基于無人機高光譜遙感的烤煙葉片葉綠素含量估測

引言

葉綠素是作物葉片中主要的光合色素，葉片中葉綠素含量（Leaf Chlorophyll Content，LCC）是反映作物光合作用能力和冠層營養(yǎng)狀況的重要指標。煙草作為重要經(jīng)濟作物，以葉片為主要收獲對 象，因此葉綠素含量監(jiān)測非常重要。傳統(tǒng)的煙草農(nóng)業(yè)監(jiān)測受田間管理模式及生產(chǎn)設備的限制，費時、費力，效率低下。相較于采用衛(wèi)星遙感和近地面高光譜人工采集方式，無人機遙感具有分辨率高、效率快、范圍廣的特點，因此在農(nóng)作物長勢監(jiān)測方面得以迅速發(fā)展和大面積推廣應用。研究表明，基于植被指數(shù)（Vegetation Index，VI）的遙感監(jiān)測具有時空連續(xù)性，方便對作物長勢信息進行長期監(jiān)測，在葉綠素估測中具有較高的應用價值。

通過高光譜數(shù)據(jù)進行煙草冠層LCC的定量分析具有重要意義和應用價值。為實現(xiàn)烤煙 LCC 的快速估測，本研究利用無人機獲取 6個不同移栽生育期烤煙葉高光譜影像，通過篩選光譜參數(shù)，利用一元線性回歸（Unary Linear Regression，ULR）、多元線性回歸（Multivariable Linear Regression，MLR）和PLSR三種傳統(tǒng)回歸方法，支持向量回歸（Support Vector Regression，SVR）和RFR兩種機器學習建模方法分別構建烤煙的LCC估測模型，并獲得最優(yōu)估測模型，為利用無人機遙感開展田間烤煙長勢信息快速、無損監(jiān)測提供技術支持。

材料與方法

2.1 試驗材料

試驗田位于河南省頂山市郟縣植煙區(qū)（112°14′~113°45′E，33°08′~34°20′N），屬于溫帶大陸性季風氣候，氣候溫和，雨量充沛，年日照率 53%，平均氣溫 15.7℃，無霜期220天，常年降水量678.5 mm?？緹熎贩N為中煙 100。于2022年5月8日移栽， 所有肥料均作基肥一次性施入，不再追肥。設置5個水平氮肥梯度，N0~N4處理分別為0.0、24.0、 48.0、72.0、96.0 kg/hm2，每個處理設置三次重復， 共15個小區(qū)，每個小區(qū)面積約為144 m2（15.2 m× 9.5 m），如圖 1 所示。其他栽培和管理方法按照當 地優(yōu)質(zhì)煙草栽培方式進行。

圖 1 河南省平頂山市烤煙試驗地研究區(qū)分布圖

2.2 數(shù)據(jù)獲取

2.2.1無人機高光譜影像獲取

獲取烤煙6個生育期32、48、61、75、89和109 d的影像。選擇中午晴朗、無風、無云的天氣條件，采用無人機搭載高光譜成像儀，包含150個波段的光譜數(shù)據(jù)。地面試驗樣品采集與無人機飛機作業(yè)同步進行。試驗于上述烤煙生育期11∶00—14∶00進行測定。無人機飛行作業(yè)時，需經(jīng)過布置在試驗地的靶標布便于后期輻射定標處理數(shù)據(jù)，設置航高100 m， 飛行速度 3 m/s，最小定時拍照間隔 1.0 s，航向重疊率 80%，旁向重疊率70%，鏡頭垂直朝下，焦距 17 mm。

2.2.2烤煙LCC的實驗室測定

分別獲取移栽后 32、48、61、75、89 和 109 d 共6個生育期烤煙冠層葉片進行LCC測定。每個小區(qū)進行隨機破壞性采樣3株，每次數(shù)據(jù)采集共獲取45個地面樣本。將烤煙冠層葉片轉移到實驗室測定LCC。用2mm打孔器收集新鮮樣品，混勻后稱量0.1g碎片，再浸入15 ml的95%乙醇溶液中。在浸提液制備完成后，將其保存在低溫、避光和密閉的容器中，在黑暗中提取葉綠素 24 h。暗處理后，葉子呈白綠色，使用比色分光光度計測量葉片色素密度。提取的 LCC（Ct）由665和649nm處的吸光度值計算 。LCC 計算方法如公式 （1） ~ （3） 所示。

