袁帥 王鑫鑫 侯升林 申書興 范曉飛

摘要：田間蔬菜種植周期短，因此準確掌握各種蔬菜的種植信息，及早發(fā)現(xiàn)蔬菜種植中的問題，對蔬菜生產有重要意義。目前，對田間蔬菜作物的生長調查通常采用肉眼觀察、實驗室提取等方法獲取信息，不僅浪費大量人力，還可能因主觀因素導致數(shù)據(jù)準確性降低。蔬菜生產與育種過程受益于高通量的表型信息獲取，表型是研究“基因型-表型-環(huán)境”作用機制的橋梁。在蔬菜育種和生產中高通量表型獲取技術已被廣泛應用，通過高通量的表型觀測，能夠及早發(fā)現(xiàn)蔬菜生產中的問題，同時為品種選育提供支持。在大量評估田間蔬菜試驗中，高通量表型信息獲取常基于光譜數(shù)據(jù)。無人機搭載光譜傳感器能夠較全面獲取蔬菜表型信息，結合機器學習以及深度學習的數(shù)據(jù)處理方法，可實現(xiàn)田間蔬菜種植過程中的實時監(jiān)測。本文著重介紹光譜成像技術在蔬菜生產和育種上的應用，通過光譜成像技術，能夠實現(xiàn)對田間蔬菜生長信息的監(jiān)測、病蟲害的早期診斷、田間土壤水分監(jiān)測，并能在一定程度上輔助種植者對蔬菜進行產量預估。同時，通過無人機遙感光譜成像技術建立起的大規(guī)模生理性狀和形態(tài)性狀定量獲取可為蔬菜新品種選育提供重要的數(shù)據(jù)支撐。

關鍵詞：蔬菜生產；光譜傳感器；表型；無人機成像；品種選育

中圖分類號：S630.4；S127? 文獻標志碼：A

文章編號：1002-1302（2023）24-0001-10

蔬菜生產是勞動密集型產業(yè)，但用工難度大、人工成本高等問題制約著我國蔬菜產業(yè)發(fā)展，目前人工成本在蔬菜生產中的占比已超過60%［1］。早期研究指出，通過信息的處理與決策，可對植物生長、植物健康及其他因素進行針對性測量，這也是精準農業(yè)基于信息技術與農業(yè)生產相結合的方式［2］，精準農業(yè)是無人機應用的一項重要經濟領域。無人機在農業(yè)生產和育種研究中的使用非常普遍，是農業(yè)信息獲取的重要途徑之一，預計2027年市場份額將達4.8億元［3］。無人機和輕小型高光譜傳感器的發(fā)展，使利用作物光譜特征反演農學參數(shù)成為可能。在田間蔬菜調查過程中，植被指數(shù)可廣泛用于評估蔬菜生長狀況［4-5］。通過不同植被指數(shù)的提取與融合，能夠有效預測植株生長中的動態(tài)變化。相比于單一光譜波段的選擇，基于紋理信息與光譜信息的結合是常用的光譜圖像分析手法［6］。通過對田間蔬菜光譜成像，能夠提供一系列與蔬菜生理生化相關的光譜信息，如葉面積指數(shù)、葉片葉綠素含量、氮素含量和冠層含水量等。在對田間蔬菜病蟲害的研究中發(fā)現(xiàn)，不同光譜波段對病蟲害的響應略有不同，如當煙草受花葉病感染后，可見光波段反射率上升，而在近紅外波段反射率下降［7］。由于蔬菜生長周期短，在田間蔬菜育種性狀調查中，每一生長周期植株在生理和形態(tài)變化差異較大，需要及時在各個生長時期進行育種性狀診斷。多光譜圖像處理技術能夠揭示植物生理學中隱藏的變化，并用于早期植株疾病監(jiān)測［8］。許多基于計算機視覺工具和來自各類傳感器的成像能夠在高精度和高通量的表性分析中起到重要作用［9］。無人機遙感圖像處理技術，能夠快速分析作物表型特征，包括3D結構信息、生理和生化特征［10］。在田間蔬菜性狀調查中，大量表型分析能夠快速挖掘潛在的相關聯(lián)基因，可在最大程度上提高蔬菜種植和生產的經濟效益。本研究對光譜成像技術在大田蔬菜上的應用進行了闡述，對無人機遙感檢測機理及無人機傳感器平臺和光譜波段的預處理、篩選方法進行詳細介紹；并分析了光譜成像在田間蔬菜生長監(jiān)測上的應用研究；最后，探討了無人機光譜成像技術在大田中應用的優(yōu)點和不足，以期為今后的應用提供技術參考。

1 無人機遙感系統(tǒng)

1.1 無人機遙感檢測系統(tǒng)

無人機主要監(jiān)測以及生長信息模型構建流程見圖1。當前，無人機遙感技術已廣泛應用于田間作物的生長發(fā)育狀況研究。無人機遙感系統(tǒng)主要包括無人機平臺、輕型傳感器、地面控制系統(tǒng)及數(shù)據(jù)處理系統(tǒng)。

其原理可概括為：在對田間蔬菜生長信息監(jiān)測中，預先建立無人機平臺與地面控制系統(tǒng)，操作地面控制系統(tǒng)控制飛行軌跡。通過無線數(shù)據(jù)傳輸通道，設定所需的田間作物監(jiān)測信息與圖像采集信息，并對采集到的信息進行處理，以達田間作物生長信息監(jiān)測和對其存在的異常生理生化狀況進行反饋的目的。在對田間蔬菜生長監(jiān)測中，通過搭載的光譜傳感器能快速獲取田間蔬菜的實時光譜，并實現(xiàn)對信息的處理。不同傳感器在功能上有所不同，但其主要工作內容可分為兩方面：將實測的田間蔬菜表型及生理生化信息作為參數(shù)處理，與無人機獲取的光譜影像結合后進行光譜分析及模型建立。

1.2 常用機載傳感器

無人機常搭載的傳感器有RGB相機、多光譜相機、高光譜相機、熱紅外相機、激光雷達等［11］。RGB相機常用作田間作物數(shù)字表面模型的構建，RGB相機與光譜相機相結合的方法是田間作物表型性狀獲取與研究的常用途徑。

