高光譜遙感技術(shù)在農(nóng)作物監(jiān)測中的應(yīng)用

王利龍+呂航

摘 要：高光譜遙感農(nóng)業(yè)研究已經(jīng)逐漸成為現(xiàn)代農(nóng)業(yè)研究中的重點，高光譜遙感影像具有光譜連續(xù)、波段多以及數(shù)據(jù)量大等特點，可為現(xiàn)代農(nóng)業(yè)研究提供精準(zhǔn)的技術(shù)手段。文章以農(nóng)作物監(jiān)測為視角，概述了高光譜遙感影像的特點，對高光譜遙感技術(shù)在農(nóng)作物監(jiān)測中的應(yīng)用進(jìn)行了詳細(xì)的描述，包括農(nóng)作物種類監(jiān)測、氮素監(jiān)測、葉綠素監(jiān)測、病蟲害監(jiān)測以及重金屬監(jiān)測五個方面。

關(guān)鍵字：現(xiàn)代農(nóng)業(yè)研究；農(nóng)作物監(jiān)測；高光譜遙感

中圖分類號：S5-3 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2018）01-0147-03

Abstract： Hyperspectral remote sensing agricultural research has gradually become the focus of modern agricultural research. Hyperspectral remote sensing images have the characteristics of spectral continuity， multi-band and large amount of data. It can provide precise technical means for modern agricultural research. In this paper， the characteristics of hyperspectral remote sensing images are summarized from the perspective of crop monitoring， and the application of hyperspectral remote sensing technology in crop monitoring is described in detail. It includes five aspects： crop species monitoring， nitrogen monitoring， chlorophyll monitoring， pest and disease monitoring and heavy metal monitoring.

Keywords： modern agriculture research； crop monitoring； hyperspectral remote sensing

引言

20世紀(jì)80年代初，人們開始運(yùn)用遙感技術(shù)對農(nóng)作物進(jìn)行監(jiān)測，隨著遙感技術(shù)的飛速發(fā)展以及對地觀測手段的不斷進(jìn)步，高光譜遙感技術(shù)所具有的光譜分辨率高，波段多，數(shù)據(jù)量大等特點，使其在地表物質(zhì)的監(jiān)測、識別和分類、有用信息的提取等方面具有很大優(yōu)勢。在這四十余年的發(fā)展中，尤其是“現(xiàn)代精細(xì)化農(nóng)業(yè)”的提出，使得這一技術(shù)在農(nóng)作物監(jiān)測中得到了廣泛的應(yīng)用。

高光譜遙感數(shù)據(jù)包含了農(nóng)作物的空間信息、波譜信息和輻射信息，其“圖譜合一”的特性（如圖1）使其可以對農(nóng)作物進(jìn)行氮素、葉綠素以及病蟲害等監(jiān)測。農(nóng)作物的空間信息主要體現(xiàn)在不同作物類別之間，不同農(nóng)作物對光的吸收和反射不同使其在遙感圖像上呈現(xiàn)出不同的特征。波譜信息常用波譜曲線來表示，不同農(nóng)作物具有不同的波譜曲線波形，相同的農(nóng)作物具有相近的波譜曲線波形，根據(jù)這一特征可以精細(xì)地對農(nóng)作物的類別進(jìn)行劃分。輻射信息主要表現(xiàn)在農(nóng)作物對光輻射能量的吸收和反射作用，不同農(nóng)作物對紅外線或紫外線的吸收和反射不同，根據(jù)這一特征可對農(nóng)作物進(jìn)行強(qiáng)有力的監(jiān)測，監(jiān)測其水分、營養(yǎng)物質(zhì)等的吸收和利用[1]。

1 農(nóng)作物種類監(jiān)測

農(nóng)作物種類監(jiān)測是遙感技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的重要內(nèi)容，農(nóng)作物種類監(jiān)測也稱為農(nóng)作物種類分類監(jiān)測，其原理是根據(jù)不同植被光譜的高度相似性和空間變異性等特點，對農(nóng)作物的種類以及長勢進(jìn)行劃分。高光譜遙感影像精確的波譜特征可以探測到多光譜遙感影像探測不到的信息，因此，充分發(fā)揮高光譜遙感影像的性能，可對地表農(nóng)作物的細(xì)微差別進(jìn)行識別與分類，能夠大大提高土地覆蓋類型的識別與分類精度。

2 農(nóng)作物氮素監(jiān)測

氮素通常是農(nóng)作物生長發(fā)育過程中最活躍的元素，也是農(nóng)作物進(jìn)行營養(yǎng)監(jiān)測的標(biāo)志性元素。農(nóng)作物氮素監(jiān)測研究于19世紀(jì)問世以后，先后經(jīng)歷了外觀形態(tài)監(jiān)測法、化學(xué)監(jiān)測法以及現(xiàn)代高科技技術(shù)監(jiān)測法三個階段，其中，現(xiàn)代高科技技術(shù)監(jiān)測法最主要的技術(shù)手段就是高光譜遙感技術(shù)。

