高光谱技术在农作物冠层中的应用进展

杨兰

摘要：指出了高光谱遥感的光谱分辨率可达到纳米数量级，由于其具有分辨率高、波段多以及信息量丰富的特点使其成为当今遥感的前沿技术。作物冠层能够反映以及预测植被与生态系统的功能状态，显示初级生产力以及氮循环的变化过程。所以其冠层信息经常作为生态系统中的功能与生物多样性的指示指标。利用植被冠层高光谱经常与叶片光合色素、水分、氮素以及纤维素等信息相结合，可反映作物的生长状况。同时，利用高光谱波段提取作物的生理参数对作物生长评价、监测以及作物估产有很大的意义。主要综述了高光谱技术的概况及在提取农作物冠层信息中的应用，并对高光谱技术在农作物中的应用进行了展望。

关键词：高光谱遥感；农作物；冠层信息

中图分类号： TP79

文献标识码： A 文章编号： 16749944（2015）06028903

1 引言

20世纪80年代，对于高光谱遥感的定义是指通过电磁波波段从研究的物体中获取有关数据，如在紫外、近红外、短波红外及中红外等区域中，获取大量窄且光谱连续的图像数据的技术[1]。光谱分辨率可高达到10-2λ数量级、波段连续性可在0.4～2.5nm范围内有几百个波段。近年来，高光谱已经广泛应用热门高新探测技术在多领域里。可从高光谱遥感获得的数据中提取相关参量，如：叶面积指数LAI、生物量、净生产率及其冠层结构参数等[2]。通过获取不同植被的高光谱遥感数据的方式，可做参数估算与分析、作物的长势监测、估产及定标与纠正遥感图像等[3]。Takebe发现在植被冠层的反射率大小与叶片的氮素含量有很强的相关性[4]。高光谱相对于多光谱来说其高分辨率特性更有利于进行植被指数LAI以及“红边”光学参数的计算[5]。

植被光谱数据对于在生态方向对监测植被生长提供较完善的数据，可以指导大田生产和估算作物产量。通过模型反演及成熟的高光谱算法，在转基因植物与非转基因植物的判别上，可有效地监测基因的流动，对保护物种的生物多样性提供数据支持。

2 高光谱遥感提取植被指数的相关研究

由于绿色植被在光谱上有共性，很难用宽波段的常规遥感图像分开不同的植被类型.随着成像光谱图像的光谱分辨率的提高，能够区分作物更细微的光谱差异[6，7]。Daughtry分别对玉米在不同的在施氮素梯度下叶片反射率、不同的湿度土壤反射率和冠层反射率进行了研究，证明了叶面积、植被背景反射率以及叶片叶绿素浓度之间是有相关性的[8]。了解植被叶片叶绿素浓度（或氮含量）是有必要的，可更好地利用对叶绿素浓度敏感并同时能降低植被冠层背景中变异的光谱植被指数。

由于高光谱的信息量大、分辨率高的特点，可用于植被监测，例如：叶面积指数LAI，“红边”特征参量等。

2.1 叶面积指数（Leaf Area Index， LAI）

自1947年提出以来，叶面积指数（ LAI）作为进行植物群体和群落生长分析的一个参数， 已成为重要的植物学参数和评价指标，并广泛应用于农业、生态学等领域[9]；可定量分析地球生态系统能量交换[10]。经过50多年的系统研究，LAI已成为分析群体和群落生长时不可或缺的一个重要参数[11，12]。

在精准农业中，Haboudane利用高光谱植被指数来建模并验证，预测玉米、小麦、大豆冠层的LAI[13]。结果表明植被指数都受到叶绿素浓度，以及高植被指数条件下会达到饱和状态的影响；其设计的校正三角植被指数（MTVI2）与校正叶绿素吸收比率指数（MCARI2），有很高的正确率与验证性。李凤秀通过PVI（垂直植被指数）与DVI（差值植被指数）建立的高光谱模型能准确地估算玉米LAI和作物产量[14]。梁亮利用了指数OSAVI所建立的模型-小麦叶面积指数，因考虑了土壤背景、大气状况和冠层背景调节因子，具有较高的精度[15]。在进行高光谱植被信息获取中，对LAI的估算精度会对进行植被预测所建立的模型产生影响，准确度越高，则模型的精度越高，对植被氮素、生长条件、水分营养情况的预测也就更加精确。

2.2 “红边”特征参量

受植物体内叶绿素吸收作用的影响，植被反射光谱在红到近红外区（660～770nm），会出现一个陡峭的爬升脊，通常称之为“红边”（Red edge）[16]。这种叶绿素陡坡反射特性是区分植被与非植被以及不同植被类型的基本依据[17]。红边定量参数主要有：红边位置，红光范围（ 680～760 nm）内反射光谱一阶导数最大值对应的波长；红边幅值，一阶导数光谱的最大值；红边峰值面积之间的包围的面积[18]。

