作物环境胁迫高光谱遥感监测研究进展

杨菲菲， 李世娟， 刘升平， 吕纯阳， 刘大众， 肖顺夫， 刘航

(中国农业科学院农业信息研究所，农业农村部信息服务技术重点实验室，北京100081)

高光谱遥感(hyperspectral remote sensing)是用很窄而连续的光谱通道对地物持续遥感成像的技术，它具有高光谱分辨率，包含空间、辐射和光谱三重信息。在航天、地质、海洋、军事、环境和农业等领域有着广泛和重要的作用。高光谱数据获取主要来自星载、机载和地面三个平台[1]。目前，星载高光谱传感器主要包括Hyperion、 MODIS(美国)、CHRIS(欧空局)、HIS(中国)和GLI(日本)等；机载高光谱传感器主要包括AVIRIS(美国)、MIVIS(意大利)、CASI(加拿大)、HYMAP(澳大利亚)和OMI、 MAIS、 PHI-3(中国)等；地面高光谱仪器主要包括HySpex(挪威)、ASD 地物光谱仪(美国)及GER3700(美国)等。利用不同传感器可能会产生不同的研究结果，因为它们通常具有不同的空间分辨率。目前，在对作物环境胁迫的监测中，机载及地面传感器应用较多，星载较少，将叶片和冠层模型获取的参数运用于大尺度遥感实践中，实现环境胁迫卫星遥感实时反演，是未来继续研究的方向[2-3]。

利用高光谱监测作物的研究中，常见研究对象为水稻、小麦、玉米等粮食作物、棉花等经济作物和常见的森林树种，甚至是一些药材[4-5]。高光谱遥感应用于作物环境胁迫监测的研究主要包括：生化组分参数反演，如色素含量、氮素、酶活性等；农学参数反演，如生物量、叶面积指数等；作物与环境相互作用因素反演，如光合有效辐射(photosynthetically active radiation, PAR)[6]。研究方法包括基本的光谱运算及变换方法，如一阶导数、敏感波段提取、微分光谱分析、植被指数、光谱位置参数提取等，以及常规光谱数据知识挖掘方法，如逐步多元线性回归、小波分析、偏最小二乘回归法等[6-7]。其中，逐步多元线性回归和偏最小二乘法应用相对广泛，为了追求更高的精度，越来越多的非常规模型[8-9]，如支持向量机(support vector machine, SVM)模型、Hapke模型及地理加权回归(geographically weighted regression, GWR)模型被引入作物环境胁迫监测研究中，并取得不错的研究成果；特定的环境胁迫有水分、病虫害、氮素等营养胁迫、不同辐射强度、重金属和酸雨胁迫等[10]。在所有的环境胁迫中，病虫害、水分胁迫较为常见且不好控制。本文重点从基于光谱响应特征的直接监测、基于农学参数和生理信息反演的间接监测两方面，概述了高光谱遥感在监测作物病虫害、水分胁迫、以及区分各类环境胁迫方面的应用，并在此基础上讨论了该技术在作物环境胁迫监测应用领域的不足及发展方向，旨在为农作物环境胁迫监测及预警提供参考，为农业信息化提供技术支持。

1 高光谱遥感监测作物环境胁迫的理论基础

高光谱遥感数据光谱分辨率很高，图像上每个像素点能够提供几十到几百个连续狭窄波段的光谱信息，具有“图谱合一”特性[11]。因此，目前利用高光谱遥感技术监测作物胁迫，可更好区分其不同生化组分、含量及其变化，从而实时、快速、准确地获取胁迫信息。高光谱成像监测作物环境胁迫的理论基础是：环境胁迫会导致作物损伤，引起作物色素、叶片细胞构造、含水量、蛋白质含量改变，而作物对电磁辐射的吸收和反射特性会随着农学参数、生理指标的变化而变化，因此环境胁迫下的作物会在不同波段上表现出不同程度的吸收和反射特性的改变，产生不同的光谱反射率[12-13]。通过分析这些光谱信息可以实现对作物环境胁迫的定性或定量监测。

