遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究

宋雪蓮 張文 王普昶 阮璽睿 柳嘉佳 王志偉 張威

摘要 現(xiàn)代信息技術(shù)的發(fā)展使得我國農(nóng)業(yè)朝著智慧農(nóng)業(yè)方向蓬勃發(fā)展，顯著提高了農(nóng)業(yè)生產(chǎn)的智能化科學化水平，遙感具有遠距離感知、無損監(jiān)測的特點，越來越多地被用于農(nóng)情監(jiān)測。對遙感在智慧農(nóng)業(yè)中的應(yīng)用原理進行了介紹，對遙感在大尺度農(nóng)情監(jiān)控上的應(yīng)用與方法進行了歸納總結(jié)，具體包括土地利用現(xiàn)狀與土地資源調(diào)查、長勢監(jiān)測與產(chǎn)量預報、作物災(zāi)害損失評估與預報3個方面，并對遙感在農(nóng)田尺度信息服務(wù)上的應(yīng)用做了介紹，總結(jié)了遙感在智慧農(nóng)業(yè)中應(yīng)用的瓶頸問題以及今后的發(fā)展方向。

關(guān)鍵詞 遙感技術(shù);智慧農(nóng)業(yè);農(nóng)情監(jiān)測;產(chǎn)量預報;評估

中圖分類號 S127? 文獻標識碼 A? 文章編號 0517-6611（2022）07-0001-05

doi：10.3969/j.issn.0517-6611.2022.07.001

開放科學（資源服務(wù)）標識碼（OSID）：

Research on Application of Remote Sensing Technology in Wisdom Agriculture

SONG Xue-lian1， ZHANG Wen1，2， WANG Pu-chang1 et al

（1.Institute of Prataculture， Guizhou Academy of Agricultural Sciences， Guiyang， Guizhou 550006;2.Guizhou Sunshine Grass Technology Co.， Ltd.， Guiyang， Guizhou 550006）

Abstract With the development of modern information technology， China's agriculture is booming towards the direction of intelligent agriculture， which significantly improves the intelligent and scientific level of agricultural production. Remote sensing has the characteristics of remote sensing and non-destructive monitoring， and is more and more used in agricultural monitoring. This paper introduces the application principle of remote sensing in smart agriculture， and summarizes the application and methods of remote sensing in large-scale agricultural monitoring， including land use status and land resources survey， growth monitoring and yield forecast， crop disaster loss assessment and forecast. It also introduces the application of remote sensing in farmland scale information service. Finally， the bottleneck problems and future development direction of remote sensing application in smart agriculture are summarized.

Key words Remote sensing technology;Wisdom agriculture;Agricultural monitoring;Yield forecast;Assessment

智慧農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)發(fā)展的高級階段，是由精準農(nóng)業(yè)不斷發(fā)展而來的，指充分利用現(xiàn)代信息技術(shù)成果實現(xiàn)智能化的農(nóng)業(yè)生產(chǎn)，具體包括物聯(lián)網(wǎng)技術(shù)、計算機技術(shù)、互聯(lián)網(wǎng)技術(shù)、人工智能、地理信息技術(shù)、遙感技術(shù)等，通過傳感設(shè)備感知環(huán)境參數(shù)，并利用無線通信等技術(shù)實現(xiàn)農(nóng)業(yè)生產(chǎn)的智能感知、分析和預警功能，使農(nóng)業(yè)生產(chǎn)更智慧。遙感可在不同電磁波段內(nèi)周期性地收集地表信息，具有遠距離感知、無損監(jiān)測、重訪周期短等優(yōu)勢，被廣泛用于智慧農(nóng)業(yè)數(shù)據(jù)收集和農(nóng)情動態(tài)監(jiān)測。隨著遙感技術(shù)的發(fā)展，遙感在農(nóng)業(yè)中的應(yīng)用進入快速發(fā)展階段，遙感技術(shù)在作物識別、長勢監(jiān)測、產(chǎn)量評估、病蟲害防治、災(zāi)害監(jiān)測與預警等方面取得了很多成功的應(yīng)用，有效地提升了農(nóng)業(yè)動態(tài)監(jiān)測與質(zhì)量，促進了農(nóng)業(yè)生產(chǎn)優(yōu)化發(fā)展。

1 遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用原理

遙感即遙遠感知，是在不直接接觸的情況下，對目標或自然現(xiàn)象遠距離探測和感知的技術(shù)，遙感技術(shù)建立在物體反射或發(fā)射電磁波的原理之上[1]，一切物體由于其種類、特征和環(huán)境條件不同而具有完全不同的電磁波的反射或發(fā)射輻射特征。遙感在農(nóng)業(yè)中的應(yīng)用是基于不同農(nóng)作物具有不同的理化性質(zhì)，具體表現(xiàn)在植株和葉片結(jié)構(gòu)、葉肉細胞、葉綠素、含水量等方面，這些差異導致植株冠層和葉片所反射和發(fā)射的光譜產(chǎn)生差異，通過研究其光譜規(guī)律來做出分析?？梢姽獠ǘ蔚墓庾V主要受各種色素的影響，葉綠素吸收藍紅光，對綠光反射作用強，因而在0.45和0.67 μm處為吸收帶，在0.55 μm處為反射峰[1]。近紅波段的反射率則是受到葉片含水量、氮元素含量、葉肉結(jié)構(gòu)等的影響。在近紅波段（1.3～2.5 μm）受含水量影響，吸收率增加，反射率下降，特別是在1.45、1.95和2.70 μm是水的吸收帶[1]。對作物不同生理狀態(tài)的光譜特征研究是快速獲取農(nóng)情信息的重要方法，對于智慧農(nóng)業(yè)具有重要的意義。農(nóng)作物遙感監(jiān)測的基礎(chǔ)是選擇合適的檢測指標，從而進行大面積快速的監(jiān)測。常用的作物監(jiān)測指標有葉面積指數(shù)、植被指數(shù)、紅邊指數(shù)等。葉面積指數(shù)是指單位面積上植物葉片總面積與土地面積的比值，可以反映植物葉面數(shù)量、冠層結(jié)構(gòu)變化以及環(huán)境效應(yīng)，是用來監(jiān)測作物長勢的基礎(chǔ)[2]。植被指數(shù)是一個綜合參數(shù)，與葉面積指數(shù)、植被覆蓋度、生物量等有關(guān)，通常將可見光與近紅外波段經(jīng)過不同的計算組合而成，能對植被狀況進行簡單、有效和經(jīng)驗的度量[3]。目前發(fā)展出的植被指數(shù)已有40余種，常用的植被指數(shù)有歸一化植被指數(shù)、比值植被指數(shù)和差值植被指數(shù)。植物紅邊定義為紅光波段與近紅波段交界處反射率增高最快的點，通常采用紅邊位置和紅邊斜率來描述[4]，植物紅邊與植物的理化參數(shù)緊密相關(guān)，是植物色素狀態(tài)和健康狀況的重要指示波段。9700CBF0-3BE2-4B6A-8758-633783377BEF

