蔣雪松,黃林峰,賈志成,戎子凡

(南京林業(yè)大學機械電子工程學院,南京210037)

我國是傳統(tǒng)農(nóng)林業(yè)大國,作物種植面積和產(chǎn)量皆居世界前列[1]。氮磷鉀等主要營養(yǎng)元素與作物的生長密切相關(guān),合理施用可使產(chǎn)量增加2.46倍以上[2]。當前作物在生長過程中存在過量施肥等不合理情況,既影響作物生長,也易引發(fā)環(huán)境問題。實現(xiàn)作物生長各個階段的實時營養(yǎng)診斷可以為農(nóng)林業(yè)從業(yè)人員及時調(diào)節(jié)施肥用量,進而優(yōu)化種植模式、減少環(huán)境污染提供參考。

目前的作物營養(yǎng)診斷技術(shù)尚未達到大面積實時診斷的要求。筆者介紹了作物營養(yǎng)診斷的基本手段,對比當前主流物理與化學診斷技術(shù)的特點,對其優(yōu)缺點進行分析,指出光譜遙感技術(shù)是較理想的診斷手段,并從主流的多光譜和高光譜遙感技術(shù)入手,重點綜述了光譜遙感技術(shù)在常見作物氮磷鉀等必需元素的營養(yǎng)診斷中的應(yīng)用成果及研究進展,最后分析存在的問題與挑戰(zhàn),為后續(xù)研究提供技術(shù)參考。

1 作物營養(yǎng)診斷技術(shù)研究現(xiàn)況

目前,主流的作物營養(yǎng)診斷技術(shù)包括化學診斷和物理診斷兩大類?；瘜W診斷常見手段包括植株化學、土壤養(yǎng)分和酶學診斷,物理診斷則包括聲學、電學和光學診斷。

1.1 現(xiàn)有作物營養(yǎng)診斷技術(shù)

1.1.1 化學診斷技術(shù)

化學診斷是通過化學反應(yīng)測定植株體內(nèi)的營養(yǎng)元素含量水平,與正?；虍惓Ｖ仓陿吮具M行直接比較而作出豐缺判斷的診斷技術(shù)。其包括植株化學診斷、土壤養(yǎng)分診斷和酶學診斷[3-5]等,通過在田間、林間采集樣本并在實驗室環(huán)境下對植株以及土壤的營養(yǎng)元素進行理化分析。植株營養(yǎng)診斷技術(shù)包括凱氏定氮法[3],即通過氧化劑消煮分解樣品有機含氮化合物進行測定;微量元素測定則可以通過原子吸收光譜法,能直接反映作物的營養(yǎng)狀況,是判斷營養(yǎng)豐缺最可靠的手段。作物通過汲取土壤中營養(yǎng)元素供給自身生長所需,土壤養(yǎng)分診斷[4, 6]通過比色分析法檢測生長地域土壤配比的土壤浸提液中的養(yǎng)分情況,間接判斷作物營養(yǎng)狀況,有一定的滯后性。酶學診斷技術(shù)[5]則是通過檢測植株酶促反應(yīng)代謝產(chǎn)物含量,判斷植株酶含量與活性情況,以此進行作物營養(yǎng)元素含量水平的診斷。大多數(shù)作物不同生長階段和不同組織器官的營養(yǎng)元素含量臨界值已基本研究確定?；瘜W診斷技術(shù)能有效進行早期營養(yǎng)診斷和潛在性的缺素判斷,但存在損傷植株,不同地域生長環(huán)境差異性較大,標準環(huán)境的臨界值無法對不同地域的作物營養(yǎng)狀況進行科學診斷,且操作煩瑣,消耗大量檢測時間等一系列問題,在農(nóng)林業(yè)方面的推廣存在限制。

1.1.2 物理診斷技術(shù)

