农产业中高光谱遥感的作用
前言：本站为你精心整理了农产业中高光谱遥感的作用范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。
农作物遥感识别是遥感技术在农业领域应用的重要内容,也是资源遥感的重要组成部分。植被光谱不仅具有高度相似性和空间变异性,而且具有时间动态性强等特点。不同植被的光谱随时间的变化规律也具有明显的区别,因此充分发挥高光谱遥感的独特性能,特别是其在区分地表细微差别方面的优势,同时结合植被的时间动态特征,将大大提高土地覆盖类型的识别与分类精度。熊桢等基于获得的常州水稻生长期80波段PHI航空高光谱图像,利用混合决策树方法对水稻品种进行了高光谱图像精细分类,完成了对11种地物(其中6个水稻品种)的划分,测试样本的分类精度达到94.9%[7-8]。林文鹏等以中国华北地区冬小麦识别为例,利用MODIS自身光谱信息,即可实现作物遥感全覆盖自动识别,并可达到较高的精度,比传统方法认为的冬小麦遥感识别的最佳时间(返青期的3月份)提前约一个季度[9]。刘亮等以北京顺义区为研究区域,利用高光谱遥感数据,通过逐级分层分类方法进行农作物信息提取与分类,并对分类图进行了随机抽样检查,各种农作物的分类精度均达到95%以上[10]。刘良云等利用OMIS图像的波段20(中心波长为687nm)和波段35(中心波长为853nm)计算了归一化发射率方法反演得到的试验区的地物表面温度(LST),进而在NDVI-LST空间生成了6类典型地物(生长旺盛小麦、较稀疏小麦、池塘水体、淤泥湿地、水草、裸露土壤)的散点图,并采用最大似然分类算法,根据地物表面温度和归一化植被指数,利用上述6类地物样本,对北京小汤山精细农业示范区的OMIS遥感图像进行了分类,得到了较好的分类结果[11]。以上研究结果表明,高光谱遥感技术能有效地对作物进行分类和识别,且分类精度较高,这对于大比例尺尺度上研究地表作物覆盖,提取更加细致的信息提供了有力保障。
2高光谱遥感监测作物叶面积指数、生物量和叶绿素含量
叶面积指数(LAI)通常是指单位面积土地上所有叶片表面积的总和,或单位面积上植物叶片的垂直投影面积总和。它是生态系统的一个重要结构参数,可用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息[12]。叶面积指数与生物量(干重、鲜重)和叶绿素是衡量作物生长状况的重要指标。如何利用遥感技术实时监测植株叶面积、生物量和叶绿素,对于作物的管理调控及估产具有重要意义。王秀珍等[13]采用单变量线性与非线性拟合模型和逐步回归分析,建立了水稻LAI的高光谱遥感估算模型,提出高光谱变量与LAI之间的拟合分析中,蓝边内一阶微分的总和与红边内一阶微分总和的比值和归一化差植被指数是最佳变量。黄春燕等利用棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术与光谱微分处理技术,建立了基于植被指数和归一化植被指数的5种函数形式的棉花干物质积累估测模型[14]。唐延林等测定了不同品种类型、不同株型、不同发育期的春玉米叶片及其他器官、不同叶位叶片及叶片不同部位的高光谱反射率和叶片叶绿素、类胡萝卜素含量,提出叶片叶绿素和类胡萝卜素浓度与光谱植被指数R800/R550、R673/R640、PSSRa、PSNDa、RCh、CARI、λred、Dλred和Sred极显著相关[15]。吴长山等对早播稻、晚播稻和玉米的多时相群体光谱测量数据和相应的叶片叶绿素密度测量数据进行了相关性分析,结果表明早播稻、晚播稻和玉米的群体光谱反射率数据及其导数光谱数据与叶绿素密度具有很好的相关性[16]。Tumbo等指出玉米V6生长阶段的叶绿素水平是其氮含量的重要指示器,利用光谱反射建立的模型可稳定地预测玉米在V6生长阶段的叶绿素水平[17]。金震宇等获取了水稻生育期的光谱反射率数据,并利用SPAD-502叶绿素仪测量对应叶片的叶绿素浓度,对光谱数据和实际测量值进行了相关性分析,发现水稻叶片叶绿素浓度与其光谱反射率具有相关性,且在450~680nm和750~770nm光谱区内相关性较好,在686nm处两者的相关性最高;水稻叶片的“红边”拐点位置波长与其叶绿素浓度具有很强的相关性(复相关系数为0.88)[18]。