作物水分高光譜遙感監測研究進展

王鵬郭永剛關法春王明明

(1.西藏農牧學院水利土木工程學院，西藏 林芝 860000；2.西藏土木水利電力工程技術研究中心，西藏 林芝 860000；3.吉林省農業科學院農村能源與生態研究所，吉林 長春 130000；4.中國科學院東北地理與農業生態研究所，吉林 長春 130102)

引言

水分是作物進行生命活動和生長代謝的重要物質，水分虧缺能直接影響作物的生理生化過程和形態結構，從而對其生長、產量和品質造成影響[1]。同時，我國農業用水占全國用水總量已經達到70%，且水資源分布不均，每年因為干旱而使作物受災面積最高達到4000萬hm2，嚴重威脅我國的糧食安全。因此，在水資源短缺的嚴峻形勢下，提高水資源的利用效率對指導作物生長發育，提高作物產量，節約水資源具有重要意義。

利用傳統烘干法測量作物水分耗時費力，多光譜、近地非成像遙感光束分離的成像質量差，光譜重疊度高，易受環境等背景因素影響，難以滿足對作物水分的高效、精準實時監測[2]。而高光譜遙感技術具有空間分辨率高，光譜信息豐富，波段窄而連續，時效性好的特點，近年來已被廣泛應用于作物水分含量監測領域。2022年12月23日，習近平總書記在中央農村工作會議強調：“要加快建設農業強國，推進農業農村現代化”。因此，用高光譜遙感技術監測作物水分狀況對促進農業現代化發展具有重要意義。

然而，在高光譜遙感采集和處理作物水分信息中如何優化算法模型消除噪聲信號干擾，并能結合多源數據融合提取作物水分敏感波段并挖掘潛在的非線性成分還缺少相關文獻的整理與分析。本文對比傳統方法測量作物水分局限性和適用條件，介紹高光譜遙感技術的優勢并論述其在典型作物(如小麥、水稻和玉米)不同生長時期水分的敏感波段以及適用范圍，探討目前存在的問題以及對今后研究進行展望。

1 作物水分的常見測試方法

1.1 作物水分的常見測試方法

作物水分的測試有直接法和間接法2種，其中直接法是通過物理或化學測試直接獲取作物水分含量的方法，而間接法通過測量作物或其相關指標屬性，以推斷或估計作物水分信息。鮑春暉等[3]采用低場核磁共振法測定稻谷種子水分，快速準確但對環境溫度要求高，并且對不同作物品種和水分含量需要重新建立水分標準曲線。羅麗瓊等[4]對比電容法和電阻法測量煙葉含水量發現，電容法的介電常數對環境要求極為嚴格，長期穩定性差且設備昂貴。而用電阻法測量所施加的電壓大小對測定結果影響較小，電極數對2種方法的測量精度受環境影響很大。王晶等[5]用頂空-卡爾費休法測定煙用爆珠表皮含水量，相較于傳統方法極大縮短了測量時間，且操作簡單可靠，適合批量在線檢測，但測量時易發生漂移引起系統誤差。甘富航等[6]用摩擦阻力法檢測糧食含水量，該方法快速穩定，對環境要求較低，但測量范圍窄，適用于水分測量精度要求不高的條件下。綜合以上分析，常見的作物水分測量方法準確度不高，操作較為復雜，易受環境溫度等外界因素影響，具有一定的局限性，并且應用范圍窄，難以適應大面積的農業生產需要。隨著各項技術的深入研究，高光譜遙感技術以其超多波段、圖譜合一和光譜信息豐富的技術優勢，能夠實現作物水分含量準確、快速、無損地實時監測。近年來，在作物水分監測領域已被廣泛應用。

