王鵬郭永剛關(guān)法春王明明

(1.西藏農(nóng)牧學(xué)院水利土木工程學(xué)院，西藏 林芝 860000；2.西藏土木水利電力工程技術(shù)研究中心，西藏 林芝 860000；3.吉林省農(nóng)業(yè)科學(xué)院農(nóng)村能源與生態(tài)研究所，吉林 長春 130000；4.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，吉林 長春 130102)

引言

水分是作物進(jìn)行生命活動和生長代謝的重要物質(zhì)，水分虧缺能直接影響作物的生理生化過程和形態(tài)結(jié)構(gòu)，從而對其生長、產(chǎn)量和品質(zhì)造成影響[1]。同時，我國農(nóng)業(yè)用水占全國用水總量已經(jīng)達(dá)到70%，且水資源分布不均，每年因為干旱而使作物受災(zāi)面積最高達(dá)到4000萬hm2，嚴(yán)重威脅我國的糧食安全。因此，在水資源短缺的嚴(yán)峻形勢下，提高水資源的利用效率對指導(dǎo)作物生長發(fā)育，提高作物產(chǎn)量，節(jié)約水資源具有重要意義。

利用傳統(tǒng)烘干法測量作物水分耗時費力，多光譜、近地非成像遙感光束分離的成像質(zhì)量差，光譜重疊度高，易受環(huán)境等背景因素影響，難以滿足對作物水分的高效、精準(zhǔn)實時監(jiān)測[2]。而高光譜遙感技術(shù)具有空間分辨率高，光譜信息豐富，波段窄而連續(xù)，時效性好的特點，近年來已被廣泛應(yīng)用于作物水分含量監(jiān)測領(lǐng)域。2022年12月23日，習(xí)近平總書記在中央農(nóng)村工作會議強(qiáng)調(diào)：“要加快建設(shè)農(nóng)業(yè)強(qiáng)國，推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化”。因此，用高光譜遙感技術(shù)監(jiān)測作物水分狀況對促進(jìn)農(nóng)業(yè)現(xiàn)代化發(fā)展具有重要意義。

然而，在高光譜遙感采集和處理作物水分信息中如何優(yōu)化算法模型消除噪聲信號干擾，并能結(jié)合多源數(shù)據(jù)融合提取作物水分敏感波段并挖掘潛在的非線性成分還缺少相關(guān)文獻(xiàn)的整理與分析。本文對比傳統(tǒng)方法測量作物水分局限性和適用條件，介紹高光譜遙感技術(shù)的優(yōu)勢并論述其在典型作物(如小麥、水稻和玉米)不同生長時期水分的敏感波段以及適用范圍，探討目前存在的問題以及對今后研究進(jìn)行展望。

1 作物水分的常見測試方法

1.1 作物水分的常見測試方法

作物水分的測試有直接法和間接法2種，其中直接法是通過物理或化學(xué)測試直接獲取作物水分含量的方法，而間接法通過測量作物或其相關(guān)指標(biāo)屬性，以推斷或估計作物水分信息。鮑春暉等[3]采用低場核磁共振法測定稻谷種子水分，快速準(zhǔn)確但對環(huán)境溫度要求高，并且對不同作物品種和水分含量需要重新建立水分標(biāo)準(zhǔn)曲線。羅麗瓊等[4]對比電容法和電阻法測量煙葉含水量發(fā)現(xiàn)，電容法的介電常數(shù)對環(huán)境要求極為嚴(yán)格，長期穩(wěn)定性差且設(shè)備昂貴。而用電阻法測量所施加的電壓大小對測定結(jié)果影響較小，電極數(shù)對2種方法的測量精度受環(huán)境影響很大。王晶等[5]用頂空-卡爾費休法測定煙用爆珠表皮含水量，相較于傳統(tǒng)方法極大縮短了測量時間，且操作簡單可靠，適合批量在線檢測，但測量時易發(fā)生漂移引起系統(tǒng)誤差。甘富航等[6]用摩擦阻力法檢測糧食含水量，該方法快速穩(wěn)定，對環(huán)境要求較低，但測量范圍窄，適用于水分測量精度要求不高的條件下。綜合以上分析，常見的作物水分測量方法準(zhǔn)確度不高，操作較為復(fù)雜，易受環(huán)境溫度等外界因素影響，具有一定的局限性，并且應(yīng)用范圍窄，難以適應(yīng)大面積的農(nóng)業(yè)生產(chǎn)需要。隨著各項技術(shù)的深入研究，高光譜遙感技術(shù)以其超多波段、圖譜合一和光譜信息豐富的技術(shù)優(yōu)勢，能夠?qū)崿F(xiàn)作物水分含量準(zhǔn)確、快速、無損地實時監(jiān)測。近年來，在作物水分監(jiān)測領(lǐng)域已被廣泛應(yīng)用。

