基于冠層高光譜信息的水稻生長監測應用研究進展

張 晗，趙小敏，郭 熙，張佳佳，葉 春，葉英聰，歐陽真程，王芳東，4，李小毛

(1.江西農業大學江西省鄱陽湖流域農業資源與生態重點實驗室/南方糧油作物協同創新中心，江西南昌 330045；2.江西農業大學國土資源與環境學院，江西南昌 330045； 3.江西省農業科學院農業工程研究所，江西南昌 330200；4.江西省農業科學院土壤肥料與資源環境研究所，江西南昌 330200；5.江西省上高縣農業局土肥站，江西宜春 336400)

水稻是我國和世界主要糧食作物之一，也是栽培歷史最久遠、種植面積最大、分布范圍最廣、單產最高、營養價值最高的糧食作物。據國家統計局2015年底的最新統計結果顯示，全國水稻種植面積為3.02×107hm2，總產量為 20 822.52萬t。因此，水稻產量及品質在國家糧食安全和國計民生中起著至關重要的作用，基于高光譜信息的水稻生長監測已成為農業遙感的重要研究領域。高光譜遙感(hyperspectral remote sensing，簡稱HRS)別稱成像光譜遙感，始于20世紀80年代，它是在電磁波譜的可見光(400～760 nm)、近紅外(700～800 nm)、中紅外(1 300～2 500 nm)和熱紅外(3 000～14 000 nm)波段范圍內，獲取許多十分狹窄的、連續的光譜成像技術。近年來，利用光譜成像技術快速、動態、無損的特點對農作物長勢和參數進行實時監測已成為當前農業遙感領域的研究熱點[1-2]，國內外許多專家學者借助光譜技術在水稻作物信息方面開展了大量研究，并取得了不錯進展，但是全面系統地綜述近40年來高光譜技術在水稻養分生理信息監測中研究進展的報道較少。植株冠層光譜特征可以反映作物長勢、葉綠素含量、水分含量、養分含量及組織結構等生理生化信息，這也是基于高光譜遙感原理探究作物信息的重要依據。在農業生產過程中，遙感技術是實施精準農業的一個重要關鍵技術，如何“精耕細作”，方便快捷、精確可靠地獲取水稻生長信息，及時了解苗情、產量及品質狀況等己成為實施精準農業尤為關鍵的問題。高光譜遙感以其可動態、客觀、準確、及時地提供作物生態環境、生長信息和各種光譜特征的特點而得以迅猛發展[1-2]。本文重點綜述高光譜技術在水稻長勢監測、光譜參數與信息提取、水分監測、營養診斷和病蟲害等中的應用研究進展，探討目前水稻光譜在研究中存在的問題，總結該領域未來的發展趨勢。

1 水稻長勢監測

水稻長勢診斷主要是監測水稻不同生育期生長速度的快慢，主要評估參數有葉綠素含量、葉面積指數(leaf area index，簡稱LAI)和生物量等。長勢，即作物生長的狀況與趨勢。水稻長勢監測指對作物苗情、生長狀況及其變化情況的宏觀監測，其本質是預判作物產量的豐欠趨勢，通過實時動態監測逐漸逼近實際作物產量。水稻長勢遙感監測是基于植被吸收和反射波譜理論基礎之上的。作物在不同時段或不同光照、溫度、水分、氣體、土壤等外界環境條件下其群體長勢也不一樣，在光譜曲線上表現為光譜吸收和反射率差異。綠色植物在光譜吸收和反射特性方面的表現為強吸收帶主要分布在可見光區域，強反射峰主要分布在近紅外區域。吸收和反射特性可以反映出作物的生長信息和健康狀況，從而進行水稻長勢監測。

