无人机高光谱成像技术在作物生长信息监测中的应用

姜 妍，王 琳，杨 月，蔡雨彤，张喜海，王惠中，王绍东*

（1.东北农业大学农学院/国家大豆工程技术研究中心，哈尔滨 150030；2.东北农业大学电气与信息学院，哈尔滨 150030；3.东北农业大学生命科学学院，哈尔滨 150030）

高光谱成像（HSI）技术是基于多窄波段的影像数据技术，将成像技术与光谱技术相结合，获取高光谱分辨率连续、窄波段立体图像数据。该系统包括高通量成像模式、高质量光谱子系统、机载高光谱成像仪、高灵敏度探测器及数据处理。高光谱成像可确定物质和物体存在，且可量化所识别物质或物体的可变性和丰度。近距离HSI技术在植物表型领域发展迅速，但受限于地理位置和空间领域等因素，导致获取信息量不充分，数据具有局限性。而机载高光谱成像仪在空间分辨率、复杂环境性能及机载维护等方面具有优势[1]，低成本、高灵活性和高分辨率UAS技术在遥感领域，特别是精准农业中发挥重要作用（见图1）。

图1 UAS高光谱成像系统（拍摄于2018年阿肯色大学费耶特维尔农场）Fig.1 UAShyperspectral imaging system(Thephoto was taken at Fayetteville farm,University of Arkansas in 2018)

精准农业可针对复杂多变的环境条件进行监测和管理，提高作物产量和品质同时降低生产成本和环境污染[2]，促进精准农业中遥感光谱技术和模拟模型发展。UAS衍生的多光谱、高光谱和热成像技术以及摄影测量等方法广泛应用于高通量表型[3]和育种试验，可对作物表型性状进行非破坏性分析与评估，对农业中高产、抗病、耐胁迫表型分析和精准育种具有重要意义。尽管近距离HSI对高通量植物表型平台已有较广泛研究[4]，但复杂生理效应改变不同波长区域反应，造成识别系统准确度下降，丢失重要信息[5]。本文主要介绍UASHSI技术在作物营养元素、病害或胁迫及表型功能性状上应用的最新研究进展，推动HSI技术在现代化精准农业生产和管理中的发展与利用。

1 UAS HSI技术监测氮素营养

植株氮素（N）含量是衡量植物生长、作物产量、生产效率的主要指标之一，是有效管理施肥和提高粮食产量所需准确预测指标之一，已成为一项决策性农业研究（见表1）。基于UAS的HSI和地面光学传感器（SPAD-502）可用于估算玉米氮肥状况[6]。UAS与地面指标具有高度相关性，尤其是750和710 nm光谱反射率比值，与产量和N吸收显著相关，籽粒氮量（R2=0.94），作物总氮量（R2=0.96），地上生物量（R2=0.93）。Li等利用UAS高光谱数据，可在不同生长阶段有效估计冬小麦叶面积指数（LAI）、叶片N密度和两个光谱指数[7]。利用高光谱数据的作物N监测及冠层内N的垂直分布，可反映作物生长初期N胁迫。大多数模型中叶N垂直分布系数有效性有限，且反射系数主要为上部叶片层优先扫描，作物N垂直分布的概率数据有偏差[8]。Zhao等提出基于RTM的多层冠层反射模型（Multiple-layer canopy ref lectance model，MRTM），MRTM解决冠层内生物物理和生化变量的垂直异质性[9]。

表1 UASHSI技术监测植物氮素营养的应用Table 1 Application of UASHSI technology in monitoring plant nitrogen nutrition

Nguyen等开发新型附加卤素照明的夜间高光谱遥感系统，研究高、中、低施肥条件下白菜和菠菜叶片反射，叶片平均反射值可准确描述作物对施肥制度响应，准确率分别为75%（白菜）和80%（菠菜），光谱区域700~709 nm、780~787 nm和817~821 nm与白菜和菠菜中氮、钾、镁和钙含量相关[10]。于丰华等采用UASHSI技术建立水稻分蘖期施肥量处方图，通过粒子群优化的极限学习机方法（PSO-ELM）建立氮素浓度反演模型，结合农用无人机参数建立模型确定精准施肥量，与传统人工施肥技术相比，施肥量减少27.34%[11]。王玉娜等构建归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI），3类光谱指数进行NNI遥感估算，分析3类光谱指数与N指数相关性，选取对植株氮浓度、地上部生物量和N指数均敏感的10种光谱参数建立基于随机森林N监测回归模型[12]。李长春等以无人机拍摄影像和高光谱遥感数据及地面实测大豆氮平衡指数（NBI）为基础，筛选敏感波段并计算植被指数，采用经验模型法构建NBI反演模型，分析大豆生长期内原始光谱和导数光谱与NBI相关性[13]。裴信彪等测试4种施氮水平下水稻光谱指数变化规律，分析水稻氮素水平与植被指数RVI和NDVI间影响[14]。王鑫梅等根据NDVI、RVI和DVI植被指数筛选指示冠层N特征敏感波段，分析9种光谱参数对核桃冠层N估算能力及其相关性，利用BP神经网络模型估算核桃冠层N（R2=0.805）[15]。

