應(yīng)用方向：

高光譜成像技術(shù)在農(nóng)業(yè)領(lǐng)域具有廣泛應(yīng)用前景，主要體現(xiàn)在作物生長監(jiān)測與精準(zhǔn)農(nóng)業(yè)管理方面。通過獲取作物在可見光—近紅外波段的連續(xù)光譜信息，可以實現(xiàn)對葉綠素含量等關(guān)鍵生理參數(shù)的無損反演，從而反映作物的營養(yǎng)狀態(tài)、光合作用能力和生長活力，為田間長勢診斷、精準(zhǔn)施肥和產(chǎn)量預(yù)測提供科學(xué)依據(jù)。同時，結(jié)合無人機(jī)平臺的高空間分辨率和靈活觀測能力，高光譜成像能夠?qū)崿F(xiàn)農(nóng)田區(qū)域尺度的快速監(jiān)測與動態(tài)分析。此外，通過融合地面高精度光譜數(shù)據(jù)與無人機(jī)高光譜數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)或智能優(yōu)化算法進(jìn)行建模，可以進(jìn)一步提高生理參數(shù)反演精度，推動高光譜遙感在智慧農(nóng)業(yè)和作物表型監(jiān)測中的應(yīng)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(guān)系到糧食安全與農(nóng)業(yè)生產(chǎn)穩(wěn)定。其中，葉綠素含量是反映水稻光合能力、營養(yǎng)狀況及生長活力的重要生理指標(biāo)，因此對水稻葉綠素含量進(jìn)行準(zhǔn)確監(jiān)測，對于作物長勢評估、精準(zhǔn)施肥管理以及產(chǎn)量預(yù)測具有重要意義。傳統(tǒng)的葉綠素檢測方法通常依賴化學(xué)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(jìn)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(nóng)田快速監(jiān)測的需求。

隨著遙感技術(shù)的發(fā)展，高光譜遙感因能夠獲取連續(xù)且豐富的光譜信息，并揭示作物生理參數(shù)與光譜反射特性之間的關(guān)系，已成為作物生長狀態(tài)監(jiān)測的重要技術(shù)手段。近年來，無人機(jī)搭載高光譜傳感器因具有機(jī)動靈活、空間分辨率高和獲取成本相對較低等優(yōu)勢，在農(nóng)業(yè)監(jiān)測領(lǐng)域得到廣泛應(yīng)用。通過無人機(jī)高光譜數(shù)據(jù)，可以實現(xiàn)對水稻冠層光譜信息的大范圍獲取，并進(jìn)一步構(gòu)建葉綠素含量反演模型，從而實現(xiàn)作物生長狀態(tài)的快速評估。

然而，無人機(jī)高光譜數(shù)據(jù)在實際應(yīng)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(jī)獲取的光譜數(shù)據(jù)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(wěn)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(shù)據(jù)，在作物生理參數(shù)反演中具有較高可靠性，但其觀測范圍有限，難以滿足區(qū)域尺度監(jiān)測需求。因此，如何有效結(jié)合地面光譜數(shù)據(jù)的高精度優(yōu)勢與無人機(jī)高光譜數(shù)據(jù)的大范圍觀測能力，對無人機(jī)高光譜數(shù)據(jù)進(jìn)行優(yōu)化和校正，從而提高作物葉綠素含量反演精度，成為當(dāng)前農(nóng)業(yè)遙感研究中的一個重要問題。

作者信息：于豐華，沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，博導(dǎo)

期刊來源：Computers and Electronics in Agriculture

研究內(nèi)容

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

圖1 技術(shù)流程總圖

實驗設(shè)計

本研究在遼寧省海城市耿莊鎮(zhèn)沈陽農(nóng)業(yè)大學(xué)海城實訓(xùn)基地試驗田開展。試驗水稻品種分別為"沈農(nóng)9816"和"金稻香103"。研究區(qū)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(shè)置5個氮肥梯度處理：零氮、低氮、中氮、標(biāo)準(zhǔn)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(qū)田間管理措施一致。2023年數(shù)據(jù)集包括大田試驗區(qū)1–8號地塊和小田試驗區(qū)1–15號地塊的樣本；2024年數(shù)據(jù)集包括大田試驗區(qū)1–4號地塊的樣本。

