農業遙感技術研究進展

朱少龍，張晉玉，晁毛妮，徐新娟，黃中文

（河南科技學院 農學系/現代生物育種河南省協同創新中心，河南 新鄉 453003）

遙感技術廣泛應用于農業、軍事、地質勘測、環境監測等各個領域。其中，農業是遙感技術最先投入應用的領域，也是遙感技術應用最廣泛、最成功的領域之一。雖然我國農業遙感研究起步較晚，但經過30多年的努力，我國農業遙感技術突飛猛進，在作物長勢監測、災害監測、作物產量估測等方面取得了顯著進展。

1 作物長勢遙感監測

作物長勢反映了作物的生長狀況，是農情信息的重要組成部分。作物長勢的準確監測可為生產者提供決策支持，并對保障糧食安全具有重要意義。作物長勢參數有很多，其中葉綠素含量、葉面積指數、生物量、葉片含氮量是作物長勢監測的關鍵參數。

1.1 葉綠素含量遙感監測

葉綠素含量是決定作物光合作用能力的重要生化指標，也是評價作物脅迫、營養狀況的良好指標，因而可以利用植物葉片/冠層反射率對葉綠素的響應來監測作物光合作用。目前，葉綠素遙感監測大多是通過建立植被指數或光譜參量與葉綠素含量的統計回歸關系來實現。其中，歸一化植被指數（Normalized difference vegetation index，NDVI）最常被用來估測葉綠素含量。但單一的植被指數蘊含信息不足，并且不同生育時期葉綠素敏感波段有差異，同一植被指數在作物的不同生育時期并不完全適用。例如宮兆寧等分別以紅邊位置（WP_r）和歸一化差值光譜指數（ND）構建了蘆葦等濕地植被葉片葉綠素含量的一元線性模型，決定系數（R2）達到了0.8以上。而劉秀英等利用光譜特征參數、光譜指數以及原始光譜建立了玉米4個生育時期葉片葉綠素含量的反演模型，R2最高達到0.91。田明璐等實現了小麥返青期、拔節期、抽穗期、開花期、灌漿期以及全生育期的葉綠素反演，結果表明，基于單個生育時期構建的反演模型預測精度高于全生育時期模型，多元模型預測精度高于一元模型。

雖然統計回歸方法預測精度較高，但農田是一個復雜的認知系統，統計模型方法的普適性較差。NEUWIRTHOVA等通過分析可見光、近紅外以及短波紅外的光譜發現，在可見光和近紅外區域出現葉片堆積，能夠削弱葉片葉綠素含量與選定植被指數之間的相關性。因此，如果使用植被指數來評估植物不同生育時期的生理狀況，必須考慮到葉片堆積可能造成的影響。KONG等研究表明，在估算葉片葉綠素含量的垂直分布時，必須考慮光在冠層的穿透特性。如何在保證精度的同時，找到具有普適性與可移植性的波段組合及光譜指數是統計模型探索的方向之一。

1.2 葉面積指數遙感監測

作物葉面積指數（Leaf area index，LAI）遙感反演是當前作物遙感監測的熱點之一，尤其是無人駕駛飛行器（UAV）的遙感研究越來越受歡迎。YAO等利用UAV建立基于光譜指數的冬小麥LAI估測模型，該模型在冬小麥不同生長階段、品種和生態位點下表現穩定。CHENG等利用UAV高光譜數據結合PROSAIL模型實現了對水稻LAI、葉片葉綠素含量、冠層含水量和干物質含量的無損檢測，所得R2分別為0.833、0.816、0.793和0.665。WANG等評估了支持向量回歸（Support vector regression，SVR）、隨機森林（Random forests，RF）、人工神經網絡（Artificial neural network，ANN）和偏最小二乘回歸（Partial least-squares regression，PLSR）在水稻LAI估算中的表現，結果表明，基于一階導數比基于原始光譜建立的反演模型更準確，ANN反演精度最好，均方根誤差（Root mean squard error，RMSE）值為0.67。不同遙感平臺估測作物LAI都存在一定的優劣性，因此在研究中可以結合不同平臺不同方法進行多角度分析，以提高反演精度。ROTH等對比了基于UAV裝置和手持裝置預測的大豆LAI與破壞性測定的大豆LAI，所得R2分別為0.92與0.89。目前，作物LAI遙感監測不局限于小麥、玉米、水稻等大宗作物，也逐漸實現了甘蔗、棉花、油菜等的LAI遙感反演研究，表明我國農業遙感監測正在向多樣化發展。