2 大尺度農(nóng)情遙感監(jiān)測服務(wù)宏觀調(diào)控

2.1 土地利用現(xiàn)狀與土地資源調(diào)查

土地資源是最重要的農(nóng)業(yè)資源，掌握土地利用現(xiàn)狀對土地資源進行科學管理才能充分利用資源。一些研究采用多光譜影像進行了土地利用及農(nóng)作物分類，早期的分類方法主要以目視解譯為主，通過對不同波段反射率影像進行彩色合成，利用合成影像上各解譯標志的不同反映特性進行作物識別[5-7]。隨著各種遙感產(chǎn)品的發(fā)展，能表征植被特征的植被指數(shù)在作物分類中得到了廣泛應(yīng)用[8-10]，植被指數(shù)能充分反映不同作物隨時間的生長情況，在特定的生育期內(nèi)，不同作物的NDVI時間序列曲線能反映其特定的物候特征。目前對于作物分類，主要方法是采用植被指數(shù)閾值及構(gòu)建分類模型來區(qū)分不同地物，或者通過作物多時相植被指數(shù)曲線特征來進行不同作物的分類。劉昊[11]利用Sentinel-2衛(wèi)星數(shù)據(jù)構(gòu)建NDVI時間序列數(shù)據(jù)集，通過不同地物類型的NDVI值差異，首先對耕地、水體、荒地、城鎮(zhèn)等進行了土地利用分類，并分析確定了主要農(nóng)作物識別關(guān)鍵期的光譜閾值，建立了基于決策樹分層分類的農(nóng)作物種植面積提取模型。歐陽玲等[12]采用GF-1與Landsat8影像，通過不同植被指數(shù)閾值，以及構(gòu)建面向?qū)ο蟮臎Q策樹分類模型，對土地利用類型及主要農(nóng)作物進行了分類。劉佳等[13]通過HJ-1A/B衛(wèi)星CCD月度NDVI時間序列數(shù)據(jù)，分析了全生育期波譜特征，提取了主要作物類型的曲線特征，采用基于NDVI閾值決策分類技術(shù)進行了農(nóng)作物分類識別。

隨著國產(chǎn)高分影像的發(fā)展，高分影像越來越多應(yīng)用于土地資源調(diào)查，主要應(yīng)用高空間分辨率的紋理特征進行圖像解譯，李海杰等[14]采用國產(chǎn)GF-2影像，通過人機交互測量方式對農(nóng)作物用地、設(shè)施農(nóng)業(yè)用地、園藝果樹類用地、林地、水體等五大類用地進行了分類提取，并對石家莊地區(qū)玉米的種植面積、長勢、產(chǎn)量、墑情等進行了分析。馬尚杰等[15]利用GF-1衛(wèi)星16 m多光譜影像，通過基于改進多元紋理和光譜融合的遙感圖像分類方法進行圖像解譯，提取了2015—2017年安徽省霍邱縣冬季作物種植空間分布和面積。

高光譜影像提供連續(xù)的地物窄波段信息，能探測到不同作物在波譜上的細微差別，有效提高作物識別精度。應(yīng)用高光譜進行農(nóng)作物分類的方法大致分為基于光譜信息分類、基于多維特征分類、數(shù)據(jù)降維分類以及多分類器集成分類。基于光譜信息分類主要是分析不同農(nóng)作物間的光譜差異，通過光譜匹配技術(shù)進行分類，常用的匹配方法主要是光譜角匹配、光譜信息散度匹配、最小光譜距離匹配[16-17]。Rao等[18]通過建立冠層尺度和像素尺度的光譜庫，對研究區(qū)的水稻、甘蔗、辣椒等作物進行光譜角分類，2種尺度下的分類精度達到86%以上?；诙嗑S特征的分類不僅應(yīng)用了光譜信息，同時考慮了高光譜數(shù)據(jù)的空間特征信息，能有效避免分類結(jié)果的椒鹽現(xiàn)象。Chen等[19]通過最小噪聲分離方法提取影像光譜特征、并與形態(tài)、紋理等特征組成光譜-空間融合特征向量，采用SSF-CRF分類方進行農(nóng)作物分類，分類精度達到97%;高光譜的海量多維的數(shù)據(jù)特點會造成數(shù)據(jù)冗余，計算量過大，因而對降維后的數(shù)據(jù)進行分類也是常用的分類方法之一，該方法首先對高光譜影像進行波段選擇或特征提取，然后將選擇的波段或者特征作為分類的輸入進行分類。張悅等[20]利用K-means聚類和ABS方法相結(jié)合進行波段篩選，并采用支持向量機對研究區(qū)的玉米草地進行了分類。Jia等[21]采用離散小波變換和AP聚類分析對AVIRIS數(shù)據(jù)進行特征提取，并采用最近鄰分類法對小麥玉米進行了分類，分類精度高達89%。高光譜具有海量、高維度的數(shù)據(jù)特點，有時采用單一的分類器進行分類時會受到各種條件的限制，分類精度欠佳，隨著集成學習在遙感領(lǐng)域的發(fā)展，多分類器集成分類系統(tǒng)能得到較好的分類結(jié)果。Ceamanos等[22]在對AVIRIS數(shù)據(jù)進行玉米、大豆、小麥等分類時，先將波段分為若干組，對每組采用支持向量機分類，然后對所有組的輸出再次采用支持向量機分類進行最終的決策融合，精度達到90%。蘇紅軍等[23]提出一種利用空間和光譜信息的多分類器動態(tài)集成算法，采用支持向量機等5個基分類器構(gòu)建多分類器集合對AVIRIS高光譜影像進行玉米、大豆等農(nóng)作物的分類識別。

