基于影像分割的覆膜玉米葉綠素含量反演

周智輝，谷曉博，程智楷，常甜，趙彤彤，王玉明，杜婭丹

西北農林科技大學水利與建筑工程學院/西北農林科技大學旱區農業水土工程教育部重點實驗室，陜西楊凌 712100

0 引言

【研究意義】作物覆膜種植能增溫保墑，顯著影響作物的生理參數，從而促進作物生長、提高產量[1-2]，我國西北旱區是玉米高強度覆膜種植的區域[3-4]。葉綠素含量是評價玉米光合能力和營養狀況的重要生理指標，傳統的葉綠素含量測定主要通過分光光度計法、原子吸收法和SPAD 葉綠素儀等，測定數量有限，僅適用于小范圍區域研究，隨著遙感以及計算機技術的飛速發展，為大面積農田作物長勢信息快速獲取與決策分析提供了有效手段，以無人機為平臺搭載高空間分辨率多光譜成像儀的遙感作物長勢監測方法以其便捷高效、非侵入性、范圍廣等優勢在農田尺度得到了廣泛應用[5-7]。地膜覆蓋改變了土壤的粗糙度、表面溫度和濕度等性質，與無覆膜農田光譜特性存在一定差異[8]，已有研究表明覆膜會對光譜遙感監測造成一定影響[9-11]。因此，快速、準確獲取覆膜作物的葉綠素含量，對覆膜農田的高效、精準管理具有重要意義?！厩叭搜芯窟M展】已有部分學者開展了對覆膜玉米長勢指標的遙感監測研究，HUANG 等[12]將PROSAIL物理模型和集成疊加算法相混合反演了覆膜春玉米葉片葉綠素含量，為高光譜近距離遙感提供了新技術；魏夏永等[13]使用高光譜反演了覆膜玉米的冠層氮含量垂直分布。上述研究未考慮到地膜等背景因素對冠層玉米葉綠素含量反演的影響，在農田尺度，作物冠層反射光譜中背景信號的混合會削弱植物信號，從而影響遙感作物理化參數的監測[14]。隨著厘米級空間分辨率的低空無人機作物長勢監測技術的發展，背景像元和植被像元可以清楚地區分，因此將影像像元剔除的方法被廣泛應用。鄧尚奇等[15]通過閾值分割法剔除多光譜影像中的土壤像元，證明剔除背景像元能提高冬小麥葉綠素含量和葉面積指數的預測精度；CHEN等[16]使用基于對象的分類方法將影像土壤像元剔除，設計了多種作物的純化光譜氮含量估測模型，結果表明在建立植物氮含量預測模型時，最好剔除影像中的土壤像元。上述研究多從剔除土壤和陰影像元的光譜信息入手進行作物長勢監測，遙感影像中的紋理特征也可有效表征作物的長勢信息，將光譜特征與紋理特征融合進行作物長勢指標反演建模相比于僅使用光譜特征精度提升明顯[17-19]?！颈狙芯壳腥朦c】那么，利用影像分割方法提取植被像元光譜特征后構建的模型能否提高覆膜玉米葉綠素含量的反演精度？以往研究多引入未剔除背景的紋理特征用于構建葉綠素反演模型，而剔除背景后的紋理特征能否用于表征作物長勢信息仍需進一步研究?！緮M解決的關鍵問題】以多光譜遙感數據為基礎，以覆膜玉米為研究對象，利用監督分類方法提取苗期、拔節期、抽雄期和灌漿期的玉米像元影像，分別提取全像元和玉米像元影像的光譜特征和紋理特征，篩選較優變量輸入，使用偏最小二乘、支持向量機和BP 神經網絡3 種機器學習算法構建玉米葉綠素含量估算模型，對比分析全像元和玉米像元影像信息在不同模型中的精度差異，探究將地膜背景剔除對無人機遙感影像光譜和紋理特征反演覆膜玉米葉綠素含量的影響，確定反演覆膜玉米葉綠素含量的最優模型，以期為利用無人機遙感實施覆膜作物生長監測提供理論參考。

