多高度無人機多光譜成像在棗樹不同生育期LAI監測中的應用

摘要： 為了實現棗樹葉面積指數（LAI）的快速估算，使用無人機多光譜相機獲取新疆阿拉爾墾區棗樹3個生育期的冠層無人機影像，并在地面同步測定樣本點的LAI值，以180種植被指數為基礎構建模型，采用貝葉斯算法中的樹結構Parzen估計器（TPE），提取最優特征組合并優化模型參數，實現模型性能的全面提升，對比分析各模型（CatBoost、RF、DNN、SVR）對棗樹LAI值的監測能力。結果表明，（1）在相同飛行高度下，在坐果期的表現中，4個模型中TPE-CatBoost模型在60 m飛行高度的性能最好，決定系數（R²）為0.867 5，均方誤差（MSE）為0.005 2；（2）利用空間插值法、TPE-CatBoost模型對棗樹LAI進行分析，揭示了整體趨勢和精確的局部分布情況。研究提出的TPE-CatBoost模型實現了墾區棗園棗樹LAI值的有效監測，為墾區棗園的生長監測提供了有效的技術參考。

關鍵詞： 棗樹；葉面積指數；TPE優化算法；CatBoost；特征優選；模型參數選優

中圖分類號： S252⁺.9 文獻標識碼： A 文章編號： 1000-4440（2024）11-2093-09

Application of multi-altitude UAV multi-spectral imaging in LAI monitoring of jujube trees at different growth stages

HONG Guojun¹， ZHANG Ling¹， XU Heng²， YU Caili³， HUANG Yufen^4，5， FAN Zhenqi^4，5

（1.Institute of Regional Development， Jiangxi University of Technology， Nanchang 330200， China;2.Department of Science and Education， Jiangxi University of Technology， Nanchang 330200， China;3.College of Ocean， Shanwei Institute of Technology， Shanwei 516600， China;4.College of Information Engineering， Tarim University， Alaer 843300， China;5.Key Laboratory of Tarim Oasis Agriculture， Ministry of Education， Alaer 843300， China）

Abstract： In order to achieve rapid estimation of leaf area index （LAI） of jujube trees， unmanned aerial vehicle （UAV） multispectral cameras were used to obtain canopy UAV images of jujube trees at three growth stages in Alar Reclamation Area. The LAI values of sample points were measured synchronously on the ground. A model was constructed based on 180 vegetation indices， and the tree structure Parzen estimator （TPE） in Bayesian algorithm was used to extract the optimal feature combination and optimize the model parameters， so as to improve the performance of the model. The monitoring ability of models （CatBoost， RF， DNN， SVR） for jujube tree LAI values was compared and analyzed. The results showed that the TPE-CatBoost model was the best among the four models during the fruit setting period at a flight altitude of 60 meters， with a coefficient of determination （R² ） of 0.867 5 and a mean square error （MSE） of 0.005 2， respectively. The spatial interpolation method and TPE-CatBoost model were used to analyze the LAI of jujube trees， revealing the overall trend and accurate local distribution. The TPE-CatBoost model proposed in this study can effectively monitor the LAI of jujube trees in reclaimed jujube orchards， providing an effective technical reference for the growth monitoring of jujube in reclaimed areas.

Key words： jujube tree；leaf area index；TPE optimization algorithm;CatBoost；feature optimization；model parameter optimization

棗樹作為新疆地區的重要經濟作物，其健康狀態直接影響棗果的品質和產量，對區域農業經濟發展具有重要意義。作為單位水平地面上單面的葉面積指標，葉面積指數（LAI）是評估作物生長狀況、光合效率、呼吸作用、蒸騰作用等相關生理指標的關鍵參數^[1-4]。因此，快速且精確地獲取農作物各生長期的LAI，對病蟲害監測^[5]、產量預測^[6-9]等田間管理活動至關重要。傳統的實地測量LAI方法不僅具有破壞性，而且通常缺乏實時性和空間分布的準確性^[10]。遙感技術在反演LAI方面具有顯著優勢，它不僅能夠長期監測植被的生長狀況，還能實現快速檢測。其中，低空無人機遙感因具有高空間分辨率、操作簡便和成本低廉的特點，尤其適合用于農田規模的作物信息采集^[11-13]。因此，本研究擬基于無人機多光譜數據，分析棗樹在不同生育期LAI變化規律，為實時掌握棗樹的生長情況并據此實施科學的田間管理提供參考。

