基于無人機高光譜影像的馬鈴薯株高和地上生物量估算

劉 楊 馮海寬 黃 玨 孫 乾 楊福芹 楊貴軍

(1.北京農業信息技術研究中心農業農村部農業遙感機理與定量遙感重點實驗室， 北京 100097;2.山東科技大學測繪科學與工程學院， 青島 266590; 3.國家農業信息化工程技術研究中心， 北京 100097;4.河南工程學院土木工程學院， 鄭州 451191)

0 引言

馬鈴薯作為我國主要農作物之一，其長勢監測和產量預測關系到國家糧食安全，因此快速、無損、高精度的馬鈴薯定量監測至關重要。地上生物量(Above-ground biomass，AGB)和株高H是重要的農學參數[1]，與作物的光合作用相關，一般用于評定作物生長情況、估算作物產量以及評價田間管理效益[2-4]。近年來，通過遙感技術能夠高效、實時地對作物AGB進行監測。然而，利用衛星和航空遙感技術雖能大面積獲取作物表型參數，但易受到天氣影響，限制了其在精準農業中的推廣應用[5]。

無人機遙感技術的發展，使現代化農業進入定量化[6]。無人機搭載的數碼相機和多光譜相機含有波段數量少，無法獲取作物冠層充足的光譜信息，阻礙了對作物表型參數進行多波段研究[7-9]。高光譜遙感光譜分辨率較高，可以獲得大量的光譜信息，能夠更精確地提取與作物長勢相關的光譜波段。因此無人機高光譜技術能夠更好地監測作物的生長情況[10]。國內外許多學者對高光譜技術進行了大量研究，文獻[11]利用無人機高光譜數據，將葉面積指數、葉片葉綠素含量、植株氮含量、AGB、植株水分含量等5個指標按照均等權重構建綜合指標，通過多種光譜指數采用偏最小二乘回歸(Partial least square regression, PLSR)方法構建綜合指標模型，結果表明，綜合指標與光譜指數的相關性更高、反演效果更好。文獻[12]獲取了大豆5個生育期的高光譜影像，采用PLSR方法估算大豆產量，結果表明，取樣光譜空間長、寬與小區總長、寬比例介于4.25∶5和4.5∶5之間時，估算精度最高(R2=0.81)。文獻[13]基于無人機高光譜影像，結合光譜指數和PLSR方法估測引黃灌區水稻葉片全氮含量，結果表明，以738 nm和522 nm波長處一階光譜導數組合構成的比值光譜指數(Ratio spectral index，RSI)估測水稻全氮含量精度最高(R2=0.67)。文獻[14]基于無人機高光譜影像，分別以光譜指數、作物株高及二者融合構建冬小麥AGB模型，結果表明，融合變量效果優于單一變量估測效果。文獻[15]利用高光譜影像、2DRGB影像以及3D作物表面模型估算LAI，并進行驗證，結果表明，基于RGB的影像估算效果較差，而通過高光譜影像和作物表面模型的估算效果較好。文獻[16]利用高光譜數據，對混合型作物采用PROSPECT+SAIL模型反演LAI，R2達到0.82。以上研究大多將光譜指數作為自變量，通過構建模型來估算水稻葉片氮素含量、大豆產量和小麥AGB，而通過高光譜影像結合地面控制點(Ground control point,GCP)生成數字表面模型(Digital surface model，DSM)進行株高提取，并融入光譜指數來估算AGB的研究較少。

本文以馬鈴薯為研究對象，首先進行株高提取和最優光譜指數篩選，然后分別將實測株高、提取株高和最優光譜指數與馬鈴薯AGB進行單變量分析，各生育期采用3種建模方法以光譜指數和光譜指數加入估測株高為輸入變量來估算馬鈴薯的AGB，以期進一步提高馬鈴薯AGB的估算精度。

