叶绿素含量是反映作物生长状况的重要生理指标。传统获取作物叶绿素含量的方法费时费力。无人机遥感平台的快速发展为大田作物叶绿素含量监测提供了新的可能。为提高玉米冠层叶绿素含量监测的效率和精度，本研究采集了玉米拔节期、抽雄期和灌浆期的RGB、多光谱( MS )和SPAD数据，构建了融合特征的数据集。基于BP神经网络( BP )、多层感知器( MLP )、支持向量回归( SVR )和梯度提升决策树( GBDT ) 4种机器学习算法建立玉米冠层叶绿素含量监测模型。结果表明，与单一特征方法相比，MS和RGB融合特征方法取得了更高的监测精度，R²值在0.808 ~ 0.896之间，RMSE值在2.699 ~ 3.092之间，NRMSE值在10.36 % ~ 12.26 %之间。结合MS - RGB融合特征数据的SVR模型对玉米冠层叶绿素含量的监测效果优于BP、MLP和GBDT模型，其R²为0.896，RMSE为2.746，NRMSE为10.36 %。综上，本研究表明利用MS - RGB融合特征方法和SVR模型可以有效提高叶绿素含量监测的精度。该方法减少了传统方法测量玉米冠层叶绿素含量的需要，便于对玉米作物营养进行实时管理。

图1 研究区场地及情况。注：D1 ~ D3分别表示5.7株/ m²、6.3株/ m²、6.9株/ m²的不同密度。

图2 无人机及其传感器。注：蓝色方框为MS传感器和RGB传感器，绿色方框为光强传感器。

表1 传感器技术参数。

图3 统计了玉米三个生育时期和全生育期的SPAD值。

表2 本研究选用的植被指数。注：RR为红色波段反射率，RG为绿色波段反射率，RB为蓝色波段反射率，RNIR为近红外波段反射率，RREG为红边波段反射率。

表3 本研究选取的特征参数。注：L表示灰度级数，µ表示图像的均值，p( i , j)表示图像中灰度级i和j的联合概率，σ²表示方差。P( i , j , d , θ)为图像中相邻像素对的灰度协方差矩阵，其中i、j为像素灰度级，d为像素对之间的距离，θ为像素对之间的方向。

图4 RGB原始图像( a )和去除土壤背景后的RGB图像( b )。

图5 本研究的Rkflow图。

图6 研究了玉米3个生育时期和全生育期的植被指数与冠层叶绿素含量的相关性。

图7 研究了玉米3个生育时期和完熟期的颜色、纹理特征与冠层叶绿素含量的关系。注：NR代表归一化红光参数，NG代表归一化绿光参数，NRGD代表归一化红绿差，NB代表归一化蓝光参数，NRBD代表归一化红蓝差，R代表红光参数，G代表绿光参数，B代表蓝光参数，GRD代表绿红差，GRR代表绿红比，ENE代表纹理能量，COR代表纹理相关性，STD代表纹理标准差，CON代表纹理对比度，SMO代表纹理平滑度，UNI代表纹理均匀度，THM代表纹理第三阶矩，ENT代表纹理熵。

图8 基于植被指数特征的BP、MLP、SVR和GBDT监测叶绿素含量的散点图。注:红色实线为拟合线，黑色虚线为1:1线。

图9 基于颜色和纹理特征的BP、MLP、SVR和GBDT监测叶绿素含量散点图。注:红色实线为拟合线，黑色虚线为1:1线。

图10 基于RGB和MS融合特征的BP、MLP、SVR和GBDT监测叶绿素含量散点图。注:红色实线为拟合线，黑色虚线为1:1线。

图11玉米拔节期、抽雄期和灌浆期冠层叶绿素含量监测的时空分布。

图12比较了MS数据与SVR相结合的模型和RGB数据与SVR相结合的模型在玉米拔节期、抽雄期和灌浆期监测冠层叶绿素含量的精度。注：( a.1 )表示采用MS数据的玉米拔节期，( a.2 )表示采用MS数据的玉米抽雄期，( a.3 )表示采用MS数据的玉米灌浆期，( b.1 )表示采用RGB数据的玉米拔节期，( b.2 )表示采用RGB数据的玉米抽雄期，( b.3 )表示采用RGB数据的玉米灌浆期。实线表示拟合直线，虚线表示1：1直线。

图13 玉米3个生育期和全生育期的R²、RMSE和NRMSE分布。注：横坐标R、M和( M + R)分别表示RGB数据、MS数据以及融合RGB和MS数据。编号1、2、3、4分别对应拔节期、抽雄期、灌浆期、盛产期的生育期。R1表示使用RGB数据的玉米拔节期，其他类似。