Application and Development Trend of Hyperspectral Remote Sensing in Crop Research

doi:10.11924/j.issn.1000-6850.casb2024-0097

Abstract

Abstract:

Hyperspectral remote sensing is an important technology for crop research. In order to promote the healthy development and basic research of crop growth cycle, improve the application level of remote sensing technology in crop research, this paper summarizes the analysis algorithms of hyperspectral in crop research, focus on the research progress of hyperspectral in crop growth, crop information monitoring, and crop information extraction. This paper systematically reviews the studies on leaf area index, biomass estimation, nitrogen monitoring, chlorophyll monitoring, pest and disease monitoring, heavy metal monitoring, crop carbon to nitrogen ratio, and water content, which still need to be further developed. Analysis shows that the combination of hyperspectral technology and artificial intelligence has achieved initial results in crop research which is still difficult to meet the intelligent needs of modern agriculture. If the new generation of information technology and large models are used to empower, enormous research potential will be unleashed.

Key words: hyperspectral remote sensing, crops, crop growth, crop monitoring, crop information extraction

TAN Yulei, LI Xueyan, ZHANG Liyuan. Application and Development Trend of Hyperspectral Remote Sensing in Crop Research[J]. Chinese Agricultural Science Bulletin, 2024, 40(34): 141-148.

Figures/Tables 2

序号	名称	计算公式	特点	文献
1	简单比值指数(SRI)	$R 800 R 680$	植被覆盖度越高越敏感	[12]
2	归一化差异指数(NDI)	$R 800 - R 680 R 800 + R 680$	能反映出植物冠层的背景（如土壤、雪、枯叶等）影响	[12]
3	水体指数(WI)	$R 900 R 970$	可以突显水体信息	[13]
4	归一化水体指数(NDWI)	$R 900 - R 970 R 900 + R 970$	进行归一化差值处理，可用于植被含水量研究	[14]
5	结构不敏感色素指数(SIPI)	$R 800 - R 445 R 800 - R 680$	可预测相对不太敏感的叶色素含量和叶片结构变化	[15]
6	可见光大气修正植被指数(VARI)	$R 555 - R 680 R 555 + R 680 - R 480$	可消除大气因素对植被指数计算的影响	[16]
7	光化学植被指数(PRI)	$R 570 - R 531 R 570 + R 531$	在考虑太阳角的前提下进行植被指数的计算	[17]
8	植被衰老反射率指数(PSRI)	$R 680 - R 500 R 750$	可反映出叶片衰老与植物成熟度之间的关系	[18]
9	修正叶绿素吸收反射率指数(MCARI)	$R 700 - R 670 - 0.2 R 700 R 700 - R 550 R 670$	选择对叶绿素敏感的光谱通道进行植被指数的计算	[19]

序号	名称	计算公式	特点	文献
1	简单比值指数(SRI)	$R 800 R 680$	植被覆盖度越高越敏感	[12]
2	归一化差异指数(NDI)	$R 800 - R 680 R 800 + R 680$	能反映出植物冠层的背景（如土壤、雪、枯叶等）影响	[12]
3	水体指数(WI)	$R 900 R 970$	可以突显水体信息	[13]
4	归一化水体指数(NDWI)	$R 900 - R 970 R 900 + R 970$	进行归一化差值处理，可用于植被含水量研究	[14]
5	结构不敏感色素指数(SIPI)	$R 800 - R 445 R 800 - R 680$	可预测相对不太敏感的叶色素含量和叶片结构变化	[15]
6	可见光大气修正植被指数(VARI)	$R 555 - R 680 R 555 + R 680 - R 480$	可消除大气因素对植被指数计算的影响	[16]
7	光化学植被指数(PRI)	$R 570 - R 531 R 570 + R 531$	在考虑太阳角的前提下进行植被指数的计算	[17]
8	植被衰老反射率指数(PSRI)	$R 680 - R 500 R 750$	可反映出叶片衰老与植物成熟度之间的关系	[18]
9	修正叶绿素吸收反射率指数(MCARI)	$R 700 - R 670 - 0.2 R 700 R 700 - R 550 R 670$	选择对叶绿素敏感的光谱通道进行植被指数的计算	[19]