1 材料與方法

1.1 研究區域與試驗設計

馬鈴薯試驗于2019年3—7月在北京市昌平區小湯山鎮國家精準農業研究示范基地進行。該區域位于北緯40°10′34″，東經116°26′39″，平均海拔為36 m，氣候類型為暖溫帶半濕潤大陸性季風氣候，年均降水量為640 mm，年均溫度為10℃，年均無霜期180 d。試驗設計為小區隨機試驗，試驗品種為中薯5(P1)和中薯3(P2)，均為早熟馬鈴薯品種，試驗田共計48個小區，每個小區面積為6.5 m×5 m。共設密度試驗區(T區)、氮素試驗區(N區)、鉀肥試驗區(K區)3個試驗區，每種試驗重復3次，每種重復進行不同程度的密度、氮素和鉀肥處理，其中密度設置3種水平(T1: 60 000株/hm2、T2: 72 000株/hm2、T3: 84 000株/hm2)，氮素設置4種水平(N0: 0 kg/hm2、N1: 244.65 kg/hm2、N2: 489.15 kg/hm2(正常處理，15 kg純氮)、N3: 733.5 kg/hm2)，鉀肥設置3種水平(K0: 0 kg/hm2、K1: 970.5 kg/hm2(T區和N區均為K1處理)、K2: 1 941 kg/hm2)。為了更好地獲取試驗田的DSM，本試驗在試驗小區周圍均勻布控11個地面控制點(k1～k11，由0.3 m×0.3 m的木板和埋于地下的木樁組成，其上有黑白標志的塑料板，目的是準確確定木板的中心位置)，并用差分GPS測定其三維空間位置，詳細試驗設計見圖1。

1.2 地面數據獲取

分別獲取馬鈴薯現蕾期(2019年5月13日)、塊莖形成期(2019年5月28日)、塊莖增長期(2019年6月10日)、淀粉積累期(2019年6月20日)和成熟期(2019年7月3日)5個關鍵時期的馬鈴薯株高和AGB數據。其中馬鈴薯株高的觀測方法為：在每個小區選取能夠代表整體長勢水平的4棵植株，分別用直尺測量從莖基到葉頂端的距離，取其平均高度代表該小區的實測馬鈴薯株高。馬鈴薯AGB通過收獲法獲取，在每個小區選取代表長勢水平的3棵植株，將其莖葉分離，隨后用清水洗凈，105℃殺青，80℃干燥至質量恒定再進行稱量。將植株莖和葉的干質量求和得到樣本干質量，最后通過樣本干質量和種植密度得到每個小區的馬鈴薯AGB[17]。

1.3 無人機高光譜數據獲取與處理

利用無人機搭載UHD185型機載成像光譜儀(Cubert，德國)分別獲取裸土期(2019年4月20日)至成熟期高光譜影像。該光譜儀尺寸為195 nm×67 nm×60 nm，質量470 g，波段范圍為450～950 nm，共有125個光譜通道，采樣間隔4 nm，光譜分辨率8 nm，數字分辨率12位。選擇晴朗無云天氣進行拍攝，飛行時刻為12:00，此時太陽光照強度穩定，無人機的飛行高度為50 m。無人機遙感作業與地面數據獲取同步進行，起飛前，需要利用黑白板進行輻射校正，同時作業時各時期的飛行航線保持一致。

無人機獲取的高光譜數據處理主要包括幾何校正、影像拼接、影像融合和光譜提取4部分。拼接前，完成由影像數字值(Digital number，DN)到地表反射率的輻射定標。首先挑選出航帶內的灰度影像和地面11個GCP導入到PhotoScan軟件中，利用GCP的三維坐標信息進行幾何校正，生成密集點云進而完成影像拼接；其次通過Cubert-Pilot軟件，進行高光譜與灰度影像融合；最后在Arcmap 10.2軟件中，繪制馬鈴薯每個小區矢量數據，基于IDL語言統計每個小區平均光譜作為馬鈴薯冠層光譜，得到高光譜反射率數據。

1.4 高光譜指數的選取

高光譜指數就是將植被指數(Vegetation index，VI)以高光譜不同波段的反射率進行一定方式的組合，用來降低或者消除背景信息對作物冠層光譜的影響[18]。根據以往研究成果，本文選取20種高光譜指數對馬鈴薯AGB進行監測，具體名稱和計算公式見表1。

表1 高光譜指數及計算公式Tab.1 Hyperspectral indexes and calculation equation

1.5 分析方法

利用試驗田的灰度影像結合GCP借助PhotoScan軟件生成試驗田的數字表面模型，通過將馬鈴薯不同生育期的數字表面模型DSMi(i=1，2，3，4，5)與播種后至出苗前裸土時期的數字表面模型DSM0作差，得到相應生育期馬鈴薯的株高Hdsm。

