基于光谱理论的作物营养诊断研究进展
基于光谱理论的作物营养诊断研究进展_王磊
收稿日期:2005-06-08 修改稿收到日期:2005-10-08基金项目:上海市科技兴农重点攻关项目[农科攻字(2001)第2-8号]资助。
作者简介:王磊(1978 ),男,河南原阳人,博士研究生,主要从事植物营养光谱诊断研究。
*通讯作者基于光谱理论的作物营养诊断研究进展王 磊,白由路*(中国农业科学院农业资源与农业区划研究所,北京100081)摘要:随着光谱技术的发展及其自身的优点,应用光谱技术在作物营养诊断和养分估测方面的研究也越来越多。
本文概要地介绍了植物光谱诊断的原理和生理基础,总结了高光谱数据的提取和处理方法;着重评述了光谱技术在作物氮、磷、钾和其它营养元素的营养诊断和养分含量估测的国内外研究状况和进展。
文章指出,氮素营养的光谱诊断研究较多,提取出一些敏感波段,建立了光谱指数,并初步得到验证;磷钾营养的光谱诊断研究相对较少,并且结论也不统一;其它营养元素的光谱诊断只是略有涉及,需要进一步研究。
本文还就当前作物营养光谱诊断研究的重点以及光谱数据采集和建立养分预测模型中存在的问题进行了分析讨论,并提出了今后的研究方向和应用前景。
关键词:植物营养;高光谱技术;光谱诊断中图分类号:S121;O657 3文献标识码:A文章编号:1008-505X (2006)06-0902-11Research advance on plant nutrition diagnosis based on spectral theoryWANG Lei,BAI You -lu *(I nstitute o f Agricultural Resources and Regional Plannin g ,C AAS,Beijin g 100081,Ch ina)Abstract:With the development of spectral technology and its inherent advantage,more and more researches were car -ried out to investigate the application of spectral technology on plant nutrition dia gnosis and nutrients contents prediction.In the article,firstly,the principle and physiological basis for plant spectral diagnosis was briefly introduced.Then the methods of hyperspectral data e xtraction and analysis were summarized focusing on the crops nitrogen,phosphorus,potas -sium and other nutrients nutrition diagnosis and nutrients contents prediction.A big research progress has made in the re -search c oncerning N nutritional spectral diagnosis,in which sensitive wave bands were put forward and spectral indices were constructed and validated.However,the research concerning P and K nutritional spectral dia gnosis was much less comprehensive and the result were inc onsistent;other nutrients spectral diagnosis were touched upon in some sort and much research should be continued further.In addition,a detail analysis for the existing difficulties about spectrum data collection and nutrients prediction models was performed.Finally,the future advance trends and the prospect of applica -tion were brought up.Key words:plant nutrition;hyperspec tral technology;spectral dia gnosis 随着现代科学技术的发展,特别是计算机技术、空间技术和信息技术的迅猛发展,人类社会已经步入信息时代,人们也越来越借助于现代高新技术来解决农业生产中的问题。
基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究
基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究一、概要本文主要探讨了基于高光谱成像技术的作物叶绿素信息诊断机理及方法。
随着光谱技术的发展，高光谱成像技术在农业领域的应用逐渐受到关注。
本文通过对水稻、小麦等作物叶片的高光谱成像数据分析，研究了作物叶绿素含量的空间分布特征及其与作物生长指标的关系；建立了基于高光谱成像技术的作物叶绿素含量预测模型，并对模型的准确性进行了验证。
高光谱成像技术可以准确地区分作物的健康状态和健康状况的变化，为农业生产提供有力支持。
本文还提出了针对不同作物、不同生长阶段的叶绿素含量预测方法，为农业生产提供了科学依据。
本研究对于推动高光谱成像技术在农业领域的应用和发展具有重要意义。
1. 高光谱成像技术的发展与应用背景随着科技的不断发展，高光谱成像技术在植物学领域中的应用越来越广泛。
高光谱成像技术是一种能够同时获取物体光谐波段信息的技术，通过对生物组织在红外、可见光和短波段范围内的吸收情况进行测量，可以获取植物生长状况、养分含量、病虫害等多种信息，为农业生产提供科学依据和技术支持。
在过去几十年中，研究者们已经开展了许多关于高光谱成像技术在农业领域应用的研究。
叶绿素信息诊断是一种重要的应用方向。
叶绿素是植物进行光合作用的必需元素，其含量的变化直接影响到植物的生长和发育，通过对植物叶片中叶绿素的含量和分布进行准确测量，可以为农作物栽培管理提供重要指导。
传统的叶绿素检测方法如分光光度法、荧光法等虽然在一定程度上能够满足需求，但存在操作复杂、精度低等问题。
随着高光谱成像技术的发展，这些问题逐渐得到解决。
通过高光谱成像技术，可以实现同时对植物叶片中多种成分进行定量测量和分析，提高叶绿素检测的准确性和效率。
高光谱成像技术在作物叶绿素信息诊断方面的应用前景广阔。
除了叶绿素含量与分布的测量外，还可以应用于作物生长速度、产量预测、抗病性评价等方面。
通过对高光谱图像数据进行分析和处理，可以实现作物生长信息的实时监测和评估，为农业生产提供更加智能、精准的管理服务。
光谱分析技术在农业中的应用研究
光谱分析技术在农业中的应用研究随着科技不断的发展，光谱分析技术逐渐在农业中得到广泛应用。
光谱分析是一种利用各种波长的电磁波对物质进行检测和分析的技术，它可以对农作物、果蔬、土壤等农业领域的物质进行快速、准确的检测和分析。
本文将围绕光谱分析技术在农业中的应用展开研讨，探讨该技术在农业领域中的应用前景和价值。
一、光谱分析技术在农作物繁殖方面的应用研究随着人口的不断增多，农业生产的效益就显得越来越重要。
而农作物的繁殖是农业生产的前提和基础，因此，对于农作物的繁殖状况进行精准的监测和分析就显得尤为重要。
光谱分析技术可以对农作物的叶片和果实进行快速、无损检测，从而实现了对农作物生长状况、病虫害等方面的准确监测。
以水稻为例，通过对其叶片的光谱图像进行分析，可以确定水稻叶片的氮素含量、叶绿素含量等指标，从而为水稻的田间管理提供依据。
此外，对水稻病虫害的控制也具有重要意义，光谱分析技术可以对感染水稻的病害植物进行快速识别，从而进行及时控制和灭治。
二、光谱分析技术在果蔬检测方面的应用研究果蔬作为主要的膳食蔬果，其质量和安全问题一直是社会公众广泛关注的焦点。
光谱分析技术可以对果蔬中的化学成分进行准确检测和分析，从而保障消费者的健康和安全。
以葡萄为例，光谱分析技术可以准确检测其果实中的糖分、酸度和营养成分等指标，从而为葡萄种植的品质控制提供重要依据。
此外，对于果蔬的农药残留问题，光谱分析技术也可以进行快速、准确的检测，从而保障了消费者的健康和权益。
三、光谱分析技术在土壤检测方面的应用研究土壤是农业生产的重要环境因素，其性质对于作物的生长和产量具有重要影响。
光谱分析技术可以对土壤中的营养成分、微生物和化学性质进行准确检测和分析，从而为农田管理和土壤改良提供重要依据。
以有机肥料的施用为例，光谱分析技术可以通过检测土壤中有机物的含量和分布情况，辅助农民做出正确的施肥决策，提高农田的耕作效益。
此外，对于土壤中污染物的检测和处理，光谱分析技术也可以提供重要参考信息，帮助农民实现环境保护和可持续发展。
光谱技术在农业科技中的应用研究
光谱技术在农业科技中的应用研究光谱技术是一种分析样品化学成分和性质的较为先进的技术手段，它可以广泛应用于化学、生物医学、环境等领域。
随着农业科技的不断发展，光谱技术也被广泛应用于农业领域中，成为一种有效的农业科技应用手段，如在作物生长诊断、土壤质量评估、动植物病害诊断和环境污染检测等方面都有着重要的应用价值。
本文将从以上四个方面来介绍光谱技术在农业科技中的应用研究。
一、作物生长诊断光谱技术可以通过对植物叶片或果实表面的光谱分析，得出植物的生长状况以及生长环境的一些关键参数的信息。
光谱技术在作物生长诊断中的应用已经成为一个新兴的领域，它可以实现快速、准确、非破坏性的检测。
通过光谱技术可以测定土壤中的总氮量、总磷量和有机质含量等参数，同时也可以快速地测定植物的叶绿素含量、叶片相对含水量、叶片相对叶绿素含量等指标，从而实现对植物的生长状况进行全面的诊断与评价。
二、土壤质量评估土壤作为农业生产的重要基础，其质量对农业生产有着至关重要的影响。
传统的土壤质量评估方法基本上是依赖于实验室测试和土壤分析技术。
而光谱技术则提供了一种新的快速、准确、非破坏性的土壤质量评估方法。
土壤中含有多种化学成分，而这些成分吸收、散射和反射不同波长的光谱，因此，通过对这些反射光谱的分析，可以得出土壤中多种化学成分的信息，如水分含量、有机质含量、土壤pH值等。
这种方法既可以快速测定土壤质量，也可以在一定程度上预测区域内的土壤质量变化和趋势，进而为农业生产提供科学的决策依据。
三、动植物病害诊断动植物病害是制约农业生产的一个重要问题，如何快速、准确地诊断动植物病害成为了农业科技研究的一个热点问题。
传统的检测方法存在着诸多的不足，如时间耗费、误差较大等问题。
而光谱技术可以利用光谱分析来诊断动植物病害。
病害状态会对图像形成和光谱分布产生影响，因此光谱特征可以用来辨别病害状态。
例如，通过植物的叶片光谱分析可以快速测定植物是否感染并发生病变，同时可以检测出病原菌的类型和数量，从而制定出相应的治疗方案。
基于光谱的作物病害识别研究进展-定稿
