作物水分高光谱遥感监测研究进展

王鹏郭永刚关法春王明明

(1.西藏农牧学院水利土木工程学院，西藏 林芝 860000；2.西藏土木水利电力工程技术研究中心，西藏 林芝 860000；3.吉林省农业科学院农村能源与生态研究所，吉林 长春 130000；4.中国科学院东北地理与农业生态研究所，吉林 长春 130102)

引言

水分是作物进行生命活动和生长代谢的重要物质，水分亏缺能直接影响作物的生理生化过程和形态结构，从而对其生长、产量和品质造成影响[1]。同时，我国农业用水占全国用水总量已经达到70%，且水资源分布不均，每年因为干旱而使作物受灾面积最高达到4000万hm2，严重威胁我国的粮食安全。因此，在水资源短缺的严峻形势下，提高水资源的利用效率对指导作物生长发育，提高作物产量，节约水资源具有重要意义。

利用传统烘干法测量作物水分耗时费力，多光谱、近地非成像遥感光束分离的成像质量差，光谱重叠度高，易受环境等背景因素影响，难以满足对作物水分的高效、精准实时监测[2]。而高光谱遥感技术具有空间分辨率高，光谱信息丰富，波段窄而连续，时效性好的特点，近年来已被广泛应用于作物水分含量监测领域。2022年12月23日，习近平总书记在中央农村工作会议强调：“要加快建设农业强国，推进农业农村现代化”。因此，用高光谱遥感技术监测作物水分状况对促进农业现代化发展具有重要意义。

然而，在高光谱遥感采集和处理作物水分信息中如何优化算法模型消除噪声信号干扰，并能结合多源数据融合提取作物水分敏感波段并挖掘潜在的非线性成分还缺少相关文献的整理与分析。本文对比传统方法测量作物水分局限性和适用条件，介绍高光谱遥感技术的优势并论述其在典型作物(如小麦、水稻和玉米)不同生长时期水分的敏感波段以及适用范围，探讨目前存在的问题以及对今后研究进行展望。

1 作物水分的常见测试方法

1.1 作物水分的常见测试方法

作物水分的测试有直接法和间接法2种，其中直接法是通过物理或化学测试直接获取作物水分含量的方法，而间接法通过测量作物或其相关指标属性，以推断或估计作物水分信息。鲍春晖等[3]采用低场核磁共振法测定稻谷种子水分，快速准确但对环境温度要求高，并且对不同作物品种和水分含量需要重新建立水分标准曲线。罗丽琼等[4]对比电容法和电阻法测量烟叶含水量发现，电容法的介电常数对环境要求极为严格，长期稳定性差且设备昂贵。而用电阻法测量所施加的电压大小对测定结果影响较小，电极数对2种方法的测量精度受环境影响很大。王晶等[5]用顶空-卡尔费休法测定烟用爆珠表皮含水量，相较于传统方法极大缩短了测量时间，且操作简单可靠，适合批量在线检测，但测量时易发生漂移引起系统误差。甘富航等[6]用摩擦阻力法检测粮食含水量，该方法快速稳定，对环境要求较低，但测量范围窄，适用于水分测量精度要求不高的条件下。综合以上分析，常见的作物水分测量方法准确度不高，操作较为复杂，易受环境温度等外界因素影响，具有一定的局限性，并且应用范围窄，难以适应大面积的农业生产需要。随着各项技术的深入研究，高光谱遥感技术以其超多波段、图谱合一和光谱信息丰富的技术优势，能够实现作物水分含量准确、快速、无损地实时监测。近年来，在作物水分监测领域已被广泛应用。

