Lightweight Near-Infrared Spectral Reconstruction from Red UAV Imagery Using Artificial Intelligence for Low-Cost Remote Sensing
Viorel Bostan · Nicu Drumea · Viorel Cărbune 等 7 人
用仅含609个参数的MLP从UAV红光波段重建近红外波段，低成本替代多光谱相机。
像素级非线性回归，紧凑MLP（609参数），280组多光谱UAV图像训练。
重建NIR与实测相关性中等（R²=0.253），可识别植被模式，但精度有限。
可探索引入空间信息或时序特征提升重建精度，或扩展至其他波段与作物类型。
研究用AI从红波段重建近红外，降低遥感成本，方法新颖但精度有限，对低成本农业监测有参考价值。
近红外影像对于植被监测、精准农业和环境遥感至关重要，但多光谱无人机系统仍比传统RGB成像平台昂贵得多，且可及性较低。本研究提出了一种轻量级人工智能框架，仅从无人机获取的红色波段重建近红外光谱波段。所提方法将重建任务表述为逐像素非线性回归问题，并采用仅含609个可训练参数的紧凑型多层感知器（MLP），不利用空间邻域信息。该框架基于在摩尔多瓦共和国异质农业景观上使用DJI Phantom 4 Multispectral平台采集的280组同步多光谱无人机影像集进行开发和评估。其中，252组影像集用于模型开发，28组作为任务内保留测试子集。对来自同一采集任务的保留测试数据集进行的定量评估显示，实测与重建的归一化近红外数字强度之间的均方误差为0.010329，均方根误差为0.101632，平均绝对误差为0.079883，决定系数为0.253383，皮尔逊相关系数为0.683637。结果表明，在评估的采集条件下，模型捕捉了红–近红外关系的一部分；然而，中等的决定系数表明，重建值是对实测近红外观测的近似，而非替代。一项基于NDVI的示例评估显示，大尺度空间植被模式仍可辨识。本研究并非引入新的神经网络架构，而是建立了一个紧凑的经验基线，以在最小模型复杂度下探究基于单一红色波段值进行逐像素近红外重建的实际性能与局限性。