摘要：利用遙感技術(shù)采集作物信息，實(shí)時(shí)獲取作物生長(zhǎng)情況，對(duì)作物長(zhǎng)勢(shì)、產(chǎn)量、病蟲(chóng)害等進(jìn)行預(yù)測(cè)，有助于農(nóng)業(yè)精準(zhǔn)管理和農(nóng)業(yè)政策制定?；谶b感監(jiān)測(cè)技術(shù)，系統(tǒng)分析遙感數(shù)據(jù)源獲取、植被指數(shù)選取、地面監(jiān)測(cè)數(shù)據(jù)獲取、預(yù)測(cè)方法選擇、預(yù)測(cè)模型精度評(píng)價(jià)等方面的現(xiàn)狀，為作物農(nóng)情遙感預(yù)測(cè)研究提供依據(jù)。

關(guān)鍵詞：農(nóng)情； 遙感； 預(yù)測(cè)； 指標(biāo)； 建模

中圖分類(lèi)號(hào)：S126 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-1161（2024）05-0068-03

全面準(zhǔn)確地了解作物農(nóng)情信息，是實(shí)施糧食安全戰(zhàn)略和發(fā)展綠色生產(chǎn)的前提和基礎(chǔ)。獲取各地作物信息，必然離不開(kāi)農(nóng)情監(jiān)測(cè)。農(nóng)情是對(duì)農(nóng)業(yè)外界條件與作物生產(chǎn)狀態(tài)的動(dòng)態(tài)跟蹤[1]，農(nóng)情監(jiān)測(cè)可以實(shí)時(shí)了解作物的生長(zhǎng)狀況，是降低農(nóng)業(yè)生產(chǎn)風(fēng)險(xiǎn)、保障糧食安全和促進(jìn)精準(zhǔn)農(nóng)業(yè)的重要實(shí)踐。遙感監(jiān)測(cè)利用基于衛(wèi)星或無(wú)人機(jī)的遙感技術(shù)對(duì)農(nóng)業(yè)生產(chǎn)過(guò)程進(jìn)行動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)，彌補(bǔ)了傳統(tǒng)調(diào)查具有主觀性、耗時(shí)長(zhǎng)、成本高等不足，能夠及時(shí)、快速、動(dòng)態(tài)地監(jiān)測(cè)大范圍的農(nóng)情信息。作物農(nóng)情預(yù)測(cè)基于農(nóng)情遙感實(shí)時(shí)監(jiān)測(cè)結(jié)果，結(jié)合不同波段數(shù)據(jù)計(jì)算后的遙感指標(biāo)及地面監(jiān)測(cè)數(shù)據(jù)，構(gòu)建預(yù)測(cè)模型，從而實(shí)現(xiàn)對(duì)作物長(zhǎng)勢(shì)、產(chǎn)量、災(zāi)害等情況的預(yù)測(cè)?；谵r(nóng)情遙感監(jiān)測(cè)技術(shù)，系統(tǒng)分析國(guó)內(nèi)遙感數(shù)據(jù)源獲取、植被指數(shù)選取、地面監(jiān)測(cè)數(shù)據(jù)獲取、預(yù)測(cè)方法選擇及預(yù)測(cè)模型精度評(píng)價(jià)等方面的研究現(xiàn)狀，以期為作物農(nóng)情遙感預(yù)測(cè)研究提供理論基礎(chǔ)和技術(shù)參考。

1材料與方法

1.1數(shù)據(jù)源

以中國(guó)知網(wǎng)為數(shù)據(jù)庫(kù)，檢索該領(lǐng)域中文核心、CSSCI、SCI、EI類(lèi)型期刊論文，專(zhuān)業(yè)檢索式為SU=（′遙感′+′衛(wèi)星′+′無(wú)人機(jī)′+′UAV′）*（′作物′+′玉米′+′大豆′+′小麥′+′水稻′+′花生′）*（′農(nóng)情′+′長(zhǎng)勢(shì)′+′產(chǎn)量′+′病情′+′災(zāi)害′+′品質(zhì)′）*（′預(yù)測(cè)′+′反演′+′估算′+′估產(chǎn)′），檢索日期截至2023年4月30日，共獲取該領(lǐng)域研究文獻(xiàn)303篇，去掉不相關(guān)文獻(xiàn)，保留168篇用于分析。

