基于機(jī)器學(xué)習(xí)的加工番茄葉綠素相對(duì)含量遙感反演研究

doi：10.13304/j.nykjdb.2024.0004

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-0864（2025）08-0089-11

Remote Sensing Inversion Study of Relative Chlorophyll Content in Processing Tomato Based on Machine Learning

JIANGMingjun1，F(xiàn)AN Yanmin1*，WU Hongqi1，ZHANGHao1，LIU Zhuol，WANG Dejun2 （1.College ofResources and Environment，Xinjiang Agricultural University，Urumqi83oo52，China; 2.WesternAgriculturalResearch Center，ChineseAcademyofAgriculturalSciences，Xinjiang Changji831199，China）

Abstract：Chlorophyll plays a keyrole in theprocessof plant photosynthesis，and therelative chlorophyll content（soil and plantan alyzer development，SPAD） is an important indicator to measure the growth status of crops.In order to construct an inversion model of SPAD value of processing tomato，this study used unmanned aerial vehicle（UAV）remote sensing technology to predict the SPAD valueof canopy leaves at 4 key growth periods of processing tomato by machine learning method，and drew a visual mapping of SPAD value of processing tomato based on the optimal prediction model.The results showed that random forest （RF），support vector machine（SVM）and back propagation（BP）neural network prediction model of SPAD values at different growth periods of processing tomato，the multispectral vegetation index as the independent variable，the RF model had the best prediction effect at the first flowering period，with determination coefficient（ R²） of 0.89 and rootmean square error（RMSE）of1.15，the SVMmodel was the best at the fullflowering period，with R² of 0.87 and RMSE of 1.46，the SVM model was the best at the fruit setting period，with R² of0.88 and RMSE of 1.25，and the BP neural network model was the best at the maturity period，with R² of 0.89 and RMSE of1.07.In thefullflowering periodofcrops，the flowering process would consume most ofthe nutrients insidethe plant， resulting in diffrentchanges in chlorophyll content，and its prediction effct was relatively low，and the selection of appropriate models for modeling in diffrent growth periods could achieve high-precision monitoring of chlorophyllcontentin processing tomato.The stability of the prediction results andverification resultsof SVM model in each growth period of processing tomato was better，with R² of 0.88，0.87，0.88，0.85 and RMSE of 0.95，1.46，1.25，1.91，respectively，so the SPADvalueof processing tomato was visualized and mapped at each growth stage based on the optimal SVM model to realize the dynamic monitoring of chlorophyll in processing tomato.Above resultscould be used to quicklyand eficiently estimate the relative chlorophyll content of processing tomatoes，and provided decision-making information and technical support for the precision agriculture management of processing tomatoes.

Keywords：UAV remote sensing；multispectral; inversion； SPAD value; dynamic monitoring；processing tomato

葉綠素含量是反映作物生長發(fā)育過程中光合作用和營養(yǎng)狀況的可靠指標(biāo)，植被冠層葉綠素含量的快速、精確測定在生態(tài)學(xué)、農(nóng)學(xué)和林業(yè)等多個(gè)學(xué)科中具有重要意義。常見的葉綠素含量測定方法主要包括分光光度法、高效液相色譜法、便攜式葉綠素測定儀法。分光光度法通過測量物質(zhì)在特定波長下的吸光度來進(jìn)行定量分析，其理論基礎(chǔ)是物質(zhì)對(duì)光的吸收定律，在測定葉綠素含量時(shí)，通常用有機(jī)溶劑（如乙醇、丙酮等）來提取植物葉片中的葉綠素，隨后利用分光光度計(jì)測量提取液在特定波長下的吸光度，基于吸光度與葉綠素濃度間的線性關(guān)系準(zhǔn)確計(jì)算出葉綠素的含量；高效液相色譜法是一種基于液相色譜分離技術(shù)的定量分析方法，在葉綠素測量中，該方法可以將樣品中的葉綠素分子進(jìn)行高效的分離，并通過檢測器對(duì)分離后的各組分進(jìn)行定量測定；使用便攜式葉綠素測定儀進(jìn)行測定只需將待測的葉片放在上面，即可得出相應(yīng)的測定結(jié)果3，但以上人工采集方式費(fèi)時(shí)、費(fèi)力、效率低下。