基于光學傳感器的RGB相機在信息收集上的效率高于普通RGB相機，在對田間作物生長狀況監(jiān)測常用到多光譜、高光譜傳感器，兩者使用的技術是相似的，均是測量光譜中可見光、近紅外和短波紅外部分的亮度。與多光譜相比，高光譜的光譜波段較多且波段范圍窄，一般在5～10 nm之間［12］。熱成像儀在田間作物冠層溫度和水分脅迫的監(jiān)測中起到很大的作用。

無人機遙感在田間蔬菜生長信息監(jiān)測的必要條件是能夠確保獲取數(shù)據(jù)的準確性，并能夠在飛行過程中保證操作的安全性。數(shù)據(jù)的質量和可靠性對后期數(shù)據(jù)的處理起到關鍵作用。常用光譜傳感器類型及監(jiān)測指標見表1。

1.3 光譜成像系統(tǒng)敏感波段選擇

數(shù)據(jù)處理系統(tǒng)在無人機系統(tǒng)中的作用十分關鍵，對于光譜成像系統(tǒng)，敏感波段篩選很大程度上影響著后期光譜模型的構建。在無人機光譜成像對蔬菜生長情況監(jiān)測中，由于光譜圖像特別是高光譜圖像包含豐富的光譜信息和嚴重的非線性關系，使得數(shù)據(jù)量的處理是核心問題［13］。在對所得光譜模型的處理中，一個理想的光譜特征集往往對目標參數(shù)具有較高的靈敏性，但多種光譜特征與信息之間冗余低，選擇與植被監(jiān)測指標相關的敏感波段以除去光譜冗余不僅能降低計算時間，同時，能夠保留植被重要的光譜信息。因此，對原始數(shù)據(jù)的處理，能夠有效地提高特征波長的預測能力［14］。接下來介紹幾種常用的光譜波段選擇方法。

1.3.1 相關系數(shù)法

皮爾遜相關系數(shù)法常用于敏感波段的選擇，通過將各個波段的光譜反射信息與實測生長指標（如葉綠素、氮素等）作為2個變量，通過皮爾遜相關系數(shù)進行相關性分析，通過分析各個波段的相關程度，找到與實際測量指標相對應的敏感光譜波段［15］。

1.3.2 最佳指數(shù)法（OIF）

通過計算單個波段圖像的標準差和各波段間的相關系數(shù)矩陣，比較波段間相關性與標準差，若相關性越小、標準差越大，則波段組合的信息量越大［16］。

1.3.3 主成分分析法（PCA）

主成分分析常用于原始光譜數(shù)據(jù)的處理，能夠解決光譜數(shù)據(jù)中的多重共線性問題，將高位空間上的多個特征組合成少數(shù)的幾個無關主成分，將篩選出來的主成分作為特征構建模型。其優(yōu)勢在于能夠篩選出與植株生長信息相對應的特征波長，提高回歸建模的準確性［17］。

1.3.4 連續(xù)投影算法（SPA）

SPA作為光譜波段篩選的重要環(huán)節(jié)，廣泛用于多元校準的變量選擇，通過投影操作有效降低眾多波段間的共線性影響，減少冗雜信息，其優(yōu)點在于通過篩選特征波長，降低建模輸入變量數(shù)量，提高了運算效率與建模速度［18］。

1.3.5 隨機森林算法（RF）

隨機森林算法常用于分類和回歸問題，通過隨機選擇從原始數(shù)據(jù)集中提取的訓練樣本數(shù)據(jù)，基于提取結果，構建單個決策樹，最終將多個不同的決策樹組合在一起形成隨機森林。該算法常用于多維光譜圖像分類與最佳光譜波段選擇。其缺點在于算法運行時間較長，操作慢［19］。

1.3.6 K-means聚類算法

根據(jù)相關性將光譜波段數(shù)據(jù)分為K個簇，逐個選取K個簇中心，計算樣本與簇中心最短距離。其目的是在波段選擇中，提取出相關性較低的波段組合。其主要思想是將各個樣本數(shù)據(jù)進行劃分，保證在同一個簇中的樣本相關性盡可能大，最后在劃分之后的簇中選取平均值作為簇中心進行下一輪計算，直至聚類中心不再發(fā)生變化，則聚類完成［20］。

2 田間蔬菜光譜監(jiān)測技術

2.1 常見作物生長動態(tài)監(jiān)測

植被指數(shù)與生物物理和生物化學作物特征相關，因此在田間蔬菜生長信息調查過程中，植被指數(shù)是遙感中作物生長信息監(jiān)測最常用的方法之一［21］。在高光譜圖像中，根據(jù)不同的光譜組合，可計算出100多個光譜植被指數(shù)，為植物的生長狀態(tài)和營養(yǎng)監(jiān)測提供了豐富信息［22］，綠色植被與地物光譜在可見光與近紅外波段中具有獨特的光譜反射特性。其中，歸一化植被指數(shù)（NDVI）廣泛用于評估和監(jiān)測植被動態(tài)、冠層信息和田間植被環(huán)境的變化［23］。歸一化差異紅邊指數(shù)（NDRE）和冠層葉綠素含量指數(shù)（SCCCI）在預測植株氮素吸收和總氮濃度中起到很好的作用［24］。Qi等在350～2 500 nm的光譜范圍內構建了葉片光譜指數(shù)，通過對歸一化差異光譜指數(shù)（NDSI）、比值光譜指數(shù)（RSI）、差值光譜指數(shù)（DSI）和土壤調節(jié)植被指數(shù)（SASI）分析，發(fā)現(xiàn)4種光譜植被指數(shù)均能夠反映葉片中葉綠素含量的變化［25］。在對于生物量的估算中，與基于紅光的指數(shù)相比，紅邊帶（680～740 nm）的植被指數(shù)具有較高的估算準確性［26］。對不同光譜指數(shù)間進行相關分析和回歸分析，可建立一些常見的用于田間蔬菜長勢監(jiān)測的植被指數(shù)（表2）。

