高光谱遥感在农业生产中的应用及展望

高光谱遥感在农业生产中的应用及展望
谭向农;刘淮;漆锟;丁燕杰
【摘要】为了更好地利用农业自然资源,需要动态监测农作物生产状况.高光谱遥感技术在农业监测中表现出较大优势.本文总结了该技术在农作物信息诊断研究的现状,并指出当前研究中的关键问题,最后展望未来应用的重要发展方向.
【期刊名称】《北京测绘》
【年(卷),期】2017(000)001
【总页数】4页(P49-52)
【关键词】高光谱遥感;农业生产;农业监测
【作者】谭向农;刘淮;漆锟;丁燕杰
【作者单位】中国石油新疆油田分公司数据公司,新疆克拉玛依834000;中国石油
新疆油田分公司数据公司,新疆克拉玛依834000;北京大学工学院,北京100871;北京市测绘设计研究院,北京100038;城市空间信息工程北京市重点实验室,北京100038
【正文语种】中文
【中图分类】P237
国以民为本，民以食为天，只有丰衣足食，才能国泰民安。

中国作为一个农业大国，制定合理的粮食政策对于保障国家的粮食安全和维护社会的长治久安有着重要的意义。

合理的粮食政策要以及时、准确、快速监测农作物长势和预报粮食产量为前提。

农作物生产遥感监测技术可利用高光谱遥感影像，对农作物的生长过程进行监测，
以及时、客观、准确地获取农作物信息，为农业生产及决策提供重要的技术支持。

目前，有关研究已基于高光谱遥感技术对农作物生长发育的特征进行提取，在农作物营养诊断、物种识别、长势监测、产量估计、灾害预警等领域进行了试验，并在田间尺度的精准农业和大面积农作物监测上取得了很好的应用效果。

高光谱遥感已成为遥感技术在农业应用中重要的发展方向。

本文旨在回顾当前高光谱遥感技术在农业生产中的主要应用，通过分析现有研究中存在的问题和不足，对如何更好的发展高光谱遥感技术支持下的农业生产进行了展望。

不同农作物具有不同的理化性质，主要表现在叶肉细胞、叶绿色含量、叶片结构、叶片含水量等方面。

这些差异虽然肉眼不可见，但是可以通过研究其光谱反射规律来作出分析。

例如，可见光波段的光谱反射率主要是受到包括叶绿素在内的各种色素的影响，近红外波段的反射率则受到叶片含水量、氮元素含量等因素的影响。

因此，研究作物的基本光谱特征是当下快速获取农情信息的一个重要方法，对于精准农业具有重要的意义。

基于高光谱遥感的农作物监测的基础是选择合适的检测指标，从而对于作物性能进行准确、快速、大范围的监测。

叶面积指数LAI(Leaf Area Index)是一个与作物长势的个体特征与群体特征有关的综合指数，无论哪一品种都有统一性。

这是用叶面积指数监测长势的基础。

归一化植被指数
NDVI(Normalized DifferenceVegetation Index)是一个综合的参数，与叶面积
指数LAI、植被覆盖度、发育程度、生物量有关。

温度条件指数(Temperature Condition Index,TCI)用以反应地表温度状况，可以较为直接地反应旱情的发生、发展与结束。

植被状态指数(Vegetation Condition Index，VCI)用以反应植被健
康程度，可以反映在相同的生理期内植被的生长状况。

归一化水分指数(Normalized Difference Waterer Index，NDWI)利用水体在绿波段和近红外的
显著反射差异提取水体信息，可以很灵敏的反映植被冠层水的含量。

红边(Red
Edge)曲线含有植被的许多信息，其光谱特征有很强的表现能力，因此可以从红边光谱曲线提取特征参量。

快速发展的高光谱遥感技术以其高时间分辨率、高空间分辨率和高光谱分辨率的特点[1]，被广泛应用于农业研究中，为作物监测提供了新的研究手段和丰富的数据支持。

这里主要探讨农业生产中常见的氮、磷、钾养分。

由于这些矿质元素的含量变化会造成作物的叶片结构和叶片形态的变化，因而容易被作物的光谱反射信息捕捉到，这是采用高光谱技术来诊断作物营养信息的理论依据。

近年来，国内外学者就氮元素与高光谱之间的相关关系进行了大量的深入研究，并取得了一定的成果。

程一松[2]基于夏玉米的叶片研究表明作物的氮元素含量确实能影响到有关光谱反射曲线，为基于光谱信息的氮元素反演提供了可能。

也有学者基于光谱变化的思路，运用光谱吸收特征方法来估测值被叶片中的含氮量，并取得了较高的估测精度。

有研究指出磷元素、钾元素的含量会影响到植物生理系统内部的色素调节，光谱反射率在一系列的因素综合影响下，变化规律不如氮元素显著，使得光谱特征曲线相对复杂，需要综合考虑更多的因素才能得到更为准确的光谱反演结果。