物理診斷是指通過聲學、電學和光學等物理手段對作物的營養(yǎng)狀況進行診斷。其中,聲學診斷主要是通過發(fā)射超聲波進入作物內(nèi)部探測缺陷[7],抑或利用振動聲學技術(shù),通過物體撞擊作物本身產(chǎn)生聲信號進行物質(zhì)檢測[8]。電學診斷主要根據(jù)作物的介電特性,利用電極片對其物理成分進行檢測[9]。

目前主流的作物營養(yǎng)光學診斷技術(shù)主要是葉片及冠層尺度和區(qū)域尺度的光譜診斷,利用作物葉片細胞、色素、含水量對光線的吸收和反射的程度不同進行光譜分析和營養(yǎng)診斷。葉片及冠層尺度的光譜采集主要利用地面便攜式光譜儀(如FieldSpec4光譜儀),但易受外界光照強度變化影響,易用性差,尤其是面對高大經(jīng)濟林木局限性較大。

區(qū)域尺度的光譜遙感診斷主要是通過機載或星載式光譜儀(如nano-Hyperspec成像光譜儀,高分五號衛(wèi)星)進行遠程、大面積的檢測,可以克服地面便攜式光譜儀診斷的局限性。主要在糧食估產(chǎn)[10]、病蟲害識別[11]、作物種類識別[12]、作物長勢監(jiān)測[13]等領(lǐng)域有廣泛應(yīng)用。綜合比較,如表1所示,化學診斷操作復(fù)雜,成本高,耗時長;物理診斷中的聲學診斷受噪聲影響大;電學診斷對檢測儀器精度要求高;葉片及冠層尺度的光譜診斷效率低,受作物立地條件和生長狀態(tài)影響;區(qū)域尺度的光譜遙感診斷能克服其他營養(yǎng)診斷技術(shù)存在的弊端,具有作業(yè)覆蓋面積大、效率高等優(yōu)點[14-15]。

表1 不同作物營養(yǎng)元素診斷法的優(yōu)缺點Table 1 Advantages and disadvantages of different crop nutrient diagnostic methods

1.2 作物光譜遙感技術(shù)

根據(jù)數(shù)據(jù)采集方式的不同,光譜遙感技術(shù)可以分為非成像式和成像式。非成像式通常是對計算光譜探頭采集的視場角之內(nèi)平均光譜進行研究[16],涉及光譜范圍通常包括可見光(VIS)至短波紅外線(SWIR) (400～2 500 nm)。成像式主要包括推掃式和快照式,獲取光譜信息和圖片信息二合一的光譜圖像[8],相較于非成像式,其額外的圖片信息反映的作物信息更加豐富。主流的光譜遙感技術(shù)根據(jù)采集的波段個數(shù)也可分為多光譜遙感技術(shù)和高光譜遙感技術(shù)。多光譜遙感技術(shù)采集的圖像波段較少(紅波段、綠波段、藍波段、可見光、熱紅外、近紅外波段等)。高光譜圖像一般是將全波段分割成1～5 nm的連續(xù)波段,分辨率更高,能夠獲取更多樣本信息,相對而言數(shù)據(jù)處理難度也較大。

光譜遙感技術(shù)通常包括采集冠層遙感光譜數(shù)據(jù)、遙感信息預(yù)處理、篩選敏感波段和特征植被指數(shù)、建立模型和評估模型等典型步驟,其流程如圖1所示。

