農作物冠層光譜分析及反演技術綜述

李 月，何宏昌，王曉飛，張國民

(1. 黑龍江大學，黑龍江 哈爾濱 150001； 2. 中國科學院北方粳稻分子育種聯合研究中心，黑龍江 哈爾濱 150001)

綠色植被吸收紅光和藍光，而對近紅外光則有較強的反射性。充分利用作物在可見光及近紅外波段冠層光譜反射率的差異，將各波段反射率進行組合，可估計作物的氮含量、葉綠素濃度、葉面積指數等生物物理參數，實現定量遙感。基于農作物冠層光譜特征對生物及結構變量進行反演的定量遙感技術具有實時、快速和無損、準確等優點，在農業上得到了廣泛應用，如通過分析作物冠層光譜反射率可獲得長勢信息，并根據長勢信息進行施肥指導，使得作物對養分的需求量與土壤中的養分含量相匹配，減少化肥施用量。研究表明，基于冠層光譜分析的精準施肥可使氮肥利用率最高達到368%，施肥量減少10%～80%，土壤中氮殘留減少30%～50%[1]。另外，通過分析冠層光譜可反演受病害及蟲害作物的葉面積指數及葉綠素含量，測定受害等級，是病蟲害進行早期預警、控制病蟲害蔓延和產量損失的有效方法。

本文首先綜述國內外用于作物冠層光譜反射率采集常用的儀器及采集方法，對地面、機載及遙感衛星3個層面冠層反射率采集方法的優缺點進行對比；其次給出植被指數構建原理及常用植被指數，分析基于物理模型的反演方法和基于統計的反演方法的復雜度和性能；最后提出農作物冠層光譜分析及反演技術的下一步發展方向及面臨的挑戰。

1 冠層光譜反射率采集方法

本文從冠層光譜反射率進行采集的3個層面進行綜述，即地面光譜采集、機載光譜采集和衛星遙感數據。下文分別對這3個采集層面進行分析及比較。

1.1 地面光譜采集

ASD公司是地面高光譜傳感器的最大廠商之一。ASD FieldSpec Pro VNIR傳感器在光譜采集中應用廣泛，其可測量頻譜范圍為350～1050 nm，最小測量間隔為1.4 nm，文獻[2]利用該儀器采集了38塊大麥地的高光譜圖像，并利用測得的高光譜分析葉片氮濃度。JAZ便攜式光譜儀的可測量頻譜范圍為400～900 nm，測量間隔為0.3 nm。文獻[3]在25°視場角、距離冠層高度40～50 cm的條件下對冬小麥的冠層進行了高光譜拍攝，用于對冬小麥的氮吸收量和產量進行分析。上述兩種傳感器都是被動式傳感器，可測得整個可見光至近紅外波段的高光譜反射率，而Trimble公司的GreenSeeker傳感器則是一種主動式傳感器，可發射774 nm近紅外光和656 nm紅光，捕獲作物反射來的光線，通過微處理器分析處理提供植被歸一化指數(NDVI)和植被等物質的紅光與近紅外的比值[4]，其地面采集精度最高，但缺點是采集范圍有限，適合邊采集邊決策的模式。

1.2 機載光譜采集

為了獲取更大范圍農田作物的光譜反射率，高光譜和多光譜儀被搭載到飛機上進行拍攝。文獻[5]采用機載高光譜儀對玉米冠層進行拍攝，無人機的飛行高度為300 m，搭載的高光譜儀Micro-Hyperspec VNIR有260個波段。筆者對基于機載高光譜圖像反演的氮含量和基于地面高光譜儀反演的氮含量進行了比較，證明兩者的估算準確度相當。文獻[6]將中國科學院上海技術物理研究所研發的推帚式高光譜成像儀PHI搭載在Yun-5號飛機上，利用拍攝的高光譜圖像對冬小麥的冠層氮含量進行估計。PHI高光譜儀的光譜范圍為400～850 nm，光譜分辨率為5 nm，高光譜影像分辨率為1 m，飛行高度為1000 m。文獻[7]用德國航空公司的飛機搭載HySpex傳感器系統，該傳感器系統包括兩個光譜儀，一個是波段為400～1000 nm、光譜分辨率為3.7 nm、空間分辨率為1.65 m的VNIR，另一個是波段為1000～2500 nm、光譜分辨率為6 nm、空間分辨率為3.3 m的SWIR，共計416個波段[7]。