Ca= 13.95×A665-6.88×A649（1）

Cb = 24.96×A649-7.32×A665（2）

Ct= （Ca+Cb）×V/1000×W （3）

其中，Ca和 Cb分別表示葉綠素 a 濃度和葉綠素b濃度，mg/L；V 表示浸提液的體積，mL；W 表示葉片的質(zhì)量，g；A665和A649分別為665和649nm處的吸光度值。

2.3 光譜參數(shù)的選定

為了降低土壤背景、大氣水分等環(huán)境因素對冠層反射率的干擾，大多數(shù)研究人員通過利用 VI 增強作物光譜信息的特征并且實現(xiàn)高光譜數(shù)據(jù)信息降維 。本研究將通過兩方面選取構建烤煙 LCC 估測模型的光譜指數(shù)：一是基于已發(fā)表的對作物LCC敏感的18種植被指數(shù)；二是基于波段400~ 1000nm范圍內(nèi)任意兩個波段隨機組合的差值光譜指數(shù) （Difference Spectral Index，DSI）、比值光譜指數(shù) （Ratio Spectral Index，RSI） 和歸一化光譜指數(shù)（Normalized Spectral Index，NDSI），同時計算3種光譜指數(shù)與LCC 的相關性并繪制相關性等勢圖，最終篩選相關系數(shù)最優(yōu)的波段組合為組合光譜指數(shù)對LCC進行研究。所選取的光譜參數(shù)如表 1 所示。

表1光譜參數(shù)和計算公式

2.4 模型的構建與檢驗

為了在保證模型訓練充分的同時，盡可能減少模型過擬合的風險，以建模集和驗證集樣本比例 2∶1、每個生育期45個樣本根據(jù)比例隨機劃分烤 煙樣本數(shù)據(jù)。首先對選定的光譜參數(shù)和LCC進行相關性分析以篩選對LCC敏感的光譜指數(shù)，然后將篩選出的光譜參數(shù)作為自變量。參考其他無人機高光譜估測作物長勢信息所選擇的模型及常見機器學習模型的優(yōu)勢，采用一元線性回歸 （Unary Linear Re‐ gression，ULR）、MLR 和PLSR這三種傳統(tǒng)線性模型，以及 SVR 和 RFR 兩種機器學習方法對單個生育期和全生育期烤煙LCC進行預估。采用決定系數(shù)R2和均方根誤差（Root Mean Square Error， RMSE）對模型進行精確性和魯棒性檢驗。

材料與方法

3.1 烤煙LCC變化

表2描述的是烤煙冠層LCC在不同生育期的變化情況 （實驗室測定結果）。

表2 不同生育期烤煙冠層葉片LCC的變化

結果表明，烤煙生長前期，冠層 LCC 會迅速增加，在團棵期或旺長期LCC達到頂峰；烤煙進入成熟期后，冠層葉片氮素發(fā)生轉移，LCC開始減少，而烤煙冠層LCC在現(xiàn)蕾期會進一步降低。從整體來看，冠層LCC符合先增后減的變化趨勢，在移栽后75 d（旺長期）LCC達到最大，之后開始逐漸下降。在各生育期中移栽后89d變異系數(shù)最大，為28.43%，其余不同生育期的變異系數(shù)相差不大，范圍為20.38%~25.26%，各個生育期的變異系數(shù)均低于全生育期。全生育期樣本范圍為0.52~2.95 mg/g，其標準差和變異系數(shù)的數(shù)值表明LCC的離散程度較大，反映出試驗地不同處理肥力之間是有差異的，也保證 了估測模型在一定范圍內(nèi)適用。

3.2 烤煙LCC和光譜參數(shù)的相關性分析

3.2.1 植被指數(shù)與烤煙LCC的相關性

將6個生育期的烤煙LCC與植被指數(shù)進行相關性分析，結果如表3所示。

表3 不同生育期烤煙LCC與植被指數(shù)的相關系數(shù)

