基于优化后的多源无人机遥感指数，在滴灌猕猴桃果园中改进了叶面积指数的估算方法

《Computers and Electronics in Agriculture》：Enhanced leaf area index estimation in the Drip-Irrigated kiwifruit orchard based on optimized multi-source UAV-based indices

猕猴桃叶面积指数（LAI）的无人机多源遥感优化与机器学习模型研究。通过融合多光谱、热红外及纹理特征构建VI_MS、VI_MT、VI_TT植被指数，结合六种小样本机器学习模型（SVR、RFR、GDBTR、LGBMR、XGBR、CatBoostR），结果表明VI_MT与随机森林（RFR）组合在生长阶段LAI估算中表现最优，全周期估算R2为0.893±0.083，阶段特异性估算R2达0.916±0.036。

　　

朱世丹|崔宁波|郭丽|吴九江|王志辉|江守正|邢立文|吴宗军|陈飞|刘全山

四川大学水资源与水电学院，成都650065，中国

摘要

准确及时的叶面积指数（LAI）估算对于监测猕猴桃树冠生长和支持精准果园管理至关重要。无人机遥感技术被广泛用于LAI估算，但依赖单一传感器或固定波段组合的传统方法在估算不同生长阶段的多年生果树LAI时表现不佳。为了解决这个问题，本研究利用无人机获取的多光谱和热红外数据及其衍生的纹理特征，开发了优化的光谱指数（VI_MS）、光谱-纹理指数（VI_MT）和热红外-纹理指数（VI_TT）。随后构建了六种机器学习回归（MLR）模型用于LAI估算，包括支持向量回归（SVR）、随机森林回归（RFR）和四种基于提升的算法。结果表明：（i）优化的VI_MS、VI_MT和VI_TT在各个生长阶段都增强了与LAI的相关性，其中VI_MT表现最佳；（ii）在所有模型中，RFR的预测准确性最高，其次是基于提升的算法，而SVR的表现最差；（iii）将VI_MT与RFR结合使用进一步提高了猕猴桃LAI估算的准确性。值得注意的是，特定生长阶段的LAI估算优于整个生长周期的估算，平均R²值分别为0.916 ± 0.036和0.893 ± 0.083，平均MAE值分别为0.039 ± 0.008和0.043 ± 0.017。总体而言，在不同条件下，将优化的VI_MT与RFR或提升模型结合使用可以提高猕猴桃LAI估算的准确性。这些结果为变化农业环境中的果园树冠动态监测提供了新的见解。

引言

叶面积指数（LAI）是指总叶面积与地面面积的比率。它是直接反映植物活力和生产力的核心农艺参数（Hirose, 2005）。猕猴桃（Actinidia chinensis）是一种全球广泛种植的高价值园艺作物，因其丰富的营养价值和较高的经济效益而受到青睐（Ward et al., 2013, Zhang et al., 2022）。准确的猕猴桃LAI估算是精准果园管理的基础，它可以量化树冠生长动态，指导灌溉、施肥、修剪和病虫害控制，从而直接影响果实产量和质量。

传统的LAI测量方法（如破坏性采样、落叶收集）劳动强度大且耗时，限制了其在大型果园中的适用性（Bréda, 2003, Jung et al., 2023）。基于卫星的遥感（RS）覆盖范围广，解决了可扩展性问题（Chen and Cihlar, 1996, Jiang et al., 2023, Rui et al., 2024）。然而，由于轨道固定和云层干扰，其时间分辨率较低，无法提供实时数据，而这对于需要实时树冠反馈的滴灌系统至关重要。

