学术研究报告：结合分数阶导数与无人机高光谱影像的草地叶绿素含量估算
一、 研究作者、机构与发表信息 本研究由首都师范大学3D信息获取与应用教育部重点实验室的张爱武教授团队主导，合作单位包括中国科学院地理科学与资源研究所、青海大学以及德州学院。该研究成果以论文形式于2023年12月4日发表于Remote Sensing 期刊（卷15，期23，文章编号5623）。论文标题为“*Grassland Chlorophyll Content Estimation from Drone Hyperspectral Images Combined with Fractional-Order Derivative*”。
二、 学术背景与研究目的 本研究属于植被遥感与精准农业领域，具体聚焦于利用无人机高光谱遥感技术进行天然草地生态系统健康监测。叶绿素是评估植物光合能力与生理健康状况的关键指标。尽管基于高光谱遥感的叶绿素反演（Inversion）研究在玉米、小麦等单一结构农作物中已取得广泛进展，但将其应用于天然草地时面临巨大挑战。这是由于天然草冠层结构复杂、物种多样性高，且易受裸土、枯草等背景因素的干扰，导致现有模型精度有限。已有研究表明，传统的整数阶导数（Integer-Order Derivative）方法虽能增强光谱对植被参数的敏感性，但也可能损失渐近信息。
为此，本研究旨在解决两个核心科学问题：1）如何将地面叶片尺度的叶绿素测量值有效上推至与无人机影像匹配的冠层尺度；2）如何从无人机高光谱数据中提取更敏感的特征信息，以提高天然草地叶绿素含量的估算精度。为实现此目标，研究引入分数阶导数（Fractional-Order Derivative， FOD）这一先进的光谱预处理方法。分数阶导数作为整数阶导数的广义形式，理论上能更精细地提取光谱的敏感特征，有效消除背景噪声，已在土壤属性、作物氮含量估算中展现出优势。本研究的目标是，结合绿度植被覆盖度（Green Vegetation Coverage）的上推方法与分数阶导数处理，开发新的光谱指数，并构建高精度的天然草地叶绿素含量反演模型。
三、 详细研究流程与方法 研究流程可概括为：研究区与样本设置 → 无人机高光谱数据与地面数据获取 → 数据预处理（叶绿素上推、辐射定标、分数阶导数处理）→ 特征提取与优选（FOD全波段模型、构建双波段FOD光谱指数）→ 模型构建与验证（使用PLSR和SVR算法）→ 最优模型选择与应用。具体步骤如下：
1. 研究区与样本设置： 研究区位于内蒙古额尔古纳草原过渡带，为典型温带草甸草原。于2019年7月20日至26日，选取了三个具有不同绿度植被覆盖度的代表性样区，分别标记为T5、T6和T7。在每个样区内，采用网格法布设1 m × 1 m的样本方，总计90个。最终，因无人机航拍时人员遮挡等因素，有效样本为79个。同时，使用智能手机垂直向下拍摄每个样本方的彩色照片，用于后续计算绿度植被覆盖度。
2. 数据获取： * 无人机高光谱数据： 使用研究团队自主研发的计算高光谱成像系统，搭载于大疆M600 Pro无人机平台。飞行高度60米，获取了空间分辨率为2.75厘米的25个波段（600-1000 nm）高光谱影像。通过4块已知反射率（5%， 20%， 40%， 60%）的定标布进行了辐射定标，将影像数字值（DN值）转换为地表反射率。验证表明，定标后影像反射率与地面实测冠层光谱的皮尔逊相关系数大于0.7，确保了数据可靠性。 * 地面叶绿素数据： 使用SPAD-502叶绿素计在每个样本方内采用五点采样法测量叶片相对叶绿素含量（SPAD值），取平均值作为该样本的叶片尺度SPAD均值。
3. 数据预处理与叶绿素上推： 为解决“叶片-冠层”尺度不匹配问题，研究提出基于绿度植被覆盖度的叶绿素值上推方法。首先，利用支持向量机（SVM）分类算法对样本方彩色照片进行分类，区分出绿色植被像元，计算绿度植被覆盖度（Cover_greengrass）。然后，通过公式 SPAD_cover = Cover_greengrass × SPAD_mean，将叶片尺度的平均SPAD值上推为冠层尺度的估算叶绿素值（SPAD_cover）。这种方法旨在降低裸土、枯草等非绿色组分对冠层光谱-叶绿素关系的影响。
