高光譜遙感技術(shù)在精細農(nóng)業(yè)監(jiān)測上的應(yīng)用及展望

何

（湖南農(nóng)業(yè)大學(xué)油料作物研究所/國家油料作物改良中心湖南分中心，長沙410128）

高光譜遙感技術(shù)在精細農(nóng)業(yè)監(jiān)測上的應(yīng)用及展望

何友鑄，張振乾，官春云*

（湖南農(nóng)業(yè)大學(xué)油料作物研究所/國家油料作物改良中心湖南分中心，長沙410128）

摘 要：精細農(nóng)業(yè)已成為現(xiàn)代農(nóng)業(yè)的重要發(fā)展方向，高光譜遙感技術(shù)能快速、無損、準確地監(jiān)測作物的生長狀況，在精細農(nóng)業(yè)中廣泛應(yīng)用。綜述了高光譜遙感技術(shù)在作物長勢、生理生化特性及產(chǎn)量、品質(zhì)監(jiān)測方面的研究進展，并展望了高光譜遙感技術(shù)在未來精細農(nóng)業(yè)上的發(fā)展趨勢。

關(guān)鍵詞：作物；精細農(nóng)業(yè)；農(nóng)業(yè)監(jiān)測；高光譜遙感技術(shù)

精細農(nóng)業(yè)也稱為精準農(nóng)業(yè)、精確農(nóng)業(yè)，是以信息技術(shù)、生物技術(shù)、工程技術(shù)等一系列高新技術(shù)為基礎(chǔ)的面向大田作物生產(chǎn)的精細農(nóng)作技術(shù)。精細農(nóng)業(yè)本身是一種現(xiàn)代化農(nóng)業(yè)的田間管理手段，其核心是實時、動態(tài)、無損地監(jiān)測農(nóng)田信息，合理地進行灌溉、施肥、噴藥，最大限度提高水、肥和農(nóng)藥的利用效率，實現(xiàn)對環(huán)境的最小污染和對自然資源的最大利用［1，2］。由于精細農(nóng)業(yè)需要快速有效的收集大量精確可靠的農(nóng)田信息和數(shù)據(jù)［2，3］，人工和傳統(tǒng)的實驗室分析方法很難適應(yīng)精細農(nóng)業(yè)信息采集的要求。目前的田間信息快速有效采集技術(shù)難以滿足精細農(nóng)業(yè)需求。遙感技術(shù)（Remote sensing）、地理信息系統(tǒng)（Geographic information systems）、全球定位系統(tǒng)（Global positioning systems），統(tǒng)稱為“3S”技術(shù)［4，5］，它能很好的解決這一難題，為精細農(nóng)業(yè)提供了技術(shù)支持。遙感屬于“3S”技術(shù)中的一種，遙感特別是高光譜遙感技術(shù)在精細農(nóng)業(yè)的應(yīng)用中發(fā)揮了重要作用。高光譜遙感（Hyperspectral Remote Sensing）又稱成像光譜遙感，是指在電磁波譜的可見光、近紅外、中紅外和熱紅外區(qū)域，獲取許多非常窄且連續(xù)的光譜圖像數(shù)據(jù)技術(shù)［6］。其波段寬度一般小于10 nm，從而獲得更為連續(xù)且完整的光譜信息［7］，覆蓋的光譜范圍更大，準確分辨作物類型以及監(jiān)測作物各種農(nóng)學(xué)參數(shù)。

高光譜遙感技術(shù)在精細農(nóng)業(yè)上的應(yīng)用，主要表現(xiàn)在利用高光譜遙感數(shù)據(jù)快速、無損、準確地監(jiān)測作物的生長長勢、生理生化特性和產(chǎn)量、品質(zhì)狀況，為作物的科學(xué)管理和高產(chǎn)高效提供技術(shù)保障。

1　作物生長長勢監(jiān)測

1.1葉面積指數(shù)

