農(nóng)業(yè)遙感技術(shù)助力智慧農(nóng)業(yè)發(fā)展*

孟 冉，周龍飛，徐 樂(lè)，呂振剛，徐斌元，劉婷婷，曾小茜，廖益貴

（1.華中農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，湖北 武漢 430070；2.華中農(nóng)業(yè)大學(xué) 作物遺傳改良國(guó)家重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430070；3.湖北洪山實(shí)驗(yàn)室,湖北 武漢 430070；4.華中農(nóng)業(yè)大學(xué) 植物科學(xué)技術(shù)學(xué)院，湖北 武漢 430070；5.華中農(nóng)業(yè)大學(xué) 交叉科學(xué)研究院，湖北 武漢 430070）

智慧農(nóng)業(yè)是農(nóng)業(yè)信息化發(fā)展的智能化形態(tài)，是我國(guó)農(nóng)業(yè)高質(zhì)量發(fā)展的重要內(nèi)容，對(duì)“全面推進(jìn)鄉(xiāng)村振興，加快農(nóng)業(yè)農(nóng)村現(xiàn)代化”意義重大[1-3]。一般來(lái)說(shuō)，智慧農(nóng)業(yè)以信息和知識(shí)為核心要素，通過(guò)信息技術(shù)、智能裝備與農(nóng)業(yè)生產(chǎn)的深度融合，實(shí)現(xiàn)“農(nóng)業(yè)生產(chǎn)全過(guò)程的信息感知、定量決策、智能控制、精準(zhǔn)投入、個(gè)性化服務(wù)”[1，3]。農(nóng)業(yè)遙感技術(shù)是智慧農(nóng)業(yè)的關(guān)鍵核心技術(shù)之一，對(duì)實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)全過(guò)程的信息感知和定量決策等至關(guān)重要[4-8]。遙感技術(shù)可在不同電磁譜段內(nèi)周期性地收集農(nóng)情信息，與傳統(tǒng)的農(nóng)情信息收集方法相比，具有成本低、時(shí)效高、宏觀、定量等優(yōu)點(diǎn)[6，8-9]。特別是近些年來(lái)，伴隨著物聯(lián)網(wǎng)、云計(jì)算等現(xiàn)代信息技術(shù)的發(fā)展[10-11]，農(nóng)業(yè)遙感技術(shù)的時(shí)空譜分辨率及所能提供農(nóng)情信息的精度和豐度顯著提高[4，6，9]，在作物制圖、病蟲害監(jiān)測(cè)預(yù)警、雜草控制、作物關(guān)鍵理化參數(shù)反演和產(chǎn)量監(jiān)測(cè)預(yù)測(cè)等領(lǐng)域得到廣泛而成功的應(yīng)用[5-6，8]。本文在此搜集了相關(guān)研究文獻(xiàn)，梳理了農(nóng)業(yè)遙感技術(shù)在這些方面的研究進(jìn)展，總結(jié)了農(nóng)業(yè)遙感技術(shù)服務(wù)于智慧農(nóng)業(yè)所遇到的瓶頸，并展望了未來(lái)農(nóng)業(yè)遙感技術(shù)的發(fā)展方向和趨勢(shì)。

