基于无人机高光谱遥感的烤烟叶片叶绿素含量估测.pdf

2023 年 6 月 第 5 卷 第 2 期Jun.2023 Vol.5,No.2智慧农业（中英文）Smart Agriculture基于无人机高光谱遥感的烤烟叶片叶绿素含量估测赖佳政，李贝贝，程翔，孙丰，陈炬廷，王晶，张芊*，叶协锋*（河南农业大学 烟草学院/国家烟草栽培生理生化研究基地/烟草行业烟草栽培重点实验室，河南郑州 450002）摘要：目的目的/意义意义烤烟叶片叶绿素含量（Leaf Chlorophyll Content，LCC）是表征烤烟光合作用、营养状况和长势的重要指标。本研究的目的为高效精确地估测不同生长期烤烟LCC。方法方法以中烟100烟叶为研究对象，利用无人机搭载Resonon Pika L高光谱成像仪采集烤烟在6个关键生育期冠层反射率数据。基于相关分析筛选了21种LCC的敏感光谱指数，通过比较不同光谱组合及不同回归分析算法的预测精度，最终建立了基于多种光谱指数组合的LCC回归估测模型。采用一元线性回归（Unary Linear Regression，ULR）、多元线性回归（Multivariable Linear Regression，MLR）、偏最小二乘回归（Partial Least Squares Regression，PLSR）、支持向量回归（Support Vector Regression，SVR）和随机森林回归（Random Forest Regression，RFR）5种建模方法进行LCC估测。结果和讨论结果和讨论在不同生育期大部分光谱参数与LCC的相关性达到极显著（P0.01）；相较于传统植被指数，新组合的光谱指数显著提升了与LCC的相关性；对单变量LCC估测模型ULR，以移栽后75 d新组合的归一化光谱指数与红光比率光谱指数的单变量建模精度最高，两者决定系数（Coefficient of Determination，R2）和均方根误差（Root Mean Square Error，RMSE）分别为0.822和0.814，0.226和0.230。MLR、PLSR、SVR和RFR建模方法预测结果表明，RFR算法在LCC估测中效果最好，其中使用移栽后75 d数据验证集的R2和RMSE可达0.919和0.146。结论结论本研究通过分析多种光谱指数与烤烟LCC的响应规律，构建可靠的烤烟叶片LCC估测模型，可为烤烟叶LCC估测以及烤烟的生长发育监测提供理论依据和技术支撑。关键词：烤烟；叶绿素含量估测；无人机；光谱参数；随机森林回归；多元线性回归；偏最小二乘回归；支持向量机回归中图分类号：S572；S127 文献标志码：A 文章编号：SA202303007引用格式：赖佳政,李贝贝,程翔,孙丰,陈炬廷,王晶,张芊,叶协锋.基于无人机高光谱遥感的烤烟叶片叶绿素含量估测J.智慧农业(中英文),2023,5(2):68-81.DOI：10.12133/j.smartag.SA202303007LAI Jiazheng,LI Beibei,CHENG Xiang,SUN Feng,CHENG Juting,WANG Jing,ZHANG Qian,YE Xiefeng.Monitoring of leaf chlorophyll content in flue-cured tobacco based on hyperspectral remote sensing of unmanned aerial vehicleJ.Smart Agriculture,2023,5(2):68-81.DOI：10.12133/j.smartag.SA202303007(in Chinese with English abstract)1 引 言叶绿素是作物叶片中主要的光合色素，叶片中叶绿素含量（Leaf Chlorophyll Content，LCC）是反映作物光合作用能力和冠层营养状况的重要指标。烟草作为重要经济作物，以叶片为主要收获对象，因此叶绿素含量监测非常重要。传统的烟草农业监测受田间管理模式及生产设备的限制，费时、费力，效率低下。相较于采用卫星遥感和近地面高光谱人工采集方式，无人机遥感具有分辨率高、效率快、范围广的特点，因此在农作物长势监测方面得以迅速发展和大面积推广应用。研究表明，基于植被指数（Vegetation Index，VI）的遥感监测具有时空连续性，方便对作物长势信息进行长期监测，在叶绿素估测中具有较高的应收稿日期：2023-03-14基金项目：烟草行业烟草栽培重点实验室项目（30800665）；河南省科技攻关项目（172102110168）作者简介：赖佳政，研究方向为烟草信息学。