作物環(huán)境脅迫高光譜遙感監(jiān)測(cè)研究進(jìn)展

楊菲菲， 李世娟， 劉升平， 呂純陽(yáng)， 劉大眾， 肖順夫， 劉航

(中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，農(nóng)業(yè)農(nóng)村部信息服務(wù)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京100081)

高光譜遙感(hyperspectral remote sensing)是用很窄而連續(xù)的光譜通道對(duì)地物持續(xù)遙感成像的技術(shù)，它具有高光譜分辨率，包含空間、輻射和光譜三重信息。在航天、地質(zhì)、海洋、軍事、環(huán)境和農(nóng)業(yè)等領(lǐng)域有著廣泛和重要的作用。高光譜數(shù)據(jù)獲取主要來(lái)自星載、機(jī)載和地面三個(gè)平臺(tái)[1]。目前，星載高光譜傳感器主要包括Hyperion、 MODIS(美國(guó))、CHRIS(歐空局)、HIS(中國(guó))和GLI(日本)等；機(jī)載高光譜傳感器主要包括AVIRIS(美國(guó))、MIVIS(意大利)、CASI(加拿大)、HYMAP(澳大利亞)和OMI、 MAIS、 PHI-3(中國(guó))等；地面高光譜儀器主要包括HySpex(挪威)、ASD 地物光譜儀(美國(guó))及GER3700(美國(guó))等。利用不同傳感器可能會(huì)產(chǎn)生不同的研究結(jié)果，因?yàn)樗鼈兺ǔ＞哂胁煌目臻g分辨率。目前，在對(duì)作物環(huán)境脅迫的監(jiān)測(cè)中，機(jī)載及地面?zhèn)鞲衅鲬?yīng)用較多，星載較少，將葉片和冠層模型獲取的參數(shù)運(yùn)用于大尺度遙感實(shí)踐中，實(shí)現(xiàn)環(huán)境脅迫衛(wèi)星遙感實(shí)時(shí)反演，是未來(lái)繼續(xù)研究的方向[2-3]。

利用高光譜監(jiān)測(cè)作物的研究中，常見研究對(duì)象為水稻、小麥、玉米等糧食作物、棉花等經(jīng)濟(jì)作物和常見的森林樹種，甚至是一些藥材[4-5]。高光譜遙感應(yīng)用于作物環(huán)境脅迫監(jiān)測(cè)的研究主要包括：生化組分參數(shù)反演，如色素含量、氮素、酶活性等；農(nóng)學(xué)參數(shù)反演，如生物量、葉面積指數(shù)等；作物與環(huán)境相互作用因素反演，如光合有效輻射(photosynthetically active radiation, PAR)[6]。研究方法包括基本的光譜運(yùn)算及變換方法，如一階導(dǎo)數(shù)、敏感波段提取、微分光譜分析、植被指數(shù)、光譜位置參數(shù)提取等，以及常規(guī)光譜數(shù)據(jù)知識(shí)挖掘方法，如逐步多元線性回歸、小波分析、偏最小二乘回歸法等[6-7]。其中，逐步多元線性回歸和偏最小二乘法應(yīng)用相對(duì)廣泛，為了追求更高的精度，越來(lái)越多的非常規(guī)模型[8-9]，如支持向量機(jī)(support vector machine, SVM)模型、Hapke模型及地理加權(quán)回歸(geographically weighted regression, GWR)模型被引入作物環(huán)境脅迫監(jiān)測(cè)研究中，并取得不錯(cuò)的研究成果；特定的環(huán)境脅迫有水分、病蟲害、氮素等營(yíng)養(yǎng)脅迫、不同輻射強(qiáng)度、重金屬和酸雨脅迫等[10]。在所有的環(huán)境脅迫中，病蟲害、水分脅迫較為常見且不好控制。本文重點(diǎn)從基于光譜響應(yīng)特征的直接監(jiān)測(cè)、基于農(nóng)學(xué)參數(shù)和生理信息反演的間接監(jiān)測(cè)兩方面，概述了高光譜遙感在監(jiān)測(cè)作物病蟲害、水分脅迫、以及區(qū)分各類環(huán)境脅迫方面的應(yīng)用，并在此基礎(chǔ)上討論了該技術(shù)在作物環(huán)境脅迫監(jiān)測(cè)應(yīng)用領(lǐng)域的不足及發(fā)展方向，旨在為農(nóng)作物環(huán)境脅迫監(jiān)測(cè)及預(yù)警提供參考，為農(nóng)業(yè)信息化提供技術(shù)支持。

