中國熱帶農業遙感研究體系框架與展望

摘" 要：熱帶農業對全球糧食安全和鄉村振興至關重要，但復雜的地理環境、氣候條件以及頻發災害共同制約其現代化進程。遙感技術憑借大范圍、高時效的信息獲取優勢，已成為推動熱帶農業智慧化與精準化管理的關鍵工具。本文構建了中國熱帶農業遙感研究的體系框架，提出了“天空地”（即天-空-地）一體化觀測理念，闡釋了低、中、高分辨率的分層觀測體系與區域資源調查、農田長勢監測及地塊表型診斷之間的技術適配關系；系統回顧了遙感在資源調查、作物監測、產量估測、災害評估與生態評價等領域的應用進展；分析了數據支撐不足、模型遷移性弱、區域適應性差與成果轉化效率低等現實問題；提出構建遙感協同觀測、多模態融合、智能建模與數字孿生預測體系，并展望“系統集成-智能感知-全球協同”的未來發展方向。該研究結果為提升我國熱帶農業遙感技術的系統性與實用性提供理論基礎與技術支撐。

關鍵詞：熱帶農業；遙感技術；智慧農業；天空地一體化；多模態融合；表型遙感中圖分類號：S127 """""文獻標志碼：A

Framework and Emerging Directions for Remote Sensing in Chinese Tropical Agriculture

LI Hailiang^1，2， LI Weiguang³， TIAN Guanghui⁴， LIU Xiaojuan⁵， HUANG Qiting⁶， ZHENG Qian^1，2，MA Yiwen^1，2*

1. Institute of Scientific and Technological Information， Chinese Academy of Tropical Agricultural Sciences / Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province / Key Laboratory of Applied Research on Tropical Crop Information Technology of Hainan Province， Haikou， Hainan 571101， China; 2. Hainan Tang Huajun Academician Workstation， Haikou， Hainan 571101， China; 3. Hainan Climate Center， Haikou， Hainan 570203， China; 4. Hainan Institute of Meteorological Sciences， Haikou， Hainan 570203， China; 5. Hainan Geomatics Center， Ministry of Natural Resources， Haikou， Hainan 570203， China; 6. Agricultural Science and Technology Information Research Institute， Guangxi Academy of Agricultural Sciences， Nanning， Guangxi 530007， China

Abstract： Tropical agriculture is critical to global food security and rural revitalization. However， its modernization is constrained by complex terrain， climatic variability and frequent disasters. Remote sensing， with its capacity for large-scale， real-time information acquisition， has emerged as a key enabler for smart and precision agriculture in tropical regions. This study established a framework for remote sensing research in China’s tropical agriculture， proposing an integrated “space-air-ground” observation strategy and explaining the resolution-to-application matching mechanism， in which low-， medium-， and high-resolution observations are respectively suited for regional resource surveys， farmland growth monitoring， and field-scale phenotypic diagnostics. It reviewed progress in natural resource surveys， crop monitoring yield estimation， disaster assessment and ecological evaluation， analyzed challenges such as insufficient ground-truth data， limited model transferability， poor regional adaptability and low transformation efficiency; and proposes key innovation paths including coordinated sensing， multi-modal data fusion， intelligent modeling and digital twin-based forecasting. Finally， it outlined future directions focusing on system integration， intelligent perception， and global collaboration. The findings would provide theoretical and technical support for enhancing remote sensing applications in tropical agriculture.

Keywords： tropical agriculture; remote sensing technology; smart agriculture; space-air-ground integration; multi-modal fusion; remote sensing phenotyping

DOI： 10.3969/j.issn.1000-2561.2025.09.023

全球熱帶農業因資源稟賦獨特和戰略地位顯著，在保障糧食安全與推動鄉村振興中具有不可替代的作用。天然橡膠、油棕等作物是工業生產的重要原料，咖啡、香蕉等則是關鍵消費品，熱帶地區更是全球糧食生產的重要區域^[1]。然而，復雜的地理環境、多云多雨氣候及頻發極端氣象事件導致數據基礎薄弱、監測能力不足，加之病蟲害等災害響應滯后，嚴重制約農業現代化進程^[2]。遙感技術憑借高精度信息采集與動態監測優勢，成為破解熱帶農業信息化與精準化管理難題的核心手段^[1]。通過構建“天空地”一體化監測體系及多主體協同平臺，可顯著提升監測效能，支撐國家糧食安全戰略并推進鄉村振興。

我國高度重視農業農村現代化，將智慧農業與數字鄉村建設納入創新驅動發展戰略，持續強化政策支持力度。例如，2025年中央一號文件和農業農村部一號文件明確提出發展智慧農業，推動人工智能、大數據等技術應用，并部署“天空地”一體化農業觀測網絡等重大項目。在此背景下，遙感技術通過精準資源調查、作物監測與災害預警，為智慧農業體系構建提供關鍵支撐，其發展不僅是國家農業現代化戰略的需求，更是保障糧食安全、實現農業智能化管理的重要舉措。

本文系統梳理我國熱帶農業遙感技術發展現狀，聚焦體系框架、應用進展、存在問題與挑戰，明確未來技術創新方向，以期為技術突破提供理論依據，助力熱區智慧農業高質量發展。

1 "熱帶農業遙感研究的體系框架

熱帶農業遙感研究是支撐智慧農業建設的關鍵技術，其體系框架涵蓋數據采集、處理、分析與服務等核心環節，形成感知-診斷-預警-調控的閉環服務鏈。該體系需適應熱帶地區復雜地形、多樣作物結構和多變氣候條件，實現多尺度協同和技術高效匹配。

根據空間分辨率和應用需求，遙感數據分為低、中、高分辨率3類：低分辨率數據（如MODIS、FY-3）適用于宏觀資源調查與氣候評估；中分辨率數據（如Landsat、Sentinel-2）用于區域尺度的作物識別與災害評估；高分辨率及近地遙感數據（如GF系列、無人機影像）支持地塊級作物表型監測和精準管理。通過構建“二柱三縱四橫”的遙感服務路徑（圖1），該框架實現了多平臺、多尺度的遙感協同應用。

1.1 "體系框架組成與核心功能

熱帶農業遙感體系包括感知層、數據層、模型層和應用層4個功能模塊。感知層集成衛星、無人機及地面傳感器，實現作物生長、土壤濕度、氣象等信息的實時獲取；數據層承擔數據預處理、集成與管理，支撐高效存儲與共享；模型層結合統計分析與智能算法，開展作物監測、災害預警與產量模擬；應用層則將模型輸出轉化為農業管理建議，服務于政府監管與農戶決策。

該體系在分辨率與業務需求之間實現匹配，構建了宏觀-區域-地塊三級遙感協同路徑，體現了遙感技術在熱帶農業中的逐層遞進邏輯。

1.2 "遙感技術與熱帶農業問題匹配

遙感應用需與熱帶農業問題的空間尺度、動態特征和響應變量相適應。作物識別依賴高空間分辨率數據，災害監測強調時間分辨率與多源協同，表型監測則需光譜分辨率支持。為此，遙感技術應根據問題特性靈活選配。表1總結了遙感技術與典型農業問題的匹配關系，展示了不同遙感手段在熱帶作物識別、災害評估、表型診斷等方面的應用路徑，為后續遙感類型的能力分析提供結構性參考。