1.2 各方法的優(yōu)缺點比較

直接法測量過程簡單，結(jié)果較為準(zhǔn)確，但測量過程冗長繁瑣，增加了實驗難度和周期，同時容易破壞待測樣品，并產(chǎn)生對環(huán)境有害的化學(xué)試劑和藥品。間接法相較于直接測定法有所提升，測量速度快，易實現(xiàn)在線批量檢測，但容易受噪聲、物體形狀及大小、環(huán)境溫度等因素影響，難以適用大面積作物水分監(jiān)測和指導(dǎo)農(nóng)業(yè)生產(chǎn)。隨著各項技術(shù)的深入研究，為能夠更好地指導(dǎo)農(nóng)業(yè)生產(chǎn)需要，高光譜成像技術(shù)作為一種發(fā)展較為成熟的遙感監(jiān)測技術(shù)，以其準(zhǔn)確、無損、快速的技術(shù)優(yōu)點已廣泛應(yīng)用于作物水分監(jiān)測領(lǐng)域。

2 常見高光譜遙感分類

高光譜遙感按照作用空間尺度可劃分為衛(wèi)星遙感、機(jī)載高光譜儀、地物光譜遙感以及手持式光譜儀等。王唯唯[7]基于CGMD便攜式光譜儀和地物高光譜探測器對冬小麥冠層生長指標(biāo)對比研究發(fā)現(xiàn)，CGMD光譜儀操作簡單，便于攜帶，精度可靠，而地物高光譜探測器采集信息量大，結(jié)合先進(jìn)預(yù)處理，特征提取和機(jī)器學(xué)習(xí)算法可以有效提高模型反演精度。楊菲菲[8]基于便攜式地物光譜儀結(jié)合手持式光譜探測器獲取冬小麥葉片反射率，并結(jié)合推掃式光譜儀波段寬，光譜分辨率高的特點獲得冠層反射率，但是受天氣條件或野外環(huán)境因素，如云層、大氣濕度、光線條件和地面高程差等都會影響數(shù)據(jù)采集和監(jiān)測結(jié)果。楊煒光[9]用無人機(jī)搭載多光譜遙感結(jié)合手持式地物光譜儀監(jiān)測棉花葉片含水量，但由于無人機(jī)的飛行高度和航線規(guī)劃限制，導(dǎo)致其無法完全覆蓋某個特定區(qū)域的光譜數(shù)據(jù)，并難以提供連續(xù)的時間序列數(shù)據(jù)，限制了對一些重要水分相關(guān)波段的監(jiān)測和分析。程曉娟等[10]基于TM5衛(wèi)星遙感影像結(jié)合FieldSpec便攜式光譜輻射儀獲取冬小麥的冠層和葉片水分?jǐn)?shù)據(jù)，由于衛(wèi)星遙感覆蓋面廣，時間序列連續(xù)結(jié)合地物光譜儀精細(xì)尺度分析的特點，可以跟蹤獲取作物水分的動態(tài)變化，有效克服了機(jī)載光譜儀的覆蓋面窄、時間不連續(xù)的缺陷。綜上所述，高光譜遙感儀按照空間尺度有不同劃分，根據(jù)空間分辨率、適用條件和作用范圍各有其優(yōu)劣，應(yīng)根據(jù)實際需求選擇合適的光譜設(shè)備。隨著作物水分監(jiān)測指標(biāo)研究的精細(xì)深入，以及在大區(qū)域、多種作物水分監(jiān)測的普適性需求，未來亟需開發(fā)出超高分辨率的高光譜遙感儀器，以更好地表征作物水分細(xì)微特征和動態(tài)變化。

