小麦冠层光谱获取及信息分析综述

白 雪，段永红

（山西农业大学资源环境学院，山西太谷030801）

小麦是世界上重要的粮食之一，也是我国北方主要的粮食作物[1-2]。无论是从生态学还是经济学角度来说，小麦都有非常高的应用和科研价值[3]。但是，不合理的施肥及管理措施的条件下，小麦的品质和产量都大幅度降低和减少[4-6]。高光谱技术可以快速、无损监测地面数据，且不受地形阻隔的影响。目前，该技术在农业方面的应用主要是利用遥感技术对作物进行实时监测，并对作物某些特征参数进行提取研究[7]。农作物冠层光谱可以用来反映作物长势信息，如叶绿素、叶面积指数以及含氮量等[8-9]，田间管理者根据长势信息可以进行合理的施肥等田间管理措施。因此，利用高光谱技术获取作物冠层生长信息并进行相应的分析，建立相关模型，是监测作物生长状况或者对病虫害进行早期预警的有效方法。

笔者介绍了光谱数据的采集方式，并在此基础上阐述了利用冠层光谱反映小麦的叶绿素含量、含氮量、叶面积指数等长势信息，同时分析了光谱信息监测小麦产量、籽粒及病害等，并指出了今后的研究方向，旨在为小麦冠层光谱的应用提供帮助。

1 光谱数据采集

1.1 地面光谱数据采集

地面光谱数据的采集仪器有成像光谱仪和非成像光谱仪[10]。为了研究各种不同地物或环境在野外自然条件下的可见和近红外波段的反射光谱，需要适用于野外测量的光谱仪器[11]。亓雪勇等[12]通过地物光谱仪测量太阳辐射来测算气溶胶光学厚度,该方法可用于遥感数据大气校正及大气气溶胶光学厚度的估算。姚霞等[13]利用成像光谱仪测不同年份、不同氮素水平、不同种植密度和不同品种类型的小麦冠层光谱，运用连续投影算法分别提取目标成分的特征波段，结合灰度共生矩阵构建小麦冠层氮含量的最佳监测模型。

1.2 机载光谱数据采集

近年来，无人机以其机动灵活、操作简便、按需获取数据且分辨率高的优势，已成为农情监测的一项重要手段[14-15]。裴浩杰等[16]利用无人机高光谱影像反演综合长势指标CGI（包括叶面积指数、叶绿素含量、植株含氮量、水分含量和生物量5 个指标）,发现利用该指标能够判断出小麦总体长势差异，可为监测小麦长势提供参考。杨贵军等[17]研发了一套农业多载荷无人机遥感辅助小麦育种信息获取系统，该系统提出了无地面控制点条件下的无人机遥感数据几何精度校正模型，实现多载荷遥感数据几何校正。

1.3 星载光谱数据采集

高光谱遥感技术的高空间分辨率、光谱分辨率、时间分辨率的“三高”新特征已经越来越明显，以适应未来长期的精准农业、定量化土地监测等新 应用领域[18-19]。BAO 等[20]基于LANDSAT TM 和EOS-MODIS 高光谱影像，用最佳拟合方法建立了小麦生物量与最佳光谱参数之间的关系模型，估计生物量的最大均方根误差为66.403 g/m2。BIKASH RANJAN 等[21]利用时间序列归一化差分植被指数（NDVI）推导出小麦物候变量，同时结合长期已有的统计数据，建立了产量模型，该模型较精准的预测了印度贾克汉德地区小麦产量。

2 小麦冠层生长信息监测及应用

2.1 小麦冠层生长信息监测

2.1.1 叶绿素 叶绿素是光合作用过程中主要吸收光能的色素，其含量高低直接影响叶片光合作用中的光能利用[22]。农作物叶片的叶绿素含量与叶片的净光合速率、发育阶段等具有良好的相关性，已经成为了评价植被生长发育和营养状况的指示器[23-25]。尼加提·卡斯木等[26]利用偏最小二乘回归法（PLSR），结合16 个高光谱特征参数与叶绿素之间的相关性进行了分析，并建模，研究发现820～940 nm 反射率总和决定系数达到最高（R2＝0.8），同时该波段所建立的PLSR 估算模型为最优模型。鞠昌华等[27]研究了小麦单层及叠加叶片不同波长光谱反射率及12 种常用植被指数对叶绿素含量的响应特征，其中，叶绿素吸收反射指数（TCARI）对单层叶片和不同叠加层数的叶片均有最好的预测能力，可以监测小麦叶绿素含量，进而评价其光合特性。梁亮等[28]通过分析18 种高光谱指数，筛选出可敏感表征叶绿素含量的指数REP，利用地面光谱数据为样本，以最小二乘支持向量回归算法构建反演叶绿素含量的模型，其校正系数和预测决定系数分别为0.751 和0.722，反演精度较高，可用于小麦叶绿素含量的快速无损获取。张娟娟等[29]设置了3 种土壤质地（沙土、壤土和黏土）、5 种施氮水平（0、120、225、330、435 kg/hm2）和3 个小麦品种（矮抗58、周麦22 和郑麦366）的试验条件，研究发现，光谱指数REPIG 和mND705 对叶片叶绿素含量监测效果较好，利用上述光谱指数的估测模型可以较好预测当地小麦叶绿素含量，同时为氮肥施用及调控提供技术依据。