E-mail：*通信作者：1.张 芊，博士，讲师，研究方向为烟草信息学。E-mail：Z；2.叶协锋，博士，教授，研究方向为烟草栽培生理和健康土壤培育。E-mail：赖佳政等：基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.2用价值1。冯海宽等2通过分析VI与小麦叶绿素相 对 含 量（Soil and Plant Analyzer Development，SPAD）的相关性，将筛选的线性组合指数、植物生化指数、归一化指数以及绿光归一化指数作为偏最小二乘回归（Partial Least Squares Regression，PLSR）模型的输入变量，与冬小麦SPAD值联合构建SPAD-PLSR估测模型，最终确定开花期的SPAD估测精度最好建模集和验证集 R2分别为 0.78 和0.81。Qiao等3研究在不同覆盖度情况下大田玉米的 LCC 和植被指数的响应特征，采用随机森林（Random Forest，RF）和偏最小二乘两种方法，构建了冠层LCC估测模型。田明璐等4选取了28种与作物叶绿素高相关的植被指数，对比发现由多个光谱参数构建的PLSR模型对棉花LCC估测效果最佳。研究人员尝试将高光谱数据对应的波段两两随机组合，形成新的组合光谱指数用以反演作物长势信息。尹航等5采用任意两波段组合的光谱指数构建了马铃薯LCC估测模型，相较于其他传统植被指数，由586和498 nm组合的归一化光谱指数以及586和462 nm组合的比率光谱指数构建的反演模型精度和稳定性更为出色。Jia等6的研究表明，新组合的光谱指数有助于敏感波段的确定，增强叶片氮含量的相关性，在烤烟叶片氮含量回归模型的性能表现也是可靠的。近年来许多学者结合机器学习算法预测作物农学参数，模型精度和鲁棒性取得较为理想的表现。陈晓凯等7通过不同光谱变换下的最优光谱指数结合BP神经网络和RF构建冬小麦叶面积指数的预测模型，RF预测结果优于BP神经网络，并且很好地避免估测模型出现过度拟合和拟合不足的情况。王玉娜等8采用随机森林回归（Random Forest Regression，RFR）手段估计了冬小麦的氮营养指数，得到了性能理想的模型（R2=0.79，RMSE=0.13）。Yang等9研究结果显示采用RFR可以显著提高马铃薯块茎形成期和块茎膨大期的地上部生物量估计精度，同时显著降低光谱数据的共线性和冗余度。目前已发表无人机遥感相关研究多是针对玉米、冬小麦等大田作物，有关烤烟相关研究较少。通过高光谱数据进行烟草冠层LCC的定量分析具有重要意义和应用价值。为实现烤烟 LCC的快速估测，本研究利用无人机获取6个不同移栽生育期烤烟叶高光谱影像，通过筛选光谱参数，利用一元线性回归（Unary Linear Regression，ULR）、多元线性回归（Multivariable Linear Regression，MLR）和PLSR三种传统回归方法，支持向量回归（Support Vector Regression，SVR）和 RFR 两种机器学习建模方法分别构建烤烟的LCC估测模型，并获得最优估测模型，为利用无人机遥感开展田间烤烟长势信息快速、无损监测提供技术支持。2 材料与方法 2.1 试验材料试 验 田 位 于 河 南 省 平 顶 山 市 郏 县 植 烟 区（1121411345E，33083420N），属于温带大陆性季风气候，气候温和，雨量充沛，年日照率53%，平均气温15.7，无霜期220天，常年降水量678.5 mm。烤烟品种为中烟100。于2022年5月8日移栽，所有肥料均作基肥一次性施入，不再追肥。设置5个水平氮肥梯度，N0N4处理分别为0.0、24.0、48.0、72.0、96.0 kg/hm2，每个处理设置三次重复，共15个小区，每个小区面积约为144 m2（15.2 m9.5 m），如图1所示。其他栽培和管理方法按照当地优质烟草栽培方式进行。2.2 数据获取2.2.1无人机高光谱影像获取获取烤烟 6 个生育期 32、48、61、75、89 和109 d的影像。选择中午晴朗、无风、无云的天气条件，采用大疆 M600 Pro六旋翼无人机，最大载荷5 kg，最大起飞重量15.5 kg，水平状态下最大的飞行速度能达到18 m/s，续航时间约30 min。