基于無人機多光譜影像與機器學習算法的棉花冠層葉綠素含量估算研究

趙鑫 李朝陽 王洪博 劉江凡 江文格 趙澤藝 王興鵬 高陽

摘要：【目的】利用無人機多光譜技術監測棉花冠層葉片的葉綠素含量。【方法】通過無人機獲取新疆南疆地區棉花冠層的多光譜圖像，選取7種植被指數，利用7種不同的反演方法估算棉花關鍵生育時期花鈴期的葉綠素含量，包括基于線性回歸（linear regression， LR）的一元線性回歸、偏最小二乘回歸（partial least squares regression， PLSR）、嶺回歸（ridge regression， RR）、最小絕對值收斂和選擇算子（least absolute shrinkage and selection operator， LASSO）回歸，以及支持向量回歸（support vector regression， SVR）、K近鄰回歸（K nearest neighbors regression， KNNR）、隨機森林回歸（random forest regression， RFR）。【結果】與線性回歸模型相比，RFR、SVR和KNNR算法提高了棉花冠層葉綠素含量估算模型精度，尤其是RFR算法，其模型驗證集的決定系數為0.742，均方根誤差為1.158 mg·L-1，相對分析誤差為1.969。【結論】利用RFR機器學習方法構建的基于無人機多光譜影像的棉花冠層葉片葉綠素含量估算模型可及時、準確地判斷棉花的生長狀況，為棉田精準管理提供技術支撐。

關鍵詞：無人機；多光譜；葉綠素含量；機器學習；遙感反演；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

葉綠素（chlorophyll）是植物進行光合作用的主要色素，在植物光合作用中起核心作用，其含量亦是評價作物長勢的重要指標[1-2]。田間實測作物葉綠素含量費時費力且時效性差，而無人機（unmanned aerial vehicle， UAV）遙感技術能夠實現農作物生長狀況的精準快速獲取[3]，并已開始用于作物葉綠素含量和長勢的精準評估。

植物葉綠素含量被廣泛用作作物長勢與產量評估的有效指標。當前，有多種測量作物葉綠素含量的方法，常用的有分光光度計法、手持葉綠素儀器SPAD-502測定作物葉綠素相對含量（以soil and plant analyzer development，SPAD值反映葉片葉綠素含量）。隨著遙感技術的發展，無損害、低成本的作物葉綠素含量評估成為可能。宋曉宇等[4]利用搭載ASTER傳感器的Terra衛星遙感影像，建立了冬小麥葉片葉綠素a的反演模型。譚昌偉等[5]利用Landsat TM遙感影像反演了開花期冬小麥的SPAD值。王麗愛等[6]基于冬小麥多生育時期的HJ-1衛星影像，評價了多種機器學習算法反演SPAD值的差異。然而，衛星傳感器有固定的過境日期，因此獲取衛星遙感圖像的靈活性并不高。

近年來，無人機遙感以其體積小、靈活、低成本、分辨率高等優勢，在農田遙感領域顯示出廣闊的應用前景，并且已經成功應用于葉面積指數（leaf area index， LAI）、氮素含量、生物量、產量等的預測。Zheng等[7]利用無人機影像對水稻的氮濃度進行了估算研究，結果表明結合無人機紋理信息的窄帶光譜指數可能是1種很有前景的作物生長監測方法。Zheng等[8]利用多光譜圖像估算了冬小麥葉片氮含量，并對不同建模方法進行了評估。田明璐等[9]基于棉花花鈴期的無人機高光譜影像，利用機器學習算法構建了基于線性回歸（linear regression， LR）、逐步回歸（stepwise regression）、偏最小二乘回歸（partial least squares regression， PLSR）的SPAD值反演模型，并制作了相應的SPAD值等級分布圖。田軍倉等[10]基于番茄的多生育時期無人機多光譜影像，發現番茄冠層上層的葉片SPAD值與植被指數的相關性優于中層和下層，且構建了精度較高的支持向量回歸（support vector regression， SVR）反演模型。周敏姑等[11]基于冬小麥多個生育時期的無人機多光譜影像，利用機器學習算法構建了多時期的主成分回歸（principal component regression）、逐步回歸和嶺回歸（ridge regression， RR）的SPAD值反演模型。

