作物生物量遥感估算研究进展
基于无人机遥感的作物表型参数获取和应用研究进展
㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种 图－谱 融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇ ｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄ ｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。
农作物单产遥感估算模型研究进展
农作物单产遥感估算模型研究进展随着科技的不断发展，遥感技术已经成为农作物单产估算的一种重要手段。
农作物单产遥感估算模型的研究进展，对于提高农业生产效率、优化资源配置以及指导农业生产具有重要意义。
本文将对农作物单产遥感估算模型进行概述，综述其研究现状，并探讨未来的发展方向。
农作物单产遥感估算模型在国内外学者的不断探索和研究下，已取得了一系列重要成果。
这些模型大致可以分为基于统计模型、机器学习模型和混合模型三类。
其中，统计模型利用地块级产量和遥感数据建立回归关系，机器学习模型则多采用神经网络、支持向量机（SVM）和支持向量回归（SVR）等方法进行预测。
混合模型则综合了统计模型和机器学习模型的优点，进一步提高了预测精度。
尽管农作物单产遥感估算模型已取得了显著成果，但仍存在一些问题和挑战。
由于遥感数据的时空分辨率较低，模型预测结果的准确性和精细化程度受到限制。
模型参数的确定和调整缺乏系统性的理论指导，导致预测结果存在一定的不确定性。
大多数模型仅考虑了单一的遥感数据源，如光学遥感或雷达遥感，而忽略了多种数据源的融合和互补性。
为了解决上述问题，本文将采用多源遥感数据融合的方法，充分利用不同类型数据的优势，提高模型的预测精度。
同时，将引入深度学习等先进的人工智能算法，构建更为精确的预测模型。
还将开展大量的实验验证，对比分析各种模型的优劣，为农业生产提供可靠的单产预测结果。
实验结果表明，基于多源遥感数据融合的深度学习模型在农作物单产遥感估算中具有较高的精度和稳定性。
相比传统模型，该模型能够更好地处理复杂的地形和气候条件，提高预测结果的精细化程度。
同时，该模型还具有较低的计算复杂度，能够满足大规模农作物单产预测的需求。
本文的研究成果对于推动农作物单产遥感估算模型的发展具有一定的参考价值。
然而，仍然存在一些未来研究方向值得探讨。
如何更好地利用高分辨率遥感数据进行农作物单产估算仍需进一步研究。
混合模型的构建和研究仍有很大的发展空间，可以通过融合更多类型的数据和采用更先进的算法来提高模型的预测精度和稳定性。
如何利用遥感技术进行农作物监测与评估
如何利用遥感技术进行农作物监测与评估遥感技术在农业领域的应用日益广泛，能够提供大规模、高分辨率的农作物信息，从而为农作物监测与评估提供了便利和精确性。
本文将介绍遥感技术在农作物监测与评估方面的应用，探讨其优势和挑战，同时提出未来的发展方向。
首先，遥感技术可以通过获取卫星、飞机或无人机的遥感图像来实现农作物监测与评估。
遥感图像能够提供大范围、高分辨率的农作物分布情况，通过对图像进行处理和分析，可以获取农作物的空间分布、生长情况及地理分布等信息。
这些信息对于农作物的监测与评估非常重要。
其次，遥感技术可以提供农作物的生长状态监测。
通过遥感图像可以获取到农作物的叶绿素含量、生物量以及叶面积指数等指标，从而对农作物的生长状态进行准确评估。
这对于农作物生长状况的监测和对农作物的健康状况进行评估具有重要意义。
另外，遥感技术可以辅助农作物的灾害监测。
自然灾害对农作物的影响往往是不可避免的，而遥感技术可以提供灾害影响范围、程度以及恢复情况等信息，帮助我们全面评估农作物遭受灾害的程度，并采取相应的措施来减轻灾害对农作物的影响。
此外，遥感技术还可以利用多光谱数据进行农作物类型的识别和分类。
通过对遥感图像进行分析，可以获取到不同农作物类型的光谱特征信息，进而对不同农作物类型进行准确识别和分类。
这有助于农业决策者根据农作物类型进行合理的种植安排和资源配置，提高农作物的产量和质量。
然而，遥感技术在农作物监测与评估中还存在着一些挑战。
首先，遥感图像获取的时间和频率有限，不能实时获取农作物信息。
其次，遥感图像处理的复杂性限制了遥感技术的应用范围和效果。
再次，遥感图像的质量和分辨率对农作物监测与评估的准确性和精确性有着重要的影响。
另外，遥感技术的应用还需要农作物监测与评估专业知识的支持，对遥感数据的解释和分析需要相关领域的专业人士参与。
为了进一步发展遥感技术在农作物监测与评估中的应用，可以从以下几个方面进行努力。
首先，提高遥感图像获取的时间和频率，实现农作物信息的及时感知。
基于遥感的农业产量预测研究
基于遥感的农业产量预测研究农业作为国民经济的基础，其产量的准确预测对于保障粮食安全、优化农业资源配置以及制定相关政策具有重要意义。
随着科技的不断进步，遥感技术因其能够快速、大面积获取地表信息的优势，在农业产量预测中发挥着越来越重要的作用。
遥感技术是一种通过非接触式的传感器获取远距离目标物的信息，并对其进行分析和处理的技术。
在农业领域，常用的遥感数据包括卫星影像、航空摄影以及无人机拍摄等。
这些数据包含了丰富的地表特征信息，如作物的生长状况、土壤湿度、植被覆盖度等。
通过对遥感数据的分析，可以获取与农业产量密切相关的参数。
例如，利用植被指数可以反映作物的生长活力和健康状况。
归一化植被指数（NDVI）是常用的植被指数之一，它通过计算近红外波段和红光波段的反射率差异来评估植被的生长状况。
当作物生长良好时，NDVI 值较高；反之，NDVI 值较低。
此外，叶面积指数也是一个重要的参数，它反映了作物叶片的覆盖程度，与光合作用和干物质积累密切相关。
