應用方向：

高光譜成像技術在農業領域具有廣泛應用前景，主要體現在作物生長監測與精準農業管理方面。通過獲取作物在可見光—近紅外波段的連續光譜信息，可以實現對葉綠素含量等關鍵生理參數的無損反演，從而反映作物的營養狀態、光合作用能力和生長活力，為田間長勢診斷、精準施肥和產量預測提供科學依據。同時，結合無人機平臺的高空間分辨率和靈活觀測能力，高光譜成像能夠實現農田區域尺度的快速監測與動態分析。此外，通過融合地面高精度光譜數據與無人機高光譜數據，并結合機器學習或智能優化算法進行建模，可以進一步提高生理參數反演精度，推動高光譜遙感在智慧農業和作物表型監測中的應用。

背景：

水稻是全球*重要的糧食作物之一，其生長狀況直接關系到糧食安全與農業生產穩定。其中，葉綠素含量是反映水稻光合能力、營養狀況及生長活力的重要生理指標，因此對水稻葉綠素含量進行準確監測，對于作物長勢評估、精準施肥管理以及產量預測具有重要意義。傳統的葉綠素檢測方法通常依賴化學分析或分光光度法，通過實驗室提取和測量葉片樣品獲得葉綠素含量。雖然該類方法具有較高的測量精度，但需要對樣品進行破壞性處理，且操作過程耗時、效率較低，難以滿足大尺度農田快速監測的需求。

隨著遙感技術的發展，高光譜遙感因能夠獲取連續且豐富的光譜信息，并揭示作物生理參數與光譜反射特性之間的關系，已成為作物生長狀態監測的重要技術手段。近年來，無人機搭載高光譜傳感器因具有機動靈活、空間分辨率高和獲取成本相對較低等優勢，在農業監測領域得到廣泛應用。通過無人機高光譜數據，可以實現對水稻冠層光譜信息的大范圍獲取，并進一步構建葉綠素含量反演模型，從而實現作物生長狀態的快速評估。

然而，無人機高光譜數據在實際應用中仍存在一定局限性。受傳感器性能、大氣散射、氣溶膠吸收以及土壤和水體背景等因素影響，無人機獲取的光譜數據往往存在一定程度的誤差和噪聲，從而降低了葉綠素反演模型的精度和穩定性。相比之下，地面光譜儀能夠在近距離條件下獲取高精度的光譜數據，在作物生理參數反演中具有較高可靠性，但其觀測范圍有限，難以滿足區域尺度監測需求。因此，如何有效結合地面光譜數據的高精度優勢與無人機高光譜數據的大范圍觀測能力，對無人機高光譜數據進行優化和校正，從而提高作物葉綠素含量反演精度，成為當前農業遙感研究中的一個重要問題。

作者信息：于豐華，沈陽農業大學信息與電氣工程學院，博導

期刊來源：Computers and Electronics in Agriculture

研究內容

本研究基于單點地面光譜儀數據對無人機（UAV）高光譜數據進行優化，在可見光和近紅外區域開展光譜優化。通過計算非成像高光譜反射率與不同區域積分后的無人機高光譜反射率的比值，獲得優化系數并應用于相應波段，得到優化后的高光譜反射率。在此基礎上，分別利用ELM、CPO-ELM和FLA-ELM構建水稻葉片葉綠素含量反演模型。該方法既保留了無人機大面積觀測的優勢，又通過單點數據提升了光譜精度，為水稻生長狀況監測提供了一種新的技術方案。本研究總體技術流程如圖1所示。

圖1 技術流程總圖

實驗設計

本研究在遼寧省海城市耿莊鎮沈陽農業大學海城實訓基地試驗田開展。試驗水稻品種分別為"沈農9816"和"金稻香103"。研究區概況如圖2所示，其中大田編號為1–8號，每塊面積660 m2；小田編號為1–15號，每塊面積40 m2。田間試驗設置5個氮肥梯度處理：零氮、低氮、中氮、標準氮和高氮。其中N0不施氮肥；N3為220.5 kg/ha，基肥、蘗肥、穗肥施用比例為5:3:2；N1、N2、N4分別為N3的50%、75%和125%。所有小區田間管理措施一致。2023年數據集包括大田試驗區1–8號地塊和小田試驗區1–15號地塊的樣本；2024年數據集包括大田試驗區1–4號地塊的樣本。

