1、引言

葉綠素是作物葉片中主要的光合色素，葉片中葉綠素含量（Leaf Chlorophyll Content，LCC）是反映作物光合作用能力和冠層營(yíng)養(yǎng)狀況的重要指標(biāo)。煙草作為重要經(jīng)濟(jì)作物，以葉片為主要收獲對(duì) 象，因此葉綠素含量監(jiān)測(cè)非常重要。傳統(tǒng)的煙草農(nóng)業(yè)監(jiān)測(cè)受田間管理模式及生產(chǎn)設(shè)備的限制，費(fèi)時(shí)、費(fèi)力，效率低下。相較于采用衛(wèi)星遙感和近地面高光譜人工采集方式，無(wú)人機(jī)遙感具有分辨率高、效率快、范圍廣的特點(diǎn)，因此在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)方面得以迅速發(fā)展和大面積推廣應(yīng)用。研究表明，基于植被指數(shù)（Vegetation Index，VI）的遙感監(jiān)測(cè)具有時(shí)空連續(xù)性，方便對(duì)作物長(zhǎng)勢(shì)信息進(jìn)行長(zhǎng)期監(jiān)測(cè)，在葉綠素估測(cè)中具有較高的應(yīng)用價(jià)值。

通過(guò)高光譜數(shù)據(jù)進(jìn)行煙草冠層LCC的定量分析具有重要意義和應(yīng)用價(jià)值。為實(shí)現(xiàn)烤煙 LCC 的快速估測(cè)，本研究利用無(wú)人機(jī)獲取 6個(gè)不同移栽生育期烤煙葉高光譜影像，通過(guò)篩選光譜參數(shù)，利用一元線性回歸（Unary Linear Regression，ULR）、多元線性回歸（Multivariable Linear Regression，MLR）和PLSR三種傳統(tǒng)回歸方法，支持向量回歸（Support Vector Regression，SVR）和RFR兩種機(jī)器學(xué)習(xí)建模方法分別構(gòu)建烤煙的LCC估測(cè)模型，并獲得最優(yōu)估測(cè)模型，為利用無(wú)人機(jī)遙感開(kāi)展田間烤煙長(zhǎng)勢(shì)信息快速、無(wú)損監(jiān)測(cè)提供技術(shù)支持。

2、材料與方法

2.1 試驗(yàn)材料

試驗(yàn)田位于河南省頂山市郟縣植煙區(qū)（112°14′~113°45′E，33°08′~34°20′N），屬于溫帶大陸性季風(fēng)氣候，氣候溫和，雨量充沛，年日照率 53%，平均氣溫 15.7℃，無(wú)霜期220天，常年降水量678.5 mm?？緹熎贩N為中煙 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。設(shè)置5個(gè)水平氮肥梯度，N0~N4處理分別為0.0、24.0、 48.0、72.0、96.0 kg/hm²，每個(gè)處理設(shè)置三次重復(fù)， 共15個(gè)小區(qū)，每個(gè)小區(qū)面積約為144 m²（15.2 m× 9.5 m），如圖 1 所示。其他栽培和管理方法按照當(dāng) 地優(yōu)質(zhì)煙草栽培方式進(jìn)行。

圖 1 河南省平頂山市烤煙試驗(yàn)地研究區(qū)分布圖

2.2 數(shù)據(jù)獲取

2.2.1無(wú)人機(jī)高光譜影像獲取

獲取烤煙6個(gè)生育期32、48、61、75、89和109 d的影像。選擇中午晴朗、無(wú)風(fēng)、無(wú)云的天氣條件，采用無(wú)人機(jī)搭載高光譜成像儀，包含150個(gè)波段的光譜數(shù)據(jù)。地面試驗(yàn)樣品采集與無(wú)人機(jī)飛機(jī)作業(yè)同步進(jìn)行。試驗(yàn)于上述烤煙生育期11∶00—14∶00進(jìn)行測(cè)定。無(wú)人機(jī)飛行作業(yè)時(shí)，需經(jīng)過(guò)布置在試驗(yàn)地的靶標(biāo)布便于后期輻射定標(biāo)處理數(shù)據(jù)，設(shè)置航高100 m， 飛行速度 3 m/s，最小定時(shí)拍照間隔 1.0 s，航向重疊率 80%，旁向重疊率70%，鏡頭垂直朝下，焦距 17 mm。