3 作物水分的高光譜數(shù)據(jù)處理方法

3.1 光譜預(yù)處理

光譜預(yù)處理對改善高光譜數(shù)據(jù)質(zhì)量和提升模型反演精度具有重要作用。由于采集的原始光譜中包含大量的噪聲信號，通過預(yù)處理可以過濾光譜中的噪聲信息，進(jìn)而提高信噪比，有效降低環(huán)境背景因素影響，保證數(shù)據(jù)質(zhì)量的可靠性。常見的光譜預(yù)處理方法包括標(biāo)準(zhǔn)正態(tài)變換、多元散射校正、傅立葉變換、求導(dǎo)、微分[11]等。隨著光譜學(xué)與光譜技術(shù)的發(fā)展，新的光譜預(yù)處理技術(shù)也孕育而生。焦青亮等[12]提出了卷積神經(jīng)網(wǎng)絡(luò)預(yù)處理方法，可以同時完成光譜去噪、基線校正和譜峰定位，相比傳統(tǒng)方法處理效率更高，效果更好。分?jǐn)?shù)階微分技術(shù)在一定程度上可以消除背景因素干擾且較好地保留植被的光譜信息，不僅可以減弱高光譜噪聲信號強(qiáng)度，并能挖掘潛在的光譜信息，提高光譜變量與研究屬性之間的相關(guān)性。崔錦濤等[13]使用分?jǐn)?shù)階微分處理棉花葉片水分信息，并結(jié)合先進(jìn)特征提取算法，結(jié)果發(fā)現(xiàn)，棉花葉片水分反演模型精度R2為0.93。聶素云等[14]用線性混合光譜分解模型分離小麥葉片與土壤的混合光譜，相比未考慮混合像元分解方法反演精度更高。但用高光譜獲取的作物水分?jǐn)?shù)據(jù)中也含有非線性成分，如何有效分離并提取非線性信息也是未來需要深入研究的方向。所以，基于卷積神經(jīng)網(wǎng)絡(luò)、分?jǐn)?shù)階微分變換和混合像元分解等預(yù)處理技術(shù)可以有效降低環(huán)境等背景因素影響，并挖掘潛在的光譜信息和非線性成分，提高光譜數(shù)據(jù)的質(zhì)量，但不同的預(yù)處理方法有其自身的缺陷，需要根據(jù)客觀需要選擇合適的模型和優(yōu)化算法，同時由于自然條件、儀器設(shè)備等原因?qū)е碌臄?shù)據(jù)缺失問題，也是未來需要克服的問題。

