高光譜相機在農(nóng)業(yè)監(jiān)測中的應用及優(yōu)勢

一、農(nóng)業(yè)監(jiān)測技術(shù)概述

農(nóng)業(yè)監(jiān)測是指通過遙感技術(shù)、傳感器技術(shù)等手段對農(nóng)業(yè)生產(chǎn)過程中的環(huán)境因素、作物生長狀態(tài)、土壤質(zhì)量等進行監(jiān)測和分析。傳統(tǒng)的農(nóng)業(yè)監(jiān)測方法主要依靠地面調(diào)查和實驗室分析，這些方法耗時費力且難以實現(xiàn)實時監(jiān)測。隨著高光譜相機技術(shù)的發(fā)展，農(nóng)業(yè)監(jiān)測得以實現(xiàn)無損、快速、準確的監(jiān)測。

二、高光譜相機在農(nóng)業(yè)監(jiān)測中的應用

作物生長狀態(tài)監(jiān)測：高光譜相機可以通過對作物的光譜信息進行分析，實時監(jiān)測作物的生長狀態(tài)，如葉綠素含量、葉片溫度等。通過對這些信息進行分析，可以及時發(fā)現(xiàn)作物生長異常，為農(nóng)業(yè)生產(chǎn)提供決策依據(jù)。

土壤質(zhì)量監(jiān)測：高光譜相機可以對土壤的光譜信息進行分析，從而獲取土壤的成分、質(zhì)地、水分含量等信息。通過對土壤質(zhì)量進行監(jiān)測，可以為農(nóng)業(yè)生產(chǎn)提供針對性的施肥、灌溉建議。

環(huán)境因素監(jiān)測：高光譜相機可以對農(nóng)業(yè)生產(chǎn)環(huán)境中的溫度、濕度、光照等環(huán)境因素進行實時監(jiān)測，為農(nóng)業(yè)生產(chǎn)提供準確的環(huán)境信息。

植被的光譜特性

地物的光譜特征是高光譜識別地物或檢測特征的基礎(chǔ)，其研究和意義在高光譜檢測當中具有重要地位。同樣，要檢測農(nóng)作物的生長狀況或者其他特性，需要知道相應農(nóng)作物的光譜特征。對于健康的綠色植物而言，其光譜曲線主要有一下四個特征：①在可見光波段（0.4~0.76 um）的反射率較大，在0.33~0.45 um和0.67 um處的藍、紅光呈低谷。其原因是植物頁面反射的主要因素是葉綠素，而葉綠素對藍光和和紅光強吸收且反射率非常低。同時葉綠素對綠光（0.52 um ~ 0.6 um）有一個弱的反射，所以光譜曲線會出現(xiàn)一個小的局部峰值。②在近紅外波段（0.68~0.75），植物葉面的反射率急劇增加，所以對應的光譜曲線在近紅外波段出現(xiàn)一個陡坡。同時，不同的植物的光譜位置和斜率基本保持一致。③植物在0.75 um ~1.3 um保持較高的反射率。其主要原因是此時葉面光譜反射特征主要受細胞結(jié)構(gòu)和葉冠結(jié)構(gòu)控制，由于光在葉內(nèi)反射，所以反射率非常高。同時，一般在0.95 um ~ 1.185 um處有一個典型的吸收峰存在，這是由于植被體內(nèi)水的吸收和冠層結(jié)構(gòu)引起。④在1.3 um 附近，植物的反射率快速下降，并且在1.3 um ~ 2.5 um范圍內(nèi)保持較低的水平。其中，在1.19 um、1.4 um、1.9 um附近可以明顯看到反射率低估，出現(xiàn)了明顯的睡吸收帶，且跌落程度主要取決于水的含量。圖2為典型的植被光譜特征曲線。

圖2 典型的植被光譜曲線

隨著植被光譜特性的不斷深入，根據(jù)大部分植物的光譜特征，近年來逐漸形成了如下九個植被光譜的特征參數(shù):

