光学遥感技术在农情监测中的应用与展望

摘要：光学遥感技术是“生态—环境—资源”领域的新兴研究手段之一，具有实时性好、覆盖面积大、获取成本低等优势，正朝着高精度、高时空分辨率和高光谱分辨率的方向发展。近年来，我国农业遥感领域的研究与应用取得长足进步，在核心技术上不断突破壁垒，逐渐实现农情数据的自主可控。介绍国内外农业遥感技术的发展现状，针对作物遗传育种、田间管理和产量预测的应用需求，分析在植物表型、生物量和农田小气候模型等方面开展遥感监测的必要性，归纳和总结近15年来基于4种关键光学定量遥感技术（激光雷达技术、光谱分析技术、红外成像技术和可见光检测技术）的农情监测应用与研究，并对其中存在的精度、效率、成本等问题进行分析。提出目前农业遥感技术亟需提高、农业遥感应用网络建设不完善、农业遥感数据利用不充分等问题，以及提高遥感核心技术水平和遥感数据利用率，完善农业遥感应用网络建设，拓宽农业遥感应用场景等发展趋势。

关键词：智慧农业；遥感技术；农情监测；光电技术；发展趋势

中图分类号：S127""""" 文献标识码：A""""" 文章编号：2095‑5553 （2025） 02‑0199‑08

Application and prospect of optical remote sensing technology in agricultural monitoring

Ning An1， Ren Miaomiao1， Jiang Shan1， Yu Longbao1， Wang Yanfei1， Zhang Shuai2

（1. Anhui Universities Joint Key Laboratory of Photoelectric Detection Science and Technology， Hefei Normal University， Hefei， 230601， China; 2. Hefei CAS GBo‑Qua. Technology Co.， Ltd.， Hefei， 230061， China）

Abstract： Optical remote sensing technology is one of the emerging research methods" in the field of “ecology， environment and resources”， with the advantages of good real‑time， large coverage area and low acquisition cost. It is heading towards the direction of high precision， high spatio‑temporal resolution and high spectral resolution. In recent years， China has made great progress in the field of research and application of agricultural remote sensing， and has continuously broken through the barriers in the core technology，" and has gradually realized the autonomous control of agricultural data. First of all， the development status of agricultural remote sensing technology at home and abroad" was introduced. Then， the necessity of remote sensing monitoring in" plant phenotype， biomass and farmland microclimate model was analyzed according to the application requirements of genetic breeding， field management and grain production prediction. At last， the application and research" of agricultural monitoring based on the four key optical quantitative remote sensing technologies （laser radar technology， spectral analysis technology， infrared imaging technology and visible light detection technology） in the past 15 years was summarized and analyzed， and the existing problems such as accuracy， efficiency and cost were also analyzed. It is pointed out that there exist issues such as the urgent need to improve agricultural remote sensing technology， the incomplete construction of the agricultural remote sensing application network， and the insufficient utilization of agricultural remote sensing data at present. It can be proposed that improving the level of remote sensing technology， enhancing the utilization rate of remote sensing data， completing the construction of agricultural remote sensing application network， broadening the application scenarios of agricultural remote sensing.

Keywords： intelligent agriculture; remote sensing technology; agricultural monitoring; photoelectric technology; developing trend

收稿日期：2023年5月22日""""""" 修回日期：2023年7月13日

∗ 基金项目：“十四五”国家重点研发计划项目（2023YFD1901005）；作物抗逆育种与减灾国家地方联合工程实验室开放基金（NELCOF20210101）；安徽省高校自然科学研究重点项目（2023AH051290）