不同特征挖掘技术提取N相关光谱特征存在不一致性，每种数据处理技术在不同研究方面各有优缺点。多特征挖掘技术的组合，包括基于高光谱植被指数（VI）回归、非参数线性回归和计算回归，可能比仅使用一种方法获得更可靠特征[16]，在集成组合后还应融合空间域和频域特征。

2 UAS HSI技术管理产量表型

快速准确估计生物量和产量有助于作物表型特点和特定地点管理。VIs作为HSI植物性状估计常用方法，可最大限度减少比例因子影响，包括坡度效应和光照条件变化（见表2）。低空UAS采集马铃薯作物冠层两个生长阶段可见光和HSI数据，结合特征选择算法选取两个窄带VIs，利用随机Forest回归模型（RFR）预测地上生物量，具有较高精度（R2＞0.90），基于全波长光谱的偏最小二乘回归（PLS）模型预测产量（R2=0.81）[17]。HSI可提供连续波段和空间特征预测植株株高，Aasen等利用UAS采集三维高光谱图像建立三维表面高光谱模型[18]，实现株高可视化，估算株高（R2=0.7）和生物量（R2=0.29）。

表2 UASHSI技术管理产量表型应用Table 2 Application of UASHSItechnology in managing production and phenotype

李岚涛等基于有效波段建立不同生育期地上生物量的支持向量机（SVM）和PLS监测模型（R2=0.72）[19]。因UAV-HSI数据量级较大，康孝岩等提出冠层光谱重建优化法，比原始光谱具有更好预测能力[20]，为无人机高光谱估算牧草生物量提供新方法。马怡茹等将筛选后波段作为输入量建立棉花叶面积指数监测模型，一阶导、随机蛙跳预处理后建立RFR模型效果最优（R2=0.74）[21]。易翔等采用连续投影算法（SPA）筛选不同预处理后特征波长，使用PLSR和RFR分别建立棉花地上部分生物量估算模型，发现采用一阶导数预处理结合SPA筛选特征波长建立RFR模型效果最佳（R2=0.87）[22]。赵晓庆等建立PLSR模型估算大豆产量与不同空间植被指数间关系，当采样空间尺度区域长宽与区域总长宽比例介于4.25∶5和4.5∶5时，采集数据得到的冠层光谱可更准确估测大豆产量，估算产量和实测产量间相关系数r=0.8117[23]。刘杨等基于无人机高光谱影像结合地面控制点GCP生成试验田数字表面模型DSM，采用多元线性回归（MLR）、PLSR、RFR 3种建模方法建立不同生育期生物量估算模型[24]，每种方法以光谱参数加入利用DSM提取的株高Hdsm为输入建立的模型精确度和稳定性更佳，以光谱参数和Hdsm为变量建立的MLR模型优于PLSR和RFR模型。

光学VIs在作物高冠层覆盖下饱和，因此难以检测到垂直生长的营养和生殖器官生物量。利用窄带高光谱可见光、测距、作物表面模型及其组合等技术在估算生物量方面取得重大进展，但新技术应用受到成本、可用性和数据处理及高维度等条件限制。

3 UAS HSI技术评估作物病害

HSI技术在作物病害监测评估中应用广泛，对病害自动检测可降低植物保护剂用量和病害造成的生产损失。利用UASHSI技术对作物胁迫检测和制图方面进展明显（见表3）。Gu等对感病植株和健康烟草植株以SPA选择波长作为输入变量，增强回归树（BRT）算法建立模型，在10倍交叉验证中获得最佳结果，HSI数据结合ML方法和波长选择算法实现烟草早期番茄斑萎病毒（TSWV）无损检测[25]，近红外光谱区对区分感染烟叶和健康烟叶具有重要意义。Van De Vijver等基于主成分分析（PCA）、PLS-DA和SVM等进行有效像素判别性检验（精确度＞0.92），认为近红外区（750 nm）为光谱中最具鉴别能力部分，绘制马铃薯早疫病高分辨率彩色图像[26]。

