基于无人机多光谱影像与机器学习算法的棉花冠层叶绿素含量估算研究

赵鑫 李朝阳 王洪博 刘江凡 江文格 赵泽艺 王兴鹏 高阳

摘要：【目的】利用无人机多光谱技术监测棉花冠层叶片的叶绿素含量。【方法】通过无人机获取新疆南疆地区棉花冠层的多光谱图像，选取7种植被指数，利用7种不同的反演方法估算棉花关键生育时期花铃期的叶绿素含量，包括基于线性回归（linear regression， LR）的一元线性回归、偏最小二乘回归（partial least squares regression， PLSR）、岭回归（ridge regression， RR）、最小绝对值收敛和选择算子（least absolute shrinkage and selection operator， LASSO）回归，以及支持向量回归（support vector regression， SVR）、K近邻回歸（K nearest neighbors regression， KNNR）、随机森林回归（random forest regression， RFR）。【结果】与线性回归模型相比，RFR、SVR和KNNR算法提高了棉花冠层叶绿素含量估算模型精度，尤其是RFR算法，其模型验证集的决定系数为0.742，均方根误差为1.158 mg·L-1，相对分析误差为1.969。【结论】利用RFR机器学习方法构建的基于无人机多光谱影像的棉花冠层叶片叶绿素含量估算模型可及时、准确地判断棉花的生长状况，为棉田精准管理提供技术支撑。

关键词：无人机；多光谱；叶绿素含量；机器学习；遥感反演；棉花

Estimation of chlorophyll content in cotton canopy using UAV multispectral imagery and machine learning algorithms

Abstract： [Objective] This study aims  to monitor the chlorophyll content of cotton leaves by utilizing unmanned aerial vehicle （UAV）-based multispectral technology. [Methods] This study utilized multispectral images of cotton canopies obtained by UAV in southern Xinjiang and employed seven different machine learning methods to estimate the canopy chlorophyll content during the flowering and boll-setting stage which is the critical growth period of cotton. The seven methods include linear regression （LR）-based methods， i.e.， simple linear regression， partial least squares regression （PLSR）， ridge regression （RR）， least absolute shrinkage and selection operator （LASSO） regression， support vector regression （SVR）， K-nearest neighbors regression （KNNR）， and random forest regression （RFR）. [Results] The results showed that compared with the LR method， the RFR， SVR and KNNR can improve the accuracy of prediction model of chlorophyll content in cotton canopies， especially the RFR algorithm， which had the coefficient of determination of 0.742， root mean square error of 1.158 mg·L-1， residual predictive deviation of 1.969 with the validation dataset. [Conclusion] The use of UAV-based multispectral images with the RFR machine learning method， exhibits the most outstanding performance to estimate the chlorophyll content of cotton leaves and provide essential technical support for precision management in cotton field.

Keywords： UAV; multispectral imagery; chlorophyll content; machine learning; remote sensing inversion; cotton

叶绿素（chlorophyll）是植物进行光合作用的主要色素，在植物光合作用中起核心作用，其含量亦是评价作物长势的重要指标[1-2]。田间实测作物叶绿素含量费时费力且时效性差，而无人机（unmanned aerial vehicle， UAV）遥感技术能够实现农作物生长状况的精准快速获取[3]，并已开始用于作物叶绿素含量和长势的精准评估。

植物叶绿素含量被广泛用作作物长势与产量评估的有效指标。当前，有多种测量作物叶绿素含量的方法，常用的有分光光度计法、手持叶绿素仪器SPAD-502测定作物叶绿素相对含量（以soil and plant analyzer development，SPAD值反映叶片叶绿素含量）。随着遥感技术的发展，无损害、低成本的作物叶绿素含量评估成为可能。宋晓宇等[4]利用搭载ASTER传感器的Terra卫星遥感影像，建立了冬小麦叶片叶绿素a的反演模型。谭昌伟等[5]利用Landsat TM遥感影像反演了开花期冬小麦的SPAD值。王丽爱等[6]基于冬小麦多生育时期的HJ-1卫星影像，评价了多种机器学习算法反演SPAD值的差异。然而，卫星传感器有固定的过境日期，因此获取卫星遥感图像的灵活性并不高。

