石浩磊，曹红霞✉，张伟杰，朱珊，何子建，张泽

1 西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌 712100；2 石河子大学农学院，新疆石河子 832003

0 引言

【研究意义】棉花是我国重要的经济作物，在新疆乃至全国农业经济中占据重要地位[1]。叶面积指数（leaf area index，LAI）是反映作物长势[2]、相关生理指标[3]、光合效率[4]、呼吸蒸腾作用[5]的关键参数，在作物长势监测上具有广泛应用[6]。研究不同生育期、多生育期无人机多光谱数据棉花LAI 估测模型，明确不同生育期间棉花LAI 估测模型变化规律，对实时掌握棉花长势并因地制宜进行田间科学管理具有重要意义。【前人研究进展】目前，对作物LAI 的观测主要通过地面田间测量[7]、作物生长模型[8]、卫星遥感[9]等方法。卫星遥感技术因其具有较好的时间、空间尺度优势，已成为大规模监测作物LAI 的主要方式[10-11]。然而，卫星遥感技术易受自然环境影响同时其数据处理复杂，难以应对农田尺度上LAI 的精准监测[12]。近年来，无人机遥感信息获取技术被广泛应用于农业领域[13-15]。其快速、高效获取农田作物信息的特征满足了精准农业和智慧农业发展的需要，应用前景广阔，发展潜力巨大[16]。部分研究人员已经开展了基于无人机多光谱的作物生长与生理指标监测研究[17-20]。在使用无人机遥感技术监测作物LAI 时，主要有经验模型法和物理模型法。经验模型法是基于统计学的方法以建立某种经验模型公式，是目前实践中应用最多的方法。陶惠林等[21]使用无人机和ASD 光谱仪，发现使用多元线性回归的方法可以取得较好的冬小麦LAI 预测模型；曹中盛等[22]使用无人机获取水稻叶片数码影像，提取颜色指数和纹理特征，分析其在不同生育期的相关性，取得了较好的结果；付虹雨等[23]使用无人机多光谱相机集合机器学习算法，建立了对苎麻LAI 的估测模型。上述研究证实了无人机数据对作物LAI 的估测潜力，但针对棉花LAI 估测研究相对较少。田明璐等[24]通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法，发现以植被指数为自变量可以取得较好的棉花盛蕾期LAI 反演模型，但该研究只探求了单一生育期的LAI 反演效果，没有对棉花多个生育期的反演变化规律进行阐述；马怡茹等[25]对出苗后不同天数的棉花LAI 建立数据集合实现了无人机高光谱技术对棉花LAI 的监测，但对不同生育期棉花的LAI 没有进行单独分析；韩建文等[26]使用不同分辨率无人机多光谱影像数据对棉花花铃期LAI 进行估测研究，结果表明使用RF 算法可以实现对棉花花铃期的LAI 高精度估测，但同样存在只针对单一生育期研究的问题。【本研究切入点】目前，应用无人机多光谱遥感对棉花不同生育期LAI估测变化情况的研究相对较少，棉花从现蕾期开始进入营养生长和生殖生长的并进时期，及时掌握棉花田间动态以应对长势差异变化，以此制定具体的田间管理措施是实现精准农业的需要。作物LAI 随时间动态变化，要实现无人机在农田尺度上的LAI 精准监测，有必要探明不同生育期作物LAI 变化与基于无人机遥感信息所建立模型之间的响应。现有的应用无人机多光谱遥感技术监测棉花LAI 的文献中，地面实测数据主要通过取试验区内3 株代表性植株来代表试验小区均值，本研究为了增加试验样本容量引入内外侧棉花概念并验证其可行性，尝试通过该方法以提升对试验小区内棉花LAI 的反演精度。【拟解决的关键问题】结合地面实测的棉花现蕾期、初花期、结铃期、吐絮期LAI 数据与无人机多光谱遥感数据，采用植被指数和颜色指数两种常见指数，对不同生育期棉花LAI 采用偏最小二乘、岭回归、随机森林、支持向量机、神经网络5 种机器学习算法建立模型，探明不同生育期以及多生育期无人机监测棉花LAI的变化规律，为新疆棉花田间管理提供科学依据和技术支持。

