作物環境脅迫高光譜遙感監測研究進展

楊菲菲， 李世娟， 劉升平， 呂純陽， 劉大眾， 肖順夫， 劉航

(中國農業科學院農業信息研究所，農業農村部信息服務技術重點實驗室，北京100081)

高光譜遙感(hyperspectral remote sensing)是用很窄而連續的光譜通道對地物持續遙感成像的技術，它具有高光譜分辨率，包含空間、輻射和光譜三重信息。在航天、地質、海洋、軍事、環境和農業等領域有著廣泛和重要的作用。高光譜數據獲取主要來自星載、機載和地面三個平臺[1]。目前，星載高光譜傳感器主要包括Hyperion、 MODIS(美國)、CHRIS(歐空局)、HIS(中國)和GLI(日本)等；機載高光譜傳感器主要包括AVIRIS(美國)、MIVIS(意大利)、CASI(加拿大)、HYMAP(澳大利亞)和OMI、 MAIS、 PHI-3(中國)等；地面高光譜儀器主要包括HySpex(挪威)、ASD 地物光譜儀(美國)及GER3700(美國)等。利用不同傳感器可能會產生不同的研究結果，因為它們通常具有不同的空間分辨率。目前，在對作物環境脅迫的監測中，機載及地面傳感器應用較多，星載較少，將葉片和冠層模型獲取的參數運用于大尺度遙感實踐中，實現環境脅迫衛星遙感實時反演，是未來繼續研究的方向[2-3]。

利用高光譜監測作物的研究中，常見研究對象為水稻、小麥、玉米等糧食作物、棉花等經濟作物和常見的森林樹種，甚至是一些藥材[4-5]。高光譜遙感應用于作物環境脅迫監測的研究主要包括：生化組分參數反演，如色素含量、氮素、酶活性等；農學參數反演，如生物量、葉面積指數等；作物與環境相互作用因素反演，如光合有效輻射(photosynthetically active radiation, PAR)[6]。研究方法包括基本的光譜運算及變換方法，如一階導數、敏感波段提取、微分光譜分析、植被指數、光譜位置參數提取等，以及常規光譜數據知識挖掘方法，如逐步多元線性回歸、小波分析、偏最小二乘回歸法等[6-7]。其中，逐步多元線性回歸和偏最小二乘法應用相對廣泛，為了追求更高的精度，越來越多的非常規模型[8-9]，如支持向量機(support vector machine, SVM)模型、Hapke模型及地理加權回歸(geographically weighted regression, GWR)模型被引入作物環境脅迫監測研究中，并取得不錯的研究成果；特定的環境脅迫有水分、病蟲害、氮素等營養脅迫、不同輻射強度、重金屬和酸雨脅迫等[10]。在所有的環境脅迫中，病蟲害、水分脅迫較為常見且不好控制。本文重點從基于光譜響應特征的直接監測、基于農學參數和生理信息反演的間接監測兩方面，概述了高光譜遙感在監測作物病蟲害、水分脅迫、以及區分各類環境脅迫方面的應用，并在此基礎上討論了該技術在作物環境脅迫監測應用領域的不足及發展方向，旨在為農作物環境脅迫監測及預警提供參考，為農業信息化提供技術支持。

1 高光譜遙感監測作物環境脅迫的理論基礎

高光譜遙感數據光譜分辨率很高，圖像上每個像素點能夠提供幾十到幾百個連續狹窄波段的光譜信息，具有“圖譜合一”特性[11]。因此，目前利用高光譜遙感技術監測作物脅迫，可更好區分其不同生化組分、含量及其變化，從而實時、快速、準確地獲取脅迫信息。高光譜成像監測作物環境脅迫的理論基礎是：環境脅迫會導致作物損傷，引起作物色素、葉片細胞構造、含水量、蛋白質含量改變，而作物對電磁輻射的吸收和反射特性會隨著農學參數、生理指標的變化而變化，因此環境脅迫下的作物會在不同波段上表現出不同程度的吸收和反射特性的改變，產生不同的光譜反射率[12-13]。通過分析這些光譜信息可以實現對作物環境脅迫的定性或定量監測。

