王永東 尼格拉·吐爾遜 鄭江華 巴日斯 王蕾

摘要：以坐果期棗樹為研究對象，利用無人機可見光影像，對田間尺度的棗樹冠層SPAD值進行監(jiān)測，基于14種植被指數(shù)與棗樹冠層實測SPAD值的相關(guān)性，優(yōu)選植被指數(shù)構(gòu)建單變量回歸、多元逐步回歸和隨機森林回歸的棗樹冠層SPAD值估算模型，以期探討無人機可見光遙感影像估算棗樹冠層SPAD值的可行性。通過相關(guān)性分析發(fā)現(xiàn)，紅綠比值指數(shù)（RGRI）、超綠指數(shù)（EXG）、改進型綠紅植被指數(shù)（MGRVI）、可見光波段差異植被指數(shù)（VDVI）、可見光大氣阻抗植被指數(shù)（ARVI）與棗樹冠層SPAD值的相關(guān)性極顯著，其中EXG與棗樹冠層SPAD值的相關(guān)系數(shù)達到-0.578?；跅棙涔趯覵PAD值的相關(guān)性極顯著的5種植被指數(shù)構(gòu)建的單變量反演模型的r²在0.111～0.604之間，RMSE在1.936～3.085之間。其中，以EXG構(gòu)建的線性模型為單變量反演模型中效果最優(yōu)的模型，r²達到0.604，RMSE為1.936?；赗GRI、MGRVI、EXG協(xié)同構(gòu)建的多元逐步回歸模型效果優(yōu)于任何單一植被指數(shù)構(gòu)建的單變量反演模型，R²達到0.635。與使用單變量構(gòu)建的線性或非線性模型相比，基于隨機森林算法構(gòu)建的棗樹冠層SPAD值反演模型效果最佳，其r²達到0.804，RMSE為1.317?；陔S機森林算法的棗樹冠層SPAD值反演模型表現(xiàn)出了對實測值較高的擬合能力和較優(yōu)的模型預(yù)測能力，表現(xiàn)出了對棗樹特殊種植結(jié)構(gòu)比較健壯的反演能力，以及對土壤等背景因素的抗干擾能力。研究結(jié)果為低空遙感監(jiān)測林果長勢和健康評估提供了技術(shù)支撐。

關(guān)鍵詞：無人機；棗樹冠層；可見光；SPAD值；植被指數(shù)；反演模型；隨機森林算法

中圖分類號：S127? 文獻標(biāo)志碼：A

文章編號：1002-1302（2024）06-0206-09

收稿日期：2023-05-22

基金項目：新疆大學(xué)橫向科研項目（編號：2020670007）。

作者簡介：王永東（1997—），男，甘肅定西人，碩士研究生，主要從事遙感技術(shù)應(yīng)用與農(nóng)業(yè)遙感研究。E-mail：wyd1997@stu.xju.edu.cn。

通信作者：鄭江華，博士，教授，主要從事干旱區(qū)環(huán)境遙感與生態(tài)評價研究。E-mail：zheng _ jianghua@126.com。

一般而言，作物越健康，其葉綠素含量越高^[1-2]。通過探測作物葉片中的葉綠素含量可獲知其健康情況^[3]。在無損獲取待測作物葉片葉綠素含量方面，手持式葉綠素計（SPAD-502Plus）因其攜帶便捷、測量速度快、測量準(zhǔn)確等優(yōu)勢，已經(jīng)作為越來越多相關(guān)研究的測定儀器，并且其測量的作物葉片的SPAD值與化學(xué)等方法獲取的作物葉片葉綠素含量具有顯著相關(guān)性，可以使用SPAD值表征作物葉綠素含量^[4-6]。