1.3" 多源遙感數據融合機制

熱帶地區復雜的生態與氣候條件使得單一遙感數據源無法滿足農業監測的多維需求。為提升遙感系統的穩定性和適應性，多源數據融合機制

應運而生。具體而言，數據融合可以體現在不同層次：數據層融合通過對多個遙感數據集進行空間配準和時間同步，增強時空分辨率；特征層融合則是從不同數據源中提取特征指標后進行組合建模；決策層融合則依托多源數據分析結果進行信息整合和決策優化。

這種多源融合機制不僅能有效克服單一數據源的局限，還能夠實現更加精準的空間與時間動態監測，從而滿足熱帶農業復雜多變的需求。隨著人工智能技術的不斷發展，數據融合的智能化和自動化程度將進一步提升，推動遙感技術向更加高效和精準的方向發展。

2 "熱帶農業遙感研究的技術應用現狀

隨著大數據、云計算和人工智能的發展，遙感技術在農業中的應用不斷深化，已在資源調查與區劃、作物監測管理、災害預警評估等方面取得重要進展。特別是國產高分衛星的投入使用，顯著提升了農業遙感的時空精度與應用廣度。

2.1 "熱帶農業自然資源調查與區劃

熱帶農業自然資源調查與區劃是優化農業資源配置、提升農業生產效率的核心基礎。近年來，依托遙感技術的突破性進展，研究者在土地資源動態監測、生物資源時空解析、氣候資源精細化建模、水資源分布評估及農業區劃優化等領域取得系統性突破。

2.1.1" 土地資源領域 "研究者們利用多源遙感數據和智能分析方法，對土地利用格局及其演變機制展開了深入的研究。比如，采用SVM和RF等機器學習算法，對土地利用變化展開了詳細分析，揭示了各類土地利用動態變化的特征及其驅動因素^[7]。此外，通過遙感與地理信息系統技術相結合，對廣西海岸灘涂的利用時空變化進行了研究，結果表明，2008—2014年，灘涂利用類型的變動不僅反映了區域經濟發展的趨勢，也受到環境變化的顯著影響^[8]。在復雜地區的地物類型提取方面，基于SAM2多任務學習的研究為土地資源遙感監測提供了新的方法和思路^[9]。

2.1.2" 生物資源領域 "研究者們采用遙感與地面調查相結合的方法，對熱帶地區生物資源的時空分布及動態變化進行了多尺度分析。例如，基于MODIS NDVI時間序列數據的研究表明，2001—2016年，海南島NDVI總體呈增加趨勢，增長速率為0.023/10 a，其中氣候變化和人類活動的相對作用分別為31.04%和68.96%，表明人類活動是植被改善的主要驅動力^[10]。此外，研究者們還采用M-K檢驗和方差評價法，對2001—2015年西雙版納植被覆蓋變化進行了趨勢分析^[11]。并基于1986—2020年Landsat影像數據，分析了中國南方丘陵山地流域的植被長期變化情況^[12]。

2.1.3 "氣候資源領域 "研究者們利用多源氣象數據與遙感信息，建立了針對熱區農業氣候資源的精細化分析方法。例如，結合遙感數據和地面氣象站資料，運用線性趨勢法、累積距平與反距離加權插值等方法分析了華南地區光能資源的時空變化特征，發現1960—2011年年平均氣溫、最高氣溫和最低氣溫均呈上升趨勢，增速分別為0.19、0.13、0.23"℃/10 a^[13]。1961—2015年，中國熱區降水量整體呈上升趨勢，氣候傾向率為13.85"mm/10"a^[14]。研究者們還對太陽輻射進行了建模評估，分別提出了適用于熱區干季、濕季和全年估算的經驗模型^[15]。

2.1.4" 水資源領域 "研究者們結合HJ-1、Landsat等遙感數據與地面觀測，開展了水體動態監測與空間分布分析。例如，針對海南島，研究人員采用CIWI模型優化了NDWI與近紅外波段特征，實現了水體高精度提取（精度達92%），揭示了2014年枯水季與豐水季水域面積的顯著差異^[16]。在廣西，通過NDWI與MNDWI組合分析2009—2012年四大水庫水面變化，發現其月際波動率最高達119.1%，受降水與排水影響顯著^[17]。在福建，利用遙感技術分析揭示沿海地區水庫密度高但蓄水量低，而內陸相反，突顯人均水資源短缺問題^[18]。

2.1.5" 農業區劃領域" 研究者基于氣溫閾值構建了熱區劃分的定量方法。以日平均氣溫≥10℃穩定期間的積溫與持續日數為指標，對華南地區進行了氣候帶劃分，將其分為寒溫帶、中溫帶、暖溫帶、南亞熱帶、中亞熱帶、北亞熱帶和邊緣熱帶^[19]。同時，研究者們還討論了歷史上中國熱區劃分問題，指出傳統劃分方法存在空間分辨率與動態適應性不足的問題，并提出了結合遙感動態監測進行農業區劃優化的方向^[20]。

當前研究雖在單一資源領域取得重要進展，但受限于數據覆蓋范圍與技術差異，相關成果多聚焦于局部地區，跨區域、多要素協同分析仍顯不足，亟需構建覆蓋全國熱區的綜合自然資源遙感調查體系，以支撐熱帶農業的可持續發展。

2.2 "熱帶作物生長監測與估產

在熱帶農業自然資源調查與區劃的基礎上，研究者進一步聚焦熱帶作物精準識別、長勢監測與產量估測，以支撐農業生產的精細化管理。這3個環節層層遞進，共同構建了作物生命周期的遙感監測鏈條，為災害預警、資源配置與產量提升提供技術支撐。

2.2.1" 作物識別方面 "研究者利用高分辨率遙感影像和多源數據，結合物候特征分析、機器學習與面向對象分類方法，實現了對主要熱帶作物的精準識別。例如，基于MODIS遙感數據提取橡膠樹物候特征，建立識別算法提取分布信息^[21]。利用GF-1影像和紋理特征提取方法，構建芒果林空間分布圖^[22]。通過融合光譜、紋理及植被指數信息，對椰子林進行空間分布提取^[23]。進一步研究發現，優化特征組合與機器學習算法配置可顯著提高檳榔和椰子林的識別精度^[3]。此外，結合RapidEye影像和面向對象方法，較準確地提取了木薯的種植面積及空間分布^[24]。

2.2.2" 作物長勢監測領域 "研究者采用多源數據融合與時序分析方法，對熱帶作物生長狀況進行持續監測。例如，基于NDVI數據與S-G濾波法重建時間序列，利用動態閾值法解析橡膠林物候變化^[25]。構建一元線性、指數與對數模型估算橡膠林LAI，反映其生長動態^[26]。此外，基于風云三號氣象衛星數據與歷史NDVI序列，對橡膠樹長勢開展動態監測^[27]?；诙嘣催b感數據構建樹齡反演模型實現橡膠林樹齡監測^[28]。利用高光譜診斷方法提高橡膠葉片磷含量估算精度^[4]。在甘蔗監測方面，通過MODIS-NDVI構建長勢差值模型，實現莖伸長期動態跟蹤^[29]。

