高光譜成像簡介
光譜為光線透過散射，按照不同波長排列而成的光學頻譜，而光譜成像則透過拍攝同時獲取多個光學頻譜波段，如波長處於380和780nm之間的光波稱為可見光，短於380nm的稱為紫外光；而長於780nm的則為紅外光等，經由各種濾光片與多種感光膠片的組合，光譜成像可在同一時刻接收不同光譜波段，得到在不同光譜帶的照片，相機即為在可見光的基礎所開發的光譜成像。
此外還有擴展至紅外光、紫外光的多光譜成像、高光譜成像等，且因高光譜成像可逐點分析光譜，精細檢測分析肉眼無法察覺的獨特光譜，並提供大面積區域近似連續分布之地表反射光譜資訊，在建立推估模式時有更多更多維度的資訊可運算，實際應用上也有更高的參考性，故此篇即探討高光譜成像於農業之應用。
透過測量光與植株等被攝體相互作用後的反射光，高光譜成像可應用於地表植被的辨識分佈、農田的植株狀況判斷，甚至採收後果實的挑選，然而獲得過度重複與相似光譜參數後，如何過濾出具有辨識性的波長並進行分析接連成為重要課題。
現今常見的參數轉換包含主軸分析法（Principal Component Analysis；PCA）、波段比（Band Ratio）、常態化差異性植生指標（normalizid difference vegetation index;NDVI）等，藉由機器學習參數的轉換，可將圖像呈現成為可視化數據，讓農民得以隨時根據圖像的呈現，迅速做出判斷。
如葉綠素的反射光譜即為植物的重要波長之一，根據NDVI圖像，電腦可以得到植株中葉綠素含量、含氮量，讓農民不需實際進入田區即可藉由可視化數據，決定施肥量多寡，或者判斷植株新鮮（進行光合作用且含水分）或者乾枯（無光合作用）。
高光譜成像於精準農業之應用
為精準掌握植被的生理狀況，農民可選擇將高光譜儀搭載於無人機，完整拍攝農田全貌，並透過光譜參數觀測影響水稻的土壤、肥料、水分等生長因子，若能在無人機上同時配備噴灑系統，除了提高作業效率，也可以讓水分、肥料、農藥等的施用更加精準，減少多餘浪費。
以水稻為例，水稻容易遭受秧苗、水分管理與環境影響，造成秧苗的死亡或倒伏，若透過影像標定植株位置，即可判斷需補秧的位置，避免產量下降；而在栽培過程中，氮肥是提高水稻產量最重要的元素，但會根據施用時期與量的不同，影響不同的產量構成要素（如水稻的穗數、每穗粒數、稔實率、千粒重等），進而影響產量。
目前也很難以視覺辨認植株的含氮量，故透過高光譜影像的拍攝，可快速展現田間稻株含氮量的空間分布圖，進而建立產量構成要素、含氮量與後續產量的判斷模組，並由此推估氮肥的施用量對於產量的影響，避免氮肥施用過多時導致節間伸長後倒伏、病蟲害的發生甚至稔實率降低的狀態，不但減少肥料支出，也降低重肥對於環境、生態的傷害。
另外，當水稻進入乳熟期、黃熟期後，可能受到雨季、病蟲害等因素導致稻桿倒伏，造成大量減產，當倒伏災害發生時，需要經過勘災才可評估災損、申請賠償。過去勘災皆採取人工調查，時常有人力不足、效率低的狀況，若導入高光譜成像則能有效提高災損評估的效率與準確率。
高光譜成像於果實選別之應用
現今採收後的果實若要檢測果實品質，多數只能根據外觀、重量進行判斷，或者抽樣後使用破壞性分析，取其果汁測量甜度與酸度，但兩者檢測方法都無法了解果實內部是否受損，抽樣結果也無法代表整批果實之品質，時常造成消費者對於果實品質的不信任。
以鳳梨為例，最為常見之檢測方法即是透過人工敲打分辨肉聲果、鼓聲果與柱聲果，除了耗時費力，也無法清楚判斷果肉品質，故農業試驗所導入高光譜成像技術，將肉眼看不出差異的光譜資料交由機器學習，以建立果品品質的有效判斷模式，且農試所曾表示目前高光譜檢測用於判斷鳳梨糖度則已具有相當正確性，若未來正式建立檢測模式後可開發為選別機，增加果實品質管理效率。
目前臺灣已將檢測技術應用於水梨挑選，並建立「光波水梨」品牌，其利用近紅外光測定水梨之糖度及酸度，配合外觀篩選與分級包裝，據以篩選出高品質水梨，提升消費者對品牌的信心。
結語
面臨氣候變遷與人力短缺，智慧農業成為未來趨勢，透過高光譜成像的導入，可讓農民更加掌握農田狀況，除了產量的預測，也提早偵測病蟲害的潛伏期、判斷植株生長狀態，順而減少所需肥料、農藥等施用量，實踐精準農業的同時，也提升食品安全的品質。目前高光譜成像除了農業，也應用於食品科學、醫療與刑事鑑定，或許未來，高光譜成像也將有更加廣泛的判斷模式與應用。
【參考資料】
- 宏惠光電，《一文讀懂光譜、多光譜、高光譜技術》
- 施介嵐，《以光譜混合分析法進行台灣地區Master影像之研究》
- 王淑姿、吳振記、申雍，《光譜影像儀在精準農業之應用研究》
- 李龍正，《由工業4.0至新農業科技─成像光譜儀於農業應用與實踐》
- 農傳媒，《非破壞性檢測技術 輕鬆掌握水果成熟度和品質》
- 農傳媒，《高光譜搭電腦深度學習篩出甜鳳梨 下一步挑出哪顆適合外銷》
- 楊明德、許鈺群、曾信鴻、曾偉誠，《無人機於精準農業之應用》
- Gao Z. M., Y. Y. Shao, G. T. Xuan, Y. X. Wang, Y. Liu and X. Han.《Real-time hyperspectral imaging for the in-field estimation of strawberry ripeness with deep learning.》