光譜技術在作物雜草識別中的研究現狀與展望

中圖分類號：S431.9 文獻標識碼：Aloi：10.3969/j.issn.1002-204x.2025.04.010

文章編號：1002-204X（2025）04-0053-04

Research Status and Prospect of Spectral Technology in Crop Weed Identification

Yang Fengl， Yang Shuting2*

（1.Tongxin County Agricultural Technology Extension Service Center，Tongxin，Ningxia 751300; 2.Instituteof

Agricultural Economicsand Information Technology，Ningxia Academy of Agriculture and Forestry Sciences， Yinchuan， Ningxia 750002）

Abstract Asan important sensing method in precisionagriculture，spectral technology hasshown significant advantages inthefieldof cropweedidentification.Through technology integrationandsystem optimization， spectrum technology isexpected to become thecore tool of smartagriculture，promote farmland management to precisionandunmannedand provide key technological support forgreen agricultureandsustainable development. Theprinciple，research status，key technologies，existing chalengesand development limitations of spectral technology are systematically reviewed.

Key words Spectral technology; Crop weed; Identification

在農業生產領域，精準識別作物與雜草并進行有效治理是實現作物高產優質的關鍵環節。傳統的人工除草方式不僅耗費大量人力、物力，效率低下，而且在大規模種植場景下難以滿足實際需求。光譜技術作為一種快速、無損的檢測手段，近年來在作物與雜草識別領域展現出巨大的潛力[1-2]。不同植物由于其生理結構、生化成分的差異，在吸收、反射和透射光的特性上存在顯著不同，這使得光譜技術能夠依據這些光譜特征的差異實現對作物與雜草的精準識別。隨著傳感器技術、計算機技術的飛速發展，光譜技術在識別精度、識別速度以及數據處理能力等方面都取得了長足的進步[3-4。本文對光譜技術在作物與雜草識別中的研究現狀進行全面綜述，分析現存問題，并對未來發展方向進行展望，以期為推動該技術在農業生產中的廣泛應用提供參考。

1光譜技術的原理與優勢

1.1 技術原理

植物的反射光譜特性與其生理結構和化學成分密切相關，這種特性在不同波段表現出顯著差異，是植被遙感監測的理論基礎。在可見光波段 （400～700nm） ），作物與雜草的反射差異尤為顯著。在 550nm 處，植物葉片對綠光的反射相對較強，形成綠峰，但不同植物由于葉綠素含量及其他色素成分的差異，綠峰的強度和形狀會有所不同。在 680nm 處，葉綠素對紅光有強烈吸收，形成紅谷。作物與雜草的葉綠素含量、分布及其與其他細胞成分的相互作用不同，導致其在紅谷處的吸收深度和反射率表現出明顯差異，這種差異為區分作物與雜草提供了重要依據。在近紅外波段一 （700～1300nm） ），植物的水分含量成為影響光譜反射的關鍵因素。在 1450nm 和 1940nm 等水分敏感波段，植物中的水分對近紅外光有特定的吸收特性。旱生雜草與作物由于適應不同的水分環境，其水分含量和水分在組織內的分布存在差異[5。例如，旱生雜草通常具有更高效的保水機制，其葉片水分含量相對較低且分布更為集中。這種水分狀態的差異在近紅外波段的光譜反射上表現為反射率的不同，從而輔助區分旱生雜草與作物。通過分析這些波段的光譜信息，可以獲取植物的水分狀態，進一步了解植物的生長狀況和環境適應性，為精準農業管理提供重要信息。近年來國內外應用光譜技術識別作物與雜草的相關研究較為廣泛，胡盈盈等采集玉米、馬齒莧、野莧菜及香附植株冠層在 350～2500nm 波段內的光譜信息，經過數據預處理，運用逐步判別模型，篩選出了734、954、1324、1867四個特征波段，研究結果進一步論證了在“紅邊 ^'680～780nm 區域的反射率對玉米田間雜草識別具有重要作用。

高光譜成像技術的發展進一步提升了光譜技術在植物分類中的精度。它通過連續窄波段（ lt;10nm ）對植物進行光譜數據采集，能夠捕捉到細微的光譜差異。傳統的寬波段光譜技術可能會忽略一些植物間的微小光譜特征，而高光譜成像技術憑借其高分辨率，能夠更準確地分辨不同植物的光譜指紋。例如，在對一些形態相似的雜草和作物品種進行分類時，高光譜成像技術可以通過對連續窄波段光譜數據的分析，發現它們在特定波段上的微小反射率差異，從而實現精確分類。這種高分辨率的光譜數據采集，為植物分類提供了更豐富、更細致的信息，大大增強了分類的準確性和可靠性。陳樹人等以生長期為10d的雜草稻和水稻為研究對象，利用主成分分析法優選出 1448nm 和1469nm波長下的特征圖像，提取18個特征變量，利用神經網絡方法建立了雜草稻和水稻的判別模型，研究表明利用高光譜技術快速鑒別稻田苗期雜草是可行的。

