無人機高光譜成像技術(shù)在作物生長信息監(jiān)測中的應(yīng)用

姜 妍，王 琳，楊 月，蔡雨彤，張喜海，王惠中，王紹東*

（1.東北農(nóng)業(yè)大學農(nóng)學院/國家大豆工程技術(shù)研究中心，哈爾濱 150030；2.東北農(nóng)業(yè)大學電氣與信息學院，哈爾濱 150030；3.東北農(nóng)業(yè)大學生命科學學院，哈爾濱 150030）

高光譜成像（HSI）技術(shù)是基于多窄波段的影像數(shù)據(jù)技術(shù)，將成像技術(shù)與光譜技術(shù)相結(jié)合，獲取高光譜分辨率連續(xù)、窄波段立體圖像數(shù)據(jù)。該系統(tǒng)包括高通量成像模式、高質(zhì)量光譜子系統(tǒng)、機載高光譜成像儀、高靈敏度探測器及數(shù)據(jù)處理。高光譜成像可確定物質(zhì)和物體存在，且可量化所識別物質(zhì)或物體的可變性和豐度。近距離HSI技術(shù)在植物表型領(lǐng)域發(fā)展迅速，但受限于地理位置和空間領(lǐng)域等因素，導致獲取信息量不充分，數(shù)據(jù)具有局限性。而機載高光譜成像儀在空間分辨率、復雜環(huán)境性能及機載維護等方面具有優(yōu)勢[1]，低成本、高靈活性和高分辨率UAS技術(shù)在遙感領(lǐng)域，特別是精準農(nóng)業(yè)中發(fā)揮重要作用（見圖1）。

圖1 UAS高光譜成像系統(tǒng)（拍攝于2018年阿肯色大學費耶特維爾農(nóng)場）Fig.1 UAShyperspectral imaging system(Thephoto was taken at Fayetteville farm,University of Arkansas in 2018)

精準農(nóng)業(yè)可針對復雜多變的環(huán)境條件進行監(jiān)測和管理，提高作物產(chǎn)量和品質(zhì)同時降低生產(chǎn)成本和環(huán)境污染[2]，促進精準農(nóng)業(yè)中遙感光譜技術(shù)和模擬模型發(fā)展。UAS衍生的多光譜、高光譜和熱成像技術(shù)以及攝影測量等方法廣泛應(yīng)用于高通量表型[3]和育種試驗，可對作物表型性狀進行非破壞性分析與評估，對農(nóng)業(yè)中高產(chǎn)、抗病、耐脅迫表型分析和精準育種具有重要意義。盡管近距離HSI對高通量植物表型平臺已有較廣泛研究[4]，但復雜生理效應(yīng)改變不同波長區(qū)域反應(yīng)，造成識別系統(tǒng)準確度下降，丟失重要信息[5]。本文主要介紹UASHSI技術(shù)在作物營養(yǎng)元素、病害或脅迫及表型功能性狀上應(yīng)用的最新研究進展，推動HSI技術(shù)在現(xiàn)代化精準農(nóng)業(yè)生產(chǎn)和管理中的發(fā)展與利用。

1 UAS HSI技術(shù)監(jiān)測氮素營養(yǎng)

植株氮素（N）含量是衡量植物生長、作物產(chǎn)量、生產(chǎn)效率的主要指標之一，是有效管理施肥和提高糧食產(chǎn)量所需準確預(yù)測指標之一，已成為一項決策性農(nóng)業(yè)研究（見表1）。基于UAS的HSI和地面光學傳感器（SPAD-502）可用于估算玉米氮肥狀況[6]。UAS與地面指標具有高度相關(guān)性，尤其是750和710 nm光譜反射率比值，與產(chǎn)量和N吸收顯著相關(guān)，籽粒氮量（R2=0.94），作物總氮量（R2=0.96），地上生物量（R2=0.93）。Li等利用UAS高光譜數(shù)據(jù)，可在不同生長階段有效估計冬小麥葉面積指數(shù)（LAI）、葉片N密度和兩個光譜指數(shù)[7]。利用高光譜數(shù)據(jù)的作物N監(jiān)測及冠層內(nèi)N的垂直分布，可反映作物生長初期N脅迫。大多數(shù)模型中葉N垂直分布系數(shù)有效性有限，且反射系數(shù)主要為上部葉片層優(yōu)先掃描，作物N垂直分布的概率數(shù)據(jù)有偏差[8]。Zhao等提出基于RTM的多層冠層反射模型（Multiple-layer canopy ref lectance model，MRTM），MRTM解決冠層內(nèi)生物物理和生化變量的垂直異質(zhì)性[9]。