配备多源传感器的无人机（UAV）成为了一种有前景的替代方案。它们能够灵活、频繁（例如每天或每周）获取高分辨率（厘米级）的图像，支持对树冠LAI动态的精细监测（Chatterjee et al., 2025, Gong et al., 2021, Huang et al., 2023, Pappalardo et al., 2023）。尽管取得了进展，现有的基于UAV的猕猴桃LAI估算方法仍存在明显局限性。消费级RGB传感器成本效益高，但对云层引起的光照变化敏感，降低了复杂猕猴桃树冠下的指数准确性（Deery et al., 2021, Fu et al., 2020, Wang et al., 2023）。高光谱传感器可以捕获数百个窄光谱带，从而精确提取植被的生物物理特性（Guo et al., 2023）。然而，高昂的采集成本、庞大的数据量和光谱冗余限制了其在果园中的广泛应用（Cheng et al., 2025）。成本效益高的多光谱（MS）和热红外（TIR）传感器提供了一个平衡的解决方案（Pappalardo et al., 2023, Sankaran et al., 2015, Yang et al., 2023）。然而，大多数研究依赖于固定的UAV衍生指数（如植被指数[VIs]、植被覆盖度[FVC]、作物水分胁迫指数[CWSI]）（Banerjee et al., 2018; S. Liu et al., 2023, Luan et al., 2021, Verma et al., 2022），并且使用预定的纹理指标（如对比度、均匀性）（Wang et al., 2024, Yuan et al., 2023, Zhang et al., 2022）。这些静态特征缺乏灵活性，导致在不同生长阶段和环境下的LAI估算效果不佳（Tombesi et al., 1994）。

最初为地面高光谱遥感开发了最优敏感波段组合算法（Fan et al., 2023, Haboudane et al., 2004, Liu et al., 2023, Zhang et al., 2020, Zhang et al., 2021）。该算法针对对目标参数高度敏感的波段，减少了数据冗余并提高了模型效率，从而解决了静态特征的缺陷。最近的研究将此算法与UAV多模态数据（MS、TIR和纹理指标）结合使用，以优化特征组合。这种方法可以充分利用光学遥感信息，平衡成本和准确性，成为提高中小型农田生长阶段树冠参数反演准确性的有效方法（Liu et al., 2024, Qiao et al., 2024, Shi et al., 2024, Yu et al., 2024）。例如，Yang et al.（2023）发现优化的UAV MS-纹理指数在玉米LAI反演中的表现优于TIR纹理指数，其组合使R²提高了6.55%-14.48%。Huang et al.（2023）表明，当LAI超过4.0时，来自5波段MS数据的优化VI优于地面高光谱数据（最大R² = 0.82）。Yuan et al.（2023）报告称，来自UAV光谱数据的优化纹理指数在水稻LAI估算中实现了最大R²为0.92和低RMSE为0.08。

机器学习回归（MLR）模型在处理多个变量之间的非线性关系方面表现出色，因此在农艺参数RS监测中得到广泛应用（Chang et al., 2022, Shahhosseini et al., 2020, Shao et al., 2021, Teshome et al., 2023）。集成学习模型主要分为三类：Bagging、Boosting和Stacking。Bagging的代表算法包括随机森林回归（RFR）（Breiman, 2001）。Boosting包括AdaBoost、梯度提升树回归（GDBTR）（Friedman, 2001）、极端梯度提升回归（XGBR）（Chen & Guestrin, 2016）、轻量级梯度提升机回归（LGBMR）（Ke et al., 2017）和分类提升回归（CatBoostR）（Veronika et al., 2018）。Stacking通过非线性策略组合基础学习器。最近的研究表明，这些集成学习模型对小样本数据的适应性更强，同时具有更高的准确性和更低的整体误差（Liu et al., 2021, Shu et al., 2022, Yu et al., 2022）。Martins et al.（2023）证实，RFR在监测咖啡果实成熟度方面表现更佳，结合光谱和纹理变量时的准确率更高（R² = 0.71，RMSE = 11.47%），而仅使用光谱变量时的准确率为R² = 0.67，RMSE = 12.09%。Pei et al.（2024）表明，结合VI、纹理特征和纹理指数以及XGBoost可以最佳预测棉花CWSI（R² = 0.90，RMSE = 0.05，RE = 5.84%）。Du et al.（2024）使用多角度光谱-纹理信息和堆叠模型进行油菜LAI估算（R² = 0.72，RMSE = 0.74）。Hussain et al.（2025）证实，结合UAV衍生VI、XGBoost、RF和LGBMR可以预测青豆和甜玉米的LAI（R²范围为0.72至0.90）。Yu et al.（2026）通过UAV-Sentinel-2融合应用XGBoost和RF进行冬小麦LAI估算，其中RFR的表现最佳（R² = 0.895，MAE = 0.216，RMSE = 0.295）。