棉花生長監測在棉花種植管理和產量提升方面有著重要的作用。通過監測土壤濕度、養分含量、溫度和光照等，可以優化棉花生長環境，改善棉花生長條件，促進棉花生長，提高產量并改善纖維品質。另外作物長勢的精準監測對于病蟲害防治、精準施肥和精量灌溉都有著重要意義。盛花期是棉花生長最快的時期，是決定棉花產量和品質的關鍵時期。本研究利用7種不同的機器學習算法，包括基于LR模型的一元線性回歸[12]、RR[13]、最小絕對值收斂和選擇算子（least absolute shrinkage and selection operator， LASSO）回歸[14]、PLSR[15]，以及SVR[16]、K近鄰回歸（K nearest neighbors regression， KNNR）[17]和隨機森林回歸（random forest regression， RFR）[18]，分析無人機成像的多光譜反射率數據，對新疆南疆植棉區棉花花鈴期的葉綠素含量進行反演。通過對不同反演方法進行對比分析，為實現棉花冠層葉綠素含量高精度估算和田間智能化管理提供理論支撐。

1 材料與方法

1.1 試驗區概況

田間試驗在新疆阿拉爾現代農業院士專家工作站野外試驗基地（40.32°N，81.17°E，海拔1 014 m）進行，試驗地屬大陸性暖溫帶、極端干旱沙漠性氣候區，光熱資源豐富。試驗區年降水量為20～80 mm，蒸發量為2 000～3 000 mm，南疆0 ℃及以上的年平均有效積溫為4 252.2 ℃。試驗區位置見圖1，土壤基本理化性質見表1。試驗區種植的棉花品種為塔河2號，采用1膜6行種植模式[19]。

1.2 棉花冠層無人機圖像獲取

采用大疆M600型無人機搭載Micro-MCA Snap多光譜成像儀（Tetracam公司，美國）獲取棉花冠層圖像。Micro-MCA Snap多光譜相機可捕捉450～1 000 nm波段的光譜，傳感器像素130萬，鏡頭焦距9.6 mm，傳感器參數見表2。獲取的6個波段分別為近紅外1波段（中心波長800 nm，帶寬80 nm），藍光波段（中心波長490 nm，帶寬80 nm），綠光波段（中心波長550 nm，帶寬70 nm），紅光波段（中心波長680 nm，帶寬80 nm），紅邊波段（中心波長720 nm，帶寬100 nm），近紅外2波段（中心波長900 nm，帶寬140 nm）。

1.3 多光譜影像采集及光譜數據獲取

1.3.1 多光譜影像采集。多光譜影像采集于2022年8月2日12：00－16：00在田間進行，此時段天空晴朗少云，視野開闊，適合無人機飛行。設置無人機飛行高度為50 m，設定航速7 m·s－1，航向和旁向圖像重疊度85%。Micro-MCA Snap多光譜相機的焦距為9.6 mm，圖像大小1 280×1 024，地面分辨率約4 cm。飛行前在采樣區布設6個控制點，獲取其全球定位系統（global positioning system， GPS）坐標，后期用于幾何校正；飛行前采集白板數據用于輻射校正。

1.3.2 光譜數據獲取。對無人機獲取的棉花盛花期的多光譜圖像，利用pix4dmapper軟件對連續拍攝的照片進行拼接，得到6個單獨波段的多光譜圖像。利用ENVI 5.6軟件進行波段合成，得到1張含有6個波段的多光譜圖像，導出文件為TIF格式，用于后期處理。利用Arcgis 10.8軟件對光譜圖像進行裁剪，獲得目標區域。對于測量的70個采樣點，利用Arcgis 10.8軟件提取各個采樣點的光譜信息。

1.4 葉綠素含量測定

采用分光光度計法測定葉綠素含量，利用公式（1）～（3）計算葉綠素含量。在采集光譜影像的當天取樣，選取每株棉花冠層倒1～3葉長勢較好的葉片，取3 cm×3 cm的葉片組織（不包括葉脈）將其剪碎，取0.3 g測定葉綠素含量。使用鑷子將剪碎后的葉片放入離心管中，加入95%（體積分數）的乙醇20 mL避光浸泡24 h。待葉片完全發白后，將萃取液轉移至比色皿中，使用UV-1200型分光光度計測定470 nm、664.2 nm和648.6 nm波長下的吸光度，測定精度為±1 nm。為保證儀器內的熱平衡，分光光度計提前預熱30 min。葉綠素含量的計算公式為：

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分別對應664.2 nm和648.6 nm波長的吸光度。Ca為葉綠素a含量（mg·L－1）；Cb為葉綠素b含量（mg·L－1）；Ca+b為葉綠素總含量（mg·L－1）。

