基于WOS的高光譜技術(shù)在農(nóng)業(yè)方面應(yīng)用的計(jì)量分析

彭曉偉　張愛(ài)軍　楊曉楠

摘要： 利用高光譜技術(shù)可對(duì)作物在生長(zhǎng)發(fā)育過(guò)程中出現(xiàn)的問(wèn)題進(jìn)行實(shí)時(shí)監(jiān)控和處理，從而實(shí)現(xiàn)精準(zhǔn)施肥、精準(zhǔn)施藥及實(shí)時(shí)管理。為了解高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域中的利用狀況，利用Web of Science網(wǎng)站自帶的數(shù)據(jù)分析功能以及VOSviewer可視化分析軟件對(duì)Web of Science核心合集數(shù)據(jù)庫(kù)中高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域中應(yīng)用的發(fā)文數(shù)量與研究領(lǐng)域、主要發(fā)文國(guó)家（地區(qū)）、主要發(fā)文機(jī)構(gòu)和研究學(xué)者、主要發(fā)文學(xué)術(shù)期刊、發(fā)文被引頻次較多的文章、主要研究熱點(diǎn)及其變化趨勢(shì)等進(jìn)行計(jì)量分析。結(jié)果表明，高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用受到的關(guān)注越來(lái)越多，發(fā)文量呈現(xiàn)指數(shù)增長(zhǎng)的趨勢(shì)。發(fā)文量最高的20個(gè)國(guó)家中有9個(gè)是歐洲國(guó)家，中國(guó)、美國(guó)對(duì)該領(lǐng)域的貢獻(xiàn)最大。高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用研究的影響力最高的期刊為Remote Sensing of Environment，發(fā)文量最多的學(xué)者為浙江大學(xué)的He Yong，影響力最高的文章是“Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy： a review”。高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的研究趨勢(shì)主要涉及數(shù)據(jù)采集、分析方式的更新及作物對(duì)光譜的作用機(jī)制。

關(guān)鍵詞： 高光譜技術(shù);農(nóng)業(yè)領(lǐng)域;計(jì)量分析

中圖分類號(hào)： S127 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-4440（2022）01-0239-11

Abstract： Hyperspectral technology can be used to monitor and deal with the problems in the process of crop growth and development in real time， so as to realize precise fertilization， precise application and real-time management. In order to understand the utilization of hyperspectral technology in the field of agriculture， the data analysis function of Web of Science system and VOSviewer visualization analysis software were used to quantitatively analyze the number and research field of hyperspectral technology in the core collection database of Web of Science， the main countries （ regions ）， the main institutions and scholars， the main academic journals， the articles with more citations， the main research hotspots and their trends. The results showed that the application of hyperspectral technology in agriculture had attracted more and more attention， and the number of publications exhibited an exponential growth trend. Nine of the 20 countries with the highest number of publications were European countries， but China and the United States had the largest contribution to this field. The most influential journal of hyperspectral technology in agricultural applications was Remote Sensing of Environment， and HE Y of Zhejiang University was the scholar with the largest number of publications. The most influential article was ‘Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy： a review’. The development trend of hyperspectral technology in agriculture mainly involves the updating of data collection and analysis methods and the action mechanism of crop on spectrum.

Key words： hyperspectral technology;agricultural field;quantitative analysis

高光譜遙感（Hyperspectral remote sensing），又稱成像光譜遙感，是以測(cè)譜學(xué)為基礎(chǔ)發(fā)展起來(lái)的遙感前沿技術(shù)，它利用很窄（一般波段寬度<10 nm）的電磁波波段從感興趣的物體上獲取有關(guān)數(shù)據(jù)，高光譜分辨率一般可達(dá)到10-2 λ數(shù)量級(jí)，可產(chǎn)生1條完整的光譜曲線[1]，并且高光譜遙感具有譜像合一的技術(shù)，使圖像可以同時(shí)具有空間、輻射和波譜信息。由于遙感技術(shù)具有獲取速度快、信息量大、覆蓋面廣的特點(diǎn)[2-4]，因此被廣泛應(yīng)用在農(nóng)業(yè)遙感監(jiān)測(cè)中[5-6]。