表3 UASHSI技术评估作物病害应用Table 3 Application of UASHSItechnology in evaluating crop diseases

任何影响植物叶绿素浓度、含水量和损害植物细胞的疾病或胁迫均影响光谱反射比和可见光值，特异性VIs值受病害或胁迫的严重程度发生变化，结合图像分析和ML可检测植被覆盖度的变化。Chen等利用UAS图像检测花生早期病害阶段叶片重量，通过反射获得VIs区分青枯病严重程度，采用方差分析、多层感知和简化抽样方法分析光谱数据，得到相关系数最高的15项高光谱指标（R2＞0.80），发掘高光谱遥感潜力，有效检测波长730和790 nm被用于开发花生青枯病新检测指标[27]。Abdulridha等开发一种检测南瓜白粉病（PM）不同疾病发展阶段的技术，利用径向基函数（RBF）区分健康和早、中、晚期发病阶段最显著条带分别为388、591、646、975和1 012 nm，准确检测疾病关键是确定最重要波长，该波长不仅检测疾病，且可将疾病（及其分期）与其他疾病和非生物因素区分[28]。

谢传奇等提取番茄健康和染病叶片ROI区域光谱反射率值和基于灰度共生矩阵得到纹理特征值，采用PCA和SPA结合LS-SVM构建鉴别模型，发现采用光谱反射率值的LS-SVM模型识别率高，达到100%[29]。肖文等对水稻冠层高光谱数据与水稻纹枯病病情指数进行支持向量机回归建模，其中支持向量机回归作粒子群优化（PSO-SVR）发现，分窗Gram-Schmidt算法优于PCA和SPA[30]。曹益飞等将光谱分形维数（Fractal dimension，FD）作为定量描述水稻白叶枯病害的监测光谱指数，将分形维数FD与常见作物病害指数（归一化植被指数、比值植被指数）比较发现分形维数与水稻叶片是否感病有更高相关性[31]。孔繁昌等以不同光谱预处理后数据作为输入，使用RFR建模，对比发现使用CVIs作为输入参量的建模验证精度最高为90%[32]。康丽等利用经PCA、竞争性自适应权重（CARS）及竞争性自适应权重主成分分析（CARS-PCA）提取的特征变量作为输入建立水稻稻瘟病早期高光谱分级检测模型，以应对稻瘟病早期叶片无病斑状况[33]。梁辉等提取12个大斑病敏感波段结合前人提出的病害监测参数，构建13组针对玉米冠层大斑病监测光谱指数，8组监测光谱指数与大斑病实测DI值有显著相关性（R2＞0.8）[34]。

4 UAS HSI技术反映植物功能特征

随着HSI技术发展，植被遥感正从监测结构参数到功能特征模式转变。Meacham-Hensold等利用PLS模型从具有不同光合作用的转基因物种收集高光谱反射率数据预测光合作用和能力，准确预测植物最大羧化速率（Vcmax）、最大电子传输速率（Jmax）和N[35]。Zhang等利用粳稻和籼稻测定不同生长期不同部位N水平和光响应曲线（LRC），分别用LRCs和高斯函数积分法计算最大净光合速率和初始量子效率，通过UAS快速获得数据预测水稻光合作用日变化模型[36]。高光谱辐射计、UAS、ML和计算能力的最新发展使我们可以利用光学高光谱信号信息，推断植被关键功能特征[37]和模型反演[38]。利用Hyplant机载高分辨率图像研究精细空间太阳诱导荧光（Solar-induced fluorescence，SIF）分辨率及绘制植物光合作用，确定空间异质性在SIF和初级生产总值（GPP）之间关键作用[39]。轻型HSI传感器研发可通过互补信号SIF和光化学反射指数（PRI）跟踪作物生理和性能，这些信号可通过UAS获得高质量SIF和高光谱反射。Zarco-Tejada等采集柑橘冠层高光谱图像数据，通过基于3个光谱带（FLD3）的弗劳恩霍夫线深度（FLD）原理进行SIF量化，荧光（FLD3）和同化率之间相关系数为0.64~0.82[40]。证实季节性SIF反演可从更宽分辨率的高光谱图像跟踪光合作用，用于精确农业和作物监测研究。

