根据浙江大学、湖北民族大学、金华职业技术学院等机构研究人员于2026年发表在期刊*Artificial Intelligence in Agriculture*上的最新研究成果，本研究团队成功开发并验证了一种基于无人机（Unmanned Aerial Vehicle, UAV）多光谱遥感技术的冬小麦冠层叶绿素含量非破坏性监测新方法。该研究通过连续两年的实地实验与数据验证，系统探索了融合光谱植被指数与图像纹理特征的建模策略，显著提升了冬小麦关键生育期内叶绿素（以SPAD值表征）的估测精度与模型的泛化能力，为精准农业中的作物氮素营养动态管理提供了科学可靠的技术框架。

一、 研究背景与学术目标

作为全球重要的粮食作物，冬小麦的生长状况与产量品质密切关联。叶片叶绿素含量是反映作物光合能力、氮素营养状况及整体生长活力的关键生物物理指标。传统的叶绿素测量依赖于SPAD仪等手持设备，虽便捷但存在采样点有限、效率低下、具有破坏性等局限，难以满足大田高通量监测的需求。近年来，搭载多光谱传感器的无人机遥感技术因其操作灵活、空间分辨率高、覆盖范围广等优势，在作物表型监测和精准农业管理中展现出巨大潜力。通过建立无人机获取的冠层光谱信息与地面实测SPAD值之间的定量关系模型，可以实现对作物氮素状况的大面积、快速、非接触式评估。

然而，现有研究仍面临挑战。冬小麦在不同生育阶段，其冠层结构、叶片生理状态及光谱反射特性均会发生动态变化，导致单一光谱指数与SPAD值的相关性随之改变。多数先前研究聚焦于单一生长阶段或特定环境条件，缺乏对整个生长周期多阶段SPAD值估测模型的系统构建与验证。此外，模型的稳健性与跨年份、跨区域的泛化能力亟待证实。基于此，本研究旨在：1）阐明冬小麦冠层光谱和纹理特征与SPAD值在不同生育阶段的动态关联规律；2）构建分生育阶段的SPAD值估测模型并评估其精度；3）比较光谱与纹理特征的估测效能，并探索特征融合的优化路径；4）利用第二年独立数据集验证所建立模型的泛化能力，从而建立一个有效且可转移的冬小麦冠层叶绿素无人机监测框架。

二、 研究方法与详细工作流程

本研究在浙江大学余杭农业试验站（2022-2023生长季）和紫金港试验点（2024年验证）展开，工作流程严谨系统，主要包括以下步骤：

1. 试验材料与数据采集：

   • 研究对象：使用了总计376份冬小麦种质材料，包括69份国际材料和307份国内材料，覆盖中国四大冬麦主产区。试验在规则田块中进行，便于管理。
   • 无人机多光谱数据：在整个生长季（2022-2023）进行了10次飞行监测，使用大疆Phantom 4多光谱RTK无人机。飞行覆盖了拔节、孕穗、开花、灌浆等关键物候期。获取了蓝光（450 nm）、绿光（560 nm）、红光（650 nm）、红边（730 nm）和近红外（840 nm）五个波段的高分辨率图像。
   • 地面实测SPAD数据：每次无人机飞行的同时，进行地面同步采样。在每个试验小区随机选取10片顶部叶片，使用SPAD-502叶绿素计测量每片叶上三个均匀分布点的SPAD值，最终计算得到代表整个小区的平均SPAD值，作为模型建立与验证的“真值”。