因為成像雷達遙感具有全天候、全天時和穿透地物的特點，能彌補光學遙感的不足，雷達逐漸應(yīng)用到農(nóng)業(yè)土地利用調(diào)查中來，黃明祥等[24]利用熱點雷達數(shù)據(jù)ERS-2，以地處云量較多的杭州灣圍墾區(qū)為研究對象，根據(jù)地物目標的時域散射特性，采用分區(qū)分類策略，對預處理后的多時相雷達數(shù)據(jù)進行農(nóng)業(yè)土地利用分類。此外，各種農(nóng)作物具有不同的冠層結(jié)構(gòu)、幾何特性和介電常數(shù)，因而導致在不同頻率和極化的合成孔徑雷達影像中表現(xiàn)出不同的特征，因此可以用雷達遙感進行農(nóng)作物的分類和識別。早期的雷達遙感農(nóng)作物分類研究主要是單波段、單極化數(shù)據(jù)，隨著雷達技術(shù)的發(fā)展，開始向多波段多極化轉(zhuǎn)變，繼而發(fā)展到現(xiàn)在的全極化數(shù)據(jù)、激光雷達數(shù)據(jù)，其分類算法由常規(guī)的統(tǒng)計算法發(fā)展到機器學習、人工智能，以及目前的基于極化分解理論的非監(jiān)督分類算法。但SAR在農(nóng)作物分類的應(yīng)用仍存在不少問題，如監(jiān)測作物類型和種植結(jié)構(gòu)單一，現(xiàn)有的國內(nèi)外應(yīng)用研究多集中在水稻的識別上，水稻較其他作物的介電常數(shù)比較高，因而雷達對其比較敏感，而對旱地作物的識別與監(jiān)測研究以及復雜種植結(jié)構(gòu)條件下的農(nóng)作物分類研究較少，同時，相對光學遙感農(nóng)作物分類，SAR總體精度仍不高，尚不能滿足現(xiàn)有對農(nóng)作物分類識別的精度要求，但SAR具有穿透云霧，不受天氣限制的成像優(yōu)勢，在未來的發(fā)展中將有廣闊的應(yīng)用空間。

傳統(tǒng)的遙感影像空間分辨率低、易受云層遮擋、重放周期長，無法滿足小尺度下農(nóng)作物精細分類的要求，無人機遙感機動靈活，能快速高效地獲取高空間分辨率的影像，為小尺度下農(nóng)作物的監(jiān)測提供技術(shù)支撐。隨著無人機技術(shù)的發(fā)展，無人機遙感農(nóng)作物分類傳感器從早期的數(shù)碼相機向多光譜、高光譜、雷達過渡，分類作物也從單一作物識別到多種作物分類。現(xiàn)階段，利用無人機影像進行農(nóng)作物分類的主要方法是提取無人機影像的光譜特征、紋理特征或者色彩特征，通過基于傳統(tǒng)統(tǒng)計模式的分類算法或者機器學習算法進行分類;田振坤等[25]基于無人機影像中的農(nóng)作物波譜特征和NDVI閾值，并采用最大似然法、支持向量機、神經(jīng)網(wǎng)絡(luò)等分類方法對玉米、小麥等進行了分類。戴建國等[26]利用色彩空間轉(zhuǎn)換和紋理濾波器構(gòu)建分類特征，并使用多種機器學習算法對棉花、玉米、苜蓿等作物進行了分類識別?，F(xiàn)有的應(yīng)用研究往往采用單一分類器，而不同的分類器各有優(yōu)缺點，適用范圍也不一樣，因而在多種農(nóng)作物種植結(jié)構(gòu)復雜的地區(qū)，由于分類不具有針對性致使分類精度較低。9700CBF0-3BE2-4B6A-8758-633783377BEF

2.2 作物長勢監(jiān)測與產(chǎn)量預報

作物長勢監(jiān)測能為農(nóng)業(yè)生產(chǎn)管理提供依據(jù)，也是產(chǎn)量估算的必要資料。作物長勢監(jiān)測是對作物的苗情、生長狀況及其變化的宏觀監(jiān)測。雖然作物的生長過程復雜，但仍可以用相關(guān)因子去表征。葉面積指數(shù)可以反映作物的生長狀況，常用作主要指標進行作物估產(chǎn)。植被指數(shù)與作物的葉面積指數(shù)、光合有效輻射量、生物量均相關(guān)，可以用來進行農(nóng)作物長勢監(jiān)測，其中，歸一化植被指數(shù)NDVI是最常用的指標。一些學者通過多年遙感資料的積累，計算出常年同一時段的平均植被指數(shù)，利用當年該時段的植被指數(shù)與平均植被指數(shù)的差異程度來判斷作物長勢優(yōu)劣[27-28]，郭海[29]利用MODIS NDVI時間序列函數(shù)進行了冬小麥長勢動態(tài)過程監(jiān)測。利用作物LAI和植被指數(shù)進行長勢監(jiān)測和產(chǎn)量估測很大程度上受到時空條件的限制，并且年際間變化也會帶來很大的不確定性。近年來，遙感與作物模型相結(jié)合對作物生長過程進行動態(tài)模擬和預報成為國內(nèi)外的研究熱點。宇振榮等[30-32]利用高分一號影像進行LAI參數(shù)反演，并集合ASSAT-SUBTOR作物生長模型進行了馬鈴薯產(chǎn)量估算。 趙炳宇[33]用Landsat和HJ-1遙感影像數(shù)據(jù)以及作物相關(guān)數(shù)據(jù)，構(gòu)建了遙感作物生長模型，能有效進行水稻生長監(jiān)測。

