基于無人機多光譜影像結合機器學習的棉花SPAD值估算

中圖分類號：S562 文獻標志碼：A 文章編號：1001-4330（2025）04-0791-09

0 引言

【研究意義】葉綠素是植物進行光合作用的重要色素，其含量與作物生長狀況、產量以及健康狀況等密切相關，是評價作物長勢和品質的重要指標[1]。葉綠素相對含量（Soil and Plant AnalyzerDevelopment，SPAD）與葉綠素含量之間具有極顯著關系，故測量SPAD值可有效的反映作物葉片葉綠素含量[2-4]。田間測量 SPAD 值具有非破壞性的特點，但仍存在耗時費力、難以大面積監測等問題。快速、無損、精準監測SPAD值仍是一個亟需解決的問題[5-6]。因此，及時估算作物葉綠素含量對于棉田施肥管理具有重要意義。【前人研究進展】無人機遙感技術在農業領域的研究顯著增加[7]。周敏姑等[8]基于多光譜影像提取光譜參量構建線性回歸模型，結果表明一元線性回歸模型反演效果最佳（ R² 達0.866）。王爍等基于高光譜影像提取13種植被指數以及優化光譜指數構建線性或非線性模型，提出基于優化光譜指數構建二次曲線方程的精度最高（ R² 達0.843）。毛智慧等[10]利用不同多光譜傳感器及植被指數預測SPAD值，根據MAC傳感器提取的MACRI1植被指數構建對數方程模型效果最佳（ R² 達0.8326）。上述研究中簡單的線性或非線性模型預測SPAD值精度高，但在處理大規模較復雜數據時存有不足。目前機器學習算法逐漸成為構建SPAD 值估算模型的重要手段。劉江凡等[11]利用無人機多光譜影像，選取與蘋果樹冠層SPAD值顯著相關的植被指數構建反演模型，通過精度驗證，采用隨機森林回歸構建的模型表現最優（ R² 達0.702）。JianjunWang等[12]利用無人機獲取冬小麥越冬期多光譜影像，提取原始波段及植被指數，選擇不同特征選擇算法和機器學習模型組合構建模型，表明通過隨機森林選擇的特征構建支持向量機模型精度最高（ R² 達0.754）。BiligeSudu 等[13]在微噴條滴灌供水條件下，獲得了夏玉米不同關鍵生育期的高光譜圖像并提取波段數據，通過不同算法選擇與SPAD值顯著相關的波段構建。機器學習算法模型，得出深度神經網絡模型反演效果最佳（ R² 達0.82）。YahuiGuo等[14]利用無人機采集玉米不同生長階段影像并提取光譜和紋理指數構建機器學習模型，表明支持向量機預測SPAD值模型精度表現較高（ R² 達0.81）。【本研究切入點】無人機遙感估算SPAD值相關技術愈加成熟，在小麥、水稻、玉米和棉花等作物葉片SPAD值反演均開展了研究，然而在棉花葉片SPAD值估算大多針對花鈴期進行構建模型，對不同生育時期SPAD值估算變化情況的研究尚少，棉花從現蕾期開始進入營養生長和生殖生長的并進階段，及時掌握田間棉花SPAD值差異變化對精準施肥尤為重要，故有必要探明不同生育時期棉花SPAD值的變化規律。【擬解決的關鍵問題】以新疆昌吉市棉花為研究對象，利用無人機搭載多光譜相機在棉花不同生育時期獲取遙感數據，構建基于多光譜植被指數的棉花SPAD值估算模型，篩選各生育時期普適性更強、精度更高的模型，為農田精準施肥提供技術支撐。

一 材料與方法

1.1 材料

試驗點位于新疆昌吉回族自治州昌吉市大西渠鎮華興農場（ 44^°12^′N，87^°18^′E ，該地屬于中溫帶大陸性干旱氣候，年平均氣溫為 6.8% ，年平均降水量為 190mm ，年平均蒸發量為 1787mm ，無霜期為 160～190d ，年日照時數為 2700h ，年 ? 10^°C 積溫為 3450^°C 。試驗區土壤質地為粘性壤土，有機質含量 12.9g/kg ，全氮 0.67g/kg 和容重1.42g/cm³ ，土壤 pH 值8.02。圖1