1.3 生物量遙感監測

生物量是作物生長周期的一個重要生理參數，與作物產量關系密切。作物LAI監測方法也可以用來監測生物量。YANG等建立了三河源頭地區草原生物量的BP神經網絡和多元回歸模型，結果表明，BP神經網絡優于多元回歸。YUE等以54個植被指數為自變量，對比了ANN、RF、PLSR等8種回歸方法的精確度，其中PLSR的精度最高。劉暢等提取了UAV影像的光譜和紋理信息，并針對植被指數易飽和現象，構建了圖-譜融合指標，使R2提高了10%以上。HAN等提出了一種新的極化水云模型（APWCM）代替目前常用的水云模型（WCM），結果表明，APWCM只在小麥生物量較高的地區估算效果較好。

1.4 氮素含量遙感監測

氮素是對作物整個生育期影響最顯著的營養元素，準確及時地診斷作物氮素狀況對于氮肥管理具有重要意義。關于作物氮素含量的遙感監測也有一些報道，ZHAO等分析了玉米冠層從可見光到近紅外的光譜反射率，利用直接法和間接法建立了玉米氮營養指數（NNI）的預測模型，結果表明，直接建立冠層光譜和NNI的回歸模型實現簡單且精度較高。CILIA等利用遙感圖像繪制了玉米田NNI預測圖，與實際所得NNI圖表現一致。LIU等和CAO等試驗證明，利用葉綠素含量可以估算氮素狀態，從而開發了基于葉綠素估算水稻氮素的模型。

目前，研究者在作物葉綠素、LAI、生物量、氮素等方面都得到了較好的反演精度，但由于缺乏相關機制支撐，并且由于冠層光譜很容易受到冠層含水量、葉片含水量、雜草、土壤覆蓋度以及周圍環境等影響，導致有時選出的與目標參數建立回歸關系的光譜波段不是適用于所有物質的特征吸收波段，這可能是多種因素綜合造成。上述結果往往只適合研究者當時的研究情況，很難在其他地點甚至在同一地點不同年份的作物上進行推廣與應用。因此，如何提取遙感數據的有用信息，剔除冗余甚至干擾信息是目前遙感反演的難點。

2 作物災害遙感監測

近年來，我國各地極端、異常氣候頻發，農作物干旱、澇害、凍害、倒伏發生嚴重；病蟲害的發生和流行也呈現加重趨勢，對糧食安全生產構成嚴重威脅。我國在大面積災害監測預報方面仍較薄弱，遙感技術為作物災害監測提供了寶貴的契機，能夠進一步快速準確了解作物災害的發生狀況。

2.1 作物干旱遙感監測

干旱是目前世界上最嚴重的自然威脅之一，由于近年來全球氣候的變化，干旱發生的頻率和強度可能會在未來幾年進一步加劇。已有一些研究者對作物的干旱進行了相關的遙感監測，CHANG等分析了高分一號（GF-1）寬視野（Wide field of view，WFV）數據的光譜特征，建立了基于紅-近紅外光譜的改進型垂直干旱指數（MPDI）模型，在試驗點5個子區域中偏差的百分比在14.7%～21.8%，在整個研究區域性能評估的準確率高于95%。ZHANG等提出了基于降水、蒸發蒸騰和土壤濕度修改的多變量標準化干旱指數（MMSDI），并將其與標準化土壤水分指數（SSMI）、變量標準化干旱指數（MSDI）進行對比，結果表明，MMSDI能更加準確地識別我國的干旱地區及干旱強度。ORTEGA-GOMEZ等對比了標準降水指數（SPI）、帕默爾干旱指數（PDSI）等5種干旱指數，表明單個指標會造成顯著偏差，每個干旱指數的演變必須伴隨著空間分布的干旱圖，才能更好地了解當地的干旱狀況及其演變方向。到目前為止，已被提出的干旱指數有100多個，這些指數分別被用于不同類型的干旱，包括氣象、農業和水文干旱。對作物干旱的遙感監測表現在干旱指數的探索與改進，而且隨著遙感數據源分辨率的提高和訪問周期的縮短，以及多元遙感數據的融合，其結果的準確性與時效性也會顯著提升。

