邢璐琪 張桂蓮* 張 浪* 易 揚 林 勇 江子堯 鄭諧維

高光譜技術(shù)具有光譜分辨率高的優(yōu)勢，在林業(yè)、農(nóng)業(yè)、生態(tài)、環(huán)境等眾多領(lǐng)域發(fā)揮著重要作用。本文對高光譜技術(shù)在植被特征監(jiān)測中的應(yīng)用進行了總結(jié)，主要涉及植被指數(shù)研究、物理生化參數(shù)反演、樹種識別、生物量估算等內(nèi)容；同時，以無人機高光譜影像為數(shù)據(jù)源，對植被指數(shù)、特征參數(shù)、樹種識別等方面進行了案例分析，以期為植被高光譜數(shù)據(jù)的應(yīng)用提供參考與借鑒。

高光譜技術(shù)；植被指數(shù)；特征參數(shù)；樹種識別

光譜信息可用來表征地物特征，其分辨率的提高有助于實現(xiàn)對地物特征的精準(zhǔn)識別和監(jiān)測[1]。由高光譜技術(shù)獲取的光譜數(shù)據(jù)或影像，在400～2 500 nm波長范圍內(nèi)，光譜分辨率一般小于10 nm，能夠記錄瞬時視場角內(nèi)幾十甚至上百個連續(xù)波段的光譜數(shù)據(jù)[2]，可反映不同地物的精細波譜信息，使在寬波段多光譜數(shù)據(jù)中不可探測的地物能夠被識別[3]。

高光譜影像或數(shù)據(jù)具有高光譜分辨率的特點和優(yōu)勢，混合像元分解[4]、圖像融合等方法有效解決了高光譜數(shù)據(jù)低空間分辨率問題；主成分分析（Principal Component Analysis，PCA）、獨立主成分分析（Independent Principal Component Analysis，ICA）、最小噪聲分離變換（Minimum Noise Fraction，MNF）、局部線性嵌入（Locally Linear Embedding，LIE）等方法實現(xiàn)了波段提取、波段選擇[5]，從而解決了高光譜數(shù)據(jù)冗余問題；半監(jiān)督學(xué)習(xí)[6]、光譜-空間特征結(jié)合[7]等方法有效解決了Hughes現(xiàn)象；基于面向?qū)ο蟮姆诸惖确椒╗8]對緩解椒鹽噪聲問題有良好的效果。目前，高光譜技術(shù)已在目標(biāo)探測、精細分類、定量反演等方面取得了良好的應(yīng)用成果[1]。

植被作為地表物質(zhì)及陸地生態(tài)系統(tǒng)的重要組成部分，在維護區(qū)域生態(tài)環(huán)境和應(yīng)對全球氣候變化中發(fā)揮著重要作用。本文以高光譜技術(shù)為基點，簡要介紹了高光譜在植被特征監(jiān)測方面的研究與應(yīng)用，并以無人機高光譜影像為數(shù)據(jù)源，對植被指數(shù)、特征參數(shù)、樹種識別等方面進行了案例分析，為植被高光譜數(shù)據(jù)的應(yīng)用提供參考與借鑒。

1 基于高光譜數(shù)據(jù)的植被指數(shù)特征提取

基于光譜信息獲取的植被指數(shù)，是進行植被特征度量的有效指標(biāo)和方法，在表征和監(jiān)測植被特征方面發(fā)揮著重要作用。常用的植被指數(shù)有歸一化植被指數(shù)NDVI、差異植被指數(shù)VDVI、比值植被指數(shù)RVI、垂直植被指數(shù)PVI、增強型植被指數(shù)EVI、加權(quán)差分植被指數(shù)WDVI、土壤調(diào)節(jié)植被指數(shù)SAVI、綠度指數(shù)GI及一系列改進型植被指數(shù)等[9-10]，這些植被指數(shù)可基于多光譜或高光譜數(shù)據(jù)快速獲取，在植被特征監(jiān)測方面應(yīng)用廣泛。