1.2 方法

1.2.1 試驗設計

采用雙因素隨機區組試驗，設3個品種和5個種植密度處理，棉花品種為新農大棉1號、新陸早73號和欣試518，種植密度分別為 D₁（9×10⁴ 株 ?hm² ） D₂ （ 13.5×10⁴ 株 /hm² ）、 D₃ （ 18×10⁴ 株 ?m² ） .D₄（22.5×10⁴ 株 ?hm² ）和 D₅ （ 27×10⁴ 株 ?hm² ），以大田種植品種中棉113密度為 27× 10⁴ 株 ?hm² 為對照處理（CK），共16個處理，每個處理重復3次，共計48個小區。各小區長 9m 寬 6.9m 。采用1膜3管6行種植模式，按照當地棉花生產管理方式進行，播種日期為2023年4月28日，收獲日期為10月8日。

1.2.2 測定指標

1.2.2.1 地面 SPAD 值

田間實測棉花葉片SPAD值采集時間為6月21日7月19日8月18日和9月16日，分別對應棉花的現蕾期、開花期、盛鈴期和吐絮期。于各小區的中行、邊行分別定點選擇連續5株棉花，打頂前選擇棉花倒4葉，打頂后倒3葉，使用SPAD-502Plus 葉綠素儀測定。在葉片不同位置測量3次求其平均值，分別計算中、邊行5株棉花SPAD值的平均值為該小區中、邊行實測數據。

1. 2. 2. 2 無人機遙感影像獲取

于每次地面數據采集前，采用大疆創新M350RTK無人機搭載MicasenseRedEdge-P多光譜傳感器獲取棉田冠層影像。多光譜相機共有5個通道，分別為藍（B）綠（G）紅（B）、近紅外（NIR）、紅邊（RE）波段，對應波長分別為（ 475±32 ）nm、0 560±27 ） nm 、（ 668±14. ） nm 、（ 842±57. ）nm和1 717±12 ） nm 。選擇晴朗無云、無風天氣，獲取時間為 13：00～15：00 。圖像采集前先對無人機進行地磁校準，起飛點和降落點為同一位置，選擇空曠平坦位置，在棉田放置標定牌，確定圖像中棉田的位置，航線盡量選擇覆膜方向。飛行高度30m ，飛行速度 2m/s ，旁向和航向重疊率均為 85% ，采用等時間拍照，每個時期圖像采集航線一致。

1.3 數據處理

1. 3.1 數據預處理

1. 3.1. 1 影像拼接

利用Pix4DMapper軟件對獲取的多光譜影像數據進行拼接與輻射校正。首先將原始圖像數據導入軟件，選擇AgMultispectral模式并采用輻射標定板對反射圖譜進行輻射校準，輸出DOM影像。

1.3.1.2 剔除土壤背景

在ArcMap10.7中對獲取的正射影像去除背景。首先通過柵格數據計算NDVI植被指數圖譜，然后使用重分類工具制作掩膜，再對正射影像進行掩膜土壤背景，并提取波段反射率。

1.3.1. 3 植被指數構建

遙感圖像上的植被信息主要通過綠色植物葉片和冠層的光譜特性及其變化反映[15]。植被指數是由不同光譜波段間進行線性或非線性組合計算而成，主要反映植被在可見光、近紅外波段反射與土壤背景之間差異，以增強植被信息[16]。研究選取與棉花 SPAD 值相關性較高的9個植被指數用于構建棉花SPAD值的估算模型。表1

