高光譜技術在農業遙感中應用的研究進展

張 偉

（寧夏農業勘查設計院，寧夏回族自治區 銀川 750002）

在農業遙感應用中，特別是在作物生長評價、災害檢測和農業管理方面，利用高光譜遙感影像可以準確反映田間作物的光譜特征及其中間光譜差異，并能更準確獲取一些醫學信息，如作物水分含量、光合強度、葉面積指數LAI（Leaf Area Index）等生態物理主要參數，進而預測和分析作物生長和產量。

1 農業高光譜遙感應用原理

不同的作物具有多種理化性質，具體表現在葉肉細胞、葉片翠綠成分、葉片結構、葉片含水量等層次。這種差異雖然肉眼看不到，但可以通過參與光譜反射面規律性進行科學分析。例如，可見光原料波段的光譜透射率主要受包括葉綠素在內的各種色斑的影響，而近紅外光譜儀原料波段的透射率則受葉片水分含量、氮元素等因素的影響。因此，作物的基本光譜特征是當今快速獲取農業信息的關鍵途徑，對智慧農業具有關鍵的現實意義。基于高光譜遙感技術的作物檢測的基本任務是選擇合適的檢測指標值，進而對作物特性進行準確、快速、大范圍的檢測[1]。葉面積指數LAI（leaf area index）是與作物生長的個體特征和種群特征相關的綜合指數值。無論哪種類型，都有統一性。這也是利用葉面積指數檢測增益的基礎。歸一化V-植被指數NDVI（Normalized Difference Vegetation Inde）是與葉面積指數LAI、植被覆蓋度、生長發育水平、土壤含水量等相關的綜合主要參數。溫度條件指數TCI（Temperature Condition Index）用于反映地溫，可以更直觀地反映干旱的發生、發展趨勢和完成情況。植被狀況指數VSI（Vegetation Status Index）用于反映植物群落的身心健康狀況，可以反映同一生理時期植物群落的發展情況[2]。歸一化水體指數NDWI（normalized difference water index）利用綠色種群中的水質和近紅外光譜儀明顯的反射面差異來獲取水質信息，可以靈敏地反映植物群落冠層水的組成。紅邊圖包含了大量關于植物群落的信息，其光譜特征具有較強的主要表現能力，因此可以從紅邊光譜圖中獲取特征參數。

2 高光譜技術在農業遙感應用中的研究現狀

2.1 作物葉片光譜特征研究

作物的葉片光譜特征與作物的生長發育狀況直接相關，包括光譜透射率的變化對作物有機化學成分的敏感性變化，以及土壤水分威脅下對作物生長發育的損害等。正常情況下，作物光譜的紅色邊緣部分與作物的光合強度等具有中等相關性。使用成像光譜儀從400 nm 分析水分威脅標準下水稻的光譜特征和反射面的工作能力到1 900 nm 的庫存波段，發現可以檢測到近紅外光譜儀中紅外庫存波段透光率與一階微分函數進行變換處理，從而獲得圖譜。在早期，水稻冠層的含水量威脅到效果的傷害；分析了油菜葉片的光譜變換特征，建立了基于紅邊綠峰的葉綠素定性分析模型，為作物生長信息的獲取提供了良好的參考效果[3]。

2.2 作物分類與識別

在農業遙感應用中，對農作物進行準確分類識別是開展農牧業災害檢測與生產評估的關鍵步驟，多時相高光譜數據信息可以區分作物更小的光譜差異，檢測更窄光譜中作物的轉化，進而準確分類獲取作物信息。現階段應用最廣泛的高光譜作物分類方法包括光譜角度分類、決策樹算法層次分類等。

2.3 作物生態物理參數反演與提取

作物生態物理的主要參數包括作物水分、光合強度等表達醫學信息的參數。現階段，高光譜遙感影像反演技術和獲取作物生態物理主要參數的方法主要有以下3 種：①利用多元線性回歸方法創建高光譜數據信息（初始透射率、光譜微分等）與作物醫療信息主要參數之間的相關性；②建立光譜特征光譜指標值與作物水分等醫學信息之間的工作經驗方程；③創建概念模型，逆向技術，獲取作物的主要參數[4]。

