作物冠层光谱的获取和应用研究进展

㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种 图－谱 融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇ ｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄ ｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。

植被光能利用率研究进展一、概述植被光能利用率作为评估植被生产力及生态系统健康状况的关键指标，近年来已成为生态学、农业科学、遥感技术等领域的研究热点。

其定义为植被通过光合作用将所截获或吸收的光能转化为有机碳的效率，不仅反映了植物对光能的利用能力，也是评估生态系统碳收支和全球气候变化影响的重要依据。

随着全球气候变化和人类活动对自然生态系统的干扰日益加剧，植被光能利用率的研究显得尤为重要。

通过对光能利用率的深入研究，可以揭示植被生产力的形成机制，为农业生产提供科学依据，同时也为生态系统的保护和恢复提供理论支持。

传统的光能利用率研究方法主要包括生物量收获法和涡度相关技术。

这些方法在时间和空间尺度上存在一定的局限性，难以满足大范围、长时间序列的监测需求。

遥感技术的应用为光能利用率的研究提供了新的手段。

通过遥感技术，可以实现对植被生长状态、光合作用活性等信息的实时监测和获取，为光能利用率的研究提供了更为丰富和准确的数据支持。

随着遥感技术的不断发展和完善，光能利用率的研究取得了显著的进展。

研究者们通过结合不同遥感数据源和模型方法，提高了光能利用率的估算精度和可靠性；另一方面，光能利用率的研究也逐步从单一的生态学领域扩展到农业、林业、气候学等多个领域，为不同领域的研究提供了有益的参考和借鉴。

尽管光能利用率的研究取得了重要进展，但仍存在一些问题和挑战。

不同植被类型、不同环境条件下的光能利用率差异显著，如何建立更为普适和精准的光能利用率估算模型仍是一个亟待解决的问题。

随着全球气候变化的加剧和人类活动的不断扩展，植被生态系统的结构和功能也在发生变化，这对光能利用率的研究提出了新的挑战和机遇。

植被光能利用率研究具有重要的理论意义和实际应用价值。

随着遥感技术的不断进步和生态学、农业科学等领域研究的深入发展，相信光能利用率的研究将取得更为丰硕的成果，为生态系统的保护和人类社会的可持续发展做出更大的贡献。

1. 光能利用率的概念与意义光能利用率，作为表征植物固定太阳能效率的关键指标，是指植物通过光合作用将所截获与吸收的光能转化为有机干物质的效率。

光谱及成像技术在农业中的应用光谱及成像技术在农业中有广泛的应用，可以用于农作物监测、病虫害诊断、土壤分析和农业管理等方面。

以下是光谱及成像技术在农业中的一些具体应用：1.植被指数监测：通过使用遥感和成像技术，如近红外(NIR)和红外(IR)光谱，可以计算出植被指数，如归一化植被指数（NDVI），反映植物叶绿素含量和生长状况，用于监测农作物的健康状况和生长趋势。

