基于無人機(jī)多光譜影像的苧麻光合參數(shù)反演

中圖分類號：S563.1：S126 文獻(xiàn)標(biāo)識號：A 文章編號：1001-4942（2025）08-0160-08

AbstractPhotosynthetic parameters are important indicators reflecting the photosynthetic status of plants.In order to study the feasibility of inverting ramie（Boehmeria nivea L.）photosynthetic parameters from multispectral images captured by unmanned aerial vehicle （UAV），a multispectral UAV platform was utilized to collct the multispectral images of ramie at seedling，row closure，vigorous growth，and ripening stages under different nitrogen application levels and topdressing periods，and the net photosynthetic rate （Pn） ，stomatal conductance（Gs），intercellular CO₂ concentration（Ci），and transpiration rate （ ）of the ramie leaves were measured at the same time. Through correlation analysis，seven vegetation indices （NDVI，GNDVI， RVI，SIPI，WDRVI，MSR，MCARI）were selected which had higher correlation with the four photosynthetic parameters. Inversion of the photosynthetic parameters was performed using three machine learning models of Random Forest（RF），Support Vector Machine（SVM），and Back-Propagation Neural Networks（BPNN）， and the model validation and accuracy comparison were also conducted.The results showed that the best models for inverting ramie photosynthetic parameters of Pn ，Gs，Ci and Tr from UAV multispectral images were RF models at ripening，ripening，seedling and ripening stages，respectively，with the coefficient of determination （ R² ）values of 0.640，0.790，0.790 and 0.720，and the root mean square error （RMSE）values of 1.040， 0.070，9.190 and 1.380，respectively.Therefore，UAV multispectral images combined with RF model could effectively invert the photosynthetic parameters of ramie leaves.

KeywordsRamie ; Photosynthetic parameters； Multispectral images captured by unmanned aerial vehi-cle； Vegetation indices ； Machine learning

苧麻（Boehmeria nivea L.）是蕁麻科（Urticace-ae）苧麻屬（Boehmeria）多年生草本纖維植物，是中國重要的紡織原料[1]。苧麻全生育時期生長狀況的監(jiān)測和評估對于苧麻提質(zhì)增產(chǎn)、栽培管理提升具有重要意義。光合作用是植物利用太陽能通過光反應(yīng)和暗反應(yīng)將無機(jī)物轉(zhuǎn)化為有機(jī)物并實(shí)現(xiàn)能量轉(zhuǎn)換的生理過程，對人類發(fā)展和自然生態(tài)穩(wěn)定具有重大意義。作為表達(dá)植物光合作用狀況的重要特征參量，光合參數(shù)在植物生理生態(tài)研究中受到廣泛關(guān)注[2]。光合參數(shù)的實(shí)時、有效、精準(zhǔn)監(jiān)測可為科學(xué)的農(nóng)業(yè)生產(chǎn)管理和精確農(nóng)業(yè)發(fā)展提供理論支持。