1.2 各方法的優缺點比較

直接法測量過程簡單，結果較為準確，但測量過程冗長繁瑣，增加了實驗難度和周期，同時容易破壞待測樣品，并產生對環境有害的化學試劑和藥品。間接法相較于直接測定法有所提升，測量速度快，易實現在線批量檢測，但容易受噪聲、物體形狀及大小、環境溫度等因素影響，難以適用大面積作物水分監測和指導農業生產。隨著各項技術的深入研究，為能夠更好地指導農業生產需要，高光譜成像技術作為一種發展較為成熟的遙感監測技術，以其準確、無損、快速的技術優點已廣泛應用于作物水分監測領域。

2 常見高光譜遙感分類

高光譜遙感按照作用空間尺度可劃分為衛星遙感、機載高光譜儀、地物光譜遙感以及手持式光譜儀等。王唯唯[7]基于CGMD便攜式光譜儀和地物高光譜探測器對冬小麥冠層生長指標對比研究發現，CGMD光譜儀操作簡單，便于攜帶，精度可靠，而地物高光譜探測器采集信息量大，結合先進預處理，特征提取和機器學習算法可以有效提高模型反演精度。楊菲菲[8]基于便攜式地物光譜儀結合手持式光譜探測器獲取冬小麥葉片反射率，并結合推掃式光譜儀波段寬，光譜分辨率高的特點獲得冠層反射率，但是受天氣條件或野外環境因素，如云層、大氣濕度、光線條件和地面高程差等都會影響數據采集和監測結果。楊煒光[9]用無人機搭載多光譜遙感結合手持式地物光譜儀監測棉花葉片含水量，但由于無人機的飛行高度和航線規劃限制，導致其無法完全覆蓋某個特定區域的光譜數據，并難以提供連續的時間序列數據，限制了對一些重要水分相關波段的監測和分析。程曉娟等[10]基于TM5衛星遙感影像結合FieldSpec便攜式光譜輻射儀獲取冬小麥的冠層和葉片水分數據，由于衛星遙感覆蓋面廣，時間序列連續結合地物光譜儀精細尺度分析的特點，可以跟蹤獲取作物水分的動態變化，有效克服了機載光譜儀的覆蓋面窄、時間不連續的缺陷。綜上所述，高光譜遙感儀按照空間尺度有不同劃分，根據空間分辨率、適用條件和作用范圍各有其優劣，應根據實際需求選擇合適的光譜設備。隨著作物水分監測指標研究的精細深入，以及在大區域、多種作物水分監測的普適性需求，未來亟需開發出超高分辨率的高光譜遙感儀器，以更好地表征作物水分細微特征和動態變化。

3 作物水分的高光譜數據處理方法

3.1 光譜預處理

光譜預處理對改善高光譜數據質量和提升模型反演精度具有重要作用。由于采集的原始光譜中包含大量的噪聲信號，通過預處理可以過濾光譜中的噪聲信息，進而提高信噪比，有效降低環境背景因素影響，保證數據質量的可靠性。常見的光譜預處理方法包括標準正態變換、多元散射校正、傅立葉變換、求導、微分[11]等。隨著光譜學與光譜技術的發展，新的光譜預處理技術也孕育而生。焦青亮等[12]提出了卷積神經網絡預處理方法，可以同時完成光譜去噪、基線校正和譜峰定位，相比傳統方法處理效率更高，效果更好。分數階微分技術在一定程度上可以消除背景因素干擾且較好地保留植被的光譜信息，不僅可以減弱高光譜噪聲信號強度，并能挖掘潛在的光譜信息，提高光譜變量與研究屬性之間的相關性。崔錦濤等[13]使用分數階微分處理棉花葉片水分信息，并結合先進特征提取算法，結果發現，棉花葉片水分反演模型精度R2為0.93。聶素云等[14]用線性混合光譜分解模型分離小麥葉片與土壤的混合光譜，相比未考慮混合像元分解方法反演精度更高。但用高光譜獲取的作物水分數據中也含有非線性成分，如何有效分離并提取非線性信息也是未來需要深入研究的方向。所以，基于卷積神經網絡、分數階微分變換和混合像元分解等預處理技術可以有效降低環境等背景因素影響，并挖掘潛在的光譜信息和非線性成分，提高光譜數據的質量，但不同的預處理方法有其自身的缺陷，需要根據客觀需要選擇合適的模型和優化算法，同時由于自然條件、儀器設備等原因導致的數據缺失問題，也是未來需要克服的問題。

