孟 冉，周龍飛，徐 樂，呂振剛，徐斌元，劉婷婷，曾小茜，廖益貴

（1.華中農(nóng)業(yè)大學 資源與環(huán)境學院，湖北 武漢 430070；2.華中農(nóng)業(yè)大學 作物遺傳改良國家重點實驗室,湖北 武漢 430070；3.湖北洪山實驗室,湖北 武漢 430070；4.華中農(nóng)業(yè)大學 植物科學技術學院，湖北 武漢 430070；5.華中農(nóng)業(yè)大學 交叉科學研究院，湖北 武漢 430070）

智慧農(nóng)業(yè)是農(nóng)業(yè)信息化發(fā)展的智能化形態(tài)，是我國農(nóng)業(yè)高質(zhì)量發(fā)展的重要內(nèi)容，對“全面推進鄉(xiāng)村振興，加快農(nóng)業(yè)農(nóng)村現(xiàn)代化”意義重大[1-3]。一般來說，智慧農(nóng)業(yè)以信息和知識為核心要素，通過信息技術、智能裝備與農(nóng)業(yè)生產(chǎn)的深度融合，實現(xiàn)“農(nóng)業(yè)生產(chǎn)全過程的信息感知、定量決策、智能控制、精準投入、個性化服務”[1，3]。農(nóng)業(yè)遙感技術是智慧農(nóng)業(yè)的關鍵核心技術之一，對實現(xiàn)農(nóng)業(yè)生產(chǎn)全過程的信息感知和定量決策等至關重要[4-8]。遙感技術可在不同電磁譜段內(nèi)周期性地收集農(nóng)情信息，與傳統(tǒng)的農(nóng)情信息收集方法相比，具有成本低、時效高、宏觀、定量等優(yōu)點[6，8-9]。特別是近些年來，伴隨著物聯(lián)網(wǎng)、云計算等現(xiàn)代信息技術的發(fā)展[10-11]，農(nóng)業(yè)遙感技術的時空譜分辨率及所能提供農(nóng)情信息的精度和豐度顯著提高[4，6，9]，在作物制圖、病蟲害監(jiān)測預警、雜草控制、作物關鍵理化參數(shù)反演和產(chǎn)量監(jiān)測預測等領域得到廣泛而成功的應用[5-6，8]。本文在此搜集了相關研究文獻，梳理了農(nóng)業(yè)遙感技術在這些方面的研究進展，總結了農(nóng)業(yè)遙感技術服務于智慧農(nóng)業(yè)所遇到的瓶頸，并展望了未來農(nóng)業(yè)遙感技術的發(fā)展方向和趨勢。

1 作物識別與制圖

作物識別與制圖是產(chǎn)量和病蟲害監(jiān)測預測以及種植結構分析和調(diào)整的基礎數(shù)據(jù)，是了解作物生產(chǎn)力和糧食安全的一項重要途徑[12]。因此，及時、準確地監(jiān)測農(nóng)作物的種植種類及面積對國家糧食安全與管理具有重要意義[13]。在過去幾十年中，農(nóng)業(yè)遙感技術因其可以及時提供準確和宏觀的作物信息，在作物識別和制圖領域作出了重大的貢獻[14]。許多遙感數(shù)據(jù)，包括光學和合成孔徑雷達（Synthetic Aperture Radar,SAR）數(shù)據(jù)（如 Sentinel、Landsat、MODIS 和 GF 等），已被廣泛用于農(nóng)作物識別和制圖研究[15]?；谶b感光學數(shù)據(jù)區(qū)分作物的基礎是不同作物以及同一作物不同生長階段在光譜波段上的反射率差異[16-17]，但由于作物種植的多樣性，以及云污染導致的數(shù)據(jù)采集局限性[18-19]，使得利用單一光學傳感器數(shù)據(jù)進行作物制圖時，難以達到理想精度[15]。光學和SAR數(shù)據(jù)的融合是目前作物識別和制圖的發(fā)展方向，例如，研究者結合GF-1和Sentinel-2光學數(shù)據(jù)并基于離散網(wǎng)絡和機器學習的方法，估算了大范圍的作物面積[12]，結合Sentinel-2和Sentinel-1 SAR及數(shù)字地形數(shù)據(jù)，實現(xiàn)了更準確的早期作物（大豆、玉米、水稻）預測制圖[20]。采用深度學習方法，利用多時相Sentinel-1 SAR以及Sentinel-2數(shù)據(jù)的光譜信息，實現(xiàn)對10種不同作物類型的制圖[21]。隨著遙感技術日益成熟和人工智能算法的發(fā)展，更高的時空譜分辨率的遙感數(shù)據(jù)和更先進的分類算法相結合，將獲得更精確的作物制圖結果。此外，在播種早期對作物進行識別和預測也是未來作物識別和制圖發(fā)展的重要方向[22]。

