農(nóng)作物冠層光譜分析及反演技術(shù)綜述

李 月，何宏昌，王曉飛，張國(guó)民

(1. 黑龍江大學(xué)，黑龍江 哈爾濱 150001； 2. 中國(guó)科學(xué)院北方粳稻分子育種聯(lián)合研究中心，黑龍江 哈爾濱 150001)

綠色植被吸收紅光和藍(lán)光，而對(duì)近紅外光則有較強(qiáng)的反射性。充分利用作物在可見光及近紅外波段冠層光譜反射率的差異，將各波段反射率進(jìn)行組合，可估計(jì)作物的氮含量、葉綠素濃度、葉面積指數(shù)等生物物理參數(shù)，實(shí)現(xiàn)定量遙感?；谵r(nóng)作物冠層光譜特征對(duì)生物及結(jié)構(gòu)變量進(jìn)行反演的定量遙感技術(shù)具有實(shí)時(shí)、快速和無損、準(zhǔn)確等優(yōu)點(diǎn)，在農(nóng)業(yè)上得到了廣泛應(yīng)用，如通過分析作物冠層光譜反射率可獲得長(zhǎng)勢(shì)信息，并根據(jù)長(zhǎng)勢(shì)信息進(jìn)行施肥指導(dǎo)，使得作物對(duì)養(yǎng)分的需求量與土壤中的養(yǎng)分含量相匹配，減少化肥施用量。研究表明，基于冠層光譜分析的精準(zhǔn)施肥可使氮肥利用率最高達(dá)到368%，施肥量減少10%～80%，土壤中氮?dú)埩魷p少30%～50%[1]。另外，通過分析冠層光譜可反演受病害及蟲害作物的葉面積指數(shù)及葉綠素含量，測(cè)定受害等級(jí)，是病蟲害進(jìn)行早期預(yù)警、控制病蟲害蔓延和產(chǎn)量損失的有效方法。

本文首先綜述國(guó)內(nèi)外用于作物冠層光譜反射率采集常用的儀器及采集方法，對(duì)地面、機(jī)載及遙感衛(wèi)星3個(gè)層面冠層反射率采集方法的優(yōu)缺點(diǎn)進(jìn)行對(duì)比；其次給出植被指數(shù)構(gòu)建原理及常用植被指數(shù)，分析基于物理模型的反演方法和基于統(tǒng)計(jì)的反演方法的復(fù)雜度和性能；最后提出農(nóng)作物冠層光譜分析及反演技術(shù)的下一步發(fā)展方向及面臨的挑戰(zhàn)。

1 冠層光譜反射率采集方法

本文從冠層光譜反射率進(jìn)行采集的3個(gè)層面進(jìn)行綜述，即地面光譜采集、機(jī)載光譜采集和衛(wèi)星遙感數(shù)據(jù)。下文分別對(duì)這3個(gè)采集層面進(jìn)行分析及比較。

1.1 地面光譜采集

ASD公司是地面高光譜傳感器的最大廠商之一。ASD FieldSpec Pro VNIR傳感器在光譜采集中應(yīng)用廣泛，其可測(cè)量頻譜范圍為350～1050 nm，最小測(cè)量間隔為1.4 nm，文獻(xiàn)[2]利用該儀器采集了38塊大麥地的高光譜圖像，并利用測(cè)得的高光譜分析葉片氮濃度。JAZ便攜式光譜儀的可測(cè)量頻譜范圍為400～900 nm，測(cè)量間隔為0.3 nm。文獻(xiàn)[3]在25°視場(chǎng)角、距離冠層高度40～50 cm的條件下對(duì)冬小麥的冠層進(jìn)行了高光譜拍攝，用于對(duì)冬小麥的氮吸收量和產(chǎn)量進(jìn)行分析。上述兩種傳感器都是被動(dòng)式傳感器，可測(cè)得整個(gè)可見光至近紅外波段的高光譜反射率，而Trimble公司的GreenSeeker傳感器則是一種主動(dòng)式傳感器，可發(fā)射774 nm近紅外光和656 nm紅光，捕獲作物反射來的光線，通過微處理器分析處理提供植被歸一化指數(shù)(NDVI)和植被等物質(zhì)的紅光與近紅外的比值[4]，其地面采集精度最高，但缺點(diǎn)是采集范圍有限，適合邊采集邊決策的模式。

