一、遥感统计调查是什么

农业统计是国民经济统计的重要组成部分，也是政府部门掌握农业生产形势、制定支农政策、研判粮食安全的基础性工作。传统农业统计调查以村级报表、抽样入户、人工填报为主，调查周期长、人力投入大，在地块破碎、作物交错分布的地区，数据口径还容易产生偏差。遥感统计调查，是指借助卫星、无人机等遥感平台获取地表影像，结合地面抽样与人工智能算法，对农作物种植面积、长势、产量等统计指标进行反演估算的一种现代调查方式。

它的核心逻辑可以概括为"天上看、图上查、地面核"：先通过遥感影像识别作物分布，再在统计单元（行政村、乡镇、县）内汇总测算面积与产量指标，最后以少量地面样方验证修正。相比传统方法，遥感统计调查把"调查员逐块跑地"变成"机器自动识别+人工重点核查"，不仅大幅压缩外业工作量，还使数据具有可追溯、可复核、口径统一的特点。

近年来，随着高分系列、资源三号、吉林一号等国产卫星组网日趋完善，遥感统计调查已进入规模化应用阶段。时维遥感的实践数据显示，利用遥感+AI技术开展大宗作物面积提取，识别精度可达95%以上，外业工作量平均下降70%，基层填报负担减轻约60%，目前服务覆盖小麦、水稻、玉米、大豆等30余种作物。这些数据表明，遥感统计调查已经从"试点探索"走向"业务化运行"。

二、调查方法

遥感统计调查不是单一技术，而是一套方法体系，常用的方法主要包括以下几种。

• 目视解译法：调查人员依据影像纹理、颜色、时相特征，人工勾绘作物地块边界。该方法在小范围、高精度核查中仍然适用，但大范围作业时效率偏低，适合作为抽查与验证手段。
• 监督分类法：选取代表性样本区，利用支持向量机、随机森林等机器学习算法建立作物光谱特征模型，再对全域影像进行分类。该方法精度较高，但依赖样本质量与作物物候期匹配。
• 深度学习提取法：利用卷积神经网络（CNN）、语义分割等深度学习方法，直接从高分影像中提取作物种植区。时维遥感在此基础上叠加物候特征与多时相数据，使大宗作物提取精度稳定在95%以上。
• 分层抽样与空间外推法：将区域划分为省、市、县、乡镇、村不同层级，在抽样单元内做精细调查，再按面积权重推算总量，兼顾精度与成本。

在业务实践中，上述方法通常组合使用：大范围快速摸底用深度学习识别，重点区域与争议地块用目视解译核实，总量推算用分层抽样校正。方法选择还要考虑影像分辨率、作物种类、生育期与数据时效要求，形成"精度、成本、时效"三者平衡的调查方案。

三、作业流程

一套完整的遥感统计调查作业流程，大致可分为五个环节。

• 第一，任务准备与方案设计。明确调查目标、统计单元、作物类型与精度要求，制定影像采购与地面调查方案。
• 第二，影像获取与预处理。按作物生育期窗口安排卫星影像，进行几何校正、辐射定标、大气校正与云雪掩膜，保证影像质量一致。
• 第三，作物识别与面积提取。基于样本与算法模型进行作物分类，输出种植分布图，并按行政村、乡镇、县逐级汇总面积指标。
• 第四，地面核查与修正。对疑似错分区域布设样方，开展无人机或实地核查，修正分类结果并评估精度，形成"分类-核查-修正"闭环。
• 第五，成果输出与上报。生成统计报表、专题图件与核查记录，按规定流程上报审核，实现全程留痕、可追溯。

整个过程把传统统计"县报市、市报省"的层层填报，转变为"影像统一处理、AI统一识别、结果逐级共享"，不仅压缩了调查周期，还从源头避免了人为因素干扰。以某省份的实践为例，采用遥感+AI流程后，冬小麦面积调查由原来的两个月压缩到三周左右，统计报表一次审核通过率明显提升，基层调查员的重复填报工作量显著减少。

四、面积统计应用

种植面积是农业统计最基础、最关键的指标，也是遥感统计调查应用最早、最成熟的领域。

在播种面积核查方面，遥感影像可以清晰反映作物实际种植边界，与上报面积自动比对，快速发现虚报、漏报、重复计算等问题。例如，把遥感提取的水稻面积与村级上报面积叠加分析，就能定位偏差较大的村庄再针对性核查，使核查工作有的放矢，避免"撒网式"逐村核对。

在作物结构调整监测方面，通过多期影像对比，可以掌握玉米改种大豆、稻改旱等种植结构变化的方向与规模，为统计部门研判种植意向、辅助决策提供依据。多时相分析还能识别轮作、休耕、撂荒地等状态，补充常规报表难以覆盖的信息。

