多尺度作物生长光谱感知与普适性建模技术

【作者】 程涛； 李栋； 姚霞； 曹卫星； 朱艳；

【机构】 南京农业大学/国家信息农业工程技术中心/智慧农业教育部工程研究中心/农业农村部农作物系统分析与决策重点实验室/江苏省信息农业重点实验室；

【摘要】 【研究背景】作物生长光谱感知是智慧农作的重要前端环节,是最高效、可靠、先进的作物生长信息无损获取技术之一。准确及时地获取作物生长信息(如叶绿素含量、氮浓度、含水量等),是作物生长智能化诊断调控和生产力预测预报的关键支撑,也是推进作物生产智慧管理与确保粮食安全的首要前提。过去三十余年来,国内外学者在作物生长参数光谱监测方面取得了较大进展,如何构建适用于大范围或多生态点的高精度光谱监测模型,是农情监测和作物生长光谱感知领域的前沿。通常使用的建模方法主要有三类:一是数据驱动型,如简单统计模型和机器学习模型,这类方法简单实用、本地化模型精度较高,但模型的普适性较差,对样本的依赖性强;二是物理模型驱动型,如PROSAIL模型反演等,这类方法机理性强、普适性好,但应用较复杂;三是模型与知识双驱动型,即综合物理模型与先验知识的混合方法,机理性强、使用方便、普适性好,这类方法在高精度普适性建模领域具有较好前景。该报告将介绍团队在作物生长参数高精度普适性高光谱建模方面的最新进展。【材料与方法】本研究以多年水稻、小麦小区试验和区域散点试验为基础,获取大量近地面作物冠层光谱、无人机和卫星高光谱影像,通过辐射传输模型模拟,明确叶片叶绿素含量、氮浓度、含水量等作物生长参数的敏感光谱指数,分析冠层结构(如叶面积指数)、水土背景、共存成分等因素对估测模型的影响规律,以构建基于混合方法的高精度普适性估测模型。【结果与分析】提出了消除冠层结构影响的叶绿素敏感光谱指数LICI,实现了叶绿素含量与冠层结构光谱响应的解耦,叶绿素含量估测精度显著提升;提出了基于土壤植被光谱分解的背景干扰消除方法(3SV),显著改善了作物生长前期的叶绿素含量高估现象;构建了基于混合方法的普适性半经验叶绿素含量估测模型,通过引入非正午观测模式,创建了不受土壤背景影响的高精度叶绿素含量估算方法,证实了普适性模型可直接应用于冠层光谱、无人机和国产卫星高光谱影像,RMSE比常规方法降低约50%;提出了基于简化叶片氮分配模型的叶片氮含量估测新思路,与仅适用于单一作物、生育期的传统模型相比,该氮含量估算模型适用于水稻和小麦,以及多各生育期;发现冠层含水量估测模型受到干物质含量范围的影响,并根据农学先验知识(本地化干物质含量范围),构建了适用于水稻和小麦、国内外多生态点的高精度冠层含水量估测模型。【结论】建立适用于多生态点、多平台、多作物类型、多生育期的高精度作物生长参数监测模型是可行的,普适性高光谱建模技术在作物叶绿素含量、含水量等参数监测中已取得了较好效果,相对于传统方法的机理性更强、对建模样本的依赖性更低,优势明显。研究成果对于高质量光谱监测仪自主研制、区域甚至全球尺度作物生长高精度高频次监测具有重要价值。更多还原