近年来，无人机遥感以其体积小、灵活、低成本、分辨率高等优势，在农田遥感领域显示出广阔的应用前景，并且已经成功应用于叶面积指数（leaf area index， LAI）、氮素含量、生物量、产量等的预测。Zheng等[7]利用无人机影像对水稻的氮浓度进行了估算研究，结果表明结合无人机纹理信息的窄带光谱指数可能是1种很有前景的作物生长监测方法。Zheng等[8]利用多光谱图像估算了冬小麦叶片氮含量，并对不同建模方法进行了评估。田明璐等[9]基于棉花花铃期的无人机高光谱影像，利用机器学习算法构建了基于线性回归（linear regression， LR）、逐步回归（stepwise regression）、偏最小二乘回归（partial least squares regression， PLSR）的SPAD值反演模型，并制作了相应的SPAD值等级分布图。田军仓等[10]基于番茄的多生育时期无人机多光谱影像，发现番茄冠层上层的叶片SPAD值与植被指数的相关性优于中层和下层，且构建了精度较高的支持向量回归（support vector regression， SVR）反演模型。周敏姑等[11]基于冬小麦多个生育时期的无人机多光谱影像，利用机器学习算法构建了多时期的主成分回归（principal component regression）、逐步回归和岭回归（ridge regression， RR）的SPAD值反演模型。

棉花生长监测在棉花种植管理和产量提升方面有着重要的作用。通过监测土壤湿度、养分含量、温度和光照等，可以优化棉花生长环境，改善棉花生长条件，促进棉花生长，提高产量并改善纤维品质。另外作物长势的精准监测对于病虫害防治、精准施肥和精量灌溉都有着重要意义。盛花期是棉花生长最快的时期，是决定棉花产量和品质的关键时期。本研究利用7种不同的机器学习算法，包括基于LR模型的一元线性回归[12]、RR[13]、最小绝对值收敛和选择算子（least absolute shrinkage and selection operator， LASSO）回归[14]、PLSR[15]，以及SVR[16]、K近邻回归（K nearest neighbors regression， KNNR）[17]和随机森林回歸（random forest regression， RFR）[18]，分析无人机成像的多光谱反射率数据，对新疆南疆植棉区棉花花铃期的叶绿素含量进行反演。通过对不同反演方法进行对比分析，为实现棉花冠层叶绿素含量高精度估算和田间智能化管理提供理论支撑。

1 材料与方法

1.1 试验区概况

田间试验在新疆阿拉尔现代农业院士专家工作站野外试验基地（40.32°N，81.17°E，海拔1 014 m）进行，试验地属大陆性暖温带、极端干旱沙漠性气候区，光热资源丰富。试验区年降水量为20～80 mm，蒸发量为2 000～3 000 mm，南疆0 ℃及以上的年平均有效积温为4 252.2 ℃。试验区位置见图1，土壤基本理化性质见表1。试验区种植的棉花品种为塔河2号，采用1膜6行种植模式[19]。

1.2 棉花冠层无人机图像获取

采用大疆M600型无人机搭载Micro-MCA Snap多光谱成像仪（Tetracam公司，美国）获取棉花冠层图像。Micro-MCA Snap多光谱相机可捕捉450～1 000 nm波段的光谱，传感器像素130万，镜头焦距9.6 mm，传感器参数见表2。获取的6个波段分别为近红外1波段（中心波长800 nm，带宽80 nm），蓝光波段（中心波长490 nm，带宽80 nm），绿光波段（中心波长550 nm，带宽70 nm），红光波段（中心波长680 nm，带宽80 nm），红边波段（中心波长720 nm，带宽100 nm），近红外2波段（中心波长900 nm，带宽140 nm）。

1.3 多光谱影像采集及光谱数据获取

1.3.1 多光谱影像采集。多光谱影像采集于2022年8月2日12：00－16：00在田间进行，此时段天空晴朗少云，视野开阔，适合无人机飞行。设置无人机飞行高度为50 m，设定航速7 m·s－1，航向和旁向图像重叠度85%。Micro-MCA Snap多光谱相机的焦距为9.6 mm，图像大小1 280×1 024，地面分辨率约4 cm。飞行前在采样区布设6个控制点，获取其全球定位系统（global positioning system， GPS）坐标，后期用于几何校正；飞行前采集白板数据用于辐射校正。

1.3.2 光谱数据获取。对无人机获取的棉花盛花期的多光谱图像，利用pix4dmapper软件对连续拍摄的照片进行拼接，得到6个单独波段的多光谱图像。利用ENVI 5.6软件进行波段合成，得到1张含有6个波段的多光谱图像，导出文件为TIF格式，用于后期处理。利用Arcgis 10.8软件对光谱图像进行裁剪，获得目标区域。对于测量的70个采样点，利用Arcgis 10.8软件提取各个采样点的光谱信息。

