冠层 SPAD 值的可行性，未对枣树其他生育期的SPAD值的反演进行研究，所以本研究构建的反演模型能否应用于枣树其他生育期反演冠层SPAD值有待进一步探究与验证。

本研究将枣树冠层坐果期采集的无人机可见光影像，基于可见光红、绿、蓝3个波段构建14种植被指数，以植被指数为自变量，实测枣树冠层SPAD值作因变量，构建基于植被指数的单变量、多元逐步回归模型和随机森林算法的回归模型，未来可探索基于“卫星影像-无人机低空-地面高光谱”的联合反演，即“天—空—地”协同反演，来更精确地反演枣树冠层SPAD值，基于不同尺度数据的协同反演构建更精确的反演模型。本研究作为对枣树冠层SPAD值反演的前期探索，可以给后续更多反演模型的构建提供借鉴。同时本研究也在枣树作物冠层SPAD值反演上结合无人机可见光影像做出了探索，后续可结合多源数据与不同生育期进一步提高构建的枣树冠层模型在反演时的精度与准确性。

4  结论

本研究通过无人机搭载数码相机获取研究区可见光影像，同时在地面开展枣树冠层SPAD值实测，基于优选的植被指数构建了单变量回归、多元逐步回归和随机森林回归的SPAD值估算模型，得出以下结论：RGRI、EXG、VDVI、MGRVI与枣树冠层SPAD值呈负向相关关系，GRRI、NGRDI、SAVI与枣树冠层SPAD值呈正向相关关系，EXG与枣树冠层SPAD值相关性最强。基于EXG构建的线性模型为单变量反演模型中效果最优的模型。基于RGRI、MGRVI、EXG的多元逐步回归模型效果优于任何单一植被指数构建的单变量反演模型。以RGRI、EXG、MGRVI、VDVI、ARVI为特征变量构建的随机森林算法回归模型，在各模型中效果最优。研究区中部东侧区域枣树SPAD值较高，同时在研究区中部西侧也有较高的枣树SPAD值区域分布，其余区域的枣树SPAD值较低。基于隨机森林算法的枣树冠层SPAD值反演模型表现出了对实测值较强的拟合能力，随机森林回归模型在本研究中反演枣树冠层SPAD值时展现了优良的反演能力。

参考文献：

[1]Agarwal A，Gupta S D. Assessment of spinach seedling health status and chlorophyll content by multivariate data analysis and multiple linear regression of leaf image features[J]. Computers and Electronics in Agriculture，2018，152：281-289.

[2]Xu J，Volk T，Quackenbush L，et al. Estimation of shrub willow leaf chlorophyll concentration across different growth stages using a hand-held chlorophyll meter to monitor plant health and production[J]. Biomass and Bioenergy，2021，150（1）：106132.

[3]徐晋，蒙继华. 农作物叶绿素含量遥感估算的研究进展与展望[J]. 遥感技术与应用，2016，31（1）：74-85.

[4]杨志莹，张海良，王胜，等. 盐胁迫下丁香叶绿素含量与SPAD值相关性分析[J]. 山东农业科学，2021，53（9）：8-12.

[5]尚永胜，孙思维，杨文瑾，等. 平欧杂交榛叶片叶绿素含量与SPAD值相关性研究[J]. 林业科技，2021，46（4）：15-17.

[6]尼格拉·吐尔逊，苏磊·乃比，高健，等. GWLS-SVR模型的红枣树叶片叶绿素含量估算[J]. 光谱学与光谱分析，2021，41（6）：1730-1736.

[7]刘帅兵，杨贵军，景海涛，等. 基于无人机数码影像的冬小麦氮含量反演[J]. 农业工程学报，2019，35（11）：75-85.

[8]方德濤，刘珊珊，张笑. 低空无人机遥感系统在海岛潮间带监测中的应用[J]. 北京测绘，2019，33（1）：71-75.

[9]贾慧，杨柳，郑景飚. 无人机遥感技术在森林资源调查中的应用研究进展[J]. 浙江林业科技，2018，38（4）：89-97.

[10]毛智慧，邓磊，孙杰，等. 无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究[J]. 光谱学与光谱分析，2018，38（9）：2923-2931.

