农业光谱数字技术在作物信息监测上的应用进展

雷利琴，官春云



农业光谱数字技术在作物信息监测上的应用进展

雷利琴，官春云

(湖南农业大学农学院，长沙 410128)

随着精细农业的发展，光谱数字技术已成为数字农业的重要研究方法。绿色植物具有典型的光谱特性，不同的肥水管理、栽培措施及品种类型导致作物生长状况发生变化，从而会形成独特的光谱特征。农业光谱数字技术就是通过寻找作物农学参数敏感波段的光谱反射率及其衍生指数与作物农学参数相关关系及内在规律，基于这样的定量化规律性关系，来监测作物光合、生长、含水量、氮素营养、产量和品质等。

光谱技术；数字农业；作物监测

信息科学与农业科学交叉融合而形成的农业数字信息技术正快速发展成为一门新兴的高技术学科。农业数字信息技术增强了对农作研究对象的量化描述和认识，综合发展和集成单项农业理论与技术，实现了农业自然资源与经济资源的合理有效配置和优化利用，提高了农业管理决策的科学性和预见性，促进了农产品生产力的提高，为农业科技提供新的研究手段和方法，方便快捷地实现了农业科技成果的广泛传播和推广应用，使传统粗放性和经验性的农业管理模式向数字化、精确化和科学化的现代农业管理模式转变，使农业产业产生更大的社会、经济和生态效益。

当前有关农业数字化的关键技术的研究主要集中在农作信息管理技术、农作过程模拟技术、农作信息监测技术、农作管理决策技术、数字农作平台技术等。其中，农作信息监测是农业数字信息获取的主要内容。农作信息的无损实时监测包括空间监测和地面监测。由于遥感资料的获取具有固定的周期，且遥感图像的解译受到天气状况的影响显著，运行成本较高，目前越来越多的科学家开始利用地面监测，如利用光谱数字技术来研究农情信息。LAI（叶面积指数）、干物质等指标的光谱监测技术已趋于成熟。

农业光谱数字技术是指在地面平台上运用各种传感器获取植被的信息即植被光谱反射率，再通过分析不同环境条件下植被生理生化特征(如植株各生育期养分含量、含水量、生长指标、产量、品质指标)与作物冠层光谱反射特征的关系，找出能敏感反映植被生理生化特征的光谱波段范围，并得出植被生理生化特征与敏感波段光谱反射率之间的定量关系，最后建立植被生理生化特征的综合监测模型与诊断系统的一种科学技术。

1 绿色植被的典型光谱特征

不同于水体、土壤、岩石等地物的光谱特征，受农学参数的影响，绿色植被的反射光谱特征大体表现为：叶绿素吸收大部分的蓝光和红光，反射大部分绿光；植物叶片构造中的栅栏组织散射不受叶绿素影响的红外光。绿色植物的反射光谱波形是相似的：在可见光400～680 nm波段，具有中等大小的反射率值，其中530～560 nm波段与叶绿素和氮素密切相关，反射率相对较低，绿光550 nm附近是叶绿素的强反射峰；而在600～680 nm的红光波段区域，也因叶绿素和氮素的强烈吸收，使得650～680 nm附近的反射率较低；在680～760 nm波段，反射率曲线陡而接近于直线，其斜率与叶绿素的含量密切相关；在760～1 300 nm波段，近红外光反射率都偏大，其中1 100～1 300 nm波段反射率趋于稳定；1 300～2 600 nm短波红外光谱区，随波长的增加，吸收增加，而反射、透射减小，且吸收的增加呈现若干个波峰与波谷，此波段的绿色植物的光谱特性主要受叶片水分的影响，其中在1 496，2 054，2 172和2 352 nm等红外波段，反射率也与氮素状况密切相关[1]。

研究表明，植被的叶片结构、叶绿素、水分含量和其他生物化学组分对光谱的吸收、透射、折射及反射直接影响着植被的反射光谱特征。植被因不同种类、不同生育时期以及不同健康状况，其植株形态、冠层结构、养分含量、含水量、长势长相、产量、品质等特征不同，继而其光谱反射特性也不同，并且其光谱反射特性差异主要表现在反射率的大小。在作物生长过程中，不同的肥水管理、栽培措施及品种类型导致作物生长状况发生变化，从而会形成独特的光谱特征。

