精準農業∣基於無人機載高光譜成像的水稻葉綠素監測

​一、研究背景：

水shui稻dao作zuo為wei全quan球qiu最zui重zhong要yao的de糧liang食shi作zuo物wu之zhi一yi
，其qi生sheng長chang狀zhuang況kuang直zhi接jie關guan係xi到dao糧liang食shi安an全quan與yu農nong業ye生sheng產chan的de穩wen定ding性xing。葉ye綠lv素su是shi光guang合he作zuo用yong中zhong關guan鍵jian的de色se素su成cheng分fen，參can與yu光guang能neng捕bu獲huo與yu能neng量liang轉zhuan化hua過guo程cheng，決jue定ding著zhe冠guan層ceng光guang合he效xiao率lv與yu幹gan物wu質zhi積ji累lei。其qi含han量liang變bian化hua能neng夠gou反fan映ying植zhi株zhu的de營ying養yang供gong給gei、生理活性以及環境脅迫程度，因此常被視為評估作物生長狀態、指導氮肥管理和預測產量形成的重要生理指標。然而
，傳統的人工采樣與實驗室化學測定在操作效率、空間代表性和監測頻率方麵存在明顯不足，難以滿足現代農業對實時
、精準和大範圍監測的需求。因此，構建一種快速
、非破壞且可用於田間尺度的葉綠素監測技術，對提升水稻生長診斷能力和支持精準農業管理具有重要意義。

二、水稻葉綠素監測方法概述：

水shui稻dao葉ye綠lv素su的de獲huo取qu方fang式shi同tong樣yang可ke分fen為wei破po壞huai性xing與yu非fei破po壞huai性xing兩liang大da類lei。破po壞huai性xing方fang法fa通tong常chang依yi賴lai取qu樣yang後hou進jin行xing溶rong劑ji提ti取qu，並bing結jie合he分fen光guang光guang度du法fa或huo色se譜pu分fen析xi獲huo得de葉ye綠lv素sua、b及(ji)總(zong)量(liang)等(deng)精(jing)細(xi)生(sheng)化(hua)指(zhi)標(biao)，具(ju)有(you)較(jiao)高(gao)的(de)準(zhun)確(que)性(xing)和(he)可(ke)重(zhong)複(fu)性(xing)，常(chang)被(bei)用(yong)於(yu)模(mo)型(xing)構(gou)建(jian)與(yu)驗(yan)證(zheng)。然(ran)而(er)，該(gai)類(lei)方(fang)法(fa)耗(hao)時(shi)耗(hao)力(li)，難(nan)以(yi)滿(man)足(zu)水(shui)稻(dao)大(da)田(tian)環(huan)境(jing)下(xia)對(dui)多(duo)時(shi)間(jian)點(dian)、多區域監測的需求。非破壞性方法包括手持式SPAD儀、葉色卡和葉綠素熒光技術等，雖然適合快速現場測量，但其讀數易受到葉片角度
、品種差異、光照條件與冠層結構等因素影響，導致在田間尺度應用時存在較大的不確定性和空間代表性不足的問題。

