农业遥感技术助力智慧农业发展*

孟 冉，周龙飞，徐 乐，吕振刚，徐斌元，刘婷婷，曾小茜，廖益贵

（1.华中农业大学 资源与环境学院，湖北 武汉 430070；2.华中农业大学 作物遗传改良国家重点实验室,湖北 武汉 430070；3.湖北洪山实验室,湖北 武汉 430070；4.华中农业大学 植物科学技术学院，湖北 武汉 430070；5.华中农业大学 交叉科学研究院，湖北 武汉 430070）

智慧农业是农业信息化发展的智能化形态，是我国农业高质量发展的重要内容，对“全面推进乡村振兴，加快农业农村现代化”意义重大[1-3]。一般来说，智慧农业以信息和知识为核心要素，通过信息技术、智能装备与农业生产的深度融合，实现“农业生产全过程的信息感知、定量决策、智能控制、精准投入、个性化服务”[1，3]。农业遥感技术是智慧农业的关键核心技术之一，对实现农业生产全过程的信息感知和定量决策等至关重要[4-8]。遥感技术可在不同电磁谱段内周期性地收集农情信息，与传统的农情信息收集方法相比，具有成本低、时效高、宏观、定量等优点[6，8-9]。特别是近些年来，伴随着物联网、云计算等现代信息技术的发展[10-11]，农业遥感技术的时空谱分辨率及所能提供农情信息的精度和丰度显著提高[4，6，9]，在作物制图、病虫害监测预警、杂草控制、作物关键理化参数反演和产量监测预测等领域得到广泛而成功的应用[5-6，8]。本文在此搜集了相关研究文献，梳理了农业遥感技术在这些方面的研究进展，总结了农业遥感技术服务于智慧农业所遇到的瓶颈，并展望了未来农业遥感技术的发展方向和趋势。

1 作物识别与制图

作物识别与制图是产量和病虫害监测预测以及种植结构分析和调整的基础数据，是了解作物生产力和粮食安全的一项重要途径[12]。因此，及时、准确地监测农作物的种植种类及面积对国家粮食安全与管理具有重要意义[13]。在过去几十年中，农业遥感技术因其可以及时提供准确和宏观的作物信息，在作物识别和制图领域作出了重大的贡献[14]。许多遥感数据，包括光学和合成孔径雷达（Synthetic Aperture Radar,SAR）数据（如 Sentinel、Landsat、MODIS 和 GF 等），已被广泛用于农作物识别和制图研究[15]。基于遥感光学数据区分作物的基础是不同作物以及同一作物不同生长阶段在光谱波段上的反射率差异[16-17]，但由于作物种植的多样性，以及云污染导致的数据采集局限性[18-19]，使得利用单一光学传感器数据进行作物制图时，难以达到理想精度[15]。光学和SAR数据的融合是目前作物识别和制图的发展方向，例如，研究者结合GF-1和Sentinel-2光学数据并基于离散网络和机器学习的方法，估算了大范围的作物面积[12]，结合Sentinel-2和Sentinel-1 SAR及数字地形数据，实现了更准确的早期作物（大豆、玉米、水稻）预测制图[20]。采用深度学习方法，利用多时相Sentinel-1 SAR以及Sentinel-2数据的光谱信息，实现对10种不同作物类型的制图[21]。随着遥感技术日益成熟和人工智能算法的发展，更高的时空谱分辨率的遥感数据和更先进的分类算法相结合，将获得更精确的作物制图结果。此外，在播种早期对作物进行识别和预测也是未来作物识别和制图发展的重要方向[22]。

