基于無人機可見光影像的坐果期棗樹冠層SPAD值估算

王永東 尼格拉·吐爾遜 鄭江華 巴日斯 王蕾

摘要：以坐果期棗樹為研究對象，利用無人機可見光影像，對田間尺度的棗樹冠層SPAD值進行監測，基于14種植被指數與棗樹冠層實測SPAD值的相關性，優選植被指數構建單變量回歸、多元逐步回歸和隨機森林回歸的棗樹冠層SPAD值估算模型，以期探討無人機可見光遙感影像估算棗樹冠層SPAD值的可行性。通過相關性分析發現，紅綠比值指數（RGRI）、超綠指數（EXG）、改進型綠紅植被指數（MGRVI）、可見光波段差異植被指數（VDVI）、可見光大氣阻抗植被指數（ARVI）與棗樹冠層SPAD值的相關性極顯著，其中EXG與棗樹冠層SPAD值的相關系數達到-0.578?；跅棙涔趯覵PAD值的相關性極顯著的5種植被指數構建的單變量反演模型的r²在0.111～0.604之間，RMSE在1.936～3.085之間。其中，以EXG構建的線性模型為單變量反演模型中效果最優的模型，r²達到0.604，RMSE為1.936?；赗GRI、MGRVI、EXG協同構建的多元逐步回歸模型效果優于任何單一植被指數構建的單變量反演模型，R²達到0.635。與使用單變量構建的線性或非線性模型相比，基于隨機森林算法構建的棗樹冠層SPAD值反演模型效果最佳，其r²達到0.804，RMSE為1.317?；陔S機森林算法的棗樹冠層SPAD值反演模型表現出了對實測值較高的擬合能力和較優的模型預測能力，表現出了對棗樹特殊種植結構比較健壯的反演能力，以及對土壤等背景因素的抗干擾能力。研究結果為低空遙感監測林果長勢和健康評估提供了技術支撐。

關鍵詞：無人機；棗樹冠層；可見光；SPAD值；植被指數；反演模型；隨機森林算法

中圖分類號：S127? 文獻標志碼：A

文章編號：1002-1302（2024）06-0206-09

收稿日期：2023-05-22

基金項目：新疆大學橫向科研項目（編號：2020670007）。

作者簡介：王永東（1997—），男，甘肅定西人，碩士研究生，主要從事遙感技術應用與農業遙感研究。E-mail：wyd1997@stu.xju.edu.cn。

通信作者：鄭江華，博士，教授，主要從事干旱區環境遙感與生態評價研究。E-mail：zheng _ jianghua@126.com。

一般而言，作物越健康，其葉綠素含量越高^[1-2]。通過探測作物葉片中的葉綠素含量可獲知其健康情況^[3]。在無損獲取待測作物葉片葉綠素含量方面，手持式葉綠素計（SPAD-502Plus）因其攜帶便捷、測量速度快、測量準確等優勢，已經作為越來越多相關研究的測定儀器，并且其測量的作物葉片的SPAD值與化學等方法獲取的作物葉片葉綠素含量具有顯著相關性，可以使用SPAD值表征作物葉綠素含量^[4-6]。

近年來，隨著無人機的普遍應用^[7-9]，攜帶高光譜、多光譜及數碼相機的低空遙感平臺在對于田間尺度或特定農作物的葉綠素相對含量獲取方面的研究和應用越來越廣泛^[10-13]，已有研究多數集中于冬小麥、玉米、水稻等農作物^[14-15]。如馬明洋等以東北粳稻為研究對象，對使用無人機獲取的高清數字影像反演 SPAD值的可行性和方法展開了研究^[16]。Schirrmann等應用無人機獲取的RGB圖像對小麥冠層葉綠素相對含量等生物和化學指標進行了研究，并建立各指標含量與光譜指數的回歸模型^[17]。孟沌超等使用無人機拍攝的不同生育期的玉米RGB 影像，對植被指數以及紋理特征分別做了針對性研究，定量分析了玉米 SPAD值^[18]。賀英等同樣以玉米為研究對象，基于無人機數碼相機獲取的RGB影像進行冠層SPAD值反演模型構建，結果表明隨機森林回歸模型效果較好^[19]。王麗愛等同樣使用隨機森林回歸算法，研究確認該方法可以實現對小麥葉片SPAD值的遙感估算^[20]。這些研究為本研究提供了技術參考。

