高光谱技术在农业遥感中的应用研究进展

高光谱技术在农业遥感中的应用研究进展

姚云军，秦其明，张自力，李百寿

（北京大学遥感与GIS研究所，北京 100871）

摘 要：高光谱技术的研究与应用是农业遥感领域重要前沿课题之一。该文回顾了高光谱技术在国内外农业遥感中的应

用研究进展，概括和总结了作物叶片光谱特征、作物分类与识别、作物生态物理参数反演与提取、作物养分诊断与监测、作物长势监测与产量预测、农业遥感信息模型以及农业灾害监测7个主要研究方面。在此基础上，笔者指出了高光谱技术在农业遥感中尚需解决的关键问题，并提出了可能的解决途径。最后对高光谱技术在农业遥感中的应用前景作出了总结和展望。

关键词：高光谱；农业遥感；应用进展

中国分类号：S127 文献标识码：A 文章编号：1002-6819(2008)-7-0301-06

姚云军，秦其明，张自力，等. 高光谱技术在农业遥感中的应用研究进展[J]. 农业工程学报，2008，24(7)：301－306. Yao Yunjun, Qin Qiming, Zhang Zili, et al. Research progress of hyperspectral technology applied in agricultural remote sensing [J]. Transactions of the CSAE, 2008,24(7)：301－306.(in Chinese with English abstract)

0 引 言

20世纪60年代以来，随着空间技术、电子计算机技术的发展，极大推动了遥感技术的迅速发展，遥感技术已越来越广泛地应用于农业、海洋、地质、水文、气象、军事等多个领域。特别是高光谱遥感技术的出现拓宽了遥感信息定量获取新领域，逐渐成为农业遥感应用的重要前沿技术手段之一。高光谱遥感[1]（Hyperspectral Remote Sensing）又称成像光谱遥感，始于20世纪80年代，是指在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续图像数据技术。高光谱遥感具有较高的光谱分辨率，通常达到10-2λ数量级，高光谱技术为遥感在农业中的多层次定量分析与应用开辟了良好前景。

农业遥感应用中，特别是作物长势评估、灾害监测和农业管理等方面，利用高光谱遥感数据能准确地反映田间作物本身的光谱特征以及作物之间光谱差异，可以更加精准地获取一些农学信息，如作物含水量、叶绿素含量、叶面积指数（LAI）等生态物理参数，从而方便地预测作物长势和产量。

1 高光谱技术在农业遥感应用中的研究现状

随着高光谱遥感技术的迅速发展，它已经能够准确、快速地提供各种地面遥感数据。农业遥感要求农业资源监测应用和管理有效地结合起来，这就要求在作物长势监测、灾害预测、产量估产以及精准农业管理等方面有更好和更高精度的技术，高光谱遥感技术在很大程度上正好满足了该技术的需求。目前，高光谱遥感技术在农

收稿日期：2007-08-29 修订日期：2008-04-24 基金项目：国家自然科学基金资助项目（40771148）

作者简介：姚云军（1980－），男，山东蒙阴人，博士生，主要从事高光谱遥感、农业遥感与参数反演研究。北京市海淀区颐和园路5号 北京大学遥感与GIS研究所，100871。Email：boyyunjun@163.com

业遥感应用中的研究取得了较大进展，目前主要研究包

括以下7个方面：（1）作物叶片光谱特征研究；（2）作物分类与识别；（3）作物生态物理参数反演与提取；（4）作物养分诊断与监测研究；（5）作物长势监测与产量预测；（6）农业遥感信息模型研究；（7）农业灾害监测。

1.1 作物叶片光谱特征研究

作物的叶片光谱特征与作物生长状况有直接的关系，包括光谱反射率变化对作物化学组分敏感性变化、土壤水分胁迫下与正常条件下作物光谱特征变化对作物生长状况的影响、作物光谱中红边位置与作物叶绿素含量之间关系等。ShibayamaM等[2]利用成像光谱仪从 400 nm到1900 nm波段范围内分析水分胁迫条件下水稻光谱特征和反射能力，发现近红外/中红外波段反射率及其一阶微分导数变化可以探测早期水稻冠层水分胁迫作用的影响；方慧等[3]针对油菜叶片光谱变化特征进行分析，建立了基于红边和绿峰位置的叶绿素定量分析模型，对农作物长势信息提取提供了较好的借鉴作用。作物叶片光谱特征研究对于应用高光谱遥感技术监测作物病虫害，以及了解农田养分供应状况，采取有效增肥措施和加强农田管理具有积极意义。 1.2 作物分类与识别

