楊野 楊德昌 孫紅 孟洪兵 田才耀 劉成成 雷定湘

摘要：為探究不同生育期內(nèi)植被指數(shù)對南疆棉花地上部生物量的估算潛力，利用無人機測取試驗地塔河二號棉花3個生育期（蕾期、花鈴期、吐絮期）多光譜影像數(shù)據(jù)，同時進行棉花植株生物量（地上部分干質(zhì)量）的數(shù)據(jù)采集，對不同生育時期的棉花光譜及地上部生物量變化特征進行分析，選取Pearson相關(guān)系數(shù)法篩選出的單一植被指數(shù)和多種植被指數(shù)組合構(gòu)建基于偏最小二乘法（PLSR）、支持向量機（SVM）和隨機森林（RF）3種機器學(xué)習(xí)算法的反演模型，通過決定系數(shù)（R2）和均方根誤差（RMSE）對反演效果進行評定。結(jié)果表明，地上生物量在蕾期至吐絮期內(nèi)持續(xù)增大，多光譜近紅外波段反射率在蕾期至吐絮期內(nèi)先升高后降低，花鈴期的模型估算效果最佳，R2均≥0.68，RMSE均≤0.53；NDVI、RVI和GNDVI這3種植被指數(shù)與棉花地上部生物量的相關(guān)性最高，相關(guān)系數(shù)均≥0.765，呈極顯著相關(guān)關(guān)系（P<0.01）；以植被指數(shù)組合（NDVI-RVI）為變量的支持向量機回歸模型的建模效果最優(yōu)。本研究探究了不同植被指數(shù)組合和不同機器學(xué)習(xí)算法建模的估算效果，證明了植被指數(shù)融合的方法在棉花不同生育時期生物量估算的可行性，為南疆棉花的生長監(jiān)測提供技術(shù)支持和理論支撐。