1.4 叶绿素含量测定

采用分光光度计法测定叶绿素含量，利用公式（1）～（3）计算叶绿素含量。在采集光谱影像的当天取样，选取每株棉花冠层倒1～3叶长势较好的叶片，取3 cm×3 cm的叶片组织（不包括叶脉）将其剪碎，取0.3 g测定叶绿素含量。使用镊子将剪碎后的叶片放入离心管中，加入95%（体积分数）的乙醇20 mL避光浸泡24 h。待叶片完全发白后，将萃取液转移至比色皿中，使用UV-1200型分光光度計测定470 nm、664.2 nm和648.6 nm波长下的吸光度，测定精度为±1 nm。为保证仪器内的热平衡，分光光度计提前预热30 min。叶绿素含量的计算公式为：

Ca＝13.36A664.2－5.19A648.6（1）

Cb＝27.43A648.6－8.12A664.2（2）

Ca+b＝5.24A664.2 ＋ 22.244A648.6 （3）

式中，A664.2和A648.6分别对应664.2 nm和648.6 nm波长的吸光度。Ca为叶绿素a含量（mg·L－1）；Cb为叶绿素b含量（mg·L－1）；Ca+b为叶绿素总含量（mg·L－1）。

1.5 植被指数

植被指数由特定波段的反射率组成，可以部分消除土壤、天气等因素的干扰，提高目标参数的灵敏度。本研究利用与作物叶绿素含量密切相关的13种植被指数（表3），建立棉花冠层叶片叶绿素含量的估算模型。

1.6 机器学习建模

利用python平台对70个样本采用7︰3分配原则，建模集49个样本、验证集21个样本，以筛选的7种植被指数为自变量、叶绿素含量为因变量。采用7种机器学习算法包括一元线性回归、RR、LASSO回归、PLSR、RFR、SVR和KNNR，构建叶绿素含量反演模型。

1.7 模型评价分析

利用决定系数（coefficient of determination， R2）、均方根误差（root mean square error， RMSE）和相对分析误差（residual predictive deviation， RPD）对棉花冠层叶片叶绿素含量估算模型进行评价。R2越接近于1，RMSE越小，表明模型效果越好。当1.4＜RPD＜2.0，说明模型具有一般预测能力，当RPD＞2.0，说明模型具有较好的预测能力。计算方法见公式（4）～（6）。

利用皮尔逊相关系数判断叶绿素含量与各植被指数的相关性，用r表示，范围为[－1， 1]，计算方法见式（7）。当r＝0时，表示2个变量之间没有线性关系；当r小于0时，表示2个变量之间呈现负相关；当r大于0时，表示2个变量之间呈现正相关。当r绝对值在（0， 0.2]为极弱相关，在（0.2， 0.4]为弱相关，在（0.4， 0.6]为中等程度相关，（0.6， 0.8]为强相关，（0.8， 1]为极强相关。本文选取相关系数绝对值大于0.4即中等程度相关以上的植被指数进行建模。

1.8 棉花冠层叶片叶绿素含量空间分布分析

将研究区目标区域经过预处理后带入最佳模型，利用ArcGis软件与Python平台进行棉花冠层叶片叶绿素含量的空间分布反演，并且制作空间分布反演图，与研究区的实际状况进行对比分析。

2 结果与分析

2.1 叶绿素含量测定

棉花花铃期冠层叶片叶绿素含量的统计描述见表4。在棉花花铃期获取70份样品，其叶绿素含量变化范围为13.75～23.28 mg·L－1，平均值为18.3 mg·L－1，标准差为2.01  mg·L－1，方差为4.07。

2.2 叶绿素含量与植被指数的相关性

选取与植物生长状况较密切的植被指数13种，利用皮尔逊相关系数分析叶绿素含量与植被指数的相关性，剔除6种与叶绿素含量极弱相关或弱相关的植被指数，选择7种与叶绿素含量强相关的植被指数用于建模。筛选的7种植被指数NDVI、RVI、NDCI、RECI、NDRE、GCI、SAVI均与叶绿素含量呈正相关关系，除NDCI与NDRE外，其余植被指数与叶绿素含量的相关系数均在0.7以上，呈现强相关性（图2）。

2.3 不同机器学习算法估算叶绿素含量模型比较

分别以NDVI、RVI、NDCI、RECI、GCI、NDRE和SAVI为因变量（y），以实测叶绿素含量为自变量（x）建立线性回归模型。结果（表5）显示：根据NDCI植被指数建立的一元线性回归模型，其建模集和验证集的R2分别为0.258和0.287，RMSE分别为1.671 mg·L－1和1.749 mg·L－1，RPD分别为1.161和1.185，模型精度低于其他植被指数，对样本的预测效果较差。基于NDVI、RVI、RECI、GCI和SAVI构建的模型精度接近。总体上一元线性回归模型的精度偏低。

