基于无人机的超高光谱技术对玉米冠层叶绿素密度的估算及其对带宽的影响

《Industrial Crops and Products》：UAV-based hyperspectral estimation of canopy chlorophyll density of maize and its impact on bandwidth

　　梅岩树|石立格|钱孙|肖和谷|季华堂|洪波桥|吉博月|杨刘|小红杨|云涛马
河南农业大学信息与管理科学学院，郑州450002，中国

**摘要**
冠层叶绿素密度（CCD）是评估玉米氮素状况和指导精准施肥的重要指标。传统上，CCD是通过破坏性田间采样后进行实验室分析得到的。近年来，基于无人驾驶飞行器（UAV）的高光谱成像技术为实时CCD估算提供了一种快速、无损的替代方法。传统上，CCD是通过叶绿素含量与叶面积指数（LAI）的乘积计算得出的，但LAI易受品种差异的影响，可能引入不确定性。为了解决这一问题，提出了一种改进的冠层叶绿素密度（ICCD）指标，用冠层覆盖度（CC）替代LAI。本文比较了ICCD和CCD在光谱特征选择和估算精度方面的表现，并评估了改进前后光谱带宽对基于UAV的高光谱估算玉米CCD的影响。结果表明，使用UAV高光谱数据构建的ICCD估算模型相比CCD模型具有更高的精度。在测试集上，ICCD估算的R2值为0.7903–0.8161，RPD值为2.1573–2.3248，RMSE值为5.9574–6.4200；而CCD估算的R2值为0.7331–0.7954，RPD值为1.9421–2.2197，RMSE值为48.4747–55.4027。此外，将光谱带宽从4 nm增加到24 nm会导致ICCD模型的R2和RPD值逐步下降，同时RMSE值也相应增加。总之，“用CC替代LAI”的策略提高了基于UAV高光谱图像的CCD估算的稳健性和精度。此外，对带宽效应的分析可以为未来精准农业领域多光谱传感器的设计和优化提供有价值的指导。

**1. 引言**
玉米是世界上最重要的主粮和经济作物之一，在全球粮食安全中发挥着关键作用。叶绿素是光合作用的主要色素，不仅是植物氮素状况的敏感指标，也是评估作物生理健康的关键指标（刘等人，2022年）。叶绿素密度定义为单位叶面积的叶绿素质量，与叶厚度和细胞结构密切相关，并且与光合效率高度相关（李等人，2023年）。冠层叶绿素密度（CCD）量化了单位地面面积的总叶绿素质量，是作物整体氮素状况的关键指标。然而，目前估算玉米CCD的方法依赖于叶面积指数（LAI），而LAI的获取耗时较长，不适合精准农业的快速评估需求。因此，开发一种快速准确的玉米CCD估算方法对于及时诊断氮素状况、优化施肥管理以及最终提高产量和质量至关重要。

**2. 方法**
**2.1 研究区域和实验设计**
田间实验在两个不同的地点进行了两个生长季节，收集了多个生长阶段的多时相数据。2022年的实验在北京市昌平区小汤山镇的国家精准农业研究与示范基地（40°10′N, 116°24′E）进行。该地区属于暖温带大陆性季风气候，四季分明，年平均气温在11°C至12°C之间。年降水量约为600 mm，主要集中在7月至8月，冬季寒冷干燥，夏季高温潮湿。研究区域的主要土壤类型是肉桂土和湿壤土，这些土壤肥沃且有机质含量高，适合作物种植。2023年的实验在河北省新市镇的马兰农场（37°53′N, 115°12′E）进行，该地区具有类似的气候条件，包括季风气候和相似的海拔，土壤类型主要为湿壤土和肉桂土，土层深厚肥沃，有利于农业生产。研究区域的地理分布见图1。

2022年和2023年分别种植了507个和336个玉米自交系。玉米自交系分为四组：热带/亚热带（TST）、硬秆（SS）、非硬秆（NSS）和混合（MIXED）。每个小区面积为1.2 m × 2.5 m，行间距为0.6 m，株间距为0.25 m。两年均采用人工播种，施肥和田间管理均按照标准农艺措施进行。播种日期分别为2022年的6月20日和2023年的6月30日。