1 作物識(shí)別與制圖

作物識(shí)別與制圖是產(chǎn)量和病蟲害監(jiān)測(cè)預(yù)測(cè)以及種植結(jié)構(gòu)分析和調(diào)整的基礎(chǔ)數(shù)據(jù)，是了解作物生產(chǎn)力和糧食安全的一項(xiàng)重要途徑[12]。因此，及時(shí)、準(zhǔn)確地監(jiān)測(cè)農(nóng)作物的種植種類及面積對(duì)國(guó)家糧食安全與管理具有重要意義[13]。在過(guò)去幾十年中，農(nóng)業(yè)遙感技術(shù)因其可以及時(shí)提供準(zhǔn)確和宏觀的作物信息，在作物識(shí)別和制圖領(lǐng)域作出了重大的貢獻(xiàn)[14]。許多遙感數(shù)據(jù)，包括光學(xué)和合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）數(shù)據(jù)（如 Sentinel、Landsat、MODIS 和 GF 等），已被廣泛用于農(nóng)作物識(shí)別和制圖研究[15]。基于遙感光學(xué)數(shù)據(jù)區(qū)分作物的基礎(chǔ)是不同作物以及同一作物不同生長(zhǎng)階段在光譜波段上的反射率差異[16-17]，但由于作物種植的多樣性，以及云污染導(dǎo)致的數(shù)據(jù)采集局限性[18-19]，使得利用單一光學(xué)傳感器數(shù)據(jù)進(jìn)行作物制圖時(shí)，難以達(dá)到理想精度[15]。光學(xué)和SAR數(shù)據(jù)的融合是目前作物識(shí)別和制圖的發(fā)展方向，例如，研究者結(jié)合GF-1和Sentinel-2光學(xué)數(shù)據(jù)并基于離散網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的方法，估算了大范圍的作物面積[12]，結(jié)合Sentinel-2和Sentinel-1 SAR及數(shù)字地形數(shù)據(jù)，實(shí)現(xiàn)了更準(zhǔn)確的早期作物（大豆、玉米、水稻）預(yù)測(cè)制圖[20]。采用深度學(xué)習(xí)方法，利用多時(shí)相Sentinel-1 SAR以及Sentinel-2數(shù)據(jù)的光譜信息，實(shí)現(xiàn)對(duì)10種不同作物類型的制圖[21]。隨著遙感技術(shù)日益成熟和人工智能算法的發(fā)展，更高的時(shí)空譜分辨率的遙感數(shù)據(jù)和更先進(jìn)的分類算法相結(jié)合，將獲得更精確的作物制圖結(jié)果。此外，在播種早期對(duì)作物進(jìn)行識(shí)別和預(yù)測(cè)也是未來(lái)作物識(shí)別和制圖發(fā)展的重要方向[22]。

2 病蟲害監(jiān)測(cè)

在農(nóng)業(yè)生產(chǎn)的過(guò)程中，作物病蟲害常常會(huì)造成巨大的產(chǎn)量及經(jīng)濟(jì)損失，嚴(yán)重威脅著糧食安全[23-24]。僅在2019年，全球主要糧食作物因病蟲害導(dǎo)致的損失分別為：小麥21.5%，玉米22.6%，水稻30.0%，大豆21.4%[25]。為了防治病蟲害，人們大量施用農(nóng)藥，造成了嚴(yán)重的環(huán)境污染[26-27]。對(duì)作物病蟲害進(jìn)行精準(zhǔn)高效地監(jiān)測(cè)，尤其是在早期階段，可以指導(dǎo)精準(zhǔn)施藥和有效遏抑病蟲害的傳播，減少產(chǎn)量和經(jīng)濟(jì)損失[24，28]。作為目前唯一可以實(shí)現(xiàn)連續(xù)、高效、重復(fù)的對(duì)地觀測(cè)的手段，遙感技術(shù)在病蟲害監(jiān)測(cè)方面表現(xiàn)出巨大的優(yōu)勢(shì)。植物在病蟲害脅迫下其生理生化特征將發(fā)生變化，如細(xì)胞結(jié)構(gòu)、色素含量和含水量，而這些特征決定了植被在不同波長(zhǎng)下的光譜反射率（色素：可見光；細(xì)胞結(jié)構(gòu)：近紅外；含水量：短波紅外），這就為利用遙感進(jìn)行植被病蟲害的監(jiān)測(cè)提供了物理基礎(chǔ)[24，29]。基于敏感的光譜特征，專家們?cè)诓煌叨葪l件下實(shí)現(xiàn)了對(duì)作物病蟲害的監(jiān)測(cè)，包括葉片尺度[30-31]，冠層尺度[32-33]和田塊尺度[34-35]。但是，病蟲害侵染農(nóng)作物是一個(gè)復(fù)雜的過(guò)程，在這一過(guò)程中其多種生理生化特征將發(fā)生一系列的變化，給我們的監(jiān)測(cè)工作帶來(lái)了巨大的挑戰(zhàn)[24，36]。遙感技術(shù)利用集合多種敏感光譜特征的方法能夠有效地揭示復(fù)雜的病蟲害侵染過(guò)程，因而在病蟲害監(jiān)測(cè)領(lǐng)域日益受到人們的關(guān)注。例如，結(jié)合敏感的熱紅外、高光譜和葉綠素?zé)晒馓卣?，可以在肉眼可見之前?zhǔn)確檢測(cè)出橄欖樹的苛養(yǎng)木桿茵侵染[37]；結(jié)合敏感的光譜指數(shù)，波長(zhǎng)和小波特征可以有效地探測(cè)稻瘟病從無(wú)癥狀到輕微感染階段的特征變化[36]；結(jié)合植被指數(shù)、角度指數(shù)和導(dǎo)數(shù)特征能夠更好地探測(cè)云杉在受到樹皮甲蟲侵染早期的活力損失[38]；結(jié)合敏感的紋理和光譜特征可以有效提高冬小麥條銹病的烈度分類精度[39]。簡(jiǎn)而言之，隨著遙感技術(shù)的發(fā)展（如無(wú)人機(jī)和無(wú)人車技術(shù)）[40]，多源的遙感數(shù)據(jù)獲取將會(huì)變得更加高效，基于多種類型的遙感特征進(jìn)行作物病蟲害的監(jiān)測(cè)預(yù)測(cè)，將會(huì)是未來(lái)作物病蟲害遙感監(jiān)測(cè)最具潛力的發(fā)展方向。