第一作者：宁岸，男，2002年生，安徽池州人，硕士研究生；研究方向为光电探测。Email： 1290404368@qq.com

通讯作者：蒋杉，男，1985年生，合肥人，博士，副教授；研究方向为激光遥感与智能控制。Email： sjiang@hfnu.edu.cn

0 引言

粮食安全始终是关系我国国民经济发展、社会稳定和国家自立的全局性重大战略问题，一直以来备受政府的高度重视[1]。农业产业也是主要的碳排放源之一，碳排放量占全球人为排放总量的23%[2]，但同时又具有吸收并储存大气中二氧化碳的能力，形成工业和城市领域无法比拟的碳汇源。《“十四五”全国农业绿色发展规划》中指出，将挖掘科学测算农业减排固碳潜力并建设相应监测评估体系。因此，大力发展智慧农业，开展规模化农业生产对于实现粮食安全和“双碳”愿景都具有重要意义。在全球农业现代化发展背景下，智慧农业信息服务成为高效农业生产的重要支撑，是“十四五”时期乃至2035年我国农业高质量发展的重要内容，针对我国农田地块零散化、农业机械化水平不高、智慧农业技术有效供给不足等问题，未来智慧农业的发展亟需在技术攻关、应用示范、政策试验和社会试验等方面共同发力[3]。智慧农业强调多种先进技术与农机农艺融合应用，构建和提高机器装备对农业生产各环节的智能化操控水平[4]。传统农情监测方法主要通过人工破坏性取样结合手工测量来获取相关的农学指标，存在劳动强度大、效率低下、主观性强等缺点，无法满足精细化农业管理的需求。随着农村劳动力人口向城市的大量转移，传统的农情监测方法已不可能大面积实施，亟需发展精准高效的农情遥感技术。遥感技术具有大尺度、高分辨率和实时性好等优点，不仅是实现农业现代化发展的基本保障，且满足农业生产管理的实际需求，符合国家战略层面的总体布局[5]。早在19世纪中期，欧美发达国家开始在农业遥感领域探索研究，获取农情信息的手段多、信息量大，并且受条件的限制少，服务于农业实际生产指导，同时为全球粮食贸易提供了重要的信息[6]。而我国农业遥感技术的研究起步较晚，在遥感器件、人才培养、应用普及等方面都相对滞后。随着检测技术、控制技术和信息技术的交叉融合，光学和电子学元件的大量国产化，遥感设备逐渐成熟并进入到市场化应用阶段。近年来，随着国内外对粮食安全和“双碳”政策的持续关注，全周期的农情监测技术已成为智慧农业领域研究的重点和热点，遥感技术在农业领域迎来了高速的发展。

本文基于4种关键遥感技术：激光雷达技术、光谱分析技术、红外成像技术、可见光检测技术，针对农作物表型监测、生物量监测和农田小气候模型构建等研究进行综述，探讨光学遥感在农业领域的应用现状，最后总结现存问题。

1 农情遥感发展概况

自1993年开始，欧盟倡导各成员国采用遥感手段，对农户申请补贴的地块种植情况进行核查，确保农业补贴正确发放，到2014年遥感核查方法列入Common Agricultural Policy（CAP）条款强制应用[7]。在植物表型的研究中，澳大利亚的两个表型研究平台已成功应用于谷物盐胁迫[8]、植物抗旱性[9]、抗毒性[10]、高通量谷物生物量精准建模[11]等研究中。在同期发展的环境传感、非侵入式成像、反射光谱及传送控制技术等也被应用到田间表型采集中，主要应用于田间作物生长的表型性状采集分析及产量预测[12]。此后，美国农业部“USDA-Strategic-Plan-2018-2022”中，突出了遥感技术与多种新兴技术在农业中的应用。由此可见，国外基于遥感技术在农情监测的研究已达到了很高的水平。

相对于国外成熟的农业遥感技术体系，我国在该领域起步较晚，开始主要应用航空摄影技术进行大尺度观测，至90年代后期进入监测应用阶段和全面深化研究。中国科学院、中国气象局和农业农村部等单位陆续对重要产粮区玉米、大豆、小麦和水稻等作物进行长势监测和产量估算，为国家和部门决策提供了重要可靠参考信息[13， 14]。同期我国大力开展国际合作与研究，2014年中国农业科学院引进了“Scanalyzer"3D”成像系统，构建了可获得50多个表型参数的植物表型组学研究平台，实现综合评价植株状况。农业遥感数据的重要性日益凸显，各地开始建立地方遥感中心，大力普及遥感数据应用。面对遥感技术快速发展及产业化应用需求，2008成立了全国遥感技术标准化技术委员会，负责全国遥感技术领域标准化技术归口工作，主要涉及遥感器研制、对地观测数据数传与接收、定标与真实性检验、遥感试验等领域的标准化工作[15]。

与国外发达国家相比，我国农业现代化在遥感技术支撑方面还比较滞后，农业数字化水平较低，农业空间信息应用较少。我国是世界农业大国，此类问题尤为显著，随着国内专家学者不断地深入研究，在设备研发、算法设计、模型构建等核心技术上逐步突破限制，自主遥感数据的研究逐渐增加，文章的水平和数量不断得到提高。

2 农情遥感面临的需求及挑战

2.1 农情遥感功能需求

作物信息的快速获取与解析是开展智慧农业和精准农业实践的前提和基础，是突破制约我国现代农业应用发展瓶颈的关键。在田间信息获取上，大尺度遥感技术优势明显，基于此技术，农情研究中较为突出的是对植物表型、生物量以及农田小气候等进行监测，这对植物生长发育状况的监测、种间竞争的机理以及植物受环境条件影响程度等研究具有重要意义。

