彭曉偉，張愛軍，，王楠，趙麗，楊曉楠

(1.河北農(nóng)業(yè)大學 資源與環(huán)境科學學院，河北 保定 071000；2.河北省山區(qū)農(nóng)業(yè)技術創(chuàng)新中心，河北 保定 071000；3.河北農(nóng)業(yè)大學 機電工程學院，河北 保定 071000)

0 引言

土壤是土地的根本，為所有陸地生物提供了不可替代的多樣的生態(tài)介質(zhì)[1]，是保證農(nóng)業(yè)生產(chǎn)高產(chǎn)、優(yōu)質(zhì)的重要物質(zhì)資源。土壤的養(yǎng)分條件對作物生長發(fā)育具有重要作用，研究土壤的理化特性并據(jù)此進行農(nóng)業(yè)生產(chǎn)管理是保證農(nóng)業(yè)穩(wěn)產(chǎn)、高產(chǎn)、優(yōu)質(zhì)的重要前提[2]。植物-土壤生物交互作用可能會引起地面植物的化學變化[3]。而以實驗室化學測試為主的檢測方法過程復雜且破壞植株，故發(fā)展一種省時高效的監(jiān)測方法是很有必要的[4]。隨著遙感技術的發(fā)展，高光譜技術應運而生，其擁有波段多、光譜范圍廣、分辨率高的特點，可實現(xiàn)土壤、作物反射光譜信息的快速獲取，這些信息為土壤、作物的研究提供了新的方向，因此高光譜圖像被廣泛用于土壤及作物特性的識別和監(jiān)測。在土壤方面，包括土壤質(zhì)地、顏色、水分、土壤可蝕性、組成顆粒、營養(yǎng)物質(zhì)、pH值、重金屬和有機物等；在作物方面，包括氮、磷、鉀、葉綠素、葉面積指數(shù)、產(chǎn)量、水分等的定量估算及對植株是否染病進行識別[5]。在研究過程中，研究者主要研究模型波段的選取及降噪方法、特征波段的選取及建模方法，從而篩選出最佳估測或分類模型。本文在前人研究的基礎上，總結出高光譜技術在土壤-植物體系上的應用，在作物種植前，可利用高光譜技術測定土壤養(yǎng)分、有機質(zhì)等營養(yǎng)物質(zhì)，從而選擇出適宜作物進行種植；在作物種植過程中，可利用該技術配合3S技術進行精確施肥。除此之外，高光譜技術可對作物的生長狀況進行監(jiān)測，在作物收獲時可利用高光譜技術檢測作物品質(zhì)及在作物感病時可根據(jù)不同程度進行噴藥等措施。

1 高光譜在紅壤及作物的應用

1.1 高光譜在紅壤的應用

我國的磚紅壤主要分布在海南島、雷州半島、西雙版納和臺灣省最南部，大致位于北緯20°以南地區(qū)，地處熱帶，年平均氣溫為23～26℃，≥10℃的積溫在7 500～9 500 ℃之間，年平均降水量為1 500～2 000 mm。冬季少雨多霧，夏季多雨，具有高溫多雨、干濕季節(jié)變化較明顯的季風氣候特點[6]。因此利用高光譜技術檢測土壤的各項營養(yǎng)成分含量并在此基礎上種植適宜的作物，可以合理開發(fā)、整治和保護好紅壤資源，并且充分發(fā)揮出紅壤資源的潛在生產(chǎn)能力[7]。

土壤有機質(zhì)作為植物營養(yǎng)的主要來源之一，除了能促進植物的生長發(fā)育，還能改善土壤的物理性質(zhì)，促進微生物和土壤生物的活動。謝文等[8]選擇偏最小二乘回歸(partial least squares regression，PLSR)、BP神經(jīng)網(wǎng)絡(back propagation neural network，BPNN)和支持向量機回歸分析(support vector machine regression，SVR)三種單一高光譜估測模型和組合模型對山地紅壤的有機質(zhì)含量進行了估測，實驗結果表明，單一預測模型中的SVR估測精度最高，驗證決定系數(shù)R2為0.64，均方根誤差(root mean square error，RMSE)為9.76 g·kg-1；組合模型中，最優(yōu)模型是數(shù)據(jù)重構定權組合模型，模型驗證決定系數(shù)R2為0.87，均方根誤差為7.91 g·kg-1。

