遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究.pdf

遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究 宋雪蓮1 張 文1 2 王普昶1 阮璽睿1 柳嘉佳1 王志偉1 張 威3 1 貴州省農(nóng)業(yè)科學(xué)院草業(yè)研究所 貴州貴陽 550006 2 貴州陽光草業(yè)科技有限責(zé)任公司 貴州貴陽 550006 3 貴州省水利水電勘測設(shè)計(jì)研究院有限公司 貴州貴陽 550002 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(xué)化水平 遙感具有遠(yuǎn)距離感 知 無損監(jiān)測的特點(diǎn) 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(jìn)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(jìn)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(yù)報(bào) 作物災(zāi)害損失評估與預(yù)報(bào)3個(gè)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(yù)報(bào) 評估 中圖分類號 S127 文獻(xiàn)標(biāo)識(shí)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(xué) 資源服務(wù) 標(biāo)識(shí)碼 OSID Research on Application of Remote Sensing Technology in W isdom Agriculture SONG Xue lian1 ZHANG W en1 2 W ANG 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 agricul ture 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 di rection of remote sensing application in smart agriculture are summarized Key words Remote sensing technology Wisdom agriculture Agricultural monitoring Yield forecast Assessment 基金項(xiàng)目 貴州省農(nóng)業(yè)科學(xué)院國家自然科學(xué)基金后補(bǔ)助項(xiàng)目 黔農(nóng)科 院國基后補(bǔ)助 2021 35號 貴州省科技計(jì)劃項(xiàng)目 黔科合 支撐 2018 2371 貴州省自然科學(xué)基金重點(diǎn)項(xiàng)目 黔科合 基礎(chǔ) 2018 1419 貴州省農(nóng)業(yè)科學(xué)院2021年院基本科研 業(yè)務(wù)發(fā)展專項(xiàng) 黔農(nóng)科院青年科技基金 2021 31號 作者簡介 宋雪蓮 1989 女 湖北隨州人 研究實(shí)習(xí)員 碩士 從事 遙感方面的研究 通信作者 副研究員 博士 從事遙感 方面的研究 收稿日期 2021 06 10 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(zhǔn)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(shí)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(jì)算機(jī)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(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的智能感知 分析和預(yù)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(yuǎn)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(dòng)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(jìn)入快速 發(fā)展階段 遙感技術(shù)在作物識(shí)別 長勢監(jiān)測 產(chǎn)量評估 病蟲害 防治 災(zāi)害監(jiān)測與預(yù)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(dòng)態(tài)監(jiān)測與質(zhì)量 促進(jìn)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(yuǎn)感知 是在不直接接觸的情況下 對目標(biāo)或 自然現(xiàn)象遠(yuǎn)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(xì)胞 葉綠 素 含水量等方面 這些差異導(dǎo)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 可 見光波段的光譜主要受各種色素的影響 葉綠素吸收藍(lán)紅 光 對綠光反射作用強(qiáng) 因而在0 45和0 67 m處為吸收 帶 在0 55 m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 m 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 m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(biāo) 從而進(jìn)行大面積快速的監(jiān)測 常用 的作物監(jiān)測指標(biāo)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(gè)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(jì)算組合而成 能對植被狀況進(jìn)行簡 單 有效和經(jīng)驗(yàn)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(diǎn) 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 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(jìn)行科學(xué)管理才能 安徽農(nóng)業(yè)科學(xué) J Anhui Agric Sci 2022 50 7 1 5 充分利用資源 一些研究采用多光譜影像進(jìn)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(jìn)行彩色合成 利用合成影像上各解 譯標(biāo)志的不同反映特性進(jìn)行作物識(shí)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(shí)間的生長 情況 在特定的生育期內(nèi) 不同作物的NDVI時(shí)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(shí)相植被指數(shù)曲線特征來進(jìn)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(shí)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(jìn)行了土地利用分類 并分析確定了主要農(nóng)作物 識(shí)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(jìn)行了分類 劉佳等 13 通過HJ 1A B衛(wèi)星CCD月度NDVI時(shí)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(jìn)行了農(nóng)作物分類識(shí)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(jìn)行圖像解 譯 李海杰等 14 采用國產(chǎn)GF 2影像 通過人機(jī)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(jìn)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(jìn)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(jìn)多元紋理和光譜 