在前人的研究中，結合植被指數（VI）的機器學習模型已被證實可以有效提高LAI反演的精度^[14-16]。Liu等^[17]提出減少土壤貢獻（CS）方法，顯著提高了玉米生長早期LAI估算的準確性，與傳統方法相比，相對均方根誤差（rRMSE）降低了3.5%，有效減少了土壤對估算的干擾。陳家華等^[18]分析了衛星影像的光譜和紋理特征，并采用皮爾遜相關系數評估其與冬小麥LAI的關聯性，發現雙變量多元線性回歸模型在冬小麥LAI反演中表現出最高精度[決定系數（R²）=0.780，均方根誤差（RMSE）=0.573，rRMSE=12.29%]。Li等^[19]利用RGB（紅、綠、藍）圖像通過Unet神經網絡對大豆葉片參數進行精確估算，圖像分割的交并比（IoU）、準確率（PA）和召回率（Recall）值分別達到0.98、0.99和0.98，且通過比較隨機森林、CatBoost和簡單非線性回歸模型得出，隨機森林在葉數、葉鮮重和葉面積指數估算中表現最佳。石浩磊等^[20]用無人機多光譜數據分析棉花不同生育期的LAI，通過構建多種光譜和顏色指數的預測模型，并采用偏最小二乘（PLSR）、嶺回歸（RR）、隨機森林（RF）、支持向量機（SVM）、神經網絡（BP）等算法進行優化，結果顯示，LAI呈現先增后減趨勢，其中多光譜指數優于顏色指數，尤其是歸一化植被指數（NDVI）與RF和BP模型的預測精度最高，為棉花生長監測與精細管理提供了有力的依據。近年來，研究者為了提升機器學習技術在棗樹LAI值檢測中的效能，廣泛研究特征優選與參數優化策略。為了提高棗樹LAI值檢測的效率，本研究擬采用TPE（貝葉斯算法中的樹結構Parzen估計器）算法對棗樹3個生育期的特征進行選擇，并對CatBoost、RF、深度神經網絡（DNN）和支持向量回歸（SVR）模型進行參數優化，以探討其在精確調整模型參數、挑選關鍵特征方面的潛力，通過綜合優化從而顯著提高棗樹LAI值的預測精度和效率。

1 材料與方法

1.1 研究區

研究區位于新疆南部棗樹種植面積較大的阿拉爾墾區12團（圖1），具體位于塔克拉瑪干沙漠邊緣與塔里木河交匯處，氣候為暖溫帶大陸性干旱荒漠氣候（地理坐標：40°30′39″N， 81°13′14″E）。研究區年平均氣溫為10.7 ℃，年均降水量為40.1～82.5 mm，年均日照時間超過2 900 h。研究區位于塔里木河南側，受天山冰雪融水的滋養，水資源相對豐富，為棗樹種植提供了充足的灌溉保障。研究區土壤主要為沙壤。研究區的平坦地形、充足熱量、明顯的晝夜溫差和優越的光照條件共同營造出了棗樹生長的理想環境。研究區主要種植灰棗，并栽培有少量駿棗，借助于墾區優越的自然條件，棗樹得以健康生長并產出高質量的果實。

1.2 地面實測LAI數據

在2023年棗樹的3個關鍵生育期[盛花期（6月25日）、坐果期（7月30日）和膨大期（8月25日）]對棗樹進行無人機航拍、地面實測樣本的采集。使用華測S8高精度設備準確記錄100株健康棗樹的全球定位系統（GPS）位置，確保地面樣本點與無人機影像的精確匹配。使用HM-G20植物冠層

分析系統軟件計算葉面積指數。為了準確劃分棗樹LAI的空間差異，本研究采用基于統計學的Jenk自然間斷點分級法，將棗樹各生育期的LAI值分為3個等級，詳細內容見表1。通過對棗樹實測LAI的分析，發現棗樹各生育期LAI的平均值與中值均處于中值區，說明棗樹在各生育期的LAI處于中等水平。棗樹各生育期LAI的空間分布特征見圖2。