2 病蟲害監(jiān)測

在農(nóng)業(yè)生產(chǎn)的過程中，作物病蟲害常常會造成巨大的產(chǎn)量及經(jīng)濟損失，嚴重威脅著糧食安全[23-24]。僅在2019年，全球主要糧食作物因病蟲害導致的損失分別為：小麥21.5%，玉米22.6%，水稻30.0%，大豆21.4%[25]。為了防治病蟲害，人們大量施用農(nóng)藥，造成了嚴重的環(huán)境污染[26-27]。對作物病蟲害進行精準高效地監(jiān)測，尤其是在早期階段，可以指導精準施藥和有效遏抑病蟲害的傳播，減少產(chǎn)量和經(jīng)濟損失[24，28]。作為目前唯一可以實現(xiàn)連續(xù)、高效、重復的對地觀測的手段，遙感技術在病蟲害監(jiān)測方面表現(xiàn)出巨大的優(yōu)勢。植物在病蟲害脅迫下其生理生化特征將發(fā)生變化，如細胞結構、色素含量和含水量，而這些特征決定了植被在不同波長下的光譜反射率（色素：可見光；細胞結構：近紅外；含水量：短波紅外），這就為利用遙感進行植被病蟲害的監(jiān)測提供了物理基礎[24，29]?；诿舾械墓庾V特征，專家們在不同尺度條件下實現(xiàn)了對作物病蟲害的監(jiān)測，包括葉片尺度[30-31]，冠層尺度[32-33]和田塊尺度[34-35]。但是，病蟲害侵染農(nóng)作物是一個復雜的過程，在這一過程中其多種生理生化特征將發(fā)生一系列的變化，給我們的監(jiān)測工作帶來了巨大的挑戰(zhàn)[24，36]。遙感技術利用集合多種敏感光譜特征的方法能夠有效地揭示復雜的病蟲害侵染過程，因而在病蟲害監(jiān)測領域日益受到人們的關注。例如，結合敏感的熱紅外、高光譜和葉綠素熒光特征，可以在肉眼可見之前準確檢測出橄欖樹的苛養(yǎng)木桿茵侵染[37]；結合敏感的光譜指數(shù)，波長和小波特征可以有效地探測稻瘟病從無癥狀到輕微感染階段的特征變化[36]；結合植被指數(shù)、角度指數(shù)和導數(shù)特征能夠更好地探測云杉在受到樹皮甲蟲侵染早期的活力損失[38]；結合敏感的紋理和光譜特征可以有效提高冬小麥條銹病的烈度分類精度[39]。簡而言之，隨著遙感技術的發(fā)展（如無人機和無人車技術）[40]，多源的遙感數(shù)據(jù)獲取將會變得更加高效，基于多種類型的遙感特征進行作物病蟲害的監(jiān)測預測，將會是未來作物病蟲害遙感監(jiān)測最具潛力的發(fā)展方向。