關(guān)鍵詞：無人機；多光譜；植被指數(shù)；地上部生物量；機器學(xué)習(xí)算法；生育時期；相關(guān)系數(shù)法

中圖分類號：S127 文獻標志碼：A

文章編號：1002-1302（2023）15-0179-08

基金項目：南疆重點產(chǎn)業(yè)創(chuàng)新發(fā)展支撐計劃（編號：1121085）。

作者簡介：楊 野（1998—），男，河北涿州人，碩士，研究方向為農(nóng)業(yè)遙感領(lǐng)域。E-mail：945275834@qq.com。

通信作者：楊德昌，博士，主要從事電力系統(tǒng)自動化方向研究。E-mail：yangdechang@cau.edu.cn。

生物量是某一指定時間內(nèi)在指定地域或生態(tài)系統(tǒng)內(nèi)某種活有機體的干質(zhì)量［1］，是反映作物生長狀況的重要因素，準確、快速、方便地監(jiān)測棉花的生物量對于預(yù)測和增產(chǎn)具有十分重要的作用［2］。利用無人機遙感技術(shù)結(jié)合建模算法對作物生物量進行估算，既可以保證對大田生物量監(jiān)測的高效性，同時為田間生態(tài)系統(tǒng)提供了保護。Sharma等基于無人機多光譜影像獲取的多種植被指數(shù)，采用偏最小二乘（PLS）、支持向量機（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和隨機森林（RF） 4種機器學(xué)習(xí)算法構(gòu)建燕麥生物量估測模型，決定系數(shù)R2普遍低于0.5，同時部分結(jié)果出現(xiàn)了過擬合現(xiàn)象，說明遙感技術(shù)在燕麥生物量監(jiān)測方向具有一定困難［3］；David等通過建立一元線性回歸和隨機森林回歸模型對比預(yù)測旱地森林地上部生物量，結(jié)果表明，通過隨機森林回歸算法建立了最佳地上部生物量模型，與影像數(shù)據(jù)的組合建模的R2高達0.95［4］；Anchal等利用線性回歸模型，采用K折交叉驗證法篩選最佳植被指數(shù)，結(jié)果表明，對甜葉菊的研究中超綠指數(shù)（ExG）是生物量估測R2 高達0.7的最佳植被指數(shù)［5］；Atkinson Amorim等利用無人機獲取多光譜圖像并計算植被指數(shù)（VI），然后將植被指數(shù)利用隨機森林、支持向量機和BP（back propagation）神經(jīng)網(wǎng)絡(luò)方法建模，結(jié)果表明，巴西南部小麥品種的最佳模型為人工神經(jīng)網(wǎng)絡(luò)，R2為0.90，均方根誤差（RMSE）為0.83 t/hm2［6］；Shao等證明了非線性方法的玉米地上部生物量預(yù)測精度高于線性方法，其中指數(shù)法的準確度最高，驗證精度R2可達0.76，RMSE達到282.8 g/m2［7］；段博融合了多維數(shù)據(jù)，通過不同的機器學(xué)習(xí)算法建模，精度最高的為使用隨機森林算法構(gòu)建的模型，驗證精度R2可達0.94，RMSE達到156.81 g/m2，證明RF模型對水稻全生育期生物量的估測效率最高［8］；吳培強等利用無人機多光譜和激光雷達數(shù)據(jù)，構(gòu)建了紅樹林地上生物量回歸模型，其中桐花樹生物量回歸模型預(yù)測效果最佳，決定系數(shù)R2最高，達0.83［9］；李宗鵬基于多光譜圖像數(shù)據(jù)構(gòu)建的植被指數(shù)，采用多元混合線性回歸、支持向量機和線性嶺回歸3種基礎(chǔ)學(xué)習(xí)模型在抽穗期和開花期進行地上生物量預(yù)測，最終抽穗期線性嶺回歸（LRR）模型的效果最好，R2達到了0.58，RMSE為1 843.42 kg/hm2，開花期內(nèi)SVM模型的估算精度最高，R2達到0.65，RMSE為2 221.42 kg/hm2［10］。

上述研究對各種作物的地上部生物量預(yù)測均取得了一定成果，然而，與水稻、小麥等糧食作物的研究過程不同，南疆棉花的生長環(huán)境要求特殊，種植的地理位置維度要求高，日照時間和水分要求充足，生長周期長且1年只成熟1次，植株成熟后葉片、根莖體積龐大，無法進行大規(guī)模采樣，無形之中增加了地上部生物量研究的難度?；诋斍半A段無人機遙感技術(shù)應(yīng)用領(lǐng)域的研究，迄今為止尚未有學(xué)者系統(tǒng)地分析棉花地上部生物量各生育時期之間、各植被指數(shù)與不同算法之間的表現(xiàn)差異。綜上所述，建立并篩選出最優(yōu)的棉花不同生育時期、植被指數(shù)組合及機器學(xué)習(xí)算法的地上部生物量反演模型具備較高的研究價值。

本研究利用無人機多光譜遙感技術(shù)，結(jié)合南疆地區(qū)棉花不同時期地上部生物量的實測數(shù)據(jù)，篩選出不同植被指數(shù)組合，建立各種各樣的生物量預(yù)測模型，然后對建立好的模型進行精度的驗證和對比，為今后南疆棉花不同生育期的生長情況監(jiān)測提供理論支撐。

1 材料與方法

1.1 研究區(qū)概況

阿拉爾市位于新疆阿克蘇地區(qū)境內(nèi)，北起天山南麓山地，南面與塔里木河、阿克蘇河、臺蘭河、多浪河相系，地處塔克拉瑪干沙漠北面。阿拉爾市屬于極端大陸性的干旱荒漠天氣，季節(jié)性明顯、光照充足、晝夜變化較高，但常年干燥、降水量小，地面蒸發(fā)強度較高，年平均降水量 40.1～82.5 mm，平均溫度 9.9～11.5 ℃，年平均日照2 556.3～2 991.8 h。本試驗地點位于阿拉爾市塔里木大學(xué)教學(xué)試驗基地，試驗基地的土壤是沙壤土和壤土，具有良好的透水性，有機質(zhì)含量為3.15～8.13 g/kg，堿解氮含量為0.01～0.04 g/kg，速效磷含量為0.00～0.03 g/kg，pH值為7～8［11］。

