2019年8月，英国斯旺西大学R. Hernández-Clemente及其合作者在Current Forestry Reports期刊上发表了题为Early Diagnosis of Vegetation Health From High-Resolution Hyperspectral and Thermal Imagery: Lessons Learned From Empirical Relationships and Radiative Transfer Modelling的研究综述。
本文聚焦于利用遥感技术进行植被健康的早期诊断，特别是在植物受到生物或非生物胁迫的初期，通过高光谱和热成像技术监测植物的生理变化，以便在症状肉眼可见前及时发现问题。作者指出，在病害胁迫初期，植物的光合作用速率和气孔导度的变化会影响辐射与植被的相互作用，表现为能量热散射增加及叶绿素荧光的变化。同时，光合作用色素浓度的改变也能揭示植物健康状况，为环境压力或疾病提供早期预警信号。
本文综述了遥感技术中常用的四类关键生理指标（PIs）及其评估方法：植被温度、叶绿素荧光、光保护色素和光合作用色素。第一部分探讨了这些生理指标在检测植物健康变化中的应用，它们能够反映植物在不同压力下的生理功能变化；第二部分回顾了高分辨率高光谱和热成像数据在量化这些生理指标方面的最新进展，重点分析了如何在复杂环境中更精准地利用这些数据进行健康监测。随着高光谱和热成像传感器技术的进步，尤其是其在无人机和轻型飞行系统中的小型化应用，植被健康监测的灵敏度和准确性显著提高。但作者也指出，目前遥感领域仍面临一系列挑战，包括高空间、光谱和时间分辨率数据的获取，辐射-植被相互作用的实证验证，从叶片到冠层的尺度扩展，以及生理指标的动态时间变化。这些问题是未来遥感技术在植被健康监测进一步发展的关键所在。
图1 基于高光谱和热成像数据的早期植被健康量化生理指标。用于遥感检测的四类生理指标组及其提取方法包括：(i) 冠层温度与空气温度的差值（Tc - Ta）、作物水分胁迫指数（CWSI）和水分亏缺指数（WDI）；(ii) Fraunhofer线深度原理（FLD）；(iii) 光化学反射指数（PRI）；(iv) 叶绿素（Cab）、类胡萝卜素（Cxc）和花青素（Anth）植被指数（VI）及辐射传输模型（RTM）。
一．植被健康的生理指标：
本文第一部分集中探讨了通过遥感技术监测植被健康的四个关键生理指标，包括太阳诱导荧光（SIF）、植被温度、非光化学淬灭（NPQ）和色素组成变化。这些生理指标直接反映了植物对环境压力的响应状态，为监测植物健康状况提供了多维度的诊断手段。
1.太阳诱导荧光（SIF）
SIF是光合作用过程中由色素-蛋白复合物（光系统I和II）产生的微量光发射（占入射辐射的2-3%），其强度直接与光合作用效率相关。SIF作为非侵入性标志物能够反映植物健康状态，尤其在植物受到光照、养分或水分短缺及极端温度等环境压力时，光合速率变化会导致SIF发射强度的改变。因此，SIF能够为植物健康提供早期信号，适用于监测植物的光合活性和抗压响应。
2. 植被温度
植被温度与气孔导度和蒸腾作用密切相关，是反映植物水分状况的重要指标。当植物受水分胁迫时，气孔关闭，蒸腾速率降低，导致植被温度上升。自1964年起，研究证实植被温度可用于监测植物蒸腾状态，从而反映其水分状况。与地面测量相比，遥感技术能够高效捕捉植被温度的时空变化，这使其成为水分胁迫和农业灌溉需求监测的关键参数。此外，基于能量平衡方程，植被温度变化能够有效揭示蒸腾与水分状况的关系，为遥感建模提供了理论支持。
3. 非光化学淬灭（NPQ）
NPQ是植物在光合作用效率降低时的一种光能耗散机制，通过叶黄素循环将多余光能转化为热能，从而减轻压力损伤。NPQ在压力条件下具有重要的光保护作用，能通过改变蓝光和绿光区域的反射率提供压力信号。当叶片中积累的能量过多时，叶黄素循环被激活，色素（如紫黄质）转化为玉米黄质，影响光吸收和反射特性。NPQ不仅与压力和资源受限相关，还通过反射率变化反映光合作用活动，是检测压力条件下植物健康的重要指标。