农业光谱数字技术就是通过寻找作物农学参数敏感波段的光谱反射率及其衍生指数与作物农学参数相关关系及内在规律，基于这样的定量化规律性关系，来进行农作信息监测。

2 光谱数字技术在作物信息监测上的应用

2.1 光合监测

目前，国外已有部分关于光谱监测植物光合能力的研究。Carter发现波长701 nm的光谱反射率(reflectance) R701和波长820 nm的光谱反射率R820的比值植被指数RVI(R701, R820)或由它们组成的归一化植被指数NDVI(R701, R820)能很好地监测月松树光合能力[2]。然而，直接以作物叶片净光合速率为农学参数结合植株冠层光谱反射率建立定量关系来监测作物光合的报道很少，大多数光合监测研究都集中在叶绿素与光谱反射率的定量定性关系上。叶绿素是作物光合作用的主要色素，是吸收光能的主要物质，其含量的高低直接影响作物的光合和物质积累能力。因此，实时掌握作物叶绿素含量与冠层光谱反射率的动态变化可以有效地监测作物光合能力。叶绿素对红光、蓝光的强吸收、对近红外光极弱吸收和水分对近红外光的强吸收，造成了植被光谱在可见波段的低反射率、近红外波段的高反射率和短波近红外区域的较高反射率特征。通常，绿波段和红边波段(350～750 nm)是植被叶片叶绿素含量的敏感光谱波段集中区。吴长山等[3]发现了几种农作物在762 nm波段的导数光谱能很好地监测叶绿素含量，其建立的监测模型的RRMSE（相对均方差根）约为0.272 g/m²，2（精度）约为80.6%。Horler等[4]发现，700 nm波段的导数光谱与植被叶绿素含量呈显著相关关系，能很好地监测植株的光合能力。

2.2 生长监测

作物生长监测是数字农业的重要任务之一，其目的是为田间管理提供及时的作物信息，也为早期估计产量提供苗前依据。在作物长势监测中最常用的作物生长特征参数是叶面积指数和群体生物量，一般可以采用红、绿、近红外三个波段范围反射率的比值、差值、导数等来监测作物的LAI和生物量。

总体上，红光区域光谱反射率与叶面积指数相关性较为密切，在研究作物叶面积指数与其冠层光谱的关系中，唐延林等[5]发现，比值植被指数R990/R550、R800/R550和R750/R550的变量与作物的LAI呈显著相关关系，据此能很好地建立LAI监测模型。可见光波段和近红外短波段也是叶面积指数的敏感波段。李映雪等[6]在研究小麦叶面积指数与冠层反射光谱的定量关系中发现LAI与它们的反射率分别呈负相关和显著正相关,其中比值植被指数RVI(R810,R510)和差值植被指数DVI(R810, R560)与小麦LAI呈显著线性和指数函数关系。

由于作物生物量与叶面积指数密切相关，因此红光波段(620~700 nm)和近红外波段(740~1 100 nm)也是生物量的敏感光谱区域。唐延林等[5]对水稻、玉米和棉花的研究发现，鲜干叶重与冠层光谱的比值植被指数RVI(R990，R550)，RVI(R800，R550)，RVI(R750，R550)，RVI(R800，R680)及红边参数的相关极显著；作物生物量在三边(蓝边、黄边和红边)光谱区也有定量的规律性。在水稻地上鲜生物量的高光谱遥感估算模型研究中，王秀珍等发现由红边内一阶微分总和与蓝边内一阶微分总和构成的比值植被指数与地上鲜生物量有显著的线性关系[7]。

2.3 含水量监测

作物生产中最为重要的措施之一就是作物水分调控与管理。因为水是植物生命活动的必要条件，植株含水量的变化直接影响植物对营养物质的吸收和运输以及一系列生理生化反应，从而影响植物生长、产量和品质。植株水分的敏感光谱波段主要有970，1 450，1940，950～970和1 300～2 500 nm等。缺水时，植株叶片的光谱反射率增加；当植株含水量升高时，近红外反射率随着降低，其中R970和R900能很好地反映植株的含水量。基于植株含水量与光谱反射率之间的相关关系，Penuelas等[8]发现比值指数R1600/R820的变量能很好地监测植株含水量。Danson等[9]发现叶片含水率的敏感波段在1 360～1 470 nm和1 830～2 080 nm等波段处，其导数光谱能很好地监测叶片含水率。