傳統(tǒng)的光合參數(shù)監(jiān)測是使用光合儀進(jìn)行田間實(shí)測，耗時費(fèi)力且無法多點(diǎn)監(jiān)測。現(xiàn)代作物光合參數(shù)估測主要通過地面光譜儀、無人機(jī)遙感和衛(wèi)星遙感實(shí)現(xiàn)[3]。呂瑋等[4]基于地物光譜儀采集小麥高光譜數(shù)據(jù)并做一階導(dǎo)數(shù)，構(gòu)建小麥凈光合速率反演模型，發(fā)現(xiàn)二次多項(xiàng)式逐步回歸反演效果良好。劉聰?shù)萚5]基于水稻葉片光譜和光合入射有效輻射（PARin）有效提高不同品種水稻葉片凈光合速率反演精度。地面光譜儀反演精度較高，但存在大面積監(jiān)測難、易受田間水汽干擾以及無法成像或成像復(fù)雜等問題。李振旺探索了基于多源多尺度衛(wèi)星遙感數(shù)據(jù)的草原關(guān)鍵光合參數(shù)反演模型。衛(wèi)星遙感技術(shù)因具有較好的時空尺度優(yōu)勢，是大規(guī)模監(jiān)測作物光合參數(shù)的主要方式。但衛(wèi)星遙感技術(shù)易受自然環(huán)境影響，時空分辨率低且數(shù)據(jù)處理復(fù)雜，難以滿足農(nóng)田尺度光合參數(shù)精準(zhǔn)監(jiān)測。近年來，無人機(jī)遙感信息獲取技術(shù)因具有快速高精度獲取更高分辨率和農(nóng)田尺度作物信息以及對天氣變化不敏感等特點(diǎn)，在精確農(nóng)業(yè)和智慧農(nóng)業(yè)領(lǐng)域應(yīng)用廣泛。基于無人機(jī)多光譜的作物生理指標(biāo)監(jiān)測已在株高、葉面積指數(shù)、地上生物量和養(yǎng)分含量等方面有較多研究，但對作物光合參數(shù)反演較少。陳俊英等7通過無人機(jī)搭載6波段多光譜相機(jī)獲取的棉花花蕾期光譜反射率實(shí)現(xiàn)了光合參數(shù)的反演； W_u 等[8]結(jié)合無人機(jī)多光譜圖像和機(jī)器學(xué)習(xí)算法對水稻凈光合速率進(jìn)行反演，發(fā)現(xiàn)基于植被指數(shù)的梯度提升決策樹和隨機(jī)森林模型性能最佳；董德譽(yù)等使用無人機(jī)多光譜估算不同生育時期冬小麥光合參數(shù)，發(fā)現(xiàn)嶺回歸對全生育期小麥凈光合速率（ Pn ）、氣孔導(dǎo)度（Gs）和蒸騰速率（Tr）估算的 R²gt;0.5 。上述研究表明無人機(jī)多光譜結(jié)合機(jī)器學(xué)習(xí)能夠?qū)崿F(xiàn)對作物光合參數(shù)的估算，但針對苧麻光合參數(shù)估算的研究尚未見報道。

本研究以不同生育時期的苧麻為研究對象，設(shè)置4個肥料梯度和2個追肥時期，利用無人機(jī)多光譜圖像獲取7種植被指數(shù)，通過實(shí)測光合參數(shù)與植被指數(shù)的相關(guān)性分析確定用于模型反演的植被指數(shù)，并比較隨機(jī)森林、支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)所構(gòu)建的苧麻光合參數(shù)反演模型的精確度，通過評價分析確定不同生育時期苧麻光合參數(shù)的最佳反演模型，以期為苧麻葉片光合參數(shù)動態(tài)監(jiān)測提供理論依據(jù)。

材料與方法

1.1 田間試驗(yàn)設(shè)計

田間試驗(yàn)于湖南農(nóng)業(yè)大學(xué)國家麻類長期定位試驗(yàn)點(diǎn) （28^°11^′01.981^′′N，113^°04^′10.159^′′E ，海拔 ）開展。該地屬亞熱帶季風(fēng)性濕潤氣候，四季分明，熱量充足，年均氣溫 18.4^°C ，年均日照時數(shù)1 ∣529h ，年均降水約 1500mm 。試驗(yàn)區(qū)土壤為黏質(zhì)紅壤土， pH 值為5.18，有機(jī)質(zhì)含量22.18g?kg^-1 ，全氮含量 1.52g?kg^-1 。

供試苧麻品種為“中苧2號”，于2022年5月移栽至試驗(yàn)地。為提高光合參數(shù)的變異性，試驗(yàn)設(shè)置4個施氮水平，分別為CK（0）、N1（273kg?hm^-2 ） .N2（332kg?hm^-2 ）、N 3（390kg?hm^-2）? ；設(shè)置2個追肥時期，分別為封行期（a）和旺長期（b）。N1-a_ΔN2-a_ΔN3-a_ΔN1-b_ΔN2-b_ΔN3-b_Δ6 個施肥處理均按照6：4比例分別于苗期前和所設(shè)追肥時期撒施肥料，施肥處理各設(shè)置6個重復(fù)，CK設(shè)置2個重復(fù)，共38個試驗(yàn)小區(qū)，小區(qū)面積 4.84m² ，蒐間距 0.3m ，行間距 0.5m 。試驗(yàn)區(qū)土壤肥沃，土質(zhì)均一，灌溉排水條件良好，田間管理措施同高產(chǎn)大田。