國內外學者主要從兩方面監測作物脅迫，一方面是基于光譜響應特征的直接監測，通過直接監測作物光譜反射率或由反射率構建的植被指數來監測作物脅迫；另一方面是基于農學參數和生理信息反演的間接監測。

2 高光譜遙感在作物病蟲害脅迫方面的應用

作物病蟲害是制約農產品產量及食品安全的重要因素之一[14]。其發生率高，影響具有滯后性，防治困難，易造成大面積危害，將導致作物產量及質量受到威脅[15]。因此，積極探索病蟲害脅迫監測方法對于監測病蟲害發生、對病蟲害感染程度進行分級、防治病蟲害具有重要意義。

2.1 基于光譜響應特征的直接監測

國內外學者利用近地非成像、成像高光譜數據通過光譜分析對單一病蟲害脅迫的機理進行基礎研究，篩選出各種病蟲害類型的光譜敏感波段，來監測作物病蟲害脅迫。黃文江等[13]系統闡述了多種糧食作物主要病害脅迫的冠層和葉片光譜特征；黃敬峰等[16]研究發現，病蟲害的發生能夠引起水稻450～515、550～590、650～690和725～790 nm范圍的一階導數光譜的顯著改變，710～750 nm的二階導數光譜極小值顯著降低；Luo等[17]研究發現小麥蚜蟲發生可引起700～750、750～930、950～1 030和1 040～1 130 nm范圍光譜反射率的顯著改變，且連續小波變換方法更適宜檢測蚜蟲侵染。部分學者在此基礎上進行波段間的組合和變換構建植被指數等光譜特征，進一步增強監測作物病蟲害脅迫程度的能力。Chen等[18]采用植被指數及回歸分析方法監測2個試驗點花生的高光譜冠層反射光譜，發現監測花生葉斑病的最優光譜指數是LSI:[NDSI(R938, R761)]。除卻對單一病蟲害脅迫發生程度的估測外，作物病蟲害脅迫監測還包括對不同脅迫類型的識別。Shi等[19]研究發現，采用Sigmoid核函數對相關植被指數構建的特征空間進行映射，有利于緩解維數災難，區分多脅迫的小麥病蟲害遙感監測，且該研究可能適用于“高維”問題；張東彥等[20]基于地面高光譜成像技術對葉片不同脅迫(養分脅迫、病害、蟲害)的光譜特征進行提取與分析，發現560～680和780～900 nm波段是診斷3種脅迫的敏感波段，但是養分脅迫在550 nm處、780～900 nm差異最顯著；Shi等[21]通過對遭受條銹病和白粉病脅迫的冬小麥冠層高光譜定量提取發現，在480、633和943 nm波段處的小波特征變化可以有效診斷并區分這2種病害脅迫。

2.2 基于農學參數和生理信息反演的間接監測

除了直接監測，還包括對病蟲害農作物生理信息反演的間接監測。多數作物病蟲害的高光譜遙感監測包括4種癥狀或傷害類型：①生物量或葉面積指數的減少；②病斑蟲傷[22]；③色素系統的破壞；④脫水[23]。

