黄亮平

[摘要]随着高光谱遥感技术的不断发展，高光谱遥感在农业方面的应用已经成为高光谱遥感研究的热点领域。高光谱遥感技术可以实时准确快速地得到农作物生长状况的信息，为精准农业的实现提供重要的技术支持。从农作物生化参数（叶绿素含量、氮含量、含水量）监测、物理参数（叶面积指数、生物量）监测、病虫害监测三个方面对高光谱遥感在农作物生长监测的应用研究取得的新进展进行归纳和总结，并对其应用前景进行展望。

[关键词]高光谱遥感;农作物;生长监测

[中图分类号]S127 [文献标识码]A

1 引言

精准农业是综合应用现代高新科技，以获得农田高产、优质、高效的现代化农业生产模式和技术体系。精准农业是未来农业发展的方向，是实现农业可持续发展的主要途径，其中遥感技术是实施精准农业的重要工具之一。

传统遥感技术用于精准农业管理中真正成功的例子很少。主要原因是常规遥感数据的光谱分辨率比较低，还有就是波段不完全覆盖可见光至红外光的光谱范围，且波段在波谱上不连续，因此难以区分外形类似、品质相近、生长期相同的混作作物。而高光谱遥感的光谱分辨率一般小于10 nm，在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据，这些光谱可以很好地描述作物的“红边”特性，“红边”现象是绿色植被区别于其他地物最明显的光谱特征。高光谱遥感技术是实施精准农业的重要工具之一，目前已成为精准农业技术的研究重点，因此高光谱遥感技术是精准农业发展的重要方向。

2 生化参数监测

2.1 叶绿素含量监测

叶绿素含量是表征植被胁迫状态的一个重要指示因子，同时也是其它生化参数估算的重要基础。利用高光谱技术估算叶绿素含量，对于评估农作物生长状况、预测产量以及生长监测具有重要意义。可以为估测农作物冠层叶绿素含量提供参考，从而为农作物叶绿素含量的实时、快速、无损监测奠定基础。

孙勃岩等分别利用回归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的估算模型，并对比模型估算与田间实测的叶绿素质量分数，分析反演精度，从中筛选出精度最高的模型。吕杰等发现运用粒子群优化算法和支持向量机构建叶片尺度玉米叶绿素含量高光谱估测模型，能准确预测玉米叶绿素含量，能够解决小样本玉米采样点情况下叶绿素含量反演问题。王烁以棉花花铃期叶片高光谱反射率为数据源，分别分析了13种植被指数和优化光谱指数RSI与棉花叶片叶绿素相对含量（SPAD）的相关关系，构建线性及非线性回归监测模型并进行验证。章文龙等选取秋茄（ Kandelia candel） 作为研究对象，采集叶片并测定其叶片正面和反面反射光谱以及叶绿素含量。选取13个常用参数进行敏感性分析，并进一步选取与叶绿素相关系数较高的参数建立估算模型。

2.2 氮含量监测

氮平衡指数（NBI）是反映农作物长势的重要指标之一。农作物氮素（N）的实时无损监测对农作物生产中氮素的精确管理具有重要意义。利用高光谱遥感数据能够实时、动态、非破坏性、快速有效地监测农作物氮肥盈亏状况，为农业生产和管理提供精准信息，并指导农民进行准确、合理氮素施肥，减少农民的成本和氮素对环境的污染。

M Quemada等发现在评估玉米氮素状况和预测开花产量方面，基于空中高光谱与地面光学传感器测量的指标一样可靠。L He等建立了一种新的角度不敏感植被指数（AIVI），相比较于植被指数（VIs），AIVI提高了冬小麦叶片氮浓度（LNC）测量的预测精度和角度稳定性。F Li等测试光谱指标和偏最小二乘回归（PLSR）的性能，并比较它们在冬小麦冠层氮含量预测中的应用。李长春等以无人机高清数码影像和高光谱遥感数据，以及地面实测大豆NBI数据为基础，采用经验模型法构建NBI反演模型，通过分析验证模型得出最佳反演模型。

2.3 含水量监测

农作物水势是体现农作物水分状况的一个重要生理指标。对农作物水势的监测能为农作物灌溉的精确管理提供科学依据。传统的农作物水势监测方法耗时、耗力且局限于小范围的点上监测。而采用高光谱技术，可以快速、无损、准确估算农作物水势，从而优化农作物灌溉方案。

陈智芳等通过相关性分析、回归分析等方法，基于不同水分处理，构建4种植被指数与冬小麦叶水势的估算模型。林毅和魏楠通过对春玉米不同生育时期的土壤水分控制试验，观测不同生长状况的玉米冠层高光谱反射率，分析光谱反射率变化特征，建立光譜参数对土壤水分的反演模型。吴见等对EO–1 Hyperion高光谱数据进行波段筛选和植被含水量指数计算，采用耦合叶片与冠层辐射传输模型对玉米冠层含水量估测能力进行分析，在此基础上，将MCARII和NDWI进行整合，以完成玉米冠层含水量估测。

3 物理参数监测

3.1 叶面积指数监测

叶面积指数（LAI）又叫叶面积系数，是指单位面积内所有叶子单面面积之总和。传统的LAI测量方法费时、费力且具有破坏性。利用高光谱遥感技术可以对作物LAI进行及时、无损的监测，是实现作物精确、高效管理的关键。

