摘要
辣椒是贵州重要的经济作物，辣椒产业的良好发展是贵州“辣椒强省”计划的关键一步。叶绿素是反映辣椒生长过程、氮素营养状况以及光合作用能力的重要指标。因此，叶绿素含量的快速、准确估测对监测辣椒生长状况及助推贵州辣椒产业发展具有重要意义。本文以贵州省贵阳市辣椒栽培基地种植的辣椒为研究对象，利用无人机搭载高光谱传感器获取初花期、盛花期、盛果期的冠层影像数据，并同步测定3个生育期的辣椒冠层叶绿素含量值，通过卷积平滑(SG)、一阶导数(FD)、倒数(RE)和多元散射校正(MSC)处理原始高光谱数据，比较不同预处理方法与冠层叶绿素含量的相关性，以SG-MSC预处理后的数据为基础，通过比较连续投影算法(SPA)、竞争性自适应重加权取样法(CARS)、无信息变量消除法(UVE)、遗传偏最小二乘算法(GA-PLS)以及联合特征波段选择算法GA-PLS-SPA、GA-PLS-CARS、GA-PLS-UVE在不同生育期辣椒冠层叶绿素含量反演上的表现，利用各生育期冠层高光谱和植被指数影像数据分别构建和提取特征波段、植被指数、纹理特征和纹理指数，再利用相关性确定估测不同生育期辣椒冠层叶绿素含量的适宜光谱特征和纹理指数，最后结合偏最小二乘回归(PLSR)、反向传播神经网络(BP)、随机森林(RF)、极端梯度提升(XGBoost)4种模型构建基于无人机高光谱遥感的不同生育期辣椒冠层叶绿素含量反演模型。本文具体研究内容和结果如下： (1)无人机高光谱遥感能有效估测初花期、盛花期、盛果期的辣椒冠层叶绿素含量，在近红外波段，冠层高光谱特征与冠层叶绿素含量的相关性表现为叶绿素含量越高，冠层光谱反射率越低。相比其他预处理方法，SG-MSC能有效突出各生育期冠层高光谱数据与辣椒冠层叶绿素含量的相关性，在3个生育期均达到最大相关性，相关系数均为0.66。 (2)联合波段选择算法在高光谱数据降维和提升模型精度方面具有明显优越性。通过比较SPA、CARS、UVE、GA-PLS四种单一特征波段选择算法和GA-PLS-SPA、GA-PLS-CARS、GA-PLS-UVE三种联合特征波段选择算法建立的不同生育期辣椒冠层叶绿素含量反演模型效果。发现联合特征波段选择算法在3个生育期构建的反演模型效果均比单一特征波段选择算法好，并且基于GA-PLS-SPA算法构建的各生育期辣椒冠层叶绿素含量反演模型效果较好，其中在初花期GA-PLS-SPA-RF精度最高，验证集的R2、RMSE和RPD分别为0.85、1.82和2.62；在盛花期，GA-PLS-SPA-BP精度最高，验证集的R2、RMSE和RPD分别为0.86、1.51和2.70；在盛果期，GA-PLS-SPA-RF精度最高，验证集的R2、RMSE和RPD分别为0.87、3.02和2.81，验证了GA-PLS-SPA算法的优越性。 (3)分析无人机高光谱影像的光谱特征、纹理特征及纹理指数与辣椒冠层叶绿素含量的定量关系，并构建适用于3个生育期的基于光谱特征结合纹理指数的辣椒冠层叶绿素含量反演模型。研究结果表明，相比传统植被指数，组合植被指数NDSI、RSI、DSI与辣椒冠层叶绿素含量的相关性更强，NDSI在初花期、盛花期和盛果期均表现最大相关性，相关系数分别为0.70、0.71、0.67。纹理指数NDTI、RTI、DTI改善了大部分纹理特征与辣椒冠层叶绿素含量之间相关性较弱的问题，其中NDTI在盛花期和盛果期均达到最大相关性，相关系数分别为0.70、0.63，DTI在初花期达到最大相关性，相关系数为0.60。光谱特征结合纹理特征构建的模型精度优于单一特征，最优模型VIs+TIs-XGBoost的验证集R2在初花期、盛花期、盛果期分别为0.87、0.90、0.89。 (4)在估测3个生育期贵州辣椒冠层叶绿素含量方面，XGBoost模型在初花期、盛花期和盛果期表现最优，RF模型在初花期和盛果期表现较好，BP模型在盛花期表现较好，PLSR模型效果一般，因此XGBoost模型更适合监测不同生育期辣椒冠层叶绿素含量。
NETL