與此同時，少有研究關注林果等作物，就監測層面而言，冬小麥、玉米、水稻等農作物密植，與之不同的是，棗樹植株高大且具有較大種植間距，棗樹植株之間，甚至枝條之間，間雜裸土，這種監測對象的種植結構方面的差異是否會對監測產生干擾，有必要進行研究。同時在受到裸土等背景因素的干擾后基于植被指數的單變量、多變量、隨機森林算法能否有效地反演棗樹冠層的SPAD值，有待進一步研究。因此，本研究關注新疆若羌棗樹，探討利用無人機可見光遙感影像監測并反演棗樹冠層SPAD值的可行性，以期實現基于可見光影像的棗樹冠層SPAD值的快速、初步監測，為后續特色林果種植業冠層SPAD值更精確地反演和試驗設計提供前期探索和借鑒。

1? 研究區概況與研究方法

1.1? 研究區概況

研究區地處新疆若羌縣（86°45′～93°45′E，36°00′～41°23′N），屬暖溫帶大陸性荒漠干旱氣候^[6]，年平均氣溫12 ℃，年平均降水量約37 mm，歷史上的“樓蘭古國”曾位于此，夏季常有揚塵或沙塵暴發生^[21]。研究區位于若羌縣鐵干里克鄉一塊典型的棗樹示范種植園（圖1）。

1.2? 無人機數據獲取與處理

本研究中所用無人機為大疆PHANTOM4 Pro v2.0四旋翼，攜帶一體式云臺相機，相機使用1英寸CMOS圖像傳感器，鏡頭焦距8.8 mm。無人機獲取數據的日期為2021年7月，選擇晴朗、微風的天氣進行，拍攝時間在北京時間11：30—12：30之間，航高50 m，無人機設定為自動巡航模式，航向重疊度為 80%，旁向重疊度為 75%，設置飛行航線4條，對整個研究區進行了全覆蓋航拍。在無人機獲取航拍數據的同時在地面同步開展棗樹冠層SPAD值測量工作。對獲取的無人機數據使用PIX4D軟件進行影像拼接處理，生成研究區正射影像圖。

1.3? 棗樹冠層SPAD值獲取與樣區設置

棗樹冠層SPAD值獲取日期為2021年7月（坐果期），無人機航拍的同時，在地面使用SPAD-502Plus葉綠素計測量棗樹冠層葉片中的SPAD值。在研究區劃分出60個采樣區，每個采樣區為10 m×10 m，在每個采樣區的四角與中心共選取5棵棗樹測量其冠層SPAD值，在每棵棗樹冠層的東南西北及中心頂部，共5個方向，每個方向摘取2張冠層葉片，1棵棗樹共摘取10張冠層葉片。對于每片棗樹冠層葉片，SPAD-502Plus葉綠素計測量的面積只有6 mm²（2 mm×3 mm），測量中心線指示棗樹冠層葉片測量區域的中心，將需要測量的棗樹冠層葉片插入測量探頭的樣品槽，確保葉片完全遮蓋接收窗口，測量時避開葉脈等極厚的部位。每張冠層葉片測量5次，取其平均值作為該葉片的SPAD值。

最后取10張棗樹冠層葉片的實測SPAD值的平均值作為該棵棗樹冠層的實測SPAD值，然后將每個樣區中5棵棗樹冠層SPAD值的平均值作為該樣區的SPAD值，將60個采樣區進行隨機劃分，40個采樣區為訓練集，20個采樣區為驗證集（表1）。

1.4? 研究方法

1.4.1? 植被指數

本研究選擇了14種可見光影像中常用的植被指數（表2），以無人機獲取的研究區可見光影像的紅、綠、藍3個波段進行運算，構建14種可見光植被指數，進行與棗樹冠層實測SPAD值的相關性計算和模型構建。