2.2 作物凍害遙感監測

近幾年，我國對作物凍害遙感監測的研究較少，主要是因為其具有突發性和不可預見性，且凍害不僅與氣溫有關，也與作物生育時期有關，對作物凍害實時監測較困難。凍害能夠引起作物發生一系列變化，例如葉片含水量、葉綠素含量、光合速率、紅邊位置等發生變化。李軍玲等基于環境1號（HJ-1A）數據分析了河南省林州市冬小麥凍害的發生過程，并利用藍邊面積（SDb）與紅邊面積（SDr）建立了冬小麥凍害監測模型，但結果與實際凍害分布情況相差較大。SHE等根據中等分辨率成像光譜儀（MODIS）和中等分辨率成像頻譜儀（MERIS）數據研究了油菜的光合速率、LAI等多個指標，發現光化學反射指數（PRI）對冷凍脅迫反應強烈，而葉綠素指數（MTCI）幾乎不受凍害影響。小麥是世界上最重要的糧食作物，同時小麥倒春寒又是最典型的凍害類型之一，因此應加緊對作物，尤其是小麥的凍害監測研究。

2.3 作物病蟲害遙感監測

不同病蟲害對農作物的主要影響不同（葉綠素、水分含量和形態結構等），因此在對作物病蟲害進行遙感監測的時候，需要通過不同的波段組合檢測不同的疾病。目前，國內外學者已經分析篩選出小麥銹病、小麥白粉病、棉花蚜蟲、棉花黃萎病、稻縱卷葉螟、大豆胞囊線蟲和猝死綜合征等作物病蟲害類型的光譜敏感波段以及識別模型。在果蔬方面，PINEDA通過多色熒光成像和熱成像，研究了西葫蘆軟腐病和白粉病引發的葉片代謝變化，并以ANN、邏輯回歸分析和支持向量機（SVM）作為分類器，準確區分了健康和受感染的葉片。AL-SADDIK等研究發現，基于紅綠藍（RGB）數字圖像和高光譜反射數據并結合葉片反射率（PROSPECT）模型和神經網絡識別模型對葡萄幼樹衰退病和黃化識別的準確度達到99%。隨著機器學習的發展，基于圖像的深度學習在作物病蟲害監測中也表現出獨特的優勢。DUARTE-CARVAJALINO等利用卷積神經網絡（Convolutional neural network，CNN）、SVM、多層感知機（Multi-layer perceptron，MLP）、RF對馬鈴薯晚疫病的嚴重程度進行定量預測，結果表明，CNN、RF、MLP預測準確度優于SVM。遙感檢測作物病蟲害的挑戰之一是“異病同譜”，這是由于有些病蟲害的發生所引起的表征十分相似，會造成遙感識別的精度大大降低，因此需要更多的研究進行評估，使用更先進的成像系統和圖像處理技術來區分難以檢測的作物疾病或其他脅迫。

當前，機載和星載圖像雖已成功應用于作物災害監測，但要及早發現災害仍非常困難。在多數情況下，當作物的脅迫癥狀可以在遙感上檢測到圖像時，災害就已經對作物造成了嚴重的破壞。對于一些病蟲害來說，遙感監測結果具有一定價值，能夠通過對受災作物采取有效的控制措施來盡量減少損害。但對于其他災害來說，得到遙感監測結果后再進行糾正，可能為時已晚。實際上，遙感圖像主要用于評估災害造成損害的程度和強度，并且是一種具有成本效益的工具。

3 作物產量遙感估測

在未來幾十年中，作物產量必須大幅增加才能夠滿足全球人口增長所產生的糧食需求。但全球的糧食生產受到可使用土地面積和水資源的限制，因此，需要以統一和透明的方式量化現有農田的糧食生產能力，以便為土地有效利用政策的開發和投資決策信息的提出奠定基礎。農業遙感技術具有宏觀、快速、準確等優點，已被廣泛應用于各種作物的產量估測。例如GONG等根據UAV圖像的冠層反射率計算了幾種被廣泛使用的植被指數，并基于圖像和端元光譜的混合分析估算了不同氮處理下油菜的產量，所得估算誤差小于13%。BELLAKANJI等提出了一種將農業氣象（SAFY）模型與光學SPOT衛星數據相結合的方法，用以估計研究作物的總產量，結果表明該方法的準確度明顯提高。HE等結合陸地衛星（Landsat）和MODIS數據實現了對大麥、玉米、冬小麥等7種作物的產量估測，而估測的作物產量結果與農業部報告的作物生產數據之間的相關系數為0.96，RMSE值為37%。王麗媛等利用遙感數據與作物模型同化（PCSE/WOFOST）方法，實現了對江蘇省冬小麥的遙感估產，同化后產量的RMSE值降低了76%，使冬小麥產量估測精度顯著提高。隨著計算機技術的發展，同化方法逐漸展示出經驗統計方法所不具備的獨特優勢，遙感數據結合作物生長模型將成為未來遙感估產的研究方向之一。