1.3.2 模型構建與評價

1. 3.2.1 估算模型構建

基于建模樣本和植被指數分別采用極限學習機（ExtremeLearningMachine，ELM）隨機森林回歸（RandomForestRegression，RFR）、支持向量回歸（SupportVectorRegression，SVR）、多元逐步回歸（MultipleStepwiseRegression，MSR）四種算法構建棉花SPAD值估算模型。極限學習機是一種單隱層前饋神經網絡，在保證其精度的前提下相較于其他神經網絡學習速度更快，易于操作，非線性擬合能力強，能產生唯一的最優解[22]。隨機森林回歸是一種基于決策樹的集成學習算法，主要針對數據分類和回歸問題。隨機森林可以評估自變量對因變量的重要性程度，訓練速度快、準確率較高、有效解決數據非線性問題且不易產生擬合[23]。支持向量回歸是一種針對小樣本數據具有良好學習和泛化能力的監督型機器學習模型[24]，在處理數據非線性問題中展現卓越的性能，具有較好的魯棒性[25]

1.3.2. 2 模型精度評價

將樣本按照6：4的比例隨機劃分為模型訓練集和驗證集。選取決定系數（Coefficientofdeter-mination， R² ）均方根誤差（Root Mean Square Er-ror，RMSE）和相對均方根誤差（relativeRootMeanSquare Error， rRMSE ）作為模型評價指標。訓練集和驗證集的 R² 越大，RMSE和rRMSE越小，表明模型穩定性越好，預測精度越高。

2 結果與分析

2.1 棉花葉片 SPAD 值特征

研究表明，隨著棉花生育時期的推進，SPAD值平均值呈上升趨勢。全部樣本 SPAD 值介于43.3～85.7 ，現蕾期、開花期和盛鈴期的SPAD值變異系數介于 1%～10% ，表現為弱變異，各生育時期SPAD值離散程度小，即SPAD值具有一定穩定性。吐絮期的 SPAD 值變異系數為 10.96% ，表現為中等變異，該時期SPAD值穩定性較差，葉片葉綠素差異較大。表2

2.2 棉花 SPAD 值與多光譜植被指數的相關性

研究表明，大多數植被指數隨生育時期的推進呈先上升后下降的趨勢，所選取的植被指數與棉花SPAD值均呈極顯著正相關，相關系數為0.32～0.81 。在各生育時期CCCI和CIrededge與棉花 SPAD 值的相關性較高，相關系數為 0.81～ 0.67，MSR 在現蕾期、開花期和盛鈴期相關性最低，相關系數為 0.32～0.35 ，在吐絮期則表現較優的相關性，相關系數為0.62。各植被指數與SPAD值間的相關性隨生育時期的變化而發生波動。各多光譜植被指數具有反映棉花SPAD值在不同生長階段變化的潛質。圖2

2.3 棉花各生育時期 SPAD 值估算模型構建與驗證

研究表明，ELM模型和RFR模型在各生育時期估算精度較優。現蕾期、開花期和吐絮期最佳估算模型為ELM，其中現蕾期最優模型驗證集 R² 為0.656，RMSE為2.306，rRMSE為0.042；開花期最優模型驗證集 R² 為0.741，RMSE為1.448，rRMSE為0.025；吐絮期最優模型驗證集 R² 為0.587，RMSE為5.274，rRMSE為0.079。盛鈴期最佳估算模型為RFR，驗證集 R² 為 0.577，RMSE 為 1.980，rRMSE 為0.031。在棉花開花期，基于ELM的棉花 SPAD 值估測模型精度最優，預測性能較現蕾期提高了 12.96% ，較盛鈴期提高了28.42% ，較吐絮期提高了 26.24% 。表3

4個生育時期模型 R² 值分別為 0.656、0.741 70.549和0.587，ELM模型可以實現棉花各生育時期的SPAD值估算，其中，開花期模型精度最高，盛鈴期精度最低，原因可能是人工采集SPAD值時，少許處理小區棉花葉片存在少許積水，導致實測SPAD值存在略微差異，同時地面采樣點與影像上對應像素空間窗口有少量除根后纏繞在棉花上的干枯田旋花影響。圖3

