2. 中国科学院北方粳稻分子育种联合研究中心, 黑龙江 哈尔滨 150001
2. Joint Research Center of Molecular Breeding for Japonica Rice of Chinese Academy of Sciences, Harbin 150001, China
绿色植被吸收红光和蓝光, 而对近红外光则有较强的反射性。充分利用作物在可见光及近红外波段冠层光谱反射率的差异, 将各波段反射率进行组合, 可估计作物的氮含量、叶绿素浓度、叶面积指数等生物物理参数, 实现定量遥感。基于农作物冠层光谱特征对生物及结构变量进行反演的定量遥感技术具有实时、快速和无损、准确等优点, 在农业上得到了广泛应用, 如通过分析作物冠层光谱反射率可获得长势信息, 并根据长势信息进行施肥指导, 使得作物对养分的需求量与土壤中的养分含量相匹配, 减少化肥施用量。研究表明, 基于冠层光谱分析的精准施肥可使氮肥利用率最高达到368%, 施肥量减少10%~80%, 土壤中氮残留减少30%~50%[1]。另外, 通过分析冠层光谱可反演受病害及虫害作物的叶面积指数及叶绿素含量, 测定受害等级, 是病虫害进行早期预警、控制病虫害蔓延和产量损失的有效方法。
本文首先综述国内外用于作物冠层光谱反射率采集常用的仪器及采集方法, 对地面、机载及遥感卫星3个层面冠层反射率采集方法的优缺点进行对比; 其次给出植被指数构建原理及常用植被指数, 分析基于物理模型的反演方法和基于统计的反演方法的复杂度和性能; 最后提出农作物冠层光谱分析及反演技术的下一步发展方向及面临的挑战。
1 冠层光谱反射率采集方法本文从冠层光谱反射率进行采集的3个层面进行综述, 即地面光谱采集、机载光谱采集和卫星遥感数据。下文分别对这3个采集层面进行分析及比较。
1.1 地面光谱采集ASD公司是地面高光谱传感器的最大厂商之一。ASD FieldSpec Pro VNIR传感器在光谱采集中应用广泛, 其可测量频谱范围为350~1050 nm, 最小测量间隔为1.4 nm, 文献[2]利用该仪器采集了38块大麦地的高光谱图像, 并利用测得的高光谱分析叶片氮浓度。JAZ便携式光谱仪的可测量频谱范围为400~900 nm, 测量间隔为0.3 nm。文献[3]在25°视场角、距离冠层高度40~50 cm的条件下对冬小麦的冠层进行了高光谱拍摄, 用于对冬小麦的氮吸收量和产量进行分析。上述两种传感器都是被动式传感器, 可测得整个可见光至近红外波段的高光谱反射率, 而Trimble公司的GreenSeeker传感器则是一种主动式传感器, 可发射774 nm近红外光和656 nm红光, 捕获作物反射来的光线, 通过微处理器分析处理提供植被归一化指数(NDVI)和植被等物质的红光与近红外的比值[4], 其地面采集精度最高, 但缺点是采集范围有限, 适合边采集边决策的模式。
1.2 机载光谱采集为了获取更大范围农田作物的光谱反射率, 高光谱和多光谱仪被搭载到飞机上进行拍摄。文献[5]采用机载高光谱仪对玉米冠层进行拍摄, 无人机的飞行高度为300 m, 搭载的高光谱仪Micro-Hyperspec VNIR有260个波段。笔者对基于机载高光谱图像反演的氮含量和基于地面高光谱仪反演的氮含量进行了比较, 证明两者的估算准确度相当。文献[6]将中国科学院上海技术物理研究所研发的推帚式高光谱成像仪PHI搭载在Yun-5号飞机上, 利用拍摄的高光谱图像对冬小麦的冠层氮含量进行估计。PHI高光谱仪的光谱范围为400~850 nm, 光谱分辨率为5 nm, 高光谱影像分辨率为1 m, 飞行高度为1000 m。文献[7]用德国航空公司的飞机搭载HySpex传感器系统, 该传感器系统包括两个光谱仪, 一个是波段为400~1000 nm、光谱分辨率为3.7 nm、空间分辨率为1.65 m的VNIR, 另一个是波段为1000~2500 nm、光谱分辨率为6 nm、空间分辨率为3.3 m的SWIR, 共计416个波段[7]。
随着无人机技术的发展, 近几年用无人机搭载光谱仪进行冠层光谱分析的研究也越来越多, 由于无人机可承载重量受限, 其搭载的多为多光谱仪。文献[8]用DJI S1000无人机搭载数码相机和多光谱仪对草坪进行了拍摄, 并基于多光谱影像对草坪的氮含量进行了反演, 证明机载多光谱影像完全可以体现草坪草长势的空间差异性, 为差异性管理提供决策。无人机飞行高度为50 m, 多光谱影像的分辨率为5 cm。搭载的多光谱仪的3个工作波段为520~600 nm的绿光波段、630~690 nm的红光波段和760~900 nm的近红外波段[8]。文献[9]采用Atmos-6无人机搭载VEGCAM-Pro光谱仪, 光谱仪的3个工作频段为525~575 nm的绿光波段、615~685 nm的红光波段和755~805 nm的近红外波段, 无人机飞行高度为180 m。机载高光谱仪对作物进行观测并反演时, 精度甚至可以与地面光谱仪相当, 而且与地面采集方式相比可扩大覆盖范围, 但存在的问题是成本太高。
