聚焦农业遥感领域，高光谱技术有哪些突破进展（上）

随着高光谱遥感技术的迅速发展，它已经能够准确、快速地提供各种地面遥感数据。农业遥感要求农业资源监测应用和管理有效地结合起来，这就要求在作物长势监测、灾害预测、产量估产以及精准农业管理等方面有更好和更高精度的技术，高光谱遥感技术在很大程度上正好满足了该技术的需求。目前，高光谱遥感技术在农业遥感应用中的研究取得了较大进展，主要研究包括以下7个方面：

(1)作物叶片光谱特征研究；

(2)作物分类与识别；

(3)作物生态物理参数反演与提取；

(4)作物养分诊断与监测研究；

(5)作物长势监测与产量预测；

(6)农业遥感信息模型研究；

(7)农业灾害监测。

01  作物叶片光谱特征研究

作物的叶片光谱特征与作物生长状况有直接的关系，包括光谱反射率变化对作物化学组分敏感性变化、土壤水分胁迫下与正常条件下作物光谱特征变化对作物生长状况的影响、作物光谱中红边位置与作物叶绿素含量之间关系等。

方慧等[1] 针对油菜叶片光谱变化特征进行分析，建立了基于红边和绿峰位置的叶绿素定量分析模型，对农作物长势信息提取提供了较好的借鉴作用。作物叶片光谱特征研究对于应用高光谱遥感技术监测作物病虫害，以及了解农田养分供应状况，采取有效增肥措施和加强农田管理具有积极意义。

02  作物分类与识别

农业遥感应用中，作物精准分类与识别是进行农业灾害监测和产量评估的重要环节。多时相高光谱数据能区分作物更细微的光谱差异，探测作物在更窄波段范围内的变化，从而能够准确地对作物进行详细分类与信息提取[2]。

目前最流.行、应用最广的高光谱作物分类方法有光谱角分类、决策树分层分类等。

03  作物生态物理参数反演与提取

作物生态物理参数主要包括作物水分、叶绿素含量等表征农学信息的参量。目前，高光谱遥感数据反演与提取作物生态物理参数主要有3类方法：①利用多元回归方法建立高光谱数据（原始反射率、光谱微分等）与作物农学信息参数之间的关系；②构建基于光谱特征的光谱指数与作物含水量等农学信息之间的经验方程。③建立物理模型来反演与提取作物参数。

以高光谱进行作物水分反演为例，作物水分胁迫状况能够在光谱反射率数据中体现出来，这是高光谱遥感反演与提取作物水分的理论基础。例如，田庆久等[4]研究了小麦叶片水分含量与光谱反射率在1450nm附近水的特征吸收峰深度和面积之间的关系是正相关，得出了利用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。

目前作物水分反演方法主要有2种：①利用遥感反演的生态物理参数（如叶绿素含量）与作物含水量建立关联关系。一般讲，作物叶绿素与含水量存在正比关系。②建立作物冠层温度变化与作物含水量的关系。

04  作物养分诊断与监测研究

作物养分主要包括氮、磷、钾等元素，如果缺乏会导致作物光合作用能力和产量降低。近20年来，利用遥感进行作物养分（尤其是氮）实时监测和快速诊断一直是农业应用研究的热点。作物氮、磷、钾等含量的变化会引起作物叶片生理和形态结构变化，造成作物光谱反射特性变化，这是高光谱遥感获取作物养分信息的理论依据。

作物养分高光谱诊断与监测方法主要包括：①多元统计回归方法诊断作物养分含量。这种方法的前提条件是作物叶片光谱是作物中各养分的加权吸收特性之和。许多研究证明：作物反射与氮积累量之间相关性非常显著，可以采用逐步回归方法分析作物氮的含量。赵春江等[5]对小麦叶片全氮含量与红边特征的相关性分析表明，叶片全氮与红边振幅及近红外平台振幅间在全生育期均呈现为线性正相关趋势。Jain等[6]利用高光谱数据和实测数据对马铃薯氮含量与特定波段比值(R750/R710)建立回归模型，两者相关系数达到0.7以上，波谱特征比值对养分变化较敏感。

以上大量研究表明，高光谱遥感技术可以对作物的养分进行准确诊断和监测，为变量施肥提供了依据，可以节省农业资源投入。高光谱养分诊断与监测模型在生产中有较高的应用价值和广阔的应用前景。

文章参考内容来源于网络及发表文献及图书，部分参考文献陈列于文章末尾，其余内容如有侵权，请及时联系我们予以删除。

参考文献

[1] 方慧, 宋海燕, 曹芳, 等．油菜叶片的光谱特征与叶绿素含量之间的关系研究[J]. 光谱学与光谱分析, 2007, 27(9): 1731-1734．

[2] 唐延林, 黄敬峰．农业高光谱遥感研究的现状与发展趋势[J]. 遥感技术与应用, 2001, 16(4)：248-251．

[3] 张丰, 熊桢, 寇宁. 高光谱遥感数据用于水稻精细分类研究[J]．武汉理工大学报, 2002, 24(10): 36-46．

[4] 田庆久, 宫鹏, 赵春江, 等. 用光谱反射率诊断小麦水分状况的可行性分析[J]．科学通报，2000，45(24)：2645-2650．

[5] 赵春江, 黄文江, 王纪华, 等．不同品种、肥水条件下冬小麦光谱红边参数研究[J]．中国农业科学, 2002, 35(8)：980-987．

[6] Jain N, Ray S S, Singh J P, et al. Use of hyperspectral data to assess the effects of different nitrogen applications on a potato crop[J]. Precision Agriculture, 2007, 8(4-5)：225-239．