冬小麥SPAD值無人機可見光和多光譜植被指數結合估算

牛慶林 馮海寬 周新國 朱建強 雍蓓蓓 李會貞

(1.中國農業科學院農田灌溉研究所， 新鄉 453002； 2.國家農業信息化工程技術研究中心， 北京 100097；3.長江大學農學院， 荊州 434025)

0 引言

葉綠素含量是表征作物健康狀態的重要指標，在不同生育期對作物施肥與田間管理具有指導意義[1]。隨著環境和生育期的變化，作物葉綠素含量也會發生相應變化，因此及時準確估算作物葉綠素含量具有重要意義[2]。傳統的葉綠素含量估測方法不僅具有破壞性，而且費時、耗力。葉綠素含量與SPAD(Soil and plant analyzer development)值具有較好的相關性[3-5]，作物葉片SPAD值是反映葉片葉綠素含量的有效指標，測量葉片SPAD值是葉片葉綠素含量無損測量的有效途徑，具有快速、便捷的優點。

隨著傳感器、物聯網、互聯網+、大數據和人工智能等技術的發展，農業遙感技術在農業領域的應用深度和廣度都在不斷擴展[6]。無人機遙感在國內外農業領域發展快速[7-8]。與無人機搭載的雷達傳感器或高光譜相機相比，可見光和多光譜相機成本低、重量輕，極大地減輕了無人機遙感平臺的載荷，續航時間明顯延長，因此可以快速獲取大范圍的作物空間影像數據，而且后續影像數據處理的難度低，更容易推廣應用，已成為大范圍作物長勢監測應用的研究熱點[9]。

基于無人機多光譜影像提取不同光譜通道的影像灰度，計算多光譜植被指數，進行葉面積指數(Leaf area index，LAI)和SPAD值的估算，具有較好的估算結果[10-11]?；跓o人機可見光影像提取紅、綠和藍影像通道的灰度，計算可見光植被指數，也具有較好的估算結果[12-15]。隨著計算機計算能力的增強及無人機遙感技術在作物長勢監測應用研究的深入，將不同類型的數據相結合或融合、構建作物長勢參數的估測模型，能夠進一步提高作物長勢參數估測模型的精度和穩定性，因此成為目前的研究熱點[13，15-18]。

然而，基于無人機可見光和多光譜影像計算可見光和多光譜植被指數，將可見光植被指數與多光譜植被指數相結合估測冬小麥SPAD值的研究還很少。因此，本文探究SPAD值與可見光和多光譜植被指數的關系，將可見光植被指數與多光譜植被指數相結合估算冬小麥SPAD值，并基于可見光植被指數、多光譜植被指數和可見光與多光譜相結合植被指數，分別采用逐步回歸和隨機森林回歸方法估算SPAD值，對比分析不同類型植被指數估算SPAD值的精度，以期為冬小麥SPAD值的估算提供參考。

1 材料與方法

1.1 試驗區概況

試驗區位于湖北省荊州市荊州區長江大學科研基地(32°21′22″N，112°8′14.5″E，海拔約32 m)，屬于熱帶季風氣候區，年平均氣溫15.9～16.6℃，多數年份降水量在1 100～1 300 mm之間，有足夠的氣候資源供農作物生長。冬小麥種植在2 m×2 m的混凝土有底測坑中，共48個測坑，種植鄭麥9023和鄂麥580兩個品種，如圖1所示，于2018年10月31日播種，播種量為135 kg/hm2，進行條播，行距為25 cm，氮、磷、鉀肥用量分別為180、75、90 kg/hm2，磷鉀肥做基肥，其中氮肥分為基肥和臘肥，比例為7∶3，其他田間管理措施按照當地的標準統一管理。

1.2 冬小麥SPAD值田間數據獲取

SPAD-502Plus型葉綠素儀是一個重量輕、緊湊的測量作物葉片葉綠素相對含量的無損監測儀器，SPAD值能夠指示作物葉片中葉綠素含量的相對值，SPAD值越大，表明葉片葉綠素含量越高，指示作物生長越健康。每個測坑選擇具有代表性的5個植株，分別選定每個植株的旗葉進行SPAD值的測量，測量位置為葉片的中間，取5個旗葉SPAD值的平均值作為該小區冬小麥葉片的SPAD值[19]，一個測坑得到一個樣本數據。分別在2019年4月16日、4月24日和5月9日進行冬小麥葉片SPAD值的測量，其中4月16日和4月24日，40個測坑分別取得40個樣本數據，5月9日，由于冬小麥葉片受到不同程度白粉病和條銹病等的影響，得到27個有效樣本數據，3次取樣共得到107個樣本數據。借助于R軟件將獲取的冬小麥SPAD值隨機分為兩部分，70%的樣本數據(75個)用于構建SPAD值的估算模型，30%的樣本數據(32個)用于對估算模型進行驗證與評價，其統計結果如表1所示。