注：A：現蕾期;B：開花期；C：盛鈴期；D：吐絮期 Notes：A：Budding stage;B：Flowering period;C： Full boll period;D：Opening-boll stage

Fig.2Thermogram of correlation coefficient between vegetation index and cotton SPAD value atdifferent growth stages

注：A：現蕾期；B：開花期；C：盛鈴期；D：吐絮期 Notes：A：Budding stage；B：Flowering period；C：Fullboll period;D：Opening-boll stage

3討論

3.1 無人機多光譜植被指數的相關性

試驗研究表明，CIrededge植被指數和CCCI植被指數與各生育時期棉花SPAD值相關性均較高。HORLER等[26]研究發現，波段反射率與葉綠素有較優的相關性，使得CIrededge與SPAD值具有強相關性。從研究中選取的與SPAD值具有較高相關性的植被指數公式中發現，近紅外和紅邊波段參與較多，證明2個波段對研究區棉花葉片SPAD值具有較好的光譜響應。與黃春燕[27]研究確定近紅外波段和紅邊波段為新疆棉花SPAD值的敏感波段結論一致。MRETVI植被指數和ME-VI植被指數均由近紅外、紅邊和綠波段構建而成，與不同生育時期棉花SPAD值均顯示較高的相關性，相關系數在0.5以上，呈極顯著相關，說明綠波段與棉花冠層SPAD值響應明顯。MSR植被指數與棉花SPAD值相關性較低，說明紅波段研究區SPAD值的響應較低，與劉成成[28]的研究相符合。

近紅外波段、紅邊波段和綠波段可作為該研究區棉花SPAD值的特征波段。光譜波段因地域不同而有所不同，王爍等研究得出在陜西省關中地區綠光和紅邊波段為棉花葉片SPAD值的敏感波段。紀偉帥等[29]確定紅光和紅邊波段為華北平原棉花葉片 SPAD 值特征波段。故明確不同地區棉花SPAD值敏感波段可提高估算模型精度，減少其他光譜特征的干擾。

3.2 棉花葉片 SPAD 值估測模型

研究構建了各生育時期的植被指數，使用4種機器學習算法構建棉花不同生育時期葉片SPAD值估算模型，并探究各生育時期模型精度。結果發現，在棉花開花期的SPAD值估測精度最高，現蕾期次之，依次是吐絮期和盛鈴期，同時有研究將棉花的花期和鈴期并稱為花鈴期，此時是棉花生長的關鍵時期，以往基于無人機遙感的對棉花 SPAD 值研究往往基于這一時期[30-31]。研究中SPAD值估測精度在棉花盛鈴期最低，可能是地面采集棉花SPAD值樣點與無人機影像上對應像素空間范圍內有棉鈴以及干枯雜草的影響使得無人機獲取可見光光譜信息存在細微差異，導致提取處理小區的多光譜各波段平均值存在差異，也是影響模型精度的原因。而吐絮期模型精度低的原因可能是此階段棉鈴開裂露絮，棉花葉片逐漸變枯發黃，隨著棉田噴灑脫葉劑，大量葉片脫落，三者共同作用造成無人機獲得的多光譜影像存在一定誤差，導致提取波段反射率時在一定程度上降低或升高，進而導致模型精度降低。

通過比較各生育時期SPAD值估測模型發現，極限學習機在各生育時期精度均較高，該機器學習算法在構建棉花SPAD值估測模型中研究尚少，研究證明了極限學習機在棉花葉片SPAD值估算中的可行性。

4結論

基于無人機多光譜影像構建多種植被指數，并建立其與棉花葉片SPAD值的估算模型，近紅外波段、紅邊波段和綠波段可作為研究區的特征波段； CCCI 植被指數和CIrededge植被指數與棉花SPAD值相關性最高。開花期ELM的模型精度最優，其驗證集 R² 達0.741，RMSE達1.448，rRMSE達0.025。ELM模型在各生育時期模型精度均表現較優。