2.2.3" 產量估測方面" 研究者基于遙感數據與建模方法，結合地面調查數據，對橡膠、甘蔗、香蕉等作物產量開展系統研究。例如，構建橡膠林生物量與林齡、遙感變量的回歸模型與隨機森林模型^[30]。融合CASA模型與橡膠樹干物質分配模型，提出了橡膠樹產量模擬方法^[31-32]?；赟entinel-2與Landsat8多時相影像構建了甘蔗產量預測模型^[33]。采用Sentinel-2時序影像與BSO-SVR算法，開展了香蕉遙感估產^[34]。

目前，熱帶作物遙感研究在識別對象、監測指標與估產區域方面仍存在局限，主要聚焦于天然橡膠、椰子、芒果等少數作物，且區域多集中在海南等局部地區。尚缺乏多作物、多尺度協同的系統化應用框架，難以滿足全國范圍內精細化農業管理的實際需求。未來需構建跨區域、多作物的綜合遙感監測體系，以推進從數據獲取到產量預測的全流程集成化，全面提升熱帶作物的遙感支持能力與管理效能。

2.3 "熱帶農業災害監測與評估

熱帶農業災害監測與評估是保障農業生產安全、提升區域防災減災能力的關鍵環節。針對臺風、干旱、洪澇、病蟲害等多災種交織的復雜環境，研究者通過遙感數據、氣象觀測與地面調查等多源融合，初步構建了涵蓋災害時空分布解析、動態預警與影響評估的技術體系。

2.3.1" 氣象災害方面" 研究者們利用遙感影像、氣象觀測數據及數值模擬方法，對極端氣象事件和氣象災害的時空特征、影響機制及趨勢進行了系統研究，提出了多種評估模型。例如，闡明了中國熱區極端氣溫、極端降水的時空變化特征、影響因子及未來變化趨勢^[35-36]。在海南構建了農業干旱綜合監測模型，實現業務化運行^[37]?；贖J-1A/1B數據的天然橡膠干旱監測模型也在海南島橡膠林中得到應用^[38-39]。而基于HJ-1A/1B數據的洪澇災害監測模型則應用于海南島部分區域的動態災情識別與評估^[40]。此外，通過NDVI變化與風眼距離建模，定量刻畫了臺風“納沙”造成的植被損失梯度分布^[41]。并基于多光譜影像和差值法，構建了橡膠林風害等級評估體系^[5]。在甘蔗寒凍害監測中，MODIS數據支持的指數差值法亦展現出良好的應用效果^[42]。

2.3.2" 生物災害方面 "研究者圍繞熱帶作物重大病蟲害的早期識別與動態監測，構建了多平臺、多方法融合的遙感評估體系。例如，基于大疆精靈4多光譜無人機獲取的橡膠樹冠層影像提取植被指數與紋理特征，并結合集成學習方法構建白粉病識別模型，總體識別準確率高達96.39%^[43]。在廣西隆安縣香蕉種植區，研究者采集香蕉枯萎病多光譜影像構建了高質量的無人機遙感數據集，為后續模型訓練奠定基礎^[44]。針對檳榔黃化病，利用多光譜影像與mRMR算法篩選特征變量，分別構建了BPNN、RF與SVM模型，其中BPNN模型識別精度最高，達到91.70%^[45]。此外，研究者還基于高光譜數據，結合光譜特征提取與變換技術，構建了用于柑橘黃龍病識別的機器學習模型，最高識別精度達94.70%^[46-47]。

2.3.3" 復合災害方面" 氣象災害與生物災害在熱帶農業生產中常常相互作用，形成更為復雜的災害聯動效應。例如，干旱促發蟲害、強降雨加劇病害傳播等。全球氣候變暖還在重塑災害的時空格局，增加熱帶農業系統的脆弱性^[48]。因此，研究者正逐步從單一災害監測向復合災害評估拓展。但目前災害耦合模擬與聯動機制研究仍顯薄弱，現有方法多依賴單災種建?；蚪涷炓巹t，難以準確反映病蟲害在極端氣候條件下的演化規律。未來應進一步聚焦災害交互機制、多災種耦合建模及區域適應性評估，構建多災種、多尺度協同發展的災害監測與評估體系。

總體而言，熱帶農業災害遙感研究已形成以識別、監測和初步評估為主的技術路徑，在部分災種和區域開展了典型示范。但在災情精細化識別、定量評估與災種間耦合模擬等方面仍存在不足，亟需構建多災種、多尺度協同的災害遙感監測與評估體系，推動遙感技術在熱帶農業防災減災中的深度融合與規?；瘧?。

2.4 "熱帶農業生態環境監測與生態影響評估

熱帶農業生態環境的穩定性直接關系到區域農業的可持續發展。熱帶地區不僅頻繁遭受臺風、干旱、洪澇等極端氣候事件的沖擊，同時因氣候濕熱、生物多樣性豐富，也表現出較強的生態敏感性與脆弱性。近年來，研究者依托遙感技術，初步構建了覆蓋土壤退化監測、生態系統動態評估與環境恢復能力的遙感體系，實現了農業生態環境全生命周期的精細化管理。

2.4.1" 土壤環境監測與退化評估方面 "遙感結合地面調查和模型模擬已被廣泛應用于水土流失、酸化、鹽漬化等土壤問題研究?；贑SLE模型和高分辨率遙感數據，研究者揭示了廣州市2019—2022年水土流失的空間格局，發現北部山區輕度侵蝕為主，高強度侵蝕多集中于建設用地與耕地^[49]。采用RUSLE模型，結合遙感、氣象與地形數據，分析了海南昌化江流域土壤侵蝕的強度分布與驅動因子^[6]。在區域尺度上，融合抽樣調查與LUCC數據，提出了快速更新土壤侵蝕動態變化的方法^[50]。

2.4.2 "農業擴張與生態系統影響評估方面 "遙感與生態模型聯合應用揭示了人類農業活動對生態系統服務功能的影響機制。例如，基于InVEST模型，研究了海南島海岸帶1990—2020年土地利用變化對碳儲量的影響^[51]。通過Landsat數據監測廣西北部灣紅樹林退化及其與農業活動的關系，明確了人類干擾與生態系統功能退化之間的關聯^[52]。此外，橡膠樹種植擴張對海南島、西雙版納等地生態系統結構與穩定性產生了深遠影響^[53-54]。遙感結合生態指數評價還揭示了耕地復種指數與農業生態系統健康狀況之間的負相關關系，為農業綠色轉型提供了定量支撐^[55]。

目前，盡管在土壤環境監測與生態影響評估方面取得了重要進展，但整體仍存在遙感監測精度不足、區域協同研究較弱、生態影響機制刻畫不夠清晰等問題。未來應整合高分辨率遙感、多源地面觀測與生態模擬，推進數據融合與模型聯動，構建多尺度、多因子協同的農業生態遙感評估體系，為熱帶地區農業與生態系統的協調發展提供科學支撐。

