作物葉綠素遙感監(jiān)測(cè)研究文獻(xiàn)綜述1.1作物葉綠素遙感監(jiān)測(cè)依據(jù)在一定外來(lái)輻射的作用下，植物葉片中各種生物化學(xué)元素所構(gòu)成的分子鍵發(fā)生彎曲、振動(dòng)、擴(kuò)展和電子躍遷等，從而可以引起特定波長(zhǎng)上對(duì)光譜的吸收和發(fā)射所產(chǎn)生的波動(dòng)，不同目標(biāo)物的吸收和發(fā)射變化的程度也會(huì)存在著較大的差異，從而導(dǎo)致其形成不同的光譜反射率(劉良云2014)。因受到了綠色植物內(nèi)部組織結(jié)構(gòu)、生物化學(xué)組成成分及表型特點(diǎn)的影響，植物對(duì)于不同譜帶的反射率的大小都是存在著差異，而這種偏差反射率的差別恰恰是現(xiàn)代遙感技術(shù)對(duì)于人們實(shí)時(shí)進(jìn)行農(nóng)作物生長(zhǎng)信息監(jiān)控的重要依據(jù)，也是實(shí)現(xiàn)植被遙感的重要理論基礎(chǔ)。作物冠層的光譜特點(diǎn)主要受到葉片及冠層的結(jié)構(gòu)與其生長(zhǎng)情況等多種環(huán)境因素的影響，在始終保持了葉片的反射光譜特點(diǎn)總體形式的基礎(chǔ)上，反射率在各個(gè)波長(zhǎng)位置處又稍微存在差異。作物中的葉綠素在可見光波段(400~700nm)強(qiáng)烈地吸收輻射，在波長(zhǎng)430nm(藍(lán)光)和660nm(紅光)處的葉綠素a和在450nm(藍(lán)光)和650nm(紅光)處的葉綠素b之間的吸收最為明顯，在波長(zhǎng)位于藍(lán)光和紅光附近分別形成兩個(gè)小的吸收谷，在綠光處則形成一個(gè)小的反射峰。藍(lán)光、綠光和紅光波段被認(rèn)為是監(jiān)測(cè)葉綠素極有價(jià)值的波段。由于葉片密度和冠層結(jié)構(gòu)的影響，作物在近紅外區(qū)(700nm~1300nm)有較高的反射率。葉片內(nèi)部結(jié)構(gòu)和組分差異性越強(qiáng)，光譜反射率也越高。近紅外光譜是研究作物葉綠素的一個(gè)重要候選波段。紅邊700nm-780nm波段特指作物葉綠素在紅光處強(qiáng)烈吸收和近紅外處強(qiáng)烈反射光譜區(qū)間之間的一個(gè)過渡光譜區(qū)域，是綠色植物區(qū)別于其它地物類型的典型光譜特征，對(duì)作物生物化學(xué)成分，長(zhǎng)勢(shì)狀況和表型特征極為敏感。紅邊對(duì)作物葉綠素光譜響應(yīng)很強(qiáng)，而紅邊參數(shù)成為作物生長(zhǎng)監(jiān)測(cè)的最重要指標(biāo)之一。1.2光譜指數(shù)方法 光譜中紅色和近紅外光譜反射率之間的顯著差異是構(gòu)造基于可見光和近紅外區(qū)域反射率光譜指數(shù)的重要依據(jù)(Mulla2013)。光譜指數(shù)利用綠色植被光譜的曲線特征，將可見光光譜的低反射率與近紅外光譜的高反射率相結(jié)合(Daughtryetal.2000a)。這些組合可以是兩個(gè)或多個(gè)波段、導(dǎo)數(shù)或其他形式的組合，以最小化外部因素引起的變化的影響，并最大限度地提高對(duì)所研究對(duì)象的敏感度。尼加提·卡斯木等(2017)利用偏最小二乘回歸法（PLSR），將16個(gè)高光譜構(gòu)建的敏感參數(shù)與葉綠素進(jìn)行了相關(guān)性分析并建立估算模型，結(jié)果發(fā)現(xiàn)模型的決定系數(shù)最高可達(dá)0.8，且820-940nm光譜范圍內(nèi)所構(gòu)建的模型精度最優(yōu)。鞠昌華等(2008)研究了小麥單層及疊加葉片不同波長(zhǎng)光譜反射率及12種常用植被指數(shù)對(duì)葉綠素含量的響應(yīng)特征，其中，葉綠素吸收反射指數(shù)（TCARI）對(duì)于不同單層小麥葉片和不同的葉片疊加的葉層數(shù)量的小麥及其葉片均同樣具有最佳的小麥光合作用預(yù)測(cè)分析功能，可以實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)每一個(gè)單層小麥的光合葉綠素含量水平，進(jìn)而快速確定其所在光合作用下的特性。