高光譜數(shù)據(jù)在全波段具備更為豐富的光譜信息，可反映植被不同生物物理特性的細微變化[1]。同時，在表征植被典型特征的相關(guān)波段范圍（如紅邊、綠峰、藍邊等），高光譜數(shù)據(jù)具有多光譜數(shù)據(jù)無法感知的細節(jié)光譜信息，因此，利用高光譜數(shù)據(jù)可以構(gòu)建更精細有效的植被指數(shù)，以加強植被特征提取效果。目前，基于高光譜數(shù)據(jù)發(fā)展或改進的植被指數(shù)，如光化學(xué)反射指數(shù)PRI、改進葉綠素吸收指數(shù)MCARI、轉(zhuǎn)換葉綠素吸收指數(shù)TCARI、改進土壤調(diào)節(jié)植被指數(shù)OSAVI、改進歸一化藍色指數(shù)mDNblue、角度不敏感植被指數(shù)AIVI等[11]已應(yīng)用于相關(guān)研究；全譜段指數(shù)VIUPD[12-13]利用所有波段的有效信息反映植被的細微變化，以此建立的模型相比基于多光譜數(shù)據(jù)植被指數(shù)精度更高；新型光譜指數(shù)NSIs（包括HI（Health-Index）、PMI（Powdery Mildew-Index）、YRI（Yellow Rust-Index）、AI（Aphids-Index））用于葉片和冠層尺度定量區(qū)分作物特定病害取得了較為可靠的結(jié)果[14]。

2 基于高光譜數(shù)據(jù)的植被物理生化參數(shù)估算

高光譜數(shù)據(jù)能夠記錄植物體內(nèi)各種生化組分對不同波長電磁波的選擇性吸收特征，因此，可利用高光譜數(shù)據(jù)進行植被的各種物理生化參數(shù)的反演。高光譜數(shù)據(jù)應(yīng)用于植被特征參數(shù)反演的研究主要包括：生化組分參數(shù)反演，如葉綠素Chls（Chlorophylls）、類胡蘿卜素Cars（Carotenoids）、氮素N（Nitrogen）等；生物物理參數(shù)反演，如葉面積指數(shù)LAI（Leaf Area Index）等；植被與環(huán)境相互作用因素反演，如日光誘導(dǎo)葉綠素?zé)晒釹IF（Solar-Induced Chlorophyll Fluorescence）、光合有效輻射FPAR（Fraction of absorbed Photosynthetically Active Radiation）等[1]。

2.1 葉綠素（Chls）

Chls含量是植被重要參數(shù)之一，其大小既表明植被生長狀況，又表征其生產(chǎn)能力，是評估植物營養(yǎng)脅迫、光合作用能力以及各生長階段生長發(fā)育狀況的重要指標(biāo)[15]。

利用高光譜技術(shù)估算葉綠素含量主要有經(jīng)驗?zāi)Ｐ秃臀锢砟Ｐ蛢煞N方法。基于高光譜的經(jīng)驗?zāi)Ｐ椭饕峭ㄟ^分析葉綠素與光譜波段反射率及其波段組合、植被指數(shù)、特征參數(shù)等的相關(guān)關(guān)系，從而實現(xiàn)經(jīng)驗建模。吳長山等[16]的研究表明植被光譜反射率數(shù)據(jù)及其導(dǎo)數(shù)光譜數(shù)據(jù)與葉綠素密度具有很好的相關(guān)性；JIN等[17]提出的陸地葉綠素指數(shù)、雙峰冠層氮指數(shù)、合并光譜指數(shù)提高了葉綠素含量估算模型的精度；光譜“紅邊”位置、綠峰反射光譜曲線特征邊的變化速率及綠峰兩邊的夾角等變量在葉綠素含量估算研究中也有較好結(jié)果[15,18-19]；方慧等[20]采用紅邊位置和綠峰位置參數(shù)，構(gòu)建葉綠素含量定量分析模型，很好地實現(xiàn)了葉片葉綠素含量的估算。

近年來，機器學(xué)習(xí)方法在高光譜遙感反演植被參數(shù)的研究中應(yīng)用廣泛，依爾夏提·阿不來提等[21]通過原始光譜轉(zhuǎn)換、高光譜參數(shù)計算，分析葉綠素含量與高光譜參數(shù)之間的相關(guān)關(guān)系，構(gòu)建估算冠層葉綠素含量的BP神經(jīng)網(wǎng)絡(luò)模型，得到了較高精度的葉綠素含量估算結(jié)果；陳瀾等[22]基于常見植被指數(shù)，結(jié)合主成分分析和隨機森林算法，實現(xiàn)了植被葉片葉綠素含量最佳高光譜估算模型的構(gòu)建。