3 雜草監(jiān)測(cè)

雜草作為農(nóng)田生態(tài)系統(tǒng)中的主要脅迫之一，嚴(yán)重威脅世界糧食安全[41]。在作物生長(zhǎng)過(guò)程中，雜草與作物幼苗競(jìng)爭(zhēng)水分、土壤養(yǎng)分、光照和生長(zhǎng)空間，影響作物幼苗的正常生長(zhǎng)，導(dǎo)致作物產(chǎn)量和質(zhì)量嚴(yán)重下降[42]。傳統(tǒng)的化學(xué)除草法通過(guò)大面積噴灑除草劑防止草害的發(fā)生與擴(kuò)散，不僅會(huì)在作物表面和土壤中殘留大量的化學(xué)藥劑，危害人類與環(huán)境的健康，而且容易使作物對(duì)除草劑產(chǎn)生抗性，會(huì)造成額外的經(jīng)濟(jì)損失[43-44]。因此，對(duì)雜草進(jìn)行精準(zhǔn)識(shí)別將有助于農(nóng)民采取更有效的、可持續(xù)的田間雜草管理方法，同時(shí)防止作物病蟲害的發(fā)生[45]。遙感技術(shù)具有經(jīng)濟(jì)、高效和重復(fù)觀測(cè)等特點(diǎn)，在雜草監(jiān)測(cè)領(lǐng)域表現(xiàn)出了巨大的潛力。已有研究證明，光譜反射率數(shù)據(jù)可以區(qū)分田間作物和雜草，尤其是高光譜數(shù)據(jù)[46-48]。然而，當(dāng)作物與雜草光譜差異不明顯時(shí)，或者受水分、病害和生育期的影響，對(duì)田間雜草的識(shí)別能力會(huì)受到限制[49-50]。而融合光譜、紋理和結(jié)構(gòu)等多源遙感數(shù)據(jù)能夠有效地彌補(bǔ)光譜數(shù)據(jù)的不足，提升對(duì)田間雜草的識(shí)別精度。例如，結(jié)合光譜、形狀和紋理特征可以有效地區(qū)分玉米和雜草[51]；基于地面激光雷達(dá)獲取的結(jié)構(gòu)特征識(shí)別玉米田間雜草[52]；融合光譜、形狀、結(jié)構(gòu)和紋理特征可以精準(zhǔn)區(qū)分行栽作物和闊葉雜草[44]。目前，基于遙感技術(shù)的雜草監(jiān)測(cè)與管理還面臨多個(gè)挑戰(zhàn)，包括早期雜草識(shí)別、雜草分類和雜草精細(xì)化管理等方面。而隨著無(wú)人機(jī)、無(wú)人車技術(shù)的不斷發(fā)展，進(jìn)行多傳感器集成、多分辨率數(shù)據(jù)融合以及熱紅外等新興傳感器的應(yīng)用，將為解決以上問(wèn)題提供新的思路。

4 作物關(guān)鍵理化參數(shù)反演

作物理化參數(shù)是對(duì)植株長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)，快速、準(zhǔn)確的作物關(guān)鍵理化參數(shù)反演對(duì)作物長(zhǎng)勢(shì)監(jiān)測(cè)和田間管理意義重大[53]。作物在結(jié)構(gòu)和組成成分的不同會(huì)表現(xiàn)出差異性的光譜反射和輻射特性，從而形成具有診斷意義的遙感特征[6，53]。目前，針對(duì)生物量、葉面積指數(shù)和葉綠素含量等與作物長(zhǎng)勢(shì)、產(chǎn)量相關(guān)的作物理化參數(shù)遙感反演研究在過(guò)去幾十年取得了一系列進(jìn)展[6]。