圖1 光譜遙感診斷流程Fig. 1 Spectral remote sensing diagnosis flow chart

1.2.1 光譜數(shù)據(jù)預(yù)處理方法

實際實驗操作過程中,葉片及冠層尺度光譜圖像與區(qū)域尺度光譜圖像在數(shù)據(jù)預(yù)處理步驟上稍有不同,由于區(qū)域尺度圖像傳感器與目標距離遠,光譜儀易受空間輻射和云層干擾,預(yù)處理第一步需進行輻射校正、大氣校正和正射校正操作,剔除大氣、太陽反射對目標區(qū)域反射率的干擾,提高目標的目視效果。而對于葉片及冠層尺度光譜圖像,則無須進行輻射校正、大氣校正等操作,可以直接提取光譜圖像感興趣區(qū)(ROI)內(nèi)光譜反射率譜線進行后續(xù)處理。預(yù)處理第二步是剔除光譜采集過程中光強不均、傳輸噪聲等因素的干擾,常用處理方法有基線校正、散射校正、平滑處理和尺度縮放4類[17]?；€校正可以消除噪聲和漂移對有效信號的影響,將光譜基線人為拉回0基線上,常用方法有一階導(dǎo)、二階導(dǎo)等。散射校正用來消除散射水平不同帶來的光譜差異對診斷結(jié)果的影響,可以有效增強光譜與數(shù)據(jù)的相關(guān)性,常用方法包括多元散射校正(MSC)和標準正態(tài)變量變換(SNV)[18]等。平滑處理進行平滑濾波,可以提高光譜信息的平滑性,提高信噪比,常用方法包括SG平滑法和移動窗口平滑等。尺度縮放可以縮小數(shù)據(jù)尺度之間的差異性,常用方法包括:中心化、最大最小歸一化和標準化等。同時,為了解決光譜遙感技術(shù)中空間分辨率與光譜分辨率相互制約的問題:學者也采用空-譜遙感信息融合技術(shù),將不同空間、光譜分辨率的遙感圖像進行融合,獲得同時具有高空間、譜分辨率的遙感影像[19],主要包括全色-多光譜融合、全色-高光譜融合、多光譜-高光譜融合等技術(shù),可以有效提高光譜遙感數(shù)據(jù)質(zhì)量。

1.2.2 光譜遙感特征提取方法

在光譜數(shù)據(jù)的處理過程中,對遙感數(shù)據(jù)進行加工,獲得的各類型光譜參數(shù)能增強作物營養(yǎng)診斷能力,如基于光譜位置的特征參數(shù)(“三邊”參數(shù)),基于光譜波段的植被指數(shù)以及敏感波段組合。這能使篩選出來的光譜特征與樣本化學成分之間有較強的相關(guān)性,同時提高處理速度。光譜數(shù)據(jù)特征提取的方法主要有逐步回歸(SR)、無信息變量消除法(UVE)、偏最小二乘法(PLS)、主成分分析(PCA)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、獨立成分分析(ICA)和連續(xù)投影算法(SPA)[20]等,可以有效降低后期建模的復(fù)雜程度,提高魯棒性。同時,學者也嘗試提取光譜遙感圖像的空間特征(如紋理特征、形態(tài)學特征等)進一步提升光譜遙感信息的處理能力,提高數(shù)據(jù)處理的可靠性[21]。

1.2.3 建模分析方法

回歸模型將建立作物樣本化學元素含量數(shù)值與光譜反射率數(shù)據(jù)之間的對應(yīng)關(guān)系。常用機器學習算法有多元線性回歸(MLR)、偏最小二乘法(PLS)、主成分回歸(PCR)等定量模型;人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(SVM)、k-近鄰算法(KNN)等定性模型;同時由于深度學習回歸模型具有較強非線性擬合能力,如深度森林(DF)也被嘗試用于小數(shù)據(jù)量高光譜數(shù)據(jù)建模[22]。

1.2.4 模型評價指標

評估回歸模型的過程中,通常會用到一些統(tǒng)計參數(shù),如均方根誤差(RMSE)、決定系數(shù)(R2)或相關(guān)系數(shù)(R)等。通常情況下,預(yù)測模型的RMSE越小,相關(guān)系數(shù)或決定系數(shù)越大,模型的性能越好。

2 光譜遙感技術(shù)在作物營養(yǎng)診斷方面的具體應(yīng)用

由于施肥水平、作物生長土壤基質(zhì)和作物生長階段等差異性因素的影響,作物對于必需營養(yǎng)元素的需求也具有時間性和地域性的差異[23]。作物的葉片作為主要的營養(yǎng)元素豐缺指示器,通過葉片的顏色、卷曲和干枯程度等性狀可以對作物本身的營養(yǎng)狀況進行判斷。通過光譜遙感技術(shù)可對作物葉片的反射率特性進行研究(圖2)。由于地面的光譜信息采集能力有限,光譜遙感技術(shù)能從高空視角實現(xiàn)作物營養(yǎng)元素含量信息的快速獲取,便于掌握作物缺素情況,從而指導(dǎo)農(nóng)林業(yè)從業(yè)人員科學施肥。