**2.2 农艺参数采集**
2022年和2023年每个玉米生长季节进行了四次数据采集。具体日期见表1。玉米的LAI通过破坏性采样方法测定。每次采样时，从50个实验小区中随机选取代表性植株进行测量。将所有叶片完全展开，使用高精度卡尺记录每片叶片的叶长（L，从基部到尖端）和最大宽度（W）。叶面积（LA）根据Montgomery的方法计算（Montgomery, 1911）。随后使用公式（1）计算每个小区的LAI：
**（1）LAIi = 0.75 × (∑j=1n aij × bij) / S**
其中，LAIi为第i个小区的叶面积指数；aij和bij分别为第i个小区中第j片叶片的长度和宽度；n为叶片数量；S为采样植株所占的地面面积；0.75为转换系数。

玉米叶片的相对叶绿素含量使用SPAD-502 Plus叶绿素仪（Konica Minolta，东京，日本）进行非破坏性测量。每个小区选取三株代表性植株，记录每株植株顶部第一至第五片完全展开叶片的SPAD值。在每个叶片的叶尖、叶中和叶基部三个位置进行测量。所有测量位置的SPAD平均值即为该小区的玉米叶片SPAD值。先前的研究表明，使用SPAD-502进行叶绿素含量估算与植株种类无关（Markwell等人，1995年理论验证）。因此，使用Markwell等人提出的指数方程将SPAD值转换为实际叶绿素含量（公式（2）：
**（2）Cab = 6.34299 × exp(SPAD × 0.04379^(-6.10629)**
然后根据估算的叶绿素含量计算CCD（公式（3）：
**（3）CCD = Cab × LAI**

**2.3 UAV数据采集和预处理**
UAV成像与农艺参数监测同步进行。为确保高质量的光谱数据采集，在光照条件稳定的晴朗日子里，上午10:00至下午2:00进行空中调查。收集了两种类型的无人机遥感数据：高光谱图像和数字图像。在每次空中调查之前，会在实验场地上建立11个地面控制点（GCP），并使用高精度GPS设备进行地理参考定位。这些GCP为后续的图像对齐、正射校正和镶嵌提供了准确的空间参考。在本研究中，使用了多旋翼无人机平台来获取多源遥感数据。数字图像是由配备1英寸CMOS传感器的DJI Phantom 4 Pro v2.0四轴飞行器（DJI，深圳，中国）拍摄的。该无人机的标准载荷容量为1375克，飞行高度为30米（0.3厘米/像素），具有85%的前向重叠率和75%的侧向重叠率，以确保研究区域的完全空间覆盖。高光谱数据的采集是由DJI Matrice 600 Pro六轴飞行器平台（DJI，深圳，中国）完成的，该平台集成了三轴稳定云台、机载计算单元和Cubert UHD185成像光谱仪（Cubert GmbH，乌尔姆，巴登-符腾堡州，德国）。高光谱传感器的光谱范围为450-950纳米，光谱分辨率为4纳米（125个波段），能够同时捕获高光谱数据立方体和RGB图像。高光谱飞行在60米的高度进行（2.4厘米/像素），具有75%的前向和侧向重叠率。每次飞行前都严格使用标准白色参考面板进行辐射校准，以确保数据准确性。

数字图像处理使用了Agisoft Metashape软件（Agisoft LLC，圣彼得堡，俄罗斯），遵循标准的工作流程，包括图像导入、特征匹配、地面控制点优化、密集点云生成、数字表面模型（DSM）构建和正射影像创建。最终输出的正射影像具有厘米级的空间精度。高光谱图像处理则结合使用了Cube-Pilot软件（CubePilot Pty. Ltd.，维多利亚州Breakwater 3219，澳大利亚）和Agisoft Metashape软件。关键处理步骤包括几何校正、图像拼接和数据融合，以生成实验区域的地理参考正射影像。

2.4. 林冠覆盖度获取
无人机获取的数字图像通常具有比高光谱图像更高的空间分辨率，并且生成的数据量较小，简化了数据处理过程。因此，在本研究中选择了无人机数字图像来推导玉米林冠覆盖度。最初，应用了一种阈值分割方法对无人机数字图像进行分类。根据以往的研究（Ding等人，2016年），使用归一化绿-红差异指数（NGRDI）进行图像分类。基于整个实验场地上NGRDI值的分布，采用了Otsu阈值算法将植被与背景分离，为每个采集日期生成二值图像。值等于或超过阈值的像素被分类为植被，而低于阈值的像素被标记为背景。然后通过计算植被像素与每个地块图像中总像素数的比率来量化林冠覆盖度：
$$CC = \frac{N_v}{N_t} \times 100\%$$
其中：$CC$ 是每个地块的植被林冠覆盖度（%），$N_v$ 是植被像素的数量（在二值图像中被分类为植被的像素数），$N_t$ 是整个图像中的像素总数。