2.病虫害诊断：光谱成像技术可以检测农作物叶片的光谱特征，例如叶片表面的色素变化和反射率变化，从而帮助识别和诊断病虫害。

这种技术可以帮助农民及时发现并采取措施来控制病虫害的扩散。

3.土壤质量分析：利用光谱技术，可以分析土壤的光谱特征和化学成分，如土壤有机质含量、质地和养分含量。

这对于土壤的健康评估和农业管理非常重要，可以有针对性地施肥和调整土壤pH值等。

4.水资源管理：通过使用多光谱成像技术，可以监测水体中的浑浊度、营养盐含量和蓝藻等问题，帮助农业管理者更好地管理水资源，减少水资源污染和浪费。

5.作物生理参数监测：利用高光谱成像技术，可以测量农作物的光谱反射率，从而计算出作物的生理参数，如叶绿素含量、水分胁迫和氮素状况等。

这些参数对于合理的灌溉和施肥管理至关重要。

6.遥感技术：使用遥感技术，如卫星遥感和无人机遥感，可以实时监测农作物的生长状况、病虫害情况和土地利用等。

这为农业管理者提供了及时、全面的信息，有助于决策和管理。

综上所述，光谱及成像技术在农业中的应用非常广泛，可以为农业生产提供重要的数据支持和决策参考，帮助农民提高生产效率和质量，实现可持续农业发展。

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。

植物冠层测量是研究植物生态系统结构和功能的重要手段之一，可以帮助了解植物群落的空间分布、生长状态、生态位等信息。

以下是植物冠层测量的一些常见方法和技术：
1.激光扫描（LiDAR）：激光雷达可以从飞行器或地面扫描植物冠层，生成高分辨率的三维点云数据。

这些数据可以用来重建植被的三维结构，包括植物的高度、密度和空间分布。

2.结构方程模型（SEM）：结构方程模型通过测量不同层次的植物冠层信息（如植物高度、叶面积指数等），并建立相应的模型来解释植物群落结构和功能之间的关系。

3.相机图像分析：使用无人机或固定相机对植物群落进行拍摄，然后通过图像分析技术提取植物的生长状态、叶片面积等信息。

4.高光谱遥感：高光谱遥感技术可以测量不同波段的植被反射光谱，从而提取植物的生理和化学信息，如叶绿素含量、植物水分状况等。

5.点拍法：在研究区域中随机选择多个点位，测量植物冠层在每个点位的高度、密度等信息，从而获得整体植被的统计特征。

6.遥感数据分析：利用遥感数据，如卫星影像或航空影像，可以通过像元级别的光谱信息分析来推测植物冠层的性质和变化。

7.地面调查：在植物群落中进行地面调查，测量不同植物个体的高度、直径、叶片面积等信息，以及不同种群的空间分布情况。

8.植物模型：使用植物生长模型，基于植物的生长特性和环境条件，推测植物冠层的结构和变化。

不同的测量方法可以结合使用，以获取更全面和准确的植物冠层信息。

选择适当的方法取决于研究的目标、研究区域的特点以及可用的技术设备。

农作物长势的定义与遥感监测一、本文概述随着遥感技术的快速发展，其在农业领域的应用越来越广泛，尤其是在农作物长势监测方面发挥着重要作用。

本文旨在探讨农作物长势的定义及其遥感监测方法。

我们将明确农作物长势的定义，阐述其重要性及影响因素。

接着，我们将详细介绍遥感监测在农作物长势评估中的应用，包括遥感数据的获取、处理与分析方法，以及长势监测的具体流程。

文章还将探讨遥感监测的优势与局限性，并对未来发展趋势进行展望。

通过本文的阐述，读者将能够更深入地了解农作物长势遥感监测的基本原理和实践应用，为农业生产的精准管理和决策提供有力支持。

二、农作物长势定义农作物长势是指农作物在生长发育过程中，其生理状态、生长速度和生物量的累积情况。

农作物长势的好坏直接反映了农作物的健康状况和产量潜力，是农业生产中重要的监测指标。

农作物长势的评估通常包括株高、叶面积、叶绿素含量、生物量等多个方面。

株高是农作物长势的直观表现，反映了作物地上部分的生长情况。

叶面积则反映了作物叶片的数量和大小，是评估作物光合能力和光能利用效率的重要指标。

叶绿素含量是评估作物叶片绿色程度和光合能力的关键参数，叶绿素含量越高，说明作物叶片的光合作用能力越强。

生物量则是指作物地上部分和地下部分的总重量，是评估作物生长速度和产量的重要依据。

农作物长势的监测对于农业生产具有重要意义。

通过对农作物长势的监测，可以及时发现作物生长过程中的问题，采取相应的管理措施，促进作物健康生长，提高产量和品质。