2.2.2烤煙LCC的實(shí)驗(yàn)室測(cè)定

分別獲取移栽后 32、48、61、75、89 和 109 d 共6個(gè)生育期烤煙冠層葉片進(jìn)行LCC測(cè)定。每個(gè)小區(qū)進(jìn)行隨機(jī)破壞性采樣3株，每次數(shù)據(jù)采集共獲取45個(gè)地面樣本。將烤煙冠層葉片轉(zhuǎn)移到實(shí)驗(yàn)室測(cè)定LCC。用2mm打孔器收集新鮮樣品，混勻后稱量0.1g碎片，再浸入15 ml的95%乙醇溶液中。在浸提液制備完成后，將其保存在低溫、避光和密閉的容器中，在黑暗中提取葉綠素 24 h。暗處理后，葉子呈白綠色，使用比色分光光度計(jì)測(cè)量葉片色素密度。提取的 LCC（Ct）由665和649nm處的吸光度值計(jì)算 。LCC 計(jì)算方法如公式 （1） ~ （3） 所示。

C_a= 13.95×A665-6.88×A649（1）

C_b = 24.96×A649-7.32×A665（2）

C_t= （Ca+Cb）×V/1000×W （3）

其中，C_a和 C_b分別表示葉綠素 a 濃度和葉綠素b濃度，mg/L；V 表示浸提液的體積，mL；W 表示葉片的質(zhì)量，g；A665和A649分別為665和649nm處的吸光度值。

2.3 光譜參數(shù)的選定

為了降低土壤背景、大氣水分等環(huán)境因素對(duì)冠層反射率的干擾，大多數(shù)研究人員通過(guò)利用 VI 增強(qiáng)作物光譜信息的特征并且實(shí)現(xiàn)高光譜數(shù)據(jù)信息降維 。本研究將通過(guò)兩方面選取構(gòu)建烤煙 LCC 估測(cè)模型的光譜指數(shù)：一是基于已發(fā)表的對(duì)作物L(fēng)CC敏感的18種植被指數(shù)；二是基于波段400~ 1000nm范圍內(nèi)任意兩個(gè)波段隨機(jī)組合的差值光譜指數(shù) （Difference Spectral Index，DSI）、比值光譜指數(shù) （Ratio Spectral Index，RSI） 和歸一化光譜指數(shù)（Normalized Spectral Index，NDSI），同時(shí)計(jì)算3種光譜指數(shù)與LCC 的相關(guān)性并繪制相關(guān)性等勢(shì)圖，最終篩選相關(guān)系數(shù)最優(yōu)的波段組合為組合光譜指數(shù)對(duì)LCC進(jìn)行研究。所選取的光譜參數(shù)如表 1 所示。

表1光譜參數(shù)和計(jì)算公式

2.4 模型的構(gòu)建與檢驗(yàn)

為了在保證模型訓(xùn)練充分的同時(shí)，盡可能減少模型過(guò)擬合的風(fēng)險(xiǎn)，以建模集和驗(yàn)證集樣本比例 2∶1、每個(gè)生育期45個(gè)樣本根據(jù)比例隨機(jī)劃分烤 煙樣本數(shù)據(jù)。首先對(duì)選定的光譜參數(shù)和LCC進(jìn)行相關(guān)性分析以篩選對(duì)LCC敏感的光譜指數(shù)，然后將篩選出的光譜參數(shù)作為自變量。參考其他無(wú)人機(jī)高光譜估測(cè)作物長(zhǎng)勢(shì)信息所選擇的模型及常見(jiàn)機(jī)器學(xué)習(xí)模型的優(yōu)勢(shì)，采用一元線性回歸 （Unary Linear Re‐ gression，ULR）、MLR 和PLSR這三種傳統(tǒng)線性模型，以及 SVR 和 RFR 兩種機(jī)器學(xué)習(xí)方法對(duì)單個(gè)生育期和全生育期烤煙LCC進(jìn)行預(yù)估。采用決定系數(shù)R²和均方根誤差（Root Mean Square Error， RMSE）對(duì)模型進(jìn)行精確性和魯棒性檢驗(yàn)。