1 材料與方法

1.1 試驗區概況

夏玉米試驗于2022年6—10月在陜西楊凌西北農林科技大學教育部旱區農業水土工程重點實驗室的灌溉試驗站（108°4′E，34°17′N，海拔521 m）進行。該區屬暖溫帶季風半濕潤氣候區，全年無霜期210 d，年均氣溫13 ℃，多年平均降水量為632 mm，年均蒸發量1 500 mm。種植作物一年兩熟，以冬小麥和夏玉米為主，試驗地土壤質地為中壤土，土壤平均干容重為1.4 g·cm-3，凋萎系數為8.5%，田間持水率為24%（質量含水率），地下水埋深大于50 m。0—40 cm 土層pH 為7.4，基礎肥力（質量比）為速效氮107.1 mg·kg-1，速效磷23.3 mg·kg-1，速效鉀88.5 mg·kg-1，有機質含量為16.9 g·kg-1。

1.2 試驗設計

供試夏玉米品種為‘鄭單958’，地膜為0.008 mm厚的聚乙烯白色透明薄膜。夏玉米采用壟溝覆膜種植方式。為提高農田玉米長勢空間差異性，設置50 000株/hm2（D1）、65 000 株/hm2（D2）、80 000 株/hm2（D3）3 種種植密度；60 kg·hm-2（N1）、120 kg·hm-2（N2）、180 kg·hm-2（N3）、240 kg·hm-2（N4）、300 kg·hm-2（N5）5 種施氮梯度。根據玉米的種植分布與田間布置，對試驗區內的玉米進行區域劃分，共選取36 個樣本區域，小區面積均為4 m×4 m。試驗設計可見光影像如圖1 所示。

圖1 試驗區位置和試驗設計Fig. 1 Location of test area and experiment design

1.3 數據采集

1.3.1 葉綠素含量 夏玉米葉綠素含量于苗期（7 月29 日）、拔節期（8 月13 日）、抽雄期（8 月31 日）和灌漿期（9 月17 日）4 個生育期取樣測定，取樣日期與遙感數據采集日期一致。各小區選取3 片最新完全展開葉（抽雄后選取穗位葉），稱取0.1 g 新鮮葉片并用96%乙醇浸提，分別在665、649 和470 mm 波長下比色并計算葉綠素含量（mg·g-1）[20]。

1.3.2 遙感數據 選用大疆精靈4 多光譜版無人機獲取玉米冠層光譜信息，該無人機配備6 個有效像素為208 萬的1/2.9 英寸CMOS 傳感器，包含1 個用于可見光成像的RGB 傳感器和5 個用于多光譜成像的單波段傳感器，5 個用于多光譜成像的傳感器分別以450、560、650、730、840 nm 為中心波長。為保證數據質量，選取晴朗無云、風力小于3 級的天氣并在12：00—14：00 飛行，無人機航向重疊為80%，旁向重疊為80%，飛行高度為20 m，對應1.1 cm/像素的地面分辨率。精靈4 集成實時動態（RTK）定位模塊和TimeSync系統可為無人機提供實時的厘米級定位精度，因此可不設置地面控制點[6,21]。本研究使用反射率約為25%和50%的兩塊參照定標板用于輔助影像的輻射定標，起飛前將定標板平放在地面上，手動控制飛機于定標板1.5 m 高度處，鏡頭垂直向下并保證定標板上無陰影，拍攝各波段反射率圖像。無人機多光譜影像數據拼接、輻射定標借助DJI Terra 軟件完成。