表1 UASHSI技術(shù)監(jiān)測植物氮素營養(yǎng)的應(yīng)用Table 1 Application of UASHSI technology in monitoring plant nitrogen nutrition

Nguyen等開發(fā)新型附加鹵素照明的夜間高光譜遙感系統(tǒng)，研究高、中、低施肥條件下白菜和菠菜葉片反射，葉片平均反射值可準確描述作物對施肥制度響應(yīng)，準確率分別為75%（白菜）和80%（菠菜），光譜區(qū)域700~709 nm、780~787 nm和817~821 nm與白菜和菠菜中氮、鉀、鎂和鈣含量相關(guān)[10]。于豐華等采用UASHSI技術(shù)建立水稻分蘗期施肥量處方圖，通過粒子群優(yōu)化的極限學習機方法（PSO-ELM）建立氮素濃度反演模型，結(jié)合農(nóng)用無人機參數(shù)建立模型確定精準施肥量，與傳統(tǒng)人工施肥技術(shù)相比，施肥量減少27.34%[11]。王玉娜等構(gòu)建歸一化光譜指數(shù)（NDSI）、比值光譜指數(shù)（RSI）和差值光譜指數(shù)（DSI），3類光譜指數(shù)進行NNI遙感估算，分析3類光譜指數(shù)與N指數(shù)相關(guān)性，選取對植株氮濃度、地上部生物量和N指數(shù)均敏感的10種光譜參數(shù)建立基于隨機森林N監(jiān)測回歸模型[12]。李長春等以無人機拍攝影像和高光譜遙感數(shù)據(jù)及地面實測大豆氮平衡指數(shù)（NBI）為基礎(chǔ)，篩選敏感波段并計算植被指數(shù)，采用經(jīng)驗?zāi)Ｐ头?gòu)建NBI反演模型，分析大豆生長期內(nèi)原始光譜和導數(shù)光譜與NBI相關(guān)性[13]。裴信彪等測試4種施氮水平下水稻光譜指數(shù)變化規(guī)律，分析水稻氮素水平與植被指數(shù)RVI和NDVI間影響[14]。王鑫梅等根據(jù)NDVI、RVI和DVI植被指數(shù)篩選指示冠層N特征敏感波段，分析9種光譜參數(shù)對核桃冠層N估算能力及其相關(guān)性，利用BP神經(jīng)網(wǎng)絡(luò)模型估算核桃冠層N（R2=0.805）[15]。

不同特征挖掘技術(shù)提取N相關(guān)光譜特征存在不一致性，每種數(shù)據(jù)處理技術(shù)在不同研究方面各有優(yōu)缺點。多特征挖掘技術(shù)的組合，包括基于高光譜植被指數(shù)（VI）回歸、非參數(shù)線性回歸和計算回歸，可能比僅使用一種方法獲得更可靠特征[16]，在集成組合后還應(yīng)融合空間域和頻域特征。