2.5. 改进的林冠叶绿素密度
目前获取作物叶绿素密度（CCD）的方法通常依赖于叶面积指数（LAI），这是一个描述植被林冠结构的关键参数，定义为总叶面积与地面面积的比率（Zheng等人，2009年）。然而，LAI的测量通常依赖于破坏性采样或使用复杂的光学仪器（如LAI-2000），这些方法成本高昂、耗时且难以在大空间尺度上应用。尽管结合物理模型的无人机遥感提供了一种快速准确的方法来估计作物LAI，但这种方法通常需要多个输入参数和复杂的处理过程（Li等人，2024年）。此外，LAI仅提供了林冠结构的一维表征，未能充分捕捉林冠元素三维空间分布对光截获和叶绿素密度的影响。林冠覆盖度定义为垂直投影的林冠面积与总地面面积的比率，与LAI、叶绿素密度及相关生物物理参数有很强的相关性。重要的是，CC可以从无人机获取的数字图像中高效提取（Zhou等人，2023年）。为了提高玉米CCD估计的效率，本研究提出了一种用CC替代LAI的改进策略。图2展示了研究技术路线图。CCD的计算公式如下：
$$ICCD = Cab \cdot CC$$

2.6. 敏感波段筛选
从无人机高光谱数据中获取了总共125个光谱波段。在本研究中，通过组合这些波段对构建了四个植被指数。然后应用皮尔逊相关分析来定量评估每个植被指数与玉米林冠叶绿素密度之间的关系。通过计算相关系数并进行显著性测试，确定了与玉米林冠叶绿素密度相关性最高的植被指数，并将相应的波段指定为敏感波段。这种方法有效地消除了冗余波段的干扰，专注于准确代表玉米林冠叶绿素密度变化的核心光谱特征，为后续开发准确的估计模型提供了坚实的基础。本研究中使用的植被指数包括归一化差异光谱指数（NDSI）、比率光谱指数（RSI）、差异植被指数（DVI）和优化土壤校正植被指数（OSAVI）。

2.7. 不同带宽下的林冠光谱反射率获取
为了研究在不同光谱带宽下构建的植被指数对玉米林冠叶绿素密度估计精度的影响，首先需要获取不同带宽下的林冠光谱反射率。本研究中的原始无人机高光谱数据的光谱带宽为4纳米。通过从初始的4纳米间隔向外扩展，应用加权平均方法计算了8纳米、12纳米、16纳米和20纳米等更宽带宽的光谱反射率。随后，根据第2.6节描述的程序，为每个带宽计算了植被指数——NDSI、RSI、DVI和OSAVI。

2.8. 估计模型构建与验证
本研究采用了RF算法，基于之前计算的四个植被指数来开发玉米林冠叶绿素密度的估计模型。RF算法通过自助抽样构建决策树集合，并使用装袋技术聚合各个预测，从而减少模型方差（Breiman，2001年）。关键实施步骤包括参数调整和特征选择。基础树的数量设置为1000棵，通过网格搜索将最大树深度优化为15，将分割内部节点所需的最小样本数设置为5。为了增强模型多样性，在每个节点分割时随机选择三个特征。去除异常值后，剩余423个样本，然后按7:3的比例分为训练集和测试集。模型性能使用三个指标进行评估：均方根误差（RMSE）、决定系数（R2）和相对预测偏差（RPD）。

3. 结果
3.1. 数据统计和LAI与CC之间的相关性分析
表2展示了每个生长阶段收集的玉米表型数据的统计分析。总体平均LAI为2.82，标准差为1.50，范围从0.38到9.64，表明在整个生育期内有显著的动态变化，反映了从幼苗到成熟阶段的玉米叶片发育过程。平均CC为0.38，标准差为0.20，范围从0.01到0.87，显示随着生育期的进展，林冠覆盖度逐渐增加。平均Cab为46.8毫克/平方米，标准差为16.05，范围从6.98到125.40毫克/平方米，反映了在生育高峰期叶绿素的显著积累。时间分析进一步突出了玉米生长阶段的异质性。例如，在2022年8月18日，LAI达到最大值（平均4.89，最大9.64），同时Cab也达到峰值（平均69.21毫克/平方米，最大125.4毫克/平方米）。相反，在2022年7月20日，LAI（0.91）和CC（0.09）都处于最低水平，相应的Cab值也较低（35.31毫克/平方米）。

