小麥冠層光譜獲取及信息分析綜述

白 雪，段永紅

（山西農業大學資源環境學院，山西太谷030801）

小麥是世界上重要的糧食之一，也是我國北方主要的糧食作物[1-2]。無論是從生態學還是經濟學角度來說，小麥都有非常高的應用和科研價值[3]。但是，不合理的施肥及管理措施的條件下，小麥的品質和產量都大幅度降低和減少[4-6]。高光譜技術可以快速、無損監測地面數據，且不受地形阻隔的影響。目前，該技術在農業方面的應用主要是利用遙感技術對作物進行實時監測，并對作物某些特征參數進行提取研究[7]。農作物冠層光譜可以用來反映作物長勢信息，如葉綠素、葉面積指數以及含氮量等[8-9]，田間管理者根據長勢信息可以進行合理的施肥等田間管理措施。因此，利用高光譜技術獲取作物冠層生長信息并進行相應的分析，建立相關模型，是監測作物生長狀況或者對病蟲害進行早期預警的有效方法。

筆者介紹了光譜數據的采集方式，并在此基礎上闡述了利用冠層光譜反映小麥的葉綠素含量、含氮量、葉面積指數等長勢信息，同時分析了光譜信息監測小麥產量、籽粒及病害等，并指出了今后的研究方向，旨在為小麥冠層光譜的應用提供幫助。

1 光譜數據采集

1.1 地面光譜數據采集

地面光譜數據的采集儀器有成像光譜儀和非成像光譜儀[10]。為了研究各種不同地物或環境在野外自然條件下的可見和近紅外波段的反射光譜，需要適用于野外測量的光譜儀器[11]。亓雪勇等[12]通過地物光譜儀測量太陽輻射來測算氣溶膠光學厚度,該方法可用于遙感數據大氣校正及大氣氣溶膠光學厚度的估算。姚霞等[13]利用成像光譜儀測不同年份、不同氮素水平、不同種植密度和不同品種類型的小麥冠層光譜，運用連續投影算法分別提取目標成分的特征波段，結合灰度共生矩陣構建小麥冠層氮含量的最佳監測模型。

1.2 機載光譜數據采集

近年來，無人機以其機動靈活、操作簡便、按需獲取數據且分辨率高的優勢，已成為農情監測的一項重要手段[14-15]。裴浩杰等[16]利用無人機高光譜影像反演綜合長勢指標CGI（包括葉面積指數、葉綠素含量、植株含氮量、水分含量和生物量5 個指標）,發現利用該指標能夠判斷出小麥總體長勢差異，可為監測小麥長勢提供參考。楊貴軍等[17]研發了一套農業多載荷無人機遙感輔助小麥育種信息獲取系統，該系統提出了無地面控制點條件下的無人機遙感數據幾何精度校正模型，實現多載荷遙感數據幾何校正。

1.3 星載光譜數據采集

高光譜遙感技術的高空間分辨率、光譜分辨率、時間分辨率的“三高”新特征已經越來越明顯，以適應未來長期的精準農業、定量化土地監測等新 應用領域[18-19]。BAO 等[20]基于LANDSAT TM 和EOS-MODIS 高光譜影像，用最佳擬合方法建立了小麥生物量與最佳光譜參數之間的關系模型，估計生物量的最大均方根誤差為66.403 g/m2。BIKASH RANJAN 等[21]利用時間序列歸一化差分植被指數（NDVI）推導出小麥物候變量，同時結合長期已有的統計數據，建立了產量模型，該模型較精準的預測了印度賈克漢德地區小麥產量。

2 小麥冠層生長信息監測及應用

2.1 小麥冠層生長信息監測

2.1.1 葉綠素 葉綠素是光合作用過程中主要吸收光能的色素，其含量高低直接影響葉片光合作用中的光能利用[22]。農作物葉片的葉綠素含量與葉片的凈光合速率、發育階段等具有良好的相關性，已經成為了評價植被生長發育和營養狀況的指示器[23-25]。尼加提·卡斯木等[26]利用偏最小二乘回歸法（PLSR），結合16 個高光譜特征參數與葉綠素之間的相關性進行了分析，并建模，研究發現820～940 nm 反射率總和決定系數達到最高（R2＝0.8），同時該波段所建立的PLSR 估算模型為最優模型。鞠昌華等[27]研究了小麥單層及疊加葉片不同波長光譜反射率及12 種常用植被指數對葉綠素含量的響應特征，其中，葉綠素吸收反射指數（TCARI）對單層葉片和不同疊加層數的葉片均有最好的預測能力，可以監測小麥葉綠素含量，進而評價其光合特性。梁亮等[28]通過分析18 種高光譜指數，篩選出可敏感表征葉綠素含量的指數REP，利用地面光譜數據為樣本，以最小二乘支持向量回歸算法構建反演葉綠素含量的模型，其校正系數和預測決定系數分別為0.751 和0.722，反演精度較高，可用于小麥葉綠素含量的快速無損獲取。張娟娟等[29]設置了3 種土壤質地（沙土、壤土和黏土）、5 種施氮水平（0、120、225、330、435 kg/hm2）和3 個小麥品種（矮抗58、周麥22 和鄭麥366）的試驗條件，研究發現，光譜指數REPIG 和mND705 對葉片葉綠素含量監測效果較好，利用上述光譜指數的估測模型可以較好預測當地小麥葉綠素含量，同時為氮肥施用及調控提供技術依據。