隨著農(nóng)業(yè)信息技術(shù)的迅速發(fā)展，建立現(xiàn)代農(nóng)業(yè)發(fā)展體系已成為當(dāng)前我國農(nóng)業(yè)研究的重點(diǎn)。無人機(jī)（unmannedaerialvehicle，UAV）低空遙感技術(shù)已成為智慧農(nóng)業(yè)的重要技術(shù)支撐。近年來，無人機(jī)遙感廣泛應(yīng)用于農(nóng)作物長勢監(jiān)測4、農(nóng)作物種植面積估測[5]、耕地土壤質(zhì)量監(jiān)測[5]、農(nóng)作物營養(yǎng)診斷產(chǎn)量預(yù)測農(nóng)業(yè)災(zāi)害監(jiān)測等農(nóng)業(yè)生產(chǎn)方面。利用無人機(jī)遙感技術(shù)結(jié)合機(jī)器學(xué)習(xí)方法預(yù)測作物SPAD值是重要的研究途徑。毛智慧等9利用無人機(jī)獲取玉米花期多光譜影像數(shù)據(jù)，成功構(gòu)建出精度較高的玉米冠層葉綠素預(yù)測模型。劉小輝利用無人機(jī)獲取小麥揚(yáng)花早期和晚期多光譜影像數(shù)據(jù)，得出歸一化（normalizeddifferentialvegetationindex，NDVI）和葉綠素含量在多光譜植被指數(shù)中的相關(guān)系數(shù)最大，并利用線性回歸方法構(gòu)建小麥葉片葉綠素監(jiān)測模型，經(jīng)比較分析發(fā)現(xiàn)，由NDVI建立的反演模型比基于可見光植被指數(shù)構(gòu)建的反演模型效果更優(yōu)，為小麥生長監(jiān)測和葉綠素含量預(yù)測提供了可靠依據(jù)。陳浩等利用無人機(jī)獲取夏玉米成熟期多光譜影像數(shù)據(jù)，利用多光譜植被指數(shù)對(duì)夏玉米葉綠素構(gòu)建遙感反演模型，研究表明，采用逐步回歸分析方法建立的模型具有最佳預(yù)測性能，該模型的預(yù)測精度和穩(wěn)定性較優(yōu)，可為反演夏玉米冠層葉綠素含量提供有效技術(shù)支撐。王麗愛等[12]利用無人機(jī)獲取冬小麥不同時(shí)期多光譜影像數(shù)據(jù)，分別采用隨機(jī)森林（randomforest，RF）、支持向量回歸和BP（back propagation）神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建基于多光譜指數(shù)的不同生育時(shí)期冬小麥SPAD值遙感監(jiān)測模型，通過比較分析得出，基于隨機(jī)森林的冬小麥SPAD值的反演方法效果最佳。無人機(jī)遙感技術(shù)具有效率高、響應(yīng)速度快、適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，在農(nóng)業(yè)生產(chǎn)中有廣泛的應(yīng)用前景[13]。與傳統(tǒng)人工監(jiān)測方式相比，運(yùn)用先進(jìn)的無人機(jī)遙感監(jiān)測技術(shù)，結(jié)合各類傳感器設(shè)備，能夠?qū)Ω黝愞r(nóng)作物的SPAD值進(jìn)行實(shí)時(shí)監(jiān)測與評(píng)估，為農(nóng)業(yè)生產(chǎn)提供數(shù)據(jù)支撐[14]。此外，無人機(jī)遙感監(jiān)測能夠降低人力成本，更適用于農(nóng)業(yè)管理者使用[15]。

中國是世界主要蕃茄制品出口國，新疆是全球3大番茄核心產(chǎn)區(qū)之一。隨著新疆加工番茄產(chǎn)業(yè)化的持續(xù)調(diào)整，很多種植戶在原有機(jī)械化農(nóng)業(yè)的基礎(chǔ)上開始向著農(nóng)業(yè)現(xiàn)代化、信息化和精準(zhǔn)化方向邁進(jìn)，但在番茄生產(chǎn)中常因無法準(zhǔn)確診斷出大田加工番茄的生長狀況，不能采取相應(yīng)管理措施導(dǎo)致減產(chǎn)，并降低了果實(shí)品質(zhì)。葉綠素是衡量農(nóng)作物生長狀況的重要指標(biāo)，因此，在加工番茄生產(chǎn)過程中，及時(shí)、精確地測定葉片中的葉綠素含量非常重要，可為作物的健康狀態(tài)、光合效率和葉片營養(yǎng)狀況提供指導(dǎo)，實(shí)現(xiàn)加工番茄規(guī)?；邩?biāo)準(zhǔn)種植。鑒于此，本研究利用無人機(jī)遙感對(duì)加工番茄葉綠素相對(duì)含量進(jìn)行動(dòng)態(tài)監(jiān)測，對(duì)其精準(zhǔn)管理具有重要意義。

1材料與方法

1.1 研究區(qū)概況與試驗(yàn)設(shè)計(jì)