表1 冬小麥SPAD值的統計結果

1.3 無人機影像獲取與預處理

在天空晴朗無云的條件下，與獲取田間冬小麥SPAD值同步，利用Phantom4 Pro V2.0型無人機搭載微小型可見光相機和多光譜相機進行冬小麥可見光和多光譜影像的獲取，如圖2所示?？梢姽庀鄼C包含紅、綠和藍光譜通道，具有1英寸2 000萬像素CMOS(Complementary metal-oxide-semiconductor)傳感器，感光度高達12 800，具有較高的空間分辨率。多光譜相機為S3小型機載多光譜儀，具有紅(660 nm)、綠(550 nm)和近紅外(850 nm)光譜通道，尺寸為59 mm×41.5 mm×36 mm，裸機質量為50 g，帶電池質量為76 g，配備GPS(Global positioning system)接收器，自動對每個圖像進行地理標記，具有1 200萬像素和敏銳的非魚眼鏡頭，可獲得高質量的多光譜影像。

無人機飛行前進行研究區的航線規劃，設置航高20 m，航向重疊度85%，旁向重疊度80%，飛行速度2 m/s，可見光相機選擇自動拍照模式，多光譜相機設置快門速度1/1 000 s，感光度50，拍照間隔2 s等參數，進入航線前需拍攝多光譜定標版影像，用于多光譜影像信息值的定標。利用S3小型機載多光譜儀對應的光譜定標軟件，首先對獲取的RAW和JPG格式的原始數據進行預處理，分別得到TIF格式的定標板和冬小麥多光譜單幅影像，基于TIF格式的定標板多光譜影像生成定標系數，利用定標系數依次對TIF格式的冬小麥多光譜單幅影像進行定標，得到TIF格式定標后的冬小麥多光譜單幅影像[8]。借助Agisoft PhotoScan Professional軟件進行無人機可見光和定標的多光譜影像的拼接處理，生成對應的高清數字正射影像(Digital orthophoto map，DOM)[13]，可見光影像空間分辨率為0.006 m，多光譜影像空間分辨率為0.009 m。

為了降低邊緣效應對提取冬小麥可見光紅、綠和藍影像通道灰度和多光譜紅、綠和近紅外影像通道灰度的影響，對拼接的可見光和多光譜DOM進行中值濾波的圖像算法處理，中值濾波模板尺寸分別設置為0×0、3×3、5×5、7×7和9×9。選擇土壤、混凝土和冬小麥為研究對象，其中混凝土的像元純凈度最高、土壤次之，冬小麥較低，分別提取中值濾波處理后的可見光和多光譜DOM中的土壤、混凝土和冬小麥的影像灰度，與不使用中值濾波處理提取的土壤、混凝土和冬小麥的影像灰度均值和標準差進行對比，分別以可見光和多光譜DOM的紅通道影像為例，提取土壤、混凝土和冬小麥的影像灰度均值和標準差,如表2、3所示。

表2 可見光影像的紅通道灰度的均值與標準差

不同尺寸中值濾波模板對提取可見光紅通道土壤、混凝土和冬小麥影像灰度均值影響較小，但對提取區域內的影像灰度標準差影響差異較大，隨著濾波模板的增大，冬小麥和土壤影像灰度標準差逐漸降低，混凝土影像灰度標準差基本不變，這是由于混凝土的像元純凈度較高，而土壤和冬小麥的像元純凈度相對低些。當濾波模板尺寸為7×7時，土壤和冬小麥的影像灰度標準差隨著濾波模板的增大，降低變緩，因此，本文選擇7×7的中值濾波模板對可見光影像進行預處理，再提取冬小麥的冠層影像灰度。

