基于無人機高光譜和集成學習的春小麥葉綠素含量反演

中圖分類號：S127 文獻標志碼：A 文章編號：1008-0864（2025）06-0093-11

Chlorophyll Content Inversion of Spring Wheat Based on Unmanned Aerial Vehicle Hyperspectral and Integrated Learning

HU Sile，BAO Yulong*，Tubuxinbayaer，TAO Jifeng，GUO Enliang （KeyLaboratoryofGeographicResearchontheMongolianPlateauinInnerMongoliaAwtonomousRegion，ollgeofGeogaphical Science，InnerMongoliaNormalUniversity，HohhotO1oO22，China）

Abstract：Chlorophyllcontentisakey indicator for monitoringcropgrowth，and itsrapid，effctiveandaccurate estimation is crucial for assessing crop health.Bycollecting unmanned aerial vehicle（UAV） hyperspectral images from3growth stagesand combining themwith ground-measured chlorophylldata，variousmachine learningand ensemblelearning models were employed to estimate the chlorophyll content in spring wheat，and the estimation accuracyof different modelswere compared.The results showedthat the canopyreflectance of spring wheat was generallyconsistent acrossdifferent growth stages，but significant diferences in spectralreflectance intensity were observedin the770＼～9OO nmwavelength range.16spectral indices allshowed significantcorelationswithchlorophyll content，among which optimized vegetationindex1，plant biochemical indexand normalized diferencerededge indexmaintained high correlation throughout theentire growth cycle.Thepredictionaccuracyof the Stackingand Voting ensemble learning modelswas higher than thebasic models，withthe Voting ensemble model performing particularly well.In the test set，determination coefficient（ R² ）values of 3 growth stages were 0.78，0.77and0.73， and root mean square error（RMSE）values were 8.70，11.36 and 16.17，respectively. Compared with random forest， support vector regression，K_nearest neighbor and ridge regression models，the R² of the Voting model was on average0.17，0.14and0.22 higher，andtheRMSE was 4.64，2.54and6.51lower，indicating itssuperiorpredictive ability.Above results provided new perspectives and methods for precision agriculture and crop health monitoring. Key words：unmanned aerial vehicle（UAV）；hyperspectral remotesensing；spring wheat；chlorophyll content; ensemble learning

葉綠素含量（leaf chlorophyll content，LCC）作為表征植物生長過程的關鍵生理參數，既是評價植物當前營養狀況和生長發育水平的有效指標，也是衡量植物長勢的指示器，LCC變化直接反映作物脅迫狀況、光合作用能力和衰老進程的信息[2-3]。因此，及時準確地估算作物葉片LCC對監測作物生長情況和區域精準農業管理具有指導意義。

傳統的LCC測定方法成本高、操作復雜、效率低，難以滿足現代農業快速發展的需求4。近年來無人機（unmannedaerialvehicle，UAV）遙感技術發展迅速，其機動靈活、成本低廉，可獲取高時空分辨率遙感數據，在植物LCC的研究中得到廣泛應用5。其中，無人機搭載的傳感器通常為數碼相機或多光譜相機，獲取的光譜數據信息相對有限。而高光譜相機能夠捕獲大量窄且連續的光譜數據，這些數據包含豐富的波段信息，有助于揭示田間作物的光譜特性以及作物間的光譜差異，能夠更加精確地獲取作物多種表型信息[8]。邊明博等利用UAV高光譜影像對馬鈴薯3個生長期的LCC進行估算;Qiao等u基于UAV評價了36個不同作物覆蓋條件下植被指數響應的LCC估算的穩健性。

