張 晗，趙小敏，郭 熙，張佳佳，葉 春，葉英聰，歐陽真程，王芳東，4，李小毛

(1.江西農(nóng)業(yè)大學(xué)江西省鄱陽湖流域農(nóng)業(yè)資源與生態(tài)重點實驗室/南方糧油作物協(xié)同創(chuàng)新中心，江西南昌 330045；2.江西農(nóng)業(yè)大學(xué)國土資源與環(huán)境學(xué)院，江西南昌 330045； 3.江西省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)工程研究所，江西南昌 330200；4.江西省農(nóng)業(yè)科學(xué)院土壤肥料與資源環(huán)境研究所，江西南昌 330200；5.江西省上高縣農(nóng)業(yè)局土肥站，江西宜春 336400)

水稻是我國和世界主要糧食作物之一，也是栽培歷史最久遠、種植面積最大、分布范圍最廣、單產(chǎn)最高、營養(yǎng)價值最高的糧食作物。據(jù)國家統(tǒng)計局2015年底的最新統(tǒng)計結(jié)果顯示，全國水稻種植面積為3.02×107hm2，總產(chǎn)量為 20 822.52萬t。因此，水稻產(chǎn)量及品質(zhì)在國家糧食安全和國計民生中起著至關(guān)重要的作用，基于高光譜信息的水稻生長監(jiān)測已成為農(nóng)業(yè)遙感的重要研究領(lǐng)域。高光譜遙感(hyperspectral remote sensing，簡稱HRS)別稱成像光譜遙感，始于20世紀80年代，它是在電磁波譜的可見光(400～760 nm)、近紅外(700～800 nm)、中紅外(1 300～2 500 nm)和熱紅外(3 000～14 000 nm)波段范圍內(nèi)，獲取許多十分狹窄的、連續(xù)的光譜成像技術(shù)。近年來，利用光譜成像技術(shù)快速、動態(tài)、無損的特點對農(nóng)作物長勢和參數(shù)進行實時監(jiān)測已成為當前農(nóng)業(yè)遙感領(lǐng)域的研究熱點[1-2]，國內(nèi)外許多專家學(xué)者借助光譜技術(shù)在水稻作物信息方面開展了大量研究，并取得了不錯進展，但是全面系統(tǒng)地綜述近40年來高光譜技術(shù)在水稻養(yǎng)分生理信息監(jiān)測中研究進展的報道較少。植株冠層光譜特征可以反映作物長勢、葉綠素含量、水分含量、養(yǎng)分含量及組織結(jié)構(gòu)等生理生化信息，這也是基于高光譜遙感原理探究作物信息的重要依據(jù)。在農(nóng)業(yè)生產(chǎn)過程中，遙感技術(shù)是實施精準農(nóng)業(yè)的一個重要關(guān)鍵技術(shù)，如何“精耕細作”，方便快捷、精確可靠地獲取水稻生長信息，及時了解苗情、產(chǎn)量及品質(zhì)狀況等己成為實施精準農(nóng)業(yè)尤為關(guān)鍵的問題。高光譜遙感以其可動態(tài)、客觀、準確、及時地提供作物生態(tài)環(huán)境、生長信息和各種光譜特征的特點而得以迅猛發(fā)展[1-2]。本文重點綜述高光譜技術(shù)在水稻長勢監(jiān)測、光譜參數(shù)與信息提取、水分監(jiān)測、營養(yǎng)診斷和病蟲害等中的應(yīng)用研究進展，探討目前水稻光譜在研究中存在的問題，總結(jié)該領(lǐng)域未來的發(fā)展趨勢。

1 水稻長勢監(jiān)測

水稻長勢診斷主要是監(jiān)測水稻不同生育期生長速度的快慢，主要評估參數(shù)有葉綠素含量、葉面積指數(shù)(leaf area index，簡稱LAI)和生物量等。長勢，即作物生長的狀況與趨勢。水稻長勢監(jiān)測指對作物苗情、生長狀況及其變化情況的宏觀監(jiān)測，其本質(zhì)是預(yù)判作物產(chǎn)量的豐欠趨勢，通過實時動態(tài)監(jiān)測逐漸逼近實際作物產(chǎn)量。水稻長勢遙感監(jiān)測是基于植被吸收和反射波譜理論基礎(chǔ)之上的。作物在不同時段或不同光照、溫度、水分、氣體、土壤等外界環(huán)境條件下其群體長勢也不一樣，在光譜曲線上表現(xiàn)為光譜吸收和反射率差異。綠色植物在光譜吸收和反射特性方面的表現(xiàn)為強吸收帶主要分布在可見光區(qū)域，強反射峰主要分布在近紅外區(qū)域。吸收和反射特性可以反映出作物的生長信息和健康狀況，從而進行水稻長勢監(jiān)測。

