基于無(wú)人機(jī)多光譜遙感的冬小麥葉片含水量反演

芮婷婷，徐云飛，程 琦，楊 斌，馮志軍，周 濤，張世文

(1.安徽理工大學(xué)空間信息與測(cè)繪工程學(xué)院，安徽淮南 232001;2.安徽理工大學(xué)礦山采動(dòng)災(zāi)害空天地協(xié)同監(jiān)測(cè)與預(yù)警安徽普通高校重點(diǎn)實(shí)驗(yàn)室，安徽淮南 232001;3.安徽理工大學(xué)礦區(qū)環(huán)境與災(zāi)害協(xié)同監(jiān)測(cè)煤炭行業(yè)工程研究中心，安徽淮南 232001；4.安徽理工大學(xué)地球與環(huán)境學(xué)院,安徽淮南 232001)

冬小麥在我國(guó)是人們?nèi)粘Ｉ钪兄饕募Z食作物，快速、準(zhǔn)確地獲取冬小麥水分含量對(duì)農(nóng)田灌溉管理、旱情狀況監(jiān)測(cè)、作物長(zhǎng)勢(shì)監(jiān)測(cè)等具有重要的科學(xué)意義。含水量影響著作物的生理特征和健康狀況，在缺水時(shí)作物葉片顏色、紋理特征和形態(tài)結(jié)構(gòu)等會(huì)發(fā)生變化，如葉片出現(xiàn)蜷縮、枯黃和色斑等，進(jìn)而影響作物的生長(zhǎng)和產(chǎn)量。作物水分含量可以由根、枝、葉、冠層的生理特性來(lái)反映，其中作物葉片的新陳代謝最旺盛，生理特性最敏感，可以通過(guò)監(jiān)測(cè)作物葉片水分含量來(lái)評(píng)估作物整體水分狀況。

近年來(lái)，國(guó)內(nèi)外學(xué)者基于遙感技術(shù)對(duì)作物水分含量的快速監(jiān)測(cè)進(jìn)行了廣泛探討和深入研究。遙感技術(shù)主要分為衛(wèi)星遙感、地物光譜儀和無(wú)人機(jī)遙感。大多數(shù)研究結(jié)合衛(wèi)星遙感影像監(jiān)測(cè)作物水分含量，但是衛(wèi)星運(yùn)行時(shí)會(huì)受到云層的影響，使得利用衛(wèi)星遙感監(jiān)測(cè)精度受限。利用地物光譜儀可以獲取作物的冠層光譜信息，但所得信息是點(diǎn)狀的，難以用于區(qū)域性水分含量的動(dòng)態(tài)監(jiān)測(cè)。而無(wú)人機(jī)遙感平臺(tái)具有移動(dòng)性強(qiáng)、運(yùn)營(yíng)成本低、獲取影像分辨率高、作業(yè)周期短等優(yōu)點(diǎn)，可快速地獲取農(nóng)田高精度影像，更好地滿足農(nóng)田尺度上精準(zhǔn)監(jiān)測(cè)的要求。胡珍珠等篩選了與葉片含水量相關(guān)的光譜水分指數(shù)，構(gòu)建了核桃果實(shí)不同生育時(shí)期的葉片含水量反演模型。吾木提·艾山江等通過(guò)灰色關(guān)聯(lián)度分析，選擇與葉片含水量關(guān)聯(lián)度較高的5種植被指數(shù)，構(gòu)建了春小麥葉片含水量的偏最小二乘模型和BP神經(jīng)網(wǎng)絡(luò)反演模型。彭要奇等采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型對(duì)玉米葉片含水量進(jìn)行反演。陳秀青等在葉片和冠層兩個(gè)尺度上，采用兩波段植被指數(shù)，構(gòu)建冬小麥葉片含水量的偏最小二乘回歸和競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣-偏最小二乘回歸模型。Wang等分析了不同水分脅迫條件下春小麥冠層反射率與冠層含水量的關(guān)系。Chen等利用無(wú)人機(jī)數(shù)據(jù)，構(gòu)建了植被補(bǔ)給水指數(shù)，篩選出棉花不同部位的敏感波段。以上研究大多基于單一的敏感波段或高光譜植被指數(shù)監(jiān)測(cè)作物含水量，而將無(wú)人機(jī)多光譜數(shù)據(jù)與敏感波段、植被指數(shù)結(jié)合反演作物葉片含水量的研究尚未見(jiàn)報(bào)道。