4. 色素组成变化
长期环境压力可导致植物叶片光合色素的组成变化，特别是叶绿素、类胡萝卜素和花青素浓度的改变。叶绿素a和b的比例变化能够指示植物的生长状态和压力水平；类胡萝卜素在光保护和能量传递中起关键作用，而花青素则在抗旱和抗氧化中发挥保护作用。这些色素浓度的变化导致叶片颜色的改变，成为植物健康状况的直接指示，适用于监测植物的衰老和果实成熟过程。
这些生理指标通过高光谱和热成像技术的检测，能够有效揭示植物在环境压力下的早期生理变化。每个指标分别反映了光合作用、蒸腾、能量消耗和色素组成的变化，为植物健康状况的多维诊断提供了丰富的信息。遥感技术在不同条件下对这些生理指标的观测，将为农业和生态管理中的早期预警与决策提供科学支持。
二． 植被健康的检索方法与应用
本文第二部分聚焦于不同空间尺度下的非破坏性遥感检索方法，旨在利用多种传感器和分析方法对植被健康进行精确监测。植被功能在植被健康监测中至关重要，因此，科学界在不破坏植物的前提下开发了多种检索方法，以便在不同时空尺度上获取相关数据。文献展示了基于高光谱和热成像数据的主要生理指标（PIs），并提供了多种技术和方法来量化这些指标，从而有效跟踪和诊断植被健康状态（图2）。
图2 基于高光谱和热成像数据的前视觉生理指标：a）由于叶绿素含量变化（10–60 μg/cm²）导致的叶片在可见光和红外光范围内的反射率变化；b）光激发后反射率差异，展示了植被的非光化学淬灭和叶绿素荧光发射；c）由红外热成像传感器（IRT）测量的作物水分胁迫指数（CWSI）与柑橘树在缺水灌溉（DI）和正常灌溉（对照）条件下实际蒸腾与潜在蒸腾比值（E/Ep）之间的关系；d）高分辨率的高光谱和热成像数据。
1. 植被温度的遥感检索方法及其应用
植被温度（VT）作为植被健康监测的重要遥感指标，能够提供植物水分状态、蒸腾作用及其对环境压力响应的关键信息。随着遥感技术的发展，科学家致力于开发非破坏性方法，通过热红外（TIR）传感器在不同空间尺度上精确获取植被温度。然而，从遥感数据中准确提取VT需要精确的大气校正，主要挑战在于地表温度（LST）与地表发射率（LSE）之间的耦合关系。此外，植物发射率光谱的变化能够揭示叶片组成和健康状态，使VT成为反映植物功能和环境响应的多维指标。
在VT的遥感检索方法中，单通道（SC）和双通道（TC）算法是应用最广泛的两种方法。SC算法依赖单一TIR波段（如Landsat的TIR数据），但对大气校正的精度要求较高，特别是在潮湿环境中表现不佳。双通道或分窗（SW）算法通过两个大气窗口内的TIR波段之间的吸收差异进行大气校正，能够在不同条件下提供稳健的温度检索结果，已应用于多个气象卫星（如MetOp、Meteosat、GOES和Sentinel-3）。然而，这些算法依赖于先验的表面发射率信息，通常通过植被指数或电磁光谱的其他数据波段来获取。此外，随着多光谱TIR传感器的发展，温度与发射率分离（TES）方法逐渐成为一种可靠的检索手段，如用于ASTER卫星的TES算法。TES方法直接从TIR数据中提取温度和发射率信息，更真实地反映地表状况，并被应用于基于高光谱TIR数据的机载传感器和地面FTIR设备上，支持植物种类识别和冠层叶面积指数（LAI）变化分析。
在VT应用中，作物水分胁迫指数（CWSI）是一个关键指标，能够通过空气温度、湿度和太阳辐射校正VT来评估植物的水分状况。CWSI基于能量平衡计算，考虑了植被温度与空气温度的差异及两个边界条件，即潜在蒸腾速率和完全停止蒸腾时的温差。通过建立无水分胁迫基线（NWSB）并结合蒸气压差（VPD）和植被温度-空气温度差值关系，CWSI能够在特定植物种类和气候条件下实证计算。然而，由于CWSI需在无云天气和正午时段测量，湿润或温带地区的应用存在局限性。在最简单的形式下，CWSI还可以通过直接测量湿表面（如喷水叶片）和干表面的温度来确定，尽管这种方法无需气象数据，具有一定实用性，但其精度受参考表面和尺度影响较大，不易在大尺度遥感中应用。