1.2研究方法

內(nèi)容分析法最早應(yīng)用于學(xué)術(shù)研究，旨在對(duì)文本內(nèi)容進(jìn)行系統(tǒng)分析，將繁雜信息結(jié)構(gòu)化，并揭示潛在的隱藏信息。采用內(nèi)容分析法，從遙感數(shù)據(jù)源獲取、植被指數(shù)選取、地面監(jiān)測(cè)數(shù)據(jù)獲取、預(yù)測(cè)方法選擇及預(yù)測(cè)模型精度評(píng)價(jià)5 個(gè)角度，開(kāi)展農(nóng)情遙感預(yù)測(cè)研究。

2結(jié)果與分析

2.1遙感數(shù)據(jù)源獲取與分析

2.1.1遙感數(shù)據(jù)類(lèi)型分析 遙感數(shù)據(jù)一般通過(guò)衛(wèi)星、無(wú)人機(jī)和地面設(shè)備獲取，數(shù)據(jù)類(lèi)型包括多光譜遙感數(shù)據(jù)、高光譜遙感數(shù)據(jù)、激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)和熱紅外數(shù)據(jù)，尤以多光譜和高光譜遙感數(shù)據(jù)研究較多。

多光譜數(shù)據(jù)主要來(lái)自MODIS、高分（GF）系列及Sentinel衛(wèi)星數(shù)據(jù)，適于大范圍監(jiān)測(cè)。高光譜數(shù)據(jù)可以提供更豐富的圖像和光譜信息，一般通過(guò)無(wú)人機(jī)或便攜式光譜儀獲取，適用于作物產(chǎn)量估算、葉片相對(duì)含水量反演、病蟲(chóng)害預(yù)測(cè)等。激光雷達(dá)技術(shù)能夠精確獲取作物的垂直結(jié)構(gòu)參數(shù)，但冠層遮擋可能影響模型精度。微波遙感技術(shù)具備全天時(shí)全天候監(jiān)測(cè)能力、地表及植被穿透能力、多極化信息獲取能力，可以反演作物葉面積和生物量、預(yù)報(bào)作物產(chǎn)量、評(píng)估作物生長(zhǎng)狀況等。熱紅外成像技術(shù)能夠反映作物冠層溫度，而冠層溫度與植物蒸騰及水分情況相關(guān)，適用于葉片含水量和病害脅迫研究。

2.1.2遙感數(shù)據(jù)獲取位置分析 根據(jù)研究對(duì)象不同，遙感數(shù)據(jù)獲取所覆蓋的區(qū)域也有所差別。在已有研究中，冬小麥研究數(shù)據(jù)通常覆蓋北京、河北、河南、山東、江蘇、陜西等地，玉米研究數(shù)據(jù)一般覆蓋北京、河北、河南、黑龍江、遼寧、內(nèi)蒙古、山東等地，水稻研究數(shù)據(jù)主要覆蓋黑龍江、廣東、江蘇、四川、安徽等地。

2.1.3遙感數(shù)據(jù)獲取時(shí)間分析 農(nóng)情預(yù)測(cè)遙感數(shù)據(jù)獲取周期一般根據(jù)作物生長(zhǎng)周期和衛(wèi)星過(guò)境周期確定。

冬小麥遙感數(shù)據(jù)采集時(shí)間一般為當(dāng)年10月—次年5月，玉米為5—9月，水稻為7—10月。

綜上，農(nóng)情遙感預(yù)測(cè)研究應(yīng)加強(qiáng)多光譜、高光譜數(shù)據(jù)與微波、熱紅外、激光雷達(dá)等遙感數(shù)據(jù)的耦合使用，拓展其他區(qū)域大豆、小米等經(jīng)濟(jì)作物和糧食作物研究，并對(duì)作物重要生育期進(jìn)行持續(xù)觀測(cè)，研究農(nóng)作物長(zhǎng)時(shí)間尺度的生長(zhǎng)情況。

2.2植被指數(shù)選取

植被指數(shù)是最常用的農(nóng)情預(yù)測(cè)模型輸入?yún)?shù)，是不同波段植被—土壤系統(tǒng)反射率因子以一定形式組合的參數(shù)。植被指數(shù)利用作物葉片對(duì)可見(jiàn)光、近紅外波段的光譜反射特性，來(lái)表征地表植被覆蓋和長(zhǎng)勢(shì)情況，并將其與土壤、水體等背景相區(qū)別[2]。