本研究利用無(wú)人機(jī)獲得多光譜影像，同步采集了冬小麥葉片含水量數(shù)據(jù)，分析了葉片含水量與光譜反射率和植被指數(shù)之間的相關(guān)性，進(jìn)而篩選出與葉片含水量相關(guān)的敏感波段組及植被指數(shù)組，再利用得到的敏感波段組和植被指數(shù)組分別構(gòu)建了冬小麥葉片含水量的PLS、ELM和PSO-ELM預(yù)測(cè)模型，通過(guò)選定模型評(píng)價(jià)指標(biāo)比較3種模型的預(yù)測(cè)精度，最后將最優(yōu)反演模型應(yīng)用于研究區(qū)，獲得研究區(qū)冬小麥葉片含水量的空間分布圖，以期為作物葉片水分含量的快速監(jiān)測(cè)和田間管理提供科學(xué)依據(jù)和理論支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于安徽省淮北市杜集區(qū)和烈山區(qū)的交界區(qū)域(116.85°E，33.97°N)，地處中緯度地區(qū)，屬于暖溫帶半濕潤(rùn)季風(fēng)氣候，全年平均溫度為17 ℃，平均降水量為849.6 mm，日照時(shí)數(shù)為 4 430.2 h，雨水多集中于6-8月，土壤類型為壤土。研究區(qū)采取冬小麥和夏玉米輪作的種植方式，灌溉方式為雨養(yǎng)。供試小麥品種為淮麥22，小麥實(shí)行機(jī)播，行距15 cm，播種密度約為每公頃100萬(wàn)株。研究區(qū)位置和采樣點(diǎn)分布情況如圖1所示。

圖1 研究區(qū)位置和采樣點(diǎn)分布圖

1.2 數(shù)據(jù)采集

1.2.1 無(wú)人機(jī)多光譜數(shù)據(jù)

本研究使用的無(wú)人機(jī)為大疆精靈4多光譜版植保無(wú)人機(jī)，其光譜相機(jī)配備6個(gè)1/2.9英寸CMOS影像傳感器，其中1個(gè)彩色傳感器用于常規(guī)可見(jiàn)光(RGB)成像，5個(gè)單色傳感器用于包含藍(lán)光波段(中心波長(zhǎng)450 nm，帶寬32 nm)、綠光波段(中心波長(zhǎng)560 nm，帶寬32 nm)、紅光波段(中心波長(zhǎng)650 nm，帶寬32 nm)、紅邊波段(中心波長(zhǎng)730 nm，帶寬32 nm)和近紅外波段(中心波長(zhǎng)840 nm，帶寬52 nm)的多光譜成像。

無(wú)人機(jī)多光譜影像的采集時(shí)間為2021年1月7日，冬小麥處于越冬期，飛行時(shí)間為11：00-14：00，飛行時(shí)天空晴朗無(wú)云，風(fēng)力較小。起飛前手動(dòng)控制無(wú)人機(jī)飛行至校準(zhǔn)白板的正上方約1 m處，采用相機(jī)單攝模式來(lái)拍攝標(biāo)準(zhǔn)白板。本次飛行設(shè)置航線為S型，飛行高度為100 m，航向和旁向重疊度分別設(shè)置為70%和60%，相機(jī)鏡頭與地面呈90°，拍照模式為等時(shí)間間隔。

1.2.2 地面實(shí)測(cè)數(shù)據(jù)

根據(jù)研究區(qū)范圍及冬小麥種植面積，利用均勻布點(diǎn)原則布設(shè)采樣點(diǎn)，并利用GPS記錄每個(gè)采樣點(diǎn)的位置信息。冬小麥葉片樣品均采用五點(diǎn)法混合采集，然后用密封袋對(duì)冬小麥葉片樣品進(jìn)行密封保存并放置于陰涼處，以此來(lái)保證葉片水分不受到損失。實(shí)驗(yàn)室處理時(shí)，冬小麥葉片含水量的測(cè)定采用烘干法，將冬小麥植株的葉片和莖分離后稱取每一個(gè)樣品的葉片鮮重，然后將所有樣品放入烘箱中，在105 ℃下殺青30 min，再在 80 ℃下烘干至恒重，稱取葉片干重。冬小麥葉片含水量(LWC)按公式“LWC=(鮮重-干重)/鮮重×100%”進(jìn)行計(jì)算。