機器學習方法在解決復雜的非線性問題上存在一定潛力[11-13]，可基于已有的訓練樣本來定量預測研究區域的LCC，且在反演過程中能夠克服傳統模型對結構和輸入變量的限制[14]。近年來，機器學習已被廣泛應用于LCC反演研究，張卓然等[利用支持向量機（support vector regression，SVR）對棉花冠層葉片LCC進行估算，模型驗證決定系數 （R²） 達到0.884。Jiao等發現，基于隨機森林（randomforest，RF）算法提高了小麥和大豆的冠層LCC的檢索精度。羅丹等認為，人工神經網絡（artificialneuralnetworks，ANN）學習速度快、精度高，擬合結果可靠，是反演蘋果葉片LCC的最佳模型，其中驗證結果 R² 高達0.939，均方根誤差（rootmeansquare error，RMSE）為2.O1。然而，這些方法在訓練樣本有限的情況下易產生過擬合現象[18]，而集成學習策略通過使用多個基礎的模型來構建更復雜、更強大的模型以提高模型的準確性，在處理復雜相關變量時表現出較高的魯棒性和泛化能力[19]，其中Stacking和Voting表現優異。符欣彤等2通過集成5種學習器，構建了基于Stacking集成學習的獼猴桃LCC估算模型，結果證明，Stacking集成模型的性能優于單一模型。Peppes等21發現，基于傳統機器學習的多模型Voting集成方法在農業領域性能突出。目前，利用基于無人機高光譜數據和集成學習模型對春小麥LCC的研究還十分有限，大多數研究都是基于單一基礎模型，很難全面反映LCC的變化特點，易出現反演精度不高、泛化性能不佳等問題。

內蒙古作為我國糧食主產區之一，擁有“塞外糧倉”的美譽。在判定農作物產量中LCC扮演著重要角色，春小麥作為我國北方重要的糧食作物，實時監測春小麥不同生長階段的LCC可為保障區域糧食安全和改善良田產量提供支撐。本研究基于UAV高光譜數據結合集成學習方法估算春小麥在不同生長階段的LCC，通過分析光譜指數與LCC的相關性，篩選最佳的光譜指數組合，并比較4種基礎機器學習模型和2種集成模型的性能，評估集成學習模型是否能提高春小麥LCC估計的準確性和穩定性，以期為無人機高光譜遙感結合集成學習模型監測春小麥田間生長提供新的思路與方法。

1材料與方法

1.1試驗地概況與試驗材料

試驗區位于內蒙古自治區呼和浩特市賽罕區金河鎮 （40^°39^′22^′′N，111^°45^′58^′′E） ，海拔約 1010m 。該區屬溫帶大陸性氣候，年均日照時數 2839.2h 年均氣溫 7.6°C ，年均降水量 408mm 。試驗區面積 100m×20m ，播種的春小麥品種為永良4號，屬于當地農戶常用的普通大田作物。于2023年4月8日播種，2023年7月14日收獲。根據春小麥的關鍵生長期和當地天氣條件，分別在拔節期（2023年5月29日）、抽穗期（2023年6月14日）和灌漿期（2023年6月29日）同步采集春小麥LCC以及無人機高光譜數據。試驗區樣方尺寸為 2.5m×2.5m 共120個采樣區，采樣區之間東西方向間隔 1m 南北方向間隔 2m 。

1.2數據采集與處理

1.2.1高光譜數據采集與處理在2023年春小麥拔節期、抽穗期和灌漿期，使用深圳市大疆創新科技有限公司生產的DJIM300RTK四旋翼無人機（配備由德國CubertGmbH公司生產的CubertS185全畫幅快照式高光譜成像儀）采集高光譜影像數據。該成像儀的光譜范圍為 450～950nm ，采樣間隔為 4nm ，具有125個光譜通道。所有采集活動均在晴朗無云天氣的 10：00-14：00 進行。無人機飛行高度設為 50m ，速度 3m?s^-1 ，航向和旁向的重疊率分別為 75% 和 80% ，地面的分辨率達到 3.22cm 。數據采集完成后，使用CubertUtilsTouch、Metashape以及ENVI5.3軟件對影像進行拼接處理，影像處理步驟如圖1所示。

為減少傳感器噪聲以及土壤背景對小麥光譜反射率測的影響，首先，使用ENVI5.3中的Savitzky-GolayFilter工具對高光譜影像進行濾波平滑處理，目的是在不顯著改變信號特征的前提下，減少數據中的噪聲；然后，采用自適應閾值分割法區分土壤和春小麥，并使用ArcGIS Pro3.0 進行掩模處理，從整體圖像中提取出春小麥部分，去除可能影響光譜反射率的非目標元素，以提高作物反射率的準確性；最后，利用只包含春小麥的影像計算春小麥植株的冠層光譜指數，以反映LCC的變化。

1.2.2LCC測量與處理LCC的測定使用美國OPTISCIENCES公司生產的CCM-300葉綠素含量測定儀完成。該儀器估算LCC的方法基于紅光與遠紅外區域的吸收和熒光反射信號之間的比值。本研究中，在每個采樣區內隨機選擇1株代表性植株，完全展開葉片，測量冠層葉片根部、中部以及上部的LCC，取其平均值作為該采樣區的平均LCC。在3個生長期共獲取了360組有效LCC數據。

