農產業中高光譜遙感的作用
前言：本站為你精心整理了農產業中高光譜遙感的作用范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。
農作物遙感識別是遙感技術在農業領域應用的重要內容,也是資源遙感的重要組成部分。植被光譜不僅具有高度相似性和空間變異性,而且具有時間動態性強等特點。不同植被的光譜隨時間的變化規律也具有明顯的區別,因此充分發揮高光譜遙感的獨特性能,特別是其在區分地表細微差別方面的優勢,同時結合植被的時間動態特征,將大大提高土地覆蓋類型的識別與分類精度。熊楨等基于獲得的常州水稻生長期80波段PHI航空高光譜圖像,利用混合決策樹方法對水稻品種進行了高光譜圖像精細分類,完成了對11種地物(其中6個水稻品種)的劃分,測試樣本的分類精度達到94.9%[7-8]。林文鵬等以中國華北地區冬小麥識別為例,利用MODIS自身光譜信息,即可實現作物遙感全覆蓋自動識別,并可達到較高的精度,比傳統方法認為的冬小麥遙感識別的最佳時間(返青期的3月份)提前約一個季度[9]。劉亮等以北京順義區為研究區域,利用高光譜遙感數據,通過逐級分層分類方法進行農作物信息提取與分類,并對分類圖進行了隨機抽樣檢查,各種農作物的分類精度均達到95%以上[10]。劉良云等利用OMIS圖像的波段20(中心波長為687nm)和波段35(中心波長為853nm)計算了歸一化發射率方法反演得到的試驗區的地物表面溫度(LST),進而在NDVI-LST空間生成了6類典型地物(生長旺盛小麥、較稀疏小麥、池塘水體、淤泥濕地、水草、裸露土壤)的散點圖,并采用最大似然分類算法,根據地物表面溫度和歸一化植被指數,利用上述6類地物樣本,對北京小湯山精細農業示范區的OMIS遙感圖像進行了分類,得到了較好的分類結果[11]。以上研究結果表明,高光譜遙感技術能有效地對作物進行分類和識別,且分類精度較高,這對于大比例尺尺度上研究地表作物覆蓋,提取更加細致的信息提供了有力保障。
2高光譜遙感監測作物葉面積指數、生物量和葉綠素含量
葉面積指數(LAI)通常是指單位面積土地上所有葉片表面積的總和,或單位面積上植物葉片的垂直投影面積總和。它是生態系統的一個重要結構參數,可用來反映植物葉面數量、冠層結構變化、植物群落生命活力及其環境效應,為植物冠層表面物質和能量交換的描述提供結構化的定量信息[12]。葉面積指數與生物量(干重、鮮重)和葉綠素是衡量作物生長狀況的重要指標。如何利用遙感技術實時監測植株葉面積、生物量和葉綠素,對于作物的管理調控及估產具有重要意義。王秀珍等[13]采用單變量線性與非線性擬合模型和逐步回歸分析,建立了水稻LAI的高光譜遙感估算模型,提出高光譜變量與LAI之間的擬合分析中,藍邊內一階微分的總和與紅邊內一階微分總和的比值和歸一化差植被指數是最佳變量。黃春燕等利用棉花不同品種、不同密度冠層關鍵生育時期的反射光譜數據,應用光譜多元統計分析技術與光譜微分處理技術,建立了基于植被指數和歸一化植被指數的5種函數形式的棉花干物質積累估測模型[14]。唐延林等測定了不同品種類型、不同株型、不同發育期的春玉米葉片及其他器官、不同葉位葉片及葉片不同部位的高光譜反射率和葉片葉綠素、類胡蘿卜素含量,提出葉片葉綠素和類胡蘿卜素濃度與光譜植被指數R800/R550、R673/R640、PSSRa、PSNDa、RCh、CARI、λred、Dλred和Sred極顯著相關[15]。吳長山等對早播稻、晚播稻和玉米的多時相群體光譜測量數據和相應的葉片葉綠素密度測量數據進行了相關性分析,結果表明早播稻、晚播稻和玉米的群體光譜反射率數據及其導數光譜數據與葉綠素密度具有很好的相關性[16]。Tumbo等指出玉米V6生長階段的葉綠素水平是其氮含量的重要指示器,利用光譜反射建立的模型可穩定地預測玉米在V6生長階段的葉綠素水平[17]。