研究區(qū)位于新疆昌吉回族自治州國家農(nóng)業(yè)科技園區(qū)現(xiàn)代農(nóng)業(yè)示范園（昌吉市老龍河示范區(qū)）中糧屯河加工番茄試驗(yàn)基地 （44^°16^′1^′′- 44^°16^′3^′′N.87^°21^′23^′′-87^°21^′25^′′E） ，該區(qū)地處天山北麓，平均海拔約 490m ，屬典型中溫帶大陸性干燥氣候，年均降水量約 190mm ，年均氣溫6.8^°C ，年均日照 2700h 。該區(qū)種植的加工番茄產(chǎn)量高、番茄紅素含量高、品質(zhì)優(yōu)，是全疆最適宜種植加工番茄的區(qū)域之一，加工番茄已成為當(dāng)?shù)氐奶厣?jīng)濟(jì)作物。

該試驗(yàn)地種植品種為屯河1902加工番茄，采用地膜（厚度 10.1μm ，寬度 125cm 覆蓋種植模式，試驗(yàn)區(qū)長 100m ，寬 40m ，共種植21行，行距 0.7m ，株距 0.3m 。2022年5月16日開始進(jìn)行加工番茄定植，栽植深度 0.2m ，每穴栽1棵加工番茄，移栽秧苗帶有營養(yǎng)基質(zhì)。6月初中耕1次，主要除草、松土。采用水肥一體化膜下滴灌，滴灌量 373.14m³?hm^-2 。從6月1日開始，每7～10d滴灌施肥1次，整個(gè)生育期共進(jìn)行9次，施肥量為氮肥 343.28kg?hm^-2 磷肥 343.28kg?hm^-2 、鉀肥 373.14kg?hm^-2 ，以相同的田間管理措施進(jìn)行常規(guī)種植操作。加工番茹5月19日至6月7日為緩苗期，6月8—28日為始花期，6月29日—7月11日為盛花期，7月12—28日為坐果期，7月29日—8月13日為成熟期，數(shù)據(jù)獲取日期以試驗(yàn)區(qū) 75% 以上植株進(jìn)入生育期為標(biāo)準(zhǔn)。

1.2無人機(jī)多光譜影像數(shù)據(jù)采集

加工番茄生育期多光譜影像分別于2022年6月19日（始花期），7月5日（盛花期），7月26日（坐果期），8月5日（成熟期）使用大疆精靈4四旋翼電動(dòng)無人機(jī)搭載一體式多光譜成像系統(tǒng)進(jìn)行拍攝，無人機(jī)重 1487g ，可飛至 6000m 高，自動(dòng)模式上升速度 6m?s^-1 ，手動(dòng)模式 5m?s^-1 ，下降速度3m?s^-1 ，定位模式下水平速度 50km?h^-1 ，姿態(tài)模式 58km?h^-1 ，續(xù)航約 27min ，適用溫度 0～4°C 。搭載6個(gè)1/2.9inchCMOS傳感器，照片格式TIFF，分辨率最高 1 600×1 300 ，焦距 8.8mm ，電子快門速度 1/100～1/10 000s， ISO范圍200～800，像元大小2.41μm 。

每次飛行選擇天氣晴朗、光線充足、基本無風(fēng)的天氣，飛行時(shí)間為北京時(shí)間 在獲取樣本點(diǎn)加工番茄冠層葉片光譜影像時(shí)，不同飛行高度的植被地面反射率沒有明顯差異，但飛行高度影響地物分類，較低的飛行高度可以更好地分辨植被和裸地接壤區(qū)域，而較高的飛行高度會(huì)影響光譜獲取效率。本研究綜合考慮試驗(yàn)田面積、分辨率及光譜獲取效率等因素，確定最佳飛行高度為 25m 航向重疊 80% 旁向重疊 70% ，獲取無人機(jī)多光譜影像的空間分辨率為 1.3cm^?pixel^-1 。無人機(jī)拍攝到的初始影像數(shù)據(jù)為航線上相鄰區(qū)域的、相互重疊的單張影像，借助影像處理軟件Pix4DMapper4.5.6進(jìn)行無人機(jī)多光譜影像拼接，在ENVI5.6.3軟件中對(duì)拼接完成的影像合成光譜數(shù)據(jù)，進(jìn)行幾何校正等預(yù)處理操作，在上述處理之后，獲得研究區(qū)域的多光譜影像。

1.3 加工番茄SPAD測定

同步無人機(jī)多光譜影像數(shù)據(jù)獲取時(shí)間，采用TS-4N型手持式植物營養(yǎng)測定儀（浙江托普云農(nóng)科技）快速獲取代表葉綠素含量的SPAD值。根據(jù)加工番茄植株特性取測量樣本點(diǎn)株高（H/3～2H/3）的中部葉片，剔除試驗(yàn)區(qū)中由于非試驗(yàn)因子造成的雜株及不正常株，同時(shí)用試驗(yàn)區(qū)內(nèi)連續(xù)10株的平均值來補(bǔ)償被剔除的植株葉綠素相對(duì)含量。樣本點(diǎn)均勻布置于研究區(qū)內(nèi)，共設(shè)210個(gè)實(shí)測樣本點(diǎn)，獲取始花期、盛花期、坐果期、成熟期4個(gè)生育期共840組數(shù)據(jù)。