3.2 基于特征波長的光譜有效信息提取

由于高光譜遙感采集的原始數據維度高，信息冗余，基于全波段構建的作物水分信息反演模型可能出現不穩定的情況，因此，尋找適宜的敏感光譜變量篩選方法尤為重要。許多學者在這方面做了相關研究，Zhen Zhang等[15]基于三波段植被指數(R2039-R2438)/R752提取獼猴桃葉片水分信息，結果表明，相比于雙波段植被指數靈敏度高，抗干擾能力強，精確性高。但基于三波段指數提取在實際過程中需要更多的波段數據和分析算法，會增加數據采集、處理和計算的復雜性。許將等[16]基于偏最小二乘回歸(PLSR)提取棉田土壤水分信息，由于PLSR側重于對自變量的解釋和歸納，并能夠挖掘原光譜數據潛在的非線性成分，構建的棉花反射光譜與土壤水分反演模型有顯著相關性(R2=0.68)。王怡婧等[17]基于競爭性自適應重加權采樣法(CARS)篩選出與土壤含水量極顯著相關的特征波段，結果表明，CARS能夠有效剔除無關變量，優選出包含光譜信息最多的有效成分，構建的土壤水分反演模型精度R2為0.927。以上研究表明，通過構建多波段植被指數、PLSR和CARS等方法可有效降低數據維度，減少信息冗余，未來應從作物冠層到土壤開發出不同層面的高光譜特征提取方法，使之能更準確表征作物水分的有效成分，并為建立回歸模型提供可靠的數據支撐。

3.3 基于高光譜遙感的常見算法模型比較

通過建立回歸模型可以預測、解釋和優化因變量的數值，并分析和觀察自變量和因變量之間的內在關系。多元線性回歸(MLR)是一種簡單且物理意義明確的方法，但在建模過程中由于變量數的限制，很容易丟失許多光譜信息。主成分分析法(PCA)可以減少輸入維數和消除原始樣本分量之間的相關性等問題，但PCA并不能保證參與回歸的主成分與被測組分一定相關，為了在降維過程中保留更多原始數據特性并挖掘其中的非線性成分，核主成分分析(KPCA)作為對PCA算法的非線性擴展通過引入核函數來實現非線性降維。在處理復雜問題時，傳統的BP神經網絡方法存在初值依賴和局部收斂的缺陷，而徑向基函數神經網絡模型[18]由于其只有一個隱含層所以減少了參數和權重的配置優化，并且對噪聲和異常值具有一定的魯棒性，但當訓練樣本較少時容易出現過擬合現象，需要使用正則化等方法處理。PLSR則適用于解決變量內部高度線性相關和樣本個數少于變量個數等問題，在解決變量間多重共線性和處理非線性問題具有較好的應用效果。隨機森林[19]是一種具有高精度和快速運算特點的新型算法，當樣本數量足夠大時，不僅能保證運算精度，還能節約時間成本。然而，當樣本數量較少時，模型的訓練精度可能會降低。支持向量機(SVM)是一種能夠解決小樣本、非線性以及神經網絡中局部極小值問題的機器學習算法[20]，可以通過自動調整參數來獲得較高的分類精度，而無需進行復雜的交叉驗證。然而，SVM在核函數的選擇還沒有一個固定的方法，通常需要依靠先驗知識來作出選擇，可以根據實際需求和特點，嘗試不同的核函數來提高分類效果。而深度學習神經網絡以其強大的信息表征能力，非線性映射和并行計算等特點，可以省略數據降維等預處理操作，在高光譜作物水分遙感反演中有廣泛的應用。

