基于無人機多光譜影像水氮耦合下棉花LAI與SPAD值模型的精度估測

中圖分類號：S562 文獻標志碼：A 文章編號：1001-4330（2025）04-0781-10

0 引言

【研究意義】新疆是我國重要的商品棉生產基地[1]。棉花葉綠素相對含量（Chlorophyll rela-tivecontent，SPAD）是棉花長勢監測的重要指標之_[2-3]，SPAD 值測定和葉面積指數（Leaf area in-dex，LAI）是棉花生長管理中常用無損、方便的方法，為棉花產量估算、生長狀態診斷和田間管理提供可靠數據支持[4-5]。【前人研究進展】目前隨著精準農業發展，農業遙感技術得到進一步應用。

衛星遙感主要針對大尺度種植面積和作物長勢的監測，地物光譜儀主要進行點尺度的數據獲取，但難以進行大面積的監測。無人機則體現出靈活性高、成本低、機動性強和時空分辨率高等特點，監測田間作物具有無可比擬的優勢。近年來，無人機遙感技術為農田動態監測提供了科學方法[6]無人機可以在短時間內獲得較大范圍高分辨率的影像數據，彌補了衛星遙感在中小尺度研究中的不足[7]。利用無人機遙感進行作物生長監測和定量分析已成為研究熱點。楊貴軍等8通過無人機搭載多傳感器，實現了對作物產量 ，LAI 、冠層溫度等多種信息的監測。孫詩睿等基于無人機多光譜遙感反演了冬小麥的 LAI ，發現隨機森林（Ran-dom forest， RF ）算法對冬小麥的 LAI 反演有更好的擬合效果。王亞杰°基于無人機獲取的多光譜數據，系統比較了玉米葉面積指數的不同監測方法，結果表明，在不同水分處理下基于EVI構建的一元線性模型能夠較好的預測玉米灌漿期和成熟期的 LAI 。喬浪等[\"從無人機RGB圖像中提取了10種顏色特征和6種紋理特征，采用BP神經網絡建立玉米冠層葉綠素含量檢測模型，模型的決定系數為0.72。賀佳等[12，13]利用無人機獲取玉米多個生育時期的光譜影像，建立了不同生育時期的 LAI 估算模型并進行驗證。【本研究切入點】目前基于無人機開展的 LAI 和 SPAD 值研究主要集中在小麥、玉米和水稻等作物上，但鮮有對新疆南疆棉花全生育期進行 LAI 和 SPAD 值反演的相關研究，前人已有通過衛星遙感對棉花長勢和產量的研究，建立了感興趣區所有的像元平均值和地面的農學參數建立定量的模型參數，但衛星遙感獲得的影像數據分辨率不如無人機獲得的分辨率高。因此，需基于無人機多光譜影像水氮耦合下研究棉花 LAI 和SPAD值的反演模型。【擬解決的關鍵問題】利用無人機多光譜影像提取分析植被指數（VIs）和紋理特征（TFs）及其相關性，篩選出與棉花葉面積指數（LAI）和葉綠素相對含量（ SPAD 值）相關性高的變量，構建基于 |VIs? 與 TFs 和二者融合參數作為輸人變量的棉花 LAI 和 SPAD 值的估測模型，探討3種參數選擇下模型對棉花 LAI 和SPAD值的估算精度差異，為新疆南疆棉花 LAI 和 SPAD 值的定量、監測、實現農田精準灌溉和施肥提供技術支持。

材料與方法

1.1材料

研究區位于新疆生產建設兵團第一師阿拉爾市八團（中國科學院阿克蘇農田生態系統國家野外科學觀測研究站， 80^°45^′E，40^°37^′N） 。該地為典型的暖溫帶極端大陸性干旱荒漠氣候區，夏季氣溫高，冬季寒冷，日照充足，降水稀少，蒸發強烈。多年年均降水量約為 48.50mm 。試驗區土壤類型為鹽化潮土，土壤質地為粉砂質壤土（砂粒 46% 、粉粒 50% 和黏粒 4% ），土壤 pH 值為8.08，堿解氮含量為 3.79mg/kg ，速效磷含量為11.52mg/kg ，速效鉀含量為 104.02mg/kg ，全氮含量為 0.58g/kg ，全磷含量為 0.87g/kg ，全鉀含量為 20.56g/kg ，有機質含量為 15.95g/kg 。圖1