2.1.2 叶面积指数 叶面积指数是描述植被冠层几何结构和定量陆地生态系统中光合作用、呼吸作用，以及降水截获等过程的物质与能量交换的最重要的生物物理参数之一[30-31]，实时动态监测叶面积指数对作物生长诊断和管理调控具有重要意义[32-33]。林卉等[34]从高光谱指数中选出与LAI 值相关性最强的OSAVI 指数，利用最小二乘支持向量机回归（LSSVR）模型，同时模型校正集决定系数和预测集决定系数分别为0.851 和0.848，该模型可用于LAI的精准反演。冯伟等[35]研究发现，叶干质量和LAI与反射率之间相关性较好的区域主要位于红光和近红外波段，同时在不同试验条件下的叶干质量和LAI 可以使用统一的光谱参数进行定量反演，如RVI（810 560）、FD755、GM1、SARVI 等，且以这些参数建立的模型均有较好的检验结果。赵娟等[36]以冬小麦为研究对象，选取冬小麦覆盖响应程度不同的6 种宽带和4 种窄带共10 种植被指数，分析比较发现，选择不同植被指数建立冬小麦LAI 的分段反演模型均高于使用同一种植被指数的反演精度。

2.1.3 氮素 氮素营养是作物生长发育、产量形成的重要影响因子，是植物需求量最大的矿质营养元素。利用高光谱技术可以快速、无损监测农作物氮素含量，对于农作物精细化管理具有十分重要的意义[37-40]。冯伟等[41]研究发现，冠层光谱反射率在不同叶片含氮量的水平下存在显著差异，且叶片含氮量的敏感波段主要存在于近红外和可见光区域。翟清云等[42]研究发现，利用NDSI（FD710、FD690）、DSI（R515、R460）和RSI（R535、R715）分别为自变量建立的估测模型可以较好地预测砂土、壤土和黏土3 种质地小麦的叶片含氮量。李栓明等[43]以具有明显差异的8 个小麦品种为试验材料，使用ASD 地物光谱仪采集了176 个籽粒光谱数据，利用UVE、SPAS 和MLR 方法有效压缩了整粒小麦籽粒的光谱矩阵，选取特征光谱构建模型，可以高效预测小麦籽粒的蛋白质含量。王仁红等[44]建立氮营养指数（NNI）经验模型，很好地构建了冠层氮素密度和叶片氮素含氮量之间的关系。王来刚等[45]利用SPOT-5、地面光谱数据和植株取样数据，提出一种基于波谱响应函数拟合和混合像元光谱提取方法，且模拟像元光谱对叶片氮积累量的反演效果最好，该方法结合地-空遥感的优点，可以应用其他不同空间和光谱分辨率的数据来监测小麦氮素营养状况。

2.2 应用领域

2.2.1 产量预测 作物产量的遥感监测是农业遥感重要的应用领域[46]。随着高光谱技术的发展，利用高光谱预测小麦产量受到国内外学者的关注[47]。耿石英等[48]通过叶片和冠层2 种参数对小麦进行监测，同时提出归一化差异最大指数（NDMI），符合我国资源环境卫星近红外和红外波段范围，能够对小麦产量预测提供依据，符合实际情况且具有实用性。任红艳等[49]在不同氮肥水平下，测定小麦冠层光谱响应在几个生育期内的变化情况以及与产量的关系，结果表明，光谱数据的衍生形式可与小麦产量建立很好的回归方程。吕银亮等[50]基于小麦关键的生长发育期，结合测取其地面高光谱数据和产量数据，利用改进的光谱角算法进行冬小麦产量估测，发现小麦产量与光谱角呈明显的二次线性关系，且拟合方程的决定系数为0.784 4。