3 "存在問題與未來研究方向

3.1" 技術應用的局限性

近年來，熱帶農業遙感技術已在作物識別、生長監測、產量估測和災害評估等方面取得顯著進展，初步建立了較為完整的反演模型體系和應用鏈條。但從整體來看，當前技術在數據支撐、區域推廣、模型適應性與成果轉化等方面仍面臨諸多制約。

首先，實測數據基礎薄弱。熱區地面監測站點分布稀疏，長期連續數據匱乏，嚴重制約遙感模型的反演精度與驗證能力。受限于地理環境和氣候條件，實地采樣難度大，數據的時空不連續性不僅影響作物長勢監測和災害預警，也削弱了生態評估的準確性和時效性。

其次，區域覆蓋與作物類型不均衡。目前遙感應用多集中于海南、廣東、廣西等核心區域，西南低緯度高原等熱區邊緣區域的研究明顯不足，尚未形成全國熱區統一的遙感監測體系。同時，除橡膠、甘蔗等主導作物外，檳榔、椰子、木薯等熱帶特色作物的遙感技術仍待完善，作物間生長特性差異與生態背景復雜性進一步增加了模型的適用難度。

再次，模型魯棒性與遷移能力不足。已有遙感模型多基于單一作物或特定區域，缺乏在不同氣候區、土壤類型及耕作模式下的推廣能力，泛化性和穩定性不強。尤其在數據驅動算法與物理機制耦合方面，尚需提升模型對多維輸入的響應能力與解釋性。

最后，成果轉化與推廣機制不健全。盡管遙感技術在農業監管、生產管理等方面的應用日益廣泛，但成果落地速度較慢，標準化平臺、數據共享機制與跨部門協同仍顯薄弱。農業管理部門、科研機構與企業之間的協作不暢，導致先進技術難以快速融入農業實踐，影響其在精準決策中的支撐作用。

3.2 "面臨的挑戰

盡管熱帶農業遙感研究在作物識別、災害監測與生態評估等方面取得了重要進展，但在實際業務化應用過程中仍面臨多重挑戰。

首先，地塊破碎化制約精準監測。中國熱區以丘陵山地為主，耕地破碎化特征顯著，農田經營規模普遍較小。據統計，經營面積低于3.4 hm2的小農戶占比超95%^[56]。復雜地形導致地塊邊界模糊、地物光譜混雜，使得高分辨率遙感影像的地物分類精度下降^[57]。此外，微環境差異（如土壤濕度、光照條件）進一步影響遙感反演模型的穩定性，限制了跨區域推廣應用能力。面對這一挑戰，需發展針對破碎化農田的智能分割算法，結合多尺度特征融合技術，提高作物精準識別和長勢監測的適用性。

其次，作物種類多樣與種植結構復雜挑戰模型魯棒性。熱帶地區廣泛分布橡膠、甘蔗、木薯、芒果等高附加值作物，間種、套種、輪作等復種模式普遍^[58]。這種多樣化結構疊加復雜地形，導致遙感監測中“同譜異物”“同物異譜”問題頻發，顯著降低分類模型在混合種植區的識別精度。例如，GF-2影像在單一椰子林區分類精度可達95%，但在檳榔-椰子混種區明顯下降^[23]。未來需融合高光譜成像與LiDAR點云數據，通過深度學習構建跨模態特征對齊框架，增強模型對光譜-空間異構信息的聯合解析能力，提升復雜種植場景下的泛化性能。

最后，多云多雨氣候限制數據可用性。熱帶地區受季風影響顯著，頻繁的云雨天氣導致光學遙感影像缺失率高，嚴重干擾作物時序監測與災害評估^[59]。同時，降水引起的地表濕度突變降低了植被光譜反射穩定性。為應對這一問題，應推動光學與雷達遙感協同融合，引入SAR數據補足光學遙感缺口；并通過時序重建與云層預測模型優化觀測計劃，提高遙感監測的連續性與魯棒性。

3.3 "技術創新要點

針對熱帶農業遙感技術在數據缺失、模型遷移與復雜地塊識別等方面的瓶頸，當前研究可明確以下關鍵技術創新方向，為構建高適應性、強魯棒性與業務化能力兼備的遙感體系奠定基礎。

遙感數據獲取與多源協同方面。應突破光學遙感在多云多雨條件下的觀測限制，構建基于高分辨率光學影像、SAR數據、無人機與地面傳感器的“天空地”一體化協同觀測系統。通過多平臺、多模態數據融合，提高觀測的穩定性與時空連續性，解決熱區局部陰雨天氣造成的數據盲區問題。

智能遙感數據分析與模型優化方面。需發展面向破碎化農田與混合種植區的智能解譯算法。特別是在“同譜異物”“同物異譜”頻發場景下，應引入高光譜圖像、三維點云、時序建模與深度學習技術，構建多模態融合模型，提升作物識別、長勢反演與災害響應的精度與適應性。同時，應構建災害鏈式預警模型，強化對極端氣候及其與植被動態耦合效應的識別能力。

智能決策與預測系統的建設方面。需利用數字孿生與人工智能技術，集成遙感監測結果與“氣候-土壤-植被”耦合模型，建立農業長勢、生態狀態與災害風險的動態預測系統，支撐熱帶農業“監測-模擬-調控”一體化管理。同時，應推動模型平臺化與服務化，提升遙感系統的快速響應與智能化決策支持能力。

通過上述關鍵技術路徑的協同推進，熱帶農業遙感技術將在數據完整性、模型泛化能力與業務集成能力方面實現系統突破，為農業高質量發展提供堅實的數字支撐。

3.4 "發展方向與關鍵任務

在明確關鍵技術創新路徑的基礎上，熱帶農業遙感的發展亟需從技術突破邁向系統布局，聚焦系統集成、智能感知與全球協同三大方向，統籌推進以下關鍵任務：

一是完善“天空地”一體化遙感監測體系。整合高分辨率光學影像、SAR數據、無人機與地面傳感器，構建多平臺協同觀測網絡，提升數據采集的廣度、精度與時效性。重點攻克破碎化農田解譯難題，優化遙感影像處理算法，增強復雜地形下的作物識別與災害監測能力。

二是深化多模態遙感與智能算法融合。推動高光譜、LiDAR、熱紅外等多源數據的深度融合，結合深度學習與圖神經網絡，提升作物分類、長勢估測與病蟲害預測的魯棒性與跨區域適應性。發展多模態表征學習方法，增強遙感模型在復雜生態環境下的遷移泛化能力。

三是推進熱帶作物表型高通量遙感監測。結合無人機高光譜與AI時序建模，構建葉綠素含量、冠層結構等關鍵表型參數的反演模型，在GEE/PIE?Engine等云平臺構建可共享的作物表型數據庫，支撐精準育種、智能施肥與病蟲害早期識別，推動“性狀驅動”的農業管理模式創新。