表3 多光譜影像的紅通道灰度的均值與標準差

使用中值濾波處理與不使用相比，多光譜紅通道混凝土的影像灰度均值有略微降低的趨勢，而土壤和冬小麥的影像灰度均值有略微升高的趨勢，總體上，中值濾波模板尺寸對多光譜紅通道混凝土、土壤和冬小麥的影像灰度均值影響較小。使用中值濾波處理與不使用相比，多光譜紅通道混凝土影像灰度標準差有略微降低的趨勢，而土壤和冬小麥影像灰度標準差降低明顯。中值濾波模板尺寸增大時，多光譜紅通道混凝土和冬小麥影像灰度標準差有略微降低的趨勢，但土壤影像灰度標準差降低明顯，這可能是由土壤含水率較高引起的。綜合考慮冬小麥冠層影像灰度是土壤和冬小麥植株的混合信息，為了降低土壤的影響，本文選擇7×7的中值濾波模板對多光譜影像進行預處理，再提取冬小麥的冠層影像灰度。

基于中值濾波處理后的可見光和多光譜影像DOM，利用ENVI 5.3軟件提取每個實測小區的冠層影像平均灰度，其中可見光DOM具有紅(Red，R)、綠(Green，G)和藍(Blue，B)通道灰度，多光譜DOM具有紅 (Multispectralred，MR)、綠(Multispectral green，MG)和近紅外(Multispectral near infra-red，MNIR)通道灰度。對提取的冬小麥可見光和多光譜DOM的單通道影像灰度進行歸一化處理，降低天空光對影像灰度的影響[12]，可見光影像R、G和B通道影像灰度進行歸一化處理后的影像灰度表示為r、g、b，通道R、G、B、MR、MG、MNIR灰度表示為R、G、B、MR、MG、MNIR，多光譜影像MR、MG和MNIR通道影像灰度進行歸一化處理后的影像灰度表示為m1、m2、m3。

1.4 可見光與多光譜植被指數選取

基于已有的研究成果以及葉綠素含量與可見光和多光譜植被指數的敏感性，選用如表4、5所示的可見光和多光譜植被指數，探究其與冬小麥葉片SPAD值的關系。

表4 與SPAD值相關的可見光植被指數

1.5 數據分析方法

在本研究中，用線性與非線性回歸分析探究植被指數與SPAD值的關系，其中植被指數包括可見光和多光譜植被指數，非線性回歸包括指數回歸、對數回歸和冪回歸。另外，將可見光植被指數與多光譜植被指數以相乘的方式進行結合，即可見光與多光譜相結合植被指數估算SPAD值。最后，利用逐步回歸和隨機森林回歸分析方法分別進行可見光、多光譜和可見光與多光譜相結合植被指數估算SPAD值。其中，逐步回歸分析模型構建時，為了將對模型貢獻很小的變量刪除，選擇模型變量的顯著性程度、赤池信息量準則(Akaike information criterion，AIC)、模型簡單性等相結合的判別準則。其中，AIC準則考慮了模型的統計擬合度以及用來擬合的變量數目，優先選擇AIC值較小的模型，表明模型用較少的變量獲得了足夠的擬合度。

表5 與SPAD值相關的多光譜植被指數

1.6 統計分析

不同類型植被指數與SPAD值的決定系數R2、均方根誤差(Root mean square error，RMSE)和歸一化的均方根誤差(Normal RMSE，nRMSE)作為評價估算模型與驗證模型的指標。估算模型的R2越大，RMSE和nRMSE越小，表明模型的估算能力越好，驗證模型的R2越大，RMSE和nRMSE越小，表明估算模型穩定性越好。

2 結果與分析

2.1 可見光植被指數

將可見光植被指數與冬小麥SPAD值進行線性與非線性回歸探究分析，其中可見光植被指數作為自變量，SPAD值作為因變量，篩選R2最大值的模型作為該可見光植被指數的最優回歸模型，并計算相應的回歸方程，結果如表6所示。為了篩選與SPAD值相關性較好的可見光植被指數，以可見光植被指數與SPAD值的R2為判別準則，將可見光植被指數與SPAD值的敏感性進行排序。其中，RBRI和IKAW與SPAD值的R2分別達到0.87和0.86，具有較好的相關關系，達到0.01顯著性水平；r、b、MGRVI和ExR與SPAD值的R2分別為0.68、0.58、0.48和0.41,高于0.40，達到0.01顯著性水平；剩余的可見光植被指數與SPAD值的R2在0.40以下，然而g、RGBVI、PPR、GLA、ExG、CIVE、VARI、WI、RGRI、GBRI與SPAD值之間的相關關系不顯著。

表6 可見光植被指數與SPAD值的回歸分析

為了驗證SPAD值可見光植被指數估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表6所示。結果表明，RMSE在2.77～6.76之間，nRMSE在6.75%～16.48%之間，其中RBRI和IKAW驗證模型的RMSE和nRMSE分別為2.77、6.75%和2.80、6.81%。