1.5 植被指數

植被指數由特定波段的反射率組成，可以部分消除土壤、天氣等因素的干擾，提高目標參數的靈敏度。本研究利用與作物葉綠素含量密切相關的13種植被指數（表3），建立棉花冠層葉片葉綠素含量的估算模型。

1.6 機器學習建模

利用python平臺對70個樣本采用7︰3分配原則，建模集49個樣本、驗證集21個樣本，以篩選的7種植被指數為自變量、葉綠素含量為因變量。采用7種機器學習算法包括一元線性回歸、RR、LASSO回歸、PLSR、RFR、SVR和KNNR，構建葉綠素含量反演模型。

1.7 模型評價分析

利用決定系數（coefficient of determination， R2）、均方根誤差（root mean square error， RMSE）和相對分析誤差（residual predictive deviation， RPD）對棉花冠層葉片葉綠素含量估算模型進行評價。R2越接近于1，RMSE越小，表明模型效果越好。當1.4＜RPD＜2.0，說明模型具有一般預測能力，當RPD＞2.0，說明模型具有較好的預測能力。計算方法見公式（4）～（6）。

利用皮爾遜相關系數判斷葉綠素含量與各植被指數的相關性，用r表示，范圍為[－1， 1]，計算方法見式（7）。當r＝0時，表示2個變量之間沒有線性關系；當r小于0時，表示2個變量之間呈現負相關；當r大于0時，表示2個變量之間呈現正相關。當r絕對值在（0， 0.2]為極弱相關，在（0.2， 0.4]為弱相關，在（0.4， 0.6]為中等程度相關，（0.6， 0.8]為強相關，（0.8， 1]為極強相關。本文選取相關系數絕對值大于0.4即中等程度相關以上的植被指數進行建模。

1.8 棉花冠層葉片葉綠素含量空間分布分析

將研究區目標區域經過預處理后帶入最佳模型，利用ArcGis軟件與Python平臺進行棉花冠層葉片葉綠素含量的空間分布反演，并且制作空間分布反演圖，與研究區的實際狀況進行對比分析。

2 結果與分析

2.1 葉綠素含量測定

棉花花鈴期冠層葉片葉綠素含量的統計描述見表4。在棉花花鈴期獲取70份樣品，其葉綠素含量變化范圍為13.75～23.28 mg·L－1，平均值為18.3 mg·L－1，標準差為2.01? mg·L－1，方差為4.07。

2.2 葉綠素含量與植被指數的相關性

選取與植物生長狀況較密切的植被指數13種，利用皮爾遜相關系數分析葉綠素含量與植被指數的相關性，剔除6種與葉綠素含量極弱相關或弱相關的植被指數，選擇7種與葉綠素含量強相關的植被指數用于建模。篩選的7種植被指數NDVI、RVI、NDCI、RECI、NDRE、GCI、SAVI均與葉綠素含量呈正相關關系，除NDCI與NDRE外，其余植被指數與葉綠素含量的相關系數均在0.7以上，呈現強相關性（圖2）。

2.3 不同機器學習算法估算葉綠素含量模型比較

分別以NDVI、RVI、NDCI、RECI、GCI、NDRE和SAVI為因變量（y），以實測葉綠素含量為自變量（x）建立線性回歸模型。結果（表5）顯示：根據NDCI植被指數建立的一元線性回歸模型，其建模集和驗證集的R2分別為0.258和0.287，RMSE分別為1.671 mg·L－1和1.749 mg·L－1，RPD分別為1.161和1.185，模型精度低于其他植被指數，對樣本的預測效果較差。基于NDVI、RVI、RECI、GCI和SAVI構建的模型精度接近。總體上一元線性回歸模型的精度偏低。

根據LASSO回歸、RR、PLSR、KNNR、RFR及SVR算法的葉綠素含量預測模型的估算精度結果見圖3和表6。在分析的6種建模方法中，RFR模型估算葉綠素含量的效果最佳，其建模集R2為0.856、RMSE為0.709 mg·L－1、RPD為2.634，驗證集R2為0.742、且RMSE最低為1.158 mg·L－1、RPD為1.969，說明該模型的穩定性和預測能力最好。KNNR與SVR模型的估測精度均低于RFR模型，KNNR模型建模集R2為0.609、RMSE為1.170 mg·L－1、RPD為1.600，驗證集R2為0.722，RMSE為1.176 mg·L－1，RPD為1.899；SVR模型建模集R2為0.511、RMSE為2.634 mg·L－1、RPD為1.430，驗證集R2為0.697，RMSE為1.236 mg·L－1，RPD為1.816。