1.1 水稻葉面積指數(shù)的監(jiān)測

葉面積指數(shù)是指單位土地面積上所有葉片表面積的總和，是表征水稻冠層結(jié)構(gòu)和生理參數(shù)的重要指標和關(guān)鍵參數(shù)，也是水稻植株個體特征和群體特征的綜合性監(jiān)測指標，在水稻冠層信息快速檢測方面具有極其廣泛的應(yīng)用。因受到光合作用、呼吸作用、蒸騰作用以及碳循環(huán)、降水截獲、地表凈初級生產(chǎn)力、幾何參數(shù)等影響，葉面積指數(shù)在反演過程中顯得十分復(fù)雜[3]。研究發(fā)現(xiàn)，在波長為671.21 nm處，光譜反射率與LAI的相關(guān)系數(shù)最大，為-0.875，LAI與高光譜特征變量的相關(guān)系數(shù)達到極顯著性檢驗水平。為定量估測LAI，可以通過構(gòu)建新的高光譜植被指數(shù)等不同形式的光譜參數(shù)與LAI進行相關(guān)分析來反演LAI，其中以歸一化植被指數(shù)(normalized difference vegetation index，簡稱NDVI)、比值植被指數(shù)(ratio vegetation index，簡稱RVI)(850，560)和差值指數(shù)(difference index，簡稱DI)(854，760)為變量建立的水稻LAI監(jiān)測模型效果最佳[4-9]。在紅光(red，簡稱R)和近紅外(near-infrared，簡稱NIR)2個較窄波段，水稻的一階微分光譜、紅邊參數(shù)與LAI的相關(guān)性極好，在估計LAI時，具有很高的預(yù)測能力[10-11]。遙感數(shù)據(jù)提取LAI時，因數(shù)據(jù)具有大量性和處理復(fù)雜性的特點，有學(xué)者提出，采用支持向量機、主成分分析法和人工神經(jīng)網(wǎng)絡(luò)等統(tǒng)計方法來估算LAI[12-16]。也有學(xué)者結(jié)合美國ASD地物光譜儀實地測量水稻的波譜曲線和SPOT-5、MODIS、Hyperion、Landsat TM、NOAA等衛(wèi)星遙感數(shù)據(jù)，并建立兩者模型對葉面積指數(shù)進行反演，且取得了較好的效果[17-20]。通過葉面積指數(shù)與冠層反射光譜的顯著性相關(guān)分析可以判斷出，由水稻冠層光譜反射率構(gòu)建的植被指數(shù)結(jié)合LAI來監(jiān)測水稻的長勢特征在理論和實際運用中是可行的[10-11]。

1.2 生物量的監(jiān)測

生物量分為地上鮮生物量和地上干生物量，通常被定義為單位土地面積上所有植物體質(zhì)量的總和。生物量、水稻產(chǎn)量均與LAI密不可分，一般來說，用于監(jiān)測作物葉面積指數(shù)的方法對生物量的光譜監(jiān)測也具有普適性，主要利用植被指數(shù)、高光譜參數(shù)與生物量進行相關(guān)分析，并選擇合適的植被指數(shù)、回歸類型及相應(yīng)的經(jīng)驗?zāi)Ｐ瓦M行作物生物量的估算。田國良等認為，水稻的光譜反射率在某種意義上可反映光合作用情況，而光合作用可形成植物的生物量，水稻在波長為680、800 nm 時的光譜反射率相關(guān)系數(shù)較高，能很好地反映作物的生長狀況[21]。田永超等研究發(fā)現(xiàn)，1 650、1 100 nm是水稻生物量的敏感波段，且1 650、1 100 nm波段組成的比值指數(shù)(R1 650/R1 100)與水稻地上部鮮質(zhì)量、干質(zhì)量均呈極顯著指數(shù)負相關(guān)關(guān)系，在冠層尺度上可以較好地反演水稻地上生物量[22]。Takahashi等通過分析水稻冠層可見光和近紅外波段的光譜參數(shù)，建立相關(guān)統(tǒng)計回歸模型，能較為準確地預(yù)測水稻干質(zhì)量[23]。唐延林等研究表明，水稻的歸一化植被指數(shù)、比值植被指數(shù)與其地上部生物量之間的相關(guān)性均符合顯著性檢驗[8]。王秀珍等認為，存在由藍邊內(nèi)一階微分的總和(SDb)與紅邊內(nèi)一階微分的總和(SDr)構(gòu)成的高光譜地上鮮生物量估算的最佳對數(shù)擬合模型，在681.11 nm處光譜反射率和地上鮮生物量存在最大相關(guān)系數(shù)(-0.822)，且達到了極顯著性檢驗水平[24]。

1.3 水稻葉綠素含量的監(jiān)測

葉綠素含量既反映作物的生長狀況，又表征作物的生產(chǎn)能力，而葉綠素密度是估計農(nóng)作物群體生產(chǎn)力的重要指標，葉綠素含量直接影響作物的生長和產(chǎn)量。葉綠素是氮素脅迫、光合作用能力和植被發(fā)育階段的指示器，因此，葉綠素含量與植被的光合能力、營養(yǎng)狀況、發(fā)育階段等具有較顯著的相關(guān)性，為大田尺度的水稻冠層葉綠素含量遙感監(jiān)測提供理論依據(jù)。葉綠素是作物光合作用的主要色素，與水稻的氮含量密切相關(guān)。葉綠素在可見光波段最為敏感，具體表現(xiàn)為藍光和紅光是葉綠素吸收的波峰區(qū)域，而綠光是葉綠素吸收的低谷區(qū)域。李云梅等試驗表明，冠層反射率受葉片葉綠素含量影響而變化的趨勢與葉片相同，但受影響的程度隨葉面積指數(shù)的變化而變化，當葉面積指數(shù)逐漸增大時，由葉綠素引起的冠層反射率變化幅度也隨之增大，但當葉面積指數(shù)達到某個臨界值時，這種變化幅度間的差異減小[25]。植物光譜曲線的導(dǎo)數(shù)變換實質(zhì)上反映了植物的葉綠素含量及其他生物化學(xué)成分含量隨波形變化而變化的特征。吳長山等分析結(jié)果表明，水稻、玉米葉片在720～770 nm波段處的導(dǎo)數(shù)光譜與葉綠素密度具有較高的相關(guān)性，相關(guān)系數(shù)達0.89，且相關(guān)性受作物種類的影響很小[26]。孫雪梅等利用550 nm附近的綠峰作為光譜反射率，并以此建立葉綠素含量與綠色植被指數(shù)、R850/R550與全氮含量之間的相關(guān)關(guān)系，相關(guān)系數(shù)分別為0.876 1、0.888 0[27]。針對葉綠素反演，1993年國外學(xué)者Kim等提出葉綠素吸收反射率指數(shù)(chlorophyll absorption reflectance index，簡稱CARI)[28]，其公式為：