2.2 田間蔬菜生長信息監(jiān)測應用研究

2.2.1 田間蔬菜長勢及營養(yǎng)指標監(jiān)測

葉面積與株高在一定程度上能夠反映作物長勢，其中，葉面積指數(shù)（LAI）是描述作物冠層結構的重要參數(shù)之一［27］。LAI通過影響田間蔬菜光合作用、呼吸作用、蒸騰作用來影響產量。LAI與光譜植被指數(shù)密切相關，基于紅邊的植被指數(shù)可估算多種作物的LAI［28］。NDVI更是被證明與作物的LAI有很好的相關性，兩者相互結合能夠作為作物良好長勢的評價指標?？租暼绲韧ㄟ^高光譜影像不同特征波段的選取，構建了LAI估測模型［29］。株高長期以來一直被記作為生長指數(shù)。在有蓮座葉的蔬菜，如白菜（Brassica rapa var. glabra），可通過整株植物的投影面積以相對較高的精度來預測植株高度，但對于地上部高度重疊的植株很難在二維圖像中進行預測［30］。因此，數(shù)字作物模型的建立常用做植株高度估算［31］。

劉楊等通過高光譜影像結合三維空間坐標建立大田馬鈴薯（Solanum tuberosum L.）數(shù)字表面模型（DSM），株高的提取與實際值呈線性擬合，R2為0.84［32］。

在對田間蔬菜營養(yǎng)指標監(jiān)測中，葉綠素的含量能夠反映蔬菜的光合能力和健康狀態(tài)。傳統(tǒng)的植物葉綠素診斷常需要通過化學方法進行提取，對植物葉片具有破壞性，且成本高。光譜圖像中，包含著豐富的光譜信息，通過特征波段的提取，可在不破壞植物表面的前提下對內在物質含量進行反演和估算。常用于葉綠素的反演方法主要是建立回歸模型與特征波段選擇分析。袁自然等采集不同生長狀態(tài)的辣椒（Capsicum annuum L.）葉片高光譜圖像，利用4種不同的算法模型和葉綠素含量構建回歸模型，通過比較分析得出隨機森林特征選擇算法能夠較為準確地預測辣椒葉片葉綠素含量，其驗證集R2=0.90［33］。在全波段光譜圖像中，一些窄帶可見光組合的光譜指數(shù)與蔬菜葉片和冠層葉綠素含量存在密切的聯(lián)系［34］。Wan等在對前人無人機圖像中提取的所有植被指數(shù)中發(fā)現(xiàn)，歸一化差異黃度指數(shù)（NDYI）能夠更好地監(jiān)測田間植物葉綠素含量變化［35］。光合利用率可通過葉黃色素在531、570 nm處窄帶的光譜反射指數(shù)來量化［36］。

大多數(shù)綠色植株吸收特征均處于光譜380～2 500 nm 之間［37］。研究發(fā)現(xiàn)，在單一波段下，對氮素的估算存在土壤背景等外界環(huán)境的干擾，估算結果往往具有較大的不準確性［38］?；诖?，Luisa等通過研究11個光譜相應指數(shù)與幼葉、成熟葉和衰老葉的氮含量之間的關系發(fā)現(xiàn)，在550、680 nm上的光譜反射和NDVI與氮含量高度相關［39］。在多種回歸模型預測氮含量中，多元線性回歸的方法因無法處理高光譜數(shù)據(jù)的多重共線性而限制其預測能力［40］。偏最小二乘回歸（PLSR）能夠克服多重共線性，被證明是氮含量預測的有效方法。與光譜窄帶指數(shù)相比，PLSR能夠提高氮濃度預測的精準度。此外，在非線性回歸方法的使用中，隨機森林回歸（RFR）、人工神經網(wǎng)絡（ANN）和支持向量機回歸（SVR）在氮含量的預測中被頻繁使用，與PLSR、RFR相比，SVR對于氮濃度預測具有較高的準確性［41］?；诠庾V成像的氮含量預測有助于持續(xù)監(jiān)測田間蔬菜生長中氮在土壤中的轉化過程，同時指導種植者對田間作物的施肥管理，減小過度施肥對環(huán)境的影響。一些對田間蔬菜長勢及營養(yǎng)指標監(jiān)測的常用光譜波段選擇及研究方法見表3。

2.2.2 田間蔬菜病蟲害監(jiān)測

蔬菜栽培過程中，病蟲害是導致其減產的重要因素之一。有些病害在早期很難被發(fā)現(xiàn)，直至采取救治行動時才發(fā)現(xiàn)已錯過最佳救治時期，不能夠有效地控制病蟲害的發(fā)生和蔓延。在蔬菜病蟲害發(fā)病初期或發(fā)病前，及時對蔬菜進行藥物噴灑防治或將其鏟除，有利于種植者對田間蔬菜的管理。早期對于植株病蟲害的研究多集中于植株外部形態(tài)的變化，圖像中的空間特征和紋理特征及光譜反射率等信息參數(shù)能夠對植株健康狀態(tài)進行判別［44］。在病蟲害脅迫監(jiān)測中，常用的機器學習算法有K-means聚類算法、隨機森林算法（RF）、支持向量機（SVM）、多層感知器官神經網(wǎng)絡（MLP）、ANN等。在機器學習方面，對于可見光成像遙感，高分辨率RGB相機能夠在顏色、紋理和形狀特征的提取上對早期病蟲害進行檢測。在對十字花科作物進行病蟲害檢測中，Dang等根據(jù)顏色特征的判別方式，使用閾值分割的圖像處理方法來判別蘿卜枯萎病的發(fā)病程度［45］。Dutta等通過Otsu閾值分割結合顏色營養(yǎng)指數(shù)，用于植株生長中早期不健康葉的判別［46］。相比于RGB圖像，光譜圖像內含大量光譜信息。在運用光譜傳感器對病蟲害進行分析時，常采用特征提取與監(jiān)測算法相結合的方式［47］。線性回歸分析在光譜信息中是常用的統(tǒng)計分析方法，敏感波段結合統(tǒng)計分析在多時空變化中可用于對辣椒［49］、西瓜［Citrullus lanatus （Thunb.） Matsum.］［50］等病蟲害的評估分析。Luo等使用高光譜遙感設備對葉片蚜蟲進行光譜成像，從17個光譜數(shù)據(jù)中選擇出了5個特征波長，建立了蚜蟲密度的PLSR模型［51］。對于定量的回歸分析模型構建方法，分類算法通常能夠判斷作物發(fā)病的嚴重程度。Mahlein等通過對甜菜（Beta vulgaris L.）葉片高光譜成像，光譜信息結合實測病原菌數(shù)據(jù)，利用光譜角制圖分類算法（SAM）實現(xiàn)了對甜菜葉斑病、銹病、白粉病的有效鑒別［52］。

