煙草主要生化參數高光譜遙感監測現狀

吳秋菊+舒清態+劉延+吉一濤+汪紅

摘要：概述了目前利用高光譜遙感技術估測煙草生化參數理論與技術的最新研究進展，著重討論了煙草主要生理生化成分與其高光譜參量之間的關系，以及建立的相應的生理生化成分的估算模型。指出了高光譜遙感監測煙草主要生化參數的機理和研究進展，是目前煙草主要生化參數遙感估測研究的前沿領域和科學問題，為人們盡快全面了解高光譜技術在煙草生化參數方面應用進展和方法拓展，提供了參考。

關鍵詞：煙草；生理生化參數；高光譜；監測模型

中圖分類號：S572

文獻標識碼：A 文章編號：1674-9944（2017）14-0255-04

1 引言

高光譜遙感[1]是指在紫外、可見光、近紅外等電磁波譜范圍內，從探測目標上獲取若干非常窄且光譜連續數據的技術。所獲得的光譜數據其中包含了大量的光譜反射率原始數據信息，若另外加上原始光譜反射率的導數（一階導數、二階導數）、對數變換、高光譜特征參數等，信息量就可以增加更多倍，因此，高光譜技術得到了廣泛的應用和快速的發展。前人已經對高光譜遙感技術在水稻[2，3]、大豆[4～6]、小麥[7] 等農作物中的應用有了較為深入的研究。近幾年來，越來越多的煙草研究者們將目光轉向了高光譜技術，他們利用高光譜技術得出了不同因素影響煙草光譜特征的變化規律，同時篩選出一些監測參數，并建立了相應的估算模型。

煙草生化參數主要包括有：水分、色素、糖、N、P、K和微量元素等。在農業遙感信息模型研究、作物冠層光譜、葉片光譜、生物物理參數的提取與反演、作物長勢監測等方面，高光譜技術都得到了較快發展。近年來，高光譜技術在煙草上的研究和應用也進入了快速發展的階段，并且得到了較多的應用，其中也包括了在生化參數方面的研究。Tomas[8]等的研究發現煙草在缺氮時可見光波段的反射率會增加，同時光譜反射率會隨著葉綠素和類胡蘿卜素含量的增加而降低。Churasia[9]等報道了利用IRS-ID LISS-III數據可以估算煙草葉面積指數。蘇永士等[10]分析了不同施氮水平下煙草冠層光譜特征，并探究了光譜與葉面積指數、葉綠素含量間的相關性。研究表明，利用所建立的估測模型快速監測煙草的生長狀況，及時指導煙草田間管理是可行的。王建偉等[11，12]將煙草葉片的高光譜反射率、冠層光譜反射率、烘烤后葉片的光譜反射率與化學指標以及香氣指標進行了相關分析，建立了相應的光譜估測模型。筆者著重討論近年來利用高光譜遙感技術手段監測煙草生化參數的成果與方法的研究進展，同時展望未來高光譜遙感在煙草方面的發展趨勢。

2 高光譜遙感診斷煙草組分原理及煙草高光譜特征

2.1 煙草生化成分光譜診斷的基本原理

煙草葉片在電磁波的作用下，內部會發生一些復雜的物理過程（電子的躍遷、原子、分子振動與旋轉），同時會呈現出一些光譜吸收和反射特征，以此來反映物質的成分和結構信息[13，14]。煙草所具有的這些光譜特征是利用遙感方法監測其性質和形狀的重要依據。

煙草的生化成分光譜診斷原理就是利用煙草的光譜特性與其生理生化過程以及形態結構之間的響應過程，從而得到光譜反射率的變化對應化學組分的多少，反射光譜曲線的形態和特征會因煙草品種的不同、植株所處的生長期的不同而有所差異，此外灌溉、施肥、病蟲害等條件的不同也會引起煙草反射光譜特性的變化，因此可以利用遙感數據結合光譜的這些特征來進行煙草生化成分的品質監測。