由圖1可知，將試驗地按照緯度平均分為5個采樣點，每塊采樣點長和寬均為20 m，按照圖中字母順序?qū)γ藁ㄖ仓赀M行隨機采樣。

1.2 多光譜數(shù)據(jù)采集

本研究多光譜數(shù)據(jù)采集選擇晴朗并風(fēng)力小于三級的天氣，在13：00—15：00這一光照度最高的時間段進行，采集時間分別為 2022年6月 29 日、8月25日和 9月14日，分別對應(yīng)棉花冠層葉片光譜反射率變化對比顯著的蕾期、花鈴期和吐絮期。

選用大疆無人精靈P4M多光譜 RTK 版作為飛行平臺，使用四旋翼設(shè)計方案，機身配置9寸快拆螺旋槳。起飛質(zhì)量1 487 g，工作環(huán)境溫度要求0～40 ℃。續(xù)航時間長達27 min，單次飛行最大作業(yè)面積 0.63 km2。無人機及其機載多光譜成像系統(tǒng)如圖2所示。

1.3 數(shù)據(jù)預(yù)處理

1.3.1 植株生物量數(shù)據(jù)預(yù)處理

在收集塔河二號棉花種植樣本和測量時，由于各種因素會產(chǎn)生一定偏差或者錯誤，并且在進行數(shù)據(jù)處理前，本研究通過正態(tài)分布的3σ原則法剔除各生育時期的異常值，最后計算出單位面積（1 m2）內(nèi)植株的地上部生物量，本試驗中預(yù)處理后每生育時期 50個樣本，共計150個樣本。

1.3.2 無人機多光譜數(shù)據(jù)預(yù)處理

無人機多光譜圖像的處理包括以下步驟：首先進行鏡頭校正，消除圖像畸變；然后輻射定標，將數(shù)字灰度值轉(zhuǎn)換為反射率；最后進行大氣校正，消除大氣、水汽等因素的影響［12］。本試驗多光譜影像的處理使用ENVI 5.3版，先對影像進行拼接處理，得到試驗區(qū)完整的灰度圖后，再對各波段進行配準，獲取藍光（450 nm）、綠光（560 nm）、紅光（650 nm）、紅邊（730 nm）和近紅外（840 nm）5個波段的反射率數(shù)據(jù)。

1.4 多光譜植被指數(shù)的選取

利用無人機遙感圖像提取得到的光譜反射率能夠構(gòu)建多個光譜指數(shù)［13］，為探究光譜指數(shù)在棉花生物量反演中的特點，并考慮到植被指數(shù)的廣泛性和實用性，本研究選擇了10種多光譜植被指數(shù)進行后續(xù)的相關(guān)性分析，分別為歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、增強型植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、綠色歸一化植被指數(shù)（GNDVI）、重歸一化植被指數(shù)（RDVI）、綠色比值植被指數(shù)（GRVI）、寬動態(tài)范圍植被指數(shù)（WDRVI）、修正葉綠素吸收反射率植被指數(shù) （MCARI），研究了各植被指數(shù)與實測棉花地上生物量之間的關(guān)系。各植被指數(shù)的計算公式詳見表1。

2 結(jié)果與分析

2.1 光譜特征分析

由圖3可知，各個時期光譜反射率在近紅外波段有較為明顯的不同，蕾期近紅外波段的平均反射率為0.43，花鈴期反射率為0.60，吐絮期則是0.52。而產(chǎn)生差別的最主要因素就是在生育前期（蕾期至花鈴期） 棉花不斷生長發(fā)育，葉子的色澤也不斷變深，葉面積不斷增加，反射率也有一定程度的升高，同時棉花內(nèi)的某些營養(yǎng)元素發(fā)生了變化，塔河二號棉花的地上部生物量也迅速上升；到生育后期（吐絮期），棉花的葉片開始衰老，葉片顏色不再加深，葉面積不再繼續(xù)變大，許多養(yǎng)分逐漸被成熟吐絮抽調(diào)走，造成了反射率的下降。