由于高光譜成像數(shù)據(jù)量大，傳統(tǒng)機器學習通常面臨著訓練速度慢、過度擬合和可視化困難等缺點［53］。在針對病蟲害的研究中，深度學習的方法相比于傳統(tǒng)的機器學習有更好的效果，Abdulridha等在番茄開花生長期從35個光譜植被指數(shù)中選擇出了一組用于疾病檢測的最佳指數(shù)，通過多層感知器官神經網(wǎng)絡（MLP）和逐步判別分析（STDA）實現(xiàn)對番茄斑點病不同發(fā)病階段的檢測［49］。Xia等采用ANN和SVM結合全波段光譜圖像實現(xiàn)對蠶豆（Vicia faba L.）葉片三級蟲害的預測［54］。隨著深度學習算法在高光譜數(shù)據(jù)處理領域的不斷發(fā)展，無人機光譜圖像技術已經成為不同品種蔬菜植株病蟲害發(fā)病狀況識別的高效途徑。一些常用于田間蔬菜病害的研究方法見表4。

2.2.3 田間土壤水分監(jiān)測

上章節(jié)所提到的無人機遙感技術在植物生長信息的監(jiān)測已得到廣泛的應用。但對田間作物需水量、土壤含水量、水分脅迫指數(shù)等研究仍是起步階段［59］。田間蔬菜在生長過程中需水量大，精準的灌溉技術能夠提高用水的效率。無人機遙感技術在田間水分監(jiān)測上比衛(wèi)星遙感具有更高的分辨率和靈活性且成本更低。目前，對于田間土壤水分監(jiān)測主要運用到的遙感波段是可見光-近紅外和熱紅外波段。在無人機遙感技術中，通過單一波段或多個波段相融合方法建立植被指數(shù)能夠實現(xiàn)對土壤水分的監(jiān)測。王海峰等在對表層土壤水分預測中，在單個土壤敏感波段中建立一元回歸模型，其相關系數(shù)為0.92［55］。吳龍國等在對多個波段進行處理中，采用PCR、PLSR和多元線性回歸（MLR）等方法建模，對比不同的模型效果，發(fā)現(xiàn)提取的最優(yōu)特征波長結合MLR模型在高光譜土壤水分檢測中具有很好的效果，其預測相關系數(shù)約為0.98［56，60］。在對土壤水分監(jiān)測的過程中，模型的精度往往隨著光譜信息窗口大小的改變而發(fā)生變化。Bai等通過對比不同模型精度，提出了最佳窗口大小的選擇方法。然而，水分灌溉的主要對象是田間作物而不是土壤，因此了解作物的含水量、需水狀況是合理田間灌溉的標準［57］。作物缺水狀態(tài)往往會通過自身生理變化來體現(xiàn)，通常表現(xiàn)為葉綠素等色素的分解和植株萎蔫。作物氣孔導度和蒸騰速率會隨著含水量的不足而減小［58，61］，從而可以減少水分缺失對植株造成的損害。因此基于冠層指標和色素含量變化的信息為無人機遙感監(jiān)測作物水分脅迫研究提供了必要條件。目前，多光譜植被指數(shù)在作物需水量方面應用較為廣泛，一些常用于水分監(jiān)測的光譜植被指數(shù)有葉片水分指數(shù)（LWI）、水分脅迫指數(shù)（MSI）和歸一化差值水指數(shù)（NDWI）等［62］。許鶴等對不同生長期的小白菜冠層光譜信息進行分析，構建NDWI實現(xiàn)了生長期小白菜水分含量信息的反演，并結合生長指數(shù)和干旱指數(shù)來判斷小白菜干旱程度［60］。在以上應用中，通過無人機所獲得的大量田間地塊高分辨率光譜圖像，能夠快速感知田間蔬菜需水情況，在田間蔬菜種植中具有廣闊的應用前景。

2.2.4 蔬菜產量預測

對于蔬菜產量的預估通常依賴于顏色和光譜數(shù)據(jù)［63］。經研究發(fā)現(xiàn)，基于光譜指數(shù)與紋理測量的模型在產量估測上具有較高的準確性［64］。越來越多的人利用多光譜窄帶或寬帶的數(shù)據(jù)生成的表面反射率來提高作物產量模型的準確率［65］。趙曉慶等結合大豆實測產量，在最優(yōu)空間尺度為9.03、10.13 m2下提取了冠層光譜，建立了產量與植被指數(shù)之間的偏最小二乘回歸模型，其相關系數(shù)為0.81［66］。基于全波長光譜的PLSR模型將馬鈴薯產量預測精度由R2=0.63提高至 R2=0.81［67］。在光譜圖像中，窄帶植被指數(shù)和作物高度相結合。然而在大量光譜信息中尋找最佳光譜波段，將高維數(shù)據(jù)降維是一個復雜的過程［68］。Burger等提出了高光譜數(shù)據(jù)的重要性［69］，用以解決在計算處理等應用中出現(xiàn)的冗雜維數(shù)問題［70］。對于油菜（Brassica campestris L.）類莖葉型蔬菜，在對比多種光譜預處理方法如平滑算法、變量標準化、導數(shù)處理、小波變換等，發(fā)現(xiàn)小波變換為最優(yōu)的光譜預處理方法［71］。通過對光譜數(shù)據(jù)進行RF、SPA、遺傳算法（GA）、嶺回歸等多種降維方法處理后，采用相關分析和單因素方差分析來尋找與其產量相關的敏感光譜指數(shù)，可建立單一植被指數(shù)與組合植被指數(shù)相結合的估產模型。在對田間番茄光譜信息處理中發(fā)現(xiàn)，選擇二階導數(shù)的光譜指數(shù)配合RF、SVM和嶺回歸等特征選取方法能夠減少番茄產量預測中的變量數(shù)量，提高產量預測的準確性［72］。Gong等使用六波段無人機生成油菜冠層豐度圖像，發(fā)現(xiàn)地塊光譜指數(shù)和葉片相關豐度的乘積與油菜產量密切相關，且R2在0.75以上［73］。光譜混合分析（SMA）在定量獲取豐度信息的同時能夠減小其他器官對估產的影響，結合端元光譜計算的光譜指數(shù)，能夠表現(xiàn)出更好的估產能力［74］。通過光譜圖像結合原位端元的SMA，能夠將試驗小區(qū)中葉、穗和土壤的光譜按比例提取，結合豐度信息的植被指數(shù)比單獨的植被指數(shù)具有更高的產量預測能力。面對大量的光譜數(shù)據(jù)，簡單的數(shù)據(jù)處理方法難以對其進行優(yōu)化，因此選擇不同的算法模型對光譜信息的處理十分重要。一些常用的光譜產量建模方法見表5。