2.4 營養診斷

農業中常用的氮、磷、鉀養分，由于此類礦物元素組成的變化會引起作物葉片結構和葉片形狀的變化，因此最容易被作物的光譜反射信息捕捉到，這也是選用高光譜技術確認作物營養成分信息的理論來源。近年來，國內外專家學者對氮與高光譜的相關性進行了大量分析，并取得了一定的成果。對夏玉米葉片的研究表明，作物的氮成分確實會損害相關的光譜反射曲線圖，這為基于光譜信息的氮反演技術帶來了巨大的可能性，也有專家學者基于光譜變換的概念，利用光譜消解吸收特征法估算葉片中的碳含量，獲得了較高的估算精度[5]。研究強調磷和鋅，鋅的成分會直接影響綠色植物生理系統軟件中黑色素的調節。在一系列元素的綜合干擾下，光譜透過率的變化趨勢不如氮明顯，從而提升了光譜特性。曲線比較復雜，需要綜合考慮很多因素，才能得到更準確的頻譜逆變技術結果。

2.5 物種識別

高光譜遙感技術可以獲得從紫外到中紅外的圖像，非常窄且連續的光譜圖像，能準確反映作物本身的光譜特征和作物間的光譜差異，用于作物種類的鑒別，在目前的研究中，常采用光譜角度分析法和決策樹分類法來確定高光譜作物的識別。由于太陽輻射強度、地形和反照率等因素對光譜角無害，因此可以采用基于光譜角的作物識別方法來降低這種外部噪聲的影響，獲得更精確的分類結果。根據作物病害-高光譜圖像實體模型的建立和光譜角度識別方法的融合，在區分病小麥和健康小麥方面取得了較好的效果。同時，越來越多的實踐經驗證明，綜合光譜特征和時間序列分析信息可以更準確地識別作物，因此，充分利用多源高光譜遙感影像區域作物識別是一個重要發展趨勢。

3 農業高光譜遙感技術應用存在的問題

3.1 光譜響應機理問題

高光譜技術目前的性能是根據光譜曲線圖和相關特性的主要參數對作物的一些主要理化參數進行反演，然而，這種逆變技術是光譜特性與主要作物參數之間相關性的一種外在表現，需要進一步討論與兩者相關的基本反應原理。作物配備了復雜的生理代謝系統，體內的各種成分之間有著特殊的關系系統，作物在不同養分含量狀態下的譜系會在某些種群帶上存在差異，但這些差異可能無法通過缺乏某些類型的因素來表達。植物細胞的調節機制在缺乏某種元素時會引起相關的生理需要，進而引起體內其他物質的產生或分解，從而對作物的光譜曲線造成新的影響，因此，在對作物光譜特性進行研究的情況下，有必要深入分析其生理調控機制；通過內部原理發現高光譜信息將有助于進一步完善高光譜反演技術的模型。

3.2 多因素綜合影響問題

目前對高光譜逆變技術實體模型的研究是基于數理統計的，主要是在數據統計中尋找反射光譜與作物指標值之間的相關性。但是，這樣的數據分析存在產品局限性，如光譜自變量內的過擬合、作物自身生理調控機制作用下成分間的相關性分析、數據測量的變異性偏差等。現階段分析構建的高光譜遙感技術逆變技術物理模型大多只是比較簡單地考慮了光譜曲線與作物參數之間的關系，針對作物種類、生長及其外部性，考慮到自然環境、土壤環境、環境空氣等要素中存在的問題，因此，綜合考慮多種性質，外界因素相互干擾下的頻譜特性曲線圖逆變技術物理模型可能是當前基礎理論必須完善的一個層次。

3.3 同物異譜、同譜異物問題

目前，光學資源遙感圖像主要用于農作物的識別，但是，充分考慮到作物生長發育環境的多樣性，許多易感病作物和不易感病的作物很可能會導致非常相似的結果，它們的光譜特征很可能非常相似；一些作物雖然患有相同的疾病，但它們的光譜特征也可能不同。因此，在整個遙感技術成像過程中，“同物異譜”和“同譜異物”的情況非常廣泛，提高識別精度的難度越來越大。在這種情況下，需要進一步挖掘光譜中的合理信息，獲取特征庫存波段，利用遙感影像緊密融合的方法來緩解“同物異譜”和“同物異譜”的差異，后續的研究必須提高遙感圖像結合技術的使用，為高光譜地理信息系統的逆變技術檢測作物主要參數的準確性奠定基礎。