1.1 水稻葉面積指數的監測

葉面積指數是指單位土地面積上所有葉片表面積的總和，是表征水稻冠層結構和生理參數的重要指標和關鍵參數，也是水稻植株個體特征和群體特征的綜合性監測指標，在水稻冠層信息快速檢測方面具有極其廣泛的應用。因受到光合作用、呼吸作用、蒸騰作用以及碳循環、降水截獲、地表凈初級生產力、幾何參數等影響，葉面積指數在反演過程中顯得十分復雜[3]。研究發現，在波長為671.21 nm處，光譜反射率與LAI的相關系數最大，為-0.875，LAI與高光譜特征變量的相關系數達到極顯著性檢驗水平。為定量估測LAI，可以通過構建新的高光譜植被指數等不同形式的光譜參數與LAI進行相關分析來反演LAI，其中以歸一化植被指數(normalized difference vegetation index，簡稱NDVI)、比值植被指數(ratio vegetation index，簡稱RVI)(850，560)和差值指數(difference index，簡稱DI)(854，760)為變量建立的水稻LAI監測模型效果最佳[4-9]。在紅光(red，簡稱R)和近紅外(near-infrared，簡稱NIR)2個較窄波段，水稻的一階微分光譜、紅邊參數與LAI的相關性極好，在估計LAI時，具有很高的預測能力[10-11]。遙感數據提取LAI時，因數據具有大量性和處理復雜性的特點，有學者提出，采用支持向量機、主成分分析法和人工神經網絡等統計方法來估算LAI[12-16]。也有學者結合美國ASD地物光譜儀實地測量水稻的波譜曲線和SPOT-5、MODIS、Hyperion、Landsat TM、NOAA等衛星遙感數據，并建立兩者模型對葉面積指數進行反演，且取得了較好的效果[17-20]。通過葉面積指數與冠層反射光譜的顯著性相關分析可以判斷出，由水稻冠層光譜反射率構建的植被指數結合LAI來監測水稻的長勢特征在理論和實際運用中是可行的[10-11]。

1.2 生物量的監測

生物量分為地上鮮生物量和地上干生物量，通常被定義為單位土地面積上所有植物體質量的總和。生物量、水稻產量均與LAI密不可分，一般來說，用于監測作物葉面積指數的方法對生物量的光譜監測也具有普適性，主要利用植被指數、高光譜參數與生物量進行相關分析，并選擇合適的植被指數、回歸類型及相應的經驗模型進行作物生物量的估算。田國良等認為，水稻的光譜反射率在某種意義上可反映光合作用情況，而光合作用可形成植物的生物量，水稻在波長為680、800 nm 時的光譜反射率相關系數較高，能很好地反映作物的生長狀況[21]。田永超等研究發現，1 650、1 100 nm是水稻生物量的敏感波段，且1 650、1 100 nm波段組成的比值指數(R1 650/R1 100)與水稻地上部鮮質量、干質量均呈極顯著指數負相關關系，在冠層尺度上可以較好地反演水稻地上生物量[22]。Takahashi等通過分析水稻冠層可見光和近紅外波段的光譜參數，建立相關統計回歸模型，能較為準確地預測水稻干質量[23]。唐延林等研究表明，水稻的歸一化植被指數、比值植被指數與其地上部生物量之間的相關性均符合顯著性檢驗[8]。王秀珍等認為，存在由藍邊內一階微分的總和(SDb)與紅邊內一階微分的總和(SDr)構成的高光譜地上鮮生物量估算的最佳對數擬合模型，在681.11 nm處光譜反射率和地上鮮生物量存在最大相關系數(-0.822)，且達到了極顯著性檢驗水平[24]。

1.3 水稻葉綠素含量的監測

葉綠素含量既反映作物的生長狀況，又表征作物的生產能力，而葉綠素密度是估計農作物群體生產力的重要指標，葉綠素含量直接影響作物的生長和產量。葉綠素是氮素脅迫、光合作用能力和植被發育階段的指示器，因此，葉綠素含量與植被的光合能力、營養狀況、發育階段等具有較顯著的相關性，為大田尺度的水稻冠層葉綠素含量遙感監測提供理論依據。葉綠素是作物光合作用的主要色素，與水稻的氮含量密切相關。葉綠素在可見光波段最為敏感，具體表現為藍光和紅光是葉綠素吸收的波峰區域，而綠光是葉綠素吸收的低谷區域。李云梅等試驗表明，冠層反射率受葉片葉綠素含量影響而變化的趨勢與葉片相同，但受影響的程度隨葉面積指數的變化而變化，當葉面積指數逐漸增大時，由葉綠素引起的冠層反射率變化幅度也隨之增大，但當葉面積指數達到某個臨界值時，這種變化幅度間的差異減小[25]。植物光譜曲線的導數變換實質上反映了植物的葉綠素含量及其他生物化學成分含量隨波形變化而變化的特征。吳長山等分析結果表明，水稻、玉米葉片在720～770 nm波段處的導數光譜與葉綠素密度具有較高的相關性，相關系數達0.89，且相關性受作物種類的影響很小[26]。孫雪梅等利用550 nm附近的綠峰作為光譜反射率，并以此建立葉綠素含量與綠色植被指數、R850/R550與全氮含量之間的相關關系，相關系數分別為0.876 1、0.888 0[27]。針對葉綠素反演，1993年國外學者Kim等提出葉綠素吸收反射率指數(chlorophyll absorption reflectance index，簡稱CARI)[28]，其公式為：

