科普网络书屋

首页>> 科普主题>> 特色农业>> 农作物>> 正文

农业遥感技术研究进展

来源: 种业导刊
阅读 451 | 0 | 2019-10-15 |

遥感技术广泛应用于农业、军事、地质勘测、环境监测等各个领域。其中,农业是遥感技术最先投入应用的领域,也是遥感技术应用最广泛、最成功的领域之一。虽然我国农业遥感研究起步较晚,但经过30多年的努力,我国农业遥感技术突飞猛进,在作物长势监测、灾害监测、作物产量估测等方面取得了显著进展。

1 作物长势遥感监测

作物长势反映了作物的生长状况,是农情信息的重要组成部分。作物长势的准确监测可为生产者提供决策支持,并对保障粮食安全具有重要意义。作物长势参数有很多,其中叶绿素含量、叶面积指数、生物量、叶片含氮量是作物长势监测的关键参数。

1.1 叶绿素含量遥感监测

叶绿素含量是决定作物光合作用能力的重要生化指标,也是评价作物胁迫、营养状况的良好指标,因而可以利用植物叶片/冠层反射率对叶绿素的响应来监测作物光合作用。目前,叶绿素遥感监测大多是通过建立植被指数或光谱参量与叶绿素含量的统计回归关系来实现。其中,归一化植被指数(Normalized difference vegetation index,NDVI)最常被用来估测叶绿素含量。但单一的植被指数蕴含信息不足,并且不同生育时期叶绿素敏感波段有差异,同一植被指数在作物的不同生育时期并不完全适用。例如宫兆宁等分别以红边位置(WP_r)和归一化差值光谱指数(ND)构建了芦苇等湿地植被叶片叶绿素含量的一元线性模型,决定系数(R2)达到了0.8以上。而刘秀英等利用光谱特征参数、光谱指数以及原始光谱建立了玉米4个生育时期叶片叶绿素含量的反演模型,R2最高达到0.91。田明璐等实现了小麦返青期、拔节期、抽穗期、开花期、灌浆期以及全生育期的叶绿素反演,结果表明,基于单个生育时期构建的反演模型预测精度高于全生育时期模型,多元模型预测精度高于一元模型。

虽然统计回归方法预测精度较高,但农田是一个复杂的认知系统,统计模型方法的普适性较差。NEUWIRTHOVA等通过分析可见光、近红外以及短波红外的光谱发现,在可见光和近红外区域出现叶片堆积,能够削弱叶片叶绿素含量与选定植被指数之间的相关性。因此,如果使用植被指数来评估植物不同生育时期的生理状况,必须考虑到叶片堆积可能造成的影响。KONG等研究表明,在估算叶片叶绿素含量的垂直分布时,必须考虑光在冠层的穿透特性。如何在保证精度的同时,找到具有普适性与可移植性的波段组合及光谱指数是统计模型探索的方向之一。

1.2 叶面积指数遥感监测

作物叶面积指数(Leaf area index,LAI)遥感反演是当前作物遥感监测的热点之一,尤其是无人驾驶飞行器(UAV)的遥感研究越来越受欢迎。YAO等利用UAV建立基于光谱指数的冬小麦LAI估测模型,该模型在冬小麦不同生长阶段、品种和生态位点下表现稳定。CHENG等利用UAV高光谱数据结合PROSAIL模型实现了对水稻LAI、叶片叶绿素含量、冠层含水量和干物质含量的无损检测,所得R2分别为0.833、0.816、0.793和0.665。WANG等评估了支持向量回归(Support vector regression,SVR)、随机森林(Random forests,RF)、人工神经网络(Artificial neural network,ANN)和偏最小二乘回归(Partial least-squares regression,PLSR)在水稻LAI估算中的表现,结果表明,基于一阶导数比基于原始光谱建立的反演模型更准确,ANN反演精度最好,均方根误差(Root mean squard error,RMSE)值为0.67。不同遥感平台估测作物LAI都存在一定的优劣性,因此在研究中可以结合不同平台不同方法进行多角度分析,以提高反演精度。ROTH等对比了基于UAV装置和手持装置预测的大豆LAI与破坏性测定的大豆LAI,所得R2分别为0.92与0.89。目前,作物LAI遥感监测不局限于小麦、玉米、水稻等大宗作物,也逐渐实现了甘蔗、棉花、油菜等的LAI遥感反演研究,表明我国农业遥感监测正在向多样化发展。

