光谱技术在水稻生长监测中的应用研究进展

曾水生等

摘 要：光谱技术可以快速、准确、无损地获取水稻生长状态的实时信息，是水稻生长监测和精确管理中实施变量投入不可或缺的关键技术。综述了以光谱技术监测水稻长势（包括叶面积指数和生物量）、水稻生物化学参数（包括氮素营养和叶绿素含量）和水分的国内外研究进展，并提出了一些今后研究的设想，以期为提高水稻精确管理水平和单位面积产量提供技术支撑。

关键词：水稻；光谱技术；生长监测

中图分类号：S311 文献标志码：A 论文编号：2014-0613

Abstract： Spectrum technique can rapid， accurate and non-destructive monitoring the growth status of rice in the field. It is an essential key technique to implement variable input in rice growth monitoring and precision management. On the basis of spectrum technique， monitoring character of rice growth （including leaf area index and biomass）， bio-chemical parameters （including nitrogen nutrition and chlorophyll content） and water of rice were summarized and some ideas for further research were discussed in this paper， which could provide a technique support on improve precision management level and unit area grain yield in rice.

Key words： Rice； Spectrum Technique； Growth Monitoring

0 引言

精确农业是现有农业生产管理措施与现代信息高新技术的有机结合，其核心是针对作物群体生长差异精确投入，是实现农业高产、优质、高效、低耗和安全的重要途径[1-2]。光谱技术可实时、快速、准确、无损地获取农作物生长发育、水肥状况等信息，是实施精确农业的重要工具[3]。基于反射光谱监测作物生长状况是实现作物长势实时、无损、快速诊断的有效工具和手段，与传统的诊断手段相比，该技术快速、无损、省时、省力，而且信息获取量大，是作物精确管理中实施变量投入不可或缺的关键支撑技术。近年来，许多学者利用光谱技术在作物生长监测方面开展了大量的相关研究，取得了不错进展。如Shibayama等[4]利用多元回归法分析了水稻多时相的可见光、近红外与中红外光谱和叶面积指数与地上部干物质的关系；Bodo等[5]利用冠层光谱反射率估测了作物氮营素养状况；田永超等分析了光谱植被指数与水稻叶面积指数[6]、叶层全氮含量[7]和植株含水率[8]等指标间定量关系。光谱技术已成为精确农业发展的重要方向和研究热点之一，水稻是中国种植面积最大、单产最高的粮食作物之一，在中国粮食安全保障与社会经济发展中占有极其重要的地位，而前人专题针对光谱技术在水稻生长指标监测中的综述研究较少。为此，笔者综述了光谱技术在水稻叶面积指数、生物量、氮素营养、叶绿素含量、水分含量等生长指标监测中的应用研究进展，以期为提高水稻精确管理水平和单位面积产量提供技术支撑。

1 水稻长势的监测

1.1 水稻叶面积指数的监测

叶面积指数（LAI）决定着水稻的许多生物和物理过程，是表征水稻光合面积大小和冠层结构的重要参数，也是水稻生长模型和决策支持系统的重要输入参数。因此，快速、实时地监测水稻LAI状况具有重要意义。光谱技术以其快速、实时、无损探测等特点，正逐步成为水稻LAI估测的有力工具，受到国内外学者的广泛关注[9]。利用遥感数据提取水稻LAI的方法可以采用构造比值植被指数、归一化植被指数、垂直植被指数等不同形式的光谱参数与LAI的相关分析来反演LAI[10-11]。随着高光谱遥感技术的迅速发展，基于植被冠层反射光谱分析的导数和红边参数光谱技术也用来反演作物LAI。刘伟东等[12]研究表明，LAI与一阶微分光谱均表现出良好的相关性。王秀珍等[13]指出，归一化差值植被指数、蓝边内一阶微分总和与红边内一阶微分总和的比值是估测水稻LAI的最佳参数。田永超等[6]研究指出，水稻LAI与部分高光谱植被指数存在良好的相关性，其中以差值指数DI（854，760）为变量建立的水稻LAI监测模型效果最好，可用于水稻LAI的估测。Broge等[14]研究指出，基于高光谱的植被指数对LAI的估测并不优于宽波段植被指数，加之高光谱遥感数据量大，处理复杂，实用性不如宽波段植被指数。为了提高水稻LAI的估测精度，有学者采用支持向量机和主成分分析法等模糊统计方法来估算LAI[15-16]。也有学者利用各种卫星遥感数据，如MODIS具有不同波段设置和分辨率的影像在大范围的LAI监测中获得了较好的反演效果[17]。上述研究表明，利用光谱技术可较好的估测水稻叶面积指数，能较好的解决传统破坏性取样获取水稻叶面积指数方法费力费时的缺陷。