圖2 葉片的光譜反射率特性Fig. 2 Spectral reflectance properties of leaf blades

2.1 必需營養(yǎng)元素營養(yǎng)診斷

氮、磷、鉀是植物生長發(fā)育的三大必需營養(yǎng)元素,其含量的豐缺直接影響作物生長和產(chǎn)量等。在光譜遙感技術(shù)對氮磷鉀三大營養(yǎng)元素的診斷研究中,王人潮等[24]在20世紀90年代測定了水稻(Oryzasativa)冠層營養(yǎng)元素光譜特征及其敏感波段,為后續(xù)研究提供參考。近年來對磷和鉀元素的研究也逐漸增多,且朝著多種營養(yǎng)元素共同作用場景下的診斷、診斷過程高效便利安全等方向快速發(fā)展。

基于光譜遙感技術(shù)作物營養(yǎng)診斷主要包括基于直接光譜和基于植被指數(shù)?；谥脖恢笖?shù)根據(jù)地面植被中葉綠素、水分等不同物質(zhì)的光譜差異,可以減少土壤、大氣等無關(guān)特性等信息對診斷的影響,更精確反映植被特征?；谥苯庸庾V則是利用全波段高光譜數(shù)據(jù)或通過篩選與營養(yǎng)元素相關(guān)性高的光譜敏感波段進行建模和營養(yǎng)診斷。

2.1.1 氮元素的光譜診斷分析

氮元素是植物細胞蛋白質(zhì)的主要成分,也是葉綠素、酶、激素等重要代謝有機化合物的組成成分,在生命活動過程中占據(jù)重要地位。氮含量過少將導(dǎo)致作物葉片葉綠素合成速率變緩,葉片中心與葉脈區(qū)域顏色呈黃色;過多則導(dǎo)致細胞壁變薄,莖枝驟長,抗逆性差,嚴重影響作物長勢、產(chǎn)量及品質(zhì)[25]。

由于氮元素含量與葉綠素密切相關(guān),葉綠素在紅光和藍光波段有較強的吸收率,同時紅邊波段的形狀和位置會隨氮元素的豐缺而改變,可以據(jù)此進行作物氮含量的光譜營養(yǎng)診斷。

基于直接光譜是通過篩選與氮含量相關(guān)的光譜敏感特征波長來進行建模與預(yù)測,學者多使用高光譜遙感進行數(shù)據(jù)的采集并進行敏感波段的篩選。Hu等[26]應(yīng)用PLS-DA、SVM、極限學習機(ELM)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型構(gòu)建橡膠樹(Heveabrasiliensis)氮含量估算模型,敏感波段為839,1 679,1 829,2 059,2 184,2 370 nm,準確率達97.73%。Chen等[27]證明非線性建模方法優(yōu)于線性方法,提取蘋果(Maluspumila)樹冠層氮元素敏感波段并建模,Rfrog-ELM的模型獲得最佳結(jié)果(R2=0.843)。

基于植被指數(shù)的氮含量檢測中較常見的做法是通過拍攝光譜遙感影像,獲取可見光、紅邊和近紅外等波段的光譜信息,篩選已有植被指數(shù)(表2)或自我構(gòu)建合適的植被指數(shù),研究與氮元素之間的相關(guān)性。Osco等[28]使用基于無人機傳感器獲取的柑橘(Citrusreticulata)多光譜圖像中約33個光譜指數(shù),其中SR750/550和TriVI指數(shù)與其冠層氮元素相關(guān)性較好,隨機森林算法在預(yù)測氮含量方面的性能最好(R2=0.90)。李美炫等[29]則證明綠光和紅光波段為蘋果樹冠層氮含量敏感波段(R2=0.774)。同時也有學者對比葉片尺度與區(qū)域尺度的營養(yǎng)診斷技術(shù),在冬小麥(Triticumaestivum)重要生長階段推薦使用葉片尺度的光譜診斷手段以避免區(qū)域尺度的星載傳感器易受的云層影響[30]。