1 材料与方法

1.1 试验区概况

试验于2021 年6—9 月在石河子市146 团北泉镇新疆天业集团高标准农田示范区进行（85°58′13″E，44°28′49″N）。示范区位于准噶尔盆地南缘，玛纳斯河西岸，属典型的温带大陆性气候。气候干旱，主要以灌溉农业为主，主要经济作物为棉花。区域内光热资源充足，蒸发较大。无霜期为170 d 左右，大于0 ℃的活动积温约为4 100 ℃，大于10 ℃的活动积温约为3 600 ℃。年降水量在（160±40）mm。示范区毗邻蘑菇湖水库，受水库影响，试验地地下水埋深3 m 以下，平均土壤含盐量为12—18 g·kg-1，土壤盐分类型以硫酸盐为主，种植的棉花品种为‘惠远72’。试验地如图1 所示。

图1 试验地概况Fig.1 Overview of the test site

1.2 试验设计

设置2 个生育期灌水淋洗试验，灌溉水量均为作物需水量的80%（80% ETc），采用地表膜下滴灌和地下滴灌相结合的灌水方式，2 个试验均设置3 个相同的生育期淋洗水量水平，W1：120 mm、W2：240 mm、W3：360 mm，且均在3 个生育期的第1 次灌水施加淋洗水量。试验1 设置3 个地表地下交替滴灌起始时间：分别在苗期（Z1）、现蕾期（Z2）、初花期（Z3）第1 次淋洗时开始进行异次地表地下交替滴灌（异次表示相邻两次灌水过程中一次膜下滴灌一次地下滴灌，依次交替进行），共计9 个处理，详见表1。试验2 设置5 种次灌水量在地表和地下滴灌间的分配组合：膜下100%+地下0（F1）、膜下75%+地下25%（F2）、膜下50%+地下50%（F3）、膜下25%+地下75%（F4），膜下0+地下100%（F5），共15 个处理，详情见表2。2 个试验共计24 个小区，每个小区面积7 m×8 m。试验水源为当地渠水。其中ETc 根据ETc=ET0×Kc 获得，ET0由试验区小型自动气象站数据计算获得，Kc 为作物系数，每 7 d灌水一次。

表1 试验1 处理设计Table 1 Test 1 treatment design

棉花播种时间为4 月中下旬，种植方式在传统的一膜三管六行种植模式基础上，在3 条地表滴灌带下方30 cm 处增设地下滴灌带，具体如图2 所示，棉花种植间距为10 cm，株距10 cm，宽行为70 cm，膜宽200 cm，膜间距为30 cm，其中外侧棉花主要指远离滴灌带且靠近膜间裸地的棉花，内侧棉花主要指靠近滴灌带且远离膜间裸地的棉花。

图2 小区种植示意图Fig.2 Schematic diagram of community planting (cm)

1.3 试验数据的获取与处理

1.3.1 棉花LAI 的测定 采用传统破坏性取样打孔称重法进行LAI 的测定[27]，有研究表明比重法测定LAI 具有较高的精度[13]。分别取内侧和外侧棉花3 株代表性植株地上全叶片进行打孔称重，以测定棉花LAI[28]。3 株棉花的平均值代表采样点的均值，棉花生长的现蕾期和结铃期各采得36 个样本，初花期和吐絮期各采得48 个样本，多生育期共计168 个样本。采集时间见表3。

表3 试验数据采集时间表Table 3 Schedule of test data acquisition

1.3.2 无人机数据的获取与处理 使用大疆精灵4多光谱版一体化无人机于每次地面采样试验同期获取棉花多光谱影像数据，同时采集蓝光（blue）、绿光（green）、红光（red）、近红外（NIR）、红边（red edge）5 个波段的多光谱图像（在现蕾期和花铃期只收集了18 个小区影像信息）。导入地面控制点的三维空间位置信息进行地理校正。采用DJI Terra 软件生成研究区域的正射影像。DJI Terra 生成包含5 个多光谱指数的文件以及对应波段的DN 值数据，5 种多光谱指数主要包括：归一化差植被指数（NDVI）、绿度归一化差植被指数（GNDVI）、归一化差红边指数（NDRE）、叶片叶绿素指数（LCI）、优化的土壤调节植被指数（OSAVI）。将所得图像导入ENVI 软件进行裁剪获取试验区大小的影像数据方便数据处理，并通过选取感兴趣区域获取棉花生长内外侧相关无人机影像数据。根据图像计算了19 种相关颜色指数，进行数据预处理后最终选择5 种颜色指数，分别为修正红绿植被指数（MGRVI）、红绿植被指数（GRVI）、绿叶指数（GLA）、超红指数（EXR）、大气阻抗植被指数（VARI）。文中使用的相关指数见表4。

