高光谱技术在农作物营养信息诊断中的应用

高光谱技术在农作物营养信息诊断中的应用

乔 欣，马 旭，梁留锁

(吉林大学 生物与农业工程学院/地面机械仿生技术教育部重点实验室，长春 130025)

摘 要：概述了高光谱遥感分析技术在农作物营养诊断方面的应用状况，着重介绍了诊断农作物的主要生化参数，如氮素、叶绿素、叶面积指数（LAI）和水分等多项指标的研究进展，并对高光谱遥感技术在作物营养诊断与检测方面的研究进行了展望。

关键词：农业基础科学；高光谱遥感；应用；光谱反射率；生化特性；营养诊断

中图分类号：S122 文献标识码：A 文章编号：1003─188X(2005)06─0195─03

高光谱遥感技术的特点是光谱分辨率高（5～10nm），波段连续性强（在0.4～2.5μm范围内有几百个波段），它既能对目标成像，又能测量目标物的波谱特性。因此，它不仅能识别农作物和植被的类型，而且还可以监测农作物长势和反演农作物的理化特性。目前，高光谱遥感技术已经成为数字农业领域获取田间信息的一种重要手段。

1 研究进展

目前，描述农作物的生化参数有多种，其中主要有叶绿素、叶面积指数、含水量和植株的氮、磷、钾素等，这些参数与农作物的营养状况、产量紧密相关；而农作物营养元素含量的多少会在叶片的光谱特性上有所反映。高光谱遥感技术是通过检测作物冠层的光反射和光吸收性质来检测作物营养状况，可实现大面积、无破坏、快速地获取农田长势信息。下面主要分析几种常见作物营养成分的检测方法。

1.1 利用光谱技术检测作物含水量

利用光谱遥感技术来估算作物水分信息的方法主要有：

(1) 研究植被状态与植被含水量之间的关系。主要是利用植被的温度变化来估测植被水分情况，但是这种方法误差大，有局限性。

(2) 通过测得的植被生化参数与水分含量的关系，建立相关方程。2001年，Ceccato等[1]结合使用短波红外波段(1.33.0μm)和近红外波段(0.7～1.3μm)的比值(1.6μm和0.82μm波段的

6.1

ρ / 82

.0

υ)估测的植被含水量比只用单一波段估测地更准确。Michio等[2]利用0.96μm处的导数光谱来监测水稻的水分亏缺状况等。Penuelas等指出[3]可用R0.97μm/R0.9μm作为水分指数监测小麦的水分状况，水分指数WI（Water Index）可以较为灵敏地反映叶片相对含水量、叶片水势、气孔电导性和细胞壁弹性等。而田庆久等研究得出[4]，小麦叶片相对水分含量与光谱反射率在1.45μm附近水的特征吸收峰深度和面积呈现良好的线性正相关关系，通过光谱反射率可以定量测定作物含水量和诊断小麦缺水状况。王纪华等[5]研究认为，小麦叶片含水量与1.65～1.85μm处的光谱特征峰的吸收深度和吸收面积呈现显著的线性负相关关系。

1.2 利用光谱技术检测作物叶面积指数

早在20世纪70年代，Wiegand等人[6]研究了光谱特征与叶面积指数LAI之间的关系。随后Miller[7]应用比值植被指数、垂直植被指数等来反演叶面积指数。Patel等[8]利用基于植被反射光谱波形分析的红边参数来反演叶面积指数。2002年，Aparicio等[9]在小麦上的研究表明,LAI与植被指数的关系不仅不受栽培措施的影响，也不受品种及栽培地区的影响。薛利红等[12]综合比较分析了几种常见光谱植被指数与水稻叶面积指数的相关性及预测力，发现宽波段光谱植被指数与水稻LAI相关性呈现幂函数和指数关系。常用的植被指数计算公式有

(1) 比值植被指数RVI(Ratio Vegetation Index)

d

NIR

RVI Re

/ρ

ρ

=

式中 ρ—反射率；

NIR—Near infrared。

(2) 归一化植被指数NDVI(Normalized Differ-

收稿日期：2004-12-10

基金项目：国家高技术研究发展计划（863计划）资助项目（2003AA 209012）

作者简介：乔 欣（1979-）,女，吉林松源人，硕士研究生，(E-mail) maxu@。

- 195 -

- 196 -

ence Vegetation Index)

1

1

Re Re +−=

+−=

RVI RVI NDVI d NIR d NIR ρρρρ (3) 垂直植被指数PVI（Perpendicular Vege- tation Index）

2

Re 1ααρρ+−−=

b

PVI d NIR

式中 a 、b —土壤线性系数。

(4) 近红外与绿光波段的比值NIR/G （Ratio of NIR band to Green band）

560810//ρρ=G NIR

1.3 利用光谱技术检测作物氮素

国外从20世纪80年代开始，Shibayama 等[10]

