基于扫描成像的作物近地高光谱获取与特征分析

2010 188 2010年 12月 Transactions of the CSAE Dec.

基于扫描成像的作物近地高光谱获取与特征分析

张东彦1,2，黄文江1※，王纪华1,2，杨贵军1，朱大洲1，刘　源1，马智宏1

（1．国家农业信息化工程技术研究中心，北京 100097； 2．浙江大学农业遥感与信息技术应用研究所，杭州 310029）

摘 要：为了验证自主研制的扫描成像光谱仪（PIS）在近地应用的可行性，该文以小麦、玉米为研究对象，利用PIS近

地获取作物冠层和叶片的高光谱图像，在对田间和室内获得的成像数据进行对比分析的同时，探讨了成像光谱采集过程中的影响因素。此外，将PIS获取的成像高光谱与地物光谱仪（ASD）测定的高光谱进行比对研究。结果表明：PIS能准确收集作物的光谱信息，且采集的高光谱数据与ASD具有很好的一致性；PIS在田间采集作物光谱信息时，受氧气吸收的影响，在760 nm处有明显的干扰吸收；PIS除了能反映作物不同叶位叶片、不同器官光谱的差异，还可依据影像提取杂草、土壤对作物冠层光谱的影响程度。上述初步结果为进一步应用PIS进行农作物长势诊断提供了参考。 关键词：光谱测定法，作物，特征提取，扫描成像光谱仪，小麦，玉米 doi：10.3969/j.issn.1002-6819.2010.12.032

中图分类号：S127 文献标志码：A 文章编号：1002-6819(2010)-12-0188-05

张东彦，黄文江，王纪华，等.基于扫描成像的作物近地高光谱获取与特征分析[J].农业工程学报，2010，26(12)：188－192.

Zhang Dongyan, Huang Wenjiang, Wang Jihua, et al. In-situ crop hyperspectral acquiring and spectral features analysis based on pushbroom imaging spectrometer[J]. Transactions of the CSAE, 2010, 26(12): 188－192. (in Chinese with English abstract)

0 引 言

高光谱分辨率遥感（hperspectral remote sensing，HRS）是指利用很窄而连续的光谱通道对地物持续遥感成像的技术。它的出现，是遥感界的一场革命[1]。由于遥感器性能的限制，前人的研究主要集中在航空高光谱[2-4]和地面非成像高光谱遥感[5-7]两方面。近年来，随着成像高光谱遥感技术的发展，它的近地应用研究成为遥感发展的热点。Y.inoue等利用可调滤波器的高光谱成像系统在农田植物生理生态方面进行了初步应用研究[8-9]；Xu等利用地面高光谱成像系统对柑橘树的冠层光谱特征进行了提取研究；谭海珍等利用成像光谱仪对冬小麦苗期叶绿素密度进行监测，探索了成像光谱仪近地应用的可行性[10]；王伟等利用成像高光谱数据对冬小麦叶绿素含量进行检测，尝试预测大田冬小麦叶绿素含量[11]。综上所述，前人利用成像高光谱在近地进行了有意义的探索，取得了一定的进展，但是，由于成像高光谱近地应用尚处于探索阶段，大都没有深入挖掘农作物不同层次叶片，土壤、杂草等背景因素等对冠层光谱影响。本文利用自行研制的成像光谱仪近地获取小麦和玉米的成像光谱，对室内、田间获取的成像数据进行分析，与地物光谱仪

（ASD Fieldspec FR2500，ASD）获得的高光谱进行比对；研究自然状态下作物不同器官和背景地物的反射光谱特征，分析这些因素对作物冠层光谱的影响，以期为成像光谱仪的近地农作。

1 材料与方法

1.1 试验设计

试验1：2008年10月－2009年5月在北京市昌平区的小汤山国家精准农业研究示范基（40.18°N，116.45°E）进行冬小麦的田间试验。供试小麦品种为京411，常规肥水处理。2009年5－6月，在冬小麦的孕穗期、灌浆期、成熟期测定其冠层和倒1、倒2叶的高光谱。

试验2：2009年8－10月在北京农林科学院试验农场（40.17°N，116.433°E）进行玉米田间试验。供试玉米品种为郑单958，采用盆栽种植，常规肥水管理。在玉米的拔节期、喇叭口期进行冠层光谱的测定。在完成田间光谱数据的收集后，整株取样，在室内测定玉米倒1、倒2、倒3叶的反射光谱。 1.2 高光谱成像系统组成