高光譜技術(shù)可以非破壞性地獲取某地塊的地物反射信息，從而對(duì)各種作物的生理生化參數(shù)進(jìn)行監(jiān)測(cè)[7]。在作物種子鑒別方面，該技術(shù)可鑒別作物種子類別[8]與真?zhèn)?，并可檢測(cè)種子活力[9]及品質(zhì)[9]，從而挑選出活力較高的種子進(jìn)行農(nóng)業(yè)生產(chǎn)活動(dòng)。在作物測(cè)量方面，高光譜技術(shù)可用于估測(cè)作物葉綠素含量[10]、葉面積指數(shù)[11]、光利用效率[12]及氮含量[13]等生理特性及識(shí)別作物是否染病[14]、是否缺乏營(yíng)養(yǎng)元素[15]。而在土壤性質(zhì)測(cè)量方面，高光譜技術(shù)可用于估測(cè)土壤水鹽狀況[16]及測(cè)定土壤重金屬含量[17]、土壤有機(jī)質(zhì)含量[18]與營(yíng)養(yǎng)元素含量[19]。

在種子鑒別及判斷作物是否染病方面，高光譜技術(shù)可利用支持向量機(jī)、逐步判別分析法、Ada-Boost算法等方法進(jìn)行操作。在用高光譜技術(shù)估測(cè)各項(xiàng)生理指標(biāo)時(shí)，常見(jiàn)的建模方法主要有以下幾個(gè)：（1）基于單變量模型，例如基于敏感波段及光譜指數(shù)建立的二次模型、指數(shù)模型、對(duì)數(shù)模型、多項(xiàng)式模型和乘冪模型。（2）基于多變量模型，主要是利用多個(gè)敏感波段及光譜指數(shù)建立的偏最小二次回歸模型及多元回歸模型等。（3）深度學(xué)習(xí)算法，利用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)回歸等算法模型。

目前關(guān)于高光譜技術(shù)在農(nóng)業(yè)上應(yīng)用的研究很多，但是農(nóng)學(xué)背景下的文獻(xiàn)計(jì)量學(xué)分析是稀缺的[20-21]。本研究通過(guò)檢索Web of Science（WOS）核心合集數(shù)據(jù)庫(kù)30年（1990-2020年）內(nèi)的所有期刊，分析30年內(nèi)高光譜技術(shù)在農(nóng)業(yè)上應(yīng)用的論文發(fā)文量、主要發(fā)文國(guó)家和發(fā)文作者之間的合作關(guān)系及該領(lǐng)域的研究熱點(diǎn)和研究趨勢(shì)。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

本研究中的文獻(xiàn)計(jì)量數(shù)據(jù)來(lái)源于美國(guó)湯森路透公司（Thomson Reuters）的WOS核心合集數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)被廣泛應(yīng)用于文獻(xiàn)計(jì)量學(xué)研究中[22]。文獻(xiàn)檢索的主題詞高光譜農(nóng)業(yè)設(shè)置為“hyperspectral” AND “soil” OR “hyperspectral” AND “agriculture” OR “hyperspectral” AND “crop”。設(shè)置檢索時(shí)間為1990-2020年，所有文獻(xiàn)的檢索日期截至2020年12月31日，最終得到的文獻(xiàn)數(shù)量是4 806篇。

1.2 研究方法

利用WOS核心合集自帶的分析工具對(duì)1990-2020年發(fā)表的4 806篇文獻(xiàn)從發(fā)文數(shù)量與研究領(lǐng)域、發(fā)文單位所在的主要國(guó)家（地區(qū)）、發(fā)文的主要機(jī)構(gòu)和研究者、發(fā)文的主要學(xué)術(shù)期刊、被引量較多的文章、主要研究熱點(diǎn)及其變化趨勢(shì)進(jìn)行分析。通過(guò)VOSviewer科研合作網(wǎng)絡(luò)分析主要發(fā)文國(guó)家/地區(qū)（Countries）、機(jī)構(gòu)（Origanizations）之間的合作關(guān)系及關(guān)鍵詞（Key word）的共線關(guān)系，并分析節(jié)點(diǎn)間的連接總強(qiáng)度（Total link strength，TLS）。將WOS檢索的目標(biāo)文獻(xiàn)數(shù)據(jù)分別保存為文本格式（.txt），進(jìn)行數(shù)據(jù)清洗后導(dǎo)入相關(guān)軟件進(jìn)行可視化圖譜的繪制。利用Hirsch[23]定義的h指數(shù)評(píng)估研究人員的學(xué)術(shù)產(chǎn)出數(shù)量與學(xué)術(shù)產(chǎn)出水平。例如，作者有20篇論文（著作）等被引用20次，這時(shí)h指數(shù)為20。本研究結(jié)果顯示的h指數(shù)僅指WOS核心合集數(shù)據(jù)庫(kù)中的引文，如果考慮其他數(shù)據(jù)庫(kù)（例如Scopus和Google Scholar），則可能獲得不同的h指數(shù)。