從圖4中各時期冠層光譜及反射曲線可發(fā)現(xiàn)，對不同時期采樣點的反射率進行對比，棉花光譜反射率僅在近紅外波段差別較大，其他4個波段的反射率區(qū)別不大，同時反映出5個樣地的棉花營養(yǎng)獲取均勻，生長狀況良好。各時期在藍光波段（450 nm）的光譜反射率較低，從藍光波段至綠光波段（560 nm）呈現(xiàn)出緩慢上升的趨勢，而在560～650 nm 之間呈現(xiàn)出小幅度下降的趨勢，紅光波段的反射率較綠光波段稍有降低。由此可見，棉花冠層葉片光譜的反射峰出現(xiàn)在560 nm附近，隨后在 650～730 nm內(nèi)呈現(xiàn)快速上升狀態(tài)，光譜的吸收谷出現(xiàn)在650 nm周圍，最后在730～840 nm 之間急速上升，近紅外波（840 nm）的反射率為5個波段最高。這主要是因為近紅外光能夠透過植物葉子內(nèi)的葉綠素，再通過葉肉組織反射，于是在紅光和近紅外光之間，反射率迅速升高［14］。

2.2 棉花生物量變化特征

作物的自然生態(tài)系統(tǒng)健康演變狀況、植物生態(tài)環(huán)境改變情況等都可用地上部干質(zhì)量變化來表現(xiàn)，地上部干質(zhì)量可反映農(nóng)作物生長與發(fā)育過程的健康狀況、光合生產(chǎn)能力和農(nóng)作物生產(chǎn)力［15］。通過所采樣本生物量的對比（表2）可知，棉花的主要生長發(fā)育階段在蕾期到花鈴期這一階段，莖和葉都在這期間內(nèi)得到了很充分的生長發(fā)育，到達了棉花生長發(fā)育的“青春期”，反映出棉花生長的主要時期在蕾期到花鈴期之間；而棉花在花鈴期到吐絮期這一時間段內(nèi)生物量變化幅度減弱，在此期間棉花的莖會發(fā)育得更為粗大，反映出棉花吐絮期需要棉花莖干傳輸更多養(yǎng)分提供給所結(jié)的棉桃。本研究中得到的生物量變異系數(shù)均低于30%，變異程度較低，間接說明本研究的各采樣地棉花營養(yǎng)分布較為均勻。

2.3 植被指數(shù)與地上部生物量的相關(guān)性分析

為提高后續(xù)建立反演模型的準確性和可靠性，本研究使用軟件SPSS 22.0經(jīng)過Pearson相關(guān)性分析法對比篩選出各時期與生物量相關(guān)性最高的植被指數(shù)作為模型的輸入?yún)⒘?，結(jié)果如表3所示。3個時期的NDVI、RVI和GNDVI與地上部生物量相關(guān)性最強，蕾期的相關(guān)系數(shù)為0.782、0.882和0.765，花鈴期的相關(guān)系數(shù)為0.868、0.906和0.782，吐絮期的相關(guān)系數(shù)為0.851、0.887和0.798。綜上所述，本試驗各時期反演模型的單一植被指數(shù)作為輸入?yún)⒘亢Y選后為NDVI、RVI和GNDVI，植被指數(shù)組合篩選后為NDVI-RVI、NDVI-GNDVI和NDVI-RVI-GNDVI。

2.4 棉花地上部生物量估算模型的構(gòu)建

2.4.1 數(shù)據(jù)劃分

將3個時期篩選后的樣本按比例接近7 ∶3分成訓(xùn)練集和測試集，各生育時期經(jīng)篩選后共計50個樣本，其中35個用作訓(xùn)練集，15個用作測試集。