金震宇等獲取了水稻生育期的光譜反射率數據,并利用SPAD-502葉綠素儀測量對應葉片的葉綠素濃度,對光譜數據和實際測量值進行了相關性分析,發現水稻葉片葉綠素濃度與其光譜反射率具有相關性,且在450~680nm和750~770nm光譜區內相關性較好,在686nm處兩者的相關性最高;水稻葉片的“紅邊”拐點位置波長與其葉綠素濃度具有很強的相關性(復相關系數為0.88)[18]。Shibayama等利用多元回歸方法分析了水稻多時相的可見光、近紅外和中紅外光譜與葉面積指數、干生物量及產量的關系,并研究了水稻冠層的可見光、近紅外和中紅外反射光譜,進而評價水稻的缺水情況,結果表明,其一階導數光譜在960nm處與水稻冠層水分指數具有很高的相關性,可用于指導灌溉作業[19]。由以上研究結果可知,利用高光譜數據可以及時估算及預測作物的生物量、葉面積指數、葉綠素等生理參數。目前,光譜特征正成為實時、快速監測作物長勢的有效手段。
3高光譜遙感監測作物養分及水分狀況
在農作物生產中,水肥是影響作物生長的最主要因素之一。氮磷鉀肥是作物生長和產量形成所必需的重要元素;水分是作物的主要組成成分,水分虧缺將直接影響作物的生理生化過程和形態結構,從而影響作物生長。因此,及時準確地監測作物的水分狀況對提高作物水分管理水平、指導節水農業生產具有重要意義。利用高光譜遙感技術對作物礦質營養和水分脅迫進行監測,進而估算作物的營養和需水狀況,從而指導施肥灌溉,是近年來發展起來的一門新技術。Tomas等研究表明,氮、磷、鉀等元素的缺乏可導致小麥葉綠素含量降低和可見光(400~700nm)及近紅外波段(700~1100nm)光譜反射率增加[20]。唐延林等研究了不同供氮水平下2個水稻品種冠層、主莖葉片在不同發育期的高光譜反射率及對應的葉綠素、類胡蘿卜素含量,結果表明,不同供氮水平的水稻冠層和葉片光譜差異明顯,其光譜反射率隨供氮水平的提高在可見光范圍內降低,在近紅外區域增高[21]。馮偉等研究了小麥葉片氮積累與冠層高光譜參數的定量關系,結果表明,冠層葉片氮積累量隨著施氮水平的提高而增加,光譜反射率在不同葉片氮積累水平下發生相應變化[22]。黃春燕等利用非成像高光譜儀,獲取棉花不同品種、不同密度冠層關鍵生育時期的反射光譜數據,并應用光譜多元統計分析技術對光譜數據進行了分析計算,結果表明,基于高光譜數據的棉花冠層葉綠素密度的遙感估測可間接用于棉花冠層葉片氮積累量的監測研究[23]。吳華兵等分析了不同施氮水平下不同棉花品種葉片氮積累量與冠層反射光譜的定量關系,建立了棉花葉片氮積累量的敏感光譜參數及預測方程,結果顯示,棉花葉片氮積累量和冠層高光譜反射率均隨施氮水平的變化而變化[24]。Milton等通過水培試驗發現大豆缺磷導致紅、黃波段的反射率增加,且無紅移現象發生[25]。王珂等研究表明,580~710nm和750~950nm波段可作為檢測水稻鉀營養水平的冠層光譜敏感波段[26]。谷艷芳等測定了不同水分脅迫下冬小麥的高光譜反射率和紅邊參數,結果表明,不同水分處理下冬小麥高光譜反射率具有綠色植物特征[27]。Ramalingam等利用多光譜圖像傳感器對葉面水分進行了測量,獲得了可見光(400~700nm)、短波近紅外(700~1300nm)和近紅外(1300~2500nm)區域的葉面反射光譜,并采用光譜背景補償技術提高了葉面水分的預測精度[28]。其研究發現,可見光、近紅外區域受背景影響較小,而短波近紅外區域受背景影響較大。孫莉等分析了水分脅迫下新疆北部地區棉花冠層關鍵生育期的高光譜數據,結果表明,紅邊位移現象結合紅邊幅度變化可用于診斷棉花水分脅迫,其關鍵是建立相應合理的診斷指標體系[29]。以上大量研究結果表明,利用高光譜遙感技術可以對作物的營養狀況和水分含量進行比較準確的分析和檢測,為變量施肥和灌溉提供參考,從而節省農業資源的投入。高光譜養分和水分診斷模型在農業生產中具有較高的應用價值和廣闊的應用前景。
4農作物長勢監測和估產