1.3 星载光谱采集近几年来, 随着卫星技术的发展, 卫星的空间分辨率越来越高, 回访周期越来越短, Sentinel-2和RapidEye卫星还专门推出了用于绿色植被研究的红边波段, 使得利用遥感影像对作物长势进行估计的精度大大提高, 因此基于卫星遥感影像进行农作物生物物理参数反演的研究逐渐增多。文献[10]指出遥感得到的作物光谱特性已经被成功用于估计作物生物物理参数, 如QuickBird卫星、Sentinel-2卫星、RapidEye卫星、Landsat卫星等都已被用于作物生物物理参数的估计。有研究者基于Sentinel-2数据及PROSPECT5-4SAIL模型数据, 建立敏感植被指数和叶绿素密度之间的回归关系。仿真结果表明基于Sentinel-2卫星数据可以很好地将作物的叶绿素含量估计出来, 估计误差为4~5 μg/cm2, 这同基于高光谱仪器估计的误差数值是相当的。文献[11]利用RapidEye卫星的多光谱波段构建了24个植被指数测量小麦的变量施肥响应, 并用ASD FieldSpec手持式光谱仪拍摄的光谱反射率数据对卫星数据进行了校正。星载光谱采集成本最低, 但其精度也是3种方式中最低的。近几年随着卫星技术的发展, 精度问题也逐步得到解决。
2 农作物生物物理参数反演方法根据从光学传感器采集到的植被冠层反射率对作物生物物理参数(氮含量、叶面积指数或叶绿素含量)进行估计有两种方法, 一种是基于物理模型的反演, 另一种是基于光谱反射率(或植被指数)与生物物理参数之间的统计关系, 两种方法都需要根据敏感波段构建植被指数。
2.1 植被指数作物绿色叶片的反射光谱具有如下特征:在可见光区域, 其反射率主要受各种色素的支配, 可见光大部分被叶片吸收, 反射率较小; 在近红外区域, 受叶片细胞结构的影响, 叶片的反射率较大而吸收很少[12]。可见, 作物长势变量与可见光/近红外波段的冠层反射率之间存在着很强的相关性。因此, 可以根据作物在可见光波段及近红外波段光谱反射率的变化来对其叶绿素含量、氮含量和叶面积指数进行估计。绿色植被光谱反射曲线还有一个重要的特征就是存在“红边”, 即反射曲线从红光波段到近红外波段变化的过程中存在一个上升沿。随着施氮量的增加, 作物冠层反射光谱的红边位置、红边面积和红边幅值都发生变化, 出现明显的“红移”现象[12]。因此, 另一类构建植被指数的方法是基于红边特征的方法。
有些文献设计了多种植被指数, 并分别建立植被指数与LAI之间的回归关系, 如文献[13]建立了加权差分植被指数WDVI、最优土壤调节植被指数TCARI/OSAVI、叶绿素植被指数CVI、叶绿素指数CIgreen、红边指数CIred-edge等多种植被指数与LAI之间的回归关系, 并证明Sentinel-2卫星影像数据可以用于对叶面积指数LAI的反演。除了对叶面积指数进行估计, 基于统计的反演方法在叶绿素含量估计和氮含量估计中应用更广泛。文献[14]采用主成分分析法来选取更能代表氮含量的光谱反射率, 然后建立所选取光谱反射率与作物氮含量之间的线性回归方程, 并采用决策树分类算法直接对光谱主成分进行分类, 得到作物氮含量所在区间。文献[15]基于机载多光谱数据, 分别计算NDVI(normalized difference vegetation index)、GNDVI(green normalized difference vegetation index)、SRPIb(simple ratio pigment index)这3个植被指数与叶片氮含量及作物氮含量间的相关系数。计算结果表明SRPIb与叶片氮含量之间的相关性最大, 为0.7, 且这种相关性与浇水、施氮量无关。NDVI、GNDVI与冠层氮含量之间的相关性较好, 分别为0.7和0.64, 但其相关性与浇水、施氮量有关[15]。
