高光谱在农业研究中的应用

　　写在前面的
 

　　① 水稻高产栽培是解决世界范围内日益增长的粮食需求的有效途径，而对高产水稻进行正确分类是育种的关键。
 

　　② 然而，在育种项目中人工测量耗时、成本高、产量低，这限制了在大规模现场表型的应用。
 

　　③ 因此，研究者开发了一种低成本、高通量表型分析和无损检测的方法，将无人机高光谱测量和深度学习相结合，以提高水稻育种效率。
 

　　研究背景
 

　　水稻是世界上主要的栽培作物之一，是许多国家的主要粮食来源。地球水稻的种植面积仅占耕地总面积的7%，却养育着地球21%的人口。近年来，粮食生产增长速度明显放缓，而世界一些地区的粮食需求却在增加。
 

　　在中国，预计到2030年，对大米生产的需求将增加约20%，巨大的需求遇到了巨大的挑战，劳动力人口减少，耕地质量下降，水资源短缺，气候变化等。因此，选育高产水稻品种，提高单位产量，是解决粮食需求缺口的有效途径。
 

　　在水稻育种过程中，准确地预测产量是高产品种筛选的关键，而迄今为止，该工作很大程度上依赖于人为经验评估，存在主观随意性和不能规模化等限制。因此，高通量表型分型系统正在迅速发展，在许多育种项目中，遥感工具如RGB相机和多光谱、高光谱、荧光和热传感器都被用于数据采集。随着无人机技术和光谱成像技术的进步，基于无人机的高光谱相机在农业生产中的应用越来越广泛。
 

　　基于无人机的高光谱图像数据采集
 

　　近日，Plant Phenomics在线发表了宁夏农林科学院农作物研究所、福建农林大学林学中`心、中科院地理信息研究所合作的题为Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature的研究论文。
 

　　研究者首先按照亩产将13个宁夏北方区试中早粳中熟组水稻划分为高产、中产和低产三个类别。而后利用DJI M600 Pro无人机，配备GaiaSky-Vis&Nir高光谱相机采集高光谱图像，并结合水稻后期倒伏特征，借助机器学习算法(XGBoost)构建水稻产量类别检测模型。该模型对在试验区的13个水稻品种产量进行预测，结合实际的产量进行比较发现该模型对高产品种的识别具有很高的准确度。
 

▲试验区分布图
 

　　该高光谱相机的分辨率为960×1057像素，在飞行高度为90m时的空间分辨率为4.5cm，其波长范围从400到1000nm，光谱分辨率为3.5nm，每张图像的曝光时间为7s。水稻光谱曲线与周围土壤不同。在数据采集前，研究者们对农田进行了检查，确保稻田中只有水稻，没有其他杂草，避免干扰高光谱数据。
 

　　高光谱图像预处理工作流程包括数据校准、噪声，背景去除和ROI的选择。研究者还进行了随机非重复采样、植被指数计算和数据降维。将高光谱数据、植被指数和倒伏特征组合成一个数据库，然后将数据分为训练库和测试库。
 

▲高光谱处理流程及各种分析策略的模型评估
 

　　由于倒伏标记对更好地估计产量有重要意义，本研究同时设计了基于深度学习的倒伏检测模型来对水稻的倒伏特征进行量化，并获得了较高的倒伏预测准确度。结果表明，利用深度学习技术实现水稻倒伏的自动识别是可行的。
 

▲利用微调技术自动识别水稻倒
 

　　Gaia-Vis&Nir作为针对植被、农作物(小麦、玉米)等理化、生理指标长期监测系统，采用了高灵敏度、高光谱分辨率、宽光谱范围的探测器。在ARM 系统下对探测器、温度传感器、制冷系统、采集系统、转镜结构、电子Shutter、辅助拍摄区域视频监控等功能的控制。
 

　　反射光谱测量的是植被生化组分等对入射光谱的吸收信息，能够反演植物群体的生化组分浓度信息。通过获取植被冠层在350nm- 1700nm范围内的反射光谱信息，可反映植被冠层的生长状态及生化组分信息。
 

　　例如，利用作物水分敏感波段960nm/1450nm处的反射率可判断作物叶片、冠层的含水量关系。综合考虑叶片内部结构、叶片水分含量以及干物质等的影响，利用1600nm与820nm的反射率比值建立与等效水厚度EWT(Equivalent Water Thickness)的相关性。
 

　　▲Gaia-Vis&Nir植被冠层可见&近红外反射光谱测试、太阳光诱导叶绿素荧光测试系