4. 分数阶导数处理与特征构建： * 分数阶导数处理： 对25个波段的高光谱反射率数据，采用Grunwald-Letnikov定义，在0到2阶范围内以0.1为间隔进行FOD变换，共生成21个不同阶次的FOD光谱数据集。 * 特征构建： a. FOD全波段特征： 直接使用不同阶次（0, 0.1, 0.2, …, 2）下的全部25个波段反射率作为建模特征。 b. 双波段FOD光谱指数： 为增强特征对叶绿素的针对性并减少冗余，本研究创新性地构建了三种基于FOD光谱的双波段指数： * 分数阶导数差值指数（FDI）：FDI = ραλ1 - ραλ2 * 分数阶导数比值指数（FRI）：FRI = ραλ1 / ραλ2 * 分数阶导数归一化差值指数（FNDI）：FNDI = (ραλ1 - ραλ2) / (ραλ1 + ραλ2) 其中，ρ为反射率，α为分数阶阶数，λ1和λ2为波段位置。研究计算了所有可能双波段组合（共300种）在不同FOD阶次下与上推后叶绿素值（SPAD_cover）的相关系数，以筛选最优指数。
5. 模型构建与验证： 研究采用偏最小二乘回归（Partial Least Squares Regression, PLSR）和支持向量机回归（Support Vector Machine Regression, SVR）两种算法构建反演模型。实验分为三组进行比较： * 组A（全波段模型）： 分别使用原始光谱（0阶）及各个FOD阶次的全波段数据建立PLSR和SVR模型。 * 组B（双波段指数模型）： 使用优选出的FDI、FRI、FNDI指数分别建立PLSR和SVR模型。 * 组C（组合模型）： 将优选出的FOD全波段光谱特征（最优阶次）与优选出的FDI、FRI、FNDI指数特征组合，共同作为输入变量建立PLSR和SVR模型。 模型精度通过10折交叉验证进行评估，使用决定系数（R²）、均方根误差（RMSE）和相对预测偏差（RPD）三个指标。R²越接近1、RMSE越接近0、RPD越大（通常>2.0表示模型预测能力优秀）表明模型越好。
四、 主要研究结果 1. 光谱与叶绿素相关性分析结果： 原始冠层光谱反射率与上推后叶绿素值（SPAD_cover）在25个波段上均表现出显著正相关（0.68~0.78），第8波段（779.6 nm）相关性最高（0.774）。经过FOD处理后，光谱与叶绿素的相关性显著增强且模式发生变化。当FOD阶次从0增加到2时，最大相关系数对应的波长发生“红移”：0~0.2阶在779.6 nm，0.3~0.6阶在754.2 nm，0.7~2阶在727.4 nm。特别重要的是，在1.4和1.5阶FOD处获得了全局最高相关系数0.844，相比原始光谱（0.774）、一阶导数（0.833）和二阶导数（0.799）均有提升，证明了FOD在增强草地叶绿素光谱敏感性方面的优越性。
2. 双波段FOD光谱指数优选结果： 通过系统计算与筛选，确定了三种指数的最优阶次与波段组合： * FDI最优组合： 阶次α=1，波段组合为B22（944.9 nm）和B4（727.4 nm），即 FDI = ρ¹_B22 - ρ¹_B4，其与叶绿素值的最大相关系数为0.861。 * FRI最优组合： 阶次α=1.3，波段组合为B19（907.8 nm）和B4（727.4 nm），即 FRI = ρ¹.³_B19 / ρ¹.³_B4，最大相关系数为-0.858。 * FNDI最优组合： 阶次α=0.6，波段组合为B10（803.5 nm）和B2（687.2 nm），即 FNDI = (ρ⁰.⁶_B10 - ρ⁰.⁶_B2) / (ρ⁰.⁶_B10 + ρ⁰.⁶_B2)，最大相关系数为-0.821。 这些优选出的FOD光谱指数，其相关性均优于基于原始光谱或整数阶导数构建的对应指数，证实了将FOD与光谱指数结合的有效性。