在色素含量方面，尹小君等[24]研究發現新建歸一化指數組成的偏最小二乘回歸模型(partial least squares regression, PLSR)對葉綠素a、葉綠素b、胡蘿卜素(carotene, Car)含量的估測精度較傳統更高，可有效監測番茄細菌性斑點病脅迫；Zhao等[25]基于地面高光譜成像技術，采用SPXY算法，建立偏最小二乘回歸(PLSR)模型，測定黃瓜角斑葉片中葉綠素(chlorophyll, Chl)和胡蘿卜素(Car)含量的空間分布并繪制色素含量分布圖；Li等[26]監測受炭疽損傷的杉木冠層，建立疾病脅迫下杉木冠層色素含量的高光譜預測模型，該結果有助于利用高光譜技術監測森林病蟲害。在酶活性方面，程帆等[27]采用SPXY算法將細菌性角斑病早期脅迫階段黃瓜葉片樣本分為建模集與預測集，采用隨機森林算法(random forest, RF)和回歸系數法(regression coefficient, RC)提取特征波長，結合偏最小二乘回歸(PLSR)模型預測葉片中的過氧化物酶(peroxidase, POD)活性，預測集相關系數為0.816 ；楊燕等[28]通過連續分時段測定水稻稻瘟病潛育期的冠層高光譜圖像及超氧化物歧化酶(superoxid edismutase, SOD)活性，建立兩者之間的關聯預測模型。在病斑方面，胡耀華等[29]探索馬鈴薯葉片的高光譜圖像特征與晚疫病害程度的關聯，提取反映病害程度的特征光譜信息，建立病害程度識別模型，發現基于原始光譜和光譜變換預處理后的數據建立的模型識別率最高，達到94.87%；盧勁竹[30]基于地面高光譜成像技術，利用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)提取了番茄葉片高光譜圖像的紋理特征，實現了番茄黃花曲葉病的分級檢測，其中逐步判別分析法(stepwise discriminant analysis, SDA)的分類準確率達到100%；Pan等[31]用高光譜成像技術監測梨果實致病過程并評價其早期發病的檢測能力，利用光譜角制圖方法，分割感染區，建立了基于支持向量機(support vector machine, SVM)、K-均值聚類算法和偏最小二乘法(PLSR)的判別分析模型，其中支持向量機(SVM)模型的整體精度最高，達到97.5%。通過上述研究可以看出，在利用不同平臺高光譜遙感數據監測作物病蟲害脅迫方面已有較多應用研究，不僅基于光譜響應特征直接估測作物病蟲害單一脅迫發生程度、識別不同脅迫類型，還基于農學參數和生理信息反演間接監測作物病蟲害，主要包括色素含量、酶活性和病斑。其中，作物病蟲害光譜特征波段和分析方法見表1。但目前大多數病蟲害脅迫監測主要基于近地非成像、成像高光譜數據分析研究，無法滿足空間大區域的快速識別，因此，還需加大多源遙感衛星數據監測作物病蟲害脅迫的研究力度。

表1 作物病蟲害光譜特征波段和分析方法Table 1 Spectral characteristic band and analysis method of crop diseases and pests

3 高光譜遙感在作物水分脅迫方面的應用

水分是作物生長過程中進行光合作用不可或缺的重要因素之一，會影響作物產量、農學參數及生理指標的變化[33]。干旱、淹水、冰凍、高溫或鹽漬等均能引起水分脅迫。水分變化引起的作物農學參數及生理指標變化均會對植株光譜反射率產生很大影響。對于作物本身可以測定的用于指示作物水分狀況的常見指標主要有：氣孔導度、葉水勢、冠層水分含量(canopy water content, CWC)、葉片等效水厚度(equivalent water thickness, EWT)以及相對含水量(relative water content, RWC)等。