于2022年 5～10 月進行，種植的棉花品種為新陸中46號，采用膜下滴灌技術，采取寬窄行播種行距為 10cm+60cm+10cm ，膜間裸地寬度60cm ，株距 10cm ，每膜6行，采用1管4行滴灌毛管鋪在寬行中間。

1.2 方法

1. 2.1 試驗設計

共設置15各處理，每個小區 11m×4m=44 m² 。設置5個純氮水平和3個灌溉定額，5個純氮水平分別為 N₀ （ 200kg/hm² ）、 N₁ （ 300kg/ hm² ）、 N₂ （ 400kg/hm² ）、 N₃ （ 500kg/hm² 和 ΔN₄ （ 600kg/hm² ）。3個灌溉定額分別為 W₁（2 100 m³/hm² ）、 V₂（2800m³/hm²） 和 W₃ （ 3500m³/ hm² ），每個處理3次重復。底肥一次性施入尿素（ N46% ） 150kg/hm² 、磷酸二銨 （P₂O₅46% ，N18% ） 300kg/hm² 、復合肥（ N15% ， P₂O₂15% ， K₂ 015%）450kg/hm² ，其余氮素以尿素（ N45% ）形式隨水多次施入。

1.2.2 數據獲取與影像處理

1.2. 2. 1 無人機光譜影像數據

選擇在天氣晴朗、無云的條件下，運用無人機多光譜遙感影像的采集并同時采集地面 LAI SPAD值數據。無人機多光譜影像的采集時間集中在 12：00～14：00 ，使用大疆精靈4多光譜版。相機分辨率為 1600×1300PPI ，光圈值為 f/2.2 焦距為 5.74mm ，型號為 FC6360 。在田間組裝無人機設備并校正地磁和指南針，保障在獲取無人機多光譜影像中的坐標準確性。該無人機采集影像時垂直向下獲取5個波段的遙感影像，分別為藍光、綠光、紅光、紅邊和近紅外5個波段的光譜影像。提前規劃飛行計劃，要保證航線區域內不會受到樹木、高壓電線及信號塔等的干擾，設定飛行高度為 30m ，航向重疊率為 85% ，旁向重疊率為 70% 。將所獲取的影像數據使用大疆智圖（DJITerra）軟件拼接，以獲得不同時期整個試驗區的影像。

1. 2.2. 2 地面數據

于每個小區隨機選擇長勢較均一的3株棉花測定 LAI 和SPAD值的地面數據。使用直尺對每個小區3株棉花分別測量每片葉的面積，將所測得結果進行平均作為該小區的 LAI ;選用SPAD-

502型手持式葉綠素儀測定 SPAD 值。測定之前進行儀器校準，每個選3株棉花，每株選擇3片葉片，每片葉子不同位置測定3次，取其平均值作為該小區的SPAD值。

1.2.3 光譜特征選擇

選取16種 VIs 對棉花 LAI 和 SPAD 值進行反演， VIs 可以反映出植物的生長狀態[14]， VIs 是根據植被反射率的2個或多個波段經過特定組合得出的參數。表1

紋理特征是用于描述圖像中表面細微結構和布局的視覺特征，反映物體表面的組織結構排列屬性。使用ENVI5.6軟件進行基于二階概率統計濾波（Co－occurrencemeasures）的方式來實現圖像紋理特征值的提取[15]，對近紅外波段進行提取共獲取8類 TFs ：均值（MEA）、方差（VAR）、協同性（HOM）對比度（CON）、相異性（DIS）、信息熵（ENT）、二階矩（SEM）和相關性（COR）。紋理分析時選取窗口尺寸為 7×7 ，空間相關矩陣偏移X 和 Y 默認為1。表2