2.1.1 作物表型遥感需求

作物表型是由基因型和环境因素交互影响所决定的植物形态、颜色、结构等特征的外在表现。其主要参数有叶面积指数、株高、茎粗和叶倾角等，这些特征的监测对农作物生长发育、遗传育种等过程的研究具有很大作用。在生长过程中体现出来的结构与外形的变化，能反映植被光合作用、呼吸作用、蒸腾作用等诸多生理过程，对了解植物的生长发育状况有着十分重要的意义[16]。20世纪末，植物表型的收集和分析在表型学阶段得到广泛重视，植物表型研究的核心是获取高质、海量和可重复的性状数据，量化基因因子与环境因素的交互作用及其对作物产量、品质、抗逆性等生产指标的影响。

2.1.2 生物量遥感需求

作物生物量是指单位面积作物累积物质的质量，是农业生态系统获取能量能力的集中体现，也是衡量农业生产力的重要指标，对生态系统结构和功能的形成具有十分重要的作用。作物生物量的主要特性参数有叶绿素、氮素和蛋白质等，对其精确估算有助于掌握气候变化与农田生态系统相互间的反馈作用，是实现作物精准水肥管理、产量监测和病害预报的重要参考依据[17]。除此之外，生物量信息还对国家有效指导农业生产、保障国家粮食安全和促进农业可持续发展等基础研究均有巨大的应用价值。因此，精确、实时、便捷的作物生物量监测是智慧农业发展的关键数据支持。

2.1.3 农田小气候遥感需求

农田小气候监测为农作物的生长发育提供了稳定的基础，其主要参数有土壤含水量、土壤盐分、气温、地形等。农田小气候监测是建设高标准农田的重要技术措施之一，可显著提高田间管理效率，从而实现减灾增产。近年来，我国设施作物栽培依赖大肥、大水来提高产量的现象依然普遍存在，在节水节肥性能方面，我国日光温室缺点明显，仅为30%～35%的氮素利用率[18]，明显低于发达国家50%～60%的水平，且土地利用率只有50%。获取有效的农田小气候数据，可对土地利用率、农作物产量和水肥管理等农业生产过程提供技术支撑。

2.2 农情监测面临挑战

传统手工测量一直是农情信息收集的主要手段之一，但无法满足测量工作中高效获取数据的需求。表型测量受农作物生产周期的限制，很难对大批量样本的生长进行测量，数据的质量受人工主观因素影响也较大。人工测量表型参数时，只能在特定时间或生长阶段对植株进行破坏性测量，而植物的生长发育是一个繁杂多变的动态过程，易受基因、环境和人为等因素的调控与影响，无法对同一株植株进行连续测量。生物量估测涉及到多种学科与技术，传统的化学检测方法成本高、效率低、覆盖面小，而且具有一定破坏性。当传统技术应用在农田小气候数据测量时，需要花费大量的人力物力，对土壤会存在一定的破坏性。受测量方法的制约会存在观测尺度、实时性、有效性、可靠性及代表性等方面的问题，不利于有关部门及时准确地掌握大范围的农田小气候状况。

3 农情遥感关键技术

20世纪80年代以来，为了满足智慧农业管理的需求，亟需大规模、实时、定量的农业信息来支持农业生产和决策。在农业应用中，由于农情遥感功能需求的不断增多，这也使得遥感技术不再单一，基于4种关键光学遥感技术：激光雷达技术、光谱分析技术、红外成像技术和可见光检测技术，通过试验将遥感信息与农情参量相联系，定量的反演或推算农业相关信息。可监测不同需求功能的数据，对实施精细化管理、可视化管理和智能决策意义重大（表1）。

3.1 激光雷达技术

雷达遥感技术在农业领域应用研究广泛，其主要包括微波雷达、毫米波雷达、激光雷达等，不仅时空分辨率高、监测尺度广，而且具备全天候的监测能力，可捕捉植被散射光强、结构及介电常数等参数，这些特性使其在农业应用中极具潜力。其中，激光雷达技术采用的遥感波长处于光学波段，是一种主动式的现代光学遥感设备，其主要包括点云激光雷达和荧光激光雷达。点云激光雷达能够以非接触方式快速、高精度获取海量点云数据实现农情监测，而荧光激光雷达凭借丰富的荧光光谱信息，可以实现胁迫状态的早期探测，对病虫害胁迫和生长状态的监测具有很大应用潜力。