专业文献综述题目: 基于光谱的作物病害识别研究进展姓名: 周红娅学院: 信息科学技术学院专业: 计算机科学与技术班级: 计科122班学号: 19212217指导教师: 姜海燕职称: 教授2015 年06月28日南京农业大学教务处制基于光谱的作物病害识别研究进展作者：周红娅指导老师：姜海燕摘要：目前我国的粮食生产每年都因作物病害造成巨大经济损失。
传统的作物病害识别方式耗时耗力，已满足不了当前对作物病害识别的需求。
本文对传统的作物病害识别方法进行了简单的叙述，综述了基于高光谱、多光谱技术的多种作物病害识别的研究进展，病害有番茄灰霉病、黄瓜白粉病、水稻稻瘟病等，以及介绍了每个病害识别研究中对光谱数据进行处理的各种算法。
光谱技术在农作物病害识别方面虽得到广泛应用，但仍存在作物、病害种类不全，以及检测的区域有限等问题，最后对光谱在病害识别发展前景进行了展望。
关键字：作物病害；高光谱；多光谱；病害识别Research Progress on Crop Diseases RecognitionBased on SpectrumZHOU Hong-ya，JIANG Hai-yan(Nanjing Agricultural University, College of Information Science and Technology, Jiangsu Nanjing 210095) Abstract: At present, China's food production has huge economic loss every year because of crop diseases. The traditional methods of crop diseases recognition are time-consuming and power-consumption and can't meet current demands for crop diseases recognition. The traditional methods of crop diseases recognition and the r esearch’s progress of crop diseases recognition based on hyperspectral and multispectral technology are introduced in thispaper.These diseases including tomato gray mold ,cucumber powdery mildew and rice blast of rice are researched.Various algorithms for processing spectral data are summarized.Spectral technology has been widely used in crop diseases recognition,but there still exists some problems including incomplete crop varieties,incomplete diseases and limited detectionareas.Finally, the prospect of the development of the crop disease recognition based on Spectrum is discussed.Key words: crop diseases；hyperspectral；multispectral；diseases recognition引言：作物病害是造成粮食生产损失最大的因素，而且农作物病害的种类繁多，有1400种之多，成为作物生产最大的隐患。
基于光谱遥感技术的作物营养诊断研究进展
林业工程学报，２０２３，８（６）：１３－２３ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２１２０１６收稿日期：２０２２－１２－１１㊀㊀㊀㊀修回日期：２０２３－０３－１６基金项目：江苏省现代农机装备与技术示范推广项目（ＮＪ２０２２－１２）；江苏省科技计划专项资金（重点研发计划现代农业）项目（ＢＥ２０２２３７４）㊂作者简介：蒋雪松，男，教授，研究方向为农林产品品质诊断㊂Ｅ⁃ｍａｉｌ：ｘｓｊｉａｎｇ＠ｎｊｆｕ．ｅｄｕ．ｃｎ基于光谱遥感技术的作物营养诊断研究进展蒋雪松，黄林峰，贾志成，戎子凡（南京林业大学机械电子工程学院，南京２１００３７）摘㊀要：营养元素在作物生长的各个阶段都具有重要作用，其含量的丰缺直接影响作物正常生理活动，如叶绿素㊁蛋白质的合成，根系的生长等㊂准确的作物营养诊断可以保证施肥量与作物本身营养需求量相匹配，保证作物的正常生长㊂随着无人机㊁直升机和卫星等遥感平台，多光谱和高光谱相机等光学传感器以及相关技术发展成熟之后，光谱遥感技术逐渐应用于农林业营养诊断㊂光谱遥感技术利用反射光谱数据估计叶片理化参数，是获取作物营养元素含量的一种有效手段，具有成本低㊁作业范围大㊁劳动量需求性低等优点㊂分析了物理与化学营养诊断技术的方法与手段，指出光谱遥感技术的先进性，归纳了光谱遥感技术的基本分析步骤，重点综述了近年来该技术在诊断作物氮㊁磷㊁钾等必需营养元素方面的具体应用和理论研究方面的不足，提出了微量元素含量检测的必要性，推动多营养元素光谱数据库建立㊁数字孪生技术应用和算法优化，以期提高作物大面积营养诊断的准确度和便利性㊂关键词：作物；遥感；营养元素；营养诊断；光谱诊断中图分类号：ＴＰ７９㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０６－００１３－１１ＲｅｓｅａｒｃｈａｎｄｐｒｏｇｒｅｓｓｏｆｃｒｏｐｎｕｔｒｉｔｉｏｎｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙＪＩＡＮＧＸｕｅｓｏｎｇ，ＨＵＡＮＧＬｉｎｆｅｎｇ，ＪＩＡＺｈｉｃｈｅｎｇ，ＲＯＮＧＺｉｆａｎ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｓｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎａｌｌｓｔａｇｅｓｏｆｃｒｏｐｇｒｏｗｔｈ，ａｎｄｔｈｅｉｒａｂｕｎｄａｎｃｅｏｒｄｅｆｉｃｉｅｎｃｙｄｉ⁃ｒｅｃｔｌｙａｆｆｅｃｔｓｎｏｒｍａｌｐｈｙｓｉｏｌｏｇｉｃａｌａｃｔｉｖｉｔｉｅｓｏｆｃｒｏｐｓ，ｓｕｃｈａｓｃｈｌｏｒｏｐｈｙｌｌａｎｄｐｒｏｔｅｉｎｓｙｎｔｈｅｓｉｓ，ｒｏｏｔｇｒｏｗｔｈ，ｅｔｃ．Ｔｈｅｃｕｒｒｅｎｔｃｒｏｐｐｒｏｄｕｃｔｉｏｎｐｒｏｃｅｓｓｉｓｃｈａｒａｃｔｅｒｉｚｅｄｂｙｉｒｒａｔｉｏｎａｌｓｉｔｕａｔｉｏｎｓｓｕｃｈａｓｏｖｅｒ⁃ｆｅｒｔｉｌｉｚａｔｉｏｎ，ｗｈｉｃｈａｆｆｅｃｔｓｃｒｏｐｇｒｏｗｔｈａｎｄｃａｕｓｅｓｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｂｌｅｍｓ．Ｗｉｔｈｐｅｏｐｌｅ ｓｃｏｎｃｅｒｎｓａｂｏｕｔｉｓｓｕｅｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｔｅｃｔｉｏｎａｎｄｈｕ⁃ｍａｎｈｅａｌｔｈ，ｔｈｅｐｒｅｃｉｓｅａｐｐｌｉｃａｔｉｏｎｏｆｆｅｒｔｉｌｉｚｅｒｈａｓｂｅｃｏｍｅａｒｅｓｅａｒｃｈｈｏｔｓｐｏｔ．Ａｃｃｕｒａｔｅｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｃａｎｅｎｓｕｒｅｔｈａｔｔｈｅｆｅｒｔｉｌｉｚｅｒａｐｐｌｉｃａｔｉｏｎｍａｔｃｈｅｓｔｈｅｃｒｏｐ ｓｏｗｎｎｕｔｒｉｅｎｔｒｅｑｕｉｒｅｍｅｎｔｓｗｉｔｈｏｕｔｂｅｉｎｇｗａｓｔｅｄａｎｄｄｏｉｎｇｈａｒｍｔｏｔｈｅｅｎｖｉｒｏｎｍｅｎｔ．Ａｓｔｈｅｍａｉｎｉｎｄｉｃａｔｏｒｏｆｎｕｔｒｉｅｎｔａｂｕｎｄａｎｃｅａｎｄｄｅｆｉｃｉｅｎｃｙ，ｔｈｅｃｒｏｐ ｓｏｗｎｎｕｔｒｉｔｉｏｎａｌｓｔａｔｕｓｃａｎｂｅｊｕｄｇｅｄｂｙｔｒａｉｔｓｓｕｃｈａｓｌｅａｆｃｏｌｏｒ，ｃｕｒｌａｎｄｄｒｙｎｅｓｓ．Ｌｏｗｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｗｏｕｌｄｌｅａｄｔｏａｓｌｏｗｅｒｒａｔｅｏｆｃｈｌｏｒｏｐｈｙｌｌｓｙｎｔｈｅｓｉｓｉｎｃｒｏｐｌｅａｖｅｓａｎｄａｙｅｌｌｏｗｃｏｌｏｒｉｎｔｈｅｃｅｎｔｅｒｏｆｔｈｅｌｅａｆａｎｄｔｈｅｖｅｉｎａｒｅａ；ｔｏｏｍｕｃｈｎｉｔｒｏｇｅｎｗｏｕｌｄｌｅａｄｔｏｔｈｉｎｎｉｎｇｏｆｔｈｅｃｅｌｌｗａｌｌｓａｎｄｓｕｄｄｅｎｇｒｏｗｔｈｏｆｓｔｅｍｓａｎｄｂｒａｎｃｈｅｓ．Ｐｈｏｓｐｈｏｒｕｓｃｏｎｔｅｎｔｉｓｓｅｃｏｎｄｏｎｌｙｔｏｎｉｔｒｏｇｅｎａｎｄｐｏｔａｓｓｉｕｍ，ｏｆｔｅｎｉｎｔｈｅｆｏｒｍｏｆｏｒｇａｎｉｃｍａｔｔｅｒｉｎｖｏｌｖｅｄｉｎｔｈｅｍｅｔａｂｏｌｉｃｐｒｏｃｅｓｓｏｆｖｅｇｅｔａｔｉｏｎ，ｐｒｏｍｏｔｉｎｇｔｈｅｇｒｏｗｔｈｏｆｅａｒｌｙｐｌａｎｔｒｏｏｔｓａｎｄｉｍｐｒｏｖｅｃｒｏｐｙｉｅｌｄ．Ｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｉｓｃｏｍｐａｒａｂｌｅｔｏｔｈａｔｏｆｎｉｔｒｏｇｅｎａｎｄｅｘｉｓｔｓｍａｉｎｌｙｉｎｔｈｅｆｏｒｍｏｆｉｎｏｒｇａｎｉｃｓａｌｔｓ．Ｉｎｐｏｔａｓｓｉｕｍｄｅｆｉｃｉｅｎｃｙ，ｃａｒｂｏｈｙｄｒａｔｅｍｅｔａｂｏｌｉｓｍｉｓｄｉｓｔｕｒｂｅｄ，ｃｈｌｏｒｏｐｈｙｌｌｉｓｄｅｓｔｒｏｙｅｄ，ｌｅａｆｍａｒｇｉｎｓａｒｅｓｃｏｒｃｈｅｄａｎｄｒｕｆｆｌｅｄ，ａｎｄｔｒａｎｓｐｉｒａｔｉｏｎｒａｔｅｉｓｓｕｂｓｅｑｕｅｎｔｌｙａｆｆｅｃｔｅｄ．Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｃａｎｂｅｕｔｉｌｉｚｅｄｔｏｓｔｕｄｙｔｈｅｒｅｆｌｅｃｔａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆｃｒｏｐｌｅａｖｅｓ．Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｇｒａｄｕａｌｌｙａｐ⁃ｐｌｉｅｄｔｏｔｈｅａｇｒｏｆｏｒｅｓｔｒｙａｓｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓ，ｏｐｔｉｃａｌｓｅｎｓｏｒｓａｎｄｒｅｌａｔｅｄｔｅｃｈｎｏｌｏｇｉｅｓｄｅｖｅｌｏｐｉｎｇ．Ｉｔｉｓａｎｅｆ⁃ｆｅｃｔｉｖｅｍｅａｎｓｔｏｏｂｔａｉｎｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｉｎｆｏｒｍａｔｉｏｎｗｈｉｃｈｕｓｅｓｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｌｄａｔａｔｏｅｓｔｉｍａｔｅｌｅａｆｐｈｙｓｉｃｏｃｈｅｍｉ⁃ｃａｌｐａｒａｍｅｔｅｒｓ，ｗｉｔｈｌｏｗｃｏｓｔ，ｌａｒｇｅｏｐｅｒａｔｉｎｇｒａｎｇｅａｎｄｌｏｗｌａｂｏｒｄｅｍａｎｄ．