农业遥感应用中，作物精准分类与识别是进行农业灾害监测和产量评估的重要环节。多时相高光谱数据能区分作物更细微的光谱差异，探测作物在更窄波谱范围内的变化，从而能够准确地对作物进行详细分类与信息提 取[4]。目前最流行、应用最广的高光谱作物分类方法有光谱角分类、决策树分层分类等。

1）光谱角分类

光谱角分类是通过计算测定光谱和参考光谱之间的“夹角”来表征两者之间相似程度，从而实现光谱匹配分类。如果夹角越小说明两者相似性越好，地物的识别和分类也就越可靠。在波段数为n的光谱影像中，测试

302 农业工程学报 2008年

光谱矢量为 t[t1, t2…, tn]，参考光谱矢量为r[r1, r2,…,rn]，那么它们之间的夹角θ为：

θ=

∑tr/∑t∑r

ii

i2

i=1

i=1

i=1

nnn

i

2

π， θ∈[0,]

2

式中，θ值越小，t和r的相似性越大。

光谱角方法对太阳辐照度、地形和反照率等因素不敏感，可以有效地减弱这些因素的影响。这种方法在作物识别与分类中受到广泛应用，Yang等[5]基于PHI高光谱影像建立了作物病害光谱响应与探测模型，结合光谱角（SAM）制图法准确地区分和提取小麦条锈病与健康小麦及土壤的信息。

2）决策树分层分类

决策树是一种把一个数据集循环地划分到越来越小的子集中去的方法。树由节点组成，一组中间节点和一组末端节点（叶子）组成一个决策树。决策树中的节点中只有一个父节点和两个或者多个子节点，决策树分为单变决策树、多变决策树和混合决策树3种。利用决策树分层分类可以分级分出详细的每一种类。张丰等[6]采用混合决策树分层分类把高光谱遥感数据进行水稻精细分类，如图1，获得了理想的分类结果。

1）作物水分的高光谱反演与提取

作物水分胁迫状况能够在光谱反射率数据中体现出来，这是高光谱遥感反演与提取作物水分的理论基础。Michio等[7]研究指出了在波段960 nm处的光谱微分导数监测水稻水分亏缺状况；国内田庆久等[8]研究了小麦叶片水分含量与光谱反射率在1450 nm附近水的特征吸收峰深度和面积之间的关系是正相关，得出了利用光谱反射率可以定量测定作物含水量和诊断小麦缺水状况。目前作物水分反演方法主要有3种：①利用遥感反演的生态物理参数（如叶绿素含量）与作物含水量建立关联关系。一般讲，作物叶绿素与含水量存在正比关系。Gond等[9]研究了温带森林的叶绿素积累与水分状况之间的关系。②建立作物冠层温度变化与作物含水量的关系。据此Idso[10]提出了著名的作物缺水指数CWSI表达式：

Tc−Tcl

CWSI=

Tcu−Tcl

式中 Tc——作物冠层温度；Tcl——作物最低冠层温

③基于作物光谱吸收特度；Tcu——作物最高冠层温度。

征反演与提取作物水分。植被光谱波段特征中，1530 nm和1720 nm波段适合对植被水分的估算。Ceccato等[11]利用1600 nm和820 nm波段的反射率比（R1600/R820）估算单位叶面积水分含量，它们之间相关系数高达0.9。

2）作物叶绿素的高光谱反演与提取

叶绿素含量是作物生物量的重要标志之一。很多研究表明[12]：光谱红边位置（REP）与作物（如小麦、玉米等）叶绿素积累量具有较强的相关性。红边位置（REP）为680～750 nm波长范围内光谱反射率一阶导数最大值对应的波长。红边特征参量包括红边斜率（Srg）和红边面积（Arg）等，其公式为：

dr(λ)750

|680) Srg=max(dλArg=∫

750680

Rdλ

注：A.水 B.水泥地 C.香雪糯 D.武香8313 E.武香5021 F.99-15

G.香粳8016 H.武香4 I.白菜 J.稻茬 K.红薯

图1 混合决策树分类结构（引自张丰，2002） Fig.1 Structural diagram of hybrid decision tree

1.3 作物生态物理参数反演与提取

作物生态物理参数主要包括作物水分、叶绿素含量等表征农学信息的参量。目前，高光谱遥感数据反演与提取作物生态物理参数主要有3类方法：①利用多元回归方法建立高光谱数据（原始反射率、光谱微分等）与作物农学信息参数之间的关系；②构建基于光谱特征的光谱指数与作物含水量等农学信息之间的经验方程。③建立物理模型来反演与提取作物参数。本文着重选取作物水分和叶绿素含量（代表性的生态物理参数）两类参数加以论述。