隨著遙感與智能農業技術的發展
，無人機載高光譜成像逐漸成為監測水稻葉綠素的*效手段(duan)。高(gao)光(guang)譜(pu)影(ying)像(xiang)能(neng)夠(gou)在(zai)可(ke)見(jian)光(guang)至(zhi)近(jin)紅(hong)外(wai)波(bo)段(duan)獲(huo)取(qu)連(lian)續(xu)的(de)光(guang)譜(pu)反(fan)射(she)信(xin)息(xi)，捕(bu)捉(zhuo)葉(ye)綠(lv)素(su)吸(xi)收(shou)特(te)征(zheng)和(he)紅(hong)邊(bian)變(bian)化(hua)，並(bing)通(tong)過(guo)構(gou)建(jian)特(te)定(ding)植(zhi)被(bei)指(zhi)數(shu)或(huo)提(ti)取(qu)敏(min)感(gan)波(bo)段(duan)
，實(shi)現(xian)對(dui)葉(ye)綠(lv)素(su)含(han)量(liang)的(de)定(ding)量(liang)反(fan)演(yan)。進(jin)一(yi)步(bu)結(jie)合(he)輻(fu)射(she)傳(chuan)輸(shu)模(mo)型(xing)、機器學習及深度學習方法，可有效強化光譜特征提取能力，提高反演的精度與穩定性。無人機平台具備高空間分辨率、快kuai速su部bu署shu及ji可ke靈ling活huo安an排pai飛fei行xing時shi序xu的de優you點dian，能neng夠gou適shi應ying水shui稻dao從cong返fan青qing至zhi灌guan漿jiang全quan過guo程cheng的de多duo階jie段duan監jian測ce需xu求qiu，為wei實shi現xian大da田tian尺chi度du的de葉ye綠lv素su動dong態tai評ping估gu和he精jing準zhun施shi肥fei決jue策ce提ti供gong了le重zhong要yao的de技ji術shu支zhi撐cheng。

三、典型研究進展：

Jin 等（Jin et al., 2024）提出了一種通過無人機耦合RTM和機器學習
，對稻冠LAI和LCC進行高光譜遙感估計方法。研究通過構建結合RPIOSL與UBM的新型水稻冠層輻射傳輸模型，並與PROSAIL模型進行對比，利用Sobol分析和CARS提取敏感波段，結合BPNN、ELM和BLS建立LAI與LCC反演模型。結果顯示，RPIOSL-UBM模擬的高光譜在500–650nm與750–1000nm與實測數據高度一致
，光譜擬合精度明顯優於PROSAIL。基於ELM的反演模型表現*佳
，LAI和LCC的RMSE分別為0.6357和6.01μg·cm⁻²
，均顯著優於PROSAIL數據集模型。研究證明該模型能夠有效提升水稻高光譜反演精度，為營養診斷與精準管理提供了可靠技術途徑。

圖1 技術路線圖。

Peng 等（Peng et al., 2024）提出了一種通過融合雜交優勢特征和深度學習方法提高水稻葉片氮含量的估算精度方法。研究提出一種結合XGBoost與PCC的混合特征選擇方法，並基於無人機高光譜數據構建深度學習模型用於水稻葉氮含量（LNC）估計。利用PLSR

、RF和DNN進行建模後發現，PCC-XGBoost的特征篩選顯著提高了模型穩定性
，其中 DNN 表現*佳，可準確反演田間尺度LNC並生成空間分布圖。研究表明，該方法能夠有效提升水稻氮營養監測精度
，為精準施肥和氮管理提供技術支持。

圖2 深度神經網絡的結構。

Cao 等（Cao et al., 2020）提出了一種利用無人機高光譜遙感技術對粳稻冠層葉綠素含量進行反演建模方法。研究基於無人機獲取的粳稻冠層高光譜影像
，構建葉綠素含量的反演模型以實現快速、經濟的田間監測。針對高光譜數據維度高、冗餘多的問題，利用連續投影算法（SPA）提取了410、481、533、702和798nm等關鍵敏感波段，並將其作為模型輸入。隨後采用極限學習機（ELM）並結合粒子群優化（PSO）以提升模型參數搜索能力和非線性擬合效果。結果表明，PSO-ELM模型能夠較準確地預測粳稻葉綠素含量，獲得R²=0.791
、RMSE=8.215 mg/L的性能。研究表明
，該方法可有效利用UAV高光譜信息實現粳稻葉綠素的定量反演，為營養診斷與精準管理提供技術支持。

