融合多光谱植被指数与纹理特征的烟草冠层叶绿素含量高精度反演模型研究

为解决烟草冠层叶绿素含量无损监测难题，山东农业大学团队创新性地提出融合无人机(UAV)多光谱植被指数(VIs)与纹理特征(TFs)的反演模型MLP-GBDT。通过mRMR算法筛选关键特征，结合注意力机制与双阶段优化策略，模型R2达0.851，较传统方法提升10.1%-16.7%，为精准农业提供新范式。

　　

烟草作为重要经济作物，其叶绿素含量直接反映植株光合效率与氮素营养状况。传统SPAD检测依赖手持式仪器，存在效率低、破坏性采样等问题。无人机(UAV)多光谱遥感虽能实现大面积监测，但面临特征冗余、高浓度区光谱饱和等技术瓶颈。如何融合多源特征提升反演精度，成为智慧农业领域亟待突破的关键问题。

山东农业大学信息科学与工程学院团队在《Smart Agricultural Technology》发表研究，创新性地构建"特征解析-决策优化"双模块架构的MLP-GBDT模型。通过整合六波段MS600 PRO相机获取的多光谱数据，结合mRMR算法与五折交叉验证筛选出9个植被指数和12个纹理特征，最终实现烟草冠层叶绿素含量的高精度反演。

研究采用三大关键技术：1)基于灰度共生矩阵(GLCM)提取8类纹理参数；2)运用最小冗余最大相关(mRMR)算法进行特征筛选；3)构建注意力机制增强的多层感知机(MLP)与粒子群-蚁群双优化的梯度提升决策树(GBDT)融合模型。

【植被指数相关性分析与选择】

通过互信息(MI)量化36个植被指数与SPAD值的相关性，筛选出SR(750,450)、NDVI(750,450)等9个关键指数，其MI值0.17-0.43。GBDT验证显示该组合使R2提升20.7%。

【纹理特征相关性分析与选择】

从192个GLCM特征中优选DIS_555_90°、SEC_840_45°等12个参数，MI值0.12-0.23。在饱和区间，纹理特征贡献度超越传统植被指数，有效缓解光谱饱和效应。

【烟草冠层SPAD反演性能】

MLP-GBDT在融合特征(VI+TF)输入下表现最优(R2=0.851，RMSE=1.214)，较单特征模型提升显著。SHAP分析揭示纹理特征在高SPAD区间(>49)的补偿作用，其SHAP值增幅达37.5%。

【讨论与结论】

该研究突破性地证实：1)红边波段(720nm/750nm)与蓝光波段(450nm)组合的植被指数对叶绿素敏感；2)45°方向的近红外纹理(SEC_840_45°)能有效表征冠层结构异质性；3)双模块架构通过注意力机制实现特征动态加权，较单一模型误差降低16.7%。研究成果为作物表型高通量解析提供新方法，推动无人机遥感在精准施肥中的实际应用。

值得注意的是，研究仍存在生育期单一、未整合环境因子等局限。未来可通过引入时序分析与多源数据融合进一步优化模型普适性。该成果为构建"空-地一体"的作物生长监测体系奠定理论基础，对实现烟草提质增效具有重要实践价值。