3.2 基于特征波長的光譜有效信息提取

由于高光譜遙感采集的原始數(shù)據(jù)維度高，信息冗余，基于全波段構(gòu)建的作物水分信息反演模型可能出現(xiàn)不穩(wěn)定的情況，因此，尋找適宜的敏感光譜變量篩選方法尤為重要。許多學(xué)者在這方面做了相關(guān)研究，Zhen Zhang等[15]基于三波段植被指數(shù)(R2039-R2438)/R752提取獼猴桃葉片水分信息，結(jié)果表明，相比于雙波段植被指數(shù)靈敏度高，抗干擾能力強(qiáng)，精確性高。但基于三波段指數(shù)提取在實際過程中需要更多的波段數(shù)據(jù)和分析算法，會增加數(shù)據(jù)采集、處理和計算的復(fù)雜性。許將等[16]基于偏最小二乘回歸(PLSR)提取棉田土壤水分信息，由于PLSR側(cè)重于對自變量的解釋和歸納，并能夠挖掘原光譜數(shù)據(jù)潛在的非線性成分，構(gòu)建的棉花反射光譜與土壤水分反演模型有顯著相關(guān)性(R2=0.68)。王怡婧等[17]基于競爭性自適應(yīng)重加權(quán)采樣法(CARS)篩選出與土壤含水量極顯著相關(guān)的特征波段，結(jié)果表明，CARS能夠有效剔除無關(guān)變量，優(yōu)選出包含光譜信息最多的有效成分，構(gòu)建的土壤水分反演模型精度R2為0.927。以上研究表明，通過構(gòu)建多波段植被指數(shù)、PLSR和CARS等方法可有效降低數(shù)據(jù)維度，減少信息冗余，未來應(yīng)從作物冠層到土壤開發(fā)出不同層面的高光譜特征提取方法，使之能更準(zhǔn)確表征作物水分的有效成分，并為建立回歸模型提供可靠的數(shù)據(jù)支撐。

3.3 基于高光譜遙感的常見算法模型比較

通過建立回歸模型可以預(yù)測、解釋和優(yōu)化因變量的數(shù)值，并分析和觀察自變量和因變量之間的內(nèi)在關(guān)系。多元線性回歸(MLR)是一種簡單且物理意義明確的方法，但在建模過程中由于變量數(shù)的限制，很容易丟失許多光譜信息。主成分分析法(PCA)可以減少輸入維數(shù)和消除原始樣本分量之間的相關(guān)性等問題，但PCA并不能保證參與回歸的主成分與被測組分一定相關(guān)，為了在降維過程中保留更多原始數(shù)據(jù)特性并挖掘其中的非線性成分，核主成分分析(KPCA)作為對PCA算法的非線性擴(kuò)展通過引入核函數(shù)來實現(xiàn)非線性降維。在處理復(fù)雜問題時，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)方法存在初值依賴和局部收斂的缺陷，而徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型[18]由于其只有一個隱含層所以減少了參數(shù)和權(quán)重的配置優(yōu)化，并且對噪聲和異常值具有一定的魯棒性，但當(dāng)訓(xùn)練樣本較少時容易出現(xiàn)過擬合現(xiàn)象，需要使用正則化等方法處理。PLSR則適用于解決變量內(nèi)部高度線性相關(guān)和樣本個數(shù)少于變量個數(shù)等問題，在解決變量間多重共線性和處理非線性問題具有較好的應(yīng)用效果。隨機(jī)森林[19]是一種具有高精度和快速運算特點的新型算法，當(dāng)樣本數(shù)量足夠大時，不僅能保證運算精度，還能節(jié)約時間成本。然而，當(dāng)樣本數(shù)量較少時，模型的訓(xùn)練精度可能會降低。支持向量機(jī)(SVM)是一種能夠解決小樣本、非線性以及神經(jīng)網(wǎng)絡(luò)中局部極小值問題的機(jī)器學(xué)習(xí)算法[20]，可以通過自動調(diào)整參數(shù)來獲得較高的分類精度，而無需進(jìn)行復(fù)雜的交叉驗證。然而，SVM在核函數(shù)的選擇還沒有一個固定的方法，通常需要依靠先驗知識來作出選擇，可以根據(jù)實際需求和特點，嘗試不同的核函數(shù)來提高分類效果。而深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的信息表征能力，非線性映射和并行計算等特點，可以省略數(shù)據(jù)降維等預(yù)處理操作，在高光譜作物水分遙感反演中有廣泛的應(yīng)用。