遥感数据的获取具有时效性强的特点。
不同生长阶段的作物，其遥感特征存在差异。
在播种期，可以通过遥感监测土地的利用情况和种植面积；在生长期，可以定期获取作物的生长信息，及时发现病虫害、干旱等灾害的影响；在收获期，能够对作物的成熟度进行评估，为收获决策提供依据。
然而，要将遥感数据有效地应用于农业产量预测，并非一帆风顺，还面临着一些挑战。
首先，遥感数据的质量和分辨率可能会受到天气条件、传感器精度等因素的影响。
例如，云层遮挡可能导致部分区域的数据缺失，影响对作物生长状况的全面评估。
其次，遥感数据的解译和分析需要专业的知识和技术，如何准确地从复杂的数据中提取有用的信息，并建立与产量之间的可靠关系，是一个关键问题。
此外，农业生产受到多种因素的综合影响，除了遥感监测到的因素外，还包括品种特性、田间管理措施、病虫害防治水平等，如何将这些因素综合考虑到产量预测模型中，也是需要解决的难题。
为了应对这些挑战，研究人员采取了一系列的方法和技术。
国内外农作物遥感估产的研究进展
引言
引言
遥感光谱技术是一种利用遥感器获取农作物光谱信息，并据此进行农作物估 产的方法。它具有快速、无损、大面积等优点，为精准农业的发展提供了重要支 持。本次演示将介绍遥感光谱技术在农作物估产中的应用研究进展，以期为相关 领域的进一步研究提供参考。
研究现状
研究现状
近年来，遥感光谱技术在农作物估产中得到了广泛应用，主要包括激光诱导 击穿光谱技术、成像光谱技术、无线传感器技术等。其中，激光诱导击穿光谱技 术通过分析农作物的光谱反射和吸收特征，能够准确测定农作物的化学成分，进 而估算其产量。
1.国内外研究成果对比
在国内，中国农业科学院、中国科学院等机构也在遥感估产方面进行了大量 研究，提出了多种基于遥感的农作物估产方法。例如，利用多光谱遥感影像和作 物生长模型，对北方冬小麦产量进行估算，为区域农业管理和粮食预购提供了有 效手段。
2.影响因素分析
2.影响因素分析
农作物遥感估产的影响因素主要包括气候、土壤、品种、种植制度等。这些 因素在不同地区和不同作物之间存在差异，会对遥感估产的准确性产生影响。例 如，在水稻生长季，苗期渍水、生育期高温等气候因素会对水稻的生长和产量产 生影响。另外，不同品种和种植制度的水稻对遥感信息的响应也会有所不同，从 而影响估产的准确性。因此，在农作物遥感估产研究中，需要综合考虑各种因素 的影响，提高模型的适用性和准确性。
文献综述
统计模型法是另一种常用的农作物遥感估产方法，其基本原理是将遥感影像 作为自变量，将农作物产量作为因变量，建立回归模型，然后利用模型对农作物 产量进行预测。统计模型法的优点是能够反映农作物的空间异质性和时间变化， 但需要大量的实地调查和数据处理。
文献综述
光谱指数法是基于农作物光谱特性的遥感估产方法，其基本原理是利用遥感 影像的光谱信息建立农作物估产模型。光谱指数法的优点是能够反映农作物的生 理和生化变化，但需要选择合适的光谱指数和建立准确的估产模型。
高光谱遥感在农作物生长监测的应用研究进展
高光谱遥感在农作物生长监测的应用研究进展高光谱遥感是一种获取大量连续波段光谱信息的遥感技术，具有广泛的应用前景。
在农业方面，高光谱遥感可以用于监测农作物的生长情况和健康状况，为农业管理提供科学依据。
本文将对高光谱遥感在农作物生长监测的应用研究进展进行综述。
农作物生长监测是农业管理的重要内容之一。
传统的农作物生长监测方法主要依靠人工野外观测和定期采集植物样本进行实验室分析，工作量大且费时费力。
而高光谱遥感技术可以在大范围内非接触性地获取农作物的光谱信息，使得农作物生长监测更为高效和精确。
高光谱遥感技术利用设备采集到的大量波段光谱数据，可以提取出丰富的植被信息。
通过对光谱数据的分析和处理，可以获取到农作物的生长状态、光合作用强度、叶绿素含量等指标，进而评估农作物的健康状况和适应性。
2. 农作物营养状态监测。
农作物的营养状态对其生长发育和产量形成有着重要的影响。
高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的叶绿素含量、氮素含量等营养指标，从而评估农作物的营养状况和需肥情况。
通过及时监测和调整农作物的营养状况，可以提高农作物的产量和品质。
3. 农作物病虫害监测。
高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的特征波段，从而识别和监测农作物的病虫害。
通过分析农作物的光谱特征，可以迅速检测到农作物受到的病虫害的严重程度和分布范围，提高农作物病虫害的监测效率，并给出相应的防治措施。
4. 农作物气候适应性评估。
不同农作物对气候条件有不同的适应性，高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的光合作用强度、水分利用效率等指标，从而评估农作物对不同气候条件的适应性。
这对于制定适合不同气候条件下的农业管理措施具有重要意义。
中国农作物长势遥感监测研究综述
基本内容
中国农作物长势遥感监测技术主要基于卫星遥感数据，结合地物光谱特征、 农学知识和计算机技术等多学科知识进行综合分析。其中，常用的技术方法包括 遥感图像处理、模式识别、地物光谱分析、机器学习等。遥感图像处理主要包括 图像预处理、图像增强和图像分类等步骤，目的是提取出与农作物长势相关的信 息。模式识别和地物光谱分析等技术则主要用于识别和区分不同农作物类型，以 及分析农作物的生长状况和产量预测等。
未来展望
未来展望
随着科技的不断进步和发展，农作物长势综合遥感监测方法将进一步完善和 提高。未来，可以加强以下方面的研究和发展：
未来展望
1、提高遥感数据的分辨率和覆盖范围，以满足更加精细的农业管理和决策需 求。
