農業光譜數字技術在作物信息監測上的應用進展

雷利琴，官春云

?

農業光譜數字技術在作物信息監測上的應用進展

雷利琴，官春云

(湖南農業大學農學院，長沙 410128)

隨著精細農業的發展，光譜數字技術已成為數字農業的重要研究方法。綠色植物具有典型的光譜特性，不同的肥水管理、栽培措施及品種類型導致作物生長狀況發生變化，從而會形成獨特的光譜特征。農業光譜數字技術就是通過尋找作物農學參數敏感波段的光譜反射率及其衍生指數與作物農學參數相關關系及內在規律，基于這樣的定量化規律性關系，來監測作物光合、生長、含水量、氮素營養、產量和品質等。

光譜技術；數字農業；作物監測

信息科學與農業科學交叉融合而形成的農業數字信息技術正快速發展成為一門新興的高技術學科。農業數字信息技術增強了對農作研究對象的量化描述和認識，綜合發展和集成單項農業理論與技術，實現了農業自然資源與經濟資源的合理有效配置和優化利用，提高了農業管理決策的科學性和預見性，促進了農產品生產力的提高，為農業科技提供新的研究手段和方法，方便快捷地實現了農業科技成果的廣泛傳播和推廣應用，使傳統粗放性和經驗性的農業管理模式向數字化、精確化和科學化的現代農業管理模式轉變，使農業產業產生更大的社會、經濟和生態效益。

當前有關農業數字化的關鍵技術的研究主要集中在農作信息管理技術、農作過程模擬技術、農作信息監測技術、農作管理決策技術、數字農作平臺技術等。其中，農作信息監測是農業數字信息獲取的主要內容。農作信息的無損實時監測包括空間監測和地面監測。由于遙感資料的獲取具有固定的周期，且遙感圖像的解譯受到天氣狀況的影響顯著，運行成本較高，目前越來越多的科學家開始利用地面監測，如利用光譜數字技術來研究農情信息。LAI（葉面積指數）、干物質等指標的光譜監測技術已趨于成熟。

農業光譜數字技術是指在地面平臺上運用各種傳感器獲取植被的信息即植被光譜反射率，再通過分析不同環境條件下植被生理生化特征(如植株各生育期養分含量、含水量、生長指標、產量、品質指標)與作物冠層光譜反射特征的關系，找出能敏感反映植被生理生化特征的光譜波段范圍，并得出植被生理生化特征與敏感波段光譜反射率之間的定量關系，最后建立植被生理生化特征的綜合監測模型與診斷系統的一種科學技術。

1 綠色植被的典型光譜特征

不同于水體、土壤、巖石等地物的光譜特征，受農學參數的影響，綠色植被的反射光譜特征大體表現為：葉綠素吸收大部分的藍光和紅光，反射大部分綠光；植物葉片構造中的柵欄組織散射不受葉綠素影響的紅外光。綠色植物的反射光譜波形是相似的：在可見光400～680 nm波段，具有中等大小的反射率值，其中530～560 nm波段與葉綠素和氮素密切相關，反射率相對較低，綠光550 nm附近是葉綠素的強反射峰；而在600～680 nm的紅光波段區域，也因葉綠素和氮素的強烈吸收，使得650～680 nm附近的反射率較低；在680～760 nm波段，反射率曲線陡而接近于直線，其斜率與葉綠素的含量密切相關；在760～1 300 nm波段，近紅外光反射率都偏大，其中1 100～1 300 nm波段反射率趨于穩定；1 300～2 600 nm短波紅外光譜區，隨波長的增加，吸收增加，而反射、透射減小，且吸收的增加呈現若干個波峰與波谷，此波段的綠色植物的光譜特性主要受葉片水分的影響，其中在1 496，2 054，2 172和2 352 nm等紅外波段，反射率也與氮素狀況密切相關[1]。

研究表明，植被的葉片結構、葉綠素、水分含量和其他生物化學組分對光譜的吸收、透射、折射及反射直接影響著植被的反射光譜特征。植被因不同種類、不同生育時期以及不同健康狀況，其植株形態、冠層結構、養分含量、含水量、長勢長相、產量、品質等特征不同，繼而其光譜反射特性也不同，并且其光譜反射特性差異主要表現在反射率的大小。在作物生長過程中，不同的肥水管理、栽培措施及品種類型導致作物生長狀況發生變化，從而會形成獨特的光譜特征。