式中：a、b分別表示葉綠素a、葉綠素b含量，a=(R700-R500)/150；b=R550-550a

2 水稻高光譜參數與信息提取方法

2.1 高光譜數據的處理與變換

在實際分析和處理高光譜數據的過程中，為削弱大氣散射、背景噪聲和冗余信息對目標物光譜的影響，提高光譜吸收與反射特征的對比度，通常會對光譜數據進行壓縮和各種線性變換，變換方法要有去包絡線法、重采樣、微分變換、對數變換和對數的導數等，常用的高光譜數據處理軟件主要有ViewSpecPro 6.0、ENVI 5.0、MATLAB 2014a、The Unscrambler 10.3和Origin 8.0等。

2.1.1 反射光譜連續統去除法 連續統去除法(continuum-removed)別稱去包絡線法，在光譜分析時是一種十分常用和非常典型的方法，定義為逐點直線連接隨波長變化的吸收或反射凸出的“峰”值點，并使折線在“峰”值點上的外角大于180°[29]。去包絡線法可以有效地凸顯目標物質光譜曲線的吸收和反射特征，并將其歸一到一致的光譜條件與背景上，方便和其他波譜曲線進行特征數值的對照，進而提取出特征波段進行分類識別，去掉包絡線后變為光滑的光譜波段深度曲線(圖1)。光譜波段深度曲線的計算公式為：

式中：R′(λ)、R(λ)、Rc(λ)分別表示光譜波段深度、原始光譜曲線、光譜包絡線；λ為波長。

Clark等在連續統去除的基礎上提出波段深度[29]。由于植物與地表礦物組成成分中含有相同的化合物，因此基于連續統去除的方法也同樣適用于植被光譜研究，即可把波段深度應用于反射光譜的歸一化處理。波段深度和反射光譜的歸一化處理的具體公式為：

式中：R′為連續統去除反射率；Dh為波段深度；Dhc是連續統去除光譜中吸收谷最小值。

2.1.2 光譜反射率數據變換法 光譜微分技術(導數算法)是反射率數據變換法中最常用的光譜增強方法，該方法對光譜信噪比非常敏感，能夠分解重疊的吸收波段、提取目標參數。研究表明，光譜的低階微分處理對噪聲影響敏感性較低，去除不同的背景和噪聲，對某些重疊混合光譜進行分解，以便于識別[2，8]。光譜微分技術能有效地消除基線漂移或降低背景干擾因素的影響，并且可以增強可見光區域的光譜差異，變非線性關系為線性關系，導數光譜一般用差分方法來近似計算，以凸顯光譜特征信息差異引起的變化，更易找出曲線拐點位置。常用的光譜導數算法有一階導數(first derivation)、二階導數(second derivation)和對數導數(logarithmic derivation)等18種數學變換方法。水稻高光譜的微分光譜采用下式進行計算：

