一、遥感方法分类

农业遥感的方法，按照观测平台的高度与技术原理，通常划分为三大类：卫星遥感、无人机遥感与地面遥感。这三类方法共同构成了"天-空-地"一体化的农业监测体系，也对应着从宏观到微观、从区域到地块、从作物到叶片的不同观测尺度。

• 卫星遥感：搭载在轨道卫星上，单颗卫星单次过境即可覆盖数百至上千平方公里的区域，重访周期从几小时到几十天不等，适合大范围、长时间序列的农业资源调查与趋势监测。
• 无人机遥感：飞行高度通常在几十米到上千米，空间分辨率可达到厘米级，起降灵活、按需作业，适合中小尺度地块的精细监测。
• 地面遥感：包括便携式光谱仪、田间传感器、近地高光谱仪等，贴近作物冠层观测，获取的数据最精细，常用于验证和标定卫星与无人机的反演结果。

三类方法并非相互取代，而是互补的关系。卫星遥感解决"看得全"的问题，无人机遥感解决"看得清"的问题，地面遥感解决"看得准"的问题。成熟的农业遥感解决方案，往往将三者结合，形成分级观测、逐级细化的技术路线。理解了这层关系，就能更清楚地回答"农业遥感的方法有哪些"这个基础问题，也更容易判断自己的项目该从哪一类方法入手。

二、卫星遥感方法

卫星遥感是农业遥感的方法中覆盖面最广的一类。它依靠搭载在太阳同步轨道或地球同步轨道卫星上的多光谱、高光谱和雷达传感器，被动或主动地记录地表反射与散射信息，进而反演农作物的种植面积与生长状态。

• 光学多光谱卫星：如 Landsat、哨兵二号、国产高分系列，通过红、近红外等波段组合计算归一化植被指数（NDVI）、增强植被指数（EVI）等，广泛用于长势监测与面积提取。
• 高光谱卫星：波段数量多、光谱分辨细，能够区分作物品种、识别病虫害类型，但数据量庞大，处理门槛相对较高。
• 合成孔径雷达（SAR）卫星：不受云雨天气影响，可全天时、全天候成像，在南方多云雨地区或洪涝灾害评估中尤其重要。

卫星遥感的核心优势在于"一次成像、覆盖全境"。以时维遥感的技术实践为例，一颗国产高分卫星的单景影像就能覆盖上万平方公里，配合 AI 算法，可以在几天内完成全县乃至全省的小麦、水稻等大宗作物面积提取，精度达到95%以上。同时，卫星数据是历史存档的，可以回溯过去十几年的影像，用于分析种植结构变化、撂荒地识别等长期问题。

当然，卫星遥感也有局限。它受重访周期和天气影响，可能错过作物生长关键期的影像；空间分辨率虽然已达到米级甚至亚米级，但对零散小地块仍显不足。此外，光学影像易受云层遮挡，需要依赖多时相合成与云检测算法加以弥补。这些问题，恰恰需要无人机与地面方法配合解决，也决定了卫星遥感在整套监测体系中的定位是"打底"。

三、无人机遥感方法

无人机遥感是农业遥感的方法中机动性最强的一类。它搭载可见光、多光谱、热红外、激光雷达等传感器，在低空按规划航线飞行，获取厘米级分辨率的影像，特别适合中小尺度、地块零散或需要高频复查的场景。

• 可见光相机：成本低、使用方便，配合三维重建算法可生成高精度正射影像与作物高度模型。
• 多光谱相机：可获取 NDVI、叶绿素含量等植被参数，用于精准施肥与病虫监测。
• 热红外相机：感知冠层温度差异，帮助判断作物是否受旱、是否存在水分胁迫。
• 激光雷达：直接获取三维点云，用于估测株高、密度与生物量。

无人机遥感最典型的应用是变量施肥与精准施药。通过无人机影像生成施肥处方图，将施肥量与作物需求精确匹配，一般可节约化肥用量10%—20%，在减少农药投入的同时提升防治效果。在水稻、小麦、玉米、柑橘等作物上，无人机多光谱结合 AI 判读，可以快速圈出病株区域，指导按需喷药，避免全田普喷造成浪费。

无人机的局限在于单次作业面积有限、受电池续航约束，大范围作业需要架次轮换，成本随之上升；同时，低空飞行受空域管理政策影响，作业前需要合规报备。因此，无人机更适合"小、精、频"的监测任务，与卫星遥感在空间尺度上形成互补。一个常见的高效打法，就是用卫星锁定问题区域，再派无人机到现场"精修"。

四、地面遥感方法

地面遥感是农业遥感的方法中精度最高的一类。它在地表或作物冠层附近布置传感器，直接测量作物的光谱、温度、土壤等参数，是"天-空-地"体系中检验和校准其他数据的关键环节。

• 便携式光谱仪：手持测量叶片或冠层反射光谱，计算多种植被指数，快速评估叶绿素、氮素含量。
• 田间传感网络：布设土壤水分、土壤温度、空气湿度等传感器，连续记录环境数据，为遥感反演提供地面真值。
• 高光谱成像仪：架设在田间或实验室，获得精细光谱，用于病虫害早期诊断与养分诊断模型的标定。
• 冠层测温设备：红外测温仪、作物水分亏缺指数监测装置，用于旱情判断与灌溉指导。

地面遥感的典型价值在于"真值校验"。卫星和无人机反演的是间接参数，其准确度依赖地面实测数据的校正。以产量预测为例，只有将地面样方的实测产量与遥感反演的植被指数建立回归模型，才能保证区域产量预测的可靠性。时维遥感的实践表明，经过地面校验的模型，产量预测准确率可以达到85%—90%。