農業光譜數字技術就是通過尋找作物農學參數敏感波段的光譜反射率及其衍生指數與作物農學參數相關關系及內在規律，基于這樣的定量化規律性關系，來進行農作信息監測。

2 光譜數字技術在作物信息監測上的應用

2.1 光合監測

目前，國外已有部分關于光譜監測植物光合能力的研究。Carter發現波長701 nm的光譜反射率(reflectance) R701和波長820 nm的光譜反射率R820的比值植被指數RVI(R701, R820)或由它們組成的歸一化植被指數NDVI(R701, R820)能很好地監測月松樹光合能力[2]。然而，直接以作物葉片凈光合速率為農學參數結合植株冠層光譜反射率建立定量關系來監測作物光合的報道很少，大多數光合監測研究都集中在葉綠素與光譜反射率的定量定性關系上。葉綠素是作物光合作用的主要色素，是吸收光能的主要物質，其含量的高低直接影響作物的光合和物質積累能力。因此，實時掌握作物葉綠素含量與冠層光譜反射率的動態變化可以有效地監測作物光合能力。葉綠素對紅光、藍光的強吸收、對近紅外光極弱吸收和水分對近紅外光的強吸收，造成了植被光譜在可見波段的低反射率、近紅外波段的高反射率和短波近紅外區域的較高反射率特征。通常，綠波段和紅邊波段(350～750 nm)是植被葉片葉綠素含量的敏感光譜波段集中區。吳長山等[3]發現了幾種農作物在762 nm波段的導數光譜能很好地監測葉綠素含量，其建立的監測模型的RRMSE（相對均方差根）約為0.272 g/m2，2（精度）約為80.6%。Horler等[4]發現，700 nm波段的導數光譜與植被葉綠素含量呈顯著相關關系，能很好地監測植株的光合能力。

2.2 生長監測

作物生長監測是數字農業的重要任務之一，其目的是為田間管理提供及時的作物信息，也為早期估計產量提供苗前依據。在作物長勢監測中最常用的作物生長特征參數是葉面積指數和群體生物量，一般可以采用紅、綠、近紅外三個波段范圍反射率的比值、差值、導數等來監測作物的LAI和生物量。

總體上，紅光區域光譜反射率與葉面積指數相關性較為密切，在研究作物葉面積指數與其冠層光譜的關系中，唐延林等[5]發現，比值植被指數R990/R550、R800/R550和R750/R550的變量與作物的LAI呈顯著相關關系，據此能很好地建立LAI監測模型。可見光波段和近紅外短波段也是葉面積指數的敏感波段。李映雪等[6]在研究小麥葉面積指數與冠層反射光譜的定量關系中發現LAI與它們的反射率分別呈負相關和顯著正相關,其中比值植被指數RVI(R810,R510)和差值植被指數DVI(R810, R560)與小麥LAI呈顯著線性和指數函數關系。

由于作物生物量與葉面積指數密切相關，因此紅光波段(620~700 nm)和近紅外波段(740~1 100 nm)也是生物量的敏感光譜區域。唐延林等[5]對水稻、玉米和棉花的研究發現，鮮干葉重與冠層光譜的比值植被指數RVI(R990，R550)，RVI(R800，R550)，RVI(R750，R550)，RVI(R800，R680)及紅邊參數的相關極顯著；作物生物量在三邊(藍邊、黃邊和紅邊)光譜區也有定量的規律性。在水稻地上鮮生物量的高光譜遙感估算模型研究中，王秀珍等發現由紅邊內一階微分總和與藍邊內一階微分總和構成的比值植被指數與地上鮮生物量有顯著的線性關系[7]。

2.3 含水量監測

作物生產中最為重要的措施之一就是作物水分調控與管理。因為水是植物生命活動的必要條件，植株含水量的變化直接影響植物對營養物質的吸收和運輸以及一系列生理生化反應，從而影響植物生長、產量和品質。植株水分的敏感光譜波段主要有970，1 450，1940，950～970和1 300～2 500 nm等。缺水時，植株葉片的光譜反射率增加；當植株含水量升高時，近紅外反射率隨著降低，其中R970和R900能很好地反映植株的含水量?；谥仓旰颗c光譜反射率之間的相關關系，Penuelas等[8]發現比值指數R1600/R820的變量能很好地監測植株含水量。Danson等[9]發現葉片含水率的敏感波段在1 360～1 470 nm和1 830～2 080 nm等波段處，其導數光譜能很好地監測葉片含水率。