式中：λi為波段i的波長；R(λi)是波段λi的反射率；Δλ是波長λi-1與λi的差值。

2.2 光譜建模方法與模型驗證

水稻光譜特征參數的預測多采用逐步多元線性回歸(stepwise multiple linear regression，簡稱SMLR)、主成分分析(principal component analysis，簡稱PCA)、支持向量機(support vector machine，簡稱SVM)、BP神經網絡(back propagation neural network，簡稱BPNN)、偏最小二乘回歸(partial least squares regression，簡稱PLSR)和徑向基函數神經網絡(radial basis function neural network，簡稱RBFNN)模型等方法，可以運用上述預測模型對不同年份、不同品種、不同養分水平的水稻田間試驗進行指導，分析水稻葉片光譜曲線與葉面積指數、含氮量、葉綠素含量和紅邊參數等的相關性，以此建立定量估測模型。SMLR雖然方法簡單，物理意義明確，但該方法因受到使用變量數的限制，使得許多光譜信息在建模分析的過程中容易丟失。PCA方法能夠解決變量數的使用限制問題、減少網絡的輸入維數和消除原始樣本分量間的相關性等，但是該方法不能保證在建模時參與回歸的主成分與被測組分或性質一定相關。支持向量機能解決小樣本、非線性以及神經網絡中局部極小值的問題，可以無需費力的交差驗證即可進行參數自動調整，產生較高的分類精度，具有全局最優、泛化能力強、學習時間短和樣本需求少等優點。但SVM的最大問題在于核函數的選擇尚沒有一個固定的方法，主要依靠先驗知識[30-31]。偏最小二乘回歸可很好地解決各變量內部高度線性相關、樣本個數少于變量個數等問題，尤其針對多維變量或非線性程度較高的問題，優勢更加明顯，具有較高的精度和較強的魯棒性等優勢。BP神經網絡學習過程的收斂具有過分依賴初值和局部收斂的缺陷，在處理復雜問題時，徑向基函數神經網絡模型可以很好地克服BP神經網絡的缺陷，具有算法簡單、運算速度較快、學習時間短、非線性映射能力較強和預測精度較高的性能[32]。在現實中，單一模型存在諸多局限性，干擾預測結果，往往需要組合模型提高預測精度，其中較理想的是偏最小二乘回歸和徑向基函數神經網絡組合模型。

RBFNN通常具有3層網絡結構，即輸入層、隱層、輸出層，是通過隱層節點基函數執行的一種非線性變化函數，且用徑向基函數神經網絡可以以任意精度全局逼近非線性函數，徑向基神經網絡函數輸出模型為

式中：n為隱含層神經元的個數；x為輸入向量；ωi是第i個隱含層神經元與輸出層神經元的聯結權值；φi為隱含層第i個單元的輸出；Ci為隱層第i個單元高斯函數的中心值；σ為高斯函數的方差。

在建模以及驗證過程中須要對模型參數進行評估優化，通常選取確定系數(R2)、均方根誤差(root mean square error，簡稱RMSE)和相對分析誤差(ratio of performance to standard deviation，簡稱RPD)來度量和評價反演模型的預測精度，以選取最優的建模參數。當RPD<1.4，則表明模型不能對樣本進行預測；1.4≤RPD≤2.0，表明模型可對樣本作粗略估測；而RPD>2.0，表明模型具有相當好的預測能力。

2.3 光譜特征位置變量分析與“三邊參數”

水稻光譜的“三邊”是指它的藍邊、黃邊和紅邊，三邊參數與植被的色素含量、營養成分(氮、磷、鉀等含量)有關，其中應用最廣泛的為“紅邊”效應，紅邊是健康綠色植物所特有的光譜特征，也是區別于巖礦、土壤、水體等地物的主要光譜特征。計算水稻冠層光譜的一階導數，并在此基礎上提取水稻冠層光譜的紅邊參數(紅邊位置、紅邊面積和紅邊幅值)。紅邊位置的定義為紅光波段(680～760 nm)區域內光譜反射率的一階微分最大值所對應的光譜反射率位置。紅邊面積是680～760 nm光譜反射率一階微分光譜曲線與橫坐標包圍的面積。紅邊幅值指紅光范圍內一階微分光譜的最大值。經過試驗發現，當綠色植物葉綠素含量增加、生長旺盛時，紅邊參數出現紅移；當植物由于遭遇病蟲害或因污染或物候變化而失綠時，紅邊參數出現藍移，植物紅邊參數的計算公式分別為：

Dr=max[D(λ)λ=680～760 nm]；

其中，λ為波長，nm。

黃邊和藍邊也是綠色植物的特征之一，黃邊的覆蓋范圍為560～640 nm，是綠光到紅光的過渡區，藍邊的覆蓋范圍為490～530 nm，是藍光到綠光的過渡區，黃邊和藍邊的參數意義與紅邊類似。水稻冠層光譜的紅邊具有雙峰現象，但針對黃邊和藍邊的雙峰未見報道。

2.4 高光譜植被指數

植被各種參數的反演是植被遙感的主要內容之一，植被指數作為地表植被覆蓋和農作物群體長勢的表征參量，在農作物長勢遙感監測以及養分含量監測、病蟲害診斷、產量品質估算等方面發揮著重要作用。通過高光譜遙感技術可以提取植物生物物理、生物化學等植被指數參數的定量信息[33]。利用高光譜遙感通道的反射值得到光譜指數是監測作物長勢水平最有效的方法，植被指數作為長勢參量在作物定量遙感監測領域中的應用十分普遍，但植被指數的監測會受到相應的應用背景和適用條件的制約，農作物的生長發育狀況和變化趨勢能夠以植被指數數值的形式反映出來[34]。常用的植被指數包括歸一化植被指數、比值植被指數、差值植被指數和土壤調節植被指數等，本文充分利用和篩選國內外研究成果，從40多種植被指數中歸納梳理了20多種與作物生理參數相關性較好且應用比較廣泛的光譜指數，具體見表1。