式中：a、b分別表示葉綠素a、葉綠素b含量，a=(R700-R500)/150；b=R550-550a

2 水稻高光譜參數(shù)與信息提取方法

2.1 高光譜數(shù)據(jù)的處理與變換

在實際分析和處理高光譜數(shù)據(jù)的過程中，為削弱大氣散射、背景噪聲和冗余信息對目標物光譜的影響，提高光譜吸收與反射特征的對比度，通常會對光譜數(shù)據(jù)進行壓縮和各種線性變換，變換方法要有去包絡(luò)線法、重采樣、微分變換、對數(shù)變換和對數(shù)的導(dǎo)數(shù)等，常用的高光譜數(shù)據(jù)處理軟件主要有ViewSpecPro 6.0、ENVI 5.0、MATLAB 2014a、The Unscrambler 10.3和Origin 8.0等。

2.1.1 反射光譜連續(xù)統(tǒng)去除法 連續(xù)統(tǒng)去除法(continuum-removed)別稱去包絡(luò)線法，在光譜分析時是一種十分常用和非常典型的方法，定義為逐點直線連接隨波長變化的吸收或反射凸出的“峰”值點，并使折線在“峰”值點上的外角大于180°[29]。去包絡(luò)線法可以有效地凸顯目標物質(zhì)光譜曲線的吸收和反射特征，并將其歸一到一致的光譜條件與背景上，方便和其他波譜曲線進行特征數(shù)值的對照，進而提取出特征波段進行分類識別，去掉包絡(luò)線后變?yōu)楣饣墓庾V波段深度曲線(圖1)。光譜波段深度曲線的計算公式為：

式中：R′(λ)、R(λ)、Rc(λ)分別表示光譜波段深度、原始光譜曲線、光譜包絡(luò)線；λ為波長。

Clark等在連續(xù)統(tǒng)去除的基礎(chǔ)上提出波段深度[29]。由于植物與地表礦物組成成分中含有相同的化合物，因此基于連續(xù)統(tǒng)去除的方法也同樣適用于植被光譜研究，即可把波段深度應(yīng)用于反射光譜的歸一化處理。波段深度和反射光譜的歸一化處理的具體公式為：

式中：R′為連續(xù)統(tǒng)去除反射率；Dh為波段深度；Dhc是連續(xù)統(tǒng)去除光譜中吸收谷最小值。

2.1.2 光譜反射率數(shù)據(jù)變換法 光譜微分技術(shù)(導(dǎo)數(shù)算法)是反射率數(shù)據(jù)變換法中最常用的光譜增強方法，該方法對光譜信噪比非常敏感，能夠分解重疊的吸收波段、提取目標參數(shù)。研究表明，光譜的低階微分處理對噪聲影響敏感性較低，去除不同的背景和噪聲，對某些重疊混合光譜進行分解，以便于識別[2，8]。光譜微分技術(shù)能有效地消除基線漂移或降低背景干擾因素的影響，并且可以增強可見光區(qū)域的光譜差異，變非線性關(guān)系為線性關(guān)系，導(dǎo)數(shù)光譜一般用差分方法來近似計算，以凸顯光譜特征信息差異引起的變化，更易找出曲線拐點位置。常用的光譜導(dǎo)數(shù)算法有一階導(dǎo)數(shù)(first derivation)、二階導(dǎo)數(shù)(second derivation)和對數(shù)導(dǎo)數(shù)(logarithmic derivation)等18種數(shù)學(xué)變換方法。水稻高光譜的微分光譜采用下式進行計算：