长势监测还可以为农业生产的决策提供支持，如调整种植密度、施肥量、灌溉量等，实现科学种植和精准管理。

随着遥感技术的发展，遥感监测已成为农作物长势监测的重要手段。

遥感技术具有覆盖范围广、监测效率高、数据连续性强等优点，可以实现对农作物长势的快速、准确监测。

通过遥感技术，可以获取作物生长过程中的多源遥感数据，结合地面观测数据，对作物长势进行综合评价和分析，为农业生产提供更加全面、准确的信息支持。

高光谱遥感在农作物生长监测的应用研究进展高光谱遥感是一种获取大量连续波段光谱信息的遥感技术，具有广泛的应用前景。

在农业方面，高光谱遥感可以用于监测农作物的生长情况和健康状况，为农业管理提供科学依据。

本文将对高光谱遥感在农作物生长监测的应用研究进展进行综述。

农作物生长监测是农业管理的重要内容之一。

传统的农作物生长监测方法主要依靠人工野外观测和定期采集植物样本进行实验室分析，工作量大且费时费力。

而高光谱遥感技术可以在大范围内非接触性地获取农作物的光谱信息，使得农作物生长监测更为高效和精确。

高光谱遥感技术利用设备采集到的大量波段光谱数据，可以提取出丰富的植被信息。

通过对光谱数据的分析和处理，可以获取到农作物的生长状态、光合作用强度、叶绿素含量等指标，进而评估农作物的健康状况和适应性。

2. 农作物营养状态监测。

农作物的营养状态对其生长发育和产量形成有着重要的影响。

高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的叶绿素含量、氮素含量等营养指标，从而评估农作物的营养状况和需肥情况。

通过及时监测和调整农作物的营养状况，可以提高农作物的产量和品质。

3. 农作物病虫害监测。

高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的特征波段，从而识别和监测农作物的病虫害。

通过分析农作物的光谱特征，可以迅速检测到农作物受到的病虫害的严重程度和分布范围，提高农作物病虫害的监测效率，并给出相应的防治措施。

4. 农作物气候适应性评估。

不同农作物对气候条件有不同的适应性，高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的光合作用强度、水分利用效率等指标，从而评估农作物对不同气候条件的适应性。

这对于制定适合不同气候条件下的农业管理措施具有重要意义。

高光谱成像技术在农作物识别中的应用研究摘要：高光谱成像技术是一种应用于农业领域的先进技术，其通过获取农田的高光谱图像数据并分析处理，可以实现对农作物的快速识别和监测。

本文将介绍高光谱成像技术在农作物识别中的应用研究，并探讨其在提高农作物产量、保障农业可持续发展方面的潜力。

1. 引言农作物的识别和监测是农业生产中至关重要的环节。

传统的人工野外观察和遥感图像分析存在着时间和空间上的局限性，而高光谱成像技术通过获取农田的高光谱图像数据，可以提供更加精准、全面的农作物信息，为农业生产决策提供科学依据。

2. 高光谱成像技术及原理高光谱成像技术是一种获取被测物体在可见光到近红外光谱范围内连续的光谱信息的方法。

其原理基于不同物质在不同波长下的吸收、反射和散射特性，通过获取物体在光谱上的反射率曲线，进而识别物体的组成和特征。

3. 农作物识别中的高光谱成像技术应用3.1 农作物的种类识别高光谱成像技术能够获取农田中作物的光谱信息，通过对比已知作物的光谱库，可以准确地识别农田中不同作物的种类，包括小麦、玉米、水稻等。

3.2 农作物的健康状况评估高光谱成像技术还可以通过分析作物的光谱信息来评估农作物的健康状况。

通过测量作物叶片的反射率和吸收率，并结合光谱指数计算模型，可以准确判断作物的养分状况、病虫害感染等问题，及时采取相应的措施。

3.3 农作物的生长监测高光谱成像技术还可以实现对农作物生长过程中的监测。

根据作物在不同生长阶段的光谱特征，可以通过高光谱图像数据来实时监测作物的生长情况，包括生长速度、生长状态以及农田的光照强度等。

4. 高光谱成像技术在农作物识别中的应用案例研究4.1 小麦品种分类研究通过高光谱成像技术获取小麦品种的光谱数据，并基于数据建立分类模型，可以实现对不同小麦品种的准确识别，并为农作物选育提供重要参考。

