張 偉

（寧夏農(nóng)業(yè)勘查設(shè)計(jì)院，寧夏回族自治區(qū) 銀川 750002）

在農(nóng)業(yè)遙感應(yīng)用中，特別是在作物生長(zhǎng)評(píng)價(jià)、災(zāi)害檢測(cè)和農(nóng)業(yè)管理方面，利用高光譜遙感影像可以準(zhǔn)確反映田間作物的光譜特征及其中間光譜差異，并能更準(zhǔn)確獲取一些醫(yī)學(xué)信息，如作物水分含量、光合強(qiáng)度、葉面積指數(shù)LAI（Leaf Area Index）等生態(tài)物理主要參數(shù)，進(jìn)而預(yù)測(cè)和分析作物生長(zhǎng)和產(chǎn)量。

1 農(nóng)業(yè)高光譜遙感應(yīng)用原理

不同的作物具有多種理化性質(zhì)，具體表現(xiàn)在葉肉細(xì)胞、葉片翠綠成分、葉片結(jié)構(gòu)、葉片含水量等層次。這種差異雖然肉眼看不到，但可以通過(guò)參與光譜反射面規(guī)律性進(jìn)行科學(xué)分析。例如，可見(jiàn)光原料波段的光譜透射率主要受包括葉綠素在內(nèi)的各種色斑的影響，而近紅外光譜儀原料波段的透射率則受葉片水分含量、氮元素等因素的影響。因此，作物的基本光譜特征是當(dāng)今快速獲取農(nóng)業(yè)信息的關(guān)鍵途徑，對(duì)智慧農(nóng)業(yè)具有關(guān)鍵的現(xiàn)實(shí)意義。基于高光譜遙感技術(shù)的作物檢測(cè)的基本任務(wù)是選擇合適的檢測(cè)指標(biāo)值，進(jìn)而對(duì)作物特性進(jìn)行準(zhǔn)確、快速、大范圍的檢測(cè)[1]。葉面積指數(shù)LAI（leaf area index）是與作物生長(zhǎng)的個(gè)體特征和種群特征相關(guān)的綜合指數(shù)值。無(wú)論哪種類型，都有統(tǒng)一性。這也是利用葉面積指數(shù)檢測(cè)增益的基礎(chǔ)。歸一化V-植被指數(shù)NDVI（Normalized Difference Vegetation Inde）是與葉面積指數(shù)LAI、植被覆蓋度、生長(zhǎng)發(fā)育水平、土壤含水量等相關(guān)的綜合主要參數(shù)。溫度條件指數(shù)TCI（Temperature Condition Index）用于反映地溫，可以更直觀地反映干旱的發(fā)生、發(fā)展趨勢(shì)和完成情況。植被狀況指數(shù)VSI（Vegetation Status Index）用于反映植物群落的身心健康狀況，可以反映同一生理時(shí)期植物群落的發(fā)展情況[2]。歸一化水體指數(shù)NDWI（normalized difference water index）利用綠色種群中的水質(zhì)和近紅外光譜儀明顯的反射面差異來(lái)獲取水質(zhì)信息，可以靈敏地反映植物群落冠層水的組成。紅邊圖包含了大量關(guān)于植物群落的信息，其光譜特征具有較強(qiáng)的主要表現(xiàn)能力，因此可以從紅邊光譜圖中獲取特征參數(shù)。