3、材料與方法

3.1 烤煙LCC變化

表2描述的是烤煙冠層LCC在不同生育期的變化情況 （實(shí)驗(yàn)室測(cè)定結(jié)果）。

表2 不同生育期烤煙冠層葉片LCC的變化

結(jié)果表明，烤煙生長(zhǎng)前期，冠層 LCC 會(huì)迅速增加，在團(tuán)棵期或旺長(zhǎng)期LCC達(dá)到頂峰；烤煙進(jìn)入成熟期后，冠層葉片氮素發(fā)生轉(zhuǎn)移，LCC開(kāi)始減少，而烤煙冠層LCC在現(xiàn)蕾期會(huì)進(jìn)一步降低。從整體來(lái)看，冠層LCC符合先增后減的變化趨勢(shì)，在移栽后75 d（旺長(zhǎng)期）LCC達(dá)到最大，之后開(kāi)始逐漸下降。在各生育期中移栽后89d變異系數(shù)最大，為28.43%，其余不同生育期的變異系數(shù)相差不大，范圍為20.38%~25.26%，各個(gè)生育期的變異系數(shù)均低于全生育期。全生育期樣本范圍為0.52~2.95 mg/g，其標(biāo)準(zhǔn)差和變異系數(shù)的數(shù)值表明LCC的離散程度較大，反映出試驗(yàn)地不同處理肥力之間是有差異的，也保證 了估測(cè)模型在一定范圍內(nèi)適用。

3.2 烤煙LCC和光譜參數(shù)的相關(guān)性分析

3.2.1 植被指數(shù)與烤煙LCC的相關(guān)性

將6個(gè)生育期的烤煙LCC與植被指數(shù)進(jìn)行相關(guān)性分析，結(jié)果如表3所示。

表3 不同生育期烤煙LCC與植被指數(shù)的相關(guān)系數(shù)