1.2 技術優勢

相較于傳統的植物分類方法，光譜技術展現出諸多顯著優勢：

1.2.1 非破壞性檢測

傳統的植物分類方法，如人工識別或基于樣本采集的實驗室分析，往往需要直接接觸植物，甚至可能對植物造成損傷。例如，在采集植物樣本進行化學分析時，需要摘取植物的部分組織，這不僅會影響植物的正常生長，還可能對農田生態系統的完整性造成破壞。而光譜技術通過遠程獲取植物的光譜信息，無需接觸植物本身。無論是利用地面光譜儀進行近距離測量，還是借助無人機搭載的光譜傳感器進行大面積掃描，都能在不干擾植物生長的前提下，獲取準確的分類信息。這種非破壞性檢測方式，極大地減少了對農田生態環境的人為干預，有助于維持農田生態系統的平衡與穩定。

1.2.2光譜技術能夠實現多維度信息融合

以成像光譜技術為例，它不僅能夠獲取植物的光譜信息，還能同時記錄植物的空間信息。這種融合了光譜與空間信息的特性，使得光譜技術在植物分類中具有更強的功能： ① 通過分析光譜數據，可以準確識別植物的種類； ② 利用空間信息，可以對雜草在農田中的分布進行精確定位。例如，在大面積農田中，通過成像光譜技術可以快速繪制出雜草的分布地圖，幫助農民精準地制定除草策略，集中對雜草密集區域進行處理，提高除草效率，同時減少對作物的不必要影響。這種多維度信息融合的能力，為農田管理提供了更全面、更直觀的決策支持。

1.2.3光譜技術具有顯著的環境友好性

在傳統農業中，為了控制雜草生長，除草劑的使用較為普遍。然而，過度使用除草劑不僅會對土壤、水源等環境要素造成污染，還可能對非靶標生物產生負面影響，破壞生態平衡。光譜技術的應用可以減少除草劑的濫用。通過精準識別雜草，農民可以采用針對性的除草措施，如定點噴灑除草劑或進行物理除草，只對雜草進行處理，而避免對作物和周圍環境造成不必要的損害。這不僅符合綠色農業發展的需求，有助于保護生態環境，還能降低農產品中的農藥殘留，提高農產品的質量與安全。

1.2.4光譜技術具有高效性

隨著現代農業向規模化、智能化發展，對大面積農田進行快速檢測的需求日益迫切。光譜技術與無人機或田間機器人的結合，完美地滿足了這一需求。無人機憑借其機動性和靈活性，可以在短時間內對大面積農田進行全覆蓋掃描，快速獲取農田內植物的光譜信息[1]。田間機器人則可以在田間進行更細致的巡查，針對特定區域進行高精度的光譜測量。這種高效的檢測方式，大大提高了農田監測的效率，能夠及時發現農田中植物的生長異常和雜草分布情況，為農民及時采取相應措施提供了有力保障。柳瑩瑩等采集雜草高光譜圖像，提取每個物種的光譜曲線、光譜剖面特征，揭示了不同雜草物種的差異性，通過建立支持向量機與一維卷積神經網絡分類模型，雜草識別準確性達95% 以上，該研究為自動化除草機器人的研制提供了技術基礎。

2 挑戰與局限性

2.1 環境干擾

在農業光譜監測過程中，光照條件是一個極為關鍵且棘手的環境干擾因素。自然光作為主要的光源，其強度會隨著時間、天氣狀況發生顯著變化，例如晴天與陰天的光照強度差異巨大。同時，太陽角度的不斷改變，使得光線照射到植物表面的角度也隨之變化，這直接導致所采集的光譜數據出現較大波動[]。這種波動并非植物本身光譜特征的真實變化，卻會給后續的數據分析與解讀帶來極大的困擾。此外，土壤背景也對植物光譜特征的準確獲取造成阻礙。田間裸露的土壤，其自身具有獨特的光譜反射特性，在進行植物光譜采集時，土壤的反射光會混人其中。而殘留的秸稈，無論是顏色還是材質，都可能對植物光譜產生干擾，甚至在一定程度上掩蓋植物原本的光譜特征，使得采集到的數據失真。為有效解決這些問題，科研人員提出了一系列針對性的解決方案[13]。鄭奕等[4]選擇新疆天山北坡中段山地草甸典型植被作為研究對象，采集了多季相植被原始反射光譜數據，然后通過多項式卷積平滑（Savitzky-Golay，S-G）對實測高光譜數據進行平滑除噪，再利用最小噪聲分離（mini-mumnoise-fraction，MNF）變換進行降維處理，減少環境光的散射干擾，提高所采集光譜數據的質量，抑制噪聲干擾，有效提升了不同季相草地植被的辨識精度。