葉面積指數(shù)（LAI）為植物冠層表面物質(zhì)和能量交換的描述提供結(jié)構(gòu)化的定量信息［8］。大量研究［9，10］表明，高光譜遙感可以很好的監(jiān)測作物的葉面積指數(shù)，利用高光譜遙感技術(shù)獲取作物的葉面積指數(shù)，能夠克服傳統(tǒng)獲取作物葉面積指數(shù)的費時耗力，并減少對作物葉片的破壞。

薛利紅等［11］綜合分析比較了幾種常見光譜植被指數(shù)與水稻葉面積指數(shù)的相關(guān)性及其預(yù)測力，發(fā)現(xiàn)寬波段光譜植被指數(shù)可以準確地用來監(jiān)測水稻葉面積指數(shù)。當(dāng)前光譜遙感對作物監(jiān)測的敏感波段和植被指數(shù)也有不少探索，應(yīng)用多種方法建立了多種反演模型。譚昌偉等［12］綜合分析10個常見光譜植被指數(shù)與夏玉米LAI的相關(guān)性及預(yù)測性，發(fā)現(xiàn)近紅外與綠光波段的比值（R810/R560）與LAI呈顯著的指數(shù)關(guān)系，且不受品種類別、生育時期和氮肥水平的影響。夏天等［13］選擇位于黃淮海平原的山東省濟南市長清區(qū)為研究區(qū)域，通過ASD地物光譜儀和SunScan冠層分析系統(tǒng)對冬小麥的冠層光譜及LAI變化進行田間觀測，然后利用回歸分析法和BP神經(jīng)網(wǎng)絡(luò)法構(gòu)建冬小麥LAI反演模型，將模型估算LAI值和田間觀測LAI值進行比對，分析評價2種方法的反演精度。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)法較回歸分析法估算冬小麥LAI的精度有較大提高，檢驗方程的決定系數(shù)（R2）為0.990、均方根誤差為0.105，利用BP神經(jīng)網(wǎng)絡(luò)法構(gòu)建反演模型能較好的對冬小麥LAI進行反演。同時，宋開山等［14］也在大豆葉面積的高光譜反演研究中，發(fā)現(xiàn)與基于植被指數(shù)建立的模型相比，神經(jīng)網(wǎng)絡(luò)模型可以有效避免因LAI過高而出現(xiàn)過飽和現(xiàn)象，提高LAI的反演精度。

1.2生物量

生物量與葉面積指數(shù)和產(chǎn)量密切相關(guān)，因此可將作物生物量的高光譜遙感監(jiān)測與葉面積指數(shù)或者作物產(chǎn)量結(jié)合起來。用于監(jiān)測作物葉面積指數(shù)的方法也可用來對生物量的光譜監(jiān)測，主要將高光譜參數(shù)、植被指數(shù)與其生物量進行相關(guān)分析。侯學(xué)會等［15］利用小麥的高光譜參數(shù)數(shù)據(jù)和冠層反射光譜數(shù)據(jù)，構(gòu)建等效的MODIS植被指數(shù)，建立小麥干生物量的高光譜遙感估算模型，發(fā)現(xiàn)小麥生物量與冠層光譜在552、721 nm處呈現(xiàn)最顯著相關(guān)性，葉面積指數(shù)與冠層光譜的相關(guān)性在400～1 100 nm范圍內(nèi)較顯著，紅邊位置估算小麥總生物量的指數(shù)模型最優(yōu)，決定系數(shù)為0.829，增強型植被指數(shù)與小麥葉面積指數(shù)的指數(shù)模型擬合度最強，決定系數(shù)為0.94。柏軍華等［16］分析棉花地上鮮生物量冠層高光譜反射率變異系數(shù)、反射率光譜、一階微分光譜與地上鮮生物量相關(guān)關(guān)系的結(jié)果表明，在可見光近紅外波段，棉花冠層反射率光譜變異系數(shù)在672 nm波段處最大；棉花地上鮮生物量與反射率光譜相關(guān)系數(shù)最大值在可見光波段出現(xiàn)在589～700 nm，在近紅外波段出現(xiàn)在865～919 nm，且前者大于后者，且地上鮮生物量與一階微分光譜相關(guān)系數(shù)在可見光波段出現(xiàn)524～528、552～588、710～755 nm 3個高值區(qū)。