表4 相关指数计算Table 4 Calculation of relevant indices

1.3.3 相关模型的构建 选取5 种机器学习算法用以估算棉花LAI 数据，分别为偏最小二乘（partial least squares regression，PLSR）、岭回归（ridge regression，RR）、随机森林（random forest，RF）、支持向量机（support vector machine，SVM）、神经网络（back propagation，BP）算法，以上模型通过Python3.9 的Scikit-learn 机器学习库构建，代码在Pycharm2022 中实现。将试验1 和试验2 数据汇总，各生育期数据按照2∶1 划分为训练集和验证集，各生育期训练集和验证集的总和组成多生育期数据集合，使用训练集建立模型，使用验证集来评价模型性能。在模型训练中使用了6 折交叉验证来避免过拟合情况的出现。

1.3.4 评价指标 采用决定系数（coefficient of determination，R2），平均绝对值误差（mean absolute error，MAE）和归一化均方根误差（normal root mean square error，NRMSE）评价模型精度[38]。R²用于评价估测值和实测值的拟合程度，其值越接近1 则模型拟合效果越好；MAE 和NRMSE 用于评价估测值和实测值的实际偏差，其值越小则模型拟合效果越好。

2 结果

2.1 地面实测LAI 结果分析

对棉花各生育期LAI 采样结果按照内侧和外侧进行分析，并计算各采样点样本的基本特征，如表5 所示。从总体上看，覆膜棉花LAI 随着生育期的变化呈先增长后下降的趋势。LAI 峰值出现在初花期，初花期内外侧棉花LAI 均值分别为4.79 和3.79。通过方差分析，现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧（P＜0.05）。在各生育期样本的变异系数均大于17%。各生育期实测棉花LAI 的变异性较强，且内外侧差异较大。一方面说明按照内侧和外侧采样能够为接下来模型的精准反演提供数据支持，另一方面表明有必要通过内侧外侧区分以实现对试验区LAI 的精准预测。

表5 采样点LAI 分析Table 5 Sampling point LAI analysis

2.2 相关性分析

为了阐明各指数间及与棉花LAI 的相关关系，对各个生育期及多生育期多光谱指数和颜色指数间以及各指数与棉花LAI 进行了相关性分析，分析结果如图3 所示。

图3 各生育期及多生育期数据集合相关指数间以及各指数与棉花LAI 相关系数热图Fig.3 Heat map of correlation coefficients between data sets of different growth stages and multiple growth stages, as well as between each index and cotton LAI

选择的指数在各时期彼此间均呈现显著相关（P＜0.05）。总体而言，多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势，在现蕾期多光谱指数与颜色指数的相关性最强，相关系数介于0.63—0.85。对于多光谱指数，NDVI 与GNDVI 在各生育期的相关系数介于0.81—0.88，两者相关性最强；OSAVI 与NDRE在各生育期的相关系数介于0.48—0.53，两者相关性最弱。各多光谱指数间相关关系随生育期变化而波动。对于颜色指数，在各生育期间各颜色指数间相关性极强，且各颜色指数间相关性不随生育期的变化而变化。对于多生育期数据集合，多光谱指数NDVI 与OSAVI 的相关性最强，且NDVI 与各颜色指数间相关性最强。颜色指数间相关性极强，且差异不明显。多光谱指数间的相关性随着生育期变化而变化在一定程度上说明多光谱指数具有反映棉花生长发育不同阶段的潜力，显然颜色指数不具备这样的特征，后续的结果分析也印证了这一假设。