基于高光譜技術(shù)的物理模型反演方法也可進行植被葉綠素的估算，即根據(jù)地物特性來反演冠層光譜，并采用輻射傳輸?shù)任锢砟Ｐ蛯ζ溥M行解譯[21]，如SUN等[23]通過高光譜激光雷達技術(shù)結(jié)合PROSPECT模型對葉綠素含量進行估算；QIU等[24]在PROSPECT模型中增加葉片表面反射因子，降低了葉片反射率變化對葉綠素含量反演的影響，從而實現(xiàn)了葉綠素反演精度的提高。

2.2 葉面積指數(shù)（LAI）

LAI定義為單位面積上綠色植物所有葉面積總和的一半[25]，是陸地植被重要的生理參數(shù)之一[26-27]，與植物的光合作用、蒸騰作用以及生態(tài)系統(tǒng)生產(chǎn)力的形成有著密切關(guān)系[28]，對于研究陸地植被的碳水循環(huán)和能量交換具有重要意義[29-30]。

通過建立實測LAI與光譜數(shù)據(jù)原始波段，基于波段運算的波段組合、波段變換、植被指數(shù)等之間的相關(guān)關(guān)系，可有效實現(xiàn)植被LAI時空數(shù)據(jù)的定量估算?；诙喙庾V數(shù)據(jù)的LAI估算，光譜波段較少，波段間隔寬，估算模型較簡單[31]，各種植被指數(shù)與LAI的關(guān)系具有地域性和時效性[32]，同時，植被指數(shù)反演估算LAI存在飽和問題。

高光譜數(shù)據(jù)波段窄且連續(xù)，可以更精細地表現(xiàn)植被參數(shù)信息，如通過構(gòu)建對LAI更加敏感的植被指數(shù)、對常規(guī)植被指數(shù)進行連續(xù)化處理（如光譜導(dǎo)數(shù)等）[32]、或通過作物的紅邊參數(shù)描述植被的LAI或物候變化等[31]，高光譜數(shù)據(jù)的應(yīng)用將大大提升LAI信息提取精度。相關(guān)學(xué)者基于高光譜數(shù)據(jù)及其光譜變換形式，分析光譜數(shù)據(jù)與LAI之間的相關(guān)關(guān)系，建立的植被不同時期LAI估算模型均達到較高精度[33-36]；云增鑫等[37]利用森林冠層激光點云數(shù)據(jù)對高光譜數(shù)據(jù)進行林下植被信息剔除，有效改善森林冠層LAI估算精度；郭云開等[38]以高光譜數(shù)據(jù)為基礎(chǔ)，利用輻射傳輸模型和隨機森林組合模型對路域植被葉面積指數(shù)進行了估算。

2.3 日光誘導(dǎo)葉綠素?zé)晒猓⊿IF）

在植物光合作用過程中，植物光合色素吸收的光能最終轉(zhuǎn)化為3種形式，即主要用于光合作用、少量以熒光釋放和熱能耗散[39]。SIF是指處于自然光照條件下的綠色植物在進行光合作用時釋放一種波長位于650-800 nm的光[40]，具有紅光（690 nm左右）和近紅外（740 nm左右）兩個波峰，與基于反射率的植被指數(shù)相比，能更直接反映植物實際光合作用的動態(tài)變化[41]。SIF作為光合作用的副產(chǎn)品，與植被總初級生產(chǎn)力GPP（Gross Primary Productivity）和植被受脅迫狀態(tài)密切相關(guān)[42]，對于精確把握植被生長狀態(tài)、準(zhǔn)確了解全球碳匯分布和進一步理解陸表植被對氣候變化的響應(yīng)具有重要意義[43]。

目前，SIF的反演主要利用夫瑯和費暗線“井”填充效應(yīng)實現(xiàn)，可觀測的原始暗線深度及其精細程度決定填充效應(yīng)的明顯程度和SIF反演的魯棒性，因此，SIF遙感反演需在高光譜分辨率條件下實現(xiàn)[40]。相關(guān)領(lǐng)域?qū)W者已經(jīng)就SIF的遙感反演方法開展了一系列研究，許多綜述類文章對方法進展進行了詳細闡釋[40-42,44-45]。

