摘要

在江西瑞金市黄柏乡的农田里，一架无人机缓缓起飞，短短40分钟内就完成了60亩农地的作物识别与面积计算——而这只是现代农业遥感技术的一个微小应用场景。

引言：农业遥感的技术革命

农业是国家经济的基础产业，也是受自然环境影响最为直接的领域。随着全球气候变化加剧、人口持续增长及耕地资源日益减少，传统农业管理方式已难以满足现代农业生产对精准化、高效率的需求。

遥感技术通过对地观测，实现了对大范围农业状况的快速监测与评估，成为解决这些挑战的关键工具。

近年来，随着卫星、无人机及传感器技术的飞速发展，农业遥感已从早期的理论探索阶段进入了多元化、规模化应用的新时期。这一转变不仅体现在数据分辨率的提升上，更表现为多源数据融合、人工智能分析等技术的全面应用，使得农业监测的精度和效率都得到了质的飞跃。

本文将系统介绍农业遥感的技术体系与解决方案，涵盖其技术基础、主要应用场景、实施框架及未来发展趋势，为农业管理部门、科研机构及农业生产者提供全面的技术参考。

农业遥感的技术体系与数据源

现代农业遥感技术已经形成了多平台、多传感器、多尺度的综合观测体系，通过空天地一体化的数据采集与处理，实现对农业全流程的精准监测。

遥感平台与技术特点卫星遥感、无人机遥感和地面遥感共同构成了农业遥感的多层次技术框架。每种平台都有其独特优势和应用场景，它们相互补充，形成了完整的农业监测网络。

• 卫星遥感：涵盖从中低分辨率（如MODIS）到高分辨率（如Sentinel-2、Landsat、国产GF系列）的多种对地观测卫星，具有覆盖范围广、周期稳定、数据公开易得等特点。卫星遥感适用于大范围、长周期的农业监测，如区域作物面积估算、作物长势评估和产量预测等。
• 无人机遥感：利用多光谱、高光谱及可见光传感器，获取厘米级甚至毫米级的高分辨率影像。无人机具有灵活、高效的特点，不受云层遮挡影响，可快速获取关键生育期的作物信息，极大弥补了卫星遥感的不足。
• 地面遥感：通过固定传感器网络和移动测量设备，实现田间尺度的高频、高精度监测，为卫星和无人机遥感提供地面验证数据。

*表1：不同遥感平台的技术特点对比*

• | 平台类型 | 空间分辨率 | 重访周期 | 覆盖范围 | 主要应用场景 |
• |--------------|----------------|--------------|--------------|------------------|
• | 卫星遥感     | 中低分辨率(10-500m)至高分辨率(0.5-10m) | 1-16天 | 区域至全球 | 作物面积统计、长势监测、产量预测 |
• | 无人机遥感   | 厘米级至毫米级 | 按需飞行 | 田间至农场 | 精细作物分类、病虫害监测、土壤分析 |
• | 地面遥感     | 毫米级至厘米级 | 连续监测 | 点至田间 | 精准灌溉、养分诊断、模型验证 |

多源数据融合技术

• 单一遥感平台和数据源难以满足复杂农业应用的需求，多源遥感数据融合成为提升农业监测精度与可靠性的关键技术。
• 光学与SAR遥感融合：Sentinel-2光学影像与Sentinel-1 SAR数据的集成，解决了云层遮挡导致的光学数据缺失问题，显著提高了作物分类的准确度和时效性。研究表明，这种融合技术可将大豆识别的最早可信时间提前约20天。
• 时空融合算法：针对不同传感器在时空分辨率上的差异，开发了STARFM、UBDF、Fit-FC和RERC等融合算法，生成既具有高空间分辨率又具有高时间分辨率的数据集。研究表明，RERC算法在土壤盐分监测中实现了接近无人机数据的精度（R²=0.94）。
• 多特征融合：结合光谱特征、纹理特征、时序特征和雷达 backscatter 等多维信息，构建全面的作物特征谱，有效解决了不同作物在特定生育期内的光谱混淆问题。