近年來，隨著無人機的普遍應(yīng)用^[7-9]，攜帶高光譜、多光譜及數(shù)碼相機的低空遙感平臺在對于田間尺度或特定農(nóng)作物的葉綠素相對含量獲取方面的研究和應(yīng)用越來越廣泛^[10-13]，已有研究多數(shù)集中于冬小麥、玉米、水稻等農(nóng)作物^[14-15]。如馬明洋等以東北粳稻為研究對象，對使用無人機獲取的高清數(shù)字影像反演 SPAD值的可行性和方法展開了研究^[16]。Schirrmann等應(yīng)用無人機獲取的RGB圖像對小麥冠層葉綠素相對含量等生物和化學(xué)指標(biāo)進行了研究，并建立各指標(biāo)含量與光譜指數(shù)的回歸模型^[17]。孟沌超等使用無人機拍攝的不同生育期的玉米RGB 影像，對植被指數(shù)以及紋理特征分別做了針對性研究，定量分析了玉米 SPAD值^[18]。賀英等同樣以玉米為研究對象，基于無人機數(shù)碼相機獲取的RGB影像進行冠層SPAD值反演模型構(gòu)建，結(jié)果表明隨機森林回歸模型效果較好^[19]。王麗愛等同樣使用隨機森林回歸算法，研究確認該方法可以實現(xiàn)對小麥葉片SPAD值的遙感估算^[20]。這些研究為本研究提供了技術(shù)參考。

與此同時，少有研究關(guān)注林果等作物，就監(jiān)測層面而言，冬小麥、玉米、水稻等農(nóng)作物密植，與之不同的是，棗樹植株高大且具有較大種植間距，棗樹植株之間，甚至枝條之間，間雜裸土，這種監(jiān)測對象的種植結(jié)構(gòu)方面的差異是否會對監(jiān)測產(chǎn)生干擾，有必要進行研究。同時在受到裸土等背景因素的干擾后基于植被指數(shù)的單變量、多變量、隨機森林算法能否有效地反演棗樹冠層的SPAD值，有待進一步研究。因此，本研究關(guān)注新疆若羌棗樹，探討利用無人機可見光遙感影像監(jiān)測并反演棗樹冠層SPAD值的可行性，以期實現(xiàn)基于可見光影像的棗樹冠層SPAD值的快速、初步監(jiān)測，為后續(xù)特色林果種植業(yè)冠層SPAD值更精確地反演和試驗設(shè)計提供前期探索和借鑒。

1? 研究區(qū)概況與研究方法

1.1? 研究區(qū)概況

研究區(qū)地處新疆若羌縣（86°45′～93°45′E，36°00′～41°23′N），屬暖溫帶大陸性荒漠干旱氣候^[6]，年平均氣溫12 ℃，年平均降水量約37 mm，歷史上的“樓蘭古國”曾位于此，夏季常有揚塵或沙塵暴發(fā)生^[21]。研究區(qū)位于若羌縣鐵干里克鄉(xiāng)一塊典型的棗樹示范種植園（圖1）。

1.2? 無人機數(shù)據(jù)獲取與處理

本研究中所用無人機為大疆PHANTOM4 Pro v2.0四旋翼，攜帶一體式云臺相機，相機使用1英寸CMOS圖像傳感器，鏡頭焦距8.8 mm。無人機獲取數(shù)據(jù)的日期為2021年7月，選擇晴朗、微風(fēng)的天氣進行，拍攝時間在北京時間11：30—12：30之間，航高50 m，無人機設(shè)定為自動巡航模式，航向重疊度為 80%，旁向重疊度為 75%，設(shè)置飛行航線4條，對整個研究區(qū)進行了全覆蓋航拍。在無人機獲取航拍數(shù)據(jù)的同時在地面同步開展棗樹冠層SPAD值測量工作。對獲取的無人機數(shù)據(jù)使用PIX4D軟件進行影像拼接處理，生成研究區(qū)正射影像圖。