表2. LAI和CC的描述性统计和相关性分析。
| 时间 | LAI | CC | Cab (mg/m2) |
|------------|-------|--------|---------|
| 2022年7月18日 | 0.38 | 0.01 | 19.42 |
| 2022年7月29日 | 0.51 | 0.51 | 16.94 |
| 2022年8月17日 | 2.08 | 0.33 | 29.09 |
| 2022年9月20日 | 1.54 | 0.80 | 69.21 |
| 2023年7月23日 | 0.80 | 0.11 | 17.64 |
| 2023年8月25日 | 1.19 | 0.80 | 61.62 |
| 2023年8月28日 | 1.18 | 0.73 | 68.32 |
| 2023年8月23日 | 1.27 | 0.33 | 28.58 |
| 两个生长季节 | 0.38 | 0.01 | 6.98 |

图3显示了玉米LAI与CC之间的关联。整个生育期间的平均R2为0.4266，表明叶面积发育与林冠扩展之间存在中等至强烈的正相关关系。在各个采样日期中，2023年7月23日的相关性最强（R2 = 0.5088），这可能与从幼苗到结瘤阶段的快速叶片扩展有关。2023年8月5日的相关性最弱（R2 = 0.0971）。

3.2. 玉米林冠叶绿素密度与植被指数之间的相关性分析
本研究利用两年内收集的八个生长时期的数据，识别出与玉米CCD和植被指数在CCD改进前后最相关的光谱波段。图4展示了热图，显示了所有可能的两个波段组合构建的植被指数与改进前后玉米CCD之间的相关系数。这些图中的颜色变化反映了相关性的强度，红色表示强正相关，绿色表示负相关。结果突出了具有高相关性的光谱波段组合，特别是在近红外和红边区域。表3详细列出了玉米CCD、ICCD与四个植被指数之间的最大相关系数及其对应的光谱波段。敏感波段主要集中在550纳米、750纳米和820纳米附近。玉米CCD与NDSI之间的相关性最强，相关系数为-0.85，使用的波段为722纳米和822纳米。同样，ICCD与OSAVI之间的相关性最高，相关系数为-0.88，使用的波段为546纳米和762纳米。

3.3. 不同带宽下的林冠光谱反射率获取
为了研究在不同光谱带宽下构建的植被指数对玉米林冠叶绿素密度估计精度的影响，首先需要获取不同带宽下的林冠光谱反射率。本研究中的原始无人机高光谱数据的光谱带宽为4纳米。通过加权平均方法计算了8纳米、12纳米、16纳米和20纳米等更宽带宽的光谱反射率。随后，根据第2.6节描述的程序，为每个带宽计算了植被指数——NDSI、RSI、DVI和OSAVI。

3.4. 估计模型构建与验证
本研究采用了RF算法，基于之前计算的四个植被指数来开发玉米林冠叶绿素密度的估计模型。RF算法通过自助抽样构建决策树集合，并使用装袋技术聚合各个预测，从而减少模型方差（Breiman，2001年）。关键实施步骤包括参数调整和特征选择。基础树的数量设置为1000棵，最大树深度通过网格搜索优化为15，分割内部节点所需的最小样本数设置为5。为了增强模型多样性，在每个节点分割时随机选择三个特征。去除异常值后，剩余423个样本，然后按7:3的比例分为训练集和测试集。模型性能使用三个指标进行评估：均方根误差（RMSE）、决定系数（R2）和相对预测偏差（RPD）。

3.5. 结果
3.1. 数据统计和LAI与CC之间的相关性分析
表2展示了每个生长阶段收集的玉米表型数据的统计分析。总体平均LAI为2.82，标准差为1.50，范围从0.38到9.64，表明在整个生育期内有显著的动态变化，反映了从幼苗到成熟阶段的玉米叶片发育过程。平均CC为0.38，标准差为0.20，范围从0.01到0.87，显示随着生育期的推进，林冠覆盖度逐渐增加。平均Cab为46.8毫克/平方米，标准差为16.05，范围从6.98到125.40毫克/平方米，反映了在生育高峰期叶绿素的显著积累。时间分析进一步突出了玉米生长阶段的异质性。例如，在2022年8月18日，LAI达到最大值（平均4.89，最大9.64），同时Cab也达到峰值（平均69.21毫克/平方米，最大125.4毫克/平方米）。相反，在2022年7月20日，LAI（0.91）和CC（0.09）都处于最低水平，相应的Cab值也较低（35.31毫克/平方米）。