2.4.2 蕾期反演模型構(gòu)建

在蕾期反演建模，將前面篩選出的單一植被指數(shù)和植被指數(shù)組合分別作為模型輸入量，對棉花地上部生物量進行估算。各類植被指數(shù)模型檢驗結(jié)果如表4所示。由表4分析得出，以單一植被指數(shù)為模型輸入?yún)⒘?，蕾?種植被指數(shù)對應(yīng)的測試集R2均 ≥0.68，均值為0.74，RMSE均≤1.42，均值為1.26，SVM模型的反演精度最佳，SVM模型在3種單一植被指數(shù)的測試集R2分別為0.74、0.82和0.72，RMSE為1.27、1.06和1.32，其中RVI最優(yōu)。以植被指數(shù)組合為模型輸入?yún)⒘?，蕾?種植被指數(shù)組合對應(yīng)的測試集R2均≥0.69，均值為0.74，RMSE均≤1.39，均值為1.25，同樣SVM模型的反演精度最佳，SVM模型在4種植被指數(shù)組合的測試集R2分別為0.84、0.73、0.74和0.76，RMSE為1.02、1.31、1.27和1.22，其中植被指數(shù)組合 NDVI-RVI最優(yōu)。綜上所述，篩選出的植被指數(shù)組合建模精度優(yōu)于單一植被指數(shù)，蕾期SVM模型反演效果最佳。各植被指數(shù)最優(yōu)SVM建模結(jié)果如圖5所示。

2.4.3 花鈴期反演模型構(gòu)建

在花鈴期反演建模，將前面篩選出的單一植被指數(shù)和植被指數(shù)組合分別作為模型輸入量，對棉花地上部生物量進行估算。各類植被指數(shù)模型檢驗結(jié)果如表5所示。由表5分析得出，以單一植被指數(shù)為模型輸入?yún)⒘?，花鈴?種植被指數(shù)對應(yīng)的測試集R2均 ≥0.68，均值為0.75，RMSE均≤0.53，均值為0.45，SVM模型的反演精度最佳，SVM模型在3種單一植被指數(shù)的測試集R2分別為0.79、0.86和0.77，RMSE為0.41、0.32和0.39，其中RVI最優(yōu)。以植被指數(shù)組合為模型輸入?yún)⒘?，花鈴?種植被指數(shù)對應(yīng)的測試集R2均≥0.72，均值為0.78，RMSE均≤0.49，均值為0.41，同樣SVM模型的反演精度最佳，SVM模型在4種植被指數(shù)組合的測試集R2分別為0.87、0.78、0.81和0.82，RMSE為0.31、0.42、0.39和0.38，其中NDVI-RVI最優(yōu)。

綜上所述，篩選出的植被指數(shù)組合建模精度優(yōu)于單一植被指數(shù)，花鈴期SVM模型反演效果最佳。各植被指數(shù)最優(yōu)SVM建模結(jié)果如圖6所示。

2.4.4 吐絮期反演模型構(gòu)建

在吐絮期反演建模，將前面篩選出的單一植被指數(shù)和植被指數(shù)組合分別作為模型輸入量，對棉花地上部生物量進行估算。各類植被指數(shù)模型檢驗結(jié)果如表6所示。由表6得出，以單一植被指數(shù)為模型輸入?yún)⒘?，吐絮?種植被指數(shù)對應(yīng)的測試集R2均≥0.70，均值為0.76，RMSE均≤1.85，均值為1.37，SVM模型的反演精度最佳，SVM模型在3種單一植被指數(shù)的測試集R2分別為0.80、0.83和0.75，RMSE為1.08、0.84和1.47，其中RVI最優(yōu)。以植被指數(shù)組合為模型輸入?yún)⒘?，吐絮?種植被指數(shù)對應(yīng)的測試集R2均≥0.71，均值為0.78，RMSE均≤1.77，均值為1.24，同樣SVM模型的反演精度最佳，SVM模型在4種植被指數(shù)組合的測試集R2分別為0.85、0.81、0.80和0.82，RMSE為0.71、0.98、1.07和0.94，其中NDVI-RVI最優(yōu)。綜上所述，篩選出的植被指數(shù)組合建模精度優(yōu)于單一植被指數(shù)，吐絮期SVM模型反演效果最佳。各植被指數(shù)最優(yōu)SVM建模結(jié)果如圖7所示。

3 討論與結(jié)論

在前人的地上部生物量研究分析中，多是以單一光譜信息（單一植被指數(shù)或波段等）作為輸入?yún)⒘拷⒌厣喜可锪康慕?jīng)驗?zāi)Ｐ?，這些方法在實踐過程中具有一定的局限性［16］。通過本研究可以證明，利用多植被指數(shù)融合的不同時期南疆棉花地上部生物量的估算方法是可行可靠的，對南疆地區(qū)精準農(nóng)業(yè)的推廣和普及是有意義的。