由表3可知，除移栽后109d，其余生育期大部 分植被指數(shù)和 LCC 呈極顯著相關 （p<0.01），且大部分植被指數(shù)與葉綠素是正相關。其中，移栽后32d，除TCARI和PPR表現(xiàn)出不相關，其余均為極顯著相關，最大相關系數(shù)是0.771，為光譜指數(shù)NDRE；移栽后48 d，TCARI 和PPR為無顯著相關，TCARI/OSAVI 呈顯著相關 （p<0.05），其余為極顯著相關，mND705作為相關性最優(yōu)的植被指數(shù)，其相關系數(shù)為 0.779；移栽后 61 d至移栽后89d， 這三個生育期的植被指數(shù)均為極顯著相關，PPR、TCARI和TCARI/OSAVI表現(xiàn)為極顯著負相關，但三個生育期相關性最高的植被指數(shù)各不相同，移栽后61d相關性最高為mND705，移栽后75d相關性最 高為 NIR，移栽后89d相關性最高為TCARI/OSA‐ VI，其相關系數(shù)分別為0.870、0.902和0.877；移栽 后109d，除了PPR、TCARI和TCARI/OSAVI表現(xiàn)為極顯著負相關，REP呈顯著相關，其余植被指數(shù)無顯著相關。全生育期樣本中所有植被指數(shù)和LCC 極顯著相關，VOG 的相關性最大，其相關系數(shù)為0.771。此外，在各個生育期紅邊位置的植被指數(shù)。LCC含量的相關性均優(yōu)于其他植被指數(shù)，其中NDRE、CIre、RNDVI、VOG以及mND705在不同生育期的相關性，除了移栽后109 d，相關系數(shù)均在 0.67以上，均呈極顯著相關。以上結果表明，VI對 LCC的敏感性與作物生長階段密切相關。隨著生育期推進，葉片中的葉綠素會發(fā)生轉移或降解，這意味著有些 VIs不能用于估測 LCC。因此，確定不同 生長階段VIs對LCC的敏感性對于基于無人機高光 譜圖像的作物參數(shù)估計非常重要。對全生育期而言，相關系數(shù)絕對值較大的植 被指數(shù)里絕大部分是紅邊位置反射率的植被指數(shù)。在不同生育期相關性最優(yōu)的指數(shù)分別為 NDRE（32 d）、mND705（48d、61d）、NIR （75 d）、TCA‐ RI/OSAVI（89d）、TCARI （10d）以及VOG（全生育期）。分析原因可能是因為NDRE、mND705、NIR 和VOG主要使用紅邊位置和近紅外波段信息， 這類植被指數(shù)對于烤煙LCC的建模估測具有較好的應用潛力，參與建模可以有效提升模型的精確度和魯棒性 。

3.2.2 組合光譜指數(shù)與烤煙LCC的相關性

以無人機高光譜波段范圍400~1000 nm內(nèi)任意兩波段 組合計算得到的光譜指數(shù) RSI、DSI和 NDSI，并與葉片葉綠素進行相關性分析。計算并繪制各個生育期和全生育期的相關性等勢圖，如 圖2和圖3所示。

圖2不同生育期烤煙LCC和組合光譜指數(shù)的相關性等勢圖

圖3基于全生育期烤煙LCC和組合光譜指數(shù)的相關性等勢圖

結果表明，除了移栽后109d，各生育期的敏感波段相對較為集中，與LCC相關性較高的光譜指數(shù)組合主要分布在780~940nm和520~710nm之間，移栽后109d相較其他生育期效果不佳。三種隨機組合的光譜指數(shù)大部分小于相關系數(shù) 0.3801， 達到極顯著相關水平的區(qū)域較少。全生育期的敏感波段相對較為分散，不同光譜指數(shù)之間規(guī)律相差不大，但相較于傳統(tǒng)植被指數(shù)，其相關性有很大提升。以光譜指數(shù)與烤煙LCC相關性最高為原則，篩選出不同生育期和全生育期相關系數(shù)最優(yōu)的21種 組合光譜指數(shù)，如表4所示。

表4 烤煙不同移栽生育期組合光譜指數(shù)入選波段和LCC相關系數(shù)