近年來，隨著高光譜技術(shù)的發(fā)展，國內(nèi)外許多學者利用高光譜遙感進行作物長勢監(jiān)測。高光譜的窄波段能夠獲得更為精細的波譜信息，更好地監(jiān)測葉綠素含量、紅邊特征以及其他的色素含量信息，快速地監(jiān)測葉片氮等營養(yǎng)含量，更能反映作物的狀態(tài)，應(yīng)用最多是對作物氮磷鉀含量、水分、葉綠素等的監(jiān)測。主要方法是首先尋找這些參數(shù)的敏感波段或光譜參數(shù)，然后通過相應(yīng)的統(tǒng)計回歸、機器學習等算法進行建模反演[34-37]。

2.3 作物災(zāi)害損失評估與預報

在我國的農(nóng)業(yè)發(fā)展中，干旱、洪澇、病蟲害、低溫冷害是較常見的對農(nóng)業(yè)生產(chǎn)危害較大的農(nóng)業(yè)災(zāi)害。土壤水分是旱澇災(zāi)害監(jiān)測的重要指標，目前對土壤水分的監(jiān)測主要是應(yīng)用熱紅外、近紅外、可見光和微波波段。熱紅外波段可監(jiān)測土壤溫度，進而計算熱慣量，并結(jié)合熱模型得到土壤水分。旱澇的發(fā)生會使作物產(chǎn)生明顯的變化，進而影響葉片和冠層光譜，因而可以通過可見光和近紅外波段的植被指數(shù)對土壤旱澇情況進行監(jiān)測。微波遙感主要通過后向散射系數(shù)和土壤亮溫來監(jiān)測土壤水分，微波穿透能力強，但受地表粗糙度和植被覆蓋度的影響較大，且很難將土壤含水量對后向散射的影響與地表粗糙度和植被覆蓋度的影響區(qū)分開來[38-39]。

對作物病蟲害脅迫遙感目前主要包括監(jiān)測和預測預警，其中，監(jiān)測包含對不同病蟲害類型的區(qū)分識別和對單一病蟲害發(fā)病程度的識別，主要的監(jiān)測方法是通過特征選擇方法優(yōu)選出對某種病蟲害脅迫相關(guān)的光譜特征，選擇合適的算法建立優(yōu)選特征與病蟲害脅迫類型和程度的關(guān)系，從而建立作物的病蟲害脅迫分類識別模型。較多學者應(yīng)用小波變換、連續(xù)統(tǒng)去除、遺傳算法、相關(guān)性分析等特征提取算法對波段及其變換形式、光譜位置、面積以及植被指數(shù)等參數(shù)進行特征提取[32，40-42]。除了應(yīng)用光譜特征外，一些大尺度病蟲害遙感監(jiān)測也使用了圖像分析和圖像特征，如Backoulou等[43]采用色度指標對圖像進行分割，然后通過對異常斑塊的面積、形狀等進行分析，有效識別了病蟲害脅迫的田塊，Yao等[44]通過圖像的方向一致性特征對小麥條銹病和白粉病進行了識別。在敏感特征提取后進行建模識別不同病蟲害脅迫，常用的識別模型為統(tǒng)計模型，如回歸分析、判別分析、聚類分析、主成分分析等。魯軍景等[45]通過小波變換篩選出敏感的光譜波段和小波特征，并采用Fishe判別分析法建立了白粉病、條銹病與正常小麥的識別模型。袁琳[46]篩選出對白粉病和條銹病的敏感特征后采用FLDA構(gòu)建2種病害的判別模型。隨著人工智能算法的發(fā)展，越來越多學者利用人工智能算法進行病蟲害的監(jiān)測預測。黃林生等[47]利用BP神經(jīng)網(wǎng)絡(luò)對小麥條銹病進行了監(jiān)測，蔣龍泉等[48]提出一種基于SVM機器學習監(jiān)測病蟲害的方法。

在全球變暖的背景下，極端天氣事件出現(xiàn)的頻率和強度增大，對農(nóng)業(yè)的危害不斷增加，其中低溫冷害越來越成為不可忽視的農(nóng)業(yè)災(zāi)害之一。冷害是指在作物生長期出現(xiàn)低于作物所需臨界溫度的低溫天氣，對作物的生長發(fā)育產(chǎn)生影響，并導致不同程度減產(chǎn)或品質(zhì)下降的災(zāi)害[49]。常用的低溫冷害遙感監(jiān)測方法主要是基于對地面溫度的監(jiān)測、對植被指數(shù)差異分析和生理生態(tài)指標差異分析。張雪芬等[50]利用氣象衛(wèi)星遙感資料反演地面溫度，并結(jié)合地基資料得到地面最低溫度，并利用凍害指標、小麥發(fā)育期資料，得到小麥凍害的空間分布及不同凍害等級面積。作物遭受冷害后葉片會失水失綠，其生理生化指標會有所變化，導致近紅外和紅光處光譜的變化，從而導致植被指數(shù)的變化，因此，通過作物相關(guān)生化指標和植被指數(shù)在受災(zāi)前后的差異分析可以判斷受災(zāi)的情況。李軍玲等[51]研究了凍害前后地冬小麥高光譜特征，以藍邊面積和紅邊面積作為監(jiān)測指標能很好地進行凍害監(jiān)測，She等[52]利用油菜受凍害前后的歸一化植被指數(shù)百分比變量作為指標，有效地進行了凍害監(jiān)測，胡列群等[53]利用ETM+的NDVI數(shù)據(jù)對冬小麥和棉花進行了凍害監(jiān)測。