表2 常見光譜指數(shù)及其計算公式Table 2 Common spectral indices and their calculation formulaes

此外,由于受成像設(shè)備與外部環(huán)境等因素的影響,光譜遙感數(shù)據(jù)在采集、轉(zhuǎn)換、ROI劃分和信息處理等過程中容易產(chǎn)生誤差及噪聲。國外學者研究發(fā)現(xiàn),與VI-SLR和SMLR回歸方法相比,RF回歸方法可以顯著提高無人機遙感的估計精度[39]。Li等[40]開發(fā)了一種修正相關(guān)系數(shù)方法(MCCM)來篩選氮元素敏感波段,同時證明歸一化差分冠層陰影指數(shù)(NDCSI)可以去除無人機高光譜圖像中的陰影,得到冠層光譜信息。同時通過篩選預(yù)處理方法也可提高氮含量診斷的準確度。使用SG和一階導(dǎo)數(shù)組合對原始光譜進行預(yù)處理,適合用于后續(xù)蘋果樹冠層氮元素敏感波段的篩選工作[41]。

由于作物葉片氮元素與葉綠素含量相關(guān)性強,含量豐缺的表現(xiàn)明顯,使得基于直接光譜與植被指數(shù)的估算模型性能在三大必需營養(yǎng)元素中擬合效果最好,利用多光譜數(shù)據(jù)進行回歸即可達到高精度。但作物葉片氮元素在不同生長階段呈規(guī)律性變化,原有高相關(guān)性植被指數(shù)難以適應(yīng)作物的時間性變化。對于不同應(yīng)用場景,模型的通用性將大打折扣。因此,必須在診斷過程中充分考慮作物生長環(huán)境和生長周期的變化性,使用大跨度和高時間分辨率的數(shù)據(jù)做支撐,分別建立氮元素估算模型。

2.1.2 磷元素的光譜診斷分析

磷元素在作物中的含量僅次于氮和鉀,常以有機物形態(tài)參與植被代謝過程,促進早期植物根系的生長,并能提高抗逆性,提高作物產(chǎn)量[42]。相比缺氮葉片,缺磷葉片光譜反射率另受花青素含量影響,同時作物的磷元素含量隨生長周期的變化較大[43],作物間敏感波段存在較大差異性(表3),增加了磷元素含量的診斷難度。

表3 常見作物磷元素敏感波段Table 3 Phosphorus sensitivity bands for common crops

由于多光譜遙感光譜分辨率較低,在磷含量的研究方面實驗的準確度表現(xiàn)不盡如人意,現(xiàn)有對于磷元素含量的監(jiān)測研究主要基于高光譜遙感技術(shù)。Mahajan等[44]提出了用于遙感診斷磷元素的新植被指數(shù):VI P_670_1260檢索水稻冠層磷元素含量。Pinit等[45]發(fā)現(xiàn)泰國水稻葉片磷酸鹽(Pi)含量與近紅外(720～790 nm)和可見光波段(綠黃邊和紅邊)相關(guān)性較強(R2>0.70)。也有學者通過改進算法提高準確度,Guo等[46]提出將MC-UVE與SPA算法相結(jié)合估計橡膠樹葉片磷元素含量的模型,篩選出2 449,2 243,1 686,1 405,1 144,713和437 nm為其敏感波段。Noguera等[47]使用PLS、ANN、SVM和高斯過程回歸對橄欖樹(Canariumalbum)葉片磷元素含量進行檢測,其中ANN方法效果最佳(R2=0.89)。對于三大營養(yǎng)元素之間的相互作用,Wang等[48]創(chuàng)新性地建立了甘蔗(Saccharumofficinarum)多因子三次多項式PLS和MLR回歸模型,提高了模型的性能。