參考文獻（References）

[1]秦占飛，常慶瑞，申健，等.引黃灌區水稻紅邊特征及SPAD 高光譜預測模型[J]．武漢大學學報（信息科學版），2016，41 （9）：1168-1175. QIN Zhanfei，CHANG Qingrui，SHEN Jian，etal.Red edge characteristics and SPAD estimation model using hyperspectral dataforricein Ningxiairigationzone[J]. Geomaticsand InformationScienceofWuhanUniversity，2016，41（9）：1168-1175.

[2]蘇偉，趙曉鳳，孫中平，等.基于Sentinel-2A影像的玉米 冠層葉綠素含量估算[J]．光譜學與光譜分析，2019，39（5）： 1535-1542. SU Wei， ZHAO Xiaofeng，SUN Zhongping，et al. Estimating the corncanopy chlorophyll content using the sentinel -2A image [J].Spectroscopy and Spectral Analysis，2019，39（5）：1535- 1542.

[3]夏天，吳文斌，周清波，等．不同地域冬小麥葉片 SPAD 高 光譜估算研究[J].中國農業資源與區劃，2014，35（4）：49 -57. XIA Tian，WU Wenbin，ZHOU Qingbo，et al.Hyperspectral - based estimation of winter wheat SPAD in two different regions [J].Chinese Journal of Agricultural Resources and Regional Planning，2014，35（4）：49-57.

[4]MarencoRA，Antezana-VeraSA，NascimentoHCS.Relationshipbetweenspecificleafarea，leaf thickness，leafwatercontent and SPAD -5O2 readings in six Amazonian tree species[J]. Photosynthetica，2009，47（2）：184-190.

[5]UddlingJ，Gelang-AlfredssonJ，PiikkiK，et al.Evaluating therelationship between leaf chlorophyll concentration and SPAD -502chlorophyll meter readings[J].Photosynthesis Research， 2007，91（1）：37-46.

[6]Pagola M，Ortiz R，Irigoyen I，etal.New method to assess barley nitrogen nutrition status based on image colour analysis[J]. ComputersandElectronicsin Agriculture，20o9，65（2）：213- 218.

[7]MullaD J.Twenty five years of remote sensing in precision agriculture： Key advances and remaining knowledge gaps[J]. Biosystems Engineering，2013，114（4）： 358-371.

[8］周敏姑，邵國敏，張立元，等．基于無人機遙感的冬小麥葉 綠素含量多光譜反演[J]．節水灌溉，2019，（9）：40-45. ZHOU Mingu， SHAO Guomin， ZHANG Liyuan，et al. Multi - spectral inversion of SPAD value of winter wheat based on unmanned aerial vehicle remote sensing[J]. Water Saving Irrigation，2019，（9）：40-45.

[9］王爍，常慶瑞，劉夢云，等．基于高光譜遙感的棉花葉片葉 綠素含量估算[J]．中國農業大學學報，2017，22（4）：16- 27. WANG Shuo， CHANG Qingrui，LIU Mengyun， et al. Estimation onchlorophyll content of cotton based on optimized spectral index [J]. Journal of China Agricultural University，2017，22（4）：16 -27.

[10］毛智慧，鄧磊，孫杰，等．無人機多光譜遙感在玉米冠層葉 綠素預測中的應用研究［J]．光譜學與光譜分析，2018，38 （9）：2923. MAO Zhihui， DENG Lei， SUN Jie，et al. Research on the application of UAV multispectral remote sensingin the maize chlorophyll prediction[J].Spectroscopy and Spectral Analysis，2018，38 （9） ： 2923.

[11]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/OL].排灌機械工程學報，1-7[2024- 01-18]. LIU Jiangfan，ZHA Zeyi，LI Zhaoyang，et al. Estimationof apple tree canopy SPAD based on UAV multispectral remote sensing J OL]. Journal of Drainage and Irigation Machinery Engineering （JDIME），1-7[2024 -01–18].

