高光譜成像（Hyperspectral Imaging, HSI）技術(shù)通過在可見光至近紅外波段（400-2500 nm）連續(xù)采集數(shù)百個窄波段的光譜數(shù)據(jù)，結(jié)合空間信息和光譜信息，能夠?qū)崿F(xiàn)對作物生理生化參數(shù)的非接觸式、高精度監(jiān)測。近年來，隨著遙感技術(shù)和人工智能算法的發(fā)展，高光譜成像系統(tǒng)（SKY機載高光譜相機+中達瑞和 云平臺）已成為作物長勢監(jiān)測和產(chǎn)量預估的重要工具。本文系統(tǒng)梳理該技術(shù)的原理、應用進展，為相關(guān)研究提供參考。

高光譜成像技術(shù)原理與優(yōu)勢

1. 技術(shù)原理

光譜特征：植物葉片的反射率、透射率和發(fā)射率受葉綠素含量、水分含量、氮素濃度等參數(shù)影響，形成獨特的光譜"指紋"。

空間分辨率：高光譜成像可實現(xiàn)單株或田塊尺度的空間解析。

多維數(shù)據(jù)融合：結(jié)合光譜特征（波長維度）、空間特征（二維圖像）和時間序列（生長周期），構(gòu)建三維數(shù)據(jù)立方體。

2. 技術(shù)優(yōu)勢

非破壞性監(jiān)測：無需采樣，減少對作物生長的干擾。

高靈敏度：可檢測作物早期脅迫（如干旱、病害）導致的光譜細微變化。

多參數(shù)同步獲取：同時反演葉面積指數(shù)（LAI）、葉綠素含量（SPAD）、生物量等關(guān)鍵參數(shù)。

作物長勢監(jiān)測研究進展

1. 關(guān)鍵參數(shù)反演

葉綠素含量：基于650-750 nm波段的紅邊特征，利用指數(shù)模型（如NDVI、GNDVI）或機器學習模型（如SVM、隨機森林）反演精度可達90%以上（Zhang et al., 2021）。

水分脅迫檢測：1300-1500 nm波段的吸收特征與葉水勢顯著相關(guān)，結(jié)合植被指數(shù)（如WBI）可實現(xiàn)干旱脅迫的早期識別（Gitelson et al., 2020）。

氮素營養(yǎng)診斷：550 nm和700 nm波段的光譜反射率與葉片氮含量呈顯著負相關(guān)，支持精準施肥決策（Zhao et al., 2022）。

2. 多平臺應用

地面傳感器：手持式或車載高光譜設(shè)備適用于小尺度田間實驗，如作物表型分析平臺（中達瑞和）。

無人機載系統(tǒng)：機載高光譜相機（如中達瑞和SKY機載高光譜相機）可實現(xiàn)百米級飛行高度的田間快速掃描，搭配中達瑞和云平臺。

產(chǎn)量預估模型與方法

1. 產(chǎn)量構(gòu)成要素建模

生物量-產(chǎn)量關(guān)系：通過高光譜反演的地上部生物量與產(chǎn)量建立線性或非線性回歸模型（R2 > 0.85, Zhang et al., 2023）。

灌漿期動態(tài)監(jiān)測：利用成熟期光譜紅邊移動特征預測籽粒灌漿速率，結(jié)合氣象數(shù)據(jù)優(yōu)化產(chǎn)量估算（Li et al., 2022）。

下圖為中達瑞和光譜云平臺作物產(chǎn)量預估的顯示界面，目前已經(jīng)在作物長勢和產(chǎn)量預估廣泛應用。

2. 機器學習與深度學習方法

傳統(tǒng)模型：隨機森林（RF）、支持向量機（SVM）在產(chǎn)量預測中表現(xiàn)穩(wěn)定，但依賴人工特征提取。

深度學習：卷積神經(jīng)網(wǎng)絡(luò)（CNN）可自動提取光譜-空間特征，結(jié)合時間序列模型（如LSTM）提升預測精度（如水稻產(chǎn)量預測誤差<8%, Wang et al., 2023）。

多源數(shù)據(jù)融合：整合高光譜數(shù)據(jù)與氣象、土壤、管理數(shù)據(jù)，構(gòu)建混合模型（如XGBoost+LSTM）顯著提升魯棒性（Chen et al., 2023）。

典型應用案例

高光譜成像技術(shù)通過其獨特的光譜-空間多維感知能力，為作物長勢監(jiān)測和產(chǎn)量預估提供了革命性工具。隨著硬件成本下降和AI算法創(chuàng)新，該技術(shù)有望在精準農(nóng)業(yè)中實現(xiàn)規(guī)?；瘧?。未來需重點關(guān)注低成本設(shè)備研發(fā)、跨平臺數(shù)據(jù)協(xié)同及模型泛化能力提升，推動從實驗室研究向田間落地的轉(zhuǎn)化。

審核編輯 黃宇