国内外学者主要从两方面监测作物胁迫，一方面是基于光谱响应特征的直接监测，通过直接监测作物光谱反射率或由反射率构建的植被指数来监测作物胁迫；另一方面是基于农学参数和生理信息反演的间接监测。

2 高光谱遥感在作物病虫害胁迫方面的应用

作物病虫害是制约农产品产量及食品安全的重要因素之一[14]。其发生率高，影响具有滞后性，防治困难，易造成大面积危害，将导致作物产量及质量受到威胁[15]。因此，积极探索病虫害胁迫监测方法对于监测病虫害发生、对病虫害感染程度进行分级、防治病虫害具有重要意义。

2.1 基于光谱响应特征的直接监测

国内外学者利用近地非成像、成像高光谱数据通过光谱分析对单一病虫害胁迫的机理进行基础研究，筛选出各种病虫害类型的光谱敏感波段，来监测作物病虫害胁迫。黄文江等[13]系统阐述了多种粮食作物主要病害胁迫的冠层和叶片光谱特征；黄敬峰等[16]研究发现，病虫害的发生能够引起水稻450～515、550～590、650～690和725～790 nm范围的一阶导数光谱的显著改变，710～750 nm的二阶导数光谱极小值显著降低；Luo等[17]研究发现小麦蚜虫发生可引起700～750、750～930、950～1 030和1 040～1 130 nm范围光谱反射率的显著改变，且连续小波变换方法更适宜检测蚜虫侵染。部分学者在此基础上进行波段间的组合和变换构建植被指数等光谱特征，进一步增强监测作物病虫害胁迫程度的能力。Chen等[18]采用植被指数及回归分析方法监测2个试验点花生的高光谱冠层反射光谱，发现监测花生叶斑病的最优光谱指数是LSI:[NDSI(R938, R761)]。除却对单一病虫害胁迫发生程度的估测外，作物病虫害胁迫监测还包括对不同胁迫类型的识别。Shi等[19]研究发现，采用Sigmoid核函数对相关植被指数构建的特征空间进行映射，有利于缓解维数灾难，区分多胁迫的小麦病虫害遥感监测，且该研究可能适用于“高维”问题；张东彦等[20]基于地面高光谱成像技术对叶片不同胁迫(养分胁迫、病害、虫害)的光谱特征进行提取与分析，发现560～680和780～900 nm波段是诊断3种胁迫的敏感波段，但是养分胁迫在550 nm处、780～900 nm差异最显著；Shi等[21]通过对遭受条锈病和白粉病胁迫的冬小麦冠层高光谱定量提取发现，在480、633和943 nm波段处的小波特征变化可以有效诊断并区分这2种病害胁迫。

2.2 基于农学参数和生理信息反演的间接监测

除了直接监测，还包括对病虫害农作物生理信息反演的间接监测。多数作物病虫害的高光谱遥感监测包括4种症状或伤害类型：①生物量或叶面积指数的减少；②病斑虫伤[22]；③色素系统的破坏；④脱水[23]。