生物量是農(nóng)藝學(xué)家和育種家評(píng)價(jià)植株長(zhǎng)勢(shì)和產(chǎn)量表現(xiàn)的重要指標(biāo)。在農(nóng)學(xué)領(lǐng)域，一般通過(guò)人工破壞性取樣后烘干、稱量測(cè)定后的作物稱為生物量。這種測(cè)量方式效率低，并且通過(guò)抽樣方式獲取的生物量數(shù)據(jù)無(wú)法精準(zhǔn)代表大部分田間的全部狀況。近年來(lái)，遙感技術(shù)的快速發(fā)展為作物生物量的測(cè)量提供了一種高效無(wú)損、宏觀監(jiān)測(cè)的解決思路。目前，已有搭載無(wú)人機(jī)和衛(wèi)星平臺(tái)的多光譜、高光譜、熱紅外和雷達(dá)傳感器用于作物生物量反演[54-55]。低空無(wú)人機(jī)遙感能夠獲取高時(shí)空分辨率的光譜數(shù)據(jù)，常用于監(jiān)測(cè)田塊尺度的生物量[56-57]，然而在作物群體“封行后”植被指數(shù)對(duì)生物量的反演精度則會(huì)降低，容易出現(xiàn)“過(guò)飽和”現(xiàn)象[58-59]。研究者利用無(wú)人機(jī)多角度成像或三維激光掃描等技術(shù)可重建三維點(diǎn)云，獲取作物冠層株高和體積，用以結(jié)合植被指數(shù)可有效降低光譜的“過(guò)飽和”現(xiàn)象的影響，提高對(duì)農(nóng)作物生物量反演的魯棒性[60-63]。同時(shí)，隨著 ICESat2、BIOMASS、ALOS PALSAR等新衛(wèi)星項(xiàng)目的推進(jìn)[60，64]，近地?zé)o人機(jī)及激光掃描儀與衛(wèi)星遙感技術(shù)的結(jié)合，正逐漸成為區(qū)域尺度農(nóng)作物生物量監(jiān)測(cè)的新手段。

作為評(píng)估作物健康狀況的重要指標(biāo)之一，葉綠素含量（Leaf Chlorophyll Content，LCC）對(duì)指導(dǎo)作物生長(zhǎng)管理、評(píng)價(jià)作物光合作用能力、健康狀況等具有積極作用。遙感應(yīng)用于作物葉綠素含量提取的原理在于植被葉片在不同波段具有不同的反射特點(diǎn)：在可見光波段，影響葉片反射率的主要因素為葉片色素，如葉綠素a、葉綠素b及β胡蘿卜素等，而在近紅外波段，則是細(xì)胞構(gòu)造如海綿狀葉肉細(xì)胞間的散射影響葉片反射率，在中紅外波段，影響葉片反射率的主要因素變成了葉片含水量。葉片色素含量、細(xì)胞結(jié)構(gòu)和葉片含水量隨著作物生長(zhǎng)狀態(tài)、健康狀態(tài)的變化而變化，進(jìn)而引起葉片反射率的變化[65-66]，這就為遙感技術(shù)監(jiān)測(cè)作物生長(zhǎng)狀態(tài)、生化參數(shù)反演等提供了依據(jù)。遙感估算葉綠素含量通常有以下方法[67-68]：（1）經(jīng)驗(yàn)?zāi)Ｐ头椒ǎ缇€性回歸、機(jī)器學(xué)習(xí)等，經(jīng)驗(yàn)?zāi)Ｐ陀?jì)算簡(jiǎn)單、所需變量較少；（2）物理模型方法，如輻射傳輸模型[69-70]、物理模型具有明確的物理意義，不受時(shí)間地點(diǎn)限制，具有較好的穩(wěn)定性。除此之外，遙感數(shù)據(jù)源也是影響葉綠素含量反演的重要因素。近年來(lái)，由于高光譜連續(xù)的窄帶包含對(duì)特定作物參數(shù)敏感的波段，因此已廣泛用于作物葉綠素含量反演[71-74]。由于高空間、時(shí)間分辨率對(duì)于準(zhǔn)確及時(shí)估計(jì)作物參數(shù)十分重要，因此無(wú)人機(jī)平臺(tái)的遙感數(shù)據(jù)正在逐漸成為葉綠素含量估計(jì)的重要數(shù)據(jù)源[75-76]，并取得了顯著的成果。