2 結(jié)果與分析

2.1 歷年發(fā)文量及研究領(lǐng)域分析

在過(guò)去的30年中，根據(jù)上文對(duì)WOS中文獻(xiàn)的搜索策略，找到4 806篇關(guān)于高光譜技術(shù)在農(nóng)業(yè)中應(yīng)用的文獻(xiàn)，對(duì)文獻(xiàn)進(jìn)行篩選，共選出4 761篇文獻(xiàn)。直到2020年12月31號(hào)，文獻(xiàn)的總被引頻次為139 027次，h指數(shù)為147。由于1990-1996年未找到相關(guān)文獻(xiàn)，故本研究對(duì)1996-2020年的文獻(xiàn)發(fā)表量進(jìn)行分析（圖1），可以看出，高光譜技術(shù)在農(nóng)業(yè)中的應(yīng)用呈現(xiàn)指數(shù)增長(zhǎng)趨勢(shì)（R2=0.937 1），發(fā)文量從1996年的1篇到2019年的660篇，從2003年開(kāi)始，發(fā)文量明顯呈現(xiàn)暴發(fā)性增長(zhǎng)趨勢(shì)。

利用WOS核心合集數(shù)據(jù)庫(kù)自帶的分析工具得到各學(xué)科的發(fā)文數(shù)量及h指數(shù)，由表1可以看出，高光譜技術(shù)在農(nóng)業(yè)中的應(yīng)用涉及多個(gè)學(xué)科，其中在遙感學(xué)、影像科學(xué)與攝影技術(shù)、環(huán)境科學(xué)及農(nóng)學(xué)等學(xué)科中發(fā)文量最多，占總發(fā)文量的65.76%，在遙感學(xué)的h指數(shù)最高。值得注意的是，在光譜學(xué)領(lǐng)域的發(fā)文數(shù)量較少（占比4.70%），h指數(shù)較低，進(jìn)一步分析發(fā)現(xiàn)，通過(guò)植物的反射光譜特性分析可以得出植物生理參數(shù)的機(jī)制，因此在實(shí)際研究中可加強(qiáng)光譜學(xué)與農(nóng)學(xué)的交叉研究，從而促進(jìn)高光譜學(xué)和農(nóng)學(xué)的協(xié)同發(fā)展。

2.2 主要發(fā)文國(guó)家（地區(qū)）

如圖2所示，美國(guó)（h指數(shù)為98）和中國(guó)（h指數(shù)為62）的發(fā)文量占總發(fā)文量的60.54%，其中中國(guó)的發(fā)文量最大（占比為35.31%），在20個(gè)發(fā)文量較多的國(guó)家中，有9個(gè)來(lái)自歐洲，其中西班牙（h指數(shù)為56）是歐洲中對(duì)本研究貢獻(xiàn)率（以h指數(shù)計(jì)）最高的國(guó)家，發(fā)文量占總發(fā)文量的6.09%，而在非洲、大洋洲和南美洲，南非（h指數(shù)為38）、澳大利亞（h指數(shù)為43）和巴西（h指數(shù)為27）是少數(shù)發(fā)表過(guò)高光譜技術(shù)在農(nóng)業(yè)方面應(yīng)用研究論文的國(guó)家，其發(fā)文量分別占總發(fā)文量的2.17%、5.18%和2.32%。根據(jù)VOSviewer的總聯(lián)系強(qiáng)度可以看出，美國(guó)（TLS值為752）、中國(guó)（TLS值為575）、德國(guó)（TLS值為376）和西班牙（TLS值為294）等國(guó)家在農(nóng)業(yè)高光譜領(lǐng)域的國(guó)際合作關(guān)系密切。由圖3可以看出，中國(guó)和美國(guó)間的連線最為密集，并與德國(guó)、加拿大、法國(guó)和澳大利亞等國(guó)家間均有合作。