L Liang等利用高光谱植被指数，提出了一种混合反演方法来估算作物的LAI值。X Li等利用不同的技术提取冬小麦的高光谱特征，为了找到预测精度最高的特征子集，采用偏最小二乘回归（PLSR）和投影中的变量重要度（VIP）对LAI值进行估计。H Yua等将随机森林（RF）、人工神经网络（ANN）和支持向量机（SVM）回归模型与偏最小二乘回归（PLS）模型进行比较，从无人机高光谱遥感中检索大豆叶面积指数。

3.2 生物量监测

生物量是生物在某一特定时刻单位空间的个体数、重量或其含能量，可用于指某种群、某类群生物（如浮游动物）或整个生物群落的生物量。生物量是作物重要的生物物理参数之一，利用高光谱遥感技术正确估算地上生物量（AGB）对于准确的农作物生长监测和产量预测是必要的，可以指导农业经营。

ML Gnyp等针对冬小麦开发、改进和验证了一个高光谱植被指数多尺度生物量模型，提出了一种新的高光谱植被指数GnyLi。为了确定冬小麦生物量估算的最佳方法，Y Fu等比较了包含窄带植被指数和红边位置（REP）的单变量技术和包含带深度参数的偏最小二乘回归（PLSR）分析的多变量校准技术的效用。ML Gnyp等利用高光谱冠层遥感技术，通过一种或多种策略识别出最优测量值，从而提高水稻AGB的估计值。

4 病虫害监测

在农作物生长过程中，病虫害会降低其产量和质量，影响经济效益。对病虫害进行监测和预警并采取方法治理，可有效提高农作物产量和质量，减少经济损失。然而，传统的农作物病虫害监测方法不仅效率低下，而且还存在准确率低和实效性不强等问题。因此，高光谱遥感准确、实时等优点使它成为农作物病虫害监测的一种高效手段与前沿技术。

简俊凡等从使用高光谱遥感技术监测农作物病虫害的原理和技术路线出发，首先阐述了4种光谱特征提取和变换方法;然后论述了3种病虫害监测参数反演方法，建立了光谱反射率和病虫害监测参数间的回归关系;最后分析了将高光谱遥感技术用于农作物病虫害监测的优势和存在问题。G Krishna等基于高光谱反射率数据，采用偏最小二乘（PLS）和多元线性回归（MLR）技术，对冬小麦条锈病的严重程度进行了评价。确定了冬小麦条锈病的适宜波段，建立了评价条锈病严重程度的光谱模型。乔红波等首次将近地成像光谱监测方法应用于小麦全蚀病监测。NR Prasannakumar等利用高光谱遥感技术，对水稻作物褐飞虱（简称BPH）的危害进行田间试验，建立了多元线性回归模型并验证有效性，有助于监测水稻作物BPH胁迫。

5 结束语

高光谱遥感作为一种新的遥感技术已经在农业方面得到广泛的应用。高光谱可以准确探测并获取农作物的精细光谱信息来反演生化参数和物理参数以及进行病虫害监测，进一步发展和完善了农作物遥感监测技术，很大程度上提高了监测效率和精度。高光谱遥感在农作物生长监测方面具有一定的应用潜力，利用高光谱遥感影像进行农作物生长监测是未来精准农业快速发展与实施的重要方向。

[参考文献]

[1] 孙勃岩，常庆瑞，刘梦云.冬小麦冠层叶绿素质量分数高光谱遥感反演研究[J].西北农业学报，2017，26（4）：552-559.

[2] 吕杰，汪康宁，李崇贵，等.基于高光谱遥感的玉米叶绿素含量估测模型[J].中国矿业大学学报，2016，45（2）：405-410.

[3] 王烁.基于高光谱遥感的棉花叶片叶绿素含量估算[J].中国农业大学学报，2017，22（4）：16-27.

[4] 章文龙，曾从盛，高灯州，等.闽江河口湿地秋茄叶绿素含量高光谱遥感估算[J].生态学报，2014，34（21）：6190-6197.

[5] Quemada M， Gabriel J L， Zarco-Tejada P. Airborne hyperspectral images and ground-level optical sensors as assessment tools for maize nitrogen fertilization[J]. Remote Sensing， 2014，6（4）： 2940-2962.

[6] He L， Song X， Feng W， et al. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data[J]. Remote Sensing of Environment， 2016（174）： 122-133.

[7] Li F， Mistele B， Hu Y， et al. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression[J]. European Journal of Agronomy， 2014（52）： 198-209.

[8] 李长春，陈鹏，陆国政，等.基于无人机高清数码影像和高光谱遙感数据反演大豆典型生育期氮平衡指数[J].应用生态学报，2018，29（4）：1225-1232.

[9] 陈智芳，宋妮，王景雷，等.基于高光谱遥感的冬小麦叶水势估算模型[J].中国农业科学，2017，50（5）：871-880.

[10] 林毅，魏楠.干旱条件下春玉米高光谱特征及土壤含水量反演[J].生态学杂志，2016，35（5）：1323-1329.

[11] 吴见，谭靖，邓凯，等.基于优化指数的玉米冠层含水量遥感估测[J].湖南农业大学学报（自科版），2015，41（6）：685-690.

[12] Liang L， Di L， Zhang L， et al. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J]. Remote Sensing of Environment， 2015（165）： 123-134.

[13] Li X， Zhang Y， Bao Y， et al. Exploring the best hyperspectral features for LAI estimation using partial least squares regression[J]. Remote Sensing， 2014， 6（7）： 6221-6241.