农业遥感的核心应用场景

• 农业遥感技术已渗透到农业生产的各个环节，从宏观的作物面积监测到微观的田间管理，都为现代农业决策提供了强有力的数据支持。

作物识别与面积提取

• 精准的作物分类与面积统计是农业遥感的基础应用，也是产量预估、种植结构优化等应用的前提。
• 基于时间序列遥感数据，通过分析作物独特的物候特征，可以实现高精度的作物分类与制图。一项在山东费城的研究通过Stacking集成学习方法，融合多源特征，实现了多作物的高精度分类。
• 针对不同作物在关键生育期的高光谱相似性挑战，多源遥感数据融合显示出明显优势。在黑龙江九三垦区的研究中，融合Sentinel-1 SAR和Sentinel-2光学时序影像，结合物候指标和雷达特征，使大豆分类的总体精度达到96.85%，F1分数达95.84%。
• 在实际应用中，江西省已全面采用无人机飞测方式开展农作物播种面积调查，覆盖767个样本村的2301个调查样方，效率比传统人工调查提升数倍。

生长监测与产量预测

• 作物生长状况与产量预测是农业遥感的核心应用，对于粮食安全预警和市场调控具有重要意义。
• 生长状况监测：利用植被指数（如NDVI、EVI等）监测作物长势，结合时间序列分析，可及时发现作物生长异常。2024年，江西调查总队通过遥感监测发现赣州部分地区早稻长势不及上年，农业部门及时指导农户采取有效措施，有效促进了早稻长势恢复。
• 产量预测：结合遥感特征与机器学习算法，构建产量预测模型。在赞比亚的研究中，利用Landsat和Sentinel-2卫星影像，通过任务无关的随机卷积特征和线性岭回归模型，成功预测了玉米产量的时空变化，解释了83%的产量变异。
• 早期产量预警：基于多时相遥感数据，提取关键物候期的特征参数，实现作物产量的早期预测。在孟加拉国的研究中，整合气候和地形变量，通过人工神经网络模型预测了未来水稻产量动态，为粮食安全预警提供了重要依据。

农业灾害与环境监测

• 农业环境监测是遥感技术的重要应用领域，尤其对于土壤盐渍化、干旱、病虫害等农业灾害的监测与预警具有突出价值。
• 土壤盐分监测：在干旱区棉田，通过融合5厘米分辨率的无人机多光谱影像和每日 Planetscope 卫星数据，实现了每日尺度的土壤盐分动态监测，精度高达R²=0.94，为精准灌溉管理提供了操作方案。
• 牧场适宜性评估：在约旦的草原保护区，通过结合现场测量和Sentinel-2卫星时序数据，评估了放牧适宜性，发现13.8%的区域高度适宜放牧，24.4%的区域中等适宜，为草原合理利用提供了科学依据。
• 气候变化影响评估：在孟加拉国，通过分析气候变量与水稻产量的关系，发现日照时数与水稻产量呈强正相关，而蒸散量与产量呈中等负相关，为了解气候变化对农业的影响提供了重要见解。
• 技术实施框架与流程
• 要实现高效的农业遥感监测，需要遵循系统化的技术流程，包括数据采集、特征工程、模型构建和应用服务等多个环节。

数据获取与预处理

• 农业遥感应用的第一步是获取高质量的数据并进行适当的预处理，以确保后续分析的准确性。
• 数据采集规划：根据应用需求确定合适的数据源组合，包括卫星影像、无人机数据和地面测量数据。德清县通过建立县域遥感监测影像常态化采集机制，结合垂起固定翼无人机进行全域数据采集，实现了对耕地作物种类和种植边界的毫米级精准识别。
• 数据预处理：包括辐射定标、大气校正、几何校正、投影转换和图像配准等步骤，确保不同来源、不同时相的数据具有一致性和可比性。
• 时序数据重构：针对卫星影像因 revisit周期 和云雨天气导致的数据不连续问题，可采用超分辨率重建技术和时空融合算法填补数据空缺。一项研究通过轻量级超分辨率生成对抗网络，将遥感影像的重访间隔从6.40-6.63天改善到5.70-5.88天，显著增强了数据连续性。