唐延林等［17］分析了水稻、玉米、棉花3種作物的高光譜及紅邊特征和紅邊參數(shù)與葉面積指數(shù)、地上生物量、鮮重的相關(guān)性，顯示3種作物冠層高光譜反射率大小與其生育期有關(guān)，冠層光譜中，棉花＞玉米＞水稻；葉片光譜中，水稻＞棉花＞王米；冠層紅邊參數(shù)與其葉面積指數(shù)和鮮重之間都呈極顯著相關(guān)，但與地上鮮生物量和地上干生物量相關(guān)性有差異。

2　作物生理生化性狀監(jiān)測

2.1光合作用及葉綠素

植物的光合作用是積累有機物的重要途徑，高光譜遙感以其快速無損的特點，在作物光合監(jiān)測上的應(yīng)用也越來越受到重視。孫彩霞等［18］對基于單葉反射光譜的轉(zhuǎn)基因大麥光合特性進行了分析，發(fā)現(xiàn)反射光譜指數(shù)λRE，mND，SIPI，RRed/RGreen，PRI及NIRR800的差異性變化將意味著植物光合生理過程、功能及狀態(tài)發(fā)生改變。辛明月等［19］利用高光譜遙感數(shù)據(jù)，對光譜反射率、一階微分光譜及二階微分光譜與吸收光合有效輻射（APAR）進行相關(guān)分析，結(jié)果表明，高光譜反射率、一階微分光譜及二階微分光譜的最優(yōu)波段與APAR的相關(guān)性均極顯著，一階微分光譜能夠更好的估算APAR，它與APAR在769 nm處的擬合決定系數(shù)為0.521 8；5種植被指數(shù)所選的最優(yōu)波段組合擬合方程的決定系數(shù)在0.67以上，其中以復(fù)歸一化差值植被指數(shù)（758，781）估算效果最好，決定系數(shù)達0.758 5。光合有效輻射分量（FPAR）是各種生產(chǎn)力模型、作物估產(chǎn)模型等的重要參數(shù)。楊飛等［20］對高光譜估算FPAR效果作初步探討分析，發(fā)現(xiàn)一階導(dǎo)數(shù)法和植被指數(shù)法估算FPAR效果稍好，充分挖掘高光譜數(shù)據(jù)估算FPAR潛力，選擇最佳波段能夠較好的提高FPAR估算精度。

作為吸收光能的主要物質(zhì)，葉綠素含量的高低直接影響作物的光合和有機物質(zhì)積累能力，可以通過實時掌握作物葉綠素含量與冠層光譜反射率的動態(tài)變化來有效地監(jiān)測作物的光合作用。William等［21］在研究木本植物光合作用時，發(fā)現(xiàn)SPAD的測量值與葉片透射和吸收值在400～700 nm波段回歸關(guān)系顯著，但與光譜反射值的回歸關(guān)系不精確。吳長山等［22］發(fā)現(xiàn)早播稻、晚播稻和玉米在近紅外波段762 nm的導(dǎo)數(shù)光譜與葉綠素含量有很高的相關(guān)性，其建立的監(jiān)測模型的標(biāo)準偏差為0.272 g/m2，估計精度約為80.6%。楊峰等［23］利用高光譜遙感分析了水稻和小麥在不同生育期的冠層光譜和葉綠素密度的變化，建立了估算兩作物葉面積指數(shù)和葉綠素密度的模型，R2＞0.85。楊海清等［24］用Visual Basic 6.0設(shè)計的遺傳算法得出植株反射光譜和SPAD值的最佳敏感波段為683.24～733.91 nm；分析還表明，經(jīng)過葉片厚度修正后的建模集擬合因子R2為0.865 8，校驗集擬合因子R2為0.916 1。