通常用红边斜率与红边位置来描述特征，红边斜率主要与植被覆盖度或叶面积指数有正相关关系。红边位置，是诊断植被胁迫和衰老的一个重要指标[19]。在[20]Rock研究中发现了在大气污染状况下的云杉和冷杉由于其叶片内的叶绿素b和总的叶绿素含量减少造成的光谱特征“蓝移”，建议使用的光谱仪测量光谱的分辨率应在1～5nm之间。

3 高光谱在作物监测中的应用

植被反射光谱是由于内部结构与叶片生物量所影响，在近红外区域显示较高的反射率，在可见光区域，由于色素的吸收原因显示较低的反射率[21]。导数光谱能降低光、大气散射、大气吸收和土壤背景的影响[22]Tsai等经常用红边参数来指导分辨特定的植被类型[23]。

3.1 棉花的高光谱应用

棉花是我国种植业生产中的第二位大宗农产品，随着光谱技术的发展，棉花遥感长势的监测与估产已成为重要的研究方向[24， 25]。孙莉等应用光谱一阶微分分析技术描述了棉花在生育期内“红边”变化趋势的特征[26]。王克如对不同梯度的施氮量的棉花冠层光谱进行特征研究[24]。吴春霞对棉花冠层的反射特征在不同氮素施入水平以及不同品种条件下进行了研究[27]。王进利用高光谱研究了干旱区棉花冠层的不同灌水量、氮素条件以及不同品种的反射特征[28]，发现了棉花不同品种以及生育期间光谱反射率存在明显差异[25]。以上研究都肯定了棉花冠层在可见光区，缺氮条件较氮过量条件时光谱反射较高；在近红外阶段，光谱反射率随氮素的增加而升高；随灌水量升高光谱反射率也升高，反射率随着种植密度提高而上升。此外，唐延林对棉花的叶绿素、类胡萝卜素含量以及红边的特征进行光谱信息的研究[18]。

3.2 大豆的高光谱应用

如今我国已成为世界上最大的大豆净进口国[29]。在国内主要应用相关性分析以及神经网络的方法对波段为350～1050nm大豆冠层光谱反射率以及LAI估算进行研究。张柏等建立了以近红外与可见光波段冠层光谱反射率的比值植被指数（RVI）与大豆LAI的遥感估算模型[30]，汤旭光利用辐射传输模型模拟了大豆冠层在不同叶绿素下的光谱反射率，并对数据进行多元线性回归、BP神经网络，以及偏最小二乘进行比较分析[31]，其中后面两种方法精度最高，效果最好。

3.3 油菜的高光谱应用

中国是世界上的油菜生产大国，应用高光谱数据能反演油菜的生长信息。张雪红发现不同的品种、生育期以及施氮梯度下的油菜冠层反射光谱存在差异，同时，随着供氮水平提高，红边面积与红边幅值是增加的[32]。黄敬峰等从油菜冠层的光谱反射数据中提取红边参数，叶面积指数与冠层光谱红边参数之间在开花前显著相关[33]。王渊通过油菜冠层光谱来估算油菜氮素含量[34]。Hannaway4次测量油菜生长期间的叶片光谱数据，利用偏最小二乘回归模型结合最佳测量有效波段，实验表明，在油菜生长前期阶段对叶片进行高光谱遥感检测来预测油菜产量是可以实现的[35]。

4 高光谱技术在大宗作物中的应用展望

高光谱技术在作物估产、氮素施入研究以及产量预测方面有很好的应用，但是对于大尺度上的作物判别还需要统计更多的植被信息、统一获取的遥感信息，并且建立更精确的参数模型来进行植被生长状况的指导以及作物转基因与非转基因的鉴别。利用高光谱信息量大，波段多的特点，将可分性好的波段设置为最佳工作波段，与航空航天高光谱遥感进行结合将有更好的应用前景。

高光谱技术在提取油菜叶面积指数（LAI）、预测氮素含量以及生物化学参数的估算与应用方面都有很大的潜在优势。用光谱数据指导油菜种植，保障油料作物的最佳种植环境；监测油菜的长势状况以及营养情况，以便进行合理规划；针对冠层光谱的反射差异，建立鉴别转基因与非转基因的光谱模型，对合理保护野生资源提供数据支持。

参考文献：

[1]束 炯，王 强，孙 娟.高光谱遥感的应用研究[J].华东师范大学学报：自然科学版，2006（4）：1～10.

[2]Bouman， B.，Linking physical remote sensing models with crop growth simulation models， applied for sugar beet[J].International Journal of Remote Sensing，1992，13（14）：2565～2581.

[3]祁亚琴，王登伟，陈冠文.基于高光谱数据提取作物冠层特征信息的研究进展[J].棉花学报，2005，17（6）：371～375.