特征工程与模型算法

• 特征工程和模型选择是农业遥感应用的核心环节，直接决定了应用的准确性和可靠性。
• 多维度特征提取：现代农业遥感不再局限于传统植被指数，而是构建包括原始波段、空间纹理、时序特征和生产能力参数在内的多维特征集合。例如，在耕地种植用途监测中，通过AI算法自动比对遥感影像，问题发现效率提升80%，人力成本降低50%。
• 特征选择与优化：针对高维特征集合，采用LightGBM和递归特征消除等算法评估特征重要性，筛选出最具判别力的特征子集，提高模型泛化能力和计算效率。
• 集成学习与模型优化：通过Stacking等集成学习方法，结合多个基学习器，充分利用不同算法的优势，提高分类和预测精度。研究表明，集成学习方法在地块级作物分类中表现出优异的准确性和空间一致性。
• *表2：农业遥感中常用的机器学习算法及其应用效果*
• | 算法类别 | 代表算法 | 优势 | 典型应用 |
• |--------------|--------------|----------|--------------|
• | 集成学习     | Random Forest, XGBoost | 处理高维数据，抗噪声能力强 | 作物分类、产量预测 |
• | 神经网络     | ANN, CNN, MLP | 强大的非线性拟合能力 | 土壤盐分反演、图像分割 |
• | 支持向量机   | SVM | 小样本学习，全局最优 | 作物病害识别 |
• | 时序分析     | Savitzky-Golay滤波，谐波分析 | 平滑噪声，提取物候参数 | 物候期识别、生长监测 |

平台工具与部署方式

• 现代农业遥感依赖于高效的计算平台和工具链，以实现大规模数据的处理和分析。
• 云计算平台：Google Earth Engine等云计算平台为全球尺度的农业遥感分析提供了强大的计算能力和数据资源。这些平台极大地降低了农业遥感应用的技术门槛和计算成本，使得更多的研究机构和管理部门能够利用遥感技术解决实际问题。
• 一体化监测平台：德清县通过"一张图智览、一张网智控、一盘棋智治"的平台架构，实现了对日常种植用途的智能化监测。这种集成化平台打通了从数据采集到决策应用的全流程，实现了对农业生产的全面精准监管。
• 开源工具与算法库：丰富的开源遥感处理工具（如GDAL、Orfeo ToolBox）和机器学习库（如Scikit-learn、TensorFlow）为农业遥感应用提供了灵活、可定制的解决方案，促进了技术的普及和创新。

典型案例与效益分析

德清"耕地种植用途一张图"案例

• 德清县作为浙江省首个农业农村部"耕地种植用途'一张图'绘制工作"试点县，自2023年起，依托工作底图和"农事直通"APP，精准摸清耕地作物种类与结构分布。
• 该项目的关键技术特点包括：
• 空天地一体化技术：结合垂起固定翼无人机进行全域数据采集，实现了对耕地作物种类和种植边界的毫米级精准识别。
• AI自动比对：通过AI算法自动比对遥感影像，问题发现效率提升80%，人力成本降低50%。
• 双校验模式：创新采用"图解+实测"双校验模式，精准掌握粮食作物实际规模，并建成全县统一的作物种植种类数据库。
• 产学研协同：通过培大育强技术团队、与近30所高校共建产学研基地以提升数据处理能力，整合多部门资源，构建了"建管营一体化机制。
• 这一项目的成功实施，使德清经验在农业农村部"大棚房"问题清理整治工作推进会上作为典型案例走向全国。