1.2 各方法的优缺点比较

直接法测量过程简单，结果较为准确，但测量过程冗长繁琐，增加了实验难度和周期，同时容易破坏待测样品，并产生对环境有害的化学试剂和药品。间接法相较于直接测定法有所提升，测量速度快，易实现在线批量检测，但容易受噪声、物体形状及大小、环境温度等因素影响，难以适用大面积作物水分监测和指导农业生产。随着各项技术的深入研究，为能够更好地指导农业生产需要，高光谱成像技术作为一种发展较为成熟的遥感监测技术，以其准确、无损、快速的技术优点已广泛应用于作物水分监测领域。

2 常见高光谱遥感分类

高光谱遥感按照作用空间尺度可划分为卫星遥感、机载高光谱仪、地物光谱遥感以及手持式光谱仪等。王唯唯[7]基于CGMD便携式光谱仪和地物高光谱探测器对冬小麦冠层生长指标对比研究发现，CGMD光谱仪操作简单，便于携带，精度可靠，而地物高光谱探测器采集信息量大，结合先进预处理，特征提取和机器学习算法可以有效提高模型反演精度。杨菲菲[8]基于便携式地物光谱仪结合手持式光谱探测器获取冬小麦叶片反射率，并结合推扫式光谱仪波段宽，光谱分辨率高的特点获得冠层反射率，但是受天气条件或野外环境因素，如云层、大气湿度、光线条件和地面高程差等都会影响数据采集和监测结果。杨炜光[9]用无人机搭载多光谱遥感结合手持式地物光谱仪监测棉花叶片含水量，但由于无人机的飞行高度和航线规划限制，导致其无法完全覆盖某个特定区域的光谱数据，并难以提供连续的时间序列数据，限制了对一些重要水分相关波段的监测和分析。程晓娟等[10]基于TM5卫星遥感影像结合FieldSpec便携式光谱辐射仪获取冬小麦的冠层和叶片水分数据，由于卫星遥感覆盖面广，时间序列连续结合地物光谱仪精细尺度分析的特点，可以跟踪获取作物水分的动态变化，有效克服了机载光谱仪的覆盖面窄、时间不连续的缺陷。综上所述，高光谱遥感仪按照空间尺度有不同划分，根据空间分辨率、适用条件和作用范围各有其优劣，应根据实际需求选择合适的光谱设备。随着作物水分监测指标研究的精细深入，以及在大区域、多种作物水分监测的普适性需求，未来亟需开发出超高分辨率的高光谱遥感仪器，以更好地表征作物水分细微特征和动态变化。

3 作物水分的高光谱数据处理方法

3.1 光谱预处理

光谱预处理对改善高光谱数据质量和提升模型反演精度具有重要作用。由于采集的原始光谱中包含大量的噪声信号，通过预处理可以过滤光谱中的噪声信息，进而提高信噪比，有效降低环境背景因素影响，保证数据质量的可靠性。常见的光谱预处理方法包括标准正态变换、多元散射校正、傅立叶变换、求导、微分[11]等。随着光谱学与光谱技术的发展，新的光谱预处理技术也孕育而生。焦青亮等[12]提出了卷积神经网络预处理方法，可以同时完成光谱去噪、基线校正和谱峰定位，相比传统方法处理效率更高，效果更好。分数阶微分技术在一定程度上可以消除背景因素干扰且较好地保留植被的光谱信息，不仅可以减弱高光谱噪声信号强度，并能挖掘潜在的光谱信息，提高光谱变量与研究属性之间的相关性。崔锦涛等[13]使用分数阶微分处理棉花叶片水分信息，并结合先进特征提取算法，结果发现，棉花叶片水分反演模型精度R2为0.93。聂素云等[14]用线性混合光谱分解模型分离小麦叶片与土壤的混合光谱，相比未考虑混合像元分解方法反演精度更高。但用高光谱获取的作物水分数据中也含有非线性成分，如何有效分离并提取非线性信息也是未来需要深入研究的方向。所以，基于卷积神经网络、分数阶微分变换和混合像元分解等预处理技术可以有效降低环境等背景因素影响，并挖掘潜在的光谱信息和非线性成分，提高光谱数据的质量，但不同的预处理方法有其自身的缺陷，需要根据客观需要选择合适的模型和优化算法，同时由于自然条件、仪器设备等原因导致的数据缺失问题，也是未来需要克服的问题。