2.2 基于物理模型的反演方法基于物理模型的方法认为冠层光谱反射率是叶片结构参数和生物化学参数的函数, 通过建立冠层辐射传输方程, 并对光谱反射率进行逆变换即可求得氮含量、叶面积指数和叶绿素含量等参数。在各种物理模型中应用最广泛的是PROSAIL模型。PROSAIL辐射传输模型耦合了叶片光学特性模型PROSPECT和冠层反射率模型SAIL, 并考虑土壤的非朗伯特性、叶片的镜面反射、植被冠层的热点效应及叶倾角分布情况, 因此能很好地描述均匀植被冠层的反射特性, 从而使模型具有良好的模拟结果[16]。有研究结果表明利用PROSAIL辐射传输模型对作物的叶面积指数、叶绿素含量、氮含量、等效叶片含水量等生物量进行反演时, 对叶面积指数的估计精度是最高的[17], 因此PROSAIL模型对叶面积指数的估计最广泛。基于冠层反射物理模型的反演方法存在着解的不唯一性, 即不同的输入参数组合(叶面积指数、天气、拍摄角度等)会得到类同的冠层反射率, 因此从所测得的冠层反射率无法反演出唯一的输入值。此外, 反演方法的计算复杂度高, 这也限制了基于物理模型反演方法的使用。
2.3 基于统计的反演方法基于统计的反演方法认为冠层光谱反射率和作物的氮含量、叶面积指数和叶绿素含量等生物物理参数之间存在着一定的相关性, 首先通过相关性分析确定和生物物理参数相关性最大的波段作为敏感波段, 并通过敏感波段的组合设计植被指数, 然后建立植被指数与作物生物物理参数之间的回归关系。下面分别对常用的植被指数和回归关系建立方法进行论述。
(1) 线性和非线性回归。线性回归和非线性回归是建立光谱反射率和作物长势变量之间关系的最基本方法, 在氮含量、叶面积指数及冠层叶绿素含量反演中应用最为广泛, 其中非线性回归包括指数回归、幂次回归、对数回归和二次多项式回归。文献[18]采用多种植被指数和多种线性/非线性回归关系对叶绿素含量进行反演, 其线性回归的决定系数R2值最高可达0.89, 非线性回归的决定系数R2值最高可达0.91。文献[19]采用多线性回归和最小均方线性回归两种方法建立不同波段反射率和LAI之间的回归关系, 并证明多线性回归方法获得的性能更优。对于雨水地回归得到的R2=0.736, RMSE=1.169;对于灌溉地回归得到的R2=0.716, RMSE=1.059。
(2) 机器学习。近几年机器学习算法方兴未艾并应用于定量遥感领域中, 用于对作物生物量进行反演。最常用的机器学习回归算法有3种, 分别为人工神经网络、支持向量机和随机森林。人工神经网络被看作是由许多小单元组成的高度平行的动态系统, 通过对输入信息的状态反应来执行传输。网络的结构设计对反演算法的复杂度影响很大, 假如网络太复杂, 它虽然能完美地学习训练集, 但普适性很差, 存在过拟合的现象。近几年有很多学者基于人工神经网络建立反射率和生物物理变量之间的关系。文献[22]基于Sentinel-2和Sentinel-3的4种数据S2-10 m(第4波段)、S2-20 m(第8波段)、S2-60 m(第10波段)和S3-300 m(第19波段), 采用神经网络、支持向量回归、基于核方法的岭回归、高斯过程回归4种回归方法对叶绿素进行了反演, 其中高斯过程回归方法性能最优, 对模型进行验证时RMSE精度可达20%。
与基于物理模型的方法相比, 基于统计的方法虽然简单, 但也存在着缺点:一方面选取的植被指数种类繁多; 另一方面每篇文献建立的回归关系依赖于作物种类、所选训练集、传感器类型, 其使用具有很强的局限性。
3 结语与展望随着科技的发展和进步, 基于农作物冠层光谱分析的定量遥感技术必将在农业生产的各个领域中发挥重要作用, 为精准施肥、精准撒药、病虫害预警、产量预测等操作提供指导, 但从目前的研究现状看, 还需要在以下几方面加强研究:
(1) 空间分辨率高、光谱分辨率高的遥感卫星。当前免费的遥感卫星提供的是空间分辨率较低的多光谱数据, 使得遥感信息和作物叶面积指数的对应关系精度不高, 从遥感信息获取作物叶面积指数等信息时准确度不高, 因此需要提高遥感卫星的空间分辨率和光谱分辨率。另外, 无人机的迅速发展使得机载高光谱拍摄逐渐走入市场, 但目前成本过高, 不适于农场使用, 需要逐步降低价格。
(2) 更精确、通用的光谱反射率模型。现有光谱反射率物理模型缺乏通用性且精确度不高, 多数模型只适用于某种气候条件下的某种作物, 而且模型精度有待提高; 而有些模型需要的变量过多, 无法实际应用, 模型需要进一步简单化和智能化, 通过参数配置以适用于不同作物。
(3) 更精确的反演算法。现有基于统计学的算法对作物品种、作物生长条件依赖性较强, 而且受统计训练集的影响通用性差, 需要结合物理模型和统计学方法研究实用的综合反演法。
| [1] |
DIACONO M, RUBINO P, MONTEMURRO F. Precision nitrogen management of wheat-a review[J]. Agronomy for Sustainable Development, 2013, 33(1): 219-241. |
| [2] |