1.3 數據處理

1. 3.1 模型構建

分析提取的植被指數（VIs）和紋理特征（TFs）與棉花葉面積指數 （LAI） 和葉綠素相對含量（SPAD值）之間的相關性，并篩選出對于估算模型最優的光譜變量。采用反向傳播神經網絡（BPNN）、隨機森林（RF）以及支持向量機（SVR）等回歸模型。將利用提取的光譜特征作為輸入模型，通過學習建立與棉花 LAI 和SPAD值之間的復雜非線性關系，以實現對 LAI 和 SPAD 值的精準估算。篩選出最具預測能力的光譜變量。3種模型分別與棉花 LAI 和SPAD值建立估算模型。SVR是一種有監督式的機器學習算法，通過在高維或無限維空間中構造一個或一組超平面來實現分類和回歸[32]，BPNN是一種運用誤差反向傳播方式修正權值、閾值，具有高度自學習和自適應的能力[33]。RF通過有放回地抽樣從原始數據集中構建多個子數據集，可挖掘變量之間的復雜非線性關系[34]。全生育期共 225個樣本，按照6：4劃分建模集和驗證集。

1.3.2 模型精度驗證

選取決定系數（Coefficientofdetermination，R² ）、均方根誤差（Root mean square error，RMSE）和均方根誤差（Meansquareerror，MSE）作為評價估算模型的指標[35]。估算模型和驗證模型的 R² 越大，RMSE和MSE越小，模型穩定性越好，預測精度越高。

2 結果與分析

2.1 棉花 LAI 及 SPAD 值與光譜數據

研究表明，整個生育期內，棉花 LAI 呈先上升后下降的趨勢，并在花期達到最高值。每個生育期采集45個樣本數據，全生育期共225個樣本。棉花 LAI 平均值由蕾期（1.65）增加到花期（2.31），花鈴期（2.25）盛鈴期（2.15）吐絮期（2.10），花期棉花 LAI 達到最大值，在花鈴期開始逐漸下降。棉花整個生育期的 LAI 數據表現出較小的標準差 （0.3～0.45 ）、方差 （0.09～0.20） 和變異系數 （0.16～0.19） 。棉花 LAI 的離散程度較低，即在整個生長期內，棉花 LAI 分布相對均勻。表3

在棉花的整個生長過程中，水氮耦合處理對棉花SPAD值產生了影響。棉花 SPAD 值呈先上升后下降的趨勢，并在花期達到最高值。在各生育期，采集45個樣本數據，合計共225個樣本。SPAD值平均值由蕾期（39.67）逐漸增加至花期（51.22），在花鈴期（46.98）、盛鈴期（45.87）、吐絮期（45.19）逐漸下降。在整個生育期內SPAD值的標準差范圍為 2.32～3.99 ，方差范圍為5.37＼～15.90，變異系數范圍為 0.06～0.09 。棉花SPAD 值的離散程度較小，即SPAD值的分布相對均勻。表4

2.2 植被指數、紋理特征與棉花 LAI 和 SPAD 值的相關性

研究表明，篩選相關系數在0.5以上的5種VIs ，所選6種 VIs 與棉花 LAI 的相關系數在0.01水平上達極顯著（ Plt;0.01 ），相關系數絕對值在0.5以上的6種 VIs：NDVI，OSAVI，MASVI，NPCI， （204號SAVI和RVI相關系數絕對值分別為0.70、0.61、0.51，0.67，0.51 和0.66。8種TFs有4種 TFs 與棉花 LAI 相關系數在0.01水平上達到極顯著（ P lt;0.01 ），分別為CON、MEA、SEM和 COR 。對應的相關系數絕對值分別為0.85、0.82、0.50和0.53。選出與棉花SPAD值相關系數在0.01水平上達到極顯著（ Plt;0.01 ），相關系數絕對值在0.5以上的4種 VIs：NDVI，OSAVI，NPCI，RVI ，相關系數絕對值分別為 0.57、0.53、0.57 和0.54。8種紋理特征有5種 TFs 與棉花SPAD值相關系數在0.01水平上達到極顯著（ ），分別為MEA、VAR、HOM、CON 和 SEM 。對應的相關系數絕對值分別為 0.51，0.31，0.34，0.31 和0.32。選擇6種VIs與4種紋理特征作為模型的輸入變量估測棉花 LAI ，選擇5種 VIs 與5種TFs作為模型的輸入變量估測棉花SPAD值。圖2

