一、研究背景：

水稻作為全*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)的穩(wěn)定性。葉綠素是光合作用中關(guān)鍵的色素成分，參與光能捕獲與能量轉(zhuǎn)化過程，決定著冠層光合效率與干物質(zhì)積累。其含量變化能夠反映植株的營養(yǎng)供給、生理活性以及環(huán)境脅迫程度，因此常被視為評估作物生長狀態(tài)、指導(dǎo)氮肥管理和預(yù)測產(chǎn)量形成的重要生理指標(biāo)。然而，傳統(tǒng)的人工采樣與實驗室化學(xué)測定在操作效率、空間代表性和監(jiān)測頻率方面存在明顯不足，難以滿足現(xiàn)代農(nóng)業(yè)對實時、精準(zhǔn)和大范圍監(jiān)測的需求。因此，構(gòu)建一種快速、非破壞且可用于田間尺度的葉綠素監(jiān)測技術(shù)，對提升水稻生長診斷能力和支持精準(zhǔn)農(nóng)業(yè)管理具有重要意義。

二、水稻葉綠素監(jiān)測方法概述：

水稻葉綠素的獲取方式同樣可分為破壞性與非破壞性兩大類。破壞性方法通常依賴取樣后進(jìn)行溶劑提取，并結(jié)合分光光度法或色譜分析獲得葉綠素a、b及總量等精細(xì)生化指標(biāo)，具有較高的準(zhǔn)確性和可重復(fù)性，常被用于模型構(gòu)建與驗證。然而，該類方法耗時耗力，難以滿足水稻大田環(huán)境下對多時間點、多區(qū)域監(jiān)測的需求。非破壞性方法包括手持式SPAD儀、葉色卡和葉綠素?zé)晒饧夹g(shù)等，雖然適合快速現(xiàn)場測量，但其讀數(shù)易受到葉片角度、品種差異、光照條件與冠層結(jié)構(gòu)等因素影響，導(dǎo)致在田間尺度應(yīng)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(nóng)業(yè)技術(shù)的發(fā)展，無人機(jī)載高光譜成像逐漸成為監(jiān)測水稻葉綠素的高效手段。高光譜影像能夠在可見光至近紅外波段獲取連續(xù)的光譜反射信息，捕捉葉綠素吸收特征和紅邊變化，并通過構(gòu)建特定植被指數(shù)或提取敏感波段，實現(xiàn)對葉綠素含量的定量反演。進(jìn)一步結(jié)合輻射傳輸模型、機(jī)器學(xué)習(xí)及深度學(xué)習(xí)方法，可有效強(qiáng)化光譜特征提取能力，提高反演的精度與穩(wěn)定性。無人機(jī)平臺具備高空間分辨率、快速部署及可靈活安排飛行時序的優(yōu)點，能夠適應(yīng)水稻從返青至灌漿全過程的多階段監(jiān)測需求，為實現(xiàn)大田尺度的葉綠素動態(tài)評估和精準(zhǔn)施肥決策提供了重要的技術(shù)支撐。

三、典型研究進(jìn)展：

Jin 等（Jin et al., 2024）提出了一種通過無人機(jī)耦合RTM和機(jī)器學(xué)習(xí)，對稻冠LAI和LCC進(jìn)行高光譜遙感估計方法。研究通過構(gòu)建結(jié)合RPIOSL與UBM的新型水稻冠層輻射傳輸模型，并與PROSAIL模型進(jìn)行對比，利用Sobol分析和CARS提取敏感波段，結(jié)合BPNN、ELM和BLS建立LAI與LCC反演模型。結(jié)果顯示，RPIOSL-UBM模擬的高光譜在500–650nm與750–1000nm與實測數(shù)據(jù)高度一致，光譜擬合精度明顯優(yōu)于PROSAIL。基于ELM的反演模型表現(xiàn)*好，LAI和LCC的RMSE分別為0.6357和6.01μg·cm?2，均顯著優(yōu)于PROSAIL數(shù)據(jù)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(yǎng)診斷與精準(zhǔn)管理提供了可靠技術(shù)途徑。