Curran等[13]早在1989年研究了叶绿素浓度（CHL）与红边位置（REP）间的关系方程：CHL＝-32.13+0.05REP；Jago等[14]进一步研究表明了土壤和追施条件下红边位置与叶绿素积累量间的较好相关关系；宋开山等[15]利用叶绿素敏感波段（红边特征）建立了大豆叶绿素高光谱反演模型，最后采用相关系数较大的波段作为神经网络模型的输入变量进行了叶绿素含量估算，提高了反演大豆叶绿素含量的能力；国外Cho等[16]利用线性外推法从高光谱数据中提取红边位置，研究显示在波长680，694，724 和 760 nm红边特征参数与叶绿素相关性高达0.86，减少了背景光谱噪音的影响。

此外，光谱指数法反演作物叶绿素浓度应用也较为广泛，比较典型的是Kim的叶绿素吸收反射率指数（CARI）。

|670a+R670+b|R700CARI=

R670a2+1式中：a=(R700−R550)/150，b=R550−550a

第7期 姚云军等：高光谱技术在农业遥感中的应用研究进展 303

1.4 作物养分诊断与监测研究

作物养分主要包括氮、磷、钾等元素，如果缺乏会导致作物光合作用能力和产量降低。近20年来，利用遥感进行作物养分（尤其是氮）实时监测和快速诊断一直是农业应用研究的热点。作物氮、磷、钾等含量的变化会引起作物叶片生理和形态结构变化，造成作物光谱反射特性变化，这是高光谱遥感获取作物养分信息的理论依据。作物养分高光谱诊断与监测方法主要包括：①多元统计回归方法诊断作物养分含量。这种方法的前提条件是作物叶片光谱是作物中各养分的加权吸收特性之和。许多研究证明：作物反射与氮积累量之间相关性非常显著，可以采用逐步回归方法分析作物氮的含量。Kokaly等[17]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，验证精度较高。牛铮等[18]利用地面光谱仪的测量数据，探讨了高光谱遥感反演叶片化学组分的机理，采用多元逐步回归方法，分析了鲜叶片7种化学组分（包括氮）含量与其光谱特征之间的关系，表明叶片的精细光谱特征较好地反映出化学组分含量。蒋金豹、陈云浩等[19]利用线性和非线性回归方法，建立了微分光谱与小麦全氮含量之间的回归模型。研究表明随病情加重，小麦全氮含量逐渐降低，并与一阶微分光谱在430～518、534～608、660～762 nm以及783～893 nm区域具有极显著相关性。②基于特定吸收波段内波谱特征参数的作物养分诊断。光谱吸收特征参数包括吸收峰的波长位置（P）、深度（H）、宽度（W）、斜率（K）等。赵春江等[20]

对小麦叶片全氮含量与红边特征的相关性分析表明，叶片全氮与红边振幅及近红外平台振幅间在全生育期均呈现为线性正相关趋势。Jain等[21]利用高光谱数据和实测数据对马铃薯氮含量与特定波段比值（R750/R710）建立回归模型，两者相关系数达到0.7以上，波谱特征比值对养分变化较敏感。

以上大量研究表明，高光谱遥感技术可以对作物的养分进行准确诊断和监测，为变量施肥提供了依据，可以节省农业资源投入。高光谱养分诊断与监测模型在生产中有较高的应用价值和广阔的应用前景。 1.5 作物长势监测与产量预测

1）作物长势监测

作物长势是作物生长发育状况评价的综合参数，长势监测是对作物苗情、生长状况与变化的宏观监测。构建时空信息辅助下的高光谱遥感信息与作物生理特性及作物长势之间的关系模型便于作物长势监测，高光谱监测作物长势可分为植被指数以及结合GIS技术动态监测等方法。高光光谱遥感可以利用植被指数（NDVI、DVI等）进行农田地表覆盖类型分类和作物长势监测分析。例如，可以利用高光谱数据，通过分析NDVI和DVI，建立农田区域性覆盖指数模型，反映出区域性作物覆盖分异状况和随季节变化规律[22]。此外，海量高光谱遥感数据，结合GIS技术、GPS技术、网络技术和计算机技术，建立服务于农业领域的农情监测系统，对作物长势实现动态的监测，对农情灾害以及粮食产量进行快速预报和