LASSO回歸、RR、PLSR模型的估算精度均較差，其中PLSR模型建模集R2為0.363、RMSE為1.391 mg·L－1、RPD為1.253，驗證集R2為0.687、RMSE為1.364 mg·L－1、RPD為1.786；RR模型建模集R2為0.571、RMSE為1.166 mg·L－1、RPD為1.526，驗證集R2為0.434、RMSE為1.838 mg·L－1、RPD為1.330；LASSO回歸模型建模集R2為0.563、RMSE為1.252 mg·L－1、RPD為1.513，驗證集的R2為0.436，RMSE為1.677 mg·L－1，RPD為1.331。

圖3為各模型葉綠素含量實測值和預測值的分布情況，可以看出RFR模型相應建模集和驗證集與y＝x函數擬合程度最高，模型預測效果最好。

2.4 隨機森林回歸模型反演棉花冠層葉綠素含量

基于最優模型RFR進行棉花冠層葉綠素含量反演制圖，如圖4所示，在棉田的不同區域其棉花冠層葉片葉綠素含量不同，葉綠素含量范圍為13.273 2～21.716 5 mg·L－1。

3 討論

葉片對不同波段的光具有不同的吸收效率和散射特性，而植被指數能夠反映葉片的光譜響應特征[34]，篩選出敏感度高的植被指數能夠有效提高模型的反演精度。本研究發現在花鈴期棉花冠層的NDVI、RVI、NDCI、RECI、GCI、NDRE和SAVI這7種植被指數與葉綠素含量具有較好的相關性，相關系數為0.48～0.72，表明這7種植被指數對棉花冠層葉片葉綠素含量較為敏感。其中NDVI、RVI、RECI、GCI和SAVI與葉綠素含量的相關性最高，相關系數在0.7以上。這與劉江凡等[35]研究中植被指數與SPAD值相關分析的結果較為接近。王佳麗等[36]在利用光譜變量與烤煙冠層葉綠素含量進行相關分析時發現，DVI等10種植被指數與葉綠素含量呈極顯著相關關系，與本研究結果存在差異，可能是采用了不同的葉綠素含量測量方法，也可能受試驗區氣候環境等的影響。

建模方法也是影響棉花冠層葉片葉綠素含量監測結果精度的重要因素。本研究選取植被指數作為模型的自變量，用4種線性回歸模型對棉花冠層葉片葉綠素含量進行預測，結果表明，PLSR是估算葉綠素含量最好的線性回歸方法（驗證集R2為0.687，RMSE為1.364 mg·L－1，RPD為1.786），RR模型（驗證集R2為0.434，RMSE為1.838 mg·L－1，RPD為1.330）以及LASSO回歸模型（驗證集R2為0.436，RMSE為1.677 mg·L－1，RPD為1.331）精度的差異不大，簡單線性回歸模型精度較低，但線性回歸模型在其他生長參數上的應用有待驗證。其他多種作物中已將線性回歸模型用于葉綠素含量評估。杜曉明等[37]利用PLSR方法建立模型估測森林郁閉度，結果表明，無論是用所有變量構建的模型還是用所選最優變量構建的模型，郁閉度估測的相對偏差在5%左右。孫陽陽等[38]建立了玉米葉片葉綠素含量預測的簡單線性回歸模型，結果表明，利用綠峰峰值和近紅外反射率均值這2個參數可在一元線性回歸模型中較好地反演玉米葉片葉綠素含量。