1.4 光譜特征及紋理特征提取

根據多光譜波段及前人研究選取10 種植被指數作為與葉綠素相關的光譜特征（表1）。

表1 光譜特征計算公式Table 1 Formulas for calculating spectral features

玉米采用壟溝覆膜種植，植株按行排列，具有明顯的空間分布特征，因此引入紋理信息用于玉米葉綠素含量反演建模。選擇最為常用的灰度共生矩陣（gray-level co-occurrence matrix，GLCM）對空間紋理信息進行提取分析。通過ENVI5.3 軟件計算每個波段的8 個基于GLCM 的紋理特征值，以最小窗口大?。?×3 像素）和默認方向進行紋理計算，包括均值（Mean）、方差（Var）、協同性（Hom）、對比度（Con）、相異性（Dis）、信息熵（Ent）、二階矩（Sec）和相關性（Corr），由于相機有5 個光譜通道，在各生育期可提取40 種紋理特征。

1.5 數據分析方法

1.5.1 影像分割 首先獲取苗期、拔節期、抽雄期和灌漿期的全像元多光譜影像，考慮到影像中地膜和陰影背景對玉米冠層光譜的影響，采用ENVI 5.3 軟件監督分類中的支持向量機法對影像玉米像元、地膜像元和陰影像元進行人工標記并分類，采用默認參數，徑向核函數（RBF），懲罰因子=100，采用混淆矩陣來評估分類精度（表2），總體分類精度均在97%以上，Kappa 系數均在0.96 以上，表明3 類像元分類精度較好。利用掩膜獲取3 類像元的多光譜影像，剔除背景前后的影像對比如圖2 所示。使用感興趣區域（region of interest）獲取影像中各小區全像元、玉米像元影像光譜反射率平均值，以及地膜和陰影像元光譜反射率平均值。使用配對樣本t檢驗比較不同生長階段下所有小區的全像元和玉米像元影像冠層光譜間的差異。統計計算兩種影像各小區的光譜特征和紋理特征平均值，與樣點實測葉綠素含量值進行相關性分析比較。

表2 研究期間的支持向量機分類精度與Kappa 系數Table 2 Support vector machine classification accuracy and Kappa coefficient during the study

圖2 抽雄期多光譜影像剔除背景前后對比圖Fig. 2 Schematic before and after background removal of multispectral image at tasseling stage

1.5.2 模型構建與評價指標 從玉米苗期、拔節期、抽雄期和灌漿期的實測葉綠素含量數據中隨機篩選75%樣本數據（108 個）用于模型建模，25%樣本數據（36 個）用于模型驗證。

為減少模型變量輸入數量，使用全子集篩選法篩選全像元和玉米像元提取的光譜特征（SF）、紋理特征（TF）和光譜特征+紋理特征（SF+TF）。通過R語言4.1.3 中的leap 包進行全子集篩選，主要以貝葉斯信息準則（BIC）最小值為標準，同時考慮調整R2（R2adj）最大的原則篩選獲得較優變量[31]。

將全子集篩選的變量結果分別與葉綠素含量構建偏最小二乘（PLS）、支持向量機（SVM）、BP神經網絡（BPNN）3 種反演模型。使用e1071 包中的 tune 函數進行十折交叉驗證和網格搜索確定SVM 模型參數cost 和gamma 以及BPNN 模型參數decay 和size；使用caret 包進行十折交叉驗證和網格搜索確定PLS 模型參數ncomp，其他參數均為默認值，減少人為因素干擾。對比分析3 種機器學習算法在2 種影像不同特征變量輸入上估測葉綠素含量的能力，為避免變量之間數量級的差異導致模型預測精度降低，對輸入自變量都進行了歸一化處理。采用決定系數（R2）、均方根誤差（RMSE）和平均絕對誤差（MAE）對模型的建模和驗證精度進行評估，R2越大表示模型擬合效果越好，RMSE 和MAE越低表示模型的估算能力越高。當使用玉米像元和全像元的較優變量構建葉綠素預測模型時，整個過程相同。

2 結果

2.1 不同生育期葉綠素含量

覆膜夏玉米苗期、拔節期、抽雄期和灌漿期葉片葉綠素含量變化趨勢如圖3 所示?？傮w上，玉米葉綠素含量隨生育期推進呈先增大后減小趨勢，在抽雄期達到最大（3.32—5.48 mg·g-1），灌漿期開始降低。