四是構建農業-生態協同發展遙感平臺。加強跨境災害聯動監測與生態系統耦合建模，推動中國與東南亞、南美、非洲等熱區國家的遙感數據共享與技術協作。依托遙感、物聯網與數字孿生技術，構建“監測-模擬-調控”閉環體系，提升熱區農業對氣候變化與生態擾動的綜合響應與調控能力。

通過上述關鍵任務的系統實施，熱帶農業遙感將在數據完整性、模型智能性與全球適應性上實現協同突破，為中國乃至全球熱區農業現代化轉型提供持續技術動力與中國方案。

4 "結論

中國熱帶農業遙感研究已初步構建起涵蓋多尺度協同與多要素融合的體系框架。在“天空地”一體化觀測網絡支持下，通過低-中-高分辨率數據協同獲取與智能算法深度融合，實現了從資源調查、作物監測到災害評估與生態分析的全鏈條支撐，構建了“感知-診斷-預警-調控”的遙感服務閉環，為智慧農業發展提供了堅實基礎。

當前應用雖在作物識別、產量估測與災害監測等方面取得重要進展，但仍面臨實測數據薄弱、模型遷移性不足、復雜地形下分類精度下降及成果轉化機制不健全等問題。特別是在破碎化地塊、混合種植結構與多云多雨氣候條件下，遙感系統的穩定性與魯棒性仍有待提升。為突破上述瓶頸，研究者應從數據獲取、多模態融合、智能建模與業務支撐等方面開展關鍵技術創新，提出遙感協同觀測、智能算法優化、災害鏈式預警與數字孿生預測系統等技術路徑，將顯著增強遙感系統對復雜環境的適應能力與實時響應能力。

未來應聚焦“系統集成-智能感知-全球協同”三大方向，重點推進“天空地”遙感監測網絡完善、多模態數據融合與作物表型高通量觀測體系建設，打造農業-生態遙感協同平臺，推動遙感在熱帶農業全流程管理中的規?；?、標準化與全球化應用。通過多源感知、模型迭代與全球協作三位一體的體系推進，遙感技術將在糧食安全、鄉村振興與生態治理中發揮戰略性支撐作用，為全球熱區農業現代化轉型提供中國智慧。

參考文獻

[1]"""""" 王慶煌， 崔鵬偉. 熱帶農業與國家戰略[M]. 北京： 科學出版社， 2022.WANG Q H， CUI P W. Tropical agriculture and national strategy[M]. Beijing： Science Press， 2022. （in Chinese）

[2]"""""" 李海亮， 羅紅霞， 戴聲佩， 李茂芬. 熱帶農業遙感研究與應用[M]. 北京： 中國農業出版社， 2024.LI H L， LUO H X， DAI S P， LI M F. Remote sensing research and application in tropical agriculture[M]. Beijing： China Agriculture Press， 2024. （in Chinese）

[3]"""""" LUO H X， LI M F， DAI S P， LI H L， LI Y P， HU Y Y， ZHENG Q， YU X， FANG J F. Combinations of feature selection and machine learning algorithms for object-oriented betel palms and mango plantations classification based on Gaofen-2 imagery[J]. Remote Sensing， 2022， 14（7）： 1757.

[4]"""""" GUO P T， SHI Z， LI M F， LUO W， CHA Z Z. A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance[J]. Industrial Crops and Products， 2018， 126： 1-12.

[5]"""""" 陳幫乾， 云挺， 安鋒， 寇衛利， 李海亮， 羅紅霞， 楊川， 王琴飛， 孫瑞， 吳志祥. 基于Landsat和Sentinel-2時間序列影像的海南西部橡膠林龍卷風災情評估[J]. 遙感學報， 2021， 25（3）： 816-829.CHEN B Q， YUN T， AN F， KOU W L， LI H L， LUO H X， YANG C， WANG Q F， SUN R， WU Z X. Assessment of tornado damage in rubber plantations in western Hainan using Landsat and Sentinel-2 time-series imagery[J]. National Remote Sensing Bulletin， 2021， 25（3）： 816-829. （in Chinese）

1. 胡紀漢. 基于RS和GIS的昌化江流域土壤侵蝕對生態環境變化的響應研究[D]. ?？冢?海南大學， 2024.HU J H. Response of soil erosion to ecological environment changes in the Changhua River Basin based on RS and GIS[D]. Haikou： Hainan University， 2024. （in Chinese）
2. 戴聲佩， 易小平， 羅紅霞， 李海亮， 李茂芬， 鄭倩， 胡盈盈. 基于GEE和Landsat時間序列數據的海南島土地利用分類研究[J]. 熱帶作物學報， 2021， 42（11）： 3351-3357.DAI S P， YI X P， LUO H X， LI H L， LI M F， ZHENG Q， HU Y Y. Mapping land use in Hainan island based on Google Earth Engine and Landsat time series data[J]. Chinese Journal of Tropical Crops， 2021， 42（11）： 3351-3357. （in Chinese）
3. 覃漉雁， 曹慶先， 劉俐， 李焰. 基于RS和GIS的廣西海岸灘涂利用時空變化分析[J]. 海洋湖沼通報， 2023， 45（3）： 91-97.QIN L Y， CAO Q X， LIU L， LI Y. Analysis of temporal and spatial changes of coastal tidal flat utilization in Guangxi based on RS and GIS[J]. Transactions of Oceanology and Limnology， 2023， 45（3）： 91-97. （in Chinese）
4. 黃啟廳， 凌玉榮， 謝國雪， 楊紹鍔， 楊穎頻， 李海亮， 梁存穗， 何新潔， 謝意. 基于SAM2多任務學習的山區地塊模糊邊界提取[J]. 南方農業學報， 2025， 56（1）： 18-28.HUANG Q T， LING Y R， XIE G X， YANG S E， YANG Y P， LI H L， LIANG C S， HE X J， XIE Y. SAM2-based multi-task learning for fuzzy land parcel boundary extraction in mountainous areas[J]. Journal of Southern Agriculture， 2025， 56（1）： 18-28. （in Chinese）
5. LUO H X， DAI S P， LI M F， LIU E P， LI Y P， XIE Z H. NDVI-based analysis of the influence of climate changes and human activities on vegetation variation on Hainan island[J]. Journal of the Indian Society of Remote Sensing， 2021， 49（8）： 1755-1767.
6. 許婧， 劉飛鵬， 王建雄， 邊琳. 基于MODIS NDVI的西雙版納植被覆蓋變化趨勢研究[J]. 西南林業大學學報（自然科學）， 2018， 38（5）： 145-153.XU J， LIU F P， WANG J X， BIAN L. Change trend of vegetation cover in Xishuangbanna based on MODIS NDVI[J]. Journal of Southwest Forestry University （Natural Science）， 2018， 38（5）： 145-153. （in Chinese）
7. 楊坤士， 盧遠， 湯傳勇. 廣西南流江流域1986—2020年植被覆蓋度時空變化及預測[J]. 科學技術與工程， 2022， 22（32）： 14148-14158.YANG K S， LU Y， TANG C Y. Dynamic changes and predictions of vegetation coverage in the Nanliu River Basin in Guangxi from 1986 to 2020[J]. Science Technology and Engineering， 2022， 22（32）： 14148-14158. （in Chinese）

