黃亮平

[摘要]隨著高光譜遙感技術的不斷發(fā)展，高光譜遙感在農業(yè)方面的應用已經成為高光譜遙感研究的熱點領域。高光譜遙感技術可以實時準確快速地得到農作物生長狀況的信息，為精準農業(yè)的實現(xiàn)提供重要的技術支持。從農作物生化參數（葉綠素含量、氮含量、含水量）監(jiān)測、物理參數（葉面積指數、生物量）監(jiān)測、病蟲害監(jiān)測三個方面對高光譜遙感在農作物生長監(jiān)測的應用研究取得的新進展進行歸納和總結，并對其應用前景進行展望。

[關鍵詞]高光譜遙感;農作物;生長監(jiān)測

[中圖分類號]S127 [文獻標識碼]A

1 引言

精準農業(yè)是綜合應用現(xiàn)代高新科技，以獲得農田高產、優(yōu)質、高效的現(xiàn)代化農業(yè)生產模式和技術體系。精準農業(yè)是未來農業(yè)發(fā)展的方向，是實現(xiàn)農業(yè)可持續(xù)發(fā)展的主要途徑，其中遙感技術是實施精準農業(yè)的重要工具之一。

傳統(tǒng)遙感技術用于精準農業(yè)管理中真正成功的例子很少。主要原因是常規(guī)遙感數據的光譜分辨率比較低，還有就是波段不完全覆蓋可見光至紅外光的光譜范圍，且波段在波譜上不連續(xù)，因此難以區(qū)分外形類似、品質相近、生長期相同的混作作物。而高光譜遙感的光譜分辨率一般小于10 nm，在電磁波譜的可見光、近紅外、中紅外和熱紅外波段范圍內，獲取許多非常窄的光譜連續(xù)的影像數據，這些光譜可以很好地描述作物的“紅邊”特性，“紅邊”現(xiàn)象是綠色植被區(qū)別于其他地物最明顯的光譜特征。高光譜遙感技術是實施精準農業(yè)的重要工具之一，目前已成為精準農業(yè)技術的研究重點，因此高光譜遙感技術是精準農業(yè)發(fā)展的重要方向。

2 生化參數監(jiān)測

2.1 葉綠素含量監(jiān)測

葉綠素含量是表征植被脅迫狀態(tài)的一個重要指示因子，同時也是其它生化參數估算的重要基礎。利用高光譜技術估算葉綠素含量，對于評估農作物生長狀況、預測產量以及生長監(jiān)測具有重要意義?？梢詾楣罍y農作物冠層葉綠素含量提供參考，從而為農作物葉綠素含量的實時、快速、無損監(jiān)測奠定基礎。

孫勃巖等分別利用回歸分析方法和BP神經網絡方法搭建冬小麥葉綠素質量分數的估算模型，并對比模型估算與田間實測的葉綠素質量分數，分析反演精度，從中篩選出精度最高的模型。呂杰等發(fā)現(xiàn)運用粒子群優(yōu)化算法和支持向量機構建葉片尺度玉米葉綠素含量高光譜估測模型，能準確預測玉米葉綠素含量，能夠解決小樣本玉米采樣點情況下葉綠素含量反演問題。王爍以棉花花鈴期葉片高光譜反射率為數據源，分別分析了13種植被指數和優(yōu)化光譜指數RSI與棉花葉片葉綠素相對含量（SPAD）的相關關系，構建線性及非線性回歸監(jiān)測模型并進行驗證。章文龍等選取秋茄（ Kandelia candel） 作為研究對象，采集葉片并測定其葉片正面和反面反射光譜以及葉綠素含量。選取13個常用參數進行敏感性分析，并進一步選取與葉綠素相關系數較高的參數建立估算模型。

2.2 氮含量監(jiān)測

氮平衡指數（NBI）是反映農作物長勢的重要指標之一。農作物氮素（N）的實時無損監(jiān)測對農作物生產中氮素的精確管理具有重要意義。利用高光譜遙感數據能夠實時、動態(tài)、非破壞性、快速有效地監(jiān)測農作物氮肥盈虧狀況，為農業(yè)生產和管理提供精準信息，并指導農民進行準確、合理氮素施肥，減少農民的成本和氮素對環(huán)境的污染。