紅邊（RE），紅邊是植被在0.67 um ~0.74 um 反射率最高最快的點，是綠色植被最顯著的標志。紅邊一般用位置和斜率兩個參數(shù)來描述。一階導數(shù)最大的位置即為紅邊的位置，紅邊的斜率與植被的覆蓋度、葉面積指數(shù)等參數(shù)有關(guān)，覆蓋度越高，葉綠素的含量越高，紅邊斜率越大。

藍邊（BE），藍邊是指藍色光在0.49~0.53 um 之間一階段數(shù)最大值的位置。

黃邊（YE），黃邊是指黃色光在0.55~0.58 um 之間一階段數(shù)最小值的位置。

歸一化差異植被指數(shù)（NDVI）。NDVI是指兩種不同波段范圍內(nèi)植被的關(guān)鋪反射率差值與其和值的比值，或者是多波段上的光譜反射率的加權(quán)差值與加權(quán)累計之間的比值。

植被葉面積指數(shù)(LAI)，是指單位面積內(nèi)植被所有葉面積的綜合除以單位面積。是植被冠層結(jié)構(gòu)的一個重要指標。

紅邊一階段數(shù)最大值（DRE），對植被的葉面指數(shù)反映極為敏感，與綠色植被的覆蓋度有非常緊密的線性關(guān)系。

葉面葉綠素指數(shù)（LCI），LCI 對葉綠素很敏感，但對于葉面積散射和葉面內(nèi)部結(jié)構(gòu)變化并不敏感，所以LCI最適用于高葉綠素的區(qū)域。

葉面水含量指數(shù)（WI）。WI是比較0.97 um 水吸收波段和0.90 um的反射率相對而定的參數(shù)。

歸一化差異水體指數(shù)（NDWI）。是反應植被葉面水含量的參數(shù)，是根據(jù)1.24 um水吸收波頓和0.86 um 的反射率相對而定的參數(shù)，它隨著綠色植被葉面水含量的增加而增加。

如上列出了評價光譜特性的常用指標，這些指標往往受到多個因素的影響，這些因素主要包括三個方面。第一，不同植被種類間的光譜特征差異，具體而言就是不同的植被具有不同的光譜曲線；第二,季度變化對植被光譜特性的影響，具體而言，同一種植被的生長隨著季節(jié)發(fā)生周期性的而變化，其對應的光譜曲線也會發(fā)生相應的變化；第三，水分對光譜特性的影響，具體而言，在紅外和短波紅外波段的吸收分是由大氣中的水蒸氣和植被體內(nèi)的水分決定的，植被水分的變化會其光譜形態(tài)發(fā)生變化，整體而言，隨著植被體內(nèi)的水分增加，反射率會下降。

基于高光譜成像的植被檢測應用研究進展

上一章節(jié)詳細介紹了植被的光譜特性，評價指標和影響因素。大部分的高光譜成像在植被檢測中的研究都會基于以上的因素，即光譜特性、評價指標和影響因素。而這章將對基于高光譜成像的植被檢測應用研究進展做深入的調(diào)研和總結(jié)，并根據(jù)檢測的目標從三個方面便分別闡述其研究進展，這三個方面分別是作物生長狀態(tài)檢測，作物生化參數(shù)檢測和作物產(chǎn)量檢測。