2.3 主要發(fā)文機(jī)構(gòu)和人員

由表2可以看出，在發(fā)文量較多的10個(gè)機(jī)構(gòu)中，中國(guó)科學(xué)院的發(fā)文量最多，有6個(gè)中國(guó)大學(xué)/研究院的發(fā)文量排名在10以內(nèi)，包括中國(guó)科學(xué)院（h指數(shù)為32）、浙江大學(xué)（h指數(shù)為34）、北京市農(nóng)林科學(xué)院（h指數(shù)為26）、中國(guó)科學(xué)院大學(xué)（h指數(shù)為21）、中國(guó)科學(xué)院遙感與數(shù)字地球研究所（h指數(shù)為20）、中國(guó)農(nóng)業(yè)大學(xué)（h指數(shù)為25）。由表3可以看出，浙江大學(xué)的He Yong發(fā)文影響力較大，發(fā)文105篇（h指數(shù)為26），占浙江大學(xué)總發(fā)文量的50%，占該領(lǐng)域總發(fā)文量的2.237%，該學(xué)者的主要研究方向?yàn)檗r(nóng)業(yè)遙感與信息、數(shù)字農(nóng)業(yè)與精細(xì)農(nóng)業(yè)、農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)等。在發(fā)文量排名前10的機(jī)構(gòu)中，美國(guó)農(nóng)業(yè)部的h指數(shù)最高，為62，其中Moon S. Kim的發(fā)文量排名第3（h指數(shù)為24），論文被引用2 389次，說(shuō)明美國(guó)農(nóng)業(yè)部發(fā)表文章的影響力較大。來(lái)自西班牙的Pablo J. Zarco-Tejada的論文被引用次數(shù)最多，達(dá)到6 701次，其在高光譜農(nóng)業(yè)方面的影響力最高，h指數(shù)為31。雖然愛(ài)爾蘭的都柏林大學(xué)、中國(guó)的南京農(nóng)業(yè)大學(xué)以及韓國(guó)的忠南大學(xué)均未被列入發(fā)文量排名前10的機(jī)構(gòu)，但仍有學(xué)者發(fā)表過(guò)相關(guān)優(yōu)秀論文。

本研究利用VOSviewer分析不同機(jī)構(gòu)之間在農(nóng)業(yè)高光譜領(lǐng)域的合作關(guān)系，由圖4可以看出，中國(guó)科學(xué)院（TLS值為284）和浙江大學(xué)（TLS值為113）與各主要論文產(chǎn)出研究機(jī)構(gòu)間的合作關(guān)系密切，右下集群（黃色集群）以中國(guó)科學(xué)院、中國(guó)科學(xué)院大學(xué)（TLS值為106）、北京師范大學(xué)為主（TLS值為61），而右上集群（綠色集群）以浙江大學(xué)、北京農(nóng)林科學(xué)院為主（TLS值為54），左上集群（藍(lán)色集群）是以美國(guó)農(nóng)業(yè)部（TLS值為96）、加利福利亞大學(xué)（TLS值為37）、佛羅里達(dá)大學(xué)（TLS值為31）、美國(guó)航空航天局（TLS值為24）為主的美國(guó)機(jī)構(gòu)，而左下集群（紅色集群）則是以加拿大農(nóng)業(yè)及農(nóng)業(yè)食品部（TLS值為60）、西班牙國(guó)家研究理事會(huì)（TLS值為35）和加拿大曼尼托巴大學(xué)（TLS值為15）為主的歐洲和北美洲的洲際集群。

2.4 主要發(fā)文期刊和文章

通過(guò)分析1990-2020年的發(fā)文期刊可以看出，發(fā)文量排名前3的期刊是Remote Sensing（發(fā)文393篇）、Remote Sensing of Environment（發(fā)文273篇）和Spectroscopy and Spectral Analysis（發(fā)文257篇），文章總被引次數(shù)排名前3的期刊為Remote Sensing of Environment（被引23 328次）、Remote Sensing（被引6 622次）、International Journal of Remote Sensing（被引6 098次），文章的h指數(shù)排名前3的期刊是Remote Sensing of Environment（h指數(shù)為82）、Remote Sensing（h指數(shù)為41）和Computers and Electronics in Agriculture（h指數(shù)為40），農(nóng)業(yè)高光譜領(lǐng)域發(fā)文期刊中影響因子排名前3的期刊為Remote Sensing of Environment（9.085）、IEEE Transactions on Geoscience and Remote Sensing（5.855）、International Journal of Applied Earth Observation and Geoinformation（4.650）（表4）。

由表5可以看出，在被引頻次排名前10的期刊中，發(fā)表在Remote Sensing of Environment上的文章有5篇，這些文章的研究方向均為高光譜技術(shù)在精準(zhǔn)農(nóng)業(yè)上的應(yīng)用，有研究者利用高光譜技術(shù)對(duì)作物的葉綠素含量、葉面積指數(shù)、生物量及氮素含量進(jìn)行了研究，研究?jī)?nèi)容涉及植被指數(shù)優(yōu)化、估測(cè)模型的比較、估測(cè)算法的優(yōu)化與更新等多個(gè)方面。發(fā)表在Postharvest Biology and Technology上的文章作為總被引頻次（1 185次）和年均被引頻次（91.15次）最高的文章，探究了近紅外光譜技術(shù)應(yīng)用在果蔬品質(zhì)方面的研究進(jìn)展，比較了不同分光光度計(jì)的設(shè)計(jì)和測(cè)量原理及蔬菜組織的光吸收、散射特性。發(fā)表在Precision Agriculture、Remote Sensing of Environment上的文章則探究了無(wú)人機(jī)搭載光譜平臺(tái)在農(nóng)業(yè)上的應(yīng)用趨勢(shì)，提出應(yīng)用小型無(wú)人機(jī)替代傳統(tǒng)高光譜衛(wèi)星影像，從而實(shí)時(shí)分析作物生長(zhǎng)狀態(tài)，可為精準(zhǔn)農(nóng)業(yè)提供理論依據(jù)和技術(shù)支持。發(fā)表在Science上的2篇文章則探討了高光譜技術(shù)在測(cè)量土壤性質(zhì)方面的應(yīng)用。