准确评估。

2）作物产量预测

作物高光谱遥感产量预测是通过搭载在卫星上的高光普遥感器，来获取作物各生长时期光谱特征数据，对其反映的产量进行预测。多数研究集中于作物种植面积遥感预测和单产预测。作物种植面积遥感预测算法分为直接算法和间接算法两种。直接算法一般是通过建立作物指数与面积之间回归模型进行求解；而间接算法是利用绿度-麦土比模式求出麦土比值作为已知值，然后利用土地面积乘上已知值求解作物种植面积[23]。吴炳方 [24]早在1995年采用多光谱TM遥感数据提取了江汉平原水稻种植面积，预测了水稻种植面积变化趋势，为今后高光谱估算作物种植面积研究做了铺垫。

单产预测是以作物生长状况在高光谱遥感光谱特征中得到表征为理论支撑的。基于作物各生长期不同植被指数组合方法开展产量估算是最为常见的方法。著名的绿度植被指数（Green）由Kauth和Thomas针对多光谱MSS数据提出的，对作物生长状况监测较为敏感，其中，Green=-0.2897MSS4-0.5620MSS6+0.4907MSS7。刘良云、王纪华等[25]利用高光谱数据近红外波段890 nm反射峰、980 nm和1200 nm两个弱水汽吸收谷、短波红外1650 nm和2200 nm反射峰设计新型光谱指数与冬小麦产量进行相关分析，相关水平较为显著。 1.6 农业遥感信息模型研究

农业遥感信息模型是应用遥感信息和地理信息影像化的方法，集成农学模型、数理模型和地学模型建立起来的一种模型。常见的农业遥感信息模型包括土壤含水量遥感信息模型、作物旱灾估算遥感信息模型等。马蔼乃[26]等对黄淮海平原小麦灾损估产建立了遥感信息模型，并对模型的精度进行了评价，基本模型为：

EY

1−a=k[1−C,a]n YEN,max式中 Y ——冬小麦正常年份产量；Ya——实际产量；k，n——地理参数；EC,a——实际蒸散量；EN,max——

最大蒸散量。

随着作物生长动力模拟模型的发展，遥感信息与作物生长模型相结合研究也逐步展开，著名的作物模型（ARID CROP模型、CERES模型等）与遥感数据同化研究为农业资源监测与预测提供了好的研究方法。Marie 等[27]采用SAIL模型把遥感数据与SUCROS模型进行同化，预测了其产量，误差降低到20％以下。赵艳霞等[28]通过将遥感信息（叶面积指数LAI）与棉花模型结合，建立了遥感－棉花反演模型，解决了模式从单点扩展到区域应用时缺少初始输入的问题，反演参数和模拟产量与实际情况吻合较好。

当前，基于多光谱遥感数据源为主流的遥感信息模型在农业领域已经取得了较好的应用效果。鉴于高光谱数据昂贵价格以及数据处理复杂性，这方面研究较少，但是随着高光谱遥感数据的迅猛发展，基于高光谱的遥感信息模型将会在农业应用中大有作为。

304 农业工程学报 2008年

1.7 农业灾害监测

目前，遥感农业灾害监测已经广泛用于农业干旱监测、病虫害监测等多方面。高光谱遥感的高光谱分辨率、大面积同步观测等特点为区域性农业灾害监测与评估带来了福音。

1）农业干旱监测

干旱是一种潜在的自然现象，它的发生过程复杂，通常表现为一种变化缓慢的自然灾害，至今干旱还没有一个统一的定义。常用的遥感农业干旱监测方法分为植被指数-地表温度法、热惯量法等。

