遥感技术在农业应用的进展分析_谢国雪

DOI:10.16601/ki.issn1001-8743.2014.02.020２０１４年６月 广西师范学院学报：自然科学版Ｊｕｎ．２０１４第３１卷第２期 Ｊｏｕｒｎａｌ　ｏｆ　Ｇｕａｎｇｘｉ　Ｔｅａｃｈｅｒｓ　Ｅｄｕｃａｔｉｏｎ　Ｕｎｉｖｅｒｓｉｔｙ：Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ　Ｖｏｌ．３１　Ｎｏ．２文章编号：１００２－８７４３（２０１４）０２－００８８－０９遥感技术在农业应用的进展分析谢国雪１，杨如军２，卢远１（１．广西师范学院资源与环境科学学院，广西南宁５３０００１；２．广西国土资源信息中心，广西南宁５３００２８）摘　要：遥感技术作为一种有效获取信息手段，以及准确观测地面的先进技术，在农业领域已经得到了广泛的应用。

文章经过对其在农业应用进展的现状进行深入研究，明确了农作物识别分类与面积估算；农作物长势监测与产量估产；农作物叶面指数、叶绿素含量监测与养分诊断；农业灾害监测；农用地提取与动态监测５大方面的研究为遥感技术在农业工作中的应用重点。

文中就５大方面的研究进行了提炼与总结，并在此基础上提出未来遥感技术在农业应用中的发展方向，对遥感技术在农业方面更为广阔的应用具有借鉴作用。

关键词：遥感技术；农业；农作物；应用进展中图分类号：ＴＰ７９；Ｓ１２７ 文献标识码：Ａ随着遥感事业的不断发展，遥感技术在农业、气象、土壤、环境等方面得到了广泛的应用，其中农业是遥感技术应用中最重要和最广泛的领域之—［１］。

遥感技术在农业中的应用促使了农业生产和研究从传统的阶段走向了精准化、定量化、高效化、多样化的阶段，遥感技术应用到农业工作是现在、未来发展的一种必然趋势。

农业遥感技术将遥感影像作为信息源，通过对遥感影像信息的处理，为最优农业生产决策提供先进的技术支持［２］。

目前针对遥感技术在农业中的应用的进展综述甚少，关于这方面的研究做一个较完善的总结与提炼尤为重要，并在此基础上提出农业遥感技术存在不足与未来发展的方向，为这方面的研究者与遥感技术在农业方面更为广阔的应用提供参考。

１　遥感技术在农业中应用现状遥感技术在农业中的应用根据目前研究的广度与深度可分为农作物识别分类与面积估算；农作物长势监测与产量估产；农作物叶面指数、叶绿素含量监测与养分诊断；农业灾害监测；农用地提取与动态监测五个方面。

本文从这五个方面就遥感技术在农业应用中国内外研究现状进行综述。

１．１　农作物识别分类与面积估算１．１．１　农作物识别分类农作物的正确识别与分类精度直接影像面积的估算，因此，农作物的识别与分类是面积估算的基础。

目前农作物的识别分类研究中棉花、冬小麦、水稻等作物提取居多，黄青等利用不同空间分辨率的ＭＯＤＩＳ－ＮＤＶＩ数据提取了新疆棉花播种面积的信息，该研究根据不同时期棉花ＮＤＶＩ值变化建立提取模型，提取精度总体达到７８％［３］；崔方宁等基于多时相ＴＭ影像提取的冬小麦面积，主要采用决策树、ＰＣＡ、缨帽变换等手段对地物进行分类，再通过利用ＮＤＶＩ组合阈值提取小麦种植区，分类总体精度为８１．９２％［４］；郑长春等根据ＳＰＯＴ－５卫星影像波段特征与ＮＤＶＩ值，利用简单决策树模型提取黑龙江省８５２农场水稻，并将结果与采用监督分类的方法提取结果进行比较，结果表明该方法精度优于监督分类收稿日期：２０１４－０４－１１第一作者：谢国雪（１９８９－　），女，地理信息系统研究生（１０２７４８９８４８＠ｑｑ．ｃｏｍ）通讯作者：卢远（１９７１－　），男，广西横县人，博士、教授、硕士生导师，研究：遥感与地理信息系统应用、土地利用及生态安全研究．第２期 谢国雪，等：遥感技术在农业应用的进展分析·８９　·方法［５］；丁美花等提取了广西南宁市甘蔗种植区域［６］；徐新刚等应用高分辨率遥感影像提取多种农作物［７］。