基于高光譜成像的作物生長狀態(tài)檢測

葉面積指數(shù)是指單位面積內(nèi)植被所有葉面積的綜合除以單位面積，是植被冠層結(jié)構(gòu)的一個重要指標，為植物冠層表面物質(zhì)和能量交換的描述提供結(jié)構(gòu)化的定量信息，也是表征作物生長狀態(tài)的重要指標。自從20世紀70年代，就有研究者開始研究葉面積指數(shù)與植被光譜特征的關(guān)系，并驗證了用高光譜成像推導葉面積指數(shù)的可行性[3][4]。與傳統(tǒng)的檢測方法相比，該方法不僅省時省力，而且可以實現(xiàn)無損檢測。今年來，隨著高光譜成像技術(shù)的快速發(fā)展，國內(nèi)的多個研究小組也進行了基于高光譜成像的作物葉面積檢測研究，并取得了一定的成果。早在2004年，南京農(nóng)業(yè)大學農(nóng)業(yè)部作物生長調(diào)控重點開放實驗室就進行了相關(guān)的研究[5]，該研究小組重點分析比較了基于 寬波段反射光譜的植被指數(shù)與水稻葉面積指數(shù)之間的相關(guān)性，以探討預測水稻葉面積指數(shù)的最佳光譜，結(jié)果表明植被葉面指數(shù)與各植被指數(shù)均呈曲線相關(guān)，與比值植被指數(shù)(RVI)、再歸一化植被指數(shù)(RDVI )和R810／R560顯著冪相關(guān)，與歸一化植被指數(shù)(NDVI)、垂直植被指數(shù)(PVI)、差值植被指數(shù)(DVI)、土壤調(diào)整植被指數(shù)(SAVI)和轉(zhuǎn)換型土壤調(diào)整指數(shù)(TSAVI)顯著，其中與R810／R560的相關(guān)性最好。在譚昌偉的夏玉米葉面積指數(shù)的高光譜遙感植被指數(shù)研究[6]中也得到了相似的結(jié)論，即近紅外與綠光波段的比值(Ｒ810 /Ｒ560)與LAI 呈顯著的指數(shù)關(guān)系，且不受品種類別、生育時期和氮肥水平的影響。就像上面介紹的研究一樣，早期的研究主要集中在兩個因素的相關(guān)性上，但是在實際作物生長張，一個指標可能會受到多個因素的影響，印個因素也可能會影響到多個指標。2013年，農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室夏天帶領(lǐng)的研究團隊通過回歸分析法和BP神經(jīng)網(wǎng)絡(luò)方分別構(gòu)建了小麥葉面指數(shù)的反演模型[6]，并通過預測值和田間的觀測值進行分析比較。結(jié)果表明利用BP神經(jīng)網(wǎng)絡(luò)法比回歸分析法有更高的預測精度，其精度可以達到?jīng)Q定系數(shù)(Ｒ2) 0. 990、均方根誤差0. 105。同時，考慮到不同時期的作物指標本身就不同，所以2014年西北農(nóng)林科技大學農(nóng)學院的楊凌提出了一種不同生育時期冬小麥葉面積指數(shù)高光譜遙感監(jiān)測模型[7]，結(jié)果表明不同生育時期葉面積指數(shù)與優(yōu)化土壤調(diào)整植被指數(shù)、增強型植被指數(shù)Ⅱ、新型植被指數(shù)、修正歸一化差異植被指數(shù)、修正簡單比值植被指數(shù)均達極顯著相關(guān)；拔節(jié)期、孕穗期、抽穗期、灌漿期和成熟期葉面積指數(shù)分別與優(yōu)化土壤調(diào)整植被指數(shù)、增強型植被指數(shù)Ⅱ、增強型植被指數(shù)Ⅱ、修正歸一化差異植被指數(shù)和修正簡單比值植被指數(shù)擬合效果較好。

生物量與葉面積指數(shù)和產(chǎn)量密切相關(guān)的一個指標，因此也常常用來結(jié)合葉面指數(shù)來評價作物的生長狀況。因此研究葉面指數(shù)的方法也往往應用于研究作物的生物量，大部分的研究主要是急轉(zhuǎn)在高光譜參數(shù)、植被指數(shù)與生物量的相關(guān)性分析。侯學會的研究[8]表明了麥生物量與冠層光譜在552、721 nm 處呈現(xiàn)最顯著相關(guān)性，同時也表明了，葉面積指數(shù)與冠層光譜的相關(guān)性在400～1 100 nm 范圍內(nèi)較顯著，紅邊位置估算小麥總生物量的指數(shù)模型最優(yōu)，增強型植被指數(shù)與小麥葉面積指數(shù)的指數(shù)模型擬合度最強。其它的研究還有柏軍華研究小組提出的生物量遙感估算模型[9]，唐延林研究小組的水稻、玉米、棉花的高光譜及其紅邊特征比較分析[10]等。