2.2 煙草高光譜特征

煙草的反射光譜波形與典型植物的反射特征是相同的，這是由其細胞結構、化學成分和形態學特征決定的：即700～1000 nm為最高反射區，400～500 nm之間是最低反射區，500～600 nm之間是一個反射次高峰區，。煙草的光譜反射特征會因光照、水分、肥料、品種類型、生育時期、病蟲害等因素的影響而發生變化。李佛林[15]等對不同施氮處理、不同時期和不同葉位等的云煙85、中煙101、巴斯瑪1號的煙葉室外光譜進行了總體描述：在整個光譜區域內，主要吸收中心變異小，紅和近紅外波段處變異大：在592 nm附近及708 nm附近變異系數較小，大約為32.8%，大于708 nm以后變異系數逐漸增加。整個光譜區域內，變異系數最大達到了58.7%。張正楊等[16]對K326和云煙87兩種烤煙的冠層光譜特征進行了描述：K326冠層的光譜反射率均低于云煙87。殷全玉等[17]對云煙87和中煙101的葉片反射率光譜特征進行了研究：兩個品種的葉片反射率光譜在近紅外波段表現出了較明顯的差異，而且云煙87葉片的反射率要大于中煙101。喬紅波等[18]研究了3種：重（單株頂尖和上部5片葉蚜量≥50頭）、中（15頭≤單株頂尖和上部5片葉蚜量≤50頭）和輕（單株頂尖和上部5片葉蚜量≤15頭）煙蚜危害程度條件下的光譜反射特征。研究結果表明：煙蚜會造成煙草光譜反射率的下降，其中在近紅外波段的反射率下降特別明顯。

3 高光譜遙感數據估測煙草生化成分分析方法研究

目前國內關于利用高光譜技術進行煙草生化參數遙感估測機理和方法的研究主要側重于建立光譜特征值與煙草生化參數間的統計模型，這些統計模型，簡單且便于運用，但是統計方法獲取的模型其機理并不是很明確，應用范圍較窄，而且由于生化參數相互之間、生化參數與其它植被參數之間，再加上環境條件的干擾，會使得對其中某一生化參數的分析變得非常復雜。近年來，高光譜數據的處理技術越來越多，如多元統計分析技術、光譜微分技術、基于光譜位置（波長）變量的分析技術、光學模型方法、參數成圖技術、光譜匹配技術、混合光譜分解技術等[19]。利用逐步線性回歸的方法找出與某些生化成分含量相關的波段仍然是使用高光譜遙感數據估測煙草化學特性的主要方法，然后建立這些生化成分與波段光譜特征值之間的回歸方程，其缺點是有可能會出現諸如過度擬合、重要的波段被忽略和不同組分間的相關性等問題。

多元統計分析技術。在高光譜遙感研究中，使用最普遍的是多元統計分析技術[20，23]，該方法可用來估計或預測生理指標，它以光譜數據或其變換形式（如原始光譜反射率、一階二階微分變換、對數變換、各種植被指數、導數后的對數變換等）作為自變量，生物物理、生物化學參數等作為因變量，建立多元回歸估計預測模型。通過逐步回歸方法可以找出與生物化學成分之間相關性最大的波段，但是基于最大相關原理選擇的相關波長可能會由于過度擬合、波動或其它相關變量的影響而造成誤差[19]。王秀珍[24]等分析了高分辨率遙感的導數光譜能獲得更多植被的化學成分的信息，其導數光譜，尤其是二階導數光譜能較好地消除土壤背景因素的影響和重疊光譜的影響，導數光譜也可部分消除大氣的影響。