比值植被指數(shù)（RVI）是最早提出的植被指數(shù)之一，也是近紅外光波段與紅光波段反射率的比值，對(duì)高覆蓋度植被敏感，與葉面積、葉干生物量、葉綠素含量相關(guān)性高，適用于作物生物量等估算。差值植被指數(shù)（DVI）是近紅外光波段與紅光波段反射率的差值，適用于作物估產(chǎn)，對(duì)土壤背景變化較RVI敏感。歸一化差異植被指數(shù)（NDVI）是近紅外光波段與紅光波段反射率差值與兩者之和的比值，作為最常用的指標(biāo)，NDVI可以反映農(nóng)作物長(zhǎng)勢(shì)和氮營(yíng)養(yǎng)狀況，但在植被茂密區(qū)域靈敏度有所下降。

為了提升預(yù)測(cè)精度，研究人員提出更為復(fù)雜的植被指數(shù)。例如：歸一化綠度植被指數(shù)（GNDVI）是在NDVI基礎(chǔ)上提出的，其將紅光波段反射率替換為綠光波段反射率，提高了作物氮含量或籽粒含量預(yù)測(cè)能力。土壤調(diào)整植被指數(shù)（SAVI）通過(guò)增加土壤調(diào)節(jié)因子L 來(lái)降低土壤背景對(duì)冠層光譜的干擾。大氣阻抗植被指數(shù)（ARVI）考慮大氣影響，引入光學(xué)路徑效應(yīng)因子γ，但其依賴(lài)實(shí)際大氣參數(shù)，預(yù)測(cè)效果不佳。增強(qiáng)型植被指數(shù)（EVI）綜合SAVI 和ARVI的優(yōu)點(diǎn)，通過(guò)藍(lán)光波段糾正氣溶膠散射影響，適用于植被覆蓋度高的地區(qū)。此外，還有反演葉面積的反轉(zhuǎn)差值植被指數(shù)（IDVI），與生物量高度相關(guān)的簡(jiǎn)單植被指數(shù)（SR），預(yù)測(cè)棉花產(chǎn)量的綠色葉綠素植被指數(shù)（GCVI）、綠差指數(shù)（GDVI）、冠層葉綠素含量指數(shù)（CCCI）、反演玉米葉面積的歸一化綠紅差異指數(shù)（NGRD）及葉綠素植被指數(shù)（CVI）等。

綜上，結(jié)合多波段組合的植被指數(shù)或多種植被指數(shù)建立起來(lái)的預(yù)測(cè)模型，可以提高預(yù)測(cè)精度，但受環(huán)境、大氣等多種因素影響，這種模型具有地域性和時(shí)效性。為保證農(nóng)情預(yù)測(cè)模型的精確性，在構(gòu)建模型時(shí)需謹(jǐn)慎選用植被指數(shù)。

2.3地面監(jiān)測(cè)數(shù)據(jù)獲取

地面監(jiān)測(cè)數(shù)據(jù)是評(píng)價(jià)作物長(zhǎng)勢(shì)、品質(zhì)和生產(chǎn)能力的重要指標(biāo)，對(duì)于農(nóng)業(yè)生產(chǎn)決策具有重要參考意義。測(cè)量指標(biāo)主要包含葉面積指數(shù)LAI、產(chǎn)量、葉綠素含量、地上部生物量、生物量、葉片含水量、葉片氮含量、地上部氮積累量、土壤含水量等地面數(shù)據(jù)。

葉面積指數(shù)是衡量作物長(zhǎng)勢(shì)和估測(cè)產(chǎn)量的重要指標(biāo)。傳統(tǒng)測(cè)定方法具有破壞性，目前常利用CI-203型激光葉面積儀、LAI-2200C型植物冠層分析儀等專(zhuān)業(yè)儀器測(cè)定，也可采用長(zhǎng)寬系數(shù)法、比葉質(zhì)量法測(cè)定。

產(chǎn)量數(shù)據(jù)獲取分為理論測(cè)產(chǎn)和實(shí)收測(cè)產(chǎn)兩種方式。理論測(cè)產(chǎn)按照公式產(chǎn)量=穗數(shù)×穗粒數(shù)×千粒質(zhì)量×測(cè)產(chǎn)系數(shù)計(jì)算，測(cè)產(chǎn)系數(shù)常用0.85，但實(shí)收產(chǎn)量可能高于理論值，故有學(xué)者建議調(diào)整系數(shù)為0.90，或根據(jù)收獲方式進(jìn)行修正。實(shí)收測(cè)產(chǎn)利用谷物水分測(cè)量?jī)x測(cè)定作物籽粒含水量，按照13%或14%的產(chǎn)量水分折合計(jì)算。有學(xué)者發(fā)現(xiàn)理論測(cè)產(chǎn)與實(shí)收測(cè)產(chǎn)顯著正相關(guān)，采用九點(diǎn)隨機(jī)取樣法測(cè)產(chǎn)能夠較好地反映田間產(chǎn)量[3]。

