光伏园区植被叶绿素含量的无人机多光谱遥感监测与机器学习反演模型研究

本文创新性地将无人机多光谱成像技术与机器学习算法相结合，针对光伏电站植被管理需求构建了叶绿素含量反演模型。研究通过最小冗余最大相关（mRMR）算法筛选出与叶绿素显著相关的植被指数（如GNDVI，r=0.82）和纹理特征（如NIR_Mean，r=0.65），采用多层感知机（MLP）融合多源特征实现最优预测精度（R2=0.874）。该成果为光伏区植被精准管理提供了新方法，对保障电站安全运行具有重要实践价值。

　　

研究背景与方法

植被在光伏系统与沙地治理协同中具有关键作用，而叶绿素作为光合作用核心色素，其含量监测对植被健康评估至关重要。传统检测方法存在破坏性且效率低下，本研究创新性地采用大疆Mavic 3M无人机搭载四波段（绿光560nm、红光650nm、红边730nm、近红外860nm）多光谱传感器，在内蒙古巴彦淖尔光伏电站150m×300m实验区内，于2024年9-12月分三期获取厘米级分辨率影像，同步使用SPAD502叶绿素仪完成2,691组地面采样。

特征提取与选择

从多光谱数据中计算20种植被指数（如NDVI、GNDVI、NDWI等）和32种灰度共生矩阵（GLCM）纹理特征（包括均值、熵、对比度等）。通过最小冗余最大相关（mRMR）算法结合皮尔逊相关性分析，筛选出10个最具代表性的植被指数和11个纹理特征。其中GNDVI（绿光归一化植被指数）与叶绿素相关性最强（r=0.82），近红外波段均值（NIR_Mean）次之（r=0.65）。

模型构建与优化

采用三种建模策略：植被指数单独建模、纹理特征单独建模、以及多特征融合建模。对比六种算法表现：

1. 传统机器学习：偏最小二乘回归（PLSR）、随机森林（RF）、支持向量回归（SVR）

2. 深度学习：反向传播神经网络（BPNN）、一维卷积神经网络（1D-CNN）、多层感知机（MLP）

关键发现：

• 植被指数模型中MLP表现最优（R2=0.808）

• 纹理特征模型中RF准确率最高（R2提升22.85%）

• 特征融合使MLP模型达到峰值性能（R2=0.874，RMSE=3.725，MAPE=3.982%）

时空分布应用

基于最优MLP模型生成的叶绿素空间分布图显示：研究区东部叶绿素含量普遍高于西部，这与微地形导致的土壤水分差异相关；9月至12月期间呈现明显季节下降趋势，符合温带植被生理活动规律。值得注意的是，光伏板间隙植被因遮荫效应呈现特殊光谱响应，未来研究拟通过多角度倾斜摄影解决阴影干扰问题。

创新价值与展望

本研究首次系统验证了纹理特征对光伏区叶绿素反演的增强作用（模型精度提升9.01%），所构建的MLP模型相较传统农业作物研究具有更优的泛化能力。后续将结合高光谱影像和三维点云数据，开发适用于复杂光伏环境的自适应特征提取窗口算法，为干旱区新能源-生态协同管理提供技术支撑。