2、加强遥感技术的智能化和自动化水平，减少对人工的依赖，提高监测效率 和精度。
未来展望
基本内容
2、技术手段日益丰富：农作物长势遥感监测技术不断推陈出新，包括高光谱 遥感、多角度遥感、时间序列遥感等多种技术手段的应用，使得监测结果更加准 确和精细。
基本内容
3、智能化和自动化水平提高：随着人工智能和机器学习等技术的不断发展， 农作物长势遥感监测的智能化和自动化水平也在不断提高。通过数据挖掘和模式 识别等技术手段，能够实现农作物的自动分类和长势预测等功能。
基本内容
3、作物生长周期监测：利用遥感监测技术，可以监测作物的生长周期，从而 掌握作物的生长动态，为农业生产提供指导。
基本内容
总之，遥感监测在农作物长势评价中具有重要的作用。它不仅可以实现大范 围、高效的监测，而且可以提高监测的准确性和精度。通过遥感监测技术，我们 可以更好地了解作物的生长状况，为农业生产提供更为精确的指导，有助于提高 农作物的产量和品质，为保障粮食安全和农业可持续发展做出贡献。
利用遥感数据进行农作物产量估测的步骤与技巧
利用遥感数据进行农作物产量估测的步骤与技巧农作物产量估测是农业生产管理中非常重要的一环，它可以帮助农民和农业决策者了解农田的生产状况，提前做出农业资源的合理配置。
近年来，随着遥感技术的发展和应用，利用遥感数据进行农作物产量估测已经成为一种常用的方法。
本文将介绍利用遥感数据进行农作物产量估测的步骤和技巧。
第一步是收集和准备遥感数据。
遥感数据包括不同波段的遥感图像、气象数据和农田调查数据等。
在选择遥感数据时，需要根据农作物的特性选择适当的波段和时间范围。
同时，还需要对数据进行校正和预处理，以纠正遥感图像的大气影响和减少噪声。
第二步是提取农田特征信息。
通过遥感图像处理和分析技术，可以提取出与农作物生长状态相关的特征信息。
例如，通过植被指数可以反映植被的覆盖程度，通过土壤湿度指数可以反映土壤的湿度状况。
这些特征信息可以帮助我们了解农田的生长状况，进而进行产量估测。
第三步是建立农作物生长模型。
通过采集和分析实地的农作物生长动态数据，可以建立起与农作物生长状态相关的模型。
这些模型可以基于遥感数据和气象数据，将观测到的特征信息与农作物产量进行关联。
例如，可以利用线性回归模型、贝叶斯网络或人工神经网络等方法进行模型建立和拟合。
第四步是进行农作物产量估测。
基于已建立的农作物生长模型，可以利用遥感数据和气象数据进行农作物产量的估测。
通过将遥感特征数据输入到模型中，可以得到相应的农作物产量估计值。
需要注意的是，由于模型的不确定性和遥感数据的局限性，得到的产量估计结果仅供参考。
在利用遥感数据进行农作物产量估测时，还需要注意一些技巧和注意事项。
首先，选择合适的遥感数据和时间范围非常重要。
不同农作物对光照、气温和湿度等环境条件的要求不同，因此需要根据农作物的特性和生长周期选择适当的遥感数据和时间范围。
其次，需要进行高质量的遥感图像预处理，以减少数据的干扰和噪声。
此外，对于大范围的农田，还需要考虑不同区域之间的差异，例如土壤类型和气候条件等，以确保产量估测的准确性。
高光谱遥感技术在作物生长监测中的应用研究进展
麦类作物学报2009,29(1):174-178Jo ur na l of T rit iceae Cr ops高光谱遥感技术在作物生长监测中的应用研究进展李映雪,谢晓金,徐德福(南京信息工程大学应用气象学院,江苏南京210044)摘要:精准农业是现代化农业生产中实现低耗、高效、优质与安全的重要途径,高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息,为实施精准农业提供重要的技术支撑。
本文综述了以高光谱遥感技术监测作物长势(包括叶面积指数和生物量)、作物生物化学参数(包括植物的氮素营养、叶绿素含量、叶片碳氮比等)和籽粒品质(包括籽粒蛋白质含量、面筋含量、淀粉积累量等)的国内外研究进展,并提出了一些今后研究的设想,以期为未来精确农业快速发展提供参考。
关键词:作物;高光谱遥感;生长监测中图分类号:S24;S311文献标识码:A文章编号:1009-1041(2009)01-0174-05Application of Hyperspectral Remote Sensing Technologyin Monitoring Crop GrowthLI Ying-xue,XIE Xiao-jin,XU De-fu(College of Applied M eteorology,Nanjin g U nivers ity of Information T echnology,Nan jing,Jiangsu210044,China)Abstract:Precision farming is an im por tant appr oach to realizing low consumption,high yield,goo d qual-i ty and safety in m odern agricultural production.H yperspectral remo te sensing can rapidly and precisely de-termine the g row th status of cro p in the field,w hich offers im por tant technical suppo rt for im plementation of precision farming.On the basis of hyper spectral remo te sensing,m onitoring character of crop g row th, bio-chemical parameter s and grain