摘要
使用无人机多光谱影像准确监测核桃树整个生长周期内的叶面积指数（LAI）对于数字化果园管理至关重要。本研究以新疆的‘Wen 185’核桃品种为例，在四个关键生长阶段（扩展期、硬壳期、油脂转化期和成熟期）同时获取了无人机多光谱图像和地面测量的LAI数据。共提取了25个植被指数和48个从灰度共生矩阵中得到的纹理特征。采用了一种混合特征选择方法，结合了线性（皮尔逊相关性）、非线性（最大信息系数和随机森林重要性）以及多重共识策略来减少特征冗余。构建了四种LAI预测模型：随机森林（RF）、支持向量机（SVM）、LASSO和岭回归（RR），并通过SHAP分析提高了模型的可解释性。结果表明，多重共识筛选方法平均减少了69.6%的特征冗余。SHAP分析确定了五个核心特征：Redge_750_Mean、NDVI、B_Mean、RENDVI和G_Homogeneity。值得注意的是，特征的重要性随着物候期的变化而显著变化：在扩展期，纹理特征占主导地位；而在硬壳期和油脂转化期，红边指数（RENDVI和Redge_750_Mean）变得更为重要，有效缓解了传统指数（如NDVI）在LAI范围1.5–5.8内常见的饱和问题。结合“红边光谱+空间纹理”的混合特征子集与随机森林算法在所有生长阶段都表现出优异的性能，其中油脂转化期的RPD值超过了2.0，表明其具有出色的估算能力。本研究证明，“质量优先于数量”的特征选择策略不仅降低了模型复杂性，还实现了整个核桃生长周期的高精度、动态LAI监测，为干旱地区的大规模果园智能管理提供了科学依据。