式中：λi為波段i的波長；R(λi)是波段λi的反射率；Δλ是波長λi-1與λi的差值。

2.2 光譜建模方法與模型驗證

水稻光譜特征參數(shù)的預(yù)測多采用逐步多元線性回歸(stepwise multiple linear regression，簡稱SMLR)、主成分分析(principal component analysis，簡稱PCA)、支持向量機(support vector machine，簡稱SVM)、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，簡稱BPNN)、偏最小二乘回歸(partial least squares regression，簡稱PLSR)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radial basis function neural network，簡稱RBFNN)模型等方法，可以運用上述預(yù)測模型對不同年份、不同品種、不同養(yǎng)分水平的水稻田間試驗進行指導(dǎo)，分析水稻葉片光譜曲線與葉面積指數(shù)、含氮量、葉綠素含量和紅邊參數(shù)等的相關(guān)性，以此建立定量估測模型。SMLR雖然方法簡單，物理意義明確，但該方法因受到使用變量數(shù)的限制，使得許多光譜信息在建模分析的過程中容易丟失。PCA方法能夠解決變量數(shù)的使用限制問題、減少網(wǎng)絡(luò)的輸入維數(shù)和消除原始樣本分量間的相關(guān)性等，但是該方法不能保證在建模時參與回歸的主成分與被測組分或性質(zhì)一定相關(guān)。支持向量機能解決小樣本、非線性以及神經(jīng)網(wǎng)絡(luò)中局部極小值的問題，可以無需費力的交差驗證即可進行參數(shù)自動調(diào)整，產(chǎn)生較高的分類精度，具有全局最優(yōu)、泛化能力強、學(xué)習(xí)時間短和樣本需求少等優(yōu)點。但SVM的最大問題在于核函數(shù)的選擇尚沒有一個固定的方法，主要依靠先驗知識[30-31]。偏最小二乘回歸可很好地解決各變量內(nèi)部高度線性相關(guān)、樣本個數(shù)少于變量個數(shù)等問題，尤其針對多維變量或非線性程度較高的問題，優(yōu)勢更加明顯，具有較高的精度和較強的魯棒性等優(yōu)勢。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程的收斂具有過分依賴初值和局部收斂的缺陷，在處理復(fù)雜問題時，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型可以很好地克服BP神經(jīng)網(wǎng)絡(luò)的缺陷，具有算法簡單、運算速度較快、學(xué)習(xí)時間短、非線性映射能力較強和預(yù)測精度較高的性能[32]。在現(xiàn)實中，單一模型存在諸多局限性，干擾預(yù)測結(jié)果，往往需要組合模型提高預(yù)測精度，其中較理想的是偏最小二乘回歸和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組合模型。

RBFNN通常具有3層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱層、輸出層，是通過隱層節(jié)點基函數(shù)執(zhí)行的一種非線性變化函數(shù)，且用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)可以以任意精度全局逼近非線性函數(shù)，徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)輸出模型為

式中：n為隱含層神經(jīng)元的個數(shù)；x為輸入向量；ωi是第i個隱含層神經(jīng)元與輸出層神經(jīng)元的聯(lián)結(jié)權(quán)值；φi為隱含層第i個單元的輸出；Ci為隱層第i個單元高斯函數(shù)的中心值；σ為高斯函數(shù)的方差。

在建模以及驗證過程中須要對模型參數(shù)進行評估優(yōu)化，通常選取確定系數(shù)(R2)、均方根誤差(root mean square error，簡稱RMSE)和相對分析誤差(ratio of performance to standard deviation，簡稱RPD)來度量和評價反演模型的預(yù)測精度，以選取最優(yōu)的建模參數(shù)。當RPD<1.4，則表明模型不能對樣本進行預(yù)測；1.4≤RPD≤2.0，表明模型可對樣本作粗略估測；而RPD>2.0，表明模型具有相當好的預(yù)測能力。

2.3 光譜特征位置變量分析與“三邊參數(shù)”

水稻光譜的“三邊”是指它的藍邊、黃邊和紅邊，三邊參數(shù)與植被的色素含量、營養(yǎng)成分(氮、磷、鉀等含量)有關(guān)，其中應(yīng)用最廣泛的為“紅邊”效應(yīng)，紅邊是健康綠色植物所特有的光譜特征，也是區(qū)別于巖礦、土壤、水體等地物的主要光譜特征。計算水稻冠層光譜的一階導(dǎo)數(shù)，并在此基礎(chǔ)上提取水稻冠層光譜的紅邊參數(shù)(紅邊位置、紅邊面積和紅邊幅值)。紅邊位置的定義為紅光波段(680～760 nm)區(qū)域內(nèi)光譜反射率的一階微分最大值所對應(yīng)的光譜反射率位置。紅邊面積是680～760 nm光譜反射率一階微分光譜曲線與橫坐標包圍的面積。紅邊幅值指紅光范圍內(nèi)一階微分光譜的最大值。經(jīng)過試驗發(fā)現(xiàn)，當綠色植物葉綠素含量增加、生長旺盛時，紅邊參數(shù)出現(xiàn)紅移；當植物由于遭遇病蟲害或因污染或物候變化而失綠時，紅邊參數(shù)出現(xiàn)藍移，植物紅邊參數(shù)的計算公式分別為：

Dr=max[D(λ)λ=680～760 nm]；

其中，λ為波長，nm。

黃邊和藍邊也是綠色植物的特征之一，黃邊的覆蓋范圍為560～640 nm，是綠光到紅光的過渡區(qū)，藍邊的覆蓋范圍為490～530 nm，是藍光到綠光的過渡區(qū)，黃邊和藍邊的參數(shù)意義與紅邊類似。水稻冠層光譜的紅邊具有雙峰現(xiàn)象，但針對黃邊和藍邊的雙峰未見報道。

2.4 高光譜植被指數(shù)

植被各種參數(shù)的反演是植被遙感的主要內(nèi)容之一，植被指數(shù)作為地表植被覆蓋和農(nóng)作物群體長勢的表征參量，在農(nóng)作物長勢遙感監(jiān)測以及養(yǎng)分含量監(jiān)測、病蟲害診斷、產(chǎn)量品質(zhì)估算等方面發(fā)揮著重要作用。通過高光譜遙感技術(shù)可以提取植物生物物理、生物化學(xué)等植被指數(shù)參數(shù)的定量信息[33]。利用高光譜遙感通道的反射值得到光譜指數(shù)是監(jiān)測作物長勢水平最有效的方法，植被指數(shù)作為長勢參量在作物定量遙感監(jiān)測領(lǐng)域中的應(yīng)用十分普遍，但植被指數(shù)的監(jiān)測會受到相應(yīng)的應(yīng)用背景和適用條件的制約，農(nóng)作物的生長發(fā)育狀況和變化趨勢能夠以植被指數(shù)數(shù)值的形式反映出來[34]。常用的植被指數(shù)包括歸一化植被指數(shù)、比值植被指數(shù)、差值植被指數(shù)和土壤調(diào)節(jié)植被指數(shù)等，本文充分利用和篩選國內(nèi)外研究成果，從40多種植被指數(shù)中歸納梳理了20多種與作物生理參數(shù)相關(guān)性較好且應(yīng)用比較廣泛的光譜指數(shù)，具體見表1。