大多数现有研究集中在田间作物上，很少有研究探索优化的UAV多源指数和小样本MLR模型用于猕猴桃LAI估算。此外，覆膜滴灌果园中的下层植被变化（如土壤、覆盖物）会干扰LAI估算（Tombesi et al., 1994, Zhang et al., 2022）。为了填补这些空白，本研究将树冠信息提取与单株网格方法相结合（Savian et al., 2020, Zhu et al., 2024），在单株水平上提取UAV多源遥感数据，以减少非树冠干扰并提高反演准确性。

本研究的主要目标是开发并评估来自UAV MS、TIR及其纹理特征的优化指数，从而在变化的田间条件下提高猕猴桃LAI估算的准确性。具体来说，设定了三个目标：（1）比较五种UAV衍生特征集在四个关键果实生长阶段和整个生长周期（Stage All）中捕捉猕猴桃LAI动态的表现。这五种特征集包括传统UAV特征（UAV_feature）、UAV纹理特征（UAV_texture）、最优多光谱植被指数（VI_MS）、最优多光谱纹理指数（VI_MT）和最优热红外纹理指数（VI_TT）；（2）评估六种小样本MLR模型（SVR、RFR、GDBTR、LGBMR、XGBR和CatBoostR）在LAI估算中的适用性和有效性；（3）筛选在不同生长阶段进行LAI估算的最佳UAV指数和MLR模型组合。本研究有望为变化环境和生长条件下的猕猴桃果园提供一种高效准确的LAI监测方法。

实验设计

田间实验于2021年至2023年5月至9月在中国陕西省武功市的一个9年生猕猴桃果园进行（34°28′49″N, 107°53′20″E, 海拔400米）（图1a, b）。实验地点位于亚湿润气候的暖温带。表1显示了2021年至2023年的猕猴桃生长阶段及其对应的气象数据。从果实坐果阶段（Stage Ⅱ）到果实成熟阶段（Stage Ⅴ），平均温度为

猕猴桃LAI与UAV衍生多源指标的相关性分析

图4显示了2021年至2023年生长阶段II至V期间猕猴桃LAI与UAV衍生多源指标（UAV_feature和UAV_texture）之间的相关性。在生长阶段IV（树冠生长旺盛期），FVC与LAI呈显著正相关，平均r值为0.416（p < 0.01）。在2021年（Stage All）和2022年树冠状况较好的情况下，NIR、RE₇₄₀、RE₇₁₇等光谱带以及SAVI和EVI等VI对LAI的敏感性更高。

不同生长阶段下最优多源指数对LAI的不同响应

本研究探讨了最优多源指数在不同生长阶段对LAI的响应，为树冠动态和环境影响提供了见解（Cholula et al., 2024, Wu et al., 2024）。一个核心发现是，最优VI_MT在所有单独生长阶段和整个生长周期中表现良好，其平均R²、MSE和MAE值分别为0.893 ± 0.041、0.004 ± 0.001和0.044 ± 0.008（详见补充表S5-S9）。VI_MT整合了

结论

本研究探讨了从UAV MS和TIR数据衍生的多源指数在估算不同生长阶段猕猴桃LAI方面的潜力。通过优化UAV特征、UAV纹理指标以及最优的VI_MS、VI_MT和VI_TT，并结合六种小样本MLR模型，我们建立了一个稳健的猕猴桃LAI估算框架。主要发现如下：（1）优化的VI在所有生长阶段中的表现显著优于传统的单一指数。

CRediT作者贡献声明

朱世丹：撰写 – 审稿与编辑，撰写 – 原稿，方法论，调查，正式分析，数据管理，概念化。崔宁波：监督，项目管理，资金获取。郭丽：撰写 – 审稿与编辑。吴九江：撰写 – 审稿与编辑，正式分析。王志辉：撰写 – 审稿与编辑。江守正：项目管理，资金获取。邢立文：监督，方法论。吴宗军：监督，概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。