以上的研究表明，采用高光谱遥感技术可以对作物的养分进行诊断和估算，为精准农业的施肥作业提供可靠的依据，具有极为广阔的应用前景。

高光谱遥感可以获得紫外到中红外，非常窄且光谱连续的图像，能准确反映作物本身的光谱特征和作物间的光谱差异，用于作物类型识别。

目前的研究中常采用光谱角分类法和决策树分类法来进行高光谱作物识别。

由于太阳辐照度、地形和反照率等因素对于光谱角的影响不大，因此可以采用基于光谱角的作物识别方法来降低这些外在噪声的干扰，获得更为精确的分类结果。

Yang等[3]通过构建农作物病虫害-高光谱影像模型，结合光谱角识别方法，在区分患病小
麦和健康小麦应用中取得了较好的结果。

同时，越来越多的实践证明综合光谱特征和时间序列信息可以更准确的识别作物。

因此，充分发挥多源高光谱遥感数据的优势会是区域尺度作物识别的主要趋势。

作物生长受到多重因素的影响，因此进行作物长势评价也需要采用综合方法。

张雪芬[4]在GIS支持下，通过高光谱植被指数图与地形图、土壤质地图、政区图、年降水量图、年平均气温图、小麦生育期积温图等图件叠加、分层，同时依据地面资料进行作物苗情分级，提高小麦苗情遥感解译精度。

武建军等[5]使用相邻年份两期旬合成植被指数的比值或差值进行了干旱区作物的长势监测，发现这种差异和比值与单产有直接的关系。

基于高光谱的作物产量预测是以卫星上搭载的高光谱遥感器来获取的作物光谱特征数据为基础，通过研究作物种植面积和单产来估算作物的产量。

其中，多时相分析方法是获得广泛应用的众多遥感分析方法之一。

Chakraborty等[6]还利用多时相RadarSat的ScanSAR数据进行水稻面积估算的系统，满足了作物种植面积提取的精度和时效性。

刘可群等[7]从NOAA的有关数据中抽取出PVI(垂直植被指数)参量，综合考虑水稻叶面积时间累积量以及有效积温等因素来构建水稻产量模型，也取得了较好的研究结果。

农作物病虫害是影响作物最终产量的关键因素之一，对病虫害进行早期预警，是控制病虫害大范围蔓延、保护作物产量成果的有效方法。

通过高光谱分析技术可以探测作物的健康状况以及病虫发生情况，这就是遥感技术用于监测作物的优势。

作物病虫害的高光谱遥感监测主要在单叶与冠层两个层面上展开。

对单叶，因病虫危害导致叶片细胞结构、色素、水分、氮素含量及外部性状等发生变化；对冠层，因病虫危害引起LAI、生物量、覆盖度等的变化，可见光到红外波谱反射光谱与正常作物有明显差异。

Ponzoni等[8]用PEC-T RONSE-590 光谱仪和LICON 积分球研究作物缺素时的光谱特性，认为在可见光波段能检测到作物缺钾症状。

他们的研究
都较多地考虑了作物病害的光谱特性，而较少地考虑病害导致作物体内生理生化反应，因此只能定性的分析其光谱特征。

采用高光谱遥感技术反演作物参数是精准农业中的作物监测的有效手段，但是目前的研究中还存在有一些问题没有得到很好的解决。

现有的高光谱技术能通过光谱曲线及其相关特征参数来反演作物的一些理化参数。

但是这种反演只是光谱特征与作物参数的关联关系在数学上的一种外在表现，有关两者内在的响应机理还有待进一步的探讨。

作物具有复杂的生理代谢系统，体内的各种成分相互之间存在有特定的关联机制。

不同营养条件下的作物光谱在某些波段会有差异，但是这种差异也许并不能用某种元素的缺失来进行解释。

植物体本身的调节机制会在某种元素缺失的时候引发有关生理反应，从而造成体内其它的一些成分的合成或者分解作用，给作物的光谱曲线带来新的影响。

因此，在研究作物的光谱特征的时候，有必要深入探讨其生理调节机制，透过内部机理来挖掘高光谱信息，将有助于进一步完善高光谱反演模型。

现有的高光谱反演模型研究以数理统计作为基础，着重寻找反射光谱与作物指标在统计数据之间的关联关系。

但是这样的统计分析存在有自身的局限性，如光谱变量内部的过度拟合，作物本身的生理调节机制作用下各化学成分之间的相关关系以及数据测定中的不确定性误差都会影响到最终的统计模型的实用性。