2.5 關(guān)鍵詞共線網(wǎng)絡(luò)分析

對(duì)上述篩選的4 806篇文章的關(guān)鍵詞進(jìn)行共線性分析得出，高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用研究可以劃分為4個(gè)聚類，圖5中不同顏色表示不同的聚類，其中第1個(gè)聚類（綠色集群）主要是高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的方法研究，關(guān)鍵詞為Classification（分類）、Prediction（預(yù)測(cè)）、Regression（回歸）、Identification（識(shí)別）、Selection（選擇）、Nondestructive determination（無(wú)損測(cè)定）、Least-squares regression（最小二乘）、Machine vision（機(jī)器視覺(jué)）、Successive projections algorithm（連續(xù)投影算法）、Artificial neural-networks（人工神經(jīng)網(wǎng)絡(luò)）等;第2個(gè)聚類（藍(lán)色集群）主要是高光譜技術(shù)應(yīng)用于作物研究的趨勢(shì)，主要關(guān)鍵詞包括Chlorophyll（葉綠素）、Vegetation index（植被指數(shù)）、Leaf（葉片）、Nitrogen（氮素）、Red edge（紅邊）、Canopy（冠層）、Yield（產(chǎn)量）、Wheat（小麥）、Corn（玉米）、Crop（作物）、Precision agriculture（精準(zhǔn)農(nóng)業(yè)）、Photosynthesis（光合作用）、Rice（水稻）、Carotenoids（類胡蘿卜素）等;第3個(gè)聚類（紅色集群）主要是關(guān)于高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域中數(shù)據(jù)獲取與數(shù)據(jù)分析的研究，主要關(guān)鍵詞為Image-analysis（圖像分析）、Hyperspectral data（高光譜數(shù)據(jù)）、Hyperspectral imagery（高光譜影像）、Imaging spectroscopy（成像光譜）、Resolution（分辨率）、Extraction（提取）、AVIRIS data（AVIRIS數(shù)據(jù)）、Accuracy（精度）、Airborne（機(jī)載）、MODIS data（MODIS數(shù)據(jù)）、Sensors（傳感器）、EO-1 Hyperion（EO-1影像）、Satellite（衛(wèi)星）、UAV（無(wú)人機(jī)）;第4個(gè)聚類（黃色集群）主要是高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的一些原理性研究，主要關(guān)鍵詞包括Hyperspectral vegetation indexes（高光譜植被指數(shù)）、Optical-properties（光學(xué)特性）、Band（波段）、Bidirectional reflectance（二向性反射）、Scattering（散射）、Light（光）、Leaf optical-properties（葉片光學(xué)特性）、Radiative-transfer models（輻射傳輸模型）、吸收（Absorption）、仿真（Simulation）。

2.6 研究趨勢(shì)