1.2 數(shù)據(jù)采集

1.2.1無人機(jī)多光譜影像的采集使用大疆精靈4無人機(jī)多光譜版（中國，DJI）搭載多光譜相機(jī)，該相機(jī)包括1個可見光成像傳感器和5個多光譜單色傳感器（藍(lán)、綠、紅、紅邊和近紅外），各傳感器有效像素208萬（總像素212萬），于2022年6—11月對第一季和第二季苧麻的苗期、封行期、旺長期和成熟期進(jìn)行數(shù)據(jù)采集，采集時段均選擇晴朗無云少風(fēng)的10一12時。飛行參數(shù)設(shè)定為飛行高度 20m ，云臺俯仰角度 -90^° ，各時期拍攝參數(shù)保持一致。利用DJITerra軟件對獲取的無人機(jī)多光譜圖像進(jìn)行拼接并輻射校正后提取試驗(yàn)區(qū)反射影像，再利用ArcGIS軟件提取反射率并計算植被指數(shù)。

1.2.2 苧麻光合參數(shù)的測定無人機(jī)影像采集時同步測定苧麻冠層光合參數(shù)：每個小區(qū)選取3株長勢均一的健康植株，使用 LI-6400XT 便攜式光合作用測量系統(tǒng)（美國，LI-COR）測定植株倒三葉光合參數(shù)，包括凈光合速率 （Pn，μmol?m^-2?s^-1） 人氣孔導(dǎo)度 （Gs，mol?m^-2?s^-1， ）、胞間 CO₂ 濃度（Ci，μmol?mol^-1 ）和蒸騰速率 （Tr，mmol?m^-2?s^-1） ，取平均值作為該小區(qū)實(shí)測光合參數(shù)值。

1.3 植被指數(shù)選取

基于現(xiàn)有多光譜植被指數(shù)，結(jié)合光合參數(shù)特性，選取與苧麻光合參數(shù)相關(guān)性較高的7種常見植被指數(shù)進(jìn)行反演模型構(gòu)建。選取的植被指數(shù)及其計算公式見表1。

表1選取的植被指數(shù)及其計算公式

注：B、G、R、RE和NIR分別為 450，560，650，730，840nm 波長處的光譜反射率。

1.4 模型構(gòu)建及評價

1.4.1模型構(gòu)建 采用隨機(jī)森林（RandomFor-est，RF）、支持向量機(jī)（SupportVectorMachine，SVM）和反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagation NeuralNetwork，BPNN）3種用于分類和回歸任務(wù)的機(jī)器學(xué)習(xí)算法構(gòu)建不同生育時期苧麻光合參數(shù)反演模型。RF是基于決策樹的算法，從原始訓(xùn)練集里有放回地抽取 m 個樣本作為新的訓(xùn)練集，由候選特征變量中抽取K個特征變量，選取最好的分割特征變量作為訓(xùn)練樣本構(gòu)造分類與回歸樹（classificationand regression tree，CART）并重復(fù)T次，即獲得了T棵決策樹，對每個決策樹結(jié)果進(jìn)行平均，生成隨機(jī)森林的結(jié)果，以降低過擬合風(fēng)險[17]。SVM是基于核函數(shù)的算法，通過確立特征空間上的分類器來尋找最優(yōu)線性超平面，并確定與最近數(shù)據(jù)點(diǎn)的最大間隔，一般認(rèn)為，間隔越大則平面越優(yōu)秀，有抗干擾能力強(qiáng)、靈活性高等特點(diǎn)[18]。BPNN 是基于誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練樣本進(jìn)行歸一化處理后傳入輸入層，通過隱藏層處理后產(chǎn)生輸出信號，計算得到輸出層與期望值的誤差，對誤差不斷求解直到輸出誤差達(dá)到要求精度后輸出。

模型構(gòu)建使用Matlab軟件。以所篩選的7種植被指數(shù)作為輸入變量，將數(shù)據(jù)集按7：3比例隨機(jī)劃分訓(xùn)練集和測試集，訓(xùn)練集樣本數(shù)據(jù)用于模型構(gòu)建，測試集樣本數(shù)據(jù)用于反演模型評價。1.4.2模型評價模型精度評價指標(biāo)選取決定系數(shù)（coefficient ofdetermination， R² ）和均方根誤差（root mean square error，RMSE）， R² 越接近于1，相應(yīng)的RMSE越小，模型估算能力越好，精度越高。計算公式如下：