Shibayama等利用多元回归方法分析了水稻多时相的可见光、近红外和中红外光谱与叶面积指数、干生物量及产量的关系,并研究了水稻冠层的可见光、近红外和中红外反射光谱,进而评价水稻的缺水情况,结果表明,其一阶导数光谱在960nm处与水稻冠层水分指数具有很高的相关性,可用于指导灌溉作业[19]。由以上研究结果可知,利用高光谱数据可以及时估算及预测作物的生物量、叶面积指数、叶绿素等生理参数。目前,光谱特征正成为实时、快速监测作物长势的有效手段。
3高光谱遥感监测作物养分及水分状况
在农作物生产中,水肥是影响作物生长的最主要因素之一。氮磷钾肥是作物生长和产量形成所必需的重要元素;水分是作物的主要组成成分,水分亏缺将直接影响作物的生理生化过程和形态结构,从而影响作物生长。因此,及时准确地监测作物的水分状况对提高作物水分管理水平、指导节水农业生产具有重要意义。利用高光谱遥感技术对作物矿质营养和水分胁迫进行监测,进而估算作物的营养和需水状况,从而指导施肥灌溉,是近年来发展起来的一门新技术。Tomas等研究表明,氮、磷、钾等元素的缺乏可导致小麦叶绿素含量降低和可见光(400~700nm)及近红外波段(700~1100nm)光谱反射率增加[20]。唐延林等研究了不同供氮水平下2个水稻品种冠层、主茎叶片在不同发育期的高光谱反射率及对应的叶绿素、类胡萝卜素含量,结果表明,不同供氮水平的水稻冠层和叶片光谱差异明显,其光谱反射率随供氮水平的提高在可见光范围内降低,在近红外区域增高[21]。冯伟等研究了小麦叶片氮积累与冠层高光谱参数的定量关系,结果表明,冠层叶片氮积累量随着施氮水平的提高而增加,光谱反射率在不同叶片氮积累水平下发生相应变化[22]。黄春燕等利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,并应用光谱多元统计分析技术对光谱数据进行了分析计算,结果表明,基于高光谱数据的棉花冠层叶绿素密度的遥感估测可间接用于棉花冠层叶片氮积累量的监测研究[23]。吴华兵等分析了不同施氮水平下不同棉花品种叶片氮积累量与冠层反射光谱的定量关系,建立了棉花叶片氮积累量的敏感光谱参数及预测方程,结果显示,棉花叶片氮积累量和冠层高光谱反射率均随施氮水平的变化而变化[24]。Milton等通过水培试验发现大豆缺磷导致红、黄波段的反射率增加,且无红移现象发生[25]。王珂等研究表明,580~710nm和750~950nm波段可作为检测水稻钾营养水平的冠层光谱敏感波段[26]。谷艳芳等测定了不同水分胁迫下冬小麦的高光谱反射率和红边参数,结果表明,不同水分处理下冬小麦高光谱反射率具有绿色植物特征[27]。Ramalingam等利用多光谱图像传感器对叶面水分进行了测量,获得了可见光(400~700nm)、短波近红外(700~1300nm)和近红外(1300~2500nm)区域的叶面反射光谱,并采用光谱背景补偿技术提高了叶面水分的预测精度[28]。其研究发现,可见光、近红外区域受背景影响较小,而短波近红外区域受背景影响较大。孙莉等分析了水分胁迫下新疆北部地区棉花冠层关键生育期的高光谱数据,结果表明,红边位移现象结合红边幅度变化可用于诊断棉花水分胁迫,其关键是建立相应合理的诊断指标体系[29]。以上大量研究结果表明,利用高光谱遥感技术可以对作物的营养状况和水分含量进行比较准确的分析和检测,为变量施肥和灌溉提供参考,从而节省农业资源的投入。高光谱养分和水分诊断模型在农业生产中具有较高的应用价值和广阔的应用前景。
4农作物长势监测和估产