4 高光譜遙感在典型作物水分監(jiān)測的應(yīng)用

雖然當(dāng)前高光譜遙感技術(shù)應(yīng)用于水分監(jiān)測的作物類型已經(jīng)有很多種，但是在監(jiān)測作物水分指標(biāo)和方法上面也會有所不同，這些水分指標(biāo)包括植株含水量(PWC)，葉片含水量(LWC)，冠層含水量(CWC)，葉片等效水厚度(LEWT)和相對含水量(RWC)，而研究方法包括單波段光譜反射率法，光譜植被指數(shù)法，全波段光譜分析法和光譜輻射傳輸模型等[21]。而水稻、小麥和玉米作為典型作物，在水分監(jiān)測指標(biāo)和研究方法方面更具全面性和系統(tǒng)性。已有許多學(xué)者對此作了細(xì)致而深入的研究，并取得了豐富的研究成果和技術(shù)創(chuàng)新，也為高光譜遙感技術(shù)監(jiān)測其它作物水分含量提供技術(shù)參考。因此，下面對高光譜遙感作用于典型作物水稻，小麥，玉米的水分監(jiān)測作詳細(xì)闡述。

4.1 小麥

高光譜遙感通過敏感波段提取以及新型植被指數(shù)構(gòu)建可以顯著提高光譜反射率與水分含量的相關(guān)性。吾木提·艾山江等[22]將小麥抽穗期原始光譜經(jīng)過分?jǐn)?shù)階微分處理后，發(fā)現(xiàn)在970nm、1200nm、1450nm、1950nm波段處與LWC極顯著相關(guān)。楊菲菲等[23]基于水分敏感波段500nm、648nm、1912nm、1980nm分別構(gòu)建植被指數(shù)RVI(437，466)和NDVI(747，1956)反演小麥LWC，發(fā)現(xiàn)基于光譜植被指數(shù)與水分關(guān)系的反演方法取得了較好的預(yù)測效果(R2=0.889)；原因是考慮了光在植被冠層中的傳輸過程，揭示了光譜特征與植被水分之間的內(nèi)在機(jī)制。小麥在不同生長時期水分敏感波段有所不同，在開花期主要分布在可見光和近紅外波段，在孕穗期和乳熟期，則分布在近紅外和短波紅外波段。王圓圓等[24]在開花期587nm、637nm和747～1242nm，孕穗期1602nm、1732nm和1737nm，乳熟期1557nm、1607nm和1747nm提取小麥葉片水分信息。程曉娟等[25]基于TM5衛(wèi)星模擬數(shù)據(jù)短波紅外第5波段1550～1750nm構(gòu)建水分指數(shù)反演冬小麥開花期到拔節(jié)期LWC。賈雯晴[26]發(fā)現(xiàn)，小麥LEWT的最優(yōu)敏感波段位于1395nm和1450nm附近，而小麥CWC的敏感波段位于648～691nm和1458nm附近，并構(gòu)建新型三波段光譜指數(shù)提高模型的檢驗精度同時減小了系統(tǒng)誤差。Bappa Das等[27]基于1400nm左右的波段深度監(jiān)測小麥RWC，并結(jié)合1391nm和1830nm組合的比值指數(shù)(RSI)和歸一化差異指數(shù)(NDSI)反演不同基因型小麥RWC，結(jié)果表明，基于最優(yōu)敏感波段和新型植被指數(shù)構(gòu)建的模型預(yù)測精度較高(R2≥0.86)。目前用高光譜監(jiān)測小麥水分的研究主要集中在濕潤和半濕潤地區(qū)，而干旱和半干旱區(qū)域的研究還相對較少。隨著高分辨率遙感儀器的發(fā)展以及新型植被指數(shù)出現(xiàn)，高光譜遙感技術(shù)在干旱和半干旱區(qū)域的應(yīng)用潛力十分廣泛。同時，小麥在不同生長時期LWC的敏感波段存在差異，在開花期，小麥的LWC敏感波段主要集中在可見光和近紅外波段；而在孕穗期和乳熟期，則分布在近紅外和短波紅外波段。此外，對小麥植株水分狀況的監(jiān)測方法需要加強(qiáng)指標(biāo)間綜合效應(yīng)的考慮，并且需要深入研究小麥的需水生理過程和調(diào)控機(jī)制，以滿足精準(zhǔn)農(nóng)業(yè)管理的需求。