1.3 無人機多光譜數據的獲取與預處理

本研究采用大疆精靈4四旋翼無人機對棗樹3個重要生育期的多光譜圖像進行采集。本研究利用搭載1個可見光彩色傳感器和5個多光譜單色傳感器的無人機，獲取棗園在不同光譜角度下的影像數據。傳感器分別覆蓋藍（450 nm）、綠（560 nm）、紅（650 nm）、紅邊（730 nm）和近紅外（840 nm）波段，像素分辨率為2.08×10⁶。為了確保圖像質量優良，采集工作安排在每天光照充足的14：00左右進行。用DJI GO軟件規劃航線，將傳感器角度設置為與地面垂直，確保橫向、縱向的重疊率分別達到70%、60%。飛行速度設置為3 m/s，飛行高度依次為60 m、100 m、200 m，以適應不同高度的采集需求。數據用大疆智圖軟件處理并拼接，最后用ENVI 5.6軟件進行多光譜合成、輻射校正和歸一化，確保數據質量滿足分析需求。

1.4 棗樹生育期組合光譜指數與特征優化研究

1.4.1 組合光譜指數的計算 傳統植被指數依賴特定波段信息，這可能限制了LAI估算的準確性和效率。為了解決該問題并提升估算精度，本研究引入差值植被指數（DVI）^[21]、比值植被指數（RVI）^[22-23]、鹽指數3（S₃）^[24]、歸一化植被指數（NDVI）^[24-27]、綠-藍波段歸一化差值植被指數（GBNDVI）^[28]5種植被指數計算公式[公式（1）～（5）]來構建新的植被指數。通過隨機生成的180種新植被指數，研究更適合棗樹LAI敏感性評價的指數。新構建的植被指數突破了傳統波段限制，深入探討新植被指數與LAI敏感度間的關系，顯著提高了測量精度。構建的高維數據包括棗樹的3個生育期和不同飛行高度，為棗樹生長監測提供了新思路。

VI₁=b_x-b_y（1）

VI₂=b_x/b_y（2）

VI₃=（b_x-b_y）/b_z（3）

VI₄=（b_x-b_y）/（b_x+b_y）（4）

VI₅=（b_x-b_y-b_z）/（b_x+b_y+b_z）（5）

式中，VI₁～VI₅表示5種組合光譜指數；x、y、z的取值范圍為1～5，1～5分別表示無人機影像的藍光波段、綠光波段、紅光波段、紅邊波段和近紅外波段5個光譜波段；b表示反射率。

1.4.2 特征優選與模型參數選優 在本研究中，采用貝葉斯TPE優化算法優化因變量函數，以反映模型性能。貝葉斯優化作為一種全局優化方法，通過構建概率代理模型并迭代優化目標函數來尋找全局最優解。特征選擇預處理分為3步：（1）基于5種植被指數計算公式，對不同高度、不同生育期的原始波段數據進行特征擴充，生成新植被指數；（2）進行相關性分析，篩選與實測LAI值相關性高的特征；（3）保留每個時期相關性較高的20個特征，剔除其余相關性較低的特征。

將優化目標與模型參數特征組合數視為一個函數，即以模型R²或MSE等優化目標為因變量（y），模型參數與特征組合為自變量（x），有y=f（x），進行如下優化步驟，得到最優參數與特征組合：（1）給定優化目標與目標參數特征組合的取值范圍，即模型參數的取值范圍與特征組合的集合；（2）在所有可選參數與特征組合的取值范圍內隨機取值，求出這些值對應的優化目標得分；（3）根據上一步得到的有限觀測值，對優化目標函數f（x）進行估計，得到f（x）的估計函數;（4）利用采集函數選取下一個需要實值計算的點，采集函數通?？梢赃x擇置信度上限或信息熵等函數，例如可在置信度低的地方選取下一個要計算的點，從而返回步驟（2）進行迭代更新。最終得到函數f（x）的估計函數，從而計算出使優化目標達到最優的參數取值和特征組合。