2.4 氮素营养监测

在作物生产过程中，适时掌握作物氮素生理参数的动态，是实施因苗管理、因需施肥，进而实现现代作物生产优质、高产、高效、安全、生态目标，减少资源浪费和环境污染的必要条件。作物氮素营养的无损监测与精确诊断被认为是作物高效氮肥管理的关键技术。作物氮素参数监测的适宜特征光谱随不同的作物和试验条件而有所差异，因此有关氮素指标与光谱参数的规律性和定量化关系是科研当中普遍关注的热点与重点。在波长500～700 nm处，光谱反射率受氮素影响最显著。植株缺氮时，叶片光谱反射率的差异主要在530 nm处；430 nm波段、550 nm波段、680 nm波段都是植物氮素状况的敏感波段，其中430 nm和680 nm两波段的差值与和值的比值可以很好地用来监测小麦氮素含量[10]。Munden等[11]发现绿光545 nm波段反射率和红光660 nm波段反射率与小麦氮含量的线性函数能极好地监测小麦氮含量状况。也有研究显示，在680 nm波段处，植株缺氮会导致早稻叶片可见光区域的反射率增加，而近红外区域的反射率降低，ND和RVI等植被指数也能很好地监测水稻叶片含氮量[12]。因此叶片的氮素含量可以通过光谱分析方法来估测。

2.5 产量及品质监测

运用光谱技术检测作物生长的光谱数字特性建立农作物产量的光谱监测模型，进而估测作物产量，能够大大降低大面积产量预报的成本和更准确地评价不同地区和栽培条件下作物产量的变异状况。已有研究显示，利用冠层多光谱反射率检测谷类作物籽粒产量是行之有效的。肖乾广等监测发现抽穗前后是小麦单产估测的最佳时机[13]。目前，比值植被指数(RVI)、归一化植被指数(NDVI)和差值植被指数(DVI)是稻麦产量预报中常用的植被指数。黄敬峰等在研究水稻估产模型中发现以RVI和NDVI得到的检测模型误差都在0.01以下，其中以NDVI检测到的产量有的拟合误差只有0.4289%，极其精确[14]。在前人研究的基础上，很多研究者建立了适用于不同生态区的估产模式，如黄敬峰等在研究浙江省水稻产量模型时，先建立水稻产量与叶面积指数(LAI)的回归模型，再结合叶面积指数与光谱指数变量(RVI，NDVI)的极显著性相关关系,能很好地估算出水稻的产量[15]。

利用光谱数字技术在作物收获前对其品质进行无损监测，有助于制定合理的品质分级分类收获和加工方案，对确保粮食生产的优质优价具有重要的意义[16，17]。国内外已有一些利用反射光谱来反演作物品质状况的报道，用偏最小二乘法结合冠层光谱反射率和小麦籽粒蛋白质含量，Hansen等发现两者有很好的相关关系，利用此关系能很好地预测小麦籽粒的蛋白质含量[18]；小麦抽穗后的冠层植被比值指数RVI(R1500，R610)以及RVI(R1220,R560)的指数变量能极好地监测籽粒蛋白质和淀粉积累量[19]。研究表明，利用冠层反射光谱监测作物籽粒品质是可行的。

3 总 结

光谱数字技术发展很快，高光谱分辨率能动态、快速、准确、及时地识别农作性质和组成成分，以提供各种农作长势、水肥状况、病虫害情况等信息数据，方便农作诊断、决策和估产；无损获取农作信息的技术能大大降低大区域估产成本，能更合理地制定农产品品质分级分类收获和加工方案，能更准确地预报作物产量因地区和栽培条件不同而发生的变异状况，对确保粮食生产的安全和优质优价具有重要的作用。

虽然光谱技术在国内外农业上的运用取得了很大的进步，但在运用中也存在一些问题。在技术设计方面，连接光谱仪探头的光缆线长度影响光谱反射率值，线越短，探头越灵敏，测试的反射率越准，由于光谱仪本身设计需要，探头的灵敏度有一定的误差，而且不适合痕量分析。在经济成本方面，光谱技术不适于分散性样品的分析，很多情况下光谱技术仅是一种间接分析技术，需要耗费人力和财力不断地对模型进行维护，因为每一种模型只能适应一定的时间和空间范围，并且用户的技术会影响模型的使用效果。在环境因子方面，植株冠层光谱受大气因素影响大，需尽量在晴朗无云的天气下进行测试，阴天时，大气水汽增加，强烈干扰植株水分对光谱的吸收波段，天气稍有变化，就会影响模型的精确度；还有影响作物生长的气象因子很难消除，需通过融入积温和降雨等参数建立光谱-气象融合模型，以提高估产精度。在波谱类型选择方面，已有研究一般基于多光谱反射仪获得的光谱数据，波段少且分辨率低，易导致关键信息的缺失，而植物的高光谱波谱宽，其反射率的连续性、精细性好，有助于获得丰富的敏感波段组合及良好参数类型，在试验中同时进行多光谱和高光谱观测研究能更好地解析作物光谱与农学参数的定量关系。在植物群体因子方面，已有采用光谱技术对作物的研究，大多数都集中在对植物冠层的研究，即使植物冠层可以反映大面积田块的生长情况，但是冠层光谱受土壤背景、作物生长密度、作物叶片大小、作物生长阶段的影响还是比较大的，因此植株及冠层形态的变化对反射光谱的影响还需进一步探索，在建立作物监测和诊断模型时，必须设法消除植株和植株冠层结构对光谱反射率的影响，以提高由冠层光谱信息建立的监测模型精度。