植被指数－地表温度法是综合利用可见光、近红外和热红外波段信息提取表征农业干旱的生态物理参数如植被指数、地表温度等，构建这些参数组成的光谱特征空间模型监测干旱，其中Sandholt[29]提出的温度植被干旱指数（TVDI）就是基于此方法构建的。刘良云、张兵等[30-31]利用OMIS图像数据中8个热红外波段和归一化发射率反演地表温度（LST），以高光谱导数植被指数（DVI）表征植被覆盖度，在DVI-LST二维空间中反映了地物覆盖度和水分含量差异（如图2）：土壤含水量较低、需要灌溉的旺盛小麦地和稀疏小麦地位于DVI-LST三角形右侧；而水分充足、生长旺盛的小麦位于三角形左侧。植被指数－地表温度法虽然简单、灵活，但是经验性太强，监测精度受到一定的限制。

法开展了小麦等作物条锈病光谱信息探测与识别研究，病虫害识别效果较好。随着海量高光谱遥感数据的获取，区域性农业病虫害监测研究也越来越完善。

2 高光谱农业遥感应用尚需解决的关键问题及途径

2.1 尚需解决的关键问题

1）高光谱遥感农学信息提取模型的适用性

高光谱遥感农学信息提取模型虽多，但很难找到一种通用的方法，每种模型和方法都有其适用条件，而且许多模型仅仅处于试验研究阶段，需要大规模实地观测数据来修正。不同的模型，其应用条件差别很大，不同区域通常要根据该区域实际情况采用不同的信息提取方法。本文论述的模型与方法大都是以最理想条件为前提的，实际农学参数条件多变性和复杂多样性，许多问题需要解决。

2）田间组分混合光谱分解模型和端元提取方法 研究多种田间组分（作物、土壤等）混合光谱分解模型，特别是作物不同生长阶段，作物、土壤等组成的混合光谱具有复杂的机制，需要加强研究。模型建立后，端元提取是混合光谱分解的关键，如何建立不同田间组分与混合光谱特征之间的信息关联，开展基于混合光谱知识的端元提取方法，对高光谱农业遥感的定量化、实用化具有重要意义。 2.2 解决途径

1）农业光谱数据库的完善与扩充

在农业应用中，同类作物以及土壤组成成分和结构都会有所不同，加之不同组分间相互效应和环境因素的影响，作物以及土壤的光谱特征变异普遍存在。因此，深入开展农业应用中标准地物光谱特征研究，总结标准地物在不同条件下光谱变异规律，完善和扩充农业光谱数据库，是提高农学信息提取模型精度和适用性的基础，也是开展精准农业研究的前提。

2）高光谱遥感与GIS、GPS集成应用

高光谱遥感是农业应用中信息载体的来源，而 GIS具有强大数据处理、管理以及空间分析能力，GPS提供精准空间定位，三者的有效集成可以高效分析作物苗情、施肥状况等农业专题信息。它们的一体化应用可以有效解决只靠高光谱技术面临着一些问题，比如，对于地形复杂、作物种植变化较大区域，区分“同物异谱”和“同谱异物”的困难性等，而且还可以提高农学信息反演的精度和应用范围。

3）加强高光谱数据农学信息挖掘研究

高光谱多维光谱特征空间中，农学参数的变化极易在光谱空间中得以体现。目前绝大部分混合光谱分解模型都采用了高光谱中部分谱段信息，模型经验性较强，可移植性和规律性较差。笔者认为随着数据挖掘技术的研究和发展，充分利用光谱空间（特别是多维光谱特征空间）中光谱变化知识进行农学信息的深入挖掘将是有效解决混合光谱分解的有效手段之一，这方面研究将会得到重视。

图2 地物在DVI-LST散点图中的映射图（引自 刘良云，2002） Fig.2 Classification map in LST-DVI 2D scatter plots of the

targets

热惯量法利用不同物质之间热惯量不同的特性，以土壤水分与土壤温度变化的关系为指导思路建立干旱监测模型。早在1986年Carlson等[32]利用遥感数据得到热惯量计算土壤有效水分，可以方便用于干旱监测。田国良等[33]提出用表观热惯量（ATI）代替真实热惯量，使模型简化，得到了广泛的应用。热惯量法虽然精度较高，但是所需参数较多，只能适用于裸土或者很低植被覆盖区域。此外，作物缺水指数（CWSI）、微波遥感等方法在农田干旱监测中也越来越得到重视。

2）农业病虫害监测

高光谱遥感特有的光谱匹配和光谱微分技术使其在农业病虫害监测中得到研究者的青睐。其中，基于波谱波长位置变量分析方法是农业病虫害监测的主要方法，国内外许多学者[34,35]基于高光谱影像分析了作物病害光谱响应，利用红边参数、迭代自组织、二项式分析等方