3.1 基于光譜響應特征的直接監測

國內外學者利用多平臺高光譜數據對作物水分脅迫的機理進行基礎研究，篩選出適合識別作物干旱脅迫、濕漬害脅迫的光譜敏感波段，來監測作物水分脅迫。熊勤學等[2]研究發現，受漬后葉片光譜反射率較正常葉片的差異主要表現在645～680、1 428～1 456 nm波段，較正常值偏高；757～917、1 641～1 684 nm波段，較正常值偏低。受漬后小麥冠層的所有波段的光譜均低于正常小麥，建議用670～2 400 nm光譜的均值差異反映小麥受漬情況。王宏博等[34]對比不同春玉米拔節-吐絲期光譜變化發現，550～680 nm波段可較明顯反映干旱脅迫程度，土壤水分含量與植株冠層反射率呈負相關關系，且紅光區光譜反射率可較好反映植株生長情況。王進等[35]研究了不同條件(灌水量、氮素營養、品種)對棉花冠層光譜反射特性的影響，發現在700～800 nm(近紅外波段)灌水量與棉花冠層反射率呈正相關，在盛蕾期和盛花期不同灌水量處理的光譜反射率區別較大。光譜反射率的一階微分由于能夠去除部分噪聲，所以更能代表植被冠層光譜反射率狀況。不少學者利用光譜一階微分反射率及紅邊幅值、紅邊面積分析不同水分脅迫條件的影響。紅邊幅度表現出，拔節期之前與水分脅迫呈正相關，開花期之后與水分脅迫呈負相關的趨勢。許多學者利用植被指數來估算植被參數，進而衡量不同環境下的植被健康狀況。大部分植被水分指數均是利用已有的一些水分敏感波段確定，比如基于近紅外波段與更長波長的短波紅外波段所構建的歸一化差異光譜指數NDWI，基于可見光-近紅外提出的增強型植被指數EVI。蔣金豹等[36]監測漬水脅迫下的玉米、甜菜，發現作物光譜在550、800～1 300 nm區域反射率都稍有降低，而在680 nm區域反射率則逐漸增大，引入歸一化均指距離對比分析，發現指數R800×R550/R680是識別漬水脅迫的最優植被指數。Stagakis等[37]基于星載高光譜圖像數據監測灌木認為，高光譜分辨率衛星傳感器的出現是植被遙感領域的重要進展，可提高對全球植被狀態及動態過程的理解。

3.2 基于農學參數和生理信息反演的間接監測

表2 農作物水分脅迫光譜特征波段和分析方法Table 2 Spectral characteristic band and analysis method of crop water stress

4 存在問題及發展建議

快速、準確、無損的高光譜監測技術是監測和獲取環境脅迫下作物生長狀況的有效手段，但同時也存在一些問題，歸納為以下幾個方面。

4.1 環境脅迫光譜響應特征的專屬性認識不足

作物環境脅迫通過引起植株農學參數和生理指標的變化而影響作物光譜，各類環境脅迫生理機制相似，常導致色素系統、細胞結構的破壞，葉面積指數、地上生物量的減少，脫水等，因此，不同的環境脅迫往往呈現相似的光譜響應特征。比如，400～780 nm的可見光波段，植物色素支配光譜響應，光譜反射率常隨色素含量降低而升高[3, 41]。其中，葉綠素是作物中最重要的色素，是解析光譜變化的敏感因子。可見，光波段以葉綠素a、葉綠素b在藍綠光區的強反射與紅光區的強吸收為特征，胡蘿卜素濃度變化為作物生理狀況提供大量補充信息；780～1 000 nm的近紅外波段變化主要與葉片細胞結構相關，以其引起的多次散射差異為判斷標準，細胞結構完好時，光在葉片內部形成多次散射，反射率較高[17-21]；此外，911和976 nm波段對葉片水分狀況敏感，這兩個波段與O-H鍵拉伸的倍頻峰相近[25]；1 400～1 920 nm 波段的光譜反射率與作物葉片結構相關，常用于研究作物的品種[30]；此外，1 428～1 456 nm 波段可反映葉片含水率[2]。

因此，在實際監測中，如何根據環境脅迫的監測特點，研究特征提取和構建方法，找到高專一性和特定性的檢測特征是監測中的關鍵問題[23]。雖然近些年有部分研究區分了各類環境脅迫，如Zinnert等[42]對2種木本作物進行了干旱、鹽漬、三硝基甲苯4種實驗處理，基于高光譜技術區分作物的自然和人為脅迫；Song等[43]基于高光譜反射和能量空間轉換光譜數據集，采用主成分分析(PCA)、波段相關方法提取作物光譜反射率發現，4個單一波段組合(553、675、705、775 nm)以及3個單一波段組合(1 158、1 378、1 965 nm)結合線性判別的方法區分氮和水分的效果最好。但相關研究仍不足，因此，今后研究應考慮到不同類型環境脅迫在監測上的差異性，如設計生理機制相似的環境脅迫試驗對比分析，建立作物環境脅迫光譜庫等。

