基于無人機多光譜技術的田間煙葉成熟度判別研究

中圖分類號：S572 文獻標志碼：A 文章編號：2096-9902（2025）08-0001-05

Abstract：Inordertoacuratelydeterminethematurityoftobaccoleavesinthefieldbasedondronemulti-spectral technology，multi-spectralequipmentmountedbydroneswasusedtocolectdataonthematurityoftobaccoleavesintobacco fieldsatdiferentperiods.SpearmancorrelationanalysisandmRMRmethodwereusedtoscreenoutvegetationindices（RBRI， NDRE，GCI，ARVI）thatweresignificantlyrelatedtotobaccofieldmaturity.Subsequently，basedonthescreeningresults，a diseriminantmodelfortobaccomaturityintobaccofieldswasconstructedusingrandomforestmethodTheresearchresultsshow thatdronemulti-spectraltechnologycanaccuratelycapturethecharacteristicsoftobaccomaturityinthefield.Theaccuracyrates ofthe training set and test set of the discriminant model reach 95.72% and 93.89 % respectively.This research helps accurately graspthebestharvestoportunityoftobacco leaves，improvesthequalityofcuredtobacco leaves，andprovidesnewtechnical support for field agricultural monitoring and precise management.

Keywords：dronemultispectral；vegetationindex；tobaccomaturitydiscrimination；corelationanalysis；randomforest

煙葉的田間成熟度是衡量其生長發育達到可采收狀態的綜合指標。煙葉在適宜的田間成熟度采收，是獲得優質烤后煙葉的重要前提，這一成熟度與烤后煙葉的質量、鮮煙的化學成分構成、酶活性水平及葉片組織結構等要素緊密相關[1-3]。

當前在煙葉生產中，主要依靠有經驗的技術人員通過鮮煙葉外觀特征來識別其田間成熟度。該方法易受不同人員主觀判斷干擾，可能導致采收的煙葉成熟度參差不齊，進而對煙葉品質造成不良影響[4-5]。為了更準確地評估煙葉田間成熟度，葉綠素含量、SPAD值、丙二醛含量、過氧化物酶活性等生理生化指標亦被用來判別煙葉田間成熟度。但遺憾的是，這些生理指標的測定過程相對繁瑣且耗時，難以在生產實踐中廣泛應用。因此，開發一種客觀、精確、高效且易于實施的煙葉田間成熟度判別方法刻不容緩[6-8]。

近年來，無人機遙感技術憑借宏觀視野、快速響應、高精度、客觀性、動態監測、多尺度分析、覆蓋廣泛、短周期監測及低成本等優勢，在現代智慧農業中得到了廣泛應用，為田間作物生長狀態的實時監測提供了一種高效且經濟的解決方案[9-12]。研究表明，煙葉的光譜信息與成熟度相關指標（如顏色、葉綠素含量、葉片組織結構及生理指標）密切相關。孟沌超等[13通過提取無人機可見光圖像的植被指數與紋理特征，成功估算了玉米冠層葉綠素的SPAD值。王建偉等[4則分析了不同成熟度煙葉的光譜反射率、位置變量、面積變量及植被指數等參數，明確了田間不同成熟度煙葉的高光譜特征差異。此外，李佛琳等[15發現，不同成熟度鮮煙葉在 503～651nm 波段的反射光譜存在顯著差異。將無人機技術與多光譜技術相結合，可充分發揮無人機快速、動態、多尺度的優勢和多光譜高信息量、高精度的優勢，為田間煙葉成熟度判別提供一種客觀、精確、高效且易于實施的方法。

因此，本研究利用無人機搭載多光譜設備，對煙田中的煙葉成熟度進行快速識別。通過構建不同的植被指數，引人不同的機器學習算法構建多光譜信息一田間煙葉成熟度判別模型，實現煙葉采收的精準化、智慧化。

1材料與方法

1.1 試驗區域概況

試驗區域位于云南省大理白族自治州祥云縣，東經 ，北緯 。該區域種植煙葉品種為云煙87，總面積約50畝（1畝約等于 ，下同），劃分為48個小區，種植密度1100株/畝，于5月10日移栽。

1.2 數據獲取

通過大疆M3M無人機攜帶多光譜設備對試驗區域進行航拍，水平飛行速度為 3m/s ，飛行高度為 50m 云臺俯仰角為 ，設置主航向上重疊率 75% ，主航線間圖像重疊率 80% 。多光譜設備搭載了6個