1.3? 棗樹冠層SPAD值獲取與樣區(qū)設(shè)置

棗樹冠層SPAD值獲取日期為2021年7月（坐果期），無人機航拍的同時，在地面使用SPAD-502Plus葉綠素計測量棗樹冠層葉片中的SPAD值。在研究區(qū)劃分出60個采樣區(qū)，每個采樣區(qū)為10 m×10 m，在每個采樣區(qū)的四角與中心共選取5棵棗樹測量其冠層SPAD值，在每棵棗樹冠層的東南西北及中心頂部，共5個方向，每個方向摘取2張冠層葉片，1棵棗樹共摘取10張冠層葉片。對于每片棗樹冠層葉片，SPAD-502Plus葉綠素計測量的面積只有6 mm²（2 mm×3 mm），測量中心線指示棗樹冠層葉片測量區(qū)域的中心，將需要測量的棗樹冠層葉片插入測量探頭的樣品槽，確保葉片完全遮蓋接收窗口，測量時避開葉脈等極厚的部位。每張冠層葉片測量5次，取其平均值作為該葉片的SPAD值。

最后取10張棗樹冠層葉片的實測SPAD值的平均值作為該棵棗樹冠層的實測SPAD值，然后將每個樣區(qū)中5棵棗樹冠層SPAD值的平均值作為該樣區(qū)的SPAD值，將60個采樣區(qū)進行隨機劃分，40個采樣區(qū)為訓(xùn)練集，20個采樣區(qū)為驗證集（表1）。

1.4? 研究方法

1.4.1? 植被指數(shù)

本研究選擇了14種可見光影像中常用的植被指數(shù)（表2），以無人機獲取的研究區(qū)可見光影像的紅、綠、藍3個波段進行運算，構(gòu)建14種可見光植被指數(shù)，進行與棗樹冠層實測SPAD值的相關(guān)性計算和模型構(gòu)建。

1.4.2? 單變量回歸模型和多元逐步回歸模型

在單變量的回歸模型構(gòu)建中，使用單一植被指數(shù)的線性、對數(shù)、反比、二項式形式，以實測棗樹冠層SPAD值為因變量進行擬合，構(gòu)建基于某一可見光植被指數(shù)的單變量棗樹冠層SPAD值反演模型。

在多元逐步回歸模型中，優(yōu)選與棗樹冠層實測SPAD值相關(guān)性顯著的植被指數(shù)，在SPSS中首先用單個植被指數(shù)作為自變量與地面實測棗樹冠層SPAD值作因變量進行回歸，依據(jù)植被指數(shù)作為自變量所對應(yīng)的F統(tǒng)計量值，先找到第1個變量，若此時F統(tǒng)計量值較大（或者F的概率較?。?，則引入另外一個F統(tǒng)計量值較高（或者F的概率較低）的植被指數(shù)作為變量進行二元線性回歸，以此類推。若F統(tǒng)計量值大于臨界值，就將其引入；如果小于臨界值，就將其排除，直到所有適合的植被指數(shù)變量都被引入，或者所有不滿足條件的植被指數(shù)變量都被排除^[35]。

1.4.3? 基于隨機森林算法的回歸模型

隨機森林是基于眾多決策樹組成的集成模型，通過對每個決策樹的預(yù)測求平均實現(xiàn)預(yù)測，同時，隨機森林模型也是決策樹模型的集合^[36]。為了實現(xiàn)對棗樹冠層SPAD值數(shù)據(jù)回歸建模，以植被指數(shù)為特征變量，棗樹冠層SPAD值為目標(biāo)變量，基于由訓(xùn)練集訓(xùn)練完成的模型，再使用驗證集數(shù)據(jù)對模型進行驗證，進而得出實現(xiàn)棗樹冠層SPAD值反演的預(yù)測模型。

通過相關(guān)性分析，對可見光植被指數(shù)進行篩選，選擇與棗樹冠層SPAD值相關(guān)性顯著的植被指數(shù)作為特征變量，進行特征重要性評價，植被指數(shù)的重要性得分高則進入模型訓(xùn)練，模型經(jīng)多次訓(xùn)練，進行SPAD值的估算并制圖。

1.4.4? 建模效果評價及驗證

選擇決定系數(shù)（r²）、均方根誤差（RMSE）共同作為所構(gòu)建模型的評價指標(biāo)，模型的對比與驗證中使用r²。其中，r²取值在 0～1之間，取值越接近0，表示所構(gòu)建模型的擬合及預(yù)測能力越弱或誤差越大；取值越接近1，表示所構(gòu)建模型的擬合及預(yù)測能力越強或誤差越小，精度越高。對于RMSE，其取值越小，表示模型的預(yù)測能力越好。決定系數(shù)與均方根誤差的計算公式如下：