Vcmax为估算CO2同化（a）关键参数。Camino等通过反演土壤冠层光合作用和能量观测（SCOPE）模型，结合SIF和高光谱图像估算Vcmax效用[41]。Vcmax遥感反演和研究方法对高通量植物表型和精准农业应用具有直接指导意义。Watt等利用一年生辐射松探讨其光合能力（Vcmax、Jmax）与N、P和叶绿素（Chla+b）之间关系[42]。利用高光谱图像量化功能性状，检验光合变量与PRI、SIF和通过辐射传递模型反演的Chla+b之间关系强度和普遍性。高光谱图像中量化的SIF和PRI在预测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含量有限时。Hinojo-Hinojo等研究不同叶片性状和物候对策的梭诺兰沙漠6种优势灌木和乔木的Vcmax25和Jmax25，Vcmax25和Jmax25的高值，通过提高光合反应速率，提高光合、水和氮的利用效率，有利于在典型旱地条件下增加碳含量，证实光合作用模型的参量化，评估其作为光合作用生化模型中的最佳预测因子[43]，为发现高原旱地物种提供启示。

叶绿素含量是反映作物营养状况的重要指标，可评价作物氮肥充足程度。UAV高光谱影像具有高空间分辨率和高光谱分辨率可提供叶绿素空间分布。叶绿素含量模型中水稻研究较多[44-46]。除此之外，Zhu等估算玉米和小麦叶绿素含量，综合分析UAS图像光谱信息和空间尺度及表型和物候对叶绿素含量估计的影响[47]。研究对于设计UAS传感器用于作物特定表型和物候期叶绿素含量估计的光谱和尺度问题具有一定参考价值，并推动UAS在精准农业中的应用。田明璐等提取27个光谱参数构建棉花叶片叶绿素相对含量反演模型（SPAD-PLSR），可作为检测棉花生长阶段内叶绿素含量主要方法[48]。常潇月等建立玉米叶片叶绿素含量估算模型，并制作叶绿素含量分布图，发现以红边一阶微分最大值（Dr）为自变量构建的回归模型精度最高，SPAD-Dr模型得到的叶绿素含量分布图精度最高（R2=0.89）[49]（见表4）。

表4 UASHSI技术反映植物功能特征应用Table 4 Application of UASHSI technology in monitoring crop parameters

叶绿素SIF遥感作为研究热点，是监测陆地植被光合作用的一种新工具。在卫星传感器到机载高分辨率成像传感器检索SIF信号；检索植物功能性状新的遥感技术和算法，如色素（如叶绿素和叶黄素）和N含量以及功能参数（如Vcmax）；对影响叶和冠层叶绿素荧光的非光化学猝灭过程的地面调查到叶色素含量和Vcmax的区域和全球绘图均已取得实质性进展。

5 UAS HSI技术发展方向

HSI技术在预测植物生物物理和生理生化特征特性方面研究成果较多，为现代化精准农业高效发展提供有力技术保障，但也存在一些问题。深入了解这些方法的局限性，有助于选择合适方法实现作物监测任务及进一步研究作物检索方法。

5.1 HSI技术监测营养素

植物营养素缺乏检测、定量和分类成像技术已发展到可使用适当技术检测植物颜色和形态的细微视觉变化。然而，当作物显示出广泛可视化众多疾病时，为模型校准和训练建立一个涵盖所有类别和相关的可变性综合数据集存在难度。基于UAS光谱成像选择最佳谱带组合相对复杂，设计和实现新型高性能机载高光谱系统需进一步完善数据处理系统。

目前缺乏来自不同数据采集平台的大平台数据监测作物N。提高作物N检索方法有两种：分别为基于训练数据集的扩充和开发RTM和相应反演方案。海量高光谱数据为作物N监测提供巨大潜力和挑战，未来技术发展方向面临挑战，重点应放在高级图像处理技术上，如卷积神经网络（CNN）光谱建模方法。

5.2 HSI技术预测产量

作物产量预测任务艰巨，预测模型中土壤变量的代表性相对较差，未来工作应包括重要土壤特性精细比例图，从近地感测数据中获得土壤约束图。在多元分类算法中结合地理空间数据和感测信息可快速、经济地提高土壤分类精度，这个矩阵可由行和列中元素数量或图像分辨率来表征。此外，影响作物产量评估的重要农艺信息（播种期、施肥量、灌溉量等）可作为有价值的输入变量。

5.3 HSI技术监测植物功能

监测植物性状和功能时需克服冠层结构和土壤背景的混杂，且功能特性对反射率的影响仅可在狭窄光谱区域确定。新研究方向应改进算法以跨尺度评估功能特征，从UAS生化参数空间高分辨率到Cab和Vcmax的全球应用[50]，评估和改进关键植物功能性状特征。高光谱传感器最新进展及其与多功能遥感平台的融合，使获取具有不同空间、光谱和时间分辨率的高光谱集成数据成为可能，未来将以更高时空分辨率提供更多数据流。