高光谱技术在农业遥感中应用的研究进展

张 伟

（宁夏农业勘查设计院，宁夏回族自治区 银川 750002）

在农业遥感应用中，特别是在作物生长评价、灾害检测和农业管理方面，利用高光谱遥感影像可以准确反映田间作物的光谱特征及其中间光谱差异，并能更准确获取一些医学信息，如作物水分含量、光合强度、叶面积指数LAI（Leaf Area Index）等生态物理主要参数，进而预测和分析作物生长和产量。

1 农业高光谱遥感应用原理

不同的作物具有多种理化性质，具体表现在叶肉细胞、叶片翠绿成分、叶片结构、叶片含水量等层次。这种差异虽然肉眼看不到，但可以通过参与光谱反射面规律性进行科学分析。例如，可见光原料波段的光谱透射率主要受包括叶绿素在内的各种色斑的影响，而近红外光谱仪原料波段的透射率则受叶片水分含量、氮元素等因素的影响。因此，作物的基本光谱特征是当今快速获取农业信息的关键途径，对智慧农业具有关键的现实意义。基于高光谱遥感技术的作物检测的基本任务是选择合适的检测指标值，进而对作物特性进行准确、快速、大范围的检测[1]。叶面积指数LAI（leaf area index）是与作物生长的个体特征和种群特征相关的综合指数值。无论哪种类型，都有统一性。这也是利用叶面积指数检测增益的基础。归一化V-植被指数NDVI（Normalized Difference Vegetation Inde）是与叶面积指数LAI、植被覆盖度、生长发育水平、土壤含水量等相关的综合主要参数。温度条件指数TCI（Temperature Condition Index）用于反映地温，可以更直观地反映干旱的发生、发展趋势和完成情况。植被状况指数VSI（Vegetation Status Index）用于反映植物群落的身心健康状况，可以反映同一生理时期植物群落的发展情况[2]。归一化水体指数NDWI（normalized difference water index）利用绿色种群中的水质和近红外光谱仪明显的反射面差异来获取水质信息，可以灵敏地反映植物群落冠层水的组成。红边图包含了大量关于植物群落的信息，其光谱特征具有较强的主要表现能力，因此可以从红边光谱图中获取特征参数。

2 高光谱技术在农业遥感应用中的研究现状

2.1 作物叶片光谱特征研究

作物的叶片光谱特征与作物的生长发育状况直接相关，包括光谱透射率的变化对作物有机化学成分的敏感性变化，以及土壤水分威胁下对作物生长发育的损害等。正常情况下，作物光谱的红色边缘部分与作物的光合强度等具有中等相关性。使用成像光谱仪从400 nm 分析水分威胁标准下水稻的光谱特征和反射面的工作能力到1 900 nm 的库存波段，发现可以检测到近红外光谱仪中红外库存波段透光率与一阶微分函数进行变换处理，从而获得图谱。在早期，水稻冠层的含水量威胁到效果的伤害；分析了油菜叶片的光谱变换特征，建立了基于红边绿峰的叶绿素定性分析模型，为作物生长信息的获取提供了良好的参考效果[3]。

2.2 作物分类与识别

在农业遥感应用中，对农作物进行准确分类识别是开展农牧业灾害检测与生产评估的关键步骤，多时相高光谱数据信息可以区分作物更小的光谱差异，检测更窄光谱中作物的转化，进而准确分类获取作物信息。现阶段应用最广泛的高光谱作物分类方法包括光谱角度分类、决策树算法层次分类等。

2.3 作物生态物理参数反演与提取

作物生态物理的主要参数包括作物水分、光合强度等表达医学信息的参数。现阶段，高光谱遥感影像反演技术和获取作物生态物理主要参数的方法主要有以下3 种：①利用多元线性回归方法创建高光谱数据信息（初始透射率、光谱微分等）与作物医疗信息主要参数之间的相关性；②建立光谱特征光谱指标值与作物水分等医学信息之间的工作经验方程；③创建概念模型，逆向技术，获取作物的主要参数[4]。