圖2 研究區(qū)概況

本研究采用深圳大疆生產(chǎn)的 M600PRO 六旋翼無人機(jī)，搭載GaiaSky-mini 內(nèi)置推掃式高光譜成像系統(tǒng)（江蘇雙利合譜科技有限公司，中國）作為核心數(shù)據(jù)采集設(shè)備。該高光譜系統(tǒng)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(jī)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(shù)據(jù)的影響，無人機(jī)高光譜數(shù)據(jù)采集選擇在晴朗、無云、無風(fēng)天氣條件下進(jìn)行。本研究將數(shù)據(jù)采集時間段設(shè)定為 12:00–14:00。在起飛前，對高光譜成像儀進(jìn)行了暗電流校正和白板校正。此外，在每個場景的高光譜數(shù)據(jù)采集區(qū)域內(nèi)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(zhǔn)板，用于后續(xù)的反射率數(shù)據(jù)校正。數(shù)據(jù)采集完成后，利用機(jī)載高光譜成像系統(tǒng)配套的 SpectraView 軟件（雙利合譜，中國）對獲取的無人機(jī)高光譜遙感圖像進(jìn)行一系列預(yù)處理，包括鏡頭畸變校正、反射率定標(biāo)和大氣校正等步驟，最終生成水稻冠層的高光譜影像數(shù)據(jù)。

采集單點高光譜數(shù)據(jù)。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(yù)先設(shè)定的樣點處進(jìn)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(shè)置為 25°，并將光譜儀置于距水稻植株 30 cm 處進(jìn)行觀測。為避免操作者的陰影投射到觀測目標(biāo)上，傳感器探頭保持垂直向下的方向進(jìn)行測量。為了減少高光譜測量誤差，光譜儀每 10 min 進(jìn)行一次標(biāo)準(zhǔn)白板校準(zhǔn)和背景噪聲數(shù)據(jù)校準(zhǔn)。

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(yīng)的水稻葉片樣品，稱取約 0.1 g 新鮮葉片，并加入石英砂進(jìn)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(zhuǎn)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(jīng)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(wǎng)格中心點在真北方向上的坐標(biāo)，以此點為中心建立5 × 5像元的感興趣區(qū)域（ROI），提取該區(qū)域內(nèi)所有像元的平均光譜值。采用三次插值法，將無人機(jī)高光譜反射率數(shù)據(jù)重采樣為1 nm的波段間隔，以匹配非成像高光譜數(shù)據(jù)的波段數(shù)量和位置。鑒于稻田地物環(huán)境復(fù)雜，無人機(jī)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(chǎn)生不同程度的噪聲。本研究采用高斯濾波算法對無人機(jī)高光譜反射率進(jìn)行平滑處理，高斯濾波器標(biāo)準(zhǔn)差設(shè)為11（圖3）。

圖3 無人機(jī)高光譜預(yù)處理結(jié)果。（a）感興趣區(qū)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(yù)處理結(jié)果

為確保無人機(jī)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(nèi)的非成像高光譜反射率數(shù)據(jù)。由于地面光譜儀各部件在運行過程中易產(chǎn)生噪聲，采用高斯濾波算法對非成像高光譜反射率數(shù)據(jù)進(jìn)行平滑處理，高斯濾波器標(biāo)準(zhǔn)差設(shè)為11。預(yù)處理結(jié)果如圖4（a）所示。

以 700 nm 為界將光譜劃分為可見光區(qū)（400–700 nm）和近紅外區(qū)（701–1000 nm）。隨后分別計算單點光譜與 UAV 光譜在兩個波段內(nèi)的積分比值，得到可見光區(qū)優(yōu)化系數(shù)和近紅外區(qū)優(yōu)化系數(shù)，并將該系數(shù)分別作用于對應(yīng)波段的 UAV 反射率，從而獲得優(yōu)化后的光譜數(shù)據(jù)。考慮到分區(qū)校正可能在 700 nm 附近產(chǎn)生光譜不連續(xù)現(xiàn)象，本文進(jìn)一步在 680–720 nm 范圍內(nèi)構(gòu)建過渡帶，通過三次樣條插值對該區(qū)域光譜進(jìn)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(xù)性和穩(wěn)定性。