1.4.2? 單變量回歸模型和多元逐步回歸模型

在單變量的回歸模型構建中，使用單一植被指數的線性、對數、反比、二項式形式，以實測棗樹冠層SPAD值為因變量進行擬合，構建基于某一可見光植被指數的單變量棗樹冠層SPAD值反演模型。

在多元逐步回歸模型中，優選與棗樹冠層實測SPAD值相關性顯著的植被指數，在SPSS中首先用單個植被指數作為自變量與地面實測棗樹冠層SPAD值作因變量進行回歸，依據植被指數作為自變量所對應的F統計量值，先找到第1個變量，若此時F統計量值較大（或者F的概率較?。?，則引入另外一個F統計量值較高（或者F的概率較低）的植被指數作為變量進行二元線性回歸，以此類推。若F統計量值大于臨界值，就將其引入；如果小于臨界值，就將其排除，直到所有適合的植被指數變量都被引入，或者所有不滿足條件的植被指數變量都被排除^[35]。

1.4.3? 基于隨機森林算法的回歸模型

隨機森林是基于眾多決策樹組成的集成模型，通過對每個決策樹的預測求平均實現預測，同時，隨機森林模型也是決策樹模型的集合^[36]。為了實現對棗樹冠層SPAD值數據回歸建模，以植被指數為特征變量，棗樹冠層SPAD值為目標變量，基于由訓練集訓練完成的模型，再使用驗證集數據對模型進行驗證，進而得出實現棗樹冠層SPAD值反演的預測模型。

通過相關性分析，對可見光植被指數進行篩選，選擇與棗樹冠層SPAD值相關性顯著的植被指數作為特征變量，進行特征重要性評價，植被指數的重要性得分高則進入模型訓練，模型經多次訓練，進行SPAD值的估算并制圖。

1.4.4? 建模效果評價及驗證

選擇決定系數（r²）、均方根誤差（RMSE）共同作為所構建模型的評價指標，模型的對比與驗證中使用r²。其中，r²取值在 0～1之間，取值越接近0，表示所構建模型的擬合及預測能力越弱或誤差越大；取值越接近1，表示所構建模型的擬合及預測能力越強或誤差越小，精度越高。對于RMSE，其取值越小，表示模型的預測能力越好。決定系數與均方根誤差的計算公式如下：

式中：y＾_i為預測值；y_i為觀測值；y為樣本觀測值的平均值；n為總的樣本數；i為樣本編號。

2? 結果與分析

2.1? 可見光植被指數與棗樹冠層實測SPAD值的相關性分析

計算實測棗樹冠層SPAD值與14種可見光植被指數間的相關性，依據0.01與0.05顯著水平下的相關系數臨界值（0.05顯著水平的檢驗臨界值為0.324，0.01顯著水平的檢驗臨界值為0.418），對計算的14種可見光波段植被指數進行篩選。由表3可知，綠紅比值指數 （GRRI）、歸一化綠紅差異指數（NGRDI）、土壤調整植被指數（SAVI）與實測棗樹冠層SPAD值的相關系數大于0.05顯著水平下的檢驗臨界值，通過了0.05顯著水平檢驗，表明這3種植被指數與實測棗樹冠層SPAD值的相關性較為顯著。進一步篩選發現，紅綠比值指數（RGRI）、超綠指數（EXG）、改進型綠紅植被指數（MGRVI）、可見光波段差異植被指數（VDVI）、可見光大氣阻抗植被指數（ARVI）與實測棗樹冠層SPAD值的相關系數絕對值大于0.01顯著水平下的檢驗臨界值，通過了0.01顯著水平檢驗，表明與實測棗樹冠層SPAD值的相關性極顯著，適宜后續建模。

