摘 要：高光谱遥感农业研究已经逐渐成为现代农业研究中的重点，高光谱遥感影像具有光谱连续、波段多以及数据量大等特点，可为现代农业研究提供精准的技术手段。文章以农作物监测为视角，概述了高光谱遥感影像的特点，对高光谱遥感技术在农作物监测中的应用进行了详细的描述，包括农作物种类监测、氮素监测、叶绿素监测、病虫害监测以及重金属监测五个方面。
关键字：现代农业研究；农作物监测；高光谱遥感
中图分类号：S5-3 文献标志码：A 文章编号：2095-2945（2018）01-0147-03
Abstract： Hyperspectral remote sensing agricultural research has gradually become the focus of modern agricultural research. Hyperspectral remote sensing images have the characteristics of spectral continuity， multi-band and large amount of data. It can provide precise technical means for modern agricultural research. In this paper， the characteristics of hyperspectral remote sensing images are summarized from the perspective of crop monitoring， and the application of hyperspectral remote sensing technology in crop monitoring is described in detail. It includes five aspects： crop species monitoring， nitrogen monitoring， chlorophyll monitoring， pest and disease monitoring and heavy metal monitoring.
Keywords： modern agriculture research； crop monitoring； hyperspectral remote sensing
引言
20世纪80年代初，人们开始运用遥感技术对农作物进行监测，随着遥感技术的飞速发展以及对地观测手段的不断进步，高光谱遥感技术所具有的光谱分辨率高，波段多，数据量大等特点，使其在地表物质的监测、识别和分类、有用信息的提取等方面具有很大优势。在这四十余年的发展中，尤其是“现代精细化农业”的提出，使得这一技术在农作物监测中得到了广泛的应用。
高光谱遥感数据包含了农作物的空间信息、波谱信息和辐射信息，其“图谱合一”的特性（如图1）使其可以对农作物进行氮素、叶绿素以及病虫害等监测。农作物的空间信息主要体现在不同作物类别之间，不同农作物对光的吸收和反射不同使其在遥感图像上呈现出不同的特征。波谱信息常用波谱曲线来表示，不同农作物具有不同的波谱曲线波形，相同的农作物具有相近的波谱曲线波形，根据这一特征可以精细地对农作物的類别进行划分。辐射信息主要表现在农作物对光辐射能量的吸收和反射作用，不同农作物对红外线或紫外线的吸收和反射不同，根据这一特征可对农作物进行强有力的监测，监测其水分、营养物质等的吸收和利用[1]。
1 农作物种类监测
农作物种类监测是遥感技术在农业领域应用的重要内容，农作物种类监测也称为农作物种类分类监测，其原理是根据不同植被光谱的高度相似性和空间变异性等特点，对农作物的种类以及长势进行划分。高光谱遥感影像精确的波谱特征可以探测到多光谱遥感影像探测不到的信息，因此，充分发挥高光谱遥感影像的性能，可对地表农作物的细微差别进行识别与分类，能够大大提高土地覆盖类型的识别与分类精度。
2 农作物氮素监测
氮素通常是农作物生长发育过程中最活跃的元素，也是农作物进行营养监测的标志性元素。农作物氮素监测研究于19世纪问世以后，先后经历了外观形态监测法、化学监测法以及现代高科技技术监测法三个阶段，其中，现代高科技技术监测法最主要的技术手段就是高光谱遥感技术。
农作物氮素含量的高低对其叶面积指数，蛋白质含量，植物覆盖度以及生物量等均有显著影响。农作物内部结构和表面特性的不同使得其对不同光谱通道内电磁波的吸收和反射是不同的，因此，可以利用农作物的光谱特征对其氮素含量进行监测，进而实现农作物生长状况和产量的动态监测。以水稻为例，当其缺少氮素时水稻植株会发生叶片异化变黄甚至产生红斑等现象，进而影像水稻的生长速度，当氮素含量过多时，水稻植株会疯长且叶片颜色深绿，会导致贪青晚熟的现象发生。运用高光谱遥感数据建立多元回归模型，对水稻冠层处的光谱进行研究可知，当叶片氮素含量不同时，在近红外光谱通道内光谱特征也有着较大的差异[2]。对玉米进行氮素监测可知550-700nm光谱通道内为氮素敏感区域且550nm左右光谱通道内的反射率能够反映玉米氮素处理间的差异。运用田间甜菜冠层高光谱数据，对其氮素含量和植被指数进行估算并建立氮素含量估算模型，可以实现对甜菜整个生长期的氮素动态监测[3]。因此，氮素监测是农作物研究中必不可少的部分。
3 农作物叶绿素的监测
叶绿素是农作物进行光合作用的主要色素，可吸收可见光光谱通道内的能量[4]，因此，叶绿素在可见光光谱通道内（380-740nm）的反射光谱表现为：蓝光和红光的大部分为叶绿素所吸收，即400-450nm和650-700nm光谱通道内为叶绿素的强吸收带，并消耗于植物的光合作用，绿光大部分为叶绿素所反射，即550nm光谱通道附近为叶绿素的强反射峰区，也是健康的植物呈现绿色的原因[5]。如图所示为绿色植物有效光谱响应特征图。