利用ENVI軟件提取不同生育期光譜波段的反射率，在5個不同波段反射率變化上部分結(jié)果與蘇維等不同采樣日期和不同生物量下的冠層高光譜反射率的曲線特征［17-18］相似，從藍光波段至綠光波段緩慢上升，而在綠光波段至紅光波段小幅度下降，紅光波段至紅邊波段快速上升，近紅外波段內(nèi)急速上升。除此之外，本研究發(fā)現(xiàn)，3個生育時期和同時期內(nèi)5個樣地反射率僅在近紅外波段體現(xiàn)出差異性，說明了南疆棉花在同一生長環(huán)境內(nèi)葉片對藍光、綠光和紅光的反射效率基本相同，僅對近紅外光線的反射作用有所區(qū)別。

利用Pearson相關(guān)系數(shù)法篩選植被指數(shù)，植被指數(shù)經(jīng)過篩選后的部分結(jié)果與陶惠林等的結(jié)論［19-21］相似，NDVI和GNDVI與生物量的相關(guān)性較好。除此之外，本研究還發(fā)現(xiàn)，RVI與棉花地上部生物量的相關(guān)系數(shù)較高（3個生育期分別為0.882、0.906、0.887），取得了很好的效果，蕾期的植被指數(shù)相關(guān)性最差，花鈴期的植被指數(shù)相關(guān)性最好，間接證明了植被指數(shù)的相關(guān)系數(shù)與棉花葉片的成熟程度有關(guān)，也證明了在本研究光譜的各波段中，近紅外波段、紅光波段和綠光波段對于相關(guān)性的貢獻較大，反映出植被指數(shù)建立反演模型預(yù)處理的必要性。同時，本研究通過正態(tài)分布的3σ原則法篩選出各生育時期的單位面積內(nèi)地上部生物量，相比于花鈴期和吐絮期，蕾期的棉花長勢差異性較大，變異系數(shù)較高，這可能是由于在蕾期至花鈴期棉花處于高速生長的狀態(tài)，受到基因和生長環(huán)境不同的影響，導(dǎo)致了生長狀況出現(xiàn)差異。在3個時期的地上部變化趨勢與鄧江等主要時期生物量統(tǒng)計結(jié)論［22］類似，其中蕾期至花鈴期為棉花生長的主要時期，生物量增長速度最快。

將篩選出的植被指數(shù)分別以單一植被指數(shù)和植被指數(shù)組合作為輸入利用機器學(xué)習(xí)算法建模，從模型的反演精度來講，本研究中SVM模型在各個時期各個模型的建模精度均為最優(yōu)，說明了在PLSR、SVM和RF的棉花地上部生物量估算模型中，支持向量機回歸法為最適合進行棉花地上部生物量估算的方法。本研究部分結(jié)果較劉楊等在不同算法建模方面部分結(jié)論［23］相似，在PLSR與RF算法的生物量模型對比中PLSR的反演效果較好。而在3個時期中，植被指數(shù)組合輸入模型估算精度均優(yōu)于單一植被指數(shù)輸入模型，這是由于棉花在生長發(fā)育階段及成熟階段的葉片光譜數(shù)值與生物量的相關(guān)性較好，可參考性增大，同時在一定程度上避免了單一植被指數(shù)在部分極端條件下對地上部生物量的預(yù)測不確定性影響，增強了地上部生物量估算的農(nóng)學(xué)解釋機制，從而提升了模型的精度［24-25］。

本試驗同時也存在一定的不足之處：（1）在進行本研究的野外采集過程中，樣點的布設(shè)與收集都在農(nóng)田中完成，不同樣地的棉花由于光照、土壤肥力等因素，導(dǎo)致不同地塊所采棉花地上部生物量會有一定差異，應(yīng)考慮盡可能更多的樣品數(shù)目［26］。（2）不同研究人員對不同農(nóng)作物品種、理化參數(shù)的收集、地理位置、氣候環(huán)境及光譜數(shù)據(jù)測定均不一致，使得棉花生物量的反演結(jié)果也存在差異，數(shù)據(jù)結(jié)果相互共享性無法得到保證［27］。因此，系統(tǒng)地研究在各種試驗條件下對地上部分生物量統(tǒng)計形成的影響，建立規(guī)范的試驗流程至關(guān)重要［28］。（3）本研究只對塔河二號棉花這一類研究對象進行試驗，未來需要尋找更豐富的農(nóng)作物品種進行新一輪的研究。