点云激光雷达可以快速、无损地获取同一时刻下作物点云数据，为表型数据的反演、表型结构的持续观测、植物生长发育过程的量化提供定量参考。但利用点云数据提取信息时，会存在背景噪点、自动识别难度大、点云数量多少等问题，数据处理是各参数反演的难点和关键，预处理流程如图1所示，经过预处理后，通过机器学习，利用分割算法、拟合算法、逐步回归法和遗传算法等提取作物表型需求。利用可移动式的载荷平台可快速获取作物的株高、叶面积指数等形态参数[19]，但此类载荷平台便携性不高，仅使用在开阔的环境下，高地隙表型平台[20]和机载平台[21]可搭载激光雷达等多种传感器，能大范围地采集多种表型信息。其中机载雷达技术可为获取高时空分辨率的空间信息提供更为有效的技术方案，但机载雷达数据会受飞行高度、姿态以及系统定位等影响，实际应用中需不断改进误差检校方法。相对于机载平台，地面的高度对株高获取有很大的波动性，避免需要确定地面位置可显著提高实用性[22]。利用激光雷达遥感技术对生物量的监测研究在国内外得到不断的发展，点云数据预处理后，可通过比较选择合适的指标从而构建最佳生物量模型[23]。但LiDAR数据空间离散，不具备光谱能力等问题，与其他光学传感器相结合可为农情监测研究提供新思路[24]。在农田小气候模型的构建中，激光雷达技术对农田地形进行重建的探索性研究，相比于搭载激光测距模块，数据量更多、精度更高，可得到准确的农田三维地形图，为后续农田平整作业提供准确的数据支持[25]。但由于激光雷达的波束极窄，直接影响对非合作目标的截获概率和探测效率，且外界因素会使激光光束发生畸变、抖动，激光雷达数据精度的提升是未来研究的重点内容之一。

共振荧光激光雷达研制成本高、技术难度大，但在生物量监测中具有重要研究价值，利用叶绿素荧光动力学方法可以无损伤地检测植物光合生理的状态，加快表型分析研究进程[26]。激光诱导叶绿素荧光对农作物胁迫监测的应用研究也逐渐融入激光雷达技术的发展，在植被胁迫生理研究方面具有广阔的应用潜力[27]。在此之后，武汉大学科研组[28，"29]提出荧光激光雷达系统和时间分辨荧光激光雷达系统的研制，其原理如图2所示，并通过对不同氮胁迫状态下的水稻开展探测研究，证明了荧光寿命与水稻氮胁迫状态的相关性，对农作物营养胁迫特别是氮胁迫的定量遥感监测具有重大意义，随后还探讨了校正探测角度对激光诱导叶绿素荧光的影响，为荧光激光雷达的进一步发展以及在遥感探测方面的应用提供试验数据支撑。然而，荧光激光雷系统处于研究初始阶段，要实现实用化及业务化应用测量还需要对系统进行进一步的改善和提高。

3.2 光谱分析技术

多光谱遥感技术是一种新兴的成像检测技术，通过将光谱与成像合二为一，随后在农业各领域应用广泛，可实现植物结构、生理、生化的定性定量分析及其特征分布的评估。针对不同探测需求调整光谱波段，提供完整的多光谱遥感监测解决方案。由于光谱带的增加和成像技术的进步，形成了高光谱遥感技术，相对于多光谱和近红外光谱技术，其信息源于多个光谱波段特征，波段与波段之间有相关性的同时又具有差异性，可以更好地反映物体的光学特性。田间光谱影像处理原理如图3所示，该技术可实现土壤墒情以及农作物长势情况的无损、高效、大范围监测，提高农业管理的水平。

光谱分析技术常通过光谱数据计算出不同的植被指数，通过植被指数（NDVI）来估算植物表型和生物量等反映作物生长特征的因子，为遗传育种、田间管理和产粮预测等提供新的可行性方法[30]。光谱数据计算多种植被指数在农田小气候模型的构建上也有很高的研究价值，通过选择最佳的光谱指数可反演土壤含盐量、土壤湿度等信息。在模型精度的研究时，粒子群优化（PSO）算法、波段优化算法等技术来改进模型的准确度，确保了反演的准确性。但光谱分析技术数据结构较为单一，与其他技术结合拓宽了农情监测的途径。如高光谱数据和低密度LiDAR数据相结合，可构建植物表型分析系统，实现全面的植物架构模型[31]。地空高光谱影像相结合，能分析不同种植密度下不同遗传材料的叶面积指数和单株生物量，在表型性状参数上的监测能力也很高。农作物在生长是动态的过程，全周期的数据获取对农情研究意义重大，多光谱遥感估算不同生长发育期水分胁迫具有一定的适用性，而且反演氮营养指数进行氮素营养状态的定性定量诊断意义重大[32]，为精准农业的管理与作业等方面提供了基础保障。在利用光谱数据获取信息时，常存在模型不稳定、数据单一局限、生长周期变化等因素的干扰，线性解混模型方法、维数约简方法、D-HI空间信息技术等手段的提出，显著提高反演准确性。因此，探究如何选择合适的植被指数和结合不同的预处理方法、特征波段提取方法与建模方法是提高监测精度和模型稳健性的关键，且高光谱设备成本较高，对系统的硬件和存储空间要求较高，是未来亟待解决的问题。