3 農(nóng)田尺度信息服務(wù)支撐農(nóng)業(yè)生產(chǎn)管理優(yōu)化

與大范圍農(nóng)情監(jiān)測主要服務(wù)于宏觀決策不同，農(nóng)田小尺度信息服務(wù)可直接用于農(nóng)業(yè)生產(chǎn)管理優(yōu)化。遙感技術(shù)在田塊尺度的應(yīng)用包括農(nóng)田塊精準分區(qū)管理、土壤理化性質(zhì)監(jiān)測等。

3.1 農(nóng)田精準管理分區(qū)

精準管理分區(qū)是根據(jù)產(chǎn)量的各種限制因素的相似性和差異性把農(nóng)田進行分區(qū)管理，分區(qū)可以為智慧農(nóng)業(yè)的發(fā)展提供管理決策，最大限度提升耕地資源潛力。目前常用的分區(qū)方法有：基于土壤養(yǎng)分狀況進行分區(qū)、基于農(nóng)作物長勢和營養(yǎng)診斷指標進行分區(qū)、基于多年的產(chǎn)量數(shù)據(jù)進行分區(qū)。劉煥軍等[54]以裸土高空間分辨率遙感影像為數(shù)據(jù)源，利用不同養(yǎng)分與其反射光譜特征的相關(guān)性，通過面向?qū)ο蠓指詈涂臻g統(tǒng)計分析方法，對典型黑土區(qū)田塊進行精準管理分區(qū)?，F(xiàn)有的田塊精準分區(qū)多基于土壤養(yǎng)分與光譜的關(guān)系，也有研究通過歸一化植被指數(shù)進行田塊分區(qū)，劉煥軍等[55]利用spot-6影像提取NDVI，并插值計算土壤有機質(zhì)，結(jié)合數(shù)字高程模型，并應(yīng)用面向?qū)ο蟮姆指罘椒ㄟM行田塊分區(qū)，結(jié)果表明，結(jié)合4期NDVI數(shù)據(jù)進行空間信息分區(qū)的精度最高。Fortes等[56]研究了NDVI與產(chǎn)量的關(guān)系，利用NDVI預測產(chǎn)量，并通過普通克里格差值和回歸克里格差值建立了番茄作物產(chǎn)量預測圖，通過產(chǎn)量預測圖進行分區(qū)管理。通過遙感分區(qū)管理可精準地確定農(nóng)田所需的農(nóng)業(yè)物資投入，對于提高農(nóng)業(yè)生產(chǎn)效率，農(nóng)業(yè)環(huán)境保護和耕地產(chǎn)能提高具有重要的意義。9700CBF0-3BE2-4B6A-8758-633783377BEF

3.2 農(nóng)田土壤理化性質(zhì)監(jiān)測

對土壤理化性質(zhì)，如土壤養(yǎng)分、水分、蒸散量的遙感監(jiān)測可以為施肥、灌溉提供數(shù)據(jù)參考。遙感在土壤養(yǎng)分含量的監(jiān)測分為直接法和間接法，直接法主要分析養(yǎng)分含量與光譜反射率之間的關(guān)系，建立回歸模型來反演土壤養(yǎng)分含量，間接法通過獲取植被的狀態(tài)生物量等指標建立與養(yǎng)分含量的關(guān)系，間接獲得土壤養(yǎng)分的含量。目前已有不少研究對土壤有機質(zhì)全氮、全磷等含量進行了遙感估算，對有機質(zhì)的監(jiān)測主要使用可見光近紅外波段光譜信息，對全氮含量監(jiān)測主要使用紅外波段光譜信息，對全磷含量監(jiān)測主要使用可見光波段信息。高光譜技術(shù)能夠提供更精細的波段信息，越來越多地被應(yīng)用到農(nóng)田土壤養(yǎng)分的監(jiān)測當中。Selige等[57]采用機載高光譜數(shù)據(jù)，通過構(gòu)建偏最小二乘和多元線性回歸模型，對土壤全氮進行了估算。Lu等[58]利用實測光譜應(yīng)用偏最小二乘和多元線性回歸建立了土壤有機質(zhì)、全氮、pH值預測模型。氮、磷、鉀等營養(yǎng)元素的缺乏會導致作物在外部形態(tài)上表現(xiàn)出相應(yīng)的特征，因而可以通過對作物的監(jiān)測，判定土壤養(yǎng)分情況。陳曉軍等[59]分析了小麥產(chǎn)量與土壤的相關(guān)關(guān)系，構(gòu)建了土壤養(yǎng)分分布圖。張立周[60]通過玉米圖像指數(shù)與土壤養(yǎng)分的顯著關(guān)系，計算了土壤需氮量，從而計算土壤施肥量。