1 高光譜遙感監(jiān)測(cè)作物環(huán)境脅迫的理論基礎(chǔ)

高光譜遙感數(shù)據(jù)光譜分辨率很高，圖像上每個(gè)像素點(diǎn)能夠提供幾十到幾百個(gè)連續(xù)狹窄波段的光譜信息，具有“圖譜合一”特性[11]。因此，目前利用高光譜遙感技術(shù)監(jiān)測(cè)作物脅迫，可更好區(qū)分其不同生化組分、含量及其變化，從而實(shí)時(shí)、快速、準(zhǔn)確地獲取脅迫信息。高光譜成像監(jiān)測(cè)作物環(huán)境脅迫的理論基礎(chǔ)是：環(huán)境脅迫會(huì)導(dǎo)致作物損傷，引起作物色素、葉片細(xì)胞構(gòu)造、含水量、蛋白質(zhì)含量改變，而作物對(duì)電磁輻射的吸收和反射特性會(huì)隨著農(nóng)學(xué)參數(shù)、生理指標(biāo)的變化而變化，因此環(huán)境脅迫下的作物會(huì)在不同波段上表現(xiàn)出不同程度的吸收和反射特性的改變，產(chǎn)生不同的光譜反射率[12-13]。通過(guò)分析這些光譜信息可以實(shí)現(xiàn)對(duì)作物環(huán)境脅迫的定性或定量監(jiān)測(cè)。

國(guó)內(nèi)外學(xué)者主要從兩方面監(jiān)測(cè)作物脅迫，一方面是基于光譜響應(yīng)特征的直接監(jiān)測(cè)，通過(guò)直接監(jiān)測(cè)作物光譜反射率或由反射率構(gòu)建的植被指數(shù)來(lái)監(jiān)測(cè)作物脅迫；另一方面是基于農(nóng)學(xué)參數(shù)和生理信息反演的間接監(jiān)測(cè)。

2 高光譜遙感在作物病蟲害脅迫方面的應(yīng)用

作物病蟲害是制約農(nóng)產(chǎn)品產(chǎn)量及食品安全的重要因素之一[14]。其發(fā)生率高，影響具有滯后性，防治困難，易造成大面積危害，將導(dǎo)致作物產(chǎn)量及質(zhì)量受到威脅[15]。因此，積極探索病蟲害脅迫監(jiān)測(cè)方法對(duì)于監(jiān)測(cè)病蟲害發(fā)生、對(duì)病蟲害感染程度進(jìn)行分級(jí)、防治病蟲害具有重要意義。

2.1 基于光譜響應(yīng)特征的直接監(jiān)測(cè)