在色素含量方面，尹小君等[24]研究发现新建归一化指数组成的偏最小二乘回归模型(partial least squares regression, PLSR)对叶绿素a、叶绿素b、胡萝卜素(carotene, Car)含量的估测精度较传统更高，可有效监测番茄细菌性斑点病胁迫；Zhao等[25]基于地面高光谱成像技术，采用SPXY算法，建立偏最小二乘回归(PLSR)模型，测定黄瓜角斑叶片中叶绿素(chlorophyll, Chl)和胡萝卜素(Car)含量的空间分布并绘制色素含量分布图；Li等[26]监测受炭疽损伤的杉木冠层，建立疾病胁迫下杉木冠层色素含量的高光谱预测模型，该结果有助于利用高光谱技术监测森林病虫害。在酶活性方面，程帆等[27]采用SPXY算法将细菌性角斑病早期胁迫阶段黄瓜叶片样本分为建模集与预测集，采用随机森林算法(random forest, RF)和回归系数法(regression coefficient, RC)提取特征波长，结合偏最小二乘回归(PLSR)模型预测叶片中的过氧化物酶(peroxidase, POD)活性，预测集相关系数为0.816 ；杨燕等[28]通过连续分时段测定水稻稻瘟病潜育期的冠层高光谱图像及超氧化物歧化酶(superoxid edismutase, SOD)活性，建立两者之间的关联预测模型。在病斑方面，胡耀华等[29]探索马铃薯叶片的高光谱图像特征与晚疫病害程度的关联，提取反映病害程度的特征光谱信息，建立病害程度识别模型，发现基于原始光谱和光谱变换预处理后的数据建立的模型识别率最高，达到94.87%；卢劲竹[30]基于地面高光谱成像技术，利用灰度共生矩阵(gray-level co-occurrence matrix，GLCM)提取了番茄叶片高光谱图像的纹理特征，实现了番茄黄花曲叶病的分级检测，其中逐步判别分析法(stepwise discriminant analysis, SDA)的分类准确率达到100%；Pan等[31]用高光谱成像技术监测梨果实致病过程并评价其早期发病的检测能力，利用光谱角制图方法，分割感染区，建立了基于支持向量机(support vector machine, SVM)、K-均值聚类算法和偏最小二乘法(PLSR)的判别分析模型，其中支持向量机(SVM)模型的整体精度最高，达到97.5%。通过上述研究可以看出，在利用不同平台高光谱遥感数据监测作物病虫害胁迫方面已有较多应用研究，不仅基于光谱响应特征直接估测作物病虫害单一胁迫发生程度、识别不同胁迫类型，还基于农学参数和生理信息反演间接监测作物病虫害，主要包括色素含量、酶活性和病斑。其中，作物病虫害光谱特征波段和分析方法见表1。但目前大多数病虫害胁迫监测主要基于近地非成像、成像高光谱数据分析研究，无法满足空间大区域的快速识别，因此，还需加大多源遥感卫星数据监测作物病虫害胁迫的研究力度。

表1 作物病虫害光谱特征波段和分析方法Table 1 Spectral characteristic band and analysis method of crop diseases and pests

3 高光谱遥感在作物水分胁迫方面的应用

水分是作物生长过程中进行光合作用不可或缺的重要因素之一，会影响作物产量、农学参数及生理指标的变化[33]。干旱、淹水、冰冻、高温或盐渍等均能引起水分胁迫。水分变化引起的作物农学参数及生理指标变化均会对植株光谱反射率产生很大影响。对于作物本身可以测定的用于指示作物水分状况的常见指标主要有：气孔导度、叶水势、冠层水分含量(canopy water content, CWC)、叶片等效水厚度(equivalent water thickness, EWT)以及相对含水量(relative water content, RWC)等。

