小麥冠層光譜獲取及信息分析綜述

白 雪，段永紅

（山西農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，山西太谷030801）

小麥?zhǔn)鞘澜缟现匾募Z食之一，也是我國北方主要的糧食作物[1-2]。無論是從生態(tài)學(xué)還是經(jīng)濟(jì)學(xué)角度來說，小麥都有非常高的應(yīng)用和科研價(jià)值[3]。但是，不合理的施肥及管理措施的條件下，小麥的品質(zhì)和產(chǎn)量都大幅度降低和減少[4-6]。高光譜技術(shù)可以快速、無損監(jiān)測(cè)地面數(shù)據(jù)，且不受地形阻隔的影響。目前，該技術(shù)在農(nóng)業(yè)方面的應(yīng)用主要是利用遙感技術(shù)對(duì)作物進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并對(duì)作物某些特征參數(shù)進(jìn)行提取研究[7]。農(nóng)作物冠層光譜可以用來反映作物長勢(shì)信息，如葉綠素、葉面積指數(shù)以及含氮量等[8-9]，田間管理者根據(jù)長勢(shì)信息可以進(jìn)行合理的施肥等田間管理措施。因此，利用高光譜技術(shù)獲取作物冠層生長信息并進(jìn)行相應(yīng)的分析，建立相關(guān)模型，是監(jiān)測(cè)作物生長狀況或者對(duì)病蟲害進(jìn)行早期預(yù)警的有效方法。

筆者介紹了光譜數(shù)據(jù)的采集方式，并在此基礎(chǔ)上闡述了利用冠層光譜反映小麥的葉綠素含量、含氮量、葉面積指數(shù)等長勢(shì)信息，同時(shí)分析了光譜信息監(jiān)測(cè)小麥產(chǎn)量、籽粒及病害等，并指出了今后的研究方向，旨在為小麥冠層光譜的應(yīng)用提供幫助。

1 光譜數(shù)據(jù)采集

1.1 地面光譜數(shù)據(jù)采集

地面光譜數(shù)據(jù)的采集儀器有成像光譜儀和非成像光譜儀[10]。為了研究各種不同地物或環(huán)境在野外自然條件下的可見和近紅外波段的反射光譜，需要適用于野外測(cè)量的光譜儀器[11]。亓雪勇等[12]通過地物光譜儀測(cè)量太陽輻射來測(cè)算氣溶膠光學(xué)厚度,該方法可用于遙感數(shù)據(jù)大氣校正及大氣氣溶膠光學(xué)厚度的估算。姚霞等[13]利用成像光譜儀測(cè)不同年份、不同氮素水平、不同種植密度和不同品種類型的小麥冠層光譜，運(yùn)用連續(xù)投影算法分別提取目標(biāo)成分的特征波段，結(jié)合灰度共生矩陣構(gòu)建小麥冠層氮含量的最佳監(jiān)測(cè)模型。

1.2 機(jī)載光譜數(shù)據(jù)采集

近年來，無人機(jī)以其機(jī)動(dòng)靈活、操作簡便、按需獲取數(shù)據(jù)且分辨率高的優(yōu)勢(shì)，已成為農(nóng)情監(jiān)測(cè)的一項(xiàng)重要手段[14-15]。裴浩杰等[16]利用無人機(jī)高光譜影像反演綜合長勢(shì)指標(biāo)CGI（包括葉面積指數(shù)、葉綠素含量、植株含氮量、水分含量和生物量5 個(gè)指標(biāo)）,發(fā)現(xiàn)利用該指標(biāo)能夠判斷出小麥總體長勢(shì)差異，可為監(jiān)測(cè)小麥長勢(shì)提供參考。楊貴軍等[17]研發(fā)了一套農(nóng)業(yè)多載荷無人機(jī)遙感輔助小麥育種信息獲取系統(tǒng)，該系統(tǒng)提出了無地面控制點(diǎn)條件下的無人機(jī)遙感數(shù)據(jù)幾何精度校正模型，實(shí)現(xiàn)多載荷遙感數(shù)據(jù)幾何校正。