根据LASSO回归、RR、PLSR、KNNR、RFR及SVR算法的叶绿素含量预测模型的估算精度结果见图3和表6。在分析的6种建模方法中，RFR模型估算叶绿素含量的效果最佳，其建模集R2为0.856、RMSE为0.709 mg·L－1、RPD为2.634，验证集R2为0.742、且RMSE最低为1.158 mg·L－1、RPD为1.969，说明该模型的稳定性和预测能力最好。KNNR与SVR模型的估测精度均低于RFR模型，KNNR模型建模集R2为0.609、RMSE为1.170 mg·L－1、RPD为1.600，验证集R2为0.722，RMSE为1.176 mg·L－1，RPD为1.899；SVR模型建模集R2为0.511、RMSE为2.634 mg·L－1、RPD为1.430，验证集R2为0.697，RMSE为1.236 mg·L－1，RPD为1.816。

LASSO回归、RR、PLSR模型的估算精度均较差，其中PLSR模型建模集R2为0.363、RMSE为1.391 mg·L－1、RPD为1.253，验证集R2为0.687、RMSE为1.364 mg·L－1、RPD为1.786；RR模型建模集R2为0.571、RMSE为1.166 mg·L－1、RPD为1.526，验证集R2为0.434、RMSE为1.838 mg·L－1、RPD为1.330；LASSO回归模型建模集R2为0.563、RMSE为1.252 mg·L－1、RPD为1.513，验证集的R2为0.436，RMSE为1.677 mg·L－1，RPD为1.331。

图3为各模型叶绿素含量实测值和预测值的分布情况，可以看出RFR模型相应建模集和验证集与y＝x函数拟合程度最高，模型预测效果最好。

2.4 随机森林回归模型反演棉花冠层叶绿素含量

基于最优模型RFR进行棉花冠层叶绿素含量反演制图，如图4所示，在棉田的不同区域其棉花冠层叶片叶绿素含量不同，叶绿素含量范围为13.273 2～21.716 5 mg·L－1。

3 讨论

叶片对不同波段的光具有不同的吸收效率和散射特性，而植被指数能够反映叶片的光谱响应特征[34]，筛选出敏感度高的植被指数能够有效提高模型的反演精度。本研究发现在花铃期棉花冠层的NDVI、RVI、NDCI、RECI、GCI、NDRE和SAVI这7种植被指数与叶绿素含量具有较好的相关性，相关系数为0.48～0.72，表明这7种植被指数对棉花冠层叶片叶绿素含量较为敏感。其中NDVI、RVI、RECI、GCI和SAVI与叶绿素含量的相关性最高，相关系数在0.7以上。这与刘江凡等[35]研究中植被指数与SPAD值相关分析的结果较为接近。王佳丽等[36]在利用光谱变量与烤烟冠层叶绿素含量进行相关分析时发现，DVI等10种植被指数与叶绿素含量呈极显著相关关系，与本研究结果存在差异，可能是采用了不同的叶绿素含量测量方法，也可能受试验区气候环境等的影响。

建模方法也是影响棉花冠层叶片叶绿素含量监测结果精度的重要因素。本研究选取植被指数作为模型的自变量，用4种线性回归模型对棉花冠层叶片叶绿素含量进行预测，结果表明，PLSR是估算叶绿素含量最好的线性回归方法（验证集R2为0.687，RMSE为1.364 mg·L－1，RPD为1.786），RR模型（验证集R2为0.434，RMSE为1.838 mg·L－1，RPD为1.330）以及LASSO回归模型（验证集R2为0.436，RMSE为1.677 mg·L－1，RPD为1.331）精度的差异不大，简单线性回归模型精度较低，但线性回归模型在其他生长参数上的应用有待验证。其他多种作物中已将线性回归模型用于叶绿素含量评估。杜晓明等[37]利用PLSR方法建立模型估测森林郁闭度，结果表明，无论是用所有变量构建的模型还是用所选最优变量构建的模型，郁闭度估测的相对偏差在5%左右。孙阳阳等[38]建立了玉米叶片叶绿素含量预测的简单线性回归模型，结果表明，利用绿峰峰值和近红外反射率均值这2个参数可在一元线性回归模型中较好地反演玉米叶片叶绿素含量。