[13]""" 戴聲佩， 李海亮， 劉海清， 劉恩平. 全球氣候變暖背景下華南地區農業氣候資源時空變化特征[J]. 中國農業資源與區劃， 2014， 35（1）： 52-60.DAI S P， LI H L， LIU H Q， LIU E P. The spatial-temporal change characteristics of agriculture climate resources in South China under the background of global warming[J]. Chinese Journal of Agricultural Resources and Regional Planning， 2014， 35（1）： 52-60. （in Chinese）

[14]""" 胡盈盈， 肖楊， 戴聲佩， 羅紅霞， 李玉萍， 李茂芬. 1961—2015年中國熱區降水和氣溫時空變化特征[J]. 西南農業學報， 2021， 34（8）： 1788-1795.HU Y Y， XIAO Y， DAI S P， LUO H X， LI Y P， LI M F. Spatial-temporal variation characteristics of precipitation and temperature in tropical China from 1961 to 2015[J]. Southwest China Journal of Agricultural Sciences， 2021， 34（8）： 1788-1795. （in Chinese）

[15]""" LI M F， GUO P T， DAI S P， LUO H X， LIU E P， LI Y P. Empirical estimation of daily global solar radiation with contrasting seasons of rain and drought characterize over tropical China[J]. Journal of Cleaner Production， 2020， 266： 121915.

[16]""" 李海亮， 汪秀華， 羅紅霞， 田光輝. 基于HJ-1A/1B CCD數據的海南島水體提取研究[J]. 中山大學學報（自然科學版）， 2016， 55（1）： 149-154.LI H L， WANG X H， LUO H X， TIAN G H. HJ-1A/1B CCD data-based water extraction in Hainan island[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni， 2016， 55（1）： 149-154. （in Chinese）

[17]""" 張行清， 丁美花， 陳燕麗， 譚宗琨. 基于HJ-1衛星遙感的廣西水庫水面監測[J]. 水利學報， 2014， 45（4）： 427-434.ZHANG X Q， DING M H， CHEN Y L， TAN Z K. Reservoirs monitoring in Guangxi based on HJ-1 satellite remote sensing images[J]. Journal of Hydraulic Engineering， 2014， 45（4）： 427-434. （in Chinese）

[18]""" 朱珍香， 楊軍. 福建水庫空間分布特征：沿海密度高水量少、內陸密度低水量多[J]. 湖泊科學， 2018， 30（2）： 567-580.ZHU Z X， YANG J. The spatial distribution of reservoirs in Fujian province： higher density but lower storage in coastal than inland regions[J]. Journal of Lake Sciences， 2018， 30（2）： 567-580. （in Chinese）

[19]""" DAI S P， LI H L， LUO H X， ZHAO Y F， ZHANG K X. Changes of annual accumulated temperature over Southern China during 1960—2011[J]. Journal of Geographical Sciences， 2015， 25（10）： 1155-1172.

[20]""" 戴聲佩， 李海亮， 劉海清， 劉恩平. 中國熱區劃分研究綜述[J]. 廣東農業科學， 2012， 39（23）： 205-208， 237.DAI S P， LI H L， LIU H Q， LIU E P. Review on the regionalization of tropical zone in China[J]. Guangdong Agricultural Sciences， 2012， 39（23）： 205-208， 237. （in Chinese）

[21]""" 田光輝， 李海亮， 陳匯林. 基于物候特征參數的橡膠樹種植信息遙感提取研究[J]. 中國農學通報， 2013， 29（28）： 46-52.TIAN G H， LI H L， CHEN H L. Research on remote sensing extraction of planting information for rubber trees based on phenological characteristic parameters[J]. Chinese Agricultural Science Bulletin， 2013， 29（28）： 46-52. （in Chinese）

[22]""" LUO H X， DAI S P， LI M F， LIU E P， ZHENG Q， HU Y Y， YI X P. Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery[J]. Journal of Integrative Agriculture， 2020， 19（11）： 2815-2828.

[23]""" 羅紅霞， 戴聲佩， 李茂芬， 李海亮， 胡盈盈， 鄭倩， 禹萱. 基于Gaofen-2影像和面向對象的椰子林分類研究[J]. 熱帶作物學報， 2024， 45（5）： 1021-1030.LUO H X， DAI S P， LI M F， LI H L， HU Y Y， ZHENG Q， YU X. Object-oriented classification of coconut palms based on Gaofen-2 imagery[J]. Chinese Journal of Tropical Crops， 2024， 45（5）： 1021-1030. （in Chinese）

[24]""" 馬洋洋， 張彩霞， 張繼超， 謝高地， 張雷明. 輔以NDVI/DEM的面向對象木薯提取方法研究—以廣西壯族自治區武鳴縣為例[J]. 地理與地理信息科學， 2015， 31（1）： 49-53， 127.MA Y Y， ZHANG C X， ZHANG J C， XIE G D， ZHANG L M. Research on object-oriented classification method assisted with NDV/DEM in extracting cassava： taking Wuming county for example[J]. Geography and Geo-Information Science， 2015， 31（1）： 49-53， 127. （in Chinese）

[25]""" 胡盈盈， 戴聲佩， 羅紅霞， 李海亮， 李茂芬， 鄭倩， 禹萱， 李寧. 2001—2015年海南島橡膠林物候時空變化特征分析[J]. 自然資源遙感， 2022， 34（1）： 210-217.HU Y Y， DAI S P， LUO H X， LI H L， LI M F， ZHENG Q， YU X， LI N. Spatio-temporal change characteristics of rubber forest phenology in Hainan island during 2001—2015[J]. Remote Sensing for Natural Resources， 2022， 34（1）： 210-217. （in Chinese）

[26]""" 戴聲佩， 羅紅霞， 鄭倩， 胡盈盈， 李海亮， 李茂芬， 禹萱， 陳幫乾. 海南島橡膠林葉面積指數遙感估算模型比較研究[J]. 智慧農業（中英文）， 2021， 3（2）： 45-54.DAI S P， LUO H X， ZHENG Q， HU Y Y， LI H L， LI M F， YU X， CHEN B Q. Comparison of remote sensing estimation models for leaf area index of rubber plantation in Hainan island[J]. Smart Agriculture， 2021， 3（2）： 45-54. （in Chinese）

[27]""" 張明潔， 張京紅， 黃海靜， 張亞杰， 車秀芬. 海南天然橡膠長勢及產膠潛力遙感監測系統研發[J]. 中國農業資源與區劃， 2021， 42（6）： 233-239.ZHANG M J， ZHANG J H， HUANG H J， ZHANG Y J， CHE X F. Remote sensing monitoring system development of growth potential and potential productivity of natural rubber in Hainan[J]. Chinese Journal of Agricultural Resources and Regional Planning， 2021， 42（6）： 233-239. （in Chinese）

[28]""" CHEN B Q， XIAO X M， WU Z X， YUN T， KOU W L， YE H C， LIN Q H， DOUGHTY R， DONG J W， MA J， LUO W， XIE G S， CAO J H. Identifying establishment year and pre-conversion land cover of rubber plantations on Hainan island， China using landsat data during 1987–2015[J]. Remote Sensing， 2018， 10（8）：1240.

