查干湖富营养化状况高光谱遥感评价研究

查干湖富营养化状况高光谱遥感评价研究（共2篇）

查干湖富营养化状况高光谱遥感评价研究 篇1

查干湖富营养化状况高光谱遥感评价研究

摘要：通过分析查干湖水体水质参数与其高光谱反射特征之间的`响应关系,采用单波段与波段比值等算法分别建立了湖水水质的高光谱定量反演模型;同时结合修正营养状态指数(TSIM)模型,针对水质参数的实验室数据和高光谱模型模拟数据,对查干湖富营养化程度进行了监测和评价,并进行了验证.结果表明:1)利用高光谱监测模型对湖泊富营养化状况进行监测和评价,能够获取较为准确的评价结果;2)单项指数评价法由于只针对一个指标进行评价,不适合用来进行水体富营养化评价,采用修正营养状态指数TSIM(AVE)方法,可以对查干湖水体富营养化程度进行正确的评价.评价结果显示,查干湖水体处于富营养化状态,需要采取措施防止进一步恶化.作 者：段洪涛 于磊 张柏 刘殿伟 宋开山 王宗明 DUAN Hongtao YU Lei ZHANG Bai LIU Dianwei SONG Kaishan WANG Zongming 作者单位：段洪涛,DUAN Hongtao(中国科学院东北地理与农业生态研究所,长春,130012;中国科学院研究生院,北京,100039)

于磊,YU Lei(山东理工大学,资源与环境工程学院,淄博,255049)

张柏,刘殿伟,宋开山,王宗明,ZHANG Bai,LIU Dianwei,SONG Kaishan,WANG Zongming(中国科学院东北地理与农业生态研究所,长春,130012)

期 刊：环境科学学报 ISTICPKU Journal：ACTA SCIENTIAE CIRCUMSTANTIAE年，卷(期)：2006,26(7)分类号：X87关键词：高光谱 查干湖 富营养化 修正营养状态指数模型

查干湖富营养化状况高光谱遥感评价研究 篇2

在作物生产过程中, 尤其在日益发展的当代精准农业中, 监测作物营养的变化能较好地反映作物生长发育情况, 且可以根据其变化特征, 为作物生长管理提供依据。作物能否正常生长, 营养则是关键因素, 是作物最终产量的限制因子, 营养元素含量的多少都直接反映在作物叶片的光谱特征上。作物叶片光谱特征取决于作物生理特征, 而生理特征在一定程度上由作物的营养状况决定, 即作物生长发育情况可通过获取作物叶片在特定波段的光谱特征, 分析其差异性[3]。随着高光谱遥感技术的日趋完善, 使基于物体光谱反射特征监测作物营养状况成为可能, 它已经能够准确、快速地提供各种地面遥感数据[4,5,6]。一般利用高光谱图像或数据中提取到的生物物理和生物化学参数信息, 通过地面和空中的高光谱遥感信息直接评价作物营养状况, 进一步分析作物的长势及最终生物量评估, 有助于确定作物生育期田间管理的最佳质、量和时间段, 从而有利于促进作物养分资源的合理高效利用, 加强了农业数字化以及信息化采集与分析的相关关键技术, 为精准农业的发展奠定理论基础。

1 作物氮营养诊断与研究

氮是空气中最多的元素, 在自然界中存在十分广泛, 在生物体内亦有极大作用, 是组成氨基酸的基本元素之一。氮素是作物生长过程中需求量最大的营养元素之一, 对作物的生长、产量和品质均有较大影响。氮素对作物的光合作用至关重要, 但其主要存在于与光合作用碳消耗循环相关的蛋白质及光反应的色素蛋白质中, 在作物光合生产过程中起到关键作用。在作物全生育期中, 氮素营养在时间和空间上的变化很大, 对作物生长发育和产量品质形成产生显著影响, 因此准确诊断作物氮素营养状况是实现氮肥优化管理的前提。

20世纪70年代以来, 为了在氮素与光谱之间建立相关关系, 国内外学者进行了大量的基础研究。有学者研究了不同氮营养条件下的作物对光谱的响应。程一松对夏玉米的叶片研究比较深入, 其指出氮素在玉米叶片的光谱特征曲线上表现最为明显, 且在近红外波段和可见光波段呈现相反趋势, 前者随着氮素水平提高而提高, 后者呈现负相关, 即随着增加而降低, 这一现象在绿光波段表现最为突出。缺氮会减少叶绿素含量, 从而导致光谱特征上作物的反射增加, 反射峰增高。由此表明, 作物氮素的丰缺能显著影响其冠层或叶片的原始光谱反射率, 但作物受氮肥胁迫时, 其叶片和冠层的光谱反射率在可见光区域呈增加趋势, 而在近红外区域呈下降趋势[28]。高光谱遥感技术以其高的光谱分辨率和精细的光谱信息, 能实时监测作物氮营养、测量目标作物连续波谱, 对其进行定量分析, 这就使高光谱遥感能对氮素在作物生长中理化参数信息进行有效的精确的监测, 所以氮素的遥感诊断一直是作物遥感监测研究的重点领域[7,8,9,10,11,12,13]。