表4棉花葉綠素含量統計

2.3 基于植被指數的棉花 LAI 和 SPAD 值估測模型

研究表明， SVR 模型的精度最低（建模集 R² =0.52 ，驗證集 R²=0.42 ，而 RF 模型的精度最高（建模集 R²=0.75 ，驗證集 R²=0.50 ）。以棉花SPAD值為因變量，選擇相關系數絕對值高的 VIs 作為自變量，包括NDVI、OSAVI、NPCI和 RWI 。使用 SVR，BPNN 和 RF 算法構建 SPAD 值的估算模型，并評估其估算精度。 SVR 模型的精度最低（建模集 R²=0.31 ，驗證集 R²=0.25 ，而 RF 模型的精度最高（建模集 R²=0.88 ，驗證集 R²=0.45 。RF 模型在估算棉花 LAI 和 SPAD 值方面具有較高的精度，而SVR模型的性能相對較差。表5

2.4 基于紋理特征的棉花 LAI 和 SPAD 值估測模型

研究表明，篩選與棉花 LAI 相關系數絕對值較高的地紋理特征特征（TFs），包括MEA、COR、VAR、HOM、CON 和SEM，作為自變量，以棉花 LAI 為因變量，分別采用SVR、BPNN和 RF 算法構建了相應的估算模型。3種模型估算棉花 LAI 的精度為 0.51～0.78，SVR 模型精度最低（建模集 R² =0.51 ，驗證集 其中 RF 模型精度最高（建模集和驗證集分別為0.78、0.72）。3種模型對棉花SPAD值估算模型精度為 0.31～0.85，3 種模型SVR模型的精度最低（建模集驗證集的 R² 分別為0.310.28）， RF 精度最高（建模集驗證集的 R² 分別為0.85、0.53）。表6

2.5 基于結合植被指數和紋理特征融合的棉花LAI 和 SPAD 值估測模型

研究表明， RF 模型具有最高的精度（建模集R²=0.97 ，驗證集 R²=0.79， 。采用 VIs 和TFs組合構建 LAI 的 RF 估算模型，其精度比單獨使用VIs 或TFs的模型分別提高了 26.67% 和

21. 79% 。3種模型對棉花 SPAD 值估算模型精度為 0.47～0.89，RF 模型具有最高的估算精度（建模集 R²=0.91 ，驗證集 R²=0.58 。將 VIs 和 TFs 融合構建的棉花SPAD值估算模型比分別使用VIs 和TFs構建的模型提高 3.41% 和 7.06% 。表7

3討論

3.1棉花 LAI 和SPAD值不僅是反映棉花生長狀況和生理狀態的重要指標，也是構建植物光合效能、呼吸功能、蒸騰作用等估算模型的關鍵參數[36]。與傳統的可見光相機和高光譜相機相比，無人機多光譜傳感器具有成本低廉、數據處理簡單等特點，因而在農業遙感監測領域具有一定的優勢。利用無人機對冬小麥 LAI^[37] 大豆 LAI^[38] 號玉米SPAD值3反演結果表明，利用無人機多光譜影像對作物 LAI 和SPAD值進行估算是可行的。

3.2無人機遙感對棉花的 LAI 和SPAD值估測研究提供理論支持，通過棉花不同生育期 LAI 和SPAD值的模型精度對比，發現將相關系數絕對值高的植被指數（ |VIs? ）和紋理特征（TFs）兩者融合對棉花 LAI 和 SPAD 值進行估測的模型精度要高于單獨使用一種變量的模型精度。