圖2 研究區概況

本研究采用深圳大疆生產的 M600PRO 六旋翼無人機，搭載GaiaSky-mini 內置推掃式高光譜成像系統（江蘇雙利合譜科技有限公司，中國）作為核心數據采集設備。該高光譜系統的波長范圍為 400–1000 nm，采樣間隔為 3 nm，光譜分辨率為 3.5 nm，無人機飛行高度為 100 m，共獲取 170 個有效波段。為減少天氣條件、太陽高度角及太陽輻射對光譜數據的影響，無人機高光譜數據采集選擇在晴朗、無云、無風天氣條件下進行。本研究將數據采集時間段設定為 12:00–14:00。在起飛前，對高光譜成像儀進行了暗電流校正和白板校正。此外，在每個場景的高光譜數據采集區域內放置了一塊尺寸為 1.5 m × 1.5 m、反射率為 60% 的漫反射校準板，用于后續的反射率數據校正。數據采集完成后，利用機載高光譜成像系統配套的 SpectraView 軟件（雙利合譜，中國）對獲取的無人機高光譜遙感圖像進行一系列預處理，包括鏡頭畸變校正、反射率定標和大氣校正等步驟，最終生成水稻冠層的高光譜影像數據。

采集單點高光譜數據。波長范圍為 325–1075 nm，光譜測量分辨率為 3 nm，光譜采樣間隔為 1 nm。所有高光譜測量均在預先設定的樣點處進行，這些樣點位于水稻移栽行的正北方向。在測量過程中，光譜儀的視場角設置為 25°，并將光譜儀置于距水稻植株 30 cm 處進行觀測。為避免操作者的陰影投射到觀測目標上，傳感器探頭保持垂直向下的方向進行測量。為了減少高光譜測量誤差，光譜儀每 10 min 進行一次標準白板校準和背景噪聲數據校準。

用分光光度計測定葉片的葉綠素含量。具體過程為：首先采集與光譜測量對應的水稻葉片樣品，稱取約 0.1 g 新鮮葉片，并加入石英砂進行充分研磨，使組織完*破碎。隨后使用 95% 乙醇溶液提取葉片中的葉綠素，并將提取液轉移至 50 mL 容量瓶中定容、混勻。將提取液置于 1 cm 光程的比色皿中，經過避光處理約24 h 后，利用 UV–Vis 分光光度計在 649 nm 和 665 nm 波長處測定溶液的吸光度。最后利用測得的吸光度值計算葉片中的葉綠素含量。

研究方法

本研究利用分析軟件工具提取采樣點。具體流程如下：首先確定各采樣網格中心點在真北方向上的坐標，以此點為中心建立5 × 5像元的感興趣區域（ROI），提取該區域內所有像元的平均光譜值。采用三次插值法，將無人機高光譜反射率數據重采樣為1 nm的波段間隔，以匹配非成像高光譜數據的波段數量和位置。鑒于稻田地物環境復雜，無人機采集的水稻冠層光譜反射率可能受到地物、水體等因素干擾，產生不同程度的噪聲。本研究采用高斯濾波算法對無人機高光譜反射率進行平滑處理，高斯濾波器標準差設為11（圖3）。

圖3 無人機高光譜預處理結果。（a）感興趣區域光譜提取；（b）平滑處理前后對比圖；（c）平滑處理前后局部放大圖；（d）全樣本預處理結果

為確保無人機高光譜與非成像高光譜傳感器的光譜范圍一致，本研究選取400–1000 nm波長范圍內的非成像高光譜反射率數據。由于地面光譜儀各部件在運行過程中易產生噪聲，采用高斯濾波算法對非成像高光譜反射率數據進行平滑處理，高斯濾波器標準差設為11。預處理結果如圖4（a）所示。

以 700 nm 為界將光譜劃分為可見光區（400–700 nm）和近紅外區（701–1000 nm）。隨后分別計算單點光譜與 UAV 光譜在兩個波段內的積分比值，得到可見光區優化系數和近紅外區優化系數，并將該系數分別作用于對應波段的 UAV 反射率，從而獲得優化后的光譜數據。考慮到分區校正可能在 700 nm 附近產生光譜不連續現象，本文進一步在 680–720 nm 范圍內構建過渡帶，通過三次樣條插值對該區域光譜進行平滑重建，以保證光譜曲線在可見光與近紅外波段之間的連續性和穩定性。