1.2 水稻生物量的监测

生物量的大小是衡量水稻生长状况的重要指标，与水稻产量和LAI紧密相关。所以，用来监测水稻LAI的方法均可用于生物量的监测，主要是利用高光谱参数、植被指数和生物量进行相关分析。如Casanova等[18]利用植被指数反射模型反演的光合有效辐射可准确估算水稻的生物量。Prasad等[19]研究表明，生物量与近红外波段（740～1100 nm）的反射率呈正相关，与红光波段（620～700 nm）的反射率呈负相关。Takahashi等[20]研究表明，可利用冠层可见光和近红外高光谱反射率来建立估算水稻干物质重的监测模型。Gitelson等[21]指出，可利用红边位置的对数方程估算生物量。同时，国内学者也对水稻生物量的监测开展了大量研究。唐延林等[22]利用760～900 nm和630～690 nm这2个宽波段的组合比值植被指数和归一化植被指数估测了水稻鲜干叶重；他还利用红边位置、红边幅值监测水稻、玉米等作物的鲜干叶重[23]。王秀珍等[24]指出，可利用蓝边内一阶微分总和与红边内一阶微分总和组成的比值植被指数来构建水稻鲜重的监测模型。为寻求有效的水稻生物量估算方法，张远等[25]尝试开发了微波冠层散射模型，结果表明，利用微波遥感机理模型来反演水稻结构参数和估算水稻生物量效果较好，具有应用潜力。所以，通过对光谱数据进行有效提取，建立高光谱参数与植被指数均可准确的估测水稻生物量。

2 水稻生化参数的监测

2.1 水稻氮素营养的监测

氮素是水稻生长发育中最重要的营养元素之一，是评价水稻长势、估测产量与品质的重要参考指标。氮肥施用过多或过少均会不同程度的影响水稻生长，导致叶绿素含量、生物量、叶面积指数等的变化，进而改变水稻群体的冠层光谱反射率。所以，利用光谱技术无损监测水稻氮素营养状况始终是作物遥感监测研究的重点[5]，对于诊断水稻生长特征、提高氮肥利用率、降低过量施氮带来的农田环境污染具有重要意义。20世纪70年代以来，国内外许多学者广泛开展了作物叶片氮素监测诊断研究，寻找氮素的敏感波段及其反射率在不同氮素水平下的表现。Thomas等[26]利用550 nm和670 nm两个波段定量估算了甜椒的氮素含量。Stone等[27]研究指出，可利用671 nm和780 nm这2个波段的光谱反射率组合植株—氮—光谱指数估测小麦全氮含量。以上研究提出的氮素敏感波段多位于可见光波段，并且认为绿光附近效果最佳。在阐明氮素敏感波段后，国内外学者利用各种统计方法寻找氮含量与光谱反射率及其演生参数间的定量关系，且构建了估算作物氮素含量的监测模型。如Nguyen等[28]采用偏最小二乘法预测了水稻叶片氮素状况。Inoue等[29]研究指出，可利用可见光和近红外区域内高光谱数据的多元回归模型来估测水稻叶片的氮素含量。杨长明等[30]研究发现，水稻叶片氮素含量和1376 nm波段的冠层光谱反射率呈负相关。朱艳等[31]研究指出，小麦和水稻的叶片氮素含量都与归一化差值植被指数（1220，610）具有很好的相关性，可利用共同的波段与光谱指数来监测其叶片氮素含量。谭昌伟等[32]分析了水稻氮素含量和原始光谱反射率、一阶微分光谱及高光谱参数间的定量关系，建立与检验了以光谱参数为变量的水稻氮素营养监测诊断模型。田永超等[7]研究发现，绿光560 nm和红边705 nm波段附近光谱反射率与叶层全氮含量呈极显著负相关，两者分别与近红外波段组合而成的光谱比值指数可较好地监测水稻叶层全氮含量，其中绿光、红边窄波段比值指数SR（R780，R580）和SR（R780，R704）表现较好。覃夏等[33]建立基于水稻冠层归一化植被指数NDVI的早稻氮素诊断模型，并利用模型指导水稻生产实践，实现水稻氮素追肥的精确定量。由于水稻冠层光谱反射率受到叶片面积、角度、土壤覆盖度和含水量等因子影响，同时，上述因子具有明显的时空动态性，所以，这样构建的氮素光谱诊断模型具有明显的局限性，难以用于建模以外的时空条件，如何提高氮素光谱诊断模型的普适性有待进一步深入探讨。