1.3 星載光譜數(shù)據(jù)采集

高光譜遙感技術(shù)的高空間分辨率、光譜分辨率、時(shí)間分辨率的“三高”新特征已經(jīng)越來越明顯，以適應(yīng)未來長期的精準(zhǔn)農(nóng)業(yè)、定量化土地監(jiān)測(cè)等新 應(yīng)用領(lǐng)域[18-19]。BAO 等[20]基于LANDSAT TM 和EOS-MODIS 高光譜影像，用最佳擬合方法建立了小麥生物量與最佳光譜參數(shù)之間的關(guān)系模型，估計(jì)生物量的最大均方根誤差為66.403 g/m2。BIKASH RANJAN 等[21]利用時(shí)間序列歸一化差分植被指數(shù)（NDVI）推導(dǎo)出小麥物候變量，同時(shí)結(jié)合長期已有的統(tǒng)計(jì)數(shù)據(jù)，建立了產(chǎn)量模型，該模型較精準(zhǔn)的預(yù)測(cè)了印度賈克漢德地區(qū)小麥產(chǎn)量。

2 小麥冠層生長信息監(jiān)測(cè)及應(yīng)用

2.1 小麥冠層生長信息監(jiān)測(cè)

2.1.1 葉綠素 葉綠素是光合作用過程中主要吸收光能的色素，其含量高低直接影響葉片光合作用中的光能利用[22]。農(nóng)作物葉片的葉綠素含量與葉片的凈光合速率、發(fā)育階段等具有良好的相關(guān)性，已經(jīng)成為了評(píng)價(jià)植被生長發(fā)育和營養(yǎng)狀況的指示器[23-25]。尼加提·卡斯木等[26]利用偏最小二乘回歸法（PLSR），結(jié)合16 個(gè)高光譜特征參數(shù)與葉綠素之間的相關(guān)性進(jìn)行了分析，并建模，研究發(fā)現(xiàn)820～940 nm 反射率總和決定系數(shù)達(dá)到最高（R2＝0.8），同時(shí)該波段所建立的PLSR 估算模型為最優(yōu)模型。鞠昌華等[27]研究了小麥單層及疊加葉片不同波長光譜反射率及12 種常用植被指數(shù)對(duì)葉綠素含量的響應(yīng)特征，其中，葉綠素吸收反射指數(shù)（TCARI）對(duì)單層葉片和不同疊加層數(shù)的葉片均有最好的預(yù)測(cè)能力，可以監(jiān)測(cè)小麥葉綠素含量，進(jìn)而評(píng)價(jià)其光合特性。梁亮等[28]通過分析18 種高光譜指數(shù)，篩選出可敏感表征葉綠素含量的指數(shù)REP，利用地面光譜數(shù)據(jù)為樣本，以最小二乘支持向量回歸算法構(gòu)建反演葉綠素含量的模型，其校正系數(shù)和預(yù)測(cè)決定系數(shù)分別為0.751 和0.722，反演精度較高，可用于小麥葉綠素含量的快速無損獲取。張娟娟等[29]設(shè)置了3 種土壤質(zhì)地（沙土、壤土和黏土）、5 種施氮水平（0、120、225、330、435 kg/hm2）和3 個(gè)小麥品種（矮抗58、周麥22 和鄭麥366）的試驗(yàn)條件，研究發(fā)現(xiàn)，光譜指數(shù)REPIG 和mND705 對(duì)葉片葉綠素含量監(jiān)測(cè)效果較好，利用上述光譜指數(shù)的估測(cè)模型可以較好預(yù)測(cè)當(dāng)?shù)匦←溔~綠素含量，同時(shí)為氮肥施用及調(diào)控提供技術(shù)依據(jù)。