由表3可知，除移栽后109d，其余生育期大部 分植被指數(shù)和 LCC 呈極顯著相關(guān) （p<0.01），且大部分植被指數(shù)與葉綠素是正相關(guān)。其中，移栽后32d，除TCARI和PPR表現(xiàn)出不相關(guān)，其余均為極顯著相關(guān)，最大相關(guān)系數(shù)是0.771，為光譜指數(shù)NDRE；移栽后48 d，TCARI 和PPR為無(wú)顯著相關(guān)，TCARI/OSAVI 呈顯著相關(guān) （p<0.05），其余為極顯著相關(guān)，mND705作為相關(guān)性最優(yōu)的植被指數(shù)，其相關(guān)系數(shù)為 0.779；移栽后 61 d至移栽后89d， 這三個(gè)生育期的植被指數(shù)均為極顯著相關(guān)，PPR、TCARI和TCARI/OSAVI表現(xiàn)為極顯著負(fù)相關(guān)，但三個(gè)生育期相關(guān)性最高的植被指數(shù)各不相同，移栽后61d相關(guān)性最高為mND705，移栽后75d相關(guān)性最 高為 NIR，移栽后89d相關(guān)性最高為TCARI/OSA‐ VI，其相關(guān)系數(shù)分別為0.870、0.902和0.877；移栽 后109d，除了PPR、TCARI和TCARI/OSAVI表現(xiàn)為極顯著負(fù)相關(guān)，REP呈顯著相關(guān)，其余植被指數(shù)無(wú)顯著相關(guān)。全生育期樣本中所有植被指數(shù)和LCC 極顯著相關(guān)，VOG 的相關(guān)性最大，其相關(guān)系數(shù)為0.771。此外，在各個(gè)生育期紅邊位置的植被指數(shù)。LCC含量的相關(guān)性均優(yōu)于其他植被指數(shù)，其中NDRE、CIre、RNDVI、VOG以及mND705在不同生育期的相關(guān)性，除了移栽后109 d，相關(guān)系數(shù)均在 0.67以上，均呈極顯著相關(guān)。以上結(jié)果表明，VI對(duì) LCC的敏感性與作物生長(zhǎng)階段密切相關(guān)。隨著生育期推進(jìn)，葉片中的葉綠素會(huì)發(fā)生轉(zhuǎn)移或降解，這意味著有些 VIs不能用于估測(cè) LCC。因此，確定不同 生長(zhǎng)階段VIs對(duì)LCC的敏感性對(duì)于基于無(wú)人機(jī)高光 譜圖像的作物參數(shù)估計(jì)非常重要。對(duì)全生育期而言，相關(guān)系數(shù)絕對(duì)值較大的植 被指數(shù)里絕大部分是紅邊位置反射率的植被指數(shù)。在不同生育期相關(guān)性最優(yōu)的指數(shù)分別為 NDRE（32 d）、mND705（48d、61d）、NIR （75 d）、TCA‐ RI/OSAVI（89d）、TCARI （10d）以及VOG（全生育期）。分析原因可能是因?yàn)镹DRE、mND705、NIR 和VOG主要使用紅邊位置和近紅外波段信息， 這類植被指數(shù)對(duì)于烤煙LCC的建模估測(cè)具有較好的應(yīng)用潛力，參與建模可以有效提升模型的精確度和魯棒性 。

3.2.2 組合光譜指數(shù)與烤煙LCC的相關(guān)性

以無(wú)人機(jī)高光譜波段范圍400~1000 nm內(nèi)任意兩波段 組合計(jì)算得到的光譜指數(shù) RSI、DSI和 NDSI，并與葉片葉綠素進(jìn)行相關(guān)性分析。計(jì)算并繪制各個(gè)生育期和全生育期的相關(guān)性等勢(shì)圖，如 圖2和圖3所示。

圖2不同生育期烤煙LCC和組合光譜指數(shù)的相關(guān)性等勢(shì)圖

圖3基于全生育期烤煙LCC和組合光譜指數(shù)的相關(guān)性等勢(shì)圖

結(jié)果表明，除了移栽后109d，各生育期的敏感波段相對(duì)較為集中，與LCC相關(guān)性較高的光譜指數(shù)組合主要分布在780~940nm和520~710nm之間，移栽后109d相較其他生育期效果不佳。三種隨機(jī)組合的光譜指數(shù)大部分小于相關(guān)系數(shù) 0.3801， 達(dá)到極顯著相關(guān)水平的區(qū)域較少。全生育期的敏感波段相對(duì)較為分散，不同光譜指數(shù)之間規(guī)律相差不大，但相較于傳統(tǒng)植被指數(shù)，其相關(guān)性有很大提升。以光譜指數(shù)與烤煙LCC相關(guān)性最高為原則，篩選出不同生育期和全生育期相關(guān)系數(shù)最優(yōu)的21種 組合光譜指數(shù)，如表4所示。

表4 烤煙不同移栽生育期組合光譜指數(shù)入選波段和LCC相關(guān)系數(shù)