研究构建的7种模型中，RFR模型精度最高（验证集R2为0.742，RMSE为1.158 mg·L－1，RPD为1.969），其次是KNNR模型（验证集R2为0.722，RMSE为1.176 mg·L－1，RPD为1.899），而SVR模型（验证集R2为0.697，RMSE为1.236 mg·L－1，RPD为1.816）精度较低，但优于线性回归模型。随机森林算法能够解决一些非线性问题，并且不用做特征选择，在随机森林算法中，泛化误差使用的是无偏估计，模型泛化能力强[39]；而SVR模型须对4个参数（核函数、C值軟间隔参数、高斯函数、类别权重参数）进行调整，在一定程度上限制了模型精度的优化，从而可能影响模型的预测效果。相比于RFR与SVR，KNNR本身简单有效，分类器不需要使用训练集进行训练，因此，KNNR分类的计算复杂程度与样本数量成正比[33]。在本研究中，由于样本数量较少，所以相对来说模型预测不算困难，具有很好的预测效果。Chen等[40]利用多种机器学习模型去估算不同生育时期的冬小麦植株氮浓度，结果表明SVR和RFR模型均可以达到较高的估算精度。贺英等[41]通过无人机获取玉米开花期可见光影像，使用SAVI对图像进行分割，基于分割前后的影像提取15种可见光植被指数，并建立了单一变量回归、多变量逐步回归与RFR的SPAD反演模型，结果表明RFR模型精度最高（R2为0.824 7，RMSE为4.3）。Zheng等[8]研究表明，基于无人机遥感估算冬小麦氮素营养指数的RFR模型的精度最好，与本研究模型结果一致。综上所述，采用机器学习的随机森林方法估算棉花花铃期冠层叶绿素含量的效果最好。

前人研究多是基于植被指数模型对不同作物不同生育时期的生长指标进行估算，而有研究表明，采用基于植被指数与纹理特征相结合的模型对生物生长的生理指标预测具有较好的效果[42]。本研究仅仅选取棉花花铃期单一生育时期进行分析，相比于其他研究，样本数量少，因此，后续反演模型优化将增加不同生育时期和样本数据量，利用植被指数和纹理特征相结合的方法，进一步提高模型的精度。

4 结论

采用无人机多光谱技术，利用7种方法估算南疆地区棉花花铃期的冠层叶片叶绿素含量。结果表明，这7种方法中随机森林回归估算叶绿素含量的效果最好，其验证集R2高达0.742，且RMSE最低，为1.158 mg·L－1。本研究可为进一步将光谱数据应用于作物精准管理提供理论支撑。

参考文献：

[1] 张伏， 张亚坤， 毛鹏军， 等. 植物叶绿素测量方法研究现状及发展[J/OL]. 农机化研究， 2014， 36（4）： 238-241[2023-09-10]. https：//doi.org/10.13427/j.cnki.njyi.2014.04.057.

Zhang Fu， Zhang Yakun， Mao Pengjun， et al. Current status and development of plant chlorophyll measurement methods[J/OL]. Agricultural Mechanization Research， 2014， 36（4）： 238-241[2023-09-10]. https：//doi.org/10.13427/j.cnki.njyi.2014.04.057.

[2] Hrtensteiner S， Krutler B. Chlorophyll breakdown in higher plants[J/OL]. Biochimica et Biophysica Acta-Bioenergetics， 2011， 1807（8）： 977-988[2023-09-10]. https：//doi.org/10.1016/j.bbabio.2010.12.007.

[3] 陈仲新， 任建强， 唐华俊， 等. 农业遥感研究应用进展与展望[J/OL]. 遥感学报， 2016， 20（5）： 748-767[2023-09-10]. https：//doi.org/10.11834/jrs.20166214.

Chen Zhongxin， Ren Jianqiang， Tang Huajun， et al. Progress and prospects of agricultural remote sensing research and application[J/OL]. Journal of Remote Sensing， 2016， 20（5）： 748-767[2023-09-10]. https：//doi.org/10.11834/jrs.20166214.

[4] 宋曉宇， 黄文江， 王纪华， 等. ASTER卫星遥感影像在冬小麦品质监测方面的初步应用[J/OL]. 农业工程学报， 2006， 22（9）： 148-153[2023-09-10]. https：//doi.org/10.3321/j.issn：1002-6819.2006.09.030.

Song Xiaoyu， Huang Wenjiang， Wang Jihua， et al. Preliminary application of ASTER satellite remote sensing images in winter wheat quality monitoring[J/OL]. Journal of Agricultural Engineering， 2006， 22（9）： 148-153[2023-09-10]. https：//doi.org/10.3321/j.issn：1002-6819.2006.09.030.