搭载Resonon Pika L 高光谱成像仪，包含 150个波段的光谱数据，主要参数如表1所示。地面试验样品采集与无人机飞机作业同步进行。试验于上述烤烟生育期11001400进行测定。无人机飞行作业时，需经过布置在试验地的靶标布便于后期辐射定标处理数据，设置航高100 m，飞行速度3 m/s，最小定时拍照间隔1.0 s，航向重69Vol.5,No.2智慧农业（中英文）Smart Agriculture叠率80%，旁向重叠率70%，镜头垂直朝下，焦距17 mm。2.2.2烤烟LCC的实验室测定分别获取移栽后32、48、61、75、89和109 d共6个生育期烤烟冠层叶片进行LCC测定。每个小区进行随机破坏性采样3株，每次数据采集共获取45个地面样本。将烤烟冠层叶片转移到实验室测定 LCC。用2 mm打孔器收集新鲜样品，混匀后称量0.1 g碎片，再浸入15 ml的95%乙醇溶液中。在浸提液制备完成后，将其保存在低温、避光和密闭的容器中，在黑暗中提取叶绿素 24 h。经过暗处理后，叶子呈白绿色，使用 Spectrumlab 722PC 比色分光光度计测量叶片色素密度。提取的 LCC（Ct）由 665 和649 nm处的吸光度值计算10。LCC计算方法如公式（1）（3）所示。Ca=13.95A665-6.88A649（1）Cb=24.96A649-7.32A665（2）Ct=（Ca+Cb）V/1000W（3）其中，Ca 和 Cb 分别表示叶绿素 a 浓度和叶绿素 b 浓度，mg/L；V 表示浸提液的体积，mL；W 表示叶片的质量，g；A665和 A649分别为 665 和649 nm处的吸光度值。2.3 光谱参数的选定为了降低土壤背景、大气水分等环境因素对冠层反射率的干扰，大多数研究人员通过利用VI增强作物光谱信息的特征并且实现高光谱数据信息降维11-13。本研究将通过两方面选取构建烤烟 LCC估测模型的光谱指数：一是基于已发表的对作物LCC 敏感的 18 种植被指数；二是基于波段 4001000 nm范围内任意两个波段随机组合的差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）和归一化光谱指数（Normalized Spectral Index，NDSI），同时计算3 种光谱指数与 LCC 的相关性并绘制相关性等势图，最终筛选相关系数最优的波段组合为组合光谱指数对 LCC 进行研究。所选取的光谱参数如表 2所示。注：该图由自然资源部标准地图服务网站下载的审图号为GS（2019）1822号标准地图制作，底图无修改图 1 河南省平顶山市烤烟试验地研究区分布图Fig.1 Distribution map of the tobacco experimental study area in Pingdingshan city,Henan province表 1 Pika L高光谱成像仪主要参数Table 1 Main parameters of Pika L hyperspectral imager参数名称光谱范围/nm光谱分辨率/nm采样间隔/nm光谱通道数/个空间通道数/个每秒最大帧数/帧尺寸/cmcmcm数值40010002.11.0756190024910.012.55.370赖佳政等：基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.22.4 模型的构建与检验为了在保证模型训练充分的同时，尽可能减少模型过拟合的风险，以建模集和验证集样本比例21、每个生育期45个样本根据比例随机划分烤烟样本数据。首先对选定的光谱参数和LCC进行相关性分析以筛选对LCC敏感的光谱指数，然后将筛选出的光谱参数作为自变量。参考其他无人机高光谱估测作物长势信息所选择的模型及常见机器学习模型的优势，采用一元线性回归（Unary Linear Regression，ULR）、MLR和PLSR这三种传统线性模型，以及SVR和RFR两种机器学习方法对单个生育期和全生育期烤烟LCC进行预估。采用决定系数（Coefficient of Determination，R2）和 均 方 根 误 差（Root Mean Square Error，RMSE）对模型进行精确性和鲁棒性检验。3 结果与分析 3.1 烤烟LCC变化表3描述的是烤烟冠层LCC在不同生育期的变化情况（实验室测定结果）。