式中：y＾_i為預(yù)測值；y_i為觀測值；y為樣本觀測值的平均值；n為總的樣本數(shù)；i為樣本編號。

2? 結(jié)果與分析

2.1? 可見光植被指數(shù)與棗樹冠層實測SPAD值的相關(guān)性分析

計算實測棗樹冠層SPAD值與14種可見光植被指數(shù)間的相關(guān)性，依據(jù)0.01與0.05顯著水平下的相關(guān)系數(shù)臨界值（0.05顯著水平的檢驗臨界值為0.324，0.01顯著水平的檢驗臨界值為0.418），對計算的14種可見光波段植被指數(shù)進行篩選。由表3可知，綠紅比值指數(shù) （GRRI）、歸一化綠紅差異指數(shù)（NGRDI）、土壤調(diào)整植被指數(shù)（SAVI）與實測棗樹冠層SPAD值的相關(guān)系數(shù)大于0.05顯著水平下的檢驗臨界值，通過了0.05顯著水平檢驗，表明這3種植被指數(shù)與實測棗樹冠層SPAD值的相關(guān)性較為顯著。進一步篩選發(fā)現(xiàn)，紅綠比值指數(shù)（RGRI）、超綠指數(shù)（EXG）、改進型綠紅植被指數(shù)（MGRVI）、可見光波段差異植被指數(shù)（VDVI）、可見光大氣阻抗植被指數(shù)（ARVI）與實測棗樹冠層SPAD值的相關(guān)系數(shù)絕對值大于0.01顯著水平下的檢驗臨界值，通過了0.01顯著水平檢驗，表明與實測棗樹冠層SPAD值的相關(guān)性極顯著，適宜后續(xù)建模。

通過0.05或0.01顯著水平檢驗的植被指數(shù)中，紅綠比值指數(shù)（RGRI）、超綠指數(shù)（EXG）、可見光波段差異植被指數(shù)（VDVI）、改進型綠紅植被指數(shù)（MGRVI）與棗樹冠層SPAD值呈負向相關(guān)關(guān)系，綠紅比值指數(shù)（GRRI）、歸一化綠紅差異指數(shù)（NGRDI）、土壤調(diào)整植被指數(shù)（SAVI）、可見大氣阻抗植被指數(shù)（ARVI）與棗樹冠層SPAD值呈正向相關(guān)關(guān)系，其中紅綠比值指數(shù)（RGRI）、超綠指數(shù)（EXG）、改進型綠紅植被指數(shù)（MGRVI）、可見光大氣阻抗植被指數(shù)（ARVI）的相關(guān)系數(shù)的絕對值均大于0.5，表明其與棗樹冠層SPAD值的相關(guān)性較高，與其余的植被指數(shù)相比，超綠指數(shù)（EXG）與棗樹冠層SPAD值的相關(guān)性最強（圖2）。

此外，藍綠比值指數(shù)（BGRI）、藍紅比值指數(shù)（BRRI）、歸一化葉綠素比值植被指數(shù)（NPCI）、歸一化綠藍差異指數(shù)（NGBDI）、差值植被指數(shù)（DVI）、紅綠藍植被指數(shù)（RGBVI）均未通過0.05或0.01顯著性水平檢驗，表明其與棗樹冠層SPAD值的相關(guān)性并不顯著。