表1 作物高光譜植被指數表達式及參考文獻

注：RNIR為近紅外波段的反射率；RRED為紅光的反射率；RBLUE為藍光的反射率；a、b為0.1～0.2范圍內與土壤有關的權重常數；M是土壤基線的斜率；L是植被冠層調節因子；γ是大氣輻射訂正系數；γ↑的變化范圍為0.65～1.21。

3 水分監測

水分是水稻的主要組成成分，水分虧缺是影響水稻生長、產量品質的主要因素之一，因此，及時準確監測或診斷出作物水分狀況，對提高作物水分管理水平和指導節水農業生產具有重要意義。針對在近紅外遙感影像上水分對近紅外波段強烈吸收的性質，采用紅外通道對水稻水分狀況進行探測為農業遙感提供了技術基礎，國內外許多學者探討了反射光譜反演水稻水分含量的可行性。Inoue等研究發現，采用950～970 nm處的波段反射率來預估葉片的相對含水量可以達到很好的效果[55]。Shibayama等研究表明，在1 190～1 320 nm和1 600 nm處光譜反射率的一階微分可以很好地預測雙季稻冠層的水分盈缺狀況[56]。Penuelas等用水分指數WI=R970/R900和700～800 nm波段區域的一階導數最小值形象地指示水分豐缺狀況的變化[57]。Penuelas等隨后的研究還表明，WI(WI=R900/R970)與NDVI[NDVI=(R900-R680)/(R900+R680)]的比值不僅可以用來預測葉片的水分含量，還可以用來預估作物冠層的含水量，且與冠層含水量相比，葉片含水量預測精度得到了顯著提高[44]。Song等通過采用PCA和頻率相關方法提取作物反射率的波長發現，4個單一波長組合(553、675、705、776 nm)以及3個單一波長組合(1 158、1 378、1 965 nm)結合線性判別分析的方法區分氮和水分的效果最好[58]。孫俊等分別用BP神經網絡、遺傳BP神經網絡、多元線性回歸對大棚中的水稻葉片含水率建立模型，發現GA-BP-ANN的建模效果最高，平均誤差率為3.9%，最大誤差率為6.1%，可提高水稻葉片含水率的預測精度[59]。鞠興榮等采用近紅外光譜技術結合化學計量學方法可以快速測定稻谷含水量，建立稻谷含水量測定偏最小二乘法的快速最優分析模型，決定系數高達0.968 9，交互驗證標準差為0.343 4[60]。水分變化引起的葉齡、物種、細胞、組織結構和植株冠層形態變化均會對植株光譜反射率產生很大影響，但目前關于水稻在水分脅迫狀況下，上述因素對反射波譜影響的研究較少，還有待于進一步挖掘和深入探討。