基于光譜波長位置變量等的分析技術。是根據波長變化相應的參數變量為自變量與生物物理和生物化學參量的關系來估計生化成分的，一般是通過高光譜數據進行某種變換（如求導、求對數等）來尋找煙草光譜的特征位置，也可直接通過高光譜數據來尋找這些特征位置，位置變量可以是：紅邊幅值Dr、綠峰幅值Rg、黃邊幅值Dy、藍邊位置λb、紅光吸收谷位置λv及其它特征吸收谷等。面積變量一般有：紅邊面積SDr、綠峰面積SDg、黃邊面積SDy藍邊面積SDb，植被變量常用的有：紅邊面積與藍邊面積比值SDr/SDb、紅邊面積與黃邊面積歸一化值（SDr-SDy）/（SDr+SDy）、紅邊面積與黃邊面積比值SDr/SDy、綠峰與紅谷歸一化值（Rg-Rr）/（Rg+Rr）、紅邊面積與藍邊面積歸一化值（SDr-SDb）/（SDr+SDb）、綠峰與紅谷比值Rg/Rr。此方法的普及度雖然不及多元統計分析方法，但被經常用在煙草的光合色素、水分和其他生化成分在可見光、近紅外波段內形成了“藍邊”、“黃邊”和“紅邊”等區別于其他地物的特征位置的情況下。

光譜匹配技術。是利用地物的光譜與參考的光譜進行匹配或者是地物的光譜與光譜數據庫的光譜作比較，以求它們之間的相似性或差異性[25]。在現有光譜數據庫不完善的情況下，直接將目標物光譜與參考光譜進行比較是最常用的一種光譜匹配技術，其中以交叉相關光譜匹配技術的匹配效果較好[26]。對于光譜匹配技術，有時需要將目標物的混合光譜加以分解，從而進一步確定在混合光譜中不同組分所占的比例，同時識別在己知組分中外加的其它組分。在一種光譜確定的物質中加入其它組分時，光譜的特征參數會發生改變，這為用光譜法對目標物中的組分識別提供可能，但混合光譜分解技術存在兩個關鍵問題：一是找出一組成分純的化學物質的光譜或已知組分混合比例的目標物的光譜；二是修正從純組分光譜到混合組分光譜因條件不同而帶來的光譜變化。目前，根據光譜匹配技術來分析煙草光譜變化及其生化組分的報道還尚未見[27]。

4 高光譜估測煙草色素狀態的機理和研究進展

煙草的光合色素含量與其光合能力具有很好的相關性，可以用來評價煙草長勢。植被色素（ 葉綠素和類胡蘿卜素） 直接影響植被和葉子在可見光范圍內的反射光譜，可以利用植被冠層和葉片的反射光譜來估算其色素含量[28]。綠色植被的光合色素在可見光波段的吸收峰主要在藍光區和紅光區，在藍光區內，葉綠素和類胡蘿卜素的吸收峰是相重疊的，所以一般不用藍光區估測葉綠素狀況；在紅光區內，葉綠素的最大吸收峰在660～680 nm，但是較低含量的葉綠素就會引起該吸收區光的飽和，會使估測的靈敏度有所下降，所以常用略偏于吸收峰的550 nm和700 nm來估測葉綠素的含量[29]。付虎艷[30]等測定了南江3 號不同長勢且無病蟲害烤煙的葉片反射率光譜，發現：在波長700 nm處Chl a 含量與葉片原始光譜反射率的相關系數達到最大，為-0.705，Chl b 含量與原始光譜反射率的相關系數最大是在701 nm波長處，為-0.654。