1.3 多光譜影像處理

利用Pix4Dmapper軟件對(duì)無(wú)人機(jī)獲取的多光譜影像進(jìn)行拼接處理。拼接后多光譜影像的主要預(yù)處理包括幾何校正和輻射校正。結(jié)合ArcMap 10.6軟件，以無(wú)人機(jī)高清數(shù)碼正射影像為參考影像，分別在5個(gè)單波段影像上均勻選取30個(gè)參考點(diǎn)進(jìn)行幾何校正，幾何校正誤差在0.5個(gè)像元之內(nèi)。在多光譜影像中計(jì)算標(biāo)準(zhǔn)白板在各波段的DN值，利用公式“=DN/DN×”進(jìn)行多光譜影像的輻射校正，其中為目標(biāo)地物的反射率，DN為目標(biāo)地物的DN均值，DN為標(biāo)準(zhǔn)白板的DN均值，為標(biāo)準(zhǔn)白板的反射率值。

2) 當(dāng)不確定加箱或減箱事件發(fā)生時(shí)見(jiàn)圖2b)，進(jìn)入下一階段t=t+1，更新集裝箱序列和船舶貝內(nèi)箱位序列，減箱事件對(duì)應(yīng)的集裝箱c4和箱位p6從序列中被刪除，加箱事件對(duì)應(yīng)的集裝箱c7被添加到集裝箱序列。

將預(yù)處理后的無(wú)人機(jī)多光譜影像及采樣點(diǎn)的GPS點(diǎn)位信息導(dǎo)入到ENVI 5.3軟件中。以地面實(shí)測(cè)取樣點(diǎn)為中心，在圖像上裁剪出200×200(像素)的光譜影像，將感興趣區(qū)域(ROI)范圍內(nèi)冬小麥葉片樣本的平均反射光譜作為該取樣點(diǎn)的光譜反射率，獲得不同波段的光譜反射率數(shù)據(jù)。

1.4 植被指數(shù)選取

作物因其內(nèi)在生化參數(shù)存在差異而表現(xiàn)出不同的光譜反射率。在可見(jiàn)光波段內(nèi),健康綠色作物的主要吸收峰在紅光波段和藍(lán)光波段的附近形成，主要反射峰在綠光波段形成；而在近紅外波段，作物的光譜特征為高反射率和低吸收率；在紅邊波段，作物的光譜反射率增長(zhǎng)較快。將這些特征波段范圍內(nèi)的光譜反射率通過(guò)線性或非線性的組合構(gòu)成植被指數(shù)，可用來(lái)診斷作物生長(zhǎng)狀態(tài)以及反演各種作物參數(shù)。通過(guò)以上對(duì)植被光譜特征的分析，本研究獲取的多光譜影像波段特征，從現(xiàn)有的多光譜植被指數(shù)中選取了20個(gè)多光譜植被指數(shù)用于模型構(gòu)建(表1)。

表1 植被指數(shù)及其相關(guān)計(jì)算公式Table 1 Vegetation index and its related calculation formula

1.5 模型的構(gòu)建

偏最小二乘模型是一種具有廣泛適用性的線性多元統(tǒng)計(jì)數(shù)據(jù)分析方法，具有主成分分析、典型相關(guān)分析和多元線性回歸分析的特點(diǎn)，可以有效地解決變量之間存在多重共線性或者樣本量較少的問(wèn)題。因此,其在處理因變量較多或者因變量?jī)?nèi)部信息高度線性相關(guān)，而樣本量較少的數(shù)據(jù)時(shí)具有明顯的優(yōu)勢(shì)，具有簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)、降低數(shù)據(jù)維度、減少噪聲干擾等特點(diǎn)。