2.2氮含量監(jiān)測

在作物生產(chǎn)過程中，適時掌握作物氮素含量的變化動態(tài)，不但可以按需施肥，節(jié)約資源，而且使作物生產(chǎn)優(yōu)質(zhì)、高產(chǎn)、高效、生態(tài)，減少對環(huán)境的污染。作物氮素營養(yǎng)的光譜監(jiān)測是作物高效利用氮肥的關(guān)鍵技術(shù)。作物氮素參數(shù)監(jiān)測的適宜特征光譜隨不同的作物和試驗條件而有所不同，因此氮素營養(yǎng)指標(biāo)與光譜參數(shù)的規(guī)律性和定量化關(guān)系是當(dāng)前普遍關(guān)注的熱點與重點。

周麗麗等［25］探討了3個玉米品種葉片氮含量（LNC）的高光譜敏感波段、估算模型及其品種差異，并依品種建立了葉片氮含量與歸一化差值光譜指數(shù)（NDSI）或比值光譜指數(shù)（PSI）的定量關(guān)系模型，其中NDSI（714，554）和PSI（714，554）所建模型的擬合度最好，直線和指數(shù)模型擬合度均達到了極顯著水平，可以用來估算玉米LNC。在利用高光譜技術(shù)進行玉米氮營養(yǎng)狀況診斷的研究及應(yīng)用中，應(yīng)考慮品種間差異。劉冰峰等［26］對2個夏玉米品種進行5個不同施氮量處理，利用高光譜遙感在玉米拔節(jié)期、大喇叭口期、抽雄期、吐絲期、乳熟期監(jiān)測葉片全氮含量，最佳光譜參數(shù)分別為R720、DR720、SDb、R550和DR550。上述研究發(fā)現(xiàn)高光譜遙感可以很好的監(jiān)測作物的氮素營養(yǎng)。

3　作物產(chǎn)量、品質(zhì)監(jiān)測

3.1產(chǎn)量監(jiān)測

作物高光譜遙感產(chǎn)量預(yù)測是通過獲得作物各生長時期的光譜特征數(shù)據(jù)，對其最終產(chǎn)量進行預(yù)測。大量研究集中于預(yù)測作物種植面積和單產(chǎn)。單產(chǎn)預(yù)測是作物生長狀況在高光譜遙感光譜中的表征。吳瓊等［27］論證高光譜遙感對大豆冠層生長監(jiān)測和產(chǎn)量估測有相對可行性，可望在大規(guī)模育種計劃中用于估測大豆的早期產(chǎn)量。馮偉等［28］根據(jù)“特征光譜參數(shù)—葉片氮素營養(yǎng)—籽粒產(chǎn)量”這一技術(shù)路徑，以葉片氮素營養(yǎng)為交接點將模型鏈接，建立了基于灌漿前期高光譜參數(shù)及拔節(jié)期至成熟期特征光譜指數(shù)累積值的小麥籽粒產(chǎn)量預(yù)測模型，經(jīng)兩年獨立試驗數(shù)據(jù)檢驗表明，利用灌漿前期關(guān)鍵特征光譜指數(shù)可以有效地評價小麥成熟期籽粒產(chǎn)量狀況，拔節(jié)至成熟期特征光譜指數(shù)的累積值能夠穩(wěn)定預(yù)報不同條件下小麥成熟期籽粒產(chǎn)量的變化。劉良云等［29］利用高光譜數(shù)據(jù)設(shè)計新型光譜指數(shù)與冬小麥產(chǎn)量進行相關(guān)分析，相關(guān)性較顯著。因此，利用冠層特征光譜指數(shù)可以快速無損地預(yù)報小麥成熟期籽粒產(chǎn)量。

