遥感技术在智慧农业中的应用研究

摘要 现代信息技术的发展使得我国农业朝着智慧农业方向蓬勃发展，显著提高了农业生产的智能化科学化水平，遥感具有远距离感知、无损监测的特点，越来越多地被用于农情监测。对遥感在智慧农业中的应用原理进行了介绍，对遥感在大尺度农情监控上的应用与方法进行了归纳总结，具体包括土地利用现状与土地资源调查、长势监测与产量预报、作物灾害损失评估与预报3个方面，并对遥感在农田尺度信息服务上的应用做了介绍，总结了遥感在智慧农业中应用的瓶颈问题以及今后的发展方向。

关键词 遥感技术;智慧农业;农情监测;产量预报;评估

中图分类号 S127  文献标识码 A  文章编号 0517-6611（2022）07-0001-05

doi：10.3969/j.issn.0517-6611.2022.07.001

开放科学（资源服务）标识码（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

智慧农业是现代农业发展的高级阶段，是由精准农业不断发展而来的，指充分利用现代信息技术成果实现智能化的农业生产，具体包括物联网技术、计算机技术、互联网技术、人工智能、地理信息技术、遥感技术等，通过传感设备感知环境参数，并利用无线通信等技术实现农业生产的智能感知、分析和预警功能，使农业生产更智慧。遥感可在不同电磁波段内周期性地收集地表信息，具有远距离感知、无损监测、重访周期短等优势，被广泛用于智慧农业数据收集和农情动态监测。随着遥感技术的发展，遥感在农业中的应用进入快速发展阶段，遥感技术在作物识别、长势监测、产量评估、病虫害防治、灾害监测与预警等方面取得了很多成功的应用，有效地提升了农业动态监测与质量，促进了农业生产优化发展。

1 遥感技术在智慧农业中的应用原理

遥感即遥远感知，是在不直接接触的情况下，对目标或自然现象远距离探测和感知的技术，遥感技术建立在物体反射或发射电磁波的原理之上[1]，一切物体由于其种类、特征和环境条件不同而具有完全不同的电磁波的反射或发射辐射特征。遥感在农业中的应用是基于不同农作物具有不同的理化性质，具体表现在植株和叶片结构、叶肉细胞、叶绿素、含水量等方面，这些差异导致植株冠层和叶片所反射和发射的光谱产生差异，通过研究其光谱规律来做出分析。可见光波段的光谱主要受各种色素的影响，叶绿素吸收蓝红光，对绿光反射作用强，因而在0.45和0.67 μm处为吸收带，在0.55 μm处为反射峰[1]。近红波段的反射率则是受到叶片含水量、氮元素含量、叶肉结构等的影响。在近红波段（1.3～2.5 μm）受含水量影响，吸收率增加，反射率下降，特别是在1.45、1.95和2.70 μm是水的吸收带[1]。对作物不同生理状态的光谱特征研究是快速获取农情信息的重要方法，对于智慧农业具有重要的意义。农作物遥感监测的基础是选择合适的检测指标，从而进行大面积快速的监测。常用的作物监测指标有叶面积指数、植被指数、红边指数等。叶面积指数是指单位面积上植物叶片总面积与土地面积的比值，可以反映植物叶面数量、冠层结构变化以及环境效应，是用来监测作物长势的基础[2]。植被指数是一个综合参数，与叶面积指数、植被覆盖度、生物量等有关，通常将可见光与近红外波段经过不同的计算组合而成，能对植被状况进行简单、有效和经验的度量[3]。目前发展出的植被指数已有40余种，常用的植被指数有归一化植被指数、比值植被指数和差值植被指数。植物红边定义为红光波段与近红波段交界处反射率增高最快的点，通常采用红边位置和红边斜率来描述[4]，植物红边与植物的理化参数紧密相关，是植物色素状态和健康状况的重要指示波段。

2 大尺度农情遥感监测服务宏观调控

2.1 土地利用现状与土地资源调查

土地资源是最重要的农业资源，掌握土地利用现状对土地资源进行科学管理才能充分利用资源。一些研究采用多光谱影像进行了土地利用及农作物分类，早期的分类方法主要以目视解译为主，通过对不同波段反射率影像进行彩色合成，利用合成影像上各解译标志的不同反映特性进行作物识别[5-7]。随着各种遥感产品的发展，能表征植被特征的植被指数在作物分类中得到了广泛应用[8-10]，植被指数能充分反映不同作物随时间的生长情况，在特定的生育期内，不同作物的NDVI时间序列曲线能反映其特定的物候特征。目前对于作物分类，主要方法是采用植被指数阈值及构建分类模型来区分不同地物，或者通过作物多时相植被指数曲线特征来进行不同作物的分类。刘昊[11]利用Sentinel-2卫星数据构建NDVI时间序列数据集，通过不同地物类型的NDVI值差异，首先对耕地、水体、荒地、城镇等进行了土地利用分类，并分析确定了主要农作物识别关键期的光谱阈值，建立了基于决策树分层分类的农作物种植面积提取模型。欧阳玲等[12]采用GF-1与Landsat8影像，通过不同植被指数阈值，以及构建面向对象的决策树分类模型，对土地利用类型及主要农作物进行了分类。刘佳等[13]通过HJ-1A/B卫星CCD月度NDVI时间序列数据，分析了全生育期波谱特征，提取了主要作物类型的曲线特征，采用基于NDVI阈值决策分类技术进行了农作物分类识别。

