【摘要】【目的】研究坡垒叶绿素含量的多光谱图像预测法，探讨融合多光谱频域特征预测叶绿素含量的可行性，为坡垒叶绿素含量的无损监测提供有效工具。【方法】采用将植被指数与传统的阈值分割法相结合的方式，去除坡垒冠层多光谱图像的背景，以F_1为分割精度评价指标，确定最适多光谱图像分割方法。对分割后的坡垒冠层多光谱图像，精准提取空域特征（植被指数与纹理特征），并引入3种频域特征，然后基于相关性分析和Lasso算法筛选图像特征，以便携式叶绿素仪测得的SPAD值作为相对叶绿素含量实测值，确定与坡垒SPAD值强相关的优选特征及合适的建模特征组合，结合偏最小二乘回归（PLSR）、随机森林（RF）和极限梯度提升（XGBoost）模型，分别建立多光谱空、频、融合特征模型并进行精度验证，确定适用于幼龄坡垒SPAD值预测的模型形式。【结果】差值植被指数与Kapur阈值结合的分割方法获得了最高分割精度，评价指标F_1达到0.917，为坡垒冠层多光谱图像的最适分割方法。多光谱图像空频域特征表现了与坡垒SPAD值的显著相关性，其中相关性最强的特征为修正叶绿素吸收反射率植被指数，相关系数达到-0.780，为基于单图像特征预测SPAD值的优选特征。在3种频域特征中，小波特征与SPAD值的相关性表现最优。因此，小波变换为优选坡垒多光谱图像频域变换方法。基于不同图像特征构建的SPAD值预测模型，性能表现排序为单频域特征模型<单空域特征模型<融合特征模型，最适建模算法为RF、XGBoost算法。基于RF的融合特征模型为最适模型，检验R~2达到0.791，较单空域特征模型的检验R~2提高了7.9%。【结论】引入3种频域特征能够提高坡垒SPAD值预测精度，且基于RF的融合特征模型获得了较高的预测精度，因此融合多光谱空频域特征并结合机器学习算法，可作为一种有效的幼龄坡垒相对叶绿素含量预测工具，有利于坡垒培育经营工作的智能化发展。