1.2 機(jī)載光譜采集

為了獲取更大范圍農(nóng)田作物的光譜反射率，高光譜和多光譜儀被搭載到飛機(jī)上進(jìn)行拍攝。文獻(xiàn)[5]采用機(jī)載高光譜儀對(duì)玉米冠層進(jìn)行拍攝，無人機(jī)的飛行高度為300 m，搭載的高光譜儀Micro-Hyperspec VNIR有260個(gè)波段。筆者對(duì)基于機(jī)載高光譜圖像反演的氮含量和基于地面高光譜儀反演的氮含量進(jìn)行了比較，證明兩者的估算準(zhǔn)確度相當(dāng)。文獻(xiàn)[6]將中國(guó)科學(xué)院上海技術(shù)物理研究所研發(fā)的推帚式高光譜成像儀PHI搭載在Yun-5號(hào)飛機(jī)上，利用拍攝的高光譜圖像對(duì)冬小麥的冠層氮含量進(jìn)行估計(jì)。PHI高光譜儀的光譜范圍為400～850 nm，光譜分辨率為5 nm，高光譜影像分辨率為1 m，飛行高度為1000 m。文獻(xiàn)[7]用德國(guó)航空公司的飛機(jī)搭載HySpex傳感器系統(tǒng)，該傳感器系統(tǒng)包括兩個(gè)光譜儀，一個(gè)是波段為400～1000 nm、光譜分辨率為3.7 nm、空間分辨率為1.65 m的VNIR，另一個(gè)是波段為1000～2500 nm、光譜分辨率為6 nm、空間分辨率為3.3 m的SWIR，共計(jì)416個(gè)波段[7]。

隨著無人機(jī)技術(shù)的發(fā)展，近幾年用無人機(jī)搭載光譜儀進(jìn)行冠層光譜分析的研究也越來越多，由于無人機(jī)可承載重量受限，其搭載的多為多光譜儀。文獻(xiàn)[8]用DJI S1000無人機(jī)搭載數(shù)碼相機(jī)和多光譜儀對(duì)草坪進(jìn)行了拍攝，并基于多光譜影像對(duì)草坪的氮含量進(jìn)行了反演，證明機(jī)載多光譜影像完全可以體現(xiàn)草坪草長(zhǎng)勢(shì)的空間差異性，為差異性管理提供決策。無人機(jī)飛行高度為50 m，多光譜影像的分辨率為5 cm。搭載的多光譜儀的3個(gè)工作波段為520～600 nm的綠光波段、630～690 nm的紅光波段和760～900 nm的近紅外波段[8]。文獻(xiàn)[9]采用Atmos-6無人機(jī)搭載VEGCAM-Pro光譜儀，光譜儀的3個(gè)工作頻段為525～575 nm的綠光波段、615～685 nm的紅光波段和755～805 nm的近紅外波段，無人機(jī)飛行高度為180 m。機(jī)載高光譜儀對(duì)作物進(jìn)行觀測(cè)并反演時(shí)，精度甚至可以與地面光譜儀相當(dāng)，而且與地面采集方式相比可擴(kuò)大覆蓋范圍，但存在的問題是成本太高。