2.2? 基于優(yōu)選相關(guān)性顯著的植被指數(shù)構(gòu)建單變量棗樹冠層SPAD值預(yù)測模型

通過相關(guān)性分析發(fā)現(xiàn)，在0.01顯著水平下，紅綠比值指數(shù)（RGRI）、超綠指數(shù)（EXG）、改進型綠紅植被指數(shù)（MGRVI）、可見光波段差異植被指數(shù)（VDVI）、可見光大氣阻抗植被指數(shù)（ARVI）與棗樹冠層SPAD值的相關(guān)性極顯著，構(gòu)建基于上述5種優(yōu)選的植被指數(shù)的線性形式、對數(shù)形式、反比形式、二次多項式形式等4種模型與棗樹冠層SPAD值的單變量回歸模型。建模結(jié)果（表4）顯示，基于棗樹冠層SPAD值相關(guān)性顯著的5種植被指數(shù)構(gòu)建的各模型的決定系數(shù)（r²）在0.111～0.604之間，RMSE在1.936～3.085之間。在每一種植被指數(shù)構(gòu)建的線性、對數(shù)、反比、二次多項式之間進行建模效果對比，基于紅綠比值指數(shù)（RGRI）構(gòu)建的單變量反演模型r²在0.469～0.515之間，RMSE在2.101～2.185之間，基于紅綠比值指數(shù)（RGRI）構(gòu)建的對數(shù)模型最優(yōu)，二項式模型效果最差；基于超綠指數(shù)（EXG）構(gòu)建的單變量反演模型r²在0.554～0.604之間，RMSE在1.936～2.057之間，基于超綠指數(shù)（EXG）構(gòu)建的線性模型最優(yōu)，反比模型效果最差；基于改進型綠紅植被指數(shù)（MGRVI）構(gòu)建的單變量反演模型r²在0.153～0.481之間，RMSE在2.284～3.085之間，基于改進型綠紅植被指數(shù)（MGRVI）構(gòu)建的線性模型最優(yōu)，反比模型效果最差；基于可見光波段差異植被指數(shù)（VDVI）構(gòu)建的單變量反演模型r²在0.508～0.597之間，RMSE在1.964～2.192之間，基于可見光波段差異植被指數(shù)（VDVI）構(gòu)建的對數(shù)模型最優(yōu)，反比模型效果最差；基于可見光大氣阻抗植被指數(shù)（ARVI）構(gòu)建的單變量反演模型r²在0.111～0.459之間，RMSE在2.341～2.962之間，基于可見光大氣阻抗植被指數(shù)（ARVI）構(gòu)建的二次多項式模型最優(yōu)，反比模型效果最差。

綜合建模效果而言，基于超綠指數(shù)（EXG）構(gòu)建的單變量反演的各項模型效果較優(yōu)，其次為可見光波段差異植被指數(shù)（VDVI）和紅綠比值指數(shù)（RGRI），基于5種與棗樹冠層SPAD值相關(guān)性極顯著的植被指數(shù)構(gòu)建的線性、對數(shù)、反比、二次多項式模型中，以超綠指數(shù)（EXG）構(gòu)建的線性模型為單變量反演模型中效果最優(yōu)的模型，r²達到0.604，RMSE為1.936。

2.3? 多元逐步回歸模型

基于優(yōu)選相關(guān)性極顯著的植被指數(shù)構(gòu)建多變量棗樹冠層SPAD值反演模型，以紅綠比值指數(shù)、超綠指數(shù)、改進型綠紅植被指數(shù)、可見光波段差異植被指數(shù)、可見光大氣阻抗植被指數(shù)為自變量，采用多元逐步回歸，在模型構(gòu)建中，在設(shè)定的90%置信水平下逐步加入不同自變量進行回歸，依據(jù)與棗樹冠層SPAD值相關(guān)性絕對值的大小順序，先引入超綠指數(shù)進行一元回歸，在此基礎(chǔ)上引入紅綠比值指數(shù)多元逐步回歸，依次進行，直到最后引入可見光波段差異植被指數(shù)。逐步回歸的過程中，使用共線性診斷，在變量取舍中剔除可見光大氣阻抗植被指數(shù)、可見光波段差異植被指數(shù)，最終得到反演棗樹冠層SPAD值的多變量回歸模型（表5），模型R²為0.635，RMSE為1.869，表現(xiàn)優(yōu)于基于植被指數(shù)的單變量反演模型。

