一、监测流程概览

农情遥感监测怎么做？一句话概括，就是用卫星或无人机搭载的传感器拍摄地表，再通过计算机把影像转化为播种面积、苗情长势、土壤墒情、产量和灾情等农业管理者关心的信息。完整的农情遥感监测可以拆成六个环节：需求确认、数据获取、影像处理、农情信息提取、监测产品制作与业务化应用。

• 需求确认：明确监测对象、区域、作物类型与时间要求，确定监测频次和精度指标，农业部门通常按月或按作物生育期安排监测任务。
• 数据获取：根据天气与观测目标选择卫星影像或无人机数据，必要时同步采集地面样点，为后续验证打基础。
• 影像处理：把原始影像校正到位置准确、数值可比、干净无云的状态，是保证结果可靠的前提。
• 信息提取：用分类算法识别作物、用光谱指数与模型反演长势和产量，是农情遥感监测的核心环节。
• 产品制作：把提取结果输出为专题图、统计报表与预警信息，让非技术人员看得懂、用得上。
• 业务化应用：监测成果进入补贴发放、保险定损、生产指导等具体业务，形成"监测—应用—反馈"的闭环。

需要特别强调，农情遥感监测不是一次性普查，而是要顺着作物生长周期连续运行。一次播种识别只是起点，后续的长势跟踪、灾害预警、产量预测都依赖历史影像与算法的持续积累，这也是行业反复强调要建立常态化监测能力的原因。农业部门在建体系时，应把"能常年跑起来"当作第一目标。

二、数据获取

数据是农情遥感监测的地基，选对数据等于成功一半。目前可用的数据源大致有四类。

• 中高分辨率多光谱卫星：我国高分系列、资源系列与欧空局哨兵2号最为常用，哨兵2号提供10米级空间分辨率、5天左右的重访周期，影像免费开放，适合大范围作物分类、长势监测与估产。
• 雷达数据：如哨兵1号合成孔径雷达，微波能穿透云层，阴雨天气仍可成像，是南方多雨地区农情监测的可靠补充。
• 无人机数据：厘米级分辨率、起降灵活，适合地块级精细调查、样点验证与灾情抽查，一架多旋翼无人机单架次即可覆盖数百亩。
• 地面数据：样点定位测量、土壤墒情站点、气象观测与统计部门的产量数据，用来校正反演模型、检验监测精度，是不可或缺的"真值"。

选择数据源有三个要点：看天气，多雨地区优先采用雷达与光学结合的方案；看目标，大范围普查用中分辨率卫星，小地块细查用无人机；看时相，作物关键物候期要尽量保证高质量无云影像覆盖。在节奏上建议建立"月度影像加关键期加密"的双层制度：月度影像跟踪长势，出苗、抽穗、灌浆、收获等关键期加密采集。成本方面，公共卫星数据以免费为主，商业影像按需购买，如果委托专业机构服务，数据成本可以整体打包，往往更划算。

三、影像处理

原始卫星影像不能直接使用，必须经过一系列校正，处理质量直接决定后续信息提取的精度。影像处理流水线通常包含以下步骤。

• 辐射定标：把卫星记录的数字灰度换算成具有物理意义的辐射值。
• 大气校正：消除大气散射与吸收的影响，得到地表真实反射率，使不同时相、不同传感器的影像数值可以相互比较。
• 几何校正：消除地形与传感器姿态引起的畸变，让影像与真实地理位置对齐，县域级监测通常要求误差控制在一两个像元以内。
• 云检测与掩膜：识别并剔除云和云影区域，避免把云误判为作物。
• 影像镶嵌与裁剪：把多景影像拼接成完整的研究区域，再按行政区或地块边界裁剪出作业范围。
• 光谱指数计算：逐像元计算NDVI归一化植被指数、NDWI水体指数等，放大作物的光谱特征。
• 时间序列处理：把多期影像堆叠为时间序列，用滤波与插值方法填补云污染造成的空缺，重建平滑的生长曲线。

对基层单位来说，全部手工处理的劳动量非常大，因此行业普遍引入AI与自动化平台，把上述步骤固化成标准流程，实现影像入库后快速出成果。但自动化不等于无人值守，每期成果仍要抽样质检，确保误差可控。同时应建立统一的坐标系、参考样本库与精度台账，多年连续积累下来，这套标准化基础就是监测能力提升的最大本钱。

四、农情信息提取

影像处理好之后，就要回答农业管理者最关心的问题，这一环节称为农情信息提取，是农情遥感监测的核心价值所在。

• 作物种植结构识别：用监督分类、随机森林与深度学习语义分割模型，识别水稻、小麦、玉米、大豆、油菜、棉花等作物类型与地块边界。行业经验表明，大宗作物提取精度普遍可达95%以上，时维遥感依托多年积累的样本库与AI模型，已能面向30多种作物提供分类识别服务。
• 长势与苗情监测：通过NDVI等植被指数对比历史同期值，把作物长势分为好、中、差等级并跟踪变化趋势，实现从出苗开始就盯住每一块田。
• 物候期监测：从时间序列影像上自动识别播种、出苗、拔节、抽穗、成熟等关键生育期，为农事安排提供时间表。
• 灾害识别与损失评估：识别干旱、洪涝、渍害、冻害、病虫害的发生范围与程度，对比灾前灾后影像评估损失，相比人工查勘，遥感定损的效率可提升85%，在农业保险理赔中已经大量应用。
• 产量预测：把花期的植被指数、气象数据与历史产量样本输入模型，在成熟前一两个月即可给出产量估计，成熟业务普遍能达到85%到90%的准确率。