2.2 多光譜植被指數

將m2、m1和m3與所選的23個多光譜植被指數進行SPAD值的估算，其線性或非線性相關關系如表7所示，所有模型R2大于或等于0.46，都達到0.01顯著性水平。其中，與SPAD值相關性最高的多光譜植被指數為GNDVI，R2達到0.90；與SPAD值相關性最差的為m1，R2為0.46。GDVI、GRVI、CI、GNDVI、GRDVI、GNLI、GMSR、GMNLI、GSAVI、GOSAVI與SPAD值的R2在0.80以上、0.90以下，表明這些含有近紅外和綠影像通道灰度組合的多光譜植被指數與含有近紅外和紅影像通道灰度組合的多光譜植被指數相比，與SPAD值的相關性更高，GNDVI具有最高的相關性。

表7 多光譜植被指數與SPAD值的回歸分析

為了驗證SPAD值多光譜植被指數估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表7所示。結果表明，RMSE在2.54～5.55之間，nRMSE在6.19%～13.53%之間，其中GNDVI驗證模型的RMSE和nRMSE分別為2.54和6.19%。

2.3 可見光植被指數與多光譜植被指數相結合指數

以GNDVI與每一個可見光植被指數或單通道影像灰度相乘的方法，構建可見光植被指數與多光譜植被指數相結合指數[17]，并分析與SPAD值的線性與非線性關系，計算相應的回歸方程，結果如表8所示。其中，CIVE×GNDVI、b×GNDVI、IKAW×GNDVI和g×GNDVI與SPAD值的R2分別為0.89、0.85、0.77和0.70，表明其具有較好的相關關系。結果表明，CIVE×GNDVI估算SPAD值的冪函數模型具有最高的估算精度。與僅用可見光植被指數估算SPAD值相比，結合指數進一步提高了估算模型的精度。

為了驗證SPAD值可見光植被指數與多光譜植被指數相結合指數估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表8所示。結果表明，RMSE在2.50～6.91之間，nRMSE在6.10%～16.84%之間，其中CIVE×GNDVI與SPAD值模型驗證的RMSE和nRMSE分別為2.55和6.21%，表明模型具有較高的精度和穩定性。

表8 可見光與多光譜相結合植被指數與SPAD值的回歸分析

2.4 基于逐步回歸分析方法估測SPAD值

2.4.1可見光植被指數

將可見光植被指數、b、g、r以及SPAD值作為逐步回歸模型的輸入變量，構建SPAD值的逐步回歸估算模型，并計算模型輸入變量的顯著性水平、模型的AIC值和R2，結果如表9所示。其中，估算模型AIC值在353.87～492.10之間，R2在0.32～0.91之間。

為了驗證SPAD值可見光植被指數的逐步回歸估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表9所示。結果表明，RMSE在2.66～4.95之間，nRMSE在6.47%～12.07%之間。

表9 可見光植被指數估算SPAD值的逐步回歸分析模型

為了篩選較優的可見光植被指數的逐步回歸分析模型，綜合考慮估算模型輸入變量的顯著性水平、AIC值和R2及模型驗證的RMSE和nRMSE，得到綜合精度較好的兩個逐步回歸分析模型，分別包含5個輸入變量(g、MGRVI、GRVI、VARI和IKAW)和4個輸入變量(g、GRVI、VARI和IKAW)，估算模型的AIC值、R2分別為355.12、0.90和369.36、0.88；模型驗證的RMSE和nRMSE分別為2.66、6.47%和2.67、6.50%。利用實測SPAD值與模型估算的SPAD值進行對比分析，結果如圖3所示，5個輸入變量和4個輸入變量的模型預測值與實測值的R2分別為0.86和0.85，表明模型預測值與實測值具有較好的一致性。

2.4.2多光譜植被指數

將多光譜植被指數、m2、m1、m3以及SPAD值作為逐步回歸模型的輸入變量，構建SPAD值的逐步回歸估算模型，并計算模型輸入變量的顯著性水平、模型的AIC值和R2,結果如表10所示。其中，估算模型AIC值在351.92～465.67之間，R2在0.52～0.91之間。

為了驗證SPAD值多光譜植被指數的逐步回歸估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表10所示。結果表明，RMSE在2.48～10.98之間，nRMSE在6.04%～26.76%之間。