在国外，Ｉｎｇｌａｄａ运用支持向量机的方法实现了高分辨率影像中对象的自动识别，识别的正确率超过了８０％［８］；Ｚｈａｏ等运用人工神经网络模型和高分辨率影像利用土地的纹理特征进行土地类型的分类［９］。

１．１．２　农作物面积估算与监测农作物面积估算与监测与农作物的识别分类紧密相连，面积估算是分类提取的成果体现，但面积估算中综合了更多遥感影像的特征信息，并且采用多时相的影像提取较多。

邬明权等通过遥感数据时空融合技术，融合ＭＯＤＩＳ时序影像和Ｌａｎｄｓａｔ　ＥＴＭ＋影像，获得水稻识别关键期的融合影像，再通过融合影像，采用ＳＶＭ分类法实现水稻种植面积的提取［１０］；赵庚星等在ＴＭ影像上采用图像复合分类监测、比值（差值）图像监测、分类结果叠加监测和信息复合人机交互目视提取等方法研究了垦利县１９８７—１９９８年冬小麦播种面积及其空间分布的动态变化［１１］；李健等对水域面积进行了遥感技术的动态监测［１２］。

在国外，Ｐｒａｄｈａｎ采用遥感技术和区域框架抽样实现了农作物区域的估算［１３］；Ｑｕｉｎｔａｎｏ等采用遥感数据挖掘的方法对森林火灾面积进行估测［１４］。

综合分析前人对农作物识别分类与面积估测的方法中，大致可以分为两大类，一类是基于低分辨率遥感影像的传统分类方法，即监督分类与非监督分类。

这些分类的算法中常用的有最大似然法、马氏距离法、最小距离法、Ｋ－均值法、平行六面体法、ＩＳＯＤＡＴＡ法等［１５］。

传统的方法中主要针对的是像元的一个解译过程，难免会产生椒盐现象，并且对于同物异谱的现象难以解决。

另一类是人机交互分类方法（人工目视解译与计算机智能化自动识别分类的方法），智能化字段提取方法中运用较广泛的有遗传算法、人工神经网络、支持向量机、专家系统等方法。

该分类方法更适合应用于中高分辨率的遥感影像，解译的对象也由像元转向分割后的一个个影像对象，并且通常是综合利用遥感影像特征、多时相影像、多数据源影像进行分类与估测面积，精度高于传统分类提取的精度。

虽然传统分类的精度总体不是很高，但却是自动化分类的基础，在农业上应用价值不可忽略，人工智能化分类方法是未来发展的一种趋势，但对影像分辨率的要求更高，成本更高。

因此，在未来采用遥感技术解译农作物面积中，因采用中高分辨率的影像提取，并且采用多种方法综合解译农作物。

１．２　农作物长势监测与产量估产农作物长势监测与产量的估算历来都是人们十分关注的农业信息，也是粮食生产工作中一个重要组成部分。

农作物长势监测的主要目的是了解农作物生长的状况、水分、营养等情况，便于及时采取各种措施，促使农作物正常生长，同时通过农作物早期的长势可准确地对农作物产量进行估算。

国外对农作物的长势监测研究从上个世纪７０年代开始，美国在１９７４—１９７７年期间对小麦品种做了大面积农作物估产实验，于１９８６年建立了全球级的农情监测系统，该系统对美国的小麦、玉米、大豆、棉花、水稻等主要农业经济作物进行了长势评估和产量预报，并且还对加拿大、巴西、澳大利亚、中国等国进行监测，取得了巨大的经济效益［１６］；欧盟遥感应用研究中心也成功建立了农作物估产系统；世界粮农组织（ＦＡＯ）建立了全球粮食情报预警体系，进行全球作物长势监测与产量预测［１７］；意大利利用光谱的红边区域（ＲＥＰ）监测当地牧草长势以及水分分布情况。

在农作物长势的监测方法上，国外科学家主要利用适合大面积监测的ＮＯＡＡ－ＡＶＨＲＲ卫星进行了多方面的研究，并取得了突破性的进展［１８－１９］。

在我国早在１９７９年就开始关注遥感技术在农作物估产上的重要意义［２０］。

至今对农作物长势监测与产量估产研究的学者众多，张树誉等利用２００４、２００５年ＭＯＤＩＳ－ＮＤＶＩ序列数据，通过提取ＮＤＶＩ曲线特征参数，结合地面气象观测资料，对关中水地和旱地农作物长势进行了动态监测［２１］；刘阁等采用中巴资源卫星影像根据小麦不同成长周期叶绿素含量的变化规律，对其长势进行了监测，得到了该地区农作物长势优劣等级图［２２］；顾晓鹤等利用变化向量分析监测了冬小麦的长势变化情况［２３］；闫利平等利用ＳＰＯＴ－５卫星２．５ｍ分辨率全色影像与１０ｍ分辨率多光谱影像的融合得到高分辨率多光谱影像，以此对农作物估产方法进行研究［２４］；王人潮等建立了遥感估测模型估算了水稻的单产量［２５］。