结果表明，烤烟生长前期，冠层 LCC会迅速增加，在团棵期或旺长期LCC达到顶峰；烤烟进入成熟期后，冠层叶片氮素发生转移，LCC开始减少，而烤烟冠层 LCC在现蕾期会进一步降低。从整体来看，冠层LCC符合先增后减的变化趋势，在移栽后75 d（旺长期）LCC达到最大，之后开始逐渐下降。在各生育期中移栽后89 d变异系数最大，为28.43%，其余不同生育期的变异系数相差不大，范围为20.38%25.26%，各个生育期的变异系数均低于全生育期。全生育期样本范围为0.522.95 mg/g，其标准差和变异系数的数值表明LCC的离散程度较大，反表 2 光谱参数和计算公式Table 2 Spectral indices and formula of calculation光谱参数植物色素比率指数（Plant Pigment Ratio，PPR）红边归一化指数（Red edge Normalized Difference Vegetation Index，RNDVI）红光比率光谱指数（Red Light Ratio Spectral Index，NIR）归一化叶绿素指数（Normalized Difference Chlorophyll Index NDCI）简单比值指数（Simple Ratio Index，SR）红光叶绿素光谱指数（Red-edge model index，CIred-edge）优化土壤调节植被指数（Optimal Soil Adjusted Vegetation Index，OSAVI）红边归一化光谱指数（Normalized Difference Red Edge Index，NDRE）修正归一化光谱指数（Modified Normalized Difference Spectral Index，mND705）Vogelmann红边指数（Vogelman Red Edge Index，VOG）红边位置指数（Red Edge Position Index，REP）归一化光谱指数550（ND550）绿光叶绿素光谱指数（Green Model Index，CIgreen）修正简单比值指数（Modified Simple Ratio Index，mSRI）转换叶绿素吸收反射率指数（Transformed Chlorophyll Absorption in Reflectance Index，TCARI）TCARI/OSAVI绿光归一化植被指数（Green Normalized Difference Vegetation Index，GNDVI）陆地叶绿素指数（Meris Terrestrial Chlorophyll Index，MTCI）差值植被指数（Difference Vegetation Index，DSI）比值植被指数（Ratio Spectral Index，RSI）归一化植被指数（Normalized Difference Spectral Index，NDSI）计算公式PPR=（R550-R450）/（R550+R450）（4）RNDVI=（R750-R705）/（R750+R705）（5）NIR=R780/R740 （6）NDCI=（R762-R527）/（R762+R527）（7）SR=R750/R705 （8）CIred-edge=（R800/R720）-1（9）OSAVI=1.16（R800-R670）/（R800+R670+0.16）（10）NDRE=（R790-R720）/（R790+R720）（11）mND705=（R750-R705）/（R750+R705+2R445）（12）VOG=R740/R720（13）REP=700+40（R670+R780）/2-R700）/（R740-R700）（14）ND550=（R750R550）/（R750+R550）（15）CIgreen=（R800/R560）-1（16）mSRI=（R750-R445）/（R705-R445）（17）TCARI=3（R700-R670）-0.2（R700-R550）（R700/R670）（18）TCARI/OSAVI=3（R700-R670）-0.2（R700-R550）（R700/R670）/1.16（R800-R670）/（R800+R670+0.16）（19）GNDVI=（R790-R550）/（R790+R550）（20）MTCI=（R754-R709）/（R709-R681）（21）DSI=Ri-Rj （22）RSI=Ri/Rj （23）NDSI=（Ri-Rj）/（Ri+Rj）（24）参考文献141516171518192021222324182526262728本文本文本文注：i 和 j 表示 4001000 nm 范围内的任意波段位置；Ri 和 Rj 表示在 i 和 j 位置的反射率71Vol.5,No.2智慧农业（中英文）Smart Agriculture映出试验地不同处理肥力之间是有差异的，也保证了估测模型在一定范围内适用。