基于高光譜成像的作物生化參數(shù)檢測

作物的生化參數(shù)很大程度上也能反映作物的生長狀況，甚至能對作物的生長趨勢做出預測。同時，其中的水分含量，葉綠素等指標又具有很強的光譜特性，所以自從基于高光譜成像的精準農(nóng)業(yè)被提出以來，作物的生化參數(shù)檢測一直受到關(guān)注。下面將對基于高光譜成像的生化參數(shù)檢測研究現(xiàn)狀分別介紹和分析。

基于高光譜成像的作物水分含量檢測

在第二節(jié)的植被光譜特性介紹說明了，作物對水分含量對1.4~2.6 um波段的反射率有較大的影響，且光譜的反射率隨著水分含量的增加而降低，所以基于高光譜成像的作物水分含量檢測主要也集中在這個波段。在早期的作物水分含量研究中，國內(nèi)的田慶久[11]，王紀華[12]等以不同的方式研究了近地葉片反射光譜及遙感冠層反射光譜與作物含水量之間的關(guān)系,證實水分敏感光譜波段主要集中在1.45 um, 1.94 um和2.50 um。但是在遙感高光譜成型中也面臨著一些問題，一個是遙感冠層反射光譜與葉片反射光譜有所不同，另外一個問題是1.45 um 附近的紅外波段容易被大氣層吸收，遙感高光譜成像存在一些困難。為了消除或盡量減小大氣變動,光照變化,受風速影響的冠層變化,受溫度影響的土壤蒸騰變化對遙感冠層光譜的影響,一些研究學者提出了大量的植被指數(shù)構(gòu)造方法來消除外界因素對預測模型的干擾。后來有多個研究小組對此進行了改進，并且完成了更深入的研究。文獻[13]利用0.86 um和1.2 um 反射率建立的歸一化差異水分指數(shù)NDWI，可以很好地估算植被等效水厚度（EWT）和冠層水平的植被水分。由于受高光譜衛(wèi)星影像遙感技術(shù)的限制，當前大面積的作物冠層水分遙感監(jiān)測應用依然主要采用以寬波段為主的多光譜衛(wèi)星遙感影像數(shù)據(jù)。Landsat衛(wèi)星歷經(jīng)系列發(fā)射，其搭載傳感器ＴＭ遙感影像在全世界范圍得到廣泛應用，并經(jīng)歷實踐檢驗，是當前多光譜衛(wèi)星遙感應用中的典范。由于ＴＭ 影像中有兩個短波紅外波段（SWIR），即第５波段1.55～1.75 um，第7波段2.08~2.35 um,可用于地表植被水分探測，在區(qū)域作物植被水分遙感監(jiān)測中得到了應用[14]。2013年，為探討利用近地高光譜和TM 遙感影像數(shù)據(jù)評估作物冠層水分狀況的可行性，北京農(nóng)業(yè)信息技術(shù)研究中心的陳曉娟的研究小組以北京順義通州為研究區(qū)域，以冬小麥為研究對象，利用TM5衛(wèi)星遙感影像數(shù)據(jù)對研究區(qū)域小麥冠層水分含量進行反演與應用[15]。結(jié)果表明，利用TM5數(shù)據(jù)中SWIR第５波段比第７波段構(gòu)建的水分指數(shù)更有優(yōu)勢；WI對估算LWC的效果較好，而NDWI在EWT估算方面效果較好，同時從ＴＭ 遙感影像的反演結(jié)果來看，開花期的冬小麥冠層水分高于拔節(jié)期。圖3展示了研究區(qū)域的冬小麥LWC空間分布圖。從圖中而已可以清晰地看出，利用TM5衛(wèi)星遙感影像數(shù)據(jù)，可以清晰地看到冬小麥的含水量分布情況，也為大面積麥田的含水量無損監(jiān)測提供了依據(jù)。