2 高光譜技術(shù)在農(nóng)業(yè)遙感應(yīng)用中的研究現(xiàn)狀

2.1 作物葉片光譜特征研究

作物的葉片光譜特征與作物的生長(zhǎng)發(fā)育狀況直接相關(guān)，包括光譜透射率的變化對(duì)作物有機(jī)化學(xué)成分的敏感性變化，以及土壤水分威脅下對(duì)作物生長(zhǎng)發(fā)育的損害等。正常情況下，作物光譜的紅色邊緣部分與作物的光合強(qiáng)度等具有中等相關(guān)性。使用成像光譜儀從400 nm 分析水分威脅標(biāo)準(zhǔn)下水稻的光譜特征和反射面的工作能力到1 900 nm 的庫(kù)存波段，發(fā)現(xiàn)可以檢測(cè)到近紅外光譜儀中紅外庫(kù)存波段透光率與一階微分函數(shù)進(jìn)行變換處理，從而獲得圖譜。在早期，水稻冠層的含水量威脅到效果的傷害；分析了油菜葉片的光譜變換特征，建立了基于紅邊綠峰的葉綠素定性分析模型，為作物生長(zhǎng)信息的獲取提供了良好的參考效果[3]。

2.2 作物分類與識(shí)別

在農(nóng)業(yè)遙感應(yīng)用中，對(duì)農(nóng)作物進(jìn)行準(zhǔn)確分類識(shí)別是開(kāi)展農(nóng)牧業(yè)災(zāi)害檢測(cè)與生產(chǎn)評(píng)估的關(guān)鍵步驟，多時(shí)相高光譜數(shù)據(jù)信息可以區(qū)分作物更小的光譜差異，檢測(cè)更窄光譜中作物的轉(zhuǎn)化，進(jìn)而準(zhǔn)確分類獲取作物信息?，F(xiàn)階段應(yīng)用最廣泛的高光譜作物分類方法包括光譜角度分類、決策樹(shù)算法層次分類等。

2.3 作物生態(tài)物理參數(shù)反演與提取

作物生態(tài)物理的主要參數(shù)包括作物水分、光合強(qiáng)度等表達(dá)醫(yī)學(xué)信息的參數(shù)?，F(xiàn)階段，高光譜遙感影像反演技術(shù)和獲取作物生態(tài)物理主要參數(shù)的方法主要有以下3 種：①利用多元線性回歸方法創(chuàng)建高光譜數(shù)據(jù)信息（初始透射率、光譜微分等）與作物醫(yī)療信息主要參數(shù)之間的相關(guān)性；②建立光譜特征光譜指標(biāo)值與作物水分等醫(yī)學(xué)信息之間的工作經(jīng)驗(yàn)方程；③創(chuàng)建概念模型，逆向技術(shù)，獲取作物的主要參數(shù)[4]。

2.4 營(yíng)養(yǎng)診斷

農(nóng)業(yè)中常用的氮、磷、鉀養(yǎng)分，由于此類礦物元素組成的變化會(huì)引起作物葉片結(jié)構(gòu)和葉片形狀的變化，因此最容易被作物的光譜反射信息捕捉到，這也是選用高光譜技術(shù)確認(rèn)作物營(yíng)養(yǎng)成分信息的理論來(lái)源。近年來(lái)，國(guó)內(nèi)外專家學(xué)者對(duì)氮與高光譜的相關(guān)性進(jìn)行了大量分析，并取得了一定的成果。對(duì)夏玉米葉片的研究表明，作物的氮成分確實(shí)會(huì)損害相關(guān)的光譜反射曲線圖，這為基于光譜信息的氮反演技術(shù)帶來(lái)了巨大的可能性，也有專家學(xué)者基于光譜變換的概念，利用光譜消解吸收特征法估算葉片中的碳含量，獲得了較高的估算精度[5]。研究強(qiáng)調(diào)磷和鋅，鋅的成分會(huì)直接影響綠色植物生理系統(tǒng)軟件中黑色素的調(diào)節(jié)。在一系列元素的綜合干擾下，光譜透過(guò)率的變化趨勢(shì)不如氮明顯，從而提升了光譜特性。曲線比較復(fù)雜，需要綜合考慮很多因素，才能得到更準(zhǔn)確的頻譜逆變技術(shù)結(jié)果。