圖3 各生育期玉米葉綠素含量Fig. 3 Leaf chlorophyll content of maize for each growth stage

數據劃分統計結果如表3 所示，建模集樣本葉綠素含量的變化范圍為2.07—5.48 mg·g-1，平均值為3.68 mg·g-1，變異系數為22.92%；驗證集樣本葉綠素含量的變化范圍為 2.25—5.50 mg·g-1，平均值為 3.73 mg·g-1，變異系數為22.66%，兩者差異較小，適合模型構建與驗證。

表3 葉綠素含量數據劃分Table 3 Classification of leaf chlorophyll content data

2.2 不同生育期影像光譜反射率對比

在玉米不同生育階段，對全像元和玉米像元中的各波段光譜反射率進行配對樣本t檢驗，結果如表4所示。除抽雄和灌漿期的紅波段外，各生育期影像的背景像元對玉米冠層的光譜均有顯著影響。

表4 全像元影像與玉米像元影像各波段反射率配對樣本t 檢驗結果Table 4 Results of paired sample t-test for reflectance of all pixels image and maize pixels image

各生育期提取的全像元光譜反射率均值與影像監督分類后的玉米像元、地膜像元和陰影像元光譜反射率均值如圖4 所示。不同生育期玉米像元光譜反射率基本相似，均具有典型綠色植被的光譜特征。地膜像元光譜反射率在整個波段范圍內呈上升趨勢，無明顯反射峰和吸收谷，在可見光波段的反射率始終遠高于玉米像元光譜的可見光反射率，而陰影像元光譜反射率始終低于玉米像元，且在RE 和NIR 波段的反射率遠低于玉米像元。不同生育階段的玉米像元和全像元光譜反射率之間的差異隨玉米像元、地膜像元和陰影像元比例的變化而變化，苗期玉米覆蓋度較低時，冠層光譜受地膜背景顯著影響，全像元變化趨勢與地膜像元光譜接近，B、G、R、RE 和NIR 波段反射率分別為0.10、0.14、0.16、0.24 和0.30，而玉米像元反射率分別為0.06、0.10、0.08、0.23 和0.33（圖4-a）；拔節期全像元光譜仍受地膜背景影響，將背景像元剔除后B、G、R 和RE 波段反射率降低0.01、0.02、0.02 和0.01，NIR 波段反射率提高0.04（圖4-b）。隨著玉米植株生長，冠層郁閉度增大，玉米葉綠素含量升高，對B 和R 波段吸收增加，這兩個波段的反射率減小，突出了G 波段的反射峰，NIR 波段的反射率增大，但同時冠層陰影也相對增多，陰影像元顯著削弱了玉米冠層在G、RE 和NIR波段的反射率（圖4-c、4-d），剔除背景像元后抽雄期G、RE 和NIR 波段反射率提高0.01、0.03 和0.09。相比抽雄期，灌漿期玉米生長活性降低，對B和R 波段反射增多，G 波段的反射峰減小，RE、NIR波段反射率降低（圖4-d），剔除背景像元后G、RE和NIR 波段反射率提高0.01、0.02 和0.07。綜上可知，玉米冠層反射光譜在各生育期均受到了較大的混合像元影響。

圖4 4 個生育期全像元影像、玉米像元影像、地膜像元影像和陰影像元影像光譜反射率均值Fig. 4 Average spectral reflectance of all pixels image, maize pixels image, film pixels image and shadow pixels image during four growth stages

