烟草主要生化参数高光谱遥感监测现状

吴秋菊+舒清态+刘延+吉一涛+汪红

摘要：概述了目前利用高光谱遥感技术估测烟草生化参数理论与技术的最新研究进展，着重讨论了烟草主要生理生化成分与其高光谱参量之间的关系，以及建立的相应的生理生化成分的估算模型。指出了高光谱遥感监测烟草主要生化参数的机理和研究进展，是目前烟草主要生化参数遥感估测研究的前沿领域和科学问题，为人们尽快全面了解高光谱技术在烟草生化参数方面应用进展和方法拓展，提供了参考。

关键词：烟草；生理生化参数；高光谱；监测模型

中图分类号：S572

文献标识码：A 文章编号：1674-9944（2017）14-0255-04

1 引言

高光谱遥感[1]是指在紫外、可见光、近红外等电磁波谱范围内，从探测目标上获取若干非常窄且光谱连续数据的技术。所获得的光谱数据其中包含了大量的光谱反射率原始数据信息，若另外加上原始光谱反射率的导数（一阶导数、二阶导数）、对数变换、高光谱特征参数等，信息量就可以增加更多倍，因此，高光谱技术得到了广泛的应用和快速的发展。前人已经对高光谱遥感技术在水稻[2，3]、大豆[4～6]、小麦[7] 等农作物中的应用有了较为深入的研究。近几年来，越来越多的烟草研究者们将目光转向了高光谱技术，他们利用高光谱技术得出了不同因素影响烟草光谱特征的变化规律，同时筛选出一些监测参数，并建立了相应的估算模型。

烟草生化参数主要包括有：水分、色素、糖、N、P、K和微量元素等。在农业遥感信息模型研究、作物冠层光谱、叶片光谱、生物物理参数的提取与反演、作物长势监测等方面，高光谱技术都得到了较快发展。近年来，高光谱技术在烟草上的研究和应用也进入了快速发展的阶段，并且得到了较多的应用，其中也包括了在生化参数方面的研究。Tomas[8]等的研究发现烟草在缺氮时可见光波段的反射率会增加，同时光谱反射率会随着叶绿素和类胡萝卜素含量的增加而降低。Churasia[9]等报道了利用IRS-ID LISS-III数据可以估算烟草叶面积指数。苏永士等[10]分析了不同施氮水平下烟草冠层光谱特征，并探究了光谱与叶面积指数、叶绿素含量间的相关性。研究表明，利用所建立的估测模型快速监测烟草的生长状况，及时指导烟草田间管理是可行的。王建伟等[11，12]将烟草叶片的高光谱反射率、冠层光谱反射率、烘烤后叶片的光谱反射率与化学指标以及香气指标进行了相关分析，建立了相应的光谱估测模型。笔者着重讨论近年来利用高光谱遥感技术手段监测烟草生化参数的成果与方法的研究进展，同时展望未来高光谱遥感在烟草方面的发展趋势。

2 高光谱遥感诊断烟草组分原理及烟草高光谱特征

2.1 烟草生化成分光谱诊断的基本原理

烟草叶片在电磁波的作用下，内部会发生一些复杂的物理过程（电子的跃迁、原子、分子振动与旋转），同时会呈现出一些光谱吸收和反射特征，以此来反映物质的成分和结构信息[13，14]。烟草所具有的这些光谱特征是利用遥感方法监测其性质和形状的重要依据。

烟草的生化成分光谱诊断原理就是利用烟草的光谱特性与其生理生化过程以及形态结构之间的响应过程，从而得到光谱反射率的变化对应化学组分的多少，反射光谱曲线的形态和特征会因烟草品种的不同、植株所处的生长期的不同而有所差异，此外灌溉、施肥、病虫害等条件的不同也会引起烟草反射光谱特性的变化，因此可以利用遥感数据结合光谱的这些特征来进行烟草生化成分的品质监测。