1.3光譜指數選取與計算

通過對各個波段的反射率進行特定的代數組合計算出試驗區內作物冠層的植被指數[22]。借鑒以往的研究成果[23-33]，本研究用到的植被指數主要包括：藍光波段（blue，B）綠光波段（green，G）、紅光波段（red，R）、近紅外波段（nearinfrared，NIR）、比值植被指數（ratiovegetationindex，RVI）、歸一化差異植被指數（normalized difference vegetationindex，NDVI）增強型植被指數（enhanced vegetationindex，EVI）、雙波段增強型植被指數（two-bandenhancedvegetationindex，EVI2）優化植被指數1（optimizedvegetationindex 1，0VG1 ）歸一化差異紅邊指數（normalized differencered edge index，NDRE）、植物生化指數（plantbiochemical index，PBI） ?705nm 歸一化差異植被指數（normalizeddifference vegetation index₇₀₅ NDVI₇₀₅ ） .705nm 比值植被指數（modified simple ratio₇₀₅ mSR₇₀₅ ）、光化學反射指數（photochemical reflectanceindex，PRI）、結構不敏感色素指數（structureinsensitivepigmentindex，SIPI）、植物衰老反射指數（plantsenescencereflectanceIndex，PSRI），根據下列公式進行計算。

式中， R 為光譜反射率，450、470、530等數字代表不同的波長， nm;Sl85 光譜分辨率為 4nm ，受采樣間隔影像，分別用 R₄₅₀?R₅₃₀?R₅₆₂?R₆₈₂?R₇₀₆?R₇₂₂?R₇₄₂ 和 R₈₀₂ 代替 R₄₅₄?R₅₃₁?R₅₆₀?R₆₈₀?R₇₀₅?R₇₂₀?R₇₄₀ 和 R₈₀₀ 。

1.4LCC反演模型構建

為消除不同數據之間的量綱，對從無人機高光譜影像中提取的各植被指數進行歸一化處理，并將其作為輸人變量構建春小麥LCC反演模型。本研究共采用6種機器學習算法，主要分為基本機器學習模型和集成學習模型，前者包括隨機森林（RF）算法、支持向量機（SVR）、K_近鄰（K-nearestneighbor，K_NN）和嶺回歸（ridge regression，RR），后者包括Stacking和Voting。不同模型因其獨特的算法特性，在同一數據上的表現也不同。RF通過結合多個決策樹的預測結果進行回歸，能有效處理復雜的數據集和特征間的非線性關系[34]。SVR利用核函數將數據映射到更高維度的空間中，解決數據特征間的非線性關系[35]。K_NN通過分析輸入樣本的最近鄰來進行回歸預測，在處理數據分布復雜或界限不明顯的場景中表現突出[3。RR作為一種線性回歸方法，用于處理多重共線性問題[37]。基本機器學習是調用python的sklearn庫來執行，具體步驟為數據加載預備與預處理、數據劃分、模型評估等。

Stacking通過結合多個不同預測模型來提升預測性能3，該方法主要分為2個步驟。首先，訓練多個基本機器學習模型對同一數據集進行預測；然后，使用1個元學習器（Meta-learner）來整合這些基本機器學習模型的輸出作為其輸人，并產生最終的預測結果。該方法的優勢在于能夠捕捉不同基本模型間的預測差異，并有效利用這些差異來提高整體模型的精度。Voting的核心是各個模型可能在某些特定方面有優勢，Voting則通過綜合這些模型的預測來提升整體性能2。在Voting集成中，所有基本模型均在完整的訓練集上獨立訓練并預測，最終預測結果是平均所有模型的輸出結果來確定。該策略的優勢在于其簡便性和綜合性，使得最終預測結果更加穩定。集成學習模型的構建，首先在第1層分別構建基于RF、SVR、K_NN和RR的預測模型；然后將預測結果作為輸入變量，在第2層使用Stacking和Voting進行訓練和驗證；最后得到LCC反演結果。集成學習的流程如圖2所示。

1.5模型精度評價

在本研究中，3個生長期共獲得了360組樣本。每個生長期選取 70% 的樣本用作訓練集來構建模型，剩余 30% 的樣本用作測試集，用于評估模型的準確性。采用決定系數 （R²） 和均方根誤差（RMSE）對回歸模型進行評價。 R² 越高、RMSE越低表明模型精度越高。