quality of crop w ere summarized and som e ideas for further resear ch w ere discussed in this paper,w hich could supply an im por tant reference and guideline for quickly develop-m ent o f precision farm ing in the futur e.Key words:Crop;H yperspetral remo te sensing;Grow th;Monitoring精准农业是在现代信息技术、生物技术与工程技术等一系列高新技术最新成就的基础上发展起来的一种重要的现代农业生产形式,它是实现农业低耗、高效、优质与安全的重要途径,目前,已成为世界农业技术的研究重点,其中遥感技术是实施精准农业的重要工具之一。
遥感技术在精准农业中的现状及发展趋势
遥感技术在精准农业中的现状及发展趋势遥感技术在精准农业中起着重要的作用，可以对农业生产中的土地利用、作物品质、病虫害监测等关键问题进行预测和管理。
本文将就遥感技术在精准农业中的现状和发展趋势进行分析。
1.土地利用监测土地是农业生产中最重要的因素之一，针对土地利用进行监测和管理可以更好地掌握土地资源的利用情况。
遥感技术通过获取卫星图像和数字高程模型等数据，可以定量化和分类化研究土地利用问题。
对于土地零碎化的问题，可以通过遥感技术进行精确的边界绘制，从而更好地保护自然生态。
2.作物监测与预测作物是农业生产的核心部分，针对作物的生长情况进行监测和预测有利于提高产量和保障作物品质。
遥感技术可以根据重要作物的光谱反射特征、生长周期等，通过无人机、卫星等进行快速监测。
同时，通过建立作物生长模型，提前进行农作物种植周期的预测和优化决策，从而为农业生产的成功提供有力保障。
3.病虫害监测与管理病虫害是影响农业生产的一大关键因素，对病虫害进行监测和管理可以更好地进行农作物保护。
通过遥感技术获取农田中昆虫成像、纹理和颜色等信息，以及进行训练，可以生成具有高准确度的分类器，用于自动化病虫害监控。
4.精准施肥精准施肥是提高作物的产量和品质的重要措施之一。
通过遥感技术获取指定区域内的作物光谱反射、植被指数等信息，结合土壤音波检测技术，可以实现准确精准的肥料施用，最大化地利用土壤养分，降低土壤污染等问题。
1.多源数据融合多源数据融合指传统的遥感技术、电磁波传感器等数据的融合。
由于遥感技术的无法解决某些农业问题，多源数据融合成为了解决问题的重要手段。
通过融合作物生长周期、土质、植被指数等信息，可以为精准农业提供更具有参考意义的数据。
2.智能化技术的应用智能化技术的应用正逐渐成为遥感技术的发展趋势。
例如，卷积神经网络在遥感图像分类，植被覆盖率估计等方面的运用，为遥感技术的可以更加精准和智能。
3.遥感技术与物联网的结合以物联网为基础的精准农业，在早期依赖于检测传感器搭载在装置上的数据来进行精准农业。
遥感技术在农作物生长监测中的应用案例分析
遥感技术在农作物生长监测中的应用案例分析概述：随着科技的不断发展和进步，遥感技术在农作物生长监测中的应用也得到了广泛的推广和应用。
本文将通过几个具体的案例，来探讨遥感技术在农作物生长监测中的应用，并分析其在农业领域中的意义以及未来的发展前景。
案例一：作物叶面积指数遥感监测作物叶面积指数（Leaf Area Index, LAI）是反映作物叶面积状况的重要指标。
通过遥感技术，可以实时、动态地获取作物叶面积指数数据，实现对作物生长的实时监测。
例如，利用卫星遥感图像和无人机航拍图像，结合相关算法模型，可以获取不同农作物的植被指数数据，从而反映作物叶面积的大小和变化。
这为农作物的生长情况提供了可靠的监测手段，帮助农民科学管理农田，及时采取措施，提高作物产量。
案例二：农作物病虫害监测农作物病虫害是农业生产中常见的问题，病虫害的发生对农田的生产和经济效益造成重大影响。
通过遥感技术，可以实现对农作物病虫害的监测和预警。
通过利用多光谱遥感图像和高光谱遥感图像，结合病虫害的光谱特征，可以快速检测和判断病虫害的发生及其程度。
同时，通过时序遥感图像的对比分析，可以及时掌握农田病虫害的动态变化，为农民提供科学的病虫害防治策略，减少农作物损失。
案例三：土壤水分监测土壤水分是农作物生长的关键因素之一。
利用遥感技术，可以实现对农田土壤水分的监测和评估。
通过利用雷达遥感图像和热红外遥感图像，结合相关水分指标和模型算法，可以定量地反演土壤水分含量及其分布状况。
这对于农田的灌溉管理、农作物的生长调控具有重要意义。
同时，通过不同时期的遥感图像对比分析，可以研究土壤水分的变化趋势和季节变化规律，为农业的水资源管理提供科学依据。
结论：遥感技术在农作物生长监测中的应用可以提供重要的决策支持和科学依据。
通过遥感技术的应用，可以实现对作物生长状况、病虫害情况和土壤水分状况的实时监测和动态评估。
这有助于农民科学管理农田，减少病虫害损失，提高农作物产量。
植物面积指数遥感提取的研究进展与应用分析
植物面积指数遥感提取的研究进展与应用分析植物面积指数（Vegetation Area Index，简称VAI）是评估植被生长状况的重要指标之一，其反映了植被覆盖度和叶绿素含量。
VAI遥感提取技术的应用，可以为生态环境监测、农业生产、灾害预警等提供重要的科学依据。
本文将就VAI遥感提取技术的研究进展及其在生态环境监测、农业生产和灾害应对等方面的应用进行深入分析。
一、VAI遥感提取技术的研究进展VAI可通过遥感技术得到精确提取，常用方法有行列式统计法、人工神经网络模型法、支持向量机模型法等。
其中，行列式统计法得到了广泛应用。
该方法通过计算遥感图像中每个像元与其邻域像元之间的相关性，得出每个像元的VAI值。