[5] 谭昌伟， 王纪华， 赵春江， 等. 利用Landsat TM遥感数据监测冬小麦开花期主要长势参数[J/OL]. 农业工程学报， 2011， 27（5）： 224-230[2023-09-10]. https：//doi.org/10.3969/j.issn.1002-6819.2011.05.040.

Tan Changwei， Wang Jihua， Zhao Chunjiang， et al. Monitoring the main growth parameters of winter wheat during flowering using Landsat TM remote sensing data[J/OL]. Journal of Agricultural Engineering， 2011， 27（5）： 224-230[2023-09-10]. https：//doi.org/10.3969/j.issn.1002-6819.2011.05.040.

[6] 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/OL]. 农业机械学报， 2015， 46（1）： 259-265[2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2015.01.036.

Wang Li'ai， Ma Chang， Zhou Xudong， et al. Remote sensing estimation of SPAD values in wheat leaves based on random forest regression algorithm[J/OL]. Journal of Agricultural Machinery， 2015， 46（1）： 259-265[2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2015.01.036.

[7] Zheng H， Cheng T， Li D， et al. Combining unmanned aerial vehicle （UAV）-based multispectral imagery and ground-based hyperspectral data for plant nitrogen concentration estimation in rice[J/OL]. Frontiers in Plant Science， 2018， 9： 936[2023-09-10]. https：//doi.org/10.3389Apls.2018.00936.

[8] Zheng H， Li W， Jiang J， et al. A comparative assessment of different modeling algorithms for estimating leaf nitrogen content in winter wheat using multispectral images from an unmanned aerial vehicle[J/OL]. Remote Sensing， 2018， 10： 2026[2023-09-10]. https：//doi.org/10.3390/rs10122026.

[9] 田明璐， 班松涛， 常庆瑞， 等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J/OL]. 農业机械学报， 2016， 47（11）： 285-293[2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2016.11.039.

Tian Minglu， Ban Songtao， Chang Qingrui， et al. Cotton chlorophyll content inversion based on drone imaging spectrometer data[J/OL]. Journal of Agricultural Machinery， 2016， 47（11）： 285-293[2023-09-10]. https：//doi.org//10.6041/j.issn.1000-1298.2016.11.039.

[10] 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/OL]. 农业机械学报， 2020， 51（8）： 178-188[2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2020.08.020.

Tian Juncang， Yang Zhenfeng， Feng Kepeng， et al. Prediction of tomato canopy SPAD based on unmanned aerial vehicle multispectral images[J/OL]. Journal of Agricultural Machinery， 2020， 51（8）： 178-188[2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2020.08.020

[11] 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/OL]. 农业工程学报， 2020， 36（20）： 125-133[2023-09-10]. https：//doi.org/10.11975/j.issn.1002-6819.2020.20.015.

Zhou Mingu， Shao Guomin， Zhang Liyuan， et al. Inversion of SPAD values of winter wheat using unmanned aerial vehicle multispectral remote sensing[J/OL]. Journal of Agricultural Engineering， 2020， 36（20）： 125-133[2023-09-10]. https：//doi.org/10.11975/j.issn.1002-6819.2020.20.015.

[12] 鲁铁定， 陶本藻， 周世健. 一元整体线性回归模型解算[J/OL]. 西安科技大学学报， 2009（2）： 200-204[2023-09-10]. https：//doi.org/10.3969/j.issn.1672-9315.2009.02.016.

Lu Tieding， Tao Benzao， Zhou Shijian. Solution of a univariate global linear regression model[J/OL]. Journal of Xian University of Science and Technology， 2009（2）： 200-204[2023-09-10]. https：//doi.org/10.3969/j.issn.1672-9315.2009.02.016.

[13] Hoerl A E， Kennard R W. Ridge regression： applications to nonorthogonal problems[J/OL]. Technometrics， 1970， 12（1）： 69-82[2023-09-10]. https：//doi.org/10.1080/00401706.10488635.

[14] Tibshirani R. Regression shrinkage and selection via the Lasso[J/OL]. Journal of the Royal Statistical Society： Series B （Statistical Methodology）， 1996， 58（1）： 267-288[2023-09-10]. https：//doi.org/10.1111/j.2517-6161.1996.tb02080.x.

[15] Wold S， Sj？觟str？觟m M， Eriksson L. PLS-regression： a basic tool of chemometrics[J/OL]. Chemometrics Intelligent Laboratory Systems， 2001， 58： 109-130[2023-09-10]. https：//doi.org/10.1016/s0169-7439（01）00155-1.

[16] Breiman L. Random forests[M/OL]//Random Forests with R. Cham： Springer， 2020： 33-35[2023-09-10]. https：//doi.org/10.1007/978-3-030-56485-83.