此外，本文提出一種基于敏感域引導的隨機遍歷策略進行特征波段選擇。在 400–700 nm 范圍內，通過 Monte Carlo 隨機組合搜索生成候選波長組合，并采用六波段組合進行遍歷計算，通過約10,000 次隨機迭代建立候選波段庫，最終從中篩選出對葉綠素反演*具代表性的特征波段組合，從而減少冗余信息，提高模型建模效率和預測精度。

在模型的建立上，首先采用極限學習機（ELM）作為基礎模型。進一步引入冠豪豬優化算法（CPO）對 ELM 進行改進，CPO通過全局搜索策略優化參數組合。CPO算法的種群規模設置為30，最大迭代次數設置為250。此外，洪水優化算法（FLA）是一種新提出的元啟發式優化算法，本文將 FLA 算法與ELM相結合，構建 FLA-ELM 模型，利用洪水優化算法*有的多尺度搜索機制（包括梯度流探索與滲透效應開發），以避免 ELM 中隨機參數引起的局部*優問題。

本研究的樣本總量為 86 個，其中 2023 年樣本 57 個，2024 年樣本 29 個。所有樣本按照 8:2 的比例 隨機劃分為建模集和驗證集，用于建立和驗證反演模型。以 Monte Carlo 模擬生成的六個候選波長組合作為輸入變量，以水稻葉綠素含量作為輸出變量，分別構建 ELM、CPO-ELM 和 FLA-ELM 三種水稻葉綠素含量反演模型。在相同反演模型條件下，對原始 UAV 高光譜反射率數據與優化后的 UAV 高光譜反射率數據的反演精度進行對比分析。利用相關評價指標（如 R2 和 RMSE）對模型預測性能進行評估，以實現對水稻葉綠素含量的準確估計。

結果

如圖4（b）所示，從總體形態和趨勢來看，單點高光譜數據與無人機高光譜的反射率曲線高度一致，主要波段光譜輪廓相似，均呈現出植被典型光譜特征，如紅邊處明顯躍升、近紅外波段高反射等。但兩者在反射率數值范圍和幅度上存在顯著差異：非成像高光譜反射率范圍更寬、整體數值更高，體現了其在標定條件和儀器靈敏度方面的優勢；而無人機高光譜反射率數值偏低且幅度變化較小，可能受到大氣干擾、光照條件不均或傳感器性能限制等因素影響。此外，在可見光區（400–700 nm），無人機高光譜數據整體反射率約為0.06–0.1，單點反射率略高，約為0.07–0.16；在550 nm葉綠素吸收谷處兩者差異達0.06。隨著波長延伸至近紅外區，兩者差異急劇擴大，非成像高光譜數據表現出更明顯的區分度，差異曲線在900 nm處達到0.25的峰值。綜上所述，兩種方法總體趨勢一致，但在反射率精度和細節表征方面仍存在差異。

圖4 （a）單點數據預處理結果；（b）單點與無人機高光譜成像反射率差異對比

本研究采用區域積分比值法對無人機高光譜數據反射率進行優化，并通過與單點地面光譜儀實測數據對比驗證優化效果。優化結果如圖5所示：單點光譜、優化后無人機光譜及原始無人機光譜的反射率曲線趨勢和形態相似，均表現出可比的吸收特征，在680 nm附近呈波谷、760 nm處呈波峰。在可見光區，優化后無人機光譜較原始光譜更接近單點地面光譜儀實測數據（圖6）。在近紅外區，原始無人機光譜與單點光譜差異更為顯著：原始無人機光譜在800–1000 nm范圍的平均反射率較單點數據低0.15–0.2，而優化后該差異縮小至0.05以內（圖7）。在680–720 nm過渡波段區域，優化算法通過引入三次樣條插值和混合光譜控制點改善了光譜連續性。綜上所述，經優化后無人機光譜在總體趨勢和反射率數值上與單點光譜更為吻合。與原始無人機光譜相比，優化后光譜在全波長范圍內與單點光譜的一致性顯著增強，有效降低了原始數據誤差，提升了無人機光譜數據的質量與可靠性。