2.2光譜響應特征不可區分性

在農業生產中，作物與雜草的光譜相似性是一個不容忽視的難題。特別是同科植物之間，由于其在形態結構和生理特性上具有一定的相似性，光譜特征也較為接近。以水稻與稗草為例，它們同屬禾本科，在可見光波段，二者的反射光譜高度相似，這使得僅依靠可見光波段的光譜數據，很難準確區分水稻與稗草。陳樹人等利用ASD光譜儀在室內分別測量了棉花、刺兒菜、水稻、稗草等四種植物在 350～2500nm 波段范圍內的光譜反射率，篩選能夠區分作物和雜草的波長。實驗結果表明：利用5個特征波長375、465、585、705和 1035nm 可有效地從單子葉植物水稻中識別出單子葉雜草稗草。隨著無人機遙感平臺的快速發展，大量研究結合紋理分析技術，利用植物葉片表面的紋理特征，如粗糙度、紋理方向等，與光譜信息相互補充，從而有效提升了對作物與雜草的區分度，為精準除草和田間管理提供了有力支持。

2.3 數據時效性與成本

隨著高光譜成像技術在農業領域的應用，數據量大成為一個突出問題。高光譜圖像由于具備豐富的光譜信息，單幅數據量可達GB級。然而，用于田間數據采集和處理的設備，通常受限于體積、功耗和成本等因素，算力相對不足，難以對海量數據進行實時處理，使農業生產決策的及時性受限。與此同時，設備成本也是限制高光譜技術大規模推廣的重要因素。目前，高光譜相機價格昂貴，設備成本增加了前期投人，提高了使用門檻，阻礙了該技術在農業生產中的廣泛應用。

3未來發展趨勢

3.1遙感監測傳感器技術革新

在農業遙感監測技術領域，傳感器技術正朝著小微型與低成本方向大步邁進。高靈敏度探測器的研發成為提升光譜檢測精度的關鍵。亟需實現敏感器件、光電轉換、微弱信號處理等核心零部件自主研發，打破國外產品壟斷。傳感器的小型化、集成化將是未來一段時間的發展趨勢。如量子點技術以其獨特的光學性質，能夠精確捕捉微弱的光譜信號[；超材料技術則通過對材料微觀結構的精準設計，有效增強了對特定光譜頻段的響應能力[9]。二者的結合，顯著提升了傳感器的信噪比，即使在復雜的環境背景下，也能精準識別出目標光譜特征，為后續的分析提供可靠的數據基礎，滿足智慧農業發展需求。

3.2 智能算法優化

在數據產品開發方面，智能算法的優化是推動農業光譜監測智能化發展的核心動力。利用人工智能、大數據等新興技術優化算法，進一步擴展深度學習技術在識別精度方面的優勢。目前，輕量化模型的構建基于MobileNet、YOLO等算法框架，旨在開發適用于嵌入式設備的AI芯片20-21]。這些輕量化模型在保證識別精度的前提下，大幅減少了計算量與存儲需求，使智能分析功能能夠在資源有限的農業現場設備中高效運行，實現實時的光譜數據分析與決策。

3.3 多源數據融合

多模態融合技術為光譜監測技術注入了新的活力。激光雷達（LiDAR）提供作物高精度三維空間信息，熱紅外數據反映作物的溫度特征，這些數據與光譜數據相互補充，極大地增強了系統對復雜農業場景的感知與理解能力。這種多模態數據的融合，有效提升了數據質量，增強數據信息完整性，為監測結果提供支持決策，降低了單一數據源可能帶來的誤差與不確定性。

3.4系統集成與應用拓展

未來農業將朝著無人農場閉環系統的方向發展，實現光譜識別、機械除草與作物長勢監測的一體化。利用光譜識別技術準確判斷雜草與作物的種類及分布，機械除草設備依據識別結果精準作業，同時實時監測作物的生長狀況，為農田管理提供全方位、智能化的解決方案。此外，抗性雜草監測成為農業可持續發展的重要課題。通過深入研究雜草的光譜特征，能夠在早期敏銳地捕捉到雜草對除草劑抗性的演化信號，及時預警，為調整除草策略提供科學依據，避免因雜草抗性問題導致的作物減產與生態破壞。