表1 作物高光譜植被指數(shù)表達式及參考文獻

注：RNIR為近紅外波段的反射率；RRED為紅光的反射率；RBLUE為藍光的反射率；a、b為0.1～0.2范圍內(nèi)與土壤有關(guān)的權(quán)重常數(shù)；M是土壤基線的斜率；L是植被冠層調(diào)節(jié)因子；γ是大氣輻射訂正系數(shù)；γ↑的變化范圍為0.65～1.21。

3 水分監(jiān)測

水分是水稻的主要組成成分，水分虧缺是影響水稻生長、產(chǎn)量品質(zhì)的主要因素之一，因此，及時準確監(jiān)測或診斷出作物水分狀況，對提高作物水分管理水平和指導(dǎo)節(jié)水農(nóng)業(yè)生產(chǎn)具有重要意義。針對在近紅外遙感影像上水分對近紅外波段強烈吸收的性質(zhì)，采用紅外通道對水稻水分狀況進行探測為農(nóng)業(yè)遙感提供了技術(shù)基礎(chǔ)，國內(nèi)外許多學(xué)者探討了反射光譜反演水稻水分含量的可行性。Inoue等研究發(fā)現(xiàn)，采用950～970 nm處的波段反射率來預(yù)估葉片的相對含水量可以達到很好的效果[55]。Shibayama等研究表明，在1 190～1 320 nm和1 600 nm處光譜反射率的一階微分可以很好地預(yù)測雙季稻冠層的水分盈缺狀況[56]。Penuelas等用水分指數(shù)WI=R970/R900和700～800 nm波段區(qū)域的一階導(dǎo)數(shù)最小值形象地指示水分豐缺狀況的變化[57]。Penuelas等隨后的研究還表明，WI(WI=R900/R970)與NDVI[NDVI=(R900-R680)/(R900+R680)]的比值不僅可以用來預(yù)測葉片的水分含量，還可以用來預(yù)估作物冠層的含水量，且與冠層含水量相比，葉片含水量預(yù)測精度得到了顯著提高[44]。Song等通過采用PCA和頻率相關(guān)方法提取作物反射率的波長發(fā)現(xiàn)，4個單一波長組合(553、675、705、776 nm)以及3個單一波長組合(1 158、1 378、1 965 nm)結(jié)合線性判別分析的方法區(qū)分氮和水分的效果最好[58]。孫俊等分別用BP神經(jīng)網(wǎng)絡(luò)、遺傳BP神經(jīng)網(wǎng)絡(luò)、多元線性回歸對大棚中的水稻葉片含水率建立模型，發(fā)現(xiàn)GA-BP-ANN的建模效果最高，平均誤差率為3.9%，最大誤差率為6.1%，可提高水稻葉片含水率的預(yù)測精度[59]。鞠興榮等采用近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法可以快速測定稻谷含水量，建立稻谷含水量測定偏最小二乘法的快速最優(yōu)分析模型，決定系數(shù)高達0.968 9，交互驗證標準差為0.343 4[60]。水分變化引起的葉齡、物種、細胞、組織結(jié)構(gòu)和植株冠層形態(tài)變化均會對植株光譜反射率產(chǎn)生很大影響，但目前關(guān)于水稻在水分脅迫狀況下，上述因素對反射波譜影響的研究較少，還有待于進一步挖掘和深入探討。