由圖6可以看出，在2013年及以前，研究的主要趨勢(shì)是探究敏感波段與估測(cè)目標(biāo)間的相關(guān)關(guān)系，主要關(guān)鍵詞為Broad-band（帶寬）、Transmittance（透射率）、Cover（覆蓋）、Radiation-use efficiency（輻射利用效率）和Red edge（紅邊），如美國(guó)農(nóng)業(yè)部在20世紀(jì)六七十年代就已經(jīng)獲取了400～2 400 nm處干葉的光譜，并獲得了較高精度[24]。Gitelson等[25]對(duì)楓樹(shù)、七葉樹(shù)的樹(shù)葉進(jìn)行高光譜數(shù)據(jù)分析發(fā)現(xiàn)，光譜700 nm處的反射率對(duì)葉綠素濃度比較敏感?？梢钥闯觯捎谑艿郊夹g(shù)的影響，上述研究主要針對(duì)光譜技術(shù)的理論性，為之后的研究提供了一定理論依據(jù)。2013-2014年，Vegetation（植被）、Soil（土壤）、Chlorophyll-A（葉綠素A）、Forest（森林）、Corn（玉米）、Canopy reflectance（冠層反射率）等關(guān)鍵詞出現(xiàn)的頻率大大提高，如Hunt等[26]利用光譜波段組合對(duì)作物冠層的葉綠素含量進(jìn)行估測(cè)，得到了較優(yōu)的模型。Lyu等[27]通過(guò)采集水稻光譜值并建立支持向量機(jī)模型，對(duì)水稻葉綠素含量進(jìn)行估測(cè)，結(jié)果表明，對(duì)光譜值進(jìn)行一階微分處理的估測(cè)效果優(yōu)于原始光譜。以上研究結(jié)果表明，相關(guān)研究方向從光譜理論層面轉(zhuǎn)向了實(shí)際應(yīng)用。2014-2015年，關(guān)鍵詞主要為Discrimination（辨別）、Crop（作物）、Algorithm（算法）、Chlorophyll（葉綠素）、Biomass（生物量）、Yield（產(chǎn)量）、Spectroscopy（光譜）、Classification（分類）、Hyperspectral vegetation indexes（光譜植被指數(shù)），說(shuō)明研究者在估測(cè)作物農(nóng)學(xué)參數(shù)的基礎(chǔ)上擴(kuò)展了研究類型，如產(chǎn)量估測(cè)、生物量估測(cè)，同時(shí)在研究方法上進(jìn)行了創(chuàng)新，利用算法對(duì)光譜波段進(jìn)行處理，從而實(shí)現(xiàn)對(duì)農(nóng)學(xué)參數(shù)的估測(cè)與鑒別，如Morier等[28]研究不同施氮水平下馬鈴薯的農(nóng)學(xué)相關(guān)指標(biāo)變化規(guī)律，利用高光譜反射率對(duì)其進(jìn)行估測(cè)，結(jié)果表明，紅邊葉綠素指數(shù)1與馬鈴薯的氮含量、總產(chǎn)量高度相關(guān)。Li等[29]利用DSSAT-CERES作物模型與遙感數(shù)據(jù)進(jìn)行整合，對(duì)冬小麥的產(chǎn)量進(jìn)行估測(cè)，估測(cè)R2、RMSE分別達(dá)到了0.698、0.726。2015-2016年的關(guān)鍵詞主要是Resolution（分辨率）、Simulation（仿真）、Airborne（機(jī)載）、Imaging spectroscopy（成像光譜）、Band selection（波段選擇）、Leaf optical-properties（葉片光學(xué)特性），說(shuō)明這段時(shí)間高光譜數(shù)據(jù)的獲取和分析研究進(jìn)一步加深，開(kāi)始向圖譜合一的方向發(fā)展，研究者開(kāi)始對(duì)圖像精度有了進(jìn)一步的要求，同時(shí)利用葉綠素等農(nóng)學(xué)指標(biāo)對(duì)不同波段的敏感性進(jìn)行波段組合，以提高估測(cè)精度，如Simko等[30]利用高光譜成像技術(shù)對(duì)真空包裝的鮮切生菜的葉綠素含量進(jìn)行測(cè)定，從而判別其是否腐爛，分類精度達(dá)到了97%。2016-2017年的主要關(guān)鍵詞為Fruit（水果）、Food（食品）、Food quality （水果質(zhì)量）、Least-squares regression（最小二乘回歸）、Optimization（優(yōu)化）、Performance（性能）、Computer vision（計(jì)算機(jī)視覺(jué)）、Successive projections algorithm（連續(xù)投影算法），高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用開(kāi)始向水果、食品方向逐漸擴(kuò)展。Elmasry等[31]在2016年對(duì)高光譜成像技術(shù)應(yīng)用于食品質(zhì)量檢測(cè)方面的研究進(jìn)行綜述，分析了不同圖像采集、處理方法與檢測(cè)、分類、量化及預(yù)測(cè)食品質(zhì)量的過(guò)程，而研究方法開(kāi)始大規(guī)模使用多元回歸方程，對(duì)估測(cè)模型及分類模型的性能有了進(jìn)一步的要求，同時(shí)在原有模型的基礎(chǔ)上進(jìn)行不斷優(yōu)化，以提高模型的預(yù)測(cè)精度。2017年之后的關(guān)鍵詞主要是Powdery mildew（白粉?。rought（干旱）、Heavy-metals（重金屬）、Random forest（隨機(jī)森林）、UAV（無(wú)人機(jī)），說(shuō)明高光譜技術(shù)在農(nóng)業(yè)上的應(yīng)用逐漸從農(nóng)學(xué)參數(shù)的估測(cè)拓展為病蟲(chóng)害的識(shí)別及極端情況的識(shí)別，從而為進(jìn)行精準(zhǔn)農(nóng)業(yè)提供技術(shù)支持，而研究方法和數(shù)據(jù)獲取手段也變?yōu)闄C(jī)器識(shí)別算法和利用無(wú)人機(jī)獲取高光譜數(shù)據(jù)，說(shuō)明高光譜技術(shù)與計(jì)算機(jī)技術(shù)及農(nóng)業(yè)的深度結(jié)合將成為發(fā)展趨勢(shì)。