4 高光譜遙感在典型作物水分監測的應用

雖然當前高光譜遙感技術應用于水分監測的作物類型已經有很多種，但是在監測作物水分指標和方法上面也會有所不同，這些水分指標包括植株含水量(PWC)，葉片含水量(LWC)，冠層含水量(CWC)，葉片等效水厚度(LEWT)和相對含水量(RWC)，而研究方法包括單波段光譜反射率法，光譜植被指數法，全波段光譜分析法和光譜輻射傳輸模型等[21]。而水稻、小麥和玉米作為典型作物，在水分監測指標和研究方法方面更具全面性和系統性。已有許多學者對此作了細致而深入的研究，并取得了豐富的研究成果和技術創新，也為高光譜遙感技術監測其它作物水分含量提供技術參考。因此，下面對高光譜遙感作用于典型作物水稻，小麥，玉米的水分監測作詳細闡述。

4.1 小麥

高光譜遙感通過敏感波段提取以及新型植被指數構建可以顯著提高光譜反射率與水分含量的相關性。吾木提·艾山江等[22]將小麥抽穗期原始光譜經過分數階微分處理后，發現在970nm、1200nm、1450nm、1950nm波段處與LWC極顯著相關。楊菲菲等[23]基于水分敏感波段500nm、648nm、1912nm、1980nm分別構建植被指數RVI(437，466)和NDVI(747，1956)反演小麥LWC，發現基于光譜植被指數與水分關系的反演方法取得了較好的預測效果(R2=0.889)；原因是考慮了光在植被冠層中的傳輸過程，揭示了光譜特征與植被水分之間的內在機制。小麥在不同生長時期水分敏感波段有所不同，在開花期主要分布在可見光和近紅外波段，在孕穗期和乳熟期，則分布在近紅外和短波紅外波段。王圓圓等[24]在開花期587nm、637nm和747～1242nm，孕穗期1602nm、1732nm和1737nm，乳熟期1557nm、1607nm和1747nm提取小麥葉片水分信息。程曉娟等[25]基于TM5衛星模擬數據短波紅外第5波段1550～1750nm構建水分指數反演冬小麥開花期到拔節期LWC。賈雯晴[26]發現，小麥LEWT的最優敏感波段位于1395nm和1450nm附近，而小麥CWC的敏感波段位于648～691nm和1458nm附近，并構建新型三波段光譜指數提高模型的檢驗精度同時減小了系統誤差。Bappa Das等[27]基于1400nm左右的波段深度監測小麥RWC，并結合1391nm和1830nm組合的比值指數(RSI)和歸一化差異指數(NDSI)反演不同基因型小麥RWC，結果表明，基于最優敏感波段和新型植被指數構建的模型預測精度較高(R2≥0.86)。目前用高光譜監測小麥水分的研究主要集中在濕潤和半濕潤地區，而干旱和半干旱區域的研究還相對較少。隨著高分辨率遙感儀器的發展以及新型植被指數出現，高光譜遙感技術在干旱和半干旱區域的應用潛力十分廣泛。同時，小麥在不同生長時期LWC的敏感波段存在差異，在開花期，小麥的LWC敏感波段主要集中在可見光和近紅外波段；而在孕穗期和乳熟期，則分布在近紅外和短波紅外波段。此外，對小麥植株水分狀況的監測方法需要加強指標間綜合效應的考慮，并且需要深入研究小麥的需水生理過程和調控機制，以滿足精準農業管理的需求。