除了利用高光譜技術研究紅壤等有機質(zhì)之外，也有研究者對浙江省衢州紅壤和海寧青紫泥兩種典型土壤的氮磷鉀進行綜合研究，但由于土壤表面比較粗糙，因此研究者對光譜數(shù)據(jù)進行平滑處理、多元散射校正和基線校正等預處理，且在小樣本的情況下，結果表明偏最小二乘(partial least squares，PLS)-最小二乘法(least squares，LS)-支持向量機(support vector machine，SVM)模型可較好地預測土壤氮磷鉀含量，預測精度可達0.87、0.94和0.80[9]。

1.2 高光譜在紅壤適種作物的應用

根據(jù)紅壤具有的酸性、粘性等條件比較適宜種植煙草、茶葉等作物的情況，本文針對這兩種作物與紅壤的營養(yǎng)指標綜合論述(表1)，為研究者在利用高光譜技術篩選適宜種植的基礎上，針對種植過程中的植株狀況進行綜合監(jiān)測，從而保證植株的高產(chǎn)、穩(wěn)產(chǎn)。在茶葉的研究方面，主要是針對茶葉生長過程中葉片葉綠素及含水量、茶葉的品質(zhì)進行估測?？讘c波等[10]通過一元線性函數(shù)(linear)、對數(shù)函數(shù)(logarithmic)、逆函數(shù)(inverse)、指數(shù)函數(shù)(exponen)等函數(shù)構建茶葉葉綠素反演模型，研究結果表明單變量回歸模型中以變量DV640建立的逆函數(shù)模型為佳，可較好地預測茶葉的葉綠素含量，精度可達到93%。在茶葉的含水量研究方面，有研究者指出經(jīng)過卷積平滑處理后的正交信號校正的預處理結合逐步回歸分析法所建立的偏最小二乘回歸茶鮮葉含水率預測效果最佳[11]。除此之外，茶葉的茶多酚含量[12]及兒茶素沒食子酸酯(EGCG)含量[13]均可利用高光譜技術進行估測，茶多酚的回歸模型的決定系數(shù)可達到0.91，EGCG的最小二乘法模型決定系數(shù)可達到0.99。

表1 高光譜技術在紅壤適種作物上的研究

除了對茶葉的研究之外，也有學者對煙草進行了不同方面的研究，如張正楊等[14]將不同模型用于估測煙草的葉面積指數(shù)(leaf area index，LAI)，得出利用主成分分析方法和神經(jīng)網(wǎng)絡方法建模精度較高，分別為0.94和0.89。賈方方等[15]在張正楊等的基礎上，考慮到了煙草的種植密度，得出逐步回歸模型(stepwise multianalytical regression model，SMLR)和 BP 神經(jīng)網(wǎng)絡 LAI都取得較為理想的結果，其中 BP 神經(jīng)網(wǎng)絡的精度最高、誤差最小，R2可達到0.90，RMSE為0.44。煙草的成熟采收是生產(chǎn)優(yōu)質(zhì)煙葉的中心環(huán)節(jié)和關鍵技術之一，王建偉等[16]發(fā)現(xiàn)在550～680 nm 范圍的光譜反射率對不同成熟度煙葉有較好的“區(qū)分效應”。Xing等[17]利用相關分析方法建立了葉片色素含量的高光譜線性與非線性模擬方程，研究結果表明光譜參數(shù)G_NDVI 和 TCARI 分別與葉綠素、類胡蘿卜素含量之間有較好的相關性，該研究對煙草品質(zhì)的探究具有著重要意義。

本文總結了研究者利用高光譜技術對土壤的各項營養(yǎng)成分進行的預測，從而實現(xiàn)在作物種植過程中精準施肥，并根據(jù)土壤的各項指標種植適宜的作物。在此基礎上，本文還針對紅壤的特性總結了其適宜作物茶葉、煙草等在生長及收獲過程中的各項指標，比較各預測模型建模效果優(yōu)劣，得出最優(yōu)模型的預測精度，以方便管理者針對植株的營養(yǎng)情況實行精準管理，從而獲得最大的經(jīng)濟效益。

2 高光譜在水稻土及作物的應用

2.1 高光譜在水稻土的應用

水稻土是在長期淹水條件下經(jīng)人為活動和自然因素的雙重作用，形成特有剖面特征的土壤。周鼎浩等[18]對水稻土的全磷進行了估測，并且建立了PLSR，研究結果表明該模型精度較高，其校正決定系數(shù)可達到0.85，交叉驗證決定系數(shù)為0.70，相對分析誤差(relative percent deviation，RPD)為1.8。王莉雯等[19]在此研究的基礎上采用了不同的建模方法和預處理方法，即再抽樣多元逐步回歸模型(Bootstrap SMLR)和再抽樣偏最小二乘回歸模型(Bootstrap PLSR)，實驗結果表明Bootstrap PLSR對研究區(qū)濕地土壤全氮和全磷含量的估算具有較高的精度。除了對土壤單一指標的研究之外，吳茜等[20]對水稻土進行氮磷鉀綜合估測，采用了多元散射校正加一階導數(shù)進行光譜預處理，并應用BP神經(jīng)網(wǎng)絡局部回歸法進行建模，對氮磷鉀的估測相關系數(shù)R分別達到0.90、0.82和0.94，由此可見，該模型可較好地預測水稻土中的氮磷鉀含量。