3.2 烤烟LCC和光谱参数的相关性分析3.2.1植被指数与烤烟LCC的相关性将6个生育期的烤烟LCC与植被指数进行相关性分析，结果如表4所示。由表4可知，除移栽后109 d，其余生育期大部分植被指数和LCC呈极显著相关（p0.01），且大部分植被指数与叶绿素是正相关。其中，移栽后32 d，除TCARI和PPR表现出不相关，其余均为极显著相关，最大相关系数是 0.771，为光谱指数NDRE；移栽后 48 d，TCARI 和 PPR 为无显著相关，TCARI/OSAVI呈显著相关（p0.05），其余为极显著相关，mND705作为相关性最优的植被指数，其相关系数为 0.779；移栽后 61 d 至移栽后 89 d，这三个生育期的植被指数均为极显著相关，PPR、TCARI和TCARI/OSAVI表现为极显著负相关，但三个生育期相关性最高的植被指数各不相同，移栽后61 d相关性最高为mND705，移栽后75 d相关性最高为NIR，移栽后89 d相关性最高为TCARI/OSAVI，其相关系数分别为0.870、0.902和0.877；移栽后109 d，除了PPR、TCARI和TCARI/OSAVI表现为极显著负相关，REP呈显著相关，其余植被指数无显著相关。全生育期样本中所有植被指数和LCC极显著相关，VOG的相关性最大，其相关系数为0.771。此外，在各个生育期红边位置的植被指数表 3 不同生育期烤烟冠层叶片LCC的变化Table 3 Variation of leaf chlorophyll content（LCC）in flue-cured tobacco leaves at different growth stages生长期移栽后32 d移栽后48 d移栽后61 d移栽后75 d移栽后89 d移栽后109 d全生育期样本数/个454545454545270LCC范围/（mg.g-1）0.732.190.842.231.032.640.872.950.792.460.521.490.522.95LCC平均值/（mg.g-1）1.531.611.802.051.600.881.58标准差0.350.330.400.520.450.200.52变异系数/%23.2020.3821.9725.2628.4322.1333.22注：全生育期数据集包含6个生育期所有样本；变异系数=标准偏差/平均值表4 不同生育期烤烟LCC与植被指数的相关系数Table 4 Correlation coefficients between leaf chlorophyll content（LCC）in flue-cured tobacco and vegetation index at different growth stages植被指数NIRGNDVINDREND550mSRIPPRREPSRRNDVIVOGNDCICIreCIgreenmND705TCARITCARI/OSAVIOSAVIMTCI移栽后32 d0.587*0.672*0.771*0.623*0.677*0.0680.587*0.698*0.698*0.738*0.482*0.767*0.655*0.685*-0.249-0.590*0.526*0.691*移栽后48 d0.525*0.713*0.675*0.734*0.744*-0.0320.530*0.782*0.792*0.673*0.649*0.674*0.725*0.799*0.087-0.311*0.751*0.657*移栽后61 d0.698*0.798*0.821*0.783*0.768*-0.565*0.746*0.858*0.864*0.775*0.697*0.817*0.821*0.870*-0.675*-0.759*0.467*0.806*移栽后75 d0.902*0.848*0.883*0.831*0.835*-0.616*0.876*0.852*0.840*0.869*0.742*0.896*0.864*0.846*-0.709*-0.761*0.387*0.866*移栽后89 