2.2 水稻叶绿素的监测

叶绿素是水稻叶片吸收转化光能的重要物质，是评价作物光合效率与营养胁迫的重要指标。可见光波段是叶片叶绿素含量最敏感波段，蓝光与红光被叶绿素强烈吸收，导致反射率较小，绿光是叶绿素吸收低谷区[34]。许多研究表明[35-36]，可利用光谱技术来监测作物叶片叶绿素含量。吴长山等[37]分析了水稻等作物的叶片光谱特征与叶绿素密度的关系，指出在762 nm波段的导数光谱与叶绿素密度具有高度的相关性。刘伟东等[12]分析了水稻整个生育期内叶绿素密度与高光谱数据的关系，指出微分技术能够改善光谱数据与叶绿素密度的相关性。另外，许多学者对水稻不同叶位叶片的叶绿素含量与光谱反射率间的关系进行大量研究。孙雪梅等[38]研究指出，植被指数GNDVI和水稻抽穗后顶一叶叶绿素含量的关系最好。陈维君等[39]研究表明，mSR705和mND705是预测水稻乳熟后顶一叶叶绿素含量的良好光谱指数。杨杰等[40]分析了水稻主茎顶部4张叶片的高光谱反射率与叶绿素含量的定量关系，发现红边波段的比值和归一化光谱指数可较好的估测水稻上部4叶的叶绿素含量。所以，利用高光谱数据可准确地监测水稻叶片的叶绿素密度与叶绿素含量等信息。

3 水稻水分的监测

水分是影响作物生长发育、光合作用和呼吸作用的主要环境因子之一。叶片含水量是水稻水分状况良好度量和诊断指标，采用传统的测定方法存在测试时间长并具破坏性等缺陷。近年来，光谱技术的快速发展，使作物水分状况的无损实时监测成为可能。许多学者针对干旱对作物光谱特性的影响及光谱对叶片水分亏缺的响应等开展了广泛研究，同时构建光谱指数来诊断植株水分状况。干旱时，作物冠层光谱反射率在近红外区域都有所降低，认为760～900 nm是监测作物水分胁迫的最好波段，可以作为作物中度干旱时水分状况的指示器[3]。Danson等[41]研究发现，1360～1470 nm和1830～2080 nm为水分吸收波段，其叶片反射率一阶导数和叶片含水量具有很好的相关性，并且不受叶片结构的影响。Ceccato等[42]研究表明，利用短波红外波段（1600 nm）与近红外波段（820 nm）的比值来估算含水量比用单一波段估测的结果更准确。田永超等[8]研究了不同土壤水氮条件下水稻冠层光谱反射特征与植株含水量的相关性，表明水稻冠层短波红外光谱反射率随土壤含水量的降低而升高，而近红外光谱反射率随土壤含水量的降低而降低，比值植被指数R810/R460可以较好的监测不同生育期水稻叶片和植株含水率。孙俊等[43]于水稻孕穗期同时测量室外水稻冠层光谱反射率和叶片含水率，分别应用BP神经网络和GA-BP-Network、传统多元线性回归方法建立叶片含水率预测模型，试验表明，GA-BP-Network 模型的预测效果最好。