3.3 红外成像技术

在农业领域研究应用中红外成像技术的发展潜力巨大，其主要包括热红外成像技术和近红外光谱技术。热红外成像技术是通过分析目标物体各部分红外辐射差异，并将其转化为可视化图像的技术；近红外光谱技术是光谱测量技术、化学测定和化学计量学等多学科知识综合应用的现代分析技术，其设备成本低、检测速度快，可根据被吸收的光量非破坏检测农产品的多种成分。

热红外成像技术的核心设备是红外热像仪，其成像原理如图4所示，作物的表面温度被认为是响应最快的指标，能够在作物出现肉眼可视症状前察觉到作物的胁迫[33]，与其他遥感技术相比，其在温度监测方面效果显著，众多学者就冠层温度与作物生产间的关系做出了重大努力，在精准农业发展中潜力巨大。目前，基于红外热成像技术对水分胁迫状况进行监测的应用广泛，利用热红外成像系统得到作物水分胁迫指数（CWSI），可作为一种交替灌溉调度方法来量化土壤水分的时空变异性[34]，清晰地看到作物干旱表型变化。简化后的作物水分胁迫指数（CWSIsi）还可绘制出高分辨率图，显示不同灌溉处理中作物水分胁迫的不同分布[35]，为精准灌溉和排水节水提供信息基础。除此之外，水分亏损会产生基因型变异的树种，水分的检测可为研究环境与基因型相互作用下的林间果树遗传分析奠定基础[36]。但红外成像影像会受到其他地物、背景和阴影区等因素的干扰，通过可见光图像的配准，可准确提取植株冠层平均温度[37]，实现作物蒸腾的非接触、非侵入式测量。作物需求繁多，热红外图像的信息量有限，仅拥有单通道的灰度信息，难以满足现阶段多种类的遥感需求，与多传感器的联合使用，可用于研究作物生长、检测病虫害以及比较品种性状等农业产业[38]。虽然热红外成像技术在农业上的应用还处在发展阶段，但作为精准农业最有前景的信息获取技术已经在农业生产中发挥了重要的作用。

近红外光谱是一种间接分析技术，通过应用模型的建立判断来测定未知样本，其原理如图5所示。

基于此技术对作物生物量的研究十分普遍，通过建立近红外光谱模型，可有效估测作物的蛋白质、氮素、叶绿素、纤维素和水分等指标，并为育种选择提供新思路。不同物种的不同物质含量监测对所需的近红外光谱特征波段有很大的差异，因此，模型的变量选择对预测能力有很大的影响，将光谱扫描数据与机器学习技术相结合，不仅减少了建模时间，而且提高了模型的预测能力和预测精度[39]。在实际应用中，叶片内部结构、水分和表面蜡质层会引起光谱差异性，导致光谱数据的不准确性，大多经过干燥或捣碎叶片以便获取光谱数据，随机蛙跳（RF）、加权偏最小二乘回归（WPLS）和显著图常被用于特征波长选择[40]，再通过遗传算法提取特征波长，建立特征波长预测模型，为生物量的测定提供了重要的科学理论依据[41]。红外光谱分析技术提供了田间大量快速检测的可能性，但目前很多研究需将叶片样品采回实验室，进行一定的处理才能开展测定，存在测定效率低和实时性差等问题，今后需进一步加强应用于田间在线测定的研究。

3.4 可见光检测技术

利用相机为主的可见光检测技术主要应用于农产品自动分级、杂草识别、病虫害监测等领域，可得到具有很高地面分辨率和判读与地图制图性能的影像，通过图像处理获取信息，原理如图6所示，其中以机载摄影机的应用为标志的天空摄影测量具有成像分辨率高、探测距离远、测量精度高和成本低等优点，在农业产业有很大发展潜力。

可见光检测技术在农业领域主要以机载平台应用，技术相对成熟，可提供丰富的图像细节，但易受光照影响。目前主要通过配合传感器、软件使用，常见有与红外图像数据、雷达点云数据、光谱数据等进行配准，从而弥补不足。多源数据融合在可见光检测技术的应用可显著提高数据精度，通过图像融合可快速、准确地显示农作物生长状况，为田间管理提供指导和建议[42]。虽然可见光遥感技术获取高清图像比较便捷，但后续的图像处理是技术的关键，通过与遥感软件相结合较为高效地处理图像数据和点云数据，反演作物的各项参数进一步确定作物体积和生物量方面、冠层高度和收获指数等方面的相关性[43]，为农业生产提供指导。部分学者利用阈值分割法、图像融合法、机器学习算法等技术对图像特征进行分析处理，剔除土壤、杂草等背景信息的干扰，获取的参数利用价值更高。融合图像的技术多样，但在建立模型之前需要进行可见光数据的校正处理与图像背景噪声的去除，这一流程烦琐、算法复杂且需要在多个软件平台上进行，因此，在未来发展中，开发简单易操作的数据预处理算法和功能齐全的软件有效提高数据处理的效率。