4.2 农作物病虫害检测研究利用高光谱成像技术可以准确地检测农作物的病虫害问题。

通过对受感染作物和健康作物的光谱特征进行对比分析，可以及时发现并定位农作物病虫害的问题，提前采取相应的防治措施。

不同生育期小麦冠层SPAD值无人机多光谱遥感估算一、引言在农业领域，小麦作为全球重要的粮食作物，其生长状况直接关系到粮食产量和品质。

而冠层SPAD值，即叶绿素相对含量，是评估小麦生长状况的重要指标之一。

传统的SPAD值测量方法主要依赖人工采样和实验室分析，不仅耗时耗力，而且难以实现大面积、快速的监测。

因此，寻求一种高效、准确的小麦冠层SPAD值监测方法具有重要意义。

近年来，随着无人机技术的快速发展，无人机多光谱遥感技术在农业领域的应用日益广泛。

该技术能够获取作物冠层的光谱信息，通过解析这些光谱信息，可以实现对作物生长状况的实时监测和评估。

因此，本文旨在利用无人机多光谱遥感技术，估算不同生育期小麦冠层SPAD值，以期为农业生产提供科学依据，推动精准农业的发展。

二、文献综述在国内外研究现状方面，无人机遥感技术在农业领域的应用已经取得了显著进展。

许多学者利用无人机搭载多光谱相机，获取作物冠层的光谱信息，进而构建生长监测模型，实现对作物生长状况的评估。

这些研究不仅证明了无人机多光谱遥感技术在作物生长监测中的可行性，而且为本文的研究提供了重要的理论和方法基础。

在相关理论基础方面，叶绿素相对含量（SPAD值）是反映植物叶绿素含量和光合能力的重要指标。

传统的SPAD值测量方法主要依赖叶绿素计进行点测量，难以实现大面积、快速的监测。

而无人机多光谱遥感技术可以通过获取作物冠层的光谱信息，实现对SPAD值的快速、大面积估算。

在无人机多光谱遥感技术方面，其原理是利用无人机搭载的多光谱相机，获取作物冠层在不同光谱波段下的反射率信息。

通过分析这些反射率信息，可以提取出与作物生长状况密切相关的光谱特征。

然后，利用统计学习或机器学习等方法，构建基于这些光谱特征的作物生长监测模型。

最终，通过模型估算出作物冠层的SPAD值等生长指标。

三、研究内容与方法在研究区域与数据获取方面，本文选择了具有代表性的小麦种植区作为研究区域。

考虑到不同生育期小麦冠层的光谱特性可能存在差异，因此在小麦生长的不同阶段进行了多次无人机飞行实验，以获取充足的多光谱遥感数据。

高光谱技术在农业遥感中的应用研究进展茅恒昌（北京师范大学资源与环境学院，北京 100875）摘　要：随着生活质量要求的逐渐提升，高光谱技术在现代农业的发展中起到重要的作用。

文章通过对高光谱技术在农业遥感中的应用现状进行分析，以此深入研究高光谱技术在农业遥感中应用。

通过农业作物产量品质、生长情况以及生长性状进行全面的发展。

通过对现阶段研究情况的总结和分析，推动高光谱技术在农业遥感中的应用，从根本上提升国家农业种植的综合能力。

关键词：高光谱技术；农业遥感；生长性状中图分类号：S127 文献标志码：A 文章编号：1672-3872（2017）22-0088-01——————————————作者简介： 茅恒昌（1983-），男，安徽阜阳人，硕士在读，研究方向：农业遥感。

1 高光谱技术在农业遥感中的发展方向现阶段，精细农业成为国家农业现代化发展的主要目标和方向，而高光谱遥感技术在农业监测方面展现出来的快速高效、精准无损的特点，让其成为农业遥感监测中的重要应用手段。

精细农业是一种结合信息、生物以及工程等多种高新技术为一体的现代化农业管理手段，通过科学系统的管理方法提高农业资源的利用效率，在保证环境无污染的情况下，提升农产品的产量和质量。

考虑到精细农业对数据和信息的需求，传统的分析方法无法满足现代化农业发展，因此将遥感技术、地理信息系统、全球定位系统都应用到农业监测中。

农业遥感属于这三种技术其中之一，根据监测的不同类型分为农作物的土壤成分遥感信息模型、作物灾害估计遥感分析模型等。

而高光谱技术作为遥感技术中的重要手段，在国家现代化精细农业的发展中得到了广泛的应用。

利用高光谱技术获取相比传统分析技术中更加完整准确的农业作物参数，为农业作物的管理和种植提供保障。

2 高光谱技术在农业遥感中的具体应用2.1 农业作物生长长势监测1）叶面积指数。

高光谱遥感技术因为不会对作物造成破坏的特点，因而被应用到监测作物的叶面积上，弥补传统获取农业作物叶面积指数的耗时过长等缺点，以最小的破坏，获取最精准的叶面积指数。