通過0.05或0.01顯著水平檢驗的植被指數中，紅綠比值指數（RGRI）、超綠指數（EXG）、可見光波段差異植被指數（VDVI）、改進型綠紅植被指數（MGRVI）與棗樹冠層SPAD值呈負向相關關系，綠紅比值指數（GRRI）、歸一化綠紅差異指數（NGRDI）、土壤調整植被指數（SAVI）、可見大氣阻抗植被指數（ARVI）與棗樹冠層SPAD值呈正向相關關系，其中紅綠比值指數（RGRI）、超綠指數（EXG）、改進型綠紅植被指數（MGRVI）、可見光大氣阻抗植被指數（ARVI）的相關系數的絕對值均大于0.5，表明其與棗樹冠層SPAD值的相關性較高，與其余的植被指數相比，超綠指數（EXG）與棗樹冠層SPAD值的相關性最強（圖2）。

此外，藍綠比值指數（BGRI）、藍紅比值指數（BRRI）、歸一化葉綠素比值植被指數（NPCI）、歸一化綠藍差異指數（NGBDI）、差值植被指數（DVI）、紅綠藍植被指數（RGBVI）均未通過0.05或0.01顯著性水平檢驗，表明其與棗樹冠層SPAD值的相關性并不顯著。

2.2? 基于優選相關性顯著的植被指數構建單變量棗樹冠層SPAD值預測模型

通過相關性分析發現，在0.01顯著水平下，紅綠比值指數（RGRI）、超綠指數（EXG）、改進型綠紅植被指數（MGRVI）、可見光波段差異植被指數（VDVI）、可見光大氣阻抗植被指數（ARVI）與棗樹冠層SPAD值的相關性極顯著，構建基于上述5種優選的植被指數的線性形式、對數形式、反比形式、二次多項式形式等4種模型與棗樹冠層SPAD值的單變量回歸模型。建模結果（表4）顯示，基于棗樹冠層SPAD值相關性顯著的5種植被指數構建的各模型的決定系數（r²）在0.111～0.604之間，RMSE在1.936～3.085之間。在每一種植被指數構建的線性、對數、反比、二次多項式之間進行建模效果對比，基于紅綠比值指數（RGRI）構建的單變量反演模型r²在0.469～0.515之間，RMSE在2.101～2.185之間，基于紅綠比值指數（RGRI）構建的對數模型最優，二項式模型效果最差；基于超綠指數（EXG）構建的單變量反演模型r²在0.554～0.604之間，RMSE在1.936～2.057之間，基于超綠指數（EXG）構建的線性模型最優，反比模型效果最差；基于改進型綠紅植被指數（MGRVI）構建的單變量反演模型r²在0.153～0.481之間，RMSE在2.284～3.085之間，基于改進型綠紅植被指數（MGRVI）構建的線性模型最優，反比模型效果最差；基于可見光波段差異植被指數（VDVI）構建的單變量反演模型r²在0.508～0.597之間，RMSE在1.964～2.192之間，基于可見光波段差異植被指數（VDVI）構建的對數模型最優，反比模型效果最差；基于可見光大氣阻抗植被指數（ARVI）構建的單變量反演模型r²在0.111～0.459之間，RMSE在2.341～2.962之間，基于可見光大氣阻抗植被指數（ARVI）構建的二次多項式模型最優，反比模型效果最差。

綜合建模效果而言，基于超綠指數（EXG）構建的單變量反演的各項模型效果較優，其次為可見光波段差異植被指數（VDVI）和紅綠比值指數（RGRI），基于5種與棗樹冠層SPAD值相關性極顯著的植被指數構建的線性、對數、反比、二次多項式模型中，以超綠指數（EXG）構建的線性模型為單變量反演模型中效果最優的模型，r²達到0.604，RMSE為1.936。

2.3? 多元逐步回歸模型

基于優選相關性極顯著的植被指數構建多變量棗樹冠層SPAD值反演模型，以紅綠比值指數、超綠指數、改進型綠紅植被指數、可見光波段差異植被指數、可見光大氣阻抗植被指數為自變量，采用多元逐步回歸，在模型構建中，在設定的90%置信水平下逐步加入不同自變量進行回歸，依據與棗樹冠層SPAD值相關性絕對值的大小順序，先引入超綠指數進行一元回歸，在此基礎上引入紅綠比值指數多元逐步回歸，依次進行，直到最后引入可見光波段差異植被指數。逐步回歸的過程中，使用共線性診斷，在變量取舍中剔除可見光大氣阻抗植被指數、可見光波段差異植被指數，最終得到反演棗樹冠層SPAD值的多變量回歸模型（表5），模型R²為0.635，RMSE為1.869，表現優于基于植被指數的單變量反演模型。

