基于无人机多光谱影像与LASSO回归的棉花叶片SPAD和LAI值优化估测研究

本研究针对新疆棉花黄萎病监测需求，创新性地结合无人机多光谱遥感与机器学习算法，通过LASSO回归筛选植被指数(VI)和纹理特征，构建ACO-RF优化模型实现棉花叶绿素含量(SPAD)和叶面积指数(LAI)的高精度反演。研究发现红边(REG)和近红外(NIR)波段对病害响应敏感，最优模型在铃期达到R2 0.898(RMSE=1.523)和0.893(RMSE=3.308)，为作物病害早期诊断提供可扩展的技术方案。

　　

在全球最大的棉花产区新疆，黄萎病(Verticillium wilt)每年造成严重经济损失，传统监测方法依赖破坏性采样且效率低下。随着无人机(UAV)遥感技术的发展，如何通过非接触式手段精准评估作物生理状态成为研究热点。棉花叶片的叶绿素含量(SPAD)和叶面积指数(LAI)是反映黄萎病胁迫的关键指标，但现有技术存在特征提取不充分、模型泛化能力弱等问题。

新疆阿拉尔市的研究团队在《Smart Agricultural Technology》发表论文，利用大疆Mavic 3 M无人机采集棉花开花期、花铃期和铃期多光谱数据，结合地面SPAD-502叶绿素仪和LAI-2000冠层分析仪测量值，开发了一套融合光谱-纹理特征的机器学习算法。研究通过分析300个样本点的数据，发现红波段(650nm)与SPAD呈强负相关(r=-0.784)，而近红外波段(860nm)与LAI相关性最高(r=0.673)。

关键技术包括：(1)采用灰度共生矩阵(GLCM)提取8种纹理特征；(2)使用LASSO回归从156个特征中筛选关键变量；(3)构建最小二乘法(LSM)、灰狼优化支持向量机(GWO-SVM)和蚁群优化随机森林(ACO-RF)三种模型对比。

【多光谱特征分析】
通过飞行高度50米的无人机获取数据，发现染病棉田在红边波段(730nm)反射率显著降低。SPAD与光化学反射指数(PPR)相关性最高(r=0.84)，LAI则与超绿指数(EXG)关联最强(r=0.92)，这与叶片结构破坏导致的近红外反射特性改变有关。

【特征优化】
LASSO回归筛选出EGRBDI-PPR(SPAD)和EXG-Variance_NIR(LAI)作为最优特征组合。纹理特征中NIR波段的方差指标贡献突出，印证了病害引发的冠层异质性变化。

【模型性能】
ACO-RF模型在铃期表现最优：SPAD反演R²达0.898，较传统LSM提升54.8%；LAI预测RMSE仅3.308，验证集RPD(相对预测偏差)为2.6571，显示优异泛化能力。空间制图清晰呈现北部健康区域(SPAD 58.7-63.2)与南部病区(51.3-59.1)的分布差异。

讨论指出，该研究首次将蚁群算法(ACO)与随机森林(RF)结合用于棉花生理参数反演，通过特征工程突破了单一植被指数的局限性。无人机平台50米飞行高度下2cm的空间分辨率，实现了田块级精准监测，为智慧农业提供了可推广的技术范式。未来可结合深度学习进一步提升早期病害识别率。

这项工作的核心价值在于：建立了首个针对黄萎病棉田的多特征融合监测体系，ACO-RF模型R²突破0.89的技术瓶颈，推动作物表型分析从实验室走向大田应用。研究成果为干旱区棉花精准管理提供了新范式，对保障我国棉花产业安全具有重要意义。