2.1.2 葉面積指數(shù) 葉面積指數(shù)是描述植被冠層幾何結(jié)構(gòu)和定量陸地生態(tài)系統(tǒng)中光合作用、呼吸作用，以及降水截獲等過程的物質(zhì)與能量交換的最重要的生物物理參數(shù)之一[30-31]，實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)葉面積指數(shù)對(duì)作物生長診斷和管理調(diào)控具有重要意義[32-33]。林卉等[34]從高光譜指數(shù)中選出與LAI 值相關(guān)性最強(qiáng)的OSAVI 指數(shù)，利用最小二乘支持向量機(jī)回歸（LSSVR）模型，同時(shí)模型校正集決定系數(shù)和預(yù)測(cè)集決定系數(shù)分別為0.851 和0.848，該模型可用于LAI的精準(zhǔn)反演。馮偉等[35]研究發(fā)現(xiàn)，葉干質(zhì)量和LAI與反射率之間相關(guān)性較好的區(qū)域主要位于紅光和近紅外波段，同時(shí)在不同試驗(yàn)條件下的葉干質(zhì)量和LAI 可以使用統(tǒng)一的光譜參數(shù)進(jìn)行定量反演，如RVI（810 560）、FD755、GM1、SARVI 等，且以這些參數(shù)建立的模型均有較好的檢驗(yàn)結(jié)果。趙娟等[36]以冬小麥為研究對(duì)象，選取冬小麥覆蓋響應(yīng)程度不同的6 種寬帶和4 種窄帶共10 種植被指數(shù)，分析比較發(fā)現(xiàn)，選擇不同植被指數(shù)建立冬小麥LAI 的分段反演模型均高于使用同一種植被指數(shù)的反演精度。

2.1.3 氮素 氮素營養(yǎng)是作物生長發(fā)育、產(chǎn)量形成的重要影響因子，是植物需求量最大的礦質(zhì)營養(yǎng)元素。利用高光譜技術(shù)可以快速、無損監(jiān)測(cè)農(nóng)作物氮素含量，對(duì)于農(nóng)作物精細(xì)化管理具有十分重要的意義[37-40]。馮偉等[41]研究發(fā)現(xiàn)，冠層光譜反射率在不同葉片含氮量的水平下存在顯著差異，且葉片含氮量的敏感波段主要存在于近紅外和可見光區(qū)域。翟清云等[42]研究發(fā)現(xiàn)，利用NDSI（FD710、FD690）、DSI（R515、R460）和RSI（R535、R715）分別為自變量建立的估測(cè)模型可以較好地預(yù)測(cè)砂土、壤土和黏土3 種質(zhì)地小麥的葉片含氮量。李栓明等[43]以具有明顯差異的8 個(gè)小麥品種為試驗(yàn)材料，使用ASD 地物光譜儀采集了176 個(gè)籽粒光譜數(shù)據(jù)，利用UVE、SPAS 和MLR 方法有效壓縮了整粒小麥籽粒的光譜矩陣，選取特征光譜構(gòu)建模型，可以高效預(yù)測(cè)小麥籽粒的蛋白質(zhì)含量。王仁紅等[44]建立氮營養(yǎng)指數(shù)（NNI）經(jīng)驗(yàn)?zāi)Ｐ?，很好地?gòu)建了冠層氮素密度和葉片氮素含氮量之間的關(guān)系。王來剛等[45]利用SPOT-5、地面光譜數(shù)據(jù)和植株取樣數(shù)據(jù)，提出一種基于波譜響應(yīng)函數(shù)擬合和混合像元光譜提取方法，且模擬像元光譜對(duì)葉片氮積累量的反演效果最好，該方法結(jié)合地-空遙感的優(yōu)點(diǎn)，可以應(yīng)用其他不同空間和光譜分辨率的數(shù)據(jù)來監(jiān)測(cè)小麥氮素營養(yǎng)狀況。