[4]Takebe， M.， T. Yoneyama， K. Inada.Spectral reflectance ratio of rice canopy for estimating crop nitrogen status[J].Plant and Soil，1990，122（2）：295～297.

[5]王秀珍，李建龙，唐延林.导数光谱在棉花农学参数测定中的作用[J].华南农业大学学报，2004，25（2）：17～21.

[6]浦瑞良，宮 鹏.高光谱遙感及其应用[M].北京：高等教育出版社.

[7]述 彭，庆 禧，华 东.遥感信息机理研究[M].北京：科学出版社，1998.

[8]Daughtry， C.， C. Walthall， M. Kim.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote sensing of Environment，2000，74（2）：229～239.

[9]王希群，马履一，贾忠奎.叶面积指数的研究和应用进展[J].生态学杂志，2005，24（5）：537～541.

[10]Broge， N.H.， J.V. Mortensen.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J].Remote sensing of environment，2002，81（1）：45～57.

[11]朱春全，雷静品，刘晓东.不同经营方式下杨树人工林叶面积分布与动态研究[J].林业科学，2001，37（1）：46～51.

[12]Gholz， H.L.，Environmental limits on aboveground net primary production， leaf area， and biomass in vegetation zones of the Pacific Northwest[J].Ecology，1982，63（2）：469～481.

[13]Haboudane， D.， J.R. Miller， E. Pattey，Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture[J].Remote sensing of environment，2004，90（3）：337～352.

[14]李凤秀，张 柏，宋开山.玉米叶面积指数与高光谱植被指数关系研究[J].遥感技术与应用，2007，22（5）：586～592.

[15]梁 亮，杨敏华，张连蓬.小麦叶面积指数的高光谱反演[J].光谱学与光谱分析，2011，31（6）：1658～1662.

[16]牛 铮，王 汶，王长耀.新型遥感数据在作物生长监测中的应用[M].北京：测绘出版社，1996：146.

[17]戴小华，余世孝.遥感技术支持下的植被生产力与生物量研究进展[J].生态学杂志，2004（4）：92～98.

[18]唐延林，黄敬峰，王秀珍.水稻， 玉米， 棉花的高光谱及其红边特征比较[J].中国农业科学，2004，37（1）：29～35.

[19]浦瑞良，宫 鹏.森林生物化学与 CASI 高光谱分辨率遥感数据的相关分析[J].遥感学报，1997，1（2）：115～123.

[20]Rock， B.， T. Hoshizaki， J. Miller，Comparison of in situ and airborne spectral measurements of the blue shift associated with forest decline[J].Remote Sensing of Environment，1988，24（1）：109～127.

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

[22]Li， Y.， T. Demetriades-Shah， E. Kanemasu.Use of second derivatives of canopy reflectance for monitoring prairie vegetation over different soil backgrounds[J].Remote Sensing of Environment，1993，44（1）：81～87.

[23]Tsai， F.， W. Philpot，Derivative analysis of hyperspectral data[J].Remote Sensing of Environment，1998，66（1）：41～51.

[24]王克如，潘文超，李少昆.不同施氮量棉花冠层高光谱特征研究[J].光谱学与光谱分析，2011，31（7）：1868～1872.

[25]刘占宇，黄敬峰，唐延林.棉花冠层反射光谱特征研究[J].浙江农业学报，2004，16（3）：0～147.

[26]孙 莉，陈 曦，包安明.棉花各生育期高光谱数据与叶片生物物理生物化学量的相关分析[J].干旱区地理，2004，27（1）：124～129.

[27]吴春霞，王 进，任 岗.基于高光谱技术的棉花冠层反射特征研究[J].农业与技术，2008，28（4）：56～60.

[28]王 进，李新建，白 丽.干旱区棉花冠层高光谱反射特征研究[J].中国农业气象，2012，33（1）：114～118.

[29]乔 娟.中国大豆国际竞争力研究[D].北京：中国农业科学院，2004，

[30]张 柏，宋开山，张渊智.大豆叶面积的高光谱模型[J].沈阳农业大学学报，2005，36（4）：396～400.

[31]汤旭光，宋开山，刘殿伟.基于可见/近红外反射光谱的大豆叶绿素含量估算方法比较[J].光谱学与光谱分析，2011，31（2）：371～374.

[32]张雪红，刘绍民，何蓓蓓.不同氮素水平下油菜高光谱特征分析[J].北京师范大学学报：自然科学版，2007，43（3）：245～249.

[33]黄敬峰，王 渊，王福民.油菜红边特征及其叶面积指数的高光谱估算模型[J].农业工程学报，2006，22（8）：22～26.

[34]王 渊，黄敬峰，王福民.油菜叶片和冠层水平氮素含量的高光谱反射率估算模型[J].光谱学与光谱分析，2008，28（2）：273～277.

[35]HANNAWAY， D.Estimating Leaf Chlorophyll Content Using Red Edge Parameters[J].Pedosphere，2010，5011.