高光譜技術在農(nóng)作物冠層中的應用進展

楊蘭

摘要：指出了高光譜遙感的光譜分辨率可達到納米數(shù)量級，由于其具有分辨率高、波段多以及信息量豐富的特點使其成為當今遙感的前沿技術。作物冠層能夠反映以及預測植被與生態(tài)系統(tǒng)的功能狀態(tài)，顯示初級生產(chǎn)力以及氮循環(huán)的變化過程。所以其冠層信息經(jīng)常作為生態(tài)系統(tǒng)中的功能與生物多樣性的指示指標。利用植被冠層高光譜經(jīng)常與葉片光合色素、水分、氮素以及纖維素等信息相結(jié)合，可反映作物的生長狀況。同時，利用高光譜波段提取作物的生理參數(shù)對作物生長評價、監(jiān)測以及作物估產(chǎn)有很大的意義。主要綜述了高光譜技術的概況及在提取農(nóng)作物冠層信息中的應用，并對高光譜技術在農(nóng)作物中的應用進行了展望。

關鍵詞：高光譜遙感；農(nóng)作物；冠層信息

中圖分類號： TP79

文獻標識碼： A 文章編號： 16749944（2015）06028903

1 引言

20世紀80年代，對于高光譜遙感的定義是指通過電磁波波段從研究的物體中獲取有關數(shù)據(jù)，如在紫外、近紅外、短波紅外及中紅外等區(qū)域中，獲取大量窄且光譜連續(xù)的圖像數(shù)據(jù)的技術[1]。光譜分辨率可高達到10-2λ數(shù)量級、波段連續(xù)性可在0.4～2.5nm范圍內(nèi)有幾百個波段。近年來，高光譜已經(jīng)廣泛應用熱門高新探測技術在多領域里。可從高光譜遙感獲得的數(shù)據(jù)中提取相關參量，如：葉面積指數(shù)LAI、生物量、凈生產(chǎn)率及其冠層結(jié)構參數(shù)等[2]。通過獲取不同植被的高光譜遙感數(shù)據(jù)的方式，可做參數(shù)估算與分析、作物的長勢監(jiān)測、估產(chǎn)及定標與糾正遙感圖像等[3]。Takebe發(fā)現(xiàn)在植被冠層的反射率大小與葉片的氮素含量有很強的相關性[4]。高光譜相對于多光譜來說其高分辨率特性更有利于進行植被指數(shù)LAI以及“紅邊”光學參數(shù)的計算[5]。

植被光譜數(shù)據(jù)對于在生態(tài)方向?qū)ΡO(jiān)測植被生長提供較完善的數(shù)據(jù)，可以指導大田生產(chǎn)和估算作物產(chǎn)量。通過模型反演及成熟的高光譜算法，在轉(zhuǎn)基因植物與非轉(zhuǎn)基因植物的判別上，可有效地監(jiān)測基因的流動，對保護物種的生物多樣性提供數(shù)據(jù)支持。

2 高光譜遙感提取植被指數(shù)的相關研究

由于綠色植被在光譜上有共性，很難用寬波段的常規(guī)遙感圖像分開不同的植被類型.隨著成像光譜圖像的光譜分辨率的提高，能夠區(qū)分作物更細微的光譜差異[6，7]。Daughtry分別對玉米在不同的在施氮素梯度下葉片反射率、不同的濕度土壤反射率和冠層反射率進行了研究，證明了葉面積、植被背景反射率以及葉片葉綠素濃度之間是有相關性的[8]。了解植被葉片葉綠素濃度（或氮含量）是有必要的，可更好地利用對葉綠素濃度敏感并同時能降低植被冠層背景中變異的光譜植被指數(shù)。

由于高光譜的信息量大、分辨率高的特點，可用于植被監(jiān)測，例如：葉面積指數(shù)LAI，“紅邊”特征參量等。

2.1 葉面積指數(shù)（Leaf Area Index， LAI）

自1947年提出以來，葉面積指數(shù)（ LAI）作為進行植物群體和群落生長分析的一個參數(shù)， 已成為重要的植物學參數(shù)和評價指標，并廣泛應用于農(nóng)業(yè)、生態(tài)學等領域[9]；可定量分析地球生態(tài)系統(tǒng)能量交換[10]。經(jīng)過50多年的系統(tǒng)研究，LAI已成為分析群體和群落生長時不可或缺的一個重要參數(shù)[11，12]。