4 存在问题

遥感技术在调查与监测方面具备不可替代的优势，弥补了传统测量技术的不足，并把人类带入了立体化、多层次和全天候的探测新时代。国内外已有大量遥感技术对不同的农情数据源开展监测研究，我国农业遥感的研究与应用也在近十五年取得了全面发展与进步。在上述主动遥感技术中，研究者们提出了多种对作物表型、生物量和农田小气候的监测方法，但在研究过程中仍存在一定的问题和挑战。

1） 农业遥感技术亟需提高。遥感技术在农情监测应用时，易受到天气、人为操作和反演方法等因素的干扰，部分农田尺度的作物表型参数、生物量和小气候模型的反演精度相关性仍很低。大多数农情遥感技术的应用研究仍然依赖传统手工方法，不仅缺少理论创新和实际应用，而且缺乏核心的高端自主农业传感器和农业智能装备。

2） 农业遥感应用网络建设不完善。基于现代物联网技术的农业传感网络是农业遥感数据获取的重要组成部分之一。不同载荷平台下的传感器在成像方式、应用范围和信息处理等方面都具有很大的差异，并且农业领域中还存在一定的时空异质性，因此，建设与遥感技术充分融合的农业传感网络还有很大发展空间。

3） 农情遥感数据利用不充分。数据的高效利用是农业产业不断进步的重要基石，但农情数据资源的开放共享程度较低，农业数据库建设体系不完善，并且由于数据网络资源类型的多样化，导致收集的难度较高。信息资源综合利用较低，农情数据在现代化技术的不断发展中逐渐丰富，但价值不能得到最大化挖掘，使得数据资源不断浪费。

5 发展趋势

1） 提高遥感技术应用水平。亟需提高核心感知元器件的创造力，实现自主研发敏感器件、光电转换、微弱信号处理等核心零部件，开发一批高精度农业传感器，打破国外产品垄断，传感器的小型化、集成化将是未来一段时间的发展趋势，如对农用UAV、多线程LiDAR的研制等。此外，在无监督成像、高通量监测、自动运输等农业产业中，需提高自动化机械的辅助水平满足智慧农业需求。在数据产品的开发方面，开展有目的性的研究和精确的部署，如针对作物特性开发专业作物性状分析软件。对于图像融合、模型构建和运行系统集成等农情获取的关键环节，利用人工智能、大数据等新兴技术优化算法，扩展深度学习技术在此上面的优势。对农作物生长的水文、气候、环境等影响因子综合考虑，克服模型主要以农田小区域试验为样本，实现算法在时间和空间上的并行，使信息获取、校正、融合和解析能够贯穿作物生长全过程，提高农情监测效率和实时性。

2） 加快天地立体化的农业遥感网络建设。我国农业遥感的研究与应用可在天地立体化的遥感数据获取体系的支持下开展，各类地面传感网与农业遥感相结合可以使得农田信息采集和传输效率得到显著的提高。目前作物信息的获取与解析主要集中在细胞、组织、器官、单株以及群体等尺度分别展开，各尺度下的环境、生理特征等信息彼此孤立，多尺度、多模态、多生境的多源数据融合亟需发展。遥感器参数设计时应该考虑多种遥感器的协同与立体观测，以增强不同载荷平台的数据集与不同时空分辨率的兼容性，实现对作物微观和宏观关键信息同步监测。在此基础上开展全面的验证与精度评价，建全信息服务平台，进一步提升在智能温室、大田精准等作业的智能化管理水平。

3） 拓宽农业遥感的应用场景。遥感技术作为一门新兴的研究手段在多个领域中具有广泛的应用前景，不仅要建立自主、完善、共享的农情数据库，对光谱、LiDAR点云等遥感信息的深入挖掘，还需在实践中不断拓展，结合农业行业各相关利益人的需求，积极展开在表型组学、生物学、基因组学等学科的跨领域合作，推动交叉学科发展的同时，不断加强农业遥感技术的知识和应用体系。结合互联网、云存储等途径，扩大遥感技术在各领域应用的优势，如激光精密测绘、作物保险索赔的侦查、农村道路状况的清点和评估等，进一步减少人力物力消耗、提高检测效率、扩展应用范围。

参"考"文"献

[ 1 ]""""" 辛翔飞， 王秀东， 王济民. 新时代下的中国粮食安全： 意义、挑战和对策. 中国农业资源与区划[J]， 2021， 42（3）： 76-84.

[ 2 ]""""" Jia Gensuo， Shevliakova E， Artaxo P， et al. Land‑climate interactions. IPCC special report on climate change and land [EB/OL]. https： //www. ipcc. ch/srccl/chapter/chapter-2/， 2019-04-16.

[ 3 ]""""" 赵春江. 智慧农业的发展现状与未来展望[J]. 中国农业文摘—农业工程， 2021， 33（6）： 4-8.