2.5 物種識(shí)別

高光譜遙感技術(shù)可以獲得從紫外到中紅外的圖像，非常窄且連續(xù)的光譜圖像，能準(zhǔn)確反映作物本身的光譜特征和作物間的光譜差異，用于作物種類的鑒別，在目前的研究中，常采用光譜角度分析法和決策樹(shù)分類法來(lái)確定高光譜作物的識(shí)別。由于太陽(yáng)輻射強(qiáng)度、地形和反照率等因素對(duì)光譜角無(wú)害，因此可以采用基于光譜角的作物識(shí)別方法來(lái)降低這種外部噪聲的影響，獲得更精確的分類結(jié)果。根據(jù)作物病害-高光譜圖像實(shí)體模型的建立和光譜角度識(shí)別方法的融合，在區(qū)分病小麥和健康小麥方面取得了較好的效果。同時(shí)，越來(lái)越多的實(shí)踐經(jīng)驗(yàn)證明，綜合光譜特征和時(shí)間序列分析信息可以更準(zhǔn)確地識(shí)別作物，因此，充分利用多源高光譜遙感影像區(qū)域作物識(shí)別是一個(gè)重要發(fā)展趨勢(shì)。

3 農(nóng)業(yè)高光譜遙感技術(shù)應(yīng)用存在的問(wèn)題

3.1 光譜響應(yīng)機(jī)理問(wèn)題

高光譜技術(shù)目前的性能是根據(jù)光譜曲線圖和相關(guān)特性的主要參數(shù)對(duì)作物的一些主要理化參數(shù)進(jìn)行反演，然而，這種逆變技術(shù)是光譜特性與主要作物參數(shù)之間相關(guān)性的一種外在表現(xiàn)，需要進(jìn)一步討論與兩者相關(guān)的基本反應(yīng)原理。作物配備了復(fù)雜的生理代謝系統(tǒng)，體內(nèi)的各種成分之間有著特殊的關(guān)系系統(tǒng)，作物在不同養(yǎng)分含量狀態(tài)下的譜系會(huì)在某些種群帶上存在差異，但這些差異可能無(wú)法通過(guò)缺乏某些類型的因素來(lái)表達(dá)。植物細(xì)胞的調(diào)節(jié)機(jī)制在缺乏某種元素時(shí)會(huì)引起相關(guān)的生理需要，進(jìn)而引起體內(nèi)其他物質(zhì)的產(chǎn)生或分解，從而對(duì)作物的光譜曲線造成新的影響，因此，在對(duì)作物光譜特性進(jìn)行研究的情況下，有必要深入分析其生理調(diào)控機(jī)制；通過(guò)內(nèi)部原理發(fā)現(xiàn)高光譜信息將有助于進(jìn)一步完善高光譜反演技術(shù)的模型。

3.2 多因素綜合影響問(wèn)題

目前對(duì)高光譜逆變技術(shù)實(shí)體模型的研究是基于數(shù)理統(tǒng)計(jì)的，主要是在數(shù)據(jù)統(tǒng)計(jì)中尋找反射光譜與作物指標(biāo)值之間的相關(guān)性。但是，這樣的數(shù)據(jù)分析存在產(chǎn)品局限性，如光譜自變量?jī)?nèi)的過(guò)擬合、作物自身生理調(diào)控機(jī)制作用下成分間的相關(guān)性分析、數(shù)據(jù)測(cè)量的變異性偏差等?，F(xiàn)階段分析構(gòu)建的高光譜遙感技術(shù)逆變技術(shù)物理模型大多只是比較簡(jiǎn)單地考慮了光譜曲線與作物參數(shù)之間的關(guān)系，針對(duì)作物種類、生長(zhǎng)及其外部性，考慮到自然環(huán)境、土壤環(huán)境、環(huán)境空氣等要素中存在的問(wèn)題，因此，綜合考慮多種性質(zhì)，外界因素相互干擾下的頻譜特性曲線圖逆變技術(shù)物理模型可能是當(dāng)前基礎(chǔ)理論必須完善的一個(gè)層次。