3.2品質(zhì)監(jiān)測

通過遙感監(jiān)測作物生長過程進而改善栽培措施，優(yōu)化作物分類收獲、分級收購加工體制，可以提高作物品質(zhì)監(jiān)控水平，保證作物品質(zhì)［30］。小麥抽穗后的冠層植被比值指數(shù)RVI（R1500，R610）以及RVI（R1220，R560）的指數(shù)變量能極好地監(jiān)測籽粒蛋白質(zhì)和淀粉積累量［31］。馮偉等［32］以葉片氮素營養(yǎng)為連接點，建立基于開花期高光譜遙感的小麥籽粒蛋白質(zhì)產(chǎn)量預(yù)報模型，結(jié)果顯示利用開花期特征光譜參數(shù)可以有效地預(yù)測小麥成熟期籽粒蛋白質(zhì)含量狀況。顧志宏［33］發(fā)現(xiàn)，550～590 nm與670～710 nm是大麥植株氮含量的敏感波段區(qū)域，且大麥籽粒蛋白質(zhì)含量與植株氮含量相關(guān)性高，建立了基于GRVI（植被指數(shù)）的大麥籽粒蛋白質(zhì)含量的預(yù)測模型，R2達到0.658 1，對構(gòu)建的預(yù)測模型進行驗證，其精度達到了一定要求。薛利紅等［34］系統(tǒng)分析了水稻籽粒加工品質(zhì)、外觀品質(zhì)、營養(yǎng)品質(zhì)等與水稻冠層反射光譜特征之間的相關(guān)性，結(jié)果顯示：成熟期冠層反射光譜指數(shù)與水稻籽粒加工品質(zhì)呈顯著負相關(guān)，籽粒的外觀品質(zhì)與冠層光譜特征之間的關(guān)系不明顯，籽粒蛋白質(zhì)含量則與大多數(shù)生育時期的冠層光譜比值指數(shù)和歸一化指數(shù)呈極顯著相關(guān)，相關(guān)系數(shù)多在0.80以上；淀粉含量與灌漿盛期的710 nm和660 nm的比值和歸一化組合的相關(guān)性最好。說明可以用遙感手段來預(yù)測水稻籽粒的加工品質(zhì)和營養(yǎng)品質(zhì)指標(biāo)。

4　展望

高光譜遙感技術(shù)可以準確獲得植物的精細光譜信息，建立監(jiān)測模型，從而能夠精準監(jiān)測作物的類型及播種面積、作物的生長環(huán)境及病蟲害、作物生理生化性狀、作物長勢和產(chǎn)量品質(zhì)等，促進了農(nóng)業(yè)的科學(xué)化管理和實現(xiàn)高產(chǎn)優(yōu)質(zhì)，為精細農(nóng)業(yè)的發(fā)展起了積極的推進作用。但仍需要在以下幾個方面加以改進：

（1）加強高光譜遙感技術(shù)機理研究；

（2）現(xiàn)今高光譜遙感對農(nóng)學(xué)信息的監(jiān)測模型各式各樣，但都沒有一種通用的模型和方法，急需根據(jù)實際環(huán)境及各種影響條件，提出一種通用性較大的模型和方法；

（3）進一步完善農(nóng)業(yè)光譜信息數(shù)據(jù)庫，提高農(nóng)學(xué)信息監(jiān)測模型的精度和適用性。

參考文獻：

［1］ 汪懋華.“精細農(nóng)業(yè)”發(fā)展與工程技術(shù)創(chuàng)新［J］.農(nóng)業(yè)工程學(xué)報，1999，15（1）：1-8.

［2］ 王鳳花，張淑娟.精細農(nóng)業(yè)田間信息采集關(guān)鍵技術(shù)的研究進展［J］.農(nóng)業(yè)機械學(xué)報，2008，39（5）：112-121.

［3］ 羅錫文，臧 英，周志艷.精細農(nóng)業(yè)中農(nóng)情信息采集技術(shù)的研究進展［J］.農(nóng)業(yè)工程學(xué)報，2006，22（1）：167 -173.