2 結果與分析

2.1春小麥不同生長期LCC及光譜特征分析

2.1.1春小麥不同生長期LCC特征分析由表1可知，在拔節期，春小麥LCC的平均值為155.85，最大值為218.00，最小值為72.00，標準差為22.22，變異系數為 14% ，表明在拔節期春小麥的LCC相對穩定。進入抽穗期，春小麥LCC的平均值略有上升，達到160.53，最大值為218.00，最小值為104.00，標準差增至23.36，變異系數上升至15% ，表明抽穗期春小麥LCC的波動略有增加，但總體上依然保持較高的穩定性。在灌漿期，春小麥的LCC平均值下降至125.47，最大值降至180.00，最小值降至53.00，這一階段的變化幅度最大，標準差增至33.59，變異系數達到 27% ，表明在灌漿期春小麥LCC的波動性達到最高。

綜合來看，從拔節期到灌漿期，春小麥LCC的平均值呈現出先上升后下降的趨勢，波動幅度逐漸增大。這反映出春小麥在不同生長期的生理狀態和環境適應性的變化。特別是在灌漿期，LCC的大幅下降可能與營養物質的轉移和分配有關，這是春小麥生長周期中較關鍵的生理階段。同時，從拔節期到灌漿期，LCC的最大值和最小值之間的差距逐漸擴大，尤其在灌漿期的高標準差和變異系數表明該生長期春小麥LCC的不確定性和變化幅度最大，反映了春小麥對生長環境和內部生理狀態變化的適應過程。由圖3春小麥3個生長期LCC的變化趨勢可知，從拔節期到灌漿期春小麥LCC表現為先上升后下降的趨勢。

2.1.2春小麥不同生長期光譜特征分析由圖4可知，春小麥不同生長期冠層的高光譜反射率曲線變化趨勢基本一致，表現為“1峰2谷和1平臺”的特征。在可見光范圍內，受葉綠素的影響春小麥的高光譜反射率普遍較低，這是因為葉綠素在進行光合作用時主要吸收藍光（約 440nm 和紅光（約 660nm ）。因此，LCC較高的葉片在這些波段的反射率較低，造成了2個明顯的吸收谷。在綠光波段（約 550nm ，葉綠素反射綠光形成1個反射峰。在近紅外范圍內， 680～760nm 的紅邊區域，隨著生長期的推進出現了輕微的“紅移”現象。紅邊是植物葉片對光的反射在紅光區域到近紅外區域的過渡帶，其位置和形態的變化直接關系植物的生理狀態和LCC。在整個波長范圍內，不同生長期的反射率曲線形狀基本一致，但隨著生長期的推進，反射率整體呈先上升后下降趨勢，特別是在 770～900nm 波長范圍內，可以觀察到LCC較高的生長期（如抽穗期）相比于含量較低的生長期（如拔節期和灌漿期）表現出更高的光譜反射率。

2.2LCC與光譜指數相關性分析

為探索從高光譜傳感器獲取的光譜指數與LCC之間的相關性，通過Pearson相關性分析對3個生長期的光譜指數與春小麥LCC進行統計分析。從圖5可知，16個光譜指數在3個生長時期均與LCC顯著相關。在拔節期，與LCC相關最密切的3個指數分別為NDRE、OVG1和PBI，相關系數分別達到0.720、0.709和0.706；負相關性最高的光譜指數是PSRI，相關系數為-0.700。在抽穗期，光譜指數OVG1、PBI和NDRE與LCC的相關性最高，相關系數分別為0.754、0.754和0.750；負相關性最好的光譜指數是PSRI，相關系數為-0.712。灌漿期的相關性整體上略低于拔節期和抽穗期，其中PBI、OVG1、NDRE與LCC的相關性最好，相關系數分別為0.654、0.641和0.637；負相關性最好的光譜指數是PSRI，相關系數為-0.604 。綜合分析各生長期的光譜指數與LCC間的相關性發現，光譜指數PBI、OVG1和NDRE在整個生長期內均與LCC保持較高的相關性，表明在不同生長階段這些指數可作為評估LCC的可靠指標。