國(guó)內(nèi)外學(xué)者利用近地非成像、成像高光譜數(shù)據(jù)通過(guò)光譜分析對(duì)單一病蟲害脅迫的機(jī)理進(jìn)行基礎(chǔ)研究，篩選出各種病蟲害類型的光譜敏感波段，來(lái)監(jiān)測(cè)作物病蟲害脅迫。黃文江等[13]系統(tǒng)闡述了多種糧食作物主要病害脅迫的冠層和葉片光譜特征；黃敬峰等[16]研究發(fā)現(xiàn)，病蟲害的發(fā)生能夠引起水稻450～515、550～590、650～690和725～790 nm范圍的一階導(dǎo)數(shù)光譜的顯著改變，710～750 nm的二階導(dǎo)數(shù)光譜極小值顯著降低；Luo等[17]研究發(fā)現(xiàn)小麥蚜蟲發(fā)生可引起700～750、750～930、950～1 030和1 040～1 130 nm范圍光譜反射率的顯著改變，且連續(xù)小波變換方法更適宜檢測(cè)蚜蟲侵染。部分學(xué)者在此基礎(chǔ)上進(jìn)行波段間的組合和變換構(gòu)建植被指數(shù)等光譜特征，進(jìn)一步增強(qiáng)監(jiān)測(cè)作物病蟲害脅迫程度的能力。Chen等[18]采用植被指數(shù)及回歸分析方法監(jiān)測(cè)2個(gè)試驗(yàn)點(diǎn)花生的高光譜冠層反射光譜，發(fā)現(xiàn)監(jiān)測(cè)花生葉斑病的最優(yōu)光譜指數(shù)是LSI:[NDSI(R938, R761)]。除卻對(duì)單一病蟲害脅迫發(fā)生程度的估測(cè)外，作物病蟲害脅迫監(jiān)測(cè)還包括對(duì)不同脅迫類型的識(shí)別。Shi等[19]研究發(fā)現(xiàn)，采用Sigmoid核函數(shù)對(duì)相關(guān)植被指數(shù)構(gòu)建的特征空間進(jìn)行映射，有利于緩解維數(shù)災(zāi)難，區(qū)分多脅迫的小麥病蟲害遙感監(jiān)測(cè)，且該研究可能適用于“高維”問題；張東彥等[20]基于地面高光譜成像技術(shù)對(duì)葉片不同脅迫(養(yǎng)分脅迫、病害、蟲害)的光譜特征進(jìn)行提取與分析，發(fā)現(xiàn)560～680和780～900 nm波段是診斷3種脅迫的敏感波段，但是養(yǎng)分脅迫在550 nm處、780～900 nm差異最顯著；Shi等[21]通過(guò)對(duì)遭受條銹病和白粉病脅迫的冬小麥冠層高光譜定量提取發(fā)現(xiàn)，在480、633和943 nm波段處的小波特征變化可以有效診斷并區(qū)分這2種病害脅迫。

2.2 基于農(nóng)學(xué)參數(shù)和生理信息反演的間接監(jiān)測(cè)

除了直接監(jiān)測(cè)，還包括對(duì)病蟲害農(nóng)作物生理信息反演的間接監(jiān)測(cè)。多數(shù)作物病蟲害的高光譜遙感監(jiān)測(cè)包括4種癥狀或傷害類型：①生物量或葉面積指數(shù)的減少；②病斑蟲傷[22]；③色素系統(tǒng)的破壞；④脫水[23]。