2 UAS HSI技術(shù)管理產(chǎn)量表型

快速準確估計生物量和產(chǎn)量有助于作物表型特點和特定地點管理。VIs作為HSI植物性狀估計常用方法，可最大限度減少比例因子影響，包括坡度效應(yīng)和光照條件變化（見表2）。低空UAS采集馬鈴薯作物冠層兩個生長階段可見光和HSI數(shù)據(jù)，結(jié)合特征選擇算法選取兩個窄帶VIs，利用隨機Forest回歸模型（RFR）預(yù)測地上生物量，具有較高精度（R2＞0.90），基于全波長光譜的偏最小二乘回歸（PLS）模型預(yù)測產(chǎn)量（R2=0.81）[17]。HSI可提供連續(xù)波段和空間特征預(yù)測植株株高，Aasen等利用UAS采集三維高光譜圖像建立三維表面高光譜模型[18]，實現(xiàn)株高可視化，估算株高（R2=0.7）和生物量（R2=0.29）。

表2 UASHSI技術(shù)管理產(chǎn)量表型應(yīng)用Table 2 Application of UASHSItechnology in managing production and phenotype

李嵐?jié)然谟行Рǘ谓⒉煌诘厣仙锪康闹С窒蛄繖C（SVM）和PLS監(jiān)測模型（R2=0.72）[19]。因UAV-HSI數(shù)據(jù)量級較大，康孝巖等提出冠層光譜重建優(yōu)化法，比原始光譜具有更好預(yù)測能力[20]，為無人機高光譜估算牧草生物量提供新方法。馬怡茹等將篩選后波段作為輸入量建立棉花葉面積指數(shù)監(jiān)測模型，一階導、隨機蛙跳預(yù)處理后建立RFR模型效果最優(yōu)（R2=0.74）[21]。易翔等采用連續(xù)投影算法（SPA）篩選不同預(yù)處理后特征波長，使用PLSR和RFR分別建立棉花地上部分生物量估算模型，發(fā)現(xiàn)采用一階導數(shù)預(yù)處理結(jié)合SPA篩選特征波長建立RFR模型效果最佳（R2=0.87）[22]。趙曉慶等建立PLSR模型估算大豆產(chǎn)量與不同空間植被指數(shù)間關(guān)系，當采樣空間尺度區(qū)域長寬與區(qū)域總長寬比例介于4.25∶5和4.5∶5時，采集數(shù)據(jù)得到的冠層光譜可更準確估測大豆產(chǎn)量，估算產(chǎn)量和實測產(chǎn)量間相關(guān)系數(shù)r=0.8117[23]。劉楊等基于無人機高光譜影像結(jié)合地面控制點GCP生成試驗田數(shù)字表面模型DSM，采用多元線性回歸（MLR）、PLSR、RFR 3種建模方法建立不同生育期生物量估算模型[24]，每種方法以光譜參數(shù)加入利用DSM提取的株高Hdsm為輸入建立的模型精確度和穩(wěn)定性更佳，以光譜參數(shù)和Hdsm為變量建立的MLR模型優(yōu)于PLSR和RFR模型。

光學VIs在作物高冠層覆蓋下飽和，因此難以檢測到垂直生長的營養(yǎng)和生殖器官生物量。利用窄帶高光譜可見光、測距、作物表面模型及其組合等技術(shù)在估算生物量方面取得重大進展，但新技術(shù)應(yīng)用受到成本、可用性和數(shù)據(jù)處理及高維度等條件限制。

3 UAS HSI技術(shù)評估作物病害

HSI技術(shù)在作物病害監(jiān)測評估中應(yīng)用廣泛，對病害自動檢測可降低植物保護劑用量和病害造成的生產(chǎn)損失。利用UASHSI技術(shù)對作物脅迫檢測和制圖方面進展明顯（見表3）。Gu等對感病植株和健康煙草植株以SPA選擇波長作為輸入變量，增強回歸樹（BRT）算法建立模型，在10倍交叉驗證中獲得最佳結(jié)果，HSI數(shù)據(jù)結(jié)合ML方法和波長選擇算法實現(xiàn)煙草早期番茄斑萎病毒（TSWV）無損檢測[25]，近紅外光譜區(qū)對區(qū)分感染煙葉和健康煙葉具有重要意義。Van De Vijver等基于主成分分析（PCA）、PLS-DA和SVM等進行有效像素判別性檢驗（精確度＞0.92），認為近紅外區(qū)（750 nm）為光譜中最具鑒別能力部分，繪制馬鈴薯早疫病高分辨率彩色圖像[26]。