葉面積指數(shù)（Leaf Area Index,LAI）與作物的生長(zhǎng)狀況、生理活動(dòng)、產(chǎn)量形成密切相關(guān)[77-78]，而傳統(tǒng)地面直接或間接的測(cè)量方法難以在大尺度上獲得空間上連續(xù)的田間LAI分布圖[79]，無(wú)法滿足智慧農(nóng)業(yè)的需求。農(nóng)業(yè)遙感技術(shù)為獲取時(shí)空連續(xù)的田間LAI分布圖提供了便捷、有效、低成本的方法，其基本原理是不同的植被冠層結(jié)構(gòu)會(huì)影響光在冠層中的傳播，可通過(guò)分析冠層反射光譜的特征來(lái)反演LAI[80]。目前這方面的研究已在不同平臺(tái)、不同類型與來(lái)源的傳感器數(shù)據(jù)上開展?；谛l(wèi)星平臺(tái)中低分辨率影像的LAI反演可以快速獲取區(qū)域乃至全球的作物L(fēng)AI分布圖[81]，因此被廣泛用于宏觀政治經(jīng)濟(jì)決策中。而高分辨率的衛(wèi)星平臺(tái)[82]及低空航空器平臺(tái)[83-85]數(shù)據(jù)則可獲取田間尺度的LAI分布圖，用于作物長(zhǎng)勢(shì)監(jiān)測(cè)、病蟲草害和水肥的診斷。不同光譜波段對(duì)冠層結(jié)構(gòu)的敏感性不同，也容易出現(xiàn)“飽和”現(xiàn)象，而添加多源遙感的紋理等特征則能夠有效緩解“飽和”現(xiàn)象[86]。此外，主動(dòng)激光雷達(dá)遙感技術(shù)具有穿透性強(qiáng)的特點(diǎn)，可高效率刻地刻畫植株的3D結(jié)構(gòu)[87]，在LAI反演領(lǐng)域的應(yīng)用越來(lái)越廣泛。

5 農(nóng)業(yè)產(chǎn)量監(jiān)測(cè)預(yù)測(cè)

作物產(chǎn)量事關(guān)國(guó)民生活水平和國(guó)家糧食安全，是不容忽視的重要問(wèn)題?？焖?、準(zhǔn)確地估測(cè)作物產(chǎn)量，不但能夠及時(shí)掌握農(nóng)情信息，而且有利于對(duì)市場(chǎng)風(fēng)險(xiǎn)的管理，對(duì)于國(guó)家糧食安全政策的制定具有重要意義[88-89]。傳統(tǒng)作物產(chǎn)量測(cè)產(chǎn)主要依賴于田間實(shí)地隨機(jī)破壞性取樣調(diào)查或者使用農(nóng)藝學(xué)和氣象學(xué)知識(shí)結(jié)合統(tǒng)計(jì)分析的方法進(jìn)行產(chǎn)量估算，然而這些方式費(fèi)時(shí)費(fèi)力、工作量大，且成本高、時(shí)效性差，無(wú)法滿足智慧農(nóng)業(yè)對(duì)農(nóng)情信息的需求[90-92]。遙感技術(shù)具有快速無(wú)損、準(zhǔn)確有效、大范圍監(jiān)測(cè)的優(yōu)點(diǎn)，已成為作物估產(chǎn)的重要方式，其原理是根據(jù)作物的生理生化特性建立光譜特征和產(chǎn)量之間的關(guān)系。目前來(lái)自不同傳感器平臺(tái)（無(wú)人機(jī)[93-96]、衛(wèi)星[97-98]）的多種類型遙感數(shù)據(jù)（RGB[95]、多光譜[99]、高光譜[100]、熱紅外[101]、SAR[102]）已成為作物估產(chǎn)的主要數(shù)據(jù)源，不同數(shù)據(jù)及其組合被廣泛應(yīng)用于產(chǎn)量預(yù)測(cè)。然而單獨(dú)使用遙感數(shù)據(jù)獲得的光譜信息具有一定的局限性，作物生長(zhǎng)模型可以動(dòng)態(tài)模擬作物生長(zhǎng)發(fā)育過(guò)程，不同類型的遙感數(shù)據(jù)結(jié)合作物生長(zhǎng)模型（WOFOST 模型[103]、Aqua Crop模型[104]、DSSAT 模型[105]等）為產(chǎn)量預(yù)測(cè)提供新的思路[106]。考慮到遙感估產(chǎn)的精度要求，選擇合適的方法用于產(chǎn)量建模也很重要，機(jī)器學(xué)習(xí)（PLSR[107]、RF[108]、SVM[109]等）和深度學(xué)習(xí)[110]越來(lái)越多地被用于遙感估產(chǎn)建模，并顯著提高了遙感估產(chǎn)能力[111-113]?？偟膩?lái)說(shuō)，隨著遙感技術(shù)的發(fā)展，遙感數(shù)據(jù)源多元化趨勢(shì)的出現(xiàn)以及作物生長(zhǎng)模型和模型方法的優(yōu)化，將會(huì)為遙感估產(chǎn)提供更加可靠的信息技術(shù)支撐，合適的“遙感數(shù)據(jù)-作物生長(zhǎng)模型-模型方法”的組合將會(huì)成為未來(lái)作物產(chǎn)量監(jiān)測(cè)預(yù)測(cè)方向研究的發(fā)展方向。