农业田间扫描成像光谱仪（pushbroom imaging spectrometer，PIS）是由北京农业信息技术研究中心与中国科学技术大学联合研制。研发的目的是利用其图谱合一的特性，近地探测作物的个体、器官以及器官不同组分的光谱信息，从微观的尺度进行农业定量遥感研究。整个高光谱成像系统包括：光谱仪、电机、导轨、支撑架和外接笔记本电脑，图1是成像光谱仪田间测定时的实物图。光谱仪在应用之前，委托中国科学院安徽光学精密机械研究所的国家光辐射定标与标征技术创新实验室进行室内定标，确定了仪器在每个通道的波长位置、光谱响应函数、辐射精度等。仪器的主要参数如表1所示。

收稿日期：2010-03-09 修订日期：2010-09-02

基金项目：国家自然科学基金（41071228，41071276）；国家高新技术研究发展计划（“863”计划）项目（2007AA10Z202）；农业部行业科技项目（200903010）资助

作者简介：张东彦（1982－），男，山西运城人，博士生，研究方向为遥感与信息技术在农业上应用。北京 国家农业信息化工程技术研究中心，100097。Email: hello-lion@hotmail.com ※通信作者：黄文江（1974－），男，安徽安庆人，研究员，研究方向为农业定量遥感。北京 国家农业信息化工程技术研究中心，100097。 Email: huangwj@nercita.org.cn

第12期 张东彦等：基于扫描成像的作物近地高光谱获取与特征分析

189

图1 高光谱成像系统实物图

Fig.1 Components of hperspectral imaging system

表1 成像光谱仪的主要性能参数

Table 1 Key performance parameters of spectrometer

参 数

数 值

光谱范围/nm 400～1 000

光谱分辨/nm 2 空间分辨率/nm ≥0.5 光谱采样间隔/nm 0.7 像元尺寸/µm 7.4×7.4 视场角/(°)

16

图像分辨率 1 400(空间维)×1 024(光谱维)

1.3 成像光谱的采集和处理

1.3.1 成像光谱收集

田间试验时，选择晴朗无风的天气，于9:30－15:00对小麦、玉米进行光谱采集。

室内试验时，用PIS和ASD同时收集玉米叶片的光谱信息。其中，PIS的光源选择外置卤灯照射；ASD与LI-COR 1800-12外置积分球（LI-COR）耦合测定玉米叶片的反射光谱，其中ASD光谱范围是350～2 500 nm；光谱分辨率在波段700 nm处为3 nm，1400和2 100 nm为10 nm；采样间隔在350～1 000 nm范围为1.4 nm，1 000～2 500 nm为2 nm；视场角是25°。

试验1：1）在利用PIS收集小麦冠层、叶片光谱数据前，先根据仪器的视场角和获取面积设置好观测架的高度。PIS镜头距小麦冠层1.4 m，视场覆盖3行小麦，获取影像的实际面积为1 m2。为了对PIS获得的数据进行场地定标，每次在视场内放置参考板和黑布，同时用ASD收集白板、黑布的反射率数据。2）冠层光谱收集后，采摘视场内10株小麦倒1、2叶平铺于黑布上，用PIS采集叶片的反射光谱，收集过程同1）。3）用PIS测定完小麦叶片的光谱信息后，立即用ASD测定叶片的反射率。操作人员手持探头，距叶片0.05 m高处，连续测定叶片的中间部分3次，求平均作为单叶的光谱值，每片叶测定前后进行白板校正。

试验2：1）利用PIS测定玉米冠层光谱数据时，为了保证盆栽玉米整株在视场内，根据仪器的视场角和玉米的高、宽固定好观测架的高度。PIS的镜头距玉米冠层最佳高度为1.5 m，和试验1相同，每次成像都进行白板、黑布的场地定标。2）在测定完玉米冠层光谱后，玉米整株取样，用PIS在室内收集玉米倒1、倒2、倒3叶的光谱信息。具体方法是：叶片平铺在黑布上，镜头距叶片1 m，

仪器与光源固定在相同的高度同时匀速移动，采集玉米叶

片的成像高光谱。3）为了验证PIS获取数据的准确性，同时用ASD耦合积分球测定玉米叶片的反射率。 1.3.2 高光谱数据处理

PIS采集的原始数据是BMP格式的图片，转换成可用遥感软件ENVI处理的影像要经过如下步骤：1）用Matlab软件编写程序把BMP格式的图片拼接成BIL格式的整幅影像。2）用IDL编程进行影像反射率提取。编写的程序包括基于经验线性法的反射率提取，五步逐步平均法的平滑处理，最后保存为BSQ格式的影像。本文所用的光谱值，是经ENVI软件提取得出。

ASD采集的叶片光谱值，由仪器自带的软件ASD ViewSpecPro进行前期处理后，导入到EXCEL2007中经计算得出。反射率计算公式如下

RRad目标

目标=Rad×Rad白板×100% （1）

白板式中，R目标为通过白板反射率求得的目标物光谱反射率数据；Rad目标为通过光谱仪测得的目标物辐亮度值；Rad白板为通过光谱仪测得的白板的辐亮度值；R白板是已知的白板反射率值。

2 结果与分析

2.1 PIS室内数据特点

图2（PIS1～PIS3）是PIS在室内收集的玉米拔节期倒1、倒2、倒3叶在450～900 nm波段的光谱值。从图中可以看出，1）不同叶位叶片在550 nm附近都有明显的反射峰；680 nm左右有吸收谷；680～760 nm反射率迅速增高，有明显的植被红边特征；761～900 nm为高的反射率平台。2）对比倒1、倒2、倒3叶的光谱值，可以发现倒2叶最大，倒1次之，倒3最低。3）从整个光谱区间看，450～500 nm和770～900 nm曲线波动明显。

注：PIS-1、PIS-2、PIS-3为PIS测定的玉米倒1、2、3叶的光谱值；

ASD-1、ASD-2、ASD-3为ASD测定的玉米倒1、2、3叶的光谱值

图2 PIS和ASD测定的玉米叶片的光谱反射率 Fig.2 Spectral reflectance of corn leaves by PIS and ASD

本研究同时利用ASD耦合积分球在相同的室内条件

190 农业工程学报 2010年

下采集所有叶片的光谱信息，用来验证PIS获得的数据的准确性，结果如图2（ASD1～ASD3）。比较两仪器收集的数据可发现， ASD和PIS获取的叶片光谱信息有一致的曲线特征，即都表现为典型的植被特征曲线。同时，两仪器采集的数据也有差异，PIS获得的反射率值低于ASD耦合积分球的。两仪器获得的数据都有明显的曲线波动，但PIS的曲线波动大于积分球的，分析可能原因是积分球采用仪器内部光源，而PIS利用外部卤灯照射，光源的角度、高度影响了数据质量，增大了光谱的噪声，所以表现为明显的曲线波动。 2.2 PIS田间数据特点

图3是PIS在室外采集的抽穗期冬小麦倒1、倒2叶在450～900 nm波段的光谱值。从图中可以看出，550、680、680～900 nm都表现为典型的植被光谱特征，但是在760 nm附近出现明显的吸收谷。这一现象和Xu等在近地获得的柑橘树冠层的成像高光谱的研究结果一 致[11]。分析原因是仪器在760 nm处受氧气吸收的影响，地物的反射率值降低，表现为明显的吸收谷。所以在分析室外试验数据时，要注意760 nm处氧气吸收对试验结果的影响。同时，本文利用ASD同步获取小麦叶片的光谱信息，对两仪器采集的数据进行对比研究。结果表明，两仪器获得的数据在整体上有很好的一致性。但是相比成像光谱仪PIS，ASD在760 nm处仅有微弱的吸收谷；在761～900 nm波段，ASD保持高的近红外反射平台，而PIS波动明显，反射率值呈下降趋势。这说明不同遥感器因光谱分辨率的不同（在450～900 nm 波段，ASD是3 nm，而PIS是2 nm），水气吸收对两仪器近红外波段的影响不同。对比两仪器的反射率值发现，PIS获得的反射率值高于ASD的。产生的原因是：两仪器有不同的光谱响应函数，且在计算目标物反射率时所用的参照比不同导致。

注：PIS-1、PIS-2为PIS测定的小麦倒1、2叶的光谱值；ASD-1、 ASD-2为ASD测定的小麦倒1、2叶的光谱值

图3 PIS和ASD测定的小麦叶片的光谱反射率 Fig.3 Spectral reflectance of wheat leaves by PIS and ASD

2.3 PIS不同地物光谱特征比较

由于地物的高光谱特征是地物种类、结构及其化学

组成等多种因素共同作用的结果，不同地物在电磁波谱上显示的诊断性高光谱特征可用来帮助人们识别不同地物及其成分[12]。本文提取了同一影像中不同地物的光谱特征，目的是分析他们对作物冠层光谱的影响程度。图4是田间玉米喇叭口期倒1、倒2、倒3叶的光谱值，阴影叶片的光谱值，杂草叶片的光谱值，玉米、杂草遮挡下裸土的光谱值，干燥裸土、湿润裸土的光谱值。从图中可以看出，1）玉米不同叶位叶片光谱值大小分别是倒2＞倒3＞倒1。PIS近地应用之一就是利用遥感手段获取作物自然生长状态下不同层次叶片的光谱信息，用于构建作物垂直梯度的养分反演模型，从微观尺度着手，为大尺度的长势诊断提供理论参考。2）玉米阴影叶片的光谱值，明显低于正常光照下的叶片。PIS可以清楚地区分光照叶片和阴影叶片，可以利用它的这一特点，在构建作物冠层水平的长势诊断模型时，提取阴影叶片所占的比例，分析其对反演模型精度的影响。3）在450～900 nm范围内，比较不同条件下土壤的光谱值，干燥裸土最高，湿润土壤次之，阴影土壤最低。比较玉米和杂草遮挡下裸土的光谱值，发现前者低于后者，原因是玉米茎秆和杂草叶片有不同的内部结构，茎秆更影响可见光的反射和近红外光的穿透。所以在研究作物养分反演模型时，要综合考虑茎秆光谱对模型的影响。这与刘良云利用地面高光谱对冬小麦茎秆光谱的研究结论一致[13]。4）对图4中的玉米、杂草叶片的光谱值进行比较分析，发现二者相差不大，没有凸显出光照在空间垂直分布上的差异。参考浦瑞良[14]的方法做归一化处理后，突出了不同地物的差异，达到了区分的目的（图5所示）。在可见光525～625 nm 波段，玉米叶片反射率高于杂草；在745～900 nm的近红外波段，杂草叶片反射率高于玉米叶片。可以利用这两个波段进行分类，消除杂草对冠层光谱的影响。Goel等利用航空遥感技术，对玉米地里的杂草进行了光谱分析，发现位于红外区（675.98～685.17 nm）和近红外区（743.93～830.43 nm）的反射率对识别玉米地里的杂草最有效[15]。本文研究结果在近红外区与前人研究结果相似，可见光波段不同。

注：玉米叶片包括倒1、2、3叶和阴影叶片，杂草有大小叶之分， 裸土有光照土、阴影土、湿润土

图4 PIS获取的不同地物的光谱特征图 Fig.4 Spectral features of different objects by PIS

第12期 张东彦等：基于扫描成像的作物近地高光谱获取与特征分析 191

注：玉米叶片包括倒1、2、3叶，杂草有大小叶之分

图5 杂草和玉米叶的归一化光谱反射率

Fig.5 Normalized reflectance of corn and weed leaves

3 讨 论

1）前人利用ASD对作物的生长发育、长势状况进行了大量的研究，在冠层、叶片尺度构建了养分、病害、水分等多种反演模型用于指导农业生产[16-20]。因其高的光谱分辨率、便携式、实时性等特点，ASD已成为地面高光谱研究的标准之一。本文利用PIS在室内外收集作物的成像光谱，通过和ASD采集的数据进行比对，发现两仪器有相同的植被光谱特征；数据有很好的一致性。以上可说明，PIS能准确的获取农作物的光谱信息。但是，从获取的数据看，PIS在室内获得的叶片光谱值低于ASD，在田间PIS却高于ASD，可能的原因是：两仪器有不同的光谱响应函数，导致相同地物不同的反射率值。两仪器在室内、室外光谱值的大小差异，因室内室外所用光源不同、镜头距离目标物的高度不同所致。从两仪器的性能看，两仪器都可近地获取作物的高分辨率光谱，但是，PIS还具有成像的优势。我们利用它图谱合一的特性，能清楚的区分作物所遭受胁迫的种类；可分析土壤、杂草等背景因素对作物冠层光谱的影响程度，用于改进前人利用非成像高光谱构建的各种作物长势诊断模型。此外，还可对作物养分的垂直分布进行研究，构建冠层、中层、下层的养分反演模型。以上都是成像高光谱近地研究的优势，有利于促进农业定量遥感的发展。

2）PIS近地研究是精确农业发展的必然趋势，目前的研究还处于探索阶段，不论从仪器定标、反射率提取、光谱信息利用等方面都需要深入的研究。其次，仪器本身的性能也需要不断的完善，比如信噪比的提高、室内外不同环境下仪器最佳参数的设置等。此外，试验过程中发现PIS在测定时受到天气、光照、定标物等外界因素的影响，如何选择最佳的测试条件显得尤为重要，需要进一步的探索。随着成像光谱仪性能的提高和成本的下降，其在农业中的应用将越来越广。

4 结 论

1）应用农业田间扫描成像光谱仪（PIS）在室内和

田间采集了玉米、小麦叶片的高光谱数据，经处理后得出光谱值具有典型的植被光谱特征，即550 nm的反射峰，680 nm的吸收谷，760～900 nm高的近红外反射平台。通过和地物光谱仪（ASD）获取的数据进行对比分析，二者有很好的一致性，说明可以准确获取反映作物生长特征的光谱信息，能够用于近地遥感监测研究。同时，PIS在田间采集作物光谱信息时，因受760 nm处氧气吸收的影响，此波段的光谱值变化明显，所以在进行新型植被指数构建时，要考虑此波段的影响。

2）通过对成像高光谱图像中不同地物的光谱值进行比较研究发现，作物不同叶位叶片、不同器官、杂草、土壤光谱值都有差别。本文参考前人的研究方法，对原始光谱做归一化处理，突出不同地物的差异。得出在可见光525～625 nm 波段，玉米叶片反射率值高于杂草；在745～900 nm的近红外波段，杂草叶片反射率高于玉米叶片。利用这两个特点可以剔除杂草对冠层光谱的影响。

PIS能实时反映作物的真实生长环境，可深入研究土壤、杂草等背景地物对作物冠层光谱的影响程度，进而用于诊断作物的长势状况。

[参 考 文 献]

[1] 童庆禧，张兵，郑兰芬．高光谱遥感的多学科应用[M]．北京：电子工业出版社，2006：1－2．

[2]

张霞，刘良云，赵春江，等．利用高光谱遥感图像估算小麦氮含量[J]．遥感学报，2003，7(3)：101－110．

Zhang Xia, Liu Liangyun, Zhao Chunjiang, et al. Estimating wheat nitrogen concentration with high spectral resolution image[J]. Journal of Remote Sensing, 2003, 7(3): 101－110. (in Chinese with English abstract)

[3]

Peng Gong, Rui liang Pu, Greg S, et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1355－1362. [4]

Haboudanea D, Miller J R, Pattey E. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(1): 337－352.

[5] 王纪华，赵春江，黄文江，等．农业定量遥感基础与应用[M]．北京：科学出版社，2008：141－184．

[6]

王纪华，黄文江，劳彩莲，等．运用PLS算法由小麦冠层反射光谱反演氮素垂直分布[J]．光谱学与光谱分析，2007，27(7)：1319－1322．

Wang Jihua, Huang Wenjiang, Lao Cailian, et al. Inversion of winter wheat foliage vertical distribution based on canopy reflected spectrum by partial least squares regression method[J]. Spectroscopy and Spectral Analysis, 2007, 27(7): 1319－1322. (in Chinese with English abstract)

[7]

Wang Zhijie, Wang Jihua, Liu Liangyun. Prediction of grain protein content in winter wheat (Triticum Aestivuml) using plant pigment ratio (PPR)[J]. Field Crops Research, 2004, 90(2/3): 311－321．

[8]

Ye Xujun, Kenshi Sakai, Hiroshi Okamoto. A ground-based hyperspectral imaging system for characterizing vegetation spectral features[J]. Computers and Electronics in Agriculture, 2008, 63(1): 13－21.

192 农业工程学报 2010年 [9] inoue Y, Penuelas J. An AOTF-based hyperspectral imaging system for field use in ecophysiological and agricultural applications[J]. International Journal of Remote Sensing, 2001, 22(18): 3883－3888.

[10] 谭海珍，李少昆，王克如，等．基于成像光谱仪的冬小麦

苗期冠层叶绿素密度监测[J]．作物学报，2008，34(10)：1812－1817．

Tan Haizhen, Li Shaokun, Wang Keru, et al. Monitoring canopy chlorophyll density in seedlings of winter wheat using imaging spectrometer[J]. Acta Agronomica Sinica, 2008, 34(10): 1812－1817. (in Chinese with English abstract) [11] 王伟，彭彦昆，马伟，等．冬小麦叶绿素含量高光谱检测

技术[J]．农业机械学报，2010，5(41)：172－177．

Wang Wei, Peng Yankun, Ma Wei, et al. Prediction of chlorophyll content of winter wheat using leaf-level hyperspectral data[J]. Transactions of the CSAM, 2010, 5(41): 172－177. (in Chinese with English abstract)

[12] Crosta A P, Souza C R de F. Evaluating AVIRIS hyperspectral

remote sensing data for geological mapping in Laterized Terranes, Central Brazil[C]//Proceeding of the Twelfth International Conference and Workshops on Applied Geologic Remote Sensing, Denver, Colorado, 1997, 2(11): 430－437.

[13] 刘良云．高光谱遥感在精准农业中的研究应用[D]．中科

院遥感应用研究所博士后研究工作报告，2002：30－60． Liu Liangyun. Researches and Applications of Hyperspectral Remote Sensing in Precision Agriculture[D]. Report of Remote Sensing Application Research Institute in Chinese Academy of Sciences, 2002: 30－60. (in Chinese with English abstract)

[14] Pu Ruiliang. Broadleaf species recognition with in situ

hyperspectral data[J]. International Journal of Remote Sensing, 2009, 30(11): 2759－2779.

[15] Goel P K, Prasher S O, Patel R M. Use of airborne

multi-spectral imagery for weed detection in field crops[J]. Transactions of the ASAE, 2002, 45(2): 443－449.

[16] 李映雪，谢晓金，徐德福．高光谱遥感技术在作物生长监

测中的应用研究进展[J]．麦类作物学报，2009，29(1)： 174－178．

Li Yingxue, Xie Xiaojin, Xu Defu. Application of hyperspectral remote sensing technology in monitoring crop growth[J]. Journal of Triticeae Crops, 2009, 29(1): 174－178. (in Chinese with English abstract)

[17] 宋开山，张柏，李方．高光谱反射率与大豆叶面积及地上

鲜生物量的相关分析[J]．农业工程学报，2005，21(1)： 36－40．

Song Kaishan, Zhang Bai, Li Fang. Correlative analyses of hyperspectral reflectance, soybean LAI and above ground biomass[J]. Transactions of the CSAE, 2005, 21(1): 36－40. (in Chinese with English abstract)

[18] 赵春江，黄文江，王纪华，等．用多角度光谱信息反演冬

小麦叶绿素含量垂直分布[J]．农业工程学报，2006，22(6)：104－109．

Zhao Chunjiang, Huang Wenjiang, Wang Jihua, et al. Extracting winter wheat chlorophyll concentration vertical distribution based on bidirectional canopy reflected spectrum[J]. Transactions of the CSAE, 2006, 22(6): 104－109. (in Chinese with English abstract)

[19] Zhang Jinheng, Wang Ke, Bailey J S. Predicting nitrogen

status of rice using multispectral data at canopy scale[J]. Pedosphere, 2006, 16(1): 108－117.

[20] 王纪华，赵春江，郭晓维，等．用光谱反射率诊断小麦叶

片水分状况的研究[J]．中国农业科学，2001，34(1)： 104－107．

Wang Jihua, Zhao Chunjiang, Guo Xiaowei, et al. Study on the water status of the wheat leaves diagnosed by the spectral reflectance[J]. Scientia Agricultura Sinica, 2001, 34(1): 104－107. (in Chinese with English abstract)

In-situ crop hyperspectral acquiring and spectral features analysis based

on pushbroom imaging spectrometer

Zhang Dongyan1,2, Huang Wenjiang 1※, Wang Jihua1,2, Yang Guijun1,

Zhu Dazhou1, Liu Rongyuan1, Ma Zhihong1

(1. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China; 2. Institution of Remote Sensing and Information Technique, Zhejiang University, Hangzhou 310029, China)

Abstract: In order to validate the feasibility of self-developed pushbroom imaging spectrometer (PIS) for near ground application, PIS was used to acquire the hyperspectral information of wheat and corn at canopy and leaf scales. The hyperspectral data were collected from field and laboratory respectively and were compared with each other, and the affect factors that appeared in the collection of PIS imaging were also analyzed. In addition, the hyperspectral images were compared with the spectra that obtained from classical field spectroradiometers (ASD Fieldspec FR2500, ASD). The results showed that PIS data had good consistency with ASD data, and PIS could accurately obtain spectral information of crops. Due to the influence of the absorption of oxygen, the spectra obtained by PIS had disturbance absorption at 760 nm. Meanwhile, PIS could not only analyze the effect degree of weed and soil background for crop canopy spectra, but also extract spectral differences among leaves from different layers and organs. These preliminary results provide a foundation for further application of PIS on monitoring crop growth status.

Key words: spectrometry, crops, feature extraction, pushbroom imaging spectrometer, wheat, corn