美洲黑杨（Populus deltoides Marshall）是一种重要的速生用材树种，广泛栽培于中国温带平原地区。它生长迅速、早熟、丰产、易于更新，因此在生态防护林和工业用材林中具有广泛应用。研究其表型性状，特别是叶片叶绿素含量（LCC），对于筛选出适应不同环境和管理条件的优良基因型至关重要。
为什么不再“采一片叶子”？
传统测定叶绿素含量的方法依赖实验室化学分析，不仅操作繁琐、耗时长，而且具有破坏性。对于覆盖数千株样木的大型试验林来说，这种方法显然难以适应大范围、高频率的监测需求。
遥感技术，尤其是无人机搭载高光谱传感器的应用，为这一问题提供了有效解决方案。研究表明，叶绿素对光具有特定吸收特性，尤其集中在可见光和红边波段。通过获取叶片反射的光谱信息，研究人员可以“无接触式”地反演叶绿素含量，实现对林分健康状态的快速评估。
图 1. 研究区域位置。
本研究选取湖北省石首县国家优质杨树种苗基地为研究区域，如图1所示，开展无人机高光谱数据获取与建模分析工作。该区域种植面积约 83,600平方米，共有 3000余株不同基因型的美洲黑杨，具备良好的实验基础。
图 2. DJI 350M无人机搭载300TC高光谱成像仪。
设备：DJI 350M 无人机搭载 300TC 高光谱成像仪（北京依锐思遥感技术有限公司）
光谱通道数：308
波段范围：393–1007nm
空间分辨率：20cm/像素
飞行时间：5月14日 10:00–15:00，天气晴朗、风速较低
影像处理软件：Mega Cube v11.0.13（北京依锐思遥感技术有限公司），用于辐射、几何及正射校正
同时，现场采集了叶片样本，通过实验室分析获得真实的LCC值，用于模型训练与验证。
图 3. 美洲黑杨树叶的收集、储存和 LCC 提取。
01 从数据中“找关键波段”：集成特征选择框架
面对海量的光谱数据，如何从中筛选出与叶绿素密切相关的波段，是模型构建的关键。
本研究提出了一种集成特征选择框架，融合多种算法优势，在不同机器学习模型（如 GBRT、SVR、GPR）下实现了高效稳定的波段子集提取。具体做法包括：
改进嵌入式特征选择算法，引入SHAP解释值，增强波段排序的可解释性；
综合嵌入式与包装器方法，提升特征选择的全局最优性；
重点关注红边波段（680–760 nm）的作用，改善高LCC区间的估计偏差。
图4. (a) GBRT模型在逐步降维过程中的RMSE值；(b) SVR模型在逐步降维过程中的RMSE值；(c) GPR模型在逐步降维过程中的RMSE值。
图 5 (a) GBRT-50V 和 GBRT-Optimal 模型中使用的高光谱波段；(b) SVR-50V 和 SVR-Optimal 模型中使用的高光谱波段；(c) GPR-50V 和 GPR-Optimal 模型中使用的高光谱波段。
02 精度表现如何？
在以28个精选波段和GBRT模型组合的最佳方案中，LCC估算模型表现优异：
R²=0.848
RMSE=1.454 μg/cm²
MAE=1.121 μg/cm²
相比全波段模型，RMSE降低了24.37%
03 研究结论与意义
本研究表明：
集成特征选择方法具有更强鲁棒性与解释能力，在多模型间表现稳定；
红边波段对LCC估算模型贡献显著，是精度提升的关键；
无人机高光谱遥感技术在林木表型研究中具备巨大潜力，有望在优良种质筛选、健康监测、精准施肥等方向中实现应用推广。本研究展示了遥感与人工智能在林业育种与管理中的融合应用，不仅提升了数据获取效率，也推动了林木性状研究向高通量、智能化方向发展。