基于高光譜遙感的大氣層頂SIF的反演方法主要分為三種。一是基于大氣輻射傳輸方程的SIF反演算法。其經(jīng)典算法如FLD（Fraunhofer Line Discrimination）算法、SFM（Spectral Fitting Model）算法及改進的FLD系列算法（3FLD（three bands FLD）、cFLD（correct FLD）、iFLD（improved FLD）、eFLD（extended FLD）等，該方法對光譜分辨率要求較低，劉鷗陽等[46]利用3種經(jīng)典SIF反演方法（FLD、3FLD、iFLD），實現(xiàn)了基于水汽吸收波段的SIF反演性能的檢驗和對比分析。二是簡化的物理模型算法。該方法雖然避免了輻射傳輸?shù)挠嬎?，但對共譜分辨率要求極高，劉新杰等[47]利用日本溫室氣體觀測衛(wèi)星GOSAT的TANSO-FTS超光譜數(shù)據(jù)，通過加權(quán)最小二乘擬合的葉綠素?zé)晒庑l(wèi)星反演算法，獲得了中國區(qū)域2010年1月至2011年6月的葉綠素?zé)晒鈹?shù)據(jù)。三是數(shù)據(jù)驅(qū)動算法。該方法降低光譜分辨率要求的同時避免了大氣傳輸方程運算，是目前大多數(shù)全球SIF產(chǎn)品的生產(chǎn)算法，如中國的Tansat_SIF、歐盟的Sentinel-5-TROPOMI SIF等，其他相關(guān)衛(wèi)星傳感器性能信息可參考相關(guān)文獻[40,42]。

3 高光譜數(shù)據(jù)的樹種識別

高光譜數(shù)據(jù)光譜分辨率高，能夠探測不同植物之間細微的光譜差異，從而實現(xiàn)物種識別與分類。宮鵬等[48]利用高分辨率光譜儀數(shù)據(jù)，采用神經(jīng)元網(wǎng)絡(luò)算法識別出6種針葉樹種，平均精度達到94%以上；肖海燕等[49]結(jié)合決策樹和高光譜特征分析方法，利用高光譜數(shù)據(jù)進行紅樹林群落信息識別與提取；于麗柯等[50]應(yīng)用HSI高光譜影像對大興安嶺地區(qū)塔河林區(qū)進行樹種分類，線性波譜分離方法獲取了較高精度的分類結(jié)果（精度為72.0%）。

利用高光譜數(shù)據(jù)進行樹種識別與分類，數(shù)據(jù)冗余是研究中不可避免的問題之一，需進行特征波段選擇以實現(xiàn)高光譜數(shù)據(jù)降維。宮鵬等[48]采用相鄰窄波段逐步加寬的方法，測試不同波段寬度對樹種識別精度的影像以獲取最佳特征波段；王志輝等[51]利用4種樹種葉片光譜數(shù)據(jù)進行可識別性波段選擇與光譜特征參量分析，結(jié)果表明區(qū)分不同樹種的有效波段大都位于近紅外波段；李子藝等[52]采用最佳指數(shù)法對高光譜數(shù)據(jù)進行波段選擇，研究表明紅邊區(qū)光譜波段包含大量樹種識別信息，這與王志輝的研究結(jié)果相似。

為提高樹種識別與分類精度，光譜信息結(jié)合空間信息、波段組合信息等共同參與樹種識別的相關(guān)研究取得了一系列進展。陳爾學(xué)等[53]以EO-1 Hyperion高光譜遙感數(shù)據(jù)為基礎(chǔ)，采用結(jié)合空間上下文信息和光譜信息的分類算法，有效提高了樹種識別的精度；苗宇宏等[9]通過光譜數(shù)據(jù)降維、紋理特征提取以及植被指數(shù)選擇等對高光譜影像進行分析，通過支持向量機（Support Vector Machine，SVM）監(jiān)督分類實現(xiàn)了植被的精細分類，總體精度可達99.6%；尚坤等[54]結(jié)合原始光譜特征、紋理特征及對植被理化參量敏感的光譜指數(shù)特征，構(gòu)建植被特征庫并進行優(yōu)化，提高了植物類別間的可分性和分類效率；趙鵬等[55]對高光譜圖像光譜維和空間維的特征數(shù)據(jù)進行融合后，使用SVM復(fù)合核函數(shù)對樹種進行分類，有效提高了樹種的分類精度。