2.4 营养诊断

农业中常用的氮、磷、钾养分，由于此类矿物元素组成的变化会引起作物叶片结构和叶片形状的变化，因此最容易被作物的光谱反射信息捕捉到，这也是选用高光谱技术确认作物营养成分信息的理论来源。近年来，国内外专家学者对氮与高光谱的相关性进行了大量分析，并取得了一定的成果。对夏玉米叶片的研究表明，作物的氮成分确实会损害相关的光谱反射曲线图，这为基于光谱信息的氮反演技术带来了巨大的可能性，也有专家学者基于光谱变换的概念，利用光谱消解吸收特征法估算叶片中的碳含量，获得了较高的估算精度[5]。研究强调磷和锌，锌的成分会直接影响绿色植物生理系统软件中黑色素的调节。在一系列元素的综合干扰下，光谱透过率的变化趋势不如氮明显，从而提升了光谱特性。曲线比较复杂，需要综合考虑很多因素，才能得到更准确的频谱逆变技术结果。

2.5 物种识别

高光谱遥感技术可以获得从紫外到中红外的图像，非常窄且连续的光谱图像，能准确反映作物本身的光谱特征和作物间的光谱差异，用于作物种类的鉴别，在目前的研究中，常采用光谱角度分析法和决策树分类法来确定高光谱作物的识别。由于太阳辐射强度、地形和反照率等因素对光谱角无害，因此可以采用基于光谱角的作物识别方法来降低这种外部噪声的影响，获得更精确的分类结果。根据作物病害-高光谱图像实体模型的建立和光谱角度识别方法的融合，在区分病小麦和健康小麦方面取得了较好的效果。同时，越来越多的实践经验证明，综合光谱特征和时间序列分析信息可以更准确地识别作物，因此，充分利用多源高光谱遥感影像区域作物识别是一个重要发展趋势。

3 农业高光谱遥感技术应用存在的问题

3.1 光谱响应机理问题

高光谱技术目前的性能是根据光谱曲线图和相关特性的主要参数对作物的一些主要理化参数进行反演，然而，这种逆变技术是光谱特性与主要作物参数之间相关性的一种外在表现，需要进一步讨论与两者相关的基本反应原理。作物配备了复杂的生理代谢系统，体内的各种成分之间有着特殊的关系系统，作物在不同养分含量状态下的谱系会在某些种群带上存在差异，但这些差异可能无法通过缺乏某些类型的因素来表达。植物细胞的调节机制在缺乏某种元素时会引起相关的生理需要，进而引起体内其他物质的产生或分解，从而对作物的光谱曲线造成新的影响，因此，在对作物光谱特性进行研究的情况下，有必要深入分析其生理调控机制；通过内部原理发现高光谱信息将有助于进一步完善高光谱反演技术的模型。

3.2 多因素综合影响问题

目前对高光谱逆变技术实体模型的研究是基于数理统计的，主要是在数据统计中寻找反射光谱与作物指标值之间的相关性。但是，这样的数据分析存在产品局限性，如光谱自变量内的过拟合、作物自身生理调控机制作用下成分间的相关性分析、数据测量的变异性偏差等。现阶段分析构建的高光谱遥感技术逆变技术物理模型大多只是比较简单地考虑了光谱曲线与作物参数之间的关系，针对作物种类、生长及其外部性，考虑到自然环境、土壤环境、环境空气等要素中存在的问题，因此，综合考虑多种性质，外界因素相互干扰下的频谱特性曲线图逆变技术物理模型可能是当前基础理论必须完善的一个层次。

3.3 同物异谱、同谱异物问题

目前，光学资源遥感图像主要用于农作物的识别，但是，充分考虑到作物生长发育环境的多样性，许多易感病作物和不易感病的作物很可能会导致非常相似的结果，它们的光谱特征很可能非常相似；一些作物虽然患有相同的疾病，但它们的光谱特征也可能不同。因此，在整个遥感技术成像过程中，“同物异谱”和“同谱异物”的情况非常广泛，提高识别精度的难度越来越大。在这种情况下，需要进一步挖掘光谱中的合理信息，获取特征库存波段，利用遥感影像紧密融合的方法来缓解“同物异谱”和“同物异谱”的差异，后续的研究必须提高遥感图像结合技术的使用，为高光谱地理信息系统的逆变技术检测作物主要参数的准确性奠定基础。