表2 高光譜遙感估算小麥含水量的典型研究

4.2 水稻

水稻的葉片水分敏感波段主要分布在近紅外和短波紅外波段，當(dāng)前對水稻水分監(jiān)測的研究主要集中在生長中后期以及濕潤和半濕潤地區(qū)。田永超[28]基于水稻葉片敏感波段460～710nm、1220nm和1500nm構(gòu)建雙波段組合的植被指數(shù)模型預(yù)測拔節(jié)期、抽穗期和成熟期的RWC和葉水勢，結(jié)果發(fā)現(xiàn)，此波段范圍內(nèi)構(gòu)成的植被指數(shù)預(yù)測模型具有顯著的線性相關(guān)性(R2=0.98)。徐慶等[29]基于水稻葉片敏感波段1450nm、1833nm、1930nm、2220nm和2500nm，并在拔節(jié)孕穗、抽穗開花和灌漿結(jié)實期分別構(gòu)建不同的預(yù)測回歸模型，發(fā)現(xiàn)在不同生長時期估測LWC均有極顯著相關(guān)性。劉小軍[30]基于全波段范圍雙波段組合的植被指數(shù)法監(jiān)測水稻從分蘗末期到成熟期LWC，發(fā)現(xiàn)在敏感波段1402nm和2272nm構(gòu)建的RSI和NDSI光譜指數(shù)與LWC呈現(xiàn)良好的線性關(guān)系(R2=0.80)。Osama等[31]基于敏感波段1106nm、1467nm和1456nm提取水稻CWC，發(fā)現(xiàn)通過特征選擇與回歸算法的最優(yōu)組合模型反演水稻CWC的精度R2=0.998。所以，水稻在不同生長時期的敏感波段主要分布在NIR(710～970nm)和SWIR(1450nm、1750nm和1830nm附近)，并且未來應(yīng)克服植被覆蓋度、氣象條件和資源限制等不利因素，更多關(guān)注作物在生長前期和干旱、半干旱地區(qū)的研究。

表3 高光譜遙感估算水稻含水量的典型研究

水稻是一種生長環(huán)境受地形和氣候變化影響較大的作物，其生長階段受到葉片水分變化的影響非常顯著。研究發(fā)現(xiàn)，基于新的水分指數(shù)可以適應(yīng)不同地域、氣候以及葉綠素、基因型變異等動態(tài)變化帶來的影響。Shreedevi等[32]基于水稻營養(yǎng)期、繁殖期和成熟期反演水稻LRWC，并提出新的水帶指數(shù)(WBI)、歸一化水指數(shù)3(NWI-3)、歸一化水指數(shù)4(NWI-4)，發(fā)現(xiàn)基于新的水分指數(shù)反演水稻繁殖期LRWC有顯著相關(guān)性(R2=0.819)。LWC是水稻植株需水狀況的重要指標(biāo)之一，通過測定葉片水分信息來改善作物的需水狀況，雖然利用葉片反射光譜可以減少其內(nèi)部結(jié)構(gòu)和外界環(huán)境的影響，但不同LWC與光譜信息的表示存在差異，導(dǎo)致測量精度較低。劉小軍等[33]基于頂4葉的不同單葉尺度監(jiān)測LWC時，為了排除葉片表面和內(nèi)部結(jié)構(gòu)對葉面反射光譜的干擾，構(gòu)造雙波段組合的RSI(R1402，R2272)及NDSI(R1402，R2272)，使植被有效信息最大化，但基于單葉水平估測作物水分信息量不足且難以捕捉作物整體的水分變化動態(tài)。張雪楠等[34]提出了一種基于不同葉位組合和葉綠素?zé)晒怦詈系乃綥WC監(jiān)測方法，這種耦合監(jiān)測模型相較葉片光譜指數(shù)精度提高了71.807%～83.976%，原因是最優(yōu)葉位組合更能準(zhǔn)確反映葉片水分的整體動態(tài)變化，而葉綠素?zé)晒饪梢源_定作物水分虧缺的臨界閾值，為未來基于多源數(shù)據(jù)融合技術(shù)監(jiān)測水稻葉片水分提供理論基礎(chǔ)和新的研究方向。所以，未來亟需開發(fā)超高分辨率的光譜儀器，以研究能夠適用于不同地域、氣候條件及作物內(nèi)部生理結(jié)構(gòu)等動態(tài)因素新型植被指數(shù)，并結(jié)合多源數(shù)據(jù)融合技術(shù)的信息互補(bǔ)特性儀更全面地表征作物水分的動態(tài)細(xì)微變化。