隨著高光譜數(shù)據(jù)空間分辨率的提高，樹種分類結(jié)果椒鹽噪聲嚴重，面向?qū)ο蠓诸惙椒捎行Ы鉀Q基于像元分類方法導(dǎo)致的結(jié)果破碎化及椒鹽噪聲問題。吳艷雙等[56]結(jié)合光譜特征和不同尺度紋理特征、采用SVM算法進行面向?qū)ο蟮臉浞N精細分類；CAO等[57]利用無人機高光譜圖像，通過結(jié)合光譜特征、紋理特征和高光譜植被指數(shù)，利用k近鄰算法（k-nearest Neighbor，KNN）和SVM算法進行基于目標(biāo)的圖像分析技術(shù)以實現(xiàn)紅樹林分類識別。

盡管高光譜數(shù)據(jù)具有精細光譜信息，但區(qū)分光譜特征相似的樹種仍然受限[58]，將高光譜與其他遙感數(shù)據(jù)結(jié)合，如LiDAR數(shù)據(jù)，實現(xiàn)優(yōu)勢互補，已成為研究熱點[59]。劉麗娟等[58]將機載LiDAR與高光譜CASI數(shù)據(jù)融合，充分利用垂直結(jié)構(gòu)信息和光譜信息進行溫帶森林樹種分類，融合數(shù)據(jù)樹種分類精度高于僅高光譜數(shù)據(jù)的精度，總體精度達到83.88%；董文雪等[10]利用機載LiDAR和高光譜數(shù)據(jù)，通過相關(guān)分析法篩選林冠結(jié)構(gòu)參數(shù)和光譜指數(shù)，采用自適應(yīng)模糊C均值聚類算法實現(xiàn)的物種豐富度預(yù)測精度為R2=0.69；陶江玥等[60]利用機載高光譜和LiDAR數(shù)據(jù)，采用基于高光譜+激光雷達+結(jié)構(gòu)不敏感色素指數(shù)變量組合的SVM分類算法，實現(xiàn)了樹種精細分類，其總體精度達到89.12%；SHEN等[61]使用機載高光譜和LiDAR數(shù)據(jù)，采用隨機森林算法對中國東南部亞熱帶森林中的樹種進行分類，結(jié)果表明，使用高光譜和LiDAR融合數(shù)據(jù)進行樹種分類比僅使用高光譜數(shù)據(jù)總體精度提高0.4%-5.6%；ALONZO等[62]將高分辨率高光譜圖像與LiDAR數(shù)據(jù)融合，在基于冠層尺度上對美國某些地區(qū)常見的29類樹種進行分類，結(jié)果表明融合LiDAR數(shù)據(jù)后，分類精度提高了4.2%。

4 基于高光譜數(shù)據(jù)的植被生物量估算

精確估算植被生物量對全球碳平衡以及氣候變化的研究有重要意義，將具備窄波段優(yōu)勢的高光譜數(shù)據(jù)應(yīng)用于植被生物量估算，在提高植被生物量估算精度方面實現(xiàn)了進步與突破。

在利用高光譜數(shù)據(jù)進行植被生物量監(jiān)測估算時，土壤背景光譜的干擾不可避免，因而生物量的估算精度受到一定影響，針對該問題，張良培等[63]通過對高光譜信號進行一階導(dǎo)數(shù)運算，壓縮混合光譜中的土壤光譜信號，進而得到更為可靠客觀的生物變量值；李燕麗等[64]利用快速獨立分量分析（Fast Independent Component Analysis，F(xiàn)astICA）算法去除土壤對植被光譜的影響，提取凈植被光譜，并建立小麥生物量的偏最小二乘回歸估算模型，實現(xiàn)了土壤光譜和植被光譜有效分離，顯著提高了植被生物量的估算精度。

高光譜數(shù)據(jù)空間分辨率較低，易形成混合像元，難以獲得植被內(nèi)部細節(jié)信息，且在植被覆蓋度較高的區(qū)存在植被生物量信息飽和現(xiàn)象，多源數(shù)據(jù)的結(jié)合使用，如高光譜數(shù)據(jù)與高分辨率數(shù)據(jù)結(jié)合，實現(xiàn)了光譜特征信息與空間結(jié)構(gòu)信息的協(xié)同應(yīng)用，可有效提高植被生物量估算精度。KATTENBORN等[65]通過Hyperion高光譜數(shù)據(jù)和WorldView-2高空間分辨率數(shù)據(jù)對歐洲溫帶森林地區(qū)地上生物量進行估算，融合了光譜信息和空間信息的預(yù)測模型估算精度，比單獨使用光譜信息或空間信息的預(yù)測模型精度提高約20%；申鑫等[66]利用機載LiCHy傳感器獲取高光譜和高空間分辨率數(shù)據(jù)，融合高光譜數(shù)據(jù)光譜特征變量和高空間分辨率數(shù)據(jù)單木冠幅統(tǒng)計變量，構(gòu)建多元回歸模型估算生物量，結(jié)果表明通過集成高光譜和高空間分辨率數(shù)據(jù)的生物量反演效果有所提升。