2.2.5 育種信息采集與品種選育

目前，植株表型與基因型高效準確的結合，是育種工作的基本目標［80］。然而，表型的快速檢測一直是預測育種結果的主要限制因素［81］。準確快速地獲取植株在不同環(huán)境下的表型信息，有助于確定基因組與表型數(shù)據(jù)的關聯(lián)性，提高育種效率［82］。通過光譜傳感技術，能夠對大量植株進行標準一致性的評估，且不受地域環(huán)境的影響，有助于品種選育。育種中重要的經濟性狀主要有植株的株高、葉面積、生物量、植株萎縮狀態(tài)、花/果數(shù)量及果實質量。前人研究表明，一天中12：00是針對光譜指數(shù)田間品種劃分最可靠的時間［83］。在對抗性選育過程中，通常建立大量雜交系，以形態(tài)生理學和植物生化性狀作為篩選標準，在雜交系中進行抗性選擇。El-Hendawy等在光譜反射下對植株耐逆指數(shù)進行評估，確定了具有高產潛力的基因型及通過不同耐逆指數(shù)在對照和鹽度條件下產生優(yōu)質產量的基因型［84］。在對同一品種不同基因型劃分中，高光譜反射率數(shù)據(jù)中得出的歸一化差值植被指數(shù)能夠體現(xiàn)出親本系和自交F1之間的差異［85］。通過圖像表型信息獲取，對生菜（Lactuca sativa L. var. ramosa Hort.）近交系的評估中發(fā)現(xiàn)，高性能圖像表型鑒定與傳統(tǒng)方法高度相關，可以用做種質庫中鑒定不同遺傳背景的替代方法［86］。高通量表型已經用于測量種質間的變異［87］。在育種過程中，由于來自正反交兩組F1系之間的表型差異遠小于親本和F1之間的差異，導致肉眼難以評估。高光譜成像能夠提供大量的表型信息進而反映不同表型變異的數(shù)據(jù)點［88］。Chang等對辣椒（Capsicum annuum L.）整個生命周期進行高光譜成像，通過對各親本F1的特征波段選擇和反射率聚類分析，發(fā)現(xiàn)了潛在微妙的細胞質效應［85］。通過高通量信息采集，能夠對單一針對性蔬菜表型性狀提供有價值的數(shù)據(jù)，有利于加速蔬菜育種進程。

3 結論與展望

3.1 光譜成像技術在田間蔬菜生產應用中的優(yōu)勢

光譜成像技術在大田蔬菜種植中有巨大的應用潛力，通過對光譜信息的處理，可以對田間蔬菜生長狀況以進行監(jiān)測，種植者可以在第一時間發(fā)現(xiàn)種植過程的生長信息，能夠及早地對田間蔬菜生長各個時期的營養(yǎng)補充和病害預防進行判斷，有效降低蔬菜生產中的成本。

育種家在蔬菜種業(yè)中的作用大于大田作物，保持育種材料的持續(xù)高效創(chuàng)新，對于解決農業(yè)“芯片”意義重大。以往科學家對蔬菜生長性能以及生產力的評估只是選擇影響植株生長狀況中的1個或2個條件，無法全面評估蔬菜生長受限因素。通過無人機光譜圖像技術能夠全面獲取蔬菜生長中的多種限制因素，通過后期的數(shù)據(jù)整合，便于更好地了解各個生長指標之間的相互關系。

3.2 光譜成像技術應用于田間蔬菜種植時所存在的問題

光譜成像技術在大田蔬菜上的應用目前仍處于研究階段，由于大田蔬菜種植面積小，區(qū)域分散程度高，這增加了對光譜圖像處理的難度。再加上不同品種蔬菜所反映的光譜數(shù)據(jù)不盡相同，同一品種蔬菜因不同的生長階段所反映的光譜數(shù)據(jù)也不相同等特點，在光譜模型建立過程中，難以有統(tǒng)一的建模標準。上面的研究主要集中于討論田間蔬菜生長信息中的單個生長指標的預測模型，未來的研究方向應是多種評價指標相互融合的綜合生長指標預測模型，便于更好地理解他們之間的相互關系，以實現(xiàn)田間最佳蔬菜生長預測。

光譜數(shù)據(jù)的精度取決于多種因素，如光照、田間濕度和風力等影響。無人機搭載光譜設備續(xù)航時間通常受限在30 min內，有效載荷低、持續(xù)時間短和圖像采集區(qū)域狹窄，在飛行過程中易受外界干擾。近些年無人機光譜成像技術在田間作物生長信息監(jiān)測中能夠起到很好的作用，但由于無人機價格成本高，操作復雜，限制了商業(yè)生產和應用。在未來農業(yè)無人機的研發(fā)應是低成本、輕量化的，無人機系統(tǒng)應盡可能采用以田間種植群體為中心的用戶界面和反饋方案。