結(jié)果表明，相較于已有的植被指數(shù)，組合光譜指數(shù)和LCC的相關(guān)性有著更進(jìn)一步的提升，并且烤煙LCC與篩選出的最優(yōu)光譜指數(shù)均通過(guò)0.01水平的顯著性檢驗(yàn)。對(duì)比三種組合光譜指數(shù)，歸一化光譜指數(shù)與烤煙LCC在移栽后32、48、61、75和109d 相關(guān)性最高，這些生育期的最優(yōu)波段組合為797和719nm、727和697nm、 736和706 nm、775和745nm 以及455和541nm， 其相關(guān)系數(shù)分別為0.795、0.805、0.878、0.912和 0.669；組合差值光譜指數(shù)在移栽后89d時(shí)與LCC相關(guān)性最高，DSI_{（R587，R579）}與烤煙LCC的相關(guān)系數(shù)為 0.892；比值光譜指數(shù)在全生育期數(shù)據(jù)集中相關(guān)系數(shù)最大，RSI_{（R736，R723）} 與烤煙LCC的相關(guān)系數(shù)為 0.807。

3.3 烤煙LCC估測(cè)模型的構(gòu)建

3.3.1基于單個(gè)自變量烤煙LCC估測(cè)模型

在葉片葉綠素和光譜參數(shù)相關(guān)性分析的基礎(chǔ)上，篩選出 6 個(gè)生育期和全生育期相關(guān)系數(shù) 最 高 的植被指數(shù) NDRE、MND705、NIR、TCARI/ OSAVI、 PPR 和 VOG， 光 譜 指 數(shù) NDSI_{（R797，R719）}、 NDSI_{（R727，R697）}、 NDSI_{（R736，R706）}、 NDSI_{（R775，R745）}、 DSI（_{R587，R579）}、RSI_{（R455，R541）}和 RSI_{（R736，R723）}，分別與烤煙葉片葉綠素建立ULR模型，建模集和驗(yàn)證集的估測(cè)結(jié)果如表5所示。

表5 不同生育期單個(gè)光譜參數(shù)的烤煙LCC估測(cè)模型及驗(yàn)證

各個(gè)生育期的組合光譜指數(shù)無(wú)論是建模集還是驗(yàn)證集，其估測(cè)精度大多優(yōu)于傳統(tǒng)植被，但不同生育期的光譜參數(shù)的表現(xiàn)存在差異。植被指數(shù)和優(yōu)化光譜指數(shù)從移栽后32d至移栽后75d，其建模集和驗(yàn)證集的精度是逐漸增加的， 移栽后75 d的NIR作為各個(gè)生育期估測(cè)效果最佳的植被指數(shù)模型，其建模集和驗(yàn)證集的R2分別是 0.814 和 0.829，RMSE 分別是 0.230 和 0.253，而移 栽后75d的NDSI_{（R775，R745）}是各個(gè)生育期估測(cè)精度最 佳的組合光譜指數(shù)，其建模集和驗(yàn)證集的R²分別是 0.822 和 0.862，RMSE分別是0.226和0.227；移栽 后75d至移栽后109d 建模集和驗(yàn)證集的精度開(kāi)始下降，而在移栽后109d時(shí)，植被指數(shù)和優(yōu)化組合光譜指數(shù)在各個(gè)生育期中估測(cè) LCC 的效果都是最差。相較于其他單個(gè)生育期，由不同生育期270個(gè)樣本組成的全生育期數(shù)據(jù)集估測(cè)表現(xiàn)較為不理想，VOG建模集和驗(yàn)證集的 R²分別是0.602和0.558，RMSE分別是0.348和 0.349，RSI_{（R736，R723）}建模集和驗(yàn)證集的R²分別是 0.636 和 0.686，RMSE分別是0.333和0.304。

