在農(nóng)業(yè)現(xiàn)代化的進程中，如何更加精準和高效地管理農(nóng)作物，以實現(xiàn)增產(chǎn)、提質(zhì)和降耗，成為了一個重要的課題。高光譜成像技術(shù)憑借其優(yōu)勢，正在為智慧農(nóng)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(nóng)業(yè)中的幾種主要應(yīng)用，揭示其在推動農(nóng)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

• 無損檢測

• 高效獲取大面積農(nóng)田的光譜數(shù)據(jù)

• 降低人工成本，實現(xiàn)智能化管理

高光譜成像線掃描示意圖，不僅能捕捉到農(nóng)作物的圖像，還能獲取其在數(shù)百個極窄波長范圍內(nèi)的光譜信息（圖源網(wǎng)絡(luò)）

典型濕地植物葉片的光譜曲線

高光譜成像在農(nóng)業(yè)中的應(yīng)用

1. 作物生長監(jiān)測

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

干旱脅迫監(jiān)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監(jiān)測植物葉片在特定波段的反射率變化來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空動態(tài)，可以通過假彩色圖像進行可視化。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的干旱脅迫出現(xiàn)之前，進行對植物狀態(tài)的觀察。圖像中，綠色區(qū)域表示植物健康的概率較高，而深紅色區(qū)域則表示與干旱脅迫相關(guān)的概率較高。

葉綠素監(jiān)測：葉綠素是植物光合作用的關(guān)鍵成分，主要吸收可見光譜中的輻射能量，尤其是在藍光和紅光區(qū)域。農(nóng)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(qū)域的吸收效果越好，表明植物光合作用的效率更高。結(jié)合高光譜遙感技術(shù)與人工智能方法，可以有效監(jiān)測農(nóng)作物的葉綠素含量，實現(xiàn)作物生長動態(tài)的分析。

2. 產(chǎn)量預估

通過分析作物在特定生長階段的高光譜光譜特征，結(jié)合歷史氣象數(shù)據(jù)、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(shù)，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(shù)據(jù)（350~2500nm）和無人機高光譜數(shù)據(jù)（450~950nm）估算冬小麥產(chǎn)量。

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

3. 病蟲害監(jiān)測

被昆蟲啃食的植物，葉綠素下降，葉面積、葉片機構(gòu)也會發(fā)生變化；而感染真菌病害的植物葉片，其細胞結(jié)構(gòu)會被破壞，葉綠素會分解。這些都會導致葉片在可見光波段的反射率升高，近紅外波段的反射率也會發(fā)生變化。通過定期監(jiān)測農(nóng)田的光譜，可以及時發(fā)現(xiàn)病蟲害，采取防治措施。

結(jié)語

隨著高光譜成像技術(shù)的不斷發(fā)展，我們期待其在農(nóng)業(yè)中的廣泛應(yīng)用，助力實現(xiàn)更高效的作物監(jiān)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(nóng)作物研究中的應(yīng)用與發(fā)展趨勢. 中國農(nóng)學通報 . 2024, (34): 141 -148.