4結論

光譜技術為作物與雜草識別提供了高效、環保的解決方案，但其廣泛應用仍需突破環境適應性、實時性及成本瓶頸。未來，隨著傳感器技術、人工智能與農業裝備的深度融合，光譜技術有望成為智慧農業的核心感知工具，推動農田管理向精準化、無人化方向邁進。

參考文獻：

[1]鄧巍，何雄奎，張錄達．光譜識別技術在雜草識別中的應用綜述[C]/／中國光學學會，中國化學學會.第十五屆全國分子光譜學術報告會論文集.北京：中國農業大學藥械與施藥技術中心，2008：2.

[2] 蔣雪松，黃林峰，賈志成，等.基于光譜遙感技術的作物營養診斷研究進展[.林業工程學報，2023，8（6）：13-23.

[3]田婷，張青，徐雯．光譜技術在作物養分監測中的應用研究進展[].江蘇農業科學，2024，52（14）：31-39.

[4]于海業，李曉凱，于躍，等.光譜技術在農作物信息感知中的應用研究進展[J].吉林農業大學學報，2021，43（2）：153-162.

[5]李穎，陳懷亮，王秀萍，等．田間作物雜草識別的光譜通道選擇[].草業科學，2014，31（9）：1637-1644.

[6]胡盈盈，王瑞燕，郭鵬濤，等．基于近地光譜特征的玉米田間雜草識別研究[J].江蘇農業科學，2020，48（8）：242-246.

[7]陳樹人，鄒華東，吳瑞梅，等．基于高光譜圖像技術的稻253-257，163.

[8]付豪，趙學觀，翟長遠，等．基于深度學習的雜草識別方法研究進展[J].中國農機化學報，202，44（5）：198-207.

[9]陳建福，趙亮，岳云開，等．無人機多光譜遙感在作物生長監測中的應用研究進展[J]．作物研究，2022，36（4）：391-395.

[10]楊淑婷，王微.作物氮素和磷素含量高光譜估算研究進展[J].寧夏農林科技，2024，65（10）：59-63.

[11]柳瑩瑩，尹雁玲，劉江華，等．使用高光譜成像技術對田間雜草進行表征和識別.塔里木大學學報，2024，36（3）：89-97.

[12]賁晨釗．中紅外傅里葉成像光譜儀的光學系統設計與雜散光仿真分析[D]．長春：中國科學院大學（中國科學院長春光學精密機械與物理研究所），2024.

[13]于磊．成像光譜儀的發展與應用（特邀）[J].紅外與激光工程，2022，1（1）：298-308.

[14]鄭奕，王瑤，劉艷．基于高光譜數據季相特征的山地草甸植被分類識別[].光譜學與光譜分析，2022，42（6）：1939-1947.

[15]陳樹人，栗移新，毛罕平，等．基于光譜分析技術的作物中雜草識別研究．光譜學與光譜分析，2009，29（2）：463-466.

[16]朱圣，鄧繼忠，張亞莉，等.基于無人機低空遙感的水稻田間雜草分布圖研究[]．華南農業大學學報，2020，41（6）：67-74.

[17]寧岸，任淼淼，蔣杉，等.光學遙感技術在農情監測中的應用與展望[].中國農機化學報，2025，46（2）：199-206.

[18]劉雨穆，張月，李宏達，等．量子點-金屬有機框架復合材料作為熒光傳感器的研究進展[J/OL].化工新型材料，2024：1-8 （2024-07-03）[2025-03-10]. htps：//doi.org/10.19817/j.cnki.issn1006-3536.2025.04.038.

[19]岳曉奎，朱明珠，耿浩華，等．折紙超材料及其在航空航天領域的應用及展望[J/OL].航空學報，2024：1-19（2024-12-31）[2025-03-10]. https：//link.cnki.net/urlid/11.1929.V.20241230.1054.012.

[20]許爽，楊樂，劉婷.Ghost-MobileNetv2：一種輕量級玉米田雜草識別新模型[J]．江蘇農業科學，2024，52（20）：173-180.

[21]黃友銳，王小橋，韓濤，等.基于改進YOLO v8n 的甜菜雜草檢測算法研究[J].江蘇農業科學，2024，52（24）：196-204.

[22]汪勇，張英，廖如超，等．基于可見光、熱紅外及激光雷達傳感的無人機圖像融合方法[J]．激光雜志，2020，41（2）：141-145.

責任編輯.周慧