式中： 為光合參數(shù)預(yù)測值； 為光合參數(shù)平均值；

y_i 為光合參數(shù)實(shí)測值； n 為樣本個數(shù)。

2 結(jié)果與分析

2.1 苧麻光合參數(shù)變化

總體來說，兩季苧麻葉片 和 Tr 隨生育期推進(jìn)均呈現(xiàn)先升后降趨勢，于旺長期達(dá)到最大值，且頭麻葉片的 Pn?cornerGs 和 Tr 較二麻高（圖1）。增加施氮量對苧麻葉片 和Tr有促進(jìn)作用，其中，苗期 Pn，Ci 和 Tr 變化不顯著，頭麻

Gs隨施氮量增加而增加；封行期、旺長期和成熟期苧麻葉片

圖1不同處理下兩季苧麻各生育時期光合參數(shù)變化

2.2 植被指數(shù)與光合參數(shù)的相關(guān)性分析

Pearson相關(guān)性分析結(jié)果（表2）顯示，除苗期外，各生育時期苧麻葉片的 Pn 均與各植被指數(shù)呈極顯著正相關(guān)，相關(guān)系數(shù)在 0.302～0.525 之間。不同生育時期葉片Gs與各植被指數(shù)均呈極顯著正相關(guān)，相關(guān)系數(shù)在 0.554～0.929 之間，其中旺長期Gs與GNDVI的相關(guān)系數(shù)最大，其次為旺長期的Gs與SIPI。苗期和旺長期Ci與各植被指數(shù)呈極顯著負(fù)相關(guān)，封行期和成熟期則呈極顯著正相關(guān)，相關(guān)系數(shù)絕對值在 0.347～0.842 之間，其中苗期Ci與各植被指數(shù)的相關(guān)系數(shù)絕對值均較大，尤其與MCARI的相關(guān)系數(shù)絕對值最大。各生育時期Tr與7種植被指數(shù)均呈極顯著正相關(guān)，相關(guān)系數(shù)在 0.463～0.949 之間，其中旺長期Tr與GNDVI的相關(guān)系數(shù)最大，其次為與SIPI的相關(guān)系數(shù)（0.911）。表明本研究選用的7種植被指數(shù)可用于苧麻光合參數(shù)反演。

表2光合參數(shù)與植被指數(shù)的相關(guān)系數(shù)

注：*表示在0.05水平顯著相關(guān)，**表示在0.01水平極顯著相關(guān)。

2.3 基于不同機(jī)器學(xué)習(xí)算法的苧麻光合參數(shù)反演

基于植被指數(shù)與光合參數(shù)的相關(guān)性分析，選擇與各光合參數(shù)顯著相關(guān)的植被指數(shù)，采用RF、SVM和BPNN機(jī)器學(xué)習(xí)算法進(jìn)行不同生育時期苧麻葉片光合參數(shù)反演模型構(gòu)建，并使用測試集數(shù)據(jù)進(jìn)行模型精度驗(yàn)證。

2.3.1 不同機(jī)器學(xué)習(xí)算法對苧麻葉片 Pn 的反演從模型（表3）來看，RF和SVM均在成熟期 R² 最大，BPNN則在苗期和封行期 R² 最大， R² 分別為0.640，0.610，0.520，0.520 ，RMSE分別為1.040、1.390，1.430，0.860 。從生育時期來看，苗期、封行期、旺長期和成熟期 R² 最大的模型均為RF， R² 分別為 0.600，0.610，0.580，0.640 ，RMSE分別為1.220、0.983、1.600、1.040， 。綜合來看，成熟期RF模型的 R² 最大，可作為 Pn 最佳估算模型，圖2為其預(yù)測值與實(shí)測值的擬合結(jié)果。

表3不同反演模型下的苧麻葉片 Pn 模型精度比較

2.3.2 不同機(jī)器學(xué)習(xí)算法對苧麻葉片Gs的反演從模型（表4）來看，RF、SVM和BPNN分別在成熟期、苗期和苗期 R² 最大， R² 分別為0.790、0.780、0.720，RMSE分別為 0.070、0.030、0.040 0從生育時期來看，苗期 R²"最大的模型為RF和SVM，R²"均為0.780，RMSE均為0.030;封行期、旺長期和成熟期 R²"最大的模型均為RF， R²"分別為0.590、0.740、0.790，RMSE分別為 0.040，0.040，0.070 ，綜合來看，成熟期RF模型的 R²"最大，可作為Gs最佳估算模型，圖3為其預(yù)測值與實(shí)測值擬合結(jié)果。