[12]WangJJ，ZhouQ，ShangJL，etal.UAV- and machine learning -based retrieval of wheat SPAD values at the overwintering stage for variety screening[J].Remote Sensing，2021，13 （24）： 5166.

[13]Sudu，B.；Rong，G.； Guga，S.，et al. Retrieving SPAD Values of Summer Maize Using UAV Hyperspectral Data Based on Multiple Machine Learning Algorithm. Remote Sens. 2022，14， 5407.

[14]Guo YH，Chen SZ，LiXX，etal．Machine learming-based approaches for predicting SPAD values of maizeusing multispectral images[J].Remote Sensing，2022，14（6）： 1337.

［15］王丹，趙朋，孫家波，等．基于無人機多光譜的夏玉米葉綠 素含量反演研究[J]．山東農業科學，2021，53（6）：121- 126，132. WANG Dan， ZHAO Peng，SUN Jiabo，et al. Inversion of chlorophyll content in summer maize based on UAV multi-spectrum [J].Shandong Agricultural Sciences，2021，53（6）：121-126， 132.

［16］羅亞，徐建華，岳文澤．基于遙感影像的植被指數研究方 法述評［J]．生態科學，2005，24（1）：75-79. LUOYa ，XU Jianhua，YUE Wenze. Research on vegetation indices based on the remote sensing images[J]. Ecologic Science， 2005， 24（1）：75-79

[17］周琦，王建軍，霍中洋，等．不同生育期小麥冠層SPAD 值 無人機多光譜遙感估算［J]．光譜學與光譜分析，2023，43 （6）：1912 -1920. ZHOU Qi，WANG Jianjun，HUO Zhongyang，et al． UAV multi - spectral remote sensing estimation of wheat canopy SPAD value in different growth periods[J]. Spectroscopy and Spectral Analysis，2023，43（6）：1912-1920.

[18]Wang，Y.，Tan，S.，Jia，X.，et al.Estimating Relative Chlorophyll Content in Rice Leaves Using Unmanned Aerial Vehicle Multi -Spectral Images and Spectral- Textural Analysis.Agronomy 2023，13，1541.

[19]Cao Q，Miao Y X，Shen JN，et al. Improving in-season estimation of rice yield potential and responsiveness to topdressing nitrogen application with Crop Circle active crop canopy sensor[J]. Precision Agriculture，2016，17（2）：136-154.

[20]Bannari A，Khurshid K S，Staenz K，et al.A comparison of hyperspectral chlorophyll indices for wheat crop chlorophyll contentestimation using laboratoryreflectance measurements[J]. IEEE Transactions on Geoscience and Remote Sensing，2007，45 （10）：3063-3074.

［21］馮浩，楊禎婷，陳浩，等．基于無人機多光譜影像的夏玉米 SPAD估算模型研究［J]．農業機械學報，2022，53（10）：211 -219. FENG Hao， YANG Zhenting，CHEN Hao，et al.Estimation of summer maize SPAD based on UAV multispectral images [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022，53（10）：211-219.

[22］王橋，葉敏，魏孟，等．基于ELM和MCSCKF的鋰離子電 池 SOC 估計[J]．工程科學學報，2023，45（6）：995-1002. WANG Qiao，YE Min，WEI Meng，et al.ELM- and MCSCKF - based state of charge estimation for lithium-ion batteries[J]. Chinese Journal of Engineering，2023，45（6） ： 995-1002.

[23]Gholizadeh M，Jamei M，Ahmadianfar I，etal.Prediction of nanofluids viscosityusing random forest（RF） approach[J].Chemometricsand Intelligent Laboratory Systems，2020，201： 104010.