2 病虫害监测

在农业生产的过程中，作物病虫害常常会造成巨大的产量及经济损失，严重威胁着粮食安全[23-24]。仅在2019年，全球主要粮食作物因病虫害导致的损失分别为：小麦21.5%，玉米22.6%，水稻30.0%，大豆21.4%[25]。为了防治病虫害，人们大量施用农药，造成了严重的环境污染[26-27]。对作物病虫害进行精准高效地监测，尤其是在早期阶段，可以指导精准施药和有效遏抑病虫害的传播，减少产量和经济损失[24，28]。作为目前唯一可以实现连续、高效、重复的对地观测的手段，遥感技术在病虫害监测方面表现出巨大的优势。植物在病虫害胁迫下其生理生化特征将发生变化，如细胞结构、色素含量和含水量，而这些特征决定了植被在不同波长下的光谱反射率（色素：可见光；细胞结构：近红外；含水量：短波红外），这就为利用遥感进行植被病虫害的监测提供了物理基础[24，29]。基于敏感的光谱特征，专家们在不同尺度条件下实现了对作物病虫害的监测，包括叶片尺度[30-31]，冠层尺度[32-33]和田块尺度[34-35]。但是，病虫害侵染农作物是一个复杂的过程，在这一过程中其多种生理生化特征将发生一系列的变化，给我们的监测工作带来了巨大的挑战[24，36]。遥感技术利用集合多种敏感光谱特征的方法能够有效地揭示复杂的病虫害侵染过程，因而在病虫害监测领域日益受到人们的关注。例如，结合敏感的热红外、高光谱和叶绿素荧光特征，可以在肉眼可见之前准确检测出橄榄树的苛养木杆茵侵染[37]；结合敏感的光谱指数，波长和小波特征可以有效地探测稻瘟病从无症状到轻微感染阶段的特征变化[36]；结合植被指数、角度指数和导数特征能够更好地探测云杉在受到树皮甲虫侵染早期的活力损失[38]；结合敏感的纹理和光谱特征可以有效提高冬小麦条锈病的烈度分类精度[39]。简而言之，随着遥感技术的发展（如无人机和无人车技术）[40]，多源的遥感数据获取将会变得更加高效，基于多种类型的遥感特征进行作物病虫害的监测预测，将会是未来作物病虫害遥感监测最具潜力的发展方向。

3 杂草监测

杂草作为农田生态系统中的主要胁迫之一，严重威胁世界粮食安全[41]。在作物生长过程中，杂草与作物幼苗竞争水分、土壤养分、光照和生长空间，影响作物幼苗的正常生长，导致作物产量和质量严重下降[42]。传统的化学除草法通过大面积喷洒除草剂防止草害的发生与扩散，不仅会在作物表面和土壤中残留大量的化学药剂，危害人类与环境的健康，而且容易使作物对除草剂产生抗性，会造成额外的经济损失[43-44]。因此，对杂草进行精准识别将有助于农民采取更有效的、可持续的田间杂草管理方法，同时防止作物病虫害的发生[45]。遥感技术具有经济、高效和重复观测等特点，在杂草监测领域表现出了巨大的潜力。已有研究证明，光谱反射率数据可以区分田间作物和杂草，尤其是高光谱数据[46-48]。然而，当作物与杂草光谱差异不明显时，或者受水分、病害和生育期的影响，对田间杂草的识别能力会受到限制[49-50]。而融合光谱、纹理和结构等多源遥感数据能够有效地弥补光谱数据的不足，提升对田间杂草的识别精度。例如，结合光谱、形状和纹理特征可以有效地区分玉米和杂草[51]；基于地面激光雷达获取的结构特征识别玉米田间杂草[52]；融合光谱、形状、结构和纹理特征可以精准区分行栽作物和阔叶杂草[44]。目前，基于遥感技术的杂草监测与管理还面临多个挑战，包括早期杂草识别、杂草分类和杂草精细化管理等方面。而随着无人机、无人车技术的不断发展，进行多传感器集成、多分辨率数据融合以及热红外等新兴传感器的应用，将为解决以上问题提供新的思路。

4 作物关键理化参数反演

作物理化参数是对植株长势监测的重要指标，快速、准确的作物关键理化参数反演对作物长势监测和田间管理意义重大[53]。作物在结构和组成成分的不同会表现出差异性的光谱反射和辐射特性，从而形成具有诊断意义的遥感特征[6，53]。目前，针对生物量、叶面积指数和叶绿素含量等与作物长势、产量相关的作物理化参数遥感反演研究在过去几十年取得了一系列进展[6]。