M Quemada等發(fā)現(xiàn)在評估玉米氮素狀況和預測開花產量方面，基于空中高光譜與地面光學傳感器測量的指標一樣可靠。L He等建立了一種新的角度不敏感植被指數（AIVI），相比較于植被指數（VIs），AIVI提高了冬小麥葉片氮濃度（LNC）測量的預測精度和角度穩(wěn)定性。F Li等測試光譜指標和偏最小二乘回歸（PLSR）的性能，并比較它們在冬小麥冠層氮含量預測中的應用。李長春等以無人機高清數碼影像和高光譜遙感數據，以及地面實測大豆NBI數據為基礎，采用經驗模型法構建NBI反演模型，通過分析驗證模型得出最佳反演模型。

2.3 含水量監(jiān)測

農作物水勢是體現(xiàn)農作物水分狀況的一個重要生理指標。對農作物水勢的監(jiān)測能為農作物灌溉的精確管理提供科學依據。傳統(tǒng)的農作物水勢監(jiān)測方法耗時、耗力且局限于小范圍的點上監(jiān)測。而采用高光譜技術，可以快速、無損、準確估算農作物水勢，從而優(yōu)化農作物灌溉方案。

陳智芳等通過相關性分析、回歸分析等方法，基于不同水分處理，構建4種植被指數與冬小麥葉水勢的估算模型。林毅和魏楠通過對春玉米不同生育時期的土壤水分控制試驗，觀測不同生長狀況的玉米冠層高光譜反射率，分析光譜反射率變化特征，建立光譜參數對土壤水分的反演模型。吳見等對EO–1 Hyperion高光譜數據進行波段篩選和植被含水量指數計算，采用耦合葉片與冠層輻射傳輸模型對玉米冠層含水量估測能力進行分析，在此基礎上，將MCARII和NDWI進行整合，以完成玉米冠層含水量估測。

3 物理參數監(jiān)測

3.1 葉面積指數監(jiān)測

葉面積指數（LAI）又叫葉面積系數，是指單位面積內所有葉子單面面積之總和。傳統(tǒng)的LAI測量方法費時、費力且具有破壞性。利用高光譜遙感技術可以對作物LAI進行及時、無損的監(jiān)測，是實現(xiàn)作物精確、高效管理的關鍵。

L Liang等利用高光譜植被指數，提出了一種混合反演方法來估算作物的LAI值。X Li等利用不同的技術提取冬小麥的高光譜特征，為了找到預測精度最高的特征子集，采用偏最小二乘回歸（PLSR）和投影中的變量重要度（VIP）對LAI值進行估計。H Yua等將隨機森林（RF）、人工神經網絡（ANN）和支持向量機（SVM）回歸模型與偏最小二乘回歸（PLS）模型進行比較，從無人機高光譜遙感中檢索大豆葉面積指數。

3.2 生物量監(jiān)測

生物量是生物在某一特定時刻單位空間的個體數、重量或其含能量，可用于指某種群、某類群生物（如浮游動物）或整個生物群落的生物量。生物量是作物重要的生物物理參數之一，利用高光譜遙感技術正確估算地上生物量（AGB）對于準確的農作物生長監(jiān)測和產量預測是必要的，可以指導農業(yè)經營。

ML Gnyp等針對冬小麥開發(fā)、改進和驗證了一個高光譜植被指數多尺度生物量模型，提出了一種新的高光譜植被指數GnyLi。為了確定冬小麥生物量估算的最佳方法，Y Fu等比較了包含窄帶植被指數和紅邊位置（REP）的單變量技術和包含帶深度參數的偏最小二乘回歸（PLSR）分析的多變量校準技術的效用。ML Gnyp等利用高光譜冠層遙感技術，通過一種或多種策略識別出最優(yōu)測量值，從而提高水稻AGB的估計值。

4 病蟲害監(jiān)測

在農作物生長過程中，病蟲害會降低其產量和質量，影響經濟效益。對病蟲害進行監(jiān)測和預警并采取方法治理，可有效提高農作物產量和質量，減少經濟損失。然而，傳統(tǒng)的農作物病蟲害監(jiān)測方法不僅效率低下，而且還存在準確率低和實效性不強等問題。因此，高光譜遙感準確、實時等優(yōu)點使它成為農作物病蟲害監(jiān)測的一種高效手段與前沿技術。