采用MLR、PLSR和RF估算馬鈴薯AGB。使用MLR構建AGB模型時，在回歸建模中同時使用多個自變量組合來預測因變量，同時要求自變量與因變量之間有較好的相關性。PLSR是MLR的一種全新表達方式，能夠消除自變量之間的共線性問題，從而使模型僅用較少自變量來估測因變量。RF是一種機器學習方法，通過bootstrap取樣方式進行多次取樣形成訓練集，利用決策樹組合方式進行預測因變量。本文輸入數據為光譜指數、光譜指數和Hdsm融合參數，輸出結果為馬鈴薯地上生物量。

1.6 精度評價

本文對每個生育期分別挑選2/3樣本數據(32個，重復1和重復2)作為建模集，1/3樣本數據(16個，重復3)作為驗證集，以此來構建馬鈴薯地上生物量估算模型。將采用決定系數(Coefficient of determination,R2)、均 方 根 誤 差(Root mean square error, RMSE)、標準均方根誤差(Normalized root mean square error, NRMSE)評價模型精度。R2越接近1、RMSE和NRMSE越低，其估測模型的精度就越高。

2 結果與分析

2.1 馬鈴薯株高提取

利用Arcmap 10.2軟件基于矢量數據提取出每個試驗小區的平均株高，5個生育期共得到240個馬鈴薯平均株高數據，將提取的株高與馬鈴薯株高實測值進行線性擬合，R2為0.84，RMSE為6.85 cm，NRMSE為15.67%，其值處于10%～20%之間，說明提取的馬鈴薯株高精度較高，能夠較好地估測馬鈴薯地上生物量。

2.2 光譜參數篩選

2.2.1原始光譜敏感波長篩選

為篩選出與馬鈴薯地上生物量相關性最好的原始光譜波長，通過Pearson相關性分析得到不同生育期馬鈴薯冠層原始光譜與地上生物量的相關性，結果如圖2所示。現蕾期，在波段454～714 nm和742～914 nm范圍內，地上生物量與原始光譜分別呈極顯著負相關和正相關(P<0.01)，相關性最好的波長分別為674 nm和778 nm，它們的相關系數分別為-0.679和0.478。塊莖形成期，在波段558～698 nm和726～950 nm范圍內，地上生物量與原始光譜分別呈極顯著負相關和正相關(P<0.01)，相關性最好的波長分別為630 nm和766 nm，其相關系數分別為-0.438和0.633。塊莖增長期，在波段454～702 nm和718～950 nm范圍內，AGB與原始光譜波長呈極顯著負相關和正相關(P<0.01)，相關性最好的波長分別為610 nm和886 nm，它們的相關系數分別為-0.718和0.713。淀粉積累期，在波段454～702 nm和714～950 nm波段范圍內，地上生物量與原始光譜波長呈極顯著負相關和正相關(P<0.01)，相關性最好的波長為482 nm和746 nm，相關系數分別為-0.701和0.756。成熟期，在波段602～710 nm和914～950 nm范圍內，地上生物量與原始光譜呈正相關和負相關(P<0.01)，相關性最好的波長為694 nm和950 nm，相關系數分別為0.251和-0.405。

2.2.2高光譜指數篩選

將馬鈴薯5個生育時期的高光譜指數與地上生物量進行相關性分析，分析結果如表2所示。現蕾期，除了TCARI指數與地上生物量達到顯著水平(P<0.05)外，剩余高光譜指數均與地上生物量達到極顯著水平(P<0.01)，其中相關性最好的光譜指數為MSR，相關系數為0.678。塊莖形成期，所有光譜指數與地上生物量均達到極顯著水平，其中相關性最好的光譜指數為PSRI，相關系數為-0.727。塊莖增長期，所有光譜指數的相關性較前兩個時期都高，其與地上生物量均達到極顯著水平，其中相關性最好的光譜指數為CIrededge，相關系數為0.747。淀粉積累期，除了MCARI_MTVI2指數與地上生物量不相關外，其余指數均與地上生物量達到極顯著水平，其中相關性最好的光譜指數為SPVI，相關系數為0.756。成熟期，所有光譜指數相關性比前4期都低，這與馬鈴薯自身生長狀況有關，僅有PSRI和GI光譜指數與地上生物量達到極顯著水平，MCARI_MTVI2 、MTVI2、TVI、CIrededge、MCARI2、NDVIcanste、TCARI、DVI、OSAVI等光譜指數與地上生物量達到顯著水平，其中相關性最好的光譜指數為PSRI，相關系數為0.396。

表2 5個生育期的高光譜指數與地上生物量的相關系數Tab.2 Correlation coefficient of hyperspectral index and above-ground biomass in bud period, tuber form period, tuber grow period, starch store period and maturity period