極限學(xué)習(xí)機(jī)是一種針對(duì)單隱含層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。該算法隨機(jī)產(chǎn)生輸入層與隱含層的連接權(quán)值和隱含層神經(jīng)元的閾值，且在訓(xùn)練過(guò)程中無(wú)需調(diào)整，只需要設(shè)置隱含層神經(jīng)元個(gè)數(shù)，便可以得到全局最優(yōu)解。與傳統(tǒng)的訓(xùn)練方法相比，極限學(xué)習(xí)機(jī)具有學(xué)習(xí)速度快和訓(xùn)練誤差小等優(yōu)點(diǎn)。ELM模型的主要步驟為：①確定樣本集；②確定隱含層神經(jīng)元個(gè)數(shù)，隨機(jī)生成輸入層與隱含層的連接權(quán)值和隱含層神經(jīng)元閾值；③確定隱含層神經(jīng)元的激活函數(shù)，計(jì)算隱含層輸出矩陣和輸出層權(quán)值矩陣，根據(jù)權(quán)值矩陣和激活函數(shù)，最終計(jì)算極限學(xué)習(xí)機(jī)模型的預(yù)測(cè)值。

粒子群算法是模擬群體智能所建立的一種優(yōu)化算法，是基于鳥類的覓食行為而提出的全局尋優(yōu)的一種方法。粒子群算法具有收斂速度快、可調(diào)參數(shù)少等優(yōu)點(diǎn)，廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化。為了提高模型的預(yù)測(cè)精度，可用粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)的初始輸入權(quán)值和閾值，其優(yōu)化流程如圖2所示。

圖2 PSO-ELM算法流程圖

1.6 模型的驗(yàn)證

采用決定系數(shù)()和均方根誤差(RMSE)兩個(gè)指標(biāo)來(lái)評(píng)價(jià)模型的精度。表示了預(yù)測(cè)值與實(shí)測(cè)值的擬合程度，其值越接近1，表明該模型的擬合效果越高；RMSE反映了預(yù)測(cè)值與實(shí)測(cè)值的偏離程度，其值越小，表明該模型的預(yù)測(cè)精度 越高。

2 結(jié)果與分析

2.1 光譜反射率與葉片含水量的相關(guān)性

2.2 植被指數(shù)與葉片含水量的相關(guān)性

經(jīng)皮爾遜相關(guān)性分析，選取的20個(gè)植被指數(shù)與冬小麥葉片含水量之間的相關(guān)程度不同，其中GNDVI、EVI、NRBDI與葉片水分含量的相關(guān)性達(dá)到顯著水平 (<0.05)，其余植被指數(shù)與葉片水分含量的相關(guān)性達(dá)到極顯著水平(<0.01)(表2)。根據(jù)植被指數(shù)與葉片水分含量相關(guān)的顯著性原則，同時(shí)考慮模型的簡(jiǎn)潔性，選取EXG、EXR、NGRDI、GI和TVI等5個(gè)相關(guān)性較高的植被指數(shù)作為模型的輸入變量。

表2 植被指數(shù)與葉片含水量的相關(guān)性Table 2 Correlation between vegetation index and leaf water content

*:<0.05; **:<0.01.

2.3 冬小麥葉片含水量的反演模型

為方便模型分析，將選取的紅、藍(lán)和近紅外波段作為第1組的模型輸入變量，記為敏感波段組；將選取的EXG、EXR、NGRDI、GI和TVI5個(gè)相關(guān)性較高的植被指數(shù)作為第2組的模型輸入變量，記為植被指數(shù)組。利用IBM SPSS Statistics 26軟件進(jìn)行隨機(jī)抽樣，將獲得的46個(gè)樣本數(shù)據(jù)分為建模集和驗(yàn)證集，70%的樣本數(shù)據(jù)(33個(gè))用于建模，30%的樣本數(shù)據(jù)(13個(gè))用于驗(yàn)證，以此來(lái)構(gòu)建冬小麥葉片含水量估算模型。

2.3.1 偏最小二乘(PLS)模型

采用敏感波段組和植被指數(shù)組通Origin 2021分析軟件分別建立的冬小麥葉片水分含量PLS模型的分別為0.65和0.80，RMSE分別為1.11%和0.82%(圖3)，說(shuō)明采用植被指數(shù)組所建的PLS模型的預(yù)測(cè)精度高。