此外,篩選對比不同預(yù)處理方法和建模方法也能在一定程度上提高磷元素含量診斷的準確性。全東平[55]發(fā)現(xiàn)采用小波去噪處理后,基于原始光譜建立的PLSR估算模型對柑橘葉片磷含量的建模效果較不經(jīng)過小波去噪處理的估算模型有一定精度提升。Wang等[56]發(fā)現(xiàn)SNV在預(yù)測磷元素和鉀元素含量方面都顯示出優(yōu)于其他變量的模型性能。Osco等[57]使用機器學習及反射率/一階導(dǎo)數(shù)數(shù)據(jù)評估常量營養(yǎng)素和微量營養(yǎng)素含量,發(fā)現(xiàn)隨機森林(RF)最適合用于建立大多數(shù)作物的磷元素含量估算模型。

與氮元素模型研究相比,作物之間磷元素敏感波段的差異較大,導(dǎo)致不同作物敏感波段之間的可參考性較低,模型轉(zhuǎn)移的難度系數(shù)高。如何建立穩(wěn)定、適用性高的估算模型是磷元素營養(yǎng)診斷的關(guān)鍵。

2.1.3 鉀元素的光譜診斷分析

雖然鉀含量與氮元素相當,主要以無機鹽的形式存在,在光合作用、碳水化合物的轉(zhuǎn)運和儲存、蛋白質(zhì)的合成等過程中占重要作用。缺鉀時,碳水化合物代謝會受到干擾,葉綠素被破壞,葉緣焦枯、褶皺,蒸騰速率也會隨之受到影響[58]。鉀元素通過影響葉片化合物含量間接改變光譜反射率,無法像氮元素含量能直接通過葉綠素含量進行基本判斷。

與磷元素情況類似,針對鉀元素的光譜特性研究相對較少。植被指數(shù)僅在區(qū)分作物嚴重缺鉀(SPD)和鉀供應(yīng)充足(ASP)處理方面有效,而無法辨識中度鉀缺乏(MPD)[59]。同時鉀元素在特征光譜上存在相當明顯的漂移現(xiàn)象,作物在各個生長階段的光譜敏感波段分布情況不同,隨著作物從萌芽向成熟結(jié)果的生長階段推移,鉀元素反射光譜會有部分相關(guān)性高的敏感波段向高波段偏移[60]。針對此類情況,黃雙萍等[61]研究發(fā)現(xiàn),在柑橘樹不同物候期特征光譜漂移情況下,使用支持矢量回歸(SVR)建立全生育期鉀元素含量估算能力良好,決定系數(shù)R2為0.994。同時Lu等[62]實驗證明短波紅外區(qū)域的光譜反射率與水稻鉀元素含量相關(guān)性較高。除了基于傳統(tǒng)的直接光譜和植被指數(shù)營養(yǎng)診斷,石吉勇等[63]利用缺鉀元素葉片葉綠素含量偏低區(qū)域為葉片邊緣的圖像特征,對比黃瓜(Cucumissativus)缺鉀葉片及正常葉片高光譜圖像的葉綠素分布情況,進行鉀元素豐缺判斷,正確率達95%。同時也有學者將氣象因素納入考慮范疇[64],證明將日平均氣溫與濕度作為輸入特征進行回歸建?？梢蕴岣咚锯浽貭I養(yǎng)診斷水平(R2>0.74)。

鉀元素對于作物的水汽運輸和代謝作用有著深遠影響,但現(xiàn)階段對于作物鉀元素的研究仍然較少,基于植被指數(shù)與敏感波段的統(tǒng)計模型存在精度低的問題。而鉀元素缺乏的葉片表型性狀明顯,基于圖像識別的鉀元素診斷精度較高,筆者認為嘗試光譜特征和圖像紋理特征融合分析是下一階段對作物鉀元素診斷的關(guān)鍵方向。