研究煙草的高光譜與色素特性，分析色素與高光譜參數之間的關系，并建立估測模型，可以及時、準確地獲取煙草的生長狀況信息，特別是煙草的光合能力，為煙田施肥和煙草長勢監測提供便捷、有效的方法。 付虎艷[30]通過研究南江3 號發現：在波長623 nm處Chl a 含量與一階光譜反射率的相關系數最大，相關系數為0.835，在波長653 nm 處Chl b含量與一階光譜反射率的相關系數最大，相關系數為0.808；Chl a含量與綠峰位置，Chl b含量與SDr/SDb的相關系數最大，分別為0.861和0.832，建立的煙草葉片葉綠素含量的多元逐步回歸模型以及基于高光譜特征變量建立的單變量模型中，基于光譜一階微分的逐步回歸模型可以較好的估測Chl a和Chl b含量，估測效果最好、檢驗精度也較高，是煙草葉片葉綠素含量的最優估測模型。黃智[31]等研究了烤煙K326冠層4 種色素指標與18 種高光譜參數之間的相關性。Chl a 含量與Db、Ro、Rg、SDr、SDb存在顯著的負相關關系，Chl a、Chl b、Chl a+b含量均與SDy 的相關系數最高，并呈極顯著的正相關關系，R2 均達到0.75 以上，與類胡蘿卜素含量的相關性較差，R2 為0.61，同時構建了函數模型，得出各時期色素含量的估測值，與其真實值進行差異性檢驗，其差異不顯著，說明用這些高光譜參數建立的檢測模型是可行的。劉大雙[32]等對NC89從煙株接種后的第3 d到煙株現蕾為止的生長期內對葉片進行了5 次高光譜反射率的測定，利用線性、非線性回歸技術建立了色素含量的估測模型，并且得出結論：與Chl a 和Chl a +b 最相關的特征變量是SDg，與Chl b 和類胡蘿卜素最相關的特征參量是Db，同時篩選出了相關系數較大的7 個光譜變量（SDg、 SDb、 SDy、Db、Dy、Rg、（SDr-SDg）/（SDr+SDg），分別建立了線性或非線性單變量色素含量估測模型。Chl a 的最佳模型是線性模型，Chl b 的最佳模型是指數模型，對于Chl a +b的最佳模型是Dy為自變量的線性模型，而其余6個光譜變量的最佳模型是指數模型，類胡蘿卜素最佳模型是Dy和Rg為變量的線性模型，其他5 個光譜變量的最佳模型是指數模型。經精度檢驗， 估測Chl a 含量的最佳模型是以SDb為自變量的線性模型，估測Chl b 和Chl a+b含量的最佳模型是以SDb為自變量的指數模型，估測類胡蘿卜素含量的最佳模型是以Rg為自變量的線性模型。

5 高光譜估測煙草總氮狀態的機理和研究進展

煙草作為一種需要適當施氮肥才能保證其產量和品質的經濟作物，氮素的缺少或過多會引起煙草生長發育的變化，從而影響生長期內煙草光譜的吸收，反射和透射。

在煙草氮素營養光譜應用中，常運用煙草葉片的反射光譜來評價煙株氮狀況，但是單波段光譜易受外界因素和煙草生長狀況的影響會不穩定，為了獲得普適性關系，需要用兩個或多個波段的光譜指數對氮含量和反射率進行相關分析。張正楊[33]等從25個冠層光譜參數建立的各種生理生化逐步回歸方程中篩選出，總氮的自變量為λg、（SDr-SDy）/（SDr+SDy）和SDy，總氮的回歸方程通過F檢驗達到了極顯著水平。通過SPSS，對模擬值和實測值進行相關分析，建立的總氮的回歸模型相關系數都達到了顯著水平，從而得出結論：建立的基于葉片反射光譜的回歸方程能夠很好的預測煙草的生理生化指標。李佛林[15]選取了一些在煙草各個測定時期（移栽后49d、61d、75d）中都穩定一致的與葉片氮含量達到顯著相關的光譜參數，并建立了相應的回歸模型，其中最適合估算氮含量模型的參數有：NRI、MCARI、P-Depth560、CAR1、RMAXFD、FD688、PRI、P-Area560、NDFDGR、GM1、GM2、NDVIG、D712、TCARI、NDVI，基于這些光譜參數，并建立了相應的方程，得出結論：與氮含量呈線性正顯著相關的參數有：SD712、GM1、GM2，與氮含量呈線性負顯著相關的參數有P- Area560、P- Depth560，而其它參數與氮含量呈非線性關系。