2.2.3敏感波段與光譜指數確定

為了盡可能避免各指數之間的共線性，將各個變量相關系數絕對值按從大到小排序，篩選出各生育期與地上生物量相關性較高的前10個光譜指數，其結果如表3所示。綜合5個生育期相關性排名前10的光譜指數與地上生物量的相關性可知，現蕾期、塊莖形成期、塊莖增長期和淀粉積累期相關性均達到極顯著水平，相關系數絕對值均不小于0.642，成熟期達到顯著水平，相關系數絕對值均不小于0.304；其次這些參數中包含了紅邊波段，能夠排除較多環境因素的影響，符合選取的要求[17]。

表3 排名前10的光譜指數的相關系數絕對值Tab.3 Correlation coefficient absolute value of top 10 spectral parameters

2.3 馬鈴薯地上生物量估算模型

2.3.1單變量模型

每個生育期將株高、最優光譜指數作為自變量利用ER構建馬鈴薯地上生物量估算模型，并計算每個生育期各模型的評價指標，其結果見表4。由表4可知，每個生育期以最優光譜指數、H、Hdsm為變量的模型效果存在差異，建模和驗證效果優劣依次為最優光譜指數、Hdsm和H，其中每個生育期同種變量驗證集R2比建模集R2大，而RMSE和NRMSE小，則驗證模型精度較高，穩定性較強。就不同生育期而言，現蕾期和成熟期各模型的建模和驗證R2較低，RMSE和NRMSE較高，以不同變量構建的地上生物量估算模型較差，而通過最優光譜指數估算地上生物量的精度高于H和Hdsm，模型效果較佳。塊莖形成期，以3種變量構建的不同模型建模集和驗證集R2高于現蕾期和成熟期，RMSE和NRMSE低于這2個生育期，綜合分析，地上生物量預測效果優于現蕾期和成熟期，同樣是以最優光譜指數得到的模型效果最優。塊莖增長期，建模集和驗證集各模型R2較高，RMSE和NRMSE較低，相比其他生育期，此生育期構建的模型效果最好，預測地上生物量的精度最高，其中依然是以最優光譜指數CIrededge為變量估算地上生物量的效果最好，建模集和驗證集的R2分別為0.45和0.48；RMSE分別為229.01 kg/hm2和218.76 kg/hm2；NRMSE分別為19.19%和17.89%。淀粉積累期，各模型精度相較于塊莖增長期有所降低，得到的模型效果開始變差，但最優光譜指數構建的模型精度依然最高，模型穩定性最強。通過對比分析5個生育期建模集和驗證集的結果，各生育期以同種變量估算地上生物量，塊莖增長期表現結果最優，其次是塊莖形成期和淀粉積累期，最后是現蕾期和成熟期。

表4 株高和最優光譜指數估測馬鈴薯地上生物量的回歸分析Tab.4 Regression analysis of plant height and optimal spectral parameters estimated potato AGB

2.3.2多變量模型

通過單變量模型分析可知，每個生育期的Hdsm預測地上生物量的精度高于H，因此將Hdsm與表3選取的前10個光譜指數一起作為模型輸入變量，利用MLR、PLSR、RF模型分別構建馬鈴薯5個生育期的地上生物量估算模型，并驗證各模型精度，從而選出最優估算模型，各模型的精度評價指標見表5、6。由表5、6可知，每個生育期通過3種方法以VIs+Hdsm為模型因子估算地上生物量時，建模集和驗證集的R2比僅以VIs為模型因子高，而RMSE和NRMSE較低，地上生物量預測效果更好。

表5 各生育期以不同模型變量估測馬鈴薯地上生物量的建模分析Tab.5 Modeling analysis of estimation potato AGB based on different model variables at different growth stages

表6 各生育期以不同模型變量估測馬鈴薯地上生物量的驗證分析Tab.6 Verification analysis of estimation potato AGB based on different model variables at different growth stages