土壤水分遙感監(jiān)測可采用可見光-近紅波段、熱紅外波段、微波波段。在可見光-近紅外波段，通過構(gòu)建相應(yīng)的干旱指數(shù)和植被指數(shù)來反映土壤含水量，或通過分析波段反射率與土壤含水量的相關(guān)性來反演土壤含水量。在熱紅外波段，不同水分含量的土壤熱力學特性不同，從而土壤的溫度也會有所差異，許多研究通過建立熱慣量模型來反演土壤水分。在微波波段，土壤水分是決定土壤介電特性的主要因素，而土壤介電特性與地表后向散射系數(shù)密切相關(guān)，因而可用微波波段進行土壤含水量監(jiān)測。對于裸土區(qū)，常用經(jīng)驗-半經(jīng)驗?zāi)Ｐ?、幾何光學模型、物理光學模型。對于植被覆蓋區(qū)，常用微波冠層散射模型、水云模型等。微波與光學遙感各有優(yōu)缺點，近年來，利用微波與光學遙感協(xié)同反演土壤含水量成為研究熱點。曾旭婧等[61]利用Landsat-8數(shù)據(jù)與Sentinel-1 SAR數(shù)據(jù)對不同植被覆蓋度下的地表土壤水分進行了反演。孟慶巖等[62]利用Radarsat-2和Landsat-8數(shù)據(jù)，對玉米覆蓋區(qū)地表土壤水分進行了反演。

4 存在問題與展望

4.1 問題

近年來，遙感技術(shù)應(yīng)用于智慧農(nóng)業(yè)取得了一定的發(fā)展，但仍有許多問題亟待解決。

（1）遙感監(jiān)測精度需進一步提高。由于受到遙感數(shù)據(jù)質(zhì)量、大氣干擾、模型方法等的局限性，農(nóng)田尺度的作物生理生化參數(shù)、環(huán)境參數(shù)的反演精度最高只能達到80%～90%。對農(nóng)田尺度作物、環(huán)境參數(shù)的反演常停留在研究階段，其精度還無法滿足智慧農(nóng)業(yè)對農(nóng)田作物與環(huán)境專題信息的需求。

（2）受天氣條件、衛(wèi)星資源利用效率等因素的限制，在進行農(nóng)作物監(jiān)測時常常不能得到有效的數(shù)據(jù)，因而不能滿足服務(wù)于農(nóng)業(yè)生產(chǎn)管理的農(nóng)田尺度遙感監(jiān)測對時間分辨率和空間分辨率的需求;特別是對于南方多陰雨天氣，在生長期很長時間內(nèi)獲取的光學影像經(jīng)常由于云霧遮擋，很難應(yīng)用于農(nóng)作物監(jiān)測。

（3）缺少可推廣應(yīng)用的智慧農(nóng)業(yè)遙感服務(wù)平臺。遙感在智慧農(nóng)業(yè)中的應(yīng)用還集中于技術(shù)方法的研究，尚未形成成熟的可應(yīng)用于實際生產(chǎn)的業(yè)務(wù)系統(tǒng)。因此急需構(gòu)建集數(shù)據(jù)獲取與處理、信息提取、決策管理于一體的應(yīng)用系統(tǒng)，通過網(wǎng)絡(luò)化智能化的信息獲取、處理、發(fā)布，能讓農(nóng)業(yè)從業(yè)者經(jīng)過簡單培訓即可快速掌握，應(yīng)用于實際生產(chǎn)實踐中。

（4）結(jié)合遙感的農(nóng)業(yè)預測預報能力需進一步加強。農(nóng)田信息的管理優(yōu)化不僅需要實時監(jiān)測，還需要對未來一段時間內(nèi)所可能出現(xiàn)情況的預測?，F(xiàn)有的遙感農(nóng)業(yè)應(yīng)用大多是過去一段時間的數(shù)據(jù)或者實時的數(shù)據(jù)，需要結(jié)合作物模型，通過未來預報的氣象數(shù)據(jù)來預測對于作物的影響，從而提前采取合理的應(yīng)對措施。

4.2 展望

遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用首先需克服監(jiān)測精度問題，提升模型預測預報能力，在此基礎(chǔ)上梳理技術(shù)流程，進行系統(tǒng)化開發(fā)，建成智能化信息服務(wù)平臺。精度的提高首先要從改進參數(shù)反演模型出發(fā)，嘗試新思路新方法，將人工智能、深度學習等應(yīng)用到算法優(yōu)化中去，同時要開展全面的驗證與精度評價。有效數(shù)據(jù)的獲取使用可嘗試多源數(shù)據(jù)融合，充分利用不同衛(wèi)星不同傳感器的多種數(shù)據(jù)。在高精度預報能力的基礎(chǔ)上，建立智能化信息服務(wù)平臺，實現(xiàn)農(nóng)田的智能化管理，并進行應(yīng)用與示范，在示范的同時，開展地面觀測，對監(jiān)測專題產(chǎn)品開展驗證和精度評價。

參考文獻

[1] 孫家抦.遙感原理與應(yīng)用[M].2版.武漢：武漢大學出版社，2009：68-69.

[2] 張佳華，杜育璋，劉學鋒，等.基于高光譜數(shù)據(jù)和模型反演植被葉面積指數(shù)的進展[J].光譜學與光譜分析，2012，32（12）：3319-3323.

[3] 薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等.光譜植被指數(shù)與水稻葉面積指數(shù)相關(guān)性的研究[J].植物生態(tài)學報，2004，28（1）：47-52.

[4] 梁守真，施平，馬萬棟，等.植被葉片光譜及紅邊特征與葉片生化組分關(guān)系的分析[J].中國生態(tài)農(nóng)業(yè)學報，2010，18（4）：804-809.

[5] 黨楊梅，楊敏華，常正科.SPOT5影像目視判讀在土地利用類型更新中的應(yīng)用研究[J].測繪與空間地理信息，2009，32（2）：125-127.

[6] 何明軒.三峽庫區(qū)土地利用/覆被與地表蒸散發(fā)動態(tài)變化及二者關(guān)系研究[D].重慶：西南大學，2013.

[7] 李瑞俊，孫希華，李平.基于遙感和GIS的青島市土地利用動態(tài)變化分析[J].山東師大學報（自然科學版），2004（4）：50-52.