4.3 玉米

光譜植被指數(shù)反演玉米葉片水分信息需要考慮作物內(nèi)部的物理機(jī)制，但以往的植被指數(shù)大多針對特定的作物類型和地區(qū)，基于高分辨率光譜遙感儀器開發(fā)出適用于不同區(qū)域尺度和植被類型的水分指數(shù)，提高水分指數(shù)的普遍適用性。Nieves等[35]基于HyMap高光譜圖像的TOC折射數(shù)據(jù)結(jié)合PROSAIL傳輸模型分別提出吸水面積指數(shù)(WAAI)和深度水分指數(shù)(DWI)，并在玉米等多種作物類型和區(qū)域尺度有良好的監(jiān)測效果，但對植被覆蓋度低(<30%)的物種表現(xiàn)不佳。由于采集的原始光譜含有大量來自環(huán)境因素和儀器設(shè)備等影響目標(biāo)屬性的噪聲信號，會給研究結(jié)果帶來誤差。Jingjing Sun等[36]采用分?jǐn)?shù)階Savitzky-Golay微分(FOSGD)預(yù)處理方法結(jié)合競爭性自適應(yīng)重加權(quán)采樣、隨機(jī)蛙跳2種特征提取算法來全局搜索最優(yōu)解進(jìn)而提取敏感波長，結(jié)果表明，由于FOSGD能突出目標(biāo)屬性更多的信號細(xì)節(jié)并且最小化噪聲信號，模型的反演精度有明顯提高(R2=0.91)。王俞茜[37]基于PROSPECT光譜輻射模型結(jié)合線性回歸模型預(yù)測夏玉米PWC，發(fā)現(xiàn)在夏玉米植株水分敏感波段分布在436～691nm和829～900nm，并在玉米生長發(fā)育的拔節(jié)期和抽雄期建立回歸模型(R2=0.678)。但這種基于傳統(tǒng)方法的線性回歸模型反演精度不高，可能提取的光譜數(shù)據(jù)中含有非線性成分。

綜合以上研究，在當(dāng)前用植被指數(shù)監(jiān)測玉米水分信息存在諸多限制因素，未來可以基于高分辨率的光譜遙感儀器結(jié)合多源數(shù)據(jù)融合開發(fā)出適用于不同品種類型的區(qū)域水分指數(shù)。此外，目前針對夏玉米水分研究的線性回歸模型存在精度不高等問題，原因是提取的光譜數(shù)據(jù)中含有非線性成分，需要結(jié)合先進(jìn)的特征提取算法進(jìn)一步改進(jìn)和優(yōu)化。

5 問題與展望

盡管作物含水量高光譜遙感監(jiān)測已經(jīng)取得了很多進(jìn)展，但在監(jiān)測指標(biāo)和方法方面仍存在一些問題和挑戰(zhàn)，嚴(yán)重制約了作物干旱脅迫的準(zhǔn)確監(jiān)測。因此，未來的研究應(yīng)該著重強(qiáng)化以下幾方面。