4 农业高光谱遥感技术应用展望

4.1 地面遥感与高空遥感集成应用

现阶段，各国有关专家利用高光谱地理信息系统开展了大量农情检测研究，但并未真正应用于农牧业实践，主要因素之一是所选光学遥感的安全性受温度等因素影响较大，近地遥感影像仅采集部分作物的生长发育信息，这也造成了实体模型本身的局限性。未来可以考虑提高高空遥感技术与道路遥感技术的紧密结合，利用不同控制器的统计数据，在空间、频谱、极化等领域发展互利共赢，进而完成应用的数据预处理。根据评价数据信息对遥感技术识别结果进行多元线性回归分析，校准利用遥感影像分类方法进行作物品种识别结果的简便性，提高作物识别精度和实体模型的稳定性。

4.2 推动农作物的光谱数据库建设

光谱库是由高光谱传感器在一定标准下测量的各种反射面光谱数据信息的组合，能够准确解读遥感影像信息，快速完成未知轮廓的配对，提升遥感技术的分类识别能力。因此，基于高光谱地理信息系统采集的海量数据信息，创建作物光谱数据库查询，应用优秀的电子信息技术对这些信息进行存储、管理和研究，有利于提高分析分辨率水平，遥感技术信息使其能够得到更高效的利用，根据农牧业应用中的光谱数据库，有助于综合比较不同等高线之间的光谱差异，或总结同一等高线在不同标准下的光谱基因变异规律，在此基础上，提高信息获取模型的准确性和适用性。

4.3 采用微小卫星获取高光谱影像

感官图像的空间分辨率和时间分辨率的提高可以显著提高作物检测的精度，但结果是价格的增加，据调查，在我国农业遥感技术信息站系统中，较大的费用是采样费用和遥感影像购买费用，各占总费用的30%左右，有必要开发一种更适合农牧业作物检测、符合我国农牧业发展现状的高光谱遥感技术监测系统。随着通信卫星建设技术的不断发展和完善，价格低廉、性价比高、功能独特、发射方便快捷的新型小型通信卫星为我国的建设提供了新的思路。例如，河南省科技厅和中科院上海微通信卫星项目核心单位研制的微、中、小型通信卫星，可以获得高空间分辨率、时间分辨率和高光谱成本可控的遥感图像，为作物多时相分类及其生长发育检测提供可靠的信息服务项目。

4.4 加强光谱数据中的农情信息挖掘

高光谱地理信息系统具有分辨率高、波段持续性强、光谱信息量大等特点，可以同时对等高线上的极微弱光谱差异进行定性分析，主要应用于农业远程传感检测和使用。然而，同时，获得的作物的光谱反射信息分散在多达几个光谱带中，为应对空间的高维光谱特性，主要参数实体模型反演的关键是在多波段中选取一小部分关键信息。实体模型更具经验性，同时其实用性和可移植性较弱，随着数据挖掘技术的不断发展，越来越多的研究逐渐开始根据优化算法从大量光谱数据信息中检索隐藏的信息。这是因为数据挖掘并不是为了更好地取代传统的数据分析技术，相反，它是数据分析方法论的拓宽和扩展，如何选择数据挖掘技术，灵活利用高光谱数据信息和多维信息的变化趋势，对作物主要参数进行深入探索，可能是开发新型光谱反演实体模型的关键方法。

5 结语

高光谱遥感技术在粮食作物生化参数反演技术、农业生产检测、农业信息检测等方面取得了显著的成果，但现有的研究多以各参数间的测量信息和统计分析为主。近年来，随着传感器技术、人工智能技术的发展以及高光谱通信卫星的不断发射，农牧业高光谱遥感技术最终将以高光谱技术为特色，多方位高光谱遥感技术、航天高光谱遥感技术、高光谱图像与人工智能技术共享等已取得快速发展，将更有利于推动高光谱遥感技术服务于农业生产。