[8] 張榮群，王盛安，高萬林，等.基于時序植被指數(shù)的縣域作物遙感分類方法研究[J].農(nóng)業(yè)機械學報，2015，46（S1）：246-252.9700CBF0-3BE2-4B6A-8758-633783377BEF

[9] WARDLOW B D，EGBERT S L.Large-area crop mapping using time-series MODIS 250 m NDVI data：An assessment for the U.S.Central Great Plains[J].Remote sensing of environment，2008，112（3）：1096-1116.

[10] CHEN H，ZHUANG D F.Strategy to extract winter wheat and summer maize distribution based on time-serie MODIS NDVI data[C]//Agro-Geoinformatics（Agro-Geoinformatics），2012 First International Conference on.Changhai，China：IEEE，2012.

[11] 劉昊.基于Sentinel-2影像的河套灌區(qū)作物種植結(jié)構(gòu)提取[J].干旱區(qū)資源與環(huán)境，2021，35（2）：88-95.

[12] 歐陽玲，毛德華，王宗明，等.基于GF-1與Landsat8 OLI影像的作物種植結(jié)構(gòu)與產(chǎn)量分析[J].農(nóng)業(yè)工程學報，2017，33（11）：147-156.

[13] 劉佳，王利民，楊福剛，等.基于HJ時間序列數(shù)據(jù)的農(nóng)作物種植面積估算[J].農(nóng)業(yè)工程學報，2015，31（3）：199-206.

[14] 李海杰，楊英茹，李瑜玲，等.石家莊市農(nóng)業(yè)資源遙感調(diào)查[J].黑龍江農(nóng)業(yè)科學，2020（12）：105-110.

[15] 馬尚杰，裴志遠，王飛，等.基于GF-1影像的沿淮地區(qū)冬季耕地撂荒遙感調(diào)查應(yīng)用[J].農(nóng)業(yè)工程學報，2019，35（1）：227-233.

[16] SOHN Y，REBELLO N S.Supervised and unsupervised spectral angle classifiers[J].Photogrammetric engineering & remote sensing，2002，68（12）：1271-1280.

[17] 羅政.基于HJ-1A高光譜影像的植被類型識別：以格爾木市為例[D].北京：中國地質(zhì)大學（北京），2018.

[18] RAO N R.Development of a crop-specific spectral library and discrimination of various agricultural crop varieties using hyperspectral imagery[J].International journal of remote sensing，2008，29（1/2）：131-144.

[19] CHEN C，LI W，SU H J，et al.Spectral-spatial classification of hyperspectral image based on kernel extreme learning machine[J].Remote sensing，2014，6（6）：5795-5814.

[20] 張悅，官云蘭.聚類與自適應(yīng)波段選擇結(jié)合的高光譜圖像降維[J].遙感信息，2018，33（2）：66-70.

[21] JIA S，QIAN Y T，LI J M，et al.Feature extraction and selection hybrid algorithm for hyperspectral imagery classification[C]//2010 IEE international geoscience & remote sensing symposium.Honolulu，HI，USA：IEEE，2010.

[22] CEAMANOS X，WASKE B，BENEDIKTSSON J A，et al.A classifier ensemble based on fusion of support vector machines for classifying hyperspectral data[J].International journal of image & data fusion，2010，1（4）：293-307.

[23] 蘇紅軍，劉浩.一種利用空間和光譜信息的高光譜遙感多分類器動態(tài)集成算法[J].國土資源遙感，2017，29（2）：15-21.

[24] 黃明祥，史舟，李艷.SAR遙感技術(shù)在農(nóng)業(yè)土地利用遙感調(diào)查的應(yīng)用[J].農(nóng)業(yè)工程學報，2004，20（6）：133-137.

[25] 田振坤，傅鶯鶯，劉素紅，等.基于無人機低空遙感的農(nóng)作物快速分類方法[J].農(nóng)業(yè)工程學報，2013，29（7）：109-116.

[26] 戴建國，張國順，郭鵬，等.基于無人機遙感可見光影像的北疆主要農(nóng)作物分類方法[J].農(nóng)業(yè)工程學報，2018，34（18）：122-129.

[27] 張峰，吳炳方，劉成林，等.區(qū)域作物生長過程的遙感提取方法[J].遙感學報，2004，8（6）：515-528.

[28] 吳炳方，張峰，劉成林，等.農(nóng)作物長勢綜合遙感監(jiān)測方法[J].遙感學報，2004，8（6）：498-514.

[29] 郭海.基于MODIS數(shù)據(jù)的黃淮海地區(qū)冬小麥長勢監(jiān)測研究[D].沈陽：沈陽農(nóng)業(yè)大學，2016.

[30] 宇振榮，DRIESSEN P M.基于遙感反演作物冠層溫度的作物生長模擬和預報[J].中國農(nóng)業(yè)大學學報，2003，8（S1）：71-75.9700CBF0-3BE2-4B6A-8758-633783377BEF

[31] 段丁丁.基于遙感信息和DSSAT-SUBSTOR模型數(shù)據(jù)同化的區(qū)域馬鈴薯產(chǎn)量估算[D].北京：中國農(nóng)業(yè)科學院，2019.

[32] MUHAMMED H H，LARSOLLE A.Feature vector based analysis of hyperspectral crop reflectance data for discrimination and quantification of fungal disease severity in wheat[J].Biosystems engineering，2003，86（2）：125-134.

[33] 趙炳宇.基于并行算法的遙感與作物生長模型同化的大尺度水稻長勢動態(tài)監(jiān)測[D].北京：中國地質(zhì)大學（北京），2019.

[34] ABDEL-RAHMAN E M，AHMED F B，VAN DEN BERG M.Estimation of sugarcane leaf nitrogen concentration using in situ spectroscopy[J].International journal of applied earth observations & geoinformation，2010，12：S52-S57.

[35] YAO X，ZHU Y，TIAN Y C，et al.Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat[J].International journal of applied earth observations & geoinformation，2010，12（2）：89-100.