2.3春小麥LCC反演及精度驗證

將相關系數最高的3個光譜指數作為RF、SVR、K_NN和RR的輸入變量，構建基本模型。并將4個基本模型的反演結果作為輸入特征，構建Stacking和Voting集成模型。由表2和表3可知，RF在所有基本模型中相對表現最好，特別是在拔節期，其訓練集的 R² 為0.73，測試集的 R² 為0.72，表明RF在拔節期具有較好的擬合和預測能力。RR在所有生長期的訓練和驗證階段的表現均最差，特別是在灌漿期，其訓練集的 R² 僅為0.43，測試集的 R² 為0.44，明顯低于RF，表明RR在處理此類數據時局限性較大。SVR和K_NN也未能達到RF的表現水平。相比之下，Stacking和Voting這2個集成學習模型在3個生長期的反演精度較穩定，且 R² 均高于基本模型。其中，Voting集成模型在所有模型中表現最佳，在測試集中，3個生長期的 R² 分別為0.78、0.77和0.73，RMSE分別為8.70、11.36和16.17。與RF、SVR、K_NN和RR相比，其 R² 平均分別提高約0.17、0.14和0.22，RMSE平均降低4.64、2.54和6.51，說明Voting具有極好的預測能力。

盡管基本模型在特定情況下具有一定的反演精度，但在處理春小麥不同生長期LCC估算時，其性能受到一定限制。相較之下，Voting集成學習模型在提高預測準確性和穩定性方面展現了明顯的優勢。圖6為Voting模型測試集在春小麥不同生長期LCC實測值與預測值的擬合圖，其中虛線為1：1線，實線為擬合線，擬合方程斜率越接近1，說明模型效果越好。

2.4春小麥不同生長期LCC空間變化特征

利用基于植被指數構建的Voting集成學習LCC反演模型，對春小麥3個生長期的LCC進行空間反演。圖7展示了春小麥在不同生長期的LCC空間動態變化，結果顯示，從拔節期到抽穗期LCC呈現上升趨勢；從抽穗期到灌漿期，LCC有明顯下降。這些變化與LCC的實測值基本一致，表明模型具有良好的泛化能力。

3討論

光譜指數能有效反映植被的健康狀況，被廣泛應用于監控LCC的動態變化29。由于其與表型性狀呈現顯著相關性，這一點在高光譜影像中表現尤為明顯。相較于傳統的RGB影像，高光譜影像擁有更豐富的光譜波段，尤其是在近紅外區域，這使得它們在揭示植被信息方面更為有效[39。汪旭等4在研究中選擇了與LCC高度相關的NDRE作為獨立變量，用以預測甜菜的LCC。在本研究所選用的16種光譜指數中，PBI、OVG1和NDRE與春小麥LCC在整個生長周期內保持了高度的相關性。

傳統的線性回歸模型在揭示復雜關系方面存在局限，難以滿足現代LCC估算的需求[41]。因此，引入機器學習算法為LCC估算提供新視角和更強的解析能力[42]。本研究采用6種不同的機器學習算法，在灌漿期K_NN和RR模型表現稍遜，但其他模型的 R² 均超過0.5，集成模型因綜合不同模型性能的優勢，展現出更高的預測精度。本研究中，構建的Voting集成學習模型在LCC預測中表現最出色，這與已有研究成果一致[43-45]。Feng等[43]基于無人機高光譜圖像預測首蓿產量時發現，集成學習模型顯著提高了預測精度， R² 達到0.874。Ge等44在比較機器學習模型和集成模型在確定水稻生長階段的性能時也觀察到，集成模型的總體精度提高 1%～5% ，其中Voting模型表現最佳。Pragathi[45利用Voting模型預測作物產量的研究也體現出類似的趨勢。以上研究表明，Voting算法不僅具有較強的抗干擾和抗過擬合能力，而且對于背景噪聲和異常值的容忍度也相對較高。

本研究探討了春小麥不同生長階段LCC的估算方法，雖然在反演精度方面取得了顯著成果，但研究仍存在一定局限性。由于田間試驗區域相對較小，樣本數量有限，可能會影響結果的普遍適用性。本研究主要關注農戶種植的普通春小麥，作物種類的單一性可能會限制研究的廣泛應用。未來的研究應在更廣闊的大田試驗中增加試驗品種，擴大樣本規模。此外，為了提高模型的泛化能力和異地適用性，后續研究應考慮引入不同類型的作物品種，結合紋理特征、物候特性和土壤信息等多維數據，同時篩選和組合更高性能的基礎模型。

參考文獻

[1]WIJESINGHAJ，DAYANANDAS，WACHENDORFM，etal.. Comparison of spaceborne and UAV-borne remote sensing spectraldata forestimating monsoon cropvegetation parameters [J/OL]. Sensors，2021，21（8）：2886 [2023-11-15]. https：//doi.org/10.3390/s21082886.