簡俊凡等從使用高光譜遙感技術監(jiān)測農作物病蟲害的原理和技術路線出發(fā)，首先闡述了4種光譜特征提取和變換方法;然后論述了3種病蟲害監(jiān)測參數反演方法，建立了光譜反射率和病蟲害監(jiān)測參數間的回歸關系;最后分析了將高光譜遙感技術用于農作物病蟲害監(jiān)測的優(yōu)勢和存在問題。G Krishna等基于高光譜反射率數據，采用偏最小二乘（PLS）和多元線性回歸（MLR）技術，對冬小麥條銹病的嚴重程度進行了評價。確定了冬小麥條銹病的適宜波段，建立了評價條銹病嚴重程度的光譜模型。喬紅波等首次將近地成像光譜監(jiān)測方法應用于小麥全蝕病監(jiān)測。NR Prasannakumar等利用高光譜遙感技術，對水稻作物褐飛虱（簡稱BPH）的危害進行田間試驗，建立了多元線性回歸模型并驗證有效性，有助于監(jiān)測水稻作物BPH脅迫。

5 結束語

高光譜遙感作為一種新的遙感技術已經在農業(yè)方面得到廣泛的應用。高光譜可以準確探測并獲取農作物的精細光譜信息來反演生化參數和物理參數以及進行病蟲害監(jiān)測，進一步發(fā)展和完善了農作物遙感監(jiān)測技術，很大程度上提高了監(jiān)測效率和精度。高光譜遙感在農作物生長監(jiān)測方面具有一定的應用潛力，利用高光譜遙感影像進行農作物生長監(jiān)測是未來精準農業(yè)快速發(fā)展與實施的重要方向。

[參考文獻]

[1] 孫勃巖，常慶瑞，劉夢云.冬小麥冠層葉綠素質量分數高光譜遙感反演研究[J].西北農業(yè)學報，2017，26（4）：552-559.

[2] 呂杰，汪康寧，李崇貴，等.基于高光譜遙感的玉米葉綠素含量估測模型[J].中國礦業(yè)大學學報，2016，45（2）：405-410.

[3] 王爍.基于高光譜遙感的棉花葉片葉綠素含量估算[J].中國農業(yè)大學學報，2017，22（4）：16-27.

[4] 章文龍，曾從盛，高燈州，等.閩江河口濕地秋茄葉綠素含量高光譜遙感估算[J].生態(tài)學報，2014，34（21）：6190-6197.

[5] Quemada M， Gabriel J L， Zarco-Tejada P. Airborne hyperspectral images and ground-level optical sensors as assessment tools for maize nitrogen fertilization[J]. Remote Sensing， 2014，6（4）： 2940-2962.

[6] He L， Song X， Feng W， et al. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data[J]. Remote Sensing of Environment， 2016（174）： 122-133.

[7] Li F， Mistele B， Hu Y， et al. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression[J]. European Journal of Agronomy， 2014（52）： 198-209.

[8] 李長春，陳鵬，陸國政，等.基于無人機高清數碼影像和高光譜遙感數據反演大豆典型生育期氮平衡指數[J].應用生態(tài)學報，2018，29（4）：1225-1232.

[9] 陳智芳，宋妮，王景雷，等.基于高光譜遙感的冬小麥葉水勢估算模型[J].中國農業(yè)科學，2017，50（5）：871-880.

[10] 林毅，魏楠.干旱條件下春玉米高光譜特征及土壤含水量反演[J].生態(tài)學雜志，2016，35（5）：1323-1329.

[11] 吳見，譚靖，鄧凱，等.基于優(yōu)化指數的玉米冠層含水量遙感估測[J].湖南農業(yè)大學學報（自科版），2015，41（6）：685-690.

[12] Liang L， Di L， Zhang L， et al. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J]. Remote Sensing of Environment， 2015（165）： 123-134.

[13] Li X， Zhang Y， Bao Y， et al. Exploring the best hyperspectral features for LAI estimation using partial least squares regression[J]. Remote Sensing， 2014， 6（7）： 6221-6241.