2.4? 基于隨機森林回歸算法的棗樹冠層SPAD值反演模型

以RGRI、EXG、MGRVI、VDVI、ARVI等5種與棗樹冠層SPAD值相關性極顯著的植被指數為自變量，進行特征重要性評價，5種植被指數的重要性得分均較高，以棗樹冠層實測SPAD值為目標變量，進行隨機森林算法的回歸，使用隨機森林算法回歸的訓練集結果如圖3所示，基于隨機森林算法的棗樹冠層SPAD值反演模型結果表明，訓練集的r²達到0.804，RMSE為1.317。使用訓練集樣本構建的模型回歸效果優異，表明應用隨機森林算法對棗樹冠層SPAD值的回歸擬合能力強。綜合考慮，與使用單變量構建的線性或非線性模型相比，基于隨機森林算法構建的棗樹冠層SPAD值反演模型較優，同時也優于多元逐步回歸模型，基于隨機森林算法的棗樹冠層SPAD值反演模型表現出了對實測值較高的擬合能力和較優的模型預測能力。

2.5? 模型對比與驗證

根據植被指數的單變量反演模型、多元逐步回歸模型以及隨機森林算法回歸模型的建模效果，選擇單變量回歸模型基于紅綠比值指數（RGRI）構建的對數模型、超綠指數（EXG）構建的線性模型、改進型綠紅植被指數（MGRVI）構建的線性模型、可見光波段差異植被指數（VDVI）構建的對數模型、可見光大氣阻抗植被指數（ARVI）構建的二次多項式模型、多元逐步回歸模型[自變量分別為紅綠比值植被指數（RGRI）、改進型綠紅植被指數（MGRVI）、超綠指數（EXG）]、隨機森林回歸模型進行基于驗證集樣本的精度驗證，結果（圖4）顯示，7種模型的r²在0.38～0.79之間。以植被指數構建的單變量反演模型中，基于EXG的驗證精度最高，驗證r²達到0.61?；赗GRI、MGRVI、EXG的多元逐步回歸模型效果優于任何單一植被指數構建的單變量反演模型，r²達到0.64。以RGRI、EXG、MGRVI、VDVI、ARVI為特征變量構建的隨機森林算法回歸模型驗證精度r²達到0.79，效果最優。

2.6? 研究區SPAD值制圖

根據“2.5”節中構建的模型的精度對比，基于獲取的研究區可見光影像，應用隨機森林模型得到基于無人機可見光影像的棗樹冠層 SPAD值分布圖（圖5）?；跓o人機最優反演模型的反演結果顯示，研究區中部東、西兩側分布區域的棗樹SPAD值較高，其余大部分區域棗樹SPAD值在39.7～44.1之間，與地面實測SPAD值的平均值為40.1較為吻合。研究區中部東側區域棗樹SPAD值較高，同時在研究區中部西側也有較高的棗樹SPAD值區域分布，其余區域的棗樹SPAD值較低，符合實際調查情況。

3? 討論

葉綠素相對含量（SPAD值）表示所測作物葉片中葉綠素的相對含量，在農業方面的相關研究已經越來越多，尤其是在稻谷、玉米、棉花、番茄、冬小麥等作物方面^{[16，18，29，37-39]}。棗樹不同于小麥、水稻等農作物，它植株較為高大，株與株之間的間距過大，導致土壤背景對棗樹SPAD值反演模型有影響，同時本研究的結果顯示，隨機森林模型展現了優良的反演能力，表明該模型在反演棗樹冠層SPAD值時同樣具有很好的抗干擾能力，而這也同隨機森林模型在其他作物的SPAD值反演中表現出很好的抗噪能力^[19-20]一致。

