Assessment of corn chlorophyll content via UAV‐derived vegetative indices across growth stages
Aarati Khulal · Huijie Gan · Jitender Rathore 等 8 人
用无人机多光谱植被指数评估玉米不同生育期冠层叶绿素含量。
DJI Mavic 3 M多光谱影像，8个植被指数，SPAD实测，线性回归与La
GNDVI与红边指数在营养生长后期预测SPAD最准，多变量模型未优于单指数。
可探索多生育期时序融合与多源数据耦合，提升跨站点跨年份叶绿素估算泛化能力。
基于无人机多光谱影像评估玉米冠层叶绿素，方法规范、结论明确，对精准养分管理有参考价值，但属细分领域研究，公共影响有限。
传统叶绿素（Chl）评估方法费时费力且空间覆盖有限。本研究评估了无人机（UAV）多光谱影像在玉米（Zea mays L.）田块尺度冠层叶绿素无损估测中的应用，以支持精准养分管理。田间试验在弗吉尼亚理工大学的两个研究农场进行，设置两个氮（N）水平，分别为112和224 kg N ha⁻¹，以及五个磷（P）水平，分别为0、56、112、168和224 kg P₂O₅ ha⁻¹。使用SPAD-502 Plus叶绿素仪（SPAD即土壤植物分析开发）测定冠层叶绿素。使用DJI Mavic 3 M在三个采样时期采集无人机影像：营养生长早期（Ve-E）、营养生长晚期（Ve-L）和生殖生长阶段，分别对应V4–V6、V11–V13和R3–R5生育时期。从绿、红、红边和近红外波段提取了8种植被指数（VIs）。采用Pearson相关、简单和多元线性回归、Lasso及弹性网（Elastic Net）评估SPAD与光谱预测变量之间的关系。模型性能通过重复30次的五折交叉验证（CV）估计进行评估，指标包括交叉验证R²、均方根误差和相对均方根误差。预测精度为中等水平，且因地点和时间而异，其中Ve-L时期关系最强。在Ve-L时期，绿归一化差异植被指数（GNDVI）和红边叶绿素指数分别在Orange和Kentland表现最佳。多变量模型和正则化模型表现相当，但未能比最佳单植被指数模型提高精度。总体而言，GNDVI和基于红边的指数是冠层叶绿素变异最有用的指标。这些结果表明，无人机获取的GNDVI和红边指数能够对基于SPAD的叶绿素状况提供中等精度且可解释的估测。