高光谱成像用于草地可燃物含水率估测的研究进展

草地可燃物含水率（Fuel Moisture Content, FMC）是预测火灾发生风险、评估火势蔓延速度及制定防火策略的关键参数。传统FMC测定方法依赖实验室烘干称重等离线手段，存在耗时、成本高、空间覆盖有限等问题。高光谱成像技术（Hyperspectral Imaging, HSI）通过捕捉地物在可见光至短波红外波段（400–1700 nm）的连续光谱信息，结合光谱特征与含水率的物理关联，为草地可燃物含水率的快速、无损、大范围监测提供了新思路。中达瑞和综述高光谱成像在草地FMC估测中的研究进展，重点分析技术原理、模型构建、关键挑战及未来发展方向。

高光谱成像技术原理与FMC估测基础

光谱特征与水分关系

草地可燃物（如牧草、枯枝落叶）的水分含量会显著改变其反射光谱特性：

吸收特征：水分子在近红外波段（~1400 nm、1900 nm）具有强吸收峰，含水率越高，反射率越低。

光谱连续性：高光谱数据提供数百个窄波段（<10 nm），可捕捉细微的水分变化。

植被指数（VIs）：如水分指数（WI）、归一化差异水分指数（NDMI）等，通过特定波段组合增强水分敏感性。

高光谱成像系统组成

高光谱相机类型：SVC多光谱云台摄像机、无人机搭载SKY-W417高光谱相机。

光谱云平台：lrisCube Cloud

研究进展与关键技术

光谱特征提取方法

波段选择：基于相关系数分析、随机森林（RF）等方法筛选与FMC强相关的敏感波段（如1300–1400 nm）。

连续统去除法（CSR）：消除背景反射干扰，增强水分吸收特征。

导数光谱分析：一阶/二阶导数可突出吸收边缘（如1450 nm、1950 nm附近）。

估测模型构建

传统统计模型

多元线性回归（MLR）：利用敏感波段建立FMC与反射率的线性关系。

偏最小二乘回归（PLSR）：处理高维光谱数据共线性问题，适用于草地复杂混合像元。

机器学习模型

随机森林（RF）：通过特征重要性排序优化模型，抗过拟合能力强。

支持向量机（SVM）：在小样本、非线性数据中表现优异。

深度学习：卷积神经网络（CNN）可自动提取光谱-空间特征，但需大量标注数据。

混合模型

光谱-形态学融合：结合植被结构参数（如叶面积指数LAI）提升估测精度。

多源数据整合：融合热红外、LiDAR数据补偿高光谱的空间分辨率不足。

应用案例与精度验证

草地类型适应性：研究表明，高光谱模型在针茅、羊草等典型草地中R²可达0.85–0.92（RMSE<5%）。

时空动态监测：无人机平台实现草地FMC日间/季节变化的高频率观测，支持火灾预警系统。

区域尺度验证：欧洲FIREPARC项目利用机载高光谱数据反演地中海地区草地FMC，验证误差<8%。

高光谱成像技术为草地可燃物含水率的快速、无损估测提供了革命性工具，其高精度、高效率已得到多项研究验证。然而，模型泛化能力、数据处理复杂度及成本控制仍是亟待解决的问题。未来需进一步推动多学科交叉创新，结合人工智能与新型传感器技术，构建可持续的草地火灾风险监测体系，为生态安全与灾害防控提供科学支撑。

审核编辑 黄宇