[17] Karatzoglou A， Smola A， Hornik K， et al. Kernlab—an S4 package for kernel methods in R[J/OL]. Journal of Statistical Software， 2004， 11： 1-20[2023-09-10]. https：//doi.org/10.18637/jss.v011.i09.

[18] Abedi F， Amirian-Chakan A， Faraji M， et al. Salt dome related soil salinity in southern Iran： prediction and mapping with averaging machine learning models[J/OL]. Land Degradation & Development， 2020， 32（3）： 1540-1554[2023-09-10]. https：//doi.org/10.1002/ldr.3811.

[19] 樊凯. 基于气象信息指导南疆膜下滴灌棉花灌溉的试验研究[D]. 北京： 中国农业科学院， 2019.

Fan Kai. Experimental study on cotton irrigation under film drip irrigation in southern Xinjiang based on meteorological information guidance[D]. Beijing： Chinese Academy of Agricultural Sciences， 2019.

[20] Rouse J W Jr， Haas R H， Deering D W， et al. Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation[R/OL]. （1974-11-01）[2023-09-10]. https：//ntrs.nasa.gov/citations/19750020419.

[21] Schuerger A C， Capelle G A， Di Benedetto J A， et al. Comparison of two hyperspectral imaging and two laser-induced fluorescence instruments for the detection of zinc stress and chlorophyll content in bahia grass （Paspalum notatum Flugge.）[J/OL]. Remote Sensing of Environment， 2003， 84（4）： 572-588[2023-09-10]. https：//doi.org/10.1016/s0034-4257（02）00181-5.

[22] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J/OL]. Ecology， 1969， 50（4）： 663-666[2023-09-10]. https：//doi.org/10.2307/1936256.

[23] 陳浩， 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.

Chen Hao， Feng Hao， Yang Zhenting， et al. Estimation of chlorophyll content in summer maize canopy based on unmanned aerial vehicle multispectral remote sensing[J]. Journal of Drainage and Irrigation Machinery Engineering， 2021， 39（6）： 622-629.

[24] Gitelson A A， Kaufman Y J， Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J/OL]. Remote Sensing of Environment， 1996， 58（3）： 289-298[2023-09-10]. https：//doi.org/10.1016/s0034-4257（96）00072-7.

[25] 潘鑫， 杨子， 杨荧宝. 基于高分6号卫星遥感图像的太湖叶绿素a质量浓度反演[J/OL]. 河海大学学报（自然科学版）， 2021， 49（1）： 50-56[2023-09-10]. https：//doi.org/10.3876/j.issn.1000-1980.2021.01.008.

Pan Xin， Yang Zi， Yang Yingbao. Retrieval of chlorophyll-a mass concentration in the Taihu Lake based on Gaofen 6 satellite remote sensing image[J/OL] Journal of Hohai University （Natural Sciences）， 2021， 49（1）： 50-56[2023-09-10]. https：//doi.org/10.3876/j.issn.1000-1980.2021.01.008.

[26] Gitelson A， Vina A， Cigand A， et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters， 2005， 32（8）： 403-406.

[27] Nguy-Robertson A， Gitelson A， Peng Y， et al. Green leaf area index estimation in maize and soybean： combining vegetation indices to achieve maximal sensitivity[J/OL]. Agronomy Journal， 2012， 104（5）： 1336-1347[2023-09-10]. https：//doi.org/10.2134/agronj2012.0065.

[28] Nguy-Robertson A L， Peng Y， Gitelson A A， et al. Estimating green LAI in four crops： potential of determining optimal spectral bands for a universal algorithm[J/OL]. Agricultural & Forest Meteorology， 2014， 192： 140-148[2023-09-10]. https：//doi.org/10.1016/j.agrformet.2015.08.193.

[29] Lin S， Li J， Liu Q， et al. Evaluating the effectiveness of using vegetation indices based on red-edge reflectance from Sentinel-2 to estimate gross primary productivity[J/OL]. Remote Sensing， 2019， 11（11）： 1303[2023-09-10]. https：//doi.org/10.3390/rs11111303.

[30] Vincini M， Frazzi E， DAlessio P. A broad-band leaf chlorophyll vegetation index at the canopy scale[J/OL]. Precision Agriculture， 2008， 9： 303-319[2024-01-23]. https：//doi.org/10.1007/s11119-008-9075-z.

[31] Broge N H， Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J/OL]. Remote Sensing of Environment， 2001， 76： 156-172[2023-09-10]. https：//doi.org/10.1016/s0034-4257（00）00197-8.