2. 数据预处理与特征提取：

   • 背景剔除：针对小麦生长早期冠层覆盖度低、土壤背景干扰大的问题，研究采用基于差值植被指数（DVI）的阈值分割法（阈值设为0.3）来有效剔除图像中的土壤背景像素，确保后续提取的冠层光谱和纹理特征更为纯净。具体流程为：原始图像 -> DVI计算 -> 阈值分割（DVI > 0.3为植被）-> 生成仅包含植被冠层的掩膜图像 -> 用于后续特征提取。
   • 光谱特征提取：从背景剔除后的多光谱图像中，提取每个试验小区在五个波段上的平均反射率。基于现有研究和叶绿素的光谱敏感性，进一步计算了17种植被指数，包括归一化差值植被指数（NDVI）、绿光归一化差值植被指数（GNDVI）、改进型叶绿素含量指数（MCCCI）等，以探寻与SPAD值的最佳相关性。
   • 纹理特征提取：为了捕捉冠层结构的空间信息，研究引入了图像纹理分析。利用灰度共生矩阵（Gray-Level Co-Occurrence Matrix, GLCM）方法，从每个光谱波段的图像中提取了8种纹理特征，包括对比度（Contrast）、熵（Entropy）、同质性（Homogeneity）、相关性（Correlation）等。最终，结合5个波段，共生成40个纹理特征变量。

3. 相关性分析与特征选择： 在每个生育阶段，分别计算所有光谱植被指数和纹理特征与地面实测SPAD值之间的皮尔逊相关系数。通过分析这些相关性随生育期的动态变化，筛选出与SPAD值关联最稳定、最显著的特征变量用于建模。分析发现，植被指数MCCCI在整个生长季呈现“先升后降”的趋势，与作物生长动态吻合，是稳健的物候可解释代理指标。纹理特征中，对比度（Contrast）和熵（Entropy）与SPAD值的关联性在孕穗期达到最强。

4. 模型构建与比较： 基于筛选出的关键特征（MCCCI、对比度、熵），研究构建了三类特征集下的SPAD估测模型：仅植被指数（VI）、仅纹理特征（Texture）、以及两者融合（VI+Texture）。采用了三种机器学习算法进行建模和比较：偏最小二乘回归（Partial Least Square Regression, PLSR）、随机森林（Random Forest, RF）和支持向量回归（Support Vector Regression, SVR）。数据集按2:1的比例划分为训练集和测试集，采用留出法验证。模型性能通过决定系数（R²）和均方根误差（RMSE）进行评价。

5. 模型验证与泛化能力评估： 首先，在第一年数据内部，比较不同特征组合和算法模型在分生育阶段的表现，确定最优模型。其次，为了严格检验模型的泛化能力，研究团队在第二个生长季（2024年）于不同的试验地点（浙江大学紫金港校区）采集了新的、独立的小麦冠层多光谱图像和SPAD地面数据（涉及60个高代小麦品系），使用第一年建立的最优模型进行预测，评估其在新环境、新品种上的表现。

三、 主要研究结果与分析

1. 光谱与SPAD值的动态关系：分析表明，五个光谱波段反射率与SPAD值均呈正相关，其中绿光波段和红边波段的反射率与SPAD值的相关性最强（相关系数在0.65-0.74之间）。红边波段对SPAD变化最为敏感，这归因于健康的植被在红边区域存在的反射率陡升效应。冠层光谱特性在不同生育阶段差异显著，证明了分阶段建模的必要性。

2. 特征与SPAD的相关性演变：

   • 植被指数：MCCCI、NDVI等指数与SPAD值的相关性随生育期呈现规律性变化。在营养生长旺盛期（如孕穗期）相关性最高，在生长初期和后期较低。MCCCI表现出最佳的物候跟随性。
   • 纹理特征：纹理特征与SPAD值的相关性也表现出阶段性。在生长早期（2月16日）和后期（5月13日），纹理特征（尤其是对比度）的预测能力优于或与植被指数相当。在冠层结构复杂的孕穗期，纹理特征（对比度和熵）与SPAD值的关联达到峰值。这表明纹理特征能有效补充光谱信息，特别是在光谱信息可能饱和（高覆盖度）或受背景干扰大（低覆盖度）的时期。