3.3 同物異譜、同譜異物問(wèn)題

目前，光學(xué)資源遙感圖像主要用于農(nóng)作物的識(shí)別，但是，充分考慮到作物生長(zhǎng)發(fā)育環(huán)境的多樣性，許多易感病作物和不易感病的作物很可能會(huì)導(dǎo)致非常相似的結(jié)果，它們的光譜特征很可能非常相似；一些作物雖然患有相同的疾病，但它們的光譜特征也可能不同。因此，在整個(gè)遙感技術(shù)成像過(guò)程中，“同物異譜”和“同譜異物”的情況非常廣泛，提高識(shí)別精度的難度越來(lái)越大。在這種情況下，需要進(jìn)一步挖掘光譜中的合理信息，獲取特征庫(kù)存波段，利用遙感影像緊密融合的方法來(lái)緩解“同物異譜”和“同物異譜”的差異，后續(xù)的研究必須提高遙感圖像結(jié)合技術(shù)的使用，為高光譜地理信息系統(tǒng)的逆變技術(shù)檢測(cè)作物主要參數(shù)的準(zhǔn)確性奠定基礎(chǔ)。

4 農(nóng)業(yè)高光譜遙感技術(shù)應(yīng)用展望

4.1 地面遙感與高空遙感集成應(yīng)用

現(xiàn)階段，各國(guó)有關(guān)專家利用高光譜地理信息系統(tǒng)開(kāi)展了大量農(nóng)情檢測(cè)研究，但并未真正應(yīng)用于農(nóng)牧業(yè)實(shí)踐，主要因素之一是所選光學(xué)遙感的安全性受溫度等因素影響較大，近地遙感影像僅采集部分作物的生長(zhǎng)發(fā)育信息，這也造成了實(shí)體模型本身的局限性。未來(lái)可以考慮提高高空遙感技術(shù)與道路遙感技術(shù)的緊密結(jié)合，利用不同控制器的統(tǒng)計(jì)數(shù)據(jù)，在空間、頻譜、極化等領(lǐng)域發(fā)展互利共贏，進(jìn)而完成應(yīng)用的數(shù)據(jù)預(yù)處理。根據(jù)評(píng)價(jià)數(shù)據(jù)信息對(duì)遙感技術(shù)識(shí)別結(jié)果進(jìn)行多元線性回歸分析，校準(zhǔn)利用遙感影像分類方法進(jìn)行作物品種識(shí)別結(jié)果的簡(jiǎn)便性，提高作物識(shí)別精度和實(shí)體模型的穩(wěn)定性。

4.2 推動(dòng)農(nóng)作物的光譜數(shù)據(jù)庫(kù)建設(shè)

光譜庫(kù)是由高光譜傳感器在一定標(biāo)準(zhǔn)下測(cè)量的各種反射面光譜數(shù)據(jù)信息的組合，能夠準(zhǔn)確解讀遙感影像信息，快速完成未知輪廓的配對(duì)，提升遙感技術(shù)的分類識(shí)別能力。因此，基于高光譜地理信息系統(tǒng)采集的海量數(shù)據(jù)信息，創(chuàng)建作物光譜數(shù)據(jù)庫(kù)查詢，應(yīng)用優(yōu)秀的電子信息技術(shù)對(duì)這些信息進(jìn)行存儲(chǔ)、管理和研究，有利于提高分析分辨率水平，遙感技術(shù)信息使其能夠得到更高效的利用，根據(jù)農(nóng)牧業(yè)應(yīng)用中的光譜數(shù)據(jù)庫(kù)，有助于綜合比較不同等高線之間的光譜差異，或總結(jié)同一等高線在不同標(biāo)準(zhǔn)下的光譜基因變異規(guī)律，在此基礎(chǔ)上，提高信息獲取模型的準(zhǔn)確性和適用性。