4 展望

光谱技术可实时、快速、准确地获取作物长势、生物化学参数等信息。随着高光谱遥感的快速发展，可以更准确地探测并获取作物的精细光谱信息来估测生物量、LAI和氮素等指标，但是，目前的作物监测模型多为静态的统计模型，难以提示作物生长发育、产量形成及其与气候土壤环境的互作机理，缺乏普适性与动态性[44]。因此，将光谱遥感信息与作物生长模型相耦合，以利于构建普适性强且方便可靠地光谱监测模型，进而进一步提高模型的反演能力与精度，是解决光谱监测问题的有效途径和农业遥感研究的重要方向之一。利用光谱技术探测作物生长状态可在地面和高空两个层面下进行，相对于基于航空航天平台的作物生长监测，地面遥感监测作物生长具有受大气干扰和传感器本身性能等因子的影响小、监测精度高等优点，但存在监测区域小的缺点。所以，将精度较高地地面光监测模型与空间遥感信息相结合，构建作物长势、氮素含量等指标的遥感监测模型，用来指导大尺度的作物生长监测与肥水精确调控。此外，目前作物长势、生物化学参数等信息的获取大多是基于国外进口的地物光谱仪，不但价格昂贵，而且结构复杂，操作繁琐，不便于田间生产使用。因此，研制结构简单、价格便宜和易于田间操作的便携带式作物生长监测诊断仪仍然是光谱监测研究中的一个重要方向，有利于解决当前作物生长信息实时、快速、无损测量手段瓶颈问题，以提高作物生产精确管理水平和综合效益。

参考文献

[1] 蒋焕煜，应义斌，谢丽娟.光谱分析技术在作物生长信息检测中的应用研究进展[J].光谱学与光谱分析，2008，28（6）：1300-1304.

[2] 李映雪，谢晓金，徐德福.高光谱遥感技术在作物生长监测中的应用研究进展[J].麦类作物学报，2009，29（1）：174-178.

[3] 冯伟，郭天财，谢迎新，等.作物光谱分析技术及其在生长监测中的应用[J].中国农学通报，2009，25（23）：182-188.

[4] Shibayama Michio， Akiyama Tsuyoshi. Seasonal visible， near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass[J]. Remote Sensing of Environment，1989（27）：119-127.

[5] Bodo M， Urs S. Estimating the nitrogen nutrition index using spectral canopy reflectance measurements[J]. European Journal of Agronomy， 2008（7）：1-7.

[6] 田永超，杨杰，姚霞，等.高光谱植被指数与水稻叶面积指数的定量关系[J].应用生态学报，2009，20（7）：1685-1690.

[7] 田永超，杨杰，姚霞，等.利用叶片高光谱指数预测水稻群体叶层全氮含量[J].作物学报，2010，36（9）：1529-1537.

[8] 田永超，曹卫星，姜东，等.不同水氮条件下水稻冠层反射光谱与植株含水率的定量关系[J].植物生态学报，2005，29（2）：318-323.

[9] Roshanak D， Andrew S， Martin S， et al. Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in a heterogeneous grassland[J]. Remote Sensing of Environment，2008，112（5）：2592-2604.

[10] 薛利红，曹卫星，罗卫红，等.光谱植被指数与水稻叶面积指数相关性的研究[J].植物生态学报，2004，28（1）：47-52.

[11] 张晓阳，李劲峰.利用垂直植被指数推算作物叶面积系数的理论模式[J].遥感技术与应用，1995，10（3）：13-18.

[12] 刘伟东，项月琴，郑兰芬，等.高光谱数据与水稻叶面积指数及叶绿素密度的相关分析[J].遥感学报，2000，4（4）：279-283.

[13] 王秀珍，黄敬峰，李云梅，等.水稻叶面积指数的高光谱遥感估算模型[J].遥感学报，2004，8（1）：81-88.

[14] Broge N H， J V Mortensen. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing of Environment，2002（81）：45-57.

[15] 杨晓华，黄敬峰，王秀珍，等.基于支持向量机的水稻叶面积指数高光谱估算模型研究[J].光谱学与光谱分析，2008，28（8）：1837-1841.

[16] 杨燕，田庆久.高光谱反演水稻叶面积指数的主成分分析法[J].国土资源遥感，2007（3）：47-50.