4.2 反演模型的精度及普適性有待提高

根據高光譜參數構建的作物生理指標及農學參數的估算模型很多，但通常只在當地驗證，不同環境下耦合精度不高。主要是因為作物冠層光譜反射率會受到作物生理因素、環境因素、營養狀況、冠層幾何結構等的影響，所建立的作物光譜反射特征不能用于建模地區以外的時空條件；利用光譜技術監測作物農學參數和生理指標的研究較多，但多為經驗模型，關于其之間機理性關系的研究較少；冠層結構和背景的變化會引起光譜反射率的變化，從而顯著影響作物農學參數和生理指標的反演結果；不同處理間冠層反射光譜的差異可能會被某些因素增強或削弱。與多波段遙感相比，高光譜遙感對作物農學參數及生理指標的變化更為敏感，反映更加精細，為更精確地估算作物生理生化參數提供了可能[44]。因此，今后研究應考慮到如何對樣本參數進行修正、選擇最佳的特征波段和模型、研究光譜與作物生化組分之間的機理性關系，以提高預測模型的精度及普適性。

4.3 數據使用受到限制

高光譜遙感數據使用受到限制，主要由以下幾個因素導致：高光譜在光譜分辨率提高的同時制約著空間分辨率，由于高光譜遙感圖像空間分辨率限制和地物分布的復雜多樣性，混合像元廣泛存在于圖像中，影響遙感圖像的分類精度及目標探測效果[45]；高光譜數據一般包括數百條波段，各個波段之間具有高度相關性，光譜間存在冗余信息且數據處理難度加大，需要進行數據壓縮和信息提取，目前常用隨機森林算法(RF)、回歸系數法(RC)、偏最小二乘回歸法(PLSR)、連續統去除法等[27-28, 41]；高光譜成像技術存在的難點多與圖像處理方法相關，為此該技術的主要研究重點是圖像的分割、融合等算法改進[34]。因此，今后研究可結合具有高空間分辨率的多光譜數據，采用數據融合等方法來實現預期目標，或者進一步研究高光譜混合像元分解技術；此外，應研究發現新的數據壓縮和提取方法，研發通用的成像光譜儀圖像處理系統[32]，以提升高光譜數據的使用頻率。

5 展望

本文對高光譜遙感監測作物環境脅迫的理論基礎進行闡述，重點從基于光譜響應特征的直接監測、基于農學參數和生理信息反演的間接監測兩方面，概述高光譜遙感在監測作物病蟲害、水分脅迫方面的研究進展，進一步闡述高光譜技術在作物環境脅迫監測中所面臨的挑戰及未來發展趨勢。快速、準確、無損的高光譜監測技術是監測和獲取環境脅迫下作物營養狀態、生長狀況的有效手段。然而，現有研究對脅迫下光譜響應特征的專屬性認識不足，不同的環境脅迫往往呈現相似的光譜響應特征；根據高光譜參數構建的作物生理指標及農學參數的估算模型很多，但不同環境下耦合精度不高；高光譜數據特點及數據壓縮和信息提取方法的不成熟，導致數據使用受到限制。因此，該技術在作物脅迫監測領域的發展趨勢如下：研究特征的選擇和構建方法，找到高專一性和特定性的檢測特征；通過修正樣本參數，研究光譜與作物生化組分之間的機理性關系等方法提高反演模型的精度；通過多源數據融合，研究新的數據壓縮和提取方法。此外，智能農機、計算機視覺等技術的進步，為高光譜遙感的發展帶來了新的契機：將光譜儀集成到智能農業機械上，可以快速、準確獲取作物冠層光譜信息，從而完成作物環境脅迫監測、施肥、水分管理等一系列程序化工作；高光譜數據結合熱紅外和熒光，可減少對天氣條件的依賴；結合計算機視覺方法處理高光譜遙感影像，可提高圖像處理效率及精度。總之，利用高光譜遙感監測及預測作物的環境脅迫是現代農業實際應用中的重要組成部分，也是實施精準農業必不可少的內容，可提高作物生產精確管理水平和綜合效益。