2.1.2 葉面積指數 葉面積指數是描述植被冠層幾何結構和定量陸地生態系統中光合作用、呼吸作用，以及降水截獲等過程的物質與能量交換的最重要的生物物理參數之一[30-31]，實時動態監測葉面積指數對作物生長診斷和管理調控具有重要意義[32-33]。林卉等[34]從高光譜指數中選出與LAI 值相關性最強的OSAVI 指數，利用最小二乘支持向量機回歸（LSSVR）模型，同時模型校正集決定系數和預測集決定系數分別為0.851 和0.848，該模型可用于LAI的精準反演。馮偉等[35]研究發現，葉干質量和LAI與反射率之間相關性較好的區域主要位于紅光和近紅外波段，同時在不同試驗條件下的葉干質量和LAI 可以使用統一的光譜參數進行定量反演，如RVI（810 560）、FD755、GM1、SARVI 等，且以這些參數建立的模型均有較好的檢驗結果。趙娟等[36]以冬小麥為研究對象，選取冬小麥覆蓋響應程度不同的6 種寬帶和4 種窄帶共10 種植被指數，分析比較發現，選擇不同植被指數建立冬小麥LAI 的分段反演模型均高于使用同一種植被指數的反演精度。

2.1.3 氮素 氮素營養是作物生長發育、產量形成的重要影響因子，是植物需求量最大的礦質營養元素。利用高光譜技術可以快速、無損監測農作物氮素含量，對于農作物精細化管理具有十分重要的意義[37-40]。馮偉等[41]研究發現，冠層光譜反射率在不同葉片含氮量的水平下存在顯著差異，且葉片含氮量的敏感波段主要存在于近紅外和可見光區域。翟清云等[42]研究發現，利用NDSI（FD710、FD690）、DSI（R515、R460）和RSI（R535、R715）分別為自變量建立的估測模型可以較好地預測砂土、壤土和黏土3 種質地小麥的葉片含氮量。李栓明等[43]以具有明顯差異的8 個小麥品種為試驗材料，使用ASD 地物光譜儀采集了176 個籽粒光譜數據，利用UVE、SPAS 和MLR 方法有效壓縮了整粒小麥籽粒的光譜矩陣，選取特征光譜構建模型，可以高效預測小麥籽粒的蛋白質含量。王仁紅等[44]建立氮營養指數（NNI）經驗模型，很好地構建了冠層氮素密度和葉片氮素含氮量之間的關系。王來剛等[45]利用SPOT-5、地面光譜數據和植株取樣數據，提出一種基于波譜響應函數擬合和混合像元光譜提取方法，且模擬像元光譜對葉片氮積累量的反演效果最好，該方法結合地-空遙感的優點，可以應用其他不同空間和光譜分辨率的數據來監測小麥氮素營養狀況。

2.2 應用領域

2.2.1 產量預測 作物產量的遙感監測是農業遙感重要的應用領域[46]。隨著高光譜技術的發展，利用高光譜預測小麥產量受到國內外學者的關注[47]。耿石英等[48]通過葉片和冠層2 種參數對小麥進行監測，同時提出歸一化差異最大指數（NDMI），符合我國資源環境衛星近紅外和紅外波段范圍，能夠對小麥產量預測提供依據，符合實際情況且具有實用性。任紅艷等[49]在不同氮肥水平下，測定小麥冠層光譜響應在幾個生育期內的變化情況以及與產量的關系，結果表明，光譜數據的衍生形式可與小麥產量建立很好的回歸方程。呂銀亮等[50]基于小麥關鍵的生長發育期，結合測取其地面高光譜數據和產量數據，利用改進的光譜角算法進行冬小麥產量估測，發現小麥產量與光譜角呈明顯的二次線性關系，且擬合方程的決定系數為0.784 4。