盡管無人機平臺和機載傳感器易于搭建，并成功應用于農業(yè)種植領域，但在大規(guī)模評估蔬菜作物生長信息中，無論是在對田間蔬菜長勢與營養(yǎng)評估還是對于病蟲害的研究，植物科學家都具有完備的科學理論，在后期圖像的預處理和后期數(shù)據(jù)的分析中，數(shù)據(jù)處理人員與科學家之間交流較少，常導致精準育種計劃難以開展。隨著研究領域的不斷深入，未來跨學科之間的交流將會變得更加緊密。

隨著光譜成像與其他技術（如自動化技術、物聯(lián)網(wǎng)和人工智能）的更深入結合，光譜成像將為蔬菜生長監(jiān)測與品種選育上帶來更廣泛的解決方案。但目前仍需要更多的數(shù)據(jù)處理工作，如多模態(tài)數(shù)據(jù)分析（幾何和紋理）光譜波段的篩選。其中傳統(tǒng)的機器學習技術需要不斷升級為更加先進的方法，如卷積神經網(wǎng)絡，用于處理多元數(shù)據(jù)的融合，以實現(xiàn)精確的預測。

參考文獻：

［1］楊 瑤，李丹陽，馮 健，等. 我國蔬菜生產機械化問題與對策分析［J］. 農機科技推廣，2021（9）：32，39.

［2］Demestichas K，Daskalakis E. Data lifecycle management in precision agriculture supported by information and communication technology［J］. Agronomy，2020，10（11）：1648.

［3］Macbride P E W. The future of agriculture［J］. Nature，1929，124（3116）：81-83.

［4］Huang S，Tang L N，Hupy J P，et al. A commentary review on the use of normalized difference vegetation index （NDVI） in the era of popular remote sensing［J］. Journal of Forestry Research，2021，32（1）：1-6.

［5］Meivel S，Maheswari S. Remote sensing analysis of agricultural drone［J］. Journal of the Indian Society of Remote Sensing，2021，49（3）：689-701.

［6］Luo S J，Jiang X Q，He Y B，et al. Multi-dimensional variables and feature parameter selection for aboveground biomass estimation of potato based on UAV multispectral imagery［J］. Frontiers in Plant Science，2022，13：948249.

［7］Zeng G L，Deng X L，Lan Y. Advances in diagnosis of crop diseases，pests and weeds by UAV remote sensing［J］. Smart Agriculture，2019，1（2）：1-19.

［8］Barreto A，Ispizua Yamati F R，Varrelmann M，et al. Disease incidence and severity of Cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning［J］. Plant Disease，2023，107（1）：188-200.

［9］Chivasa W，Mutanga O，Biradar C. UAV-based multispectral phenotyping for disease resistance to accelerate crop improvement under changing climate conditions［J］. Remote Sensing，2020，12（15）：2445.

［10］Xu R，Li C Y，Bernardes S. Development and testing of a UAV-based multi-sensor system for plant phenotyping and precision agriculture［J］. Remote Sensing，2021，13（17）：3517.

［11］Yao H A，Qin R J，Chen X Y. Unmanned aerial vehicle for remote sensing applications—A review［J］. Remote Sensing，2019，11（12）：1443.

［12］Pascucci S，Pignatti S，Casa R，et al. Special issue “hyperspectral remote sensing of agriculture and vegetation”［J］. Remote Sensing，2020，12（21）：3665.

［13］Ghamisi P，Yokoya N，Li J，et al. Advances in hyperspectral image and signal processing：a comprehensive overview of the state of the art［J］. IEEE Geoscience and Remote Sensing Magazine，2017，5（4）：37-78.

［14］Wang H L，Peng J Y，Xie C Q，et al. Fruit quality evaluation using spectroscopy technology：a review［J］. Sensors，2015，15（5）：11889-11927.

［15］張愛武，康孝巖. p值統(tǒng)計量建模獨立性的高光譜波段選擇方法［J］. 紅外與激光工程，2018，47（9）：390-398.

［16］高 鵬，楊可明，榮坤鵬，等. 銅脅迫下玉米污染特征波段提取與程度監(jiān)測［J］. 光譜學與光譜分析，2020，40（2）：529-534.

［17］Hasegawa T. Spectral simulation study on the influence of the principal component analysis step on principal component regression［J］. Applied Spectroscopy，2006，60（1）：95-98.

［18］Araújo M C U，Saldanha T C B，Galvo R K H，et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis［J］. Chemometrics and Intelligent Laboratory Systems，2001，57（2）：65-73.

［19］Wang Q G，Chen H H. Optimization of parallel random forest algorithm based on distance weight［J］. Journal of Intelligent & Fuzzy Systems，2020，39（2）：1951-1963.

［20］Hofmeyr D P. Degrees of freedom and model selection for k-means clustering［J］. Computational Statistics & Data Analysis，2020，149：106974.

［21］Meng R，Lyu Z G，Yan J B，et al. Development of spectral disease indices for southern corn rust detection and severity classification［J］. Remote Sensing，2020，12（19）：3233.

［22］Xue J R，Su B F. Significant remote sensing vegetation indices：a review of developments and applications［J］. Journal of Sensors，2017，2017：1-17.

［23］Enciso J，Avila C A，Jung J H，et al. Validation of agronomic UAV and field measurements for tomato varieties［J］. Computers and Electronics in Agriculture，2019，158：278-283.

［24］Ballester C，Hornbuckle J，Brinkhoff J，et al. Assessment of in-season cotton nitrogen status and lint yield prediction from unmanned aerial system imagery［J］. Remote Sensing，2017，9（11）：1149.

［25］Qi H X，Zhu B Y，Kong L X，et al. Hyperspectral inversion model of chlorophyll content in peanut leaves［J］. Applied Sciences，2020，10（7）：2259.

［26］Tian H Q，Shi S D，Wang H，et al. Estimation of sugar beet aboveground biomass by band depth optimization of hyperspectral canopy reflectance［J］. Journal of the Indian Society of Remote Sensing，2017，45（5）：795-803.