Ｔｈｅｍｅｔｈｏｄｓａｎｄｍｅａｎｓｏｆｔｈｅｐｈｙｓｉｃａｌａｎｄｃｈｅｍｉｃａｌｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙａｒｅａｎａｌｙｚｅｄ，ｔｈｅａｄｖａｎｃｅｍｅｎｔｏｆｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｐｏｉｎｔｅｄｏｕｔ，ａｎｄｔｈｅｂａｓｉｃｓｔｅｐｓｏｆｔｈｅｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇａｎａｌｙｓｉｓｔｅｃｈｎｏｌｏｇｙａｒｅｓｕｍｍａｒｉｚｅｄ，ｆｏｃｕｓｉｎｇｏｎｒｅｖｉｅ⁃ｗｉｎｇｔｈｅｓｐｅｃｉｆｉｃａｐｐｌｉｃａｔｉｏｎｓａｎｄｔｈｅｏｒｅｔｉｃａｌｒｅｓｅａｒｃｈｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎｄｉａｇｎｏｓｉｎｇｅｓｓｅｎｔｉａｌｎｕｔｒｉｅｎｔｓ林业工程学报第８卷ｓｕｃｈａｓｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｉｎｃｒｏｐｓｉｎｒｅｃｅｎｔｙｅａｒｓ．Ｔｈｅｎｅｃｅｓｓｉｔｙｏｆｔｒａｃｅｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｄｅｔｅｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｍｕｌｔｉ⁃ｎｕｔｒｉｅｎｔｓｐｅｃｔｒａｌｄａｔａｂａｓｅａｎｄａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚａｔｉｏｎａｒｅｐｒｏｐｏｓｅｄｔｏｐｒｏｍｏｔｅｔｈｅｅｓｔａｂｌｉｓｈ⁃ｍｅｎｔｏｆｍｕｌｔｉ⁃ｎｕｔｒｉｅｎｔｓｐｅｃｔｒａｌｄａｔａｂａｓｅｓａｎｄａｌｇｏｒｉｔｈｍｓｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｃｏｎｖｅｎｉｅｎｃｅｏｆｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｉｎｌａｒｇｅａｒｅａｓｏｆｃｒｏｐｓ．Ｋｅｙｗｏｒｄｓ：ｃｒｏｐ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔ；ｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓ；ｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎ㊀㊀我国是传统农林业大国，作物种植面积和产量皆居世界前列［１］㊂氮磷钾等主要营养元素与作物的生长密切相关，合理施用可使产量增加２．４６倍以上［２］㊂当前作物在生长过程中存在过量施肥等不合理情况，既影响作物生长，也易引发环境问题㊂实现作物生长各个阶段的实时营养诊断可以为农林业从业人员及时调节施肥用量，进而优化种植模式㊁减少环境污染提供参考㊂目前的作物营养诊断技术尚未达到大面积实时诊断的要求㊂笔者介绍了作物营养诊断的基本手段，对比当前主流物理与化学诊断技术的特点，对其优缺点进行分析，指出光谱遥感技术是较理想的诊断手段，并从主流的多光谱和高光谱遥感技术入手，重点综述了光谱遥感技术在常见作物氮磷钾等必需元素的营养诊断中的应用成果及研究进展，最后分析存在的问题与挑战，为后续研究提供技术参考㊂１㊀作物营养诊断技术研究现况目前，主流的作物营养诊断技术包括化学诊断和物理诊断两大类㊂化学诊断常见手段包括植株化学㊁土壤养分和酶学诊断，物理诊断则包括声学㊁电学和光学诊断㊂１．１ 现有作物营养诊断技术１．１．１㊀化学诊断技术化学诊断是通过化学反应测定植株体内的营养元素含量水平，与正常或异常植株标本进行直接比较而作出丰缺判断的诊断技术㊂其包括植株化学诊断㊁土壤养分诊断和酶学诊断［３－５］等，通过在田间㊁林间采集样本并在实验室环境下对植株以及土壤的营养元素进行理化分析㊂植株营养诊断技术包括凯氏定氮法［３］，即通过氧化剂消煮分解样品有机含氮化合物进行测定；微量元素测定则可以通过原子吸收光谱法，能直接反映作物的营养状况，是判断营养丰缺最可靠的手段㊂作物通过汲取土壤中营养元素供给自身生长所需，土壤养分诊断［４，６］通过比色分析法检测生长地域土壤配比的土壤浸提液中的养分情况，间接判断作物营养状况，有一定的滞后性㊂酶学诊断技术［５］则是通过检测植株酶促反应代谢产物含量，判断植株酶含量与活性情况，以此进行作物营养元素含量水平的诊断㊂大多数作物不同生长阶段和不同组织器官的营养元素含量临界值已基本研究确定㊂化学诊断技术能有效进行早期营养诊断和潜在性的缺素判断，但存在损伤植株，不同地域生长环境差异性较大，标准环境的临界值无法对不同地域的作物营养状况进行科学诊断，且操作烦琐，消耗大量检测时间等一系列问题，在农林业方面的推广存在限制㊂１．１．２㊀物理诊断技术物理诊断是指通过声学㊁电学和光学等物理手段对作物的营养状况进行诊断㊂其中，声学诊断主要是通过发射超声波进入作物内部探测缺陷［７］，抑或利用振动声学技术，通过物体撞击作物本身产生声信号进行物质检测［８］㊂电学诊断主要根据作物的介电特性，利用电极片对其物理成分进行检测［９］㊂目前主流的作物营养光学诊断技术主要是叶片及冠层尺度和区域尺度的光谱诊断，利用作物叶片细胞㊁色素㊁含水量对光线的吸收和反射的程度不同进行光谱分析和营养诊断㊂叶片及冠层尺度的光谱采集主要利用地面便携式光谱仪（如ＦｉｅｌｄＳｐｅｃ４光谱仪），但易受外界光照强度变化影响，易用性差，尤其是面对高大经济林木局限性较大㊂区域尺度的光谱遥感诊断主要是通过机载或星载式光谱仪（如ｎａｎｏ⁃Ｈｙｐｅｒｓｐｅｃ成像光谱仪，高分五号卫星）进行远程㊁大面积的检测，可以克服地面便携式光谱仪诊断的局限性㊂主要在粮食估产［１０］㊁病虫害识别［１１］㊁作物种类识别［１２］㊁作物长势监测［１３］等领域有广泛应用㊂综合比较，如表１所示，化学诊断操作复杂，成本高，耗时长；物理诊断中的声学诊断受噪声影响大；电学诊断对检测仪器精度要求高；叶片及冠层尺度的光谱诊断效率低，受作物立地条件和生长状态影响；区域尺度的光谱遥感诊断能克服其他营养诊断技术存在的弊端，具有作业覆盖面积大㊁效率高等优点［１４－１５］㊂４１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展表１㊀不同作物营养元素诊断法的优缺点Ｔａｂｌｅ１㊀Ａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｄｉｆｆｅｒｅｎｔｃｒｏｐｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｔｉｃｍｅｔｈｏｄｓ方法尺度优点缺点化学诊断法适用于多种营养元素复合诊断，缺素早期预防操作难度大，存在破坏性，不适大面积诊断声学诊断法能同时获取样本力学性能存在较小破坏性，外界噪声对声音信号的检测影响大电学诊断法操作简单，能获取样本内部整体信息电极测量仪属敏感仪器，对测量精度要求高光学诊断法叶片及冠层尺度成本较低，响应迅速冠层高度等因素限制使用场区域尺度适于大面积的缺素诊断和早期预防机载与星载平台成本高，星载光谱仪空间分辨率较低，不利于实验推广１．２㊀作物光谱遥感技术根据数据采集方式的不同，光谱遥感技术可以分为非成像式和成像式㊂非成像式通常是对计算光谱探头采集的视场角之内平均光谱进行研究［１６］，涉及光谱范围通常包括可见光（ＶＩＳ）至短波红外线（ＳＷＩＲ）（４００ ２５００ｎｍ）㊂成像式主要包括推扫式和快照式，获取光谱信息和图片信息二合一的光谱图像［８］，相较于非成像式，其额外的图片信息反映的作物信息更加丰富㊂主流的光谱遥感技术根据采集的波段个数也可分为多光谱遥感技术和高光谱遥感技术㊂多光谱遥感技术采集的图像波段较少（红波段㊁绿波段㊁蓝波段㊁可见光㊁热红外㊁近红外波段等）㊂高光谱图像一般是将全波段分割成１ ５ｎｍ的连续波段，分辨率更高，能够获取更多样本信息，相对而言数据处理难度也较大㊂光谱遥感技术通常包括采集冠层遥感光谱数据㊁遥感信息预处理㊁筛选敏感波段和特征植被指数㊁建立模型和评估模型等典型步骤，其流程如图图１㊀光谱遥感诊断流程Ｆｉｇ．１㊀Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄｉａｇｎｏｓｉｓｆｌｏｗｃｈａｒｔ１．２．１㊀光谱数据预处理方法实际实验操作过程中，叶片及冠层尺度光谱图像与区域尺度光谱图像在数据预处理步骤上稍有不同，由于区域尺度图像传感器与目标距离远，光谱仪易受空间辐射和云层干扰，预处理第一步需进行辐射校正㊁大气校正和正射校正操作，剔除大气㊁太阳反射对目标区域反射率的干扰，提高目标的目视效果㊂而对于叶片及冠层尺度光谱图像，则无须进行辐射校正㊁大气校正等操作，可以直接提取光谱图像感兴趣区（ＲＯＩ）内光谱反射率谱线进行后续处理㊂预处理第二步是剔除光谱采集过程中光强不均㊁传输噪声等因素的干扰，常用处理方法有基线校正㊁散射校正㊁平滑处理和尺度缩放４类［１７］㊂基线校正可以消除噪声和漂移对有效信号的影响，将光谱基线人为拉回０基线上，常用方法有一阶导㊁二阶导等㊂散射校正用来消除散射水平不同带来的光谱差异对诊断结果的影响，可以有效增强光谱与数据的相关性，常用方法包括多元散射校正（ＭＳＣ）和标准正态变量变换（ＳＮＶ）［１８］等㊂平滑处理进行平滑滤波，可以提高光谱信息的平滑性，提高信噪比，常用方法包括ＳＧ平滑法和移动窗口平滑等㊂尺度缩放可以缩小数据尺度之间的差异性，常用方法包括：中心化㊁最大最小归一化和标准化等㊂同时，为了解决光谱遥感技术中空间分辨率与光谱分辨率相互制约的问题：学者也采用空⁃谱遥感信息融合技术，将不同空间㊁光谱分辨率的遥感图像进行融合，获得同时具有高空间㊁谱分辨率的遥感影像［１９］，主要包括全色⁃多光谱融合㊁全色⁃高光谱融合㊁多光谱⁃高光谱融合等技术，可以有效提高光谱遥感数据质量㊂１．２．２㊀光谱遥感特征提取方法在光谱数据的处理过程中，对遥感数据进行加工，获得的各类型光谱参数能增强作物营养诊断能力，如基于光谱位置的特征参数（ 三边 参数），基５１林业工程学报第８卷于光谱波段的植被指数以及敏感波段组合㊂这能使筛选出来的光谱特征与样本化学成分之间有较强的相关性，同时提高处理速度㊂光谱数据特征提取的方法主要有逐步回归（ＳＲ）㊁无信息变量消除法（ＵＶＥ）㊁偏最小二乘法（ＰＬＳ）㊁主成分分析（ＰＣＡ）㊁人工神经网络（ＡＮＮ）㊁独立成分分析（ＩＣＡ）和连续投影算法（ＳＰＡ）［２０］等，可以有效降低后期建模的复杂程度，提高鲁棒性㊂同时，学者也尝试提取光谱遥感图像的空间特征（如纹理特征㊁形态学特征等）进一步提升光谱遥感信息的处理能力，提高数据处理的可靠性［２１］㊂１．２．３㊀建模分析方法回归模型将建立作物样本化学元素含量数值与光谱反射率数据之间的对应关系㊂常用机器学习算法有多元线性回归（ＭＬＲ）㊁偏最小二乘法（ＰＬＳ）㊁主成分回归（ＰＣＲ）等定量模型；人工神经网络（ＡＮＮ）㊁支持向量机（ＳＶＭ）㊁ｋ⁃近邻算法（ＫＮＮ）等定性模型；同时由于深度学习回归模型具有较强非线性拟合能力，如深度森林（ＤＦ）也被尝试用于小数据量高光谱数据建模［２２］１．２．４㊀模型评价指标评估回归模型的过程中，通常会用到一些统计参数，如均方根误差（ＲＭＳＥ）㊁决定系数（Ｒ２）或相关系数（Ｒ）等㊂通常情况下，预测模型的ＲＭＳＥ越小，相关系数或决定系数越大，模型的性能越好㊂２㊀光谱遥感技术在作物营养诊断方面的具体应用㊀㊀由于施肥水平㊁作物生长土壤基质和作物生长阶段等差异性因素的影响，作物对于必需营养元素的需求也具有时间性和地域性的差异［２３］㊂作物的叶片作为主要的营养元素丰缺指示器，通过叶片的颜色㊁卷曲和干枯程度等性状可以对作物本身的营养状况进行判断㊂通过光谱遥感技术可对作物叶片的反射率特性进行研究（图２）㊂由于地面的光谱信息采集能力有限，光谱遥感技术能从高空视角实现作物营养元素含量信息的快速获取，便于掌握作物缺素情况，从而指导农林业从业人员科学施肥㊂图２㊀叶片的光谱反射率特性Ｆｉｇ．