2.2 烟草高光谱特征

烟草的反射光谱波形与典型植物的反射特征是相同的，这是由其细胞结构、化学成分和形态学特征决定的：即700～1000 nm为最高反射区，400～500 nm之间是最低反射区，500～600 nm之间是一个反射次高峰区，。烟草的光谱反射特征会因光照、水分、肥料、品种类型、生育时期、病虫害等因素的影响而发生变化。李佛林[15]等对不同施氮处理、不同时期和不同叶位等的云烟85、中烟101、巴斯玛1号的烟叶室外光谱进行了总体描述：在整个光谱区域内，主要吸收中心变异小，红和近红外波段处变异大：在592 nm附近及708 nm附近变异系数较小，大约为32.8%，大于708 nm以后变异系数逐渐增加。整个光谱区域内，变异系数最大达到了58.7%。张正杨等[16]对K326和云烟87两种烤烟的冠层光谱特征进行了描述：K326冠层的光谱反射率均低于云烟87。殷全玉等[17]对云烟87和中烟101的叶片反射率光谱特征进行了研究：两个品种的叶片反射率光谱在近红外波段表现出了较明显的差异，而且云烟87叶片的反射率要大于中烟101。乔红波等[18]研究了3种：重（单株顶尖和上部5片叶蚜量≥50头）、中（15头≤单株顶尖和上部5片叶蚜量≤50头）和轻（单株顶尖和上部5片叶蚜量≤15头）烟蚜危害程度条件下的光谱反射特征。研究结果表明：烟蚜会造成烟草光谱反射率的下降，其中在近红外波段的反射率下降特别明显。

3 高光谱遥感数据估测烟草生化成分分析方法研究

目前国内关于利用高光谱技术进行烟草生化参数遥感估测机理和方法的研究主要侧重于建立光谱特征值与烟草生化参数间的统计模型，这些统计模型，简单且便于运用，但是统计方法获取的模型其机理并不是很明确，应用范围较窄，而且由于生化参数相互之间、生化参数与其它植被参数之間，再加上环境条件的干扰，会使得对其中某一生化参数的分析变得非常复杂。近年来，高光谱数据的处理技术越来越多，如多元统计分析技术、光谱微分技术、基于光谱位置（波长）变量的分析技术、光学模型方法、参数成图技术、光谱匹配技术、混合光谱分解技术等[19]。利用逐步线性回归的方法找出与某些生化成分含量相关的波段仍然是使用高光谱遥感数据估测烟草化学特性的主要方法，然后建立这些生化成分与波段光谱特征值之间的回归方程，其缺点是有可能会出现诸如过度拟合、重要的波段被忽略和不同组分间的相关性等问题。

多元统计分析技术。在高光谱遥感研究中，使用最普遍的是多元统计分析技术[20，23]，该方法可用来估计或预测生理指标，它以光谱数据或其变换形式（如原始光谱反射率、一阶二阶微分变换、对数变换、各种植被指数、导数后的对数变换等）作为自变量，生物物理、生物化学参数等作为因变量，建立多元回归估计预测模型。通过逐步回归方法可以找出与生物化学成分之间相关性最大的波段，但是基于最大相关原理选择的相关波长可能会由于过度拟合、波动或其它相关变量的影响而造成误差[19]。王秀珍[24]等分析了高分辨率遥感的导数光谱能获得更多植被的化学成分的信息，其导数光谱，尤其是二阶导数光谱能较好地消除土壤背景因素的影响和重叠光谱的影响，导数光谱也可部分消除大气的影响。

基于光谱波长位置变量等的分析技术。是根据波长变化相应的参数变量为自变量与生物物理和生物化学参量的关系来估计生化成分的，一般是通过高光谱数据进行某种变换（如求导、求对数等）来寻找烟草光谱的特征位置，也可直接通过高光谱数据来寻找这些特征位置，位置变量可以是：红边幅值Dr、绿峰幅值Rg、黄边幅值Dy、蓝边位置λb、红光吸收谷位置λv及其它特征吸收谷等。面积变量一般有：红边面积SDr、绿峰面积SDg、黄边面积SDy蓝边面积SDb，植被变量常用的有：红边面积与蓝边面积比值SDr/SDb、红边面积与黄边面积归一化值（SDr-SDy）/（SDr+SDy）、红边面积与黄边面积比值SDr/SDy、绿峰与红谷归一化值（Rg-Rr）/（Rg+Rr）、红边面积与蓝边面积归一化值（SDr-SDb）/（SDr+SDb）、绿峰与红谷比值Rg/Rr。此方法的普及度雖然不及多元统计分析方法，但被经常用在烟草的光合色素、水分和其他生化成分在可见光、近红外波段内形成了“蓝边”、“黄边”和“红边”等区别于其他地物的特征位置的情况下。