2.3 相關性分析與較優模型變量輸入確定

2.3.1 光譜特征與葉綠素含量的相關性分析 將苗期、拔節期、抽雄期和灌漿期的全像元和玉米像元提取的光譜特征與葉綠素含量進行Pearson 相關性分析比較（圖5），對于5 個原始波段，全像元的B、G、R 和RE 波段與葉綠素含量呈負相關，相關系數分別為-0.74、-0.73、-0.74 和-0.63，而NIR 波段與葉綠素含量呈正相關（相關系數0.68）；玉米像元的B、G、R 波段與葉綠素含量負相關性稍有減弱，相關系數分別為-0.71、-0.64、-0.71，但RE 波段與葉綠素含量相關系數驟降至-0.09，NIR 波段相關性提高到0.73。對于2 種影像光譜計算的10 種植被指數，全像元的植被指數與葉綠素含量的相關性介于0.67—0.76；玉米像元的植被指數與葉綠素含量的相關性介于0.68—0.77。整體上，2 種影像光譜特征與葉綠素含量相關性之間的差異較小，除玉米像元影像的RE 波段外，2 種像元影像提取的光譜特征與葉綠素含量均顯著相關（P＜0.01）。除CIgreen、OSAVI、MSR、MCARI、SAVI 外，玉米像元光譜構建的植被指數與葉綠素含量相關性不變或降低。

圖5 光譜特征與葉綠素含量的相關性分析Fig. 5 Correlation analysis of spectral features and chlorophyll content

2.3.2 紋理特征與葉綠素含量的相關性分析 提取各小區全像元和玉米像元的各波段紋理特征，并與葉綠素含量進行相關性分析（表5）。全像元提取的與葉綠素含量顯著相關的紋理特征數量有30 個（P＜0.05），相關系數介于0.09—0.62，其中Var_G 和Con_G與葉綠素含量的相關系數達到0.62。在將背景剔除后，玉米像元提取的與葉綠素含量顯著相關的紋理特征數量增加至38 個（P＜0.05），其中Mean_NIR 與葉綠素含量的相關系數達到0.71；僅Con_G 和Sec_RE 與葉綠素含量無顯著相關性。整體上，玉米像元提取的紋理特征與葉綠素含量的相關系數較全像元平均提高0.08。

表5 紋理特征與葉綠素含量的相關性分析Table 5 Correlation analysis between texture features and chlorophyll content

2.3.3 較優變量輸入篩選 以SF、TF 和SF+TF 為自變量，以葉綠素含量為因變量，綜合考慮R2adj和BIC，進行全子集回歸以篩選模型最佳變量輸入組合（表6）。篩選SF 較優變量時，全像元和玉米像元的BIC 最小時篩選出的變量均僅有一個，考慮后續模型構建對變量個數的要求，選取R2adj最大時的變量，兩種影像的R2adj均為0.59，且BIC 均較小，分別為-105和-103。篩選TF 較優變量時，均選取了BIC 最小時的結果，全像元影像的R2adj為0.63，BIC 為-100，玉米像元的R2adj提升0.03，BIC 降低20。篩選VI+TF較優變量時，均選取BIC 最小時的結果，全像元篩選結果與僅使用TF 一致，玉米像元的R2adj為0.69，BIC達到最小值-132。通過全子集篩選結果，確定了全像元和玉米像元影像建模的較優變量輸入。最優輸入變量如表6 所示。

表6 基于全子集篩選的兩種影像篩選變量結果Table 6 Results of combining two optimal variables of images based on full subset filtering

2.4 反演建模

將表6 中篩選出的變量分別與葉綠素含量構建PLS、SVM、BPNN 反演模型，其反演精度如表7 所示。對比相同變量輸入類別，兩種影像在葉綠素含量反演建模差異，以全像元影像反演葉綠素含量的精度相對較差，所有模型的建模R2、RMSE 和MAE 分別為0.589—0.672、0.481—0.539 mg·g-1和0.396—0.441 mg·g-1，驗證R2、RMSE 和MAE 分別為0.515—0.581、0.543—0.582 mg·g-1和0.422—0.491 mg·g-1。玉米像元影像所有模型的建模R2提高0.001—0.078，RMSE 和MAE 分別降低0—0.060 和0.001—0.055 mg·g-1，驗證R2提高0.023—0.109，RMSE 和MAE 分別降低0.014—0.075 和0.007—0.047 mg·g-1。其中最佳反演模型的建模R2提高0.078，RMSE 和MAE 分別降低0.060 和0.055 mg·g-1；驗證R2提高0.109，RMSE 和MAE 分別降低0.075 和0.047 mg·g-1。使用玉米像元影像的變量進行模型建模和驗證效果優于全像元的變量。