結果表明，相較于已有的植被指數(shù)，組合光譜指數(shù)和LCC的相關性有著更進一步的提升，并且烤煙LCC與篩選出的最優(yōu)光譜指數(shù)均通過0.01水平的顯著性檢驗。對比三種組合光譜指數(shù)，歸一化光譜指數(shù)與烤煙LCC在移栽后32、48、61、75和109d 相關性最高，這些生育期的最優(yōu)波段組合為797和719nm、727和697nm、 736和706 nm、775和745nm 以及455和541nm， 其相關系數(shù)分別為0.795、0.805、0.878、0.912和 0.669；組合差值光譜指數(shù)在移栽后89d時與LCC相關性最高，DSI（R587，R579）與烤煙LCC的相關系數(shù)為 0.892；比值光譜指數(shù)在全生育期數(shù)據(jù)集中相關系數(shù)最大，RSI（R736，R723） 與烤煙LCC的相關系數(shù)為 0.807。

3.3 烤煙LCC估測模型的構建

3.3.1基于單個自變量烤煙LCC估測模型

在葉片葉綠素和光譜參數(shù)相關性分析的基礎上，篩選出 6 個生育期和全生育期相關系數(shù) 最 高 的植被指數(shù) NDRE、MND705、NIR、TCARI/ OSAVI、 PPR 和 VOG， 光 譜 指 數(shù) NDSI（R797，R719）、 NDSI（R727，R697）、 NDSI（R736，R706）、 NDSI（R775，R745）、 DSI（R587，R579）、RSI（R455，R541）和 RSI（R736，R723），分別與烤煙葉片葉綠素建立ULR模型，建模集和驗證集的估測結果如表5所示。

表5 不同生育期單個光譜參數(shù)的烤煙LCC估測模型及驗證

各個生育期的組合光譜指數(shù)無論是建模集還是驗證集，其估測精度大多優(yōu)于傳統(tǒng)植被，但不同生育期的光譜參數(shù)的表現(xiàn)存在差異。植被指數(shù)和優(yōu)化光譜指數(shù)從移栽后32d至移栽后75d，其建模集和驗證集的精度是逐漸增加的， 移栽后75 d的NIR作為各個生育期估測效果最佳的植被指數(shù)模型，其建模集和驗證集的R2分別是 0.814 和 0.829，RMSE 分別是 0.230 和 0.253，而移 栽后75d的NDSI（R775，R745）是各個生育期估測精度最 佳的組合光譜指數(shù)，其建模集和驗證集的R2分別是 0.822 和 0.862，RMSE分別是0.226和0.227；移栽 后75d至移栽后109d 建模集和驗證集的精度開始下降，而在移栽后109d時，植被指數(shù)和優(yōu)化組合光譜指數(shù)在各個生育期中估測 LCC 的效果都是最差。相較于其他單個生育期，由不同生育期270個樣本組成的全生育期數(shù)據(jù)集估測表現(xiàn)較為不理想，VOG建模集和驗證集的 R2分別是0.602和0.558，RMSE分別是0.348和 0.349，RSI（R736，R723）建模集和驗證集的R2分別是 0.636 和 0.686，RMSE分別是0.333和0.304。

3.3.2基于多自變量烤煙LCC估測模型

基于高光譜遙感的作物生理生化參數(shù)估測的研究顯示，相較于構建單一光譜參數(shù)估測模型，以多個光譜參數(shù)作為自變量的建模方法對估測模型精度和魯棒性都有較為明顯的提升。但由于自變量之間存在共線性的問題，在構建烤煙LCC估測模型過程中需要選取適當數(shù)量的自變量來防止預測結果過度擬合。因此，本研究選擇每個生長生育期以及全生育期數(shù)據(jù)集中相關系數(shù)最高的 7個植被指數(shù)和3個組合光譜指數(shù)作為 MLR、PLSR、SVR 和 RFR四種建模方法的自變量。各個生長階段通過不同的 建模分析方式構建烤煙LCC估測模型，模型的建模集和驗證集估測效果如表6所示。