２㊀Ｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆｌｅａｆｂｌａｄｅｓ２．１㊀必需营养元素营养诊断氮㊁磷㊁钾是植物生长发育的三大必需营养元素，其含量的丰缺直接影响作物生长和产量等㊂在光谱遥感技术对氮磷钾三大营养元素的诊断研究中，王人潮等［２４］在２０世纪９０年代测定了水稻（Ｏｒｙｚａｓａｔｉｖａ）冠层营养元素光谱特征及其敏感波段，为后续研究提供参考㊂近年来对磷和钾元素的研究也逐渐增多，且朝着多种营养元素共同作用场景下的诊断㊁诊断过程高效便利安全等方向快速发展㊂基于光谱遥感技术作物营养诊断主要包括基于直接光谱和基于植被指数㊂基于植被指数根据地面植被中叶绿素㊁水分等不同物质的光谱差异，可以减少土壤㊁大气等无关特性等信息对诊断的影响，更精确反映植被特征㊂基于直接光谱则是利用全波段高光谱数据或通过筛选与营养元素相关性高的光谱敏感波段进行建模和营养诊断㊂２．１．１㊀氮元素的光谱诊断分析氮元素是植物细胞蛋白质的主要成分，也是叶绿素㊁酶㊁激素等重要代谢有机化合物的组成成分，在生命活动过程中占据重要地位㊂氮含量过少将导致作物叶片叶绿素合成速率变缓，叶片中心与叶脉区域颜色呈黄色；过多则导致细胞壁变薄，茎枝骤长，抗逆性差，严重影响作物长势㊁产量及品质［２５］㊂６１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展由于氮元素含量与叶绿素密切相关，叶绿素在红光和蓝光波段有较强的吸收率，同时红边波段的形状和位置会随氮元素的丰缺而改变，可以据此进行作物氮含量的光谱营养诊断㊂基于直接光谱是通过筛选与氮含量相关的光谱敏感特征波长来进行建模与预测，学者多使用高光谱遥感进行数据的采集并进行敏感波段的筛选㊂Ｈｕ等［２６］应用ＰＬＳ⁃ＤＡ㊁ＳＶＭ㊁极限学习机（ＥＬＭ）和卷积神经网络（ＣＮＮ）模型构建橡胶树（Ｈｅｖｅａｂｒａ⁃ｓｉｌｉｅｎｓｉｓ）氮含量估算模型，敏感波段为８３９，１６７９，１８２９，２０５９，２１８４，２３７０ｎｍ，准确率达９７．７３％㊂Ｃｈｅｎ等［２７］证明非线性建模方法优于线性方法，提取苹果（Ｍａｌｕｓｐｕｍｉｌａ）树冠层氮元素敏感波段并建模，Ｒｆｒｏｇ⁃ＥＬＭ的模型获得最佳结果（Ｒ２＝０．８４３）㊂基于植被指数的氮含量检测中较常见的做法是通过拍摄光谱遥感影像，获取可见光㊁红边和近红外等波段的光谱信息，筛选已有植被指数（表２）或自我构建合适的植被指数，研究与氮元素之间的相关性㊂Ｏｓｃｏ等［２８］使用基于无人机传感器获取的柑橘（Ｃｉｔｒｕｓｒｅｔｉｃｕｌａｔａ）多光谱图像中约３３个光谱指数，其中ＳＲ７５０／５５０和ＴｒｉＶＩ指数与其冠层氮元素相关性较好，随机森林算法在预测氮含量方面的性能最好（Ｒ２＝０．９０）㊂李美炫等［２９］则证明绿光和红光波段为苹果树冠层氮含量敏感波段（Ｒ２＝０．７７４）㊂同时也有学者对比叶片尺度与区域尺度的营养诊断技术，在冬小麦（Ｔｒｉｔｉｃｕｍａｅｓｔｉｖｕｍ）重要生长阶段推荐使用叶片尺度的光谱诊断手段以避免区域尺度的星载传感器易受的云层影响［３０］㊂表２㊀常见光谱指数及其计算公式Ｔａｂｌｅ２㊀Ｃｏｍｍｏｎｓｐｅｃｔｒａｌｉｎｄｉｃｅｓａｎｄｔｈｅｉｒｃａｌｃｕｌａｔｉｏｎｆｏｒｍｕｌａｅｓ光谱指数计算公式参考文献差值植被指数（ＤＶＩ，ＩＤＶ）ＩＤＶ＝Ｒｎｉｒ－Ｒｒｅｄ［３１］绿色归一化差值植被指数（ＧＮＤＶＩ，ＩＤＮＤＶ）ＩＧＮＤＶ＝（Ｒｎｉｒ－Ｒｇｒｅ）／（Ｒｎｉｒ＋Ｒｇｒｅ）［３２］植被衰减指数（ＰＳＲＩ，ＩＰＳＲ）ＩＰＳＲ＝（Ｒ６８０－Ｒ５００）／Ｒ７５０［３３］再归一化差植被指数（ＲＤＶＩ，ＩＲＤＶ）ＩＲＤＶ＝（ＲＮＤＶＩˑＲＤＶＩ）１／２［３４］归一化植被指数（ＮＤＶＩ，ＩＮＤＶ）ＩＮＤＶ＝（Ｒｎｉｒ－Ｒｒｅｄ）／（Ｒｎｉｒ＋Ｒｒｅｄ）［３１］比值植被指数（ＲＶＩ，ＩＲＶ）ＩＲＶ＝Ｒｎｉｒ／Ｒｒｅｄ［３５］土壤调节植被指数（ＳＡＶＩ，ＩＳＡＶ）ＩＳＡＶ＝［（Ｒｎｉｒ－Ｒｒｅｄ）／（Ｒｎｉｒ＋Ｒｒｅｄ＋Ｌ）］ˑ（１＋Ｌ）［３６］三角植被指数（ＴＶＩ，ＩＴＶ）ＩＴＶ＝０．５ˑ［１２０ˑ（Ｒｎｉｒ－Ｒｇｒｅ）－２００ˑ（Ｒｒｅｄ－Ｒｇｒｅ）］［３７］简化冠层叶绿素含量指数（ＳＣＣＣＩ，ＩＳＣＣＣ）ＩＳＣＣＣ＝ＲＮＤＲＥ／ＲＮＤＶＩ［３８］㊀注：Ｒｎｉｒ为近红波段光谱反射率；Ｒｒｅｄ为红光波段光谱反射率；Ｒｇｒｅ为绿光波段光谱反射率；Ｒ５００㊁Ｒ６８０㊁Ｒ７５０分别为波长为５００，６８０和７５０ｎｍ的光谱反射率；ＲＮＤＶＩ为归一化植被指数光谱反射率；ＲＤＶＩ为差值植被指数光谱反射率；Ｌ为土壤调节系数，范围为０ １；ＲＮＤＲＥ为归一化差异红边植被指数光谱反射率㊂㊀㊀此外，由于受成像设备与外部环境等因素的影响，光谱遥感数据在采集㊁转换㊁ＲＯＩ划分和信息处理等过程中容易产生误差及噪声㊂国外学者研究发现，与ＶＩ⁃ＳＬＲ和ＳＭＬＲ回归方法相比，ＲＦ回归方法可以显著提高无人机遥感的估计精度［３９］㊂Ｌｉ等［４０］开发了一种修正相关系数方法（ＭＣＣＭ）来筛选氮元素敏感波段，同时证明归一化差分冠层阴影指数（ＮＤＣＳＩ）可以去除无人机高光谱图像中的阴影，得到冠层光谱信息㊂同时通过筛选预处理方法也可提高氮含量诊断的准确度㊂使用ＳＧ和一阶导数组合对原始光谱进行预处理，适合用于后续苹果树冠层氮元素敏感波段的筛选工作［４１］㊂由于作物叶片氮元素与叶绿素含量相关性强，含量丰缺的表现明显，使得基于直接光谱与植被指数的估算模型性能在三大必需营养元素中拟合效果最好，利用多光谱数据进行回归即可达到高精度㊂但作物叶片氮元素在不同生长阶段呈规律性变化，原有高相关性植被指数难以适应作物的时间性变化㊂对于不同应用场景，模型的通用性将大打折扣㊂因此，必须在诊断过程中充分考虑作物生长环境和生长周期的变化性，使用大跨度和高时间分辨率的数据做支撑，分别建立氮元素估算模型㊂２．１．２㊀磷元素的光谱诊断分析磷元素在作物中的含量仅次于氮和钾，常以有机物形态参与植被代谢过程，促进早期植物根系的生长，并能提高抗逆性，提高作物产量［４２］㊂相比缺氮叶片，缺磷叶片光谱反射率另受花青素含量影响，同时作物的磷元素含量随生长周期的变化较大［４３］，作物间敏感波段存在较大差异性（表３），增加了磷元素含量的诊断难度㊂由于多光谱遥感光谱分辨率较低，在磷含量的研究方面实验的准确度表现不尽如人意，现有对于磷元素含量的监测研究主要基于高光谱遥感技术㊂Ｍａｈａｊａｎ等［４４］提出了用于遥感诊断磷元素的新植７１林业工程学报第８卷被指数：ＶＩＰ＿６７０＿１２６０检索水稻冠层磷元素含量㊂Ｐｉｎｉｔ等［４５］发现泰国水稻叶片磷酸盐（Ｐｉ）含量与近红外（７２０ ７９０ｎｍ）和可见光波段（绿黄边和红边）相关性较强（Ｒ２＞０．７０）㊂也有学者通过改进算法提高准确度，Ｇｕｏ等［４６］提出将ＭＣ⁃ＵＶＥ与ＳＰＡ算法相结合估计橡胶树叶片磷元素含量的模型，筛选出２４４９，２２４３，１６８６，１４０５，１１４４，７１３和４３７ｎｍ为其敏感波段㊂Ｎｏｇｕｅｒａ等［４７］使用ＰＬＳ㊁ＡＮＮ㊁ＳＶＭ和高斯过程回归对橄榄树（Ｃａｎａｒｉｕｍａｌｂｕｍ）叶片磷元素含量进行检测，其中ＡＮＮ方法效果最佳（Ｒ２＝０．８９）㊂对于三大营养元素之间的相互作用，Ｗａｎｇ等［４８］创新性地建立了甘蔗（Ｓａｃ⁃ｃｈａｒｕｍｏｆｆｉｃｉｎａｒｕｍ）多因子三次多项式ＰＬＳ和ＭＬＲ回归模型，提高了模型的性能㊂表３㊀常见作物磷元素敏感波段Ｔａｂｌｅ３㊀Ｐｈｏｓｐｈｏｒｕｓｓｅｎｓｉｔｉｖｉｔｙｂａｎｄｓｆｏｒｃｏｍｍｏｎｃｒｏｐｓ作物波段／ｎｍȡ３８０ ５００ȡ５００ ６２０ȡ６２０ ７６０ȡ７６０ １５００＞１５００文献玉米（Ｚｅａｍａｙｓ）ɿɿɿ［４９］柑橘（Ｃｉｔｒｕｓｒｅｔｉｃｕｌａｔａ）ɿɿ［５０］苹果（Ｍａｌｕｓｐｕｍｉｌａ）ɿɿ［５１］水稻（Ｏｒｙｚａｓａｔｉｖａ）ɿɿ［５２］小麦（Ｔｒｉｔｉｃｕｍａｅｓｔｉｖｕｍ）ɿɿ［５３］番茄（Ｌｙｃｏｐｅｒｓｉｃｏｎｅｓｃｕｌｅｎｔｕｍ）ɿɿɿɿ［５４］㊀注：ɿ为作物的敏感波段㊂㊀㊀此外，筛选对比不同预处理方法和建模方法也能在一定程度上提高磷元素含量诊断的准确性㊂全东平［５５］发现采用小波去噪处理后，基于原始光谱建立的ＰＬＳＲ估算模型对柑橘叶片磷含量的建模效果较不经过小波去噪处理的估算模型有一定精度提升㊂Ｗａｎｇ等［５６］发现ＳＮＶ在预测磷元素和钾元素含量方面都显示出优于其他变量的模型性能㊂Ｏｓｃｏ等［５７］使用机器学习及反射率／一阶导数数据评估常量营养素和微量营养素含量，发现随机森林（ＲＦ）最适合用于建立大多数作物的磷元素含量估算模型㊂与氮元素模型研究相比，作物之间磷元素敏感波段的差异较大，导致不同作物敏感波段之间的可参考性较低，模型转移的难度系数高㊂如何建立稳定㊁适用性高的估算模型是磷元素营养诊断的关键㊂２．１．３㊀钾元素的光谱诊断分析虽然钾含量与氮元素相当，主要以无机盐的形式存在，在光合作用㊁碳水化合物的转运和储存㊁蛋白质的合成等过程中占重要作用㊂缺钾时，碳水化合物代谢会受到干扰，叶绿素被破坏，叶缘焦枯㊁褶皱，蒸腾速率也会随之受到影响［５８］㊂钾元素通过影响叶片化合物含量间接改变光谱反射率，无法像氮元素含量能直接通过叶绿素含量进行基本判断㊂与磷元素情况类似，针对钾元素的光谱特性研究相对较少㊂植被指数仅在区分作物严重缺钾（ＳＰＤ）和钾供应充足（ＡＳＰ）处理方面有效，而无法辨识中度钾缺乏（ＭＰＤ）［５９］㊂同时钾元素在特征光谱上存在相当明显的漂移现象，作物在各个生长阶段的光谱敏感波段分布情况不同，随着作物从萌芽向成熟结果的生长阶段推移，钾元素反射光谱会有部分相关性高的敏感波段向高波段偏移［６０］㊂针对此类情况，黄双萍等［６１］研究发现，在柑橘树不同物候期特征光谱漂移情况下，使用支持矢量回归（ＳＶＲ）建立全生育期钾元素含量估算能力良好，决定系数Ｒ２为０．９９４㊂同时Ｌｕ等［６２］实验证明短波红外区域的光谱反射率与水稻钾元素含量相关性较高㊂除了基于传统的直接光谱和植被指数营养诊断，石吉勇等［６３］利用缺钾元素叶片叶绿素含量偏低区域为叶片边缘的图像特征，对比黄瓜（Ｃｕｃｕｍｉｓｓａｔｉｖｕｓ）缺钾叶片及正常叶片高光谱图像的叶绿素分布情况，进行钾元素丰缺判断，正确率达９５％㊂同时也有学者将气象因素纳入考虑范畴［６４］，证明将日平均气温与湿度作为输入特征进行回归建模可以提高水稻钾元素营养诊断水平（Ｒ２＞０．７４）㊂钾元素对于作物的水汽运输和代谢作用有着深远影响，但现阶段对于作物钾元素的研究仍然较少，基于植被指数与敏感波段的统计模型存在精度低的问题㊂而钾元素缺乏的叶片表型性状明显，基于图像识别的钾元素诊断精度较高，笔者认为尝试光谱特征和图像纹理特征融合分析是下一阶段对作物钾元素诊断的关键方向㊂２．２㊀其他营养元素营养诊断随着植物营养学的不断研究发展，除了氮磷钾三大营养元素，国内外学者探索出更多与作物生长８１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展发育相关的必需营养元素，其在调节树体酸度㊁合成叶绿素㊁激素运转和植物代谢等方面有重要的调节功能［６５］㊂目前，作物养分遥感监测研究主要集中在氮磷钾三大主要营养元素的估计上，只有少数尝试诊断其他营养元素，如钙㊁镁㊁硼㊁铁㊁锰等㊂近年来，使用光谱技术诊断作物其他营养元素含量的研究逐渐深入，但大多基于叶片和冠层尺度，而基于区域尺度的研究较少㊂早在２０世纪７０年代，国外学者就发现使用光谱的近红外波段能对作物体内部分含量较高的元素进行准确诊断［６６］㊂之后利用ＰＬＳＲ建模，估算豇豆（Ｖｉｇｎａｕｎｇｕｉｃｕｌａｔａ）Ｓ㊁Ｃａ㊁Ｎａ㊁Ｍｇ的元素含量［６７］㊂对于微量元素的敏感波段筛选和建模，瞿余红等［６８］采用ＳＲ和ＰＣＡ两种方法构建核桃树（Ｃａｒｙａｃａｔｈａｙｅｎｓｉｓ）叶片铁元素含量估测模型，其中以光谱７２５ ７３０，１１４０，１１４１，１４４３，１４４４和１４４５ｎｍ作为敏感波段构建的ＰＣＡ模型精度最佳㊂Ｔｈｕｍ等［６９］研究葡萄（Ｖｉｔｉｓｖｉｎｉｆｅｒａ）藤叶不同微量元素的光谱反射率特征（Ｒ２＞０．