1.4植被指數(shù)選取

植被指數(shù)（vegetationindex，VI）是根據(jù)植被的光譜特性，將多光譜各波段進(jìn)行組合形成各種植被指數(shù)，在某些特定情況下，每種植被指數(shù)都可以用來定量描述植物的生長狀態(tài)。結(jié)合以往研究成果[17-19]，在無人機(jī)多光譜影像中提取與加工番茄SPAD值相關(guān)性較高的10種多光譜植被指數(shù)，其計(jì)算公式如表1所示。

表1多光譜植被指數(shù)計(jì)算公式

Table1 Formulaforcalculating themultispectral vegetation index

注：NIR一近紅外波段的反射率；R一紅外波段的反射率； G 一綠光波段的反射率；B一藍(lán)光波段的反射率。 Note：NIR—Reflectance of the near-infrared band;R—Reflectance of the infrared band; Reflectance of the greenband;B—Reflectance of theblue band.

1.5模型的構(gòu)建

以皮爾遜相關(guān)性分析為基礎(chǔ)，對(duì)相關(guān)系數(shù)進(jìn)行統(tǒng)計(jì)分析。皮爾遜相關(guān)系數(shù)作為量化指標(biāo)，用于描述2個(gè)變量間的線性關(guān)聯(lián)程度，其數(shù)值范圍限定在[-1，1]。當(dāng)該系數(shù)取值為負(fù)時(shí)，表明2個(gè)變量之間存在負(fù)向的線性關(guān)系；取值為正時(shí)表明2個(gè)變量之間存在正向線性關(guān)聯(lián)。

隨機(jī)森林（RF）是一種基于決策樹的集成學(xué)習(xí)算法，它通過構(gòu)建多個(gè)決策樹并組合它們的預(yù)測結(jié)果來提高整體的預(yù)測精度。所建模型中為選取最優(yōu)參數(shù)，實(shí)現(xiàn)預(yù)測誤差最小，本研究多次試驗(yàn)確定使用ntree和mtry的設(shè)置值分別為500和61。

支持向量機(jī)（support vector machine，SVM）是一種基于機(jī)器學(xué)習(xí)的分類方法，可以廣泛地應(yīng)用于多個(gè)領(lǐng)域，本研究利用徑向基函數(shù)進(jìn)行交互檢驗(yàn)，最終確定懲罰因子（C）為65，參數(shù)8為0.6。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，根據(jù)誤差反向傳播算法進(jìn)行訓(xùn)練，本研究采用輸入、隱含、輸出3層結(jié)構(gòu)，最終確定輸人層-隱含層-輸出層結(jié)構(gòu)為10-15-1，學(xué)習(xí)速率為0.01，迭代次數(shù)5000次。

1.6模型檢驗(yàn)

為消除人為干擾，本研究基于MatlabR2023b軟件開發(fā)平臺(tái)，采用Divide函數(shù)，以模型集：驗(yàn)證集為6：1的比例，對(duì)已有數(shù)據(jù)進(jìn)行多次重復(fù)劃分，直到生成的建模集和驗(yàn)證集樣本都滿足時(shí)空分布均勻。最終以180個(gè)樣本數(shù)據(jù)作為建模集，30個(gè)樣本為驗(yàn)證集，進(jìn)行分析建模。采用決定系數(shù)（R²） 均方根誤差（root mean square error，RMSE）、平均相對(duì)誤差（meanrelativeerror，MRE）評(píng)價(jià)模型反演精度。計(jì)算公式如下。

式中： y_i 和 分別為樣本的觀測值和預(yù)測值； 為樣本觀測值的平均值； n 是預(yù)測樣本數(shù)。

在以上模型精度檢驗(yàn)指標(biāo)中， R² 的取值范圍一般在0～1，數(shù)值越趨向1，表示線性擬合效果越好；RMSE的取值范圍是0到正無窮大，數(shù)值越小表示模型的預(yù)測誤差越小;MRE取值范圍為0～1，MRE值越小，表明模型精度越高，預(yù)測效果越好。