选择的指数在各时期均与棉花LAI 存在显著性（P＜0.05），多光谱指数相关系数介于0.35—0.85，颜色指数相关系数介于0.49—0.71，相关系数绝对值较大的指数多为多光谱指数，颜色指数与棉花LAI 的相关系数绝对值较小。在棉花初花期出现了多光谱指数和颜色指数相关系数的最大值，相关系数分别为0.85（NDVI）与0.71（GLA）。在多生育期LAI 集合上，颜色指数和多光谱指数相关系数较各生育期低，其中OSAVI 相关性最大，为0.69。在各个数据集中，多光谱指数与棉花LAI 相关系数NDVI＞GNDVI＞LCI≈NDRE＞OSAVI，颜色指数间差异不明显。综上所述对于同一生育期不同指数，多光谱指数与LAI 的相关性优于可见光指数。对于不同生育期同一指数，多光谱指数与LAI 的相关性随生育期的变化而变化，除OSAVI 外其余多光谱指数的相关性在初花期和吐絮期要高于现蕾期和结铃期，OSAVI 指数与LAI 相关性最大值出现在初花期和结铃期，多光谱指数相关性变化程度较为明显，颜色指数与LAI 的相关性几乎不随生育期的变化而变化。

2.3 建模结果分析

为了建立和评价不同指数对棉花LAI 的估测模型，并探究不同生育期的模型变化规律，使用5 种机器学习算法构建了各数据集合的棉花LAI 的估测模型，基于不同指数与机器学习算法建立模型的验证集合结果如图4 所示。从选用指数上看，棉花各生育期模型中多光谱指数优于颜色指数，且各指数模型预测性能随着生育期的变化呈现规律性。对于多光谱指数，从现蕾期到初花期各指数模型预测性能均呈现上述趋势，在现蕾期后各指数模型性能规律性开始变化。NDVI、GNDVI、OSAVI 模型预测性能在现蕾期后随着生育期的变化呈下降趋势；LCI 模型预测性能逐渐上升；NDRE 模型预测性能产生波动。在现蕾期和初花期拟合效果上，NDVI＞GNDVI＞OSAVI＞NDRE＞LCI，在结铃期和吐絮期拟合效果上，NDVI＞LCI＞NDRE＞GNDVI＞OSAVI。对于颜色指数：各颜色指数在各生育阶段上拟合效果较差且差异不明显，在现蕾期与结铃期各模型间出现了较大的波动，在初花期和吐絮期较为平稳。总体上决定系数R2介于0.1—0.5。在多生育期数据集合拟合效果上，多光谱指数表现为GNDVI＞LCI＞NDRE＞NDVI＞OSAVI。各颜色指数则表现为拟合效果接近，且均优于多光谱指数GNDVI。

图4 各生育期及多生育期数据集合模型性能变化图Fig.4 Performance change of data collection model for each growth stage and multiple growth stages

从模型结果上看，RF 模型和BP 模型在各生育期下获得了较高的估计精度。不同生育期下棉花LAI 的反演最优模型如表6 所示。在各生育期最优指数均为NDVI，现蕾期和吐絮期的LAI 最佳估计模型为BP，现蕾期最优模型验证集R2为0.720，MAE 为0.239，NRMSE 为0.163，吐絮期最优模型验证集R2为0.730，MAE 为0.371，NRMSE 为0.180。初花期和结铃期的LAI 最佳估计模型为RF，初花期最优模型验证集R2为0.809，MAE 为0.288，NRMSE 为0.120，结铃期最优模型验证集R2为0.746，MAE 为0.398，NRMSE为0.147。对棉花LAI 最优预测模型出现在棉花的初花期，最优模型预测性能相较现蕾期提高12.37%，较结铃期提高8.45%，较吐絮期提升10.82%。对于同一生育期相同指数，不同算法模型在预测性能上产生一定的差异性，RF 与BP 拟合效果均较好且较为相近，其余3 种算法拟合效果差异不明显。对于不同的生育期，同一多光谱指数所构建的模型反演效果有差异，但初花期构建模型的反演精度优于其他生育期。在多生育期拟合效果上，较各生育期预测模型性能出现了明显下降，最优指数为GNDVI，最优估测模型为BP，模型验证集R2为0.386，MAE 为0.700，NRMSE 为0.198。

表6 各生育期和多生育期最优模型Table 6 Optimal model for each growth stage and multiple growth stages

由图5 分析可知，各最优模型算法拟合回归曲线斜率均小于1，这表明算法在棉花LAI 偏小时估测结果偏大，在棉花LAI 偏大时的估测结果偏小。初花期基于NDVI 的RF 模型验证集斜率最接近1，该模型的预测性能最佳。