在精準農(nóng)業(yè)中，Haboudane利用高光譜植被指數(shù)來建模并驗證，預測玉米、小麥、大豆冠層的LAI[13]。結(jié)果表明植被指數(shù)都受到葉綠素濃度，以及高植被指數(shù)條件下會達到飽和狀態(tài)的影響；其設計的校正三角植被指數(shù)（MTVI2）與校正葉綠素吸收比率指數(shù)（MCARI2），有很高的正確率與驗證性。李鳳秀通過PVI（垂直植被指數(shù)）與DVI（差值植被指數(shù)）建立的高光譜模型能準確地估算玉米LAI和作物產(chǎn)量[14]。梁亮利用了指數(shù)OSAVI所建立的模型-小麥葉面積指數(shù)，因考慮了土壤背景、大氣狀況和冠層背景調(diào)節(jié)因子，具有較高的精度[15]。在進行高光譜植被信息獲取中，對LAI的估算精度會對進行植被預測所建立的模型產(chǎn)生影響，準確度越高，則模型的精度越高，對植被氮素、生長條件、水分營養(yǎng)情況的預測也就更加精確。

2.2 “紅邊”特征參量

受植物體內(nèi)葉綠素吸收作用的影響，植被反射光譜在紅到近紅外區(qū)（660～770nm），會出現(xiàn)一個陡峭的爬升脊，通常稱之為“紅邊”（Red edge）[16]。這種葉綠素陡坡反射特性是區(qū)分植被與非植被以及不同植被類型的基本依據(jù)[17]。紅邊定量參數(shù)主要有：紅邊位置，紅光范圍（ 680～760 nm）內(nèi)反射光譜一階導數(shù)最大值對應的波長；紅邊幅值，一階導數(shù)光譜的最大值；紅邊峰值面積之間的包圍的面積[18]。

通常用紅邊斜率與紅邊位置來描述特征，紅邊斜率主要與植被覆蓋度或葉面積指數(shù)有正相關關系。紅邊位置，是診斷植被脅迫和衰老的一個重要指標[19]。在[20]Rock研究中發(fā)現(xiàn)了在大氣污染狀況下的云杉和冷杉由于其葉片內(nèi)的葉綠素b和總的葉綠素含量減少造成的光譜特征“藍移”，建議使用的光譜儀測量光譜的分辨率應在1～5nm之間。

3 高光譜在作物監(jiān)測中的應用

植被反射光譜是由于內(nèi)部結(jié)構與葉片生物量所影響，在近紅外區(qū)域顯示較高的反射率，在可見光區(qū)域，由于色素的吸收原因顯示較低的反射率[21]。導數(shù)光譜能降低光、大氣散射、大氣吸收和土壤背景的影響[22]Tsai等經(jīng)常用紅邊參數(shù)來指導分辨特定的植被類型[23]。

3.1 棉花的高光譜應用

棉花是我國種植業(yè)生產(chǎn)中的第二位大宗農(nóng)產(chǎn)品，隨著光譜技術的發(fā)展，棉花遙感長勢的監(jiān)測與估產(chǎn)已成為重要的研究方向[24， 25]。孫莉等應用光譜一階微分分析技術描述了棉花在生育期內(nèi)“紅邊”變化趨勢的特征[26]。王克如對不同梯度的施氮量的棉花冠層光譜進行特征研究[24]。吳春霞對棉花冠層的反射特征在不同氮素施入水平以及不同品種條件下進行了研究[27]。王進利用高光譜研究了干旱區(qū)棉花冠層的不同灌水量、氮素條件以及不同品種的反射特征[28]，發(fā)現(xiàn)了棉花不同品種以及生育期間光譜反射率存在明顯差異[25]。以上研究都肯定了棉花冠層在可見光區(qū)，缺氮條件較氮過量條件時光譜反射較高；在近紅外階段，光譜反射率隨氮素的增加而升高；隨灌水量升高光譜反射率也升高，反射率隨著種植密度提高而上升。此外，唐延林對棉花的葉綠素、類胡蘿卜素含量以及紅邊的特征進行光譜信息的研究[18]。