1.5 模型的構建

將采集的100個樣本數據分為2個部分，為了避免模型對特定數據分布的過度擬合，采用隨機性原則進行劃分。最終確定70%作為訓練集，剩余30%為驗證集。在PyCharm中應用CatBoost、RF、DNN和SVR模型預測不同高度及不同算法下的棗樹LAI值。以棗樹實測LAI值為因變量、無人機最優特征組合為自變量，參與4個模型的訓練。

CatBoost屬于Boosting算法家族，其核心使用對稱的全二叉樹結構，以簡化模型的復雜度和降低計算量，有效減少過擬合現象^[28-29]。該算法引入最小方差采樣（MVS）技術優化訓練中的樣本選擇，以提高對不均勻數據集的處理能力。預測時，通過葉節點預測值的加權求和得到最終結果。在本研究中，CatBoost的配置參數為nrounds=75，max_depth=4，eta=0.09，這些設置使模型具有高準確性和良好的泛化能力。

隨機森林（RF）是一種基于Bagging的集成學習模型^[19]，它結合自助聚合法和隨機特征選擇來構建多個決策樹，通過增加樹與樹之間的差異性，有效降低模型方差，提高泛化能力。在預測過程中，將樣本并行輸入到各決策樹中并通過投票或求平均的方式整合結果，增強了模型的精確性、魯棒性。本研究用TPE法確定隨機森林配置（nrounds=89，max_depth=3，min_samples_split=4），以優化模型的性能和適應性。

本研究設計的深度神經網絡（DNN）算法針對低維特征數據進行優化處理。算法結構包括3個全連接層，神經元數分別為16個、64個和16個，使用tanh激活函數引入非線性特性并增強模型對復雜數據的表達能力。此外，集成了1個8神經元的單層網絡^[24]。最終，將2個網絡的輸出合并后，通過1個8神經元的單層網絡進行回歸預測。為了提升性能并防止過擬合，模型訓練設定的批次大小為32，學習率為0.001，采用Adam優化器和均方誤差（MSE）損失函數進行100輪訓練迭代，并實施早停策略。

支持向量回歸（SVR）是基于支持向量機的一種常用的回歸模型，通過確定支持向量來構建回歸函數的超平面，并通過最大化該超平面與訓練數據間的間隔來進行擬合^[30]。SVR常用不同核函數來提升模型對非線性數據的擬合能力，例如高斯核和多項式核等。模型構建完成后，可通過將預測樣本的特征與相應系數相乘來得到預測結果。本研究中的SVR模型配置為kernel=‘poly’（多項式核），degree=7，用以捕捉數據中的高階非線性關系。

1.6 模型的驗證

本研究采用SVR、DNN、RF和CatBoost評估模型精度，并分析無人機在不同生育期及不同飛行高度采集的數據對模型性能的影響。性能評估主要依據決定系數（R²）和均方誤差（MSE）。通過對比模型在不同條件下的R²和MSE，確定在LAI值檢測任務中表現最佳的模型。上述比較不僅揭示了各模型的優勢與局限性，還有助于選擇最適合當前數據特征的模型，以提升棗樹葉片LAI值檢測的準確性和效率。

2 結果與分析

2.1 棗樹LAI變化特征

棗樹盛花期、坐果期和膨大期100個樣本的實測LAI值統計特征如圖3所示。整個生育期中，棗樹葉片的LAI值為0.79～2.47，不同生育期間的LAI值存在明顯差異。隨著生育進程的推進，LAI值呈現出先升高后降低的趨勢，以坐果期為轉折點。從盛花期到膨大期，棗樹葉片的結構和形態發生顯著變化，直接影響了不同生育期的LAI值特征。在盛花期，為了滿足植物的生長需求，葉片進行大量光合作用以積累營養物質，導致LAI提高。進入膨大期后，果實快速膨大，需要大量營養元素和水分，棗樹減少對葉片的資源投入，導致LAI降低。在盛花期、坐果期和膨大期，LAI值的變異系數分別為13.46%、13.44%和14.71%，變異性屬于中等。