2.4? 基于隨機森林回歸算法的棗樹冠層SPAD值反演模型

以RGRI、EXG、MGRVI、VDVI、ARVI等5種與棗樹冠層SPAD值相關(guān)性極顯著的植被指數(shù)為自變量，進行特征重要性評價，5種植被指數(shù)的重要性得分均較高，以棗樹冠層實測SPAD值為目標(biāo)變量，進行隨機森林算法的回歸，使用隨機森林算法回歸的訓(xùn)練集結(jié)果如圖3所示，基于隨機森林算法的棗樹冠層SPAD值反演模型結(jié)果表明，訓(xùn)練集的r²達到0.804，RMSE為1.317。使用訓(xùn)練集樣本構(gòu)建的模型回歸效果優(yōu)異，表明應(yīng)用隨機森林算法對棗樹冠層SPAD值的回歸擬合能力強。綜合考慮，與使用單變量構(gòu)建的線性或非線性模型相比，基于隨機森林算法構(gòu)建的棗樹冠層SPAD值反演模型較優(yōu)，同時也優(yōu)于多元逐步回歸模型，基于隨機森林算法的棗樹冠層SPAD值反演模型表現(xiàn)出了對實測值較高的擬合能力和較優(yōu)的模型預(yù)測能力。

2.5? 模型對比與驗證

根據(jù)植被指數(shù)的單變量反演模型、多元逐步回歸模型以及隨機森林算法回歸模型的建模效果，選擇單變量回歸模型基于紅綠比值指數(shù)（RGRI）構(gòu)建的對數(shù)模型、超綠指數(shù)（EXG）構(gòu)建的線性模型、改進型綠紅植被指數(shù)（MGRVI）構(gòu)建的線性模型、可見光波段差異植被指數(shù)（VDVI）構(gòu)建的對數(shù)模型、可見光大氣阻抗植被指數(shù)（ARVI）構(gòu)建的二次多項式模型、多元逐步回歸模型[自變量分別為紅綠比值植被指數(shù)（RGRI）、改進型綠紅植被指數(shù)（MGRVI）、超綠指數(shù)（EXG）]、隨機森林回歸模型進行基于驗證集樣本的精度驗證，結(jié)果（圖4）顯示，7種模型的r²在0.38～0.79之間。以植被指數(shù)構(gòu)建的單變量反演模型中，基于EXG的驗證精度最高，驗證r²達到0.61?；赗GRI、MGRVI、EXG的多元逐步回歸模型效果優(yōu)于任何單一植被指數(shù)構(gòu)建的單變量反演模型，r²達到0.64。以RGRI、EXG、MGRVI、VDVI、ARVI為特征變量構(gòu)建的隨機森林算法回歸模型驗證精度r²達到0.79，效果最優(yōu)。

2.6? 研究區(qū)SPAD值制圖

根據(jù)“2.5”節(jié)中構(gòu)建的模型的精度對比，基于獲取的研究區(qū)可見光影像，應(yīng)用隨機森林模型得到基于無人機可見光影像的棗樹冠層 SPAD值分布圖（圖5）?；跓o人機最優(yōu)反演模型的反演結(jié)果顯示，研究區(qū)中部東、西兩側(cè)分布區(qū)域的棗樹SPAD值較高，其余大部分區(qū)域棗樹SPAD值在39.7～44.1之間，與地面實測SPAD值的平均值為40.1較為吻合。研究區(qū)中部東側(cè)區(qū)域棗樹SPAD值較高，同時在研究區(qū)中部西側(cè)也有較高的棗樹SPAD值區(qū)域分布，其余區(qū)域的棗樹SPAD值較低，符合實際調(diào)查情況。

3? 討論

葉綠素相對含量（SPAD值）表示所測作物葉片中葉綠素的相對含量，在農(nóng)業(yè)方面的相關(guān)研究已經(jīng)越來越多，尤其是在稻谷、玉米、棉花、番茄、冬小麥等作物方面^{[16，18，29，37-39]}。棗樹不同于小麥、水稻等農(nóng)作物，它植株較為高大，株與株之間的間距過大，導(dǎo)致土壤背景對棗樹SPAD值反演模型有影響，同時本研究的結(jié)果顯示，隨機森林模型展現(xiàn)了優(yōu)良的反演能力，表明該模型在反演棗樹冠層SPAD值時同樣具有很好的抗干擾能力，而這也同隨機森林模型在其他作物的SPAD值反演中表現(xiàn)出很好的抗噪能力^[19-20]一致。