3.2 基于特征波长的光谱有效信息提取

由于高光谱遥感采集的原始数据维度高，信息冗余，基于全波段构建的作物水分信息反演模型可能出现不稳定的情况，因此，寻找适宜的敏感光谱变量筛选方法尤为重要。许多学者在这方面做了相关研究，Zhen Zhang等[15]基于三波段植被指数(R2039-R2438)/R752提取猕猴桃叶片水分信息，结果表明，相比于双波段植被指数灵敏度高，抗干扰能力强，精确性高。但基于三波段指数提取在实际过程中需要更多的波段数据和分析算法，会增加数据采集、处理和计算的复杂性。许将等[16]基于偏最小二乘回归(PLSR)提取棉田土壤水分信息，由于PLSR侧重于对自变量的解释和归纳，并能够挖掘原光谱数据潜在的非线性成分，构建的棉花反射光谱与土壤水分反演模型有显著相关性(R2=0.68)。王怡婧等[17]基于竞争性自适应重加权采样法(CARS)筛选出与土壤含水量极显著相关的特征波段，结果表明，CARS能够有效剔除无关变量，优选出包含光谱信息最多的有效成分，构建的土壤水分反演模型精度R2为0.927。以上研究表明，通过构建多波段植被指数、PLSR和CARS等方法可有效降低数据维度，减少信息冗余，未来应从作物冠层到土壤开发出不同层面的高光谱特征提取方法，使之能更准确表征作物水分的有效成分，并为建立回归模型提供可靠的数据支撑。

3.3 基于高光谱遥感的常见算法模型比较

通过建立回归模型可以预测、解释和优化因变量的数值，并分析和观察自变量和因变量之间的内在关系。多元线性回归(MLR)是一种简单且物理意义明确的方法，但在建模过程中由于变量数的限制，很容易丢失许多光谱信息。主成分分析法(PCA)可以减少输入维数和消除原始样本分量之间的相关性等问题，但PCA并不能保证参与回归的主成分与被测组分一定相关，为了在降维过程中保留更多原始数据特性并挖掘其中的非线性成分，核主成分分析(KPCA)作为对PCA算法的非线性扩展通过引入核函数来实现非线性降维。在处理复杂问题时，传统的BP神经网络方法存在初值依赖和局部收敛的缺陷，而径向基函数神经网络模型[18]由于其只有一个隐含层所以减少了参数和权重的配置优化，并且对噪声和异常值具有一定的鲁棒性，但当训练样本较少时容易出现过拟合现象，需要使用正则化等方法处理。PLSR则适用于解决变量内部高度线性相关和样本个数少于变量个数等问题，在解决变量间多重共线性和处理非线性问题具有较好的应用效果。随机森林[19]是一种具有高精度和快速运算特点的新型算法，当样本数量足够大时，不仅能保证运算精度，还能节约时间成本。然而，当样本数量较少时，模型的训练精度可能会降低。支持向量机(SVM)是一种能够解决小样本、非线性以及神经网络中局部极小值问题的机器学习算法[20]，可以通过自动调整参数来获得较高的分类精度，而无需进行复杂的交叉验证。然而，SVM在核函数的选择还没有一个固定的方法，通常需要依靠先验知识来作出选择，可以根据实际需求和特点，尝试不同的核函数来提高分类效果。而深度学习神经网络以其强大的信息表征能力，非线性映射和并行计算等特点，可以省略数据降维等预处理操作，在高光谱作物水分遥感反演中有广泛的应用。