3 雜草監(jiān)測

雜草作為農(nóng)田生態(tài)系統(tǒng)中的主要脅迫之一，嚴重威脅世界糧食安全[41]。在作物生長過程中，雜草與作物幼苗競爭水分、土壤養(yǎng)分、光照和生長空間，影響作物幼苗的正常生長，導致作物產(chǎn)量和質(zhì)量嚴重下降[42]。傳統(tǒng)的化學除草法通過大面積噴灑除草劑防止草害的發(fā)生與擴散，不僅會在作物表面和土壤中殘留大量的化學藥劑，危害人類與環(huán)境的健康，而且容易使作物對除草劑產(chǎn)生抗性，會造成額外的經(jīng)濟損失[43-44]。因此，對雜草進行精準識別將有助于農(nóng)民采取更有效的、可持續(xù)的田間雜草管理方法，同時防止作物病蟲害的發(fā)生[45]。遙感技術具有經(jīng)濟、高效和重復觀測等特點，在雜草監(jiān)測領域表現(xiàn)出了巨大的潛力。已有研究證明，光譜反射率數(shù)據(jù)可以區(qū)分田間作物和雜草，尤其是高光譜數(shù)據(jù)[46-48]。然而，當作物與雜草光譜差異不明顯時，或者受水分、病害和生育期的影響，對田間雜草的識別能力會受到限制[49-50]。而融合光譜、紋理和結構等多源遙感數(shù)據(jù)能夠有效地彌補光譜數(shù)據(jù)的不足，提升對田間雜草的識別精度。例如，結合光譜、形狀和紋理特征可以有效地區(qū)分玉米和雜草[51]；基于地面激光雷達獲取的結構特征識別玉米田間雜草[52]；融合光譜、形狀、結構和紋理特征可以精準區(qū)分行栽作物和闊葉雜草[44]。目前，基于遙感技術的雜草監(jiān)測與管理還面臨多個挑戰(zhàn)，包括早期雜草識別、雜草分類和雜草精細化管理等方面。而隨著無人機、無人車技術的不斷發(fā)展，進行多傳感器集成、多分辨率數(shù)據(jù)融合以及熱紅外等新興傳感器的應用，將為解決以上問題提供新的思路。

4 作物關鍵理化參數(shù)反演

作物理化參數(shù)是對植株長勢監(jiān)測的重要指標，快速、準確的作物關鍵理化參數(shù)反演對作物長勢監(jiān)測和田間管理意義重大[53]。作物在結構和組成成分的不同會表現(xiàn)出差異性的光譜反射和輻射特性，從而形成具有診斷意義的遙感特征[6，53]。目前，針對生物量、葉面積指數(shù)和葉綠素含量等與作物長勢、產(chǎn)量相關的作物理化參數(shù)遙感反演研究在過去幾十年取得了一系列進展[6]。

生物量是農(nóng)藝學家和育種家評價植株長勢和產(chǎn)量表現(xiàn)的重要指標。在農(nóng)學領域，一般通過人工破壞性取樣后烘干、稱量測定后的作物稱為生物量。這種測量方式效率低，并且通過抽樣方式獲取的生物量數(shù)據(jù)無法精準代表大部分田間的全部狀況。近年來，遙感技術的快速發(fā)展為作物生物量的測量提供了一種高效無損、宏觀監(jiān)測的解決思路。目前，已有搭載無人機和衛(wèi)星平臺的多光譜、高光譜、熱紅外和雷達傳感器用于作物生物量反演[54-55]。低空無人機遙感能夠獲取高時空分辨率的光譜數(shù)據(jù)，常用于監(jiān)測田塊尺度的生物量[56-57]，然而在作物群體“封行后”植被指數(shù)對生物量的反演精度則會降低，容易出現(xiàn)“過飽和”現(xiàn)象[58-59]。研究者利用無人機多角度成像或三維激光掃描等技術可重建三維點云，獲取作物冠層株高和體積，用以結合植被指數(shù)可有效降低光譜的“過飽和”現(xiàn)象的影響，提高對農(nóng)作物生物量反演的魯棒性[60-63]。同時，隨著 ICESat2、BIOMASS、ALOS PALSAR等新衛(wèi)星項目的推進[60，64]，近地無人機及激光掃描儀與衛(wèi)星遙感技術的結合，正逐漸成為區(qū)域尺度農(nóng)作物生物量監(jiān)測的新手段。