在色素含量方面，尹小君等[24]研究發(fā)現(xiàn)新建歸一化指數(shù)組成的偏最小二乘回歸模型(partial least squares regression, PLSR)對(duì)葉綠素a、葉綠素b、胡蘿卜素(carotene, Car)含量的估測(cè)精度較傳統(tǒng)更高，可有效監(jiān)測(cè)番茄細(xì)菌性斑點(diǎn)病脅迫；Zhao等[25]基于地面高光譜成像技術(shù)，采用SPXY算法，建立偏最小二乘回歸(PLSR)模型，測(cè)定黃瓜角斑葉片中葉綠素(chlorophyll, Chl)和胡蘿卜素(Car)含量的空間分布并繪制色素含量分布圖；Li等[26]監(jiān)測(cè)受炭疽損傷的杉木冠層，建立疾病脅迫下杉木冠層色素含量的高光譜預(yù)測(cè)模型，該結(jié)果有助于利用高光譜技術(shù)監(jiān)測(cè)森林病蟲害。在酶活性方面，程帆等[27]采用SPXY算法將細(xì)菌性角斑病早期脅迫階段黃瓜葉片樣本分為建模集與預(yù)測(cè)集，采用隨機(jī)森林算法(random forest, RF)和回歸系數(shù)法(regression coefficient, RC)提取特征波長(zhǎng)，結(jié)合偏最小二乘回歸(PLSR)模型預(yù)測(cè)葉片中的過(guò)氧化物酶(peroxidase, POD)活性，預(yù)測(cè)集相關(guān)系數(shù)為0.816 ；楊燕等[28]通過(guò)連續(xù)分時(shí)段測(cè)定水稻稻瘟病潛育期的冠層高光譜圖像及超氧化物歧化酶(superoxid edismutase, SOD)活性，建立兩者之間的關(guān)聯(lián)預(yù)測(cè)模型。在病斑方面，胡耀華等[29]探索馬鈴薯葉片的高光譜圖像特征與晚疫病害程度的關(guān)聯(lián)，提取反映病害程度的特征光譜信息，建立病害程度識(shí)別模型，發(fā)現(xiàn)基于原始光譜和光譜變換預(yù)處理后的數(shù)據(jù)建立的模型識(shí)別率最高，達(dá)到94.87%；盧勁竹[30]基于地面高光譜成像技術(shù)，利用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)提取了番茄葉片高光譜圖像的紋理特征，實(shí)現(xiàn)了番茄黃花曲葉病的分級(jí)檢測(cè)，其中逐步判別分析法(stepwise discriminant analysis, SDA)的分類準(zhǔn)確率達(dá)到100%；Pan等[31]用高光譜成像技術(shù)監(jiān)測(cè)梨果實(shí)致病過(guò)程并評(píng)價(jià)其早期發(fā)病的檢測(cè)能力，利用光譜角制圖方法，分割感染區(qū)，建立了基于支持向量機(jī)(support vector machine, SVM)、K-均值聚類算法和偏最小二乘法(PLSR)的判別分析模型，其中支持向量機(jī)(SVM)模型的整體精度最高，達(dá)到97.5%。通過(guò)上述研究可以看出，在利用不同平臺(tái)高光譜遙感數(shù)據(jù)監(jiān)測(cè)作物病蟲害脅迫方面已有較多應(yīng)用研究，不僅基于光譜響應(yīng)特征直接估測(cè)作物病蟲害單一脅迫發(fā)生程度、識(shí)別不同脅迫類型，還基于農(nóng)學(xué)參數(shù)和生理信息反演間接監(jiān)測(cè)作物病蟲害，主要包括色素含量、酶活性和病斑。其中，作物病蟲害光譜特征波段和分析方法見表1。但目前大多數(shù)病蟲害脅迫監(jiān)測(cè)主要基于近地非成像、成像高光譜數(shù)據(jù)分析研究，無(wú)法滿足空間大區(qū)域的快速識(shí)別，因此，還需加大多源遙感衛(wèi)星數(shù)據(jù)監(jiān)測(cè)作物病蟲害脅迫的研究力度。