表2 高光譜遙感估算小麥含水量的典型研究

4.2 水稻

水稻的葉片水分敏感波段主要分布在近紅外和短波紅外波段，當前對水稻水分監測的研究主要集中在生長中后期以及濕潤和半濕潤地區。田永超[28]基于水稻葉片敏感波段460～710nm、1220nm和1500nm構建雙波段組合的植被指數模型預測拔節期、抽穗期和成熟期的RWC和葉水勢，結果發現，此波段范圍內構成的植被指數預測模型具有顯著的線性相關性(R2=0.98)。徐慶等[29]基于水稻葉片敏感波段1450nm、1833nm、1930nm、2220nm和2500nm，并在拔節孕穗、抽穗開花和灌漿結實期分別構建不同的預測回歸模型，發現在不同生長時期估測LWC均有極顯著相關性。劉小軍[30]基于全波段范圍雙波段組合的植被指數法監測水稻從分蘗末期到成熟期LWC，發現在敏感波段1402nm和2272nm構建的RSI和NDSI光譜指數與LWC呈現良好的線性關系(R2=0.80)。Osama等[31]基于敏感波段1106nm、1467nm和1456nm提取水稻CWC，發現通過特征選擇與回歸算法的最優組合模型反演水稻CWC的精度R2=0.998。所以，水稻在不同生長時期的敏感波段主要分布在NIR(710～970nm)和SWIR(1450nm、1750nm和1830nm附近)，并且未來應克服植被覆蓋度、氣象條件和資源限制等不利因素，更多關注作物在生長前期和干旱、半干旱地區的研究。

表3 高光譜遙感估算水稻含水量的典型研究

水稻是一種生長環境受地形和氣候變化影響較大的作物，其生長階段受到葉片水分變化的影響非常顯著。研究發現，基于新的水分指數可以適應不同地域、氣候以及葉綠素、基因型變異等動態變化帶來的影響。Shreedevi等[32]基于水稻營養期、繁殖期和成熟期反演水稻LRWC，并提出新的水帶指數(WBI)、歸一化水指數3(NWI-3)、歸一化水指數4(NWI-4)，發現基于新的水分指數反演水稻繁殖期LRWC有顯著相關性(R2=0.819)。LWC是水稻植株需水狀況的重要指標之一，通過測定葉片水分信息來改善作物的需水狀況，雖然利用葉片反射光譜可以減少其內部結構和外界環境的影響，但不同LWC與光譜信息的表示存在差異，導致測量精度較低。劉小軍等[33]基于頂4葉的不同單葉尺度監測LWC時，為了排除葉片表面和內部結構對葉面反射光譜的干擾，構造雙波段組合的RSI(R1402，R2272)及NDSI(R1402，R2272)，使植被有效信息最大化，但基于單葉水平估測作物水分信息量不足且難以捕捉作物整體的水分變化動態。張雪楠等[34]提出了一種基于不同葉位組合和葉綠素熒光耦合的水稻LWC監測方法，這種耦合監測模型相較葉片光譜指數精度提高了71.807%～83.976%，原因是最優葉位組合更能準確反映葉片水分的整體動態變化，而葉綠素熒光可以確定作物水分虧缺的臨界閾值，為未來基于多源數據融合技術監測水稻葉片水分提供理論基礎和新的研究方向。所以，未來亟需開發超高分辨率的光譜儀器，以研究能夠適用于不同地域、氣候條件及作物內部生理結構等動態因素新型植被指數，并結合多源數據融合技術的信息互補特性儀更全面地表征作物水分的動態細微變化。

4.3 玉米

光譜植被指數反演玉米葉片水分信息需要考慮作物內部的物理機制，但以往的植被指數大多針對特定的作物類型和地區，基于高分辨率光譜遙感儀器開發出適用于不同區域尺度和植被類型的水分指數，提高水分指數的普遍適用性。Nieves等[35]基于HyMap高光譜圖像的TOC折射數據結合PROSAIL傳輸模型分別提出吸水面積指數(WAAI)和深度水分指數(DWI)，并在玉米等多種作物類型和區域尺度有良好的監測效果，但對植被覆蓋度低(<30%)的物種表現不佳。由于采集的原始光譜含有大量來自環境因素和儀器設備等影響目標屬性的噪聲信號，會給研究結果帶來誤差。Jingjing Sun等[36]采用分數階Savitzky-Golay微分(FOSGD)預處理方法結合競爭性自適應重加權采樣、隨機蛙跳2種特征提取算法來全局搜索最優解進而提取敏感波長，結果表明，由于FOSGD能突出目標屬性更多的信號細節并且最小化噪聲信號，模型的反演精度有明顯提高(R2=0.91)。王俞茜[37]基于PROSPECT光譜輻射模型結合線性回歸模型預測夏玉米PWC，發現在夏玉米植株水分敏感波段分布在436～691nm和829～900nm，并在玉米生長發育的拔節期和抽雄期建立回歸模型(R2=0.678)。但這種基于傳統方法的線性回歸模型反演精度不高，可能提取的光譜數據中含有非線性成分。

