基于无人机高光谱遥感数据的水稻叶绿素含量反演模型研究

应用方向：

高光谱成像技术在农业领域具有广泛应用前景，主要体现在作物生长监测与精准农业管理方面。通过获取作物在可见光—近红外波段的连续光谱信息，可以实现对叶绿素含量等关键生理参数的无损反演，从而反映作物的营养状态、光合作用能力和生长活力，为田间长势诊断、精准施肥和产量预测提供科学依据。同时，结合无人机平台的高空间分辨率和灵活观测能力，高光谱成像能够实现农田区域尺度的快速监测与动态分析。此外，通过融合地面高精度光谱数据与无人机高光谱数据，并结合机器学习或智能优化算法进行建模，可以进一步提高生理参数反演精度，推动高光谱遥感在智慧农业和作物表型监测中的应用。

背景：

水稻是全球*重要的粮食作物之一，其生长状况直接关系到粮食安全与农业生产稳定。其中，叶绿素含量是反映水稻光合能力、营养状况及生长活力的重要生理指标，因此对水稻叶绿素含量进行准确监测，对于作物长势评估、精准施肥管理以及产量预测具有重要意义。传统的叶绿素检测方法通常依赖化学分析或分光光度法，通过实验室提取和测量叶片样品获得叶绿素含量。虽然该类方法具有较高的测量精度，但需要对样品进行破坏性处理，且操作过程耗时、效率较低，难以满足大尺度农田快速监测的需求。

随着遥感技术的发展，高光谱遥感因能够获取连续且丰富的光谱信息，并揭示作物生理参数与光谱反射特性之间的关系，已成为作物生长状态监测的重要技术手段。近年来，无人机搭载高光谱传感器因具有机动灵活、空间分辨率高和获取成本相对较低等优势，在农业监测领域得到广泛应用。通过无人机高光谱数据，可以实现对水稻冠层光谱信息的大范围获取，并进一步构建叶绿素含量反演模型，从而实现作物生长状态的快速评估。

然而，无人机高光谱数据在实际应用中仍存在一定局限性。受传感器性能、大气散射、气溶胶吸收以及土壤和水体背景等因素影响，无人机获取的光谱数据往往存在一定程度的误差和噪声，从而降低了叶绿素反演模型的精度和稳定性。相比之下，地面光谱仪能够在近距离条件下获取高精度的光谱数据，在作物生理参数反演中具有较高可靠性，但其观测范围有限，难以满足区域尺度监测需求。因此，如何有效结合地面光谱数据的高精度优势与无人机高光谱数据的大范围观测能力，对无人机高光谱数据进行优化和校正，从而提高作物叶绿素含量反演精度，成为当前农业遥感研究中的一个重要问题。

作者信息：于丰华，沈阳农业大学信息与电气工程学院，博导

期刊来源：Computers and Electronics in Agriculture

研究内容

本研究基于单点地面光谱仪数据对无人机（UAV）高光谱数据进行优化，在可见光和近红外区域开展光谱优化。通过计算非成像高光谱反射率与不同区域积分后的无人机高光谱反射率的比值，获得优化系数并应用于相应波段，得到优化后的高光谱反射率。在此基础上，分别利用ELM、CPO-ELM和FLA-ELM构建水稻叶片叶绿素含量反演模型。该方法既保留了无人机大面积观测的优势，又通过单点数据提升了光谱精度，为水稻生长状况监测提供了一种新的技术方案。本研究总体技术流程如图1所示。

图1 技术流程总图

实验设计

本研究在辽宁省海城市耿庄镇沈阳农业大学海城实训基地试验田开展。试验水稻品种分别为"沈农9816"和"金稻香103"。研究区概况如图2所示，其中大田编号为1–8号，每块面积660 m²；小田编号为1–15号，每块面积40 m²。田间试验设置5个氮肥梯度处理：零氮、低氮、中氮、标准氮和高氮。其中N0不施氮肥；N3为220.5 kg/ha，基肥、蘖肥、穗肥施用比例为5:3:2；N1、N2、N4分别为N3的50%、75%和125%。所有小区田间管理措施一致。2023年数据集包括大田试验区1–8号地块和小田试验区1–15号地块的样本；2024年数据集包括大田试验区1–4号地块的样本。