3. 模型性能比较与最优模型确立：

   • 总体而言，融合了植被指数和纹理特征的模型普遍优于仅使用单一特征类型的模型。
   • 分阶段结果：在生长早期（2月16日），纹理特征模型表现最佳（R²=0.35）；在营养生长关键期（3月4日至5月1日），植被指数模型或融合模型表现更好，其中4月7日的融合SVR模型达到了极高的精度（R²=0.95，RMSE=1.18）；在生长后期（5月13日），纹理特征模型再次展现出优势。
   • 算法比较：在大多数阶段和特征组合下，支持向量回归（SVR）模型的表现最为稳定和优越。
   • 最优模型：基于融合特征（VI+Texture）的SVR模型被确定为最优模型。与仅使用光谱或仅使用纹理的模型相比，该融合模型将估测精度分别提高了23.81%和22.48%。

4. 模型泛化能力验证：使用第二年独立验证集对最优融合SVR模型进行测试，结果显示出良好的泛化性能：R²为0.748，RMSE为2.54。这表明该模型能够在一定程度上克服年份、地点和品种差异的影响，具备实际应用潜力。

5. SPAD时空分布制图：利用最优模型，研究生成了整个生长季冬小麦SPAD值的时空分布图。可视化结果清晰显示，SPAD值从拔节期开始快速上升，在抽穗至灌浆初期达到峰值，随后在灌浆后期随着叶片衰老而逐渐下降。这一动态过程与作物生理规律完全吻合，直观证明了无人机监测平台的有效性。

四、 研究结论与价值

本研究成功建立并验证了一个基于无人机多光谱遥感的冬小麦冠层SPAD值非破坏性监测的有效且可转移的框架。主要结论如下： 1. 方法有效性：融合光谱植被指数（特别是MCCCI）和图像纹理特征（对比度、熵），并采用SVR算法进行建模，可以显著提高冬小麦在不同生育阶段SPAD值的估测精度。 2. 动态适应性：研究强调了分生育阶段建模的重要性，因为光谱和纹理特征与SPAD值的关联性随作物生长动态变化。融合特征模型能够自适应地利用不同阶段最有效的信息。 3. 技术优势：相较于传统方法，该技术方案实现了大面积、快速、无损的作物氮素状况监测，为田间精准氮肥管理提供了实时、空间明晰的决策依据。 4. 泛化能力：跨年度的独立验证证实了模型具有一定的稳健性和泛化能力，为其在不同环境条件下的推广应用提供了科学支撑。

五、 研究亮点

1. 创新的特征融合策略：本研究不仅关注光谱信息，还系统性地引入并评估了图像纹理特征在作物生化参数反演中的作用，并通过实验证实了光谱-纹理特征融合在提升模型精度、克服光谱饱和或背景干扰方面的显著优势。
2. 系统的动态监测视角：研究覆盖了冬小麦整个生长周期的多个关键物候期，深入分析了特征与目标变量关系的时空动态规律，构建了分阶段的估测模型，而非单一的全局模型，更符合农业生产管理的实际需求。
3. 严谨的泛化能力验证：采用完全独立的第二年数据集进行模型验证，这种验证方式比单纯的数据集随机划分更为严格，极大地增强了研究结论的可信度和实际应用价值。
4. 完整的技术流程：从数据采集、背景剔除、特征提取与筛选、机器学习建模到模型验证与制图应用，研究呈现了一套完整、可复现的无人机遥感作物监测技术流程，具有很高的方法论参考价值。

六、 局限与展望

作者也客观指出了研究的局限性及未来方向：当前模型未整合土壤水分、养分等环境动态参数；受传感器限制，未充分评估低分辨率或多云干扰等次优观测条件的影响；跨年验证样本量相对有限。未来工作将聚焦于多源数据（如环境传感器数据、高光谱数据）融合建模，构建多分辨率数据集以系统评估环境干扰，并通过扩大多区域试验来进一步提升模型在复杂实际农业场景中的鲁棒性。