3 結(jié)論

在過(guò)去的30年中，有關(guān)高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域中應(yīng)用的論文數(shù)量呈現(xiàn)指數(shù)性增長(zhǎng)的趨勢(shì)，從2003年開(kāi)始，增長(zhǎng)曲線的擬合R2達(dá)到了0.975 2，而高光譜技術(shù)在農(nóng)業(yè)中的應(yīng)用涉及多個(gè)學(xué)科，其中遙感學(xué)科的發(fā)文量最多，為1 513篇。發(fā)文影響力最大的國(guó)家為美國(guó)（h指數(shù)為98），次之為中國(guó)（h指數(shù)為62），且中國(guó)的發(fā)文量最多，美國(guó)、中國(guó)、德國(guó)、澳大利亞等國(guó)家在此領(lǐng)域的合作較為密切。

在發(fā)文量排名前10的機(jī)構(gòu)中，中國(guó)的機(jī)構(gòu)有6個(gè)，但影響力最高的機(jī)構(gòu)為美國(guó)農(nóng)業(yè)部（h指數(shù)為62）。在發(fā)文量排名前10的學(xué)者中，中國(guó)的學(xué)者有6個(gè)，在該領(lǐng)域影響力最高的學(xué)者為Pablo J. Zarco-Tejada（h指數(shù)為31），來(lái)自西班牙國(guó)家研究理事會(huì)。浙江大學(xué)、中國(guó)科學(xué)院、美國(guó)農(nóng)業(yè)部、西班牙國(guó)家研究理事會(huì)等機(jī)構(gòu)在此領(lǐng)域的合作較為密切。在本領(lǐng)域影響力最大的期刊為Remote Sensing of Environment（影響因子為9.085、h指數(shù)為82、總被引頻次為23 328次），而來(lái)自Postharvest Biology and Technology的文章“Nondetructive measurement of fruit and vegetable quality by means of NIR spectroscopy： a review”具有最高的被引頻次和年均被引頻次，是本領(lǐng)域中較具影響力的文章。

通過(guò)關(guān)鍵詞共線性網(wǎng)絡(luò)分析可知，高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的研究熱點(diǎn)主要為更新研究方法及模型、對(duì)作物的相關(guān)深入研究、對(duì)數(shù)據(jù)的獲取及分析方法的更新以及植株對(duì)光譜反應(yīng)機(jī)制的研究。

參考文獻(xiàn)：

[1] 鄭蘭芬，王晉年. 成像光譜遙感技術(shù)及其圖像光譜信息提取的分析研究[J]. 環(huán)境遙感， 1992（1）： 49-58，84.

[2] 張學(xué)治. 基于冠層反射光譜的夏玉米氮素營(yíng)養(yǎng)與生長(zhǎng)監(jiān)測(cè)研究[D]. 南京：南京農(nóng)業(yè)大學(xué)， 2011.

[3] 馬勤建. 基于高光譜植被指數(shù)的棉花冠層結(jié)構(gòu)參數(shù)的估算研究[D]. 石河子：石河子大學(xué)， 2008.

[4] 陳碩博. 無(wú)人機(jī)多光譜遙感反演棉花光合參數(shù)與水分的模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)， 2019.

[5] 房華樂(lè)，任潤(rùn)東，蘇 飛，等. 高光譜遙感在農(nóng)業(yè)中的應(yīng)用[J]. 測(cè)繪通報(bào)， 2012（增刊）： 255-257.

[6] THENKABAIL P S， SMITH R B， PAUW E D. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment， 2000， 71（2）： 158-182.

[7] 劉冰峰. 夏玉米不同生育時(shí)期生理生態(tài)參數(shù)的高光譜遙感監(jiān)測(cè)模型[D]. 楊凌：西北農(nóng)林科技大學(xué)， 2016.

[8] 韓沁姍. 基于近紅外高光譜的甘草種子鑒別系統(tǒng)研建[D]. 北京：北京林業(yè)大學(xué)， 2020.

[9] 彭曉偉，張愛(ài)軍，王 楠，等. 高光譜成像技術(shù)在作物種子方面的應(yīng)用[J]. 國(guó)土資源遙感， 2020， 32（4）： 23-32.