綜上所述，本研究對南疆棉花（塔河二號）在3個生育期下的光譜變化和地上部生物量變化狀況進行了數(shù)據(jù)分析，并將無人機遙感多光譜技術(shù)應(yīng)用于南疆的棉花地上部生物量預(yù)測中，采用單一植被指數(shù)和多植被指數(shù)融合的方式，構(gòu)建3個生育期的棉花地上部生物量反演模型，為實現(xiàn)棉花生物量的無損監(jiān)測，也為觀察棉花生長狀況提出了一種新方法。蕾期、花鈴期、吐絮期的原始光譜反射率主要區(qū)別在于近紅外波段（840 nm），蕾期近紅外波段反射率平均值為0.42，在花鈴期達到峰值，反射率均值為0.60，吐絮期再次減小，反射率均值為0.51。蕾期生物量的均值為3.83 kg/m2，花鈴期生物量均值為8.71 kg/m2，吐絮期生物量達到峰值，均值為11.99 kg/m2?；跓o人機多光譜的植被指數(shù)NDVI、RVI和GNDVI與棉花地上部生物量極顯著相關(guān)（P<0.01） 且相關(guān)系數(shù)最大，蕾期3個植被指數(shù)的相關(guān)系數(shù)為0.782、0.882、0.765，花鈴期3個植被指數(shù)的相關(guān)系數(shù)為0.868、0.906、0.782，吐絮期3個植被指數(shù)的相關(guān)系數(shù)為0.851、0.887、0.798。輸入以單一植被指數(shù)和3種植被指數(shù)的組合，構(gòu)建的PLSR、SVM和RF估算模型中，SVM模型反演精度最佳；在棉花3個生育時期中花鈴期的模型反演效果最佳，測試集R2均值為0.75，RMSE均值為0.45；棉花3個生育時期中（蕾期、花鈴期和吐絮期）植被指數(shù)組合（NDVI-RVI最佳）所建模型模型精度優(yōu)于單一植被指數(shù)所建模型精度，此結(jié)果在不同機器學(xué)習(xí)算法中均得到較好的驗證。

參考文獻：

［1］Shen G Z，Liao J J，Guo H D，et al. Poyang Lake wetland vegetation biomass inversion using polarimetric RADARSAT-2 synthetic aperture radar data［J］. Journal of Applied Remote Sensing，2015，9（1）：096077.

［2］Liu J G，Pattey E，Miller J R，et al. Estimating crop stresses，aboveground dry biomass and yield of corn using multi-temporal optical data combined with a radiation use efficiency model［J］. Remote Sensing of Environment，2010，114（6）：1167-1177.

［3］Sharma P，Leigh L，Chang J，et al. Above-ground biomass estimation in oats using UAV remote sensing and machine learning［J］. Sensors，2022，22（2）：601.

［4］David R M，Rosser N J，Donoghue D N M. Improving above ground biomass estimates of Southern Africa dryland forests by combining Sentinel-1 SAR and Sentinel-2 multispectral imagery［J］. Remote Sensing of Environment，2022，282：113232.

［5］Anchal S，Bahuguna S，Priti，et al. Non-destructive method of biomass and nitrogen （N） level estimation in Stevia rebaudiana using various multispectral indices［J］. Geocarto International，2022，37（22）：6409-6421.

［6］Atkinson Amorim J G，Schreiber L V，de Souza M R Q，et al. Biomass estimation of spring wheat with machine learning methods using UAV-based multispectral imaging［J］. International Journal of Remote Sensing，2022，43（13）：4758-4773.

［7］Shao G M，Han W T，Zhang H H，et al. Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery［J］. The Crop Journal，2022，10（5）：1376-1385.