光谱匹配技术。是利用地物的光谱与参考的光谱进行匹配或者是地物的光谱与光谱数据库的光谱作比较，以求它们之间的相似性或差异性[25]。在现有光谱数据库不完善的情况下，直接将目标物光谱与参考光谱进行比较是最常用的一种光谱匹配技术，其中以交叉相关光谱匹配技术的匹配效果较好[26]。对于光谱匹配技术，有时需要将目标物的混合光谱加以分解，从而进一步确定在混合光谱中不同组分所占的比例，同时识别在己知组分中外加的其它组分。在一种光谱确定的物质中加入其它组分时，光谱的特征参数会发生改变，这为用光谱法对目标物中的组分识别提供可能，但混合光谱分解技术存在两个关键问题：一是找出一组成分纯的化学物质的光谱或已知组分混合比例的目标物的光谱；二是修正从纯组分光谱到混合组分光谱因条件不同而带来的光谱变化。目前，根据光谱匹配技术来分析烟草光谱变化及其生化组分的报道还尚未见[27]。

4 高光谱估测烟草色素状态的机理和研究进展

烟草的光合色素含量与其光合能力具有很好的相关性，可以用来评价烟草长势。植被色素（ 叶绿素和类胡萝卜素） 直接影响植被和叶子在可见光范围内的反射光谱，可以利用植被冠层和叶片的反射光谱来估算其色素含量[28]。绿色植被的光合色素在可见光波段的吸收峰主要在蓝光区和红光区，在蓝光区内，叶绿素和类胡萝卜素的吸收峰是相重叠的，所以一般不用蓝光区估测叶绿素状况；在红光区内，叶绿素的最大吸收峰在660～680 nm，但是较低含量的叶绿素就会引起该吸收区光的饱和，会使估测的灵敏度有所下降，所以常用略偏于吸收峰的550 nm和700 nm来估测叶绿素的含量[29]。付虎艳[30]等测定了南江3 号不同长势且无病虫害烤烟的叶片反射率光谱，发现：在波长700 nm处Chl a 含量与叶片原始光谱反射率的相关系数达到最大，为-0.705，Chl b 含量与原始光谱反射率的相关系数最大是在701 nm波长处，为-0.654。

研究烟草的高光谱与色素特性，分析色素与高光谱参数之间的关系，并建立估测模型，可以及时、准确地获取烟草的生长状况信息，特别是烟草的光合能力，为烟田施肥和烟草长势监测提供便捷、有效的方法。 付虎艳[30]通过研究南江3 号发现：在波长623 nm处Chl a 含量与一阶光谱反射率的相关系数最大，相关系数为0.835，在波长653 nm 处Chl b含量与一阶光谱反射率的相关系数最大，相关系数为0.808；Chl a含量与绿峰位置，Chl b含量与SDr/SDb的相关系数最大，分别为0.861和0.832，建立的烟草叶片叶绿素含量的多元逐步回归模型以及基于高光谱特征变量建立的单变量模型中，基于光谱一阶微分的逐步回归模型可以较好的估测Chl a和Chl b含量，估测效果最好、检验精度也较高，是烟草叶片叶绿素含量的最优估测模型。黄智[31]等研究了烤烟K326冠层4 种色素指标与18 种高光谱参数之间的相关性。Chl a 含量与Db、Ro、Rg、SDr、SDb存在显著的负相关关系，Chl a、Chl b、Chl a+b含量均与SDy 的相关系数最高，并呈极显著的正相关关系，R2 均达到0.75 以上，与类胡萝卜素含量的相关性较差，R2 为0.61，同时构建了函数模型，得出各时期色素含量的估测值，与其真实值进行差异性检验，其差异不显著，说明用这些高光谱参数建立的检测模型是可行的。刘大双[32]等对NC89从烟株接种后的第3 d到烟株现蕾为止的生长期内对叶片进行了5 次高光谱反射率的测定，利用线性、非线性回归技术建立了色素含量的估测模型，并且得出结论：与Chl a 和Chl a +b 最相关的特征变量是SDg，与Chl b 和类胡萝卜素最相关的特征参量是Db，同时筛选出了相关系数较大的7 个光谱变量（SDg、 SDb、 SDy、Db、Dy、Rg、（SDr-SDg）/（SDr+SDg），分别建立了线性或非线性单变量色素含量估测模型。Chl a 的最佳模型是线性模型，Chl b 的最佳模型是指数模型，对于Chl a +b的最佳模型是Dy为自变量的线性模型，而其余6个光谱变量的最佳模型是指数模型，类胡萝卜素最佳模型是Dy和Rg为变量的线性模型，其他5 个光谱变量的最佳模型是指数模型。经精度检验， 估测Chl a 含量的最佳模型是以SDb为自变量的线性模型，估测Chl b 和Chl a+b含量的最佳模型是以SDb为自变量的指数模型，估测类胡萝卜素含量的最佳模型是以Rg为自变量的线性模型。