4 遙感監測模型

4.1 作物反演方法

回歸模型是定量遙感的重要內容之一，其主要研究各變量之間線性或非線性的關系，建立回歸方程，用于預測未知樣本。傳統回歸模型有一元線性回歸、多元線性回歸、偏最小二乘回歸、主成分回歸、嶺回歸等。隨著計算機的發展，機器學習方法在遙感反演上的應用越來越廣泛，包括ANN、決策樹（DT）、SVR、RF等。機器學習在處理非線性問題上表現優異，尤其是ANN，雖然每次建立模型都會產生不同的預測結果，但正因為如此，才使其具有更加廣闊的進步空間。目前，傳統的回歸模型與機器學習方法孰優孰劣，不同研究人員的認定結果不同，還需要進一步的探索。

物理模型通過考慮葉片結構以及光照與大氣、作物之間相互作用的輻射傳輸機制，能夠詳細描述光在葉片內部的傳輸過程。可分為幾何光學模型、輻射傳輸模型、計算機模擬模型、混合模型4種。其中，輻射傳輸模型應用最廣泛，典型的輻射傳輸模型有植被冠層反射率（SAIL）模型、雙層冠層反射率（ACRM）模型和PROSPECT模型。LI等結合連續小波變換（CWT）與PROSPECT模型對小麥、水稻干物質積累與含水量進行反演研究，結果表明，耦合后的PROCWT方法較傳統物理模型反演精度有較大提升。

經驗統計模型較其他模型在大多數研究結果中的反演精度較高，JAY等對比了基于植被指數的經驗統計模型和PROSAIL模型對甜菜的LAI、葉片含氮量以及葉綠素的遙感估測，結果表明，經驗統計模型優于物理模型。但經驗統計模型缺少可移植性和魯棒性，只是建立數學及統計上的聯系，難以作出物理解釋。而物理模型缺點是需要輸入參數較多，如土壤背景反射率、太陽高度角、單葉片反射率、透射率、平均葉傾角、LAI等，同時模型較復雜。結合經驗統計模型和物理模型的混合模型是未來遙感反演探索的方向之一。

4.2 作物識別方法

作物識別方法一般用于作物種類識別、面積制圖、病蟲災害識別等。作物識別分為無監督模式（K均值聚類分析、系統聚類分析、自組織神經網絡等）、有監督模式（Fisher判別、SVM、ANN等）以及越來越受關注的半監督模式。其中，YU等提出一種無監督卷積特征融合網絡，實現了對遙感圖像的高效分類，僅需幾層網絡就能獲得與深度網絡相當甚至更好的結果。ZHENG等提出一種新的多光譜指數-紅邊疾病應激指數(REDSI)，結合RF鑒別了冬小麥黃銹病的不同感染程度，準確度可達84.1%，kappa系數為0.76。隨著人工智能的發展，基于遙感圖像的計算機視覺與深度學習的學科交叉方法已成為目前農業遙感識別最熱門的方向之一。

5 展望

經過幾十年的發展，我國遙感技術逐漸成熟，但仍停留在科學研究層面，與指導生產、服務決策等目標仍有較遠距離。我國目前的農業生產模式以個體化為主，農田信息復雜，從而大大制約了遙感技術的普及應用。因此，實現農業規模化生產，并充分利用遙感技術在農業方面的優勢，對我國精準農業及農業可持續發展具有深遠意義。

此外，具有成本效益的UAV正成為眾多應用研究人員的常用工具之一，也是當前現代化農業發展的熱門話題之一。UAV綜合了地面遙感精度高和航天遙感范圍廣的優點，但其續航能力和有效載荷有限，會導致信息獲取受限。與此同時，由UAV獲取的遙感圖像紋理失真較大，對特征的提取較為困難。因此，未來要加緊對農用UAV的開發研究。

地理空間人工智能是一門新興的學科，其結合了空間科學、機器學習中的人工智能方法、數據挖掘和高性能計算，可從空間大數據中提取知識。新的學科推動了農田信息的持續獲取、快速提取、處理分析、決策規劃、資源管理、共享等各個方面的發展，地理空間人工智能是遙感技術未來的發展方向之一。