此外，人工神经网络模型法和支持向量机模型法也被广泛研究。
近年来，VAI遥感提取技术不断得到完善，研究者们提出了越来越多的方法和模型来提高VAI提取的准确性和效率。
例如，徐晖等人提出的基于遥感和机器学习的植被指数提取方法，利用人工神经网络模型，从Landsat8遥感影像中提取出正确的植被指数值。
王煜琳等人也在研究中提出了基于阈值分类的行列式统计法，该方法能够提高植被指数提取的精度。
此外，越来越多的研究者将机器学习方法应用于VAI提取，例如冯志表等人最新发表的基于网络编码的植被指数提取方法，有效提高了VAI提取的准确性和效率。
二、VAI遥感技术在生态环境监测方面的应用VAI遥感技术在生态环境监测中得到广泛应用，尤其是在植被覆盖度和生物量监测方面。
例如，如何评估岩溶山地植被生态系统的恢复和重建状况一直是一个难题，而VAI遥感技术可以快速且准确地评估植被恢复进程。
陈辉等人在研究中发现，基于VAI提取的植被覆盖度垦区与退耕还林区差异显著，证明了VAI是一个精确的植被覆盖度指标。
此外，VAI遥感技术也可在卫星图像上快速监测和评估不同区域的植被生物量，例如用于区分森林、草地等生态系统类型。
三、VAI遥感技术在农业生产方面的应用VAI遥感技术在农业生产中也有广泛运用，主要用于作物生长状况监测和农作物产量估算。
基于无人机遥感技术的农作物生长监测与评估研究
基于无人机遥感技术的农作物生长监测与评估研究随着科技的不断发展，无人机遥感技术在农业领域的应用日益广泛。
其高分辨率和快速获取数据的特点，为农作物生长监测与评估提供了全新的解决方案。
本文将探讨如何利用无人机遥感技术对农作物的生长状态进行实时监测与评估，并分析其在农业生产中的应用价值。
一、无人机遥感技术的特点无人机遥感技术是一种通过搭载在无人机上的遥感传感器，获取地表信息的技术手段。
相较于传统的遥感技术，无人机遥感具有以下特点：1. 高分辨率影像：无人机搭载的遥感传感器可以获取高分辨率的影像数据，揭示农作物生长状态的细微变化。
2. 快速获取数据：无人机可以在较短时间内覆盖较大的区域，迅速获取农作物生长情况的数据。
3. 实时监测与评估：无人机遥感技术可以实时获取农田的影像数据，及时监测和评估农作物的生长状态，为决策提供科学依据。
二、农作物生长监测方法1. 影像获取与处理：利用无人机遥感技术获取农田的高分辨率影像，并进行预处理，如去噪、几何校正等，以提高影像质量。
2. 特征提取与分析：通过对农田影像进行特征提取和分析，如植被指数计算、颜色分析等，以判断农作物的生长状态。
3. 数据融合与模型建立：将无人机遥感数据与其他农田监测数据（如气象数据、土壤数据等）进行融合，并建立相应的农作物生长预测模型。
4. 监测与评估报告生成：根据实时监测数据和模型预测结果，生成农作物生长监测与评估报告，为农业生产提供科学依据。
三、无人机遥感技术在农业生产中的应用1. 灌溉管理：通过无人机遥感技术，可以及时监测到农田中植被的水分状况，提供给农民合理的灌溉建议，以减少水资源的浪费。
2. 病虫害监测：利用无人机遥感技术，可以对农田中的病虫害进行实时监测，有效预防和控制病虫害的发生，减少农药的使用。
3. 产量评估：通过无人机遥感技术所获取的高分辨率影像数据，可以对农田进行精准的产量评估，为农民的种植决策和市场供应提供参考。
4. 农业精准化管理：利用无人机遥感技术，可以对农田进行细粒度、个体化的管理，如调整施肥量、优化种植结构等，提高农业生产效益。
遥感技术对生物量的估测
科技视界Science &Technology VisionScience &Technology Vision 科技视界生物量为生态和环境应用研究的重要变量之一,利用遥感进行森林生物量估算是基于植物的反射光谱特征实现的。
多种遥感数据被广泛用于森林生物量估算,这些遥感数据主要包括Landsat TM、NOAA/AVHRR、SAR 等。
本文根据遥感技术的发展现状,从各个遥感数据来估算森林的生物量。
1生物量的研究进展最早有关生物量的研究是Ebermeryer 于1876年在德国进行的几种森林树枝落叶量和木材重量的测定。
后来Boysen Jensen 在研究森林自然稀疏问题时,研究了森林的初级生产。
1929年到1953年,Burger 研究了树叶森物量和木材的生产关系。
1944年,Kittredge 利用叶重和胸径的拟合关系,并成功拟合录入预测白松等树种叶量的对数回归方程。
1944年,Kittredge 利用叶重和胸径的拟合关系,成功拟合了预测白松等树种叶量的对数回归方程。
20世纪50年代以来,世界上开始重视对森林生物量研究,日本、美国相继开展了对森物量的调查。
此后在IBP(国际生物学计划)和MAB(人与生物圈计划)的推动下,生物量的研究发展迅速。
自1964年芬兰及瑞典首先提出全树利用后,发达国家已逐步将森林生物量调查作为森林监测的一个重要内容,先后提出了不少生物量模型。
如CAR 模型、VAR 模型等。
我国生物量的研究开始于20世纪70年代后期,最早是潘维侍等对杉木人工林的研究[1]。
2雷达数据对生物量的研究雷达遥感又叫做微波遥感,可分为主动和被动2种方式,被动方式与可见光和红外遥感类似,是由微波扫描辐射计接收地表目标的微波辐射。
2.1RADARSAT SAR 对生物量的研究王臣立,郭治兴等对热带人工林生物物理参数及生物量对RADARSAT SAR 信号响应进行了研究。
研究表明对于人工速生林来说,在森林生物量小于40t ·hm-2时RADARSAT-SAR 后向散射系数与森林生物量具有较强的相关性。
遥感在生物多样性研究中的应用进展
遥感在生物多样性研究中的应用进展一、概述随着全球气候变化和人类活动对自然环境的持续影响，生物多样性正面临着前所未有的挑战。