4 水稻營養診斷

4.1 水稻氮營養診斷與研究

氮素是對作物生長、產量和品質影響最為顯著的營養元素，植物缺氮通常表現為葉片失綠黃化、植株矮小、籽粒不飽滿等。植物葉綠素含量與氮狀況密切相關，作物氮素的豐缺能顯著影響其冠層或葉片的原始光譜反射率，因而原始光譜反射率也常被用于監測植被的氮含量。20世紀70年代以來，大批國內外學者都在積極尋找氮素的敏感波段及其反射率在不同氮素水平下的表現，其中借助高光譜手段的水稻氮營養診斷已成為基礎性研究。研究表明，利用植物冠層、葉片或其他部位的可見光和近紅外區域的反射光譜可以較為準確地估測植物氮素營養水平，并進一步提出水稻葉片氮素的敏感波段在530～560、630～660、760～900 nm范圍內[8，61-62]。田永超指出，由原始光譜組合而成的比值、歸一化和差值植被指數與水稻葉層氮濃度相關性較好的波段集中在可見光和近紅外波段，基本位于1 000 nm以內[63]。秦占飛發現，水稻葉片全氮含量隨生育期的推進逐漸降低，水稻冠層光譜反射率在可見光波段與全氮水平呈負相關關系，在近紅外波段與全氮含量呈正相關關系[64]。綜合對比光譜指數模型和PLSR等2個模型，發現比值光譜指數(D738 nm，D522 nm)光譜指數具有簡單易用、模型精確度高等特性。Nguyen等分別利用偏最小二乘法和多元回歸模型來預測水稻氮素狀況[65-66]。馮偉等研究發現，水稻葉片中的紅邊內一階微分總和與藍邊內一階微分總和比值能很好地區分氮素營養水平，提高總氮的利率[67]。薛利紅等指出，群體葉片氮積累量與反射光譜在 560 nm 時呈明顯的指數關系，且R2=0.75，在一定程度上可以消除生物量和葉面積等對冠層反射光譜的影響[68]。邵華等應采用738 nm處的光譜反射率與葉片氮素含量建模，與采用NDVI和RVI所構建的模型相比，以一階微分反射率得到的模型最佳，最適合水稻氮素營養診斷[69]。田永超等基于綠光、紅邊與近紅外波段的比值組合確立了葉層全氮含量估測的波段適宜寬度[70]。Xue等發現，R810/R560與葉片氮累積量呈線性關系，可消除氮肥水平和水稻生長發育對葉片氮素診斷的影響[71]。盡管水稻氮素診斷技術趨于成熟，且建立了完備的模型與體系，但是受土壤條件和施肥差異的影響，在南方雙季稻區的普適性有待提高，許多制約因素有待進一步修正。

4.2 水稻磷營養診斷與研究

磷是植物生長發育不可缺少的營養元素之一，磷素營養的豐缺對作物的生長發育至關重要。水稻磷素是植物體內許多有機化合物的重要組分，同時又以多種方式參與植物體內的各種新陳代謝過程，對保持作物高產及品種的優良性具有顯著意義[72]。施磷肥可以調控水稻生長，顯著提高水稻總干物質質量，進而顯著提高水稻產量。當前受光譜分析技術的限制，有關水稻磷素營養與光譜特性之間關系的研究深度有待進一步拓展。一直以來，化學分析法是測試水稻營養元素的主要方法，利用植物磷、鉀狀況與光譜特性的關系研究高光譜技術診斷水稻磷、鉀營養狀況少有報道。林芬芳等利用互信息-人工神經網絡模型和高光譜遙感技術診斷水稻磷素營養狀況并分析得到，水稻拔節期磷素的敏感波段分別為536、630、1 040、551、656 nm，其相對應的互信息值分別為 1.057 5、1.103 9、1.135 3、1.141 7和1.149 4，把敏感波段作為自變量，構建多元線性回歸模型和BP神經網絡模型，并對2種模型的精度進行檢驗，得到的葉片磷含量預測值與實測值之間的相關系數為0.989 2，說明基于互信息-人工神經網絡模型估算水稻葉片磷含量具有可行性[73]。李穎等發現，基于氮磷互作環境下建立的高光譜參數RVI(FD719，FD740)、NDVI(FD419，FD552)、DVI(FD707，FD713)估測值和實測值的檢驗精度分別為0.83、0.61、0.71，均優于現有的最佳高光譜參數[61]。李穎等借助概率神經網絡模型，在氮磷交互作用的影響下，實現了水稻植株的氮、磷缺素診斷，并能快捷地區分開缺氮、缺磷處理，對我國的測土配方施肥具有深遠的指導意義[62]。