農(nóng)作物氮素含量的高低對其葉面積指數(shù)，蛋白質(zhì)含量，植物覆蓋度以及生物量等均有顯著影響。農(nóng)作物內(nèi)部結(jié)構(gòu)和表面特性的不同使得其對不同光譜通道內(nèi)電磁波的吸收和反射是不同的，因此，可以利用農(nóng)作物的光譜特征對其氮素含量進(jìn)行監(jiān)測，進(jìn)而實現(xiàn)農(nóng)作物生長狀況和產(chǎn)量的動態(tài)監(jiān)測。以水稻為例，當(dāng)其缺少氮素時水稻植株會發(fā)生葉片異化變黃甚至產(chǎn)生紅斑等現(xiàn)象，進(jìn)而影像水稻的生長速度，當(dāng)?shù)睾窟^多時，水稻植株會瘋長且葉片顏色深綠，會導(dǎo)致貪青晚熟的現(xiàn)象發(fā)生。運(yùn)用高光譜遙感數(shù)據(jù)建立多元回歸模型，對水稻冠層處的光譜進(jìn)行研究可知，當(dāng)葉片氮素含量不同時，在近紅外光譜通道內(nèi)光譜特征也有著較大的差異[2]。對玉米進(jìn)行氮素監(jiān)測可知550-700nm光譜通道內(nèi)為氮素敏感區(qū)域且550nm左右光譜通道內(nèi)的反射率能夠反映玉米氮素處理間的差異。運(yùn)用田間甜菜冠層高光譜數(shù)據(jù)，對其氮素含量和植被指數(shù)進(jìn)行估算并建立氮素含量估算模型，可以實現(xiàn)對甜菜整個生長期的氮素動態(tài)監(jiān)測[3]。因此，氮素監(jiān)測是農(nóng)作物研究中必不可少的部分。

3 農(nóng)作物葉綠素的監(jiān)測

葉綠素是農(nóng)作物進(jìn)行光合作用的主要色素，可吸收可見光光譜通道內(nèi)的能量[4]，因此，葉綠素在可見光光譜通道內(nèi)（380-740nm）的反射光譜表現(xiàn)為：藍(lán)光和紅光的大部分為葉綠素所吸收，即400-450nm和650-700nm光譜通道內(nèi)為葉綠素的強(qiáng)吸收帶，并消耗于植物的光合作用，綠光大部分為葉綠素所反射，即550nm光譜通道附近為葉綠素的強(qiáng)反射峰區(qū)，也是健康的植物呈現(xiàn)綠色的原因[5]。如圖所示為綠色植物有效光譜響應(yīng)特征圖。endprint

運(yùn)用高光譜遙感技術(shù)進(jìn)行農(nóng)作物葉綠素監(jiān)測是研究農(nóng)作物長勢與生物量常用的技術(shù)手段，高光譜遙感影像可以反映農(nóng)作物的“紅邊”特性，紅邊是紅光和近紅外范圍內(nèi)的植被反射光譜曲線斜率最大處對應(yīng)的光譜通道。很多研究表明，紅邊和作物葉綠素含量具有很好的相關(guān)性。早在1989年Curran等[6]就利用CASI數(shù)據(jù)對葉綠素與紅邊位置進(jìn)行研究分析并建立回歸方程，證實了農(nóng)作物“紅邊”位置與葉綠素密度之間的密切關(guān)系：葉綠素濃度越高， 紅光光譜通道內(nèi)葉綠素的吸收效果越好，即植物的光和作用質(zhì)量越高。除此之外，以農(nóng)作物為研究對象，高光譜遙感技術(shù)為手段，利用各種數(shù)學(xué)方法還可以建立各種葉綠素含量估算模型[7]，如呂杰[8]等運(yùn)用粒子群優(yōu)化算法和支持向量機(jī)建立了玉米葉綠素含量估算模型。

4 農(nóng)作物病蟲害監(jiān)測

病蟲害是農(nóng)作物生長過程中不可避免的自然災(zāi)害，對其控制或處理不當(dāng)，會造成嚴(yán)重的經(jīng)濟(jì)損失，因此，對于精細(xì)化農(nóng)業(yè)的可持續(xù)發(fā)展有著顯著影響。國外農(nóng)作物研究員在20世紀(jì)80年代就開始利用高光譜遙感技術(shù)對各種農(nóng)作物進(jìn)行病蟲害研究[9]，而國內(nèi)的研究則起步較晚，在20世紀(jì)末才開始相關(guān)技術(shù)的研究。

以玉米為研究對象，感染各種病蟲害的玉米葉片同健康植株相比，在光譜特征上具有細(xì)微的差別，如矮花葉病毒的玉米葉片同健康植株相比，在近紅外光譜通道內(nèi)呈現(xiàn)出不同的波譜特征，根據(jù)這些波譜特征就可以判斷玉米是否感染矮花葉病毒及其感染情況。以小麥為研究對象，小麥銹病是影響小麥產(chǎn)量的直接因素，運(yùn)用高光譜遙感影像以及數(shù)學(xué)手段對小麥估產(chǎn)模型進(jìn)行研究，可精確的估算小麥的產(chǎn)量以及小麥銹病所引起的產(chǎn)量損失。