传统的生物多样性研究方法，如地面调查，虽然能够提供详细和准确的物种信息，但在面对大尺度、跨区域的生物多样性研究时，其局限性日益凸显。
寻找一种能够高效、准确地获取大尺度生物多样性信息的技术手段显得尤为重要。
以其覆盖广、序列性强、可重复观测等优势，逐渐成为生物多样性研究的新宠。
遥感技术通过搭载在不同平台上的传感器，收集地球表面的反射或发射的电磁波信息，进而提取出关于生态系统结构、功能和物种分布等方面的信息。
在生物多样性研究中，遥感技术不仅可以用于监测物种的分布和数量变化，还可以用于分析生境类型和结构，评估生态系统健康状况，以及研究物种多样性和生态系统服务等方面。
随着遥感技术的不断发展和完善，其在生物多样性研究中的应用也越来越广泛。
从卫星遥感、航空遥感到近地面遥感，不同观测高度的遥感平台为生物多样性研究提供了丰富的数据源。
随着数据处理和分析方法的不断创新，遥感技术在生物多样性研究中的应用也日趋成熟和深入。
遥感技术在生物多样性研究中的应用仍面临着一些挑战和问题。
遥感数据的获取、处理和解译需要专业的知识和技能；不同遥感平台和数据源之间的信息融合和互补仍是一个技术难题；遥感技术在生物多样性研究中的应用还需要进一步考虑其与地面调查等传统方法的结合和互补。
遥感技术在生物多样性研究中的应用具有广阔的前景和潜力。
随着遥感技术的不断发展和完善，以及数据处理和分析方法的不断创新，遥感将在生物多样性研究中发挥越来越重要的作用，为保护和可持续利用生物多样性提供有力的技术支持。
1. 生物多样性的重要性生物多样性是地球生命系统的基石，对于维持生态系统的稳定性、提供自然资源以及支持人类社会的可持续发展具有不可替代的作用。
生物多样性是生态系统功能和服务的核心，它确保了自然界的平衡与和谐，为各种生物提供了生存与繁衍的空间。
作物病虫害遥感监测和预测预警研究进展
3、预测准确度有待提高：目前，作物病虫害遥感监测和预测预警研究在预 测准确度方面还有待提高。部分模型的预测结果与实际发病情况存在较大偏差， 影响了模型的实用性。
研究方向
针对当前研究中存在的问题，未来的研究方向和发展趋势主要包括：
1、提高遥感数据质量：通过采用更高分辨率和更优光谱特性的遥感卫星， 提高数据的精度和可靠性。此外，还需加强数据的质量控制和标准化处理，确保 数据的准确性和一致性。
四、不足与展望
虽然作物病虫害遥感监测研究已取得显著进展，但仍存在一些问题和不足之 处。如：不同遥感手段的监测精度和实用性有待进一步提高；遥感数据的获取、 处理和共享仍面临诸多挑战；作物病虫害监测与防治技术的结合不够紧密等。
针对以上问题，提出以下展望和建议：
1、加强遥感技术研发：进一步探索新型遥感手段和算法，提ห้องสมุดไป่ตู้作物病虫害 监测的精度和实用性。
判断出病虫害的类型和程度；多源遥感融合方法则通过将不同遥感影像进行 融合，提高监测和预测的准确性。
在实践应用中，研究人员通过分析遥感影像并结合GIS技术、大数据和人工 智能等技术手段，实现了对作物病虫害的实时监测和精确定位，并对其发展趋势 和影响进行了预测和分析。例如，利用多源遥感影像融合方法对小麦锈病进行了 成功监测（Xie et al., 2022）；基于高光谱遥感的棉花黄萎病监测模型，实现 了病情严重度的定量评估（Liu et al., 2023）。
一、作物病虫害遥感监测的研究 现状
作物病虫害遥感监测是一种利用卫星遥感技术对作物病虫害进行监测和评估 的方法。目前，该领域的研究主要集中在以下几个方面：
1、遥感图像处理技术
遥感图像处理技术是作物病虫害遥感监测的核心，包括光谱信息提取、图像 分类、特征识别等。这些技术通过对地物光谱信息的采集和分析，能够有效地识 别出病虫害发生的区域和程度。
农作物遥感监测预测模型及其应用研究
农作物遥感监测预测模型及其应用研究引言：随着全球人口的不断增长和农业对于粮食供应的重要性，农作物的遥感监测和预测成为一项关键的研究领域。
农作物遥感监测预测模型的建立和应用，不仅能够提高农作物产量和质量，还能够帮助农民合理管理农田、优化灌溉和施肥，实现可持续农业的发展。
本文将聚焦于农作物遥感监测预测模型及其应用的研究进展，并探讨其在农业领域的潜力。
一、农作物遥感监测预测模型的发展历程1. 传统的农作物监测方法：传统的农作物监测方法主要依靠地面调查和统计，工作量大且周期长，缺乏实时性和精准性。
2. 遥感技术在农作物监测中的应用：遥感技术的出现极大地改善了农作物监测的效率和准确性。
通过获取卫星、无人机等遥感数据，可以获得大面积的、连续的、高分辨率的农作物信息，为农作物的监测和预测提供了有效的数据基础。
3. 农作物遥感监测预测模型的发展：伴随着遥感技术的进一步发展，农作物遥感监测预测模型也在不断完善。
目前的研究重点包括光谱遥感、红外遥感、多波段遥感等方面的模型构建和算法优化。
二、农作物遥感监测预测模型的关键技术1. 遥感数据获取和预处理：获取大量的高质量遥感数据是农作物遥感监测预测模型的基础。
常用的遥感数据包括多光谱数据、高光谱数据、合成孔径雷达数据等。
同时，对这些数据进行预处理，如辐射校正、大气校正、几何校正等，能够提高数据的准确性和一致性。
2. 特征提取和选择：在遥感数据中提取有效的特征是农作物监测预测模型的关键一步。
常用的特征包括植被指数、植被覆盖度、叶面积指数等。
同时，特征的选择也需要考虑其在农作物生长过程中的重要性。
3. 模型构建和算法优化：基于遥感数据特征，构建合适的农作物监测预测模型是实现高准确性的关键。
常用的模型包括监督学习算法如支持向量机（SVM）、随机森林（RF），以及深度学习算法如卷积神经网络（CNN）等。
同时，对模型进行算法优化，如参数调优、特征融合等，可以进一步提高模型的预测性能。
改进CASA模型支持下的作物生物量估算研究