References 86

[1]	RAY S, HAQIQI I, HILL A E, et al. Labor markets: A critical link between global-local shocks and their impact on agriculture[J]. Environmental research letters, 2023, 18(3):35007.
[2]	韩东君, 满海红. 数字经济与农业发展耦合协调发展实证分析——以辽吉黑三省为例[J]. 商业经济, 2023,4:16-20.
[3]	花蕾. 黄土丘陵区水土保持型智慧农业研究[D]. 北京: 中国科学院大学, 2018.
[4]	杨含成. 高光谱遥感技术在智慧农业中的应用研究[J]. 南方农机, 2022, 53(20):156-158.
[5]	洪霞, 江洪, 余树全. 高光谱遥感在精准农业生产中的应用[J]. 安徽农业科学, 2010, 38(1):529-531.
[6]	谢国雪, 杨如军, 卢远, 等. 遥感技术在农业应用的进展分析[J]. 广西师范学院学报(自然科学版), 2014, 31(2):88-96.
[7]	SADEH R, AVNERI A, TUBUL Y, et al. Chickpea leaf water potential estimation from ground and VENS satellite[J]. Precision agriculture, 2024, 25(3):1658-1683.
[8]	张莹彤, 肖青, 闻建光. 地物波谱数据库建设进展及应用现状[J]. 遥感学报, 2017, 21(1):12-26.
[9]	YANG C, TAN Y L, LORENZO B, et al. Discriminative feature metric learning in the affinity propagation model for band selection in hyperspectral images[J]. Remote sensing, 2017, 9(8):782.
[10]	田永超, 杨杰, 姚霞, 等. 高光谱植被指数与水稻叶面积指数的定量关系[J]. 应用生态学报, 2009, 20(7):1685-1690.
[11]	肖璐洁, 杨武德, 冯美臣, 等. 基于高光谱植被指数的冬小麦估产模型[J]. 生态学杂志, 2022, 41(7):1433-1440.
[12]	SIM D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote sensing of environment, 2002, 81(2-3):331-354.
[13]	刘大众, 刘升平, 周国民, 等. 基于高光谱遥感监测小麦籽粒蛋白质含量的研究进展[J]. 东北农业科学, 2020, 45(4):108-112.
[14]	GAO B C. NDWI A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote sensing of environment, 1996, 58(3):257-266.
[15]	PENUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoid/ chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(2):221-230.
[16]	GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote sensing of environment, 2002, 80(1):76-87.
[17]	GAMON J A, PENUELAS J, FIELD C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote sensing of environment, 1992, 41(1):35-44.
[18]	MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia plantarum, 1999, 106(1):135-141.
[19]	DAUGHTRY C S T, WALTHALL C L, KIM M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote sensing of environment, 2000, 74(2):229-239.
[20]	管立新. 农作物监测高光谱遥感技术研究[D]. 深圳: 深圳大学, 2018.
[21]	王利龙, 吕航. 高光谱遥感技术在农作物监测中的应用[J]. 科技创新与应用, 2018(1):147-148.
[22]	李少鹏, 李霞, 黄祥志, 等. 新疆典型荒漠植物光谱数据库构建[J]. 新疆农业科学, 2013, 50(6):1128-1136.