此外，本文提出一種基于敏感域引導(dǎo)的隨機(jī)遍歷策略進(jìn)行特征波段選擇。在 400–700 nm 范圍內(nèi)，通過 Monte Carlo 隨機(jī)組合搜索生成候選波長組合，并采用六波段組合進(jìn)行遍歷計算，通過約10,000 次隨機(jī)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(yù)測精度。

在模型的建立上，首先采用極限學(xué)習(xí)機(jī)（ELM）作為基礎(chǔ)模型。進(jìn)一步引入冠豪豬優(yōu)化算法（CPO）對 ELM 進(jìn)行改進(jìn)，CPO通過全局搜索策略優(yōu)化參數(shù)組合。CPO算法的種群規(guī)模設(shè)置為30，最大迭代次數(shù)設(shè)置為250。此外，洪水優(yōu)化算法（FLA）是一種新提出的元啟發(fā)式優(yōu)化算法，本文將 FLA 算法與ELM相結(jié)合，構(gòu)建 FLA-ELM 模型，利用洪水優(yōu)化算法*有的多尺度搜索機(jī)制（包括梯度流探索與滲透效應(yīng)開發(fā)），以避免 ELM 中隨機(jī)參數(shù)引起的局部*優(yōu)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(jī)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(gòu)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(shù)據(jù)與優(yōu)化后的 UAV 高光譜反射率數(shù)據(jù)的反演精度進(jìn)行對比分析。利用相關(guān)評價指標(biāo)（如 R2 和 RMSE）對模型預(yù)測性能進(jìn)行評估，以實現(xiàn)對水稻葉綠素含量的準(zhǔn)確估計。

結(jié)果

如圖4（b）所示，從總體形態(tài)和趨勢來看，單點高光譜數(shù)據(jù)與無人機(jī)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(xiàn)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(shù)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(shù)值更高，體現(xiàn)了其在標(biāo)定條件和儀器靈敏度方面的優(yōu)勢；而無人機(jī)高光譜反射率數(shù)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(qū)（400–700 nm），無人機(jī)高光譜數(shù)據(jù)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(dá)0.06。隨著波長延伸至近紅外區(qū)，兩者差異急劇擴(kuò)大，非成像高光譜數(shù)據(jù)表現(xiàn)出更明顯的區(qū)分度，差異曲線在900 nm處達(dá)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(xì)節(jié)表征方面仍存在差異。

圖4 （a）單點數(shù)據(jù)預(yù)處理結(jié)果；（b）單點與無人機(jī)高光譜成像反射率差異對比

本研究采用區(qū)域積分比值法對無人機(jī)高光譜數(shù)據(jù)反射率進(jìn)行優(yōu)化，并通過與單點地面光譜儀實測數(shù)據(jù)對比驗證優(yōu)化效果。優(yōu)化結(jié)果如圖5所示：單點光譜、優(yōu)化后無人機(jī)光譜及原始無人機(jī)光譜的反射率曲線趨勢和形態(tài)相似，均表現(xiàn)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(qū)，優(yōu)化后無人機(jī)光譜較原始光譜更接近單點地面光譜儀實測數(shù)據(jù)（圖6）。在近紅外區(qū)，原始無人機(jī)光譜與單點光譜差異更為顯著：原始無人機(jī)光譜在800–1000 nm范圍的平均反射率較單點數(shù)據(jù)低0.15–0.2，而優(yōu)化后該差異縮小至0.05以內(nèi)（圖7）。在680–720 nm過渡波段區(qū)域，優(yōu)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(xù)性。綜上所述，經(jīng)優(yōu)化后無人機(jī)光譜在總體趨勢和反射率數(shù)值上與單點光譜更為吻合。與原始無人機(jī)光譜相比，優(yōu)化后光譜在全波長范圍內(nèi)與單點光譜的一致性顯著增強，有效降低了原始數(shù)據(jù)誤差，提升了無人機(jī)光譜數(shù)據(jù)的質(zhì)量與可靠性。