［27］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［28］Dong T F，Liu J G，Shang J L，et al. Assessment of red-edge vegetation indices for crop leaf area index estimation［J］. Remote Sensing of Environment，2019，222：133-143.

［29］孔鈺如，王李娟，馮海寬，等. 無人機高光譜波段選擇的葉面積指數(shù)反演［J］. 光譜學與光譜分析，2022，42（3）：933-939.

［30］Chang S，Lee U，Hong M J，et al. High-throughput phenotyping （HTP） data reveal dosage effect at growth stages in Arabidopsis thaliana irradiated by gamma rays［J］. Plants，2020，9（5）：557.

［31］Han X Z，Thomasson J A，Bagnall G C，et al. Measurement and calibration of plant-height from fixed-wing UAV images［J］. Sensors，2018，18（12）：4092.

［32］劉 楊，馮海寬，黃 玨，等. 基于無人機高光譜影像的馬鈴薯株高和地上生物量估算［J］. 農業(yè)機械學報，2021，52（2）：188-198.

［33］袁自然，葉 寅，武 際，等. 基于高光譜成像技術的辣椒葉片葉綠素含量估算［J］. 江蘇農業(yè)科學，2021，49（16）：189-193.

［34］Domingues Franceschini M H，Bartholomeus H，van Apeldoorn D，et al. Intercomparison of unmanned aerial vehicle and ground-based narrow band spectrometers applied to crop trait monitoring in organic potato production［J］. Sensors，2017，17（10）：2265.

［35］Wan L，Cen H Y，Zhu J P，et al. Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer—A case study of small farmlands in the South of China［J］. Agricultural and Forest Meteorology，2020，291：108096.

［36］Proctor C，He Y. Workflow for building a hyperspectral UAV：challenges and opportunities［J］. The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2015，XL-1/W4：415-419.

［37］Homolová L，Malenovsk Z，Clevers J G P W，et al. Review of optical-based remote sensing for plant trait mapping［J］. Ecological Complexity，2013，15：1-16.

［38］Berger K，Verrelst J，F(xiàn)éret J B，et al. Crop nitrogen monitoring：recent progress and principal developments in the context of imaging spectroscopy missions［J］. Remote Sensing of Environment，2020，242：111758.

［39］Luisa Espaa-Boquera M，Cárdenas-Navarro R，López-Pérez L，et al. Estimating the nitrogen concentration of strawberry plants from its spectral response［J］. Communications in Soil Science and Plant Analysis，2006，37（15/16/17/18/19/20）：2447-2459.

［40］Thenkabail P S，Lyon J G，Huete A. Biophysical and biochemical characterization and plant species studies［M］. Baca Raton：CRC Press，2018.

［41］Yao X A，Huang Y，Shang G Y，et al. Evaluation of six algorithms to monitor wheat leaf nitrogen concentration［J］. Remote Sensing，2015，7（11）：14939-14966.

［42］Liu Y N，Liu S S，Li J，et al. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images［J］. Computers and Electronics in Agriculture，2019，166：105026.

［43］Mwinuka P R，Mbilinyi B P，Mbungu W B，et al. The feasibility of hand-held thermal and UAV-based multispectral imaging for canopy water status assessment and yield prediction of irrigated African eggplant （Solanum aethopicum L.）［J］. Agricultural Water Management，2021，245：106584.

［44］Yang B Y，Xu Y. Applications of deep-learning approaches in [JP3]horticultural research：a review［J］. Horticulture Research，2021，8：123.

［45］Dang L M，Ibrahim Hassan S，Suhyeon I，et al. UAV based wilt detection system via convolutional neural networks［J］. Sustainable Computing：Informatics and Systems，2020，28：100250.

［46］Dutta K，Talukdar D，Bora S S. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images［J］. Measurement，2022，189：110478.

［47］Zhang J C，Huang Y B，Pu R L，et al. Monitoring plant diseases and pests through remote sensing technology：a review［J］. Computers and Electronics in Agriculture，2019，165：104943.

［48］Atshan L A，Brown P，Xu C，et al. Early detection of disease infection in chilli crops using sensors［J］. Acta Horticulturae，2020（1279）：263-270.

［49］Abdulridha J，Ampatzidis Y，Kakarla S C，et al. Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques［J］. Precision Agriculture，2020，21（5）：955-978.

［50］Kalischuk M，Paret M L，F(xiàn)reeman J H，et al. An improved crop scouting technique incorporating unmanned aerial vehicle-assisted multispectral crop imaging into conventional scouting practice for gummy stem blight in watermelon［J］. Plant Disease，2019，103（7）：1642-1650.

［51］Luo J H，Huang W J，Zhao J L，et al. Detecting aphid density of winter wheat leaf using hyperspectral measurements［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（2）：690-698.

［52］Mahlein A K，Steiner U，Hillnhütter C，et al. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases［J］. Plant Methods，2012，8（1）：1-13.

［53］Cao F，Wu D，He Y，et al. Variety discrimination of grapes based on visible-near reflection infrared spectroscopy［J］. Acta Optica Sinica，2009，29（2）：537-540.

［54］Xia J A，Yang Y W，Cao H X，et al. Classification of broad bean pest of visible-near infrared spectroscopy based on cloud computing［J］. Spectroscopy and Spectral Analysis，2018，38（3）：756-760.

［55］王海峰，張智韜，付秋萍，等. 低空無人機多光譜遙感數(shù)據(jù)的土壤含水率反演［J］. 節(jié)水灌溉，2018（1）：90-94，102.

［56］吳龍國，王松磊，何建國. 基于高光譜技術的土壤水分無損檢測［J］. 光譜學與光譜分析，2018，38（8）：2563.

［57］Bai X Q，Chen Y W，Chen J Y，et al. Optimal window size selection for spectral information extraction of sampling points from UAV multispectral images for soil moisture content inversion［J］. Computers and Electronics in Agriculture，2021，190：106456.