3.2 大豆的高光譜應用

如今我國已成為世界上最大的大豆凈進口國[29]。在國內(nèi)主要應用相關性分析以及神經(jīng)網(wǎng)絡的方法對波段為350～1050nm大豆冠層光譜反射率以及LAI估算進行研究。張柏等建立了以近紅外與可見光波段冠層光譜反射率的比值植被指數(shù)（RVI）與大豆LAI的遙感估算模型[30]，湯旭光利用輻射傳輸模型模擬了大豆冠層在不同葉綠素下的光譜反射率，并對數(shù)據(jù)進行多元線性回歸、BP神經(jīng)網(wǎng)絡，以及偏最小二乘進行比較分析[31]，其中后面兩種方法精度最高，效果最好。

3.3 油菜的高光譜應用

中國是世界上的油菜生產(chǎn)大國，應用高光譜數(shù)據(jù)能反演油菜的生長信息。張雪紅發(fā)現(xiàn)不同的品種、生育期以及施氮梯度下的油菜冠層反射光譜存在差異，同時，隨著供氮水平提高，紅邊面積與紅邊幅值是增加的[32]。黃敬峰等從油菜冠層的光譜反射數(shù)據(jù)中提取紅邊參數(shù)，葉面積指數(shù)與冠層光譜紅邊參數(shù)之間在開花前顯著相關[33]。王淵通過油菜冠層光譜來估算油菜氮素含量[34]。Hannaway4次測量油菜生長期間的葉片光譜數(shù)據(jù)，利用偏最小二乘回歸模型結(jié)合最佳測量有效波段，實驗表明，在油菜生長前期階段對葉片進行高光譜遙感檢測來預測油菜產(chǎn)量是可以實現(xiàn)的[35]。

4 高光譜技術在大宗作物中的應用展望

高光譜技術在作物估產(chǎn)、氮素施入研究以及產(chǎn)量預測方面有很好的應用，但是對于大尺度上的作物判別還需要統(tǒng)計更多的植被信息、統(tǒng)一獲取的遙感信息，并且建立更精確的參數(shù)模型來進行植被生長狀況的指導以及作物轉(zhuǎn)基因與非轉(zhuǎn)基因的鑒別。利用高光譜信息量大，波段多的特點，將可分性好的波段設置為最佳工作波段，與航空航天高光譜遙感進行結(jié)合將有更好的應用前景。

高光譜技術在提取油菜葉面積指數(shù)（LAI）、預測氮素含量以及生物化學參數(shù)的估算與應用方面都有很大的潛在優(yōu)勢。用光譜數(shù)據(jù)指導油菜種植，保障油料作物的最佳種植環(huán)境；監(jiān)測油菜的長勢狀況以及營養(yǎng)情況，以便進行合理規(guī)劃；針對冠層光譜的反射差異，建立鑒別轉(zhuǎn)基因與非轉(zhuǎn)基因的光譜模型，對合理保護野生資源提供數(shù)據(jù)支持。

參考文獻：

[1]束 炯，王 強，孫 娟.高光譜遙感的應用研究[J].華東師范大學學報：自然科學版，2006（4）：1～10.

[2]Bouman， B.，Linking physical remote sensing models with crop growth simulation models， applied for sugar beet[J].International Journal of Remote Sensing，1992，13（14）：2565～2581.

[3]祁亞琴，王登偉，陳冠文.基于高光譜數(shù)據(jù)提取作物冠層特征信息的研究進展[J].棉花學報，2005，17（6）：371～375.

[4]Takebe， M.， T. Yoneyama， K. Inada.Spectral reflectance ratio of rice canopy for estimating crop nitrogen status[J].Plant and Soil，1990，122（2）：295～297.

[5]王秀珍，李建龍，唐延林.導數(shù)光譜在棉花農(nóng)學參數(shù)測定中的作用[J].華南農(nóng)業(yè)大學學報，2004，25（2）：17～21.

[6]浦瑞良，宮 鵬.高光譜遙感及其應用[M].北京：高等教育出版社.

[7]述 彭，慶 禧，華 東.遙感信息機理研究[M].北京：科學出版社，1998.

[8]Daughtry， C.， C. Walthall， M. Kim.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote sensing of Environment，2000，74（2）：229～239.

[9]王希群，馬履一，賈忠奎.葉面積指數(shù)的研究和應用進展[J].生態(tài)學雜志，2005，24（5）：537～541.

[10]Broge， N.H.， J.V. Mortensen.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J].Remote sensing of environment，2002，81（1）：45～57.