目前的研究中所建立起的高光谱遥感反演模型大多只是较为单纯的考虑光谱曲线与作物参量二者的关系，对于作物类型、作物生长阶段以及外在的光照环境、土壤环境、大气环境等因素的考虑还存在不足，只适用于特殊的条件。

因而综合考虑多重内在、外在因素共同影响下的光谱特征曲线反演模型将会是现有理论需要改进的一个方面。

当前作物类型识别中应用最多的是光学资源遥感影像，但考虑到作物生长环境的复杂性，许多被病虫害感染的以及没有被病虫害感染的作物可能产生极为相似的症状，其呈现的光谱特征也可能极为相似；另一方面，有的即便是受到同一种病虫害感染
的作物，也可能在光谱特征中表现得不一样。

因此遥感成像过程中“同物异谱”和“同谱异物”的现象非常普遍，要提高识别精度变得十分困难。

在此情形下，应该进一步挖掘光谱中的有效信息，提取特征波段，对“同物异谱”、“同谱异物”现象加以区分，利用不同尺度遥感数据相结合的方法来克服这一问题。

以后的研究需要加强遥感数据融合技术的应用，为高光谱遥感技术开展作物参数定量化的反演检测奠定基础。

随着对地观测技术的不断进步，基于高光谱遥感的作物监测也将朝着智能化、便捷化、精准化的方向发展，未来可能在以下几方面取得较大的突破。

目前国内外有关学者就采用高光谱遥感技术进行农情监测作了大量的研究，但却并没有真正大范围的应用到农业生产实践当中。

其中一个重要的原因是采用的高空光学遥感影像数据质量受到天气等条件的影响较大，而近地遥感数据又因为只能收集局部作物生长信息，同样导致模型本身的局限性。

今后可考虑加强高空遥感和地面遥感相结合的方法，利用不同传感器的数据在空间、光谱、极化等方面存在差异特性进行优势互补，从而实现两者的数据融合。

有学者利用校正方法，根据地面实测数据对遥感识别结果进行多元回归分析，校正单纯利用遥感影像分类方法进行作物类型识别的结果，提高作物识别精度，增加模型可靠性。

光谱库是由高光谱传感器在一定条件下测得的各类反射光谱数据的集合，在准确地解译遥感图像信息、快速地实现未知地物的匹配、提高遥感分类识别水平等方面起着至关重要的作用。

因此基于高光谱遥感技术采集的庞大数据，建立农作物光谱数据库，运用先进的计算机技术来保存、管理和分析这些信息，有利于提高遥感信息的分析处理水平，并使其能得到更为高效、合理的应用。

通过开展农业应用中的光谱数据库[9]研究，同样有助于综合对比不同地物之间的光谱差异，或者总结相同地物在不同条件下的光谱变异规律，在此基础上提高农学信息提取模型的精度和实用性。

遥感影像空间分辨率和时间分辨率的提高可以明显提高作物监测精度，但代价是价格的提升。

据统计，在中国农情遥感速报系统[10]中，最大的支出是地面采样费用和遥感数据购置费用，各占总花费的三分之一左右。

有必要发展更适合农业作物监测并兼顾我国农业发展状况的高光谱遥感监测技术。

近来来，随着卫星建造技术的不断进步与成熟，新型成本低廉、功能专一、发射便捷的微小卫星为此问题的解决提供了新的思路。

例如国家科技部以及中科院上海微小卫星工程中心等部门研制的微小型卫星可以在可控成本内获得高空间分辨率、高时间分辨率的高光谱遥感数据，从而为农作物的多时相分类以及生长监测提供可靠的信息服务。

高光谱遥感技术凭借其分辨率高、波段连续性强、光谱信息量大等特点，可以直接对地物进行微弱光谱差异的定量分析，从而在农业遥感监测与应用中表现出较大优势。

但同时获取的农作物的光谱反射信息分散在多达数千个光谱波段中，面对高维度的光谱特征空间，农学参数的反演模型主要还是采用众多波段中的少部分重要信息，模型的经验性较强，同时通用性和移植性较差。

随着数据挖掘技术的不断发展，越来越多的研究开始着手于从大量的光谱数据中通过算法搜索隐藏于其中的农学信息。

这是因为数据挖掘不是为了替代传统的统计分析技术，相反，它是统计分析方法学的延伸和扩展。

如何采用数据挖掘技术来充分利用高光谱数据多维信息的变化规律，来对作物参数进行深度挖掘，将会是未来发展新型光谱反演模型的重要手段。