2.2.2 籽粒品質 蛋白質和淀粉是決定小麥籽粒品質特性的主要成分[51]，常規監測技術雖然較為準確，但是對作物的破壞性極強。利用高光譜技術快速、無損監測小麥籽粒，研究并建立收獲前小麥籽粒品質監測顯得尤為重要[52]。田永超等[53]研究發現，葉片SPAD 值與籽粒蛋白質和淀粉積累量均呈現二次拋物線的關系。麥抽穗后葉片氮積累量與葉片SPAD 值、冠層反射光譜分別呈顯著的指數和線性相關；籽粒蛋白質積累量與葉片氮積累量呈顯著線性負相關，而成熟期籽粒蛋白質積累量與抽穗后葉片氮轉運量呈線性正相關。因此，葉片SPAD 值和比值指數可以用來預測單位土地面積上小麥籽粒生長過程中蛋白質和淀粉的積累動態。馮偉等[54]經過2 a 獨立試驗表明，灌漿前期的關鍵光譜數據可以有效地評價小麥成熟期籽粒產量狀況，成熟期特征光譜指數的累計值能夠穩定預測不同條件下小麥成熟期籽粒產量的變化。王大成等[55]結合HJ1A/B衛星數據和生態因子對小麥籽粒蛋白質含量進行監測，結果發現，綜合遙感數據和生態因子的監測結果比單獨使用遙感數據或者生態因子數據的精度高。張紅濤等[56]研究發現，采用近紅外高光譜成像技術對單籽粒小麥硬度進行分類是可行的。

2.2.3 病害預警 小麥的赤霉病、條銹病和白粉病等是小麥生長中主要的病害，其發病率高、傳播性強，嚴重影響小麥安全生產[57-59]。梁琨等[60]利用高光譜成像技術通過光譜分析和圖像處理對小麥的赤霉病進行識別，結果表明，利用10 折交叉驗證方法建立線性判別分析、支持向量機和BP 神經網絡識別模型，對小麥赤霉病識別的準確率均在90%以上，有較好的識別效果。袁琳等[61]基于實測數據獲得白粉病、條銹病葉片的光譜數據，通過相關性分析和T 檢驗，篩選出這2 種病害較為敏感的6 個波段范圍（665～684、718～726 nm）和SIESI 等11 個光譜特征，同時使用FLDA 構建病害判別模型，判別模型的精度達80%以上，準確度較高。范友波等[62]用高光譜技術監測小麥白粉病，研究發現，白粉病的小麥葉片光譜“紅邊”藍移現象較明顯，其中，三角植被指數（TVI）反演精度最佳。

3 展望

便攜式地物光譜儀測取數據較為靈活，且測取的光譜波長范圍較廣，可以很好地進行地物光譜的獲取和研究。但是試驗時易受天氣（云、太陽高度角）等影響，同時測得的數據易混合其他地物的光譜信息，對后續光譜分析有一定難度。衛星遙感技術具有大面積、同步觀測地面數據的優勢，但能利用的電磁波譜對許多地物的某些特征還不能明確反映，還需發展遙感以外的手段，特別是需要地面調查和驗證，且需提供更多免費的高空間分辨率、高光譜分辨率的遙感影像數據。無人機遙感作為一種新型的技術，雖受限于氣象條件或者操控人員能力等因素，但是其在監測空間精度和尺度，尤其是中尺度農田信息獲取優勢顯著，同時隨著機載多源信息技術采集、處理等發展，無人機遙感技術在農業等相關領域得到廣泛應用。

冠層光譜數據首先要進行預處理。例如，使用地物光譜儀測得冠層光譜數據進行的預處理包括降噪、平滑等。為了避免其他地物對試驗的干擾，通常使用光譜數據的微分值進行相關性研究。目前試驗多以分析冠層光譜數據與作物生長信息指標的相關性為開端，然后使用相關性最高的波段或波段范圍、高光譜植被指數，利用統計學中線性或非線性回歸、物理模型等方法建模分析。但是大多數研究只是針對某一作物，更精確、更通用、更簡單化和智能化，通過參數配置以適用于不同作物的模型需要進一步探究。

遙感技術可以客觀、準確、及時地提供作物生態環境和作物生長的各種信息，它是精細、精準化農業獲得田間數據的重要來源。搭載遙感器衛星或者飛機通過田地時，可以監測并記錄農作物覆蓋面積數據，通過這些數據可以對農作物進行分類，還可以在此基礎上估算農作物的播種面積。利用不同時間序列的影像，科研工作者分析影像提供的信息，及時發現作物生長中出現的問題，采取針對措施進行田間管理（如施肥、噴灑農藥等），同時還可以了解到不同生長階段中作物的長勢，提前預測作物產量，這為我國作物產量的提前預報奠定了科學基礎。