根据不同氮素水平下的作物叶片光谱特征，研究发现：缺氮时可见光波段反射率增加，认为叶绿素是引起光谱特征差异的主要因素。国内是在近年做了一些研究，如20世纪90年代张金恒等[11]研究氮素营养水平与水稻叶片光谱的关系，得出NDVI 与RVI 等指数与水稻叶片含氮量的相关关系，提出了上下叶位叶片红边一阶微分光谱反射峰变化趋势的描述参数LRPSA(leaf red edge peak slope angle)；分析了其与叶片光谱、叶绿素含量值、叶片光谱红边斜率和叶片含氮量之间的相关性；并建立了估算氮素含量的回归模型。薛利红等[12]研究了不同氮肥水平下多时相水稻冠层光谱反射特征及其与叶片含氮量等参数的关系。结果表明,水稻冠层光谱反射率与叶片氮积累量显著相关,尤其是近红外与绿光波段的比值(NIR/G)与叶片氮积累量呈显著线性关系,不受氮肥水平和生育时期的影响。王纪华[13]等讨论不同叶层的光谱特征,指出在土壤低氮水平下，不同叶层间红光波段、短波红外波段的反射率差异显著,下部叶层的反射率显著高于上、中叶层,但在土壤高氮水平下,上述差异消失；在近红外平台处,不同叶层间反射率按上、中、下顺序降低，梯度分布特征明显。张霞等[14]通过对航空高光谱遥感图像进行精确的几何纠正和反射率转换,提取出43条与地面叶片全氮含量数据相对应的小麦光谱图像，运用红边、光谱吸收特征分析方法和逐步回归算法，选择和设计了叶片全氮反演的特征波段和特征参数，并绘制了叶片全氮分布图。

1.4 利用光谱技术检测作物叶绿素

叶绿素含量是植被光合作用能力、氮素胁迫和发育阶段（特别是衰老阶段）的指示器。Horle 等

[15]

研究了植被光谱与叶绿素浓度的关系，并提出了

光谱“红边”位置(植被的导数光谱在0.7μm 附近的极大值处的波长值)在植被叶绿素浓度估计中的

作用。A.Pinar 等[16]比较了草丛群体光谱“红边”位置与叶片叶绿素浓度、叶绿素密度的关系，表明群体植被光谱“红边”位置能够更好地反映草丛的叶绿素密度信息。吴长山等[17]发现植被群体反射光谱及其导数光谱与叶绿素密度有较高的相关性，并利用几种农作物的导数光谱在近红外波段处（0.762μm）与叶绿素密度的高相关性,建立了回归方程，其估计的标准偏差为0.272g/m 2，估计精度约为80.6%。李云梅[18]利用计算叶片半球反射率和透射率的辐射传输模型和冠层反射率的模拟模型，模拟了叶片叶绿素含量变化时的叶片反射率。研究发现：叶绿素对叶片反射率的影响，在0.71μm 波长处达到最大值，标准差变化曲线在0.55μm、0.71μm、0.795μm 和0.83μm 处形成4个峰值，叶绿素对冠层反射率影响最大的波长分别为0.715μm、0.72μm 和0.725μm。

近年来国外高光谱遥感技术发展较快，已经探索出一些较适用的模型，并将其推广应用到农业生产中，提高了光谱测量值与生物化学成分的相关精度。国内光谱技术起步较晚，在理论与应用研究方面还有较大差距。

2 应用展望

目前，高光谱遥感技术仍处在由定性研究向定量研究的过渡阶段，其精度还不能完全满足用户的要求。笔者认为在今后的一段时间内，研究的重点主要是提高分析水平和检测精度，并不断扩大应用领域。具体体现在以下几个方面。 2.1 光谱波段向更精细的超光谱发展

选择信息含量多、数据相关性小、地物光谱差异大、可分性好的波段作为最佳工作波段；同时拓展更加连续的超光谱窄波段信息，从基于高光谱的几十到上百个通道过渡到应用超光谱的几百个通道，在光谱维上进行空间信息展开，以获取更准确的子像元，以提高估计生化成分含量或浓度的精度。 2.2 农学参数的信息提取和信息集成化

根据高光谱遥感的特点来确定遥感信息与农学参数之间的关系，如建立起冠层温度、作物覆盖率、

光合有效辐等农学参数与光谱反射率ρ、ρ/1、ρg 1等遥感数据及其衍生指数之间的关系。利用统计分析的方法建立起农作物产量、长势等与光谱参数之间的定量关系；广泛收集农业以及与农业相关的文字、数据和图件,组建综合的农业信息系统。 2.3 开发作物营养快速诊断智能仪器

随着光谱信息提取技术的日益成熟，应用处理算法和软件包的完善，可归纳出不同的生化指标在