1/2.8英寸的CMOS影像傳感器，其中包括1個彩色傳感器用于可見光成像，以及4個單色傳感器用于多光譜成像，有效像素2000萬。這4個多光譜相機的具體波段分別為：綠光波段（ 紅光波段 （R）650nm±16nm， 紅邊波段（RE） ）730nm±16nm 以及近紅外光譜波段（ NIR）840nm±26nm 。分別于7月10日、7月22日、8月9日和8月29日獲取試驗區域無人機多光譜數據，同時安排9個有經驗的技術人員對每個小區的下、中、上部位的煙葉進行成熟度整體評價：旺長期（未熟）下部葉適熟期、中部葉適熟期、上部葉適熟期。

1.3 植被指數選取及計算

植被指數（VegetationIndex）是多光譜領域中用來定量描述植被生長狀況和植被覆蓋度的一種指數。主要通過分析植被對不同波長光的反射和吸收特性，來評估植被的健康狀況、生產力和生物量等。植被指數的計算通常基于植被在可見光和近紅外光區域的反射率差異，因為健康的綠色植被會強烈反射近紅外光，而吸收可見光。因此，本研究根據成熟度相關資料，選取了13個植被指數對田間煙葉成熟度進行相關性分析，得到其相關系數大于0.5和小于-0.5的植被指數作為成熟度的特征指標進行建模分析，各個植被指數的計算公式見表1。

1.4 數據分析方法

1.4.1 斯皮爾曼等級相關性分析

斯皮爾曼等級相關性分析（Spearman'srank cor-relationanalysis）是一種非參數統計方法，用于評估

2個變量之間的相關性，特別是當數據不滿足正態分布或者變量是序數數據時。本研究選取13個植被指數和4個煙葉成熟時期建立相關性分析，分別選取每個成熟度相關性高的數據進行建模分析，計算公式如下

式中： 的值范圍在-1到 +1 之間， ？ρ=-1 表示完全負相關； ρ=0 表示無相關性； 表示完全正相關。 表示在第 i 個數據對的位次值之差， n 表示樣本總數。

1.4.2最小冗余最大相關分析

最小余最大相關分析（mRMR）是一種特征選擇方法，旨在從原始特征集合中選擇出與目標變量（分類結果）相關性最大，但特征之間相關性最小的一組特征子集。這種方法的核心思想是最大化特征與目標變量之間的相關性（Max-Relevance），同時最小化特征之間的冗余性（Min-Redundancy）。其中，Max-Rele-vance是指特征集合中每個特征與目標變量之間的相關性之和。具體來說，就是計算特征集合 s 中每個特征與目標變量 c 之間的互信息，然后求平均值；Min-Redundancy是指特征集合中特征之間的相關性之和，在mRMR算法中，如果2個特征高度相關，那么它們提供的信息是冗余的。因此，算法會嘗試選擇那些與已選特征相關性較低的特征。計算公式如下

式中： 為第 i 個特征； c 為目標變量； 表示特征 與目標變量 c 之間的互信息（互信息是衡量2個變量之間相互依賴程度的統計量）；S為特征集合；ISI為集合中特征數量； 為特征 和 之間的互信息。

1.5模型建立方法

以無人機多光譜技術獲取的植被指數光譜均值為自變量，煙田成熟度等級為因變量，本研究采用了2種建模方法：多元線性回歸模型（Multiplelinearregression，MLR）和隨機森林模型（Random forest，RF）。在構建隨機森林模型時，設定了決策樹數目為100，最小葉子數為5的回歸參數。基于上述設置，成功構建了用于判別煙田煙葉成熟度的模型。

1.6模型評價指標

選取決定系數 、均方根誤差（RMSE）平均絕對誤差 （M A E） 作為評估估算模型建模與驗證精度的指標。模型建模和驗證 越大，相應的RMSE越小，則模型估算能力越好。 .M A E 越小，預測誤差就越小；反之則易。

2 結論與分析

2.1無人機多光譜反射率與煙田成熟度的相關性系數分析

首先對煙田成熟度等級與各植被指數進行斯皮爾曼等級相關性分析。通過設置閥值，篩選出相關系數大于0.5和小于-0.5的植被指數，以確保選取的指數具有較強的相關性，結果見表2。