2.2 高光譜在水稻土適種作物的應用

由于水稻土屬于人為淹水種稻而形成的耕作土壤，肥沃水稻土一般具有爽而不漏、渾而不陷、軟而不爛、肥而不膩的特征，且有良好的保水性能，因此，在該土壤上較適宜種植水稻。高光譜技術在估測水稻各項指標方面有大量研究(表2)。在估測水稻葉面積指數(shù)方面，有研究表明：在高光譜變量與水稻葉面積指數(shù)之間的擬合分析中，藍邊內(nèi)一階微分的總和與紅邊內(nèi)一階微分的總和的比值和歸一化差植被指數(shù)是最佳的變量[21]，水稻冠層原始光譜反射率在400～722 nm和1 990～2 090 nm波段與LAI達到極顯著負相關水平，在近紅外區(qū)域760～1 315 nm與LAI呈極顯著正相關，而以比值植被指數(shù) RVI(850，750)為變量建立的水稻 LAI估測模型最佳。He等[22]對研究內(nèi)容進行了進一步擴充，通過使用水稻抽穗期去除穗后的冠層光譜，植被指數(shù)可以更好地模擬LAI，穗去除前后的冠層光譜在不同處理中均呈現(xiàn)出明顯的線性相關性。Afandi等[23]采用人工神經(jīng)網(wǎng)絡(artificial neural network，ANN)構建水稻氮含量進行建模，RMSE為0.32。武旭梅等[24]建立了水稻冠層葉綠素含量高光譜估算模型，研究結果表明四個植被指數(shù)RVI(R696，R540)、DVI(R700，R536)、SAVI(R700，R536)、RVI(D1316，D736)建立的估算模型比普通回歸模型精度更高，驗證結果的決定系數(shù)R2為0.87。Nguyen等[25]對水稻的葉面積指數(shù)、葉干重、葉氮濃度和葉氮密度進行綜合分析并建立了偏最小二乘模型，R2的范圍為0.84～0.87，相對誤差(relative error percent，REP)的驗證范圍為11.10%至25.60%。

水稻稻瘟病是水稻三大病害之一，可引起大幅度減產(chǎn)，嚴重時減產(chǎn)40%～50%，甚至顆粒無收。故有研究者針對水稻的葉瘟病與缺氮進行了識別，并且比較了偏最小二乘判別分析(PLS-DA)和主成分分析與支持向量機結合分類法，研究結果表明，經(jīng)標準正態(tài)變量(standard normal variable，SNV)變換預處理的 PLS-DA 模型獲得了最佳的識別結果，預測準確率達100%[26]。鄭志雄等[27]在前者研究的基礎上將水稻葉瘟病的感病程度分成不同等級，從而為水稻葉瘟病田間病害程度評估提供了基礎，研究表明，應用主成分分析方法對感病葉片的分級精度可達到96.39%。除了研究水稻生長發(fā)育過程中的各項指標之外，彭玉梅等[28]利用偏最小二乘法(PLS)估測出水稻精米中的直鏈淀粉含量，鑒別精度可達95%以上，而戴國新等[29]對此研究進行了進一步的豐富，對精米的直鏈淀粉與蛋白質(zhì)含量建立了逐步線性回歸分析，模型的R2分別達到了0.82 和0.84。

綜上所述，研究者對水稻土的氮、磷、鉀含量進行了單獨建模和綜合估測，均達到了較好的估測效果，說明利用高光譜技術估測土壤的養(yǎng)分含量具有一定的可行性。本文還對水稻土的適種作物水稻的研究進行了總結，研究者分別對水稻生長發(fā)育過程中的葉面積指數(shù)、葉綠素含量、葉氮濃度進行估測及如何判別出小麥是否感病進行了研究，并區(qū)分感病等級，以方便管理者針對水稻的感病狀況進行施藥施肥。除此之外，在水稻收獲時可估測水稻的直鏈淀粉及蛋白質(zhì)含量，以保證水稻的品質(zhì)，從而為水稻品質(zhì)的分級系統(tǒng)的建立提供一定參考。