1.3 星載光譜采集

近幾年來，隨著衛(wèi)星技術(shù)的發(fā)展，衛(wèi)星的空間分辨率越來越高，回訪周期越來越短，Sentinel-2和RapidEye衛(wèi)星還專門推出了用于綠色植被研究的紅邊波段，使得利用遙感影像對(duì)作物長(zhǎng)勢(shì)進(jìn)行估計(jì)的精度大大提高，因此基于衛(wèi)星遙感影像進(jìn)行農(nóng)作物生物物理參數(shù)反演的研究逐漸增多。文獻(xiàn)[10]指出遙感得到的作物光譜特性已經(jīng)被成功用于估計(jì)作物生物物理參數(shù)，如QuickBird衛(wèi)星、Sentinel-2衛(wèi)星、RapidEye衛(wèi)星、Landsat衛(wèi)星等都已被用于作物生物物理參數(shù)的估計(jì)。有研究者基于Sentinel-2數(shù)據(jù)及PROSPECT5-4SAIL模型數(shù)據(jù)，建立敏感植被指數(shù)和葉綠素密度之間的回歸關(guān)系。仿真結(jié)果表明基于Sentinel-2衛(wèi)星數(shù)據(jù)可以很好地將作物的葉綠素含量估計(jì)出來，估計(jì)誤差為4～5 μg/cm2，這同基于高光譜儀器估計(jì)的誤差數(shù)值是相當(dāng)?shù)?。文獻(xiàn)[11]利用RapidEye衛(wèi)星的多光譜波段構(gòu)建了24個(gè)植被指數(shù)測(cè)量小麥的變量施肥響應(yīng)，并用ASD FieldSpec手持式光譜儀拍攝的光譜反射率數(shù)據(jù)對(duì)衛(wèi)星數(shù)據(jù)進(jìn)行了校正。星載光譜采集成本最低，但其精度也是3種方式中最低的。近幾年隨著衛(wèi)星技術(shù)的發(fā)展，精度問題也逐步得到解決。

2 農(nóng)作物生物物理參數(shù)反演方法

根據(jù)從光學(xué)傳感器采集到的植被冠層反射率對(duì)作物生物物理參數(shù)(氮含量、葉面積指數(shù)或葉綠素含量)進(jìn)行估計(jì)有兩種方法，一種是基于物理模型的反演，另一種是基于光譜反射率(或植被指數(shù))與生物物理參數(shù)之間的統(tǒng)計(jì)關(guān)系，兩種方法都需要根據(jù)敏感波段構(gòu)建植被指數(shù)。

2.1 植被指數(shù)

作物綠色葉片的反射光譜具有如下特征：在可見光區(qū)域，其反射率主要受各種色素的支配，可見光大部分被葉片吸收，反射率較??；在近紅外區(qū)域，受葉片細(xì)胞結(jié)構(gòu)的影響，葉片的反射率較大而吸收很少[12]?？梢姡魑镩L(zhǎng)勢(shì)變量與可見光/近紅外波段的冠層反射率之間存在著很強(qiáng)的相關(guān)性。因此，可以根據(jù)作物在可見光波段及近紅外波段光譜反射率的變化來對(duì)其葉綠素含量、氮含量和葉面積指數(shù)進(jìn)行估計(jì)。綠色植被光譜反射曲線還有一個(gè)重要的特征就是存在“紅邊”，即反射曲線從紅光波段到近紅外波段變化的過程中存在一個(gè)上升沿。隨著施氮量的增加，作物冠層反射光譜的紅邊位置、紅邊面積和紅邊幅值都發(fā)生變化，出現(xiàn)明顯的“紅移”現(xiàn)象[12]。因此，另一類構(gòu)建植被指數(shù)的方法是基于紅邊特征的方法。

有些文獻(xiàn)設(shè)計(jì)了多種植被指數(shù)，并分別建立植被指數(shù)與LAI之間的回歸關(guān)系，如文獻(xiàn)[13]建立了加權(quán)差分植被指數(shù)WDVI、最優(yōu)土壤調(diào)節(jié)植被指數(shù)TCARI/OSAVI、葉綠素植被指數(shù)CVI、葉綠素指數(shù)CIgreen、紅邊指數(shù)CIred-edge等多種植被指數(shù)與LAI之間的回歸關(guān)系，并證明Sentinel-2衛(wèi)星影像數(shù)據(jù)可以用于對(duì)葉面積指數(shù)LAI的反演。除了對(duì)葉面積指數(shù)進(jìn)行估計(jì)，基于統(tǒng)計(jì)的反演方法在葉綠素含量估計(jì)和氮含量估計(jì)中應(yīng)用更廣泛。文獻(xiàn)[14]采用主成分分析法來選取更能代表氮含量的光譜反射率，然后建立所選取光譜反射率與作物氮含量之間的線性回歸方程，并采用決策樹分類算法直接對(duì)光譜主成分進(jìn)行分類，得到作物氮含量所在區(qū)間。文獻(xiàn)[15]基于機(jī)載多光譜數(shù)據(jù)，分別計(jì)算NDVI(normalized difference vegetation index)、GNDVI(green normalized difference vegetation index)、SRPIb(simple ratio pigment index)這3個(gè)植被指數(shù)與葉片氮含量及作物氮含量間的相關(guān)系數(shù)。計(jì)算結(jié)果表明SRPIb與葉片氮含量之間的相關(guān)性最大，為0.7，且這種相關(guān)性與澆水、施氮量無關(guān)。NDVI、GNDVI與冠層氮含量之間的相關(guān)性較好，分別為0.7和0.64，但其相關(guān)性與澆水、施氮量有關(guān)[15]。