表1 作物病蟲害光譜特征波段和分析方法Table 1 Spectral characteristic band and analysis method of crop diseases and pests

3 高光譜遙感在作物水分脅迫方面的應(yīng)用

水分是作物生長(zhǎng)過(guò)程中進(jìn)行光合作用不可或缺的重要因素之一，會(huì)影響作物產(chǎn)量、農(nóng)學(xué)參數(shù)及生理指標(biāo)的變化[33]。干旱、淹水、冰凍、高溫或鹽漬等均能引起水分脅迫。水分變化引起的作物農(nóng)學(xué)參數(shù)及生理指標(biāo)變化均會(huì)對(duì)植株光譜反射率產(chǎn)生很大影響。對(duì)于作物本身可以測(cè)定的用于指示作物水分狀況的常見指標(biāo)主要有：氣孔導(dǎo)度、葉水勢(shì)、冠層水分含量(canopy water content, CWC)、葉片等效水厚度(equivalent water thickness, EWT)以及相對(duì)含水量(relative water content, RWC)等。

3.1 基于光譜響應(yīng)特征的直接監(jiān)測(cè)

國(guó)內(nèi)外學(xué)者利用多平臺(tái)高光譜數(shù)據(jù)對(duì)作物水分脅迫的機(jī)理進(jìn)行基礎(chǔ)研究，篩選出適合識(shí)別作物干旱脅迫、濕漬害脅迫的光譜敏感波段，來(lái)監(jiān)測(cè)作物水分脅迫。熊勤學(xué)等[2]研究發(fā)現(xiàn)，受漬后葉片光譜反射率較正常葉片的差異主要表現(xiàn)在645～680、1 428～1 456 nm波段，較正常值偏高；757～917、1 641～1 684 nm波段，較正常值偏低。受漬后小麥冠層的所有波段的光譜均低于正常小麥，建議用670～2 400 nm光譜的均值差異反映小麥?zhǔn)軡n情況。王宏博等[34]對(duì)比不同春玉米拔節(jié)-吐絲期光譜變化發(fā)現(xiàn)，550～680 nm波段可較明顯反映干旱脅迫程度，土壤水分含量與植株冠層反射率呈負(fù)相關(guān)關(guān)系，且紅光區(qū)光譜反射率可較好反映植株生長(zhǎng)情況。王進(jìn)等[35]研究了不同條件(灌水量、氮素營(yíng)養(yǎng)、品種)對(duì)棉花冠層光譜反射特性的影響，發(fā)現(xiàn)在700～800 nm(近紅外波段)灌水量與棉花冠層反射率呈正相關(guān)，在盛蕾期和盛花期不同灌水量處理的光譜反射率區(qū)別較大。光譜反射率的一階微分由于能夠去除部分噪聲，所以更能代表植被冠層光譜反射率狀況。不少學(xué)者利用光譜一階微分反射率及紅邊幅值、紅邊面積分析不同水分脅迫條件的影響。紅邊幅度表現(xiàn)出，拔節(jié)期之前與水分脅迫呈正相關(guān)，開花期之后與水分脅迫呈負(fù)相關(guān)的趨勢(shì)。許多學(xué)者利用植被指數(shù)來(lái)估算植被參數(shù)，進(jìn)而衡量不同環(huán)境下的植被健康狀況。大部分植被水分指數(shù)均是利用已有的一些水分敏感波段確定，比如基于近紅外波段與更長(zhǎng)波長(zhǎng)的短波紅外波段所構(gòu)建的歸一化差異光譜指數(shù)NDWI，基于可見光-近紅外提出的增強(qiáng)型植被指數(shù)EVI。蔣金豹等[36]監(jiān)測(cè)漬水脅迫下的玉米、甜菜，發(fā)現(xiàn)作物光譜在550、800～1 300 nm區(qū)域反射率都稍有降低，而在680 nm區(qū)域反射率則逐漸增大，引入歸一化均指距離對(duì)比分析，發(fā)現(xiàn)指數(shù)R800×R550/R680是識(shí)別漬水脅迫的最優(yōu)植被指數(shù)。Stagakis等[37]基于星載高光譜圖像數(shù)據(jù)監(jiān)測(cè)灌木認(rèn)為，高光譜分辨率衛(wèi)星傳感器的出現(xiàn)是植被遙感領(lǐng)域的重要進(jìn)展，可提高對(duì)全球植被狀態(tài)及動(dòng)態(tài)過(guò)程的理解。

3.2 基于農(nóng)學(xué)參數(shù)和生理信息反演的間接監(jiān)測(cè)

表2 農(nóng)作物水分脅迫光譜特征波段和分析方法Table 2 Spectral characteristic band and analysis method of crop water stress

4 存在問題及發(fā)展建議

快速、準(zhǔn)確、無(wú)損的高光譜監(jiān)測(cè)技術(shù)是監(jiān)測(cè)和獲取環(huán)境脅迫下作物生長(zhǎng)狀況的有效手段，但同時(shí)也存在一些問題，歸納為以下幾個(gè)方面。

4.1 環(huán)境脅迫光譜響應(yīng)特征的專屬性認(rèn)識(shí)不足

作物環(huán)境脅迫通過(guò)引起植株農(nóng)學(xué)參數(shù)和生理指標(biāo)的變化而影響作物光譜，各類環(huán)境脅迫生理機(jī)制相似，常導(dǎo)致色素系統(tǒng)、細(xì)胞結(jié)構(gòu)的破壞，葉面積指數(shù)、地上生物量的減少，脫水等，因此，不同的環(huán)境脅迫往往呈現(xiàn)相似的光譜響應(yīng)特征。比如，400～780 nm的可見光波段，植物色素支配光譜響應(yīng)，光譜反射率常隨色素含量降低而升高[3, 41]。其中，葉綠素是作物中最重要的色素，是解析光譜變化的敏感因子?？梢?，光波段以葉綠素a、葉綠素b在藍(lán)綠光區(qū)的強(qiáng)反射與紅光區(qū)的強(qiáng)吸收為特征，胡蘿卜素濃度變化為作物生理狀況提供大量補(bǔ)充信息；780～1 000 nm的近紅外波段變化主要與葉片細(xì)胞結(jié)構(gòu)相關(guān)，以其引起的多次散射差異為判斷標(biāo)準(zhǔn)，細(xì)胞結(jié)構(gòu)完好時(shí)，光在葉片內(nèi)部形成多次散射，反射率較高[17-21]；此外，911和976 nm波段對(duì)葉片水分狀況敏感，這兩個(gè)波段與O-H鍵拉伸的倍頻峰相近[25]；1 400～1 920 nm 波段的光譜反射率與作物葉片結(jié)構(gòu)相關(guān)，常用于研究作物的品種[30]；此外，1 428～1 456 nm 波段可反映葉片含水率[2]。