作為評估作物健康狀況的重要指標之一，葉綠素含量（Leaf Chlorophyll Content，LCC）對指導作物生長管理、評價作物光合作用能力、健康狀況等具有積極作用。遙感應用于作物葉綠素含量提取的原理在于植被葉片在不同波段具有不同的反射特點：在可見光波段，影響葉片反射率的主要因素為葉片色素，如葉綠素a、葉綠素b及β胡蘿卜素等，而在近紅外波段，則是細胞構造如海綿狀葉肉細胞間的散射影響葉片反射率，在中紅外波段，影響葉片反射率的主要因素變成了葉片含水量。葉片色素含量、細胞結構和葉片含水量隨著作物生長狀態(tài)、健康狀態(tài)的變化而變化，進而引起葉片反射率的變化[65-66]，這就為遙感技術監(jiān)測作物生長狀態(tài)、生化參數(shù)反演等提供了依據(jù)。遙感估算葉綠素含量通常有以下方法[67-68]：（1）經(jīng)驗模型方法，如線性回歸、機器學習等，經(jīng)驗模型計算簡單、所需變量較少；（2）物理模型方法，如輻射傳輸模型[69-70]、物理模型具有明確的物理意義，不受時間地點限制，具有較好的穩(wěn)定性。除此之外，遙感數(shù)據(jù)源也是影響葉綠素含量反演的重要因素。近年來，由于高光譜連續(xù)的窄帶包含對特定作物參數(shù)敏感的波段，因此已廣泛用于作物葉綠素含量反演[71-74]。由于高空間、時間分辨率對于準確及時估計作物參數(shù)十分重要，因此無人機平臺的遙感數(shù)據(jù)正在逐漸成為葉綠素含量估計的重要數(shù)據(jù)源[75-76]，并取得了顯著的成果。

葉面積指數(shù)（Leaf Area Index,LAI）與作物的生長狀況、生理活動、產(chǎn)量形成密切相關[77-78]，而傳統(tǒng)地面直接或間接的測量方法難以在大尺度上獲得空間上連續(xù)的田間LAI分布圖[79]，無法滿足智慧農(nóng)業(yè)的需求。農(nóng)業(yè)遙感技術為獲取時空連續(xù)的田間LAI分布圖提供了便捷、有效、低成本的方法，其基本原理是不同的植被冠層結構會影響光在冠層中的傳播，可通過分析冠層反射光譜的特征來反演LAI[80]。目前這方面的研究已在不同平臺、不同類型與來源的傳感器數(shù)據(jù)上開展?；谛l(wèi)星平臺中低分辨率影像的LAI反演可以快速獲取區(qū)域乃至全球的作物LAI分布圖[81]，因此被廣泛用于宏觀政治經(jīng)濟決策中。而高分辨率的衛(wèi)星平臺[82]及低空航空器平臺[83-85]數(shù)據(jù)則可獲取田間尺度的LAI分布圖，用于作物長勢監(jiān)測、病蟲草害和水肥的診斷。不同光譜波段對冠層結構的敏感性不同，也容易出現(xiàn)“飽和”現(xiàn)象，而添加多源遙感的紋理等特征則能夠有效緩解“飽和”現(xiàn)象[86]。此外，主動激光雷達遙感技術具有穿透性強的特點，可高效率刻地刻畫植株的3D結構[87]，在LAI反演領域的應用越來越廣泛。