2.2 基于物理模型的反演方法

基于物理模型的方法認(rèn)為冠層光譜反射率是葉片結(jié)構(gòu)參數(shù)和生物化學(xué)參數(shù)的函數(shù)，通過建立冠層輻射傳輸方程，并對(duì)光譜反射率進(jìn)行逆變換即可求得氮含量、葉面積指數(shù)和葉綠素含量等參數(shù)。在各種物理模型中應(yīng)用最廣泛的是PROSAIL模型。PROSAIL輻射傳輸模型耦合了葉片光學(xué)特性模型PROSPECT和冠層反射率模型SAIL，并考慮土壤的非朗伯特性、葉片的鏡面反射、植被冠層的熱點(diǎn)效應(yīng)及葉傾角分布情況，因此能很好地描述均勻植被冠層的反射特性，從而使模型具有良好的模擬結(jié)果[16]。有研究結(jié)果表明利用PROSAIL輻射傳輸模型對(duì)作物的葉面積指數(shù)、葉綠素含量、氮含量、等效葉片含水量等生物量進(jìn)行反演時(shí)，對(duì)葉面積指數(shù)的估計(jì)精度是最高的[17]，因此PROSAIL模型對(duì)葉面積指數(shù)的估計(jì)最廣泛?；诠趯臃瓷湮锢砟Ｐ偷姆囱莘椒ù嬖谥獾牟晃ㄒ恍?，即不同的輸入?yún)?shù)組合(葉面積指數(shù)、天氣、拍攝角度等)會(huì)得到類同的冠層反射率，因此從所測(cè)得的冠層反射率無法反演出唯一的輸入值。此外，反演方法的計(jì)算復(fù)雜度高，這也限制了基于物理模型反演方法的使用。

2.3 基于統(tǒng)計(jì)的反演方法

基于統(tǒng)計(jì)的反演方法認(rèn)為冠層光譜反射率和作物的氮含量、葉面積指數(shù)和葉綠素含量等生物物理參數(shù)之間存在著一定的相關(guān)性，首先通過相關(guān)性分析確定和生物物理參數(shù)相關(guān)性最大的波段作為敏感波段，并通過敏感波段的組合設(shè)計(jì)植被指數(shù)，然后建立植被指數(shù)與作物生物物理參數(shù)之間的回歸關(guān)系。下面分別對(duì)常用的植被指數(shù)和回歸關(guān)系建立方法進(jìn)行論述。

(1) 線性和非線性回歸。線性回歸和非線性回歸是建立光譜反射率和作物長(zhǎng)勢(shì)變量之間關(guān)系的最基本方法，在氮含量、葉面積指數(shù)及冠層葉綠素含量反演中應(yīng)用最為廣泛，其中非線性回歸包括指數(shù)回歸、冪次回歸、對(duì)數(shù)回歸和二次多項(xiàng)式回歸。文獻(xiàn)[18]采用多種植被指數(shù)和多種線性/非線性回歸關(guān)系對(duì)葉綠素含量進(jìn)行反演，其線性回歸的決定系數(shù)R2值最高可達(dá)0.89，非線性回歸的決定系數(shù)R2值最高可達(dá)0.91。文獻(xiàn)[19]采用多線性回歸和最小均方線性回歸兩種方法建立不同波段反射率和LAI之間的回歸關(guān)系，并證明多線性回歸方法獲得的性能更優(yōu)。對(duì)于雨水地回歸得到的R2=0.736，RMSE=1.169；對(duì)于灌溉地回歸得到的R2=0.716，RMSE=1.059。