运用高光谱遥感技术进行农作物叶绿素监测是研究农作物长势与生物量常用的技术手段，高光谱遥感影像可以反映农作物的“红边”特性，红边是红光和近红外范围内的植被反射光谱曲线斜率最大处对应的光谱通道。很多研究表明，红边和作物叶绿素含量具有很好的相关性。早在1989年Curran等[6]就利用CASI数据对叶绿素与红边位置进行研究分析并建立回归方程，证实了农作物“红边”位置与叶绿素密度之间的密切关系：叶绿素浓度越高， 红光光谱通道内叶绿素的吸收效果越好，即植物的光和作用质量越高。除此之外，以农作物为研究对象，高光谱遥感技术为手段，利用各种数学方法还可以建立各种叶绿素含量估算模型[7]，如吕杰[8]等运用粒子群优化算法和支持向量机建立了玉米叶绿素含量估算模型。
4 农作物病虫害监测
病虫害是农作物生长过程中不可避免的自然灾害，对其控制或处理不当，会造成严重的经济损失，因此，对于精细化农业的可持续发展有着显著影响。国外农作物研究员在20世纪80年代就开始利用高光谱遥感技术对各种农作物进行病虫害研究[9]，而国内的研究则起步较晚，在20世纪末才开始相关技术的研究。
以玉米为研究对象，感染各种病虫害的玉米叶片同健康植株相比，在光谱特征上具有细微的差别，如矮花叶病毒的玉米叶片同健康植株相比，在近红外光谱通道内呈现出不同的波谱特征，根据这些波谱特征就可以判断玉米是否感染矮花叶病毒及其感染情况。以小麦为研究对象，小麦锈病是影响小麦产量的直接因素，运用高光谱遥感影像以及数学手段对小麦估产模型进行研究，可精确的估算小麦的产量以及小麦锈病所引起的产量损失。
5 农作物重金属监测
随着我国农业的快速发展，农田重金属污染逐渐成为当今世界面临的重大生态环境问题之一，粮食安全和人类生存问题息息相关，因此，如何准确、高效地进行土壤重金属污染研究和处理是农业研究普遍关注的课题之一。农作物中的重金属含量与其土壤中元素含量的高低有着直接关系，人类活动产生的大量含有害重金属危害着全球土壤环境，使得土壤中重金属含量明显高于自然背景值，形成土壤重金属污染，进而导致农作物中的重金属含量超标。
运用高光谱遥感影像进行农作物重金属检测，主要依据重金属对植物生物物理结构的“破坏”作用，导致植物内部结构发生变化，进而使其在高光谱遥感影像上会呈现出不同的光谱特征。如Wu等[11]对南京城郊农田进行研究，发现土壤内重金属Ni、Cu和Cr的含量与Fe有着密切关系，并依此建立了反演模型，利用反射光谱成功的估算了长江冲积岛八卦洲内土壤中的这三种重金属元素的含量，认为土壤中的重金属元素与土壤铁元素之间的反射光谱在植物反射光谱上呈正相关关系。J Wang等[12]利用偏最小二乘回归与遗传算法，构建了土壤重金属估算模型，该模型对土壤内重金属铅、锌、铜有很精确的估算效果，进而反映出植物内的重金属含量，在中国宜兴地区取得了非常不错的效果。
6 结束语
农作物生长受农作物品种、地域、土壤、气候以及栽培管理等因素的影响，在大面积农作物种植区域实现人工动态监测是非常困难的，运用高光谱遥感技术则可以实现对农作物各项指标的监测。因此，运用高光谱遥感影像对农作物进行监测是现代化农业以及未来精准农业的发展趋势。
参考文献：
[1]谭雨蕾.基于特征度量的高光谱遥感影像波段选择方法研究[D].吉林大学，2017.
[2]李永梅，张学俭，张立根.水稻氮素高光谱遥感估测模型研究[J].江苏农业科学，2016，44（8）：435-439.
[3]李哲，田海清，王辉，等.基于高光谱的甜菜冠层氮素遥感估算研究[J].农机化研究，2016，38（6）：210-214。
[4]Chappelle E W， Kim M S， McMurtrey J E. Ratio analysis of reflectance spectra （PARS）： an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J]. Remote Sensing of Environment， 1992，39（3）：239-247.
[5]宫兆宁，赵雅莉，赵文吉，等.基于光谱指数的植物叶片叶绿素含量的估算模型[J].生态学报，2014，34（20）：5737-5745.
[6]Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment， 1989，30（3）：271-278.
[7]Daughtry， C.S.T.， Walthall， C.L.， Kim， M.S. Brown. Estimating corn leaf chlorophyll coneentration from leaf and canopy reflectance[J]. Remote sensing of Environment， 2002，74（2）：229-239.
[8]吕杰，汪康宁，李崇贵，等.基于高光谱遥感的玉米叶绿素含量估测模型[J].中国矿业大学学报，2016，45（2）：405-410.
[9]马菁，张学俭.枸杞病虫害遥感近地高光谱特征研究[J].广东农业科学，2015，42（13）：165-172.
[10]贺军亮，张淑媛，查勇，等.高光谱遥感反演土壤重金属含量研究进展[J].遥感技术與应用，2015，30（3）：407-412.
[11]J Wang， L Cui， W Gao， et al. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J].Geoderma， 2014，216（4）：1-9.