2.2 應(yīng)用領(lǐng)域

2.2.1 產(chǎn)量預(yù)測(cè) 作物產(chǎn)量的遙感監(jiān)測(cè)是農(nóng)業(yè)遙感重要的應(yīng)用領(lǐng)域[46]。隨著高光譜技術(shù)的發(fā)展，利用高光譜預(yù)測(cè)小麥產(chǎn)量受到國內(nèi)外學(xué)者的關(guān)注[47]。耿石英等[48]通過葉片和冠層2 種參數(shù)對(duì)小麥進(jìn)行監(jiān)測(cè)，同時(shí)提出歸一化差異最大指數(shù)（NDMI），符合我國資源環(huán)境衛(wèi)星近紅外和紅外波段范圍，能夠?qū)π←湲a(chǎn)量預(yù)測(cè)提供依據(jù)，符合實(shí)際情況且具有實(shí)用性。任紅艷等[49]在不同氮肥水平下，測(cè)定小麥冠層光譜響應(yīng)在幾個(gè)生育期內(nèi)的變化情況以及與產(chǎn)量的關(guān)系，結(jié)果表明，光譜數(shù)據(jù)的衍生形式可與小麥產(chǎn)量建立很好的回歸方程。呂銀亮等[50]基于小麥關(guān)鍵的生長發(fā)育期，結(jié)合測(cè)取其地面高光譜數(shù)據(jù)和產(chǎn)量數(shù)據(jù)，利用改進(jìn)的光譜角算法進(jìn)行冬小麥產(chǎn)量估測(cè)，發(fā)現(xiàn)小麥產(chǎn)量與光譜角呈明顯的二次線性關(guān)系，且擬合方程的決定系數(shù)為0.784 4。

2.2.2 籽粒品質(zhì) 蛋白質(zhì)和淀粉是決定小麥籽粒品質(zhì)特性的主要成分[51]，常規(guī)監(jiān)測(cè)技術(shù)雖然較為準(zhǔn)確，但是對(duì)作物的破壞性極強(qiáng)。利用高光譜技術(shù)快速、無損監(jiān)測(cè)小麥籽粒，研究并建立收獲前小麥籽粒品質(zhì)監(jiān)測(cè)顯得尤為重要[52]。田永超等[53]研究發(fā)現(xiàn)，葉片SPAD 值與籽粒蛋白質(zhì)和淀粉積累量均呈現(xiàn)二次拋物線的關(guān)系。麥抽穗后葉片氮積累量與葉片SPAD 值、冠層反射光譜分別呈顯著的指數(shù)和線性相關(guān)；籽粒蛋白質(zhì)積累量與葉片氮積累量呈顯著線性負(fù)相關(guān)，而成熟期籽粒蛋白質(zhì)積累量與抽穗后葉片氮轉(zhuǎn)運(yùn)量呈線性正相關(guān)。因此，葉片SPAD 值和比值指數(shù)可以用來預(yù)測(cè)單位土地面積上小麥籽粒生長過程中蛋白質(zhì)和淀粉的積累動(dòng)態(tài)。馮偉等[54]經(jīng)過2 a 獨(dú)立試驗(yàn)表明，灌漿前期的關(guān)鍵光譜數(shù)據(jù)可以有效地評(píng)價(jià)小麥成熟期籽粒產(chǎn)量狀況，成熟期特征光譜指數(shù)的累計(jì)值能夠穩(wěn)定預(yù)測(cè)不同條件下小麥成熟期籽粒產(chǎn)量的變化。王大成等[55]結(jié)合HJ1A/B衛(wèi)星數(shù)據(jù)和生態(tài)因子對(duì)小麥籽粒蛋白質(zhì)含量進(jìn)行監(jiān)測(cè)，結(jié)果發(fā)現(xiàn)，綜合遙感數(shù)據(jù)和生態(tài)因子的監(jiān)測(cè)結(jié)果比單獨(dú)使用遙感數(shù)據(jù)或者生態(tài)因子數(shù)據(jù)的精度高。張紅濤等[56]研究發(fā)現(xiàn)，采用近紅外高光譜成像技術(shù)對(duì)單籽粒小麥硬度進(jìn)行分類是可行的。

2.2.3 病害預(yù)警 小麥的赤霉病、條銹病和白粉病等是小麥生長中主要的病害，其發(fā)病率高、傳播性強(qiáng)，嚴(yán)重影響小麥安全生產(chǎn)[57-59]。梁琨等[60]利用高光譜成像技術(shù)通過光譜分析和圖像處理對(duì)小麥的赤霉病進(jìn)行識(shí)別，結(jié)果表明，利用10 折交叉驗(yàn)證方法建立線性判別分析、支持向量機(jī)和BP 神經(jīng)網(wǎng)絡(luò)識(shí)別模型，對(duì)小麥赤霉病識(shí)別的準(zhǔn)確率均在90%以上，有較好的識(shí)別效果。袁琳等[61]基于實(shí)測(cè)數(shù)據(jù)獲得白粉病、條銹病葉片的光譜數(shù)據(jù)，通過相關(guān)性分析和T 檢驗(yàn)，篩選出這2 種病害較為敏感的6 個(gè)波段范圍（665～684、718～726 nm）和SIESI 等11 個(gè)光譜特征，同時(shí)使用FLDA 構(gòu)建病害判別模型，判別模型的精度達(dá)80%以上，準(zhǔn)確度較高。范友波等[62]用高光譜技術(shù)監(jiān)測(cè)小麥白粉病，研究發(fā)現(xiàn)，白粉病的小麥葉片光譜“紅邊”藍(lán)移現(xiàn)象較明顯，其中，三角植被指數(shù)（TVI）反演精度最佳。