[23]	易维宁, 陆亦怀, 罗明. 地物光谱数据库及其在遥感中的应用[J]. 光电子技术与信息, 1998, 11(5):25-28.
[24]	周小虎, 周鼎武. 数字化地物反射光谱数据库研究进展[J]. 光谱学与光谱分析, 2009, 29(6):1616-1622.
[25]	WEGMULLER U, MATZLER C, HUPPI R, et al. Active and passive microwave signature catalogue on bare soil (2-12 GHz)[J]. IEEE Transactions on geoscience remote sensing, 1994, 32(3):698-702.
[26]	屈永华, 刘素红, 王锦地, 等. 中国典型地物波谱数据库的研究与设计[J]. 遥感信息, 2004,2:5-8.
[27]	曹入尹, 陈云浩, 黄文江. 面向作物病害识别的高光谱波谱库设计与开发[J]. 自然灾害学报, 2008, 17(6):73-76.
[28]	张妍, 薄立群, 路兴昌. 长春净月潭地物波谱数据库的研究与开发[J]. 遥感信息, 2002(6):25-27.
[29]	黄传印. 基于端元差异的茶树光谱特征研究[D]. 福州: 福建师范大学, 2014.
[30]	黄亮平. 高光谱遥感在农作物生长监测的应用研究进展[J]. 农村经济与科技, 2019, 30(5):42-44.
[31]	DELEGIDO J, VERRELST J, RIVERA J P, et al. Brown and green LAI mapping through spectral indices[J]. International journal of applied earth observation geoinformation, 2015,35:350-358.
[32]	姚延娟, 刘强, 柳钦火. 异质性地表的叶面积指数反演的不确定性分析[J]. 遥感学报, 2007(6):763-770.
[33]	高林, 杨贵军, 于海洋, 等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报, 2016, 32(22):113-120.
[34]	夏天, 吴文斌, 周清波, 等. 基于高光谱的冬小麦叶面积指数估算方法[J]. 中国农业科学, 2012, 45(10):2085-2092. doi: 10.3864/j.issn.0578-1752.2012.10.022
[35]	赵娟, 黄文江, 张耀鸿, 等. 冬小麦不同生育时期叶面积指数反演方法[J]. 光谱学与光谱分析, 2013, 33(9):2546-2552.
[36]	杨峰, 范亚民, 李建龙, 等. 高光谱数据估测稻麦叶面积指数和叶绿素密度[J]. 农业工程学报, 2010, 26(2):237-243.
[37]	宋开山, 张柏, 王宗明. 玉米和大豆LAI高光谱遥感估算模型研究[J]. 农业信息科学, 2005, 21(1):318-322.
[38]	范剑, 尤慧, 刘凯文, 等. 不同播期冬小麦叶面积指数高光谱遥感监测模型[J]. 气象科技进展, 2018, 8(5):72-77.
[39]	PSOMAS A, KNEUBUHLER M, HUBER S, et al. Hyperspectral remote sensing for estimating aboveground biomass and for exploring species richness patterns of grassland habitats[J]. International journal of remote sensing, 2011, 32(24):9007-9031.
[40]	田婷, 张青, 徐雯. 基于无人机多光谱影像的水稻冠层SPAD值预测研究[J]. 中国农学通报, 2023, 39(4):149-153. doi: 10.11924/j.issn.1000-6850.casb2022-0176
[41]	HARALD Z, ALEXANDER B, CYRUS S. Potential of space-borne hyperspectral data for biomass quantification in an arid environment: Advantages and limitations[J]. Remote sensing, 2015, 7(4):4565-4580.
[42]	KROSS A, MCNAIRN H, LAPEN D et al. Assessment of rapid eye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops[J]. International journal of applied earth observation and geo-information, 2015, 34(1):235-248.