3.1 基于光谱响应特征的直接监测

国内外学者利用多平台高光谱数据对作物水分胁迫的机理进行基础研究，筛选出适合识别作物干旱胁迫、湿渍害胁迫的光谱敏感波段，来监测作物水分胁迫。熊勤学等[2]研究发现，受渍后叶片光谱反射率较正常叶片的差异主要表现在645～680、1 428～1 456 nm波段，较正常值偏高；757～917、1 641～1 684 nm波段，较正常值偏低。受渍后小麦冠层的所有波段的光谱均低于正常小麦，建议用670～2 400 nm光谱的均值差异反映小麦受渍情况。王宏博等[34]对比不同春玉米拔节-吐丝期光谱变化发现，550～680 nm波段可较明显反映干旱胁迫程度，土壤水分含量与植株冠层反射率呈负相关关系，且红光区光谱反射率可较好反映植株生长情况。王进等[35]研究了不同条件(灌水量、氮素营养、品种)对棉花冠层光谱反射特性的影响，发现在700～800 nm(近红外波段)灌水量与棉花冠层反射率呈正相关，在盛蕾期和盛花期不同灌水量处理的光谱反射率区别较大。光谱反射率的一阶微分由于能够去除部分噪声，所以更能代表植被冠层光谱反射率状况。不少学者利用光谱一阶微分反射率及红边幅值、红边面积分析不同水分胁迫条件的影响。红边幅度表现出，拔节期之前与水分胁迫呈正相关，开花期之后与水分胁迫呈负相关的趋势。许多学者利用植被指数来估算植被参数，进而衡量不同环境下的植被健康状况。大部分植被水分指数均是利用已有的一些水分敏感波段确定，比如基于近红外波段与更长波长的短波红外波段所构建的归一化差异光谱指数NDWI，基于可见光-近红外提出的增强型植被指数EVI。蒋金豹等[36]监测渍水胁迫下的玉米、甜菜，发现作物光谱在550、800～1 300 nm区域反射率都稍有降低，而在680 nm区域反射率则逐渐增大，引入归一化均指距离对比分析，发现指数R800×R550/R680是识别渍水胁迫的最优植被指数。Stagakis等[37]基于星载高光谱图像数据监测灌木认为，高光谱分辨率卫星传感器的出现是植被遥感领域的重要进展，可提高对全球植被状态及动态过程的理解。

3.2 基于农学参数和生理信息反演的间接监测

表2 农作物水分胁迫光谱特征波段和分析方法Table 2 Spectral characteristic band and analysis method of crop water stress

4 存在问题及发展建议

快速、准确、无损的高光谱监测技术是监测和获取环境胁迫下作物生长状况的有效手段，但同时也存在一些问题，归纳为以下几个方面。

4.1 环境胁迫光谱响应特征的专属性认识不足

作物环境胁迫通过引起植株农学参数和生理指标的变化而影响作物光谱，各类环境胁迫生理机制相似，常导致色素系统、细胞结构的破坏，叶面积指数、地上生物量的减少，脱水等，因此，不同的环境胁迫往往呈现相似的光谱响应特征。比如，400～780 nm的可见光波段，植物色素支配光谱响应，光谱反射率常随色素含量降低而升高[3, 41]。其中，叶绿素是作物中最重要的色素，是解析光谱变化的敏感因子。可见，光波段以叶绿素a、叶绿素b在蓝绿光区的强反射与红光区的强吸收为特征，胡萝卜素浓度变化为作物生理状况提供大量补充信息；780～1 000 nm的近红外波段变化主要与叶片细胞结构相关，以其引起的多次散射差异为判断标准，细胞结构完好时，光在叶片内部形成多次散射，反射率较高[17-21]；此外，911和976 nm波段对叶片水分状况敏感，这两个波段与O-H键拉伸的倍频峰相近[25]；1 400～1 920 nm 波段的光谱反射率与作物叶片结构相关，常用于研究作物的品种[30]；此外，1 428～1 456 nm 波段可反映叶片含水率[2]。

因此，在实际监测中，如何根据环境胁迫的监测特点，研究特征提取和构建方法，找到高专一性和特定性的检测特征是监测中的关键问题[23]。虽然近些年有部分研究区分了各类环境胁迫，如Zinnert等[42]对2种木本作物进行了干旱、盐渍、三硝基甲苯4种实验处理，基于高光谱技术区分作物的自然和人为胁迫；Song等[43]基于高光谱反射和能量空间转换光谱数据集，采用主成分分析(PCA)、波段相关方法提取作物光谱反射率发现，4个单一波段组合(553、675、705、775 nm)以及3个单一波段组合(1 158、1 378、1 965 nm)结合线性判别的方法区分氮和水分的效果最好。但相关研究仍不足，因此，今后研究应考虑到不同类型环境胁迫在监测上的差异性，如设计生理机制相似的环境胁迫试验对比分析，建立作物环境胁迫光谱库等。