5 農(nóng)業(yè)產(chǎn)量監(jiān)測預測

作物產(chǎn)量事關國民生活水平和國家糧食安全，是不容忽視的重要問題?？焖?、準確地估測作物產(chǎn)量，不但能夠及時掌握農(nóng)情信息，而且有利于對市場風險的管理，對于國家糧食安全政策的制定具有重要意義[88-89]。傳統(tǒng)作物產(chǎn)量測產(chǎn)主要依賴于田間實地隨機破壞性取樣調(diào)查或者使用農(nóng)藝學和氣象學知識結合統(tǒng)計分析的方法進行產(chǎn)量估算，然而這些方式費時費力、工作量大，且成本高、時效性差，無法滿足智慧農(nóng)業(yè)對農(nóng)情信息的需求[90-92]。遙感技術具有快速無損、準確有效、大范圍監(jiān)測的優(yōu)點，已成為作物估產(chǎn)的重要方式，其原理是根據(jù)作物的生理生化特性建立光譜特征和產(chǎn)量之間的關系。目前來自不同傳感器平臺（無人機[93-96]、衛(wèi)星[97-98]）的多種類型遙感數(shù)據(jù)（RGB[95]、多光譜[99]、高光譜[100]、熱紅外[101]、SAR[102]）已成為作物估產(chǎn)的主要數(shù)據(jù)源，不同數(shù)據(jù)及其組合被廣泛應用于產(chǎn)量預測。然而單獨使用遙感數(shù)據(jù)獲得的光譜信息具有一定的局限性，作物生長模型可以動態(tài)模擬作物生長發(fā)育過程，不同類型的遙感數(shù)據(jù)結合作物生長模型（WOFOST 模型[103]、Aqua Crop模型[104]、DSSAT 模型[105]等）為產(chǎn)量預測提供新的思路[106]?？紤]到遙感估產(chǎn)的精度要求，選擇合適的方法用于產(chǎn)量建模也很重要，機器學習（PLSR[107]、RF[108]、SVM[109]等）和深度學習[110]越來越多地被用于遙感估產(chǎn)建模，并顯著提高了遙感估產(chǎn)能力[111-113]?？偟膩碚f，隨著遙感技術的發(fā)展，遙感數(shù)據(jù)源多元化趨勢的出現(xiàn)以及作物生長模型和模型方法的優(yōu)化，將會為遙感估產(chǎn)提供更加可靠的信息技術支撐，合適的“遙感數(shù)據(jù)-作物生長模型-模型方法”的組合將會成為未來作物產(chǎn)量監(jiān)測預測方向研究的發(fā)展方向。

6 總結和展望

近幾十年來，農(nóng)業(yè)遙感技術雖然有了長足發(fā)展，但是制約其高效服務于智慧農(nóng)業(yè)的瓶頸依然存在。首先，目前農(nóng)業(yè)遙感技術的監(jiān)測應用多在于實時或已發(fā)生的農(nóng)情信息的提供上，但農(nóng)田生產(chǎn)管理優(yōu)化不但需要“現(xiàn)勢”信息，更需要預測預報的農(nóng)情信息[9]。農(nóng)業(yè)遙感中的高光譜技術可進行病蟲害肉眼可見的短期預報[24，36]，而中長期預測預報則需要結合氣象預報或遙感數(shù)據(jù)驅(qū)動作物模型[106]，進行病蟲害、作物產(chǎn)量或品質(zhì)等的預測。其次，仍需加強農(nóng)業(yè)遙感的基礎研究，進一步提高模型的精度和實用性。近些年來隨著日光誘導葉綠素熒光、成像高光譜及熱紅外等新型傳感器的發(fā)射升空，更高時空譜分辨率、多模態(tài)的衛(wèi)星遙感數(shù)據(jù)的可得性越來越高，為更高精度的農(nóng)田水分脅迫、產(chǎn)量、病蟲害、碳源、碳匯等的遙感監(jiān)測預報提供了可能[114]。但目前對農(nóng)業(yè)遙感監(jiān)測機理的研究仍需進一步加強，突出表現(xiàn)在模型的魯棒性和遷移性較弱，不能滿足智慧農(nóng)業(yè)中的智能感知，輔助智慧決策的實際需求[8-9，115]。此外，深度學習等人工智能技術的發(fā)展正在改變研究范式，但深度學習算法在基于遙感多模態(tài)數(shù)據(jù)的農(nóng)情信息智能提取、管理決策等方面的潛力仍有待深入發(fā)掘，以推動農(nóng)業(yè)遙感技術在智慧農(nóng)業(yè)領域的進一步推廣和應用[6，21]。再次，目前仍然缺乏農(nóng)業(yè)遙感技術在智慧農(nóng)業(yè)中推廣的統(tǒng)一平臺和技術標準。目前農(nóng)業(yè)遙感技術在智慧農(nóng)業(yè)的研究主要集中在理論和方法層面，缺乏面向農(nóng)業(yè)生產(chǎn)的推廣平臺和技術標準，制約了農(nóng)業(yè)遙感技術的應用和價值創(chuàng)造[6，9]。