麦类作物学报2009,29(1):174-178Jo ur na l of T rit iceae Cr ops高光谱遥感技术在作物生长监测中的应用研究进展李映雪,谢晓金,徐德福(南京信息工程大学应用气象学院,江苏南京210044)摘要:精准农业是现代化农业生产中实现低耗、高效、优质与安全的重要途径,高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息,为实施精准农业提供重要的技术支撑。

本文综述了以高光谱遥感技术监测作物长势(包括叶面积指数和生物量)、作物生物化学参数(包括植物的氮素营养、叶绿素含量、叶片碳氮比等)和籽粒品质(包括籽粒蛋白质含量、面筋含量、淀粉积累量等)的国内外研究进展,并提出了一些今后研究的设想,以期为未来精确农业快速发展提供参考。

关键词:作物;高光谱遥感;生长监测中图分类号:S24;S311文献标识码:A文章编号:1009-1041(2009)01-0174-05Application of Hyperspectral Remote Sensing Technologyin Monitoring Crop GrowthLI Ying-xue,XIE Xiao-jin,XU De-fu(College of Applied M eteorology,Nanjin g U nivers ity of Information T echnology,Nan jing,Jiangsu210044,China)Abstract:Precision farming is an im por tant appr oach to realizing low consumption,high yield,goo d qual-i ty and safety in m odern agricultural production.H yperspectral remo te sensing can rapidly and precisely de-termine the g row th status of cro p in the field,w hich offers im por tant technical suppo rt for im plementation of precision farming.On the basis of hyper spectral remo te sensing,m onitoring character of crop g row th, bio-chemical parameter s and grain quality of crop w ere summarized and som e ideas for further resear ch w ere discussed in this paper,w hich could supply an im por tant reference and guideline for quickly develop-m ent o f precision farm ing in the futur e.Key words:Crop;H yperspetral remo te sensing;Grow th;Monitoring精准农业是在现代信息技术、生物技术与工程技术等一系列高新技术最新成就的基础上发展起来的一种重要的现代农业生产形式,它是实现农业低耗、高效、优质与安全的重要途径,目前,已成为世界农业技术的研究重点,其中遥感技术是实施精准农业的重要工具之一。

数字农业田间信息获取技术研究现状和发展趋势姚建松;刘飞【摘要】对土壤水分与养分的测量方法、作物长势及其背景的监测、营养状况监测、作物冠层监测、作物病虫害诊断、杂草识别等田间信息获取技术在数字农业中的开发、应用现状以及发展概况做了简要综述,并指出将遥感技术和光谱技术结合应用是我国实现田间信息获取技术的关键.【期刊名称】《农机化研究》【年(卷),期】2009(031)008【总页数】6页(P215-220)【关键词】数字农业;田间信息获取;遥感;光谱【作者】姚建松;刘飞【作者单位】浙江省海宁市农业机械管理站,浙江,海宁,314400;浙江大学,生物系统工程与食品科学学院,杭州,310029【正文语种】中文【中图分类】S1260 引言数字农业技术是将现代信息技术、生物技术、农业科学技术与农机工程装备技术相结合的新型农业技术。

数字农业技术体系由3个部分组成，即信息获取系统、信息处理系统和智能化农业机械。

其中，田间的信息获取技术是数字农业的关键技术。

目前，田间信息获取方法主要有传统的田间采样、田间GPS采集、智能农机作业和多平台遥感获取等4种方式。

通常所说的“3S”技术中的全球定位系统(GPS)和遥感技术(RS)是田间信息获取的重要手段，它是实现数字农业的重要支撑技术[1-3]。

1 全球定位系统全球定位系统(GPS,Global Positioning System)是由地球导航卫星、地面监控系统和用户GPS接收机等3个主要部分组成。

现在最常用的是美国GPS系统，它包括在离地球约20 000km 高空近似圆形轨道上运行的24颗地球导航卫星，其轨道参数和时钟由设于世界各大洲的5个地面监测站与设于其本土的一个地面控制站进行监测和控制，使得在近地旷野的GPS接收机在昼夜任何时间、任何气象条件下最少能接受到4颗以上卫星的信号。