1.3 生物量遥感监测

生物量是作物生长周期的一个重要生理参数,与作物产量关系密切。作物LAI监测方法也可以用来监测生物量。YANG等建立了三河源头地区草原生物量的BP神经网络和多元回归模型,结果表明,BP神经网络优于多元回归。YUE等以54个植被指数为自变量,对比了ANN、RF、PLSR等8种回归方法的精确度,其中PLSR的精度最高。刘畅等提取了UAV影像的光谱和纹理信息,并针对植被指数易饱和现象,构建了图-谱融合指标,使R2提高了10%以上。HAN等提出了一种新的极化水云模型(APWCM)代替目前常用的水云模型(WCM),结果表明,APWCM只在小麦生物量较高的地区估算效果较好。

1.4 氮素含量遥感监测

氮素是对作物整个生育期影响最显著的营养元素,准确及时地诊断作物氮素状况对于氮肥管理具有重要意义。关于作物氮素含量的遥感监测也有一些报道,ZHAO等分析了玉米冠层从可见光到近红外的光谱反射率,利用直接法和间接法建立了玉米氮营养指数(NNI)的预测模型,结果表明,直接建立冠层光谱和NNI的回归模型实现简单且精度较高。CILIA等利用遥感图像绘制了玉米田NNI预测图,与实际所得NNI图表现一致。LIU等和CAO等试验证明,利用叶绿素含量可以估算氮素状态,从而开发了基于叶绿素估算水稻氮素的模型。

目前,研究者在作物叶绿素、LAI、生物量、氮素等方面都得到了较好的反演精度,但由于缺乏相关机制支撑,并且由于冠层光谱很容易受到冠层含水量、叶片含水量、杂草、土壤覆盖度以及周围环境等影响,导致有时选出的与目标参数建立回归关系的光谱波段不是适用于所有物质的特征吸收波段,这可能是多种因素综合造成。上述结果往往只适合研究者当时的研究情况,很难在其他地点甚至在同一地点不同年份的作物上进行推广与应用。因此,如何提取遥感数据的有用信息,剔除冗余甚至干扰信息是目前遥感反演的难点。

2 作物灾害遥感监测

近年来,我国各地极端、异常气候频发,农作物干旱、涝害、冻害、倒伏发生严重;病虫害的发生和流行也呈现加重趋势,对粮食安全生产构成严重威胁。我国在大面积灾害监测预报方面仍较薄弱,遥感技术为作物灾害监测提供了宝贵的契机,能够进一步快速准确了解作物灾害的发生状况。

2.1 作物干旱遥感监测

干旱是目前世界上最严重的自然威胁之一,由于近年来全球气候的变化,干旱发生的频率和强度可能会在未来几年进一步加剧。已有一些研究者对作物的干旱进行了相关的遥感监测,CHANG等分析了高分一号(GF-1)宽视野(Wide field of view,WFV)数据的光谱特征,建立了基于红-近红外光谱的改进型垂直干旱指数(MPDI)模型,在试验点5个子区域中偏差的百分比在14.7%~21.8%,在整个研究区域性能评估的准确率高于95%。ZHANG等提出了基于降水、蒸发蒸腾和土壤湿度修改的多变量标准化干旱指数(MMSDI),并将其与标准化土壤水分指数(SSMI)、变量标准化干旱指数(MSDI)进行对比,结果表明,MMSDI能更加准确地识别我国的干旱地区及干旱强度。ORTEGA-GOMEZ等对比了标准降水指数(SPI)、帕默尔干旱指数(PDSI)等5种干旱指数,表明单个指标会造成显著偏差,每个干旱指数的演变必须伴随着空间分布的干旱图,才能更好地了解当地的干旱状况及其演变方向。到目前为止,已被提出的干旱指数有100多个,这些指数分别被用于不同类型的干旱,包括气象、农业和水文干旱。对作物干旱的遥感监测表现在干旱指数的探索与改进,而且随着遥感数据源分辨率的提高和访问周期的缩短,以及多元遥感数据的融合,其结果的准确性与时效性也会显著提升。