圖5 2023年和2024年單點高光譜、原始無人機(jī)與優(yōu)化后無人機(jī)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(qū)域放大圖

圖7 800–900 nm區(qū)域放大圖

本研究通過量化優(yōu)化前后無人機(jī)高光譜反射率數(shù)據(jù)與單點光譜實測數(shù)據(jù)之間的RMSE Reflectance，系統(tǒng)評估了光譜優(yōu)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(xiàn)顯著差異：原始無人機(jī)高光譜數(shù)據(jù)集的平均RMSE Reflectance為0.132，其誤差空間分布表現(xiàn)出強烈的異質(zhì)性，表明原始數(shù)據(jù)存在顯著的系統(tǒng)偏差和隨機(jī)噪聲。優(yōu)化后數(shù)據(jù)集的平均RMSE Reflectance降至0.015，較原始數(shù)據(jù)降低88.64%，體現(xiàn)了優(yōu)化方法對高光譜數(shù)據(jù)誤差的顯著抑制能力。所有樣本優(yōu)化后的RMSE Reflectance均低于原始數(shù)據(jù)，驗證了優(yōu)化方法的全局有效性和穩(wěn)定性，未出現(xiàn)局部樣本誤差反彈現(xiàn)象，確保了數(shù)據(jù)質(zhì)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(shù)據(jù)與優(yōu)化數(shù)據(jù)的RMSE Reflectance曲線在400–1000 nm波長范圍內(nèi)波動趨勢相似，但優(yōu)化算法在各波段均實現(xiàn)了顯著的誤差抑制。在可見光波段（400–700 nm），優(yōu)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(dá)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(yōu)化幅度較其他波段偏小，表明該區(qū)域可能存在算法優(yōu)化局限性，需在后續(xù)研究中針對性改進(jìn)。

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

基于原始無人機(jī)高光譜數(shù)據(jù)集，利用ELM進(jìn)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(yōu)化后無人機(jī)高光譜數(shù)據(jù)集，利用ELM進(jìn)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(yōu)化后無人機(jī)高光譜數(shù)據(jù)集在水稻葉綠素反演中取得了最佳效果，證明光譜優(yōu)化對于提升模型穩(wěn)定性和反演精度具有顯著作用。

結(jié)論

本研究基于單點地面光譜儀數(shù)據(jù)對無人機(jī)高光譜數(shù)據(jù)進(jìn)行優(yōu)化，采用面向敏感域的隨機(jī)游走策略，通過蒙特卡洛模擬在400–700 nm范圍內(nèi)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(gòu)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(jī)數(shù)據(jù)集與優(yōu)化后數(shù)據(jù)集的模型反演效果，主要結(jié)論如下：

（1）優(yōu)化后高光譜反射率與單點實測值高度接近。優(yōu)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(shù)據(jù)平均RMSE Reflectance 為0.108，優(yōu)化后數(shù)據(jù)平均RMSE Reflectance為0.012，全波段平均誤差降低88.89%；各樣本原始數(shù)據(jù)平均RMSE Reflectance為0.132，優(yōu)化后較原始數(shù)據(jù)降低88.64%。結(jié)果表明該優(yōu)化方法可有效減小單點與無人機(jī)高光譜數(shù)據(jù)間的差異。

（2）基于FLA-ELM構(gòu)建的反演模型性能*優(yōu)。使用原始無人機(jī)數(shù)據(jù)集時，訓(xùn)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(yōu)化后無人機(jī)高光譜數(shù)據(jù)集時，訓(xùn)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(yōu)化后無人機(jī)數(shù)據(jù)集構(gòu)建的水稻葉綠素反演模型優(yōu)于原始數(shù)據(jù)集構(gòu)建的模型，為水稻葉綠素含量獲取提供了一種新方法。