图3显示了玉米LAI与CC之间的关联。整个生育期间的平均R2为0.4266，表明叶面积发育与林冠扩展之间存在中等至强的正相关关系。在各个采样日期中，2023年7月23日的相关性最强（R2 = 0.5088），可能与从幼苗到结瘤阶段的快速叶片扩展有关。2023年8月5日的相关性最弱（R2 = 0.0971）。具体来说，测试集的R2值介于0.79到0.82之间，RPD值介于2.16到2.32之间，RMSE值介于5.96到6.42之间。与使用相同数据集的原始CCD估计模型相比，ICCD估计模型表现出更优的性能，其特点是R2值更高，RMSE和RPD值更低。图7显示了不同光谱带宽下估计值与测量值之间的散点图。估计值与1:1参考线的紧密对齐进一步证实了基于无人机高光谱数据的ICCD估计模型的高精度和稳定性。下载：下载高分辨率图像（186KB）下载：下载全尺寸图像。图8显示了在不同带宽下对玉米冠层叶绿素密度估计的准确性。4. 讨论4.1. 改进后的玉米冠层叶绿素密度估计性能分析及时准确的CCD估计对于监测作物生长和优化水分及养分管理策略至关重要。在本研究中，提出了一种基于无人机数字图像的改进策略，用CC替代LAI来估计玉米的CCD。利用无人机高光谱数据对改进前后的玉米冠层叶绿素密度进行了估计和评估。结果表明，ICCD实现了更高的估计精度。除了更高的估计精度外，ICCD还提供了实际优势。CC可以从无人机数字图像中快速准确地提取，而LAI通常需要破坏性采样或复杂的建模。这种替代提高了玉米冠层叶绿素密度获取的效率、及时性和可扩展性。在本研究中，将基于无人机的高光谱数据与CC相结合以改进玉米CCD估计的方法显示出相对于传统基于LAI的方法的明显优势。与依赖LAI的传统方法（Gitelson等人，2003年）不同，所提出的基于CC的策略有效解决了LAI的关键局限性。具体来说，该方法在植被稀疏的早期生长阶段减轻了土壤背景干扰，并克服了由于LAI依赖破坏性采样或复杂反演模型而导致的时效性问题。与机器学习方法（Verrelst等人，2015年）相比，所提出的ICCD策略提供了更好的物理可解释性，并且不需要大量的训练数据集，因此更适合实时、操作性的玉米冠层叶绿素动态监测。此外，与依赖多源数据融合的方法（如LiDAR或热红外传感（Zarco-Tejada等人，2018年）相比，本研究中使用的无人机高光谱+RGB方法显著降低了运营成本，同时保持了高估计精度。因此，这种方法代表了小到中等规模农业操作中叶绿素监测的一种更易于获取和实用的解决方案。4.2. 高光谱数据的中心波段选择和光谱带宽设置对玉米冠层叶绿素密度估计精度的影响本研究确定了546纳米、722纳米、762纳米和822纳米是最敏感的光谱带，用于估计玉米冠层叶绿素密度，这与关于植被光学特性的现有理论相符。具体而言，722纳米波段位于红边区域（680-750纳米）的叶绿素吸收谷内（Horler等人，1983年），其敏感性归因于叶绿素浓度变化对红光吸收的调节。相比之下，822纳米波段位于近红外（NIR）高反射率区域（780-900纳米），反射率主要受叶片组织内部结构引起的多次散射效应的影响（Jacquemoud等人，2009年）。这种双峰响应结合了红边吸收和NIR散射，表明结合这两个光谱区域可以互补地捕捉叶绿素的生理状态和代谢活动。与Li等人（2021年）提出的三波段方法相比，本研究的方法在保持高估计精度的同时降低了数据维度。此外，ICCD估计策略相对于全谱机器学习方法（如Verrelst等人，2020年报告的方法）具有更好的物理可解释性。值得注意的是，包含546纳米（绿色反射峰）和762纳米（红边肩部）波段的ICD模型实现了高相关系数（r=0.88），表明对叶绿素含量变化的敏感性增强。546纳米波段与营养生长期叶绿素积累相关，而762纳米波段反映了环境压力或色素变化引起的红边位置的微妙变化（Clevers和Gitelson，2013年）。总体而言，这些光谱特征提高了ICD模型检测生理压力和精确监测叶绿素动态的能力。在带宽分析的背景下，光谱带宽与估计精度之间的非线性关系具有重要的实际意义。