XU X G, ZHAO C J, WANG J H, et al. Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley[J]. Precision Agriculture, 2014, 15(2): 227-240. DOI:10.1007/s11119-013-9339-0 |
| [3] |
PAVULURI K, CHIM B K, GRIFFEY C A, et al. Canopy spectral reflectance can predict grain nitrogen use efficiency in soft red winter wheat[J]. Precision Agriculture, 2015, 16(4): 405-424. DOI:10.1007/s11119-014-9385-2 |
| [4] |
XUE L H, LI G H, QIN X, et al. Topdressing nitrogen recommendation for early rice with an active sensor in south China[J]. Precision Agriculture, 2014, 15(1): 95-110. DOI:10.1007/s11119-013-9326-5 |
| [5] |
QUEMADA M, GABRIEL J L, TEJADA P Z, et al. Airborne hyperspectral images and ground-level optical sensors as assessment tools for maize nitrogen fertilization[J]. Remote Sensing, 2014, 6(4): 2940-2962. DOI:10.3390/rs6042940 |
| [6] |
ZHOU X F, HUANG W J, KONG W P, et al. Remote estimation of canopy nitrogen content in winter wheat using airborne hyperspectral reflectance measurements[J]. Advances in Space Research, 2016, 58(9): 1627-1637. DOI:10.1016/j.asr.2016.06.034 |
| [7] |
WANG Z H, SKIDMOREA A K, WANG T J, et al. Canopy foliar nitrogen retrieved from airborne hyperspectral imagery by correcting for canopy structure effects[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 54: 84-94. DOI:10.1016/j.jag.2016.09.008 |
| [8] |
CATUREGLI L, CORNIGLIA M, GAETANI M, et al. Unmanned aerial vehicle to estimate nitrogen status of turfgrasses[J]. PLoS One, 2016, 11(6): 97-127. |
| [9] |
MARESMA A, ARIZA M, MARTíNEZ E, et al. Analysis of vegetation indices to determine nitrogen application and yield prediction in maize from a standard UAV service[J]. Remote Sensing, 2016, 8(2): 973. |
| [10] |
BAUSCH W C, KHOSLA R. QuickBird satellite versus ground-based multi-spectral data for estimating nitrogen status of irrigated maize[J]. Precision Agriculture, 2010, 11(2): 274-290. |
| [11] |
BASSO B, FIORENTINO C, CAMMARANO D. Variable rate nitrogen fertilizer response in wheat using remote sensing[J]. Precision Agriculture, 2016, 17(2): 168-182. DOI:10.1007/s11119-015-9414-9 |