圖3　研究區(qū)域的冬小麥ＬＷＣ空間分布圖

基于高光譜成像的作物葉綠素含量檢測

葉綠素是植物光合作用的重要成分，其含量對植物的生長、發(fā)育和結(jié)果都有重要的意義。監(jiān)測農(nóng)作物的葉綠色含量亦即監(jiān)測了農(nóng)作物的生長狀況。同時葉綠素具有獨特的光譜特性，其主要的吸收波段在可見光和近紅外波段。其中常見的葉綠素的吸收波段為：葉綠素a(435 nm，670~680 nm, 740 nm 有吸收峰)；葉綠素b(480 nm 和 650 nm 有吸收峰)。但是如果只有只用單一波段研究作物的生長狀況，容易受到環(huán)境的影響，所以一般采用2~3個波段的敏感波段進行研究。2010年，文獻[16]以玉米冠層遙感高光譜數(shù)據(jù)為基礎(chǔ)研究了四種植被指數(shù)預測葉綠素含量的建模效果,結(jié)果表明,四種植被指數(shù)建模效果的優(yōu)劣順序為CIgreen＞EVI＞MCARI＞NDVI。但是，葉綠素的含量也與水分含量一樣受到季節(jié)的影響，不同生長階段的葉綠素含量與對象的植被指數(shù)也有所不同。在李樹強對玉米苗期冠層反射光譜的研究時就發(fā)現(xiàn)NDVI、R550與葉綠素含量有較大的關(guān)系，但與RVI相關(guān)性較差[17]。此外，其他的一些植被指數(shù)也被用于衡量植物中的葉綠素含量。Hunt等研究人員[18]就采用三角綠色指數(shù)（TGI）預測玉米冠層的葉綠素含量,其相關(guān)系數(shù)達到了0.91,表現(xiàn)了很強的預測能力。孫紅等研究人員[19]采用差值植被指數(shù)（DVI）對玉米生長期的葉綠素含量進行了研究，研究表明基于DVI模型的葉綠素檢測模型在拔節(jié)期與喇機口期有較大的相關(guān)性，其相關(guān)系數(shù)分別為0.81和0.66。上面提到的用于檢測葉綠素含量的研究大部分集中在因素的選取和模型的設(shè)計，但是預測模型的精度還可以通過更加合理的預處理方法和計量學方法得到提高。在李慶波的研究[20]就使用了平滑、一階微分、小波變換等方法對獲取的植物葉片光譜進行預處理,再結(jié)合偏最小二乘、、算法建立了葉片葉綠素含量與吸收光譜的回歸模型,其預測集的相關(guān)系數(shù)達到0.93。。黃慧的研究小組[21]采用一階導數(shù)、二階導數(shù)及多元散射校正對小麥反射光譜進行預處理,結(jié)合最小二乘和多元線性回歸建立葉綠素含量預測模型。研究發(fā)現(xiàn),二階導數(shù)結(jié)合的預測模型效果最好,其預測均方根誤差為0.71,相關(guān)系數(shù)為0.79。整體而言，基于高光譜成像的葉綠素含量分析是可行的，但是也面臨一些困難，比如容易受到季節(jié)的影響，環(huán)境的影響。但是隨著近幾年的研究不斷深入，通過采用多參數(shù)模型，回歸模型，提高儀器精度等方法在一定程度上改善了測量的精度，因此相信的不就的將來會能更加準確、高效地確定作物的葉綠素含量。