理论方法是另一种CWSI计算途径，通过能量平衡公式计算植物水分状况，尽管所需数据较复杂，但适用于较广泛的气候条件，尤其是湿润环境。然而，开放冠层中地表温度包含土壤与植被的混合信号，这限制了CWSI在局地和区域尺度上的应用效果。为解决这一问题，Moran等人提出了水分亏缺指数（WDI），通过植被指数和地表温度的组合，使CWSI得以在部分植被覆盖区域应用，但在检测细微温度变化方面仍存在一定局限。
植被温度作为反映植物健康和水分状况的关键指标，已通过不同算法和遥感手段得到了广泛应用。CWSI和WDI等指标能够有效揭示植物在干旱或水分胁迫下的生理状态，为农业水资源管理和生态监测提供了重要数据支持。然而，这些方法在湿润或复杂冠层结构的环境中仍面临挑战。未来研究可以优化算法的精度和适应性，以提升遥感技术在多样化生态系统中的应用价值，从而更好地满足植被健康监测和水资源管理的需求。
2. 叶绿素荧光发射的遥感检索方法及应用
在过去的20年中，研究提供了理论和实验证据，表明太阳诱导荧光（SIF）可以通过成像光谱技术从遥感图像中提取出来，作为植物光合活性的关键指标。SIF在植物光系统II（PSII）中的峰值位于682 nm，光系统I（PSI）中的峰值在700至750 nm之间。由于SIF在总辐射中占比较小，从遥感图像中检索SIF具有一定挑战，但其作为非侵入性植物健康监测指标的潜力巨大，能够提供植物在环境压力下的响应信息。
为了在叶片和冠层尺度上定量化SIF，研究人员开发了多种检索方法。常用方法包括Fraunhofer线深度法（FLD），该方法基于O₂吸收带内外的辐射差异计算SIF，但假设内外反射率和荧光发射相同，实际环境中这一假设并不总是成立。辐射传输模型（RTM）通过模拟光与植物的相互作用，用于预测不同波段的荧光和反射率特征；光谱拟合法（SFM）和奇异值分解法（SVD）则利用所有高光谱波段的完整数据，能够更精确地分离荧光和反射信号，使其适用于复杂光谱数据分析环境。这些方法在不同尺度和条件下能够为SIF的量化提供技术支持。
为深入理解SIF的光谱特征，研究人员还开发了多个模拟模型，以模拟荧光发射的影响。欧洲航天局（ESA）开发的FluorMOD和FluorSAIL模型分别用于模拟叶片和冠层尺度的荧光发射。FluorMOD基于PROSPECT叶片光学模型，通过PSI和PSII的相对吸收截面和荧光量子效率来计算叶片荧光发射，而FluorSAIL则基于冠层光学模型SAIL，能够模拟冠层中不同光照层的荧光效应。为适应更复杂的冠层结构，FluorFLIM和SCOPE模型在FluorMOD和FluorSAIL基础上，结合几何森林光线相互作用模型（FLIM），能够从聚合像素中更精确提取SIF信号。3D模型如FluorFLIGHT和DART模型为进一步解决复杂冠层问题提供了支持，FluorFLIGHT将FLUSPECT与3D光线追踪模型FLIGHT结合，能够估计水平和垂直结构复杂的森林冠层中的SIF信号，但这些三维模型的高参数需求在不同生态系统中的验证仍需进一步研究。
上述SIF模型在实际应用中表现出色，尤其在检测感染病害的树木（如感染Phytophthora的橡树和感染Xylella fastidiosa的橄榄树）方面显示出可靠性，表明SIF不仅可以检测植物健康状况，还能够早期识别病害。尽管如此，由于模型参数复杂性和生态系统的多样性，确保这些模型在不同生态环境中的适用性仍面临挑战。
SIF的遥感监测为非破坏性植物健康检测提供了重要工具，在农业、生态管理和病害监测中展现出广阔的应用前景。尽管已有多种方法和模型用于SIF量化，但在复杂异质生态系统中的建模精度和参数优化仍需进一步研究，以提高其在多种生态系统中的适用性和准确性。未来研究可聚焦于改进三维模型，特别是复杂森林冠层中的SIF模拟，以支持多层次的生态系统健康监测需求。
3. 光合下调过程中的能量耗散及光化学反射指数（PRI）的应用
