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鍵的色素成分，參與光能捕獲與能量轉化過程，決定著冠層光合效率與干物質積累。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)、指導氮肥管理和預測產(chǎn)量形成的重要生理指標。然而，傳統(tǒng)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(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、精準和大范圍監(jiān)測的需求。因此，構建一種快速、非破壞且可用于田間尺度的葉綠素監(jiān)測技術，對提升水稻生長診斷能力和支持精準農(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行溶劑提取，并結合分光光度法或色譜分析獲得葉綠素a、b及總量等精細生化指標，具有較高的準確性和可重復性，常被用于模型構建與驗證。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、葉色卡和葉綠素熒光技術等，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(nóng)業(yè)技術的發(fā)展，無人機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。進一步結合輻射傳輸模型、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(wěn)定性。無人機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)評估和精準施肥決策提供了重要的技術支撐。

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，并與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(shù)據(jù)高度一致，光譜擬合精度明顯優(yōu)于PROSAIL?；贓LM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(yōu)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，并基于無人機高光譜數(shù)據(jù)構建深度學習模型用于水稻葉氮含量（LNC）估計。利用PLSR、RF和DNN進行建模后發(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，為精準施肥和氮管理提供技術支持。

圖2 深度神經(jīng)網(wǎng)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。研究基于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(xiàn)快速、經(jīng)濟的田間監(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等關鍵敏感波段，并將其作為模型輸入。隨后采用極限學習機（ELM）并結合粒子群優(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(xiàn)粳稻葉綠素的定量反演，為營養(yǎng)診斷與精準管理提供技術支持。

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，進而結合迭代優(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，基于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(xiàn)出更高的準確性，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，因而在水稻精準養(yǎng)分管理中具有重要應用潛力。

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 物候對基于無人機高光譜影像反演水稻冠層參數(shù)的影響。

四、總結與展望

基于無人機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，已成為精準農(nóng)業(yè)尤其是精細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機理以及機器學習和深度學習的高效數(shù)據(jù)驅動能力，水稻葉綠素定量反演的精度和泛化性持續(xù)提升。在未來，隨著無人機平臺、成像傳感器以及智能算法的不斷演進，基于無人機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.