农业机械学报

作者：鲁星星，向友珍，李志军，张智韬，陈俊英，张富仓

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：大豆;叶绿素含量;无人机;多光谱;纹理指数;纹理特征

基金：国家自然科学基金项目（52179045）

高效获取作物叶绿素含量对农业生产具有重要意义，可为农户提供精准的数据基础，实施及时有效的田间管理策略，最大程度提高作物生长效率和产量。本文采用无人机多光谱技术，通过连续2年的田间试验（2021—2022年），采集了大豆叶片SPAD值和相应的无人机多光谱图像，建立了冠层纹理特征和随机提取的纹理指数组合。通过分析这些参数与大豆叶片SPAD值的相关性，选取相关系数显著（P<0.05）的参数作为模型输入变量（组合1：纹理特征；组合2：随机提取的纹理指数；组合3：纹理特征和随机提取的纹理指数组合）。随后利用随机森林（Random forest，RF）、反向传播神经网络（Backpropagation neural network，BPNN）和极端梯度提升树（Extreme gradient boosting，XGBoost）3种机器学习模型对大豆叶片SPAD值进行估算建模。结果表明：大部分纹理特征与大豆叶片SPAD值的相关系数达到显著水平（P<0.05），MEA为与大豆叶片SPAD值相关系数最高的纹理特征，其相关系数为0.642。而随机组合的纹理指数与大豆叶片SPAD值相关系数达到极显著水平（P<0.01），差值纹理指数（DTI）为与大豆叶片SPAD值相关系数最高（0.761）的纹理指数，纹理组合为（MEA2，MEA5）。总体而言，输入组合3并结合XGBoost模型对大豆叶片SPAD值进行估算的效果最佳，估算模型验证集决定系数R2为0.883，均方根误差为0.886，平均相对误差为1.638%。研究结果为无人机多光谱监测大豆叶片叶绿素含量奠定了基础，为快速评估作物生长情况提供了依据。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期