6 總結(jié)和展望

近幾十年來(lái)，農(nóng)業(yè)遙感技術(shù)雖然有了長(zhǎng)足發(fā)展，但是制約其高效服務(wù)于智慧農(nóng)業(yè)的瓶頸依然存在。首先，目前農(nóng)業(yè)遙感技術(shù)的監(jiān)測(cè)應(yīng)用多在于實(shí)時(shí)或已發(fā)生的農(nóng)情信息的提供上，但農(nóng)田生產(chǎn)管理優(yōu)化不但需要“現(xiàn)勢(shì)”信息，更需要預(yù)測(cè)預(yù)報(bào)的農(nóng)情信息[9]。農(nóng)業(yè)遙感中的高光譜技術(shù)可進(jìn)行病蟲害肉眼可見的短期預(yù)報(bào)[24，36]，而中長(zhǎng)期預(yù)測(cè)預(yù)報(bào)則需要結(jié)合氣象預(yù)報(bào)或遙感數(shù)據(jù)驅(qū)動(dòng)作物模型[106]，進(jìn)行病蟲害、作物產(chǎn)量或品質(zhì)等的預(yù)測(cè)。其次，仍需加強(qiáng)農(nóng)業(yè)遙感的基礎(chǔ)研究，進(jìn)一步提高模型的精度和實(shí)用性。近些年來(lái)隨著日光誘導(dǎo)葉綠素?zé)晒狻⒊上窀吖庾V及熱紅外等新型傳感器的發(fā)射升空，更高時(shí)空譜分辨率、多模態(tài)的衛(wèi)星遙感數(shù)據(jù)的可得性越來(lái)越高，為更高精度的農(nóng)田水分脅迫、產(chǎn)量、病蟲害、碳源、碳匯等的遙感監(jiān)測(cè)預(yù)報(bào)提供了可能[114]。但目前對(duì)農(nóng)業(yè)遙感監(jiān)測(cè)機(jī)理的研究仍需進(jìn)一步加強(qiáng)，突出表現(xiàn)在模型的魯棒性和遷移性較弱，不能滿足智慧農(nóng)業(yè)中的智能感知，輔助智慧決策的實(shí)際需求[8-9，115]。此外，深度學(xué)習(xí)等人工智能技術(shù)的發(fā)展正在改變研究范式，但深度學(xué)習(xí)算法在基于遙感多模態(tài)數(shù)據(jù)的農(nóng)情信息智能提取、管理決策等方面的潛力仍有待深入發(fā)掘，以推動(dòng)農(nóng)業(yè)遙感技術(shù)在智慧農(nóng)業(yè)領(lǐng)域的進(jìn)一步推廣和應(yīng)用[6，21]。再次，目前仍然缺乏農(nóng)業(yè)遙感技術(shù)在智慧農(nóng)業(yè)中推廣的統(tǒng)一平臺(tái)和技術(shù)標(biāo)準(zhǔn)。目前農(nóng)業(yè)遙感技術(shù)在智慧農(nóng)業(yè)的研究主要集中在理論和方法層面，缺乏面向農(nóng)業(yè)生產(chǎn)的推廣平臺(tái)和技術(shù)標(biāo)準(zhǔn)，制約了農(nóng)業(yè)遙感技術(shù)的應(yīng)用和價(jià)值創(chuàng)造[6，9]。