隨著無人機技術的發展，近幾年用無人機搭載光譜儀進行冠層光譜分析的研究也越來越多，由于無人機可承載重量受限，其搭載的多為多光譜儀。文獻[8]用DJI S1000無人機搭載數碼相機和多光譜儀對草坪進行了拍攝，并基于多光譜影像對草坪的氮含量進行了反演，證明機載多光譜影像完全可以體現草坪草長勢的空間差異性，為差異性管理提供決策。無人機飛行高度為50 m，多光譜影像的分辨率為5 cm。搭載的多光譜儀的3個工作波段為520～600 nm的綠光波段、630～690 nm的紅光波段和760～900 nm的近紅外波段[8]。文獻[9]采用Atmos-6無人機搭載VEGCAM-Pro光譜儀，光譜儀的3個工作頻段為525～575 nm的綠光波段、615～685 nm的紅光波段和755～805 nm的近紅外波段，無人機飛行高度為180 m。機載高光譜儀對作物進行觀測并反演時，精度甚至可以與地面光譜儀相當，而且與地面采集方式相比可擴大覆蓋范圍，但存在的問題是成本太高。

1.3 星載光譜采集

近幾年來，隨著衛星技術的發展，衛星的空間分辨率越來越高，回訪周期越來越短，Sentinel-2和RapidEye衛星還專門推出了用于綠色植被研究的紅邊波段，使得利用遙感影像對作物長勢進行估計的精度大大提高，因此基于衛星遙感影像進行農作物生物物理參數反演的研究逐漸增多。文獻[10]指出遙感得到的作物光譜特性已經被成功用于估計作物生物物理參數，如QuickBird衛星、Sentinel-2衛星、RapidEye衛星、Landsat衛星等都已被用于作物生物物理參數的估計。有研究者基于Sentinel-2數據及PROSPECT5-4SAIL模型數據，建立敏感植被指數和葉綠素密度之間的回歸關系。仿真結果表明基于Sentinel-2衛星數據可以很好地將作物的葉綠素含量估計出來，估計誤差為4～5 μg/cm2，這同基于高光譜儀器估計的誤差數值是相當的。文獻[11]利用RapidEye衛星的多光譜波段構建了24個植被指數測量小麥的變量施肥響應，并用ASD FieldSpec手持式光譜儀拍攝的光譜反射率數據對衛星數據進行了校正。星載光譜采集成本最低，但其精度也是3種方式中最低的。近幾年隨著衛星技術的發展，精度問題也逐步得到解決。

2 農作物生物物理參數反演方法

根據從光學傳感器采集到的植被冠層反射率對作物生物物理參數(氮含量、葉面積指數或葉綠素含量)進行估計有兩種方法，一種是基于物理模型的反演，另一種是基于光譜反射率(或植被指數)與生物物理參數之間的統計關系，兩種方法都需要根據敏感波段構建植被指數。

2.1 植被指數

作物綠色葉片的反射光譜具有如下特征：在可見光區域，其反射率主要受各種色素的支配，可見光大部分被葉片吸收，反射率較小；在近紅外區域，受葉片細胞結構的影響，葉片的反射率較大而吸收很少[12]。可見，作物長勢變量與可見光/近紅外波段的冠層反射率之間存在著很強的相關性。因此，可以根據作物在可見光波段及近紅外波段光譜反射率的變化來對其葉綠素含量、氮含量和葉面積指數進行估計。綠色植被光譜反射曲線還有一個重要的特征就是存在“紅邊”，即反射曲線從紅光波段到近紅外波段變化的過程中存在一個上升沿。隨著施氮量的增加，作物冠層反射光譜的紅邊位置、紅邊面積和紅邊幅值都發生變化，出現明顯的“紅移”現象[12]。因此，另一類構建植被指數的方法是基于紅邊特征的方法。

有些文獻設計了多種植被指數，并分別建立植被指數與LAI之間的回歸關系，如文獻[13]建立了加權差分植被指數WDVI、最優土壤調節植被指數TCARI/OSAVI、葉綠素植被指數CVI、葉綠素指數CIgreen、紅邊指數CIred-edge等多種植被指數與LAI之間的回歸關系，并證明Sentinel-2衛星影像數據可以用于對葉面積指數LAI的反演。除了對葉面積指數進行估計，基于統計的反演方法在葉綠素含量估計和氮含量估計中應用更廣泛。文獻[14]采用主成分分析法來選取更能代表氮含量的光譜反射率，然后建立所選取光譜反射率與作物氮含量之間的線性回歸方程，并采用決策樹分類算法直接對光譜主成分進行分類，得到作物氮含量所在區間。文獻[15]基于機載多光譜數據，分別計算NDVI(normalized difference vegetation index)、GNDVI(green normalized difference vegetation index)、SRPIb(simple ratio pigment index)這3個植被指數與葉片氮含量及作物氮含量間的相關系數。計算結果表明SRPIb與葉片氮含量之間的相關性最大，為0.7，且這種相關性與澆水、施氮量無關。NDVI、GNDVI與冠層氮含量之間的相關性較好，分別為0.7和0.64，但其相關性與澆水、施氮量有關[15]。