圖3 冬小麥葉片水分含量的PLS預(yù)測(cè)結(jié)果

2.3.2 極限學(xué)習(xí)機(jī)(ELM)模型

通過(guò)MatlabR2020b編程軟件，利用兩組輸入變量分別建立基于ELM的冬小麥葉片水分含量反演模型，并對(duì)模型進(jìn)行精度驗(yàn)證。通過(guò)“試湊法”逐一實(shí)驗(yàn)，最終確定隱含層神經(jīng)元的個(gè)數(shù)為7，隱含層激活函數(shù)為“sigmoidal”函數(shù)。從圖4可以看出，采用敏感波段組和植被指數(shù)組建立的ELM模型的分別為0.79和0.84，RMSE分別為0.84%和0.74%，說(shuō)明采用植被指數(shù)組所建模型的預(yù)測(cè)精度也較高。

圖4 冬小麥葉片水分含量的ELM預(yù)測(cè)結(jié)果

2.3.3 粒子群優(yōu)化極限學(xué)習(xí)機(jī)(PSO-ELM) 模型

通過(guò)MatlabR2020b編程軟件，用兩組輸入變量分別構(gòu)建冬小麥葉片水分含量的PSO-ELM模型。為使得模型結(jié)果具有可比性，PSO-ELM模型的隱含層節(jié)點(diǎn)數(shù)與ELM模型保持一致。經(jīng)過(guò)反復(fù)測(cè)試確定粒子群算法的參數(shù)：最大迭代次數(shù)為100次，種群規(guī)模為20，學(xué)習(xí)因子和均為1.494 45，粒子速度范圍為[-1,1]。采用敏感波段組和植被指數(shù)組建立的PSO-ELM模型的分別為0.92和0.98，RMSE分別為0.53%和0.26%(圖5)，說(shuō)明采用植被指數(shù)組建立的PSO-ELM模型的預(yù)測(cè)精度更高。

綜合來(lái)看，以上所有模型的均大于0.60，RMSE都小于1.12%，模型均能在一定程度上反映冬小麥農(nóng)田光譜數(shù)據(jù)與實(shí)測(cè)葉片含水量之間的關(guān)系，且基于植被指數(shù)組構(gòu)建的葉片水分含量預(yù)測(cè)模型的反演精度均高于基于敏感波段組構(gòu)建的預(yù)測(cè)模型，其中基于植被指數(shù)組的PSO-ELM模型精度最高。

圖5 冬小麥葉片水分含量的PSO-ELM預(yù)測(cè)結(jié)果

2.4 研究區(qū)冬小麥葉片含水量的空間分布特征

為獲得整個(gè)研究區(qū)內(nèi)冬小麥葉片含水量分布信息，將最優(yōu)反演模型應(yīng)用于研究區(qū)，繪制了研究區(qū)冬小麥葉片含水量的空間分布圖(圖6)。由圖6可知，研究區(qū)冬小麥葉片水分含量分布范圍為45%～75%，平均值為64.57%；地面實(shí)測(cè)冬小麥葉片水分含量分布范圍為50%～72%，平均值為64.55%。因此，基于無(wú)人機(jī)多光譜影像反演冬小麥葉片含水量的分布范圍與地面實(shí)際情況較為相符，研究結(jié)果可為農(nóng)田尺度上冬小麥葉片含水量的空間反演和精準(zhǔn)灌溉提供科學(xué)依據(jù)和技術(shù) 支持。

圖6 基于PSO-ELM模型的冬小麥葉片水分含量空間分布圖

3 討 論

作物水分含量的快速監(jiān)測(cè)對(duì)于旱情監(jiān)測(cè)和灌溉管理具有重要的現(xiàn)實(shí)意義。波段的光譜反射率和構(gòu)建的植被指數(shù)均能與地面實(shí)測(cè)的葉片含水量有較好的相關(guān)性，因此基于多光譜各波段光譜反射率和植被指數(shù)構(gòu)建的模型均可定量估算作物的葉片含水量。針對(duì)無(wú)人機(jī)多光譜數(shù)據(jù)估算冬小麥葉片含水量，本研究選取了20個(gè)植被指數(shù)和5個(gè)波段反射率，分別作為植被指數(shù)組和敏感波段組分析其與冬小麥葉片含水量的相關(guān)關(guān)系，確定的敏感波段為紅光波段、藍(lán)光波段和近紅外波段，這與Chen等的研究結(jié)果一致。本研究篩選的植被指數(shù)組為綠度指數(shù)、過(guò)紅指數(shù)、歸一化綠紅差值指數(shù)、三角形植被指數(shù)和過(guò)綠指數(shù)。同時(shí)發(fā)現(xiàn)，相關(guān)性較高的植被指數(shù)主要是紅波段、藍(lán)波段和近紅外波段的組合，這與相關(guān)性分析選取的敏感波段結(jié)果基本一致，并且與單波段相比，植被指數(shù)的相關(guān)系數(shù)有所提高。