3.3.2基于多自變量烤煙LCC估測(cè)模型

基于高光譜遙感的作物生理生化參數(shù)估測(cè)的研究顯示，相較于構(gòu)建單一光譜參數(shù)估測(cè)模型，以多個(gè)光譜參數(shù)作為自變量的建模方法對(duì)估測(cè)模型精度和魯棒性都有較為明顯的提升。但由于自變量之間存在共線性的問(wèn)題，在構(gòu)建烤煙LCC估測(cè)模型過(guò)程中需要選取適當(dāng)數(shù)量的自變量來(lái)防止預(yù)測(cè)結(jié)果過(guò)度擬合。因此，本研究選擇每個(gè)生長(zhǎng)生育期以及全生育期數(shù)據(jù)集中相關(guān)系數(shù)最高的 7個(gè)植被指數(shù)和3個(gè)組合光譜指數(shù)作為 MLR、PLSR、SVR 和 RFR四種建模方法的自變量。各個(gè)生長(zhǎng)階段通過(guò)不同的 建模分析方式構(gòu)建烤煙LCC估測(cè)模型，模型的建模集和驗(yàn)證集估測(cè)效果如表6所示。 

表6不同生育期多個(gè)光譜參數(shù)的烤煙LCC估測(cè)模型

從表6的結(jié)果來(lái)看，相較于單個(gè)光譜參數(shù)，多個(gè)光譜參數(shù)的模型估測(cè)精度在各個(gè)生長(zhǎng)階段和全生育數(shù)據(jù)集中有著大幅度的提升。對(duì)比各個(gè)生育期的建模集估測(cè)精度發(fā)現(xiàn)，在移栽后32、48、61和109d，模型LCC-RFR的估測(cè)性能最好，R²分別為0.733、0.744、0.866和 0.678， RMSE分別為0.186、0.165、0.176和 0.120，而基于LCC-MLR的估測(cè)模型，在移栽后75和 89d效果最優(yōu)，R²和RMSE分別為0.893、0.850和0.214、0.217。對(duì)比驗(yàn)證集估測(cè)精度來(lái)看，移栽后32 d，模型LCC-MLR的估測(cè)精度最佳，R²和 RMSE分別為0.679和0.215，其余五個(gè)生育期模型LCC-RFR的估 測(cè)精度最佳，R²分別為0.757、0.832、0.919、0.842 和 0.580， RMSE分別為 0.173、 0.185、 0.146、 0.246和0.131。在全生育數(shù)據(jù)集中LCC-RFR模型的估 測(cè)精度較優(yōu)于LCC-MLR、 LCC-PLSR 和 LCC-SVR 模 型，對(duì)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%；對(duì)比驗(yàn)證集，R²增加了8.21%、12.62% 和8.17%，RMSE降低了3.76%、9.33%和4.55%。綜上所述，通過(guò)各個(gè)生育期的建模集和驗(yàn)證集 的估測(cè)精度對(duì)比分析，LCC-RFR 模型的估測(cè)效果 最為理想，LCC-MLR和LCC-SVR模型估測(cè)精度次之，LCC-PLSR 模型估測(cè)精度最差；不同生育期模 型預(yù)測(cè)精度和穩(wěn)定性由高到低分別為移栽后 75、61、89、48、32和109d。

3.3.3 烤煙LCC空間分布圖

根據(jù)不同生育期構(gòu)建的烤煙LCC估測(cè)模型結(jié)果可知，LCC-RFR估測(cè)模型的精度和穩(wěn)定性相對(duì)最佳。因此，本研究在消除土壤背景和雜草的干擾后，利用LCC-RFR 估測(cè)模型選擇烤煙三個(gè)生育期進(jìn)行無(wú)人機(jī)高光譜影像的反演填圖，得到了移栽后48、61和75d的烤煙LCC空間分布圖，如圖 4 所示。