随着国产高分影像的发展，高分影像越来越多应用于土地资源调查，主要应用高空间分辨率的纹理特征进行图像解译，李海杰等[14]采用国产GF-2影像，通过人机交互测量方式对农作物用地、设施农业用地、园艺果树类用地、林地、水体等五大类用地进行了分类提取，并对石家庄地区玉米的种植面积、长势、产量、墒情等进行了分析。马尚杰等[15]利用GF-1卫星16 m多光谱影像，通过基于改进多元纹理和光谱融合的遥感图像分类方法进行图像解译，提取了2015—2017年安徽省霍邱县冬季作物种植空间分布和面积。

高光谱影像提供连续的地物窄波段信息，能探测到不同作物在波谱上的细微差别，有效提高作物识别精度。应用高光谱进行农作物分类的方法大致分为基于光谱信息分类、基于多维特征分类、数据降维分类以及多分类器集成分类。基于光谱信息分类主要是分析不同农作物间的光谱差异，通过光谱匹配技术进行分类，常用的匹配方法主要是光谱角匹配、光谱信息散度匹配、最小光谱距离匹配[16-17]。Rao等[18]通过建立冠层尺度和像素尺度的光谱库，对研究区的水稻、甘蔗、辣椒等作物进行光谱角分类，2种尺度下的分类精度达到86%以上。基于多维特征的分类不仅应用了光谱信息，同时考虑了高光谱数据的空间特征信息，能有效避免分类结果的椒盐现象。Chen等[19]通过最小噪声分离方法提取影像光谱特征、并与形态、纹理等特征组成光谱-空间融合特征向量，采用SSF-CRF分类方进行农作物分类，分类精度达到97%;高光谱的海量多维的数据特点会造成数据冗余，计算量过大，因而对降维后的数据进行分类也是常用的分类方法之一，该方法首先对高光谱影像进行波段选择或特征提取，然后将选择的波段或者特征作为分类的输入进行分类。张悦等[20]利用K-means聚类和ABS方法相结合进行波段筛选，并采用支持向量机对研究区的玉米草地进行了分类。Jia等[21]采用离散小波变换和AP聚类分析对AVIRIS数据进行特征提取，并采用最近邻分类法对小麦玉米进行了分类，分类精度高达89%。高光谱具有海量、高维度的数据特点，有时采用单一的分类器进行分类时会受到各种条件的限制，分类精度欠佳，随着集成学习在遥感领域的发展，多分类器集成分类系统能得到较好的分类结果。Ceamanos等[22]在对AVIRIS数据进行玉米、大豆、小麦等分类时，先将波段分为若干组，对每组采用支持向量机分类，然后对所有组的输出再次采用支持向量机分类进行最终的决策融合，精度达到90%。苏红军等[23]提出一种利用空间和光谱信息的多分类器动态集成算法，采用支持向量机等5个基分类器构建多分类器集合对AVIRIS高光谱影像进行玉米、大豆等农作物的分类识别。

因为成像雷达遥感具有全天候、全天时和穿透地物的特点，能弥补光学遥感的不足，雷达逐渐应用到农业土地利用调查中来，黄明祥等[24]利用热点雷达数据ERS-2，以地处云量较多的杭州湾围垦区为研究对象，根据地物目标的时域散射特性，采用分区分类策略，对预处理后的多时相雷达数据进行农业土地利用分类。此外，各种农作物具有不同的冠层结构、几何特性和介电常数，因而导致在不同频率和极化的合成孔径雷达影像中表现出不同的特征，因此可以用雷达遥感进行农作物的分类和识别。早期的雷达遥感农作物分类研究主要是单波段、单极化数据，随着雷达技术的发展，开始向多波段多极化转变，继而发展到现在的全极化数据、激光雷达数据，其分类算法由常规的统计算法发展到机器学习、人工智能，以及目前的基于极化分解理论的非监督分类算法。但SAR在农作物分类的应用仍存在不少问题，如监测作物类型和种植结构单一，现有的国内外应用研究多集中在水稻的识别上，水稻较其他作物的介电常数比较高，因而雷达对其比较敏感，而对旱地作物的识别与监测研究以及复杂种植结构条件下的农作物分类研究较少，同时，相对光学遥感农作物分类，SAR总体精度仍不高，尚不能满足现有对农作物分类识别的精度要求，但SAR具有穿透云雾，不受天气限制的成像优势，在未来的发展中将有广阔的应用空间。

传统的遥感影像空间分辨率低、易受云层遮挡、重放周期长，无法满足小尺度下农作物精细分类的要求，无人机遥感机动灵活，能快速高效地获取高空间分辨率的影像，为小尺度下农作物的监测提供技术支撑。随着无人机技术的发展，无人机遥感农作物分类传感器从早期的数码相机向多光谱、高光谱、雷达过渡，分类作物也从单一作物识别到多种作物分类。现阶段，利用无人机影像进行农作物分类的主要方法是提取无人机影像的光谱特征、纹理特征或者色彩特征，通过基于传统统计模式的分类算法或者机器学习算法进行分类;田振坤等[25]基于无人机影像中的农作物波谱特征和NDVI阈值，并采用最大似然法、支持向量机、神经网络等分类方法对玉米、小麦等进行了分类。戴建国等[26]利用色彩空间转换和纹理滤波器构建分类特征，并使用多种机器学习算法对棉花、玉米、苜蓿等作物进行了分类识别。现有的应用研究往往采用单一分类器，而不同的分类器各有优缺点，适用范围也不一样，因而在多种农作物种植结构复杂的地区，由于分类不具有针对性致使分类精度较低。