表3 UASHSI技術(shù)評估作物病害應(yīng)用Table 3 Application of UASHSItechnology in evaluating crop diseases

任何影響植物葉綠素濃度、含水量和損害植物細胞的疾病或脅迫均影響光譜反射比和可見光值，特異性VIs值受病害或脅迫的嚴重程度發(fā)生變化，結(jié)合圖像分析和ML可檢測植被覆蓋度的變化。Chen等利用UAS圖像檢測花生早期病害階段葉片重量，通過反射獲得VIs區(qū)分青枯病嚴重程度，采用方差分析、多層感知和簡化抽樣方法分析光譜數(shù)據(jù)，得到相關(guān)系數(shù)最高的15項高光譜指標（R2＞0.80），發(fā)掘高光譜遙感潛力，有效檢測波長730和790 nm被用于開發(fā)花生青枯病新檢測指標[27]。Abdulridha等開發(fā)一種檢測南瓜白粉病（PM）不同疾病發(fā)展階段的技術(shù)，利用徑向基函數(shù)（RBF）區(qū)分健康和早、中、晚期發(fā)病階段最顯著條帶分別為388、591、646、975和1 012 nm，準確檢測疾病關(guān)鍵是確定最重要波長，該波長不僅檢測疾病，且可將疾?。捌浞制冢┡c其他疾病和非生物因素區(qū)分[28]。

謝傳奇等提取番茄健康和染病葉片ROI區(qū)域光譜反射率值和基于灰度共生矩陣得到紋理特征值，采用PCA和SPA結(jié)合LS-SVM構(gòu)建鑒別模型，發(fā)現(xiàn)采用光譜反射率值的LS-SVM模型識別率高，達到100%[29]。肖文等對水稻冠層高光譜數(shù)據(jù)與水稻紋枯病病情指數(shù)進行支持向量機回歸建模，其中支持向量機回歸作粒子群優(yōu)化（PSO-SVR）發(fā)現(xiàn)，分窗Gram-Schmidt算法優(yōu)于PCA和SPA[30]。曹益飛等將光譜分形維數(shù)（Fractal dimension，F(xiàn)D）作為定量描述水稻白葉枯病害的監(jiān)測光譜指數(shù)，將分形維數(shù)FD與常見作物病害指數(shù)（歸一化植被指數(shù)、比值植被指數(shù)）比較發(fā)現(xiàn)分形維數(shù)與水稻葉片是否感病有更高相關(guān)性[31]。孔繁昌等以不同光譜預(yù)處理后數(shù)據(jù)作為輸入，使用RFR建模，對比發(fā)現(xiàn)使用CVIs作為輸入?yún)⒘康慕ｒ炞C精度最高為90%[32]?？蝶惖壤媒?jīng)PCA、競爭性自適應(yīng)權(quán)重（CARS）及競爭性自適應(yīng)權(quán)重主成分分析（CARS-PCA）提取的特征變量作為輸入建立水稻稻瘟病早期高光譜分級檢測模型，以應(yīng)對稻瘟病早期葉片無病斑狀況[33]。梁輝等提取12個大斑病敏感波段結(jié)合前人提出的病害監(jiān)測參數(shù)，構(gòu)建13組針對玉米冠層大斑病監(jiān)測光譜指數(shù)，8組監(jiān)測光譜指數(shù)與大斑病實測DI值有顯著相關(guān)性（R2＞0.8）[34]。