4.3 水稻鉀營養診斷與研究

鉀有品質元素和抗逆元素之稱，是植物生長發育不可或缺的營養元素，在植物體內的含量僅次于氮，也是肥料三要素之一。鉀具有提高農作物產量、改進產品品質和適應外界不良環境的能力。目前國內外對于鉀素的研究相對較少，利用可見光光譜分析來估測鉀含量有一定的困難，但由于鉀的豐缺與植物的葉片結構和水分狀況密切相關，因此，鉀的豐缺必然會影響近紅外、中紅外的光譜信息。王珂等把波長580～710、750～950 nm作為水稻冠層鉀素營養的敏感波段，認為在可見光范圍內，缺鉀狀態下的水稻葉片光譜響應特征與缺氮時相比，總體上趨于一致，但在近紅外區域(700～800 nm)卻存在顯著差異，缺鉀時水稻冠層葉片的近紅外反射率略高于正常狀態下的葉片，而缺氮時則相反，這就為水稻葉片光譜的鉀素和氮素診斷提供了新的思路[74]。吉川年彥等應用近紅外分光法測定水稻倒一葉在1 050、1 122、914、746、754 nm等5個波長處的全鉀測定值和化學值，結果發現，兩者之間的相關系數達0.759，并根據測定結果建立了全鉀多元回歸方程[75]。劉岱松等基于偏最小二乘法(PLS)采用近紅外光譜法測定烤煙的鉀含量，依據采集樣品的自身參數擬合定標模型的預測結果，預測模型的R2為0.909，預測標準差為 0.119%，能夠對烤煙鉀含量進行快速診斷[76]。喬欣等采用連續統去除法提取光譜波長為660、1 450 nm 2處的敏感吸收深度，分析吸收深度和大豆鉀素水平的相關關系，構建大豆鉀素營養的多元非線性回歸模型，平均誤差為24.37%；還發現，反高斯紅邊模型擬合的紅邊光譜曲線與大田實測光譜曲線具有較高的相關性(R=0.886 5)，證明此方法具有可行性和可靠性[77]。

5 水稻病蟲害的脅迫

我國水稻病蟲害種類繁多，達70余種，而目前作物病蟲害的監測預報主要依靠專家經驗、田間識別、取樣和生理生化測定等方法，不能及時、科學、準確地預測和發現病蟲害，操作費時費力，且人為因素影響較大，給水稻病蟲害種類的辨別和實施相應的防治措施帶來了很大的困難[78]。與正常水稻植株相比，當水稻受到病蟲害脅迫時，水稻內部的生理指標以及外部形態均會發生變化，其變化特征在光譜圖像上以光譜響應、紋理和顏色等特征呈現，使與之相對應的光譜吸收率和反射率也發生一定的變化，因此，光譜技術可以通過分析某一個或多個波段的光譜組合特征對作物病蟲害的侵染程度作出診斷。王曉麗研究發現，水稻胡麻斑病和紋枯病的光譜數據一階導數隨著病蟲害等級的增加發生規律性變化，選取與侵染度相關性最好的660、990、1 933 nm進行波段組合，分別用于建立胡麻斑病、紋枯病的嚴重度模型，相關系數均達到0.89以上[79]。Kobayashi等測定了水稻在幼穗期感染稻瘟病時的多光譜反射率，并分析得出，可見光區域(485～675 nm)為稻瘟病的最敏感波段；在黃熟期的R470/R570、R520/R675和R570/R675波段，水稻患病率明顯下降，因此，這3個波段組合的反射比率可用來衡量和估算穗瘟病患病的嚴重程度[80]。李波等研究表明，采用概率神經網絡(probabilistic neural network，簡稱PNN)和PCA相結合的技術，識別水稻干尖線蟲病和稻縱卷葉螟的精度高達95.65%，可以實現多種水稻病蟲害的快速、精確診斷與防治[81]。Liu等研究表明，應用學習向量量化神經網絡和PCA可以鑒別水稻穗真菌感染的嚴重程度，一階導數光譜和二階導數光譜的區分精度較高，其中紅邊內一階微分的總和最好，能做到完全區分[82]。黃建榮等認為，水稻受稻縱卷葉螟危害后，在葉片光譜反射率上有明顯的差異，根據光譜特征來監測稻葉的受害程度及卷葉率大小，以此獲取診斷水稻受害程度的模型，為水稻卷葉螟的高光譜遙感監測提供技術支持；當前，國內外針對水稻光譜反演的研究主要集中在無病蟲害脅迫的基礎上，而對病蟲害侵染度的分析相對較少，主要原因是受水稻生長期的限制[83-87]。因此，盡早提取識別水稻病害的特征參數，提高病蟲害診斷效率，縮短診斷時間，盡可能減少水稻病蟲害造成減產帶來的損失，提高水稻的產量和品質，快速、無損、精確地診斷病蟲害種類，可以為及時采取防治措施和適量噴灑農藥化肥提供合理依據。

6 研究尚須解決的問題與研究方向

6.1 尚須解決的問題

快速、準確、無損的高光譜檢測技術是探測和獲取水稻營養狀態、生長狀況的有效手段，在水稻長勢監測、營養診斷、病蟲害侵擾診斷以及水分、雜草脅迫診斷等方面已經發揮了重要作用。盡管高光譜技術已經成為精準農業信息獲取中的關鍵技術，但從目前國內外的研究進展情況來看，高光譜技術在水稻中的應用尚須解決以下問題。