4 高光谱遥感在典型作物水分监测的应用

虽然当前高光谱遥感技术应用于水分监测的作物类型已经有很多种，但是在监测作物水分指标和方法上面也会有所不同，这些水分指标包括植株含水量(PWC)，叶片含水量(LWC)，冠层含水量(CWC)，叶片等效水厚度(LEWT)和相对含水量(RWC)，而研究方法包括单波段光谱反射率法，光谱植被指数法，全波段光谱分析法和光谱辐射传输模型等[21]。而水稻、小麦和玉米作为典型作物，在水分监测指标和研究方法方面更具全面性和系统性。已有许多学者对此作了细致而深入的研究，并取得了丰富的研究成果和技术创新，也为高光谱遥感技术监测其它作物水分含量提供技术参考。因此，下面对高光谱遥感作用于典型作物水稻，小麦，玉米的水分监测作详细阐述。

4.1 小麦

高光谱遥感通过敏感波段提取以及新型植被指数构建可以显著提高光谱反射率与水分含量的相关性。吾木提·艾山江等[22]将小麦抽穗期原始光谱经过分数阶微分处理后，发现在970nm、1200nm、1450nm、1950nm波段处与LWC极显著相关。杨菲菲等[23]基于水分敏感波段500nm、648nm、1912nm、1980nm分别构建植被指数RVI(437，466)和NDVI(747，1956)反演小麦LWC，发现基于光谱植被指数与水分关系的反演方法取得了较好的预测效果(R2=0.889)；原因是考虑了光在植被冠层中的传输过程，揭示了光谱特征与植被水分之间的内在机制。小麦在不同生长时期水分敏感波段有所不同，在开花期主要分布在可见光和近红外波段，在孕穗期和乳熟期，则分布在近红外和短波红外波段。王圆圆等[24]在开花期587nm、637nm和747～1242nm，孕穗期1602nm、1732nm和1737nm，乳熟期1557nm、1607nm和1747nm提取小麦叶片水分信息。程晓娟等[25]基于TM5卫星模拟数据短波红外第5波段1550～1750nm构建水分指数反演冬小麦开花期到拔节期LWC。贾雯晴[26]发现，小麦LEWT的最优敏感波段位于1395nm和1450nm附近，而小麦CWC的敏感波段位于648～691nm和1458nm附近，并构建新型三波段光谱指数提高模型的检验精度同时减小了系统误差。Bappa Das等[27]基于1400nm左右的波段深度监测小麦RWC，并结合1391nm和1830nm组合的比值指数(RSI)和归一化差异指数(NDSI)反演不同基因型小麦RWC，结果表明，基于最优敏感波段和新型植被指数构建的模型预测精度较高(R2≥0.86)。目前用高光谱监测小麦水分的研究主要集中在湿润和半湿润地区，而干旱和半干旱区域的研究还相对较少。随着高分辨率遥感仪器的发展以及新型植被指数出现，高光谱遥感技术在干旱和半干旱区域的应用潜力十分广泛。同时，小麦在不同生长时期LWC的敏感波段存在差异，在开花期，小麦的LWC敏感波段主要集中在可见光和近红外波段；而在孕穗期和乳熟期，则分布在近红外和短波红外波段。此外，对小麦植株水分状况的监测方法需要加强指标间综合效应的考虑，并且需要深入研究小麦的需水生理过程和调控机制，以满足精准农业管理的需求。

