高光譜遙感技術在農作物監測中的應用

王利龍+呂航

摘 要：高光譜遙感農業研究已經逐漸成為現代農業研究中的重點，高光譜遙感影像具有光譜連續、波段多以及數據量大等特點，可為現代農業研究提供精準的技術手段。文章以農作物監測為視角，概述了高光譜遙感影像的特點，對高光譜遙感技術在農作物監測中的應用進行了詳細的描述，包括農作物種類監測、氮素監測、葉綠素監測、病蟲害監測以及重金屬監測五個方面。

關鍵字：現代農業研究；農作物監測；高光譜遙感

中圖分類號：S5-3 文獻標志碼：A 文章編號：2095-2945（2018）01-0147-03

Abstract： Hyperspectral remote sensing agricultural research has gradually become the focus of modern agricultural research. Hyperspectral remote sensing images have the characteristics of spectral continuity， multi-band and large amount of data. It can provide precise technical means for modern agricultural research. In this paper， the characteristics of hyperspectral remote sensing images are summarized from the perspective of crop monitoring， and the application of hyperspectral remote sensing technology in crop monitoring is described in detail. It includes five aspects： crop species monitoring， nitrogen monitoring， chlorophyll monitoring， pest and disease monitoring and heavy metal monitoring.

Keywords： modern agriculture research； crop monitoring； hyperspectral remote sensing

引言

20世紀80年代初，人們開始運用遙感技術對農作物進行監測，隨著遙感技術的飛速發展以及對地觀測手段的不斷進步，高光譜遙感技術所具有的光譜分辨率高，波段多，數據量大等特點，使其在地表物質的監測、識別和分類、有用信息的提取等方面具有很大優勢。在這四十余年的發展中，尤其是“現代精細化農業”的提出，使得這一技術在農作物監測中得到了廣泛的應用。

高光譜遙感數據包含了農作物的空間信息、波譜信息和輻射信息，其“圖譜合一”的特性（如圖1）使其可以對農作物進行氮素、葉綠素以及病蟲害等監測。農作物的空間信息主要體現在不同作物類別之間，不同農作物對光的吸收和反射不同使其在遙感圖像上呈現出不同的特征。波譜信息常用波譜曲線來表示，不同農作物具有不同的波譜曲線波形，相同的農作物具有相近的波譜曲線波形，根據這一特征可以精細地對農作物的類別進行劃分。輻射信息主要表現在農作物對光輻射能量的吸收和反射作用，不同農作物對紅外線或紫外線的吸收和反射不同，根據這一特征可對農作物進行強有力的監測，監測其水分、營養物質等的吸收和利用[1]。

1 農作物種類監測

農作物種類監測是遙感技術在農業領域應用的重要內容，農作物種類監測也稱為農作物種類分類監測，其原理是根據不同植被光譜的高度相似性和空間變異性等特點，對農作物的種類以及長勢進行劃分。高光譜遙感影像精確的波譜特征可以探測到多光譜遙感影像探測不到的信息，因此，充分發揮高光譜遙感影像的性能，可對地表農作物的細微差別進行識別與分類，能夠大大提高土地覆蓋類型的識別與分類精度。

2 農作物氮素監測

氮素通常是農作物生長發育過程中最活躍的元素，也是農作物進行營養監測的標志性元素。農作物氮素監測研究于19世紀問世以后，先后經歷了外觀形態監測法、化學監測法以及現代高科技技術監測法三個階段，其中，現代高科技技術監測法最主要的技術手段就是高光譜遙感技術。

農作物氮素含量的高低對其葉面積指數，蛋白質含量，植物覆蓋度以及生物量等均有顯著影響。農作物內部結構和表面特性的不同使得其對不同光譜通道內電磁波的吸收和反射是不同的，因此，可以利用農作物的光譜特征對其氮素含量進行監測，進而實現農作物生長狀況和產量的動態監測。以水稻為例，當其缺少氮素時水稻植株會發生葉片異化變黃甚至產生紅斑等現象，進而影像水稻的生長速度，當氮素含量過多時，水稻植株會瘋長且葉片顏色深綠，會導致貪青晚熟的現象發生。運用高光譜遙感數據建立多元回歸模型，對水稻冠層處的光譜進行研究可知，當葉片氮素含量不同時，在近紅外光譜通道內光譜特征也有著較大的差異[2]。對玉米進行氮素監測可知550-700nm光譜通道內為氮素敏感區域且550nm左右光譜通道內的反射率能夠反映玉米氮素處理間的差異。運用田間甜菜冠層高光譜數據，對其氮素含量和植被指數進行估算并建立氮素含量估算模型，可以實現對甜菜整個生長期的氮素動態監測[3]。因此，氮素監測是農作物研究中必不可少的部分。

3 農作物葉綠素的監測

葉綠素是農作物進行光合作用的主要色素，可吸收可見光光譜通道內的能量[4]，因此，葉綠素在可見光光譜通道內（380-740nm）的反射光譜表現為：藍光和紅光的大部分為葉綠素所吸收，即400-450nm和650-700nm光譜通道內為葉綠素的強吸收帶，并消耗于植物的光合作用，綠光大部分為葉綠素所反射，即550nm光譜通道附近為葉綠素的強反射峰區，也是健康的植物呈現綠色的原因[5]。如圖所示為綠色植物有效光譜響應特征圖。endprint