4 UAS HSI技術(shù)反映植物功能特征

隨著HSI技術(shù)發(fā)展，植被遙感正從監(jiān)測結(jié)構(gòu)參數(shù)到功能特征模式轉(zhuǎn)變。Meacham-Hensold等利用PLS模型從具有不同光合作用的轉(zhuǎn)基因物種收集高光譜反射率數(shù)據(jù)預(yù)測光合作用和能力，準確預(yù)測植物最大羧化速率（Vcmax）、最大電子傳輸速率（Jmax）和N[35]。Zhang等利用粳稻和秈稻測定不同生長期不同部位N水平和光響應(yīng)曲線（LRC），分別用LRCs和高斯函數(shù)積分法計算最大凈光合速率和初始量子效率，通過UAS快速獲得數(shù)據(jù)預(yù)測水稻光合作用日變化模型[36]。高光譜輻射計、UAS、ML和計算能力的最新發(fā)展使我們可以利用光學高光譜信號信息，推斷植被關(guān)鍵功能特征[37]和模型反演[38]。利用Hyplant機載高分辨率圖像研究精細空間太陽誘導熒光（Solar-induced fluorescence，SIF）分辨率及繪制植物光合作用，確定空間異質(zhì)性在SIF和初級生產(chǎn)總值（GPP）之間關(guān)鍵作用[39]。輕型HSI傳感器研發(fā)可通過互補信號SIF和光化學反射指數(shù)（PRI）跟蹤作物生理和性能，這些信號可通過UAS獲得高質(zhì)量SIF和高光譜反射。Zarco-Tejada等采集柑橘冠層高光譜圖像數(shù)據(jù)，通過基于3個光譜帶（FLD3）的弗勞恩霍夫線深度（FLD）原理進行SIF量化，熒光（FLD3）和同化率之間相關(guān)系數(shù)為0.64~0.82[40]。證實季節(jié)性SIF反演可從更寬分辨率的高光譜圖像跟蹤光合作用，用于精確農(nóng)業(yè)和作物監(jiān)測研究。

Vcmax為估算CO2同化（a）關(guān)鍵參數(shù)。Camino等通過反演土壤冠層光合作用和能量觀測（SCOPE）模型，結(jié)合SIF和高光譜圖像估算Vcmax效用[41]。Vcmax遙感反演和研究方法對高通量植物表型和精準農(nóng)業(yè)應(yīng)用具有直接指導意義。Watt等利用一年生輻射松探討其光合能力（Vcmax、Jmax）與N、P和葉綠素（Chla+b）之間關(guān)系[42]。利用高光譜圖像量化功能性狀，檢驗光合變量與PRI、SIF和通過輻射傳遞模型反演的Chla+b之間關(guān)系強度和普遍性。高光譜圖像中量化的SIF和PRI在預(yù)測光合作用的生化限制方面具有更大普遍性，尤其是在植物N含量高，P含量有限時。Hinojo-Hinojo等研究不同葉片性狀和物候?qū)Σ叩乃笾Z蘭沙漠6種優(yōu)勢灌木和喬木的Vcmax25和Jmax25，Vcmax25和Jmax25的高值，通過提高光合反應(yīng)速率，提高光合、水和氮的利用效率，有利于在典型旱地條件下增加碳含量，證實光合作用模型的參量化，評估其作為光合作用生化模型中的最佳預(yù)測因子[43]，為發(fā)現(xiàn)高原旱地物種提供啟示。

葉綠素含量是反映作物營養(yǎng)狀況的重要指標，可評價作物氮肥充足程度。UAV高光譜影像具有高空間分辨率和高光譜分辨率可提供葉綠素空間分布。葉綠素含量模型中水稻研究較多[44-46]。除此之外，Zhu等估算玉米和小麥葉綠素含量，綜合分析UAS圖像光譜信息和空間尺度及表型和物候?qū)θ~綠素含量估計的影響[47]。研究對于設(shè)計UAS傳感器用于作物特定表型和物候期葉綠素含量估計的光譜和尺度問題具有一定參考價值，并推動UAS在精準農(nóng)業(yè)中的應(yīng)用。田明璐等提取27個光譜參數(shù)構(gòu)建棉花葉片葉綠素相對含量反演模型（SPAD-PLSR），可作為檢測棉花生長階段內(nèi)葉綠素含量主要方法[48]。常瀟月等建立玉米葉片葉綠素含量估算模型，并制作葉綠素含量分布圖，發(fā)現(xiàn)以紅邊一階微分最大值（Dr）為自變量構(gòu)建的回歸模型精度最高，SPAD-Dr模型得到的葉綠素含量分布圖精度最高（R2=0.89）[49]（見表4）。