| [12] |
黄敬峰, 王福民, 王秀珍. 水稻高光谱遥感实验研究[M]. 1版. 杭州: 浙江大学出版社, 2010.
|
| [13] |
CLEVERS J G P W, KOOISTRA L, BRANDE M M M. Using sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J]. Remote Sensing, 2017, 9(1): 405. |
| [14] |
MORENO F R, CID F L. A decision tree for nitrogen application based on a low cost radiometry[J]. Precision Agriculture, 2012, 13(1): 646-660. |
| [15] |
LEBOURGEOIS V, BE'GUE'A, LABBE' S, et al. A light-weight multi-spectral aerial imaging system for nitrogen crop monitoring[J]. Precision Agriculture, 2012, 13(5): 525-541. DOI:10.1007/s11119-012-9262-9 |
| [16] |
NILSON T, KUUSK A. A reflectance model for the homogeneous plant canopy and its inversion[J]. Remote Sensing of Environment, 1989, 27: 157-167. DOI:10.1016/0034-4257(89)90015-1 |
| [17] |
MRIDHA N, SAHOO R N, SEHGAL V K, et al. Comparative evaluation of inversion approaches of the radiative transfer model for estimation of crop biophysical parameters[J]. International Agrophysics, 2015, 29: 201-212. DOI:10.1515/intag-2015-0019 |
| [18] |
DONG T F, MENG J H, SHANG J L, et al. Evaluation of chlorophyll-related vegetation indices using simulated Sentinel-2 data for estimation of crop fraction of absorbed photosynthetically active radiation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8): 4049-4059. DOI:10.1109/JSTARS.2015.2400134 |
| [19] |
LI G X, WANG C, FENG M C, et al. Hyperspectral prediction of leaf area index of winter wheat in irrigated and rainfed fields[J]. PLoS One, 2017, 12(8): 98-110. |
| [20] |
雷宇斌, 朱善宽, 郭云开, 等. 极限学习机辅助下路域植被叶面积指数的反演[J]. 测绘通报, 2018(9): 82-86. |
| [21] |
尤号田, 邢艳秋, 彭涛, 等. LiDAR不同强度校正法对樟子松叶面积指数估测的影响[J]. 测绘学报, 2018, 47(2): 170-179. |
| [22] |
JOCHEM V, JORDI M, LUIS A, et al. Machine learning regression algorithms for biophysical parameter retrieval:opportunities for sentinel-2 and -3[J]. Remote Sensing of Environment, 2012, 118: 127-139. DOI:10.1016/j.rse.2011.11.002 |