其它檢測

除了水分含量檢測和葉綠素凈含量檢測，其它的研究還有氮含量檢測，如李振研究的基于高光譜玉米氮素營養(yǎng)與生長指標的監(jiān)測[22]，研究結(jié)果表明隨氮素水平的增加，玉米冠層光譜反射率在可見光區(qū)域(350-680nm)降低，在近紅外平臺(760~1300nm)隨氮素水平的增加呈現(xiàn)升高的趨勢。在可見光波段，隨著生育期的推進，冠層光譜反射率呈現(xiàn)先降低后升高的趨勢。而在近紅外波段變化趨勢相反。冠層反射率一階微分導數(shù)在紅邊區(qū)域出現(xiàn)"雙峰"現(xiàn)象，隨氮素水平的提高，"雙峰"沒有出現(xiàn)增強或減弱的現(xiàn)象，但隨著生育期的推進， "雙峰''呈現(xiàn)先增強后減弱的規(guī)律。紅邊位置隨生育期推進出現(xiàn)先"紅移一后"藍移"現(xiàn)象，但對氮素不敏感，隨氮素水平的改變而變化不大。紅邊幅值對生育期及氮素水平表現(xiàn)均較敏感，隨氮素水平的升高呈現(xiàn)逐漸升高的趨勢，隨生育期的推進，呈現(xiàn)規(guī)律性先增高后降低的趨勢。磷含量檢測，如文獻[23]對柑橘葉片磷含量估算模型實驗，對反射光譜進行各種形式預處理的基礎(chǔ)上對柑橘葉片磷含量進行建模 和磷含量預測。模型分別在校正集和測試集上進行評估,取得最佳模型決定系數(shù)分別為0.905和0.881,均方誤差分別為0.005和0.004,平均相 對誤差分別為0.026 4和0.031 2。結(jié)果表明基于高光譜反射數(shù)據(jù)進行磷含量預測是可行的。作物疾病檢測，截至2008年，曹入尹研究小組[24]就依托國家高技術(shù)研究發(fā)展計劃項目完成了面向作物病害識別的高光譜波譜庫設(shè)計與開發(fā)，實現(xiàn)了波譜查詢、影像管理、用戶管理、數(shù)據(jù)管理、反演模型等功能,為其它面向病害識別的高光譜波譜庫提供了依據(jù)。

三、高光譜相機在農(nóng)業(yè)監(jiān)測中的優(yōu)勢

無損監(jiān)測：高光譜相機可以通過非接觸式的光譜測量，對作物和土壤進行無損監(jiān)測，避免了傳統(tǒng)監(jiān)測方法對作物的破壞。

快速檢測：高光譜相機具有較高的光譜分辨率和檢測靈敏度，能夠在短時間內(nèi)完成對大量作物和土壤的光譜測量和分析，提高農(nóng)業(yè)監(jiān)測的效率。

準確監(jiān)測：高光譜相機可以獲取豐富的光譜信息，通過對這些信息進行分析，可以實現(xiàn)對作物和土壤的準確監(jiān)測。

四、.高光譜成像技術(shù)在作物檢測中的研究現(xiàn)狀總結(jié)和發(fā)展趨勢

自從高光譜成像被提出以來，在精準農(nóng)業(yè)中取得了長足的進步。研究的波段主要集中在可見光和近紅外；研究的作物主要包括小麥、水稻、玉米、大豆、番茄等；研究的因素包括作物水分含量、葉綠素含量、氮含量、磷含量、疾病檢測、產(chǎn)量檢測等；研究的參數(shù)包括紅邊、藍邊、黃邊、歸一化差異植被指數(shù)、植被葉面積指數(shù)、紅邊一階段數(shù)最大值、葉面葉綠素指數(shù)、葉面水含量指數(shù)、歸一化差異水體指數(shù)等；研究的方法包括兩個指標的相關(guān)系分析法，多因素回歸分析法，BP神經(jīng)網(wǎng)絡(luò)法，主成分分析法，最小二乘法，特征提取法等；研究的結(jié)果普遍表明基于高光譜成像的方法檢測監(jiān)測農(nóng)作物的各項指標是可行的。

隨著高光譜相機技術(shù)的不斷發(fā)展，其在農(nóng)業(yè)監(jiān)測領(lǐng)域的應用前景將更加廣闊。未來，高光譜相機將在作物生長狀態(tài)監(jiān)測、土壤質(zhì)量監(jiān)測、環(huán)境因素監(jiān)測等方面發(fā)揮重要作用，為農(nóng)業(yè)生產(chǎn)提供有力的支持。同時，高光譜相機的進一步發(fā)展也將推動農(nóng)業(yè)監(jiān)測技術(shù)的創(chuàng)新，為農(nóng)業(yè)領(lǐng)域的可持續(xù)發(fā)展做出貢獻。