因此，在實(shí)際監(jiān)測(cè)中，如何根據(jù)環(huán)境脅迫的監(jiān)測(cè)特點(diǎn)，研究特征提取和構(gòu)建方法，找到高專一性和特定性的檢測(cè)特征是監(jiān)測(cè)中的關(guān)鍵問題[23]。雖然近些年有部分研究區(qū)分了各類環(huán)境脅迫，如Zinnert等[42]對(duì)2種木本作物進(jìn)行了干旱、鹽漬、三硝基甲苯4種實(shí)驗(yàn)處理，基于高光譜技術(shù)區(qū)分作物的自然和人為脅迫；Song等[43]基于高光譜反射和能量空間轉(zhuǎn)換光譜數(shù)據(jù)集，采用主成分分析(PCA)、波段相關(guān)方法提取作物光譜反射率發(fā)現(xiàn)，4個(gè)單一波段組合(553、675、705、775 nm)以及3個(gè)單一波段組合(1 158、1 378、1 965 nm)結(jié)合線性判別的方法區(qū)分氮和水分的效果最好。但相關(guān)研究仍不足，因此，今后研究應(yīng)考慮到不同類型環(huán)境脅迫在監(jiān)測(cè)上的差異性，如設(shè)計(jì)生理機(jī)制相似的環(huán)境脅迫試驗(yàn)對(duì)比分析，建立作物環(huán)境脅迫光譜庫(kù)等。

4.2 反演模型的精度及普適性有待提高

根據(jù)高光譜參數(shù)構(gòu)建的作物生理指標(biāo)及農(nóng)學(xué)參數(shù)的估算模型很多，但通常只在當(dāng)?shù)仳?yàn)證，不同環(huán)境下耦合精度不高。主要是因?yàn)樽魑锕趯庸庾V反射率會(huì)受到作物生理因素、環(huán)境因素、營(yíng)養(yǎng)狀況、冠層幾何結(jié)構(gòu)等的影響，所建立的作物光譜反射特征不能用于建模地區(qū)以外的時(shí)空條件；利用光譜技術(shù)監(jiān)測(cè)作物農(nóng)學(xué)參數(shù)和生理指標(biāo)的研究較多，但多為經(jīng)驗(yàn)?zāi)Ｐ?，關(guān)于其之間機(jī)理性關(guān)系的研究較少；冠層結(jié)構(gòu)和背景的變化會(huì)引起光譜反射率的變化，從而顯著影響作物農(nóng)學(xué)參數(shù)和生理指標(biāo)的反演結(jié)果；不同處理間冠層反射光譜的差異可能會(huì)被某些因素增強(qiáng)或削弱。與多波段遙感相比，高光譜遙感對(duì)作物農(nóng)學(xué)參數(shù)及生理指標(biāo)的變化更為敏感，反映更加精細(xì)，為更精確地估算作物生理生化參數(shù)提供了可能[44]。因此，今后研究應(yīng)考慮到如何對(duì)樣本參數(shù)進(jìn)行修正、選擇最佳的特征波段和模型、研究光譜與作物生化組分之間的機(jī)理性關(guān)系，以提高預(yù)測(cè)模型的精度及普適性。