葉綠素與光合作用相關(guān)，影響作物長(zhǎng)勢(shì)和產(chǎn)量。利用便攜式SPAD-502葉綠素儀無(wú)損測(cè)定葉綠素的相對(duì)值，并通過(guò)公式轉(zhuǎn)換為植被單位葉片面積的葉綠素含量。此外，也可利用植物養(yǎng)分測(cè)定儀TYS-3N、Dualex4氮平衡指數(shù)測(cè)量?jī)x等測(cè)量工具。

生物量是表征作物生命活動(dòng)的重要參數(shù)，與作物長(zhǎng)勢(shì)和產(chǎn)量息息相關(guān)，常采用烘干稱(chēng)質(zhì)量法測(cè)定。

葉片含水量是反映作物水分情況的重要指標(biāo)，采用烘干法測(cè)定，即把作物樣品的莖、葉分離，稱(chēng)取葉片鮮質(zhì)量，再將樣品放入烘箱殺青、烘干至質(zhì)量恒定，稱(chēng)取葉片干質(zhì)量，按照公式（鮮質(zhì)量-干質(zhì)量）/鮮質(zhì)量×100%計(jì)算。

氮素是影響作物產(chǎn)量和品質(zhì)的營(yíng)養(yǎng)元素之一，氮積累量是預(yù)測(cè)作物長(zhǎng)勢(shì)和品質(zhì)的重要指標(biāo)。將葉片烘干粉碎，采用凱氏定氮法測(cè)定葉片含氮量，計(jì)算葉片氮積累量。

目前大多數(shù)方法根據(jù)葉面積指數(shù)、葉綠素含量等單個(gè)地面監(jiān)測(cè)數(shù)據(jù)對(duì)作物生長(zhǎng)狀況進(jìn)行評(píng)估和預(yù)測(cè)，將這些數(shù)據(jù)組合來(lái)進(jìn)行評(píng)估和預(yù)測(cè)的研究相對(duì)較少。有學(xué)者為了更好地評(píng)價(jià)作物生長(zhǎng)狀況，將反映作物長(zhǎng)勢(shì)的參數(shù)按一定比例綜合成一個(gè)新的評(píng)價(jià)參數(shù)，再結(jié)合遙感指標(biāo)建立預(yù)測(cè)模型。

2.4預(yù)測(cè)方法選擇

農(nóng)情遙感預(yù)測(cè)是通過(guò)建立遙感參數(shù)與地面數(shù)據(jù)的反演模型來(lái)實(shí)現(xiàn)的，預(yù)測(cè)方法主要包括傳統(tǒng)統(tǒng)計(jì)回歸、機(jī)器學(xué)習(xí)、結(jié)合作物模型和深度學(xué)習(xí)。

傳統(tǒng)統(tǒng)計(jì)回歸方法主要包括經(jīng)驗(yàn)回歸模型、一元線(xiàn)性回歸、多元線(xiàn)性回歸和逐步回歸。根據(jù)遙感指標(biāo)構(gòu)建預(yù)測(cè)模型的回歸方法主要分為兩種：一種是分析遙感指標(biāo)與農(nóng)情變量相關(guān)性，選擇高相關(guān)性的指標(biāo)進(jìn)行回歸分析；另一種是直接將所有指標(biāo)與農(nóng)情變量進(jìn)行回歸分析，確定最佳預(yù)測(cè)模型。傳統(tǒng)統(tǒng)計(jì)回歸方法簡(jiǎn)單有效、技術(shù)門(mén)檻低，是常用的反演模型構(gòu)建方法。

機(jī)器學(xué)習(xí)方法包括隨機(jī)森林（Random Forest，RF）、偏最小二乘法（Partial Least Squares Regression，PLSR）、支持向量機(jī)（Support Vector Machine，SVM）、BP 神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）等，通過(guò)建立輸入變量（遙感參數(shù)指標(biāo)）與輸出變量（地面監(jiān)測(cè)數(shù)據(jù)）間復(fù)雜關(guān)系來(lái)提高預(yù)測(cè)精度。機(jī)器學(xué)習(xí)方法能夠提高反演精度，但是缺少明確的回歸關(guān)系，需要防止模型過(guò)度擬合。