表10 多光譜植被指數估算SPAD值的逐步回歸分析模型

為了篩選較優的多光譜植被指數逐步回歸分析模型，綜合考慮逐步回歸分析模型的評價指標，得到綜合精度較好的逐步回歸分析模型，包含3個輸入變量(m2、MNLI和MTVI2)和2個輸入變量(m2和MTVI2)，估算模型的AIC值、R2分別為351.92、0.90和356.90、0.89；模型驗證的RMSE、nRMSE分別為2.48、6.04%和2.54、6.19%。利用實測SPAD值與模型估算的SPAD值進行對比分析，結果如圖4所示，3個輸入變量和2個輸入變量的模型預測值與實測值的R2都為0.89，表明模型預測值與實測值具有較好的一致性。

2.4.3可見光植被指數與多光譜植被指數相結合指數

將可見光植被指數與多光譜植被指數相結合指數以及SPAD值作為逐步回歸模型的輸入變量，構建SPAD值的逐步回歸估算模型，并計算模型輸入變量的顯著性水平、模型的AIC值和R2，結果如表11所示。其中，估算模型AIC值在352.40～487.06之間，R2在0.36～0.91之間。

為了驗證SPAD值可見光植被指數與多光譜植被指數相結合指數的逐步回歸估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表11所示。結果表明，RMSE在2.32～4.65之間，nRMSE在5.64%～11.33%之間。

表11 可見光與多光譜相結合植被指數估算SPAD值的逐步回歸分析模型

為了篩選較優的可見光植被指數與多光譜植被指數相結合指數的逐步回歸分析模型，綜合考慮逐步回歸分析模型的評價指標，得到綜合精度較好的3個逐步回歸分析模型，分別包含7個輸入變量(MGRVI×GNDVI、GRVI×GNDVI、PPR×GNDVI、VARI×GNDVI、IKAW×GNDVI、GRRI×GNDVI、RBRI×GNDVI)、5個輸入變量(MGRVI×GNDVI、GRVI×GNDVI、PPR×GNDVI、IKAW×GNDVI、RBRI×GNDVI)和3個輸入變量(GRVI×GNDVI、PPR×GNDVI、RBRI×GNDVI)，估算模型的AIC值、R2分別為352.95、0.91，355.88、0.90，358.14、0.89；模型驗證的RMSE、nRMSE分別為2.32、5.64%，2.38、5.80%，2.52、6.14%。利用實測SPAD值與模型估算的SPAD值進行對比分析，結果如圖5所示，7個輸入變量、5個輸入變量和3個輸入變量的模型預測值與實測值的R2分別為0.89、0.89和0.88，表明模型預測值與實測值具有較好的一致性。

2.5 基于隨機森林回歸分析方法估測SPAD值

分別將可見光植被指數與b、g、r，多光譜植被指數與m2、m1、m3，可見光植被指數與多光譜植被指數相結合指數以及SPAD值作為隨機森林回歸模型的輸入變量，構建SPAD值的隨機森林回歸估算模型，并計算模型的R2，結果如表12所示，可見光植被指數與多光譜植被指數估算模型的R2均為0.88，可見光植被指數與多光譜植被指數相結合指數估算模型的R2為0.90。

表12 不同植被指數類型的隨機森林回歸分析模型估測SPAD值精度對比

為了驗證SPAD值可見光、多光譜和可見光與多光譜相結合植被指數的隨機森林估算模型的精度和穩定性，將估算模型預測的SPAD值與實測SPAD值的RMSE和nRMSE作為評價指標，結果如表12所示，可見光、多光譜和可見光與多光譜相結合植被指數驗證模型的RMSE、nRMSE分別為2.67、6.51%，3.08、7.50%，2.51、6.12%。利用實測SPAD值與模型估算的SPAD值進行對比分析，結果如圖6所示，可見光、多光譜和可見光與多光譜相結合植被指數的模型預測值與實測值的R2分別為0.85、0.84和0.88，表明模型預測值與實測值具有較好的一致性，可見光與多光譜相結合植被指數的估測模型的穩定性更高。

3 討論

利用遙感技術進行作物長勢信息的監測是精準農業研究的熱點[9,13-15,43]，然而，關于不同類型遙感數據相結合進行作物長勢信息監測的研究較少，不同類型遙感數據能獲取更多維度的作物長勢信息，將多維信息相結合能夠進一步提高作物長勢信息估測模型的精度和穩定性。