[36] ZHAI Y F，CUI L J，ZHOU X，et al.Estimation of nitrogen，phosphorus，and potassium contents in the leaves of different plants using laboratory-based visible and near-infrared reflectance spectroscopy：Comparison of partial least-square regression and support vector machine regression methods[J].International journal for remote sensing，2013，34（7）：2502-2518.

[37] DUAN D D，ZHAO C J，LI Z H，et al.Estimating total leaf nitrogen concentration in winter wheat by canopy hyperspectral data and nitrogen vertical distribution[J].Journal of integrative agriculture，2019，18（7）：1562-1570.

[38] 鮑艷松，劉良云，王紀華，等.利用ASAR圖像監(jiān)測土壤含水量和小麥覆蓋度[J].遙感學報，2006，10（2）：263-271.

[39] 李衛(wèi)國.作物旱澇災(zāi)情遙感監(jiān)測進展與思考[J].江蘇農(nóng)業(yè)學報，2013，29（6）：1503-1506.

[40] HUANG W J，GUAN Q S，LUO J H，et al.New optimized spectral indices for identifying and monitoring winter wheat diseases[J].IEEE journal of selected topics in applied earth observations and remote sensing，2014，7（6）：2516-2524.

[41] 沈文穎，李映雪，馮偉，等.基于因子分析-BP神經(jīng)網(wǎng)絡(luò)的小麥葉片白粉病反演模型[J].農(nóng)業(yè)工程學報，2015，31（22）：183-190.

[42] 李波，劉占宇，黃敬峰，等.基于PCA和PNN的水稻病蟲害高光譜識別[J].農(nóng)業(yè)工程學報，2009，25（9）：143-147.

[43] BACKOULOU G F，ELLIOTT N C，GILES K，et al.Spatially discriminating Russian wheat aphid induced plant stress from other wheat stressing factors[J].Computers & electronics in agriculture，2011，78（2）：123-129.

[44] YAO Q，GUAN Z X，ZHOU Y F，et al.Application of support vector machine for detecting rice diseases using shape and color texture features[C]//Proceedings of international conference on engineering computation.Hong Kong，China：IEEE Computer Society，2009.

[45] 魯軍景，黃文江，張競成，等.基于小波特征的小麥白粉病與條銹病的定量識別[J].光譜學與光譜分析，2016，36（6）：1854-1858.9700CBF0-3BE2-4B6A-8758-633783377BEF

[46] 袁琳.小麥病蟲害多尺度遙感識別和區(qū)分方法研究[D].杭州：浙江大學，2015.

[47] 黃林生，江靜，黃文江，等.Sentinel-2影像和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的小麥條銹病監(jiān)測方法[J].農(nóng)業(yè)工程學報，2019，35（17）：178-185.

[48] 蔣龍泉，魯帥，董文彧，等.基于SVM機器學習的植物病蟲害檢測方法：CN201210351242.6[P].2013-02-06.

[49] 丁士晟.東北地區(qū)夏季低溫的氣候分析及其對農(nóng)業(yè)生產(chǎn)的影響[J].氣象學報，1980，38（3）：234-242.

[50] 張雪芬，陳懷亮，鄭有飛，等.冬小麥凍害遙感監(jiān)測應(yīng)用研究[J].南京氣象學院學報，2006，29（1）：94-100.

[51] 李軍玲，郭其樂，任麗偉.基于近地高光譜和環(huán)境星高光譜數(shù)據(jù)的冬小麥越冬凍害遙感監(jiān)測方法研究[J].自然災(zāi)害學報，2017，26（2）：53-63.

[52] SHE B，HUANG J F，GUO R F，et al.Assessing winter oilseed rape freeze injury based on Chinese HJ remote sensing data[J].Journal of Zhejiang University-Science B（Biomedicine & Biotechnology），2015，16（2）：131-144.

[53] 胡列群，武鵬飛，李新建，等.基于ETM+影像的棉花低溫冷害遙感監(jiān)測方法研究[J].中國農(nóng)學通報，2011，27（4）：459-463.

[54] 劉煥軍，邱政超，孟令華，等.黑土區(qū)田塊尺度遙感精準管理分區(qū)[J].遙感學報，2017，21（3）：470-478.

[55] 劉煥軍，鮑依臨，徐夢園，等.基于SOM和NDVI的黑土區(qū)精準管理分區(qū)對比[J].農(nóng)業(yè)工程學報，2019，35（13）：177-183.

[56] FORTES R，PRIETO M H，GARCA-MARTN A，et al.Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop[J].Spanish journal of agricultural research，2015，13（1）：1-9.

[57] SELIGE T，BHNER J，SCHMIDHALTER U.High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures[J].Geoderma，2006，136（1/2）：235-244.

[58] LU P，WANG L，NIU Z，et al.Prediction of soil properties using laboratory VIS-NIR spectroscopy and Hyperion imagery[J].Journal of geochemical exploration，2013，132：26-33.

[59] 陳曉軍，朱云開，張紅萍.基于VMS系統(tǒng)的土壤養(yǎng)分空間變異性分析[J].農(nóng)機化研究，2009，31（8）：143-146.

[60] 張立周.數(shù)字圖像技術(shù)在作物氮營養(yǎng)診斷中的應(yīng)用研究[D].保定：河北農(nóng)業(yè)大學，2011.

[61] 曾旭婧，邢艷秋，單煒，等.基于Sentinel-1A與Landsat 8數(shù)據(jù)的北黑高速沿線地表土壤水分遙感反演方法研究[J].中國生態(tài)農(nóng)業(yè)學報，2017，25（1）：118-126.

[62] 孟慶巖，謝秋霞，馬建新，等.一種基于多極化RADARSAT-2和Landsat8數(shù)據(jù)的植被覆蓋地表土壤含水量反演方法：CN201510701774.1[P].2016-04-27.9700CBF0-3BE2-4B6A-8758-633783377BEF