［58］Urban J，Ingwers M W，McGuire M A，et al. Increase in leaf temperature opens stomata and decouples net photosynthesis from stomatal conductance in Pinus taeda and Populus deltoides×nigra［J］. Journal of Experimental Botany，2017，68（7）：1757-1767.

［59］Ekinzog E K，Schlerf M，Kraft M，et al. Revisiting crop water stress index based on potato field experiments in Northern Germany［J］. Agricultural Water Management，2022，269：107664.

［60］許 鶴，潘 軍，蔣立軍，等. 蔬菜作物水分脅迫遙感光譜指數(shù)構建實驗研究［J］. 科學技術與工程，2019，19（28）：245-252.

［61］Sagan V，Maimaitiyiming M，F(xiàn)ishman J. Effects of ambient ozone on soybean biophysical variables and mineral nutrient accumulation［J］. Remote Sensing，2018，10（4）：562.

［62］Gerhards M，Schlerf M，Mallick K，et al. Challenges and future perspectives of multi-/ hyperspectral thermal infrared remote sensing for crop water-stress detection：a review［J］. Remote Sensing，2019，11（10）：1240.

［63］Mekonnen Y，Namuduri S，Burton L，et al. Review—Machine learning techniques in wireless sensor network based precision agriculture［J］. Journal of the Electrochemical Society，2020，167（3）：037522.

［64］Wang F M，Yi Q X，Hu J H，et al. Combining spectral and textural information in UAV hyperspectral images to estimate rice grain yield［J］. International Journal of Applied Earth Observation and Geoinformation，2021，102：102397.

［65］Marshall M，Thenkabail P. Advantage of hyperspectral EO-1 Hyperion over multispectral IKONOS，GeoEye-1，WorldView-2，Landsat ETM+，and MODIS vegetation indices in crop biomass estimation［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2015，108：205-218.

［66］趙曉慶，楊貴軍，劉建剛，等. 基于無人機載高光譜空間尺度優(yōu)化的大豆育種產量估算［J］. 農業(yè)工程學報，2017，33（1）：110-116.

［67］Li B，Xu X M，Zhang L，et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，162：161-172.

［68］Chlingaryan A，Sukkarieh S，Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture：a review［J］. Computers and Electronics in Agriculture，2018，151：61-69.

［69］Burger J，Gowen A. Data handling in hyperspectral image analysis［J］. Chemometrics and Intelligent Laboratory Systems，2011，108（1）：13-22.

［70］Landgrebe D. Hyperspectral image data analysis［J］. IEEE Signal Processing Magazine，2002，19（1）：17-28.

［71］朱紅艷. 基于無人機低空遙感的油菜表型信息獲取方法研究［D］. 杭州：浙江大學，2019.

［72］Kenichi T，Noa I，Xiao M X. Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery［J］. Plant Methods，2021，17（1）：77.

［73］Gong Y，Duan B，F(xiàn)ang S H，et al. Remote estimation of rapeseed yield with unmanned aerial vehicle （UAV） imaging and spectral mixture analysis［J］. Plant Methods，2018，14（1）：1-14.

［74］Yuan N G，Gong Y，F(xiàn)ang S H，et al. UAV remote sensing estimation of rice yield based on adaptive spectral endmembers and bilinear mixing model［J］. Remote Sensing，2021，13（11）：2190.

［75］Valente J，Sari B，Kooistra L，et al. Automated crop plant counting from very high-resolution aerial imagery［J］. Precision Agriculture，2020，21（6）：1366-1384.

［76］Midtiby H S，Pastucha E. Pumpkin yield estimation using images from a UAV［J］. Agronomy，2022，12（4）：964.

［77］Barreto A，Lottes P，Ispizua Yamati F R，et al. Automatic UAV-based counting of seedlings in sugar-beet field and extension to maize and strawberry［J］. Computers and Electronics in Agriculture，2021，191：106493.

［78］Chancia R，van Aardt J，Pethybridge S，et al. Predicting table beet root yield with multispectral UAS imagery［J］. Remote Sensing，2021，13（11）：2180.[HJ][LM]

[KH*4D]

[HT8.]

［79］Maimaitijiang M，Sagan V，Sidike P，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning［J］. Remote Sensing of Environment，2020，237：111599.

［80］Pasala R，Pandey B B. Plant phenomics：high-throughput technology for accelerating genomics［J］. Journal of Biosciences，2020，45（1）：111.

［81］Su W，Zhang M Z，Bian D H，et al. Phenotyping of corn plants using unmanned aerial vehicle （UAV） images［J］. Remote Sensing，2019，11（17）：2021.

［82］Yang G J，Liu J G，Zhao C J，et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping：current status and perspectives［J］. Frontiers in Plant Science，2017，8：1111.

［83］Barbosa M R Jr，Tedesco D，dos Santos Carreira V，et al. The time of day is key to discriminate cultivars of sugarcane upon imagery data from unmanned aerial vehicle［J］. Drones，2022，6（5）：112.

［84］El-Hendawy S，Al-Suhaibani N，Mubushar M，et al. Potential use of hyperspectral reflectance as a high-throughput nondestructive phenotyping tool for assessing salt tolerance in advanced spring wheat lines under field conditions［J］. Plants，2021，10（11）：2512.

［85］Chang S，Lee U，Kim J B，et al. Application of 3D-volumetric analysis and hyperspectral imaging systems for investigation of heterosis and cytoplasmic effects in pepper［J］. Scientia Horticulturae，2022，302：111150.

［86］ Mascarenhas Maciel G，de Araújo Gallis R B，Barbosa R L，et al. Image phenotyping of inbred red lettuce lines with genetic diversity regarding carotenoid levels［J］. International Journal of Applied Earth Observation and Geoinformation，2019，81：154-160.

［87］Yang W N，Guo Z L，Huang C L，et al. Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice［J］. Nature Communications，2014，5：5087.

［88］Roux F，Mary-Huard T，Barillot E，et al. Cytonuclear interactions affect adaptive traits of the annual plant Arabidopsis thaliana in the field［J］. Proceedings of the National Academy of Sciences of the United States of America，2016，113（13）：3687-3692.