高光谱成像在作物长势监测和产量预估的研究进展

高光谱成像（Hyperspectral Imaging, HSI）技术通过在可见光至近红外波段（400-2500 nm）连续采集数百个窄波段的光谱数据，结合空间信息和光谱信息，能够实现对作物生理生化参数的非接触式、高精度监测。近年来，随着遥感技术和人工智能算法的发展，高光谱成像系统（SKY机载高光谱相机+中达瑞和 云平台）已成为作物长势监测和产量预估的重要工具。本文系统梳理该技术的原理、应用进展，为相关研究提供参考。

高光谱成像技术原理与优势

1. 技术原理

光谱特征：植物叶片的反射率、透射率和发射率受叶绿素含量、水分含量、氮素浓度等参数影响，形成独特的光谱"指纹"。

空间分辨率：高光谱成像可实现单株或田块尺度的空间解析。

多维数据融合：结合光谱特征（波长维度）、空间特征（二维图像）和时间序列（生长周期），构建三维数据立方体。

2. 技术优势

非破坏性监测：无需采样，减少对作物生长的干扰。

高灵敏度：可检测作物早期胁迫（如干旱、病害）导致的光谱细微变化。

多参数同步获取：同时反演叶面积指数（LAI）、叶绿素含量（SPAD）、生物量等关键参数。

作物长势监测研究进展

1. 关键参数反演

叶绿素含量：基于650-750 nm波段的红边特征，利用指数模型（如NDVI、GNDVI）或机器学习模型（如SVM、随机森林）反演精度可达90%以上（Zhang et al., 2021）。

水分胁迫检测：1300-1500 nm波段的吸收特征与叶水势显著相关，结合植被指数（如WBI）可实现干旱胁迫的早期识别（Gitelson et al., 2020）。

氮素营养诊断：550 nm和700 nm波段的光谱反射率与叶片氮含量呈显著负相关，支持精准施肥决策（Zhao et al., 2022）。

2. 多平台应用

地面传感器：手持式或车载高光谱设备适用于小尺度田间实验，如作物表型分析平台（中达瑞和）。

无人机载系统：机载高光谱相机（如中达瑞和SKY机载高光谱相机）可实现百米级飞行高度的田间快速扫描，搭配中达瑞和云平台。

产量预估模型与方法

1. 产量构成要素建模

生物量-产量关系：通过高光谱反演的地上部生物量与产量建立线性或非线性回归模型（R² > 0.85, Zhang et al., 2023）。

灌浆期动态监测：利用成熟期光谱红边移动特征预测籽粒灌浆速率，结合气象数据优化产量估算（Li et al., 2022）。

下图为中达瑞和光谱云平台作物产量预估的显示界面，目前已经在作物长势和产量预估广泛应用。

2. 机器学习与深度学习方法

传统模型：随机森林（RF）、支持向量机（SVM）在产量预测中表现稳定，但依赖人工特征提取。

深度学习：卷积神经网络（CNN）可自动提取光谱-空间特征，结合时间序列模型（如LSTM）提升预测精度（如水稻产量预测误差<8%, Wang et al., 2023）。

多源数据融合：整合高光谱数据与气象、土壤、管理数据，构建混合模型（如XGBoost+LSTM）显著提升鲁棒性（Chen et al., 2023）。

典型应用案例

高光谱成像技术通过其独特的光谱-空间多维感知能力，为作物长势监测和产量预估提供了革命性工具。随着硬件成本下降和AI算法创新，该技术有望在精准农业中实现规模化应用。未来需重点关注低成本设备研发、跨平台数据协同及模型泛化能力提升，推动从实验室研究向田间落地的转化。

审核编辑 黄宇