d0.822*0.854*0.765*0.852*0.808*-0.757*0.849*0.808*0.827*0.694*0.847*0.754*0.830*0.821*-0.873*-0.877*0.413*0.810*移栽后109 d0.2500.1840.2490.1790.229-0.624*0.306*0.1830.2120.2210.0690.2190.1570.170-0.473*-0.404*-0.2620.259全生育期0.415*0.426*0.731*0.426*0.708*-0.323*0.664*0.601*0.530*0.771*0.273*0.729*0.490*0.460*-0.620*-0.630*0.161*0.682*注：*表示 0.05 水平显著，*表示 0.01 水平显著。下同72赖佳政等：基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.2和 LCC含量的相关性均优于其他植被指数，其中NDRE、CIre、RNDVI、VOG以及mND705在不同生育期的相关性，除了移栽后109 d，相关系数均在0.67以上，均呈极显著相关。以上结果表明，VI对LCC的敏感性与作物生长阶段密切相关。随着生育期推进，叶片中的叶绿素会发生转移或降解，这意味着有些VIs不能用于估测LCC。因此，确定不同生长阶段VIs对LCC的敏感性对于基于无人机高光谱图像的作物参数估计非常重要。对全生育期而言，相关系数绝对值较大的植被指数里绝大部分是红边位置反射率的植被指数。在不同生育期相关性最优的指数分别为 NDRE（32 d）、mND705（48 d、61 d）、NIR（75 d）、TCARI/OSAVI（89 d）、TCARI（10 d）以及 VOG（全生育期）。分析原因可能是因为 NDRE、mND705、NIR 和VOG主要使用红边位置和近红外波段信息，这类植被指数对于烤烟LCC的建模估测具有较好的应用潜力，参与建模可以有效提升模型的精确度和鲁棒性29。3.2.2组合光谱指数与烤烟LCC的相关性以无人机高光谱波段范围4001000 nm内任意两波段组合计算得到的光谱指数 RSI、DSI 和NDSI，并与叶片叶绿素进行相关性分析。计算并绘制各个生育期和全生育期的相关性等势图，如图2和图3所示。（a）移栽后32 d（b）移栽后48 d（c）移栽后61 d73Vol.5,No.2智慧农业（中英文）Smart Agriculture（d）移栽后75 d（e）移栽后89 d（f）移栽后109 d图2 不同生育期烤烟LCC和组合光谱指数的相关性等势图Fig.2 Isopotential plots based on correlation between LCC in flue-cured tobacco at different growth stages and new combination of spectral indices图3 基于全生育期烤烟LCC和组合光谱指数的相关性等势图Fig.3 Isopotential plots based on correlation between LCC in flue-cured tobacco leaves during the whole growth stages and new combination of spectral indices74赖佳政等：基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.2结果表明，除了移栽后109 d，各生育期的敏感波段相对较为集中，与LCC相关性较高的光谱指数组合主要分布在 780940 nm 和 520710 nm 之间，移栽后109 d相较其他生育期效果不佳。三种随机组合的光谱指数大部分小于相关系数0.3801，达到极显著相关水平的区域较少。全生育期的敏感波段相对较为分散，不同光谱指数之间规律相差不大，但相较于传统植被指数，其相关性有很大提升。以光谱指数与烤烟LCC相关性最高为原则，筛选出不同生育期和全生育期相关系数最优的21种组合光谱指数，如表5所示。结果表明，相较于已有的植被指数，组合光谱指数和LCC的相关性有着更进一步的提升，并且烤烟LCC与筛选出的最优光谱指数均通过0.01水平的显著性检验。