图1 研究区域概览。(a) 辽宁省的矢量地图，黄色区域为鞍山市；(b) 鞍山市的矢量地图，粉色区域为庚庄镇；(c) 仪器设备地图，包括无人机高光谱采集系统、LAI 2200C仪器和可见光-紫外分光光度计；(d) 实验区地图，标注了样本采集区域1–11。

 图2 BPNN示意图，其中蓝色为输入层，粉色为隐含层，橙色为输出层，x₁, x₂, ⋯, xₙ 为输入变量，y₁,y₂, ⋯,yₙ 为中间变量，Z₁, Z₂, ⋯, Zₙ 为输出变量，wᵢʰ, wʰⱼ 为权重。

 图3 ELM示意图，其中蓝色为输入层，粉色为隐含层，橙色为输出层，1 ⋯ D 为输入变量，1 ⋯ L 为中间变量，1 ⋯ m 为输出变量，wᴸ,bᴸ 为权重。

图4 BLS示意图。(a) 由传统随机向量函数连接的神经网络示意图，其中蓝色为输入层，粉色为增强节点，橙色为输出层；(b) BLS示意图，包括输入层、特征节点、增强节点和输出层。

 图5 参数优化流程图。根据测量数据中的参数以及测量的光谱数据，使用NSGA-III优化算法对参数（N1、N2等）进行优化，以模型输出光谱和测量光谱误差作为评价指标。

 图6技术路线图。

 图7 光谱模拟与敏感性分析结果。

 图8 敏感性分析结果图，(a) 显示了RPIOSL-UBM模型的敏感性分析结果，(b) 显示了PROSAIL模型的敏感性分析结果。

图9 特征波长筛选结果图，(a,b) 为基于RPIOSL-UBM模型筛选的LCC特征波长结果；(c,d) 为基于RPIOSL-UBM模型筛选的LAI特征波长结果；(e,f) 为基于PROSAIL模型筛选的LCC特征波长结果；(g,h) 为基于PROSAIL模型筛选的LAI特征波长结果；(i) 为两种RTM模型的LCC特征波长带示意图；(j) 为两种RTM模型的LAI特征波长带示意图。(b)、(d)、(f)、(h) 中的粉色线分别对应于 (a)、(c)、(e)、(g) 中的最小RMSECV。

 图10 基于BP神经网络的LAI和LCC估算结果图，(a–f) 为基于RPIOSL-UBM模型估算LAI的结果图，隐含层数分别为1到6；(g–l) 为基于RPIOSL-UBM模型估算LCC的结果图，隐含层数分别为10到60；(m–r) 为基于PROSAIL模型估算LAI的结果图，隐含层深度分别为1到6；(s–x) 为基于PROSAIL模型估算LCC的结果图，隐含层深度分别为1到6

图11 基于ELM的LAI和LCC估算结果图，(a–f) 为基于RPIOSL-UBM模型估算LAI的结果图，隐含层深度分别为10到60；(g–l) 为基于RPIOSL-UBM模型估算LCC的结果图，隐含层深度分别为10到60；(m–r) 为基于PROSAIL模型估算LCC的结果图，隐含层深度分别为1到5和10；(s–x) 为基于PROSAIL模型估算LCC的结果图，隐含层深度分别为1到5和10。

 图12 基于BLS的LAI和LCC估算结果图，(a–d) 为基于RPIOSL-UBM模型估算LAI的结果图，正则化参数分别为从2⁻¹⁰到2⁻⁴⁰；(e–h) 为基于RPIOSL-UBM模型估算LCC的结果图，正则化参数分别为从2⁻¹⁰到2⁻⁴⁰；(i–l) 为基于PROSAIL模型估算LAI的结果图，正则化参数分别为从2⁻⁵到2⁻¹⁰再到2⁻³⁰；(m–p) 为基于PROSAIL模型估算LCC的结果图，正则化参数分别为从2⁻¹⁰到2⁻⁴⁰。

 图13 模型运行时间图。子图 (a) 显示了训练集运行时间热图，子图 (b) 显示了验证集运行时间热图，其中1–6表示参数集1–6。