融合的遙感圖像分類方法進(jìn)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(xì)微差別 有效提高作物識(shí)別精度 應(yīng)用高 光譜進(jìn)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(jìn)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(jìn)行光譜角分類 2種尺度下的分類精度達(dá) 到86 以上 基于多維特征的分類不僅應(yīng)用了光譜信息 同 時(shí)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(jìn)行農(nóng)作物分類 分類精度達(dá)到 97 高光譜的海量多維的數(shù)據(jù)特點(diǎn)會(huì)造成數(shù)據(jù)冗余 計(jì)算 量過大 因而對降維后的數(shù)據(jù)進(jìn)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(jìn)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(jìn)行分類 張 悅等 20 利用K means聚類和ABS方法相結(jié)合進(jìn)行波段篩 選 并采用支持向量機(jī)對研究區(qū)的玉米草地進(jìn)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(jìn)行 特征提取 并采用最近鄰分類法對小麥玉米進(jìn)行了分類 分 類精度高達(dá)89 高光譜具有海量 高維度的數(shù)據(jù)特點(diǎn) 有 時(shí)采用單一的分類器進(jìn)行分類時(shí)會(huì)受到各種條件的限制 分 類精度欠佳 隨著集成學(xué)習(xí)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(jìn)行玉米 大豆 小麥等分類時(shí) 先將波段分為 若干組 對每組采用支持向量機(jī)分類 然后對所有組的輸出 再次采用支持向量機(jī)分類進(jìn)行最終的決策融合 精度達(dá)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(dòng)態(tài)集成算法 采用支持向量機(jī)等5個(gè)基分類器構(gòu)建多分 類器集合對AVIRIS高光譜影像進(jìn)行玉米 大豆等農(nóng)作物的 分類識(shí)別 因?yàn)槌上窭走_(dá)遙感具有全天候 全天時(shí)和穿透地物的特 點(diǎn) 能彌補(bǔ)光學(xué)遙感的不足 雷達(dá)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(diǎn)雷達(dá)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(biāo)的時(shí)域散 射特性 采用分區(qū)分類策略 對預(yù)處理后的多時(shí)相雷達(dá)數(shù)據(jù) 進(jìn)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(dǎo)致在不同頻率和極化的 合成孔徑雷達(dá)影像中表現(xiàn)出不同的特征 因此可以用雷達(dá)遙 感進(jìn)行農(nóng)作物的分類和識(shí)別 早期的雷達(dá)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(dá)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(dá)數(shù)據(jù) 其分類算法由常規(guī)的統(tǒng)計(jì)算法發(fā)展到機(jī)器學(xué)習(xí) 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(shí)別上 水稻較其他作物的介電常數(shù)比較高 因而雷 達(dá)對其比較敏感 而對旱地作物的識(shí)別與監(jiān)測研究以及復(fù)雜 種植結(jié)構(gòu)條件下的農(nóng)作物分類研究較少 同時(shí) 相對光學(xué)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(shí)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(xì)分類的要求 無人機(jī)遙 感機(jī)動(dòng)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(jī)技術(shù)的發(fā) 展 無人機(jī)遙感農(nóng)作物分類傳感器從早期的數(shù)碼相機(jī)向多光 譜 高光譜 雷達(dá)過渡 分類作物也從單一作物識(shí)別到多種作 物分類 現(xiàn)階段 利用無人機(jī)影像進(jìn)行農(nóng)作物分類的主要方 法是提取無人機(jī)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(jì)模式的分類算法或者機(jī)器學(xué)習(xí)算法進(jìn)行 分類 田振坤等 25 基于無人機(jī)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(jī) 神經(jīng)網(wǎng)絡(luò)等分 類方法對玉米 小麥等進(jìn)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(jī)器學(xué)習(xí) 2 安徽農(nóng)業(yè)科學(xué) 2022年 算法對棉花 玉米 苜蓿等作物進(jìn)行了分類識(shí)別 現(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(diǎn) 適用范圍也不一樣 因而在多種農(nóng)作物種植結(jié)構(gòu)復(fù)雜的地 區(qū) 由于分類不具有針對性致使分類精度較低 2 2 作物長勢監(jiān)測與產(chǎn)量預(yù)報(bào) 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(fù)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(biāo)進(jìn)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(jìn)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(biāo) 一些學(xué)者通過多年遙感資料的積 累 計(jì)算出常年同一時(shí)段的平均植被指數(shù) 利用當(dāng)年該時(shí)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(shí)間序列函數(shù)進(jìn)行了冬 小麥長勢動(dòng)態(tài)過程監(jiān)測 利用作物L(fēng)AI和植被指數(shù)進(jìn)行長 勢監(jiān)測和產(chǎn)量估測很大程度上受到時(shí)空條件的限制 并且年 際間變化也會(huì)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(jìn)行動(dòng)態(tài)模擬和預(yù)報(bào)成為國內(nèi)外 的研究熱點(diǎn) 宇振榮等 30 32 利用高分一號影像進(jìn)行LAI參 數(shù)反演 并集合ASSAT SUBTOR作物生長模型進(jìn)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(jìn)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(xué)者利用 高光譜遙感進(jìn)行作物長勢監(jiān)測 高光譜的窄波段能夠獲得 更為精細(xì)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(jì)回歸 機(jī)器學(xué)習(xí)等算法進(jìn) 行建模反演 34 37 2 3 作物災(zāi)害損失評估與預(yù)報(bào) 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(biāo) 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(jìn)而計(jì)算熱慣量 并結(jié) 