表6不同生育期多個光譜參數(shù)的烤煙LCC估測模型

從表6的結果來看，相較于單個光譜參數(shù)，多個光譜參數(shù)的模型估測精度在各個生長階段和全生育數(shù)據(jù)集中有著大幅度的提升。對比各個生育期的建模集估測精度發(fā)現(xiàn)，在移栽后32、48、61和109d，模型LCC-RFR的估測性能最好，R2分別為0.733、0.744、0.866和 0.678， RMSE分別為0.186、0.165、0.176和 0.120，而基于LCC-MLR的估測模型，在移栽后75和 89d效果最優(yōu)，R2和RMSE分別為0.893、0.850和0.214、0.217。對比驗證集估測精度來看，移栽后32 d，模型LCC-MLR的估測精度最佳，R2和 RMSE分別為0.679和0.215，其余五個生育期模型LCC-RFR的估 測精度最佳，R2分別為0.757、0.832、0.919、0.842 和 0.580， RMSE分別為 0.173、 0.185、 0.146、 0.246和0.131。在全生育數(shù)據(jù)集中LCC-RFR模型的估 測精度較優(yōu)于LCC-MLR、 LCC-PLSR 和 LCC-SVR 模 型，對比建模集， R2增加了19.06%、18.62%和 29.51%，RMSE降低了31.93%、29.51%和 28.24%；對比驗證集，R2增加了8.21%、12.62% 和8.17%，RMSE降低了3.76%、9.33%和4.55%。綜上所述，通過各個生育期的建模集和驗證集 的估測精度對比分析，LCC-RFR 模型的估測效果 最為理想，LCC-MLR和LCC-SVR模型估測精度次之，LCC-PLSR 模型估測精度最差；不同生育期模 型預測精度和穩(wěn)定性由高到低分別為移栽后 75、61、89、48、32和109d。

3.3.3 烤煙LCC空間分布圖

根據(jù)不同生育期構建的烤煙LCC估測模型結果可知，LCC-RFR估測模型的精度和穩(wěn)定性相對最佳。因此，本研究在消除土壤背景和雜草的干擾后，利用LCC-RFR 估測模型選擇烤煙三個生育期進行無人機高光譜影像的反演填圖，得到了移栽后48、61和75d的烤煙LCC空間分布圖，如圖 4 所示。

圖 4烤煙不同生育期的LCC空間分布圖

整體來看，從移栽后48到75 d，隨著生育期的推進顏色逐漸加深，表明烤煙LCC越來越大。不同重復之間也有所差異，烤煙長勢分布由強到弱為 “重復三”“重復二”“重復一”，對于移栽后45 d， LCC的范圍在 14~1.9 mg/g之間，從移栽后61d 開 始，重復一與重復二、重復三 LCC 的差異愈發(fā)明顯，重復一LCC 估測的范圍大多在 1.8~2.3 mg/g， 重復二和重復三估測 LCC 大多在 2.1~2.5 mg/g 范圍內(nèi)。移栽后75d LCC 整體分布較密，LCC 的范圍在 2.2~3.1 mg/g之間，，這可能與烤煙生長特性有關，在烤煙生育前期至旺長期，烤煙LCC呈逐漸上升趨勢。通過估測多個生育期的LCC，在無人機高光譜圖像上反演的 LCC 空間分布與實測結果相符， 這表明無人機搭載高光譜成像儀可提供小范圍內(nèi)烤 煙 LCC 的空間分布信息，具有較高的分辨率和精 度，可以較好地分辨出烤煙各個生育期烤煙長勢 區(qū)別。

討論

本研究通過將烤煙LCC與選取的光譜參數(shù)進行相關分析，結果表明本研究構建的組合光譜指數(shù)與 LCC的相關性明顯高于傳統(tǒng)植被指數(shù)，且基于單個光譜構建LCC回歸模型中，前者的估測精度和穩(wěn)定性在各個生育期包括全生育期都優(yōu)于后者。前人研 究表明構建組合光譜指數(shù)能夠有效減少外界環(huán)境因 素干擾，精準識別作物生長參數(shù)的敏感波段，對農(nóng)作物氮素、葉綠素和葉面積指數(shù)的監(jiān)測精度以及模 型魯棒性有顯著提升。但也有學者認為，組 合光譜指數(shù)所包含的光譜信息不足，不能充分利用 從可見光到近紅外波段的高光譜數(shù)據(jù)信息。