圖 4烤煙不同生育期的LCC空間分布圖

整體來(lái)看，從移栽后48到75 d，隨著生育期的推進(jìn)顏色逐漸加深，表明烤煙LCC越來(lái)越大。不同重復(fù)之間也有所差異，烤煙長(zhǎng)勢(shì)分布由強(qiáng)到弱為 “重復(fù)三”“重復(fù)二”“重復(fù)一”，對(duì)于移栽后45 d， LCC的范圍在 14~1.9 mg/g之間，從移栽后61d 開(kāi) 始，重復(fù)一與重復(fù)二、重復(fù)三 LCC 的差異愈發(fā)明顯，重復(fù)一LCC 估測(cè)的范圍大多在 1.8~2.3 mg/g， 重復(fù)二和重復(fù)三估測(cè) LCC 大多在 2.1~2.5 mg/g 范圍內(nèi)。移栽后75d LCC 整體分布較密，LCC 的范圍在 2.2~3.1 mg/g之間，，這可能與烤煙生長(zhǎng)特性有關(guān)，在烤煙生育前期至旺長(zhǎng)期，烤煙LCC呈逐漸上升趨勢(shì)。通過(guò)估測(cè)多個(gè)生育期的LCC，在無(wú)人機(jī)高光譜圖像上反演的 LCC 空間分布與實(shí)測(cè)結(jié)果相符， 這表明無(wú)人機(jī)搭載高光譜成像儀可提供小范圍內(nèi)烤 煙 LCC 的空間分布信息，具有較高的分辨率和精 度，可以較好地分辨出烤煙各個(gè)生育期烤煙長(zhǎng)勢(shì) 區(qū)別。

4、討論

本研究通過(guò)將烤煙LCC與選取的光譜參數(shù)進(jìn)行相關(guān)分析，結(jié)果表明本研究構(gòu)建的組合光譜指數(shù)與 LCC的相關(guān)性明顯高于傳統(tǒng)植被指數(shù)，且基于單個(gè)光譜構(gòu)建LCC回歸模型中，前者的估測(cè)精度和穩(wěn)定性在各個(gè)生育期包括全生育期都優(yōu)于后者。前人研 究表明構(gòu)建組合光譜指數(shù)能夠有效減少外界環(huán)境因 素干擾，精準(zhǔn)識(shí)別作物生長(zhǎng)參數(shù)的敏感波段，對(duì)農(nóng)作物氮素、葉綠素和葉面積指數(shù)的監(jiān)測(cè)精度以及模 型魯棒性有顯著提升。但也有學(xué)者認(rèn)為，組 合光譜指數(shù)所包含的光譜信息不足，不能充分利用 從可見(jiàn)光到近紅外波段的高光譜數(shù)據(jù)信息。

因此，本研究采用傳統(tǒng)植被指數(shù)和優(yōu)化光譜指數(shù)相 合的方式試圖構(gòu)建更為綜合的烤煙 LCC 估測(cè)模型。試驗(yàn)結(jié)果表明，基于多個(gè)光譜參數(shù)組合構(gòu)建的烤煙 LCC估測(cè)模型精度和擬合性都優(yōu)于單個(gè)光譜參數(shù)構(gòu)建的模型。多個(gè)自變量可以有效避免光譜信息包含不足的情況，充分利用高光譜數(shù)據(jù)，但是光譜參數(shù)過(guò)多也容易出現(xiàn)共線性和過(guò)擬合的問(wèn)題，因此，今后研究需要關(guān)注對(duì)烤煙 LCC 估測(cè)模型自變量的控制。此外，不同生育期的模型精度各不相同，且隨著生育期的推進(jìn)，模型精度呈現(xiàn)先增后減的變化趨勢(shì)，這可能是由于烤煙在生長(zhǎng)發(fā)育的不同階段，伴隨著冠層結(jié)構(gòu)的變化、生物量的積累，以及在生殖生長(zhǎng)階段冠層葉片氮含量的分配，導(dǎo)致光譜參數(shù)的預(yù)測(cè)性能在不同階段發(fā)生變化。對(duì)比分析 MLR、PLSR、SVR 和 RFR 四種多自變量 LCC 估測(cè)模型， 基于RFR 模型估測(cè)烤煙LCC的精度和穩(wěn)定性效果 最好，主要原因是RFR建模時(shí)不易出現(xiàn)過(guò)擬合現(xiàn)象，能夠有效降低異常值和噪聲的干擾 。利用多生育期數(shù)據(jù)集構(gòu)建全生育期模型會(huì)降低模型預(yù)測(cè)精度 ，一方面可能是因?yàn)楣趯咏Y(jié)構(gòu)和土壤背景情況隨著生育期的推進(jìn)在不斷改變，由冠層光譜對(duì) LCC的響應(yīng)規(guī)律發(fā)生變化造成，另一方面，可能是 由不同生育期冠層光譜的測(cè)定誤差疊加造成。此外，目前本研究的數(shù)據(jù)集涵蓋了不同生育階段和氮素水平下的樣本，但構(gòu)建的組合光譜指數(shù)尚未在不同環(huán)境和年份中得到驗(yàn)證。為了提高模型的穩(wěn)健性和泛化能力，需要進(jìn)一步測(cè)試不同烤煙品種的適用性。