[29]""" 謝鑫昌， 楊云川， 田憶， 廖麗萍， 莫崇勛， 韋鈞培， 周津羽. 基于遙感的廣西甘蔗種植面積提取及長勢監測[J]. 中國生態農業學報（中英文）， 2021， 29（2）： 410-422.XIE X C， YANG Y C， TIAN Y， LIAO L P， MO C X， WEI J P， ZHOU J Y. Sugarcane planting area and growth monitoring based on remote sensing in Guangxi[J]. Chinese Journal of Eco-Agriculture， 2021， 29（2）： 410-422. （in Chinese）

[30]""" CHEN B Q， YUN T， MA J， KOU W L， LI H L， YANG C， XIAO X M， ZHANG X， SUN R， XIE G S， WU Z X. High-precision stand age data facilitate the estimation of rubber plantation biomass： a case study of Hainan island， China[J]. Remote Sensing， 2020， 12： 3853.

[31]""" 李海亮， 羅微， 李世池， 劉海清. 基于凈初級生產力的海南天然橡膠產膠潛力研究[J]. 資源科學， 2012， 34（2）： 337-344.LI H L， LUO W， LI S C， LIU H Q. A study on potential productivity of natural rubber in Hainan province based on a net primary production model[J]. Resources Science， 2012， 34（2）： 337-344. （in Chinese）

[32]""" 李海亮， 羅微， 李世池， 戴聲佩， 劉海清. 基于遙感信息和凈初級生產力的天然橡膠估產模型[J]. 自然資源學報， 2012， 27（9）： 1610-1621.LI H L， LUO W， LI S C， DAI S P， LIU H Q. Estimation model of natural rubber yield based on net primary production and remote sensing[J]. Journal of Natural Resources， 2012， 27（9）： 1610-1621. （in Chinese）

[33]""" 羅維， 李修華， 覃火娟， 張木清， 王澤平， 蔣柱輝. 基于多源衛星遙感影像的廣西中南部地區甘蔗識別及產量預測[J]. 自然資源遙感， 2024， 36（3）： 248-258.LUO W， LI X H， QIN H J， ZHANG M Q， WANG Z P， JIANG Z H. Identification and yield prediction of sugarcane in the south-central part of Guangxi Zhuang Autonomous Region， China based on multi-source satellite-based remote sensing images[J]. Remote Sensing for Natural Resources， 2024， 36（3）： 248-258. （in Chinese）

[34]""" 張海洋， 張瑤， 李民贊， 李修華， 王俊， 田澤眾. 基于BSO-SVR的香蕉遙感時序估產模型研究[J]. 農業機械學報， 2021， 52（增刊1）： 98-107.ZHANG H Y， ZHANG Y， LI M Z， LI X H， WANG J， TIAN Z Z. BSO-SVR based emote sensing time-series yield estimation model for banana[J]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（Suppl. 1）： 98-107. （in Chinese）

[35]""" 戴聲佩， 李茂芬， 羅紅霞， 李海亮， 胡盈盈， 鄭倩. 華南地區極端氣溫事件時空變化及其因子分析[J]. 江蘇農業科學， 2021， 49（14）： 194-203.DAI S P， LI M F， LUO H X， LI H L， HU Y Y， ZHENG Q. Spatiotemporal variations and influencing factors of extreme temperature events in South China[J]. Jiangsu Agricultural Sciences， 2021， 49（14）： 194-203. （in Chinese）

[36]""" 戴聲佩， 羅紅霞， 李茂芬， 李海亮， 鄭倩， 胡盈盈. 1959—2016年華南地區極端降水事件變化特征[J]. 中國農業資源與區劃， 2022， 43（3）： 128-142.DAI S P， LUO H X， LI M F， LI H L， ZHENG Q， HU Y Y. Extreme precipitation events variations in southern China from 1959 to 2016[J]. Chinese Journal of Agricultural Resources and Regional Planning， 2022， 43（3）： 128-142. （in Chinese）

[37]""" 李海亮， 戴聲佩， 胡盛紅， 田光輝， 羅紅霞. 基于空間信息的農業干旱綜合監測模型及其應用[J]. 農業工程學報， 2012， 28（22）： 181-188， 295.LI H L， DAI S P， HU S H， TIAN G H， LUO H X. Comprehensive monitoring model for agricultural drought and its application based on spatial information[J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（22）： 181-188， 295. （in Chinese）

[38]""" 李海亮， 戴聲佩， 陳幫乾， 李世池， 田光輝. 基于HJ-1A/ 1B數據的天然橡膠干旱監測[J]. 農業工程學報， 2016， 32（23）： 176-182.LI H L， DAI S P， CHEN B Q， LI S C， TIAN G H. Monitoring drought condition based on HJ-1A/1B data in natural rubber plantation[J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（23）： 176-182. （in Chinese）

[39]""" 李海亮， 戴聲佩， 羅紅霞， 李世池. 基于綜合旱情指數的橡膠林干旱時空變化及其影響因子分析[J]. 應用基礎與工程科學學報， 2017， 25（6）： 1114-1123.LI H L， DAI S P， LUO H X， LI S C. Spatio-temporal change and factor analysis of rubber plantation drought based on drought index[J]. Journal of Basic Science and Engineering， 2017， 25（6）： 1114-1123. （in Chinese）

[40]""" 李海亮， 汪秀華， 戴聲佩， 田光輝. 基于環境減災衛星CCD數據的海南島洪澇災害監測[J]. 農業工程學報， 2015， 31（17）： 191-198.LI H L， WANG X H， DAI S P， TIAN G H. Flood monitoring in Hainan Island based on HJ-CCD data[J]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（17）： 191-198. （in Chinese）

[41]""" 羅紅霞， 曹建華， 王玲玲， 張以山， 戴聲佩， 李海亮. 基于HJ-1CCD的“納沙”臺風NDVI變化研究—以海南省為例[J]. 遙感技術與應用， 2013， 28（6）： 1076-1082.LUO H X， CAO J H， WANG L L， ZHANG Y S， DAI S P， LI H L. Studying NDVI changes of Typhoon NESAT in Hainan with HJ-1 CCD satellite images [J]. Remote Sensing Technology and Application， 2013， 28（6）： 1076-1082. （in Chinese）

[42]""" 丁美花， 譚宗琨， 何燕， 孫涵， 楊鑫， 歐釗榮. 基于MODIS數據的甘蔗凍害監測—以廣西來賓市為例[J]. 熱帶作物學報， 2009， 30（7）： 918-922.DING M H， TAN Z K， HE Y， SUN H， YANG X， OU Z R. Monitoring of sugarcane frost damage based on MODIS data： a case study of Laibin city of Guangxi[J]. Chinese Journal of Tropical Crops， 2009， 30（7）： 918-922. （in Chinese）