作物冠層反射率主要受土壤背景、作物成分(如葉片含水量)和冠層結(jié)構(gòu)(如葉傾角)三大因素影響。在不同的環(huán)境條件下，作物冠層結(jié)構(gòu)也有所不同，從而引起波段或者植被指數(shù)對(duì)作物葉片含水量的敏感程度存在一定的差異，使得作物葉片含水量預(yù)測(cè)模型的普適性和估算精度降低。本研究對(duì)植被指數(shù)組和敏感波段組的建模預(yù)測(cè)效果進(jìn)行對(duì)比發(fā)現(xiàn)，利用植被指數(shù)組構(gòu)建的模型的精度和穩(wěn)定性均優(yōu)于敏感波段組。這主要是因?yàn)槎←溤谠蕉诘奶镩g覆蓋度較低，光譜反射率容易受到土壤等背景因素的影響，導(dǎo)致冠層光譜反射率噪音比較大，而植被指數(shù)具有較多的波段光譜信息，考慮了多光譜數(shù)據(jù)的敏感波段又剔除了信息冗余，能夠去除或者降低土壤背景等對(duì)植被光譜信息的影響，增強(qiáng)植被指數(shù)與葉片含水量之間的敏感性，以此提高了葉片含水量的估算精度。

本研究基于PLS、ELM和PSO-ELM的3種建模方法建立冬小麥葉片水分含量反演模型。PSO-ELM模型和ELM模型的反演精度均優(yōu)于PLS模型，原因在于線性關(guān)系描述葉片含水量與植被光譜信息存在一些欠缺，難以精準(zhǔn)解釋植被光譜構(gòu)建葉片含水量之間的相關(guān)性；而PSO-ELM模型和 ELM 模型均用非線性函數(shù)來(lái)輸入輸出數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使訓(xùn)練后的網(wǎng)絡(luò)能夠預(yù)測(cè)非線性函數(shù)輸出，可以有效解釋非線性的問(wèn)題。PSO-ELM 模型的反演精度優(yōu)于ELM模型，是因?yàn)镋LM的初始輸入權(quán)值和閾值是隨機(jī)產(chǎn)生的，所以初始值會(huì)影響模型的訓(xùn)練效果，導(dǎo)致基本粒子群陷入局部最優(yōu)；而PSO算法優(yōu)化了ELM的輸入權(quán)值和閾值，提高了模型的反演精度和穩(wěn)定性。將構(gòu)建的最優(yōu)冬小麥葉片含水量模型應(yīng)用于整個(gè)研究區(qū)后，預(yù)測(cè)結(jié)果較為準(zhǔn)確，但本研究?jī)H以越冬期冬小麥為研究對(duì)象，從敏感波段和植被指數(shù)出發(fā)構(gòu)建了葉片含水量模型，未來(lái)需要結(jié)合冬小麥多個(gè)生育時(shí)期建立冬小麥葉片水分含量模型。

4 結(jié) 論

通過(guò)對(duì)5個(gè)多光譜波段和20個(gè)多光譜植被指數(shù)分別與地面實(shí)測(cè)冬小麥葉片含水量進(jìn)行相關(guān)性分析，最終確定敏感波段為紅光、藍(lán)光和近紅外波段，敏感植被指數(shù)為EXG、EXR、NGRDI、GI和TVI。利用所選敏感波段、植被指數(shù)，建立冬小麥葉片含水量的 PLS、ELM、PSO-ELM模型并進(jìn)行驗(yàn)證，基于植被指數(shù)組構(gòu)建的三種模型預(yù)測(cè)精度和穩(wěn)定性均優(yōu)于敏感波段組，其中基于植被指數(shù)組的PSO-ELM模型精度最高，其和RMSE分別為0.98和0.26%。利用植被指數(shù)組構(gòu)建的PSO-ELM模型繪制冬小麥葉片含水量的分布圖，得到研究區(qū)冬小麥葉片水分含量與地面實(shí)測(cè)值較相符。