圖2基于RF算法的苧麻成熟期葉片 Pn 估算模型預(yù)測值與實(shí)測值的關(guān)系

表4不同機(jī)器學(xué)習(xí)算法的苧麻葉片Gs模型精度比較

圖3基于RF算法的苧麻成熟期葉片Gs估算模型預(yù)測值與實(shí)測值的關(guān)系

2.3.3不同機(jī)器學(xué)習(xí)算法對苧麻葉片Ci的反演從模型（表5）來看，RF、SVM和BPNN分別在苗期、封行期和封行期 R² 最大， R² 分別為0.790、0.750、0.750，RMSE分別為 9.190，11.370，12.200 0從生育時期來看，苗期、旺長期和成熟期 R² 最大的模型分別為RF、BPNN和RF， R² 分別為0.790、0.630、0.700，RMSE分別為9.190、13.110、13.280，封行期 R² 最大的模型為SVM和BPNN， R² 均為0.750，RMSE分別為11.370、12.200。綜合來看，苗期RF模型的 R² 最大，可作為Ci最佳估算模型，圖4為其預(yù)測值與實(shí)測值的擬合結(jié)果。

表5不同機(jī)器學(xué)習(xí)算法的苧麻葉片Ci模型精度比較

圖4基于RF算法的苧麻苗期葉片Ci估算模型預(yù)測值與實(shí)測值的關(guān)系

2.3.4不同機(jī)器學(xué)習(xí)算法對苧麻葉片Tr的反演從模型（表6）來看，RF、SVM和BPNN分別在成熟期、封行期和封行期 R² 最大， R² 分別為0.720、0.670、0.610，RMSE分別為 1.380，0.470， 0.590。從生育時期來看，苗期、封行期、旺長期和成熟期 R² 最大的模型均為RF， R² 分別為0.540、0.710、0.690、0.720，RMSE分別為0.870、0.560、0.770、1.380。綜合來看，成熟期RF模型的 R² 最大，可作為Tr最佳估算模型，圖5為其預(yù)測值與實(shí)測值的擬合結(jié)果。

表6不同機(jī)器學(xué)習(xí)算法的苧麻葉片Tr模型精度比較

圖5基于RF算法的苧麻成熟期葉片 Tr 估算模型預(yù)測值與實(shí)測值的關(guān)系

3 討論

3.1 施氮和追肥時期對苧麻葉片光合參數(shù)的影響

氮素是作物合成蛋白質(zhì)和葉綠素的必要元素，對作物光合特性有調(diào)節(jié)作用。適量施氮可有效促進(jìn)蛋白質(zhì)、葉綠素合成，有利于光、暗反應(yīng)的進(jìn)行，同時促進(jìn) CO₂ 的葉片轉(zhuǎn)導(dǎo)，改善Gs和 Tr ，進(jìn)而促進(jìn) Pn^[9] 。在自然條件下，植物 Pn 與 Tr，Gs 呈正相關(guān)[19]，與本研究結(jié)果基本一致。本研究表明，施氮對苧麻葉片 和Tr有促進(jìn)作用，旺長期施氮處理可明顯提高 Pn ，而不施氮處理會使植株缺氮導(dǎo)致葉綠素合成受阻，光合能力受到抑制，這與朱聰?shù)萚20]的研究結(jié)果一致。但Ci隨施氮量增加呈現(xiàn)持平或上升，可能是由于極端高溫、干旱和試驗(yàn)地灌水不充分，苧麻受到一定程度的干旱脅迫，而高溫、干旱等環(huán)境脅迫會導(dǎo)致葉片胞間 CO₂ 濃度升高[21] 。