2.2 基于物理模型的反演方法

基于物理模型的方法認為冠層光譜反射率是葉片結構參數和生物化學參數的函數，通過建立冠層輻射傳輸方程，并對光譜反射率進行逆變換即可求得氮含量、葉面積指數和葉綠素含量等參數。在各種物理模型中應用最廣泛的是PROSAIL模型。PROSAIL輻射傳輸模型耦合了葉片光學特性模型PROSPECT和冠層反射率模型SAIL，并考慮土壤的非朗伯特性、葉片的鏡面反射、植被冠層的熱點效應及葉傾角分布情況，因此能很好地描述均勻植被冠層的反射特性，從而使模型具有良好的模擬結果[16]。有研究結果表明利用PROSAIL輻射傳輸模型對作物的葉面積指數、葉綠素含量、氮含量、等效葉片含水量等生物量進行反演時，對葉面積指數的估計精度是最高的[17]，因此PROSAIL模型對葉面積指數的估計最廣泛。基于冠層反射物理模型的反演方法存在著解的不唯一性，即不同的輸入參數組合(葉面積指數、天氣、拍攝角度等)會得到類同的冠層反射率，因此從所測得的冠層反射率無法反演出唯一的輸入值。此外，反演方法的計算復雜度高，這也限制了基于物理模型反演方法的使用。

2.3 基于統計的反演方法

基于統計的反演方法認為冠層光譜反射率和作物的氮含量、葉面積指數和葉綠素含量等生物物理參數之間存在著一定的相關性，首先通過相關性分析確定和生物物理參數相關性最大的波段作為敏感波段，并通過敏感波段的組合設計植被指數，然后建立植被指數與作物生物物理參數之間的回歸關系。下面分別對常用的植被指數和回歸關系建立方法進行論述。

(1) 線性和非線性回歸。線性回歸和非線性回歸是建立光譜反射率和作物長勢變量之間關系的最基本方法，在氮含量、葉面積指數及冠層葉綠素含量反演中應用最為廣泛，其中非線性回歸包括指數回歸、冪次回歸、對數回歸和二次多項式回歸。文獻[18]采用多種植被指數和多種線性/非線性回歸關系對葉綠素含量進行反演，其線性回歸的決定系數R2值最高可達0.89，非線性回歸的決定系數R2值最高可達0.91。文獻[19]采用多線性回歸和最小均方線性回歸兩種方法建立不同波段反射率和LAI之間的回歸關系，并證明多線性回歸方法獲得的性能更優。對于雨水地回歸得到的R2=0.736，RMSE=1.169；對于灌溉地回歸得到的R2=0.716，RMSE=1.059。

(2) 機器學習。近幾年機器學習算法方興未艾并應用于定量遙感領域中，用于對作物生物量進行反演。最常用的機器學習回歸算法有3種，分別為人工神經網絡、支持向量機和隨機森林。人工神經網絡被看作是由許多小單元組成的高度平行的動態系統，通過對輸入信息的狀態反應來執行傳輸。網絡的結構設計對反演算法的復雜度影響很大，假如網絡太復雜，它雖然能完美地學習訓練集，但普適性很差，存在過擬合的現象。近幾年有很多學者基于人工神經網絡建立反射率和生物物理變量之間的關系。文獻[22]基于Sentinel-2和Sentinel-3的4種數據S2-10 m(第4波段)、S2-20 m(第8波段)、S2-60 m(第10波段)和S3-300 m(第19波段)，采用神經網絡、支持向量回歸、基于核方法的嶺回歸、高斯過程回歸4種回歸方法對葉綠素進行了反演，其中高斯過程回歸方法性能最優，對模型進行驗證時RMSE精度可達20%。

與基于物理模型的方法相比，基于統計的方法雖然簡單，但也存在著缺點：一方面選取的植被指數種類繁多；另一方面每篇文獻建立的回歸關系依賴于作物種類、所選訓練集、傳感器類型，其使用具有很強的局限性。

3 結語與展望

隨著科技的發展和進步，基于農作物冠層光譜分析的定量遙感技術必將在農業生產的各個領域中發揮重要作用，為精準施肥、精準撒藥、病蟲害預警、產量預測等操作提供指導，但從目前的研究現狀看，還需要在以下幾方面加強研究：

(1) 空間分辨率高、光譜分辨率高的遙感衛星。當前免費的遙感衛星提供的是空間分辨率較低的多光譜數據，使得遙感信息和作物葉面積指數的對應關系精度不高，從遙感信息獲取作物葉面積指數等信息時準確度不高，因此需要提高遙感衛星的空間分辨率和光譜分辨率。另外，無人機的迅速發展使得機載高光譜拍攝逐漸走入市場，但目前成本過高，不適于農場使用，需要逐步降低價格。

(2) 更精確、通用的光譜反射率模型。現有光譜反射率物理模型缺乏通用性且精確度不高，多數模型只適用于某種氣候條件下的某種作物，而且模型精度有待提高；而有些模型需要的變量過多,無法實際應用，模型需要進一步簡單化和智能化，通過參數配置以適用于不同作物。

(3) 更精確的反演算法。現有基于統計學的算法對作物品種、作物生長條件依賴性較強，而且受統計訓練集的影響通用性差，需要結合物理模型和統計學方法研究實用的綜合反演法。