圖1 技術(shù)路線圖。

Peng 等（Peng et al., 2024）提出了一種通過融合雜交優(yōu)勢特征和深度學(xué)習(xí)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(jié)合XGBoost與PCC的混合特征選擇方法，并基于無人機(jī)高光譜數(shù)據(jù)構(gòu)建深度學(xué)習(xí)模型用于水稻葉氮含量（LNC）估計。利用PLSR、RF和DNN進(jìn)行建模后發(fā)現(xiàn)，PCC-XGBoost的特征篩選顯著提高了模型穩(wěn)定性，其中 DNN 表現(xiàn)*佳，可準(zhǔn)確反演田間尺度LNC并生成空間分布圖。研究表明，該方法能夠有效提升水稻氮營養(yǎng)監(jiān)測精度，為精準(zhǔn)施肥和氮管理提供技術(shù)支持。

圖2 深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

Cao 等（Cao et al., 2020）提出了一種利用無人機(jī)高光譜遙感技術(shù)對粳稻冠層葉綠素含量進(jìn)行反演建模方法。研究基于無人機(jī)獲取的粳稻冠層高光譜影像，構(gòu)建葉綠素含量的反演模型以實現(xiàn)快速、經(jīng)濟(jì)的田間監(jiān)測。針對高光譜數(shù)據(jù)維度高、冗余多的問題，利用連續(xù)投影算法（SPA）提取了410、481、533、702和798nm等關(guān)鍵敏感波段，并將其作為模型輸入。隨后采用極限學(xué)習(xí)機(jī)（ELM）并結(jié)合粒子群優(yōu)化（PSO）以提升模型參數(shù)搜索能力和非線性擬合效果。結(jié)果表明，PSO-ELM模型能夠較準(zhǔn)確地預(yù)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(xiàn)粳稻葉綠素的定量反演，為營養(yǎng)診斷與精準(zhǔn)管理提供技術(shù)支持。

圖3 PROSPECT模型輸入?yún)?shù)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并生成了冠層高光譜影像，進(jìn)而結(jié)合迭代優(yōu)化方法、懲罰函數(shù)及先驗信息約束，建立了一種基于物理機(jī)制的聯(lián)合反演模型，實現(xiàn)了基于水稻冠層高光譜曲線的葉綠素含量（Cab）高效精準(zhǔn)估算。反演結(jié)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(jié)果；進(jìn)一步對比顯示，在引入類胡蘿卜素含量（Car）約束后，SSA反演精度顯著提高（R2 = 0.812，RMSE = 5.413 µg/cm2），優(yōu)于未施加Car約束的反演結(jié)果（R2 = 0.690，RMSE = 7.677 µg/cm2）。結(jié)論指出，與由PROSPECT葉片光學(xué)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，基于三維異質(zhì)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(xiàn)出更高的準(zhǔn)確性，說明3DRTM有助于從水稻冠層高光譜數(shù)據(jù)中更精確地估算Cab，因而在水稻精準(zhǔn)養(yǎng)分管理中具有重要應(yīng)用潛力。

圖4 基于聯(lián)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）基于無人機(jī)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面積指數(shù)、葉片葉綠素含量與冠層葉綠素含量，重點分析了生育期進(jìn)程與土壤背景特征選擇對反演結(jié)果的影響。結(jié)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（分蘗至抽穗期），使用淹水土壤反射率查找表時，LAI、LCC和CCC反演結(jié)果與實測值之間的決定系數(shù)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(xiàn)在分蘗期，該階段LAI存在明顯高估，而LCC則被低估；相比之下，CCC從分蘗到抽穗期的估算精度較為穩(wěn)定。

圖5 物候?qū)跓o人機(jī)高光譜影像反演水稻冠層參數(shù)的影響。

四、總結(jié)與展望

基于無人機(jī)載高光譜成像的水稻葉綠素監(jiān)測在近年來取得了顯著發(fā)展。高光譜技術(shù)憑借高維光譜信息、快速非破壞、適合田間大尺度觀測的優(yōu)勢，已成為精準(zhǔn)農(nóng)業(yè)尤其是精細(xì)化施肥管理與生理監(jiān)測的核心工具。通過輻射傳輸模型的光學(xué)機(jī)理以及機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的高效數(shù)據(jù)驅(qū)動能力，水稻葉綠素定量反演的精度和泛化性持續(xù)提升。在未來，隨著無人機(jī)平臺、成像傳感器以及智能算法的不斷演進(jìn)，基于無人機(jī)高光譜的水稻葉綠素監(jiān)測將更加普及，并在農(nóng)業(yè)智能管理中發(fā)揮關(guān)鍵作用。

五、參考文獻(xiàn)

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.