圖3 PROSPECT模型輸入參數的全局敏感性分析。

Zhang等（Zhang et al., 2025）采用三維輻射傳輸模型（3DRTM）模擬水稻田的輻射傳輸並生成了冠層高光譜影像，進而結合迭代優化方法、懲罰函數及先驗信息約束
，建立了一種基於物理機製的聯合反演模型，實現了基於水稻冠層高光譜曲線的葉綠素含量（Cab）高*精準估算。反演結果表明，麻雀搜索算法（SSA）能夠較好地估算水稻Cab
，取得較為理想的結果
；進一步對比顯示，在引入類胡蘿卜素含量（Car）約束後，SSA反演精度顯著提高（R² = 0.812，RMSE = 5.413 µg/cm²）
，優於未施加Car約束的反演結果（R² = 0.690
，RMSE = 7.677 µg/cm²）。結論指出，與由PROSPECT葉片光學模型與SAIL冠層反射模型耦合而成的一維輻射傳輸模型PROSAIL相比，基於三維異質場景的大尺度遙感與影像模擬框架（LESS）在水稻Cab估算中表現出更高的準確性，說明3DRTM有助於從水稻冠層高光譜數據中更*確地估算Cab，因而在水稻精準養分管理中具有重要應用潛力。

圖4 基於聯合反演模型的葉綠素含量（Cab）估算策略流程圖。

Wang等（Wang et al., 2021）基於無人機高光譜影像，采用查找表策略和PROSAIL輻射傳輸模型
，反演了田間尺度水稻的葉麵積指數、葉片葉綠素含量與冠層葉綠素含量
，重點分析了生育期進程與土壤背景特征選擇對反演結果的影響。結果表明，在PROSAIL模型中引入淹水土壤反射率作為背景可有效提升估算精度：在整個生育期（分蘖至抽穗期），使用淹水土壤反射率查找表時
，LAI、LCC和CCC反演結果與實測值之間的決定係數R²分別為0.70
、0.11和0.79，平均*對誤差MAE分別為21.87%
、16.27%和12.52%。其中，LAI與LCC的高誤差主要出現在分蘖期，該階段LAI存在明顯高估，而LCC則被低估；相比之下，CCC從分蘖到抽穗期的估算精度較為穩定。

圖5 物候對基於無人機高光譜影像反演水稻冠層參數的影響。

四
、總結與展望

基於無人機載高光譜成像的水稻葉綠素監測在近年來取得了顯著發展。高光譜技術憑借高維光譜信息、快速非破壞、shihetianjiandachiduguancedeyoushi，yichengweijingzhunnongyeyouqishijingxihuashifeiguanliyushenglijiancedehexingongju。tongguofushechuanshumoxingdeguangxuejiliyijijiqixuexiheshenduxuexidegao*數據驅動能力，水稻葉綠素定量反演的精度和泛化性持續提升。在未來，隨著無人機平台
、成像傳感器以及智能算法的不斷演進
，基於無人機高光譜的水稻葉綠素監測將更加普及，並在農業智能管理中發揮關鍵作用。

五
、參考文獻

1. Jin Z, Liu H, Cao H, et al. Hyperspectral Remote Sensing Estimation of Rice Canopy LAI and LCC by UAV Coupled RTM and Machine Learning[J]. Agriculture, 2024, 15(1): 11.

2. Peng Y, Zhong W, Peng Z, et al. Enhanced Estimation of Rice Leaf Nitrogen Content via the Integration of Hybrid Preferred Features and Deep Learning Methodologies[J]. Agronomy, 2024, 14(6): 1248.

3. Cao Y, Jiang K, Wu J, et al. Inversion modeling of japonica rice canopy chlorophyll content with UAV hyperspectral remote sensing[J]. PloS One, 2020, 15(9): e0238530.

4. Zhang H, Zhao D, Guo Z, et al. Estimation of chlorophyll content in rice canopy leaves using 3D radiative transfer modeling and unmanned aerial hyperspectral images[J]. Plant Methods, 2025, 21(1): 26.

5. Wang L, Chen S, Peng Z, et al. Phenology effects on physically based estimation of paddy rice canopy traits from UAV hyperspectral imagery[J]. Remote Sensing, 2021, 13(9): 1792.