[17] Fang H L， Liang S L. A hybrid invers ion m ethod for mapping leaf area index from MOD IS data： Experiments and application to broad lea f and needle leaf canopies[J]. Remote Sensing of Environment，2005（94）：405-424.

[18] Casanova D， Epema G F， Goudriaan J. Monitoring rice reflectance at field level for estimating biomass and LAI[J]. Field Crops Research，1998（55）：83-92.

[19] Prasad S T， Ronald B， Smith， et al. Hyperspectral vegetation indices and their relationship with agricultural crop characteristics[J]. Remote Sensing Environment，2000（71）：158-182.

[20] Takahashi W， Nguyen C V， Kawaguchi S， et al. Statistical models for prediction of dry weight and nitrogen accumulation based on visible and near-infrared hyper-spectral reflectance of rice canopies[J]. Plant Production Science，2000，3（4）：377-386.

[21] Gitelson A A， Kaufman Y J， Stark R， et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002（80）：76-87.

[22] 唐延林，王秀珍，王珂.利用光谱法测定水稻生物物理参数及其与光谱变量的相关性研究[J].贵州大学学报：农业与生物科学版，2002，21（5）：327-331.

[23] 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.

[24] 王秀珍，黄敬峰，李云梅，等.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.

[25] 张远，张中浩，苏世亮，等.基于微波冠层散射模型的水稻生物量遥感估算[J].农业工程学报，2011，27（9）：100-105.

[26] Thomas J R， Oerther G F. Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J]. Agronomy Journal，1972（64）：11-13.

[27] Stone M L， Soile J B， Raun W R， et al. Use of spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat[J]. Transactions of ASAE，1996（39）：1623-1631.

[28] Nguyen H T， Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy，2006，24（4）：349-356.

[29] Inoue Y， Penuelas J. An AOTE-based hyperspectral imaging system for field use in ecophysiological and agricultural applications[J]. International Journal of Remote Sensing，2001，22（18）：3883-3888.

[30] 杨长明，杨林章，韦朝领，等.不同品种水稻群体冠层光谱特征比较研究[J].应用生态学报，2002，13（6）：689-692.

[31] 朱艳，李映雪，周冬琴，等.稻麦叶片氮含量与冠层反射光谱的定量关系[J].生态学报，2006，26（10）：3463-3469.

[32] 谭昌伟，周清波，齐腊，等.水稻氮素营养高光谱遥感诊断模型[J].应用生态学报，2008，19（6）：1261-1268.

[33] 覃夏，王绍华，薛利红.江西鹰潭地区早稻氮素营养光谱诊断模型的构建与应用[J].中国农业科学，2011，44（4）： 691-698.

[34] Chappelle E W， Kim M S， McMurtrey J E. Ratio analysis of reflectance spectra （PARS）： an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J]. Remote Sensing of Environment，1992（39）：239-247.

[35] Thomas J R， Gausman H W. Leaf reflectance vs. leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal，1977（60）：799-802.

[36] Zhang Y， Chen J M， John R M， et al. Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery[J]. Remote Sensing of Environment，2008，112（7）：3234-3247.

[37] 吴长山，项月琴，郑兰芬，等.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.

[38] 孙雪梅，周启发，何秋霞.利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J].作物学报，2005，31（7）： 844-850.

[39] 陈维君，周启发，黄敬峰.用高光谱植被指数估算水稻乳熟后叶片和穗的色素含量[J].中国水稻科学，2006，20（4）：434-439.

[40] 杨杰，田永超，姚霞，等.水稻上部叶片叶绿素含量的高光谱估算模型[J].生态学报，2009，29（12）：6561-6571.

[41] Danson F M， Steven M D， Malthus T J， et al. High spectral resolution data for determining leaf water concentration[J]. International Journal of Remote Sensing，1992（13）：461-470.

[42] Ceccato P， Flasse S， Tarantola S， et al. Detecting vegetation leaf water content using reflectance in the optical domain[J]. Remote Sensing of Environment，2001（77）：22-23.

[43] 孙俊，毛罕平，羊一清，等.基于冠层光谱特性的水稻叶片含水率模型[J].农业工程学报，2009，25（9）：133-136.

[44] 郭建茂.基于遥感与作物生长模型的冬小麦生长模拟研究[D].南京：南京信息工程大学，2007.