图5 各生育期及多生育期数据集合最优模型散点图Fig.5 Scatterplot of optimal model of data collection for each growth stage and multiple growth stages

3 讨论

3.1 内外侧棉花LAI 差异性分析

棉花的LAI 随生育期的变化而变化，呈现先增加后降低的趋势，本研究中初花期棉花LAI 达到峰值。内外侧棉花的长势状况受土壤水分、盐分状况、根系分布情况等多种因素影响[39-40]。新疆多为盐渍土，内侧棉花盐分淋洗效果较好且土壤水分含量较高，膜下滴灌对外侧棉花淋洗效果较差，且远离滴灌带的膜间土壤处于积累盐分的过程，这些原因会导致外侧棉花受到的胁迫大于内侧，引起内外侧棉花生长的不均匀并进一步影响棉花产量[39,41]。胁迫差异导致同一膜内不同位置的棉花LAI 产生显著差异，在本研究中外侧棉花的LAI 在现蕾期、初花期、结铃期显著低于内侧棉花，在棉花正射影像图中也可以观察到类似于条带状的差异性。在本研究中区分内外侧棉花并以此建立数据集合以增加样本数量并通过方差分析验证了差异性的存在，一方面为进一步构建反演模型提供了数据支撑，另一方面棉花在现蕾期开始进入营养生长和生殖生长的并进时期，在此后及时精准掌握田间差异并采取一定的田间管理措施可以缓解内外侧棉花产量差异，如有研究表明提高灌水频率可以在一定程度上缓解膜内棉花生长的内外差异[41]。同时也提示使用合适的取样方法在一定程度上能够更好地反映试验区内作物长势的真实情况。精准农业是未来农业的发展趋势，在通过遥感技术对棉田进行分析时，充分考虑到棉花种植时内侧与外侧差异是有必要的。

3.2 相关指数相关性分析

当引入的指数较多时，可以通过相关性分析对指数进行初步筛选以提升拟合模型的效率[42-43]。NDVI在各生育期与LAI 的相关性均最高，这与前人研究结果一致[44-45]。在多生育期集合中，GNDVI 相关性最好，结合建模结果来看，这可能与GNDVI 在各生育期建模结果差异不明显有关。同时在多生育期数据集中，多光谱指数OSAVI 与LAI 的相关性低于颜色指数。总体而言，LAI 与多光谱指数相关性较强，与颜色指数相关性较弱，这与前人的研究结果一致[46]。通过图3 可以观察到颜色指数在各生育期内相关性极强，最小的相关系数达到了0.98，这种颜色指数间的强相关性在前人的研究中也有所体现[47]。各时期多光谱指数之间的差异性大于颜色指数，在应对LAI 随生育期变化层面上作出了更为明显的反馈，进一步说明多光谱相机可以更好揭示棉花生长发育过程中的变化，同时也解释了本文中基于多光谱指数建立的模型要优于颜色指数建立的模型。