坐果期作為棗樹生長的一個關(guān)鍵生育期，采集在坐果期拍攝的棗樹冠層無人機影像，研究在棗樹生長的典型生育期冠層的SPAD值，可以為棗樹果實生長進行針對性施肥提供調(diào)控根據(jù)，因此本研究重點探究了利用搭載在無人機上的傳感器獲取的RGB影像，提取植被指數(shù)，反演坐果期棗樹冠層 SPAD 值的可行性，未對棗樹其他生育期的SPAD值的反演進行研究，所以本研究構(gòu)建的反演模型能否應(yīng)用于棗樹其他生育期反演冠層SPAD值有待進一步探究與驗證。

本研究將棗樹冠層坐果期采集的無人機可見光影像，基于可見光紅、綠、藍3個波段構(gòu)建14種植被指數(shù)，以植被指數(shù)為自變量，實測棗樹冠層SPAD值作因變量，構(gòu)建基于植被指數(shù)的單變量、多元逐步回歸模型和隨機森林算法的回歸模型，未來可探索基于“衛(wèi)星影像-無人機低空-地面高光譜”的聯(lián)合反演，即“天—空—地”協(xié)同反演，來更精確地反演棗樹冠層SPAD值，基于不同尺度數(shù)據(jù)的協(xié)同反演構(gòu)建更精確的反演模型。本研究作為對棗樹冠層SPAD值反演的前期探索，可以給后續(xù)更多反演模型的構(gòu)建提供借鑒。同時本研究也在棗樹作物冠層SPAD值反演上結(jié)合無人機可見光影像做出了探索，后續(xù)可結(jié)合多源數(shù)據(jù)與不同生育期進一步提高構(gòu)建的棗樹冠層模型在反演時的精度與準(zhǔn)確性。

4? 結(jié)論

本研究通過無人機搭載數(shù)碼相機獲取研究區(qū)可見光影像，同時在地面開展棗樹冠層SPAD值實測，基于優(yōu)選的植被指數(shù)構(gòu)建了單變量回歸、多元逐步回歸和隨機森林回歸的SPAD值估算模型，得出以下結(jié)論：RGRI、EXG、VDVI、MGRVI與棗樹冠層SPAD值呈負向相關(guān)關(guān)系，GRRI、NGRDI、SAVI與棗樹冠層SPAD值呈正向相關(guān)關(guān)系，EXG與棗樹冠層SPAD值相關(guān)性最強?；贓XG構(gòu)建的線性模型為單變量反演模型中效果最優(yōu)的模型?；赗GRI、MGRVI、EXG的多元逐步回歸模型效果優(yōu)于任何單一植被指數(shù)構(gòu)建的單變量反演模型。以RGRI、EXG、MGRVI、VDVI、ARVI為特征變量構(gòu)建的隨機森林算法回歸模型，在各模型中效果最優(yōu)。研究區(qū)中部東側(cè)區(qū)域棗樹SPAD值較高，同時在研究區(qū)中部西側(cè)也有較高的棗樹SPAD值區(qū)域分布，其余區(qū)域的棗樹SPAD值較低。基于隨機森林算法的棗樹冠層SPAD值反演模型表現(xiàn)出了對實測值較強的擬合能力，隨機森林回歸模型在本研究中反演棗樹冠層SPAD值時展現(xiàn)了優(yōu)良的反演能力。

參考文獻：

[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]徐晉，蒙繼華. 農(nóng)作物葉綠素含量遙感估算的研究進展與展望[J]. 遙感技術(shù)與應(yīng)用，2016，31（1）：74-85.

[4]楊志瑩，張海良，王勝，等. 鹽脅迫下丁香葉綠素含量與SPAD值相關(guān)性分析[J]. 山東農(nóng)業(yè)科學(xué)，2021，53（9）：8-12.