对比三种组合光谱指数，归一化光谱指数与烤烟LCC在移栽后32、48、61、75和109 d相关性最高，这些生育期的最优波段组合为 797 和 719 nm、727 和 697 nm、736 和 706 nm、775 和 745 nm 以及 455 和 541 nm，其相关系数分别为 0.795、0.805、0.878、0.912 和0.669；组合差值光谱指数在移栽后 89 d时与 LCC相关性最高，DSI（R587，R579）与烤烟LCC的相关系数为0.892；比值光谱指数在全生育期数据集中相关系数最大，RSI（R736，R723）与烤烟 LCC的相关系数为0.807。3.3 烤烟LCC估测模型的构建3.3.1基于单个自变量烤烟LCC估测模型在叶片叶绿素和光谱参数相关性分析的基础上，筛选出 6 个生育期和全生育期相关系数最高的植被指数 NDRE、MND705、NIR、TCARI/OSAVI、PPR 和 VOG，光谱指数 NDSI（R797，R719）、NDSI（R727，R697）、NDSI（R736，R706）、NDSI（R775，R745）、DSI（R587，R579）、RSI（R455，R541）和 RSI（R736，R723），分别与烤烟叶片叶绿素建立ULR模型，建模集和验证集的估测结果如表6所示。各个生育期的组合光谱指数无论是建模集还是验证集，其估测精度大多优于传统植被，但不同生育期的光谱参数的表现存在差异。植被指数和优化光谱指数从移栽后32 d至移栽后75 d，其建模集和验证集的精度是逐渐增加的，移栽后75 d的NIR作为各个生育期估测效果最佳的植被指数模型，其建模集和验证集的 R2分别是0.814 和 0.829，RMSE 分别是 0.230 和 0.253，而移栽后75 d的NDSI（R775，R745）是各个生育期估测精度最佳的组合光谱指数，其建模集和验证集的R2分别是0.822 和 0.862，RMSE 分别是 0.226 和 0.227；移栽后75 d至移栽后 109 d 建模集和验证集的精度开始下降，而在移栽后 109 d 时，植被指数和优化组合光谱指数在各个生育期中估测 LCC的效果都是最差。相较于其他单个生育期，由不同生育期270个样本组成的全生育期数据集估测表现较为不理想，VOG 建模集和验证集的 R2分别是 0.602 和表5 烤烟不同移栽生育期组合光谱指数入选波段和LCC相关系数Table 5 Selected bands of new combination of spectral indices and LCC correlation coefficients at different growth stages移栽天数/d32486175光谱指数DSI（R840，R719）RSI（R797，R719）NDSI（R797，R719）DSI（R766，R732）RSI（R719，R697）NDSI（R727，R697）DSI（R500，R592）RSI（R736，R706）NDSI（R736，R706）DSI（R784，R749）RSI（R775，R745）NDSI（R775，R745）相关系数0.754*0.792*0.795*0.725*0.797*0.805*0.822*0.878*0.878*0.835*0.912*0.912*移栽天数/d89109全生育期光谱指数DSI（R587，R579）RSI（R946，R529）NDSI（R946，R529）DSI（R504，R710）RSI（R455，R541）NDSI（R455，R541）DSI（R492，R617）RSI（R736，R723）NDSI（R736，R723）相关系数0.892*0.870*0.881*0.521*0.668*0.669*0.726*0.807*0.806*75Vol.5,No.2智慧农业（中英文）Smart Agriculture0.558，RMSE 分别是 0.348 和 0.349，RSI（R736，R723）建模集和验证集的R2分别是0.636和0.686，RMSE分别是0.333和0.304。3.3.2基于多自变量烤烟LCC估测模型基于高光谱遥感的作物生理生化参数估测的研究显示，相较于构建单一光谱参数估测模型，以多个光谱参数作为自变量的建模方法对估测模型精度和鲁棒性都有较为明显的提升30,31。但由于自变量之间存在共线性的问题，在构建烤烟LCC估测模型过程中需要选取适当数量的自变量来防止预测结果过度拟合。