4.2 反演模型的精度及普适性有待提高

根据高光谱参数构建的作物生理指标及农学参数的估算模型很多，但通常只在当地验证，不同环境下耦合精度不高。主要是因为作物冠层光谱反射率会受到作物生理因素、环境因素、营养状况、冠层几何结构等的影响，所建立的作物光谱反射特征不能用于建模地区以外的时空条件；利用光谱技术监测作物农学参数和生理指标的研究较多，但多为经验模型，关于其之间机理性关系的研究较少；冠层结构和背景的变化会引起光谱反射率的变化，从而显著影响作物农学参数和生理指标的反演结果；不同处理间冠层反射光谱的差异可能会被某些因素增强或削弱。与多波段遥感相比，高光谱遥感对作物农学参数及生理指标的变化更为敏感，反映更加精细，为更精确地估算作物生理生化参数提供了可能[44]。因此，今后研究应考虑到如何对样本参数进行修正、选择最佳的特征波段和模型、研究光谱与作物生化组分之间的机理性关系，以提高预测模型的精度及普适性。

4.3 数据使用受到限制

高光谱遥感数据使用受到限制，主要由以下几个因素导致：高光谱在光谱分辨率提高的同时制约着空间分辨率，由于高光谱遥感图像空间分辨率限制和地物分布的复杂多样性，混合像元广泛存在于图像中，影响遥感图像的分类精度及目标探测效果[45]；高光谱数据一般包括数百条波段，各个波段之间具有高度相关性，光谱间存在冗余信息且数据处理难度加大，需要进行数据压缩和信息提取，目前常用随机森林算法(RF)、回归系数法(RC)、偏最小二乘回归法(PLSR)、连续统去除法等[27-28, 41]；高光谱成像技术存在的难点多与图像处理方法相关，为此该技术的主要研究重点是图像的分割、融合等算法改进[34]。因此，今后研究可结合具有高空间分辨率的多光谱数据，采用数据融合等方法来实现预期目标，或者进一步研究高光谱混合像元分解技术；此外，应研究发现新的数据压缩和提取方法，研发通用的成像光谱仪图像处理系统[32]，以提升高光谱数据的使用频率。

5 展望

本文对高光谱遥感监测作物环境胁迫的理论基础进行阐述，重点从基于光谱响应特征的直接监测、基于农学参数和生理信息反演的间接监测两方面，概述高光谱遥感在监测作物病虫害、水分胁迫方面的研究进展，进一步阐述高光谱技术在作物环境胁迫监测中所面临的挑战及未来发展趋势。快速、准确、无损的高光谱监测技术是监测和获取环境胁迫下作物营养状态、生长状况的有效手段。然而，现有研究对胁迫下光谱响应特征的专属性认识不足，不同的环境胁迫往往呈现相似的光谱响应特征；根据高光谱参数构建的作物生理指标及农学参数的估算模型很多，但不同环境下耦合精度不高；高光谱数据特点及数据压缩和信息提取方法的不成熟，导致数据使用受到限制。因此，该技术在作物胁迫监测领域的发展趋势如下：研究特征的选择和构建方法，找到高专一性和特定性的检测特征；通过修正样本参数，研究光谱与作物生化组分之间的机理性关系等方法提高反演模型的精度；通过多源数据融合，研究新的数据压缩和提取方法。此外，智能农机、计算机视觉等技术的进步，为高光谱遥感的发展带来了新的契机：将光谱仪集成到智能农业机械上，可以快速、准确获取作物冠层光谱信息，从而完成作物环境胁迫监测、施肥、水分管理等一系列程序化工作；高光谱数据结合热红外和荧光，可减少对天气条件的依赖；结合计算机视觉方法处理高光谱遥感影像，可提高图像处理效率及精度。总之，利用高光谱遥感监测及预测作物的环境胁迫是现代农业实际应用中的重要组成部分，也是实施精准农业必不可少的内容，可提高作物生产精确管理水平和综合效益。