地面方法的劣势同样明显：观测范围小、人力成本高、数据不连续。因此，地面遥感通常不作为独立的监测手段，而是作为卫星与无人机算法的"标尺"，在关键生育期、关键地块布点采样，用少量高质量数据撬动整个区域的反演精度。这体现了农业监测方法中"以精带广"的策略，也是专业团队控制成本与精度的常用做法。

五、多源协同方法

多源协同，是当前农业遥感的方法中最先进、也最实用的一种思路。它把卫星、无人机、地面三类数据放进同一个技术框架，用 AI 算法进行融合，取长补短，输出一套统一、连续、可靠的监测结果。

• 数据融合：用高分辨率的无人机影像为低分辨率的卫星影像补充细节，用卫星影像的时序信息填补无人机在时间上的空白。
• 模型迁移：将地面实测数据训练的模型，通过迁移学习应用到卫星或无人机的大范围反演中，减少重复建模成本。
• 时相互补：卫星负责历史趋势与季节演变，无人机负责关键期加密观测，地面负责瞬时高精度测量，三者时间尺度互相衔接。

多源协同在灾害监测中尤其重要。比如夏季洪涝，光学卫星影像受云雨影响常常看不清地表，这时可以用 SAR 卫星穿透云层判识积水范围，用无人机在退水后精细核灾，再派地面人员实地抽检，形成"卫星圈范围、无人机核细节、地面定损失"的闭环。这种协同模式显著提升了遥感定损效率，行业数据显示可提升85%以上。

多源协同并非简单堆数据，而需要一套成熟的技术架构，包括数据管理、几何配准、辐射归一化、AI 解译与质检审核等环节。时维遥感基于"遥感+AI"的能力，将这些环节整合为标准化流程，让农业部门拿到的是可直接用于决策的结果，而不是一堆互相打架的原始影像，真正把"农业监测方法组合"的价值落到实处。

六、方法怎么选

面对卫星、无人机、地面三类农业遥感的方法，农业经营者最关心的往往是：到底该选哪一种？答案不是唯一的，而要根据监测目标、区域尺度、时效要求与预算来综合判断。

• 看目标：面积核查、种植结构调查这类宏观任务，优先选卫星；病虫害定位、变量作业这类精细任务，优先选无人机；模型标定、科研采样，则离不开地面方法。
• 看尺度：县域以上、跨乡镇的大范围监测，卫星的性价比最高；单个农场、几百亩到几千亩的地块，无人机更灵活；小面积试验田，地面方法就足够了。
• 看时效：需要历史对比、季节演变的，卫星的时间序列最完整；需要当天出图、当天作业的，无人机当天即可完成航测。
• 看预算：卫星影像的单亩成本最低，无人机单次航测成本适中，地面监测的人工成本最高，三者组合可以在成本与精度之间取得平衡。

这里给出一个实用判断口诀：大面积、低频次、看趋势，选卫星；小面积、高频次、要精细，选无人机；要精度、做标定、建模型，用地面。农业遥感的方法没有绝对优劣，只有合不合适。以时维遥感服务过的项目为例，省级农业部门做粮食种植面积核查，就采用卫星为主、无人机抽查为辅的组合；而水稻种植合作社做精准施肥，则以无人机多光谱为核心、地面样点做校验。方法选择最终要落到"成本可控、结果可用"这八个字上。

七、方法组合应用

好的农业监测，从来不是单打独斗，而是把三类农业遥感的方法组合成一套完整的作业流程。下面以一个"小麦长势全程监测"为例，展示组合应用的标准打法。

• 播种出苗期：用卫星影像结合历史数据，识别实际播种面积与出苗整齐度，生成地块底图，作为后续监测的基准。
• 分蘖拔节期：用卫星多时相影像计算 NDVI，锁定长势偏弱地块，再用无人机加密拍摄，判断是缺肥、缺水还是病虫所致。
• 抽穗灌浆期：地面样方实测叶面积与叶绿素，标定卫星反演模型，输出全县苗情分级图，指导水肥管理。
• 成熟收获前：卫星叠加无人机影像输入产量模型，估产并圈定倒伏、病害区域，为保险理赔和收储调度提供依据。

这样的组合，既避免了卫星看不清小地块、无人机飞不过大面积的各自短板，又把每一类方法的精度与成本优势发挥到最大。整个流程从播种到收获持续跟进，数据不断累积，下一年的模型会越来越准，监测成本还会逐年摊薄。

组合应用的关键还在于数据服务化。时维遥感将卫星、无人机、地面数据整合成"遥感+AI"的一站式服务，用户不必自己买设备、备软件、调模型，只需要在平台上查看结果、下载报告。对农业经营者和主管部门来说，这大大降低了遥感技术的使用门槛，让农业监测真正从"会用"走向"用好"，也让"遥感+AI"的价值被更多田间地头的人感受到。

结语

从卫星到无人机再到地面传感器，农业遥感的方法已经形成了一套完整的技术体系。三类方法各有千秋，组合使用才能发挥最大价值。未来，随着 AI 算法与数据融合技术的不断成熟，农业遥感的方法还会更加智能、更加自动。时维遥感将持续以"遥感+AI"赋能智慧农业，帮助更多农业经营者和行业机构，用数据读懂每一块田，让每一份决策都建立在可靠的信息之上。

时维遥感——遥感+AI，让农业更智慧