[2] BOHMANBJ，ROSENCJ，MULLADJ.Evaluationof variable rate nitrogen and reduced irrigation management for potatoproduction[J].Agron.J.，2019，111（4）：2005-2017.

[3]LIXQ，LIL，LIUXN.Collaborative inversion heavy metal stressin rice byusing two-dimensional spectral feature space based onHJ-1 AHSI and radarsat-2 SAR remote sensing data [J]. Int.J.Appl.Earth Obs.Geoinf.，2019，78：39-52.

[4]PUTRA B T W.New low-cost portable sensing system integrated with on-the-go fertilizer application system for plantation crops[J/OL].Measurement，2020，155：107562[2023- 11-15]. https：//doi.org/10.1016/j.measurement.2020.107562.

[5]劉濤，張寰，王志業，等.利用無人機多光譜估算小麥葉面積 指數和葉綠素含量[J].農業工程學報，2021，37（19）：65-72. LIUT，ZHANGH，WANGZY，etal..Estimationoftheleaf areaindexandchlorophyllcontentofwheatusingUAVmultispectrum images [J]. Trans.Chin.Soc.Agric.Eng.，2021， 37（19）：65-72.

[6]趙春江.農業遙感研究與應用進展[J].農業機械學報，2014， 45（12）：277-293. ZHAO CJ.Advances of research and application in remote 2014，45（12）： 277-293.

[7]楊貴軍，李長春，于海洋，等.農用無人機多傳感器遙感輔助 小麥育種信息獲取[J].農業工程學報，2015，31（21）：184-190. YANGGJ，LICC，YUHY，etal..UAVbasedmulti-loadremote sensing technologies for wheat breeding information acquirement [J].Trans.Chin.Soc.Agric.Eng.，2015，31（21）：184-190.

[8］劉建剛，趙春江，楊貴軍，等.無人機遙感解析田間作物表型 信息研究進展[J].農業工程學報，2016，32（24）：98-106. LIUJG，ZHAOCJ，YANGGJ，etal..Reviewoffield-based phenotyping by unmanned aerial vehicle remote sensing platform [J].Trans.Chin.Soc.Agric.Eng.，2016，32（24）： 98-106.

[9]邊明博，馬彥鵬，樊意廣，等.融合無人機多源傳感器的馬鈴 薯葉綠素含量估算[J].農業機械學報，2023，54（8）：240-248. BIANMB，MAYP，FANYG，et al..Estimation of potato chlorophyll content based on UAV multi-source sensor [J]. Trans. Chin.Soc.Agric.Mach.，2023，54（8）：240-248.

[10]QIAOL，TANG WJ， GAO D H， et al. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages [J/OL]. Comput. Electron. Agric.，2022，196：106775 [2023-11-15]. htps：//doi.rg/10.1016/ j.compag.2022.106775.

[11]BEHMANNJ， MAHLEIN A K，RUMPF T， et al..A review of advanced machine learning methods for the detection of biotic stress in precision crop protection [J].Precis.Agric.，2015， 16（3）： 239-260.

[12] SHU M Y，SHEN M Y， ZUO JY， et al. The application of UAV-based hyperspectral imaging to estimate crop traits in maize inbred lines [J/OL].Plant Phenomics，2O21，2021： 9890745 [2023-11-15]. https：//oi.org/10.34133/2021/9890745.

[13]劉楠，李斐，楊海波，等.優化光譜指數助力機器學習提高馬 鈴薯葉綠素含量反演精度[J].植物營養與肥料學報，2023， 29（8）：1531-1542. LIUN，LIF，YANGHB，etal..Machine learning models fed with optimized spectral indices toimprove inversion accuracy of potato chlorophyll content [J].J.Plant Nutr.Fert.，2023， 29（8）：1531-1542.

[14]QI HX，WU Z Y，ZHANG L，et al..Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction [J/OL]. Comput. Electron.Agric.，2021， 187：106292 [2023-11-15]. htps：//doi.org/10.1016/j.compag.2021. 106292.