一些研究表明, 叶氮含量不仅与特定波段比值极显著相关, 而且与730 nm或740 nm处一阶微分值极显著相关, 而且运用连续去除光谱吸收特征方法估测植被干叶片中氮、纤维素和木质素积累量, 再利用回归方程加以估测含量, 其验证精度较高[14,15]。田庆久利用高光谱分辨率ASD地物光谱仪 (Field Spec-FR) 获取棉花主要生长时期的光谱反射数据, 结果表明棉花冠层光谱在548 nm附近、700~1 350 nm和1 845 nm附近的反射率与棉花氮含量呈现较好的负线性相关关系, 相关系数可达到-0.6~-0.8[16]。

有些研究表明, 综合绿、红和近红外波段反射率数据的植被指数能够对氮素营养状况进行快速检测[17,18], 而且通过对冬小麦田间冠层光谱反射率监测, 发现其与叶片含氮量之间在820~1 100 nm波段两者之间存在极显著正相关;1 150~1 300 nm波段存在显著相关, 水稻氮素与光谱之间存在较好关系。对水稻研究发现, 其叶片和稻穗的光化学反射指数 (PRI) 与氮素水平呈现正相关, 即随其的增加而上升;但水稻叶片和稻穗叶片的RNIR/RREd值则与光化学反射指数 (PRI) 趋势一致, 与氮素水平呈现正相关。稻穗RNIR/RREd值对氮素水平的反映不明显, 基本保持不变。不同氮素水平的水稻叶片的叶绿素、蛋白质及纤维素含量与LAI之间的RZ在抽穗期均达到0.75以上[19,20,21,22]。由此表明, 可以利用这些波段的光谱反射率及其衍生量来判断作物的营养状况。

红边是描述作物健康状况的重要指标波段, 作物监测曲线最明显的特征。红边是作物在680~740 nm之间反射率增高最快的点, 也是一阶导数光谱在该区间内的拐点。红边与作物的各种理化参数是紧密相关的, 是描述植物色素状态和健康状况的重要的指示波段, 因此红边是遥感调查作物状态的理想工具。相应的作物生长状态越好, 红边位置会出现“右移”;反之, 则红边位置会相应“蓝移”。高光谱分辨率遥感数据估计作物农学参数的方法之一就是红边参数法[23]。有学者利用光谱参数, 如红边、黄边、蓝边等来预测作物氮含量, 但在精度上有所不一[24,25], 预测作物体内氮素水平, 在相同波段一般会随着作物生育期的不同也会呈现不同变化, 变化规律尚不明确[12]。通过大量研究发现, 红边参数等光谱变量来反演作物叶绿素和其他生化组分在一定程度上是可行的, 而这些生化组分也会受作物氮素营养状况的影响, 从而可利用此关系间接评价作物氮素营养状况。

2 作物磷营养诊断与研究

磷是作物生长发育不可或缺的营养元素之一, 它既是作物体内许多重要有机化合物的组分, 同时又以多种方式参与作物体内各种代谢过程, 对作物稳产、高产以及保持品种的优良特性有明显作用。磷对光谱信息的影响主要集中在近红外、中红外波段, 因为磷的丰缺主要影响作物叶片的结构和水分含量。作物磷营养与光谱特性的关系研究已陆续展开, 但是与氮相比, 该研究进展较为缓慢。作为转移性强的大量元素, 磷素一旦缺乏, 作物幼芽和根系生长缓慢, 植株矮小, 无光泽, 叶片颜色较正常植株叶片暗。同时, 由于缺磷, 植株体内的碳水化合物代谢受阻, 易形成花青素。因此, 花青素和叶绿素是作物缺磷时影响光谱反射率的2个重要因素。