3.2 不同機(jī)器學(xué)習(xí)算法對光合參數(shù)的反演結(jié)果

適當(dāng)數(shù)量的植被指數(shù)既能反映作物生長狀況，又不會使模型過于復(fù)雜而導(dǎo)致過擬合[22]。本研究選取7種與光合參數(shù)相關(guān)性顯著或極顯著的植被指數(shù)進(jìn)行苧麻光合參數(shù)反演。對于 Pn ，RF、SVM和BPNN 測試集 R² 在 0.430～0.640 范圍，以成熟期RF模型的 R² 最大，可能由于 Pn 與各植被指數(shù)相關(guān)系數(shù)較低，導(dǎo)致模型難以學(xué)習(xí)到特征與其輸出之間的潛在關(guān)系，進(jìn)而使得模型泛化能力和精度下降。對于 Gs ，最佳模型為成熟期RF模型， R² 為0.790;而SVM和BPNN模型均僅在苗期的 R² 較大，分別為 0.780，0.720 。對于Ci，最佳模型為苗期RF模型，測試集 R² 為0.790;而SVM在苗期和封行期、BPNN在封行期的 R² 較大，分別為 0.740，0.750，0.750 。對于 Tr ，最佳模型為成熟期RF模型， R² 為0.720，而SVM和BPNN均表現(xiàn)不佳。綜合來看，RF模型對光合參數(shù)的估算精度高于SVM 和BPNN，這表明RF 模型在苧麻光合參數(shù)估算方面更具優(yōu)勢。劉成成[23]基于無人機(jī)多光譜對棉花葉片SPAD值的反演以及王佳麗等[24]基于無人機(jī)多光譜對烤煙冠層葉綠素含量的反演有著相似的結(jié)論，但魯向暉等[25]基于無人機(jī)多光譜遙感的矮林芳樟光合參數(shù)反演結(jié)論不同，可能與植物種類及所選的植被指數(shù)不同有關(guān)。RF由多個決策樹集成，預(yù)測性能更強(qiáng)，且對不平衡數(shù)據(jù)的異常值有較好的魯棒性，使之相較其他模型更適用于苧麻光合參數(shù)的估算。BPNN屬于局部搜索優(yōu)化方法，易陷入局部最優(yōu)解，而且需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，而本研究樣本數(shù)量較少，可能導(dǎo)致其估算性能不佳。SVM則可能由于其對部分異常數(shù)據(jù)敏感，導(dǎo)致模型整體性能下降。

3.3 機(jī)器學(xué)習(xí)算法在應(yīng)用中的不足與展望

雖然本研究采用機(jī)器學(xué)習(xí)算法對苧麻光合參數(shù)反演取得了較好的效果，但影響光合參數(shù)的因素多，而本研究僅對單一地區(qū)的單一主栽品種進(jìn)行研究，模型泛化性還需進(jìn)一步驗(yàn)證。此外，光合參數(shù)之間存在顯著相關(guān)性，而本研究未考慮它們之間的關(guān)系。今后將增加不同地區(qū)、不同品種、不同時段的光合參數(shù)及氣象數(shù)據(jù)以豐富數(shù)據(jù)集，并嘗試提取圖像顏色特征、紋理信息進(jìn)行數(shù)據(jù)融合，以期獲得預(yù)測精度更高、泛化性更強(qiáng)的光合參數(shù)反演模型。

4結(jié)論

本研究設(shè)置不同施氮量和追肥時期，利用無人機(jī)搭載多光譜相機(jī)獲取兩季苧麻苗期、封行期、旺長期、成熟期的圖像，從中提取出7種與光合參數(shù)相關(guān)性高的植被指數(shù)，使用機(jī)器學(xué)習(xí)算法RF、SVM、BPNN對苧麻不同生育時期葉片的 Pn?cornerGs 、Ci、Tr進(jìn)行反演，最佳模型分別為成熟期、成熟期、苗期、成熟期的RF 模型， R² 分別為 0.640，0.790 、0.790、0.720，RMSE分別為 1.040，0.070，9.190， 1.380。表明利用無人機(jī)多光譜遙感結(jié)合機(jī)器學(xué)習(xí)算法估測苧麻葉片光合參數(shù)具有一定可行性。今后可通過豐富數(shù)據(jù)集、改進(jìn)特征提取方法等進(jìn)一步優(yōu)化模型，提高模型的估測精度和泛化能力。

參考文獻(xiàn)：

［1］李宗道.麻作的理論與技術(shù)[M].上海：上海科學(xué)技術(shù)出版 社，1980：592.

［2］喻方圓，徐錫增.植物逆境生理研究進(jìn)展［J].世界林業(yè)研 究，2003，16（5） ：6-11.