綜合以上研究，在當前用植被指數監測玉米水分信息存在諸多限制因素，未來可以基于高分辨率的光譜遙感儀器結合多源數據融合開發出適用于不同品種類型的區域水分指數。此外，目前針對夏玉米水分研究的線性回歸模型存在精度不高等問題，原因是提取的光譜數據中含有非線性成分，需要結合先進的特征提取算法進一步改進和優化。

5 問題與展望

盡管作物含水量高光譜遙感監測已經取得了很多進展，但在監測指標和方法方面仍存在一些問題和挑戰，嚴重制約了作物干旱脅迫的準確監測。因此，未來的研究應該著重強化以下幾方面。

作物在生長早期以及干旱區域的水分研究相對較少。當前基于水稻水分的高光譜遙感監測研究主要集中在生長中后期，而在水稻種子萌發期、幼苗期等對水分、光照和溫度等環境條件要求較高的生長前期的研究相對較少，并且研究區域主要面向濕潤和半濕潤地區，而干旱和半干旱區域由于自然條件、地理環境等影響因素導致遙感數據的采集、處理會產生諸多困難。

現有光譜植被指數表征不同區域、不同品種和作物類型的水分信息時有一定的局限性。由于光譜儀器分辨率的限制，使用光譜指數監測作物水分難以適用于更大的區域范圍，當前常用的作物水分指數，如WI、NDVI和NDWI等在某些情況下可能會存在精度低和適用性窄的情況。

光譜數據的采集和處理過程中如何更有效提取有用信號。由于土壤、大氣等背景因素影響，導致采集的光譜數據可能含有多種混合像元，因而亟需采用先進的光譜預處理方法提高光譜數據的可靠性和準確性。當前的線性光譜分解理論在處理光譜混合像元時已得到廣泛的應用，但遙感成像中可能存在多種非線性光譜混合的情況，因此在非線性混合像元的分解中需要進一步研究和發展。

多源數據融合策略的欠缺。由于單一數據源監測作物水分可能只包含有限的光譜范圍和特定的空間尺度，導致獲取作物的光譜信息不全面，難以挖掘目標屬性有效信息成分，無法與作物土壤水分、氣象因素等關聯解釋作物水分變化狀況，從而影響作物水分監測模型的準確度和適用性，所以未來應該充分利用多源數據的信息互補特性，彌補單一數據源信息量不足。

因此，未來應從冠層、葉片和土壤等多角度獲取作物水分信息，基于多種傳感器和數據融合技術開展作物水分遙感監測研究，重點解決以下關鍵科學問題：近年來一些研究已經開始關注作物生長前期的水分監測，包括使用高光譜遙感數據結合特征提取、機器學習方法來推測作物種子萌發期到幼苗期的水分狀態，相信未來隨著技術的不斷發展和研究需求的增加，干旱區和半干旱區的作物水分監測研究會引起更多關注；未來應著重于光譜傳感器的改進和創新，開發出超高分辨率的光譜儀器，捕捉作物水分變化中的細微差異，并結合先進的預處理、特征提取和深度學習算法，進一步提高光譜水分指數的精確性和廣泛適用性；非線性混合像元分解還需要進一步探索，在非線性混合光譜分解前嘗試不同的預處理技術，如分數階微分、波段選擇、光譜歸一化等，以增強信號并減小噪聲，并探索使用深度學習等優化算法來處理非線性混合光譜，以更好地捕捉多個組分之間的非線性關系；通過多角度觀測融合多源數據特征，如光學、熱紅外和雷達數據等，從作物冠層到土壤不同層面獲取更全面而豐富的光譜信息，彌補單一傳感器信息量不足的缺點，提高水分監測的準確性。