［4］ 沙宗堯，邊馥苓.“3S”技術(shù)的農(nóng)業(yè)應(yīng)用與精細農(nóng)業(yè)工程［J］.測繪通報，2003（6）：29-32.

［5］ Tseng Chwanlu，Jiang Joeair，Lee Renguey，et al.Feasibility study on application of GSM-SMS technology to field data acquisition［J］.Computer and Electronics in Agriculture，2006，53（1）：45-69.

［6］ Lillesand TM，Kiefer RW.Remote Sensing and Image Interpretation（3rd Edition）［M］.New York：John Wiley& Sons，1994.750.

［7］ 王 波，王燦林，梁國強.基于粒子群尋優(yōu)的D-S算法［J］.傳感器與微系統(tǒng)，2007，26（1）：84-86.

［8］ 趙麗芳，譚炳香，楊 華，等.高光譜遙感森林葉面積指數(shù)估測研究現(xiàn)狀［J］.世界林業(yè)研究，2007，20（2）：50-54.

［9］ 黃敬峰，王 淵，王福民，等.油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型［J］.農(nóng)業(yè)工程學(xué)報，2006，22（8）：22-26.

［10］Roshanak D，Andrew S，Martin S，et al.Inversion of aradiative transfermodel for estimating vegetation and chlorophyll in a heterogeneous grassland［J］.Remote Sensing of Environment，2008，112（5）：2592-2604.

［11］薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等.光譜植被指數(shù)與水稻葉面積指數(shù)相關(guān)性的研究［J］.植物生態(tài)學(xué)報，2004，28（1）：47-52.

［12］譚昌偉，黃義德，黃文江，等.夏玉米葉面積指數(shù)的高光譜遙感植被指數(shù)法研究［J］.安徽農(nóng)業(yè)大學(xué)學(xué)報，2004，31（4）：392-397.

［13］夏 天，吳文斌，周清波，等.冬小麥葉面積指數(shù)高光譜遙感反演方法對比［J］.農(nóng)業(yè)工程學(xué)報，2013，29（3）：139-147.

［14］宋開山，張 柏，李 方，等.高光譜反射率與大豆葉面積及地上鮮生物量的相關(guān)分析［J］.農(nóng)業(yè)工程學(xué)報，2005，21（1）：36-40.

［15］侯學(xué)會，牛 錚，黃 妮，等.小麥生物量和真實葉面積指數(shù)的高光譜遙感估算模型［J］.國土資源遙感，2012，95（4）：30-35.

［16］柏軍華，李少昆，王克如，等.基于近地高光譜棉花生物量遙感估算模型［J］.作物學(xué)報，2007，33（2）：311-316.

［17］唐延林，黃敬峰，王秀珍，等.水稻、玉米、棉花的高光譜及其紅邊特征比較［J］.中國農(nóng)業(yè)科學(xué)，2004，37（1）：29-35.

［18］孫彩霞，袁 飛，張玉蘭，等.基于單葉反射光譜的轉(zhuǎn)基因大麥光合特性分析［J］.光譜學(xué)與光譜分析，2012，32（1）：204-208.

［19］辛明月，殷 紅，張 濤，等.基于高光譜遙感的水稻冠層吸收光合有效輻射的估算研究［J］.中國水稻科學(xué)，2011，25（4）：443-446.

［20］楊 飛，張 柏，宋開山，等.玉米光合有效輻射分量高光譜估算的初步研究［J］.中國農(nóng)業(yè)科學(xué)，2008，41（7）：1947-1954.

［21］William LB，David JW，Joseph DB，etal.Leaf absorptance of photosynthetically active radiation in relation to chlorophyll meter estimates among woody plant species［J］. Scientia Horticulturae，2004，101：169-178

［22］吳長山，項月琴，鄭蘭芬，等.利用高光譜數(shù)據(jù)對作物群體葉綠素密度估算的研究［J］.遙感學(xué)報，2000，4（3）：228-232.

［23］楊 峰，范亞民，李建龍，等.高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度［J］.農(nóng)業(yè)工程學(xué)報，2010，26（2）：237-243.