本文基于冬小麥無人機可見光和多光譜影像提取可見光和多光譜植被指數進行冬小麥葉片SPAD值的估算，其中單個可見光植被指數RBRI和IKAW與SPAD值具有較高的相關性，估算模型的R2分別為0.87和0.86，模型驗證的RMSE、nRMSE分別為2.77、6.75%和2.80、6.81%；單個多光譜植被指數GDVI、GRVI、CI、GNDVI、GRDVI、GNLI、GMSR、GMNLI、GSAVI和GOSAVI與SPAD值具有較高的相關性，GNDVI估算模型的R2為0.90，模型驗證的RMSE和nRMSE分別為2.54和6.19%，具有最高的模型估算精度。逐步回歸模型中，最優可見光植被指數的逐步回歸估算模型包含5個輸入變量，估算模型的R2為0.90，模型驗證的R2、RMSE和nRMSE分別為0.86、2.66和6.47%；最優多光譜植被指數的逐步回歸估算模型包含3個輸入變量，估算模型的R2為0.90，模型驗證的R2、RMSE和nRMSE分別為0.89、2.48和6.04%。隨機森林回歸模型中，可見光植被指數估算模型的R2為0.88，模型驗證的R2、RMSE和nRMSE分別為0.85、2.67和6.51%；多光譜植被指數估算模型的R2為0.88，模型驗證的R2、RMSE和nRMSE分別為0.84、3.08和7.50%。表明基于可見光和多光譜植被指數進行冬小麥葉片SPAD值的估算，估算模型精度整體上高于驗證模型，僅用可見光或多光譜植被指數，獲取的作物信息有限，模型預測精度受到一定程度的限制。

單個可見光與多光譜相結合植被指數CIVE×GNDVI和b×GNDVI與SPAD值具有較高的相關性，估算模型的R2分別為0.89和0.85，模型驗證的RMSE和nRMSE分別為2.55、6.21%和2.55、6.22%。最優可見光與多光譜相結合植被指數的逐步回歸估算模型包含7個輸入變量，估算模型的R2為0.91，模型驗證的R2、RMSE和nRMSE分別為0.89、2.32和5.64%?？梢姽馀c多光譜相結合植被指數的隨機森林回歸估算模型的R2為0.90，模型驗證的R2、RMSE和nRMSE分別0.88、2.51和6.12%。這與文獻[15-18]具有基本一致的研究結果。

研究發現，近紅外與綠影像灰度組合的植被指數與SPAD值的相關性明顯高于近紅外與紅影像灰度組合的植被指數，這與文獻[43]具有較相似的研究結果。

4 結論

(1)可見光植被指數IKAW和RBRI與SPAD值具有較好的相關性，估算模型的R2分別為0.86和0.87；多光譜植被指數GNDVI、CI、GMSR和GOSAVI與SPAD值具有較好的相關性，其中GNDVI估算模型的R2為0.90，CI、GMSR和GOSAVI估算模型的R2為0.89；可見光植被指數(CIVE)、藍通道影像灰度b分別與多光譜植被指數(GNDVI)相乘而結合的指數與SPAD值具有較好的相關性，估算模型的R2分別為0.89和0.85,其模型驗證的RMSE、nRMSE分別為2.55、6.21%和2.55、6.22%。

(2)近紅外與綠影像灰度組合的植被指數，GDVI、GRVI、CI、GNDVI、GNLI、GMSR、GMNLI、GSAVI、GOSAVI與SPAD值具有較好的相關性，估算SPAD值的模型R2在0.81～0.90之間，模型驗證的RMSE在2.54～3.28之間，nRMSE在6.19%～7.98%之間，表明近紅外與綠影像灰度組合的植被指數對SPAD值更敏感。

(3)可見光植被指數與多光譜植被指數相結合指數的逐步回歸和隨機森林回歸模型估算SPAD值的精度和穩定性高于僅用可見光植被指數或多光譜植被指數。其中，可見光植被指數與多光譜植被指數相結合指數的最優逐步回歸估算模型的R2為0.91，模型驗證的R2、RMSE和nRMSE分別為0.89、2.32和5.64%；可見光植被指數與多光譜植被指數相結合指數的隨機森林回歸估算模型的R2為0.90，模型驗證的R2、RMSE和nRMSE分別為0.88、2.51和6.12%，具有較好的估算結果。這表明將無人機可見光和多光譜植被指數相結合估算冬小麥葉片SPAD值，與僅用可見光植被指數或多光譜植被指數相比，估算精度更高，模型穩定性更好，可為冬小麥的長勢監測提供更可靠的監測方法。