[43]""" 王勇， 曾體偉， 徐秋， 付威， 付夢， 張慧明. 基于無人機多光譜圖像和集成學習的橡膠樹白粉病檢測[J]. 石河子大學學報（自然科學版）， 2024， 42（3）： 265-274.WANG Y， ZENG T W， XU Q， FU W， FU M， ZHANG H M. Detection of rubber tree powdery mildew based on UAV multispectral imagery and stacked machine learning model[J]. Journal of Shihezi University （Natural Science）， 2024， 42（3）： 265-274. （in Chinese）

[44]""" 葉回春， 陳森政， 郭安廷， 聶超甲， 王晶晶. 香蕉枯萎病無人機多光譜影像數據集[J]. 中國科學數據（中英文網絡版）， 2024， 9（2）： 63-70.YE H C， CHEN S Z， GUO A T， NIE C J， WANG J J. A dataset of UAV multispectral images for a banana Fusarium wilt survey[J]. China Scientific Data， 2024， 9（2）： 63-70. （in Chinese）

[45]""" 趙晉陵， 金玉， 葉回春， 黃文江， 董瑩瑩， 范玲玲， 馬慧琴， 江靜. 基于無人機多光譜影像的檳榔黃化病遙感監測[J]. 農業工程學報， 2020， 36（8）： 54-61.ZHAO J L， JIN Y， YE H C， HUANG W J， DONG Y Y， FAN L L， MA H Q， JIANG J. Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（8）： 54-61. （in Chinese）

[46]""" 蘭玉彬， 朱梓豪， 鄧小玲， 練碧楨， 黃敬易， 黃梓效， 胡潔. 基于無人機高光譜遙感的柑橘黃龍病植株的監測與分類[J]. 農業工程學報， 2019， 35（3）： 92-100.LAN Y B， ZHU Z H， DENG X L， LIAN B Z， HUANG J Y， HUANG Z X， HU J. Monitoring and classification of citrus Huanglongbing based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（3）： 92-100. （in Chinese）

[47]""" 謝國雪， 黃啟廳， 楊紹鍔， 梁永檢， 覃澤林， 蘇秋群. 星地協同下地塊尺度柑橘黃龍病監測技術研究[J]. 自然資源遙感， 2025， 37（2）： 30-38.XIE G X， HUANG Q T， YANG S E， LIANG Y J， QIN Z L， SU Q Q. Research on monitoring technology of citrus Huanglongbing at plot scale under satellite-ground collaboration[J]. Remote Sensing for Natural Resources， 2025， 37（2）： 30-38. （in Chinese）

[48]""" PAUTASSO M， D?RING T F， GARBELOTTO M， PELLIS L， JEGER M J. Impacts of climate change on plant diseases-opinions and trends[J]. European Journal of Plant Pathology， 2012， 133（1）： 295-313.

[49]""" 刁品文， 曹珮， 趙敏， 陳黎， 張銘鐘， 林松. 基于CSLE模型的廣州市水土流失及動態變化分析[J]. 人民珠江， 2024， 45（增刊1）： 19-28.DIAO P W， CAO P， ZHAO M， CHEN L， ZHANG M Z， LIN S. Analysis of soil erosion and dynamic changes in Guangzhou based on the CSLE model[J]. Pearl River， 2024， 45（Suppl. 1）： 19-28. （in Chinese）

[50]""" 趙晶晶. 基于抽樣調查和多源LUCC數據的云南省耕地侵蝕變化特征分析[D]. 昆明： 昆明理工大學， 2024.ZHAO J J. Analysis of cultivated land erosion changes in Yunnan province based on sampling surveys and multi-source LUCC data[D]. Kunming： Kunming University of Science and Technology， 2024. （in Chinese）

[51]""" 段璇瑜. 海南島海岸帶土地利用/覆蓋變化及其對碳儲量影響的評估預測[D]. ?？冢?海南大學， 2023.DUAN X Y. Assessment and prediction of land use/cover changes and their impact on carbon storage in the coastal zone of Hainan island[D]. Haikou： Hainan University， 2023. （in Chinese）

[52]""" 謝亮亮. 基于遙感的廣西北部灣紅樹林演變研究[D]. 長沙： 湖南農業大學， 2020.XIE L L. Study on mangrove evolution in Guangxi Beibu Gulf based on remote sensing[D]. Changsha： Hunan Agricultural University， 2020. （in Chinese）

[53]""" 安映荷， 張潤卿， 劉文杰， 王鵬， 章杰， 烏蘭， 孫仲益. 海南島橡膠林區域不同SIF產品的差異性分析及其對GPP估算的影響[J]. 熱帶生物學報， 2023， 14（4）： 412-423.AN Y H， ZHANG R Q， LIU W J， WANG P， ZHANG J， WU L， SUN Z Y. Analysis of different satellite-based SIF products of the rubber plantations in Hainan island and their effects on GPP estimate[J]. Journal of Tropical Biology， 2023， 14（4）： 412-423. （in Chinese）

[54]""" 彭燕. 西雙版納橡膠林適宜種植海拔上限及不適宜種植區生態修復[D]. 昆明： 云南師范大學， 2023.PENG Y. Suitable planting upper altitude identification and unsuitable planted area ecological restoration of rubber forest in Xishuangbanna[D]. Kunming： Yunnan Normal University， 2023. （in Chinese）

[55]""" 郭佳煒. 海南島農業生態指數綜合評估及關鍵指標遙感監測研究[D]. 連云港： 江蘇海洋大學， 2022.GUO J W. Comprehensive evaluation of agroecological index in Hainan island and remote sensing monitoring of key indicators[D]. Lianyungang： Jiangsu Ocean University， 2022. （in Chinese）

[56]""" 趙春江. 智慧農業的發展現狀與未來展望[J]. 華南農業大學學報， 2021， 42（6）： 1-7.ZHAO C J. Current situations and prospects of smart agriculture[J]. Journal of South China Agricultural University， 2021， 42（6）： 1-7. （in Chinese）

[57]""" 牟昱璇. 地塊農情的準實時遙感監測技術研究[D]. 成都： 成都理工大學， 2021.MU Y X. Technology study on near-real-time remote sensing agricultural information monitoring based on filed parcel[D]. Chengdu： Chengdu University of Technology， 2021. （in Chinese）

[58]""" 滕建國， 王家保， 徐立， 李瓊， 劉國道. 我國熱帶作物種質資源收集保存與創新利用[J]. 熱帶作物學報， 2023， 44（10）： 1994-1999.TENG J G， WANG J B， XU L， LI Q， LIU G D. Conservation and innovative utilization of tropical crops germplasm resources in China[J]. Chinese Journal of Tropical Crops， 2023， 44（10）： 1994-1999. （in Chinese）

[59]""" 周楠. 基于深度學習的精細化土地覆蓋變化遙感提取方法研究[D]. 北京： 中國科學院大學（中國科學院空天信息創新研究院）， 2022.ZHOU N. Deep learning-based fine-grained land cover change detection on remote sensing images[D]. Beijing： University of Chinese Academy of Sciences （Aerospace Information Research Institute， CAS）， 2022. （in Chinese）