草地可燃物含水率（Fuel Moisture Content, FMC）是預測火災發(fā)生風險、評估火勢蔓延速度及制定防火策略的關鍵參數(shù)。傳統(tǒng)FMC測定方法依賴實驗室烘干稱重等離線手段，存在耗時、成本高、空間覆蓋有限等問題。高光譜成像技術（Hyperspectral Imaging, HSI）通過捕捉地物在可見光至短波紅外波段（400–1700 nm）的連續(xù)光譜信息，結合光譜特征與含水率的物理關聯(lián)，為草地可燃物含水率的快速、無損、大范圍監(jiān)測提供了新思路。中達瑞和綜述高光譜成像在草地FMC估測中的研究進展，重點分析技術原理、模型構建、關鍵挑戰(zhàn)及未來發(fā)展方向。

高光譜成像技術原理與FMC估測基礎

光譜特征與水分關系

草地可燃物（如牧草、枯枝落葉）的水分含量會顯著改變其反射光譜特性：

吸收特征：水分子在近紅外波段（~1400 nm、1900 nm）具有強吸收峰，含水率越高，反射率越低。

光譜連續(xù)性：高光譜數(shù)據(jù)提供數(shù)百個窄波段（<10 nm），可捕捉細微的水分變化。

植被指數(shù)（VIs）：如水分指數(shù)（WI）、歸一化差異水分指數(shù)（NDMI）等，通過特定波段組合增強水分敏感性。

高光譜成像系統(tǒng)組成

高光譜相機類型：SVC多光譜云臺攝像機、無人機搭載SKY-W417高光譜相機。

光譜云平臺：lrisCube Cloud

研究進展與關鍵技術

光譜特征提取方法

波段選擇：基于相關系數(shù)分析、隨機森林（RF）等方法篩選與FMC強相關的敏感波段（如1300–1400 nm）。

連續(xù)統(tǒng)去除法（CSR）：消除背景反射干擾，增強水分吸收特征。

導數(shù)光譜分析：一階/二階導數(shù)可突出吸收邊緣（如1450 nm、1950 nm附近）。

估測模型構建

傳統(tǒng)統(tǒng)計模型

多元線性回歸（MLR）：利用敏感波段建立FMC與反射率的線性關系。

偏最小二乘回歸（PLSR）：處理高維光譜數(shù)據(jù)共線性問題，適用于草地復雜混合像元。

機器學習模型

隨機森林（RF）：通過特征重要性排序優(yōu)化模型，抗過擬合能力強。

支持向量機（SVM）：在小樣本、非線性數(shù)據(jù)中表現(xiàn)優(yōu)異。

深度學習：卷積神經(jīng)網(wǎng)絡（CNN）可自動提取光譜-空間特征，但需大量標注數(shù)據(jù)。

混合模型

光譜-形態(tài)學融合：結合植被結構參數(shù)（如葉面積指數(shù)LAI）提升估測精度。

多源數(shù)據(jù)整合：融合熱紅外、LiDAR數(shù)據(jù)補償高光譜的空間分辨率不足。

應用案例與精度驗證

草地類型適應性：研究表明，高光譜模型在針茅、羊草等典型草地中R2可達0.85–0.92（RMSE<5%）。

時空動態(tài)監(jiān)測：無人機平臺實現(xiàn)草地FMC日間/季節(jié)變化的高頻率觀測，支持火災預警系統(tǒng)。

區(qū)域尺度驗證：歐洲FIREPARC項目利用機載高光譜數(shù)據(jù)反演地中海地區(qū)草地FMC，驗證誤差<8%。

高光譜成像技術為草地可燃物含水率的快速、無損估測提供了革命性工具，其高精度、高效率已得到多項研究驗證。然而，模型泛化能力、數(shù)據(jù)處理復雜度及成本控制仍是亟待解決的問題。未來需進一步推動多學科交叉創(chuàng)新，結合人工智能與新型傳感器技術，構建可持續(xù)的草地火災風險監(jiān)測體系，為生態(tài)安全與災害防控提供科學支撐。

審核編輯 黃宇