2.2.2 籽粒品质 蛋白质和淀粉是决定小麦籽粒品质特性的主要成分[51]，常规监测技术虽然较为准确，但是对作物的破坏性极强。利用高光谱技术快速、无损监测小麦籽粒，研究并建立收获前小麦籽粒品质监测显得尤为重要[52]。田永超等[53]研究发现，叶片SPAD 值与籽粒蛋白质和淀粉积累量均呈现二次抛物线的关系。麦抽穗后叶片氮积累量与叶片SPAD 值、冠层反射光谱分别呈显著的指数和线性相关；籽粒蛋白质积累量与叶片氮积累量呈显著线性负相关，而成熟期籽粒蛋白质积累量与抽穗后叶片氮转运量呈线性正相关。因此，叶片SPAD 值和比值指数可以用来预测单位土地面积上小麦籽粒生长过程中蛋白质和淀粉的积累动态。冯伟等[54]经过2 a 独立试验表明，灌浆前期的关键光谱数据可以有效地评价小麦成熟期籽粒产量状况，成熟期特征光谱指数的累计值能够稳定预测不同条件下小麦成熟期籽粒产量的变化。王大成等[55]结合HJ1A/B卫星数据和生态因子对小麦籽粒蛋白质含量进行监测，结果发现，综合遥感数据和生态因子的监测结果比单独使用遥感数据或者生态因子数据的精度高。张红涛等[56]研究发现，采用近红外高光谱成像技术对单籽粒小麦硬度进行分类是可行的。

2.2.3 病害预警 小麦的赤霉病、条锈病和白粉病等是小麦生长中主要的病害，其发病率高、传播性强，严重影响小麦安全生产[57-59]。梁琨等[60]利用高光谱成像技术通过光谱分析和图像处理对小麦的赤霉病进行识别，结果表明，利用10 折交叉验证方法建立线性判别分析、支持向量机和BP 神经网络识别模型，对小麦赤霉病识别的准确率均在90%以上，有较好的识别效果。袁琳等[61]基于实测数据获得白粉病、条锈病叶片的光谱数据，通过相关性分析和T 检验，筛选出这2 种病害较为敏感的6 个波段范围（665～684、718～726 nm）和SIESI 等11 个光谱特征，同时使用FLDA 构建病害判别模型，判别模型的精度达80%以上，准确度较高。范友波等[62]用高光谱技术监测小麦白粉病，研究发现，白粉病的小麦叶片光谱“红边”蓝移现象较明显，其中，三角植被指数（TVI）反演精度最佳。

3 展望

便携式地物光谱仪测取数据较为灵活，且测取的光谱波长范围较广，可以很好地进行地物光谱的获取和研究。但是试验时易受天气（云、太阳高度角）等影响，同时测得的数据易混合其他地物的光谱信息，对后续光谱分析有一定难度。卫星遥感技术具有大面积、同步观测地面数据的优势，但能利用的电磁波谱对许多地物的某些特征还不能明确反映，还需发展遥感以外的手段，特别是需要地面调查和验证，且需提供更多免费的高空间分辨率、高光谱分辨率的遥感影像数据。无人机遥感作为一种新型的技术，虽受限于气象条件或者操控人员能力等因素，但是其在监测空间精度和尺度，尤其是中尺度农田信息获取优势显著，同时随着机载多源信息技术采集、处理等发展，无人机遥感技术在农业等相关领域得到广泛应用。

冠层光谱数据首先要进行预处理。例如，使用地物光谱仪测得冠层光谱数据进行的预处理包括降噪、平滑等。为了避免其他地物对试验的干扰，通常使用光谱数据的微分值进行相关性研究。目前试验多以分析冠层光谱数据与作物生长信息指标的相关性为开端，然后使用相关性最高的波段或波段范围、高光谱植被指数，利用统计学中线性或非线性回归、物理模型等方法建模分析。但是大多数研究只是针对某一作物，更精确、更通用、更简单化和智能化，通过参数配置以适用于不同作物的模型需要进一步探究。

遥感技术可以客观、准确、及时地提供作物生态环境和作物生长的各种信息，它是精细、精准化农业获得田间数据的重要来源。搭载遥感器卫星或者飞机通过田地时，可以监测并记录农作物覆盖面积数据，通过这些数据可以对农作物进行分类，还可以在此基础上估算农作物的播种面积。利用不同时间序列的影像，科研工作者分析影像提供的信息，及时发现作物生长中出现的问题，采取针对措施进行田间管理（如施肥、喷洒农药等），同时还可以了解到不同生长阶段中作物的长势，提前预测作物产量，这为我国作物产量的提前预报奠定了科学基础。