作物在生長早期以及干旱區(qū)域的水分研究相對較少。當(dāng)前基于水稻水分的高光譜遙感監(jiān)測研究主要集中在生長中后期，而在水稻種子萌發(fā)期、幼苗期等對水分、光照和溫度等環(huán)境條件要求較高的生長前期的研究相對較少，并且研究區(qū)域主要面向濕潤和半濕潤地區(qū)，而干旱和半干旱區(qū)域由于自然條件、地理環(huán)境等影響因素導(dǎo)致遙感數(shù)據(jù)的采集、處理會產(chǎn)生諸多困難。

現(xiàn)有光譜植被指數(shù)表征不同區(qū)域、不同品種和作物類型的水分信息時有一定的局限性。由于光譜儀器分辨率的限制，使用光譜指數(shù)監(jiān)測作物水分難以適用于更大的區(qū)域范圍，當(dāng)前常用的作物水分指數(shù)，如WI、NDVI和NDWI等在某些情況下可能會存在精度低和適用性窄的情況。

光譜數(shù)據(jù)的采集和處理過程中如何更有效提取有用信號。由于土壤、大氣等背景因素影響，導(dǎo)致采集的光譜數(shù)據(jù)可能含有多種混合像元，因而亟需采用先進(jìn)的光譜預(yù)處理方法提高光譜數(shù)據(jù)的可靠性和準(zhǔn)確性。當(dāng)前的線性光譜分解理論在處理光譜混合像元時已得到廣泛的應(yīng)用，但遙感成像中可能存在多種非線性光譜混合的情況，因此在非線性混合像元的分解中需要進(jìn)一步研究和發(fā)展。

多源數(shù)據(jù)融合策略的欠缺。由于單一數(shù)據(jù)源監(jiān)測作物水分可能只包含有限的光譜范圍和特定的空間尺度，導(dǎo)致獲取作物的光譜信息不全面，難以挖掘目標(biāo)屬性有效信息成分，無法與作物土壤水分、氣象因素等關(guān)聯(lián)解釋作物水分變化狀況，從而影響作物水分監(jiān)測模型的準(zhǔn)確度和適用性，所以未來應(yīng)該充分利用多源數(shù)據(jù)的信息互補(bǔ)特性，彌補(bǔ)單一數(shù)據(jù)源信息量不足。

因此，未來應(yīng)從冠層、葉片和土壤等多角度獲取作物水分信息，基于多種傳感器和數(shù)據(jù)融合技術(shù)開展作物水分遙感監(jiān)測研究，重點解決以下關(guān)鍵科學(xué)問題：近年來一些研究已經(jīng)開始關(guān)注作物生長前期的水分監(jiān)測，包括使用高光譜遙感數(shù)據(jù)結(jié)合特征提取、機(jī)器學(xué)習(xí)方法來推測作物種子萌發(fā)期到幼苗期的水分狀態(tài)，相信未來隨著技術(shù)的不斷發(fā)展和研究需求的增加，干旱區(qū)和半干旱區(qū)的作物水分監(jiān)測研究會引起更多關(guān)注；未來應(yīng)著重于光譜傳感器的改進(jìn)和創(chuàng)新，開發(fā)出超高分辨率的光譜儀器，捕捉作物水分變化中的細(xì)微差異，并結(jié)合先進(jìn)的預(yù)處理、特征提取和深度學(xué)習(xí)算法，進(jìn)一步提高光譜水分指數(shù)的精確性和廣泛適用性；非線性混合像元分解還需要進(jìn)一步探索，在非線性混合光譜分解前嘗試不同的預(yù)處理技術(shù)，如分?jǐn)?shù)階微分、波段選擇、光譜歸一化等，以增強(qiáng)信號并減小噪聲，并探索使用深度學(xué)習(xí)等優(yōu)化算法來處理非線性混合光譜，以更好地捕捉多個組分之間的非線性關(guān)系；通過多角度觀測融合多源數(shù)據(jù)特征，如光學(xué)、熱紅外和雷達(dá)數(shù)據(jù)等，從作物冠層到土壤不同層面獲取更全面而豐富的光譜信息，彌補(bǔ)單一傳感器信息量不足的缺點，提高水分監(jiān)測的準(zhǔn)確性。