６），并以此验证利用微量元素含量区分葡萄产地与品种的可行性㊂而在光谱预处理和建模方面，ｄｅＯｌｉｖｅｉｒａ等［７０］对多种营养元素进行诊断，发现一阶导数可更准确地预测硫元素含量（Ｒ２＝０．８５），使用对数变换可以更准确估计钙（Ｒ２＝０．８１）和镁（Ｒ２＝０．２２）元素含量㊂同时Ｒａｍｄａｓ等［７１］对芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）叶常量和微量营养元素进行研究，发现使用ＰＬＳＲ组合机器学习模型的方法是预测大多数营养素的最佳方法，铁㊁铜㊁硼元素的预测精度良好（Ｒ２ȡ０．９５）㊂Ｈａｒｉｈａｒａｎ等［７２］则开发了一种使用有限差分近似（ＦＤＡ）和双变量相关（ＢＣ）分析高光谱数据的新方法，以区分健康鳄梨（Ｐｅｒｓｅａａｍｅｒｉｃａｎａ）枯萎病㊁氮元素和铁元素丰缺㊂国内外的作物微量元素研究较少，且大多基于便携式高光谱仪，同时微量元素缺乏所导致的表型症状较小，多光谱遥感技术诊断难度大㊂笔者认为基于高光谱遥感技术的微量元素营养诊断潜力巨大，是下一阶段的研究重点㊂３㊀问题与展望尽管在作物营养元素含量诊断过程中，与化学计量学相互结合的光谱遥感技术在作物常量与微量元素诊断等方面表现良好，具有相当广阔的应用前景与市场，但在其实际应用时仍存在问题有待解决㊂１）在检验的营养元素方面，采用单一生长阶段的单一营养元素敏感波段探讨整个生育期作物生理状态和营养状况的研究较多㊂然而，随着作物生长阶段的推移，叶片的光谱反射率将伴随叶片的含水量㊁细胞结构等生化参数变化而发生变化，从而导致光谱反射率与叶片营养元素含量的统计学模型改变，所建立的估算模型难以适用到其他生育时期㊂因此亟须筛选作物不同生长阶段的敏感波段，并利用敏感波段构建光谱指数，以此提高不同生育时期的营养元素含量光谱模型的精度㊂同时，现阶段的作物营养元素研究大多是针对单一营养元素的诊断，对于作物多种营养元素之间的相互作用对光谱特性影响机理的研究较少，对于作物的营养元素丰缺情况缺乏较全面的了解㊂２）对于作物中微量元素含量的光谱诊断研究较为鲜见㊂微量元素在作物代谢过程中起着重要作用，对植物光谱特征的影响与氮㊁磷㊁钾等必要营养元素具有相似性，但丰缺影响差异性大㊂作物微量营养元素的定量化诊断更为少见，根据研究作物样本所建立的微量元素估算模型精度是否能满足后续营养元素补给的需要仍有待进一步研究㊂３）相较于多光谱遥感技术，高光谱遥感技术受制于高昂的设备成本以及缓慢的图像处理速度，应用场景局限性较大，而多光谱遥感技术在诊断估算精度上表现稍差㊂由于高光谱数据变量多，因此基于高光谱遥感的营养诊断在分析时需要比较多种算法和获取大量训练样本才能达到较高的识别精度，这将极大地增加田间作业的工作量和诊断难度㊂４）国内外研究大多只是建立了统计学模型，并未探寻微量元素缺乏所导致的植株生理形态变化与光谱反射率变化之间的因果关系，没有真正揭示微量元素的光谱响应机理㊂其受限于地面实测数据，具有一定的时间和对象局限性，无法反映作物生长全过程，普适性不高，不利于全面推广应用㊂数字孪生技术可以模拟㊁验证㊁预测作物全生育期变化过程［７３］，有效解决统计学模型的局限性，但技术尚未应用于作物营养诊断领域㊂综上所述，光谱遥感技术在作物营养诊断的后续研究可以从以下几个方面入手：１）目前利用地物光谱仪诊断作物营养元素的研究较为深入，而对于无人机遥感或卫星遥感的研究仍然较少㊂因此，如何实现从地面光谱到遥感光谱数据的同化，加速作物营养元素诊断研究进程十分关键㊂２）开发建立各类作物营养元素的光谱信息数９１。
基于高光谱遥感技术的农作物营养评估方法
基于高光谱遥感技术的农作物营养评估方法随着农业现代化的发展，科学合理地评估农作物的营养状况对于提高农作物产量和质量至关重要。
传统的农田监测方法需要大量的人力资源和物力投入，且容易受到地域限制。
而基于高光谱遥感技术的农作物营养评估方法，可以在全球范围内实现农作物营养评估，是目前研究热点之一。
高光谱遥感技术是指获取地面特定波长范围内连续光谱数据的一种技术。
传统的遥感技术只能提供特定波长的信息，而高光谱遥感技术则可以获取更多元的光谱信息。
这使得高光谱遥感技术在农作物营养评估中起到了重要的作用。
基于高光谱遥感技术的农作物营养评估方法主要通过获取不同波段的光谱数据，分析不同波段的光谱反射率与农作物的营养状况之间的关系，从而实现对农作物营养状况的评估。
一般来说，不同波段的光谱反射率与农作物的不同营养元素存在一定的相关性，通过建立相关性模型，可以通过高光谱遥感技术获取的光谱数据，来评估农作物的营养状况。
首先，我们可以通过高光谱遥感技术获取到的红光和近红外光的光谱数据来评估农作物的叶绿素含量。
研究表明，叶绿素含量与红光和近红外光的光谱反射率之间存在一定的线性关系。
通过建立叶绿素含量与光谱反射率的线性回归模型，就可以通过高光谱遥感技术获取到的光谱数据来预测农田中作物的叶绿素含量。
其次，通过高光谱遥感技术获取到的红光和近红外光的光谱数据，还可以评估农作物的氮素含量。
氮素是农作物生长过程中必不可少的营养元素。
研究表明，农作物的氮素含量与红光和近红外光的光谱反射率之间存在一定的负相关关系。
通过建立氮素含量与光谱反射率的相关模型，可以通过高光谱遥感技术获取到的光谱数据来预测农田中作物的氮素含量。
除了叶绿素和氮素含量外，高光谱遥感技术还可以用于评估其他农作物的营养状况，如磷、钾等元素的含量。
通过分析不同波段的光谱数据与作物不同营养元素之间的相关性，可以建立相应的评估模型，实现对农作物营养状况的定量评估。
然而，基于高光谱遥感技术的农作物营养评估方法还存在一些挑战和限制。
高光谱技术在水稻氮素营养诊断中的应用研究
高光谱技术在水稻氮素营养诊断中的应用研究
高光谱技术是一种快速、无损的遥感技术，可以获取物体的光谱信息。
在水稻氮素营养诊断中的应用研究中，高光谱技术可以用来获取水稻叶片的光谱信息，进而分析水稻的氮素营养状态。
首先，高光谱技术可以通过测量水稻叶片的光谱反射率来获得丰富的光谱数据。
这些数据可以包括红外辐射、可见光和近红外光等不同波段的反射率。
通过分析这些光谱数据，可以获得水稻叶片中不同波段的反射率之间的关系，进而得到水稻的氮素营养信息。
其次，高光谱技术可以通过光谱指数来评估水稻氮素营养状况。
光谱指数是通过使用不同波段之间的光谱信息计算得出的指标，可以用来反映水稻叶片中氮素含量的情况。
一些常用的光谱指数，如归一化植被指数（NDVI）、倒数反射率指数（RDI）等，可以通过高光谱技术来计算和应用。
通过这些光谱指数，可以对水稻的氮素营养状况进行定量评估。
最后，高光谱技术还可以结合机器学习算法进行水稻氮素营养诊断。
通过收集大量水稻样本的光谱数据和氮素含量数据，可以建立预测模型，用以预测水稻氮素含量。
这些模型可以包括随机森林、支持向量机、人工神经网络等机器学习算法。
这些模型可以通过高光谱数据进行训练和验证，从而实现对水稻氮素营养状态的快速、准确诊断。
总的来说，高光谱技术在水稻氮素营养诊断中的应用研究可以
通过获取水稻叶片的光谱信息，计算光谱指数和建立预测模型来评估水稻的氮素营养状况。
这种技术可以实现非接触式、高效率的氮素营养诊断，为水稻生产提供科学依据和技术支持。
基于光谱信息的作物氮素营养诊断研究进展
基于光谱信息的作物氮素营养诊断研究进展作者：杨绍锷杜鑫来源：《湖南农业科学》2017年第02期摘要：快速、准确地进行作物氮素营养诊断，有助于管理者及时、有效地采取相应的应对措施，既保障作物的高产量，又有效地管控、减少化肥施用量。
由于作物氮素营养状况直接影响着作物的光谱信息，因此以作物光谱信息为依据进行作物氮素营养诊断极具潜力。
对当前基于光谱信息进行作物氮素营养诊断的3种方法（便携式叶绿素仪法、高光谱遥感诊断法和数字图像分析诊断法）进行了综述，介绍了各个方法的原理、特点和研究进展，并对未来基于光谱信息的作物氮素营养诊断进行了展望。
关键词：光谱信息；氮素；营养诊断；研究进展中图分类号：S123 文献标识码：A 文章编号：1006-060X（2017）02-0127-04作物生长受气候条件、土壤状况、管理措施等众多因素的影响，实时地了解作物的营养状况，有助于管理者及时采取措施，有针对性地对作物进行有益干预，从而实现作物的高产、高效、经济、环保生产；尤其是在我国粮食安全形势严峻、生态环境日趋恶化的情况下，及时了解作物的营养状况显得尤为重要。
根据作物的外观、形态来判断作物的营养状况，是人们在长期的种植过程总结的经验方法，有一定的科学依据，简单方便，在实际生产中经常被使用，但此类方法通常比较粗犷、无法量化。
在实验室进行植物样品的化学分析，是获知植物营养状况最直接、准确的方法，但由于所需时间较长，时效l生差，无法满足田间管理要求。
在农业现代化、信息化的要求下，需要发展快速、准确、经济的田间作物营养诊断方法。
光谱技术手段是当前作物营养快速诊断的一个重要研究方向。
作物营养状况的变化，会导致作物反射光谱在不同的波段范围出现不同程度的变化，基于这些光谱信息进行作物营养的反演，即可实现作物营养状况的快速诊断。
自20世纪70～80年代以来，研究人员利用作物的光谱信息，发展了多种作物氮素营养诊断的方法。
1便携式叶绿素仪叶片含氮量和叶绿素浓度之间有较好的相关性，因此可以通过测定叶绿素浓度来反映植株叶片的氮营养状况。
基于高光谱成像的农作物生长监测方法研究
基于高光谱成像的农作物生长监测方法研究一、引言随着农业现代化的不断推进，科技的发展对于提高农作物产量和质量以及减少资源浪费和环境污染等方面的作用越来越重要。
在这种背景下，基于高光谱成像的农作物生长监测方法正在成为农业监测中的热门话题。
二、高光谱成像技术高光谱成像技术是一种可将物体反射或透射的光谱信息映射成图像的技术，在各个领域都有着广泛的应用。
在农业领域中，通过高光谱成像技术可以获取植物在不同波段上的反射光谱信息，得到植被指数、叶绿素含量、生长状态等信息。
三、高光谱成像技术在农作物生长监测中的应用通过高光谱成像技术监测农作物生长状态可以帮助农民了解作物的健康状况，以及作物所需的养分、水分等信息，从而及时调整种植策略，提高农作物的生产力。
可以通过高光谱成像技术获取植被指数、植株高度、叶面积指数、生长速度等参数，利用这些参数可以对不同品种的农作物进行区分和识别，同时还可以定量评估作物的生长状态。
四、高光谱成像技术的优势与传统的农业监测方法相比，高光谱成像技术具有以下优势：一、高光谱成像技术可以获取更多的植被信息，包括植被指数、植株高度、叶面积指数等，使监测更加全面准确；二、高光谱成像技术是一种快速的监测方式，可以准确获取数千个像素点的光谱信息，提高了农作物生长监测的效率；三、高光谱成像技术可以非接触式地监测农作物的生长状态，避免了对农作物的伤害。
五、结论基于高光谱成像的农作物生长监测方法具有较高的应用价值和推广前景。
通过高光谱成像技术可以更准确、快速、全面地获取农作物的生长信息，为农民提供更加科学的种植策略和技术支持，进一步提高农作物的生产力和品质。