［24］楊海清，姚建松，何 勇.基于反射光譜技術(shù)的植物葉片SPAD值預(yù)測建模方法研究［J］.光譜學(xué)與光譜分析，2009，29（6）：1607-1610

［25］周麗麗，馮漢宇，閻忠敏，等.玉米葉片氮含量的高光譜估算及其品種差異［J］.農(nóng)業(yè)工程學(xué)報，2010，26（8）：195-199.

［26］劉冰峰，李 軍，趙剛峰，等.夏玉米葉片全氮含量高光譜遙感估算模型研究［J］.植物營養(yǎng)與肥料學(xué)報，2012，18（4）：813-824.

［27］吳 瓊，齊 波，趙團結(jié)，等.高光譜遙感估測大豆冠層生長和籽粒產(chǎn)量的探討［J］.作物學(xué)報，2013，39（2）：309-318.

［28］馮 偉，朱 艷，田永超，等.基于高光譜遙感的小麥籽粒產(chǎn)量預(yù)測模型研究［J］.麥類作物學(xué)報，2007，27（6）：1076-1084.

［29］劉良云，王紀華，黃文江，等.利用新型光譜指數(shù)改善冬小麥估產(chǎn)精度［J］.農(nóng)業(yè)工程學(xué)報，2004，20（1）：172 -175.

［30］王紀華，李存軍，劉良云.作物品質(zhì)遙感監(jiān)測預(yù)報研究進展［J］.中國農(nóng)業(yè)科學(xué)，2008，41（9）：2633-2640.

［31］田永超，朱 艷，曹衛(wèi)星，等.利用冠層反射光譜和葉片SPAD值預(yù)測小麥籽粒蛋白質(zhì)和淀粉的積累［J］.中國農(nóng)業(yè)科學(xué)，2004，37（6）：808-813.

［32］馮 偉，朱 艷，田永超，等.利用高光譜遙感預(yù)測小麥籽粒蛋白質(zhì)產(chǎn)量［J］.生態(tài)學(xué)雜志，2008，27（6）：903 -910.

［33］顧志宏.基于高光譜的大麥籽粒蛋白質(zhì)含量遙感預(yù)測［J］.光譜學(xué)與光譜分析，2012，32（2）：435-438.

［34］薛利紅，曹衛(wèi)星，李映雪，等.水稻冠層反射光譜特征與籽粒品質(zhì)指標(biāo)的相關(guān)性研究［J］.中國水稻科學(xué)，2004，18（5）：431-436.

中圖分類號：S127

文獻標(biāo)識碼：A

文章編號：1001-5280（2015）01-0096-05

DO I：10.3969/j.issn.1001-5280.2015.01.23

收稿日期：2014 09- 08

作者簡介：何友鑄（1989-），男，碩士研究生，Email：184831315@qq.com。*通信作者：官春云，教授，博士生導(dǎo)師，從事油菜育種、栽培研究，Email：guancy2011@yahoo.com.cn。

基金項目：國家科技支撐計劃項目（2010BAD01B01）；國家自然科學(xué)基金項目（31201240）。

App lication and Prospect of Hyperspectral Remote Sensing Technology in Precision Agriculture Monitoring

HE You-zhu，ZHANG Zhen-qian，GUAN Chun-yun*
（Oil Crops Institute，Hunan Agricultural University/National Oilseed Crops Improvement Center in Hunan，Changsha，Hunan 410128，China）

Abstract：：Precision agriculture has become an important development direction ofmodern agriculture，hyperspectral remote sensing technology waswidely used in precision agriculture because it could quick ly，non-destructively and accurately monitor crop growth conditions.This paper summarized the research progress on hyperspectral remote sensing technology inmonitoring crop growth，physiological and biochemical，yield and quality，and prospected the development trend of hyperspectral remote sensing technology precision agriculture in the future.

Keywords：crop；precision agriculture；agriculturalmonitoring；hyperspectral remote sensing technology