不同生育期通過3種方法得到的模型效果差異明顯，現蕾期和成熟期建模集和驗證集R2相較于其他生育期較低，RMSE和NRMSE較高，預測地上生物量效果較差，而加入Hdsm時，建模集和驗證集R2提高，RMSE和NRMSE降低，模型精度得到改善。塊莖形成期，以3種方法構建各模型的建模集和驗證集R2高于現蕾期和成熟期，RMSE和NRMSE卻低于這2生育期，預測地上生物量的效果變好，同樣加入Hdsm為因子的模型精度較高，穩定性較強。塊莖增長期，相比其他生育期，建模和驗證R2最高，RMSE和NRMSE最低，構建的模型效果最好，預測AGB精度最高，同樣加入Hdsm的模型效果優于單一VIs模型。淀粉積累期，各模型建模集和驗證集R2較上一期變低，RMSE和NRMSE變高，預測地上生物量效果開始變差，仍然是加入Hdsm的模型效果較優。綜合分析5個生育期通過3種方法以2種變量構建的各模型精度評價指標可知，每個生育期以同種方法同種變量構建的模型效果在塊莖增長期最優，其次為塊莖形成期和淀粉積累期，而現蕾期和成熟期表現結果最差。對比分析3種方法構建的模型可知，各生育期基于MLR以Hdsm+VIs構建的模型效果最優(R2為0.64、0.70、0.79、0.68、0.63)，基于PLSR構建的模型次之(R2為0.62、0.68、0.75、0.67、0.60)，基于RF構建的模型最差(R2為0.56、0.61、0.67、0.63、0.53)，其中在塊莖增長期，以Hdsm+VIs為變量構建的模型效果達到最佳，基于MLR、PLSR和RF的地上生物量模型建模集R2分別為0.79、0.75和0.67；RMSE分別為161.54、206.22、212.89 kg/hm2；NRMSE分別為11.43%、13.78%和15.35%，驗證集R2分別為0.85、0.83和0.70；RMSE分別為132.23、144.87、189.73 kg/hm2；NRMSE分別為9.39%、10.35%和13.15%。

2.3.3基于MLR模型的地上生物量空間分布

對比各生育期馬鈴薯地上生物量估算模型，最后采用MLR模型以VIs+Hdsm為變量的模型估算馬鈴薯5個生育期的地上生物量，制作出地上生物量的空間分布圖，結果如圖3所示。由圖3可知，馬鈴薯生長過程中，地上生物量呈現先上升后下降的趨勢，這與馬鈴薯的生長特性一致。現蕾期，馬鈴薯莖葉開始生長，總體上地上生物量值偏低，而此時研究區域中部地上生物量要比邊緣部分高，這與對小區澆水施肥管理和馬鈴薯自身生長有關；塊莖形成期，馬鈴薯地上莖葉和地下塊莖增長并進，每個小區地上生物量較上一生育期變大且地上生物量高值分布區域開始向邊緣擴散；塊莖增長期，是馬鈴薯生長最快的時期，此時莖葉生長基本完成，光合作用變強，有機物不斷積累，同比其他4個生育期而言，地上生物量達到最大，每個小區地上生物量空間分布最為均勻；淀粉積累期，馬鈴薯地上莖葉停止生長，但其同化有機物不斷向地下塊莖輸送，造成地上莖葉開始枯萎，因此每個小區地上生物量同比低于前一期，而研究區域東半部較西半部枯萎嚴重，主要與馬鈴薯的品種對氮肥和鉀肥的需求有關；成熟期，試驗區域的馬鈴薯地上莖葉基本枯黃，此時每個小區的地上生物量最低，而且N區氮素正交試驗在此時期表現更為明顯。通過對馬鈴薯地上生物量進行填圖顯示，可以更直觀地掌握馬鈴薯生長周期狀況以及對每個生育期的施肥追肥和水分供給實施有效管理。

3 討論

本文進行株高提取時，并沒有通過采用作物表面模型(Crop surface model，CSM)進行克里金插值法提取株高，主要是因為馬鈴薯以壟的形式進行種植，壟也存在一定的高度，進行基準面插值運算時忽略了其高度。基于此，文中利用高光譜灰度影像結合GCP，通過Photoscan軟件生成試驗區的DSM，提取了每個生育期的Hdsm，并將其與5個生育期的240個實測株高進行了對比，其R2達到0.84，表明利用GCP進行株高提取具有較高的精度。本文提取的株高與實測值整體偏低，主要因為馬鈴薯實測株高的冠層空間結構小，在進行三維重建時可能被當作噪聲去除，從而導致馬鈴薯冠層空間信息丟失，基于GCP提取的株高較低。因此，確保馬鈴薯冠層空間信息的重建精度，對提高基于DSM提取的Hdsm精度尤為關鍵。