表2 高光谱遥感估算小麦含水量的典型研究

4.2 水稻

水稻的叶片水分敏感波段主要分布在近红外和短波红外波段，当前对水稻水分监测的研究主要集中在生长中后期以及湿润和半湿润地区。田永超[28]基于水稻叶片敏感波段460～710nm、1220nm和1500nm构建双波段组合的植被指数模型预测拔节期、抽穗期和成熟期的RWC和叶水势，结果发现，此波段范围内构成的植被指数预测模型具有显著的线性相关性(R2=0.98)。徐庆等[29]基于水稻叶片敏感波段1450nm、1833nm、1930nm、2220nm和2500nm，并在拔节孕穗、抽穗开花和灌浆结实期分别构建不同的预测回归模型，发现在不同生长时期估测LWC均有极显著相关性。刘小军[30]基于全波段范围双波段组合的植被指数法监测水稻从分蘖末期到成熟期LWC，发现在敏感波段1402nm和2272nm构建的RSI和NDSI光谱指数与LWC呈现良好的线性关系(R2=0.80)。Osama等[31]基于敏感波段1106nm、1467nm和1456nm提取水稻CWC，发现通过特征选择与回归算法的最优组合模型反演水稻CWC的精度R2=0.998。所以，水稻在不同生长时期的敏感波段主要分布在NIR(710～970nm)和SWIR(1450nm、1750nm和1830nm附近)，并且未来应克服植被覆盖度、气象条件和资源限制等不利因素，更多关注作物在生长前期和干旱、半干旱地区的研究。

表3 高光谱遥感估算水稻含水量的典型研究

水稻是一种生长环境受地形和气候变化影响较大的作物，其生长阶段受到叶片水分变化的影响非常显著。研究发现，基于新的水分指数可以适应不同地域、气候以及叶绿素、基因型变异等动态变化带来的影响。Shreedevi等[32]基于水稻营养期、繁殖期和成熟期反演水稻LRWC，并提出新的水带指数(WBI)、归一化水指数3(NWI-3)、归一化水指数4(NWI-4)，发现基于新的水分指数反演水稻繁殖期LRWC有显著相关性(R2=0.819)。LWC是水稻植株需水状况的重要指标之一，通过测定叶片水分信息来改善作物的需水状况，虽然利用叶片反射光谱可以减少其内部结构和外界环境的影响，但不同LWC与光谱信息的表示存在差异，导致测量精度较低。刘小军等[33]基于顶4叶的不同单叶尺度监测LWC时，为了排除叶片表面和内部结构对叶面反射光谱的干扰，构造双波段组合的RSI(R1402，R2272)及NDSI(R1402，R2272)，使植被有效信息最大化，但基于单叶水平估测作物水分信息量不足且难以捕捉作物整体的水分变化动态。张雪楠等[34]提出了一种基于不同叶位组合和叶绿素荧光耦合的水稻LWC监测方法，这种耦合监测模型相较叶片光谱指数精度提高了71.807%～83.976%，原因是最优叶位组合更能准确反映叶片水分的整体动态变化，而叶绿素荧光可以确定作物水分亏缺的临界阈值，为未来基于多源数据融合技术监测水稻叶片水分提供理论基础和新的研究方向。所以，未来亟需开发超高分辨率的光谱仪器，以研究能够适用于不同地域、气候条件及作物内部生理结构等动态因素新型植被指数，并结合多源数据融合技术的信息互补特性仪更全面地表征作物水分的动态细微变化。

4.3 玉米

光谱植被指数反演玉米叶片水分信息需要考虑作物内部的物理机制，但以往的植被指数大多针对特定的作物类型和地区，基于高分辨率光谱遥感仪器开发出适用于不同区域尺度和植被类型的水分指数，提高水分指数的普遍适用性。Nieves等[35]基于HyMap高光谱图像的TOC折射数据结合PROSAIL传输模型分别提出吸水面积指数(WAAI)和深度水分指数(DWI)，并在玉米等多种作物类型和区域尺度有良好的监测效果，但对植被覆盖度低(<30%)的物种表现不佳。由于采集的原始光谱含有大量来自环境因素和仪器设备等影响目标属性的噪声信号，会给研究结果带来误差。Jingjing Sun等[36]采用分数阶Savitzky-Golay微分(FOSGD)预处理方法结合竞争性自适应重加权采样、随机蛙跳2种特征提取算法来全局搜索最优解进而提取敏感波长，结果表明，由于FOSGD能突出目标属性更多的信号细节并且最小化噪声信号，模型的反演精度有明显提高(R2=0.91)。王俞茜[37]基于PROSPECT光谱辐射模型结合线性回归模型预测夏玉米PWC，发现在夏玉米植株水分敏感波段分布在436～691nm和829～900nm，并在玉米生长发育的拔节期和抽雄期建立回归模型(R2=0.678)。但这种基于传统方法的线性回归模型反演精度不高，可能提取的光谱数据中含有非线性成分。