3. 模型构建与对比验证结果： * 全波段模型对比： 在所有FOD阶次中，PLSR模型整体表现优于SVR模型。对于PLSR，0.6阶FOD全波段模型效果最佳（R² = 0.742， RMSE = 2.001， RPD = 1.994），其R²比原始光谱模型（0.699）提升了约0.043。 * 双波段指数模型对比： 使用优选出的FDI、FRI、FNDI构建的PLSR模型，其精度（R² = 0.769）显著高于对应的SVR模型，且比原始全波段PLSR模型（R² = 0.699）提升了约0.07，也优于任意阶次的FOD全波段模型。 * 组合模型对比： 将0.6阶FOD全波段光谱特征与FDI、FRI、FNDI三个优选指数特征相结合，并使用PLSR算法构建的模型，取得了全局最优性能。该模型的验证结果为：R² = 0.808， RMSE = 1.720， RPD = 2.347。 将这一最优模型应用于整个研究区的高光谱影像，生成了T5、T6、T7样区的叶绿素空间分布图。结果显示，叶绿素含量分布与实地观察到的植被生长状况一致：T5和T7样区分布较为均匀，而T6样区由于植被覆盖度变化大，叶绿素含量变异性也更高。这从空间上验证了模型的合理性。
五、 研究结论与价值 本研究成功开发并验证了一套基于无人机高光谱影像和分数阶导数技术的天然草地叶绿素含量高精度估算方法。主要结论如下： 1. 方法有效性： 提出的基于绿度植被覆盖度的叶绿素上推方法，有效缓解了叶片与冠层尺度的不匹配问题。分数阶导数处理能够显著增强高光谱数据对草地叶绿素含量的敏感性，其效果优于传统的整数阶导数。 2. 特征创新： 构建的三种双波段分数阶导数光谱指数（FDI、FRI、FNDI）能够更有效地捕捉叶绿素信息并减少背景干扰，其中FDI表现最佳，可能与研究区草地-土壤交错的环境有关，其对土壤背景变化更敏感。 3. 模型优越性： 综合使用分数阶导数全波段光谱和优选光谱指数特征，并采用PLSR算法构建的反演模型，为天然草地叶绿素估算提供了当前最高精度的解决方案之一（R²=0.808， RPD=2.347）。该模型精度优于以往许多基于传统植被指数（如NDVI, SAVI2）或特定草地叶绿素指数（GCI）的研究。 4. 应用潜力： 本研究成果展示了无人机高光谱遥感结合先进光谱分析方法（FOD）在大范围、复杂结构天然草地生态系统精准监测中的巨大潜力。所建立的流程和方法可推广至其他植被类型或其他生化参数（如氮含量、水分含量）的遥感估算中。
六、 研究亮点 1. 研究对象的特殊性： 直接针对具有复杂冠层结构和物种多样性的天然草地进行叶绿素反演，解决了从均一农作物模型向异质生态系统应用的关键难题。 2. 方法的新颖性与集成性： 首次将分数阶导数系统性地应用于无人机高光谱草地叶绿素反演研究，并创新性地构建了双波段FOD光谱指数。研究实现了尺度上推方法（绿度覆盖度）、先进光谱预处理（FOD）、特征工程（FOD指数）与机器学习建模（PLSR/SVR） 的全链条技术集成。 3. 显著的精度提升： 通过方法集成，最终模型取得了R²=0.808、RPD=2.347的优异精度，表明模型具有可靠的预测能力，为实际应用奠定了基础。 4. 完整的实证流程： 研究包含了从野外采样、数据获取、预处理、特征提取、模型构建与比较到空间制图应用的完整闭环，论证充分，流程清晰。
七、 其他有价值的讨论 论文在讨论部分也坦诚指出了本研究的局限性及未来方向：1）所使用的无人机高光谱传感器波段数较少（25个），限制了对更多潜在敏感波段及其关系的深入探索，未来可采用波段更连续的高光谱数据；2）最优FOD阶次和波段的筛选依赖于样本数据及其相关性，其普适性有待在更多样地点、不同生长季进行验证；3）提出的“全波段特征+指数特征”组合建模策略，需要在更广泛的情境下测试其稳健性和推广性。这些思考为后续研究指明了方向。