3 高光譜在巖性土及作物的應用

3.1 高光譜在巖性土的應用

巖性土主要包括紫色土、石灰土、磷質(zhì)石灰土、黃綿土(黃土性土)和風沙土，其性狀主要與成土母質(zhì)性狀相似。如表3所示，在土壤含水量方面，婁徑等[30]對黃綿土、綿沙土、黑壚土和風沙土等混合土壤進行了有機質(zhì)估測，研究結果表明采用倒數(shù)一階微分變換的反射率與土壤含水量相關性最高，在1 655 nm和2 197 nm相關系數(shù)最大，相關系數(shù)R2為0.89。而賈繼堂等[31]和尹業(yè)彪等[32]分別對光譜數(shù)據(jù)使用平滑和去包絡線并一階微分處理建立多元線性回歸方法及逐步回歸方程，模型的相關系數(shù)R2分別為0.96和0.86。

在土壤有機質(zhì)測定方面，葉勤等[33]基于主成分分析建立了BP神經(jīng)網(wǎng)絡模型，模型的決定系數(shù)R2為0.89；Lin等[34]基于小波相關建立了偏最小二乘回歸模型，模型精度為0.97。劉效棟[35]對前者的研究進行總結，進一步比較了多元逐步回歸和偏最小二乘回歸模型估測土壤有機質(zhì)的精度，研究表明，偏最小二乘回歸模型估測值與實測值相關性達到0.98。袁征等[36]在前者的研究基礎上比較了線性回歸分析法、BP神經(jīng)網(wǎng)絡法、模糊識別法模型估測有機質(zhì)的精度，研究結果表明模糊識別法模型的估測精度最高，模型的決定系數(shù)為0.97。

3.2 高光譜在巖性土適種作物的應用

在巖性土上種植玉米與小麥的效果較好。在玉米種子方面，Yang等[37]通過比較SVM和PLS-DA模型對種子品種進行鑒別的精度，發(fā)現(xiàn)在SVM模型中實現(xiàn)的識別準確率(細菌側(cè)和胚乳側(cè))分別為98.20%和96.30%。在玉米葉片色素的檢測方面，有研究者比較了單變量回歸、多元逐步回歸和隨機森林回歸分析的精度，結果表明，利用隨機森林法的精度較好，其中綠素a、葉綠素b、類胡蘿卜素的建模R2為0.93，總色素的建模R2為0.92；葉綠素a和類胡蘿卜素的檢驗R2為0.74，葉綠素b和總色素的檢驗R2為0.71，各模型的均方根誤差和相對誤差相差不大[38]。在估測玉米葉綠素方面，估測值和模擬值之間的R2均達到了0.99。對玉米葉片氮含量估測中，有研究者發(fā)現(xiàn)估測的最佳比值光譜指數(shù)RSI(688，644)[39]監(jiān)測葉片氮素積累的最佳生長期為播種期，且上層葉氮含量均高于下層葉氮含量，抽雄期的下層葉片對氮素的缺乏反應敏感，生產(chǎn)上在抽雄期可以通過對下層葉片氮含量的監(jiān)測來指導施肥[40]。

在估測小麥葉面積指數(shù)方面，孫慧等[41]估測不同灌溉條件下的小麥葉面積指數(shù)并建立了指數(shù)模型，模型的決定系數(shù)R2為0.68；在葉綠素估測方面，有研究者對模型的預處理方法進行了比較，分析結果表明，采用歸一化處理(normalization，NC)和基線校正(base-line correction，BC)方法處理光譜數(shù)據(jù)可取得較高的模型精度。而亞森江·喀哈爾等[42]進一步比較了偏最小二乘法和BP 神經(jīng)網(wǎng)絡兩種建模方法的估測精度，研究發(fā)現(xiàn)，對數(shù)變換的二階微分處理所建立的偏最小二乘法模型為最優(yōu)模型，模型的決定系數(shù)R2為0.93。