2 結(jié)果與分析

2.1加工番茄SPAD值隨生育時(shí)期的動(dòng)態(tài)變化

由整個(gè)試驗(yàn)期內(nèi)加工番茄SPAD值箱線（圖1）可知，各生育時(shí)期加工番茄SPAD值介于 32.5～ 56.2。加工番茄在始花期、盛花期、坐果期、成熟期4個(gè)生育時(shí)期SPAD值中位數(shù)（M）分別為42.5、41.1、45.6、44.3，可見試驗(yàn)區(qū)內(nèi)加工番茄SPAD值整體較高。

圖1加工番茄SPAD值箱線圖

Fig.1SPAD value box plot of processed tomato

2.2加工番茄SPAD值與多光譜植被指數(shù)相關(guān)性分析

對(duì)加工番茄始花期、盛花期、坐果期、成熟期4個(gè)主要生育期光譜構(gòu)建的植被指數(shù)與加工番茄葉片實(shí)際葉綠素SPAD值進(jìn)行相關(guān)性分析。由圖2可知，在始花期GNDVI、NDVI、MSAVI、OSAVI、DVI、RDVI、RVI、SAVI與SPAD值的相關(guān)系數(shù)在 0.60～0.69（Plt;0.01） ；在盛花期GNDVI與SPAD值的相關(guān)系數(shù)最高，為0.69（ ），NDVI、RVI、DVI、OSAVI、MSAVI與SPAD值的相關(guān)系數(shù)在 0.61～0.67（Plt;0.01） ，RDVI、SAVI、CVI和ARVI與SPAD值的相關(guān)系數(shù)在0.51～0.58C _（Plt;0.01 ；在坐果期OSAVI和GNDVI與SPAD值相關(guān)性系數(shù)最高，均為0.73 （Plt;0.01 ），ARVI與SPAD值相關(guān)性系數(shù)最低，為 0.59（Plt;0.01 ；在成熟期除ARVI之外，其他植被指數(shù)與SPAD值的相關(guān)系數(shù)都在 0.61～0.69（Plt;0.01） 。綜上可知，所選植被指數(shù)與SPAD值均存在較好的相關(guān)性，因此，以這10個(gè)植被指數(shù)作為自變量，以加工番茄在不同生育時(shí)期的SPAD值實(shí)際測量值為因變量。借助RF、SVM、BP模型構(gòu)建加工番茄不同生育時(shí)期SPAD值的反演模型。

2.3加工番茄SPAD值的反演建模驗(yàn)證結(jié)果分析

基于植被指數(shù)的加工番茄不同生育期的SPAD值預(yù)測建模結(jié)果如表2和圖3～5所示。在加工番茄不同生育時(shí)期SPAD值預(yù)測模型中，以多光譜植被指數(shù)為自變量，在始花期RF模型預(yù)測效果最優(yōu)， R² 為0.89，RMSE為1.15；在盛花期SVM模型預(yù)測效果最優(yōu)， R² 為0.87，RMSE為1.46;在坐果期SVM模型預(yù)測效果最優(yōu)， R² 為0.88，RMSE為1.25；在成熟期BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果最優(yōu)， R² 為0.89，RMSE為1.07。在作物盛花期，開花過程會(huì)消耗植株內(nèi)部的大部分營養(yǎng)，導(dǎo)致葉綠素含量發(fā)生不同變化，其預(yù)測效果相對(duì)較低。對(duì)不同生育時(shí)期的驗(yàn)證模型進(jìn)行評(píng)價(jià)，在始花期RF模型驗(yàn)證效果最優(yōu)， R² 為0.90，RMSE為1.01；在盛花期SVM模型驗(yàn)證效果最優(yōu)， R² 為0.82，RMSE為1.83；在坐果期SVM模型驗(yàn)證效果最優(yōu)， R² 為0.88，RMSE為1.31；在成熟期BP神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證效果最優(yōu)， R² 為0.80，RMSE為1.25。

2.4加工番茄SPAD值空間分布分析

由本研究建立的3種不同預(yù)測模型的驗(yàn)證結(jié)果（表2）可知，在始花期RF模型 R² 值均高于BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型；在盛花期和坐果期，SVM模型驗(yàn)證集 R² 均高于RF模型和BP神經(jīng)網(wǎng)絡(luò)模型；在成熟期時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型 R² 值均高于RF模型和SVM模型。不同模型之間比較，支持向量機(jī)模型和隨機(jī)森林模型都具有較好的預(yù)測性，所有時(shí)期預(yù)測集決定系數(shù)均高于0.80，其中支持向量機(jī)模型預(yù)測效果最好，各個(gè)時(shí)期建模精度均在0.85以上，分別為0.88、0.87、0.88、0.85，RMSE分別為0.95、1.46、1.25、1.91。因此，在基于無人機(jī)多光譜影像的加工番茄SPAD值的預(yù)測中，支持向量機(jī)模型為最優(yōu)模型，且模型較穩(wěn)定，在加工番SPAD預(yù)測中具有一定的優(yōu)勢。以此為基礎(chǔ)構(gòu)建加工番茄4個(gè)生育時(shí)期的SPAD值空間分布圖。