2.2 作物冻害遥感监测

近几年,我国对作物冻害遥感监测的研究较少,主要是因为其具有突发性和不可预见性,且冻害不仅与气温有关,也与作物生育时期有关,对作物冻害实时监测较困难。冻害能够引起作物发生一系列变化,例如叶片含水量、叶绿素含量、光合速率、红边位置等发生变化。李军玲等基于环境1号(HJ-1A)数据分析了河南省林州市冬小麦冻害的发生过程,并利用蓝边面积(SDb)与红边面积(SDr)建立了冬小麦冻害监测模型,但结果与实际冻害分布情况相差较大。SHE等根据中等分辨率成像光谱仪(MODIS)和中等分辨率成像频谱仪(MERIS)数据研究了油菜的光合速率、LAI等多个指标,发现光化学反射指数(PRI)对冷冻胁迫反应强烈,而叶绿素指数(MTCI)几乎不受冻害影响。小麦是世界上最重要的粮食作物,同时小麦倒春寒又是最典型的冻害类型之一,因此应加紧对作物,尤其是小麦的冻害监测研究。

2.3 作物病虫害遥感监测

不同病虫害对农作物的主要影响不同(叶绿素、水分含量和形态结构等),因此在对作物病虫害进行遥感监测的时候,需要通过不同的波段组合检测不同的疾病。目前,国内外学者已经分析筛选出小麦锈病、小麦白粉病、棉花蚜虫、棉花黄萎病、稻纵卷叶螟、大豆胞囊线虫和猝死综合征等作物病虫害类型的光谱敏感波段以及识别模型。在果蔬方面,PINEDA通过多色荧光成像和热成像,研究了西葫芦软腐病和白粉病引发的叶片代谢变化,并以ANN、逻辑回归分析和支持向量机(SVM)作为分类器,准确区分了健康和受感染的叶片。AL-SADDIK等研究发现,基于红绿蓝(RGB)数字图像和高光谱反射数据并结合叶片反射率(PROSPECT)模型和神经网络识别模型对葡萄幼树衰退病和黄化识别的准确度达到99%。随着机器学习的发展,基于图像的深度学习在作物病虫害监测中也表现出独特的优势。DUARTE-CARVAJALINO等利用卷积神经网络(Convolutional neural network,CNN)、SVM、多层感知机(Multi-layer perceptron,MLP)、RF对马铃薯晚疫病的严重程度进行定量预测,结果表明,CNN、RF、MLP预测准确度优于SVM。遥感检测作物病虫害的挑战之一是“异病同谱”,这是由于有些病虫害的发生所引起的表征十分相似,会造成遥感识别的精度大大降低,因此需要更多的研究进行评估,使用更先进的成像系统和图像处理技术来区分难以检测的作物疾病或其他胁迫。

当前,机载和星载图像虽已成功应用于作物灾害监测,但要及早发现灾害仍非常困难。在多数情况下,当作物的胁迫症状可以在遥感上检测到图像时,灾害就已经对作物造成了严重的破坏。对于一些病虫害来说,遥感监测结果具有一定价值,能够通过对受灾作物采取有效的控制措施来尽量减少损害。但对于其他灾害来说,得到遥感监测结果后再进行纠正,可能为时已晚。实际上,遥感图像主要用于评估灾害造成损害的程度和强度,并且是一种具有成本效益的工具。