3.3 棉花LAI 模型分析

与前人利用无人机遥感技术反演农作物的研究相比[21,23-24]，本研究使用不同生育期的多光谱指数及颜色指数对棉花LAI 进行估测，使用机器学习算法选取出多个生育阶段最优模型。在研究中4 个生育期模型验证集的R2介于0.720—0.809，充分证明了使用无人机遥感技术对棉花多生育期LAI 反演的潜力。所得出的模型在训练集和验证集上R2均有一定提升，且为棉花多个生育期的LAI 监测提供了理论支撑。棉花LAI监测模型的性能是随生育期变化的过程，相关指数与建模方法在特定时期取得较好效果，这与作物的生长发育密切相关。有研究认为叶绿素含量的变化会影响作物的光合能力，进而引起作物叶片的可见光吸收能力改变，影响相关指数的数值变化，从而在一定程度上影响不同生育期的LAI 预测能力[21]。在本研究中对棉花LAI 监测的最佳生育期在棉花初花期，有研究将棉花花期和结铃期并称为花铃期，此时是棉花生长的关键时期，以往基于无人机遥感的对棉花相关生理生长参数的研究往往基于这一时期[48-49]。使用多光谱遥感技术监测作物LAI 的过程中普遍会出现相关指数过饱和的问题，这在一定程度上制约了LAI 预测模型性能的提升，有研究证实图像纹理指标与多光谱指数相结合可以在一定程度提升LAI 预测性能[26]。在本研究中多生育期数据集合反演效果相较于单一生育期并不理想，并不能通过建立多生育期数据集合的方式来实现对任一时期棉花LAI 的监测，相较于前人使用高光谱相机进行全生育期研究的多生育期的棉花LAI 反演模型的R2下降近20%[25]，高光谱相机在精度方面优于多光谱相机，且高光谱数据处理方式的多样性在一定程度上导致了两者反演模型差异的出现。本文所建立的多生育期模型较差一方面可能因为各指数在各生育期拟合结果本身存在差异性，另一方面可能因为区分内外侧后增大了样本的差异性。通过图5 观察到验证集合斜率小于1 说明了模型在LAI 偏小或偏大时会产生较大的误差进而影响模型的预测结果。通过图4 不难看出，各个生育期的相关指数相关性差异并不明显，棉花LAI 却始终处于动态变化的阶段，这种变化不匹配的差异性可能导致了棉花多生育期数据集合预测性能的下降，限制基于多光谱指数对棉花LAI 经验模型的建立[50]。在多生育期数据集合上，GDNVI 在指数中表现最好，OSAVI 表现最差，GDNVI 在LAI 的预测上具有更好的变化适应性。颜色指数在各生育期和多生育期数据集内表现平稳，GLA 是相对优秀的颜色指数，但总体上颜色指数拟合效果较差。

机器学习算法已被广泛应用于无人机影像对农作物LAI 的研究[51-52]。本文采用的5 种机器学习算法包括了在处理多数据问题上有优势的偏最小二乘；能够有效减少数据过拟合的岭回归算法；以及被广泛应用于处理非线性问题的SVM、RF、BP 算法。通过图4可以看到，选用适当的算法在一定程度上有助于提升棉花LAI 的监测性能[53]。在多光谱指数上5 种机器学习算法对于LAI 均有很好的预测性能，其中RF 模型和BP 模型取得结果较好，其余3 种模型效果差异不明显，这与前人研究结果一致[17,53]。SVM 算法在抗干扰性上存在一定劣势，这可能是限制该算法模型效果的原因[54]。偏最小二乘回归和岭回归具有较高的稳定性，但是预测能力较RF 和BP 模型有差异。这种现象存在的原因可能是偏最小二乘回归和岭回归主要用于处理多元线性回归问题，RF 和BP 算法可以较好地处理非线性的拟合问题[55]。先进的机器学习算法可以有效提高遥感反演精度[56]。在颜色指数上，5 种机器学习算法对于LAI 的预测性能均较差且差异不大，单通过颜色指数无法获得棉花LAI 的优秀反演模型。多光谱指数与颜色指数模型在现蕾期和结铃期表现出较初花期和吐絮期更大的不同模型间的波动，这可能与对应生育期的样本容量变化有关，样本容量的增大使得各模型之间的差异性缩小同时更为稳定。各最优拟合模型算法回归斜率均小于1，这表明算法在处理棉花LAI 偏小时估测结果偏大，在棉花LAI 偏大时的估测结果偏小，该现象是使用机器学习算法针对作物LAI预测而出现的普遍现象，这一现象也存在于前人研究中[25]。本文仅使用了一年的棉花试验数据，且计算指数相对较少，缺少对无人机影像信息的纹理分析，未来应当考虑结合无人机纹理特征，并进一步增加样本数量，同时结合多年试验数据，开拓覆膜棉花LAI 的最优估测模型并提升模型适应性。

4 结论

试验区内外侧棉花LAI 存在显著性差异。棉花LAI 的估测模型随着生育期的变化而变化，在各生育期内NDVI 是估测棉花LAI 的最优指数，BP 模型与RF 模型均能够取得较优的估测效果。多生育期数据集合对棉花LAI 估测效果较差，最优指数为GNDVI，最优模型为BP，最优模型验证集R2为0.386，MAE为0.700，NRMSE 为0.198。本研究中估测棉花LAI最优窗口期在初花期，多光谱指数和颜色指数均得到了最优的估测效果，最优指数为NDVI，最优模型为RF，最优模型验证集R2为0.809，MAE 为0.288，NRMSE 为0.120。使用先进的机器学习算法能够获得较好的棉花LAI 估测精度。