[ 4 ]"""" Sishodia R P， Ray R L， Singh S K. Applications of remote sensing in precision agriculture： A review [J]. Remote Sensing， 2020， 12（19）： 3136.

[ 5 ]""""" 王利民， 刘佳， 季富华. 中国农业遥感技术应用现状及发展趋势[J]. 中国农学通报， 2021， 37（25）： 138-143.

[ 6 ]""""" 刘海启， 游炯， 王飞， 等. 欧盟国家农业遥感应用及其启示[J]. 中国农业资源与区划， 2018， 39（8）： 280-287.

[ 7 ]""""" Astrand P， Wirnhardt C， Biagini B， et al. Controls with remote sensing of common agricultural policy （CAP） arable‑and forage‑area‑based subsidies： A yearly more than 700—image and 3—M euro affair [J]. Proc Spie， 2004： 577-588.

[ 8 ]""""" Rajendran K， Tester M， Roy S J. Quantifying the three main components of salinity tolerance in cereals [J]. Plant， Cell amp; Environment， 2009， 32（3）： 237-49.

[ 9 ]""""" Berger B， Parent B， Tester M. High‑throughput shoot imaging to study drought responses [J]. Journal of Experimental Botany， 2010， 61（13）： 3519-3528.

[10]""""" Schnurbusch T， Hayes J， Sutton T. Boron toxicity tolerance in wheat and barley： Australian perspectives [J]. Breeding Science， 2010， 60（4）： 297-304.

[11]""""" Golzarian M， Frick R， Rajendran K， et al. Accurate inference of shoot biomass from high‑throughput images of cereal plants [J]. Plant Methods， 2011， 7： 1-11.

[12]""""" White J W， Andrade‑Sanchez P， Gore M A， et al. Field‑based phenomics for plant genetics research [J]. Field Crops Research， 2012， 133： 101-112.

[13]""""" 钱永兰， 侯英雨， 延昊， 等. 基于遥感的国外作物长势监测与产量趋势估计[J]. 农业工程学报， 2012， 28（13）： 166-171.

Qian Yonglan， Hou Yingyu， Yan Hao， et al. Monitoring of crop growth and yield trend estimation of foreign crops based on remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（13）： 166-171.

[14]""""" 任建强， 陈仲新， 周清波， 等. MODIS植被指数的美国玉米单产遥感估测[J]. 遥感学报， 2015， 19（4）： 568-577.

[15]""""" 李传荣， 刘照言， 王新鸿， 等. 国家级遥感技术标准体系逐步完善[J]. 卫星应用， 2021（6）： 16-20.

[16]""""" Walter A. Advances in plant phenotyping for more sustainable crop production [M]. Burleigh Dodds Science Publishing， 2022.

[17]""""" 于飞， 施卫明. 近10年中国大陆主要粮食作物氮肥利用率分析[J]. 土壤学报， 2015， 52（6）： 1311-1324.

Yu Fei， Shi Weiming. Analysis of nitrogen fertilizer efficiency of major grain crops in Chinese mainland past 10 years [J]. Journal of Soil Science， 2015， 52（6）： 1311-1324.

[18]""""" Wang Tianhai， Liu Yadong， Wang Minghui， et al. Applications of UAS in crop biomass monitoring： A review [J]. Frontiers in Plant Science， 2021， 12： 616689.

[19]""""" 程曼， 蔡振江， Ning Wang， 等. 基于地面激光雷达的田间花生冠层高度测量系统研制[J]. 农业工程学报， 2019， 35（1）： 180-187.

Cheng Man， Cai Zhenjiang， Ning Wang， et al. Development of field peanut canopy height measurement system based on ground LiDAR [J]. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（1）： 180-187.

[20]""""" Bai G， Ge Y， Hussain W， et al. A multi‑sensor system for high throughput field phenotyping in soybean and wheat breeding [J]. Computers and Electronics in Agriculture， 2016， 128： 181-192.

[21]""""" Liebisch F， Kirchgessner N， Schneider D， et al. Remote， aerial phenotyping of maize traits with a mobile multi‑sensor approach [J]. Plant methods， 2015， 11： 1-20.

[22]""""" Thi Phan AT， Takahashi K， Rikimaru A， et al. Method for estimating rice plant height without ground surface detection using laser scanner measurement [J]. Society of Photo‑optical Instrumentation Engineers， 2016， 10（4）： 046018.

[23]""""" Clark M L， Roberts D A， Ewel J J， et al. Estimating above‑ground biomass of tropical rainforest of different degradation levels in Northern Borneo using airborne LiDAR [J]. Forest Ecology and Management， 2014， 328： 335-341.