对于作物磷素营养研究结果也不统一, 有学者在监测棉花主要生长时期的光谱反射数据时发现, 棉花冠层光谱在725~1 000、2 364 nm附近光谱反射率与P百分含量也呈现较好的负线性相关关系, 相关系数约为-0.6[16]。Chen M等用近红外光谱分析甘蔗叶片中的磷含量, 其拟合度最大达0.99, 标准差与标准误之比为32, 说明甘蔗叶片中的磷含量可由近红外光谱很好地反映[26]。利用互信息 (MI) 理论分析了水稻磷素含量的敏感波段, 结果表明水稻拔节期叶片磷素估测的敏感波段分别为536、630、1 040、551、656 nm, 说明利用互信息-神经网络模型 (MI-ANN) 和高光谱遥感估测田间水稻磷含量是可能的[27]。程一松等研究夏玉米磷的光谱特征时指出, 与氮相比, 磷钾与光谱特性的关系研究较少。磷素水平对光谱特性有较大影响, 与氮素表现趋势相反, 即在可见光波段范围内, 光谱反射率随磷素水平的的增加而提高, 在580~710 nm波段内更为明显。在近红外区域光谱特征曲线的表现则与在可见光波段和氮素不同均不同, 表现不明显。通过对玉米植株全磷含量与叶片光谱反射率研究发现, 两者相关关系曲线在整个波段上十分活跃, 呈“跳跃式”向长波方向前进。在355 nm左右, 相关系数达0.66, 在近红外770~790 nm相关程度也较高, 相关系数达0.63[12,28,29]。

综上所述, 对于作物磷营养的光谱监测与研究较没有氮营养还较少且研究结果也不尽相同, 还需要进一步通过通过试验验证, 缺磷的植株的叶片的光谱反射率受叶绿素和花青素两因素的双重影响, 且光谱特征变化比较复杂, 可对不同磷营养水平下控制其他影响光谱曲线变化的因素, 如:农学参数、生理生化特征光谱参数设置及不同生育时期不同波段的筛选, 待研究深入可考虑构建磷素营养与光谱诊断模型。

3 作物钾营养诊断与研究

钾营养元素同样是作物生长不可或缺的因素之一, 其对作物光谱特性的影响居于氮营养和磷营养影响之间。钾营养能促进作物植株茎杆健壮, 改善品质, 和氮、磷的情况一样, 缺钾症状首先出现于老叶。钾素供应不足时, 碳水化合物代谢受到干扰, 叶绿素的合成减少, 从而导致光合作用受到抑制, 而呼吸作用加强。因此, 缺钾时作物的抗逆能力减弱, 叶片变黄, 即钾营养状况直接影响作物叶片结构的完整性和水分的丰缺状况, 必然会对近中红外的光谱信息产生影响, 因此可从近中红外波段来寻找钾营养的光谱信息[30]。

对于不同钾营养水平下水稻的研究发现, 水稻冠层的光谱反射率差异性在580~710 nm和750~950 nm 2个波段区域均表现为显著, 可筛选其两者作为水稻钾营养水平的冠层敏感波段。此外, 钾营养水平较低时在近红外波段区间即780~1 300 nm, 叶片反射率与氮营养水平下的表现趋势相反, 呈现增高趋势, 这主要是作物缺钾, 导致叶片的表皮细胞发生变化造成的;缺钾还会导致作物叶片含水量减少, 则会造成在1 450 nm波段处, 钾营养水平的越低, 吸收谷颜色越浅, 但在1 650~1 800 nm波段区域, 光谱反射率则与钾营养水平呈现负相关, 随着水平降低而增加[30], 这与不同钾营养水平下, 夏玉米的光谱特性表现趋势一致。夏玉米的光谱特性呈现近红外波段区域随钾肥用量增加而降低, 但是在高氮高磷水平下却正好相反。钾的光谱曲线在1 450 nm处有一吸收谷, 在1 650~1 800 nm处有一反射平台[28]。对于棉花的研究发现, 其冠层光谱与K百分含量在0.4~2.5μm整个光谱范围几乎不相关, 在680 nm吸收峰的波长和对称性与棉花钾营养百分含量呈现较好的负相关关系, 相关系数分别为-0.58和-0.63[16]。玉米植株全钾含量与叶片光谱反射率的相关程度在可见光和近红外都变化不大, 且均呈正相关关系, 但在紫光波段400 nm处相关性较强, 相关系数达0.71, 因此可用紫光波段400 nm处的光谱反射值来诊断植株体内钾含量[29]。

通过对不同钾营养水平烤烟叶片光谱特征的研究, 其不同营养水平下叶片之间光谱特征规律明显, 可根据叶片高光谱特性初步监测烟田钾营养水平和烤烟生长状况, 筛选最佳钾营养水平[31]。总的说来, 对于钾营养水平下各作物的光谱诊断及特性研究还不够深入, 且研究结果也不尽相同。在光谱波段, 对于作物光谱的变化规律没有完全揭示, 没有筛选出作物对钾营养的敏感波段, 针对不同钾营养水平下, 其作物光谱反射率变化的生理机理还有待进一步研究发掘。