随着技术的不断升级，高光谱成像技术在农业领域中的应用将会变得更加广泛和深入。
冬小麦光谱氮营养诊断技术研究进展
冬小麦光谱氮营养诊断技术研究进展作者：童伟刘金宝来源：《南方农业·下旬》2021年第07期摘要为快速便携诊断冬小麦氮营养状况，概述了氮营养诊断的方法，着重介绍了冬小麦氮素光谱诊断技术原理及方法，提出光谱诊断冬小麦氮素营养具有无损快速便携的优势，有着广泛的研究和应用前景。
关键词冬小麦;光谱诊断;氮素中图分类号：S513 文献标志码：A DOI：10.19415/ki.1673-890x.2021.21.006冬小麦作为我国北方地区的主要粮食作物，其种植面积、产量关系国家粮食安全、长远发展大计。
做好冬小麦施肥、灌溉、病虫害防治等田间管理对确保粮食稳产、高产尤为重要。
氮肥在农业中的作用非常重要，用途非常普遍，然而因过量使用、利用效能低而造成农田土壤、灌溉水系的污染。
因此国家开展了以测土配方技术为技术支撑的精准农业，以便准确快速地获取土壤养分状况，特别是氮素水平。
精准农业是未来农业的方向，其关键点是快速、便捷、精准地获得农田作物信息。
通过介绍冬小麦氮素光谱诊断技术，掌握作物生长周期内氮素需求信息，开展农田精细化管理，从而提高氮素利用水平，降低投入成本，提高作物产量[1]。
1 冬小麦氮营养传统诊断技术1.1 冬小麦缺氮外观诊断外观诊断包括对植株的叶色诊断、长势诊断和症状诊断3个方面。
植物叶片颜色能够直观地表征植株体内的氮素水平，不同的营养物质对植物的作用是不同的。
外观诊断通常只适用于缺乏营养元素的植物。
随着作物品种的频繁升级和颜色视觉感知的差异，外观诊断的准确性下降，从而使其在生产应用过程中受到限制。
1）观察症状的诊断方式。
主要是根据小麦出现的某种特定症状，确定小麦中缺少某种元素的一种诊断方式。
冬小麦缺氮的症状主要会表现出植物生产不良、茎秆矮小、单株叶片狭小等基本特点，并且会对冬小麦的产量造成影响。
冬小麦氮素过多的症状主要表现为小麦容易倒伏、病虫为害较为严重、晚熟等。
冬小麦缺氮的症状诊断技术，主要针对小麦缺少1种营养元素的情况下有效，如果小麦同时缺少2种或者更多的影响元素，或者出现病虫害、药害等因素引起的症状时，症状诊断技术将难以发挥出自身的作用，且容易导致混淆而出现误诊。
基于光谱的作物病害识别
别不同的病害类型。
03
红外光谱特征
红外光谱可以反映作物叶片的内部结构和化学成分，不同病害类型的红
外光谱特征也存在差异，可以通过比较红外光谱来识别不同的病害类型
。
04
基于光谱的作物病害识别方法来自基于统计学习的方法支持向量机（SVM）
通过构建不同的核函数，利用SVM进行病害识别。
随机森林（RF）
基于RF的分类器，利用光谱数据和病害标签训练模型进行预测。
利用处理后的光谱数据和对应的病害 标签，构建模型并进行训练。
03
参数调优
根据模型训练结果，调整模型参数， 提高模型的识别准确率。
模型评估与比较
评估指标
选择合适的评估指标，如准确率、召 回率、F1值等，对模型性能进行评估
。
比较实验
进行多组实验，比较不同模型算法在 不同数据集上的表现，选出最优模型
。
模型优化
THANKS
感谢观看
线性判别分析（LDA）
通过投影光谱数据到低维空间，利用类间距离和类内距离进行病害 识别。
基于深度学习的方法
卷积神经网络（CNN）
通过CNN对光谱图像进行特征提取，利用提取 的特征进行病害识别。
循环神经网络（RNN）
利用RNN对时序光谱数据进行建模，进行病害 预测。
自编码器（AE）
通过AE对光谱数据进行编码和重构，利用重构误差进行病害识别。
光谱范围
03
特定波长范围内的光谱。
光谱测量方法
傅里叶变换光谱仪
利用干涉仪测量光的干涉图，并通过 傅里叶变换将其转换为光谱。
色散光谱仪
利用棱镜或光栅将光色散成不同波长 的光谱。
光谱数据处理与分析
01
植物营养诊断方法研究进展
植物营养诊断方法研究进展一、概述植物营养诊断，作为现代农业管理的重要环节，对于精准指导施肥、提高作物产量和品质具有不可替代的作用。
随着农业科技的不断进步，植物营养诊断方法也在不断创新和完善，为农业生产的可持续发展提供了有力支撑。
传统的植物营养诊断方法主要依赖于土壤分析和植物组织分析，通过对土壤和植物样本的化学元素含量进行测定，以判断植物的营养状况。
这些方法存在操作繁琐、耗时长、对样本破坏性强等缺点，难以满足现代农业高效、精准的需求。
随着科技的发展和研究的深入，植物营养诊断方法取得了显著进展。
新的诊断方法不仅提高了诊断的准确性和效率，还减少了对植物和土壤的破坏。
无损测试技术可以通过对植物叶片或冠层的光谱反射率进行分析，快速准确地评估植物的营养状况；生理生化分析诊断法则可以通过测定植物体内的酶活性、代谢物含量等生理生化指标，揭示植物营养状况的生理机制。
还有一些新兴的诊断方法，如基于机器学习或深度学习的智能诊断系统，可以通过对大量数据进行学习和分析，自动识别和预测植物的营养问题。
这些方法的出现，为植物营养诊断提供了更多的选择和可能性。
植物营养诊断方法的研究进展为现代农业的发展带来了新的机遇和挑战。
随着科技的不断进步和研究的深入，我们有理由相信，植物营养诊断方法将更加精准、高效、环保，为农业生产的可持续发展做出更大的贡献。
1. 植物营养诊断的重要性植物营养诊断是现代农业科技中的关键环节，对于提高作物产量、改善农产品品质和保护环境具有重要意义。
随着农业生产的不断发展，植物营养问题日益凸显，如何通过科学有效的方法进行营养诊断，从而合理施肥，成为当前农业研究的重要课题。
植物营养诊断有助于精准把握作物生长过程中的营养需求。
作物在不同生长阶段对营养元素的需求各异，通过营养诊断可以了解作物当前的营养状况，进而制定针对性的施肥方案，避免过量或不足施肥造成的资源浪费和环境污染。
植物营养诊断有助于提高作物抗逆性和产量。
作物在生长过程中常受到病虫害、干旱、盐碱等不利因素的影响，通过营养诊断可以及时发现并纠正作物营养失衡问题，增强作物的抗逆性，从而提高产量和品质。
基于光谱技术的农产品优质检测研究
基于光谱技术的农产品优质检测研究农产品是人类生活中不可或缺的食品，如何保证农产品的质量和安全是一项非常重要的工作。
传统的农产品检测方法主要依靠经验判断和人工检测，检测时间长、结果不稳定、成本高等问题一直困扰着农业生产。
随着光谱技术的快速发展和广泛应用，利用光谱技术实现农产品的优质检测成为当前的研究热点。
一、光谱技术在农产品检测中的应用光谱技术是指将物体的吸收、散射、透射等光学特性转换为光谱信号进行分析和检测的方法。
其包括可见光、近红外、红外、紫外等多种波段的光谱技术。
传统的农产品检测主要依靠取样送检，受到取样方法、环境因素等因素的干扰，检测结果不够准确。
而光谱技术是一种非侵入性检测方法，能够对农产品进行全程检测。
近年来，光谱技术在农产品检测中得到了广泛的应用。
其中，近红外光谱技术是目前应用最为广泛的一种，主要应用于农产品成分、营养价值、品质等方面的检测。
例如，近红外光谱技术可以对农产品的水分、蛋白质、脂肪、糖分、淀粉质等成分进行快速、准确的检测。
另外，红外光谱技术也被广泛应用于农产品安全检测。
红外光谱技术可以通过检测农产品中的化学键信息，准确检测出农产品中的毒素、农药等有害物质。
同时，红外光谱技术还可以检测农产品加工工艺是否合理、产品品质是否符合标准等。
二、基于光谱技术的农产品品质检测研究目前，光谱技术已经成为农产品优质检测的重要手段之一。
在农产品品质检测中，光谱技术可以通过快速、准确的检测方法，对农产品的色泽、外观、口感等进行评估。
以下是几种基于光谱技术的农产品品质检测研究情况。
1. 水果品质检测水果色泽、口感、风味等因素是衡量其品质的重要指标。
目前，许多研究者利用近红外光谱技术对水果的品质进行评估。
例如，研究者利用近红外光谱技术检测苹果品质，发现近红外光谱技术可以有效地区分不同品种的苹果。
2. 蔬菜品质检测蔬菜的色泽、口感、营养成分等是评估其品质的主要因素。
近年来，研究者发现近红外光谱技术可以有效地检测出蔬菜中的营养成分、色泽和含水量等品质因素。
基于反射光谱技术的农作物状况诊断研究
基于反射光谱技术的农作物状况诊断研究随着农业科技的不断进步，新的技术手段被引入到农业生产中。
而基于反射光谱技术的农作物状况诊断，是农业技术领域的一个热门话题。
这种技术利用光的反射率来帮助农民诊断农作物的状况，从而更好地管理和优化农作物生产。
本文将从技术原理、应用案例和未来展望三个方面，介绍基于反射光谱技术的农作物状况诊断研究。
1.技术原理反射光谱技术是一种基于辐射学、光谱学和资料学等多学科交叉的技术。
它通过对指定物质（如植物叶片）反射光谱进行分析，诊断出其状况。
不同农作物在生长过程中会发生多种变化，如光合作用、叶绿素含量等。
这些变化会影响植物对光的反射率，进而反映出植物的状况。
利用反射光谱技术可以量化这些光谱信息，比如可见光波段和近红外光波段的反射率值，再结合机器学习算法进行研究和分析。
2.应用案例在实际农业生产中，反射光谱技术已经得到了广泛的应用。
以玉米作物为例，目前已经有多个案例成功应用于反射光谱技术的研究中。
在一项研究中，运用基于辐射传输模型的反射光谱技术获得了玉米干物质生产的初步估算，为精准施肥提供了可靠的决策支持。
另一项研究探讨了玉米成熟期的反射光谱特征，并采用蒙特卡洛森林算法对数据进行分析，成功预测出了表观氮利用率（ENU），为农业生产提供了重要的基础研究结果。
类似的应用案例还有很多，如用于小麦、水稻、棉花等作物。
3.未来展望基于反射光谱技术的农作物状况诊断有着广阔的未来发展前景。
首先，技术的精度和精度将得到不断的提升，特别是通过大数据和机器学习算法的深度学习，可以进一步深化研究结论。
其次，技术将被运用到更多的作物和农场中，扩大其适用范围。
此外，农业科技创新将持续发力，借助反射光谱技术和其他技术的不断融合和创新，进一步提升农业生产效率，实现农业可持续发展。
总之，基于反射光谱技术的农作物状况诊断研究，带来了更多精准的农业生产决策，进一步提升了农业生产的效率和质量。
未来，该技术将逐步普及，成为农业管理和技术服务中不可或缺的一部分。
基于光谱技术的农作物品质检测研究
基于光谱技术的农作物品质检测研究一、简介农作物品质检测一直都是农业生产中的重要环节。
传统的品质检测方法往往需要长时间的等待，但是现在基于光谱技术的农作物品质检测技术，可以提高检测的效率和准确性。
本文将重点介绍基于光谱技术的农作物品质检技术。
二、基于光谱技术的农作物品质检的原理基于光谱技术的农作物品质检，其主要原理是通过对农作物的光谱反射、透射、荧光等光学特性进行测量，从而获取到农作物的化学、生理、结构等重要参数，来进行品质检测。
在进行基于光谱技术的农作物品质检时，主要需要以下工作：1. 采集样品的光谱数据，通过光谱仪等设备获取到样品反射、透射、荧光等光学特性数据。
2. 对光谱数据进行处理和分析，利用化学信息分析、数学建模等方法来进行数据处理和分析，从而得出精确的品质检测结果。
3. 与传统的品质检测方法进行比较验证，保证基于光谱技术的检测结果的准确性和可靠性。
三、基于光谱技术的农作物品质检的优势在农作物品质检中，基于光谱技术的检测方法具有以下优势：1. 非破坏性检测。
与传统的品质检测方法相比，基于光谱技术的检测方法不需要破坏样品，可以保证样品的完整性，符合绿色检测的要求。
2. 高效准确。
基于光谱技术的检测方法可以快速获取到农作物的光学特性数据，进行精确和高效的分析和处理，从而得出准确的检测结果。
3. 容易操作。