综合以上研究，在当前用植被指数监测玉米水分信息存在诸多限制因素，未来可以基于高分辨率的光谱遥感仪器结合多源数据融合开发出适用于不同品种类型的区域水分指数。此外，目前针对夏玉米水分研究的线性回归模型存在精度不高等问题，原因是提取的光谱数据中含有非线性成分，需要结合先进的特征提取算法进一步改进和优化。

5 问题与展望

尽管作物含水量高光谱遥感监测已经取得了很多进展，但在监测指标和方法方面仍存在一些问题和挑战，严重制约了作物干旱胁迫的准确监测。因此，未来的研究应该着重强化以下几方面。

作物在生长早期以及干旱区域的水分研究相对较少。当前基于水稻水分的高光谱遥感监测研究主要集中在生长中后期，而在水稻种子萌发期、幼苗期等对水分、光照和温度等环境条件要求较高的生长前期的研究相对较少，并且研究区域主要面向湿润和半湿润地区，而干旱和半干旱区域由于自然条件、地理环境等影响因素导致遥感数据的采集、处理会产生诸多困难。

现有光谱植被指数表征不同区域、不同品种和作物类型的水分信息时有一定的局限性。由于光谱仪器分辨率的限制，使用光谱指数监测作物水分难以适用于更大的区域范围，当前常用的作物水分指数，如WI、NDVI和NDWI等在某些情况下可能会存在精度低和适用性窄的情况。

光谱数据的采集和处理过程中如何更有效提取有用信号。由于土壤、大气等背景因素影响，导致采集的光谱数据可能含有多种混合像元，因而亟需采用先进的光谱预处理方法提高光谱数据的可靠性和准确性。当前的线性光谱分解理论在处理光谱混合像元时已得到广泛的应用，但遥感成像中可能存在多种非线性光谱混合的情况，因此在非线性混合像元的分解中需要进一步研究和发展。

多源数据融合策略的欠缺。由于单一数据源监测作物水分可能只包含有限的光谱范围和特定的空间尺度，导致获取作物的光谱信息不全面，难以挖掘目标属性有效信息成分，无法与作物土壤水分、气象因素等关联解释作物水分变化状况，从而影响作物水分监测模型的准确度和适用性，所以未来应该充分利用多源数据的信息互补特性，弥补单一数据源信息量不足。

因此，未来应从冠层、叶片和土壤等多角度获取作物水分信息，基于多种传感器和数据融合技术开展作物水分遥感监测研究，重点解决以下关键科学问题：近年来一些研究已经开始关注作物生长前期的水分监测，包括使用高光谱遥感数据结合特征提取、机器学习方法来推测作物种子萌发期到幼苗期的水分状态，相信未来随着技术的不断发展和研究需求的增加，干旱区和半干旱区的作物水分监测研究会引起更多关注；未来应着重于光谱传感器的改进和创新，开发出超高分辨率的光谱仪器，捕捉作物水分变化中的细微差异，并结合先进的预处理、特征提取和深度学习算法，进一步提高光谱水分指数的精确性和广泛适用性；非线性混合像元分解还需要进一步探索，在非线性混合光谱分解前尝试不同的预处理技术，如分数阶微分、波段选择、光谱归一化等，以增强信号并减小噪声，并探索使用深度学习等优化算法来处理非线性混合光谱，以更好地捕捉多个组分之间的非线性关系；通过多角度观测融合多源数据特征，如光学、热红外和雷达数据等，从作物冠层到土壤不同层面获取更全面而丰富的光谱信息，弥补单一传感器信息量不足的缺点，提高水分监测的准确性。