2.2 其他營養(yǎng)元素營養(yǎng)診斷

隨著植物營養(yǎng)學的不斷研究發(fā)展,除了氮磷鉀三大營養(yǎng)元素,國內(nèi)外學者探索出更多與作物生長發(fā)育相關(guān)的必需營養(yǎng)元素,其在調(diào)節(jié)樹體酸度、合成葉綠素、激素運轉(zhuǎn)和植物代謝等方面有重要的調(diào)節(jié)功能[65]。目前,作物養(yǎng)分遙感監(jiān)測研究主要集中在氮磷鉀三大主要營養(yǎng)元素的估計上,只有少數(shù)嘗試診斷其他營養(yǎng)元素,如鈣、鎂、硼、鐵、錳等。

近年來,使用光譜技術(shù)診斷作物其他營養(yǎng)元素含量的研究逐漸深入,但大多基于葉片和冠層尺度,而基于區(qū)域尺度的研究較少。早在20世紀70年代,國外學者就發(fā)現(xiàn)使用光譜的近紅外波段能對作物體內(nèi)部分含量較高的元素進行準確診斷[66]。之后利用PLSR建模,估算豇豆(Vignaunguiculata)S、Ca、Na、Mg的元素含量[67]。對于微量元素的敏感波段篩選和建模,瞿余紅等[68]采用SR和PCA兩種方法構(gòu)建核桃樹(Caryacathayensis)葉片鐵元素含量估測模型,其中以光譜725～730,1 140,1 141,1 443,1 444和1 445 nm作為敏感波段構(gòu)建的PCA模型精度最佳。Thum等[69]研究葡萄(Vitisvinifera)藤葉不同微量元素的光譜反射率特征(R2>0.6),并以此驗證利用微量元素含量區(qū)分葡萄產(chǎn)地與品種的可行性。

而在光譜預(yù)處理和建模方面,de Oliveira等[70]對多種營養(yǎng)元素進行診斷,發(fā)現(xiàn)一階導(dǎo)數(shù)可更準確地預(yù)測硫元素含量(R2=0.85),使用對數(shù)變換可以更準確估計鈣(R2=0.81)和鎂(R2=0.22)元素含量。同時Ramdas等[71]對芒果(Mangiferaindica)葉常量和微量營養(yǎng)元素進行研究,發(fā)現(xiàn)使用PLSR組合機器學習模型的方法是預(yù)測大多數(shù)營養(yǎng)素的最佳方法,鐵、銅、硼元素的預(yù)測精度良好(R2≥0.95)。Hariharan等[72]則開發(fā)了一種使用有限差分近似(FDA)和雙變量相關(guān)(BC)分析高光譜數(shù)據(jù)的新方法,以區(qū)分健康鱷梨(Perseaamericana)枯萎病、氮元素和鐵元素豐缺。

國內(nèi)外的作物微量元素研究較少,且大多基于便攜式高光譜儀,同時微量元素缺乏所導(dǎo)致的表型癥狀較小,多光譜遙感技術(shù)診斷難度大。筆者認為基于高光譜遙感技術(shù)的微量元素營養(yǎng)診斷潛力巨大,是下一階段的研究重點。

3 問題與展望

盡管在作物營養(yǎng)元素含量診斷過程中,與化學計量學相互結(jié)合的光譜遙感技術(shù)在作物常量與微量元素診斷等方面表現(xiàn)良好,具有相當廣闊的應(yīng)用前景與市場,但在其實際應(yīng)用時仍存在問題有待解決。

1)在檢驗的營養(yǎng)元素方面,采用單一生長階段的單一營養(yǎng)元素敏感波段探討整個生育期作物生理狀態(tài)和營養(yǎng)狀況的研究較多。然而,隨著作物生長階段的推移,葉片的光譜反射率將伴隨葉片的含水量、細胞結(jié)構(gòu)等生化參數(shù)變化而發(fā)生變化,從而導(dǎo)致光譜反射率與葉片營養(yǎng)元素含量的統(tǒng)計學模型改變,所建立的估算模型難以適用到其他生育時期。因此亟須篩選作物不同生長階段的敏感波段,并利用敏感波段構(gòu)建光譜指數(shù),以此提高不同生育時期的營養(yǎng)元素含量光譜模型的精度。同時,現(xiàn)階段的作物營養(yǎng)元素研究大多是針對單一營養(yǎng)元素的診斷,對于作物多種營養(yǎng)元素之間的相互作用對光譜特性影響機理的研究較少,對于作物的營養(yǎng)元素豐缺情況缺乏較全面的了解。