4.3 數(shù)據(jù)使用受到限制

高光譜遙感數(shù)據(jù)使用受到限制，主要由以下幾個(gè)因素導(dǎo)致：高光譜在光譜分辨率提高的同時(shí)制約著空間分辨率，由于高光譜遙感圖像空間分辨率限制和地物分布的復(fù)雜多樣性，混合像元廣泛存在于圖像中，影響遙感圖像的分類精度及目標(biāo)探測(cè)效果[45]；高光譜數(shù)據(jù)一般包括數(shù)百條波段，各個(gè)波段之間具有高度相關(guān)性，光譜間存在冗余信息且數(shù)據(jù)處理難度加大，需要進(jìn)行數(shù)據(jù)壓縮和信息提取，目前常用隨機(jī)森林算法(RF)、回歸系數(shù)法(RC)、偏最小二乘回歸法(PLSR)、連續(xù)統(tǒng)去除法等[27-28, 41]；高光譜成像技術(shù)存在的難點(diǎn)多與圖像處理方法相關(guān)，為此該技術(shù)的主要研究重點(diǎn)是圖像的分割、融合等算法改進(jìn)[34]。因此，今后研究可結(jié)合具有高空間分辨率的多光譜數(shù)據(jù)，采用數(shù)據(jù)融合等方法來(lái)實(shí)現(xiàn)預(yù)期目標(biāo)，或者進(jìn)一步研究高光譜混合像元分解技術(shù)；此外，應(yīng)研究發(fā)現(xiàn)新的數(shù)據(jù)壓縮和提取方法，研發(fā)通用的成像光譜儀圖像處理系統(tǒng)[32]，以提升高光譜數(shù)據(jù)的使用頻率。

5 展望

本文對(duì)高光譜遙感監(jiān)測(cè)作物環(huán)境脅迫的理論基礎(chǔ)進(jìn)行闡述，重點(diǎn)從基于光譜響應(yīng)特征的直接監(jiān)測(cè)、基于農(nóng)學(xué)參數(shù)和生理信息反演的間接監(jiān)測(cè)兩方面，概述高光譜遙感在監(jiān)測(cè)作物病蟲害、水分脅迫方面的研究進(jìn)展，進(jìn)一步闡述高光譜技術(shù)在作物環(huán)境脅迫監(jiān)測(cè)中所面臨的挑戰(zhàn)及未來(lái)發(fā)展趨勢(shì)?？焖佟?zhǔn)確、無(wú)損的高光譜監(jiān)測(cè)技術(shù)是監(jiān)測(cè)和獲取環(huán)境脅迫下作物營(yíng)養(yǎng)狀態(tài)、生長(zhǎng)狀況的有效手段。然而，現(xiàn)有研究對(duì)脅迫下光譜響應(yīng)特征的專屬性認(rèn)識(shí)不足，不同的環(huán)境脅迫往往呈現(xiàn)相似的光譜響應(yīng)特征；根據(jù)高光譜參數(shù)構(gòu)建的作物生理指標(biāo)及農(nóng)學(xué)參數(shù)的估算模型很多，但不同環(huán)境下耦合精度不高；高光譜數(shù)據(jù)特點(diǎn)及數(shù)據(jù)壓縮和信息提取方法的不成熟，導(dǎo)致數(shù)據(jù)使用受到限制。因此，該技術(shù)在作物脅迫監(jiān)測(cè)領(lǐng)域的發(fā)展趨勢(shì)如下：研究特征的選擇和構(gòu)建方法，找到高專一性和特定性的檢測(cè)特征；通過(guò)修正樣本參數(shù)，研究光譜與作物生化組分之間的機(jī)理性關(guān)系等方法提高反演模型的精度；通過(guò)多源數(shù)據(jù)融合，研究新的數(shù)據(jù)壓縮和提取方法。此外，智能農(nóng)機(jī)、計(jì)算機(jī)視覺等技術(shù)的進(jìn)步，為高光譜遙感的發(fā)展帶來(lái)了新的契機(jī)：將光譜儀集成到智能農(nóng)業(yè)機(jī)械上，可以快速、準(zhǔn)確獲取作物冠層光譜信息，從而完成作物環(huán)境脅迫監(jiān)測(cè)、施肥、水分管理等一系列程序化工作；高光譜數(shù)據(jù)結(jié)合熱紅外和熒光，可減少對(duì)天氣條件的依賴；結(jié)合計(jì)算機(jī)視覺方法處理高光譜遙感影像，可提高圖像處理效率及精度?？傊?，利用高光譜遙感監(jiān)測(cè)及預(yù)測(cè)作物的環(huán)境脅迫是現(xiàn)代農(nóng)業(yè)實(shí)際應(yīng)用中的重要組成部分，也是實(shí)施精準(zhǔn)農(nóng)業(yè)必不可少的內(nèi)容，可提高作物生產(chǎn)精確管理水平和綜合效益。