表7 兩種影像不同變量輸入的3 種機器學習模型精度Table 7 Accuracy of three machine learning models with different variable inputs for two images

對比相同影像類型，不同變量輸入在葉綠素含量反演建模的差異，使用TF 用于建模的效果較優于SF；使用SF+TF 作為變量輸入建模時，均優于僅使用SF或僅使用TF 建模的精度。綜合上述內容，玉米像元影像的SF+TF-BPNN 模型預測結果最好（建模R2、RMSE 和MAE 分別為0.750、0.421 mg·g-1、0.341 mg·g-1，驗證R2、RMSE 和MAE 分別為0.690、0.468 mg·g-1、0.375 mg·g-1）。葉綠素含量地面實測值與無人機多光譜遙感估算值在驗證集上的最優模型擬合關系如圖6 所示。

圖6 最優模型的葉綠素含量預測值與實測值擬合關系Fig. 6 Relationship between predicted and measured leaf chlorophyll content (LCC) fitted by the best model

基于玉米像元最優反演模型（SF+TF-BPNN）進行多生育期葉綠素含量的可視化制圖（圖7）。在不同種植密度和施氮處理下，苗期玉米生長差異較?。▓D7-a）；隨著玉米生長發育，不同處理間的玉米生長差異逐漸顯著，低種植密度小區葉綠素含量普遍高于高種植密度小區，中高施氮水平小區葉綠素含量普遍高于低施氮水平小區。對比不同生育期反演效果，不同種植密度和施氮量下覆膜玉米苗期、拔節期、抽雄期和灌漿期葉綠素含量范圍分別為2.21—3.31、3.10—4.46、3.56—5.11 和3.14—4.55 mg·g-1，與各生育期對應的實測葉綠素含量（苗期2.07—3.73 mg·g-1、拔節期2.63—4.60 mg·g-1、抽雄期3.32—5.48 mg·g-1、灌漿期3.29—4.98 mg·g-1）基本一致。整體上，從苗期至抽雄期葉綠素含量呈增高趨勢，至灌漿期降低，與實測葉綠素含量變化趨勢一致，表明使用玉米像元的SF+TF-BPNN 模型進行覆膜玉米各生育期葉綠素含量的估測是可行的。

圖7 基于玉米像元影像反演玉米各生育期葉綠素含量的空間分布圖Fig. 7 Spatial distribution of inverse maize leaf chlorophyll content (LCC) at each growth stage based on maize pixels image