[24]陳兆中，段少坤，岳云開，等.基于無人機航拍圖像的水稻葉 片SPAD 值反演[J/OL].雜交水稻，1-9[2024-01-15]. CHENZhaozhong，DUAN Shaokun，YUE Yunkai，etal.InverTakenby Unmanned Aerial Vehicle[J/OL].Hybrid Rice，1-9 [2024 -01 -15].

[25］張琳，汪廷華，周慧穎．基于群智能算法的 SVR參數優化 研究進展[J]．計算機工程與應用，2021，57（16）：50-64. ZHANG Lin，WANG Tinghua， ZHOU Huiying. Research progresson parameteroptimization of SVR based on swarm intelligence algorithm[J]. Computer Enginering and Applications， 2021，57（16）：50-64.

[26]HorlerDNH，DockrayM，BarberJ.Therededge of plantleaf reflectance[J]. International Journal of Remote Sensing，1983，4 （2）：273-288.

[27］黃春燕．基于高光譜數據的北疆棉花遙感監測研究［D]. 石河子：石河子大學，2005. HUANG Chunyan. Study on remote sensing monitoring of cotton innorthern Xinjiang based on hyperspectral data[D]. Shihezi： Shihezi University，2005.

[28]劉成成.基于無人機多光譜影像的棉花葉片SPAD值和LAI 反演研究[D].塔里木大學，2023. LIU C.Research on SPAD value and LAI inversion of cotton leaves based on drone multispectral images[D].Tarim University，2023.

［29］紀偉帥，陳紅艷，王淑婷，等．基于無人機多光譜的華北平 原花鈴期棉花葉片 SPAD 建模方法研究[J]．中國農學通報， 2021，37（22）： 143-150. JI Weishuai，CHEN Hongyan，WANG Shuting，et al. Modeling method of cotton leavesSPAD at flowering and boll stage in North China Plain based on UAV multi-spectrum[J]. Chinese Agricultural Science Bulletin，2021，37（22）：143-150.

[30］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]．農業機械學報，2016，47（11）： 285-293. TIAN Minglu，BAN Songtao，CHANG Qingrui，et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV -based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery，2016，47（11）：285- 293.

[31］依爾夏提·阿不來提，買買提·沙吾提，白燈莎·買買提艾 力，等.基于隨機森林法的棉花葉片葉綠素含量估算［J].作 物學報，2019，45（1） ：81-90. Yierxiati AbulaitiuBaidengsha，Maimaitiaili Shawuti，Baidengsha Maimaitiaili，etal.Estimationof leaf chlorophyll content incotton based on the random forest approach[J].Acta Agronomica Sinica， 2019，45（1） 81.

Abstract：【Objective】 Rapid and non - destructive monitoring of SPAD value has important guiding significance for field management measures.【Methods】In this study，the DJI M35O RTK drone equipped with multispectral sensors was used to obtain multi -temporal canopy remote sensing images，calculate the multispectral vegetation index，screen the features significantly related to SPAD value，and four machine learning algorithms including limit learning machine，random forest regresion，support vector regression and multiple stepwise regresson were combined to construct a SPAD value estimation model for cotton at each growth stage. 【Results】The results showed that there was a significant positive correlation between vegetation index and cotton SPAD value at each growth stage，and there was a high correlation between CCCI （canopy chlorophyll content index） and CIrededge （red edge chlorophyll index） and SPAD value，with the highest correlation coefficients of O.81 and O.78，respectively.Comparing the accuracy of the model at different growth stages，it was found thatthe model at flowering stage had the highest accuracy，with the best estimation model being ELM， R² being 0.741， RMSE being 1.447，rRMSE being 0.023，ELM being the best estimation model at budding stage and flocculation stage （ R² being O.656 and O.587，respectively），and RFR（ R² being0.577）at full boll stage.【Conclusion】 This study shows that the optimal growth period for SPAD value estimation of cotton leaves is atthe flowering stage，the optimal model is ELM，and the model accuracy R² is the highest 0.741.

Key words：UAV；multispectral remote sensing;cotton; SPAD value；machine learning algorithm