3 作物产量遥感估测

在未来几十年中,作物产量必须大幅增加才能够满足全球人口增长所产生的粮食需求。但全球的粮食生产受到可使用土地面积和水资源的限制,因此,需要以统一和透明的方式量化现有农田的粮食生产能力,以便为土地有效利用政策的开发和投资决策信息的提出奠定基础。农业遥感技术具有宏观、快速、准确等优点,已被广泛应用于各种作物的产量估测。例如GONG等根据UAV图像的冠层反射率计算了几种被广泛使用的植被指数,并基于图像和端元光谱的混合分析估算了不同氮处理下油菜的产量,所得估算误差小于13%。BELLAKANJI等提出了一种将农业气象(SAFY)模型与光学SPOT卫星数据相结合的方法,用以估计研究作物的总产量,结果表明该方法的准确度明显提高。HE等结合陆地卫星(Landsat)和MODIS数据实现了对大麦、玉米、冬小麦等7种作物的产量估测,而估测的作物产量结果与农业部报告的作物生产数据之间的相关系数为0.96,RMSE值为37%。王丽媛等利用遥感数据与作物模型同化(PCSE/WOFOST)方法,实现了对江苏省冬小麦的遥感估产,同化后产量的RMSE值降低了76%,使冬小麦产量估测精度显著提高。随着计算机技术的发展,同化方法逐渐展示出经验统计方法所不具备的独特优势,遥感数据结合作物生长模型将成为未来遥感估产的研究方向之一。

4 遥感监测模型

4.1 作物反演方法

回归模型是定量遥感的重要内容之一,其主要研究各变量之间线性或非线性的关系,建立回归方程,用于预测未知样本。传统回归模型有一元线性回归、多元线性回归、偏最小二乘回归、主成分回归、岭回归等。随着计算机的发展,机器学习方法在遥感反演上的应用越来越广泛,包括ANN、决策树(DT)、SVR、RF等。机器学习在处理非线性问题上表现优异,尤其是ANN,虽然每次建立模型都会产生不同的预测结果,但正因为如此,才使其具有更加广阔的进步空间。目前,传统的回归模型与机器学习方法孰优孰劣,不同研究人员的认定结果不同,还需要进一步的探索。

物理模型通过考虑叶片结构以及光照与大气、作物之间相互作用的辐射传输机制,能够详细描述光在叶片内部的传输过程。可分为几何光学模型、辐射传输模型、计算机模拟模型、混合模型4种。其中,辐射传输模型应用最广泛,典型的辐射传输模型有植被冠层反射率(SAIL)模型、双层冠层反射率(ACRM)模型和PROSPECT模型。LI等结合连续小波变换(CWT)与PROSPECT模型对小麦、水稻干物质积累与含水量进行反演研究,结果表明,耦合后的PROCWT方法较传统物理模型反演精度有较大提升。

经验统计模型较其他模型在大多数研究结果中的反演精度较高,JAY等对比了基于植被指数的经验统计模型和PROSAIL模型对甜菜的LAI、叶片含氮量以及叶绿素的遥感估测,结果表明,经验统计模型优于物理模型。但经验统计模型缺少可移植性和鲁棒性,只是建立数学及统计上的联系,难以作出物理解释。而物理模型缺点是需要输入参数较多,如土壤背景反射率、太阳高度角、单叶片反射率、透射率、平均叶倾角、LAI等,同时模型较复杂。结合经验统计模型和物理模型的混合模型是未来遥感反演探索的方向之一。

4.2 作物识别方法

作物识别方法一般用于作物种类识别、面积制图、病虫灾害识别等。作物识别分为无监督模式(K均值聚类分析、系统聚类分析、自组织神经网络等)、有监督模式(Fisher判别、SVM、ANN等)以及越来越受关注的半监督模式。其中,YU等提出一种无监督卷积特征融合网络,实现了对遥感图像的高效分类,仅需几层网络就能获得与深度网络相当甚至更好的结果。ZHENG等提出一种新的多光谱指数-红边疾病应激指数(REDSI),结合RF鉴别了冬小麦黄锈病的不同感染程度,准确度可达84.1%,kappa系数为0.76。随着人工智能的发展,基于遥感图像的计算机视觉与深度学习的学科交叉方法已成为目前农业遥感识别最热门的方向之一。