5 農(nóng)作物重金屬監(jiān)測

隨著我國農(nóng)業(yè)的快速發(fā)展，農(nóng)田重金屬污染逐漸成為當(dāng)今世界面臨的重大生態(tài)環(huán)境問題之一，糧食安全和人類生存問題息息相關(guān)，因此，如何準(zhǔn)確、高效地進(jìn)行土壤重金屬污染研究和處理是農(nóng)業(yè)研究普遍關(guān)注的課題之一。農(nóng)作物中的重金屬含量與其土壤中元素含量的高低有著直接關(guān)系，人類活動產(chǎn)生的大量含有害重金屬危害著全球土壤環(huán)境，使得土壤中重金屬含量明顯高于自然背景值，形成土壤重金屬污染，進(jìn)而導(dǎo)致農(nóng)作物中的重金屬含量超標(biāo)。

運(yùn)用高光譜遙感影像進(jìn)行農(nóng)作物重金屬檢測，主要依據(jù)重金屬對植物生物物理結(jié)構(gòu)的“破壞”作用，導(dǎo)致植物內(nèi)部結(jié)構(gòu)發(fā)生變化，進(jìn)而使其在高光譜遙感影像上會呈現(xiàn)出不同的光譜特征。如Wu等[11]對南京城郊農(nóng)田進(jìn)行研究，發(fā)現(xiàn)土壤內(nèi)重金屬Ni、Cu和Cr的含量與Fe有著密切關(guān)系，并依此建立了反演模型，利用反射光譜成功的估算了長江沖積島八卦洲內(nèi)土壤中的這三種重金屬元素的含量，認(rèn)為土壤中的重金屬元素與土壤鐵元素之間的反射光譜在植物反射光譜上呈正相關(guān)關(guān)系。J Wang等[12]利用偏最小二乘回歸與遺傳算法，構(gòu)建了土壤重金屬估算模型，該模型對土壤內(nèi)重金屬鉛、鋅、銅有很精確的估算效果，進(jìn)而反映出植物內(nèi)的重金屬含量，在中國宜興地區(qū)取得了非常不錯的效果。

6 結(jié)束語

農(nóng)作物生長受農(nóng)作物品種、地域、土壤、氣候以及栽培管理等因素的影響，在大面積農(nóng)作物種植區(qū)域?qū)崿F(xiàn)人工動態(tài)監(jiān)測是非常困難的，運(yùn)用高光譜遙感技術(shù)則可以實現(xiàn)對農(nóng)作物各項指標(biāo)的監(jiān)測。因此，運(yùn)用高光譜遙感影像對農(nóng)作物進(jìn)行監(jiān)測是現(xiàn)代化農(nóng)業(yè)以及未來精準(zhǔn)農(nóng)業(yè)的發(fā)展趨勢。

參考文獻(xiàn)：

[1]譚雨蕾.基于特征度量的高光譜遙感影像波段選擇方法研究[D].吉林大學(xué)，2017.

[2]李永梅，張學(xué)儉，張立根.水稻氮素高光譜遙感估測模型研究[J].江蘇農(nóng)業(yè)科學(xué)，2016，44（8）：435-439.

[3]李哲，田海清，王輝，等.基于高光譜的甜菜冠層氮素遙感估算研究[J].農(nóng)機(jī)化研究，2016，38（6）：210-214。

[4]Chappelle E W， Kim M S， McMurtrey J E. Ratio analysis of reflectance spectra （PARS）： an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J]. Remote Sensing of Environment， 1992，39（3）：239-247.

[5]宮兆寧，趙雅莉，趙文吉，等.基于光譜指數(shù)的植物葉片葉綠素含量的估算模型[J].生態(tài)學(xué)報，2014，34（20）：5737-5745.

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

[7]Daughtry， C.S.T.， Walthall， C.L.， Kim， M.S. Brown. Estimating corn leaf chlorophyll coneentration from leaf and canopy reflectance[J]. Remote sensing of Environment， 2002，74（2）：229-239.

[8]呂杰，汪康寧，李崇貴，等.基于高光譜遙感的玉米葉綠素含量估測模型[J].中國礦業(yè)大學(xué)學(xué)報，2016，45（2）：405-410.

[9]馬菁，張學(xué)儉.枸杞病蟲害遙感近地高光譜特征研究[J].廣東農(nóng)業(yè)科學(xué)，2015，42（13）：165-172.

[10]賀軍亮，張淑媛，查勇，等.高光譜遙感反演土壤重金屬含量研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2015，30（3）：407-412.

[11]J Wang， L Cui， W Gao， et al. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J].Geoderma， 2014，216（4）：1-9.endprint