农情信息提取讲究"时序、算法、样点"三结合：有足够的历史影像训练模型，有清晰的地块边界约束分类，有现场样点验证结果，三者缺一不可。这也是专业遥感公司能够稳定交付高精度成果的原因。

五、监测产品制作

信息提取得到的是中间结果，必须转化成业务人员看得懂、用得上的产品，监测产品制作是连接技术与决策的桥梁。主流产品有五类。

• 专题图：作物种植分布图、长势分级图、土壤墒情图、灾害范围图与产量分布图，配色清晰并附图例与统计信息。
• 统计报表：乡镇尺度的作物面积、长势达标率、受灾面积与损失率等表格，可直接用于业务留痕与上报。
• 预警信息：针对面积突变、长势异常、灾害初发的提示信息，例如"某县连续两周植被指数偏低，建议关注旱情发展"。
• 可视化平台：把历次监测结果汇入WebGIS一张图，叠加行政区、地块与气象图层，管理者可以点选查询任意区域的农情变化，实现一屏看全境。
• 监测报告：按旬、按月或按作物生育期编写综合分析报告，供领导决策与对外发布使用。

高质量产品都有共同标准：成果颗粒度与业务口径一致、每张图附精度说明、每个数字可追溯到处理记录。时维遥感等专业公司特别强调"成果直达业务"，比如把作物分布图直接对接保险承保清单，把灾损图直接对接理赔面积，让监测成果从"仅供参考"变成"能办事"的凭证。随着遥感与AI平台普及，产品制作正走向自动化，当天处理当天即可输出标准化成果。

六、业务化应用

农情遥感监测只有融入具体业务才算真正落地，这也是"怎么做"的最后一环。目前主要应用场景有六个。

• 种植面积核定：用遥感核实耕地与作物面积，支撑粮食补贴发放与种植结构统计，解决上报面积不实的老难题。
• 农业保险：承保时用影像确认投保地块与作物，理赔时用灾前灾后影像定损，遥感定损效率提升85%，同时有效防范虚报、骗保。
• 生产指导与农事服务：面向种植企业、合作社与大户推送长势、墒情与农事建议，实现按地块的精准管理。
• 粮食安全监测预警：省级以上层面按月监测主粮作物长势与产量，提前预警减产风险，为国家粮食调度提供依据。
• 政府监管与执法：用于耕地"非农化""非粮化"排查、撂荒地识别与秸秆焚烧监测，客观数据支撑基层执法。
• 金融与乡村振兴：为土地经营权抵押、农业贷款、高标准农田建设绩效评价提供客观数据，让信用评估有据可依。

实践表明，把遥感融入业务的关键在制度而非技术：要明确谁用数据、用什么口径、在什么时间节点用，让监测节奏与农时、项目周期对齐。对暂不具备自建能力的区县农业部门，与拥有成熟平台和专业团队的遥感企业合作，是见效最快、成本最可控的路径。

七、实施建议

结合行业长期经验，给准备建设农情遥感监测体系的机构提几条实施建议。

• 从需求出发、小步快跑：先围绕一两个最迫切的需求试点，例如面积核定或保险定损，跑通流程后再扩展指标与区域，切忌一步到位买大系统。
• 尽早积累历史影像与样本库：从建设第一年起逐年归档影像、样点与验证结果，三年之后，这些数据就是监测精度持续提升的核心资产。
• 固定数据采集节奏：把关键物候期的影像获取写进年度计划，避免"想起来才买数据"导致关键期缺档。
• 地面验证不能省：每个监测周期安排一定数量的样点外业核查，精度结果留档，做到每一期成果都有精度依据。
• 算法与平台并重：既要培养会调模型的技术人员，也要有稳定可用的处理平台，优先选择成熟平台托管，减少重复建设。
• 注重复合型人才：培养或引进遥感与农学兼备的人才，让其深度参与项目全流程，比单纯购置设备更可持续。
• 成果输出制度化：把专题图、报表与预警的报送对象和频率写入工作制度，让监测成果成为决策的常规输入。

如果自建团队与基础设施的周期和成本压力较大，也可以采用"平台加服务"模式，把数据获取、影像处理与算法分析整体委托给专业公司，内部保留需求管理与成果应用岗位，这是许多市县农业部门的务实选择。

结语

农情遥感监测怎么做？核心是六步全流程的闭环运转：明确需求、拿对数据、做精处理、提准信息、做成好产品、融入真业务。技术的尽头是业务价值，遥感影像只有真正进入面积核定、保险定损、生产指导这些环节，才算完成使命。农业部门不必纠结于复杂的技术细节，更重要的是搭好数据与制度底座，善用遥感与AI的专业力量，让农情遥感监测真正成为常态化的"农业体检"，为粮食安全和乡村振兴提供看得见、靠得住的数字支撑。

时维遥感——遥感+AI，让农业更智慧