2.2 不同飛行高度與3個生育期LAI的差異性分析

本研究利用無人機在不同飛行高度和棗樹各生育期的數據，通過TPE-CatBoost、TPE-RF、TPE-DNN和TPE-SVR模型建立棗樹LAI檢測模型。表2顯示，在60 m的無人機飛行高度下，TPE-CatBoost模型在3個生育期獲得了最高訓練精度，訓練集的R²分別為0.823 6、0.867 5和0.845 3，MSE分別為0.008 8、0.005 2和0.006 7。而在200 m的無人機飛行高度下，TPE-CatBoost模型的表現也較好，訓練集的R²分別為0.711 5、0.745 1和0.722 2，MSE分別為0.012 2、0.009 3和0.011 5。由圖4可以看出，在60 m飛行高度下3個生育期中，各反演模型的精度驗證集決定系數（R²）從大到小依次為TPE-CatBoost、TPE-RF、TPE-DNN和TPE-SVR。TPE-CatBoost模型的MSE最小，說明其學習能力最強，能夠提高棗樹LAI的反演精度。與其他模型相比，TPE-CatBoost在棗樹LAI反演上具有更高的擬合度和更小的誤差。

2.3 反演結果差異性分析

本研究對無人機在60 m飛行高度下3個生育期棗樹的葉面積指數（LAI）進行了詳細的空間分布分析。從圖2、圖5可以看出，通過空間插值和遙感反演得到的棗樹LAI值大部分分布在中值區域，低值區主要集中在東南角、西北角，而高值區則集中在中間區域。上述分布與棗園中部開始漫灌并向四周擴散的灌溉模式密切相關。從棗樹3個生育期（TPE-CatBoost、TPE-RF、TPE-DNN、TPE-SVR）的12種反演結果看出，棗樹LAI值主要分布在中值區，低值區主要分布在棗園東南角、西北角，高值區主要集中在棗園中間區域，這與空間插值結果相符。與TPE-RF、TPE-DNN和TPE-SVR模型相比，TPE-CatBoost模型的優異性體現在對棗樹各生育期LAI高值區在中間區域的精確反演，其反演結果也更貼近空間插值。對比各生育期時空分布特征可知，盡管空間插值和遙感反演模型的LAI值分布大體一致，空間插值結果呈現較為固定的趨勢，而遙感反演模型得到的結果則能更動態地反映棗樹LAI值的實際分布情況。

3 討論

棗樹在其生長周期中的盛花期到膨大期經歷了3個生育階段，其間LAI呈現出先升高后降低的趨勢，這與Bai等^[9]的研究結果一致。LAI是作物冠層結構的重要參數，其準確測定對作物生長監控和產量預測至關重要。本研究利用無人機在不同高度采集的多光譜影像，結合TPE和4種機器學習模型監測棗樹LAI，探討其應用潛力。與傳統衛星（如Sentinel-2、Landsat-9）相比，無人機提供的高分辨率光譜數據在作物生理參數監測方面實現了更精細化的改進。

本研究利用無人機在3個不同高度和3個生育期的數據源，同時利用TPE結合4種機器學習模型（CatBoost、RF、DNNF和SVR）的組合進行試驗，以期提升棗樹LAI的預測精度。驗證結果表明，TPE特征優選、模型參數選擇結合機器學習算法對棗樹不同生育期LAI的監測是可行的，說明TPE結合機器學習算法能夠在多個光譜指數中篩選出與棗樹LAI高度相關的光譜組合和各機器學習的最優參數。當飛行高度為60 m時，不同生育期的影像與TPE結合不同機器學習模型得到的結果存在較大差異。尤其是當機器學習模型為SVR時，TPE結合SVR模型均不能很好地反演3個生育期的棗樹LAI區域。使用TPE結合CatBoost模型時，盡管在3個重要生育期中可以很好地區分棗樹的LAI值低值區、LAI值中值區、LAI值高值區等區域，但與空間插值結果存在一定差異。綜合分析可知，上述結果與Xiao等^[28]的研究結論一致，TPE-CatBoost模型的表現優于其他模型，這是因為TPE-CatBoost模型結合了CatBoost算法的優勢和TPE優化方法的效率，提供了一種高效、魯棒、自動化的特征優選和模型參數優化解決方案。此外，本研究使用的2種不同評價指標（R²和MSE）存在一定的不一致性，因此后續研究應引入其他評估指標[如平均絕對誤差（MAE）或RMSE]以進行更全面的評價。