在光合下调过程中，植物通过不同机制将多余能量耗散，以保护光合系统的正常运作。光化学反射指数（PRI）作为一种关键光谱指标，能够定量化植物在压力条件下的光谱变化。PRI基于叶片在531 nm和570 nm波段的光谱反射率差异，这两个波段分别位于绿色吸收极小值的不同侧，其中531 nm波段对色素的可逆性变化尤为敏感，而570 nm波段则作为参考波长。PRI的日变化主要由叶黄素循环引起，反映了植物色素的“可变性”变化。此外，随着季节推移，PRI的变化也会显示出叶绿素和类胡萝卜素浓度的变化（即“组成性”变化），从而揭示植物的光合效率、衰老状态及环境压力的影响。
过去二十年来，PRI被广泛应用于追踪植物的光能利用效率（LUE）和光合作用表现，展现了良好的预测能力。PRI与光合保护之间的关系已在叶片尺度上得到广泛验证，并在不同植物类型和营养处理条件下表现出一致性。研究表明，PRI能够解释约60%的LUE变异量，并且能快速追踪植物的生理变化，尤其适用于常绿植物的监测。PRI还在不同生态系统和时间尺度上应用，能够揭示植物在干旱和热胁迫下的光合作用变化，例如，PRI能够通过卫星监测揭示季节性干旱对光合系统的影响，甚至在严重干旱条件下估算最大CO₂同化速率。同时，PRI与水分胁迫的关联在玉米等作物中也得到了验证，进一步体现其在农业监测中的应用潜力。
尽管PRI在叶片尺度上表现出色，但在应用于冠层尺度时需要考虑多个影响因素，除叶片生物化学特性外，还需兼顾冠层结构效应、测量方向、冠层成分的光谱混合以及复杂的光照条件。这些因素包括土壤背景的可见性、视角中的阴影叶片比例及蓝天辐射对可见叶片的影响，随着视角和太阳角度的变化，这些变量不断变化，给数据解读带来了挑战。
为了减少背景和光照对PRI的影响，研究提出了几种改进方法。例如，Takala和Mõttus提出的照明校正PRI（DeltaPRI）基于PRI与阴影比例关系，使用高分辨率机载成像光谱数据（小于2米分辨率）来减少光照效应。此外，修正的PRI版本（如PRI512指数）和差异PRI（differential PRI）也被提出，以降低结构和生理因素对检测植物胁迫的干扰，DeltaPRI通过扣除未受光照的暗状态PRI，从而有效消除了冠层结构和叶片色素的影响，提升了胁迫与光保护的检测精度。
此外，PRI还受到长期光保护机制的影响，如叶片色素库的变化。为解决这一问题，研究建议在分析中扣除未受胁迫状态下（如黎明时）的PRI值。最新研究提出整合整个受光合下调影响的光谱区域（507–556 nm）作为PRI的替代方法，同时，叶片光学模型（如PROSPECT-D和Fluspect-CX）对叶黄素循环的改进模拟也为检测光保护机制提供了新的思路，尽管这些方法在计算上更为复杂，但仍受冠层结构效应的影响。
PRI作为光合下调和光保护的光谱标志，能够有效追踪光合效率和植物生理状况。然而，在不同尺度上应用PRI仍面临背景、结构和光照条件的挑战。尽管DeltaPRI等方法在减少干扰方面取得了进展，未来研究应进一步优化这些方法，特别是在复杂冠层结构中提升PRI的精确性。此外，探索更广泛的光谱区域（如507–556 nm）和改进的光学模型，为监测光保护机制提供了新的思路。PRI在生态系统中的应用前景广阔，将有助于农业管理和生态保护中植物健康状况的早期预警和决策支持。
4. 与色素含量变化相关的光谱变化及其遥感检索方法
植物色素的吸收光谱主要集中在400至700 nm之间，这是植物利用光能的核心光谱区域，其中红边区域的变化与叶绿素浓度和光合速率密切相关。然而，在遥感中准确检索色素含量面临挑战，原因在于植物冠层中的不同色素和结构信号的重叠，尤其在区分叶绿素与其他色素组分时难度更大。传统的遥感方法主要依赖于现场测量的色素浓度与光谱带组合的植被指数之间的经验关系，以减少冠层层次上的结构、背景和大气干扰。然而，这些基于宽带植被指数的方法在结构复杂的森林区域表现欠佳，且宽带和窄带指数在不同森林结构中的表现差异显著。虽然宽带指数适合大尺度评估，但窄带高光谱信息更适用于细致的色素估算，尤其在高结构复杂性的区域中表现更为精确。