遙感數(shù)據(jù)與作物生長(zhǎng)模型結(jié)合，通過(guò)驅(qū)動(dòng)法和同化法實(shí)現(xiàn)。常用模型有PROSAIL模型和WOFOST模型。由于模型參數(shù)較多，構(gòu)建普適性模型較難，故在使用前須進(jìn)行本地化，以保證模擬結(jié)果更精準(zhǔn)。

深度學(xué)習(xí)模型一般采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）框架。RNN 利用數(shù)據(jù)相關(guān)性進(jìn)行遞歸學(xué)習(xí)，而CNN則通過(guò)深度結(jié)構(gòu)和卷積計(jì)算挖掘數(shù)據(jù)間的潛在規(guī)律，實(shí)現(xiàn)高效并行學(xué)習(xí)[4]。長(zhǎng)短期記憶（LSTM）和門(mén)控循環(huán)單元（GRU）作為RNN的變體，適用于長(zhǎng)勢(shì)和產(chǎn)量預(yù)測(cè)研究。深度學(xué)習(xí)模型依賴(lài)大樣本。

在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法的應(yīng)用過(guò)程中，訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的確定通常有3種方式：一是按照7∶3劃分訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)；二是選擇連續(xù)多年的數(shù)據(jù)作為訓(xùn)練集，后一年的數(shù)據(jù)作為驗(yàn)證集；三是選擇連續(xù)多年的數(shù)據(jù)逐年作為驗(yàn)證集，其余年份的數(shù)據(jù)作為訓(xùn)練集。

2.5預(yù)測(cè)模型精度評(píng)價(jià)

農(nóng)情遙感預(yù)測(cè)模型評(píng)價(jià)采用訓(xùn)練數(shù)據(jù)構(gòu)建預(yù)測(cè)模型，利用驗(yàn)證數(shù)據(jù)和特定指標(biāo)來(lái)評(píng)估模型精度。常用評(píng)價(jià)指標(biāo)有R2和RMSE，R²表示實(shí)測(cè)值與模擬值的擬合程度，RMSE 表示偏離程度。一般選用兩者組合評(píng)價(jià)模型精度，R2越接近1，RMSE 越接近0，表明模型精度越高。

除了R² 和RMSE，RF 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)還會(huì)選擇MAE、MAPE、RRMSE 或nRMSE 中的一種，用于判斷樣本誤差的離散程度。

3結(jié)語(yǔ)

為了實(shí)施國(guó)家糧食安全戰(zhàn)略，促進(jìn)糧食生產(chǎn)穩(wěn)定發(fā)展，為農(nóng)業(yè)管理和決策提供更具價(jià)值的支持，應(yīng)在農(nóng)情遙感預(yù)測(cè)研究方面進(jìn)一步拓展農(nóng)作物類(lèi)型范圍，除了關(guān)注特定區(qū)域小麥、玉米和水稻之外，還應(yīng)考慮其他區(qū)域的經(jīng)濟(jì)作物和糧食作物。此外，關(guān)于農(nóng)情遙感預(yù)測(cè)的精準(zhǔn)性，需在以下方面深入研究：1） 多源數(shù)據(jù)集成分析。利用不同遙感數(shù)據(jù)源的優(yōu)勢(shì)，探索數(shù)據(jù)融合方法和技術(shù)，將遙感時(shí)間序列數(shù)據(jù)與氣象數(shù)據(jù)、土壤數(shù)據(jù)、地面監(jiān)測(cè)數(shù)據(jù)等集成，建立基于時(shí)空動(dòng)態(tài)的農(nóng)情模型，從而更準(zhǔn)確地預(yù)測(cè)農(nóng)作物季節(jié)性變化和生長(zhǎng)趨勢(shì)。2） 植被指數(shù)改進(jìn)。采用多個(gè)植被指數(shù)組合，綜合利用不同波段信息，增強(qiáng)農(nóng)作物生長(zhǎng)感知，構(gòu)建不受環(huán)境干擾且具有研究特色的新型植被指數(shù)。3） 預(yù)測(cè)方法優(yōu)化。深度學(xué)習(xí)在處理小樣本、高維度農(nóng)情數(shù)據(jù)時(shí)存在一定的局限性，可采用遷移學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)等方法增加訓(xùn)練樣本，提升模型性能，并探索解釋深度學(xué)習(xí)模型的預(yù)測(cè)結(jié)果，提供可解釋的決策支持，增強(qiáng)模型的可解釋性。