梁亮等(2012)通過綜合預(yù)測(cè)分析18種高光譜特征指數(shù)，甄別計(jì)算得到了相對(duì)敏感的預(yù)測(cè)葉綠素表征含量的反演指數(shù)REP，利用地面光譜儀數(shù)據(jù)進(jìn)行建模，以最小二乘支持向量機(jī)方法建立了一個(gè)預(yù)測(cè)葉綠素表征含量的模型，其建模和驗(yàn)證決定系數(shù)絕對(duì)值分別為的是0.751和0.722，反演模型準(zhǔn)確率相對(duì)較高，可應(yīng)用于小麥葉綠素含量快速、無(wú)損準(zhǔn)確地獲取。張娟娟等(2014)設(shè)置了3種土壤質(zhì)地（沙土、壤土和黏土）、5種施氮水平（0、120、225、330、435kg/hm2）和3個(gè)小麥品種（矮抗58、周麥22和鄭麥366）的試驗(yàn)條件，研究發(fā)現(xiàn)，光譜指數(shù)REPIG和mND705對(duì)葉片葉綠素含量監(jiān)測(cè)效果較好，利用上述光譜指數(shù)的估測(cè)模型可以較好預(yù)測(cè)當(dāng)?shù)匦←溔~綠素含量，同時(shí)為氮肥施用及調(diào)控提供技術(shù)依據(jù)。裴浩杰等(2017：74)利用無(wú)人機(jī)低空遙感平臺(tái)采集了小麥冠層的高光譜圖像，通過對(duì)小麥關(guān)鍵生產(chǎn)期綜合生長(zhǎng)指數(shù)(CGI)進(jìn)行了研究，構(gòu)建了對(duì)小麥葉片中葉綠素含量進(jìn)行估算的模型，估算模型中的決定系數(shù)大于0.7，為小麥葉綠素含量的監(jiān)測(cè)工作提供了良好的依據(jù)和參考。1.3高光譜數(shù)據(jù)降維高光譜數(shù)據(jù)已用于評(píng)估各種作物的葉綠素含量。孫紅等(2018)利用馬鈴薯不同垂直葉位處葉片的高光譜影像，基于此建立了隨機(jī)森林-偏最小二乘(RF-PLS)模型來(lái)準(zhǔn)確估算不同位置處垂直葉位的葉綠素含量。結(jié)果表明，不同垂直葉位的高光譜反射率不同。毛博慧等(2017：164)通過遺傳算法研究了冬小麥冠層在325~1075nm波段的反射光譜，并且利用遺傳算法應(yīng)用于光譜中的特點(diǎn)對(duì)參數(shù)進(jìn)行了優(yōu)化，同時(shí)結(jié)合相關(guān)分析，采用最小二乘代入支持向量機(jī)估算方法，構(gòu)建冬小麥葉綠素含量預(yù)測(cè)模型，為其后續(xù)的施肥決策工作提供了支持。Nijat等(2017)通過使用高光譜數(shù)據(jù)結(jié)合偏最小二乘回歸模型預(yù)測(cè)了春小麥冠層葉綠素分布水平。高光譜數(shù)據(jù)雖然比多光譜數(shù)據(jù)更詳細(xì)地描述了冠層或葉片的吸收和反射特征，但相鄰波段也容易產(chǎn)生光譜自相關(guān)(于宏威等2016)。一方面對(duì)目標(biāo)參量不敏感的波段的存在會(huì)增加計(jì)算時(shí)間，另一方面相鄰波段之間的共線性會(huì)導(dǎo)致統(tǒng)計(jì)模型的預(yù)測(cè)能力不穩(wěn)定(Moghimietal.2018)。因此，通常利用減少數(shù)據(jù)維數(shù)的方法來(lái)達(dá)到克服數(shù)據(jù)冗余的目的，從而以提高模型效率，降低過度擬合風(fēng)險(xiǎn)(Alkhaledetal.2020)。降維有兩種不同的方法:一種是特征提取，通過將原始數(shù)據(jù)轉(zhuǎn)化為其他特征空間，使生成的低維數(shù)據(jù)能夠包含絕大部分信息(Alvarez-Mezaetal.2017)，如主成分分析(principalcomponentanalysis,PCA)。然而，雖然這些方法獲得的主成分相互獨(dú)立，但每個(gè)主成分的含義并不像原始數(shù)據(jù)那樣清晰。另外，方差較小的各個(gè)主成分也可能包含關(guān)于數(shù)據(jù)間差異的重要性信息，因此，丟棄這些信息可能會(huì)對(duì)最終參數(shù)反演精度產(chǎn)生影響。另一種降維方法稱為特征選擇，即選擇一組包含原始數(shù)據(jù)集中最重要和有用信息的特征。例如，連續(xù)投影算法（SPA）、遺傳算法(GA)和基于相關(guān)的特征選擇(CC)等方法就屬于這一類。與特征提取方法相比，特征選擇方法不僅避免了維數(shù)詛咒，而且保持了原始數(shù)據(jù)的特征，使結(jié)果更具可解釋性，降維的目的是消除冗余特征的負(fù)面影響，提高模型性能。