3 展望

便攜式地物光譜儀測(cè)取數(shù)據(jù)較為靈活，且測(cè)取的光譜波長范圍較廣，可以很好地進(jìn)行地物光譜的獲取和研究。但是試驗(yàn)時(shí)易受天氣（云、太陽高度角）等影響，同時(shí)測(cè)得的數(shù)據(jù)易混合其他地物的光譜信息，對(duì)后續(xù)光譜分析有一定難度。衛(wèi)星遙感技術(shù)具有大面積、同步觀測(cè)地面數(shù)據(jù)的優(yōu)勢(shì)，但能利用的電磁波譜對(duì)許多地物的某些特征還不能明確反映，還需發(fā)展遙感以外的手段，特別是需要地面調(diào)查和驗(yàn)證，且需提供更多免費(fèi)的高空間分辨率、高光譜分辨率的遙感影像數(shù)據(jù)。無人機(jī)遙感作為一種新型的技術(shù)，雖受限于氣象條件或者操控人員能力等因素，但是其在監(jiān)測(cè)空間精度和尺度，尤其是中尺度農(nóng)田信息獲取優(yōu)勢(shì)顯著，同時(shí)隨著機(jī)載多源信息技術(shù)采集、處理等發(fā)展，無人機(jī)遙感技術(shù)在農(nóng)業(yè)等相關(guān)領(lǐng)域得到廣泛應(yīng)用。

冠層光譜數(shù)據(jù)首先要進(jìn)行預(yù)處理。例如，使用地物光譜儀測(cè)得冠層光譜數(shù)據(jù)進(jìn)行的預(yù)處理包括降噪、平滑等。為了避免其他地物對(duì)試驗(yàn)的干擾，通常使用光譜數(shù)據(jù)的微分值進(jìn)行相關(guān)性研究。目前試驗(yàn)多以分析冠層光譜數(shù)據(jù)與作物生長信息指標(biāo)的相關(guān)性為開端，然后使用相關(guān)性最高的波段或波段范圍、高光譜植被指數(shù)，利用統(tǒng)計(jì)學(xué)中線性或非線性回歸、物理模型等方法建模分析。但是大多數(shù)研究只是針對(duì)某一作物，更精確、更通用、更簡單化和智能化，通過參數(shù)配置以適用于不同作物的模型需要進(jìn)一步探究。

遙感技術(shù)可以客觀、準(zhǔn)確、及時(shí)地提供作物生態(tài)環(huán)境和作物生長的各種信息，它是精細(xì)、精準(zhǔn)化農(nóng)業(yè)獲得田間數(shù)據(jù)的重要來源。搭載遙感器衛(wèi)星或者飛機(jī)通過田地時(shí)，可以監(jiān)測(cè)并記錄農(nóng)作物覆蓋面積數(shù)據(jù)，通過這些數(shù)據(jù)可以對(duì)農(nóng)作物進(jìn)行分類，還可以在此基礎(chǔ)上估算農(nóng)作物的播種面積。利用不同時(shí)間序列的影像，科研工作者分析影像提供的信息，及時(shí)發(fā)現(xiàn)作物生長中出現(xiàn)的問題，采取針對(duì)措施進(jìn)行田間管理（如施肥、噴灑農(nóng)藥等），同時(shí)還可以了解到不同生長階段中作物的長勢(shì)，提前預(yù)測(cè)作物產(chǎn)量，這為我國作物產(chǎn)量的提前預(yù)報(bào)奠定了科學(xué)基礎(chǔ)。