改进CASA模型支持下的作物生物量估算研究改进CASA模型支持下的作物生物量估算研究作物生物量估算是农业科研和农田管理的重要内容之一。
准确估算作物生物量对于合理制定施肥、灌溉以及农业生产计划具有重要意义。
近年来，利用遥感技术和数学模型进行作物生物量估算的研究取得了显著进展。
其中，CASA（Carnegie-Ames-Stanford Approach）模型作为常用的作物生物量估算模型之一，在农业科学界被广泛运用。
然而，在实际应用中，CASA模型存在一些限制，需要进行改进。
CASA模型的基本原理是利用遥感数据反演作物生物量。
该模型利用植被指数（Vegetation Index, VI）和地表温度（Land Surface Temperature, LST）等参数来估算作物生物量。
但是，由于植被覆盖程度以及作物类型的不同，CASA模型对不同作物的适应性有限。
此外，CASA模型中的一些参数设置缺乏准确性，也限制了其生物量估算的精确度。
为了改进CASA模型在作物生物量估算中的应用效果，研究者们提出了一些改进方案。
首先，针对CASA模型对不同作物适应性的问题，可以利用多源遥感数据和地面监测数据进行模型校正。
通过获取更全面、准确的数据，可以提高CASA模型在不同作物上的估算精度。
其次，对CASA模型中的参数进行优化调整，可以提高模型的准确性。
例如，可以采用机器学习算法对参数进行优化，使模型更好地适应不同地区和作物类型的生物量估算。
此外，在模型中引入土壤水分和氮素含量等参数，可以更精确地估算作物生物量，并为农业生产提供更有效的指导。
此外，改进CASA模型还需要考虑地理环境和时间尺度的因素。
作物生物量估算需要考虑地理空间分布的差异，以及不同生长阶段的作物生物量变化。
因此，研究者可以结合地理信息系统（GIS）技术，将地理环境因素和时间尺度因素纳入模型中，提高作物生物量估算的精确度和可靠性。
需要指出的是，在进行CASA模型改进时，还需要克服一些困难和挑战。
作物学论文参考文献范例
作物学论文参考文献一、作物学论文期刊参考文献[1].作物残茬覆盖度遥感监测研究进展.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2011年12期.张淼.李强子.蒙继华.吴炳方.[2].作物生物量遥感估算研究进展.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2010年11期.杜鑫.蒙继华.吴炳方.[3].基于CASI高光谱数据的作物叶面积指数估算.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2015年5期.唐建民.廖钦洪.刘奕清.杨贵军.冯海宽.王纪华.[4].基于NIRRed光谱特征空间的作物水分指数.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2014年6期.程晓娟.徐新刚.陈天恩.杨贵军.李振海.[5].内蒙古地区参考作物蒸散变化特征及其气象影响因子.《农业工程学报》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI收录EI.被北京大学《中文核心期刊要目总览》收录PKU.2015年z1期.王潇潇.潘学标.顾生浩.胡琦.魏培.潘宇鹰.[6].基于成像光谱技术的作物杂草识别研究.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2010年7期.刘波.方俊永.刘学.张立福.张兵.童庆禧.[7].作物植被覆盖度的高光谱遥感估算模型.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI 收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2008年8期.朱蕾.徐俊锋.黄敬峰.王福民.刘占宇.王渊.[9].作物地膜覆盖安全期概念和估算方法探讨.《农业工程学报》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI收录EI.被北京大学《中文核心期刊要目总览》收录PKU.2015年9期.严昌荣.何文清.刘恩科.林涛.刘爽.刘勤.[10].基于多时相MODISEVI和临近三年地面数据的新疆作物分类.《光谱学与光谱分析》.被中信所《中国科技期刊引证报告》收录ISTIC.被EI收录EI.被SCI收录SCI.被北京大学《中文核心期刊要目总览》收录PKU.2015年5期.牛铮.王力.郝鹏宇.王长耀.二、作物学论文参考文献学位论文类[1].我国化肥利用现状与养分资源高效利用研究.被引次数：75作者：闫湘.植物营养学中国农业科学院2008（学位年度）[2].沿淮地区饲用作物种植现状调查报告.作者：王楠.作物安徽科技学院2014（学位年度）[3].三峡库区紫色土坡耕地水量平衡研究.作者：熊友胜.土壤学西南大学2013（学位年度）[4].基于MODIS数据的作物物候期监测及作物类型识别模式研究.被引次数：21作者：张明伟.资源环境信息工程华中农业大学2006（学位年度）[5].黄土地区参考作物蒸散量及典型地区作物蒸腾量变化特征.作者：李丹.农业水土工程西安理工大学2012（学位年度）[6].沸石包膜尿素的研制及包膜控释尿素对作物生长效应与影响机理研究. 作者：李敏.作物栽培学与耕作学安徽农业大学2013（学位年度）[7].基于遥感与作物生长模型的冬小麦生长模拟研究.被引次数：23作者：郭建茂.应用气象学南京信息工程大学2007（学位年度）[8].供求关系视角下的作物学专业学科毕业生就业问题及解决途径探讨.作者：王晓燕.作物青岛农业大学2013（学位年度）[9].