綜上，作物生長(zhǎng)信息遙感監(jiān)測(cè)具備科學(xué)的理論基礎(chǔ)，基于光譜指數(shù)和高光譜數(shù)據(jù)降維的方法可以有效提取光譜特征，且反演模型越來(lái)越多樣化，但針對(duì)不同地區(qū)、不同氣候條件下和不同作物，各種方法的適用性仍需深入探究。參考文獻(xiàn)陳曉凱,李粉玲,王玉娜,史博太,侯玉昊,常慶瑞.2020.無(wú)人機(jī)高光譜遙感估算冬小麥葉面積指數(shù).農(nóng)業(yè)工程學(xué)報(bào),36(22):40-49何彩蓮,鄭順林,萬(wàn)年鑫,趙婷婷,袁繼超,何衛(wèi),胡建軍.2016.馬鈴薯光譜及數(shù)字圖像特征參數(shù)對(duì)氮素水平的響應(yīng)及其應(yīng)用.光譜學(xué)與光譜分析,36(009):2930-2936江杰,張澤宇,曹強(qiáng),田永超,朱艷,曹衛(wèi)星,劉小軍.2019.基于消費(fèi)級(jí)無(wú)人機(jī)搭載數(shù)碼相機(jī)監(jiān)測(cè)小麥長(zhǎng)勢(shì)狀況研究.南京農(nóng)業(yè)大學(xué)學(xué)報(bào)(4):622-631蔣和平,王曉君,何亞萍.2020."十四五"時(shí)期的我國(guó)糧食安全:形勢(shì),問題與對(duì)策.改革,No.319(09):27-39金偉,葛宏立,杜華強(qiáng),徐小軍.2009.無(wú)人機(jī)遙感發(fā)展與應(yīng)用概況.遙感信息,000(001):88-92鞠昌華,田永超,朱艷,姚霞,曹衛(wèi)星.2008.小麥疊加葉片的葉綠素含量光譜反演研究.麥類作物學(xué)報(bào),28(6):1068-1074劉良云.2014.植被定量遙感原理與應(yīng)用.科學(xué)出版社李粉玲,王力,劉京,常慶瑞.2015.基于高分一號(hào)衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算.農(nóng)業(yè)機(jī)械學(xué)報(bào)(09):273-281李杰,馮躍華,牟桂婷,許桂玲,羅強(qiáng)鑫,羅康杰,黃世鳳,石欣,管正策,葉勇,黃佑崗.2017.基于SPAD值的水稻施氮葉值模型構(gòu)建及應(yīng)用效果.中國(guó)農(nóng)業(yè)科學(xué),50(24):4714-4724李紅軍,李佳珍,雷玉平,張玉銘.2017.無(wú)人機(jī)搭載數(shù)碼相機(jī)航拍進(jìn)行小麥、玉米氮素營(yíng)養(yǎng)診斷研究.中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),25(12):1832-1841梁亮,楊敏華,張連蓬,林卉,周興東.2012.基于SVR算法的小麥冠層葉綠素含量高光譜反演.農(nóng)業(yè)工程學(xué)報(bào),28(20):162-171劉振波,鄒嫻,葛云健,陳健,曹雨濛.2018.基于高分一號(hào)WFV影像的隨機(jī)森林算法反演水稻LAI.遙感技術(shù)與應(yīng)用,33(003):458-464陸坤,孟慶巖,孫云曉,孫震輝,張琳琳.2018.基于GF-2衛(wèi)星數(shù)據(jù)的孕穗期小麥葉面積指數(shù)反演——以河北省廊坊市為例.國(guó)土資源遙感,30(001):196-202馬明洋,許童羽,周云成,于豐華,苗騰,馬航.2017.東北粳稻葉綠素相對(duì)含量的無(wú)人機(jī)高清影像檢測(cè)方法.沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)48(06):757-762馬巖川,劉浩,陳智芳,張凱,余軒,王景雷,孫景生.2019.基于高光譜指數(shù)的棉花冠層等效水厚度估算.中國(guó)農(nóng)業(yè)科學(xué),52(24):4470-4483毛博慧,李民贊,孫紅,劉豪杰,張俊逸,QinZhang.2017.冬小麥苗期葉綠素含量檢測(cè)光譜學(xué)參數(shù)尋優(yōu).農(nóng)業(yè)工程學(xué)報(bào),33(0z1):164-169尼加提·卡斯木,師慶東,王敬哲,茹克亞·薩吾提.2017.基于高光譜特征和偏最小二乘法的春小麥葉綠素含量估算.農(nóng)業(yè)工程學(xué)報(bào),33(022):208-216裴浩杰,馮海寬,李長(zhǎng)春,金秀良,李振海,楊貴軍.2017.基于綜合指標(biāo)的冬小麥長(zhǎng)勢(shì)無(wú)人機(jī)遙感