第7期 姚云军等：高光谱技术在农业遥感中的应用研究进展 305

3 结 语

高光谱技术的研究与应用是农业遥感领域重要前沿课题之一，它充分利用了高光谱图谱合一的优点，能够精准监测作物长势，为精准农业服务。虽然高光谱遥感在农业应用中已经取得了一些研究进展，但是走向成熟仍然任重而道远。随着精准农业研究的深入，遥感光谱分辨率和空间分辨率的不断提高，今后高光谱遥感在农业方面的应用从理论走向业务化运作成为一个主要发展方向，特别是简单实用的高光谱农学信息提取与农情监测模型的设计与推广。因此，高光谱遥感需要集训开展与作物模型同化以及光谱信息挖掘等方面的研究，完善高光谱遥感与GIS、GPS相结合的作物长势评估、灾害监测和农业管理新模式，为农业遥感发展带来新活力。

致谢：感谢北京大学遥感与GIS研究所范闻捷副教授以及国家农业信息化工程技术研究中心李存军博士对本文写作提供的帮助。同时，向为本文提出宝贵修改意见的评审专家表示感谢。

[参 考 文 献]

[1] Lillesand T M, Kiefer R W. Remote Sensing and Image

Interpretation (3rd Edition)[M]. New York: John Wiley & Sons，1994，750．

[2] Shibayama M, Takahashi W, Morinaga S, et al. Canopy water

deficit detection in paddy rice using a high resolution field spectroradiometer[J]． Remote Sensing of Environment，1993，45(2)：117－126．

[3] 方 慧，宋海燕，曹 芳，等．油菜叶片的光谱特征与叶

绿素含量之间的关系研究[J]．光谱学与光谱分析，2007，27(9)：1731－1734．

[4] 唐延林，黄敬峰．农业高光谱遥感研究的现状与发展趋势

[J]．遥感技术与应用，2001，16(4)：248－251．

[5] Yang Keming, Chen Yunhao, Guo Dazhi, et al. Spectral

Information Detection and Extraction of Wheat Stripe Rust Based on Hyperspectral Image[J]. Acta Photonica Sinica, 2008，31(1)：145－150．

[6] 张 丰，熊 桢，寇 宁．高光谱遥感数据用于水稻精细

分类研究[J]．武汉理工大学报，2002，24(10)：36－46． [7] Michio S, Tsuyoshi A. Seasonal visible, near-infrared and

mid-in-frared spectral of rice canopies in relation to LAI and above-ground dry phytomass[J]. Remote Sensing of Environment，1989，2：119－127．

[8] 田庆久，宫 鹏，赵春江，等．用光谱反射率诊断小麦水

分状况的可行性分析[J]．科学通报，2000，45(24)：2645－2650．

[9] Gond V, de Pury DGG, Veroustraete F, et al. Seasonal

variations in leaf area index, leaf chlorophyll, and water content; scaling-up to estimate fAPAR and carbon balance in a multilayer, multispecies temperate forest.Tree Physiology, 1999，19(10)：673－679．

[10] Idso S B, Clawson K L. Foliage temperature: Effects of

environmental factors with implication for plant water stress assessment and the CO2/climate connection[J].Water Resource Research，1986，22(12)：1702－1716．

[11] Ceccato P, Flasse S, Tarantola, et al. Detecting vegetation leaf

water content using reflectance in the optical domain[J].

Remote Sensing of Environment，2001，77：22－33． [12] 童庆禧，张 兵，郑兰芬．高光谱遥感－原理、技术与应

用[M]．北京：高等教育出版社，2006：370－377．

[13] Curran P J. Remote sensing of foliar chemistry[J]. Remote

Sensing of Environment，1989，30：271－278．

[14] Jago R A, Mark E J C, Curran P J. Estimation canopy

chlorophyll concentration from field and airborne spectra [J]. Remote Sensing of Environment，1999，68：217－224． [15] 宋开山，张 柏，王宗明，等．大豆叶绿素含量高光谱反

演模型研究[J]．农业工程学报，2006，22(8)：16－21． [16] Cho M A, Skidmore A K, Atzberger C. Towards red-edge

positions less sensitive to canopy biophysical parameters for leaf chlorophyll estimation using properties optique spectrales des feuilles(PROSPECT) and scattering by arbitrarily inclined leaves(SAILH) simulated data. International Journal of Remote Sensing，2008，29(8)：2241－2255．