研究结果表明，当带宽从4纳米增加到24纳米时，CCD和ICCD估计模型的R2和RPD均呈阶梯式下降，而RMSE相应增加。这一观察结果与Thenkabail等人（2018年）描述的光谱特征稀释效应一致，表明更宽的带宽会整合相邻的光谱信息，从而减弱了对准确检测生化参数至关重要的特定吸收或反射特征。支持这一观察结果的是，Thenkabail等人（2013年）报告称，当棉花叶片氮含量估计的光谱分辨率从10纳米降低到20纳米时，模型精度降低了15-20%。这与本研究观察到的趋势一致，即当带宽从12纳米增加到24纳米时，CCD的R2降低了0.0414，ICD的R2降低了0.0149。这些一致的研究结果强调了保持足够窄的带宽对于敏感于光谱特征（如叶绿素密度）的农艺性状的重要性，以确保准确的估计。通过实施系统的带宽梯度实验并结合定量机器学习回归，本研究清楚地展示了窄带配置（≤12纳米）在提高玉米冠层叶绿素密度估计中的关键作用。这些结果为优化农业专用叶绿素传感仪器的光谱分辨率参数提供了宝贵的理论支持。4.3. 优点和缺点本研究提出了一个优化框架，通过结合基于无人机的遥感技术和机器学习算法来快速估计玉米CCD。与传统方法相比，所提出的框架通过用CC替代LAI（直接从无人机数字图像中提取）构建了一个轻量级的ICCD估计模型。这种替代显著提高了基于现场的CCD估计效率，并为无人机成像在监测玉米生长阶段和养分状态中的应用提供了实际指导。采用全面的全波段遍历策略，该研究准确识别了与玉米CCD相关的关键敏感光谱带（564纳米、722纳米、762纳米和822纳米）。这种方法有效减少了高光谱图像中的数据冗余，同时提高了光谱可解释性。此外，随机森林回归分析确认了窄带配置（≤12纳米）对于保持CCD和ICD模型的高估计精度至关重要。这些结果为开发专门针对农业应用优化的叶绿素传感器提供了理论基础。然而，仍存在一些局限性。该研究基于单一作物品种玉米的数据，并未结合深度学习算法进行高级特征提取。此外，环境条件和不同的农业管理实践可能在一定程度上影响冠层叶绿素密度的估计性能。未来的研究应扩展到多种作物类型、多个生长季节和不同的地理区域。此外，还应致力于开发结合机械模型与深度学习架构的混合框架，并整合多源遥感数据（如热红外和LiDAR），以提高冠层叶绿素密度估计模型的通用性和生理可解释性。5. 结论本研究开发了一个技术框架，通过结合无人机成像技术和机器学习算法，实现了玉米CCD的快速、非破坏性估计。为了解决传统CCD估计方法的局限性，该框架通过用从无人机数字图像中提取的CC替代劳动密集型的LAI参数来优化数据采集，从而简化了现场操作并提高了效率。采用全面的全波段组合遍历策略，该研究成功识别了最敏感的玉米CCD估计光谱带。此外，随机森林回归被用来系统地评估光谱带宽对CCD估计精度的影响，包括改进前后的影响。结果表明，随着带宽的增加，模型性能持续下降，这进一步强调了窄带配置在捕捉对叶绿素含量敏感的光谱特征方面的重要性。总体而言，本研究提高了基于无人机的CCD监测的实际适用性和估计精度。所识别的敏感光谱带为设计和优化专门针对农业应用的无人机多光谱传感器提供了宝贵的参考，支持更高效的作物生长评估和养分管理策略。作者贡献声明Meiyan Shu：撰写——原始草稿、资金获取、概念化。Shili Ge：撰写——审阅与编辑、项目管理、数据管理。Xiaohhe Gu：资源、方法论、正式分析。Qian Sun：方法论、调查、正式分析。Hongbo Qiao：撰写——审阅与编辑、监督、资源。Jihua Tang：监督、资源。Yang Liu：验证、软件。Jibo Yue：项目管理、数据管理。Yuntao Ma：验证、资源、调查。Xiaohong Yang：可视化、资源、数据管理。资金支持本研究得到了中国国家自然科学基金（42401438）、河南省自然科学基金（252300421158）、河南省高校重点科研项目（25A520027）、河南省科技重点项目（252102240037）、国家资助的博士后研究计划（GZC202307）以及2024年度国际科技合作项目（242102521027）的支持。