5、結(jié)論

本研究探索豫中煙區(qū)烤煙LCC與無(wú)人機(jī)高光譜影像的響應(yīng)規(guī)律，通過(guò)多種光譜指數(shù)與烤煙LCC的相關(guān)分析，構(gòu)建烤煙葉片葉綠素估測(cè)含量的ULR、 MLR、PLSR、SVR和RFR模型，得到以下結(jié)論：

（1） 所涉大部分植被指數(shù)和 LCC 呈極顯著相關(guān)。其中，移栽后 32—109 d 相關(guān)系數(shù)最大的植被指數(shù)分別是 NDRE、MND7₀₅、mND₇₀₅、NIR、TCA‐ RI/OSAVI和REP，全生育期數(shù)據(jù)集中所有植被指數(shù)與烤煙LCC均呈極顯著相關(guān)，VOG 的相關(guān)性最大 （r = 0.771）。

（2） 根據(jù)隨機(jī)兩兩波段組合的光譜指數(shù)與烤煙 LCC含量相關(guān)性最大原則，篩選出不同生育期和全 生育期相關(guān)系數(shù)最高的 21 種光譜指數(shù)，傳統(tǒng)植被 指數(shù)和組合光譜指數(shù)與LCC的敏感波段大多集中在紅邊位置，但整體上組合光譜指數(shù)的相關(guān)性較前者 更 為 出 色 ， 其中移栽 后75d的NDSI_{（R775，R745）}和RSI_{（R775，R745）} 的相關(guān)性最高，相關(guān)系數(shù)r均為0.912。

（3） 在葉片葉綠素和光譜參數(shù)相關(guān)性分析的基礎(chǔ)上，篩選出6個(gè)生育期和全生育期烤煙LCC相關(guān)性最高的光譜參數(shù)與烤煙葉片葉綠素分別建立ULR 模型，不同移栽生育期的優(yōu)化光譜指數(shù)無(wú)論是建模 集還是驗(yàn)證集其估測(cè)精度均較優(yōu)于傳統(tǒng)植被指數(shù)。

（4） 相較于單個(gè)光譜參數(shù)，基于多個(gè)光譜參數(shù)構(gòu)建模型的估計(jì)精度在各個(gè)生長(zhǎng)階段和全生育數(shù)據(jù) 集中均有大幅度提升，其中移栽后75d由LCCRFR 構(gòu)建的模型最佳，驗(yàn)證集R²和RMSE可達(dá)0.919和0.146。綜合來(lái)看，RFR模型的LCC估測(cè)效果最為理想，LCC-MLR和LCC-SVR模型估測(cè)精度次之，LCC-PLSR 模型估測(cè)精度最差；不同生育期 模型預(yù)測(cè)精度和穩(wěn)定性由高到低分別為移栽后75、 61、89、48、32和109d。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。

無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)通過(guò)獨(dú)特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無(wú)人機(jī)搭載推掃式高光譜照相機(jī)時(shí)，由于振動(dòng)引起的圖像質(zhì)量較差的問(wèn)題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。