3.3基于 VIs 和 TFs 構建不同算法模型的棉花LAI 和 SPAD 值的估算模型，通過多光譜影像提取了16種植被指數和8種紋理特征，利用皮爾遜相關性分析篩選變量，對篩選出相關系數高的VIs和 TFs 對棉花 LAI 和 SPAD 值進行模型構建，對棉花 LAI 和 SPAD 值進行建模估測可以將更多的光譜變量作為輸人變量進行模型構建時可以提高模型的精度。

4結論

4.1基于多光譜圖像提取棉花光譜特征和紋理特征的16種植被指數與8種紋理特征，通過相關系數絕對值在0.5以上的6種植被指數為NDVI、OSAVI，MSAVI，NDCI，SAVI，RVI ，構建與LAI的估算模型，其中4種植被指數 NDVI，OSAVI，NDCI， （204號RVI構建與SPAD值的估算模型。3種紋理特征CON，ENT，SEM 構建 LAI 的估算模型，構建棉花SPAD值的估算模型選擇以下5種紋理CON、SEM、HOM、VAR和 MEA 。

4.2基于植被指數對棉花 LAI 和 SPAD值構建的3種算法模型，精度最高的為RF模型。棉花LAI 和SPAD值估算模型精度建模集 R² 為0.75、0.88，驗證集 R² 為 0.50，0.45 。精度最高的是RF模型，模型精度建模集 R² 為 0.78.0.85 ，驗證集 R² 為0.72、0.53。基于融合 VIs 與 TFs 與棉花 LAI 和SPAD值估算精度建模集 R² 分別為0.97、0.91，要比 VIs，TFs 分別提高 3.41%.7.06% 。

參考文獻（References）

[1]紀偉帥．基于無人機多光譜的棉花冠層葉片葉綠素相對含量、葉面積指數反演[D]．泰安：山東農業大學，2021.JIWeishuai.Inversionofchlorophyllrelativecontentand leafareaindexofcotton canopyleavesbased on UAV multispectral data[D].Taian：Shandong Agricultural University，2021.

[2]唐華俊.農業遙感研究進展與展望[J].中國農業文摘-農業工程，2018，30（5）：6-8，5.TANGHuajun. Progressand prospect of agricultural remote sens-ingresearch[J].Agricultural Science and Engineeringin China，2018，30（5）：6-8，5.

[3]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.CHENHao，FENG Hao，YANG Zhenting，etal.Estimation ofchlorophyll content of summer maize canopybased on UAV multi-spectral remotesensing[J].Journal ofDrainageand IrrigationMachinery Engineering，2021，39（6）：622-629.

[4］陳小龍，陳燦，周莉．水稻不同生育期葉綠素含量的測定及其相關性分析[J].現代農業科技，2010，（17）：42-44，52.CHEN Xiaolong，CHEN Can， ZHOU Li. Determinationand cor-relativityanalysis of chlorophyll content at different developmentalstages inrice[J]. ModernAgricultural Sciences and Techlog，2010，（17） ：42-44，52.

［5］王薇，宋廷宇，王艷，等．番茄葉片 SPAD 值與葉綠素含量的相關性分析[J].北方園藝，2013，（23）：12-15.WANG Wei，SONG Tingyu，WANG Yan，et al.Correlation a-nalysis onchlorophyll content and SPAD value in tomato leaves[J].NorthernHorticulture，2013，（23）：12-15.

[6]Grados D，Reynarfaje X， Schrevens E. A methodological ap-proach to assess canopy NDVI -based tomato dynamics under ir-rigation treatments[J]. Agricultural Water Management，2020，240：106208.

［7］王靖，彭漪，劉小娟，等．基于無人機多光譜數據的水稻 LAI （20反演與應用[J].中國農業大學學報，2021，26（12）：145-156.WANG Jing，PENG Yi，LIU Xiaojuan， et al. Inversion and ap-plicationof riceLAI basedonUAVmultispectral data[J].Journalof China Agricultural University，2021，26（12）： 145-156.