4 作物叶绿素诊断与研究

叶绿素是一类与光合作用有关的最重要的色素, 其是主要的吸收光能的物质, 直接影响植被光合作用的光能利用, 因此叶绿素是作物生长物质中的重要因子之一, 其含量直接影响作物的生长和产量。植被的光合能力、发育阶段与叶绿素含量有较好的相关性, 它们通常是氮素胁迫、光合作用能力和植被发育阶段 (特别是衰老阶段) 的指示器[35]。所以, 人们经常通过测定叶绿素含量来分析作物生长状况。传统的叶绿素测定方法是分光光度计法, 这种方法一般会对作物造成损伤, 而且比较耗时。高光谱技术可以通过测定绿色作物叶片的反射率、透射率和吸收率来测定叶绿素含量, 方便、快捷, 减少了对作物植株的损伤, 这便是高光谱技术在叶绿素含量监测中被日趋广泛运用的原因[40]。

通过多元回归方法建立光谱数据与农学参量之间的关系和通过植被的红边参数描述植被的物侯变化及其农学参数是现在一般运用光谱遥感估计作物农学参数的主要方法。有学者通过对作物光谱数据和叶绿素之间的分析, 找到叶绿素含量相关性较好的特征波段, 构建光谱特征与叶绿素之间的方程关系, 且发现微分技术能够改善光谱数据与叶面积指数、叶绿素密度的相关性, 叶绿素密度与光谱数据的相关明显优于同叶面积指数的相关性[37,38]。在光谱监测中, 利用红边参数及位置来预测作物叶片的叶绿素含量也比较常见, 而且红边的位置与最顶层叶片叶绿素含量的相关性最大, 可能是由于顶层叶片存在顶端优势造成的, 与上层叶片中的叶绿素a相关性达极显著[36], 在作物色素浓度增加时, 红光范围下的叶绿素浓度吸收特性则随着色素浓度增加而加深加宽, 并且叶绿素a浓度增加导致变形点红移[32]。不同作物的不同生育时期下近红外区域内冠层光谱反射率曲线表现的规律也不同, 这主要是由于不同的时期, 作物的盖度、叶面积指数及叶片含水量不同所造成的, 在作物成熟期一般会导致导致光谱反射率开始下降[33]。

由此可见, 叶面积指数和叶绿素密度的变化趋势与冠层光谱反射率变化的一致性, 使叶面积指数和叶绿素密度作为利用遥感技术手段对作物进行长势监测及估产参数重要性得到了进一步的验证, 所以利用作物的光谱特征来反映和评价作物叶绿素含量是可行的, 从而实现快速、便捷、无损伤地评价叶绿素是高光谱评价作物叶绿素研究的发展趋势。

5 结论与展望

通过大量研究, 氮素营养的敏感波段范围已经被基本确定, 但如何在更高精度上估测作物氮含量以及对作物氮素营养水平进行分级还没有相对统一的阐述;在磷、钾和叶绿素方面, 敏感波段和敏感时期的选择以及作物不同生育时期的光谱敏感波段还未探讨清楚。

首先, 必须探明控制作物光谱响应的生理代谢机理。不同营养水平下叶片光谱在某些波段处产生差异, 这种差异不是营养元素本身造成的, 而是由于这种营养元素的丰缺, 导致体内生化成分及其浓度的改变, 而这种或多种生化物质化学键的振动、弯曲或伸展在光谱维上产生的强度不同造成的。因此, 挖掘高光谱信息, 探明其内在机理, 乃是作物营养光谱理论需要进一步完善的。其次, 作物营养的光谱诊断模型的有待完善。现在模型的研究大多数是基于统计分析上的, 但统计分析也有自身的缺陷, 如变量之间的过度拟合, 化学成分之间的相关性以及波段间的干扰等都会影响统计模型的可靠性。另外, 综合考虑其他环境因素, 如光照条件、大气气溶胶和空气湿度等物候因素使其定量化, 参与模型的建立。这也是需要改进的方面之一。

高光谱遥感技术对农作物合理高效化生产管理有着重要的指导意义, 因此现代农业尤其是精准农业对高光谱遥感有迫切需求, 而高光谱遥感的目的就是要实时监测作物的生长状况, 以便不断调整田间管理措施, 从而实现高效节约、精准品质农业。

摘要：高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息, 为实施精准农业提供重要的技术支撑。该文综述了高光谱遥感技术监测作物N、P、K及叶绿素营养状况的国内外研究进展, 并提出了一些今后研究的设想, 以期促进高光谱遥感技术在作物营养领域的应用, 为精确农业发展提供理论依据。