根據初篩的顯著相關植被指數，以試驗區域各個小區的旺長期及各部位適熟時期計算顯著相關植被指數均值，結果如圖1所示。旺長（未熟）期階段，煙株生長較快，代謝旺盛，與成熟度高度相關的植被指數（ARVI、NDVI和OSAVI）數值較高，表明煙株在此時期生長活躍。其他相關指數，如GNDVI和EXR，也表現出較高的數值，進一步證實了這一階段的煙株生長活躍度。隨著下部葉片的成熟，與成熟度高度相關的植被指數（ARVI、NDVI和OSAVI）的數值略有下降，但仍然相對較高。這表明，雖然下部葉片進入成熟期，但煙株整體仍然保持良好的生長狀態。此外，GNDVI和EXR等中度相關指數也在這個階段保持較高的水平。隨著中部葉片逐漸成熟，與成熟度高度相關的植被指數（ARVI、NDVI和OSAVI）的數值略有回升，但基本保持一個穩定狀態，這表明在這一時期，煙株可能處于一個相對穩定期，這一階段的植被指數數值對判別煙田煙葉成熟度非常重要，同時，中度相關指數GNDVI和EXR也在這個階段保持較高的水平。隨著上部葉片的成熟，與成熟度高度相關的植被指數（ARVI、NDVI和OSAVI）的數值降低。這表明，在這一時期，煙株的生長活躍度逐漸減弱。同樣的，GNDVI和EXR等中度相關指數在這個階段也表現出較低的數值。

低度相關的植被指數，包括GCI、MARVI、GCL、GRVI和NGRDI，在煙葉不同成熟度階段沒有表現出直接的變化趨勢，但仍然可以提供參考信息，幫助我們了解煙株煙葉生長的狀態。負相關的植被指數RBRI在煙葉成熟過程中呈現出相反的變化趨勢，即隨著煙葉成熟度的增加，RBRI的值減小。可能是在煙葉成熟過程中，紅光和藍光之間的比率發生變化，與植物光合作用的變化以及生長環境等因素有關。

2.2基于最小冗余最大相關的多光譜植被指數篩選

為進一步降低篩選特征之間的相關性，采用最小冗余最大相關（mRMR）方法對顯著相關植被指數進行相關性分析。圖2展示了mRMR分析結果，其中得分表示該指數與煙田煙葉成熟度的相關性以及特征間的冗余性。較高的mRMR評分意味著特征具有較高的區分能力和較低的冗余性。

結果顯示，RBRI具有最高的mRMR評分（2.47），表明它與其他指數的冗余性較低，且與煙田成熟度的相關性較高。因此，RBRI可作為煙田煙葉成熟度識別時最重要的特征進行研究和分析。NDRE、GCI、ARVI、EXR、GCL、GRVI、NDVI、GLA和NGRDI的mRMR評分在-5至-9之間，這些指數與煙田成熟度的相關性一般，但冗余性較低，表明可以作為輔助特征，提高煙田煙葉成熟度識別的精準度。GNDVI和MARVI的mRMR評分在-9附近，這表明它們與煙田成熟度的相關性較弱，且可能存在一定程度的冗余。在特征選擇時，可以將這些指數作為次要特征或在進一步特征篩選中予以排除。OSAVI具有最低的mRMR評分（-10.72），這意味著它與煙田成熟度的相關性較弱，且與其他指數存在較高的冗余性。在特征選擇過程中，可以考慮排除OSAVI，以減少冗余信息。

2.3基于無人機多光譜植被指數的煙田煙葉成熟度 識別模型構建

基于斯皮爾曼相關系數篩選及mRMR特征選擇的結果，選定RBRI、NDRE、GCI、ARVI作為自變量，田間煙葉成熟度作為因變量。采用154組數據構建多元線性回歸模型（Multiple linearregression，MLR）和隨機森林模型（Randomforest，RF），并另取38組數據作為測試集驗證模型性能。為評估模型精度與可靠性，采用準確率、決定系數 、均方根誤差（RMSE）及標準均方根誤差（ 作為評價指標。具體而言，準確率越高 越大，模型效果越佳；RMSE越小，模型誤差越小。通常， n R M S Elt;10% 表明模型精度極高， 10%lt; n R M S Elt;20% 為精度較好， 20%30% 則視為模型效果較差。

表3展示了模型構建及其評估結果。具體而言，采用RBRI、NDRE、GCI、ARVI這4個植被指數構建的隨機森林（RF）模型表現出了最高的精度。在訓練集中，該模型的準確率達到了 95.72% ，決定系數 為0.98，均方根誤差（RMSE）為 7.43% ，標準均方根誤差 為 11.44% 。而在測試集中，模型的準確率依然保持在 93.89% 為 0.94，R M S E 為 8.77% ，nRMSE為 12.05% 。