(2) 機(jī)器學(xué)習(xí)。近幾年機(jī)器學(xué)習(xí)算法方興未艾并應(yīng)用于定量遙感領(lǐng)域中，用于對(duì)作物生物量進(jìn)行反演。最常用的機(jī)器學(xué)習(xí)回歸算法有3種，分別為人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林。人工神經(jīng)網(wǎng)絡(luò)被看作是由許多小單元組成的高度平行的動(dòng)態(tài)系統(tǒng)，通過對(duì)輸入信息的狀態(tài)反應(yīng)來執(zhí)行傳輸。網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)對(duì)反演算法的復(fù)雜度影響很大，假如網(wǎng)絡(luò)太復(fù)雜，它雖然能完美地學(xué)習(xí)訓(xùn)練集，但普適性很差，存在過擬合的現(xiàn)象。近幾年有很多學(xué)者基于人工神經(jīng)網(wǎng)絡(luò)建立反射率和生物物理變量之間的關(guān)系。文獻(xiàn)[22]基于Sentinel-2和Sentinel-3的4種數(shù)據(jù)S2-10 m(第4波段)、S2-20 m(第8波段)、S2-60 m(第10波段)和S3-300 m(第19波段)，采用神經(jīng)網(wǎng)絡(luò)、支持向量回歸、基于核方法的嶺回歸、高斯過程回歸4種回歸方法對(duì)葉綠素進(jìn)行了反演，其中高斯過程回歸方法性能最優(yōu)，對(duì)模型進(jìn)行驗(yàn)證時(shí)RMSE精度可達(dá)20%。

與基于物理模型的方法相比，基于統(tǒng)計(jì)的方法雖然簡(jiǎn)單，但也存在著缺點(diǎn)：一方面選取的植被指數(shù)種類繁多；另一方面每篇文獻(xiàn)建立的回歸關(guān)系依賴于作物種類、所選訓(xùn)練集、傳感器類型，其使用具有很強(qiáng)的局限性。

3 結(jié)語與展望

隨著科技的發(fā)展和進(jìn)步，基于農(nóng)作物冠層光譜分析的定量遙感技術(shù)必將在農(nóng)業(yè)生產(chǎn)的各個(gè)領(lǐng)域中發(fā)揮重要作用，為精準(zhǔn)施肥、精準(zhǔn)撒藥、病蟲害預(yù)警、產(chǎn)量預(yù)測(cè)等操作提供指導(dǎo)，但從目前的研究現(xiàn)狀看，還需要在以下幾方面加強(qiáng)研究：

(1) 空間分辨率高、光譜分辨率高的遙感衛(wèi)星。當(dāng)前免費(fèi)的遙感衛(wèi)星提供的是空間分辨率較低的多光譜數(shù)據(jù)，使得遙感信息和作物葉面積指數(shù)的對(duì)應(yīng)關(guān)系精度不高，從遙感信息獲取作物葉面積指數(shù)等信息時(shí)準(zhǔn)確度不高，因此需要提高遙感衛(wèi)星的空間分辨率和光譜分辨率。另外，無人機(jī)的迅速發(fā)展使得機(jī)載高光譜拍攝逐漸走入市場(chǎng)，但目前成本過高，不適于農(nóng)場(chǎng)使用，需要逐步降低價(jià)格。

(2) 更精確、通用的光譜反射率模型?，F(xiàn)有光譜反射率物理模型缺乏通用性且精確度不高，多數(shù)模型只適用于某種氣候條件下的某種作物，而且模型精度有待提高；而有些模型需要的變量過多,無法實(shí)際應(yīng)用，模型需要進(jìn)一步簡(jiǎn)單化和智能化，通過參數(shù)配置以適用于不同作物。

(3) 更精確的反演算法?，F(xiàn)有基于統(tǒng)計(jì)學(xué)的算法對(duì)作物品種、作物生長(zhǎng)條件依賴性較強(qiáng)，而且受統(tǒng)計(jì)訓(xùn)練集的影響通用性差，需要結(jié)合物理模型和統(tǒng)計(jì)學(xué)方法研究實(shí)用的綜合反演法。