[11]陈浩，冯浩，杨祯婷，等. 基于无人机多光谱遥感的夏玉米冠层叶绿素含量估计[J]. 排灌机械工程学报，2021，39（6）：622-629.

[12]乔浪，张智勇，陈龙胜，等. 基于无人机图像的玉米冠层叶绿素含量检测与分布研究[J]. 农业机械学报，2019，50（增刊）：182-186，194.

[13]刘小辉. 基于无人机影像的小麦叶绿素含量及产量定量反演研究[D]. 合肥：安徽大学，2019.

[14]奚雪，赵庚星. 基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测[J]. 中国农学通报，2020，36（20）：119-126.

[15]Mao Z H，Deng L，Duan F Z，et al. Angle effects of vegetation indices and the influence on prediction of SPAD values in soybean and maize[J]. International Journal of Applied Earth Observation and Geoinformation，2020，93：102198.

[16]马明洋，许童羽，周云成，等. 东北粳稻叶绿素相对含量的无人机高清影像检测方法[J]. 沈阳农业大学学报，2017，48（6）：757-762.

[17]Schirrmann M，Giebel A，Gleiniger F，et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing，2016，8（9）：706.

[18]孟沌超，赵静，兰玉彬，等. 基于无人机可见光影像的玉米冠层SPAD反演模型研究[J]. 农业机械学报，2020，51（增刊2）：366-374.

[19]贺英，邓磊，毛智慧，等. 基于数码相机的玉米冠层SPAD遥感估算[J]. 中国农业科学，2018，51（15）：2886-2897.

[20]王丽爱，马昌，周旭东，等. 基于随机森林回归算法的小麦叶片SPAD值遥感估算[J]. 农业机械学报，2015，46（1）：259-265.

[21]沈江龙，郑江华，尼格拉·吐尔逊，等. 若羌绿洲特色林果种植信息遥感提取方法适用性分析[J]. 中国农业资源与区划，2022，43（2）：206-219.

[22]Verrelst J，Schaepman M E，Koetz B，et al. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data[J]. Remote Sensing of Environment，2008，112（5）：2341-2353.

[23]Sellaro R，Crepy M，Trupkin S A，et al. Cryptochrome as a sensor of the blue/green ratio of natural radiation in Arabidopsis[J]. Plant Physiology，2010，154（1）：401-409.

[24]魏全全，李岚涛，任涛，等. 基于数字图像技术的冬油菜氮素营养诊断[J]. 中国农业科学，2015，48（19）：3877-3886.

[25]Jin X L，Ma J H，Wen Z D，et al. Estimation of maize residue cover using Landsat-8 OLI image spectral information and textural features[J]. Remote Sensing，2015，7（11）：14559-14575.

[26]Pe?uelas J，Gamon J A，Fredeen A L，et al. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves[J]. Remote Sensing of Environment，1994，48（2）：135-146.

[27]Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80（1）：76-87.

[28]Hunt E R，Cavigelli M，Daughtry C S T，et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]. Precision Agriculture，2005，6（4）：359-378.

[29]王方永，王克如，李少昆，等. 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量[J]. 作物学报，2010，36（11）：1981-1989.

[30]Woebbecke D M，Meyer G E，von Bargen K，et al. Color indices for weed identification under various soil，residue，and lighting conditions[J]. American Society of Agricultural Engineers，1995，38（1）：259-269.

[31]汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31（5）：152-159.

[32]Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[33]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[34]郭鈮. 植被指数及其研究进展[J]. 干旱气象，2003（4）：71-75.

[35]徐建华. 计量地理学[M]. 北京：高等教育出版社，2006.

[36]Breiman L. Random forests[J]. Machine Learning，2001，45（1）：5-32.

[37]周敏姑，邵国敏，张立元，等. 无人机多光谱遥感反演冬小麦SPAD值[J]. 农业工程学报，2020，36（20）：125-133.

[38]田军仓，杨振峰，冯克鹏，等. 基于无人机多光谱影像的番茄冠层SPAD预测研究[J]. 农业机械学报，2020，51（8）：178-188.

[39]牛庆林，冯海宽，周新国，等. 冬小麦SPAD值无人机可见光和多光谱植被指数结合估算[J]. 农业机械学报，2021，52（8）：183-194.