5 高光谱估测烟草总氮状态的机理和研究进展

烟草作为一种需要适当施氮肥才能保证其产量和品质的经济作物，氮素的缺少或过多会引起烟草生长发育的变化，从而影响生长期内烟草光谱的吸收，反射和透射。

在烟草氮素营养光谱应用中，常运用烟草叶片的反射光谱来评价烟株氮状况，但是单波段光谱易受外界因素和烟草生长状况的影响会不稳定，为了获得普适性关系，需要用两个或多个波段的光谱指数对氮含量和反射率进行相关分析。张正杨[33]等从25个冠层光谱参数建立的各种生理生化逐步回归方程中筛选出，总氮的自变量为λg、（SDr-SDy）/（SDr+SDy）和SDy，总氮的回归方程通过F检验达到了极显著水平。通过SPSS，对模拟值和实测值进行相关分析，建立的总氮的回归模型相关系数都达到了显著水平，从而得出结论：建立的基于叶片反射光谱的回归方程能够很好的预测烟草的生理生化指标。李佛林[15]选取了一些在烟草各个测定时期（移栽后49d、61d、75d）中都稳定一致的与叶片氮含量达到显著相关的光谱参数，并建立了相应的回归模型，其中最适合估算氮含量模型的参数有：NRI、MCARI、P-Depth560、CAR1、RMAXFD、FD688、PRI、P-Area560、NDFDGR、GM1、GM2、NDVIG、D712、TCARI、NDVI，基于这些光谱参数，并建立了相应的方程，得出结论：与氮含量呈线性正显著相关的参数有：SD712、GM1、GM2，与氮含量呈线性负显著相关的参数有P- Area560、P- Depth560，而其它参数与氮含量呈非線性关系。

6 高光谱技术估测烟草其他生化成分的机理和研究进展

烟草内部包含了多种生化成分，这些生化成分的含量加权以后吸收特性的总和表现为叶片的光谱，多元回归法可以找出相关性程度较高的光谱反射波段和波段组合，也可以确定其化学成分的组合，从而反演出其化学成分的含量。有些相关性波段是某些生化成分的特征吸收波段，或者是利用光谱一阶导数作为自变量的特征吸收波段的边缘，亦或是与该生化成分相关的另外组分的特征吸收波段，又或者该波段与特征吸收波段并无相关性。李向阳[27]等对烤烟叶片的烟碱进行了分析，并且采用逐步回归的方法建立了叶片烟碱含量的光谱反射率，一阶导数光谱以及光谱特征变量的回归方程，分析了这些方程的R2和自变量回归系数的相伴概率，最后进行了检验，得出结论：一阶导数光谱回归方程的模拟效果最好，而特征变量回归方程的模拟效果最差，光谱反射率回归方程的模拟效果居中，这些回归方程的自变量回归系数的相伴概率都达到极显著水平。

7 结语

利用高光谱技术可以对烟草主要生化成分进行很好的监测，而且具有广阔的应用前景。烟草学者们已经提出的一系列的烟草生化成分的监测和估算模型，每个模型都有特定的研究方法和适用条件，并不适用于所有品种的烟草，所以很难找到通用的模型。同时高光谱遥感数据有一些缺陷，比如景观异质性、大气噪音、太阳位置等的干扰都会影响高光谱遥感技术在实际的应用能力。所以要使烟草光谱资料更加完备，今后的研究方向：一是烟草生化参数，要一步步地上升到较为精确的模型水平，进一步对其进行细化和确定。为了降低实际生产中烟草的品种类型、生态条件多样和栽培管理等方面的差异，需要建立更加全面和更具规模的样本参数，以便进行修正。二是遥感数据的分析方法和遥感信息的信噪比要进一步提高，在今后的研究中，要注重于完善和扩充烟草的光谱数据库，加强烟草高光谱数据的采集和挖掘，结合3S技术的应用，进一步推动高光谱遥感技术在烟草生化成分诊断和监测中的应用。

参考文献：

[1]Lillesand T M，Kiefer R W.Remote sensing and image interpretation（3rd Edition）[M].New York：John Wiley&Sons，1994：750.

[2]Tian YC，GuKJ，ChuX. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]Plant and Soil，2013，376：193-209.

[3]覃 夏，王绍华，薛利红，等.江西鹰潭地区早稻氮素营养光谱诊断模型的构建与应用[J]中国农业科学，2011，44（4）：691～698.

[4]宋开山，张 柏，王宗明，等.基于人工神经网络的大豆叶面积高光谱反演研究[J].中国农业科学，2006，39（6）：1138～1145.

[5]宋开山，张 柏，王宗明，等.基于小波分析的大豆叶绿素a含量高光谱反演模型[J].植物生态学报，2008，32（1）：152～160.