[1] 寇有观，萧林．农业遥感[M]．北京：中国农业出版社，1988．18-38．

[2] Carter GA．Reflectance wavebands and indices for remote estimation of photosynthesis and stomatal conductance in pine canopies [J]．Remote Sensing of Environment，1998，63：61-72．

[3] 吴长山，项月琴．利用高光谱数据对作物群体叶绿素密度估算的研究[J]．遥感学报，2000，4(3)：228-232．

[4] Horler DN，Barber H．Approaches to detection of geochemical stress in vegetation[J]．Advances in Space Research，1983，(3)：175-179．

[5] 唐延林，王秀珍，王福民，等．农作物LAI和生物量的高光谱法测定[J]．西北农林科技大学学报：自然科学版，2004，32(11)：100-104．

[6] 李映雪，朱艳，戴廷波，等．小麦叶面积指数与冠层反射光谱的定量关系[J]．应用生态学报，2006，17(8)： 1443-1447．

[7] 王秀珍，黄敬峰，李云梅．水稻地上鲜生物量的高光谱遥感估算模型研究[J]．作物学报，2003，29(6)：815-821．

[8] Penuelas J，Filella I，Biel C，et al．The reflectance at the 950-970 nm region as an indicator of plant water status[J]. International Journal of Remote Sensing，1993，14(10)：1887-1905．

[9] Danson FM，Steven MD，Malthus TJ，et al ．High spectral resolution data for determining leaf water concentration [J]．International Journal of Remote Sensing，1992，(1)：461-470．

[10] Filella I，Penuelas J．The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J]．International Journal of Remote Sensing，1994 15(7)：182-193．

[11] Munden R，Curran PJ，Catt JA．The relationship between the red edge and chlorophyll concentration in the broadbalk winter wheat experiment at Rothamsted [J]. International Journal of Remote Sensing，1994，15：705-709．

[12] 王人潮，陈铭臻，蒋亨显．水稻遥感估产的农学机理研究I．不同氮素水平的水稻光谱特征及其敏感波段的选择[J]．浙江农业大学学报，1993，19(增刊)：7-14．

[13] 肖乾广，周嗣松，陈维英，等．用气象卫星数据对冬小麦进行估产的试验[A]．见：全国冬小麦遥感综合测产协作组．冬小麦气象卫星遥感动态监测与估产[C]．北京：气象出版社，1993．23-30．

[14] 黄敬峰，杨忠恩，王人潮，等．基于GIS的水稻遥感估产模型研究[J]．遥感技术与应用，2002，17(3)：125-128．

[15] 黄敬峰，杨忠恩，王人潮，等．基于GIS的浙江省水稻遥感估产最佳时相选择[J]．应用生态学报，2002，13(3)：290-294．

[16] Delgado JA，Ristau RJ，Dillon MA．Use of innovative tools to increase nitrogen use efficiency and protect environmental quality in crop rotations [J]. Communications in Soil Science and Plant Analysis，2001，32：1321-1354．

[17] Sembiring H，Raun WR，Johnson GV，et al．Detection of nitrogen and phosphorus nutrient status in winter wheat using spectral radiance[J]．Journal of Plant Nutrition，1998，21(6)：1207-1233．

[18] Hansen PM，Jorgensen JR，Thomsen A．Predicting grain yield and protein content in winter wheat and spring barley using repeated canopy reflectance measurements and partial least squares regression[J]．J Agri Sci，2002，139：307-318．

[19] 田永超，朱艳，曹卫星，等．利用冠层反射光谱和叶片SPAD值预测小麦籽粒蛋白质和淀粉的积累[J]．中国农业科学，2004，37(6)：808-813．

责任编辑：李东辉

2011-07-15

雷利琴(1986—)，女，湖南衡阳人，硕士研究生，研究方向：数字农业。

S123

A

1001-5280(2011)06-0626-04

10.3969/j.issn.1001-5280.2011.06.25