因此，本研究采用傳統(tǒng)植被指數(shù)和優(yōu)化光譜指數(shù)相 合的方式試圖構建更為綜合的烤煙 LCC 估測模型。試驗結果表明，基于多個光譜參數(shù)組合構建的烤煙 LCC估測模型精度和擬合性都優(yōu)于單個光譜參數(shù)構建的模型。多個自變量可以有效避免光譜信息包含不足的情況，充分利用高光譜數(shù)據(jù)，但是光譜參數(shù)過多也容易出現(xiàn)共線性和過擬合的問題，因此，今后研究需要關注對烤煙 LCC 估測模型自變量的控制。此外，不同生育期的模型精度各不相同，且隨著生育期的推進，模型精度呈現(xiàn)先增后減的變化趨勢，這可能是由于烤煙在生長發(fā)育的不同階段，伴隨著冠層結構的變化、生物量的積累，以及在生殖生長階段冠層葉片氮含量的分配，導致光譜參數(shù)的預測性能在不同階段發(fā)生變化。對比分析 MLR、PLSR、SVR 和 RFR 四種多自變量 LCC 估測模型， 基于RFR 模型估測烤煙LCC的精度和穩(wěn)定性效果 最好，主要原因是RFR建模時不易出現(xiàn)過擬合現(xiàn)象，能夠有效降低異常值和噪聲的干擾 。利用多生育期數(shù)據(jù)集構建全生育期模型會降低模型預測精度 ，一方面可能是因為冠層結構和土壤背景情況隨著生育期的推進在不斷改變，由冠層光譜對 LCC的響應規(guī)律發(fā)生變化造成，另一方面，可能是 由不同生育期冠層光譜的測定誤差疊加造成。此外，目前本研究的數(shù)據(jù)集涵蓋了不同生育階段和氮素水平下的樣本，但構建的組合光譜指數(shù)尚未在不同環(huán)境和年份中得到驗證。為了提高模型的穩(wěn)健性和泛化能力，需要進一步測試不同烤煙品種的適用性。

結論

本研究探索豫中煙區(qū)烤煙LCC與無人機高光譜影像的響應規(guī)律，通過多種光譜指數(shù)與烤煙LCC的相關分析，構建烤煙葉片葉綠素估測含量的ULR、 MLR、PLSR、SVR和RFR模型，得到以下結論：

（1） 所涉大部分植被指數(shù)和 LCC 呈極顯著相關。其中，移栽后 32—109 d 相關系數(shù)最大的植被指數(shù)分別是 NDRE、MND705、mND705、NIR、TCA‐ RI/OSAVI和REP，全生育期數(shù)據(jù)集中所有植被指數(shù)與烤煙LCC均呈極顯著相關，VOG 的相關性最大 （r = 0.771）。

（2） 根據(jù)隨機兩兩波段組合的光譜指數(shù)與烤煙 LCC含量相關性最大原則，篩選出不同生育期和全 生育期相關系數(shù)最高的 21 種光譜指數(shù)，傳統(tǒng)植被 指數(shù)和組合光譜指數(shù)與LCC的敏感波段大多集中在紅邊位置，但整體上組合光譜指數(shù)的相關性較前者 更 為 出 色 ， 其中移栽 后75d的NDSI（R775，R745）和RSI（R775，R745） 的相關性最高，相關系數(shù)r均為0.912。

（3） 在葉片葉綠素和光譜參數(shù)相關性分析的基礎上，篩選出6個生育期和全生育期烤煙LCC相關性最高的光譜參數(shù)與烤煙葉片葉綠素分別建立ULR 模型，不同移栽生育期的優(yōu)化光譜指數(shù)無論是建模 集還是驗證集其估測精度均較優(yōu)于傳統(tǒng)植被指數(shù)。

（4） 相較于單個光譜參數(shù)，基于多個光譜參數(shù)構建模型的估計精度在各個生長階段和全生育數(shù)據(jù) 集中均有大幅度提升，其中移栽后75d由LCCRFR 構建的模型最佳，驗證集R2和RMSE可達0.919和0.146。綜合來看，RFR模型的LCC估測效果最為理想，LCC-MLR和LCC-SVR模型估測精度次之，LCC-PLSR 模型估測精度最差；不同生育期 模型預測精度和穩(wěn)定性由高到低分別為移栽后75、 61、89、48、32和109d。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環(huán)境、礦物地質(zhì)勘探等領域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數(shù)據(jù)準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機、穩(wěn)定云臺、機載控制與數(shù)據(jù)采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統(tǒng)通過獨特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質(zhì)量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