研究構建的7種模型中，RFR模型精度最高（驗證集R2為0.742，RMSE為1.158 mg·L－1，RPD為1.969），其次是KNNR模型（驗證集R2為0.722，RMSE為1.176 mg·L－1，RPD為1.899），而SVR模型（驗證集R2為0.697，RMSE為1.236 mg·L－1，RPD為1.816）精度較低，但優于線性回歸模型。隨機森林算法能夠解決一些非線性問題，并且不用做特征選擇，在隨機森林算法中，泛化誤差使用的是無偏估計，模型泛化能力強[39]；而SVR模型須對4個參數（核函數、C值軟間隔參數、高斯函數、類別權重參數）進行調整，在一定程度上限制了模型精度的優化，從而可能影響模型的預測效果。相比于RFR與SVR，KNNR本身簡單有效，分類器不需要使用訓練集進行訓練，因此，KNNR分類的計算復雜程度與樣本數量成正比[33]。在本研究中，由于樣本數量較少，所以相對來說模型預測不算困難，具有很好的預測效果。Chen等[40]利用多種機器學習模型去估算不同生育時期的冬小麥植株氮濃度，結果表明SVR和RFR模型均可以達到較高的估算精度。賀英等[41]通過無人機獲取玉米開花期可見光影像，使用SAVI對圖像進行分割，基于分割前后的影像提取15種可見光植被指數，并建立了單一變量回歸、多變量逐步回歸與RFR的SPAD反演模型，結果表明RFR模型精度最高（R2為0.824 7，RMSE為4.3）。Zheng等[8]研究表明，基于無人機遙感估算冬小麥氮素營養指數的RFR模型的精度最好，與本研究模型結果一致。綜上所述，采用機器學習的隨機森林方法估算棉花花鈴期冠層葉綠素含量的效果最好。

前人研究多是基于植被指數模型對不同作物不同生育時期的生長指標進行估算，而有研究表明，采用基于植被指數與紋理特征相結合的模型對生物生長的生理指標預測具有較好的效果[42]。本研究僅僅選取棉花花鈴期單一生育時期進行分析，相比于其他研究，樣本數量少，因此，后續反演模型優化將增加不同生育時期和樣本數據量，利用植被指數和紋理特征相結合的方法，進一步提高模型的精度。

4 結論

采用無人機多光譜技術，利用7種方法估算南疆地區棉花花鈴期的冠層葉片葉綠素含量。結果表明，這7種方法中隨機森林回歸估算葉綠素含量的效果最好，其驗證集R2高達0.742，且RMSE最低，為1.158 mg·L－1。本研究可為進一步將光譜數據應用于作物精準管理提供理論支撐。

參考文獻：

[1] 張伏， 張亞坤， 毛鵬軍， 等. 植物葉綠素測量方法研究現狀及發展[J/OL]. 農機化研究， 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] 陳仲新， 任建強， 唐華俊， 等. 農業遙感研究應用進展與展望[J/OL]. 遙感學報， 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， 黃文江， 王紀華， 等. ASTER衛星遙感影像在冬小麥品質監測方面的初步應用[J/OL]. 農業工程學報， 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] 譚昌偉， 王紀華， 趙春江， 等. 利用Landsat TM遙感數據監測冬小麥開花期主要長勢參數[J/OL]. 農業工程學報， 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/OL]. 農業機械學報， 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， 班松濤， 常慶瑞， 等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J/OL]. 農業機械學報， 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預測研究[J/OL]. 農業機械學報， 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， 邵國敏， 張立元， 等. 無人機多光譜遙感反演冬小麥SPAD值[J/OL]. 農業工程學報， 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] 魯鐵定， 陶本藻， 周世健. 一元整體線性回歸模型解算[J/OL]. 西安科技大學學報， 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] 樊凱. 基于氣象信息指導南疆膜下滴灌棉花灌溉的試驗研究[D]. 北京： 中國農業科學院， 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， 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]. 排灌機械工程學報， 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， 楊子， 楊熒寶. 基于高分6號衛星遙感圖像的太湖葉綠素a質量濃度反演[J/OL]. 河海大學學報（自然科學版）， 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， 趙澤藝， 李朝陽， 等. 基于無人機多光譜遙感的蘋果樹冠層SPAD反演[J]. 排灌機械工程學報， 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] 王佳麗， 蒯雁， 楊成偉， 等. 基于無人機多光譜的烤煙冠層葉綠素含量反演[J]. 江蘇農業科學， 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] 杜曉明， 蔡體久， 琚存勇. 采用偏最小二乘回歸方法估測森林郁閉度[J/OL]. 應用生態學報， 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] 孫陽陽， 汪國平， 楊可明， 等. 玉米葉綠素含量高光譜反演的線性模型研究[J/OL]. 山東農業科學， 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] 陳曉凱， 李粉玲， 王玉娜， 等. 無人機高光譜遙感估算冬小麥葉面積指數[J/OL]. 農業工程學報， 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， 鄧磊， 毛智慧， 等. 基于數碼相機的玉米冠層SPAD遙感估算[J/OL]. 中國農業科學， 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] 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/OL]. 農業機械學報， 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.