本研究利用飛行高度為60 m的遙感影像，通過TPE結合CatBoost、RF、DNNF和SVR4種機器學習模型，對棗樹各生育期的LAI值進行了分類和反演分析。結果表明，不同機器學習模型和空間插值法在LAI反演結果上存在差異，這些差異源自于每種模型的算法特性和基礎假設不同。對棗樹盛花期、坐果期和膨大期等不同生育期的研究結果顯示，利用反演、空間插值法得到的中值、平均值處于中等區內，表明棗樹3個生育期的生長狀況總體上表現良好。然而，由于無人機多光譜數據的光譜特性和植被覆蓋程度的差異，在不同生育期模型的監測結果表現出了不同的差異。為了提高模型的精度和適應性，今后的研究應考慮引入更多機器學習或深度學習模型，或嘗試模型融合技術，同時進行實地驗證和樣品分析，從而提供更有力的證據來支持當前的遙感分析結果。

4 結論

本研究以新疆阿拉爾墾區棗園為例，分析了野外采集的棗樹LAI數據及不同飛行高度無人機獲取的遙感影像。本研究比較了TPE結合不同模型的建模策略，通過對比不同生育期模型的R²、MSE值及空間插值法的結果，揭示了各模型在棗樹生育期建模中的差異和精確度，得出如下結論：（1）在坐果期，TPE-CatBoost模型相較于其他模型在驗證棗樹LAI值上的表現更優，其在訓練集中的R²達到0.842 1，MSE降至0.006 6。此外，基于60 m無人機數據的驗證結果顯示，在各生育期，模型均保持了高預測精度和穩定性，突顯了其可靠性和精確度優勢。（2）通過對60 m飛行高度棗樹LAI的空間分布進行詳細分析，發現LAI值主要分布在中值區域，東南角和西北角為低值區，中間區域為高值區，這與棗園的實際灌溉模式緊密相關。其中，TPE-CatBoost模型在3個生育期的LAI反演中表現最佳，結果不僅與空間插值法的結果一致，而且更真實地反映了LAI的實際分布。

參考文獻：

[1] ZOU M X， LIU Y， FU M D， et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage[J]. Frontiers in Plant Science，2024，14：1272049.

[2] DABROWSKI P， KEUTGEN A J， KEUTGEN N， et al. Photosynthetic efficiency of perennial ryegrass （Lolium perenne L.） seedlings in response to Ni and Cd stress[J]. Scientific Reports，2023，13：5357.

[3] 劉麗瑩，付祥釗，羅志強，等. 小葉榕氣生根氣體交換特征及影響因子研究[J]. 熱帶亞熱帶植物學報，2011，19（1）：45-50.

[4] 孟 暢，趙 楊，楊 菊，等. 光質對皂莢幼苗生長發育、光合特性及相關生理指標的影響[J]. 植物生理學報，2022，58（10）：1961-1972.

[5] 蘇鈺格，包云軒，唐 倩，等. 基于地面高光譜遙感的稻縱卷葉螟為害下的水稻LAI估算模型研究[J]. 中國植保導刊，2023，43（1）：44-51.

[6] ZHUO W，FANG S B，GAO X R，et al. Crop yield prediction using MODIS LAI，TIGGE weather forecasts and WOFOST model：a case study for winter wheat in Hebei，China during 2009-2013[J]. International Journal of Applied Earth Observation and Geoinformation，2022，106：102668.

[7] 楊 楠，周 萌，陳 歡，等. 基于無人機RGB影像的小麥葉面積指數與產量估算研究[J]. 麥類作物學報，2023，43（7）：920-932.

[8] CHEN Y， ZHANG Z， TAO F L. Improving regional winter wheat yield estimation through assimilation of phenology and leaf area index from remote sensing data[J]. European Journal of Agronomy，2018，101：163-173.

[9] BAI T C， ZHANG N N， MERCATORIS B， et al. Improving jujube fruit tree yield estimation at the field scale by assimilating a single landsat remotely-sensed LAI into the WOFOST model[J]. Remote Sensing，2019，11（9）：1119.

[10]谷曉博，程智楷，周智輝，等. 基于特征降維和機器學習的覆膜冬小麥LAI遙感反演[J]. 農業機械學報，2023，54（6）：148-157，167.

