无人机高光谱遥感技术在水稻叶绿素含量反演中的应用（下）
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*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。