表2不同估算模型的SPAD值建模與驗(yàn)證結(jié)果

Table2Results for modeling and validating SPAD values for different estimation models

計(jì)算得到每個(gè)像素點(diǎn)的植被指數(shù)特征，以各像素點(diǎn)上的植被指數(shù)特征為模型參數(shù)，代人建立的支持向量機(jī)預(yù)測模型中，由此求出各像素點(diǎn)的SPAD值，按類別顯示柵格，得到加工番茄SPAD預(yù)測值空間分布圖，通過繪制研究區(qū)加工番茄不同生育時(shí)期SPAD值的空間分布圖，可以有效地反映加工番茄SPAD值的空間變化。圖6所示為加工番茄始花期、盛花期、坐果期、成熟期4個(gè)不同時(shí)期的SPAD值分布圖，隨著加工番茄生長發(fā)育進(jìn)程的推進(jìn)，在始花期加工番茄葉片葉綠素含量隨生育期的推進(jìn)而增加，但在盛花期葉片生長緩慢葉綠素呈下降趨勢。隨著氣溫逐漸升高，新疆維吾爾自治區(qū)昌吉回族自治州地區(qū)日照時(shí)間變長，加工番茄生長旺盛葉片膨大，使得坐果期葉綠素再次呈上升趨勢。坐果期過后，加工番茄進(jìn)入生殖生長階段，葉片開始黃化、脫落，葉綠素含量下降，但在成熟期部分果實(shí)脫落后，營養(yǎng)向葉片運(yùn)輸使得部分葉片葉綠素升高?？傮w來看，預(yù)測值與實(shí)測值加工番茄SPAD值箱線圖（圖1）規(guī)律基本一致。葉綠素是植物生長的重要指標(biāo)，與植物發(fā)育階段有很好的相關(guān)性，可視為植物發(fā)育階段的指標(biāo)，通過加工番茄各生育時(shí)期SPAD值空間分布圖可以直觀地看出加工番茄不同時(shí)期葉片SPAD值的差異，為加工番茄田間種植管理提供理論參考依據(jù)。

圖3不同生育時(shí)期加工番茄SPAD值隨機(jī)森林模型反演精度驗(yàn)證

Fig.3VerificationoftheinversionaccuracyofRFmodelofSPADvaluesofprocessingtomatoesatdiffrent growthperic

圖4不同生育時(shí)期加工番茄SPAD值支持向量機(jī)模型反演精度驗(yàn)證

Fig.4Verificationof the inversionaccuracyofSVMofSPADvaluesofprocessing tomatoes atdifferent growthperiods

圖5不同生育時(shí)期加工番茄SPAD值BP神經(jīng)網(wǎng)絡(luò)反演精度驗(yàn)證

Fig.5Verificationof the inversion accuracyof BPofSPAD values of processng tomatoes atdiferent growth periods

圖6加工番茄不同生育期SPAD預(yù)測值

Fig.6Predicted SPADvaluesatdifferent stagesof processing tomatoes

3討論

葉綠素作為植物光合作用過程的重要農(nóng)學(xué)參數(shù)，其含量的變化會(huì)引起葉片生理及形態(tài)結(jié)構(gòu)的變化，作物葉綠素含量與光譜特征高度相關(guān)，因此利用光譜指數(shù)反演植被葉綠素含量，有效監(jiān)測植被的生長狀況是目前的通用方法，為快速、大面積監(jiān)測植被的葉綠素變化提供了可能。通過相關(guān)性分析篩選出與加工番SPAD值相關(guān)性較高的植被指數(shù)，本研究結(jié)果顯示，與加工番茄SPAD含量相關(guān)性較高的植被指數(shù)包括GNDVI、OSAVI、NDVI、DVI、RVI，這與田軍倉等[18研究結(jié)果一致，說明以同一光譜指數(shù)建立的反演模型完全可以應(yīng)用于相同作物。與岳云開等[研究結(jié)果不同，部分光譜指數(shù)在此研究中沒有表現(xiàn)出很高的相關(guān)性，從某種程度上說明用于構(gòu)建估算模型的光譜指數(shù)也具有區(qū)域差別，應(yīng)該針對(duì)不同區(qū)域的特點(diǎn)和具體情況來選取。隨著加工番茄的生長，其植被指數(shù)與對(duì)應(yīng)的SPAD值相關(guān)性程度依次減小，這與Jiang等14的研究結(jié)論一致，這可能與植株高度降低、行距和株距減小降低了植株的透光度和葉片對(duì)光譜信息的貢獻(xiàn)率等有關(guān)。因此，在不同生育期選擇合適的光譜變量進(jìn)行建模，可以實(shí)現(xiàn)對(duì)加工番茄SPAD值較高精度檢測。