[32] Huete A R. A soil-adjusted vegetation index （SAVI）[J/OL]. Remote Sensing of Environment， 1988， 25（3）： 295-309[2023-09-10]. https：//doi.org/10.1016/0034-4257（88）90106-x.

[33] Verstraete M M， Pinty B， Myneni R B. Potential and limitations of information extraction on the terrestrial biosphere from satellite remote sensing[J/OL]. Remote Sensing of Environment， 1996， 58（2）： 201-214[2023-09-10]. https：//doi.org/10.1016/s0034-4257（96）00069-7.

[34] Gao M Y， Zhang J S， Pan Y Z， et al. Inversion of leaf area index of winter wheat by combining vegetation index and crop height[J]. China Agricultural Resources and Zoning， 2020， 41（8）： 49-57.

[35] 劉江凡， 赵泽艺， 李朝阳， 等. 基于无人机多光谱遥感的苹果树冠层SPAD反演[J]. 排灌机械工程学报， 2024： 1-7.

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， 2024： 1-7.

[36] 王佳丽， 蒯雁， 杨成伟， 等. 基于无人机多光谱的烤烟冠层叶绿素含量反演[J]. 江苏农业科学， 2023： 1-7.

Wang Jiali， Kuai Yan， Yang Chengwei， et al. Estimation of flue-cured tobacco canopy chlorophyll content based on UAV multispectral[J]. Jiangsu Agricultural Sciences， 2023： 1-7.

[37] 杜晓明， 蔡体久， 琚存勇. 采用偏最小二乘回归方法估测森林郁闭度[J/OL]. 应用生态学报， 2008， 19（2）： 273-277[2023-09-10]. https：//doi.org/10.13287/j.1001-9332.2008.0110.

Du Xiaoming， Cai Tijiu， Ju Cunyong. Estimation of forest canopy density using partial least squares regression method[J/OL]. Journal of Applied Ecology， 2008， 19（2）： 273-277[2023-09-10]. https：//doi.org/10.13287/j.1001-9332.2008.0110.

[38] 孙阳阳， 汪国平， 杨可明， 等. 玉米叶绿素含量高光谱反演的线性模型研究[J/OL]. 山东农业科学， 2015， 47（7）： 117-121[2023-09-10]. https：//doi.org/10.14083/jssn.1001-4942.2015.07.027.

Sun Yangyang， Wang Guoping， Yang Keming， et al. Study on a linear model for hyperspectral inversion of maize chlorophyll content[J/OL]. Shandong Agricultural Science， 2015， 47（7）： 117-121[2023-09-10]. https：//doi.org/10.14083/jssn.1001-4942.2015.07.027.

[39] 陈晓凯， 李粉玲， 王玉娜， 等. 无人机高光谱遥感估算冬小麦叶面积指数[J/OL]. 农业工程学报， 2020， 36（22）： 40-49[2023-09-10]. http：//doi.org/10.11975/j.issn.1002-6819.2020.22.005.

Chen Xiaokai， Li Fenling， Wang Yuna， et al. Estimation of winter wheat leaf area index based on UAV hyperspectral remote sensing[J/OL]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36： 40-49[2023-09-10]. http：//doi.org/10.11975/j.issn.1002-6819.2020.22.005.

[40] Chen X， Li F， Shi B， et al. Estimation of winter wheat plant nitrogen concentration from UAV hyperspectral remote sensing combined with machine learning methods[J/OL]. Remote Sensing， 2023， 15（11）： 2831[2023-09-10]. https：//doi.org/10.3390/RS15112831.

[41] 賀英， 邓磊， 毛智慧， 等. 基于数码相机的玉米冠层SPAD遥感估算[J/OL]. 中国农业科学， 2018， 51（15）： 2886-2897[2023-09-10]. https：//doi.org/10.3864/j.issn.0578-1752.2018.15.005.

He Ying， Deng Lei， Mao Zhihui， et al. Remote sensing estimation of canopy SPAD value for maize based on digital camera[J/OL]. Scientia Agricultura Sinica， 2018， 51（15）： 2886-2897[2023-09-10]. https：//doi.org/10.3864/j.issn.0578-1752.2018.15.005.

[42] 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/OL]. 农业机械学报， 2019， 50（S1）： 182-186， 194[2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2019.S0.028.

Qiao Lang， Zhang Zhiyong， Chen Longsheng， et al. Detection and distribution of chlorophyll content in maize canopy based on drone images[J/OL]. Journal of Agricultural Machinery， 2019， 50（S1）： 182-186， 194 [2023-09-10]. https：//doi.org/10.6041/j.issn.1000-1298.2019.S0.028.