生物量是农艺学家和育种家评价植株长势和产量表现的重要指标。在农学领域，一般通过人工破坏性取样后烘干、称量测定后的作物称为生物量。这种测量方式效率低，并且通过抽样方式获取的生物量数据无法精准代表大部分田间的全部状况。近年来，遥感技术的快速发展为作物生物量的测量提供了一种高效无损、宏观监测的解决思路。目前，已有搭载无人机和卫星平台的多光谱、高光谱、热红外和雷达传感器用于作物生物量反演[54-55]。低空无人机遥感能够获取高时空分辨率的光谱数据，常用于监测田块尺度的生物量[56-57]，然而在作物群体“封行后”植被指数对生物量的反演精度则会降低，容易出现“过饱和”现象[58-59]。研究者利用无人机多角度成像或三维激光扫描等技术可重建三维点云，获取作物冠层株高和体积，用以结合植被指数可有效降低光谱的“过饱和”现象的影响，提高对农作物生物量反演的鲁棒性[60-63]。同时，随着 ICESat2、BIOMASS、ALOS PALSAR等新卫星项目的推进[60，64]，近地无人机及激光扫描仪与卫星遥感技术的结合，正逐渐成为区域尺度农作物生物量监测的新手段。

作为评估作物健康状况的重要指标之一，叶绿素含量（Leaf Chlorophyll Content，LCC）对指导作物生长管理、评价作物光合作用能力、健康状况等具有积极作用。遥感应用于作物叶绿素含量提取的原理在于植被叶片在不同波段具有不同的反射特点：在可见光波段，影响叶片反射率的主要因素为叶片色素，如叶绿素a、叶绿素b及β胡萝卜素等，而在近红外波段，则是细胞构造如海绵状叶肉细胞间的散射影响叶片反射率，在中红外波段，影响叶片反射率的主要因素变成了叶片含水量。叶片色素含量、细胞结构和叶片含水量随着作物生长状态、健康状态的变化而变化，进而引起叶片反射率的变化[65-66]，这就为遥感技术监测作物生长状态、生化参数反演等提供了依据。遥感估算叶绿素含量通常有以下方法[67-68]：（1）经验模型方法，如线性回归、机器学习等，经验模型计算简单、所需变量较少；（2）物理模型方法，如辐射传输模型[69-70]、物理模型具有明确的物理意义，不受时间地点限制，具有较好的稳定性。除此之外，遥感数据源也是影响叶绿素含量反演的重要因素。近年来，由于高光谱连续的窄带包含对特定作物参数敏感的波段，因此已广泛用于作物叶绿素含量反演[71-74]。由于高空间、时间分辨率对于准确及时估计作物参数十分重要，因此无人机平台的遥感数据正在逐渐成为叶绿素含量估计的重要数据源[75-76]，并取得了显著的成果。

叶面积指数（Leaf Area Index,LAI）与作物的生长状况、生理活动、产量形成密切相关[77-78]，而传统地面直接或间接的测量方法难以在大尺度上获得空间上连续的田间LAI分布图[79]，无法满足智慧农业的需求。农业遥感技术为获取时空连续的田间LAI分布图提供了便捷、有效、低成本的方法，其基本原理是不同的植被冠层结构会影响光在冠层中的传播，可通过分析冠层反射光谱的特征来反演LAI[80]。目前这方面的研究已在不同平台、不同类型与来源的传感器数据上开展。基于卫星平台中低分辨率影像的LAI反演可以快速获取区域乃至全球的作物LAI分布图[81]，因此被广泛用于宏观政治经济决策中。而高分辨率的卫星平台[82]及低空航空器平台[83-85]数据则可获取田间尺度的LAI分布图，用于作物长势监测、病虫草害和水肥的诊断。不同光谱波段对冠层结构的敏感性不同，也容易出现“饱和”现象，而添加多源遥感的纹理等特征则能够有效缓解“饱和”现象[86]。此外，主动激光雷达遥感技术具有穿透性强的特点，可高效率刻地刻画植株的3D结构[87]，在LAI反演领域的应用越来越广泛。