6.1.1 高光譜遙感農學參數與反演模型精度的魯棒性、動態性和普適性有待提高 根據高光譜參數構建的農學參數估算模型繁多，但耦合精度普遍不高，主要是因為水稻冠層光譜反射率會受到水稻生理因素(品種、生育期、細胞結構等)、環境因素(水分、土壤、光照條件、風速和氣壓)、營養狀況(氮、磷、鉀等施肥量)、冠層幾何結構(葉傾角、葉片密度和葉面積等)、病蟲害(稻瘟病、卷葉螟等)等的影響，所建立的水稻光譜反射特征模型不能用于建模以外的時空條件，使得其反射率與水稻生理生化參數的相關性較低，極大地限制了高光譜技術對作物進行診斷的魯棒性。另外，國內外已有較多利用冠層反射光譜進行群體葉片生理養分信息監測的研究，然而，由于作物冠層光譜反射率常受到生理、環境、營養狀況等因素的影響，不同處理間冠層反射光譜的差異特征可能會被某些因素增強或削弱，因此冠層結構和背景的變化也會混淆目標物生化含量的變化，從而顯著影響冠層葉片生化指標的反演結果，從葉片水平上的診斷上升到冠層結構的診斷也存在眾多困難，使基于高光譜的生物量、氮素和水分等反演面臨新的挑戰。與多波段遙感相比，高光譜遙感對作物生理生化參數的變化更為敏感，反映更加精細，為更精確估算植被生理生化參數提供了可能。因此，如何提高預測模型精度，對樣本參數進行大量修正，降低高光譜數據冗余，提高檢測分析速度，選擇更佳的特征波段和模型等，是今后一段時間的主要研究方向。

6.1.2 多因子交互作用條件下光譜敏感特征的穩定性考慮相對欠缺 雖然在水稻光譜診斷方面已開展了大量的研究，但目前的光譜診斷研究大多基于氮素等單一因子水平對光譜特性的影響，而對磷素和鉀素的研究相對較少，得出的結果缺乏廣適性，且在作物水氮互作、氮磷鉀互作遙感預測方面的研究相對薄弱。因各時空條件下這些影響因子不同且相互交叉，為此，開展多因子交互作用控制環境下不同水分、碳氮和氮磷鉀等水平對植物光學特性影響的研究，綜合考慮多因素之間的互作及其對目標物光譜的綜合影響，把其中一個影響因子效應參數化或定量化，將是今后光譜診斷研究的重點方向。

6.2 研究方向

作物冠層光譜信息的獲取及處理是現代農業實際應用中的重要部分，也是實施精準農業必不可少的內容，它可為精準農業的農作物長勢、施肥量、病蟲害監測和作物單產估算提供科學依據，實現對田間定位、定量的精準管理，提高作物生產精確管理水平和綜合效益。隨著光譜分析方法的改進和監測模型的完善，通過將光譜儀等多種傳感器集成到智能農業機械上，可以快速、準確地獲取作物冠層光譜信息，從而完成水稻精準化施肥、水分管理以及對低溫凍害、病蟲害蔓延、雜草和病蟲害監測等一系列程序化工作。未來在大田尺度的遙感監測和診斷可引入主動光學、熱紅外和熒光等遙感技術的探測方式，減小對時相、天氣條件的依賴。同時結合地理信息系統(geographic information system，簡稱GIS)和遙感(remote sensing，簡稱RS)的高光譜成像遙感技術，進行多平臺(無人機、航天等)、多時相和大尺度的農作物遙感監測也是國際上農業信息化的重要研究議題。

隨著圖像傳感器和計算機視覺技術的進步，數碼相機的價格在迅速下降，計算機圖像處理與存儲技術也越來越簡單、方便，在大田自然光條件下拍攝水稻不同生育期的冠層圖像，利用RGB和HSV等2種顏色模型，同步測試水分、生物量、葉面積和氮素等營養指標，提取水稻冠層圖像的特征參數、產量和氮素等，應用數碼相機及結合相應的圖像校正技術進行水稻的營養、病蟲害和水分診斷具有非常廣闊的應用前景，既可以保證產量，又可以降低農藥化肥施用過量導致的環境污染。