坐果期作為棗樹生長的一個關鍵生育期，采集在坐果期拍攝的棗樹冠層無人機影像，研究在棗樹生長的典型生育期冠層的SPAD值，可以為棗樹果實生長進行針對性施肥提供調控根據，因此本研究重點探究了利用搭載在無人機上的傳感器獲取的RGB影像，提取植被指數，反演坐果期棗樹冠層 SPAD 值的可行性，未對棗樹其他生育期的SPAD值的反演進行研究，所以本研究構建的反演模型能否應用于棗樹其他生育期反演冠層SPAD值有待進一步探究與驗證。

本研究將棗樹冠層坐果期采集的無人機可見光影像，基于可見光紅、綠、藍3個波段構建14種植被指數，以植被指數為自變量，實測棗樹冠層SPAD值作因變量，構建基于植被指數的單變量、多元逐步回歸模型和隨機森林算法的回歸模型，未來可探索基于“衛星影像-無人機低空-地面高光譜”的聯合反演，即“天—空—地”協同反演，來更精確地反演棗樹冠層SPAD值，基于不同尺度數據的協同反演構建更精確的反演模型。本研究作為對棗樹冠層SPAD值反演的前期探索，可以給后續更多反演模型的構建提供借鑒。同時本研究也在棗樹作物冠層SPAD值反演上結合無人機可見光影像做出了探索，后續可結合多源數據與不同生育期進一步提高構建的棗樹冠層模型在反演時的精度與準確性。

4? 結論

本研究通過無人機搭載數碼相機獲取研究區可見光影像，同時在地面開展棗樹冠層SPAD值實測，基于優選的植被指數構建了單變量回歸、多元逐步回歸和隨機森林回歸的SPAD值估算模型，得出以下結論：RGRI、EXG、VDVI、MGRVI與棗樹冠層SPAD值呈負向相關關系，GRRI、NGRDI、SAVI與棗樹冠層SPAD值呈正向相關關系，EXG與棗樹冠層SPAD值相關性最強?；贓XG構建的線性模型為單變量反演模型中效果最優的模型?；赗GRI、MGRVI、EXG的多元逐步回歸模型效果優于任何單一植被指數構建的單變量反演模型。以RGRI、EXG、MGRVI、VDVI、ARVI為特征變量構建的隨機森林算法回歸模型，在各模型中效果最優。研究區中部東側區域棗樹SPAD值較高，同時在研究區中部西側也有較高的棗樹SPAD值區域分布，其余區域的棗樹SPAD值較低?；陔S機森林算法的棗樹冠層SPAD值反演模型表現出了對實測值較強的擬合能力，隨機森林回歸模型在本研究中反演棗樹冠層SPAD值時展現了優良的反演能力。

參考文獻：

[1]Agarwal A，Gupta S D. Assessment of spinach seedling health status and chlorophyll content by multivariate data analysis and multiple linear regression of leaf image features[J]. Computers and Electronics in Agriculture，2018，152：281-289.

[2]Xu J，Volk T，Quackenbush L，et al. Estimation of shrub willow leaf chlorophyll concentration across different growth stages using a hand-held chlorophyll meter to monitor plant health and production[J]. Biomass and Bioenergy，2021，150（1）：106132.

[3]徐晉，蒙繼華. 農作物葉綠素含量遙感估算的研究進展與展望[J]. 遙感技術與應用，2016，31（1）：74-85.

[4]楊志瑩，張海良，王勝，等. 鹽脅迫下丁香葉綠素含量與SPAD值相關性分析[J]. 山東農業科學，2021，53（9）：8-12.

[5]尚永勝，孫思維，楊文瑾，等. 平歐雜交榛葉片葉綠素含量與SPAD值相關性研究[J]. 林業科技，2021，46（4）：15-17.

[6]尼格拉·吐爾遜，蘇磊·乃比，高健，等. GWLS-SVR模型的紅棗樹葉片葉綠素含量估算[J]. 光譜學與光譜分析，2021，41（6）：1730-1736.