图2 研究区概况

本研究采用深圳大疆生产的 M600PRO 六旋翼无人机，搭载GaiaSky-mini 内置推扫式高光谱成像系统（江苏双利合谱科技有限公司，中国）作为核心数据采集设备。该高光谱系统的波长范围为 400–1000 nm，采样间隔为 3 nm，光谱分辨率为 3.5 nm，无人机飞行高度为 100 m，共获取 170 个有效波段。为减少天气条件、太阳高度角及太阳辐射对光谱数据的影响，无人机高光谱数据采集选择在晴朗、无云、无风天气条件下进行。本研究将数据采集时间段设定为 12:00–14:00。在起飞前，对高光谱成像仪进行了暗电流校正和白板校正。此外，在每个场景的高光谱数据采集区域内放置了一块尺寸为 1.5 m × 1.5 m、反射率为 60% 的漫反射校准板，用于后续的反射率数据校正。数据采集完成后，利用机载高光谱成像系统配套的 SpectraView 软件（双利合谱，中国）对获取的无人机高光谱遥感图像进行一系列预处理，包括镜头畸变校正、反射率定标和大气校正等步骤，最终生成水稻冠层的高光谱影像数据。

采集单点高光谱数据。波长范围为 325–1075 nm，光谱测量分辨率为 3 nm，光谱采样间隔为 1 nm。所有高光谱测量均在预先设定的样点处进行，这些样点位于水稻移栽行的正北方向。在测量过程中，光谱仪的视场角设置为 25°，并将光谱仪置于距水稻植株 30 cm 处进行观测。为避免操作者的阴影投射到观测目标上，传感器探头保持垂直向下的方向进行测量。为了减少高光谱测量误差，光谱仪每 10 min 进行一次标准白板校准和背景噪声数据校准。

用分光光度计测定叶片的叶绿素含量。具体过程为：首先采集与光谱测量对应的水稻叶片样品，称取约 0.1 g 新鲜叶片，并加入石英砂进行充分研磨，使组织完*破碎。随后使用 95% 乙醇溶液提取叶片中的叶绿素，并将提取液转移至 50 mL 容量瓶中定容、混匀。将提取液置于 1 cm 光程的比色皿中，经过避光处理约24 h 后，利用 UV–Vis 分光光度计在 649 nm 和 665 nm 波长处测定溶液的吸光度。最后利用测得的吸光度值计算叶片中的叶绿素含量。

研究方法

本研究利用分析软件工具提取采样点。具体流程如下：首先确定各采样网格中心点在真北方向上的坐标，以此点为中心建立5 × 5像元的感兴趣区域（ROI），提取该区域内所有像元的平均光谱值。采用三次插值法，将无人机高光谱反射率数据重采样为1 nm的波段间隔，以匹配非成像高光谱数据的波段数量和位置。鉴于稻田地物环境复杂，无人机采集的水稻冠层光谱反射率可能受到地物、水体等因素干扰，产生不同程度的噪声。本研究采用高斯滤波算法对无人机高光谱反射率进行平滑处理，高斯滤波器标准差设为11（图3）。

图3 无人机高光谱预处理结果。（a）感兴趣区域光谱提取；（b）平滑处理前后对比图；（c）平滑处理前后局部放大图；（d）全样本预处理结果

为确保无人机高光谱与非成像高光谱传感器的光谱范围一致，本研究选取400–1000 nm波长范围内的非成像高光谱反射率数据。由于地面光谱仪各部件在运行过程中易产生噪声，采用高斯滤波算法对非成像高光谱反射率数据进行平滑处理，高斯滤波器标准差设为11。预处理结果如图4（a）所示。

以 700 nm 为界将光谱划分为可见光区（400–700 nm）和近红外区（701–1000 nm）。随后分别计算单点光谱与 UAV 光谱在两个波段内的积分比值，得到可见光区优化系数和近红外区优化系数，并将该系数分别作用于对应波段的 UAV 反射率，从而获得优化后的光谱数据。考虑到分区校正可能在 700 nm 附近产生光谱不连续现象，本文进一步在 680–720 nm 范围内构建过渡带，通过三次样条插值对该区域光谱进行平滑重建，以保证光谱曲线在可见光与近红外波段之间的连续性和稳定性。