5 展望

经过几十年的发展,我国遥感技术逐渐成熟,但仍停留在科学研究层面,与指导生产、服务决策等目标仍有较远距离。我国目前的农业生产模式以个体化为主,农田信息复杂,从而大大制约了遥感技术的普及应用。因此,实现农业规模化生产,并充分利用遥感技术在农业方面的优势,对我国精准农业及农业可持续发展具有深远意义。

此外,具有成本效益的UAV正成为众多应用研究人员的常用工具之一,也是当前现代化农业发展的热门话题之一。UAV综合了地面遥感精度高和航天遥感范围广的优点,但其续航能力和有效载荷有限,会导致信息获取受限。与此同时,由UAV获取的遥感图像纹理失真较大,对特征的提取较为困难。因此,未来要加紧对农用UAV的开发研究。

地理空间人工智能是一门新兴的学科,其结合了空间科学、机器学习中的人工智能方法、数据挖掘和高性能计算,可从空间大数据中提取知识。新的学科推动了农田信息的持续获取、快速提取、处理分析、决策规划、资源管理、共享等各个方面的发展,地理空间人工智能是遥感技术未来的发展方向之一。

[1]汤旭光,宋开山,刘殿伟,等.基于可见/近红外反射光谱的大豆叶绿素含量估算方法比较[J].光谱学与光谱分析,2011,31(2):371-374.[2]乐源.基于光谱数据的植被重点参数反演方法研究[D].武汉:武汉大学,2014.[3]CHENG T,SONG R Z,LI D,et al.Spectroscopic estimation of biomass in canopy components of paddy rice using dry matter and chlorophyll indices[J].Remote Sensing,2017,9(4):319.[4]刘秀英.玉米生理参数及农田土壤信息高光谱监测模型研究[D].杨凌:西北农林科技大学,2016.[5]宫兆宁,赵雅莉,赵文吉,等.基于光谱指数的植物叶片叶绿素含量的估算模型[J].生态学报,2014,34(20):5736-5745.[6]田明璐.西北地区冬小麦生长状况高光谱遥感监测研究[D].杨凌:西北农林科技大学,2017.[7]NEU WIRTHO V A E,LHOTAKOVA Z,ALBRECHTOVA J.The effect of leaf stacking on leaf reflectance and vegetation indices measured by contact probe during the season[J].Sensors,2017,17(6).doi:10.3390/S17061202.[8]KONG W P,HUANG W J,CASA R,et al.OffNadir hyperspectral sensing for estimation of vertical profile of leaf chlorophyll content within wheat canopies[J].Sensors,2017,17(12).doi:10.3390/S17122711.[9]YAO X,WANG N,LIU Y,et al.Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery[J].Remote Sensing,2017,9(12):1304.[10]WANG L,CHANG Q R,YANG J,et al.Estimation of paddy rice leaf area index using machine learning methods based on hyperspectral data from multi-year experiments[J].PLoS One,2018,13(12):e0207624.[11]ROTH L,AASEN H,WALTER A,et al.Extracting leaf area index using viewing geometry effects:A new perspective on high-resolution unmanned aerial system photography[J].Isprs Journal of Photogrammetry and Remote Sensing,2018,141:161-175.[12]张东东.在线式图像的甘蔗长势无损监测研究[D].杭州:浙江大学,2017.[13]田明璐,班松涛,常庆瑞,等.基于低空无人机成像光谱仪影像估算棉花叶面积指数[J].农业工程学报,2016,32(21):102-108.[14]李岚涛,李静,明金,等.冬油菜叶面积指数高光谱监测最佳波宽与有效波段研究[J].农业机械学报,2018,49(2):156-165.[15]谭正,刘湘南,张晓倩,等.作物生长模型同化SAR数据模拟作物生物量时域变化特征[J].中国农学通报,2011,27(27):161-167.[16]YANG S X,FENG Q S,LIANG T G,et al.Modeling grassland above-ground biomass based on artificial neural network and remote sensing in the Three-River Headwaters Region[J].Remote Sensing of Environment,2018,204:448-455.[17]YUE J B,FENG H K,YANG G J,et al.A Comparison of regression techniques for estimation of above-ground winter wheat biomass using nearsurface spectroscopy[J].Remote Sensing,2018,10(1):66.[18]刘畅,杨贵军,李振海,等.融合无人机光谱信息与纹理信息的冬小麦生物量估测[J].中国农业科学,2018,51(16):3060-3073.[19]HAN D,YANG H,QIU C X,et al.Estimating wheat biomass from GF-3 data and a polarized water cloud model[J].Remote Sensing Letters,2019,10(3):234-243.[20]薛利红,罗卫红,曹卫星,等.作物水分和氮素光谱诊断研究进展[J].遥感学报,2003(1):73-80.