基于无人机多光谱红边指数的猕猴桃园灌溉后土壤水分含量最优监测时间研究

本研究创新性地利用无人机多光谱（MS）遥感技术结合机器学习（ML）算法（包括随机森林RF、支持向量机SVM和反向传播神经网络BP），通过红边植被指数（VIs）构建了猕猴桃园灌溉后土壤水分含量（SMC）的精准估算模型。研究发现：20 cm深度土层在灌溉后第7天16:00为最佳监测窗口期，RF模型（R2=0.72）显著优于其他算法；红边波段（re1-re3）构建的植被指数（如NDVIre3）对SMC敏感性突出，为果园智慧灌溉提供了新方案。

　　

Highlight

本研究揭示了红边植被指数在土壤水分监测中的独特价值：基于无人机多光谱数据构建的NDVI_re3和SAVI_re2等指数，在捕捉灌溉后猕猴桃根系层水分动态时表现出显著优势，犹如给果园装上了"水分透视眼"。

土壤水分含量敏感植被指数的筛选

通过灰色关联分析（GRA）和随机森林袋外数据（OOB）双重筛选，发现包含红边波段717 nm（re2）和740 nm（re3）的植被指数对SMC响应最灵敏。NDVI与NDVI_re3这对"红边双星"的关联度持续霸榜，证实红边信息能穿透冠层干扰，精准捕捉土壤水信号。

不同算法在灌溉条件下的土壤水分估算精度对比

机器学习算法上演"三国演义"：RF模型以R² 0.85的战绩碾压BP和SVM，其集成学习特性完美化解了杂草干扰等噪声问题。特别在20 cm深度，RF模型MAE低至0.32，堪称"水分预测神器"。

结论

1.RF模型配合红边植被指数（如EVI_re）组成"黄金搭档"，估算精度较传统方法提升40%

2.灌溉后第7天16:00的监测时间窗口，恰逢土壤水分再分布与冠层生理响应的"甜蜜点"，此时20 cm深度的SMC数据最能反映真实水分状况

这项研究为果园装上了"智能水表"，让灌溉决策从此有数可依。