[8］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.YANGGuijun，LIChangchun，YUHaiyang，etal．UAVbasedmulti-load remote sensing technologies forwheat breedinginfor-mation acquirement[J]. Transactions of the Chinese Society of Ag-ricultural Enginering，2015，31（21） ： 184-190.

［9］孫詩睿，趙艷玲，王亞娟，等．基于無人機多光譜遙感的冬小麥葉面積指數反演［J]．中國農業大學學報，2019，24（11） ： 51 -58.SUN Shirui， ZHAO Yanling，WANG Yajuan，et al.Leaf areaindex inversion of winter wheat based on multispectral remotesensing of UAV[J]. Journal of China Agricultural University，2019， 24（11）：51-58

[10］王亞杰．基于無人機多光譜遙感的玉米葉面積指數監測方法研究［D]．楊凌：西北農林科技大學，2018.WANG Yajie.Study on monitoring method of maize leaf area in-dex based on multi - spectral remote sensing of UAV[D]. Yan-gling：NorthwestAamp;FUniversity，2018.

［11］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]．農業機械學報，2019，50（S1）：182-186，194.QIAO Lang， ZHANG Zhiyong， CHEN Longsheng， et al. Detec-tion and distribution of chlorophyll content in maize canopy basedonUAV images[J]. Transactions of the Chinese Society for Agri-cultural Machinery，2019，50（S1）：182-186，194.

[12］賀佳，王來剛，郭燕，等．基于無人機多光譜遙感的玉米LAI估算研究[J]．農業大數據學報，2021，3（4）：20-28.HE Jia，WANG Laigang，GUO Yan，et al.Estimating the leafareaindex of maize based on unmanned aerial vehicle multispec-tral remote sensing[J]. Journal of Agricultural Big Data，2021，3（4）：20-28.

「13］牛莊林馮海寬楊貴軍等 基干無人機數碼影像的玉米育種材料株高和LAI監測[J]．農業工程學報，2018，34（5）： 73-82. NIU Qinglin，FENG Haikuan， YANG Guijun，et al. Monitoring plantheight andleaf area indexofmaizebreedingmaterial based onUAVdigital images[J].Transactions of the Chinese Society of Agricultural Enginering， 2018，34（5） ： 73-82.

［14］陶惠林，馮海寬，楊貴軍，等．基于無人機成像高光譜影像 的冬小麥LAI估測[J]．農業機械學報，2020，51（1）：176－ 187. TAOHuilin，FENGHaikuan，YANGGuijun，etal.Leaf area index estimation of winter wheat based on UAV imaging hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery，2020，51（1）：176-187.

[15]李麗宏，謝東陽，王琳，等．紋理圖像多尺度灰度共生矩陣 步長參數的研究[J]．河北工程大學學報（自然科學版）， 2021，38（3）：108-112. LI Lihong，XIE Dongyang，WANG Lin，et al. Research on the step size parameters of multi - scale gray - level co - occurrence matrix for texture images[J]. Journal of Hebei Universityof Engineering（Natural Science），2021，38（3）：108-112.

[16］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. MENG Dunchao，ZHAO Jing，LAN Yubin，et al．Study on maize canopy SPAD inversion model based on UAV visible light image[J].Transactionsof the Chinese Societyfor Agricultural Machinery，2020，51（S2）： 366-374.

[17]Lelong C C D，Burger P，Jubelin G，et al.Assessment of unmanned aerial vehicles imagery for quantitativemonitoring of wheat crop in small plots[J]．Sensors，2008，8（5）：3557- 3585.

［18］夏天，吳文斌，周清波，等．冬小麥葉面積指數高光譜遙感 反演方法對比[J]．農業工程學報，2013，29（3）：139-147. XIA Tian，WU Wenbin，ZHOU Qingbo，et al.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Enginering，2013，29（3）：139-147.

[19]Liu JG，atteyE，ego G.Assessment ofvegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons[J]. Remote Sensing of Environment， 2012， 123： 347 -358.