4 水稻營養(yǎng)診斷

4.1 水稻氮營養(yǎng)診斷與研究

氮素是對作物生長、產(chǎn)量和品質(zhì)影響最為顯著的營養(yǎng)元素，植物缺氮通常表現(xiàn)為葉片失綠黃化、植株矮小、籽粒不飽滿等。植物葉綠素含量與氮狀況密切相關(guān)，作物氮素的豐缺能顯著影響其冠層或葉片的原始光譜反射率，因而原始光譜反射率也常被用于監(jiān)測植被的氮含量。20世紀70年代以來，大批國內(nèi)外學(xué)者都在積極尋找氮素的敏感波段及其反射率在不同氮素水平下的表現(xiàn)，其中借助高光譜手段的水稻氮營養(yǎng)診斷已成為基礎(chǔ)性研究。研究表明，利用植物冠層、葉片或其他部位的可見光和近紅外區(qū)域的反射光譜可以較為準確地估測植物氮素營養(yǎng)水平，并進一步提出水稻葉片氮素的敏感波段在530～560、630～660、760～900 nm范圍內(nèi)[8，61-62]。田永超指出，由原始光譜組合而成的比值、歸一化和差值植被指數(shù)與水稻葉層氮濃度相關(guān)性較好的波段集中在可見光和近紅外波段，基本位于1 000 nm以內(nèi)[63]。秦占飛發(fā)現(xiàn)，水稻葉片全氮含量隨生育期的推進逐漸降低，水稻冠層光譜反射率在可見光波段與全氮水平呈負相關(guān)關(guān)系，在近紅外波段與全氮含量呈正相關(guān)關(guān)系[64]。綜合對比光譜指數(shù)模型和PLSR等2個模型，發(fā)現(xiàn)比值光譜指數(shù)(D738 nm，D522 nm)光譜指數(shù)具有簡單易用、模型精確度高等特性。Nguyen等分別利用偏最小二乘法和多元回歸模型來預(yù)測水稻氮素狀況[65-66]。馮偉等研究發(fā)現(xiàn)，水稻葉片中的紅邊內(nèi)一階微分總和與藍邊內(nèi)一階微分總和比值能很好地區(qū)分氮素營養(yǎng)水平，提高總氮的利率[67]。薛利紅等指出，群體葉片氮積累量與反射光譜在 560 nm 時呈明顯的指數(shù)關(guān)系，且R2=0.75，在一定程度上可以消除生物量和葉面積等對冠層反射光譜的影響[68]。邵華等應(yīng)采用738 nm處的光譜反射率與葉片氮素含量建模，與采用NDVI和RVI所構(gòu)建的模型相比，以一階微分反射率得到的模型最佳，最適合水稻氮素營養(yǎng)診斷[69]。田永超等基于綠光、紅邊與近紅外波段的比值組合確立了葉層全氮含量估測的波段適宜寬度[70]。Xue等發(fā)現(xiàn)，R810/R560與葉片氮累積量呈線性關(guān)系，可消除氮肥水平和水稻生長發(fā)育對葉片氮素診斷的影響[71]。盡管水稻氮素診斷技術(shù)趨于成熟，且建立了完備的模型與體系，但是受土壤條件和施肥差異的影響，在南方雙季稻區(qū)的普適性有待提高，許多制約因素有待進一步修正。

4.2 水稻磷營養(yǎng)診斷與研究

磷是植物生長發(fā)育不可缺少的營養(yǎng)元素之一，磷素營養(yǎng)的豐缺對作物的生長發(fā)育至關(guān)重要。水稻磷素是植物體內(nèi)許多有機化合物的重要組分，同時又以多種方式參與植物體內(nèi)的各種新陳代謝過程，對保持作物高產(chǎn)及品種的優(yōu)良性具有顯著意義[72]。施磷肥可以調(diào)控水稻生長，顯著提高水稻總干物質(zhì)質(zhì)量，進而顯著提高水稻產(chǎn)量。當前受光譜分析技術(shù)的限制，有關(guān)水稻磷素營養(yǎng)與光譜特性之間關(guān)系的研究深度有待進一步拓展。一直以來，化學(xué)分析法是測試水稻營養(yǎng)元素的主要方法，利用植物磷、鉀狀況與光譜特性的關(guān)系研究高光譜技術(shù)診斷水稻磷、鉀營養(yǎng)狀況少有報道。林芬芳等利用互信息-人工神經(jīng)網(wǎng)絡(luò)模型和高光譜遙感技術(shù)診斷水稻磷素營養(yǎng)狀況并分析得到，水稻拔節(jié)期磷素的敏感波段分別為536、630、1 040、551、656 nm，其相對應(yīng)的互信息值分別為 1.057 5、1.103 9、1.135 3、1.141 7和1.149 4，把敏感波段作為自變量，構(gòu)建多元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，并對2種模型的精度進行檢驗，得到的葉片磷含量預(yù)測值與實測值之間的相關(guān)系數(shù)為0.989 2，說明基于互信息-人工神經(jīng)網(wǎng)絡(luò)模型估算水稻葉片磷含量具有可行性[73]。李穎等發(fā)現(xiàn)，基于氮磷互作環(huán)境下建立的高光譜參數(shù)RVI(FD719，F(xiàn)D740)、NDVI(FD419，F(xiàn)D552)、DVI(FD707，F(xiàn)D713)估測值和實測值的檢驗精度分別為0.83、0.61、0.71，均優(yōu)于現(xiàn)有的最佳高光譜參數(shù)[61]。李穎等借助概率神經(jīng)網(wǎng)絡(luò)模型，在氮磷交互作用的影響下，實現(xiàn)了水稻植株的氮、磷缺素診斷，并能快捷地區(qū)分開缺氮、缺磷處理，對我國的測土配方施肥具有深遠的指導(dǎo)意義[62]。