圖5 2023年和2024年單點高光譜、原始無人機與優化后無人機反射率對比：（a）和（b）為2023年反射率對比；（c）和（d）為2024年反射率對比。

圖6 400–700 nm區域放大圖

圖7 800–900 nm區域放大圖

本研究通過量化優化前后無人機高光譜反射率數據與單點光譜實測數據之間的RMSE Reflectance，系統評估了光譜優化算法的性能提升效果。如圖8（a）所示，各樣本的RMSE Reflectance分布呈現顯著差異：原始無人機高光譜數據集的平均RMSE Reflectance為0.132，其誤差空間分布表現出強烈的異質性，表明原始數據存在顯著的系統偏差和隨機噪聲。優化后數據集的平均RMSE Reflectance降至0.015，較原始數據降低88.64%，體現了優化方法對高光譜數據誤差的顯著抑制能力。所有樣本優化后的RMSE Reflectance均低于原始數據，驗證了優化方法的全局有效性和穩定性，未出現局部樣本誤差反彈現象，確保了數據質量的整體提升。如圖8（b）所示，在全波段光譜誤差方面，原始數據與優化數據的RMSE Reflectance曲線在400–1000 nm波長范圍內波動趨勢相似，但優化算法在各波段均實現了顯著的誤差抑制。在可見光波段（400–700 nm），優化后RMSE Reflectance始終低于0.012；在近紅外波段（700–1000 nm），RMSE Reflectance峰值為0.04。全波段平均誤差降低幅度達88.89%。值得注意的是，在紅邊敏感波段（680–720 nm）誤差雖有所降低，但優化幅度較其他波段偏小，表明該區域可能存在算法優化局限性，需在后續研究中針對性改進。

圖8 RMSE Reflectance對比。（a）各樣本原始與優化后無人機反射率RMSE Reflectance對比；（b）全波長范圍原始與優化后無人機反射率RMSE Reflectance對比。

基于原始無人機高光譜數據集，利用ELM進行水稻葉綠素反演所選波長為413、498、511、521、610和685 nm。CPO-ELM模型所選波長為417、418、534、544、623和636 nm。FLA-ELM模型所選波長為419、468、486、582、621和693 nm。基于優化后無人機高光譜數據集，利用ELM進行水稻葉綠素反演所選波長為430、494、545、667、682和688 nm。CPO-ELM所選波長為422、505、510、585、674和680 nm。利用FLA-ELM方法所選波長為551、647、659、671、675和696 nm。如表1所示，基于FLA-ELM的優化后無人機高光譜數據集在水稻葉綠素反演中取得了最佳效果，證明光譜優化對于提升模型穩定性和反演精度具有顯著作用。

結論

本研究基于單點地面光譜儀數據對無人機高光譜數據進行優化，采用面向敏感域的隨機游走策略，通過蒙特卡洛模擬在400–700 nm范圍內生成候選波長組合。將篩選后的波長作為輸入、水稻葉綠素含量作為輸出，構建ELM、CPO-ELM和FLA-ELM水稻葉綠素含量反演模型。對比原始無人機數據集與優化后數據集的模型反演效果，主要結論如下：

（1）優化后高光譜反射率與單點實測值高度接近。優化后高光譜反射率的RMSE Reflectance低于重采樣后的原始高光譜反射率：原始全波段數據平均RMSE Reflectance 為0.108，優化后數據平均RMSE Reflectance為0.012，全波段平均誤差降低88.89%；各樣本原始數據平均RMSE Reflectance為0.132，優化后較原始數據降低88.64%。結果表明該優化方法可有效減小單點與無人機高光譜數據間的差異。

（2）基于FLA-ELM構建的反演模型性能*優。使用原始無人機數據集時，訓練集R2為0.638，RMSE Chl為6.453 μg/cm2；測試集R2為0.608，RMSE Chl為6.518 μg/cm2，所選波長為419、468、486、582、621和693 nm。使用優化后無人機高光譜數據集時，訓練集R2為0.758，RMSE Chl為5.276 μg/cm2；測試集R2為0.755，RMSE Chl為5.371 μg/cm2，所選波長為551、647、659、671、675和696 nm。

綜上所述，基于優化后無人機數據集構建的水稻葉綠素反演模型優于原始數據集構建的模型，為水稻葉綠素含量獲取提供了一種新方法。