［20］任楓獲，陳圣波，陳彥冰．基于高分辨率遙感影像的花粒 期玉米葉面積指數估算方法［J]．江西農業學報，2021，33 （2）：116-120. RENFengdi，CHEN Shengbo，CHEN Yanbing.Estimation method of maize leaf area index at anthesis stage based on highresolution remote sensing image[J]. Acta Agriculturae Jiangxi， 2021，33（2）：116-120.

[21]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 Sensingof Environment，2015，165：123-134.

[22] Tanaka S.Kawamura K．Maki M .et al.Spectral index for quantifying leaf area index of winterwheat by field hyperspectral measurements：a case study in Gifu prefecture，central Japan [J].Remote Sensing，2015，7（5）：5329-5346.

[23]Ramoelo A， Skidmore A K，Cho M A，et al.Regional estimation of savanna grass nitrogen using the red -edge band of the spaceborne RapidEye sensor[J]. International Journal of Applied Earth Observationand Geoinformation，2012，19：151-162.

[24]Gitelson A A，Merzlyak MN.Remote estimation of chlorophyll contentinhigherplant leaves[J]. International Journal ofRemote Sensing，1997，18（12）：2691-2697.

[25]VerrelstJ，Schaepman ME，KoetzB，et al．Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data [J]. Remote Sensing of Environment，2008，112（5）： 2341 - 2353.

[26]Sellaro R，Crepy M，Trupkin S A，et al. Cryptochrome as a sensor of the blue/green ratio of natural radiation in Arabidopsis [J].Plant Physiology，2010，154（1）：401-409.

[27]WangFM，Huang JF，TangYL，et al. New vegetation index and its application in estimating leaf area index of rice[J].Rice Science，2007，14（3）：195-203.

[28]Roujean JL，Breon FM.Estimating PAR absorbed by vegetation frombidirectional reflectance measurements[J].Remote Sensing of Environment，1995， 51（3）：375-384 ：

[29]Gong P，Pu R L，Biging G S，et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）：1355-1362.

[30]Xing NC，Huang WJ，Xie QY，et al. A transformed triangular vegetation index for estimating winterwheat leaf area index [J].Remote Sens，2013，12：16.

[31］劉詠梅，胡念釗，龍永清，等．無人機RGB影像在高寒草 地狼毒入侵監測及蓋度估算中的應用[J]．中國草地學報， 2023，45（2）： 1-12. LIU Yongmei， HU Nianzhao，LONG Yongqing，et al. Aplication of UAV RGB image in monitoring and coverage estimation of Stellera chamaejasme invasion inalpine grasslands，Qinghai-Tibet Plateau[J].Chinese Journal of Grasland，2023，45（2）：1 -12.

[32］黃茜，楊偉才，毛曉敏．東北春玉米單株莖流變化規律及 其農田尺度提升方法[J]．農業工程學報，2020，36（16）：94 -102. HUANG Xi，YANG Weicai，MAO Xiaomin.Variations of sap flow rate and its farmland scale improving method for spring maize in NorthEast ChinaJ]. Transactions of the Chinese Society of Agricultural Enginering，2020，36（16） ： 94-102.

[33］徐敏，趙艷霞，張顧，等.基于機器學習算法的冬小麥始花期預報方法[J]．農業工程學報，2021，37（11）：162-171.XUMin，ZHAOYanxia，ZHANGGu，etal．Method for forecas-ting winter wheat first flowering stage based on machine learningalgorithm[J]. Transactionsof the Chinese Society of AgriculturalEngineering，2021，37（11）：162-171.

[34］黃林生，江靜，黃文江，等．Sentinel-2影像和BP神經網絡結合的小麥條銹病監測方法[J]．農業工程學報，2019，35（17）：178-185.HUANG Linsheng，JIANG Jing，HUANG Wenjiang，etal.Wheat yellow rust monitoring method based on Sentinel ^-2 imageandBPNNmodel[J].Transactions of the Chinese Society ofAgri-cultural Engineering，2019，35（17）： 178-185.