3 討論

3.1 影像背景剔除對反演葉綠素含量的影響

使用無人機多光譜影像反演作物多生育期生理參數時，冠層反射光譜易受作物冠層結構、背景等因素的影響，導致遙感反演效果存在很大的不確定性。前人的研究忽視了覆膜土壤和陰影對提取的植被冠層光譜的影響，而覆膜土壤在可見光波段反射率遠高于裸土、植被[11]，陰影在紅邊和近紅波段的反射率遠低于植被（圖4）。隨著玉米生長發育，農田中玉米像元、覆膜土壤像元和陰影像元的比例發生變化，同時作物長勢不均勻會增加冠層背景像元的影響[16]，因此有必要將背景像元統一剔除，減少噪聲的干擾。本研究通過影像光譜提取的植被指數與葉綠素含量均有顯著相關性，說明植被指數能夠一定程度上反映作物的葉綠素含量狀況，而將影像背景剔除后提取的植被指數與葉綠素含量相關系數較不剔除背景提高較小，這可能是因為本文選取的多數植被指數是在研究植被和土壤混合光譜規律的基礎上設計的，起到了剔除部分背景的作用，且相關性分析不能反映出植被指數與葉綠素含量的非線性關系[8,26]。在使用剔除背景后影像提取的光譜特征建立葉綠素含量反演模型的精度優于未剔除背景，證實了背景像元會對影像的光譜信息反演作物長勢造成干擾，黃茜等[11]也發現覆膜處理的玉米光譜信息反演LAI 精度較無覆膜低，李美炫等[32]基于陰影指數剔除蘋果樹陰影后提高了光譜信息反演氮素模型精度，本研究結果與之具有一定相似性。本研究剔除背景后影像提取的紋理特征與葉綠素含量顯著相關的數量增加，且反演葉綠素含量精度相比未剔除背景的紋理特征精度更高，這是因為紋理與圖像中的暗區（玉米葉片、陰影）和亮區（地膜）的空間分布有關[33]，這種分布對玉米的葉綠素含量的反演可能是一種干擾。QIAO 等[34]研究也發現將背景像元剔除可降低紋理的復雜度，能夠反映更多的作物生長信息，本研究結果與之具有一致性。因此在提取包含地膜和陰影背景的冠層影像信息反演葉綠素含量時，應當將背景剔除。但本研究并未討論地膜和陰影兩種背景因素對冠層光譜和紋理反演葉綠素含量影響的差別，后續可從這一方面更進一步研究。

3.2 光譜特征與紋理特征的建模差異

本研究使用剔除背景的光譜特征反演葉綠素含量的精度提升有限，一方面由于地膜存在的雜散射現象在一定程度上增加了玉米像元光譜的噪聲；另一方面，光譜特征包含的信息易存在飽和現象，且多數光譜特征彼此間的相關系數高，存在強共線性的問題（圖5），從而降低了光譜特征反演葉綠素含量的適用性。本研究在使用紋理特征建模時，建模精度相比使用光譜特征建模精度略高，而在進行相關性分析時紋理特征與葉綠素相關性普遍低于光譜特征，這是因為本研究選取的植被指數均包含紅邊或近紅外波段，與葉綠素含量的相關性高但包含較多的重復信息，而僅通過篩選高相關性的特征作為輸入時未必能夠提高建模精度[35]，本研究使用全子集回歸篩選出多個有益于提高葉綠素含量反演模型精度的有效特征信息，表明入選的紋理特征要優于光譜特征，這可能是因為紋理特征顯著放大了地物光譜特征之間的細微差異，降低背景、太陽角度、傳感器視角等因素的影響，抑制了同物異譜現象的發生[36]，在反演多個生育期的作物生長指標時，改善了作物覆蓋度高導致的光譜信息飽和效應[33]；同時，本研究玉米冠層由復雜的葉、穗、地膜、陰影和莖組成，提取紋理時使用最小窗口（3×3）且影像地面分辨率為1.1 cm/像素，前人研究發現小窗口和高分辨率紋理影像中的高頻信息增強了對復雜植被結構的檢測，獲得的紋理特征在估計作物生長指標方面可比植被指數更準確[37-38]。但紋理特征仍存在不足之處，紋理受影像提取窗口大小、分辨率和光譜波段的影響較大，同時還受到作物冠層大小和行距的影響[33]，陳鵬等[19]在使用影像紋理特征對馬鈴薯葉綠素含量進行建模反演時精度相比光譜特征較差，這說明單獨使用紋理特征建?？赡艽嬖谳^大的不確定性，后續需進一步探明紋理在反演玉米葉綠素含量時的機理與最佳使用條件。在使用光譜特征+紋理特征為輸入建模時，不同算法模型均優于使用單一影像特征為輸入的模型精度，以往研究也證實了更多特征的融合可以有效提高作物參數估計的精度[38-39]，本研究只考慮了冠層影像的光譜和紋理特征，冠層的結構特征如覆蓋度、冠層高度等參數均可從影像中提取，能有效地表征作物冠層的動態變化，未來可將這些參數融合構建綜合生長指數以進一步優化生化參數的建模效果。