[3] 曾世偉，侯學(xué)會，王宗良，等.基于無人機(jī)遙感的作物表型 參數(shù)獲取和應(yīng)用研究進(jìn)展［J]．山東農(nóng)業(yè)科學(xué)，2024，56 （4） ：172-180.

[4] 呂瑋，李玉環(huán)，毛偉兵，等.基于高光譜的小麥旗葉凈光合 速率的遙感反演模型的比較研究［J].農(nóng)業(yè)資源與環(huán)境學(xué) 報，2017，34（6） ：582-586.

[5] 劉聰，彭漪，方圣輝.基于高光譜數(shù)據(jù)的水稻葉片凈光合速 率反演[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2020，25（1）：56-65.

[6] 李振旺.中國北方草原關(guān)鍵光合參數(shù)遙感反演與驗(yàn)證方法 研究[D].北京：中國農(nóng)業(yè)科學(xué)院，2018.

[7] 陳俊英，陳碩博，張智韜，等.無人機(jī)多光譜遙感反演花蕾 期棉花光合參數(shù)研究[J].農(nóng)業(yè)機(jī)械學(xué)報，2018，49（10）： 230-239.

[8]Wu TA，Zhang W，Wu SY，et al. Retrieving rice（Oryza sativa L.）net photosynthetic rate from UAV multispectral images based onmachine learningmethods[J].Frontiersin Plant Science，2023，13：1088499.

[9]董德譽(yù)，程宇坤，王睿，等.基于無人機(jī)多光譜影像反演不 同生育期小麥光合參數(shù)分析[J].新疆農(nóng)業(yè)科學(xué)，2023，60 （6） ：1308-1318.

[10]Li D，ChenJM，Zhang X，et al.Improved estimation of leaf chlorophyll content of row crops from canopy reflectance spectra

[11]Gitelson A A，Kaufman Y J，Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment，1996，58（3） ： 289 - 298.

[12]Li C C，Chen P，Ma C Y，et al. Estimation of potato chlorophyll content using composite hyperspectral index parameters collected by an unmanned aerial vehicle[J]. International Journal of Remote Sensing，2020，21：8176-8197.

[13]Penuelas J，Baret F，F(xiàn)ilella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectances [J].Photosynthetica，1995，31（2）：221-230.

[14] Cao Y，Li G L，Luo Y K，et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index （ WDRVI）derived from UAV multispectral images[J]. Computers and Electronics in Agriculture，2020，171： 105331.

[15]Chen JM，Cihlar J.Retrieving leaf area index of boreal conifer forests using Landsat TM images[J]. Remote Sensing of Environment，1996，55（2） ：153-162.

[16]Daughtry C S T，Walthall C L，Kim M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance [J]. Remote Sensing of Environment，200，74（2）：229-239.

[17]Breiman L. Random forests[J]. Machine Learning，2001，45：5- 32.

[18]Drucker H，Burges C JC，Kaufman L，et al. Support vector regression machines[C]//Proceedings of the 10th International Conference on Neural Information Processing Systems. 1997： 155-161.

[19］耿世洲，陳悟，崔永明，等.苧麻光合生理生態(tài)特性研究[J]. 西北植物學(xué)報，2011，31（9）：1860-1865.

[20］朱聰，代小兵，湯滌洛，等.氮鉀施肥對苧麻光合速率及葉綠 素相對含量的影響[J]．中國麻業(yè)科學(xué)，2013，35（5）：244- 248.

[21]Hong E M，Xia X Z，Ji W，et al. Effects of high temperature stress on the physiological and biochemical characteristics of Paeonia ostii[J]. International Journal of Molecular Sciences， 2023，24（13） ：11180.

[22] Broge N H，Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophylldensity[J]. Remote Sensing of Environment，2001，76（2） ：156-172.

[23］劉成成.基于無人機(jī)多光譜影像的棉花葉片 SPAD值和 LAI反演研究[D]．阿拉爾：塔里木大學(xué)，2023.

[24］王佳麗，蒯雁，楊成偉，等.基于無人機(jī)多光譜的烤煙冠層 葉綠素含量反演[J].江蘇農(nóng)業(yè)科學(xué)，2024，52（15）：1-7.

[25］魯向暉，龔榮新，張海娜，等.基于無人機(jī)多光譜遙感的矮 林芳樟光合參數(shù)估測[J]．農(nóng)業(yè)機(jī)械學(xué)報，2023，54（10）： 179-187.