[15］張卓然，常慶瑞，張廷龍，等.基于支持向量機的棉花冠層葉 片葉綠素含量高光譜遙感估算[J].西北農林科技大學學報 （自然科學版），2018，46（11）：39-45. ZHANG Z R， CHANG Q R， ZHANG T L， et al. Hyperspectral estimation of chlorophyll content of cotton canopy leaves based on support vector machine [J].J.Northwest Aamp;F Univ.（Nat. Sci.），2018，46（11）： 39-45.

[16] JIAO Q J，SUN Q， ZHANG B， et al. A random forest algorithm for retrieving canopy chlorophyll content of wheat and soybean trained with PROSAIL simulations using adjusted average leaf angle [J/OL].Remote. Sens.，2021，14（1）： 98 [2023-11-15]. l//.＼～/102200/14010000

[17」羅丹，吊慶瑞，介雁仆.基于紅邊參數和人上神經網給的平采 葉片葉綠素含量估算[J].西北農林科技大學學報（自然科學 版），2019，47（1）：107-115. LUOD，CHANGQR，QIY B. Estimation of chlorophyll content in apple leaves based on red edge parameters and artificial neural network [J].J.Northwest Aamp;FUniv.（Nat. Sci.），2019，47（1）： 107-115.

[18]FEI SP，HASSAN MA，HE ZH，et al..Assessment of ensemble learning to predict wheat grain yield based on UAVmultispectral reflectance [J/OL].Remote. Sens.，2021，13（12）： 2338 [023-11-15]. htps：//oi.org/10.3390/rs13122338.

[19] ZHANG Z， PASOLLI E， CRAWFORD M M. An adaptive multiviewactive learningapproachforspectral-spatial classification of hyperspectral images [J]. IEEE Trans. Geosci. Remote.Sens.，2020，58（4）：2557-2570.

[20］符欣彤，常慶瑞，張佑銘，等.基于Stacking集成學習的獼猴桃 葉片葉綠素含量估算[J].干旱地區農業研究，2023，41（4）： 247-256. FUXT，CHANGQ R，ZHANGY M，et al..Estimation of kiwifruit leaf chlorophyll content based on Stacking ensemble learning[J].Agric.Res.Arid Areas，2023，41（4）：247-256.

[21]PEPPES N，DASKALAKIS E，ALEXAKIS T，etal.. Performanceof machinelearning-based multi-model voting ensemble methods for network threat detection in agriculture 4.0[J].Sensors，2021，21（22）：7475[2023-11-15]. https：//doi. org/10.3390/s21227475.

[22]LIANG L， DI L P， ZHANG L P，et al. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J].Remote.Sens.Environ.，2015，165：123-134.

[23]RABIDEAU SW，LEMONSJF. The potential of the Pu（III）- （204號 Pu（IV） couple and the equilibrium constants for some complex ions of Pu（IV）1[J].J.Am.Chem.Soc.，1951，73（6）：2895-2899.

[24]DEFRIES R S，TOWNSHEND JR G.NDVI-derived land cover classifications at a global scale [J].Int.J.Remote. Sens.， 1994，15（17）： 3567-3586.

[25]HUETE A，DIDAN K，LEEUWEN L W，et al..MODIS vegetation indices [J/OL]. Land Remote Sens.Glob. Environ. Change，2010： 579-602 [2023-11-15]. htps：//doi.org/10.1007/ 978-1-4419-6749-7_26.

[26]JIANG Z Y， HUETE AR，DIDAN K， et al.. Development of a two-band enhanced vegetation index without a blue band [J]. Remote.Sens. Environ.，2008，112（10）：3833-3845.

[27]VOGELMANNJE，ROCK B N， MOSS D M.Red edge spectral measurements from sugar maple leaves [J]. Int.J.Remote. Sens.，1993，14（8）：1563-1575.

[28]FITZGERALD G J，RODRIGUEZ D，CHRISTENSEN L K， et al..Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments [J].Precis. Agric.，2006，7（4）： 233-248.

[29]RAO NR， GARG P K，GHOSH S K， et al.. Estimation of leaf total chlorophyll and nitrogen concentrations using hyperspectral satellite imagery [J]. J.Agric.Sci.，2008，146（1）：65-75.

[30]WU C Y，NIU Z， TANG Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices： modeling and validation[Jl. Agric.For.Meteor..2008.148：1230-1241.

