在農業(yè)現代化的進(jìn)程中，如何更加精準和高效地管理農作物，以實(shí)現增產(chǎn)、提質(zhì)和降耗，成為了一個(gè)重要的課題。高光譜成像技術(shù)憑借其優(yōu)勢，正在為智慧農業(yè)的發(fā)展提供新的解決方案。本篇我們將探討高光譜技術(shù)在精準農業(yè)中的幾種主要應用，揭示其在推動(dòng)農業(yè)生產(chǎn)革新與提升效率方面的作用。

高光譜成像的優(yōu)勢

• 無(wú)損檢測

• 高效獲取大面積農田的光譜數據

• 降低人工成本，實(shí)現智能化管理

高光譜成像線(xiàn)掃描示意圖，不僅能捕捉到農作物的圖像，還能獲取其在數百個(gè)極窄波長(cháng)范圍內的光譜信息（圖源網(wǎng)絡(luò )）

典型濕地植物葉片的光譜曲線(xiàn)

高光譜成像在農業(yè)中的應用

1. 作物生長(cháng)監測

養分管理：高光譜成像技術(shù)能夠有效監測農作物對氮、磷、鉀等營(yíng)養元素的吸收。當作物缺乏某種營(yíng)養元素時(shí)，其葉片的光譜反射率會(huì )發(fā)生變化。例如，缺氮的作物葉綠素含量降低，導致可見(jiàn)光波段的反射率上升，而近紅外波段的反射率則下降。通過(guò)分析高光譜數據，種植者可以準確評估作物的營(yíng)養狀態(tài)，從而優(yōu)化施肥策略。

干旱脅迫監測：干旱是影響作物產(chǎn)量的關(guān)鍵因素。高光譜成像可以通過(guò)監測植物葉片在特定波段的反射率變化來(lái)判斷干旱脅迫的程度。例如，在干旱條件下，植物葉片的水分含量減少，導致近紅外和中紅外波段的反射率發(fā)生變化。

大麥在干旱脅迫下的時(shí)空動(dòng)態(tài)，可以通過(guò)假彩色圖像進(jìn)行可視化。干旱脅迫植物的圖像只記錄到第10天，也就是僅在肉眼可見(jiàn)的干旱脅迫出現之前，進(jìn)行對植物狀態(tài)的觀(guān)察。圖像中，綠色區域表示植物健康的概率較高，而深紅色區域則表示與干旱脅迫相關(guān)的概率較高。

葉綠素監測：葉綠素是植物光合作用的關(guān)鍵成分，主要吸收可見(jiàn)光譜中的輻射能量，尤其是在藍光和紅光區域。農作物的“紅邊"特性與葉綠素含量密切相關(guān)，葉綠素濃度越高，紅光區域的吸收效果越好，表明植物光合作用的效率更高。結合高光譜遙感技術(shù)與人工智能方法，可以有效監測農作物的葉綠素含量，實(shí)現作物生長(cháng)動(dòng)態(tài)的分析。

2. 產(chǎn)量預估

通過(guò)分析作物在特定生長(cháng)階段的高光譜光譜特征，結合歷史氣象數據、土壤信息等，可以建立產(chǎn)量預測模型。Li, K.-Y等人使用高光譜成像儀，提取窄波段植被指數，評估春小麥、豌豆和燕麥混合種植的谷物產(chǎn)量和秸稈產(chǎn)量。Feng, H等人研究使用地物光譜數據（350~2500nm）和無(wú)人機高光譜數據（450~950nm）估算冬小麥產(chǎn)量。

平均輻射度，來(lái)自春小麥（SW）、豌豆和燕麥混合物（P+O）的高光譜數據，按照A.土壤耕作法（STM）和B.耕作法（CM）農業(yè)作分組，其中包含子集。

3. 病蟲(chóng)害監測

被昆蟲(chóng)啃食的植物，葉綠素下降，葉面積、葉片機構也會(huì )發(fā)生變化；而感染真菌病害的植物葉片，其細胞結構會(huì )被破壞，葉綠素會(huì )分解。這些都會(huì )導致葉片在可見(jiàn)光波段的反射率升高，近紅外波段的反射率也會(huì )發(fā)生變化。通過(guò)定期監測農田的光譜，可以及時(shí)發(fā)現病蟲(chóng)害，采取防治措施。

結語(yǔ)

隨著(zhù)高光譜成像技術(shù)的不斷發(fā)展，我們期待其在農業(yè)中的廣泛應用，助力實(shí)現更高效的作物監測和管理。

參考論文：

1. M. Rossini , F. Fava , S. Cogliati , M. Meroni , A. Marchesi , C. Panigada , C. Giardino , L. Busetto , M. Migliavacca , S. Amaducci , R. Colombo. Assessing canopy PRI from airborne imagery to map water stress in maize. ISPRS Journal of Photogrammetry and Remote Sensing. 2013, Volume 86, 168-177.

2. Li, K.-Y.; Sampaio de Lima, R.; Burnside, N.G.; Vahtm?e, E.; Kutser, T.; Sepp, K.; Cabral Pinheiro, V.H.; Yang, M.-D.; Vain, A.; Sepp, K. Toward Automated Machine Learning-Based Hyperspectral Image Analysis in Crop Yield and Biomass Estimation. Remote Sens. 2022, 14, 1114.

3. Feng, H.; Tao, H.; Fan, Y.; Liu, Y.; Li, Z.; Yang, G.; Zhao, C. Comparison of Winter Wheat Yield Estimation Based on Near-Surface Hyperspectral and UAV Hyperspectral Remote Sensing Data. Remote Sens. 2022, 14, 4158.

4. 譚雨蕾, 李雪巖, 張力元. 高光譜遙感在農作物研究中的應用與發(fā)展趨勢. 中國農學(xué)通報 . 2024, (34): 141 -148.