運用高光譜遙感技術進行農作物葉綠素監測是研究農作物長勢與生物量常用的技術手段，高光譜遙感影像可以反映農作物的“紅邊”特性，紅邊是紅光和近紅外范圍內的植被反射光譜曲線斜率最大處對應的光譜通道。很多研究表明，紅邊和作物葉綠素含量具有很好的相關性。早在1989年Curran等[6]就利用CASI數據對葉綠素與紅邊位置進行研究分析并建立回歸方程，證實了農作物“紅邊”位置與葉綠素密度之間的密切關系：葉綠素濃度越高， 紅光光譜通道內葉綠素的吸收效果越好，即植物的光和作用質量越高。除此之外，以農作物為研究對象，高光譜遙感技術為手段，利用各種數學方法還可以建立各種葉綠素含量估算模型[7]，如呂杰[8]等運用粒子群優化算法和支持向量機建立了玉米葉綠素含量估算模型。

4 農作物病蟲害監測

病蟲害是農作物生長過程中不可避免的自然災害，對其控制或處理不當，會造成嚴重的經濟損失，因此，對于精細化農業的可持續發展有著顯著影響。國外農作物研究員在20世紀80年代就開始利用高光譜遙感技術對各種農作物進行病蟲害研究[9]，而國內的研究則起步較晚，在20世紀末才開始相關技術的研究。

以玉米為研究對象，感染各種病蟲害的玉米葉片同健康植株相比，在光譜特征上具有細微的差別，如矮花葉病毒的玉米葉片同健康植株相比，在近紅外光譜通道內呈現出不同的波譜特征，根據這些波譜特征就可以判斷玉米是否感染矮花葉病毒及其感染情況。以小麥為研究對象，小麥銹病是影響小麥產量的直接因素，運用高光譜遙感影像以及數學手段對小麥估產模型進行研究，可精確的估算小麥的產量以及小麥銹病所引起的產量損失。

5 農作物重金屬監測

隨著我國農業的快速發展，農田重金屬污染逐漸成為當今世界面臨的重大生態環境問題之一，糧食安全和人類生存問題息息相關，因此，如何準確、高效地進行土壤重金屬污染研究和處理是農業研究普遍關注的課題之一。農作物中的重金屬含量與其土壤中元素含量的高低有著直接關系，人類活動產生的大量含有害重金屬危害著全球土壤環境，使得土壤中重金屬含量明顯高于自然背景值，形成土壤重金屬污染，進而導致農作物中的重金屬含量超標。

運用高光譜遙感影像進行農作物重金屬檢測，主要依據重金屬對植物生物物理結構的“破壞”作用，導致植物內部結構發生變化，進而使其在高光譜遙感影像上會呈現出不同的光譜特征。如Wu等[11]對南京城郊農田進行研究，發現土壤內重金屬Ni、Cu和Cr的含量與Fe有著密切關系，并依此建立了反演模型，利用反射光譜成功的估算了長江沖積島八卦洲內土壤中的這三種重金屬元素的含量，認為土壤中的重金屬元素與土壤鐵元素之間的反射光譜在植物反射光譜上呈正相關關系。J Wang等[12]利用偏最小二乘回歸與遺傳算法，構建了土壤重金屬估算模型，該模型對土壤內重金屬鉛、鋅、銅有很精確的估算效果，進而反映出植物內的重金屬含量，在中國宜興地區取得了非常不錯的效果。

6 結束語

農作物生長受農作物品種、地域、土壤、氣候以及栽培管理等因素的影響，在大面積農作物種植區域實現人工動態監測是非常困難的，運用高光譜遙感技術則可以實現對農作物各項指標的監測。因此，運用高光譜遙感影像對農作物進行監測是現代化農業以及未來精準農業的發展趨勢。

參考文獻：

[1]譚雨蕾.基于特征度量的高光譜遙感影像波段選擇方法研究[D].吉林大學，2017.

[2]李永梅，張學儉，張立根.水稻氮素高光譜遙感估測模型研究[J].江蘇農業科學，2016，44（8）：435-439.

[3]李哲，田海清，王輝，等.基于高光譜的甜菜冠層氮素遙感估算研究[J].農機化研究，2016，38（6）：210-214。

[4]Chappelle E W， Kim M S， McMurtrey J E. Ratio analysis of reflectance spectra （PARS）： an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J]. Remote Sensing of Environment， 1992，39（3）：239-247.

[5]宮兆寧，趙雅莉，趙文吉，等.基于光譜指數的植物葉片葉綠素含量的估算模型[J].生態學報，2014，34（20）：5737-5745.

[6]Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment， 1989，30（3）：271-278.

[7]Daughtry， C.S.T.， Walthall， C.L.， Kim， M.S. Brown. Estimating corn leaf chlorophyll coneentration from leaf and canopy reflectance[J]. Remote sensing of Environment， 2002，74（2）：229-239.

[8]呂杰，汪康寧，李崇貴，等.基于高光譜遙感的玉米葉綠素含量估測模型[J].中國礦業大學學報，2016，45（2）：405-410.

[9]馬菁，張學儉.枸杞病蟲害遙感近地高光譜特征研究[J].廣東農業科學，2015，42（13）：165-172.

[10]賀軍亮，張淑媛，查勇，等.高光譜遙感反演土壤重金屬含量研究進展[J].遙感技術與應用，2015，30（3）：407-412.

[11]J Wang， L Cui， W Gao， et al. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J].Geoderma， 2014，216（4）：1-9.endprint