[43]	吴琼, 齐波, 赵团结, 等. 高光谱遥感估测大豆冠层生长和籽粒产量的探讨[J]. 作物学报, 2013, 39(2):309-318.
[44]	刘焕军, 康苒, 张新乐, 等. 基于时间序列高光谱遥感影像的田块尺度作物产量预测[J]. 光谱学与光谱分析, 2016, 36(8):2585-2589.
[45]	侯学会, 牛铮, 黄妮, 等. 小麦生物量和真实叶面积指数的高光谱遥感估算模型[J]. 国土资源遥感, 2012, 24(4):30-35.
[46]	梁红霞, 马友华, 黄文江, 等. 基于遥感数据的冬小麦长势监测和变量施肥研究进展[J]. 麦类作物学报, 2005(3):119-124.
[47]	张贺景. 基于高光谱遥感的玉米叶片磷素营养估测[D]. 呼和浩特: 内蒙古农业大学, 2022.
[48]	杜文. 面向精准喷施的粳稻氮素营养无人机高光谱反演方法研究[D]. 沈阳: 沈阳农业大学, 2018.
[49]	李永梅, 张学俭, 张立根. 水稻氮素高光谱遥感估测模型研究[J]. 江苏农业科学, 2016, 44(8):435-439.
[50]	INOUE Y, PENUELAS J. An AOTF-based hyperspectral imaging system for field use in ecophysiological and agricultural applications[J]. International journal of remote sensing, 2001, 22(18):3883-3888.
[51]	BLACKMER T M, SCHEPERS J S, VARVEL G E, et al. Nitrogen deficiency detect ion using reflected shortwave radiation from irrigated corn canopies[J]. Agronomy journal, 1996, 88(1):1-5.
[52]	李哲, 田海清, 王辉, 等. 基于高光谱的甜菜冠层氮素遥感估算研究[J]. 农机化研究, 2016, 38(6):210-214.
[53]	章文龙, 曾从盛, 高灯州, 等. 闽江河口湿地秋茄叶绿素含量高光谱遥感估算[J]. 生态学报, 2014, 34(21):6190-6197.
[54]	宫兆宁, 赵雅莉, 赵文吉, 等. 基于光谱指数的植物叶片叶绿素含量的估算模型[J]. 生态学报, 2014, 34(20):5737-5745.
[55]	PINAR A. Grass chlorophyll and the reflectance red edge[J]. International journal of remote sensing, 1996, 17(2):351-357.
[56]	CURRAN P J. Remote sensing of foliar chemistry[J]. Remote sensing of environment, 1989, 30(3):271-278.
[57]	吕杰, 汪康宁, 李崇贵, 等. 基于高光谱遥感的玉米叶绿素含量估测模型[J]. 中国矿业大学学报, 2016, 45(2):405-410.
[58]	梁亮, 杨敏华, 张连蓬, 等. 基于SVR算法的小麦冠层叶绿素含量高光谱反演[J]. 农业工程学报, 2010, 28(20):162-171.
[59]	DAUGHTRY C S T, WALTHALL C L, KIM M S. Estimating corn leaf chlorophyll coneentration from leaf and canopy reflectance[J]. Remote sensing of environment, 2002, 74(2):229-239.
[60]	马元花, 印彩霞, 王红玉, 等. 基于高光谱的棉花叶片磷含量估测模型[J]. 中国农学通报, 2023, 39(1):123-132. doi: 10.11924/j.issn.1000-6850.casb2021-1212
[61]	赵占辉, 张丛志, 张佳宝. 基于回归分析的玉米冠层叶绿素含量高光谱反演分析[J]. 中国农学通报, 2021, 37(20):7-16. doi: 10.11924/j.issn.1000-6850.casb2020-0534
[62]	张凝, 杨贵军, 赵春江, 等. 作物病虫害高光谱遥感进展与展望[J]. 遥感学报, 2021, 25(1):403-422.
[63]	马菁, 张学俭. 枸杞病虫害遥感近地高光谱特征研究[J]. 广东农业科学, 2015, 42(13):165-172.
[64]	STEDDOM K, BREDEHODFT M W, KHAN M, et al. Comparison of visual and multispectral radiometric disease evaluations of cercospora leaf spot of sugar beet[J]. Plant disease, 2005, 89(2):153-158. doi: 10.1094/PD-89-0153 pmid: 30795217