因此，本研究选择每个生长生育期以及全生育期数据集中相关系数最高的7个植被指数和3个组合光谱指数作为 MLR、PLSR、SVR 和 RFR四种建模方法的自变量。各个生长阶段通过不同的建模分析方式构建烤烟LCC估测模型，模型的建模集和验证集估测效果如表7所示。从表7的结果来看，相较于单个光谱参数，多个光谱参数的模型估测精度在各个生长阶段和全生育数据集中有着大幅度的提升。对比各个生育期的建模集估测精度发现，在移栽后 32、48、61和109 d，模型LCC-RFR的估测性能最好，R2分别为 0.733、0.744、0.866 和 0.678，RMSE 分 别 为0.186、0.165、0.176和0.120，而基于LCC-MLR的估测模型，在移栽后 75 和 89 d 效果最优，R2和RMSE分别为0.893、0.850和0.214、0.217。对比验证集估测精度来看，移栽后32 d，模型LCC-MLR 的估测精度最佳，R2和 RMSE 分别为0.679和0.215，其余五个生育期模型LCC-RFR的估测精度最佳，R2分别为0.757、0.832、0.919、0.842和 0.580，RMSE 分 别 为 0.173、0.185、0.146、0.246和0.131。在全生育数据集中LCC-RFR模型的估测精度较优于 LCC-MLR、LCC-PLSR 和 LCC-SVR 模 型，对 比 建 模 集，R2增 加 了 19.06%、18.62%和 29.51%，RMSE 降低了 31.93%、29.51%和28.24%；对比验证集，R2增加了8.21%、12.62%和8.17%，RMSE降低了3.76%、9.33%和4.55%。综上所述，通过各个生育期的建模集和验证集的估测精度对比分析，LCC-RFR模型的估测效果最为理想，LCC-MLR和LCC-SVR模型估测精度次之，LCC-PLSR模型估测精度最差；不同生育期模型预测精度和稳定性由高到低分别为移栽后 75、61、89、48、32和109 d。3.3.3烤烟LCC空间分布图根据不同生育期构建的烤烟LCC估测模型结果可知，LCC-RFR估测模型的精度和稳定性相对最表 6 不同生育期单个光谱参数的烤烟LCC估测模型及验证Table 6 Prediction models and validation of flue-cured tobacco LCC with single spectral parameter at different growth stages移栽天数/d3248617589109全生育期光谱参数NDRENDSI（R797，R719）mND705NDSI（R727，R697）mND705NDSI（R736，R706）NIRNDSI（R775，R745）TCARI/OSAVIDSI（R587，R579）PPRRSI（R455，R541）VOGRSI（R736，R723）回归方程y=10.528x-0.968 （25）y=10.912x-1.035 （26）y=8.592x-1.811 （27）y=9.709x-3.949 （28）y=12.592x-3.554 （29）y=12.001x-3.651 （30）y=17.635x-17.935 （31）y=63.199x-0.391 （32）y=-5.264x+3.223 （33）y=126.691x+4.004 （34）y=-5.501x+4.504 （35）y=7.509x-0.890 （36）y=3.124x-3.588 （37）y=7.026x-7.873 （38）建模集R20.6060.6170.6320.6460.7690.7740.8140.8220.7840.7720.4130.4730.6020.636RMSE0.2340.2310.1930.1890.2180.2160.2300.2260.2080.2140.1390.1310.3480.333验证集R20.5270.6620.7010.7380.7070.7490.8290.8620.7720.8470.3920.4620.5880.686RMSE0.1980.1670.1740.1630.2430.2250.2530.2270.2070.1690.1690.1490.3490.30476赖佳政等：基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.2佳。因此，本研究在消除土壤背景和杂草的干扰后，利用LCC