2.4 氮素營養監測

在作物生產過程中，適時掌握作物氮素生理參數的動態，是實施因苗管理、因需施肥，進而實現現代作物生產優質、高產、高效、安全、生態目標，減少資源浪費和環境污染的必要條件。作物氮素營養的無損監測與精確診斷被認為是作物高效氮肥管理的關鍵技術。作物氮素參數監測的適宜特征光譜隨不同的作物和試驗條件而有所差異，因此有關氮素指標與光譜參數的規律性和定量化關系是科研當中普遍關注的熱點與重點。在波長500～700 nm處，光譜反射率受氮素影響最顯著。植株缺氮時，葉片光譜反射率的差異主要在530 nm處；430 nm波段、550 nm波段、680 nm波段都是植物氮素狀況的敏感波段，其中430 nm和680 nm兩波段的差值與和值的比值可以很好地用來監測小麥氮素含量[10]。Munden等[11]發現綠光545 nm波段反射率和紅光660 nm波段反射率與小麥氮含量的線性函數能極好地監測小麥氮含量狀況。也有研究顯示，在680 nm波段處，植株缺氮會導致早稻葉片可見光區域的反射率增加，而近紅外區域的反射率降低，ND和RVI等植被指數也能很好地監測水稻葉片含氮量[12]。因此葉片的氮素含量可以通過光譜分析方法來估測。

2.5 產量及品質監測

運用光譜技術檢測作物生長的光譜數字特性建立農作物產量的光譜監測模型，進而估測作物產量，能夠大大降低大面積產量預報的成本和更準確地評價不同地區和栽培條件下作物產量的變異狀況。已有研究顯示，利用冠層多光譜反射率檢測谷類作物籽粒產量是行之有效的。肖乾廣等監測發現抽穗前后是小麥單產估測的最佳時機[13]。目前，比值植被指數(RVI)、歸一化植被指數(NDVI)和差值植被指數(DVI)是稻麥產量預報中常用的植被指數。黃敬峰等在研究水稻估產模型中發現以RVI和NDVI得到的檢測模型誤差都在0.01以下，其中以NDVI檢測到的產量有的擬合誤差只有0.4289%，極其精確[14]。在前人研究的基礎上，很多研究者建立了適用于不同生態區的估產模式，如黃敬峰等在研究浙江省水稻產量模型時，先建立水稻產量與葉面積指數(LAI)的回歸模型，再結合葉面積指數與光譜指數變量(RVI，NDVI)的極顯著性相關關系,能很好地估算出水稻的產量[15]。

利用光譜數字技術在作物收獲前對其品質進行無損監測，有助于制定合理的品質分級分類收獲和加工方案，對確保糧食生產的優質優價具有重要的意義[16，17]。國內外已有一些利用反射光譜來反演作物品質狀況的報道，用偏最小二乘法結合冠層光譜反射率和小麥籽粒蛋白質含量，Hansen等發現兩者有很好的相關關系，利用此關系能很好地預測小麥籽粒的蛋白質含量[18]；小麥抽穗后的冠層植被比值指數RVI(R1500，R610)以及RVI(R1220,R560)的指數變量能極好地監測籽粒蛋白質和淀粉積累量[19]。研究表明，利用冠層反射光譜監測作物籽粒品質是可行的。

3 總 結

光譜數字技術發展很快，高光譜分辨率能動態、快速、準確、及時地識別農作性質和組成成分，以提供各種農作長勢、水肥狀況、病蟲害情況等信息數據，方便農作診斷、決策和估產；無損獲取農作信息的技術能大大降低大區域估產成本，能更合理地制定農產品品質分級分類收獲和加工方案，能更準確地預報作物產量因地區和栽培條件不同而發生的變異狀況，對確保糧食生產的安全和優質優價具有重要的作用。

雖然光譜技術在國內外農業上的運用取得了很大的進步，但在運用中也存在一些問題。在技術設計方面，連接光譜儀探頭的光纜線長度影響光譜反射率值，線越短，探頭越靈敏，測試的反射率越準，由于光譜儀本身設計需要，探頭的靈敏度有一定的誤差，而且不適合痕量分析。在經濟成本方面，光譜技術不適于分散性樣品的分析，很多情況下光譜技術僅是一種間接分析技術，需要耗費人力和財力不斷地對模型進行維護，因為每一種模型只能適應一定的時間和空間范圍，并且用戶的技術會影響模型的使用效果。在環境因子方面，植株冠層光譜受大氣因素影響大，需盡量在晴朗無云的天氣下進行測試，陰天時，大氣水汽增加，強烈干擾植株水分對光譜的吸收波段，天氣稍有變化，就會影響模型的精確度；還有影響作物生長的氣象因子很難消除，需通過融入積溫和降雨等參數建立光譜-氣象融合模型，以提高估產精度。在波譜類型選擇方面，已有研究一般基于多光譜反射儀獲得的光譜數據，波段少且分辨率低，易導致關鍵信息的缺失，而植物的高光譜波譜寬，其反射率的連續性、精細性好，有助于獲得豐富的敏感波段組合及良好參數類型，在試驗中同時進行多光譜和高光譜觀測研究能更好地解析作物光譜與農學參數的定量關系。在植物群體因子方面，已有采用光譜技術對作物的研究，大多數都集中在對植物冠層的研究，即使植物冠層可以反映大面積田塊的生長情況，但是冠層光譜受土壤背景、作物生長密度、作物葉片大小、作物生長階段的影響還是比較大的，因此植株及冠層形態的變化對反射光譜的影響還需進一步探索，在建立作物監測和診斷模型時，必須設法消除植株和植株冠層結構對光譜反射率的影響，以提高由冠層光譜信息建立的監測模型精度。