6 高光譜技術估測煙草其他生化成分的機理和研究進展

煙草內部包含了多種生化成分，這些生化成分的含量加權以后吸收特性的總和表現為葉片的光譜，多元回歸法可以找出相關性程度較高的光譜反射波段和波段組合，也可以確定其化學成分的組合，從而反演出其化學成分的含量。有些相關性波段是某些生化成分的特征吸收波段，或者是利用光譜一階導數作為自變量的特征吸收波段的邊緣，亦或是與該生化成分相關的另外組分的特征吸收波段，又或者該波段與特征吸收波段并無相關性。李向陽[27]等對烤煙葉片的煙堿進行了分析，并且采用逐步回歸的方法建立了葉片煙堿含量的光譜反射率，一階導數光譜以及光譜特征變量的回歸方程，分析了這些方程的R2和自變量回歸系數的相伴概率，最后進行了檢驗，得出結論：一階導數光譜回歸方程的模擬效果最好，而特征變量回歸方程的模擬效果最差，光譜反射率回歸方程的模擬效果居中，這些回歸方程的自變量回歸系數的相伴概率都達到極顯著水平。

7 結語

利用高光譜技術可以對煙草主要生化成分進行很好的監測，而且具有廣闊的應用前景。煙草學者們已經提出的一系列的煙草生化成分的監測和估算模型，每個模型都有特定的研究方法和適用條件，并不適用于所有品種的煙草，所以很難找到通用的模型。同時高光譜遙感數據有一些缺陷，比如景觀異質性、大氣噪音、太陽位置等的干擾都會影響高光譜遙感技術在實際的應用能力。所以要使煙草光譜資料更加完備，今后的研究方向：一是煙草生化參數，要一步步地上升到較為精確的模型水平，進一步對其進行細化和確定。為了降低實際生產中煙草的品種類型、生態條件多樣和栽培管理等方面的差異，需要建立更加全面和更具規模的樣本參數，以便進行修正。二是遙感數據的分析方法和遙感信息的信噪比要進一步提高，在今后的研究中，要注重于完善和擴充煙草的光譜數據庫，加強煙草高光譜數據的采集和挖掘，結合3S技術的應用，進一步推動高光譜遙感技術在煙草生化成分診斷和監測中的應用。

參考文獻：

[1]Lillesand T M，Kiefer R W.Remote sensing and image interpretation（3rd Edition）[M].New York：John Wiley&Sons，1994：750.

[2]Tian YC，GuKJ，ChuX. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]Plant and Soil，2013，376：193-209.

[3]覃 夏，王紹華，薛利紅，等.江西鷹潭地區早稻氮素營養光譜診斷模型的構建與應用[J]中國農業科學，2011，44（4）：691～698.

[4]宋開山，張 柏，王宗明，等.基于人工神經網絡的大豆葉面積高光譜反演研究[J].中國農業科學，2006，39（6）：1138～1145.

[5]宋開山，張 柏，王宗明，等.基于小波分析的大豆葉綠素a含量高光譜反演模型[J].植物生態學報，2008，32（1）：152～160.

[6]吳 瓊，齊 波，趙團結，等.高光譜遙感估測大豆冠層生長和籽粒產量的探討[J].作物學報，2013，39（2）：309～318.

[7]陳云浩，蔣金豹，黃文江，等.主成分分析法與植被指數經驗方法估測冬小麥條銹病嚴重度的對比研究[J].光譜學與光譜分析，2009，29（8）：2161～2165.

[8]Thomas J R，Gausman H W.Leaf reflectance VS.1eaf chlorophyll and carotenoid concentrations for eight crops[J].Agronomy Journal，1977，60（7）：99～802.

[9]Chaurasia S，BhaRacharya B K，Dadhwal V K，eta1.Field—scale leaf area index estimation using IRS—ID LISS—III data[J].International Journal of Remote Sensing，2006，27（4）：637～644.