[11]JIN X L， ZARCO-TEJADA P J， SCHMIDHALTER U， et al. High-throughput estimation of crop traits：a review of ground and aerial phenotyping platforms[J]. IEEE Geoscience and Remote Sensing Magazine，2021，9（1）：200-231.

[12]孫永祺，陳夢媛，黃 倩，等. 低空無人機遙感在油料作物表型分析中的應用[J]. 浙江大學學報（農業與生命科學版），2023，49（4）：472-483.

[13]SHAO G M， HAN W T， ZHANG H H， et al. Mapping maize crop coefficient K_c using random forest algorithm based on leaf area index and UAV-based multispectral vegetation indices[J]. Agricultural Water Management，2021，252：106906.

[14]劉帥兵，金秀良，馮海寬，等. 基于無人機多源遙感的玉米LAI垂直分布估算[J]. 農業機械學報，2023，54（5）：181-193，287.

[15]ZOU M X， LIU Y， FU M D， et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage[J]. Frontiers in Plant Science，2024，14：1272049.

[16]CARUSO G， PALAI G， TOZZINI L， et al. The role of LAI and leaf chlorophyll on NDVI estimated by UAV in grapevine canopies[J]. Scientia Horticulturae，2023，322：112398.

[17]LIU S B， JIN X L， BAI Y， et al. UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background[J]. International Journal of Applied Earth Observation and Geoinformation，2023，121：103383.

[18]陳家華，張立福，黃長平，等. 基于Sentinel-2A影像光譜和紋理特征的冬小麥葉面積指數估算模型研究[J]. 遙感技術與應用，2024，39（2）：290-305.

[19]LI X N， XU X Y， XIANG S， et al. Soybean leaf estimation based on RGB images and machine learning methods[J]. Plant Methods，2023，19（1）：59.

[20]石浩磊，曹紅霞，張偉杰，等. 基于無人機多光譜的棉花多生育期葉面積指數反演[J]. 中國農業科學，2024，57（1）：80-95.

[21]張傳波，李衛國，王 晶，等. 波段反射率和植被指數結合的作物生長季農田土壤水分估測[J]. 江蘇農業學報，2022，38（1）：111-118.

[22]BLASCH G， ANBERBIR T， NEGASH T， et al. The potential of UAV and very high-resolution satellite imagery for yellow and stem rust detection and phenotyping in Ethiopia[J]. Scientific Reports，2023，13：16768.

[23]韓振強，李衛國，張曉東，等. 多遙感光譜指標結合進行大田冬小麥葉片葉綠素含量估測研究[J]. 麥類作物學報，2023，43（11）：1467-1474.

[24]洪國軍，謝俊博，張 靈，等. 基于多光譜影像的阿拉爾墾區棉田土壤鹽分反演[J]. 干旱區研究，2024，41（5）：894-904.

[25]GOVI D， PAPPALARDO S E， DE MARCHI M， et al. From space to field：combining satellite，UAV and agronomic data in an open-source methodology for the validation of NDVI maps in precision viticulture[J]. Remote Sensing，2024，16（5）：735.

[26]MOSCOVINI L， ORTENZI L， PALLOTTINO F， et al. An open-source machine-learning application for predicting pixel-to-pixel NDVI regression from RGB calibrated images[J]. Computers and Electronics in Agriculture，2024，216：108536.

[27]吳運力，張 鈺，田佳榕. 氣候變化和人類活動對內蒙古高原不同植被類型NDVI的影響[J]. 中國農業氣象，2023，44（12）：1155-1168.

[28]XIAO W， WANG C B， LIU J M， et al. Optimizing faulting prediction for rigid pavements using a hybrid SHAP-TPE-CatBoost model[J]. Applied Sciences，2023，13（23）：12862.

[29]張錫煜，李思佳，王 翔，等. 基于Sentinel-2衛星影像的黑龍江綏化市土壤全氮定量遙感反演[J]. 農業工程學報，2023，39（15）：144-151.

[30]SZOSTAK B， SPECHT M， BURDZIAKOWSKI P， et al. Methodology for performing bathymetric measurements of shallow waterbodies using an UAV，and their processing based on the SVR algorithm[J]. Measurement，2023，223：113720.

（責任編輯：徐 艷）