[31]DROLETGG，HUEMMRICHKF，HALL FG，etal..A MODIS-derived photochemical reflectance index to detect inter-annualvariationsinthephotosyntheticlight-use efficiency ofa boreal deciduous forest[J].Remote.Sens. Environ.，2005，98（2）：212-224.

[32]SIMS DA，GAMONJA.Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages [J]. Remote.Sens. Environ.， 2002，81（3）：337-354.

[33]ANDEREGGJ，YU K，AASENH，et al..Spectral vegetation indices to track senescence dynamics in diverse wheat germplasm [J/OL].Front.Plant Sci.，2019，1O：1749 [2023-11- 15].https：//doi.org/10.3389/fpls.2019.01749.

[34]張東彥，韓宣宣，林芬芳，等.基于多源無人機影像特征融合 的冬小麥LAI估算[J].農業工程學報，2022，38（9）：171-179. ZHANGDY，HANXX，LINFF，etal..Estimationof winter wheatleaf area indexusing multi-sourceUAV image feature fusion[J].Trans.Chin. Soc.Agric.Eng.，2022，38（9）：171-179.

[35]劉京，常慶瑞，劉淼，等.基于SVR算法的蘋果葉片葉綠素含 量高光譜反演[J].農業機械學報，2016，47（8）：260-265，272. LIUJ，CHANGQR，LIU M，et al..Chlorophyll content inversionwith hyperspectral technology for apple leavesbased onsupport vector regression algorithm [J]. Trans.Chin.Soc. Agric.Mach.，2016，47（8）：260-265，272.

[36]COSENZA DIOGO N，LAURI K，MATTIM， et al. Comparison of linear regression，k-nearest neighbour and random forest methodsin airbornelaser-scanning-based predictionof growing stock[J].For.Int.J.For.Res.，2021，94（2）：311-323.

[37] JI S，GU C，XI X B，et al.. Quantitative monitoring of leaf area indexinricebasedonhyperspectral featurebandsand ridge regression algorithm [J/OL]. Remote Sens.，2022，14（12）： 2777 [2023-11-15]. https：//doi.org/10.3390/rs14122777.

[38]楊紅云，郭紫微，郭高飛，等.基于Stacking集成卷積神經網絡 的水稻氮素營養診斷[J].植物營養與肥料學報，2023，29（3）： 573-581. YANGHY，GUO ZW，GUO GF，et al..Rice nitrogen nutrition diagnosis based on Stackingintegrated convolutional neural network[J].J.PlantNutr.Fert.，2023，29（3）：573-581.

[39]MAIREGL，FRANCOISC，DUFRENEE.ToWards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements [J]. Remote.Sens. Environ.，2004，89（1）：1-28.

[40]汪旭，鄧裕帥，練雪萌，等.基于無人機多光譜技術的甜菜冠 層葉綠素含量反演[J].中國糖料，2022，44（4）：36-42. WANGX，DENGYS，LIANXM，etal..Inversion of chlorophyll content in sugar beet canopy based on UAV multispectral technique[J].Sugar Crops China，2022，44（4）： 36-42.

[41]CHLINGARYANA，SUKKARIEHS，WHELANB.Machine learning approaches for crop yield prediction and nitrogen status estimationin precisionagriculture：a review[J].Comput. Electron.Agric.，2018，151：61-69.

[42]LIAKOS K G，BUSATO P，MOSHOU D，et al..Machine learning in agriculture：a review [J/OL]. Sensors，2018，18（8）： 2674 [2023-11-15]. https：//doi.org/10.3390/s18082674.

[43]FENGLW，ZHANG Z，MAYC，et al..Alfalfa yield prediction usingUAV-based hyperspectral imagery and ensemble learning [J/OL].Remote. Sens.，2020，12（12）：2028 [2023-11- 15]. https：//doi.org/10.3390/rs12122028.

[44]GE H X，MA F，LI ZW，et al..Improved accuracyof phenological detection in rice breeding by using ensemble models of machine learningbased on UAV-RGB imagery [J/OL]. Remote. Sens.，2021，13（14）： 2678 [2023-11-15].https：//doi. org/10.3390/rs13142678.

[45]PRAGATHIK.Cropyieldpredictionandfertilizer recommendation using voting based ensemble classifier [J]. Int. J. Innovat.Res.Technol.，2021，8（6）： 510-516.