3.3 變量篩選及機器學習算法的反演差異

考慮影像提取的特征變量較多且其中存在的多重共線性問題，本研究使用全子集篩選法以R2adj和BIC為標準對2 種影像類型提取的光譜特征、紋理特征、光譜特征+紋理特征進行變量篩選，發現2 種像元類型下全子集篩選出的較優變量存在一定差異，這是因為不同光譜特征及紋理特征與葉綠素含量的相關性及相關性排序會因背景的剔除而發生一定變化，且全子集篩選法在選擇最優模型時會考慮模型的擬合精度與模型復雜度間的平衡，所以篩選的結果會有一定差異[31]。在篩選全像元提取的影像信息時，光譜特征+紋理特征篩選得到的結果與僅使用紋理特征進行篩選得到的結果相同，在篩選玉米像元提取的影像信息時，對光譜特征+紋理特征篩選時得到的結果中光譜特征僅包含NDRE，這表明多個紋理特征變量組合提供了更多提高擬合精度的有效信息，此外，使用玉米像元提取的影像信息篩選出的紋理特征和光譜特征+紋理特征的BIC 較全像元提取的影像信息篩選結果BIC 更小，而R2adj更高，這一結果也印證了剔除背景后提取的影像信息對葉綠素含量的敏感性更高，更適用于葉綠素含量估測模型的構建。篩選出較優特征變量后本研究使用3 種機器學習算法構建葉綠素含量反演模型，相比PLS 模型和SVM 模型，使用BPNN 構建的模型在不同的較優變量中均取得最佳反演效果（R2=0.572—0.690），表明BPNN 在作物長勢估測中的優勢，主要因為PLS 是主成分分析、典型相關分析和多元線性回歸的結合，通過變量篩選后用于建模的變量數量減少，從而降低PLS 的精度[40]；而SVM 在本研究中的效果較差可能是因為受限于核函數和懲罰因子的影響，降低了算法的反演效果[41]；BPNN 能夠自適應地調整網絡的權重和閾值，減少對異常數據的敏感性，具有較強的學習能力，能夠更好地逼近預測函數，李媛媛、QI 等對玉米、花生的SPAD 進行反演建模時也得到了相似的結果[42-43]。但在使用BPNN 進行反演回歸分析時，存在多次運行結果不一致的問題，這是因為神經網絡的權重初始化是隨機的，因此本研究從多次運行中選取了模型R2相對較好且無明顯過擬合的結果。

不同機器學習算法在應用時存在差異，本研究中主要體現在對數據的要求、算法原理及模型穩定性的差別，后續可嘗試通過多模型集成學習的方式來綜合各算法模型優勢[44-46]，進一步驗證背景像元對玉米葉綠素含量反演的影響并提高反演精度。此外，由于數據量相對較小，未來的研究還需要增加其他玉米品種，并使用包含不同年份、不同地區的田間樣本用于建模，提高模型的遷移泛化能力。

4 結論

（1）苗期、拔節期、抽雄期和灌漿期影像的背景像元對玉米冠層的光譜均有顯著影響。剔除背景后反映了玉米冠層的真實光譜。剔除背景后，光譜特征與葉綠素含量相關系數提升不顯著，紋理特征與葉綠素含量的相關系數整體平均提升0.08，其中近紅外波段均值具有最高相關性，相關系數達到0.71。（2）基于玉米像元影像的光譜特征和紋理特征用于葉綠素含量建模精度相對全像元影像更高，其中以玉米像元影像提取的光譜特征+紋理特征為輸入變量的BPNN 模型反演葉綠素含量精度最高，相比全像元影像最佳反演模型的建模R2提高0.078，RMSE 和MAE 分別降低0.060 和0.055 mg·g-1；驗證R2提高0.109，RMSE 和MAE 分別降低0.075 和0.047 mg·g-1。研究結果表明將影像背景噪聲去除的重要性，可為無人機多光譜遙感估算覆膜作物葉綠素含量提供理論參考。