［35］樊鴻葉，李姚姚，盧憲菊，等．基于無人機多光譜遙感的春玉米葉面積指數和地上部生物量估算模型比較研究［J]．中國農業科技導報，2021，23（9）：112-120.FAN Hongye，LI Yaoyao，LU Xianju，et al. Comparative analy-sis of LAI and above-ground biomass estimation models based onUAV multispectral remote sensing[J]． Journal of AgriculturalScience andTechnology，2021，23（9）：112-120.

[36]張楠楠，張曉，王城坤，等．基于高光譜和連續投影算法的棉花葉面積指數估測[J]．農業機械學報，2022，53（s1）：257-262.ZHANG Nannan， ZHANG Xiao，WANG Chengkun，et al. Cot-ton LAI estimation based on hyperspectral andsuccessive projec-tion algorithm[J].，2022，53（s1）：257-262.

［37］高林，楊貴軍，王寶山，等．基于無人機遙感影像的大豆葉面積指數反演研究[J]．中國生態農業學報，2015，23（7）：868 -876.GAOLin，YANGGuijun，WANGBaoshan，etal.Soybean leafareaindexretrieval withUAV（unmanned aerialvehicle）remotesensing imagery[J].Chinese Journal ofEco-Agriculture，2015，23（7） ： 868-876.

［38］王修信，孫濤，朱啟疆，等．林地葉面積指數遙感估算方法適用分析[J]．生態學報，2014，34（16）：4612-4619.WANG Xiuxin， SUN Tao， ZHU Qijiang， et al. Assssment ofdifferent methods for estimating forestleaf areaindexfrom remotesensing data[J]. Acta Ecologica Sinica，2014，34（16）： 4612-4619.

［39］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 ofsummer maize SPAD based on UAV multispectral images[J].Transactions of the Chinese Society for Agricultural Machinery，2022，53（10）： 211-219.

Abstract：【Objective】 Cotton chlorophyll content and leaf area index are rapidly inferred by UAV using multispectral remote sensing data，which is crucial for predicting yield and making field management decisions.【Methods】The coton in Aral， Xinjiang was taken as the research object，the influencing factors of cotton LAI and SPAD value were taken into consideration in the research，and diferent irrigation levels and different nitrogen levels were set to create a diferentiated canopy structure.Vegetation indexes（VIs）were obtained by using a UAV equipped with multispectral sensors to obtain the canopy images of coton during the main growth periods，and the mean values（ MEA ），variance（ VAR ），synergy（HOM），contrast （CON）， dissimilarity（ D/S ），information （ ENT ），second-order moment（ SEM ），correlation （ COR ）and so on were obtained based on the second -order probabilistic statistical filtering（CO-occurrnce measures）method （altogether 8 texture features TFs ）. The estimation models of cotton LAI and SPAD value based on spectral features，texture features and the combination of the two were established，and the differences were compared. 【Results】（1）The results showed that the LAI and SPAD value of cotton increased first and then decreased during the whole growth period，and the maximum values of LAI and SPAD value of cotton were at the flowering stage. （2）Four VIs （NDVI，OSAVI，NDCI，RVI） and three TFs（CON，ENT，SEM）with high absolute correlation coefficients were screened out，and cotton LAI and SPAD value estimation models were constructed based on SVR，BPNN，RF，and the highest accuracy of the estimation model was the RF model. （3） The estimation effect of the three input variables on cotton LAI and SPAD value was VIs+TFs ， WIs ，and TFs in order of accuracy. The fused variables have the highest accuracy for the estimation model of cotton LAI and SPAD （ value （ R²=0.97 ， RMSE=0.07 ， R²=0.91 ， RMSE=1.63 ）.【Conclusion】 RF algorithm model constructed by using VIs and TFs extracted from multi -spectral remote sensing images of UAV can estimate cotton LAI （204號 and SPAD value with high accuracy.

Key words：cotton； leaf area index; chlorophyl content; water - nitrogen coupling；unmanned aerial ve-hicle；multispectral； texture features