合熱模型得到土壤水分 旱澇的發(fā)生會(huì)使作物產(chǎn)生明顯的 變化 進(jìn)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(jìn)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(qiáng) 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(yù)測預(yù)警 其中 監(jiān)測包含對不同病蟲害類型的區(qū)分識(shí)別和對單一病蟲 害發(fā)病程度的識(shí)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(shí)別模型 較多學(xué)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(jìn)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(biāo)對圖像進(jìn)行分割 然后通過對異常斑塊的面積 形狀 等進(jìn)行分析 有效識(shí)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(jìn)行了識(shí)別 在敏感特征提取后進(jìn)行建模識(shí)別不同病蟲害脅迫 常用的識(shí) 別模型為統(tǒng)計(jì)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(shí)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(xué)者利用人工智能算法進(jìn) 行病蟲害的監(jiān)測預(yù)測 黃林生等 47 利用BP神經(jīng)網(wǎng)絡(luò)對小 麥條銹病進(jìn)行了監(jiān)測 蔣龍泉等 48 提出一種基于SVM機(jī)器 學(xué)習(xí)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(qiáng)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(dǎo)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(biāo)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(biāo) 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(huì) 失水失綠 其生理生化指標(biāo)會(huì)有所變化 導(dǎo)致近紅外和紅光 處光譜的變化 從而導(dǎo)致植被指數(shù)的變化 因此 通過作物相 關(guān)生化指標(biāo)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(lán)邊面積和紅邊面積作為監(jiān)測指標(biāo)能很好地進(jìn)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(biāo) 有效地進(jìn)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(jìn)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(zhǔn)分區(qū)管理 土壤理化性質(zhì)監(jiān)測等 3 1 農(nóng)田精準(zhǔn)管理分區(qū) 精準(zhǔn)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(jìn)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(jìn)行分區(qū) 基于農(nóng)作物長勢和營養(yǎng)診斷指標(biāo)進(jìn)行分區(qū) 基于多年的產(chǎn)量 數(shù)據(jù)進(jìn)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 350卷7期 宋雪蓮等 遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究 面向?qū)ο蠓指詈涂臻g統(tǒng)計(jì)分析方法 對典型黑土區(qū)田塊進(jìn)行 精準(zhǔn)管理分區(qū) 現(xiàn)有的田塊精準(zhǔn)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(jìn)行田塊分區(qū) 劉 煥軍等 55 利用spot 6影像提取NDVI 并插值計(jì)算土壤有機(jī) 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(jìn)行田 塊分區(qū) 結(jié)果表明 結(jié)合4期NDVI數(shù)據(jù)進(jìn)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(yù)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(yù)測圖 通過產(chǎn)量預(yù)測圖進(jìn)行分區(qū)管 理 通過遙感分區(qū)管理可精準(zhǔn)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(hù)和耕地產(chǎn)能提 高具有重要的意義 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(biāo)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(jī)質(zhì)全氮 全磷等含量進(jìn)行了遙 感估算 對有機(jī)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(xì)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(dāng)中 Selige等 57 采用機(jī)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(jìn)行了估算 Lu等 58 利用實(shí)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(jī)質(zhì) 全氮 pH值預(yù)測模型 氮 磷 鉀等營養(yǎng)元素的缺乏 會(huì)導(dǎo)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(jì)算了土 壤需氮量 從而計(jì)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(xué)特性不同 從而土壤的溫度也會(huì) 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(jìn)行土壤含水量監(jiān)測 對于裸土區(qū) 常用經(jīng)驗(yàn) 半經(jīng)驗(yàn) 模型 幾何光學(xué)模型 物理光學(xué)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(xué)遙感各有優(yōu)缺 點(diǎn) 近年來 利用微波與光學(xué)遙感協(xié)同反演土壤含水量成為 研究熱點(diǎn) 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(jìn)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(jìn)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(jìn)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(dá)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(jìn) 行農(nóng)作物監(jiān)測時(shí)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(shí)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(shí)間內(nèi)獲取的光學(xué)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(tái) 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(shí)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(xùn)即可快速掌握 