4.3 水稻鉀營養(yǎng)診斷與研究

鉀有品質(zhì)元素和抗逆元素之稱，是植物生長發(fā)育不可或缺的營養(yǎng)元素，在植物體內(nèi)的含量僅次于氮，也是肥料三要素之一。鉀具有提高農(nóng)作物產(chǎn)量、改進產(chǎn)品品質(zhì)和適應(yīng)外界不良環(huán)境的能力。目前國內(nèi)外對于鉀素的研究相對較少，利用可見光光譜分析來估測鉀含量有一定的困難，但由于鉀的豐缺與植物的葉片結(jié)構(gòu)和水分狀況密切相關(guān)，因此，鉀的豐缺必然會影響近紅外、中紅外的光譜信息。王珂等把波長580～710、750～950 nm作為水稻冠層鉀素營養(yǎng)的敏感波段，認為在可見光范圍內(nèi)，缺鉀狀態(tài)下的水稻葉片光譜響應(yīng)特征與缺氮時相比，總體上趨于一致，但在近紅外區(qū)域(700～800 nm)卻存在顯著差異，缺鉀時水稻冠層葉片的近紅外反射率略高于正常狀態(tài)下的葉片，而缺氮時則相反，這就為水稻葉片光譜的鉀素和氮素診斷提供了新的思路[74]。吉川年彥等應(yīng)用近紅外分光法測定水稻倒一葉在1 050、1 122、914、746、754 nm等5個波長處的全鉀測定值和化學(xué)值，結(jié)果發(fā)現(xiàn)，兩者之間的相關(guān)系數(shù)達0.759，并根據(jù)測定結(jié)果建立了全鉀多元回歸方程[75]。劉岱松等基于偏最小二乘法(PLS)采用近紅外光譜法測定烤煙的鉀含量，依據(jù)采集樣品的自身參數(shù)擬合定標模型的預(yù)測結(jié)果，預(yù)測模型的R2為0.909，預(yù)測標準差為 0.119%，能夠?qū)緹熲浐窟M行快速診斷[76]。喬欣等采用連續(xù)統(tǒng)去除法提取光譜波長為660、1 450 nm 2處的敏感吸收深度，分析吸收深度和大豆鉀素水平的相關(guān)關(guān)系，構(gòu)建大豆鉀素營養(yǎng)的多元非線性回歸模型，平均誤差為24.37%；還發(fā)現(xiàn)，反高斯紅邊模型擬合的紅邊光譜曲線與大田實測光譜曲線具有較高的相關(guān)性(R=0.886 5)，證明此方法具有可行性和可靠性[77]。

5 水稻病蟲害的脅迫

我國水稻病蟲害種類繁多，達70余種，而目前作物病蟲害的監(jiān)測預(yù)報主要依靠專家經(jīng)驗、田間識別、取樣和生理生化測定等方法，不能及時、科學(xué)、準確地預(yù)測和發(fā)現(xiàn)病蟲害，操作費時費力，且人為因素影響較大，給水稻病蟲害種類的辨別和實施相應(yīng)的防治措施帶來了很大的困難[78]。與正常水稻植株相比，當水稻受到病蟲害脅迫時，水稻內(nèi)部的生理指標以及外部形態(tài)均會發(fā)生變化，其變化特征在光譜圖像上以光譜響應(yīng)、紋理和顏色等特征呈現(xiàn)，使與之相對應(yīng)的光譜吸收率和反射率也發(fā)生一定的變化，因此，光譜技術(shù)可以通過分析某一個或多個波段的光譜組合特征對作物病蟲害的侵染程度作出診斷。王曉麗研究發(fā)現(xiàn)，水稻胡麻斑病和紋枯病的光譜數(shù)據(jù)一階導(dǎo)數(shù)隨著病蟲害等級的增加發(fā)生規(guī)律性變化，選取與侵染度相關(guān)性最好的660、990、1 933 nm進行波段組合，分別用于建立胡麻斑病、紋枯病的嚴重度模型，相關(guān)系數(shù)均達到0.89以上[79]。Kobayashi等測定了水稻在幼穗期感染稻瘟病時的多光譜反射率，并分析得出，可見光區(qū)域(485～675 nm)為稻瘟病的最敏感波段；在黃熟期的R470/R570、R520/R675和R570/R675波段，水稻患病率明顯下降，因此，這3個波段組合的反射比率可用來衡量和估算穗瘟病患病的嚴重程度[80]。李波等研究表明，采用概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，簡稱PNN)和PCA相結(jié)合的技術(shù)，識別水稻干尖線蟲病和稻縱卷葉螟的精度高達95.65%，可以實現(xiàn)多種水稻病蟲害的快速、精確診斷與防治[81]。Liu等研究表明，應(yīng)用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)和PCA可以鑒別水稻穗真菌感染的嚴重程度，一階導(dǎo)數(shù)光譜和二階導(dǎo)數(shù)光譜的區(qū)分精度較高，其中紅邊內(nèi)一階微分的總和最好，能做到完全區(qū)分[82]。黃建榮等認為，水稻受稻縱卷葉螟危害后，在葉片光譜反射率上有明顯的差異，根據(jù)光譜特征來監(jiān)測稻葉的受害程度及卷葉率大小，以此獲取診斷水稻受害程度的模型，為水稻卷葉螟的高光譜遙感監(jiān)測提供技術(shù)支持；當前，國內(nèi)外針對水稻光譜反演的研究主要集中在無病蟲害脅迫的基礎(chǔ)上，而對病蟲害侵染度的分析相對較少，主要原因是受水稻生長期的限制[83-87]。因此，盡早提取識別水稻病害的特征參數(shù)，提高病蟲害診斷效率，縮短診斷時間，盡可能減少水稻病蟲害造成減產(chǎn)帶來的損失，提高水稻的產(chǎn)量和品質(zhì)，快速、無損、精確地診斷病蟲害種類，可以為及時采取防治措施和適量噴灑農(nóng)藥化肥提供合理依據(jù)。

6 研究尚須解決的問題與研究方向

6.1 尚須解決的問題

快速、準確、無損的高光譜檢測技術(shù)是探測和獲取水稻營養(yǎng)狀態(tài)、生長狀況的有效手段，在水稻長勢監(jiān)測、營養(yǎng)診斷、病蟲害侵擾診斷以及水分、雜草脅迫診斷等方面已經(jīng)發(fā)揮了重要作用。盡管高光譜技術(shù)已經(jīng)成為精準農(nóng)業(yè)信息獲取中的關(guān)鍵技術(shù)，但從目前國內(nèi)外的研究進展情況來看，高光譜技術(shù)在水稻中的應(yīng)用尚須解決以下問題。

6.1.1 高光譜遙感農(nóng)學(xué)參數(shù)與反演模型精度的魯棒性、動態(tài)性和普適性有待提高 根據(jù)高光譜參數(shù)構(gòu)建的農(nóng)學(xué)參數(shù)估算模型繁多，但耦合精度普遍不高，主要是因為水稻冠層光譜反射率會受到水稻生理因素(品種、生育期、細胞結(jié)構(gòu)等)、環(huán)境因素(水分、土壤、光照條件、風(fēng)速和氣壓)、營養(yǎng)狀況(氮、磷、鉀等施肥量)、冠層幾何結(jié)構(gòu)(葉傾角、葉片密度和葉面積等)、病蟲害(稻瘟病、卷葉螟等)等的影響，所建立的水稻光譜反射特征模型不能用于建模以外的時空條件，使得其反射率與水稻生理生化參數(shù)的相關(guān)性較低，極大地限制了高光譜技術(shù)對作物進行診斷的魯棒性。另外，國內(nèi)外已有較多利用冠層反射光譜進行群體葉片生理養(yǎng)分信息監(jiān)測的研究，然而，由于作物冠層光譜反射率常受到生理、環(huán)境、營養(yǎng)狀況等因素的影響，不同處理間冠層反射光譜的差異特征可能會被某些因素增強或削弱，因此冠層結(jié)構(gòu)和背景的變化也會混淆目標物生化含量的變化，從而顯著影響冠層葉片生化指標的反演結(jié)果，從葉片水平上的診斷上升到冠層結(jié)構(gòu)的診斷也存在眾多困難，使基于高光譜的生物量、氮素和水分等反演面臨新的挑戰(zhàn)。與多波段遙感相比，高光譜遙感對作物生理生化參數(shù)的變化更為敏感，反映更加精細，為更精確估算植被生理生化參數(shù)提供了可能。因此，如何提高預(yù)測模型精度，對樣本參數(shù)進行大量修正，降低高光譜數(shù)據(jù)冗余，提高檢測分析速度，選擇更佳的特征波段和模型等，是今后一段時間的主要研究方向。

6.1.2 多因子交互作用條件下光譜敏感特征的穩(wěn)定性考慮相對欠缺 雖然在水稻光譜診斷方面已開展了大量的研究，但目前的光譜診斷研究大多基于氮素等單一因子水平對光譜特性的影響，而對磷素和鉀素的研究相對較少，得出的結(jié)果缺乏廣適性，且在作物水氮互作、氮磷鉀互作遙感預(yù)測方面的研究相對薄弱。因各時空條件下這些影響因子不同且相互交叉，為此，開展多因子交互作用控制環(huán)境下不同水分、碳氮和氮磷鉀等水平對植物光學(xué)特性影響的研究，綜合考慮多因素之間的互作及其對目標物光譜的綜合影響，把其中一個影響因子效應(yīng)參數(shù)化或定量化，將是今后光譜診斷研究的重點方向。

6.2 研究方向

作物冠層光譜信息的獲取及處理是現(xiàn)代農(nóng)業(yè)實際應(yīng)用中的重要部分，也是實施精準農(nóng)業(yè)必不可少的內(nèi)容，它可為精準農(nóng)業(yè)的農(nóng)作物長勢、施肥量、病蟲害監(jiān)測和作物單產(chǎn)估算提供科學(xué)依據(jù)，實現(xiàn)對田間定位、定量的精準管理，提高作物生產(chǎn)精確管理水平和綜合效益。隨著光譜分析方法的改進和監(jiān)測模型的完善，通過將光譜儀等多種傳感器集成到智能農(nóng)業(yè)機械上，可以快速、準確地獲取作物冠層光譜信息，從而完成水稻精準化施肥、水分管理以及對低溫凍害、病蟲害蔓延、雜草和病蟲害監(jiān)測等一系列程序化工作。未來在大田尺度的遙感監(jiān)測和診斷可引入主動光學(xué)、熱紅外和熒光等遙感技術(shù)的探測方式，減小對時相、天氣條件的依賴。同時結(jié)合地理信息系統(tǒng)(geographic information system，簡稱GIS)和遙感(remote sensing，簡稱RS)的高光譜成像遙感技術(shù)，進行多平臺(無人機、航天等)、多時相和大尺度的農(nóng)作物遙感監(jiān)測也是國際上農(nóng)業(yè)信息化的重要研究議題。

隨著圖像傳感器和計算機視覺技術(shù)的進步，數(shù)碼相機的價格在迅速下降，計算機圖像處理與存儲技術(shù)也越來越簡單、方便，在大田自然光條件下拍攝水稻不同生育期的冠層圖像，利用RGB和HSV等2種顏色模型，同步測試水分、生物量、葉面積和氮素等營養(yǎng)指標，提取水稻冠層圖像的特征參數(shù)、產(chǎn)量和氮素等，應(yīng)用數(shù)碼相機及結(jié)合相應(yīng)的圖像校正技術(shù)進行水稻的營養(yǎng)、病蟲害和水分診斷具有非常廣闊的應(yīng)用前景，既可以保證產(chǎn)量，又可以降低農(nóng)藥化肥施用過量導(dǎo)致的環(huán)境污染。