[21]ZHAO B,DUAN A W,ATA-UL-KARIM S T,et al.Exploring new spectral bands and vegetation indices for estimating nitrogen nutrition index of summer maize[J].European Journal of Agronomy,2018,93:113-125.[22]CILIA C,PANIGADA C,ROSSINI M,et al.Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery[J].Remote Sensing,2014,6(7):6549-6565.[23]LIU X J,ZHANG K,ZHANG Z Y,et al.Canopy chlorophyll density based index for estimating nitrogen status and predicting grain yield in rice[J].Frontiers in Plant Science,2017,8:1829.[24]ATA-UL-KARIM S T,CAO Q,ZHU Y,et al.Nondestructive assessment of plant nitrogen parameters using leaf chlorophyll measurements in rice[J].Frontiers in Plant Science,2016,7:1829.[25]姚玉璧,张强,李耀辉,等.干旱灾害风险评估技术及其科学问题与展望[J].资源科学,2013,35(9):1884-1897.[26]CHANG S,WU B F,YAN N N,et al.A refined crop drought monitoring method based on the Chinese GF-1 wide field view data[J].Sensors,2018,18(4).doi:10.3390/s18041297.[27]ZHANG Q,LI Q,SINGH V P,et al.Nonparametric integrated agrometeorological drought monitoring:Model development and application[J].Journal of Geophysical Research-Atmospheres,2018,123(1):73-88.[28]ORTEGA-GOMEZ T,PEREZ-MARTIN M A,ESTRELA T.Improvement of the drought indicators system in the Jucar River Basin,Spain[J].Science of the Total Environment,2018,610:276-290.[29]李军玲,郭其乐,任丽伟.基于近地高光谱和环境星高光谱数据的冬小麦越冬冻害遥感监测方法研究[J].自然灾害学报,2017,26(2):53-63.[30]SHE B,HUANG J F,ZHANG D Y,et al.Assessing and characterizing oilseed rape freezing injury based on MODIS and MERIS data[J].International Journal of Agricultural and Biological Engineering,2017,10(3):143-157.[31]黄文江,张竞成,师越,等.作物病虫害遥感监测与预测研究进展[J].南京信息工程大学学报(自然科学版),2018,10(3):30-43.[32]CHEN D M,SHI Y Y,HUANG W J,et al.Mapping wheat rust based on high spatial resolution satellite imagery[J].Computers and Electronics in Agriculture,2018,152:109-116.[33]马慧琴,黄文江,景元书.遥感与气象数据结合预测小麦灌浆期白粉病[J].农业工程学报,2016,32(9):165-172.[34]SHI Y,HUANG W J,ZHOU X F.Evaluation of wavelet spectral features in pathological detection and discrimination of yellow rust and powdery mildew in winter wheat with hyperspectral reflectance data[J].Journal of Applied Remote Sensing,2017,11:026025.[35]CHEN T T,ZENG R,GUO W X,et al.Detection of stress in cotton(Gossypium hirsutum L.)caused by aphids using leaf level hyperspectral measurements[J].Sensors,2018,18(9).doi:10.3390/s18092798.[36]CHEN B,WANG G,LIU J D,et al.Extraction of photosynthetic parameters of cotton leaves under disease stress by hyperspectral remote sensing[J].Spectroscopy and Spectral Analysis,2018,38(6):1834-1838.[37]包云轩,李玉婷,王琳,等.基于多时相HJ卫星遥感影像的稻纵卷叶螟发生情况监测[J].中国农业气象,2016,37(4):464-470.[38]BAJWA S G,RUPE J C,MASON J.Soybean disease monitoring with leaf reflectance[J].Remote Sensing,2017,9(2):127.[39]PINEDA M,PEREZ-BUENO M L,PAREDES V,et al.Use of multicolour fluorescence imaging for diagnosis of bacterial and fungal infection on zucchini by implementing machine learning[J].Functional Plant Biology,2017,44(6):563-572.