本研究利用無人機(jī)遙感技術(shù)結(jié)合機(jī)器學(xué)習(xí)的方法建立加工番茄SPAD值無損估算模型。目前，國內(nèi)外研究人員在構(gòu)建葉綠素相對(duì)含量的光譜估算模型時(shí)常采用單生育期光譜取樣和葉綠素相對(duì)含量測定，導(dǎo)致反演模型不適用于其他生育期，因此，在不同時(shí)期使用不同的估算模型監(jiān)測葉綠素可以更好地適應(yīng)不同的環(huán)境條件和植被生長階段，提高監(jiān)測的準(zhǔn)確性和可靠性。本研究以4個(gè)生長階段的加工番茄為研究對(duì)象，對(duì)其冠層光譜及葉片SPAD值進(jìn)行測量，構(gòu)建適用于不同時(shí)期條件下的加工番茄葉綠素含量估測模型。對(duì)不同生育時(shí)期的驗(yàn)證模型進(jìn)行評(píng)價(jià)，在始花期RF模型驗(yàn)證效果最優(yōu)，在盛花期SVM模型驗(yàn)證效果最優(yōu)，在坐果期SVM模型驗(yàn)證效果最優(yōu)，在成熟期BP神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證效果最優(yōu)。作物在生命周期中經(jīng)歷不同的生長階段，葉綠素含量隨之變化，使用適應(yīng)不同生長階段的估算模型可以更準(zhǔn)確地反映葉綠素的動(dòng)態(tài)變化2。根據(jù)精度評(píng)估結(jié)果篩選加工番茄葉綠素含量估算的最佳模型，其中，SVM模型在建模集和驗(yàn)證集的擬合效果最好，模型較穩(wěn)定，優(yōu)于RF模型和BP神經(jīng)網(wǎng)絡(luò)模型， R² 分別為0.88、0.87、0.88、0.75，RMSE分別為0.95、1.46、1.25、1.91，這是由于SVM算法采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則進(jìn)行模型選擇，即在保證訓(xùn)練誤差最小的同時(shí)，盡可能地減小泛化誤差2。同時(shí)，基于最優(yōu)SVM模型生成加工番茄每個(gè)生育期的SPAD值可視化空間分布圖，可以直觀地說明加工番茄不同時(shí)期葉片葉綠素相對(duì)含量的差異，為更及時(shí)、準(zhǔn)確地了解加工番茄植株?duì)I養(yǎng)狀況分布情況以及為加工番茄生長監(jiān)測提供精準(zhǔn)依據(jù)。

參考文獻(xiàn)

[1]ZHANGHC，GEYF，XIE XY，et al..High throughput analysis of leaf chlorophyll content in Sorghum using RGB， hyperspectral，and fluorescence imaging and sensor fusion [J/OL]. Plant Methods，2022，18（1）：60 [2024-12-19]. https：//doi.org/ 10.1186/s13007-022-00892-0.

[2]郭建鵬.玉米葉傾角反演及其與葉綠素含量的關(guān)系研 究[D].呼和浩特：內(nèi)蒙古師范大學(xué)，2024. GUOJP.Retrieval of leaf inclination angleand its relationship withchlorophyll content inmaize[D].Hohhot： InnerMongolia

[3」JIANG C Y，JOHKAN M，HOHJO M，et al..A correlation analysis on chlorophyll content and SPAD value in tomato leaves[J].HortResearch，2017，71（71）： 37-42.

[4]PAJARES G. Overview and current status of remote sensing applications based onunmanned aerial vehicles（UAVs） [J]. Photogramm.Eng.Remote.Sens.，2015，81（4）： 281-329.

[5]HUANGYB，REDDYKN，F(xiàn)LETCHERRS， et al..UAV lowaltitude remote sensing for precision weed management [J]. Weed Technol.，2018，32（1）： 2-6.

[6]MAES W H，STEPPE K.Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture[J]. Trends Plant Sci.，2019，24（2）： 152-164.

[7]高亞利，王振錫，連玲，等.截形葉螨危害下棗葉片葉綠素含 量高光譜估算模型[J].西北農(nóng)業(yè)學(xué)報(bào)，2020，29（4）：613-621. GAOYL，WANG Z X，LIANL，et al..Hyperspectral estimation model of jujube leaves chlorophyll contentsunder different damages of Tetranychus truncatus ehara [J].Acta Agric.Bor-Occid. Sin.，2020，29（4）： 613-621.