[1] 寇有觀，蕭林．農業遙感[M]．北京：中國農業出版社，1988．18-38．

[2] Carter GA．Reflectance wavebands and indices for remote estimation of photosynthesis and stomatal conductance in pine canopies [J]．Remote Sensing of Environment，1998，63：61-72．

[3] 吳長山，項月琴．利用高光譜數據對作物群體葉綠素密度估算的研究[J]．遙感學報，2000，4(3)：228-232．

[4] Horler DN，Barber H．Approaches to detection of geochemical stress in vegetation[J]．Advances in Space Research，1983，(3)：175-179．

[5] 唐延林，王秀珍，王福民，等．農作物LAI和生物量的高光譜法測定[J]．西北農林科技大學學報：自然科學版，2004，32(11)：100-104．

[6] 李映雪，朱艷，戴廷波，等．小麥葉面積指數與冠層反射光譜的定量關系[J]．應用生態學報，2006，17(8)： 1443-1447．

[7] 王秀珍，黃敬峰，李云梅．水稻地上鮮生物量的高光譜遙感估算模型研究[J]．作物學報，2003，29(6)：815-821．

[8] Penuelas J，Filella I，Biel C，et al．The reflectance at the 950-970 nm region as an indicator of plant water status[J]. International Journal of Remote Sensing，1993，14(10)：1887-1905．

[9] Danson FM，Steven MD，Malthus TJ，et al ．High spectral resolution data for determining leaf water concentration [J]．International Journal of Remote Sensing，1992，(1)：461-470．

[10] Filella I，Penuelas J．The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J]．International Journal of Remote Sensing，1994 15(7)：182-193．

[11] Munden R，Curran PJ，Catt JA．The relationship between the red edge and chlorophyll concentration in the broadbalk winter wheat experiment at Rothamsted [J]. International Journal of Remote Sensing，1994，15：705-709．

[12] 王人潮，陳銘臻，蔣亨顯．水稻遙感估產的農學機理研究I．不同氮素水平的水稻光譜特征及其敏感波段的選擇[J]．浙江農業大學學報，1993，19(增刊)：7-14．

[13] 肖乾廣，周嗣松，陳維英，等．用氣象衛星數據對冬小麥進行估產的試驗[A]．見：全國冬小麥遙感綜合測產協作組．冬小麥氣象衛星遙感動態監測與估產[C]．北京：氣象出版社，1993．23-30．

[14] 黃敬峰，楊忠恩，王人潮，等．基于GIS的水稻遙感估產模型研究[J]．遙感技術與應用，2002，17(3)：125-128．

[15] 黃敬峰，楊忠恩，王人潮，等．基于GIS的浙江省水稻遙感估產最佳時相選擇[J]．應用生態學報，2002，13(3)：290-294．

[16] Delgado JA，Ristau RJ，Dillon MA．Use of innovative tools to increase nitrogen use efficiency and protect environmental quality in crop rotations [J]. Communications in Soil Science and Plant Analysis，2001，32：1321-1354．

[17] Sembiring H，Raun WR，Johnson GV，et al．Detection of nitrogen and phosphorus nutrient status in winter wheat using spectral radiance[J]．Journal of Plant Nutrition，1998，21(6)：1207-1233．

[18] Hansen PM，Jorgensen JR，Thomsen A．Predicting grain yield and protein content in winter wheat and spring barley using repeated canopy reflectance measurements and partial least squares regression[J]．J Agri Sci，2002，139：307-318．

[19] 田永超，朱艷，曹衛星，等．利用冠層反射光譜和葉片SPAD值預測小麥籽粒蛋白質和淀粉的積累[J]．中國農業科學，2004，37(6)：808-813．

責任編輯：李東輝

2011-07-15

雷利琴(1986—)，女，湖南衡陽人，碩士研究生，研究方向：數字農業。

S123

A

1001-5280(2011)06-0626-04

10.3969/j.issn.1001-5280.2011.06.25