[5]尚永勝，孫思維，楊文瑾，等. 平歐雜交榛葉片葉綠素含量與SPAD值相關(guān)性研究[J]. 林業(yè)科技，2021，46（4）：15-17.

[6]尼格拉·吐爾遜，蘇磊·乃比，高健，等. GWLS-SVR模型的紅棗樹葉片葉綠素含量估算[J]. 光譜學(xué)與光譜分析，2021，41（6）：1730-1736.

[7]劉帥兵，楊貴軍，景海濤，等. 基于無人機數(shù)碼影像的冬小麥氮含量反演[J]. 農(nóng)業(yè)工程學(xué)報，2019，35（11）：75-85.

[8]方德濤，劉珊珊，張笑. 低空無人機遙感系統(tǒng)在海島潮間帶監(jiān)測中的應(yīng)用[J]. 北京測繪，2019，33（1）：71-75.

[9]賈慧，楊柳，鄭景飚. 無人機遙感技術(shù)在森林資源調(diào)查中的應(yīng)用研究進展[J]. 浙江林業(yè)科技，2018，38（4）：89-97.

[10]毛智慧，鄧?yán)?，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）：2923-2931.

[11]陳浩，馮浩，楊禎婷，等. 基于無人機多光譜遙感的夏玉米冠層葉綠素含量估計[J]. 排灌機械工程學(xué)報，2021，39（6）：622-629.

[12]喬浪，張智勇，陳龍勝，等. 基于無人機圖像的玉米冠層葉綠素含量檢測與分布研究[J]. 農(nóng)業(yè)機械學(xué)報，2019，50（增刊）：182-186，194.

[13]劉小輝. 基于無人機影像的小麥葉綠素含量及產(chǎn)量定量反演研究[D]. 合肥：安徽大學(xué)，2019.

[14]奚雪，趙庚星. 基于無人機多光譜遙感的冬小麥葉綠素含量反演及監(jiān)測[J]. 中國農(nóng)學(xué)通報，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]馬明洋，許童羽，周云成，等. 東北粳稻葉綠素相對含量的無人機高清影像檢測方法[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報，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，趙靜，蘭玉彬，等. 基于無人機可見光影像的玉米冠層SPAD反演模型研究[J]. 農(nóng)業(yè)機械學(xué)報，2020，51（增刊2）：366-374.

[19]賀英，鄧?yán)?，毛智慧，? 基于數(shù)碼相機的玉米冠層SPAD遙感估算[J]. 中國農(nóng)業(yè)科學(xué)，2018，51（15）：2886-2897.

[20]王麗愛，馬昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農(nóng)業(yè)機械學(xué)報，2015，46（1）：259-265.

[21]沈江龍，鄭江華，尼格拉·吐爾遜，等. 若羌綠洲特色林果種植信息遙感提取方法適用性分析[J]. 中國農(nóng)業(yè)資源與區(qū)劃，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，李嵐?jié)螡?，? 基于數(shù)字圖像技術(shù)的冬油菜氮素營養(yǎng)診斷[J]. 中國農(nóng)業(yè)科學(xué)，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，F(xiàn)redeen 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. 利用數(shù)碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J]. 作物學(xué)報，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]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報，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. 植被指數(shù)及其研究進展[J]. 干旱氣象，2003（4）：71-75.

[35]徐建華. 計量地理學(xué)[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，邵國敏，張立元，等. 無人機多光譜遙感反演冬小麥SPAD值[J]. 農(nóng)業(yè)工程學(xué)報，2020，36（20）：125-133.

[38]田軍倉，楊振峰，馮克鵬，等. 基于無人機多光譜影像的番茄冠層SPAD預(yù)測研究[J]. 農(nóng)業(yè)機械學(xué)報，2020，51（8）：178-188.

[39]牛慶林，馮海寬，周新國，等. 冬小麥SPAD值無人機可見光和多光譜植被指數(shù)結(jié)合估算[J]. 農(nóng)業(yè)機械學(xué)報，2021，52（8）：183-194.