高光谱遥感的超多波段(几十、上百个)和高分辨率(3~20nm)使其可用于探测植被的精细光谱信息(特别是植被各种生化组分的吸收光谱信息),反演植被各生化组分的含量,监测植被的生长状况。另外,还可通过高光谱信息监测植物病虫害。植物病虫害监测是通过监测叶片的生物化学成分来实现的,病虫害感染导致叶片叶肉细胞的结构发生变化,进而使叶片的光谱反射率发生变化。MinghuaZhang等研究了西红柿在晚疫病胁迫下的叶片光谱反射率,结果表明,近红外区域,特别是0•7~1.3μm对病虫害的反应比可见光波段更敏感,健康植物和受病虫害影响的植物可见光波段光谱反射率仅相差1•19%,而近红外波段两者光谱反射率差值达到10%[30]。蔡成静等研究发现,同种健康小麦和发生条锈病的小麦植株(包括病害处于潜伏期的植株)的光谱特征存在明显差异,而这些差异主要体现在某个或某几个光的光谱吸收带上[31]。同时,蔡成静等对不同病情指数下小麦冠层的光谱进行了研究,发现小麦条锈病冠层反射率随小麦病情指数的变化呈明显而有规律的变化[31]。乔红波等分析了不同严重度小麦白粉病冠层光谱反射率及病情指数,结果表明,灌浆期地面光谱测量冠层光谱反射率和低空遥感数字图像反射率与小麦白粉病病情指数存在显著的相关关系[32]。乔红波等研究了发病小麦冠层的高光谱遥感数据特征,获得了近地和对应高空2个不同平台的光谱数据,经比较分析,发现高空获得的光谱反射率在可见光谱区域明显大于近地获得的光谱反射率[33]。吴彤等利用地面高光谱数据,分析和比较了正常生长芦苇和受蝗虫危害芦苇的冠层反射光谱和高光谱特征,并建立了高光谱特征参数与芦苇叶面积指数(LAI)的关系模型,结果表明,虫害光谱指数(DSI)最能反映研究区芦苇受蝗虫危害的程度[33]。利用遥感信息进行作物估产是利用某种植被指数在作物生长发育关键期内的和与产量的实测或统计数据间建立的各种形式的相关方程来实现的,如目前单产估算应用较多的是回归分析法,其基本原理为:y=b0+b1x1+b2x2+b3x3+…+bixi+e式中,y为作物产量;xi为经过平滑的光谱反射率或NDVI指数[34]。唐延林等结合水稻的生长发育规律,对水稻抽穗后冠层、叶片和穗进行了高光谱反射率测定,根据光谱曲线特征构建了新的高光谱植被指数,利用相关分析方法分析水稻理论产量和实际产量与这些植被指数及冠层红边参数的相关关系,建立了水稻高光谱单产估算模型[35]。白丽等结合棉花生长发育规律,对棉花各时期冠层的高光谱反射率进行了测定,并根据光谱曲线特征构建了高光谱植被指数,基于棉花盛蕾期至吐絮后期7次地面光谱和产量测定,对光谱反射率与产量进行了统计分析,结果表明,各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量分别呈显著负相关、显著正相关与显著负相关,在此基础上建立了棉花高光谱估算模型[36]。从上述研究结果可知,利用高光谱遥感技术可以快速、简便、大面积、无破坏、客观地监测作物的长势并对作物进行估产,高光谱遥感技术在生产中具有良好的应用前景,是农作物长势监测和估产的主要发展方向。
5问题和展望
利用高光谱遥感技术获取作物的相关信息是探测作物营养状态和长势信息的有效手段,但从目前国内外研究情况来看,很多研究仍停留在前期阶段,很多问题尚需解决。
(1)目前,高光谱遥感在农业生产上的应用主要集中在作物个体生长状况与作物叶片光谱关系的研究上,对作物群体的高光谱研究很少,因此高光谱遥感还不能在农业生产中大量应用。
(2)由于作物生长环境的复杂性,遥感成像过程带来的同物异谱、同谱异物现象非常普遍。这是长期困扰遥感应用的一大问题,解决此问题是高光谱遥感广泛应用于农业生产的关键。
(3)利用高光谱遥感技术对作物生长信息进行监测,主要是获取作物的叶片结构、水分含量和生物化学物质浓度等信息,而不能获取作物高度、叶片分布情况等与作物生长发育相关的可视物理信息。
(4)目前所建立的高光谱遥感估算模型一般都受植被类型、农作物品种、生育阶段、生长条件及测量环境等诸多因素的影响,只适用于特殊的条件。高光谱遥感是一门极具发展潜力的集新型探测技术、精密光学机械、高速信号处理技术、计算机处理技术为一体的多学科综合性应用技术。随着现代科学的不断发展,特别是现代航空技术、摄影技术和计算机技术的不断发展,高光谱遥感技术必将得到长足的发展,该技术与“GPS”和“GIS”相结合,在农业生产中将具有更广阔的应用前景。