[8]ZHANG H， SHIP，CRUCIL G， et al..Evaluating the capability of a UAV-borne spectrometer for soil organic carbon mapping in bare croplands [J].LandDegrad.Dev.，2021，32（15）： 4375- 4389.

[9] 毛智慧，鄧?yán)?，孫杰，等.無人機(jī)多光譜遙感在玉米冠層葉綠 素預(yù)測中的應(yīng)用研究[J].光譜學(xué)與光譜分析，2018，38（9）： 2923-2931. MAO Z H， DENG L，SUN J，et al..Research on the application of UAV multispectral remote sensing in the maize chlorophyll prediction [J]. Spectrosc. Spectr. Anal.，2018，38（9）：2923- 2931.

[10］劉小輝.基于無人機(jī)影像的小麥葉綠素含量及產(chǎn)量定量反 演研究[D].合肥：安徽大學(xué)，2019. LIU X H.Inversion of wheat chlorophyll content and yield based on unmanned aerial vehicle images [D]. Hefei： Anhui University，2019.

[11］陳浩，馮浩，楊禎婷，等.基于無人機(jī)多光譜遙感的夏玉米冠 層葉綠素含量估計(jì)[J].排灌機(jī)械工程學(xué)報(bào)，2021，39（6）： 622-629. CHEN H，F(xiàn)ENG H， YANG Z T，et al.. Estimation of chlorophyll content of summer maize canopy based on UAV multispectral remote sensing [J].J. Drain. Irrig. Mach. Eng.， 2021，39（6）： 622-629.

[12］王麗愛，馬昌，周旭東，等.基于隨機(jī)森林回歸算法的小麥葉片 SPAD值遙感估算[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（1）：259-265. WANGLA，MAC，ZHOUXD，etal..Estimationofwheatleaf SPAD value using RF algorithmic model and remote sensing data[J]. Trans.Chin.Soc.Agric.Mach.，2015，46（1）： 259-265.

[13]HUANG Y Y，MAQ M，WU X M，et al..Estimation of chlorophyll content in Brassica napus based on unmanned aerial vehicle images [J]. Oil Crop Sci.，2022，7（3）：149-155.

[14]JIANGJL，JOHANSENK，STANSCHEWSKI C S，et al.. Phenotyping a diversity panel of quinoa using UAV-retrieved leaf area index，SPAD-based chlorophyll and a random forest approach [J].Precis.Agric.，2022，23（3）： 961-983.

[15］YANCSO HIII WI HR et al Inteoratin of oron orowth modelandrandomforestforwinterwheatyieldestimationfrom UAVhyperspectral imagery[J].IEEEJ.Sel.Top.Appl.Earth Obs.Remote.Sens.，2021，14： 6253-6269.

[16]ZHANGY，SU ZB，SHENWZ，etal..Remote monitoringof heading rice growing and nitrogen content based on UAV images[J].Int.J.SmartHome，2016，10（7）：103-114.

[17]彭曉偉，張愛軍，楊曉楠，等.谷子葉綠素含量高光譜特征分析 及其反演模型構(gòu)建[J].干旱地區(qū)農(nóng)業(yè)研究，2022，40（2）：69-77. PENGXW，ZHANGAJ，YANGXN，etal..Hyperspectral characteristicsand remote sensing inversionmodel of chlorophyll content ofmillet [J].Agric.Res.Arid Areas，2022，40（2）： 69-77.

[18]田軍倉，楊振峰，馮克鵬，等.基于無人機(jī)多光譜影像的番茄冠 層SPAD預(yù)測研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（8）：178-188. TIANJC，YANGZF，F(xiàn)ENGKP，etal..Predictionof tomato canopy SPAD based on UAV multispectral image[J].Trans. Chin.Soc.Agric.Mach.，2020，51（8）：178-188.

[19］岳云開，陳建福，趙亮，等.基于無人機(jī)多光譜遙感的苧麻葉 綠素含量反演[J].山東農(nóng)業(yè)科學(xué)，2023，55（7）：152-158. YUEYK，CHENJF，ZHAOL，etal..Inversion ofchlorophyll content in ramiebased onUAVmultispectral remote sensing[J]. ShandongAgric.Sci.，2023，55（7）：152-158.

[20]FENGAJ，ZHOUJF，VORIESED，etal.Yield estimation in cotton using UAV-based multi-sensor imagery [J]. Biosyst. Eng.，2020，193：101-114.

[21]梁棟，楊勤英，黃文江，等.基于小波變換與支持向量機(jī)回歸 的冬小麥葉面積指數(shù)估算[J].紅外與激光工程，2015，44（1）： 335-340. LIANGD，YANGQY，HUANGWJ， etal..Estimation ofleaf area index based on wavelet transform and support vector machine regression in winter wheat [J].Infrared Laser Eng.， 2015，44（1）：335-340.