对农作物的长势监测与产量估产研究中常用的遥感数据主要有ＮＯＡＡ－ＡＶＨＲＲ、ＴＭ、ＳＰＯＴ、ＭＯＤＩＳ，但用于大面积的作物长势遥感监测大都选用ＮＯＡＡ卫星数据［２６］。

综合分析研究者选择的指·９０　· 广西师范学院学报：自然科学版 第３１卷数较多使用叶面积指数（ＬＡＩ）、归一化植被指数（ＮＤＶＩ）、差值植被指数（ＤＶＩ）、比值植被指数（ＲＶＩ），这些指数不仅能够反映作物生长状况，还可用于农作物的估产分析。

采用遥感技术监测农作物长势与估产更为有效的是采用模型法，即遥感模型，根据功能可分为长势模型、产量估产模型。

其中长势模型又分为评估模型与诊断模型。

通常农作物的长势监测主要包括实时监测和过程监测两种，实时监测主要将实时监测的ＮＤＶＩ值与去年或多年平均值进行对比，反应作物生长的差异；过程监测主要通过时序ＮＤＶＩ图像构建生长过程，利用生长过程的年际间的对比来反应作物生长状况，也称为时间变化监测［２７］。

产量估产模型又可分为光谱估产模型、光谱估产和作物生长模拟估产的复合模型［２５］。

１．３　农作物叶面指数、叶绿素含量监测与养分诊断１．３．１　农作物叶面指数、叶绿素含量监测农作物的叶面指数（ＬＡＩ）是植被生长状况的一个重要指标，同时也是生态系统研究与气候模型研究的主要参数［２８－２９］。

叶绿素作为植物光合作用过程中最重要的色素，与植被的光合作用密切相关，叶绿素含量（ＣＨＬ．Ｃ）的高低可以反映植物的营养状况，同时可以作为植物在受胁迫及外界环境因子干扰状态下的指示器［３０］，因此准确测量植物的叶绿素含量对环境、生态学、农业、林业等部门具有重大作用。

在国内，程乾等将中分辨率成像光谱仪（ＭＯＤＩＳ）的增强植被指数（ＥＶＩ）、归一化植被指数（ＮＤＶＩ）以及红边位置（ＲＥＰ）与ＬＡＩ及ＣＨＬ．Ｃ之间的关系进行了研究，结果表明：ＬＡＩ与冠层光谱在可见光、近红外波段相关性较好，ＣＨＬ．Ｃ与冠层光谱在红光波段相关性较好，并指出ＥＶＩ和ＲＥＰ可以有效地监测水稻ＬＡＩ和ＣＨＬ．Ｃ［３１］；黄春燕等建立红边面积与叶绿素密度的线性相关模型，分别反演棉花新陆早１３号、１９号冠层叶片的叶绿素密度，结果表明对这两个棉花品种的叶绿素密度估算精度分别达８７．４％和８３．３％，得出高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法［３２］；杨峰等利用高光谱遥感技术分析水稻和小麦两种作物不同生育期的冠层光谱及其叶面积指数和叶绿素密度的变化情况，并比较了高光谱植被指数与两种作物的叶面积指数和叶绿素密度之间的关系，最终确定了估算两种作物的叶面积指数和叶绿素密度最佳植被指数，同时发现水稻和小麦两作物的叶面积指数和叶绿素密度在整个生育期内的变化规律基本一致，即先升高后下降的趋势［３３］；宋开山等采用光谱仪实测了不同生长季的大田玉米、大豆的冠层高光谱与作物的叶面积指数ＬＡＩ，采用单变量线性与非线性拟合和逐步回归分析的方式，建立了玉米、大豆ＬＡＩ高光谱遥感估算模型，结果表明，绿光波段反射峰区、红光波段以及近红外区的单波段反射率与作物的ＬＡＩ有较强的相关性，以高光谱的窄波段构造的ＮＤＶＩ和ＲＶＩ与作物的ＬＡＩ的相关程度高，并指出以多波段逐步回归方式构造的统计模型的预测效果最好［３４］。