[6]吴 琼，齐 波，赵团结，等.高光谱遥感估测大豆冠层生长和籽粒产量的探讨[J].作物学报，2013，39（2）：309～318.

[7]陈云浩，蒋金豹，黄文江，等.主成分分析法与植被指数经验方法估测冬小麦条锈病严重度的对比研究[J].光谱学与光谱分析，2009，29（8）：2161～2165.

[8]Thomas J R，Gausman H W.Leaf reflectance VS.1eaf chlorophyll and carotenoid concentrations for eight crops[J].Agronomy Journal，1977，60（7）：99～802.

[9]Chaurasia S，BhaRacharya B K，Dadhwal V K，eta1.Field—scale leaf area index estimation using IRS—ID LISS—III data[J].International Journal of Remote Sensing，2006，27（4）：637～644.

[10]苏永士，苏富强，王海波，等.不同施肥条件下烟草冠层光谱特征与叶绿素、叶面积指数的关系[J].中国烟草科学，2013，34（2）：23～27.

[11]王建伟，薛超群，周汉平，等.烤烟冠层光谱参数与叶片叶绿素含量的相关分析[J].生态学杂志，2010，29（5）：876～880.

[12]王建伟，李树人，周汉平，等.不同施氮量条件下烤烟叶面积系数与冠层光谱参数的相关性[J].烟草科技，2011（3）：77～80.

[13]童庆禧.中国典型地物波谱及其特征分析[M].北京：科学出版社，1990.

[14]陈述彭，童庆禧，郭华东.遥感信息机理研究[M].北京：科学出版社，1998.

[15]李佛琳.基于光谱的烟草生长和品质研究[D].南京：南京农业大学，2006：44，62.

[16]张正杨，马新明，贾方方，等.烟草叶面积指数的高光谱估算模型[J]生态学报，2012，32（1）：168～174.

[17]殷全玉，杨伊檬，靳志伟.烟草叶片光谱特征及其光谱反射率的变化[J].河南科学，2006，24（4）：521～523.

[18]乔红波，蒋金炜，程登发.烟蚜为害特征的高光谱比较[J].昆蟲知识，2007，44（1）：57～61.

[19]浦瑞良，宫 鹏.高光谱遥感及其应用[M].北京：高等教育出版社， 2000：185～228.

[20]施润和，庄大方，牛 铮，等..叶肉结构对叶片光谱及生化组分定量反演的影响[J].中国科学院研究生院学报，2005，22（5），589～595.

[21]Hansen，PM，Schjoerring，JK.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regressions[J].Remote Sensing of Environment， 2003，86：542～553.

[22]刘伟东，项月琴，郑兰芬，等.高光谱数据与水稻叶面积指数及叶绿素密度的相关性分析[J].遥感学报，2000，4（4）：279～283

[23]王秀珍.水稻生物物理与生物化学参数的光谱遥感估算模型研究[D].杭州：浙江大学，2001：88～90.

[24]王秀珍，王人潮，黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究[J].农业工程学报，2002（18）：9～15.

[25]Cloutis，E.A.，Hyperspectral gelogical remote sensing：evaluation of analytical techniques[J]. Int.J. Remote Sensing，1996，17（12）：2215～2242

[26]MeerFVD，BakkerW.Cross correlogram spectral matehing：application to surface Mineralogical mapping by using AVIRS data from Cuprite，Nevada[J].Remote Sens..1997，61：371～382

[27]李向阳.烟草高光谱特性与农艺、生理、品质指标关系和估测模型研究[D]，郑州：河南农业大学，2007.

[28]李晓利，唐延林，楼 佳.杂交水稻叶片叶绿素含量与光谱吸收率的关系[J].山地农业生物学报，2011（1）：1～5

[29]Sims D A， Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages[J]. Remote Sensing of Environment， 2002（81）：331～354.

[30]付虎艳，靳涵丞，张洪亮，等.贵州喀斯特山区烟叶高光谱参数与叶绿素含量的关系[J].烟草科技，2015，48（2）：21～ 26.

[31]黄 智，昌宏涛，陈建国，等.烤烟K326色素含量的高光谱估测研究[J].作物研究，2015，29（5）：516～521，541.

[32]刘大双，刘国顺，李向阳，等.TMV侵染后烤烟叶片色素含量高光谱估算模型研究[J].中国烟草学报，2009，15（2）：60～65.

[33]张正杨.基于水氮互作的烟草高光谱特性及估测模型研究[D].郑州：河南农业大学，2011：29～32.