[65]	吴曙雯, 王人潮, 陈晓斌, 等. 稻叶瘟对水稻光谱特性的影响研究[J]. 上海交通大学学报(农业科学版), 2001, 20(1):73-76.
[66]	张玉萍, 马占鸿. 氮素和小麦条锈病胁迫下小麦高光谱遥感估产模型研究[J]. 中国农学通报, 2014, 30(36):133-140. doi: 10.11924/j.issn.1000-6850.2014-2637
[67]	庄东英, 殷敏, 耿安红, 等. 基于HJ卫星的冬小麦白粉病监测研究[J]. 中国农学通报, 2023, 39(28):137-141. doi: 10.11924/j.issn.1000-6850.casb2022-0738
[68]	刘佳, 邵杰, 王利民, 等. 基于高光谱微分指数监测春玉米大斑病的研究[J]. 中国农学通报, 2019, 35(6):143-150. doi: 10.11924/j.issn.1000-6850.casb18090024
[69]	王爽, 马占鸿, 孙振宇, 等. 基于高光谱遥感的小麦条锈病胁迫下的产量损失估计[J]. 中国农学通报, 2011, 27(21):253-258.
[70]	胡祖庆, 亢菊侠, 罗晨. 麦长管蚜胁迫下不同小麦品种冠层光谱特征及其预测模型[J]. 南京农业大学学报, 2015, 38(2):267-272.
[71]	贺军亮, 张淑媛, 查勇, 等. 高光谱遥感反演土壤重金属含量研究进展[J]. 遥感技术与应用, 2015, 30(3):407-412. doi: 10.11873/j.issn.1004\\|0323.2015.3.0407
[72]	肖捷颖, 王燕, 张倩, 等. 土壤重金属含量的高光谱遥感反演方法综述[J]. 湖北农业科学, 2013, 52(6):1248-1253.
[73]	任红艳. 宝山矿区农田土壤—水稻系统重金属污染的遥感监测[D]. 南京: 南京农业大学, 2008.
[74]	WU Y, CHEN J, WU X, et al. Possibilities of reflectance spectroscopy for the assessment of contaminant elements in suburban soils[J]. Applied geochemistry, 2005, 20(6):1051-1059.
[75]	WU Y, CHEN J, JI J, et al. A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J]. Soil science society of America journal, 2007, 71(3):918-926.
[76]	梁远玲. 基于实测高光谱与Landsat8影像的土壤重金属含量反演[D]. 成都: 成都理工大学, 2020.
[77]	李力生, 彭玛丽. 高光谱遥感数据在农作物重金属胁迫调查中的应用[J]. 安徽农业科学, 2016, 44(24):238-240.
[78]	WANG J, CUI L, GAO W, et al. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J]. Geoderma, 2014, 216(4):1-9.
[79]	姚霞, 王雪, 黄宇, 等. 应用近红外光谱法估测小麦叶片糖氮比[J]. 应用生态学报, 2015, 26(8):2371-2378.
[80]	高龙梅, 冯美臣, 陈鹏, 等. 不同播期冬小麦茎叶碳氮比的光谱监测,[J]. 麦类作物学报, 2014, 34(6):816-822.
[81]	王烁. 基于高光谱遥感的关中地区玉米农学参数估测的研究[D]. 咸阳: 西北农林科技大学, 2018.
[82]	张海艳. 基于高光谱遥感的小麦资源利用效率研究[D]. 郑州: 河南农业大学, 2020.
[83]	刘影, 姚艳敏. 土壤含水量高光谱遥感定量反演研究进展[J]. 中国农学通报, 2016, 32(7):127-134. doi: 10.11924/j.issn.1000-6850.casb15090128
[84]	GRAEFF S, CLAUPEIN W. Identification and discrimination of water stress in wheat leaves (Triticum aestivum L.) by means of reflectance measurements[J]. Irrigation science, 2007, 26(1):61-70.
[85]	肖莉娟, 王登伟, 黄春燕, 等. 基于冠层温度棉花水分胁迫指数与高光谱植被指数的关系[J]. 新疆农业科, 2013, 50(9):1577-1582.
[86]	韩刚. 基于高光谱的小麦植株水分状况监测研究[D]. 南京: 南京农业大学, 2011.