[40]AL-SADDIK H,LAYBROS A,BILLIOT B,et al.Using image texture and spectral reflectance analysis to detect yellowness and esca in grapevines at leaf-level[J].Remote Sensing,2018,10(4):618.[41]DUARTE-CARVAJALINO J M,ALZATE D F,RAMIREZ A A,et al.Evaluating late blight severity in potato crops using unmanned aerial vehicles and machine learning algorithms[J].Remote Sensing,2018,10(10):1513.[42]GONG Y,DUAN B,FANG S H,et al.Remote estimation of rapeseed yield with unmanned aerial vehicle(UAV)imaging and spectral mixture analysis[J].Plant Methods,2018,14:70.[43]BELLAKANJI A C,ZRIBI M,LILI-CHABAANE Z,et al.Forecasting of cereal yields in a semi-arid areausing the simple algorithm for yield estimation(SAFY)Agro-meteorological model combined with optical SPOT/HRV images[J].Sensors,2018,18(7).doi:10.3390/S18072138.[44]HE M Z,KIMBALL J S,MANETA M P,et al.Regional crop gross primary productivity and yield estimation using fused Landsat-MODIS data[J].Remote Sensing,2018,10(3):372.[45]王丽媛.遥感数据与作物模型同化的冬小麦估产研究[D].杭州:浙江大学:,2018.[46]谭昌伟.农业遥感技术[M].北京:中国农业出版社,2017.[47]LI D,CHENG T,JIA M,et al.PROCWT:Coupling PROSPECT with continuous wavelet transform to improve the retrieval of foliar chemistry from leaf bidirectional reflectance spectra[J].Remote Sensing of Environment,2018,206:1-14.[48]J A Y S,MAUPAS F,BENDOULA R,et al.Retrieving LAI,chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing:Comparison of vegetation indices and PROSAIL inversion for field phenotyping[J].Field Crops Research,2017,210:33-46.[49]YU Y,GONG Z Q,WANG C,et al.An unsupervised convolutional feature fusion network for deep representation of remote sensing images[J].Ieee Geoscience and Remote Sensing Letters,2018,15(1):23-27.[50]ZHENG Q,HUANG W J,CUA X M,et al.New spectral index for detecting wheat yellow rust using sentinel-2 multispectral imagery[J].Sensors,2018,18(3).doi:10.3390/S18030868.

Research Progress and Prospect of Agricultural Remote Sensing Technology

遥感技术具有监测范围大、获取信息快、无损监测的特点,是改变农业生产被动局面的有效手段。综述了近3年遥感技术在作物长势监测、作物灾害监测以及作物产量估测方面的研究进展,总结了农业遥感监测常用的反演与识别方法,并对我国农业发展模式和无人驾驶飞行器、地理空间人工智能的发展方向进行了展望。Remote sensing technology has the characteristics of large monitoring range, fast access to information and non-destructive monitoring, which is an effective means to change the passive situation of agricultural production. This paper reviews the research progress of remote sensing technology in crop growth monitoring, crop disaster monitoring and crop yield assessment in the past three years. The inversion and identification methods of agricultural remote sensing monitoring are summarized. It also prospects the agricultural development mode and the development direction of unmanned aerial vehicle and geospatial artificial intelligence in China.

分享到: