2、高光谱遥感基础：电磁波谱、光谱分辨率、成像原理与数据获取方式
高光谱遥感（Hyperspectral Remote Sensing）是遥感科学与光谱学的深度交叉产物，其核心在于“图谱合一”——在获取地物二维空间信息的同时，以纳米级光谱间隔记录数十至数百个连续波段的光谱响应。与多光谱遥感（如Landsat、Sentinel-2）相比，高光谱数据能够形成连续且完整的光谱曲线，从而精细刻画作物叶片生化组分（叶绿素、水分、氮素）、冠层结构及胁迫状态。理解电磁波谱的物理基础、光谱分辨率的技术内涵、成像仪器的分光原理以及不同数据获取平台的适用场景，是开展作物诊断建模的前提。本章将系统梳理这四大知识模块，并结合实际案例说明如何选择合适的数据获取方案。
上图展示了高光谱遥感从物理基础到数据获取的整体链路。电磁波谱决定了哪些波段携带作物诊断信息，光谱分辨率决定了信息提取的精细程度，成像原理决定了数据立方体的获取方式，而数据获取平台则决定了空间尺度与作业效率。四个模块环环相扣，共同构成高光谱作物诊断的技术底座。
2.1 电磁波谱：作物诊断的物理基础
电磁波谱是理解高光谱遥感的起点。太阳辐射经过大气吸收与散射后，到达地表的电磁波主要集中在 400–2500 nm 区间，该区间覆盖了可见光（400–700 nm）、近红外（700–1100 nm）和短波红外（1100–2500 nm）。对于作物诊断而言，不同波段对应着不同的生化组分吸收特征：叶绿素在 450 nm 和 680 nm 附近有强吸收谷，在 550 nm 附近形成反射峰；细胞结构在近红外平台（750–1300 nm）产生高反射；水分在 970 nm、1200 nm、1450 nm 和 1940 nm 处有明显的吸收带；氮素则与蛋白质、叶绿素含量间接相关，在 1510 nm 和 2180 nm 附近存在特征吸收。
理解电磁波谱的核心在于“吸收谷-反射峰”的对应关系。作物叶片的光谱响应是叶片内部生化组分、结构以及含水量共同作用的结果。例如，当作物受到干旱胁迫时，叶片含水量下降，水分吸收带的深度会变浅；当氮素缺乏时，叶绿素含量降低，红边位置（680–750 nm 之间反射率最大斜率处）会发生蓝移。这些细微的光谱变化，只有通过高光谱数据才能被有效捕捉。
| 光谱区间 | 波长范围 (nm) | 主要诊断对象 | 典型吸收/反射特征 |
|---|---|---|---|
| 可见光 | 400–700 | 叶绿素、类胡萝卜素、花青素 | 450/680 nm 吸收谷，550 nm 反射峰 |
| 红边 | 680–750 | 叶绿素含量、胁迫状态 | 红边位置随叶绿素含量移动 |
| 近红外 | 750–1100 | 细胞结构、生物量、LAI | 高反射平台，受叶片内部结构影响 |
| 短波红外 | 1100–2500 | 水分、氮素、纤维素、木质素 | 970/1200/1450/1940 nm 水分吸收带 |
2.2 光谱分辨率：从“宽波段”到“窄波段”的跨越
光谱分辨率是指传感器记录光谱细节的能力，通常用波段宽度（Δλ）和采样间隔（Δs）来表征。多光谱传感器（如Landsat OLI）仅有 4–10 个波段，波段宽度通常在 30–100 nm 之间；而高光谱传感器则拥有数十至数百个连续波段，波段宽度可窄至 1–10 nm。以常见的推扫式高光谱仪为例，其在 400–1000 nm 范围内可输出 200–300 个波段，光谱采样间隔约为 2–3 nm。
光谱分辨率的意义在于区分窄而浅的吸收特征。作物叶片中的许多生化组分吸收峰宽度仅为 10–20 nm，如果波段宽度超过 30 nm，这些特征就会被平滑掉，导致信息丢失。例如，叶绿素在 680 nm 处的吸收谷宽度较窄，若波段宽度为 50 nm，则无法准确捕捉吸收深度，进而影响叶绿素含量的反演精度。因此，高光谱数据的核心优势在于“连续且精细”，这使得基于光谱吸收特征的定量反演成为可能。
然而，光谱分辨率的提高也带来了数据量的剧增和信噪比的挑战。波段越窄，到达传感器的能量越少，信噪比越低。在实际应用中，需要根据诊断目标权衡光谱分辨率与信噪比。对于作物诊断，通常建议光谱分辨率不低于 10 nm，采样间隔不超过 5 nm，以保证关键吸收特征不被遗漏。
2.3 成像原理：四种主流分光技术
高光谱成像仪的核心任务是在获取二维空间图像的同时，将每个像元的光信号分解为连续光谱。根据分光方式的不同，主流技术可分为以下四类：
- 色散型（光栅/棱镜）：利用光栅或棱镜将入射光按波长在空间上展开，配合面阵探测器记录。推扫式（Whiskbroom）和推帧式（Pushbroom）是两种主要实现方式。推扫式通过平台运动逐行扫描，每次获取一条空间线及其全光谱，效率较高，是目前无人机和卫星高光谱的主流方案。
- 干涉型（傅里叶变换）：通过迈克尔逊干涉仪产生干涉图，再经傅里叶变换得到光谱。其优点是光通量大、信噪比高、光谱分辨率极高，但扫描速度较慢，适用于静态场景或实验室测量。
- 滤光片型：包括渐变滤光片（LVF）和可调滤光片（AOTF/LCTF）。LVF 将不同波长的滤光片镀在探测器表面，结构紧凑；AOTF 通过声光调制快速切换波长，但存在光谱范围受限的问题。
- 计算成像型（快照式）：如编码孔径快照光谱仪（CASSI），通过单次曝光获取三维数据立方体的压缩测量，再通过算法重建光谱。其优势在于无需扫描，适合动态目标，但重建算法复杂，光谱精度略低。
| 分光类型 | 代表技术 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 色散型 | 光栅推扫 | 技术成熟、波段范围宽 | 需平台运动、存在Smile效应 | 无人机、卫星、地面推扫 |
| 干涉型 | FTIR | 高信噪比、高分辨率 | 扫描慢、对环境振动敏感 | 实验室、静态测量 |
| 滤光片型 | LVF/AOTF | 结构紧凑、无运动部件 | 光谱范围受限、通带较宽 | 微型无人机、便携设备 |
| 计算成像 | CASSI | 快照式、适合动态目标 | 重建算法复杂、精度受限 | 动态监测、视频高光谱 |
2.4 数据获取方式：平台选择与作业流程
高光谱数据的获取平台决定了空间分辨率、覆盖范围、作业效率和成本。针对作物诊断的不同应用场景，通常有以下四种选择：
- 卫星平台（如EnMAP、PRISMA、高分五号）：覆盖范围大（数十公里幅宽），重访周期数天至数十天，空间分辨率 10–30 m。适合区域尺度的作物长势监测和灾害评估，但受云雨影响大，且光谱分辨率与信噪比受限于轨道高度。
- 无人机平台：空间分辨率可达 1–10 cm，作业灵活，可搭载可见光-近红外（400–1000 nm）或可见光-短波红外（400–2500 nm）高光谱仪。适合田块尺度的精细诊断，如氮素追肥推荐、病虫害早期识别。但续航时间短（通常 20–40 分钟），单架次覆盖面积有限。
- 地面/手持设备：包括地物光谱仪（如ASD FieldSpec）和地面成像光谱仪。测量精度最高，可获取 350–2500 nm 全谱段数据，常用于建立光谱库、标定无人机/卫星数据，或进行单点快速诊断。
- 实验室/田间定点：在受控环境下测量叶片或冠层光谱，排除环境干扰，用于机理研究和模型训练。
在实际作业中，数据获取流程通常包括：航线规划（无人机）、辐射定标（DN值→反射率）、几何校正、大气校正（若为卫星数据）、光谱平滑与重采样、以及质量检查。对于无人机高光谱，建议在飞行前后分别采集白板参考光谱，用于计算反射率；同时布设地面控制点（GCP）以提高几何精度。
2.5 常见误区与总结复盘
在高光谱遥感基础学习中，初学者常陷入以下误区：
- 误区一：波段越多越好。实际上，相邻波段间存在高度相关性，冗余信息不仅增加计算量，还可能引入噪声。建议先通过主成分分析（PCA）或波段指数（如NDVI、红边指数）进行降维。
- 误区二：忽略大气校正。对于卫星高光谱数据，若不进行大气校正，地表反射率会被大气吸收和散射干扰，导致光谱曲线变形，进而影响诊断模型的可迁移性。
- 误区三：忽视光谱定标与几何校正。无人机高光谱影像存在明显的Smile效应，若不校正，红边位置可能偏移 2–5 nm，足以导致叶绿素反演误差超过 10%。
- 误区四：将实验室模型直接用于田间数据。实验室测量的是单叶片或近地面冠层，而田间无人机数据包含土壤背景、阴影和大气路径辐射，需进行光谱归一化或混合像元分解。
总结而言，高光谱遥感基础的核心在于理解“物理机制—数据特征—平台选择”三者之间的逻辑关系。电磁波谱提供了诊断依据，光谱分辨率决定了信息粒度，成像原理影响数据质量与获取效率，而平台选择则需权衡尺度、精度与成本。掌握这些基础，才能为后续的作物参数反演、病害识别和精准管理奠定坚实的技术根基。