[7]劉帥兵，楊貴軍，景海濤，等. 基于無人機數碼影像的冬小麥氮含量反演[J]. 農業工程學報，2019，35（11）：75-85.

[8]方德濤，劉珊珊，張笑. 低空無人機遙感系統在海島潮間帶監測中的應用[J]. 北京測繪，2019，33（1）：71-75.

[9]賈慧，楊柳，鄭景飚. 無人機遙感技術在森林資源調查中的應用研究進展[J]. 浙江林業科技，2018，38（4）：89-97.

[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）：2923-2931.

[11]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.

[12]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（增刊）：182-186，194.

[13]劉小輝. 基于無人機影像的小麥葉綠素含量及產量定量反演研究[D]. 合肥：安徽大學，2019.

[14]奚雪，趙庚星. 基于無人機多光譜遙感的冬小麥葉綠素含量反演及監測[J]. 中國農學通報，2020，36（20）：119-126.

[15]Mao Z H，Deng L，Duan F Z，et al. Angle effects of vegetation indices and the influence on prediction of SPAD values in soybean and maize[J]. International Journal of Applied Earth Observation and Geoinformation，2020，93：102198.

[16]馬明洋，許童羽，周云成，等. 東北粳稻葉綠素相對含量的無人機高清影像檢測方法[J]. 沈陽農業大學學報，2017，48（6）：757-762.

[17]Schirrmann M，Giebel A，Gleiniger F，et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing，2016，8（9）：706.

[18]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（增刊2）：366-374.

[19]賀英，鄧磊，毛智慧，等. 基于數碼相機的玉米冠層SPAD遙感估算[J]. 中國農業科學，2018，51（15）：2886-2897.

[20]王麗愛，馬昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農業機械學報，2015，46（1）：259-265.

[21]沈江龍，鄭江華，尼格拉·吐爾遜，等. 若羌綠洲特色林果種植信息遙感提取方法適用性分析[J]. 中國農業資源與區劃，2022，43（2）：206-219.

[22]Verrelst J，Schaepman M E，Koetz B，et al. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data[J]. Remote Sensing of Environment，2008，112（5）：2341-2353.

[23]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.

[24]魏全全，李嵐濤，任濤，等. 基于數字圖像技術的冬油菜氮素營養診斷[J]. 中國農業科學，2015，48（19）：3877-3886.

[25]Jin X L，Ma J H，Wen Z D，et al. Estimation of maize residue cover using Landsat-8 OLI image spectral information and textural features[J]. Remote Sensing，2015，7（11）：14559-14575.

[26]Pe?uelas J，Gamon J A，Fredeen A L，et al. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves[J]. Remote Sensing of Environment，1994，48（2）：135-146.

[27]Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80（1）：76-87.

[28]Hunt E R，Cavigelli M，Daughtry C S T，et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]. Precision Agriculture，2005，6（4）：359-378.

[29]王方永，王克如，李少昆，等. 利用數碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J]. 作物學報，2010，36（11）：1981-1989.

[30]Woebbecke D M，Meyer G E，von Bargen K，et al. Color indices for weed identification under various soil，residue，and lighting conditions[J]. American Society of Agricultural Engineers，1995，38（1）：259-269.

[31]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，31（5）：152-159.

[32]Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[33]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[34]郭鈮. 植被指數及其研究進展[J]. 干旱氣象，2003（4）：71-75.

[35]徐建華. 計量地理學[M]. 北京：高等教育出版社，2006.

[36]Breiman L. Random forests[J]. Machine Learning，2001，45（1）：5-32.

[37]周敏姑，邵國敏，張立元，等. 無人機多光譜遙感反演冬小麥SPAD值[J]. 農業工程學報，2020，36（20）：125-133.

[38]田軍倉，楊振峰，馮克鵬，等. 基于無人機多光譜影像的番茄冠層SPAD預測研究[J]. 農業機械學報，2020，51（8）：178-188.

[39]牛慶林，馮海寬，周新國，等. 冬小麥SPAD值無人機可見光和多光譜植被指數結合估算[J]. 農業機械學報，2021，52（8）：183-194.