[11]朱春全，雷靜品，劉曉東.不同經(jīng)營方式下楊樹人工林葉面積分布與動態(tài)研究[J].林業(yè)科學，2001，37（1）：46～51.

[12]Gholz， H.L.，Environmental limits on aboveground net primary production， leaf area， and biomass in vegetation zones of the Pacific Northwest[J].Ecology，1982，63（2）：469～481.

[13]Haboudane， D.， J.R. Miller， E. Pattey，Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture[J].Remote sensing of environment，2004，90（3）：337～352.

[14]李鳳秀，張 柏，宋開山.玉米葉面積指數(shù)與高光譜植被指數(shù)關系研究[J].遙感技術與應用，2007，22（5）：586～592.

[15]梁 亮，楊敏華，張連蓬.小麥葉面積指數(shù)的高光譜反演[J].光譜學與光譜分析，2011，31（6）：1658～1662.

[16]牛 錚，王 汶，王長耀.新型遙感數(shù)據(jù)在作物生長監(jiān)測中的應用[M].北京：測繪出版社，1996：146.

[17]戴小華，余世孝.遙感技術支持下的植被生產(chǎn)力與生物量研究進展[J].生態(tài)學雜志，2004（4）：92～98.

[18]唐延林，黃敬峰，王秀珍.水稻， 玉米， 棉花的高光譜及其紅邊特征比較[J].中國農(nóng)業(yè)科學，2004，37（1）：29～35.

[19]浦瑞良，宮 鵬.森林生物化學與 CASI 高光譜分辨率遙感數(shù)據(jù)的相關分析[J].遙感學報，1997，1（2）：115～123.

[20]Rock， B.， T. Hoshizaki， J. Miller，Comparison of in situ and airborne spectral measurements of the blue shift associated with forest decline[J].Remote Sensing of Environment，1988，24（1）：109～127.

[21]Curran， P.J.，Remote sensing of foliar chemistry[J].Remote sensing of Environment，1989，30（3）：271～278.

[22]Li， Y.， T. Demetriades-Shah， E. Kanemasu.Use of second derivatives of canopy reflectance for monitoring prairie vegetation over different soil backgrounds[J].Remote Sensing of Environment，1993，44（1）：81～87.

[23]Tsai， F.， W. Philpot，Derivative analysis of hyperspectral data[J].Remote Sensing of Environment，1998，66（1）：41～51.

[24]王克如，潘文超，李少昆.不同施氮量棉花冠層高光譜特征研究[J].光譜學與光譜分析，2011，31（7）：1868～1872.

[25]劉占宇，黃敬峰，唐延林.棉花冠層反射光譜特征研究[J].浙江農(nóng)業(yè)學報，2004，16（3）：0～147.

[26]孫 莉，陳 曦，包安明.棉花各生育期高光譜數(shù)據(jù)與葉片生物物理生物化學量的相關分析[J].干旱區(qū)地理，2004，27（1）：124～129.

[27]吳春霞，王 進，任 崗.基于高光譜技術的棉花冠層反射特征研究[J].農(nóng)業(yè)與技術，2008，28（4）：56～60.

[28]王 進，李新建，白 麗.干旱區(qū)棉花冠層高光譜反射特征研究[J].中國農(nóng)業(yè)氣象，2012，33（1）：114～118.

[29]喬 娟.中國大豆國際競爭力研究[D].北京：中國農(nóng)業(yè)科學院，2004，

[30]張 柏，宋開山，張淵智.大豆葉面積的高光譜模型[J].沈陽農(nóng)業(yè)大學學報，2005，36（4）：396～400.

[31]湯旭光，宋開山，劉殿偉.基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較[J].光譜學與光譜分析，2011，31（2）：371～374.

[32]張雪紅，劉紹民，何蓓蓓.不同氮素水平下油菜高光譜特征分析[J].北京師范大學學報：自然科學版，2007，43（3）：245～249.

[33]黃敬峰，王 淵，王福民.油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型[J].農(nóng)業(yè)工程學報，2006，22（8）：22～26.

[34]王 淵，黃敬峰，王福民.油菜葉片和冠層水平氮素含量的高光譜反射率估算模型[J].光譜學與光譜分析，2008，28（2）：273～277.

[35]HANNAWAY， D.Estimating Leaf Chlorophyll Content Using Red Edge Parameters[J].Pedosphere，2010，5011.