近年來，結(jié)合高光譜數(shù)據(jù)與機器學(xué)習(xí)方法實現(xiàn)植被生物量估算的研究得到發(fā)展與應(yīng)用，如石雅嬌[67]等以玉米地上干生物量為研究對象，分別基于光譜指數(shù)法和BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建反演模型，結(jié)果表明，相比基于光譜指數(shù)構(gòu)建的生物量反演模型，BP神經(jīng)網(wǎng)絡(luò)模型反演結(jié)果更好。

5 監(jiān)測案例研究

本研究采用大疆精靈無人機、高光譜相機S185（光譜范圍為450～950 nm，光譜分辨率為4 nm），于2020年4月拍攝上海市奉賢區(qū)鄔橋?qū)嶒灮兀?21.41°E，30.96°N），樣地面積約2.84 hm2，獲取高光譜影像。通過對高光譜數(shù)據(jù)進行處理，實現(xiàn)了樣地內(nèi)植被指數(shù)（紅邊歸一化植被指數(shù)RENDVI、紅綠比值指數(shù)RGRI）、植物生理參數(shù)（花青素、胡蘿卜素、葉綠素）的計算和物種識別。

1. 植被指數(shù)RENDVI、RGRI計算結(jié)果

2. 植被參數(shù)花青素、胡蘿卜素、葉綠素計算結(jié)果

3. 植被物種識別結(jié)果

基于高光譜數(shù)據(jù)的植被指數(shù)、植物生理參數(shù)計算，可利用不同波段范圍的窄波段光譜數(shù)據(jù)分別與待反演或監(jiān)測的植被特征構(gòu)建模型，以獲取植被指數(shù)、植物生理參數(shù)的最佳計算波段，為其他相關(guān)研究提供高精度基礎(chǔ)數(shù)據(jù)。本研究利用高光譜數(shù)據(jù)計算研究區(qū)植被指數(shù)和植物生理參數(shù)，結(jié)果分別見圖1和圖2。圖1中，紅邊歸一化植被指數(shù)RENDVI與紅綠比值指數(shù)RGRI均很好地區(qū)分了植被區(qū)域與非植被區(qū)域（裸地、建筑用地）；RENDVI圖中，RENDVI值越大（接近1），表明該區(qū)域植被覆蓋度越大，樣地中黃色和綠色區(qū)域有植被覆蓋，且綠色區(qū)域植被覆蓋度更大；RGRI圖中，RGRI值越小，表明該區(qū)域植被覆蓋度越大，樣地中紫色區(qū)域植被覆蓋較大；兩種植被指表征的植被覆蓋情況一致。圖2表明了樣地中不同植物花青素、胡蘿卜素、葉綠素含量的高低，可作為研究植被生化參數(shù)的有效基礎(chǔ)數(shù)據(jù)。

本研究利用高光譜數(shù)據(jù)、面向?qū)ο蠓指罘椒肮庾V角分類方法實現(xiàn)植物物種識別，結(jié)果如圖3所示。由圖3知，在樣地范圍內(nèi)，分別提取了香樟、玉蘭、七葉樹、馬褂木、石楠、垂絲海棠、草地等23種物種，其分布與樣地實地調(diào)查結(jié)果較為一致，因此，基于高光譜數(shù)據(jù)的植被物種識別結(jié)果良好。

6 結(jié)語

高光譜技術(shù)在植被特征監(jiān)測及其他眾多領(lǐng)域均具有重要作用并已取得了許多創(chuàng)新性成果。然而，高光譜技術(shù)還處于發(fā)展與提升階段，存在“曲高和寡”之憂，降低高光譜數(shù)據(jù)獲取、處理、信息提取與應(yīng)用方面的門檻仍是高光譜技術(shù)亟待解決的科學(xué)問題[1]。筆者期待并相信，高光譜技術(shù)的長足進步與發(fā)展將在相關(guān)領(lǐng)域的研究與應(yīng)用中發(fā)揮更大的作用。