此外，本文提出一种基于敏感域引导的随机遍历策略进行特征波段选择。在 400–700 nm 范围内，通过 Monte Carlo 随机组合搜索生成候选波长组合，并采用六波段组合进行遍历计算，通过约10,000 次随机迭代建立候选波段库，最终从中筛选出对叶绿素反演*具代表性的特征波段组合，从而减少冗余信息，提高模型建模效率和预测精度。

在模型的建立上，首先采用极限学习机（ELM）作为基础模型。进一步引入冠豪猪优化算法（CPO）对 ELM 进行改进，CPO通过全局搜索策略优化参数组合。CPO算法的种群规模设置为30，最大迭代次数设置为250。此外，洪水优化算法（FLA）是一种新提出的元启发式优化算法，本文将 FLA 算法与ELM相结合，构建 FLA-ELM 模型，利用洪水优化算法*有的多尺度搜索机制（包括梯度流探索与渗透效应开发），以避免 ELM 中随机参数引起的局部*优问题。

本研究的样本总量为 86 个，其中 2023 年样本 57 个，2024 年样本 29 个。所有样本按照 8:2 的比例 随机划分为建模集和验证集，用于建立和验证反演模型。以 Monte Carlo 模拟生成的六个候选波长组合作为输入变量，以水稻叶绿素含量作为输出变量，分别构建 ELM、CPO-ELM 和 FLA-ELM 三种水稻叶绿素含量反演模型。在相同反演模型条件下，对原始 UAV 高光谱反射率数据与优化后的 UAV 高光谱反射率数据的反演精度进行对比分析。利用相关评价指标（如 R2 和 RMSE）对模型预测性能进行评估，以实现对水稻叶绿素含量的准确估计。

结果

如图4（b）所示，从总体形态和趋势来看，单点高光谱数据与无人机高光谱的反射率曲线高度一致，主要波段光谱轮廓相似，均呈现出植被典型光谱特征，如红边处明显跃升、近红外波段高反射等。但两者在反射率数值范围和幅度上存在显著差异：非成像高光谱反射率范围更宽、整体数值更高，体现了其在标定条件和仪器灵敏度方面的优势；而无人机高光谱反射率数值偏低且幅度变化较小，可能受到大气干扰、光照条件不均或传感器性能限制等因素影响。此外，在可见光区（400–700 nm），无人机高光谱数据整体反射率约为0.06–0.1，单点反射率略高，约为0.07–0.16；在550 nm叶绿素吸收谷处两者差异达0.06。随着波长延伸至近红外区，两者差异急剧扩大，非成像高光谱数据表现出更明显的区分度，差异曲线在900 nm处达到0.25的峰值。综上所述，两种方法总体趋势一致，但在反射率精度和细节表征方面仍存在差异。

图4 （a）单点数据预处理结果；（b）单点与无人机高光谱成像反射率差异对比

本研究采用区域积分比值法对无人机高光谱数据反射率进行优化，并通过与单点地面光谱仪实测数据对比验证优化效果。优化结果如图5所示：单点光谱、优化后无人机光谱及原始无人机光谱的反射率曲线趋势和形态相似，均表现出可比的吸收特征，在680 nm附近呈波谷、760 nm处呈波峰。在可见光区，优化后无人机光谱较原始光谱更接近单点地面光谱仪实测数据（图6）。在近红外区，原始无人机光谱与单点光谱差异更为显著：原始无人机光谱在800–1000 nm范围的平均反射率较单点数据低0.15–0.2，而优化后该差异缩小至0.05以内（图7）。在680–720 nm过渡波段区域，优化算法通过引入三次样条插值和混合光谱控制点改善了光谱连续性。综上所述，经优化后无人机光谱在总体趋势和反射率数值上与单点光谱更为吻合。与原始无人机光谱相比，优化后光谱在全波长范围内与单点光谱的一致性显著增强，有效降低了原始数据误差，提升了无人机光谱数据的质量与可靠性。