[17] Kokaly R F, Clark R N. Spectroscopic determination of leaf

biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression[J]. Remote Sensing of Environment，1999，67(3)：267－287．

[18] 牛 铮，陈永华，隋洪智，等．叶片化学组分成像光谱遥

感探测机理分析[J]．遥感学报，2000，4(2)：125－130． [19] 蒋金豹，陈云浩，黄文江，等．条锈病胁迫下冬小麦冠层

叶片氮素含量的高光谱估测模型[J]．农业工程学报，2008，24(1)：35－39．

[20] 赵春江，黄文江，王纪华，等．不同品种、肥水条件下冬

小麦光谱红边参数研究[J]．中国农业科学，2002，35(8)：980－987．

[21] Jain N, Ray S S, Singh J P, et al. Use of hyperspectral data to

assess the effects of different nitrogen applications on a potato crop[J]. Precision Agriculture，2007， 8(4-5)：225 －239．

[22] Yang C G, Everitt J H, Bradford J M. Airborne hyperspectral

imagery and linear spectral unmixing for mapping variation in crop yield[J]. Precision Agriculture，2007，8(6)：279－296． [23] 白 丽，王 进，蒋桂英．高光谱分辨率遥感技术在农作

物估产中的研究现状与发展趋势[J]．现代化农业，2006，(1)：30－33．

[24] 吴炳方．水稻种植面积的运行化遥感方法[M]．武汉：武

汉大学出版社，1995：107－108．

[25] 刘良云，王纪华，黄文江，等．利用新型光谱指数改善冬

小麦估产精度[J]．农业工程学报， 2004，20(1)：172－175． [26] 马蔼乃．遥感信息模型[M]．北京：北京大学出版社，1997，

62－70．

[27] Marie Launay, Martine Guerif. Assimilating remote sensing

data into a crop model to improve predictive performance for spatial applications[J]. Agriculture, Ecosystems and Environment III，2005： 321－339．

[28] 赵艳霞，秦 军，周秀骥．遥感信息与棉花模型结合反演

模型初始值和参数的方法研究[J]． 棉花学报，2005，17(5)：280－284．

[29] Sandholt I, Rasmussen K, Andersen J.A simple interpretation

of the surface temperature- vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment，2002，79：213－224．

[30] 刘良云．高光谱遥感在精准农业中的应用研究[R]．中国

科学院遥感应用研究所博士后出站报告，2002：5－32． [31] 刘良云，张 兵，郑兰芬，等．利用温度和植被指数进行

306 农业工程学报 2008年 地物分类和土壤水分反演[J]．红外与毫米波学报，2002，21(4)：269－273．

[32] Carlson P J, Price J C. On the analysis of thermal infrared

imagery: the limited utility of apparent thermal inertia[J]. Remote Sensing of Environment，1986，18：59－93． [33] 田国良，杨希华，郑 柯．冬小麦旱情遥感监测模型研究

[J]．环境遥感，1992，7(2)： 83－ 89．

[34] Moshou D, Bravo C, Wahlen S, et al. Simultaneous

identification of plant stresses and diseases in arable crops using proximal optical sensing and self-organizing maps[J]. Precision Agriculture，2006，7(3)：149－164．

[35] 王圆圆，陈云浩，李 京,等．指示冬小麦条锈病严重度的

两个新的红边参数[J]．遥感学报，2007，11(6)：875－881．

Research progress of hyperspectral technology applied in agricultural

remote sensing

Yao Yunjun, Qin Qiming, Zhang Zili, Li Baishou

(Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China)

Abstract: The research and application of hyperspectral technology are the challenging task in agricultural remote sensing. This paper describes the development and progress of the application of hyperspectral technology in agricultural remote sensing, as well as summarizes the seven aspects including the study of spectral characteristics of crop leaves, crop classification and identification, inversion and extraction of crop bio-physical parameters, crop nutrient diagnosis, crop growth monitoring and yield prediction, agricultural remote sensing models and agricultural disaster monitoring. The unresolved problems of hyperspectral technology applied in agricultural remote sensing are pointed out in the paper and the corresponding countermeasures are put forward. At last a prospect of the application of hyperspectral technology in agricultural remote sensing was analyzed.

Key words: hyperspectral; agricultural remote sensing; progress of application