高光譜遙感的超多波段(幾十、上百個)和高分辨率(3~20nm)使其可用于探測植被的精細光譜信息(特別是植被各種生化組分的吸收光譜信息),反演植被各生化組分的含量,監測植被的生長狀況。另外,還可通過高光譜信息監測植物病蟲害。植物病蟲害監測是通過監測葉片的生物化學成分來實現的,病蟲害感染導致葉片葉肉細胞的結構發生變化,進而使葉片的光譜反射率發生變化。MinghuaZhang等研究了西紅柿在晚疫病脅迫下的葉片光譜反射率,結果表明,近紅外區域,特別是0•7~1.3μm對病蟲害的反應比可見光波段更敏感,健康植物和受病蟲害影響的植物可見光波段光譜反射率僅相差1•19%,而近紅外波段兩者光譜反射率差值達到10%[30]。蔡成靜等研究發現,同種健康小麥和發生條銹病的小麥植株(包括病害處于潛伏期的植株)的光譜特征存在明顯差異,而這些差異主要體現在某個或某幾個光的光譜吸收帶上[31]。同時,蔡成靜等對不同病情指數下小麥冠層的光譜進行了研究,發現小麥條銹病冠層反射率隨小麥病情指數的變化呈明顯而有規律的變化[31]。喬紅波等分析了不同嚴重度小麥白粉病冠層光譜反射率及病情指數,結果表明,灌漿期地面光譜測量冠層光譜反射率和低空遙感數字圖像反射率與小麥白粉病病情指數存在顯著的相關關系[32]。喬紅波等研究了發病小麥冠層的高光譜遙感數據特征,獲得了近地和對應高空2個不同平臺的光譜數據,經比較分析,發現高空獲得的光譜反射率在可見光譜區域明顯大于近地獲得的光譜反射率[33]。吳彤等利用地面高光譜數據,分析和比較了正常生長蘆葦和受蝗蟲危害蘆葦的冠層反射光譜和高光譜特征,并建立了高光譜特征參數與蘆葦葉面積指數(LAI)的關系模型,結果表明,蟲害光譜指數(DSI)最能反映研究區蘆葦受蝗蟲危害的程度[33]。利用遙感信息進行作物估產是利用某種植被指數在作物生長發育關鍵期內的和與產量的實測或統計數據間建立的各種形式的相關方程來實現的,如目前單產估算應用較多的是回歸分析法,其基本原理為:y=b0+b1x1+b2x2+b3x3+…+bixi+e式中,y為作物產量;xi為經過平滑的光譜反射率或NDVI指數[34]。唐延林等結合水稻的生長發育規律,對水稻抽穗后冠層、葉片和穗進行了高光譜反射率測定,根據光譜曲線特征構建了新的高光譜植被指數,利用相關分析方法分析水稻理論產量和實際產量與這些植被指數及冠層紅邊參數的相關關系,建立了水稻高光譜單產估算模型[35]。白麗等結合棉花生長發育規律,對棉花各時期冠層的高光譜反射率進行了測定,并根據光譜曲線特征構建了高光譜植被指數,基于棉花盛蕾期至吐絮后期7次地面光譜和產量測定,對光譜反射率與產量進行了統計分析,結果表明,各生育期可見光波段、近紅外波段及短波紅外波段光譜反射率與產量分別呈顯著負相關、顯著正相關與顯著負相關,在此基礎上建立了棉花高光譜估算模型[36]。從上述研究結果可知,利用高光譜遙感技術可以快速、簡便、大面積、無破壞、客觀地監測作物的長勢并對作物進行估產,高光譜遙感技術在生產中具有良好的應用前景,是農作物長勢監測和估產的主要發展方向。
5問題和展望
利用高光譜遙感技術獲取作物的相關信息是探測作物營養狀態和長勢信息的有效手段,但從目前國內外研究情況來看,很多研究仍停留在前期階段,很多問題尚需解決。
(1)目前,高光譜遙感在農業生產上的應用主要集中在作物個體生長狀況與作物葉片光譜關系的研究上,對作物群體的高光譜研究很少,因此高光譜遙感還不能在農業生產中大量應用。
(2)由于作物生長環境的復雜性,遙感成像過程帶來的同物異譜、同譜異物現象非常普遍。這是長期困擾遙感應用的一大問題,解決此問題是高光譜遙感廣泛應用于農業生產的關鍵。
(3)利用高光譜遙感技術對作物生長信息進行監測,主要是獲取作物的葉片結構、水分含量和生物化學物質濃度等信息,而不能獲取作物高度、葉片分布情況等與作物生長發育相關的可視物理信息。
(4)目前所建立的高光譜遙感估算模型一般都受植被類型、農作物品種、生育階段、生長條件及測量環境等諸多因素的影響,只適用于特殊的條件。高光譜遙感是一門極具發展潛力的集新型探測技術、精密光學機械、高速信號處理技術、計算機處理技術為一體的多學科綜合性應用技術。隨著現代科學的不斷發展,特別是現代航空技術、攝影技術和計算機技術的不斷發展,高光譜遙感技術必將得到長足的發展,該技術與“GPS”和“GIS”相結合,在農業生產中將具有更廣闊的應用前景。