表4 UASHSI技術(shù)反映植物功能特征應(yīng)用Table 4 Application of UASHSI technology in monitoring crop parameters

葉綠素SIF遙感作為研究熱點，是監(jiān)測陸地植被光合作用的一種新工具。在衛(wèi)星傳感器到機載高分辨率成像傳感器檢索SIF信號；檢索植物功能性狀新的遙感技術(shù)和算法，如色素（如葉綠素和葉黃素）和N含量以及功能參數(shù)（如Vcmax）；對影響葉和冠層葉綠素熒光的非光化學猝滅過程的地面調(diào)查到葉色素含量和Vcmax的區(qū)域和全球繪圖均已取得實質(zhì)性進展。

5 UAS HSI技術(shù)發(fā)展方向

HSI技術(shù)在預(yù)測植物生物物理和生理生化特征特性方面研究成果較多，為現(xiàn)代化精準農(nóng)業(yè)高效發(fā)展提供有力技術(shù)保障，但也存在一些問題。深入了解這些方法的局限性，有助于選擇合適方法實現(xiàn)作物監(jiān)測任務(wù)及進一步研究作物檢索方法。

5.1 HSI技術(shù)監(jiān)測營養(yǎng)素

植物營養(yǎng)素缺乏檢測、定量和分類成像技術(shù)已發(fā)展到可使用適當技術(shù)檢測植物顏色和形態(tài)的細微視覺變化。然而，當作物顯示出廣泛可視化眾多疾病時，為模型校準和訓練建立一個涵蓋所有類別和相關(guān)的可變性綜合數(shù)據(jù)集存在難度?；赨AS光譜成像選擇最佳譜帶組合相對復雜，設(shè)計和實現(xiàn)新型高性能機載高光譜系統(tǒng)需進一步完善數(shù)據(jù)處理系統(tǒng)。

目前缺乏來自不同數(shù)據(jù)采集平臺的大平臺數(shù)據(jù)監(jiān)測作物N。提高作物N檢索方法有兩種：分別為基于訓練數(shù)據(jù)集的擴充和開發(fā)RTM和相應(yīng)反演方案。海量高光譜數(shù)據(jù)為作物N監(jiān)測提供巨大潛力和挑戰(zhàn)，未來技術(shù)發(fā)展方向面臨挑戰(zhàn)，重點應(yīng)放在高級圖像處理技術(shù)上，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）光譜建模方法。

5.2 HSI技術(shù)預(yù)測產(chǎn)量

作物產(chǎn)量預(yù)測任務(wù)艱巨，預(yù)測模型中土壤變量的代表性相對較差，未來工作應(yīng)包括重要土壤特性精細比例圖，從近地感測數(shù)據(jù)中獲得土壤約束圖。在多元分類算法中結(jié)合地理空間數(shù)據(jù)和感測信息可快速、經(jīng)濟地提高土壤分類精度，這個矩陣可由行和列中元素數(shù)量或圖像分辨率來表征。此外，影響作物產(chǎn)量評估的重要農(nóng)藝信息（播種期、施肥量、灌溉量等）可作為有價值的輸入變量。

5.3 HSI技術(shù)監(jiān)測植物功能

監(jiān)測植物性狀和功能時需克服冠層結(jié)構(gòu)和土壤背景的混雜，且功能特性對反射率的影響僅可在狹窄光譜區(qū)域確定。新研究方向應(yīng)改進算法以跨尺度評估功能特征，從UAS生化參數(shù)空間高分辨率到Cab和Vcmax的全球應(yīng)用[50]，評估和改進關(guān)鍵植物功能性狀特征。高光譜傳感器最新進展及其與多功能遙感平臺的融合，使獲取具有不同空間、光譜和時間分辨率的高光譜集成數(shù)據(jù)成為可能，未來將以更高時空分辨率提供更多數(shù)據(jù)流。