綜合分析結果顯示，隨機森林模型展現出了良好的穩定性和估測精度，能夠有效闡釋植被指數與煙田成熟度之間的變化規律。所構建的模型精度充分驗證了利用無人機多光譜技術對煙田煙葉成熟度進行監測的可行性，進而為分析田間煙葉整體生長狀態提供 了可靠依據。

3討論

目前，已有研究者通過構建成熟指數來實時預測作物的成熟與采收時期。例如，Tantinantrakun等[利用短波近紅外光譜（SW-NIRS）和近紅外高光譜成像（NIR-HIS）技術，成功基于總可溶性固形物（Totalsolublesolids，TSS）和可滴定酸度（Titratableacidity，TA）構建了果蔬的成熟指數。同時，也有學者利用高光譜波段開發了“油菜-豆莢成熟指數\"來預測油菜的成熟狀態。鑒于此，本研究采用無人機多光譜技術測定煙田煙葉在不同生長時期的成熟度，并建立了無人機多光譜植被指數與煙田成熟度的回歸模型。結果表明，該技術具有較高的實施準確率和良好的可行性。

4結論

基于不同成熟時期田間煙葉的無人機多光譜信息，采用斯皮爾曼相關性分析及mRMR方法篩選出與煙葉田間成熟度顯著相關的植被指數，進而基于所篩選出的顯著相關植被指數采用隨機森林方法構建了煙田成熟度的判別模型。結果顯示，無人機多光譜技術可敏銳、準確地反映田間煙葉成熟度的特征性差異。模型訓練集和測試集的準確率分別達95.72% 和 93.89% 。與多元線性回歸模型相比，隨機森林模型的穩定程度、估測精度更好，更有利于解釋植被指數與煙田成熟度的變化規律。結果表明，基于無人機多光譜對煙田煙葉成熟度進行監測可行性較好，為大區域農田的農情監測和精準作業提供了一個新思路。

參考文獻：

[1]李鑫，湯衛榮，張永輝，等.基于高光譜成像技術的煙葉田間成熟度判別模型[J].煙草科技，2022，55（7）：17-24.

[2]黃春艷，岑章斌，許文偉，等.成熟度與烤后煙葉等級關系的

探究[J].上海輕工業，2024（5）：1/1-1/3.

[3]段正衛，婁方能，高強，等.成熟度對煙葉質量及感官風格的影響研究[J].農業科學，2023，6（6）：64-68.

[4]穆青，沈勰，陳發元，等.清甜香型烤煙不同部位煙葉成熟過程的外觀特征變化[J].農技服務，2024（3）：37-43.

[5]胡靜宜，李力，曾德武，等.SPAD值與煙葉成熟度及品質的關系初探[J].江西農業學報，2019，31（8）：52-59.

[6]徐興陽，廖孔鳳，代瑾然，等.不同鮮煙葉成熟度的組織結構和生理生化研究[C]//中國煙草學會學術年會優秀論文集，2017.

[7]陳洋.基于主動半監督學習的煙葉田間成熟度分類算法研究[D].鄭州：河南農業大學，2024.

[8]汪睿琪，張炳輝，顧鋼，等.基于YOLOv5的鮮煙葉成熟度識別模型研究[J].中國煙草學報，2023，29（2）：46-55.

[9]李艷.基于無人機遙感通信農業種植數測量系統設計[J].農機化研究，2024，46（3）：205-208.

[10]孫法福，賴寧，耿慶龍，等.基于無人機高光譜影像的冬小麥葉片氮濃度遙感估測[J].干旱區研究，2024，41（6）：1069-1078.

[11]李笑瑜，朱俊，楊珍書，等.基于無人機平臺的智慧農業系統研究與應用[J].南方農機，2024，55（3）：34-36.

[12]毛元龍，滕玲玲.農業無人機遙感測繪技術應用與展望[J].農業工程技術，2024，44（20）：29-30.

[13]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].農業機械學報，2020，51（S2）：366-374.

[14]王建偉，薛超群，周漢平，等.烤煙冠層光譜參數與葉片葉綠素含量的相關分析[J].生態學雜志，2010（5）：876-880.

[15]李佛琳，趙春江，劉良云，等.烤煙鮮煙葉成熟度的量化[J].煙草科技，2007（1）：54-58.

[16] TANTA A，SUKWANIT S，THOMPSON A，et al.Non-destructive evaluation of SW-NIRS and NIR-HSI for pre-dicting thematurity index ofintact pineapples[J].Posthar-vest Biology and Technology，2023.