2)對于作物中微量元素含量的光譜診斷研究較為鮮見。微量元素在作物代謝過程中起著重要作用,對植物光譜特征的影響與氮、磷、鉀等必要營養(yǎng)元素具有相似性,但豐缺影響差異性大。作物微量營養(yǎng)元素的定量化診斷更為少見,根據(jù)研究作物樣本所建立的微量元素估算模型精度是否能滿足后續(xù)營養(yǎng)元素補給的需要仍有待進一步研究。

3)相較于多光譜遙感技術(shù),高光譜遙感技術(shù)受制于高昂的設(shè)備成本以及緩慢的圖像處理速度,應(yīng)用場景局限性較大,而多光譜遙感技術(shù)在診斷估算精度上表現(xiàn)稍差。由于高光譜數(shù)據(jù)變量多,因此基于高光譜遙感的營養(yǎng)診斷在分析時需要比較多種算法和獲取大量訓(xùn)練樣本才能達到較高的識別精度,這將極大地增加田間作業(yè)的工作量和診斷難度。

4)國內(nèi)外研究大多只是建立了統(tǒng)計學模型,并未探尋微量元素缺乏所導(dǎo)致的植株生理形態(tài)變化與光譜反射率變化之間的因果關(guān)系,沒有真正揭示微量元素的光譜響應(yīng)機理。其受限于地面實測數(shù)據(jù),具有一定的時間和對象局限性,無法反映作物生長全過程,普適性不高,不利于全面推廣應(yīng)用。數(shù)字孿生技術(shù)可以模擬、驗證、預(yù)測作物全生育期變化過程[73],有效解決統(tǒng)計學模型的局限性,但技術(shù)尚未應(yīng)用于作物營養(yǎng)診斷領(lǐng)域。

綜上所述,光譜遙感技術(shù)在作物營養(yǎng)診斷的后續(xù)研究可以從以下幾個方面入手:

1)目前利用地物光譜儀診斷作物營養(yǎng)元素的研究較為深入,而對于無人機遙感或衛(wèi)星遙感的研究仍然較少。因此,如何實現(xiàn)從地面光譜到遙感光譜數(shù)據(jù)的同化,加速作物營養(yǎng)元素診斷研究進程十分關(guān)鍵。

2)開發(fā)建立各類作物營養(yǎng)元素的光譜信息數(shù)據(jù)庫,降低訓(xùn)練樣本的需求量,減少由作物的品種、生長階段、生長環(huán)境等的不同對光譜數(shù)據(jù)造成的影響,提高模型的適用性和利用率,并通過遷移學習、強化學習等算法,增強模型的魯棒性和通用性。

3)著力實現(xiàn)光譜遙感技術(shù)的經(jīng)濟化和從業(yè)人員的培養(yǎng)。隨著無人機、衛(wèi)星、光譜相機等遙感技術(shù)的研究發(fā)展,光譜遙感技術(shù)將極大地便利用戶對田間的作物進行實時診斷,并提供合理的施肥策略,推進智慧農(nóng)林業(yè)。

4)應(yīng)用數(shù)字孿生技術(shù),著手建立作物生長模擬模型;針對作物的物理實體,借助往年歷史數(shù)據(jù)和實時田間數(shù)據(jù)進行模擬模型建立,通過“數(shù)字孿生體”實現(xiàn)作物全生育期組織器官變化過程的模擬、驗證和預(yù)測。結(jié)合VR、AR等技術(shù)可以實現(xiàn)作物營養(yǎng)元素含量全生育期動態(tài)定量可視化診斷,解決統(tǒng)計模型無法反映作物生長全過程、普適性不高的缺陷,同時為后續(xù)的科學施肥提供指導(dǎo)意見。