通过测量每一卫星发出的信号到达接收机的传输时间，即可计算出接收机所在的地理空间位置。

农田养分信息具有显著的空间属性，其空间变异性很大。

水稻叶片SPAD值的高光谱估算模型作者：孙玉婷杨红云孙爱珍梅芳易文龙来源：《南方农业学报》2020年第05期摘要：【目的】构建水稻叶片SPAD值的高光谱精确估算模型，为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据。

【方法】利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值，以FieldSpec 4光谱仪采集水稻叶片光谱数据。

通过分析光谱植被指数、位置参数与SPAD值的相关性，构建4个水稻叶片SPAD值高光谱估测模型，即逐步多元线性回归（SMLR）模型、支持向量机回归（SVR）模型、基于主成分分析的支持向量机回归（PCA+SVR）模型和以逐步多元线性回归确定最佳参数的支持向量机回归（SMLR+SVR）模型;并采用均方根误差（RMSE）、平方相关系数（R2）、相对分析误差（RPD）和平均相对误差（MRE）等指标对模型进行评价。

【结果】在分析的15个光谱特征参数中，除黄边位置（λy）无显著相关外（P>0.01），水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性，选择相关系数大于0.800的5个植被指数参数（VOG1、VOG2、VOG3、CARI 和PRI）和7个光谱位置参数[蓝边面积（SDb）、黄边振幅（Dy）、黄边面积（SDy）、绿峰反射率（Rg）、红谷净深度（Hr）、蓝边振幅（Db）和红边位置（λh）]作为输入变量构建水稻叶片SPAD值的估测模型。

R2和RPD值越大，RMSE和MRE值越小，则表明模型的性能越好，估算精度高。

比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知，在模型估算精度上，SMLR+SVR模型高于SMLR模型，PCA+SVR模型高于SVR模型。

总体上，SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测，其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550。

【建议】进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系，提出新的光谱特征参数或优化特征参数选择组合方法，增加回归建模算法，提高高光谱对水稻叶片SPAD值的有效估算。

多波段光谱技术在植物生长监测中的应用研究摘要：多波段光谱技术是一种重要的遥感技术，被广泛应用于植物生长监测中。

本文通过综述相关文献，详细介绍了多波段光谱技术的原理、仪器和参数提取方法，并探讨了其在植物生长监测中的应用研究。

多波段光谱技术可以实时、非接触地获取植物的生长状况和健康状况信息，对于研究植物光合作用、生长状态、氮素含量和水分状况等具有重要意义。

在植物生长监测中，多波段光谱技术可以通过不同的波段范围和参数提取方法，实现对植物高光谱数据的提取、监测和分析。

然而，同时需要解决光谱数据处理和解译的问题以及卫星遥感和地面观测方法的有效结合。

本文提出多波段光谱技术在植物生长监测中存在的挑战和未来发展方向，并对其在植物营养状态、气候变化和环境监测等方面的应用进行展望。

关键词：多波段光谱；植物生长监测；参数提取1.引言植物生长监测是农业、林业和生态环境研究中的重要内容之一，可以帮助我们深入了解植物的生长状态、光合作用、氮素含量和水分状况等信息。

在过去的几十年里，传统的植物生长监测方法主要采用田间调查和实验室分析的方法，这种方法费时费力且成本高。

而多波段光谱技术的应用为植物生长监测带来了一种全新的方法。

多波段光谱技术通过采集植物叶片反射或荧光信号的光谱信息，可以实时、非接触地获取植物的生长状况和健康状况信息。

其在植物生长监测中的应用具有非常重要的意义。

2.多波段光谱技术的原理和仪器多波段光谱技术是利用光谱的物理特性研究物体的方法。

其原理是根据物体对不同波长光的吸收、反射和透射特性，通过采集和分析不同波长光的强度变化，得到物体的光谱曲线。

多波段光谱技术一般包括高光谱和超光谱两种方法。

高光谱技术指的是采集长波段范围内的光谱信息，可以获得数百个波段的光谱数据。

而超光谱技术指的是采集较窄波段范围内的光谱信息，可以获得数十个波段的光谱数据。

多波段光谱技术的仪器包括光谱辐射计、光谱成像仪、光谱仪、高光谱遥感仪等。

其中，光谱辐射计主要用于地面观测，通过无线电波传感器采集光谱辐射信息。