在探究小麥是否染病方面，劉琦等[43]利用定性偏最小二乘法建立小麥條銹病潛育期小麥葉片冠層光譜識別模型，以偽吸收系數(shù)二階導數(shù)為光譜特征所建模型的平均準確率最高，模型的訓練集為97.89%，測試集為92.98%。同年，該作者還比較了定性偏最小二乘、人工神經(jīng)網(wǎng)絡和SVM三種方法識別潛育期小麥條銹菌的準確性，結果表明，SVM的識別效果最佳，在不同建模比下其識準確率均可達到100%[44]。進一步，雷雨等[45]利用主成分分析法對條銹病的病害情況進行了分級，分級正確率為 98.15%。劉爽等[46]采用結合線性判別分析法、K近鄰算法(k-nearest neighbor，KNN)、SVM分別建立分類模型，并對赤霉病進行了識別，測試集準確率都達到90%以上。梁琨等[47]同樣利用SVM 和BP神經(jīng)網(wǎng)絡算法建立赤霉病的識別模型，模型的交叉驗證模型及驗證模型的準確率均達到90%以上。郭偉等[48]比較了ASD光譜數(shù)據(jù)與UHD185光譜數(shù)據(jù)的相關性，結果表明，兩種數(shù)據(jù)的決定系數(shù)達到0.97，使用兩種儀器采集的光譜數(shù)據(jù)的差異性不大；此外，建立了線性回歸模型并對小麥全蝕病進行了估測，模型精度R2=0.86。朱耀輝[49]進一步對小麥全蝕病進行了分級，并比較徑向基、多項式、Sigmoid和線性等核函數(shù)的分類精度，發(fā)現(xiàn)基于徑向基核函數(shù)的SVM方法對于小麥全蝕病的分類效果最優(yōu)，分類精度達到了90.35%，Kappa系數(shù)為0.86。

綜上所述，本文總結了研究者采用高光譜技術對巖性土含水量、土壤養(yǎng)分及有機質(zhì)進行的估測，從而在作物種植前選出最優(yōu)土壤種植適宜作物。本文以小麥為例，總結高光譜技術在小麥葉面積指數(shù)、葉片葉綠素值、麥粒水分及小麥感病上的應用。

4 討論與結論

本研究通過VOSviewer分析了來源于CNKI中國學術期刊核心期刊數(shù)據(jù)庫，主題檢索詞包括“高光譜”或含“高光譜成像”并包括“土壤”，時間選取2016—2021年，CNKI數(shù)據(jù)庫下載數(shù)據(jù)1 566條，結果如圖1所示。

圖1 CNKI關鍵詞共現(xiàn)網(wǎng)絡

從圖1中可以看出，目前針對高光譜土壤的研究內(nèi)容主要為土壤重金屬和土壤含水量以及土壤鹽漬化的研究。除此之外可以看出，在土壤研究中常用的研究方法為PLSR和BP神經(jīng)網(wǎng)絡和支持向量機，而其他方法的應用略少。從時間跨度來看，在2017年及以前，大多對多光譜進行研究，主要是進行光譜分析和遙感反演；隨著時間的推移，研究內(nèi)容從多光譜轉(zhuǎn)化為高光譜，而研究手段也向無人機搭載高光譜平臺進行推進，研究方法也從簡單的光譜分析變?yōu)榱藨糜嬎銠C算法對土壤中的光譜進行機器學習、深度學習等處理。

在測定土壤理化性質(zhì)方面，有研究者探究了土壤中有機質(zhì)對土壤含水量的影響，同樣也有研究者探究了土壤中水鹽含量的相互影響，但仍未考慮到土壤顆粒大小、土壤理化性質(zhì)及耕作方式對模型的影響，仍然需要進行大量的實驗，從而建立土壤含水量的高光譜數(shù)據(jù)庫。在估測有機質(zhì)的研究中，由于研究者們所使用的預處理方法及研究條件的差異較大，因此，實驗的可重復性較差，有必要建立規(guī)范的操作體系來減少誤差。在土壤養(yǎng)分方面，應將高光譜技術應用在生產(chǎn)過程中，利用模型快速識別的優(yōu)點建立相應的手持土壤養(yǎng)分測定儀，從而在農(nóng)業(yè)生產(chǎn)中，科學地指導澆水施肥，得到較高的經(jīng)濟效益。除此之外，含水量及有機質(zhì)的估測大部分利用野外光譜儀進行，在實驗室進行可消除自然及人為因素。在實際應用中，往往得到的是遙感影像，因此，對地面光譜與空中光譜的噪聲影響和處理需要進一步探究，應考慮不同土壤類型及環(huán)境條件，得到快速精準的土壤含水量及有機質(zhì)分布圖。

利用高光譜技術測定植株養(yǎng)分也存在一些問題，不同品種的作物在不同生育期會有不同的反射光譜。除此之外，氣候、土壤等環(huán)境因素同樣會造成一定影響，建立相應作物的數(shù)據(jù)庫對農(nóng)業(yè)生產(chǎn)可做出相應指導，且大部分研究均是點狀測量，應不斷向面狀測量轉(zhuǎn)變從而達到作物養(yǎng)分的快速精準測量，以達到經(jīng)濟效益最大化。但是多數(shù)研究在實驗室的條件下進行，忽略了田間條件等因素，因此在未來的研究中，可進行大量田間實驗，從而保證模型的適用性。