應(yīng)用于實(shí)際生產(chǎn)實(shí)踐中 4 結(jié)合遙感的農(nóng)業(yè)預(yù)測預(yù)報(bào)能力需進(jìn)一步加強(qiáng) 農(nóng)田 信息的管理優(yōu)化不僅需要實(shí)時(shí)監(jiān)測 還需要對未來一段時(shí)間 內(nèi)所可能出現(xiàn)情況的預(yù)測 現(xiàn)有的遙感農(nóng)業(yè)應(yīng)用大多是過 去一段時(shí)間的數(shù)據(jù)或者實(shí)時(shí)的數(shù)據(jù) 需要結(jié)合作物模型 通 過未來預(yù)報(bào)的氣象數(shù)據(jù)來預(yù)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(yù)測預(yù)報(bào)能力 在此基礎(chǔ)上梳理技術(shù)流 程 進(jìn)行系統(tǒng)化開發(fā) 建成智能化信息服務(wù)平臺(tái) 精度的提 高首先要從改進(jìn)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(xué)習(xí)等應(yīng)用到算法優(yōu)化中去 同時(shí)要開展全 面的驗(yàn)證與精度評價(jià) 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(yù)報(bào)能力的基礎(chǔ)上 建立智能化信息服務(wù)平臺(tái) 實(shí)現(xiàn)農(nóng)田 的智能化管理 并進(jìn)行應(yīng)用與示范 在示范的同時(shí) 開展地面 觀測 對監(jiān)測專題產(chǎn)品開展驗(yàn)證和精度評價(jià) 參考文獻(xiàn) 1 孫家抦 遙感原理與應(yīng)用 M 2版 武漢 武漢大學(xué)出版社 2009 68 69 2 張佳華 杜育璋 劉學(xué)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(jìn)展 J 光譜學(xué)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(xué)報(bào) 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(xué)報(bào) 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(dòng)態(tài)變化及二者關(guān)系 研究 D 重慶 西南大學(xué) 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(dòng)態(tài)變化分 析 J 山東師大學(xué)報(bào) 自然科學(xué)版 2004 4 50 52 8 張榮群 王盛安 高萬林 等 基于時(shí)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(jī)械學(xué)報(bào) 2015 46 S1 246 252 4 安徽農(nóng)業(yè)科學(xué) 2022年 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(xué)報(bào) 2017 33 11 147 156 13 劉佳 王利民 楊福剛 等 基于HJ時(shí)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(xué)報(bào) 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(xué) 2020 12 105 110 15 馬尚杰 裴志遠(yuǎn) 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(xué)報(bào) 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(shí)別 以格爾木市為例 D 北京 中國地質(zhì)大學(xué) 北京 2018 18 RAO N R Development of a crop specific spectral library and discrimina tion 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 hyperspec tral image based on kernel extreme learning machine J Remote sens ing 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 al gorithm for hyperspectral imagery classification C 2010 IEE interna tional geoscience remote sensing symposium Honolulu HI USA IEEE 2010 22 CEAMANOS X WASKE B BENEDIKTSSON J A et al A classifier en semble based on fusion of support vector machines for classifying hyper spectral 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(dòng)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(xué)報(bào) 2004 20 6 133 137 25 田振坤 傅鶯鶯 劉素紅 等 基于無人機(jī)低空遙感的農(nóng)作物快速分類 方法 J 農(nóng)業(yè)工程學(xué)報(bào) 2013 29 7 109 116 26 戴建國 張國順 郭鵬 等 基于無人機(jī)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(xué)報(bào) 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(xué)報(bào) 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(xué) 報(bào) 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(xué) 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(yù)報(bào) J 中國農(nóng)業(yè)大學(xué)學(xué)報(bào) 2003 8 S1 71 75 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(xué)院 2019 32 MUHAMMED H H LARSOLLE A Feature vector based analysis of hy perspectral 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(dòng)態(tài)監(jiān)測 D 北京 中國地質(zhì)大學(xué) 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 Inter national journal of applied earth observations geoinformation 2010 12 S52 S57 35 YAO X ZHU Y TIAN Y C et al Exploring hyperspectral bands and esti mation 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 con centration in winter wheat by canopy hyperspectral data and nitrogen ver tical distribution J Journal of integrative agriculture 2019 18 7 1562 1570 38 鮑艷松 劉良云 王紀(jì)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(xué)報(bào) 2006 10 2 263 271 39 李衛(wèi)國 作物旱澇災(zāi)情遙感監(jiān)測進(jìn)展與思考 J 江蘇農(nóng)業(yè)學(xué)報(bào) 2013 29 6 1503 1506 40 HUANG W J GUAN Q S LUO J H et al N