4.3 采用微小衛(wèi)星獲取高光譜影像

感官圖像的空間分辨率和時(shí)間分辨率的提高可以顯著提高作物檢測(cè)的精度，但結(jié)果是價(jià)格的增加，據(jù)調(diào)查，在我國(guó)農(nóng)業(yè)遙感技術(shù)信息站系統(tǒng)中，較大的費(fèi)用是采樣費(fèi)用和遙感影像購(gòu)買費(fèi)用，各占總費(fèi)用的30%左右，有必要開(kāi)發(fā)一種更適合農(nóng)牧業(yè)作物檢測(cè)、符合我國(guó)農(nóng)牧業(yè)發(fā)展現(xiàn)狀的高光譜遙感技術(shù)監(jiān)測(cè)系統(tǒng)。隨著通信衛(wèi)星建設(shè)技術(shù)的不斷發(fā)展和完善，價(jià)格低廉、性價(jià)比高、功能獨(dú)特、發(fā)射方便快捷的新型小型通信衛(wèi)星為我國(guó)的建設(shè)提供了新的思路。例如，河南省科技廳和中科院上海微通信衛(wèi)星項(xiàng)目核心單位研制的微、中、小型通信衛(wèi)星，可以獲得高空間分辨率、時(shí)間分辨率和高光譜成本可控的遙感圖像，為作物多時(shí)相分類及其生長(zhǎng)發(fā)育檢測(cè)提供可靠的信息服務(wù)項(xiàng)目。

4.4 加強(qiáng)光譜數(shù)據(jù)中的農(nóng)情信息挖掘

高光譜地理信息系統(tǒng)具有分辨率高、波段持續(xù)性強(qiáng)、光譜信息量大等特點(diǎn)，可以同時(shí)對(duì)等高線上的極微弱光譜差異進(jìn)行定性分析，主要應(yīng)用于農(nóng)業(yè)遠(yuǎn)程傳感檢測(cè)和使用。然而，同時(shí)，獲得的作物的光譜反射信息分散在多達(dá)幾個(gè)光譜帶中，為應(yīng)對(duì)空間的高維光譜特性，主要參數(shù)實(shí)體模型反演的關(guān)鍵是在多波段中選取一小部分關(guān)鍵信息。實(shí)體模型更具經(jīng)驗(yàn)性，同時(shí)其實(shí)用性和可移植性較弱，隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，越來(lái)越多的研究逐漸開(kāi)始根據(jù)優(yōu)化算法從大量光譜數(shù)據(jù)信息中檢索隱藏的信息。這是因?yàn)閿?shù)據(jù)挖掘并不是為了更好地取代傳統(tǒng)的數(shù)據(jù)分析技術(shù)，相反，它是數(shù)據(jù)分析方法論的拓寬和擴(kuò)展，如何選擇數(shù)據(jù)挖掘技術(shù)，靈活利用高光譜數(shù)據(jù)信息和多維信息的變化趨勢(shì)，對(duì)作物主要參數(shù)進(jìn)行深入探索，可能是開(kāi)發(fā)新型光譜反演實(shí)體模型的關(guān)鍵方法。

5 結(jié)語(yǔ)

高光譜遙感技術(shù)在糧食作物生化參數(shù)反演技術(shù)、農(nóng)業(yè)生產(chǎn)檢測(cè)、農(nóng)業(yè)信息檢測(cè)等方面取得了顯著的成果，但現(xiàn)有的研究多以各參數(shù)間的測(cè)量信息和統(tǒng)計(jì)分析為主。近年來(lái)，隨著傳感器技術(shù)、人工智能技術(shù)的發(fā)展以及高光譜通信衛(wèi)星的不斷發(fā)射，農(nóng)牧業(yè)高光譜遙感技術(shù)最終將以高光譜技術(shù)為特色，多方位高光譜遙感技術(shù)、航天高光譜遙感技術(shù)、高光譜圖像與人工智能技術(shù)共享等已取得快速發(fā)展，將更有利于推動(dòng)高光譜遙感技術(shù)服務(wù)于農(nóng)業(yè)生產(chǎn)。