孟加拉国水稻产量预测案例

• 孟加拉国研究利用遥感与机器学习评估气候变化对水稻生产的影响，构建了一套完整的产量预测与脆弱性评估框架。
• 该方案的技术亮点：
• 多时序分类：利用Sentinel-1高分辨率影像在Google Earth Engine平台上分类2018、2020和2022年的水稻种植模式，聚焦主要生长季节。
• 多变量分析：整合降水、蒸散、土壤水分、日照时数和云量等气候变量，以及DEM、坡度和坡向等地形变量，评估它们对水稻生产力的影响。
• 精确预测：Random Forest分类器达到了0.968的AUC值，通过人工神经网络模型预测未来产量动态。
• 研究发现：2018-2022年间，水稻种植面积从519,318公顷减少到442,902公顷，预计到2030年将进一步降至357,145公顷，凸显了水稻生产对气候变化的脆弱性。

江西无人机农业统计调查案例

• 江西省全面采用无人机进行农作物播种面积统计调查，展示了遥感技术在政府统计中的实际应用价值。
• 该案例的实施流程：
• 高效数据采集：一个200米×200米的调查样方，无人机仅需10分钟飞行，自动拍摄100多张照片。
• 智能数据处理：照片传回系统后，参照卫星遥感底图，自动进行拼接、匹配和校準，整个处理过程约40分钟。
• 成果输出：系统输出调查样方的高清画面与标注，以及每种农作物的种植面积数据与所占百分比。
• 与传统人工调查相比，效率提高数倍——原先需要一天的测量任务，现在仅需40分钟即可完成。

挑战与未来发展趋势

• 尽管农业遥感技术取得了显著进展，但在实际应用中仍面临诸多挑战，同时也呈现出明确的发展趋势。
• 主要挑战
• 数据获取与处理挑战：虽然遥感数据量急剧增加，但高质量、高时空分辨率的数据仍然有限。多云雨地区光学影像的获取尤其困难，需要更多地依赖SAR等主动遥感数据。
• 模型泛化能力：在特定区域训练的模型往往难以直接应用于其他地区，需要解决模型的时空迁移能力问题。不同生态区、不同年份间的模型适配也是重要挑战。
• 技术与成本门槛：虽然遥感技术的成本逐年下降，但对于广大发展中国家和小规模农户而言，高精度遥感监测的成本仍然较高，需要开发更具成本效益的解决方案。
• 多源数据融合的复杂性：不同传感器、不同分辨率、不同时相的数据融合仍存在诸多技术难点，如何优化融合算法，提高数据处理效率是当前的研究热点。

未来发展趋势

• 新型遥感平台与传感器：未来农业遥感将进一步发展卫星、无人机和地面观测相结合的空天地一体化监测网络。国产高分系列、Sentinel系列等卫星数据将与无人机数据更紧密地结合，形成多尺度监测能力。
• 深度学习与专家知识结合：研究方法将从传统的监督分类、非监督分类算法，转向深度学习与基于物候的专家知识方法相结合，提高分类精度和可解释性。
• 多维度遥感指标：除了常规植被指数，将更多利用新型多维度遥感指数，如植被色素、氮含量、干物质、含水量等多维度属性在不同生长阶段的变化特性及其相互时序关系特征。
• 云计算与自动化：GEE等云计算平台将成为农业遥感分析的主要环境，实现大规模数据的快速处理和分析，大大降低技术门槛。
• 作物全生长周期监测：研究框架将从"耕地掩膜-剔除撂荒区-熟制识别-农作物制图"的分散流程，发展为"耕作区-农作物种植模式"一体化遥感监测，实现全流程智能化。

结语

• 农业遥感解决方案已经发展成为一门成熟的技术体系，它通过多平台、多时相、多光谱的协同观测，实现了对农业生产全过程的精准监测。从作物识别、面积统计到长势监测、产量预测，再到农业环境评估，遥感技术正在深刻改变传统农业的管理和决策方式。
• 随着传感器技术的不断进步、算法的持续创新以及计算能力的快速提升，农业遥感将朝着更高精度、更高效力、更低成本的方向发展，为全球粮食安全和农业可持续发展提供更加有力的技术保障。
• 未来的农业遥感技术将更加智能化、自动化、业务化，成为现代农业不可或缺的基础技术手段。随着德清、江西等地的成功经验不断推广，农业遥感必将在更广阔的领域发挥其独特价值，助力现代农业的高质量发展。