［8］段 博. 基于無人機多光譜影像的水稻生長參數(shù)提取和估產(chǎn)［D］. 武漢：武漢大學(xué).

［9］吳培強，任廣波，張程飛，等. 無人機多光譜和LiDAR的紅樹林精細識別與生物量估算［J］. 遙感學(xué)報，2022，26（6）：1169-1181.

［10］李宗鵬.基于無人機多源光譜遙感影像預(yù)測冬小麥地上生物量和產(chǎn)量研究［D］. 鄭州：河南農(nóng)業(yè)大學(xué)，2022.

［11］王式琴. 基于高光譜的棉花葉片氮素變化特征及估算建模研究［D］. 阿拉爾：塔里木大學(xué)，2021.

［12］包 玲. 陰影的掩膜和內(nèi)陸水體的遙感提?。跠］. 南京：南京師范大學(xué)，2014.

［13］楊 寧，崔文軒，張智韜，等. 無人機多光譜遙感反演不同深度土壤鹽分［J］. 農(nóng)業(yè)工程學(xué)報，2020，36（22）：13-21.

［14］畢志博. 基于高光譜的水稻葉片葉綠素含量反演方法研究［D］. 沈陽：沈陽農(nóng)業(yè)大學(xué)，2019.

［15］劉金然. 基于無人機遙感影像的棉花主要生長參數(shù)反演［D］. 濟南：山東師范大學(xué)，2019.

［16］王來剛，賀 佳，鄭國清，等. 基于無人機多光譜遙感的玉米FPAR估算［J］. 農(nóng)業(yè)機械學(xué)報，2022，53（10）：202-210.

［17］蘇 維，張 澤，侯彤瑜，等. 基于無人機冠層高光譜的滴灌棉田地上部生物量估測［J］. 農(nóng)機化研究，2021，43（11）：177-183.

［18］易 翔，張立福，呂 新，等. 基于無人機高光譜融合連續(xù)投影算法估算棉花地上部生物量［J］. 棉花學(xué)報，2021，33（3）：224-234.

［19］陶惠林，馮海寬，徐良驥，等. 基于無人機高光譜遙感數(shù)據(jù)的冬小麥生物量估算［J］. 江蘇農(nóng)業(yè)學(xué)報，2020，36（5）：1154-1162.

［20］周 萌，韓曉旭，鄭恒彪，等. 基于參數(shù)化和非參數(shù)化法的棉花生物量高光譜遙感估算［J］. 中國農(nóng)業(yè)科學(xué)，2021，54（20）：4299-4311.

［21］石雅嬌，陳鵬飛. 基于無人機高光譜影像的玉米地上生物量反演［J］. 中國農(nóng)學(xué)通報，2019，35（17）：117-123.

［22］鄧 江，谷海斌，王 澤，等. 基于無人機遙感的棉花主要生育時期地上生物量估算及驗證［J］. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（5）：55-61，69.

［23］劉 楊，馮海寬，黃 玨，等. 基于無人機高光譜特征參數(shù)和株高估算馬鈴薯地上生物量［J］. 光譜學(xué)與光譜分析，2021，41（3）：903-911.

［24］Dong J W，Xiao X M，Wagle P，et al. Comparison of four EVI-based models for estimating gross primary production of maize and soybean croplands and tallgrass prairie under severe drought［J］. Remote Sensing of Environment，2015，162：154-168.

［25］Majasalmi T，Rautiainen M，Stenberg P.M odeled and measured fPAR in a boreal forest：validation and application of a new model［J］. Agricultural and Forest Meteorology，2014，189/190：118-124.

［26］李龍偉. 基于時間序列遙感數(shù)據(jù)的毛竹林物候監(jiān)測、分類和地上生物量估測研究［D］. 杭州：浙江農(nóng)林大學(xué)，2020.

［27］朱吉祥. 基于光譜信息的夏玉米水氮狀況診斷及產(chǎn)量評估［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2021.

［28］趙 涵. 楊樹水力學(xué)特性與生長速率及生物量的關(guān)系［D］. 楊凌：西北農(nóng)林科技大學(xué)，2021.