[10]蘇永士，蘇富強，王海波，等.不同施肥條件下煙草冠層光譜特征與葉綠素、葉面積指數的關系[J].中國煙草科學，2013，34（2）：23～27.

[11]王建偉，薛超群，周漢平，等.烤煙冠層光譜參數與葉片葉綠素含量的相關分析[J].生態學雜志，2010，29（5）：876～880.

[12]王建偉，李樹人，周漢平，等.不同施氮量條件下烤煙葉面積系數與冠層光譜參數的相關性[J].煙草科技，2011（3）：77～80.

[13]童慶禧.中國典型地物波譜及其特征分析[M].北京：科學出版社，1990.

[14]陳述彭，童慶禧，郭華東.遙感信息機理研究[M].北京：科學出版社，1998.

[15]李佛琳.基于光譜的煙草生長和品質研究[D].南京：南京農業大學，2006：44，62.

[16]張正楊，馬新明，賈方方，等.煙草葉面積指數的高光譜估算模型[J]生態學報，2012，32（1）：168～174.

[17]殷全玉，楊伊檬，靳志偉.煙草葉片光譜特征及其光譜反射率的變化[J].河南科學，2006，24（4）：521～523.

[18]喬紅波，蔣金煒，程登發.煙蚜為害特征的高光譜比較[J].昆蟲知識，2007，44（1）：57～61.

[19]浦瑞良，宮 鵬.高光譜遙感及其應用[M].北京：高等教育出版社， 2000：185～228.

[20]施潤和，莊大方，牛 錚，等..葉肉結構對葉片光譜及生化組分定量反演的影響[J].中國科學院研究生院學報，2005，22（5），589～595.

[21]Hansen，PM，Schjoerring，JK.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regressions[J].Remote Sensing of Environment， 2003，86：542～553.

[22]劉偉東，項月琴，鄭蘭芬，等.高光譜數據與水稻葉面積指數及葉綠素密度的相關性分析[J].遙感學報，2000，4（4）：279～283

[23]王秀珍.水稻生物物理與生物化學參數的光譜遙感估算模型研究[D].杭州：浙江大學，2001：88～90.

[24]王秀珍，王人潮，黃敬峰.微分光譜遙感及其在水稻農學參數測定上的應用研究[J].農業工程學報，2002（18）：9～15.

[25]Cloutis，E.A.，Hyperspectral gelogical remote sensing：evaluation of analytical techniques[J]. Int.J. Remote Sensing，1996，17（12）：2215～2242

[26]MeerFVD，BakkerW.Cross correlogram spectral matehing：application to surface Mineralogical mapping by using AVIRS data from Cuprite，Nevada[J].Remote Sens..1997，61：371～382

[27]李向陽.煙草高光譜特性與農藝、生理、品質指標關系和估測模型研究[D]，鄭州：河南農業大學，2007.

[28]李曉利，唐延林，樓 佳.雜交水稻葉片葉綠素含量與光譜吸收率的關系[J].山地農業生物學報，2011（1）：1～5

[29]Sims D A， Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages[J]. Remote Sensing of Environment， 2002（81）：331～354.

[30]付虎艷，靳涵丞，張洪亮，等.貴州喀斯特山區煙葉高光譜參數與葉綠素含量的關系[J].煙草科技，2015，48（2）：21～ 26.

[31]黃 智，昌宏濤，陳建國，等.烤煙K326色素含量的高光譜估測研究[J].作物研究，2015，29（5）：516～521，541.

[32]劉大雙，劉國順，李向陽，等.TMV侵染后烤煙葉片色素含量高光譜估算模型研究[J].中國煙草學報，2009，15（2）：60～65.

[33]張正楊.基于水氮互作的煙草高光譜特性及估測模型研究[D].鄭州：河南農業大學，2011：29～32.