基于光谱技术的检测方法是一种操作简单、便携、易于操作的检测方式，即使在野外也可以进行检测。
四、基于光谱技术的农作物品质检研究进展目前，基于光谱技术的农作物品质检技术正在不断地发展和完善，主要的研究进展包括：1. 光谱技术和化学技术相结合。
现在的研究表明，结合光谱技术和化学技术，可以更好地检测出农作物的品质指标。
2. 新的光学传感器的研究。
新的光学传感器的研究可以更好地满足现代化生产的需求，例如无人机、机器人等设备的运用，可以更好地应用到复杂的田间环境中进行农作物品质检测。
3. 模型和算法的发展。
利用光谱技术分析农作物机械化生长状况
利用光谱技术分析农作物机械化生长状况随着技术的不断进步，农作物机械化已经成为现代农业的主要发展方向之一。
然而，要保证机械化的高效性和稳定性，必须对农作物的生长状况进行准确的分析和诊断。
在这一过程中，光谱技术可以发挥重要作用。
光谱技术是一种通过光学分析的方法进行物质分析的技术手段。
在农业领域中，光谱技术主要用于分析作物的生长状况和营养状况。
传统的农业技术主要依赖于观察和试验的方式，但这种方式存在人为误差的风险，并且无法对一些微小的变化进行敏感的检测。
而光谱技术则可以通过对作物反射、透射或荧光光谱的分析，提供更为准确和全面的诊断结果。
在机械化农业的实践中，光谱技术可以分析作物的生长速度和生长状态等参数，进而预测作物生长的趋势与可能的发展方向，并提供相关的建议和决策。
例如，通过分析小麦草叶的反射光谱，可以得出其叶绿素含量和氮素含量，从而评估其生长状况和营养水平。
而在农作物的除草过程中，通过分析杂草与作物的光谱信息，可以制定更精细的治理策略，提高作物的生产效率和病虫害防治效果。
除了在农作物生长状态的分析与诊断中，光谱技术还可以应用于农产品质量检测和农产品产地溯源等领域。
通过对农产品的光谱特性进行分析，可以检测出其中的重金属、农药残留等有害物质，预测产品口感等质量特征，并且验证农产品的产地等信息的真实性。
当然，虽然光谱技术可以为农业生产带来诸多好处，但在其应用中还存在不少技术挑战和限制。
例如，不同作物之间的生长规律存在差异，对应的光谱特性也不同，因此需要针对不同作物开发不同的光谱分析技术；同时，光谱技术还要面临复杂的干扰，如气象条件、光照条件等，这些因素的变化会对光谱分析的结果产生影响。
总之，利用光谱技术分析农作物的生长状况是现代农业发展不可或缺的一环。
光谱技术的优势在于它可以快速、准确地分析作物的生长状况，并且为农业生产提供更具科学性和精细化的服务。
未来，我们有理由相信光谱技术会在农业领域发挥更为广泛的应用与贡献。
基于光谱信息的作物氮素营养无损监测技术
! ! ! ! ! ! ! ! ! ! ! ! !
基于光谱信息的作物氮素营养无损监测技术 !
田永超! 朱! 艳! 姚! 霞! 刘小军! 曹卫星
!!
（ 南京农业大学 江苏省信息农业高技术研究重点实验室，南京 "#$$%& ）
摘! 要! 氮素是作物生长发育和产量品质形成所必需的营养元素。快速、 无损、 准确地监 测作物氮素状况， 对于诊断作物生长特征、 提高氮肥运筹水平和利用效率、 降低过量施氮带 来的农田环境污染， 深入开展精确农业和数字农业的研究与应用具有重要意义。本文围绕 作物氮素特征光谱产生的机制、 反射光谱对氮素营养的响应及光谱指数的生理意义等解析 了作物氮素营养光谱无损监测的技术机理， 阐明了作物氮素监测的光谱学和生理生态学基 础， 进而概述了国内外有关作物反射光谱获取及叶片、 冠层和空间水平上氮素营养光谱监 测的研究进展。针对作物氮素营养监测亟待解决的问题和作物生产需求， 提出今后进一步 研究的领域应重点围绕氮素生化组分的监测方法、 氮素监测模型的普适性、 氮素监测仪的 开发、 地空遥感信息的融合、 遥感与其他技术的集成等方面。 关键词! 作物；氮素营养；光谱遥感；无损监测 中图分类号! ’#()* #! 文献标识码! +! 文章编号! #$$$,(-%$ （ "$$. ） $%,#(&(,#$ !"#$%&’()*+(,-& ."#,("),#/ "0 +)"1 #,()"/&# #*(),(,"# 23’&% "# ’1&+()34 ,#0").3(,"#5 /0+1 234567893，:;< 294，2+= >?9，@0< >?936AB4，C+= DE?6F?45（ !"#$%&’ (%) *+,-.+$-.) -/ 01# /-.2+$"-1 34."&56$5.% -/ 7"+1485 9.-:"1&%，;+1<"14 34."&56$5.+6 =1":%.8"$)，;+1<"14 "#$$%& ，>’"# ? >’"1%8% 7-5.1+6 -/ @&-6-4) ， "$$. ， 67 （%） ： #(&(,#(G)* 1+） 82’()3+( ：1?HI35E4 ?J 34E 3K H8E 4E7EJJ9IL 4BHI?E4H EMENE4HJ K3I 7I3O 5I3PH8 94Q L?EMQ K3IN9H?34 ， 94Q H8E 4346QEJHIB7H?RE， I9O?Q 94Q 977BI9HE N34?H3I?45 3K 7I3O 4?HI35E4 4BHI?H?34 ?J 3K J?54?K?7947E ?4 EJH?N9H?45 7I3O 5I3PH8 O9I9NEHEIJ，E48947?45 4?HI35E4 N9495ENE4H 94Q BJE EKK?7?E47L ，IEQB76 ?45 K9INM94Q 734H9N?49H?34 KI3N EF7EJJ?RE BJE 3K KEIH?M?SEI 4?HI35E4 ，94Q OI3N3H?45 H8E IEJE9I78 94Q 9OOM?79H?34 3K OIE7?J?34 K9IN?45 94Q Q?5?H9M 95I?7BMHBIE* 04 H8?J O9OEI ，H8E NE7894?JNJ 3K 4346QEJHIB7H?RE N34?H3I?45 3K 7I3O 4?HI35E4 4BHI?H?34 PEIE ?4HEIOIEHEQ P?H8 JOE7HI9M 94Q E736O8LJ?6 3M35?79M T9JEJ H8I3B58 7M9I?KL?45 H8E H8E3IEH?79M T9J?J 3K H8E 5E4EI9H?34 3K 7I3O 4?HI35E46JOE7?K?7 JOE7HI9 ，IEJO34JEJ 3K IEKME7H947E JOE7HI9 H3 4?HI35E4 4BHI?H?34 ，94Q O8LJ?3M35?79M J?54?K?79H?34 3K JOE7HI9M ?4QEF* /8E IEJE9I78 OI35IEJJ 34 H8E 97UB?J?H?34 3K IEKME7H947E JOE7HI9 94Q H8E JOE7HI9M6 T9JEQ N34?H3I?45 3K 4?HI35E4 4BHI?H?34 ?4 ME9K ，7943OL 94Q JO9H?9M MEREMJ PEIE IER?EPEQ 73NOIE6 8E4J?REML ，P?H8 H8E O3JJ?TME IEJE9I78 Q?IE7H?34J IE73NNE4QEQ H3 9QQIEJJ H8E BI5E4H ?JJBEJ K97?45 7I3O 4?HI35E4 N34?H3I?45 94Q N9495ENE4H ?4 N3QEI4 7I3O OI3QB7H?34 ，P8?78 ?47MBQEQ N34?H3I?45 NEH83QJ 3K 4?HI35E4 73NO34E4HJ，P?QE 9OOM?79T?M?HL 3K 4?HI35E4 EJH?N9H?34 N3QEM，QEREM3ONE4H 3K 4?HI35E4 N34?H3I?45 9OO9I9HBJ，73BOM?45 3K 9?I6T3I4E 94Q 5I3B4Q6T9JEQ JOE7HI9M ?4K3IN9H?34 ，94Q ?4HE5I9H?34 3K IEN3HE JE4J?45 94Q 3H8EI VEL HE784?UBEJ* 9&: ;")%’：7I3O；4?HI35E4 4BHI?H?34；JOE7HI9M IEN3HE JE4J?45 ；4346QEJHIB7H?RE N34?H3I?45* <= 引= 言
光谱分析技术在作物生长信息检测中的应用研究进展
第28卷,第6期 光谱学与光谱分析Vol 128,No 16,pp1300-13042008年6月 Spectro sco py and Spectr al AnalysisJune,2008光谱分析技术在作物生长信息检测中的应用研究进展蒋焕煜,应义斌*,谢丽娟浙江大学生物系统工程与食品科学学院,浙江杭州 310029摘 要 获取作物的相关生长信息可以预测作物的生长和健康状态,是实现作物生产管理智能化的基础。
植物的生长信息获取技术主要包括利用其电学特性、光学特性和机器视觉技术等,随着光谱技术的发展,近红外光谱技术、多光谱技术和高光谱技术在作物生长信息的获取应用上开始大量应用,并显示了其分析速度快、效率高、成本低、无需制备样品等优点,已成为一种快速、无损的现代分析技术。
文章介绍了国内外运用光谱分析技术在作物生长信息获取上的研究情况,并分析了该技术应用于作物生长信息获取时尚存在的问题和今后的研究方向,提出了进行作物生长实时、智能化管理的必要性,需要加快研制相关的光谱自动分析设备,提高作物生长信息获取的速度,最后指出了结合机器视觉技术、红外成像技术、光谱分析技术等多种技术进行作物生长多种信息获取是未来发展的趋势。
关键词 光谱分析技术;作物;生长信息;应用中图分类号:S123 文献标识码:A 文章编号:1000-0593(2008)06-1300-05收稿日期:2007-09-16,修订日期:2007-12-28基金项目:国家自然科学基金资助项目(60771064,60401002)资助作者简介:蒋焕煜,1972年生,浙江大学生物系统工程与食品科学学院副教授 e -mail:hyjiang@zju 1edu 1cn*通讯联系人 e -mail:ybyin g@zju 1edu 1cn引 言精确农业是现有农业生产措施与电子信息高新技术的有机结合,是一种根据农田小区环境的差异性,定时、定位、定量地实施投入的农业生产管理技术,以达到最少量的生产投入,最大化的生产效益。
基于近红外光谱技术的农作物病害诊断研究
基于近红外光谱技术的农作物病害诊断研究王晓丽，周国民（中国农业科学院农业信息研究所，北京 100081）摘要：利用近红外光谱诊断农作物病害是近几年兴起的一种具有高效、准确、非破坏性的技术。
为此，阐述了近红外光谱诊断农作物病害的原理；介绍了处理近红外光谱数据的关键技术以及建立光谱模式识别模型的方法；报告了近红外光谱技术在农作物病害诊断中的应用现状。
同时提出了运用近红外光谱技术诊断农作物病害存在的难点。
最后，还提出了一些研究中有待解决的问题。
关键词：近红外光谱；农作物病害；无损检测中图分类号：文献标识码：A 文章编号：0 引言我国是一个农业大国，农作物病害是我国农业生产上主要的灾害之一，它的种类多、影响大、灾害性强，长期以来一直是农业生产的一个痼疾，严重的影响了农村的经济发展[1]。
目前农作物病害的诊断方法也有很多，例如：张宝棣[2]，谭广发[3]等主要利用水稻的发病症状来诊断和防治水稻病害；Gregory A[4]，何国金[5]等利用卫星遥感技术来检测农作物病害；穗波信雄[6]等利用计算机视觉技术来对作物病害进行识别。