4 農業高光譜遙感技術應用展望

4.1 地面遙感與高空遙感集成應用

現階段，各國有關專家利用高光譜地理信息系統開展了大量農情檢測研究，但并未真正應用于農牧業實踐，主要因素之一是所選光學遙感的安全性受溫度等因素影響較大，近地遙感影像僅采集部分作物的生長發育信息，這也造成了實體模型本身的局限性。未來可以考慮提高高空遙感技術與道路遙感技術的緊密結合，利用不同控制器的統計數據，在空間、頻譜、極化等領域發展互利共贏，進而完成應用的數據預處理。根據評價數據信息對遙感技術識別結果進行多元線性回歸分析，校準利用遙感影像分類方法進行作物品種識別結果的簡便性，提高作物識別精度和實體模型的穩定性。

4.2 推動農作物的光譜數據庫建設

光譜庫是由高光譜傳感器在一定標準下測量的各種反射面光譜數據信息的組合，能夠準確解讀遙感影像信息，快速完成未知輪廓的配對，提升遙感技術的分類識別能力。因此，基于高光譜地理信息系統采集的海量數據信息，創建作物光譜數據庫查詢，應用優秀的電子信息技術對這些信息進行存儲、管理和研究，有利于提高分析分辨率水平，遙感技術信息使其能夠得到更高效的利用，根據農牧業應用中的光譜數據庫，有助于綜合比較不同等高線之間的光譜差異，或總結同一等高線在不同標準下的光譜基因變異規律，在此基礎上，提高信息獲取模型的準確性和適用性。

4.3 采用微小衛星獲取高光譜影像

感官圖像的空間分辨率和時間分辨率的提高可以顯著提高作物檢測的精度，但結果是價格的增加，據調查，在我國農業遙感技術信息站系統中，較大的費用是采樣費用和遙感影像購買費用，各占總費用的30%左右，有必要開發一種更適合農牧業作物檢測、符合我國農牧業發展現狀的高光譜遙感技術監測系統。隨著通信衛星建設技術的不斷發展和完善，價格低廉、性價比高、功能獨特、發射方便快捷的新型小型通信衛星為我國的建設提供了新的思路。例如，河南省科技廳和中科院上海微通信衛星項目核心單位研制的微、中、小型通信衛星，可以獲得高空間分辨率、時間分辨率和高光譜成本可控的遙感圖像，為作物多時相分類及其生長發育檢測提供可靠的信息服務項目。

4.4 加強光譜數據中的農情信息挖掘

高光譜地理信息系統具有分辨率高、波段持續性強、光譜信息量大等特點，可以同時對等高線上的極微弱光譜差異進行定性分析，主要應用于農業遠程傳感檢測和使用。然而，同時，獲得的作物的光譜反射信息分散在多達幾個光譜帶中，為應對空間的高維光譜特性，主要參數實體模型反演的關鍵是在多波段中選取一小部分關鍵信息。實體模型更具經驗性，同時其實用性和可移植性較弱，隨著數據挖掘技術的不斷發展，越來越多的研究逐漸開始根據優化算法從大量光譜數據信息中檢索隱藏的信息。這是因為數據挖掘并不是為了更好地取代傳統的數據分析技術，相反，它是數據分析方法論的拓寬和擴展，如何選擇數據挖掘技術，靈活利用高光譜數據信息和多維信息的變化趨勢，對作物主要參數進行深入探索，可能是開發新型光譜反演實體模型的關鍵方法。

5 結語

高光譜遙感技術在糧食作物生化參數反演技術、農業生產檢測、農業信息檢測等方面取得了顯著的成果，但現有的研究多以各參數間的測量信息和統計分析為主。近年來，隨著傳感器技術、人工智能技術的發展以及高光譜通信衛星的不斷發射，農牧業高光譜遙感技術最終將以高光譜技術為特色，多方位高光譜遙感技術、航天高光譜遙感技術、高光譜圖像與人工智能技術共享等已取得快速發展，將更有利于推動高光譜遙感技術服務于農業生產。