为减少宽带指数的局限性，高光谱方法通过多个窄带的全光谱数据来进行色素分析。高光谱数据的连续窄带特性支持了多区域光谱分析，使得通过连续去除和带深度归一化等技术手段，能够有效量化色素和结构对光谱峰的影响。此外，统计方法也被引入高光谱图像分析，从简单的线性判别分析到复杂的机器学习和神经网络模型均可在不需光谱特征位置先验知识的情况下实现色素估算。然而，这些统计模型通常仅适用于开发时的特定区域，跨区域应用的适应性较差。
为了获得更具普适性的色素估算方法，辐射传输模型（RTM）通过结合植物结构和生物物理特性，为理解整体反射信号提供了深入的理论支持。RTM模型可以根据复杂程度分为一维（1-D）和三维（3-D）模型。1-D模型将冠层视为均匀的连续介质，适合单一物种的均质冠层；而在不连续冠层和复杂环境（如林地中包含大量木质成分的区域）中，3-D模型通过考虑冠层结构效应来精确描述辐射传输。尽管3-D模型的计算需求较高，但在异质环境中表现出色，能够更好地处理复杂结构带来的反射特征变化。
在色素含量的遥感检索中，高光谱方法和RTM模型为克服结构和背景干扰问题提供了更为精确的手段。传统植被指数在结构复杂区域的局限性凸显，而1-D和3-D RTM模型的发展则提升了结构效应的整合能力，从而显著提高了色素估算的准确性。未来的研究应集中在优化模型，使其适应不同复杂性的生态系统，进一步拓展其在广泛生态环境中的适用性，以满足植物健康监测和生态管理的实际需求。
三． 结论、现存不足与未来展望：
遥感领域普遍认为，缺乏高空间、光谱和时间分辨率的可见光、近红外和热红外数据是植物健康监测的一大瓶颈。目前，MODIS提供最高的光谱分辨率，Sentinel在空间分辨率上最佳，Landsat则具备最高的时间分辨率。然而，这些卫星传感器的分辨率限制了植物生物化学变量（如色素含量和叶面积指数）在不同尺度上检测的精度。虽然近年来发射了多个热红外传感器用于地球观测，但大多数传感器只能提供低光谱和空间分辨率的数据。为应对这一限制，航拍遥感技术得到广泛应用，利用多光谱和高光谱TIR传感器在受控条件下获取高质量热成像数据。然而，由于野外数据采集成本高昂，近年来无人机遥感技术迅速发展，使用小型非制冷TIR摄像机已成为农业热监测的常用选择，尽管其数据精度有时不够，需进一步校准和数据修正。
从叶片到冠层的尺度扩展带来了显著挑战，因为植物功能、冠层结构、大气条件、色素含量和土壤背景在不同尺度上对生理指标的影响不尽相同。在热红外范围内，大气湍流和相邻像素的辐射（邻近效应）增加了LST的检索不确定性。此外，表面发射率的精确表征对LST检索至关重要，尤其在干燥植被中，发射率的不确定性对LST产生显著影响。光化学反射指数（PRI）在全球尺度的应用也面临挑战，包括分离长期和短期动态变化成分的难度，以及从冠层到叶片尺度的复杂上推过程。为此，未来研究需要更全面地关注动态光保护过程中505–560 nm光谱区域的全部信息，并且需要更全面的叶片光学描述和经过时间校准的大量叶片数据以提升遥感图像解读的准确性。
色素含量和叶绿素荧光信号在异质冠层中的上推尤具挑战性。叶绿素荧光信号较弱且易与红光和近红外反射信号重叠，分离这些信号需要高精度仪器和严格的测量协议。为克服这一问题，未来可以通过改进叶片和冠层模型，结合三维结构信息（如LiDAR数据）和机器学习技术加速模型运算，以提高模型的适应性和计算效率。
未来的研究方向包括增强辐射传输模型（RTM），整合冠层结构效应和叶片生物化学特征，结合3D模型与主动传感器数据（如LiDAR）以解决尺度扩展和数据质量问题。机器学习的引入可以有效减少计算时间，保持模型精度，从而更好地支持多样化生态系统的健康监测。总结来看，遥感技术使得大范围植被健康监测成为可能。植被温度、叶片光学特性和叶绿素荧光发射与植物功能密切相关，为植物健康遥感监测提供了多种应用和方法。未来研究应集中于提升数据质量和改进尺度扩展方法，以综合考虑影响植物生理状态的多因素，推动生态系统健康管理和保护的进一步发展。