这些方法对农作物病害的诊断做出了很大的贡献，但是它们又各自存在着一些不足：利用发病症状诊断水稻病害比较费时费力，对专家的依赖较强；卫星遥感技术比较适合大面积的农作物病害检测，对于小面积的管理仍然存在一些困难；而计算机视觉技术，虽然是比较先进的技术之一，但是要达到对农作物病害的实时监控还有一定距离。
近红外光谱技术采集数据比较省时省力，精确度和自动化程度高，是一种非破坏性的高科技技术之一。
因此，如何能有效地、最大程度地利用光谱信息，并且能快速准确地处理光谱数据成为当前研究的一个热点[7]。
1 近红外光谱技术诊断农作物病害的原理1.1 地物光谱产生的机理由于各种物体的组成成分、内部结构、外部状态的不同，它们对电磁辐射的响应有很大差别，也就是说各种物体都有自己独特的电磁辐射特性，而地物光谱反射曲线是对电磁反射或发射差异的集中体现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期:2005-06-08 修改稿收到日期:2005-10-08基金项目:上海市科技兴农重点攻关项目[农科攻字(2001)第2-8号]资助。
作者简介:王磊(1978—),男,河南原阳人,博士研究生,主要从事植物营养光谱诊断研究。
3通讯作者基于光谱理论的作物营养诊断研究进展王 磊,白由路3(中国农业科学院农业资源与农业区划研究所,北京100081)摘要:随着光谱技术的发展及其自身的优点,应用光谱技术在作物营养诊断和养分估测方面的研究也越来越多。
本文概要地介绍了植物光谱诊断的原理和生理基础,总结了高光谱数据的提取和处理方法;着重评述了光谱技术在作物氮、磷、钾和其它营养元素的营养诊断和养分含量估测的国内外研究状况和进展。
文章指出,氮素营养的光谱诊断研究较多,提取出一些敏感波段,建立了光谱指数,并初步得到验证;磷钾营养的光谱诊断研究相对较少,并且结论也不统一;其它营养元素的光谱诊断只是略有涉及,需要进一步研究。
本文还就当前作物营养光谱诊断研究的重点以及光谱数据采集和建立养分预测模型中存在的问题进行了分析讨论,并提出了今后的研究方向和应用前景。
关键词:植物营养;高光谱技术;光谱诊断中图分类号:S121;O65713 文献标识码:A 文章编号:1008-505X (2006)06-0902-11R esearch advance on plant nutrition diagnosis based on spectral theoryW ANGLei ,BAI Y ou 2lu 3(Institute o f Agricultural Resources and Regional Planning ,C AAS ,Beijing 100081,China )Abstract :With the development of spectral technology and its inherent advantage ,m ore and m ore researches were car 2ried out to investigate the application of spectral technology on plant nutrition diagnosis and nutrients contents prediction.In the article ,firstly ,the principle and physiological basis for plant spectral diagnosis was briefly introduced.Then the methods of hyperspectral data extraction and analysis were summarized focusing on the crops nitrogen ,phosphorus ,potas 2sium and other nutrients nutrition diagnosis and nutrients contents prediction.A big research progress has made in the re 2search concerning N nutritional spectral diagnosis ,in which sensitive wave bands were put forward and spectral indices were constructed and validated.H owever ,the research concerning P and K nutritional spectral diagnosis was much less com prehensive and the result were inconsistent ;other nutrients spectral diagnosis were touched upon in s ome s ort and much research should be continued further.In addition ,a detail analysis for the existing difficulties about spectrum data collection and nutrients prediction m odels was performed.Finally ,the future advance trends and the prospect of applica 2tion were brought up.K ey w ords :plant nutrition ;hyperspectral technology ;spectral diagnosis 随着现代科学技术的发展,特别是计算机技术、空间技术和信息技术的迅猛发展,人类社会已经步入信息时代,人们也越来越借助于现代高新技术来解决农业生产中的问题。
人们利用全球定位系统(G PS )、地理信息系统(GIS )在空间尺度上挖掘田间信息的同时,遥感技术(RS )的发展,也日益深入到农业生产中。
近30多年来,农业遥感在沿着单一波段→多光谱→高光谱方向发展的同时,遥感技术(RS )在作物长势监测与估产[1-2]、农情宏观预报、环境监测、灾害防治、农业资源调查等方面作出了重要贡献[3]。
在农作物生产中,尤其是在当今越来越显现其植物营养与肥料学报2006,12(6):902-912Plant Nutrition and Fertilizer Science优势的精准农业中,养分管理是农业生产中的重要环节之一。
利用作物的光谱特性对其营养状况实时监测和快速诊断一直是精准农业中的研究热点[4]。
植物叶片的光谱特征与叶片厚度、叶片表面特性、水分含量和叶绿素等色素含量有关[5],同时也与植物营养状况密切相关[6-8]。
早在20世纪60、70年代,美国农业部的研究人员先后测定和分析了干燥和捣碎的多种植物叶片光谱,获得了400nm～2400nm光谱范围内大约42处对应一定生物化学成分的吸收特征,它们可以帮助我们理解光谱吸收特征的生物学意义,为运用遥感手段估测叶片生化组成及含量提供了可能[9]。
随着高光谱遥感技术的发展,高光谱技术以它的光谱分辨率高(3nm～10nm)、波段连续性强(在400nm～2500nm范围内有几百个波段)等优点和特点可以用来监测农作物长势和营养状况并反演农作物的理化特性。
17种必需营养元素是作物形态建成、完成整个生育期所必需的,它们在作物新陈代谢中起着不可代替的作用。
因此,作物养分的管理是以高产、优质、高效为目标的作物生产中最为重要的管理内容之一。
本文就光谱技术在植物营养中针对大、中、微量营养元素的应用作一综述。
1 植物光谱诊断原理地物漫反射光谱包含着反射物结构和组成的丰富信息,是农田生物环境信息获得的重要手段。
农作物和自然界存在的各种物体一样,其体温总在绝对温度0K以上,因此,它们就随时随地都在不断地发射各种波长的电磁波,并对外界照射来的人工和自然电磁辐射发生一定的吸收和反射[10]。
每一种物体的内部结构和表面特性均不相同,因此对不同波长的电磁波的吸收和反射都不同。
物体的这种对不同波段光谱的响应特性叫光谱特性。
植物光谱诊断的基础便是植物的光谱特性[11]。
植物叶子中生物化学成分含量的变化在光谱维方向上表现在其吸收波形的变化,植物光谱的导数实质上反映了植物内部物质(叶绿素及其它生物化学成分)的吸收波形变化,因而可通过植物的光谱特性监测植物的营养状况[12]。
植物缺乏营养元素不仅会严重影响其生长速度和产量,而且还能引起植株体内相关生化成分的变化,外观表现在叶片、叶色、形态、结构以及其他各种不同的缺素症状。
宏观上,作物的长势、冠层结构、叶片颜色和厚度及微观上叶片色素、水分等某些理化组分的含量等发生不同的变化,都会引起某些波长处的光谱反射和吸收产生差异,从而产生了不同的光谱反射率;在非成像光谱上表现出反射率不同的波形曲线,在成像光谱上表现出图像亮度、饱和度等色阶的差别。
然后利用光谱上产生显著差异的敏感光谱或关键波段建立估测模型,反演作物体内生化成分含量。
植物化学组分光谱诊断的实现便是以植物化学组分敏感光谱的反射率与该组分含量或浓度的相关关系为基础的[11]。
2 植物高光谱遥感信息提取和处理方法 鉴于高光谱信息的海量资料,根据研究对象和内容的不同,所要求的精度不同,采用的方法也不同。
不同的方法得到的光谱信息不同,所能说明的问题也不一样。
下面将适用于植物光谱分析的方法归纳如下:1)光谱微分技术 研究表明,光谱微分处理可减弱土壤背景和大气等环境因素对目标光谱的影响,提高信噪比,达到增强光谱参数和生物化学成分的相关性[13-14]。
2)多元统计分析技术 比如偏最小二乘回归,主成分分析,多元线性回归、多元逐步线性回归和聚类分析等数据分析技术。
这些技术着眼于光谱反射绝对值或其变换形式(如波段反射率、对数变换以及各种植被指数)与不同生物物理、化学参数(如LAI、植株全氮、叶绿素含量、蛋白质等)建立多元回归估计(预测)模型。
其中偏最小二乘回归在实际应用中得到了较好的效果[15-19]。
3)基于光谱位置(波长)变量的分析技术 它是一种比较间接的方法,考察光谱波长位置的变化量与生物物理、化学参数的关系,如“红边”效应。
“红边”是反射光谱的一阶微分的最大值对应的光谱位置(波长),通常位于680nm至750nm之间。
这种红边位置依据叶绿素含量、生物量、植物年龄、植物生长活力和物候的变化而变化,因而可以提取红边光学参数,进而估计生物化学参数。
例如Curran等[20]用标准一阶导数法(FDS)、深度归一化吸收深度法(BNC)和吸收面积归一化的吸收深度法(BNA)3种方法比较系统地研究了用光谱参数估测干叶片中的生化成分(叶绿素a、叶绿素b、总叶绿素、纤维素、木质素、氮、水、磷、蛋白质、氨基酸、糖、淀粉的积累量)含量;另外还有人利用红边斜率、红边振幅、近红外平台及近红外平台振幅等光谱参数研究与农学参数的相关性[21]。
4)光谱匹配技术 此方法用于实测地物光谱对参考光谱的匹配或地物光谱与光谱数据库的比3096期 王磊,等:基于光谱理论的作物营养诊断研究进展较,以求算它们之间的相似性或差异性。
Meer& Bakker[22]建立了交叉相关光谱匹配技术 考虑了目标光谱和参考光谱之间的相关系数、偏度和相关显著性,提高了光谱分析精度。
5)小波变换技术 研究表明,小波变换在近红外光谱数据的预处理、数据压缩、小波系数的模型传递等方面得到很好的应用,是一项具有良好发展前景的近红外光谱分析技术[23]。