图5 2023年和2024年单点高光谱、原始无人机与优化后无人机反射率对比：（a）和（b）为2023年反射率对比；（c）和（d）为2024年反射率对比。

图6 400–700 nm区域放大图

图7 800–900 nm区域放大图

本研究通过量化优化前后无人机高光谱反射率数据与单点光谱实测数据之间的RMSE Reflectance，系统评估了光谱优化算法的性能提升效果。如图8（a）所示，各样本的RMSE Reflectance分布呈现显著差异：原始无人机高光谱数据集的平均RMSE Reflectance为0.132，其误差空间分布表现出强烈的异质性，表明原始数据存在显著的系统偏差和随机噪声。优化后数据集的平均RMSE Reflectance降至0.015，较原始数据降低88.64%，体现了优化方法对高光谱数据误差的显著抑制能力。所有样本优化后的RMSE Reflectance均低于原始数据，验证了优化方法的全局有效性和稳定性，未出现局部样本误差反弹现象，确保了数据质量的整体提升。如图8（b）所示，在全波段光谱误差方面，原始数据与优化数据的RMSE Reflectance曲线在400–1000 nm波长范围内波动趋势相似，但优化算法在各波段均实现了显著的误差抑制。在可见光波段（400–700 nm），优化后RMSE Reflectance始终低于0.012；在近红外波段（700–1000 nm），RMSE Reflectance峰值为0.04。全波段平均误差降低幅度达88.89%。值得注意的是，在红边敏感波段（680–720 nm）误差虽有所降低，但优化幅度较其他波段偏小，表明该区域可能存在算法优化局限性，需在后续研究中针对性改进。

图8 RMSE Reflectance对比。（a）各样本原始与优化后无人机反射率RMSE Reflectance对比；（b）全波长范围原始与优化后无人机反射率RMSE Reflectance对比。

基于原始无人机高光谱数据集，利用ELM进行水稻叶绿素反演所选波长为413、498、511、521、610和685 nm。CPO-ELM模型所选波长为417、418、534、544、623和636 nm。FLA-ELM模型所选波长为419、468、486、582、621和693 nm。基于优化后无人机高光谱数据集，利用ELM进行水稻叶绿素反演所选波长为430、494、545、667、682和688 nm。CPO-ELM所选波长为422、505、510、585、674和680 nm。利用FLA-ELM方法所选波长为551、647、659、671、675和696 nm。如表1所示，基于FLA-ELM的优化后无人机高光谱数据集在水稻叶绿素反演中取得了最佳效果，证明光谱优化对于提升模型稳定性和反演精度具有显著作用。

结论

本研究基于单点地面光谱仪数据对无人机高光谱数据进行优化，采用面向敏感域的随机游走策略，通过蒙特卡洛模拟在400–700 nm范围内生成候选波长组合。将筛选后的波长作为输入、水稻叶绿素含量作为输出，构建ELM、CPO-ELM和FLA-ELM水稻叶绿素含量反演模型。对比原始无人机数据集与优化后数据集的模型反演效果，主要结论如下：

（1）优化后高光谱反射率与单点实测值高度接近。优化后高光谱反射率的RMSE Reflectance低于重采样后的原始高光谱反射率：原始全波段数据平均RMSE Reflectance 为0.108，优化后数据平均RMSE Reflectance为0.012，全波段平均误差降低88.89%；各样本原始数据平均RMSE Reflectance为0.132，优化后较原始数据降低88.64%。结果表明该优化方法可有效减小单点与无人机高光谱数据间的差异。

（2）基于FLA-ELM构建的反演模型性能*优。使用原始无人机数据集时，训练集R²为0.638，RMSE Chl为6.453 μg/cm²；测试集R²为0.608，RMSE Chl为6.518 μg/cm²，所选波长为419、468、486、582、621和693 nm。使用优化后无人机高光谱数据集时，训练集R²为0.758，RMSE Chl为5.276 μg/cm²；测试集R²为0.755，RMSE Chl为5.371 μg/cm²，所选波长为551、647、659、671、675和696 nm。

综上所述，基于优化后无人机数据集构建的水稻叶绿素反演模型优于原始数据集构建的模型，为水稻叶绿素含量获取提供了一种新方法。