[24]""""" Luo Shezhou， Wang Cheng， Xi Xiaohuan， et al. Fusion of airborne LiDAR data and hyperspectral imagery for aboveground and belowground forest biomass estimation [J]. Ecological Indicators， 2017， 73： 378.

[25]""""" 金志坤， 景云鹏， 刘刚. 基于无人机LiDAR的农田平整地势测量方法[J]. 农业机械学报， 2021， 52（S1）： 51-57， 117.

Jin Zhikun， Jing Yunpeng， Liu Gang. Measurement method of farmland leveling based on UAV LiDAR [J]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 51-57， 117.

[26]""""" Matvienko G， Singh U N， Timofeev V， et al. Fluorescence LiDAR method for remote monitoring of effects on vegetation [C].LiDAR Technologies， Techniques， and Measurements for Atmospheric Remote Sensing II. SPIE， 2006， 6367： 115-122.

[27]""""" 张永江， 刘良云， 侯名语， 等. 植物叶绿素荧光遥感研究进展[J]. 遥感学报， 2009， 13（5）： 963-978.

[28]""""" 杨健. 荧光激光雷达及其对农作物氮胁迫定量监测的研究[D]. 武汉： 武汉大学， 2017.

[29]""""" 史硕. 时间分辨荧光激光雷达植被遥感探测基础研究[D]. 武汉： 武汉大学， 2015.

[30]""""" Zaman‑Allah M， Vergara O， Araus J L， et al. Unmanned aerial platform‑based multi‑spectral imaging for field phenotyping of maize [J]. Plant Methods， 2015， 11（1）： 35.

[31]""""" Rincón M G， Mendez D， Colorado J D. Four‑dimensional plant phenotyping model integrating low‑density LiDAR data and multispectral images [J]. Remote Sensing， 2022， 14（2）： 356.

[32]""""" 魏鹏飞， 徐新刚， 李中元， 等. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 农业工程学报， 2019， 8（35）： 126-133．

Wei Pengfei， Xu Xingang， Li Zhongyuan， et al. Remote sensing estimation of nitrogen content of summer maize leaves based on UAV multispectral imagery [J]. Transactions of the Chinese Society for Agricultural Engineering， 2019， 8（35）： 126-133.

[33]""""" Khanal S， Fulton J， Shearer S. An overview of current and potential applications of thermal remote sensing in precision agriculture [J]. Computers and Electronics in Agriculture， 2017， 139： 22-32

[34]""""" Mangus D L， Sharda A， Zhang Naiqian. Development and evaluation of thermal infrared imaging system for high spatial and temporal resolution crop water stress monitoring of corn within a greenhouse [J]. Computers and Electronics in Agriculture， 2016， 121： 149-159.

[35]""""" Bian Jiang， Zhang Zhitao， Chen Junying， et al. Simplified evaluation of cotton water stress using high resolution unmanned aerial vehicle thermal imagery [J]. Remote Sensing， 2019， 11（3）： 267.

[36]""""" Aude C， Benoît P， Magalie D， et al. Multi‑scale high‑throughput phenotyping of apple architectural and functional traits in orchard reveals genotypic variability under contrasted watering regimes [J]. Horticulture Research， 2019， 6（1）： 52.

[37]""""" Zhao Wenyi， Dong Xiaohua， Wu Zhengping， et al. Using infrared thermal imaging technology to estimate the transpiration rate of citrus trees and evaluate plant water status [J]. Journal of Hydrology， 2022， 615： 128671.

[38]""""" Hamada Y， Cook D， Bales D. EcoSpec： Highly equipped tower‑based hyperspectral and thermal infrared automatic remote sensing system for investigating plant responses to environmental changes [J]. Sensors， 2020， 20（19）： 5463.

[39]""""" Xiao Qinlin， Wu Na， Tang Wentan， et al. Visible and near‑infrared spectroscopy and deep learning application for the qualitative and quantitative investigation of nitrogen status in cotton leaves [J]. Frontiers in Plant Science， 2022， 13： 1080745.

[40]""""" Cassanelli D， Lenzini N， Ferrari L， et al. Partial least squares estimation of crop moisture and density by near‑infrared spectroscopy [J]. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 1-10.

[41]""""" Fang Jing， Jin Xiu， Wu Lin， et al. Prediction models for the content of calcium， boron and potassium in the fruit of ‘Huangguan’ pears established by using near‑infrared spectroscopy [J]. Foods， 2022， 11（22）： 3642.

[42]""""" Yamaguch T ， Tanaka Y， Imachi Y， et al. Feasibility of combining deep learning and RGB images obtained by unmanned aerial vehicle for leaf area index estimation in rice [J]. Remote Sensing， 2020， 13（1）： 84.

[43]""""" Walter J， Edwards J， Mcdonald G， et al. Photogrammetry for the estimation of wheat biomass and harvest index [J]. Field Crops Research， 2018， 216： 165-174.