目前，无人机遥感监测水质的探索性研究大部分采用多光谱传感器。但由于多光谱遥感的波段范围小、包含的信息较少，多光谱传感器难以全面反演水质参数变化，特别是对于非光敏化学参数 (如氨氮等) ，预测精度不足以满足反演模型的要求[40-41]。为此，本研究在无人机遥感技术的基础上采用高光谱成像仪，数百个光谱通道覆盖全部可见光波段，极大地提升了水质监测的覆盖空间范围和空间分辨率[42]，获取更为全面、准确的敏感波段信息。本文特色在于技术手段、研究对象、模型构建与优化方面。在技术手段方面，以无人机搭载高光谱成像仪为遥感平台，将监测点位的目标水质参数作为研究对象，利用地物高光谱仪直接获取点位连续波段的光谱信息，排除云层的干扰，结合水质监测数据客观评价无人机高光谱遥感数据质量[43]，提高反演结果的准确性。

在研究对象方面，由于不同研究区域的光谱反射率信息会受到自然环境、仪器设备等因素的影响[44]，目前研究尚缺少针对不同类别水体的水质指标浓度进行无人机遥感反演的适用性强的模型。因此，本研究选取了2个研究区，涵盖了不同水质指标浓度范围，以获得更广泛、更具代表性的目标水质浓度数据，用于构建适用性较强、鲁棒性良好的反演模型，提高其对高低浓度水体的适用性。

在模型构建方面，以往大多数研究采用线性回归模型，但由于大部分水体的遥感反演关系表现为复杂的非线性，故该方法显得不够充分。本研究在传统线性回归模型的基础上，搭建了BP神经网络模型，并通过自适应算法[25]建立敏感波段反射率与目标水质质量浓度间的非线性数学关系，实现了对小型内陆湖泊更为准确的空间浓度反演。然而，本研究中的方法仍存在一些提升空间。1) 实验中的监测位点较少，可能导致构建的神经网络模型存在欠拟合，未来可将更多的湖泊或河流纳入观测区域，以增加样本体积[45]。2) 在相关性分析阶段，本研究只分析了单波段和部分双波段组合的相关性，并未探究是否存在相关系数更大且波段数大于3的组合[35]，这也为线性模型的精度较低提供了可能的原因[46]。因此，在未来的研究中，应考虑添加更多特征波段，但是多波段组合分析可能对计算机硬件要求更高，需要增加硬件设备成本。3) 缺乏对模型在不同季节或天气情况下的适用性研究，但孙亚楠等[47]通过利用高光谱分析不同季节盐分的差异性，将反演模型适用时间分为春秋两季，提高了反演模型的准确度。因此，在后续的研究中，应增加数据样本在时间分布上的广度，实现对目标水体进行长时间的观测。4) 本研究中的水质反演模型构建基于实测点采集的数据，但为了研究多种质量浓度梯度下水样的光谱，可通过实验室配比测量等手段预先进行模型预构建，以辅助特征波段的选取，从而实现更高的建模效率[29, 48]。5) 无人机高光谱与地物高光谱相配合是可实现对天空光的扣除，但本研究并未从传感器获得的遥感数据中去除天空光信号，而是直接利用包含天空光的总遥感反射率进行建模，这与现有的大部分无人机遥感研究[17, 35]一致。在未来，希望将仅包含水体信息的真实水体光谱数据分离出来，使用真实水体光谱数据构建水质反演模型，并与本文未扣除天空光的模型进行对比，以此来探索精度是否有提升甚至大幅度提升。

综合来看，无人机高光谱水质监测技术填补了传统方法不足，已在实际场景中得到越来越广泛应用[49-52]。鉴于本研究中的水质反演模型能快速实现大面积水质浓度分布可视化，具有进一步完善与推广的价值。