5 农业产量监测预测

作物产量事关国民生活水平和国家粮食安全，是不容忽视的重要问题。快速、准确地估测作物产量，不但能够及时掌握农情信息，而且有利于对市场风险的管理，对于国家粮食安全政策的制定具有重要意义[88-89]。传统作物产量测产主要依赖于田间实地随机破坏性取样调查或者使用农艺学和气象学知识结合统计分析的方法进行产量估算，然而这些方式费时费力、工作量大，且成本高、时效性差，无法满足智慧农业对农情信息的需求[90-92]。遥感技术具有快速无损、准确有效、大范围监测的优点，已成为作物估产的重要方式，其原理是根据作物的生理生化特性建立光谱特征和产量之间的关系。目前来自不同传感器平台（无人机[93-96]、卫星[97-98]）的多种类型遥感数据（RGB[95]、多光谱[99]、高光谱[100]、热红外[101]、SAR[102]）已成为作物估产的主要数据源，不同数据及其组合被广泛应用于产量预测。然而单独使用遥感数据获得的光谱信息具有一定的局限性，作物生长模型可以动态模拟作物生长发育过程，不同类型的遥感数据结合作物生长模型（WOFOST 模型[103]、Aqua Crop模型[104]、DSSAT 模型[105]等）为产量预测提供新的思路[106]。考虑到遥感估产的精度要求，选择合适的方法用于产量建模也很重要，机器学习（PLSR[107]、RF[108]、SVM[109]等）和深度学习[110]越来越多地被用于遥感估产建模，并显著提高了遥感估产能力[111-113]。总的来说，随着遥感技术的发展，遥感数据源多元化趋势的出现以及作物生长模型和模型方法的优化，将会为遥感估产提供更加可靠的信息技术支撑，合适的“遥感数据-作物生长模型-模型方法”的组合将会成为未来作物产量监测预测方向研究的发展方向。

6 总结和展望

近几十年来，农业遥感技术虽然有了长足发展，但是制约其高效服务于智慧农业的瓶颈依然存在。首先，目前农业遥感技术的监测应用多在于实时或已发生的农情信息的提供上，但农田生产管理优化不但需要“现势”信息，更需要预测预报的农情信息[9]。农业遥感中的高光谱技术可进行病虫害肉眼可见的短期预报[24，36]，而中长期预测预报则需要结合气象预报或遥感数据驱动作物模型[106]，进行病虫害、作物产量或品质等的预测。其次，仍需加强农业遥感的基础研究，进一步提高模型的精度和实用性。近些年来随着日光诱导叶绿素荧光、成像高光谱及热红外等新型传感器的发射升空，更高时空谱分辨率、多模态的卫星遥感数据的可得性越来越高，为更高精度的农田水分胁迫、产量、病虫害、碳源、碳汇等的遥感监测预报提供了可能[114]。但目前对农业遥感监测机理的研究仍需进一步加强，突出表现在模型的鲁棒性和迁移性较弱，不能满足智慧农业中的智能感知，辅助智慧决策的实际需求[8-9，115]。此外，深度学习等人工智能技术的发展正在改变研究范式，但深度学习算法在基于遥感多模态数据的农情信息智能提取、管理决策等方面的潜力仍有待深入发掘，以推动农业遥感技术在智慧农业领域的进一步推广和应用[6，21]。再次，目前仍然缺乏农业遥感技术在智慧农业中推广的统一平台和技术标准。目前农业遥感技术在智慧农业的研究主要集中在理论和方法层面，缺乏面向农业生产的推广平台和技术标准，制约了农业遥感技术的应用和价值创造[6，9]。