在地块破碎地区，如南方丘陵山区，地块小、边界杂、作物插花种植，传统调查极易漏统。时维遥感通过亚米级影像与地块级分割算法，把每一块田的种植类型识别出来，再按统计单元聚合，解决"小地块、大统计"的难题。目前相关技术在丘陵山区水稻、油菜等作物的面积提取中已投入业务化运行，核查抽中地块的识别准确率稳定达标。

面积统计成果还可延伸用于复种指数计算、高标准农田上图入库、耕地非粮化监测等场景，形成"一图统览"的统计底图，支撑日常业务与突发核查双场景复用，一次建底图、多年可复用，投入产出比持续提升。

五、产量统计应用

产量统计涉及单产与总产两个层面，遥感在其中扮演"数据桥梁"的角色。

单产估算主要依托作物长势监测。利用归一化植被指数（NDVI）、叶面积指数（LAI）等遥感参数，可以连续刻画作物从出苗、拔节、抽穗到成熟的生长轨迹，再结合气象数据与历史单产样本，构建单产估测模型。在关键生育期，AI模型还能自动识别倒伏、病害、干旱等异常胁迫，评估其对单产的影响。时维遥感在小麦、玉米、水稻等大宗作物上的单产估测，误差一般控制在5%以内，可作为统计部门中期估产、预产研判的参考依据。

总产推算则采用"面积×单产"的框架，面积来自遥感提取，单产来自模型与地面实测的结合。具体操作时，通常设置一定数量的地面样方，实测穗粒数、千粒重、容重等参数，对模型结果进行标定与验证，确保总产数据既有遥感速度又有实测精度。

产量统计的成果应用广泛：秋收前的预产数据可以服务政府部门的粮食收购调度与仓储安排；收获后的核产数据用于修正报表；灾年则可快速评估减产范围与幅度，为政策性农业保险理赔与救灾补助提供数据支撑。遥感产量统计让"产量数据从报表中来"逐步转向"从影像和模型中验证中来"。

六、质量管控

数据质量是统计调查的生命线，遥感统计调查的质控要贯穿全过程。

• 影像质量管控：核查云量、清晰度、时相一致性，缺失或异常影像要及时补采，避免"影像滞后"造成识别偏差。
• 样本质量管控：地面样本应覆盖不同作物、不同长势与不同地形，样本量满足算法训练与精度评估需求，样本记录完整可查。
• 算法精度管控：分类结果须通过混淆矩阵等精度评估指标验证，总体精度、Kappa系数、生产者精度、用户精度等要满足合同约定；识别精度不达标的区域必须返工重做。
• 结果核查管控：建立县级互查、市级抽查、省级验收的三级核查机制，核查比例不低于5%，关键作物与争议区域适当加密。
• 成果归档管控：原始影像、算法参数、核查记录、统计报表全部留档，形成可追溯的"数据链"，经得起上级复核与审计。

此外，还要建立异常预警机制。当某区域提取面积与历史数据或上报数据偏差过大时，系统自动预警，提示人工核查，从机制上杜绝"有数无核、有核无据"。时维遥感的项目实践中，依托上述质控体系，多次调查结果与统计部门实割实测数据的吻合度稳定保持在高位，成果顺利通过各级验收。

七、实施建议

对农业统计、调查队及农业部门而言，推进遥感统计调查落地，可以从五个方面着手。

• 一是"先试点、再推广"。选择有代表性的县市先行开展小麦或水稻等大宗作物试点，用1到2个完整生产周期验证精度与流程，形成可复制的样板后再全域推开，稳扎稳打。
• 二是"统一数据基础"。建立统一的高精度遥感底图与统计单元边界库，让不同部门、不同批次调查基于同一张图作业，避免口径打架、数据"两张皮"。
• 三是"软硬结合、以数养数"。遥感调查需要专业算法模型，建议采用购买服务与自主建设相结合的方式，借助时维遥感等专业团队快速上线；同时把逐年积累的影像与样方数据沉淀为本地数据库，越用越准、越用越省。
• 四是"人才培养与机制衔接"。培训基层统计人员掌握遥感核查工具的操作，把遥感结果纳入现行统计制度与数据审核流程，明确"遥感初判+人工复核"的双轨机制，确保业务可持续。
• 五是"预留扩展接口"。将遥感统计调查与农业保险承保理赔、耕地保护、乡村振兴考核等场景打通，一套底图多方复用，提升整体投入产出比。

结语

农业统计遥感调查不是要取代统计员，而是把统计员从繁琐的跑田、填表中解放出来，把精力投向数据核实与业务研判。随着国产卫星、AI算法与基层信息化水平的不断提升，遥感+AI必将成为农业统计现代化的基础设施。时维遥感愿与各级统计部门、调查队携手，让每一亩田都"看得见、数得清、核得准"。

时维遥感——遥感+AI，让农业更智慧