[10]曾 旭. 油菜三種葉片的成像高光譜特征與SPAD值估測(cè)建模[D]. 長(zhǎng)沙：湖南農(nóng)業(yè)大學(xué)， 2019.

[11]白青蒙，韓玉國(guó)，彭致功，等. 利用葉面積指數(shù)優(yōu)化冬小麥高光譜水分預(yù)測(cè)模型[J]. 應(yīng)用與環(huán)境生物學(xué)報(bào)， 2020，26（4）： 943-950.

[12]張龍英. 不同土壤鹽度下檸條錦雞兒葉綠素?zé)晒獗O(jiān)測(cè)及種子性狀研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)， 2020.

[13]賀 婷，李建東，劉桂鵬，等. 基于高光譜遙感的玉米全氮含量估測(cè)模型[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2016，47（3）： 257-265.

[14]齊雙麗. 基于多角度高光譜遙感的小麥白粉病監(jiān)測(cè)研究[D]. 鄭州：河南農(nóng)業(yè)大學(xué)， 2018.

[15]趙 珊. 基于高光譜成像的玉米苗期氮素營(yíng)養(yǎng)監(jiān)測(cè)的研究[D]. 哈爾濱：東北農(nóng)業(yè)大學(xué)， 2016.

[16]肖珍珍，李 毅，馮 浩. 西北鹽堿土理化性質(zhì)的高光譜建模及預(yù)測(cè)（英文）[J]. 光譜學(xué)與光譜分析， 2016， 36（5）： 1615-1622.

[17]安琪琪. 土壤重金屬污染檢測(cè)方法的研究進(jìn)展[J]. 現(xiàn)代農(nóng)業(yè)科技， 2020（17）： 166-168，173.

[18]包青嶺，丁建麗，王敬哲，等. 基于隨機(jī)森林算法的土壤有機(jī)質(zhì)含量高光譜檢測(cè)[J]. 干旱區(qū)地理， 2019，42（6）： 1404-1414.

[19]劉秀英. 玉米生理參數(shù)及農(nóng)田土壤信息高光譜監(jiān)測(cè)模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)， 2016.

[20]MAO G Z， SHI T T， ZHANG S， et al. Bibliometric analysis of insights into soil remediation[J]. Journal of Soil & Sediments， 2018， 18（7）： 2520-2534.

[21]REDDY R L R， SHANKARAPPA T H， REDDY K S， et al. Review of trends in soil fertility research （2007-2016） using Scopus database[J]. Communications in Soil Science & Plant Analysis， 2019， 50（1）： 1-18.

[22]胡遠(yuǎn)妹，周 俊，劉海龍，等. 基于Web of Science對(duì)土壤重金屬污染修復(fù)研究的計(jì)量分析[J]. 土壤學(xué)報(bào)， 2018， 55（3）： 707-720.

[23]HIRSCH J E. An index to quantify an individual's scientific research output[J]. Proceedings of the National Academy of Sciences of the United States of America， 2005， 102（46）： 16569-16572.

[24]CURRAN P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment， 1989， 30（3）： 271-278.

[25]GITELSON A A， MERZLYAK M N， LICHTENTHALER H K. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm[J]. J Plant Physiology， 1996， 148（3/4）： 501-508.

[26]HUNT E R， DORAISWAMY P C， MCMURTREY J E， et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observations & Geoinformation， 2013， 21（1）： 103-112.

[27]LYU J， DENG F L， YAN Z G. Using PROSEPCT and SVM for the estimation of chlorophyll concentration[J]. Advanced Materials Research， 2014， 989/990/991/992/993/994： 2184-2187.

[28]MORIER T， CAMBOURIS A N， CHOKMANI K. In-season nitrogen status sssessment and yield estimation using hyperspectral vegetation indices in a potato crop[J]. Agronomy Journal， 2015， 107（4）： 1295-1309.

[29]LI Z H， WANG J H， XU X G， et al. Assimilation of two variables derived from hyperspectral data into the DSSAT-CERES model for grain yield and quality estimation[J]. Remote Sensing， 2015， 7（9）： 12400-12418.

[30]SIMKO I， JIMENEZ-BERNI J A， FURBANK R T. Detection of decay in fresh-cut lettuce using hyperspectral imaging and chlorophyll fluorescence imaging[J]. Postharvest Biology & Technology， 2015， 106： 44-52.

[31]ELMASRY G M， NAKAUCHI S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality-a comprehensive review[J]. Biosystems Engineering， 2016， 142： 53-82.

（責(zé)任編輯：徐 艷）

2201501186276