本文首先將每個生育期的光譜特征參數與地上生物量進行相關性分析，并挑選出前10個參數和最優參數作為模型變量，經對比可知，成熟期的光譜特征參數與地上生物量的相關性絕對值普遍低于前4期，主要原因為生長后期，地上部有機物不斷向地下輸送，外加連續多天大雨，造成地上部葉片迅速枯黃脫落，植被覆蓋度明顯低于前4期，冠層光譜信息的提取更多受到地面土壤的影響，造成冠層光譜信息不能夠充分表達和地上生物量之間的聯系，進而使光譜特征參數與地上生物量的相關性普遍偏低。單變量模型中，通過ER以株高數據和最優光譜指數來估算5個生育期的地上生物量，經分析可知，每個生育期以ER進行建模的精度要低于相應的驗證精度，建模和驗證效果依次為最優光譜指數、Hdsm、H，且3種不同變量都在塊莖增長期表現效果最好，塊莖形成期和淀粉積累期次之，現蕾期和成熟期較差，主要因為馬鈴薯現蕾期，莖葉剛開始生長，此時主要以自身營養狀況為主，體現在莖葉伸長，葉片擴大，塊莖形成期開始，莖葉生殖器官不斷變大，植被覆蓋度逐漸變大，到了塊莖增長期，植被覆蓋度最大，隨后由于地上有機物需要向地下輸送，另外受天氣影響，地上部莖葉開始枯萎，到了成熟期，地上莖葉基本枯黃，使得光層信息的提取容易受到土壤背景的干擾，進而構建的模型效果由優變差。多變量模型中，每個生育期利用3種方法以同種變量構建模型效果同樣在塊莖增長期最優，塊莖形成期和淀粉積累期次之，現蕾期和成熟期最差。每個生育期利用MLR、PLSR方法分別以VIs和VIs+Hdsm估算地上生物量的建模集和驗證集的R2相較于RF較高，而RMSE和NRMSE較低，且通過這2種方法得到的NRMSE大都在20%以內，表明模型擬合效果較好，穩定性較強。利用RF估算地上生物量精度較低，主要因為機器學習適用于較大數據集，而本研究用于建模數據集32個，驗證數據集16個，都屬于較小數據集。另外，本文所選的10個指數存在一定的多重共線性，而RF對多重共線性不敏感。本文得出各個生育期融入Hdsm能夠提高模型精度，這與牛慶林等[25]將提取的株高和影像指數融合后估算玉米的LAI，精度明顯提高的結論一致。本文每個生育期通過MLR模型進行估算馬鈴薯地上生物量精度最高，模型最為穩定，這與YUE等[26]和陶惠林等[27]關于估測冬小麥地上生物量和LAI的精度結果一致，他們的研究也表明MLR模型精度高于RF。從地上生物量空間分布填圖中可以看出，整個生育期馬鈴薯地上生物量先上升后下降，塊莖增長期為趨勢節點期，此時莖葉生長最為迅速，有機物較快積累，此時地上生物量主要以莖葉為主，此生育期過后葉片開始枯黃，地上有機物向地下塊莖轉移，地上生物量開始下降。同生育期不同小區地上生物量差異明顯，這與每個小區進行的氮素梯度試驗和密度梯度試驗密切相關。

4 結論

(1)基于DSM提取的Hdsm與實測株高具有高度的擬合性(R2=0.84)，得到的Hdsm精度較高。

(2)最優光譜指數在不同生育期與地上生物量相關性不同，現蕾期相關系數絕對值最高的光譜參數為R674(r=0.679)，塊莖形成期相關系數絕對值最高的參數為PSRI(r=0.727)，塊莖增長期相關系數絕對值最高的為CIrededge和NDVIcanste(r=0.747)，淀粉積累期相關系數絕對值最大的為R746和SPVI(r=0.756)，成熟期最優光譜指數為R950(r=0.405)。

(3)以株高、最優光譜指數為變量，運用ER估測馬鈴薯地上生物量，綜合5個生育期可知，每個生育期得到的模型效果優劣次序依次為最優光譜參數、Hdsm、H，塊莖增長期以CIrededge參數估測的地上生物量精度最高，ER建模集和驗證集R2分別為0.45和0.48、RMSE分別為229.01 kg/hm2和218.76 kg/hm2、NRMSE分別為19.19%和17.89%。

(4)每個生育期利用MLR、PLSR、RF 3種建模方法分別基于VIs和VIs+Hdsm估算馬鈴薯地上生物量，以后者為輸入變量構建的估算模型效果最好。每種方法以同種變量在塊莖增長期表現效果最好，塊莖形成期和淀粉積累期次之，現蕾期和成熟期表現最差。