基于图像识别的作物病虫草害诊断研究.被引次数：37作者：王克如.作物栽培学与耕作学中国农业科学院2005（学位年度）[10].黄麻/红麻作物对土壤重金属的吸收和积累特性研究.作者：陈军.作物栽培学与耕作学广西大学2013（学位年度）三、作物学论文专著参考文献[1]温室作物光合作用数学模拟的研究进展.王蕊.须晖.吴海涵.李天来，20122012中国设施园艺工程学术年会、设施蔬菜栽培技术研讨暨现场观摩会[2]浅论作物生理学的发展.王志敏，2012第十三次中国作物生理学术研讨会[3]作物定量化育种及其应用.郭瑞林，20112011中国作物学会学术年会[4]作物栽培学基础研究的困境与对策.杨建昌，2011全国第十四届水稻优质高产理论与技术研讨会[5]非作物生境在作物害虫天敌种群调控中的作用研究进展.张玉虎.李正跃.陈斌，2009云南省昆虫学会2009年年会[6]西北地区生长季参考作物蒸散变化成因的定量分析.曹雯.申双和.段春锋，20112011年第二十八届中国气象学会年会[7]多样性导向合成方法合成多元并环、螺环杀线虫活性化合物.那日松.刘炳杉.许春丽.李洪连.刘佳，2014第十四届全国农药学科教育科研研讨会暨赵善欢学术思想与研究实践讨论会[8]作物冠层漩涡结构与作物丛响应关系探讨.李政江.付志一，2012北京力学会第18届学术年会[9]本溪地区参考作物腾发量时空演变特征研究.邵俊昌.曲磊，2013东北三省水利学会2013年学术年会[10]生物腐植酸在作物上的应用效果研究进展.卫晓磊.俞晓芸，20102010中国腐植酸行业低碳经济交流大会暨第九届全国绿色环保肥料(农药)新技术、新产品交流会。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
据的估算方法!基于雷达数据的估算方法!基于净初级生产 # 的估算方法!及基于作物生长模型的估算方法$ 力" ( B B . . !基于传统光学数据简单统计分析的估算方法 生物量 遥感光谱指数简单统计相关模式主要指利用生 , 物量直接与遥感光谱指数进行简单相关统计分析来估算作物 生物量$这种模式通常有*种方式(一种是直接以遥感波段 作为自变量!使用单波段或多波段为模型驱动因子与生物量 建立估算模型'另一种是将遥感数据影像各波段组合成各种 不同形式的遥感指数!以这些遥感指数直接或间接作为模型 驱动因子构建相关统计模型估算作物生物量$ 傅玮东+黄敬峰等基于农业气象试验站观测农学资料+ 光谱资料以及同步接收的 ( , C 8 8 8 $A S S 资料!计算了冬 # 和归一化差值植被指数 小麦生物量与比值植被指数 " S $ W " # 的相关系数 " 和 # !均达到了极显著 ( D $ W " ' > * !! " ' > ? +水平!并建立了冬小麦生物量的光谱监测模型和气象卫星遥
! * H 感监测模型) $张霞等以 ^C D W .为数据源!构建了归一化
# 和再次归一化光谱指数 " # !并对 差异光谱指数" ( D . W S D . W 两种植被 指 数 与 小 麦 生 物 量 的 关 系 进 行 了 分 析!并 发 现 " ! # !" ! # 和" ! # 这 ! 个波段组合所构建 < # > < * < # > < # ? < # > < # E 的指数对小麦生物量高度敏感!达到了> > Z显著相关!而且 明显 优 于 ^C D W . 自 身 的 植 被 指 数 产 品 ^C D W . , ( D $ W和
作物生物量遥感估算研究进展
杜!鑫蒙继华" 吴炳方
中国科学院遥感应用研究所!北京! # " " # " #
摘!要!作物生物量是作物长势监测以及产量估算中的一个关键指标$随着 ! .技术的发展!遥感数据可以 为作物生物量的估算提供有力的支撑!充分发挥遥感信息的宏观及实时动态性!使在大的时间和空间尺度 上进行作物的生物量估算成为可能$文章通过总结作物生物量遥感估算的研究现状!根据采用的数据源不 原理+ 和 同以及基于的模型基础不同将现有作物生物量遥感估算模型划分为 E 类!并对每一类模型的方法+ 应用进行了详细阐述!讨论分析了作物生物量遥感估算方法的发展趋势!以及各种估算方法的自身优势和 仍需完善的方面!并对今后的发展进行了展望$ 关键词!作物'生物量'遥感监测 中图分类号 ' 9 3 3 6 ' # " " " , " H > ! F B ? > 8!!( % ) # " ' ! > E * " # " # # , ! " > + , " H !!文献标识码 K 据不同或采用的模型不同等特点可划分为 H 种监测方法!即 基于传统光学数据简单统计分析的估算方法!基是作物长势监测的一个重要指标 # * !作物单株 生物量反映了个体长势!单位面积生物量则反映了作物群体 长势$同时作物生物量还是重要的农学参数!是形成作物产 量的基础!区域尺度上作物生物量的估算可以为作物产量的 监测与预测提供依据!结合收获指数就可以对区域尺度上的 * ! 作物单产进行空间制图) $另一方面农田生物量是研究全球 碳循环的重要组成部分!农田在陆地生态系统的物质循环和 能量流动中起着主导作用!对农田生物量进行监测将为研究 农田生态系统中能量平衡+能量流动和养分循环等功能过程 提供基础数据$ 随着! .技术的发展!遥感数据为生物量的测定提供一 种有效的手段!使其估算过程更加简化!通过遥感获取地表 植被信息及相关参数!已成为实时的大范围反演地表生物量 的一种重要工具和手段$ 本文就当前基于遥感信息构建的作物生物量估测模型的 思路方法以及模型精度检验等方面的研究现状进行总结!并 展望发展趋势$
第! 第# "卷 ! #期! !!!!!!!!!!!光 谱 学 与 光 谱 分 析 *"#" 年 ## 月!!!!!!!!!!! !. / 0 1 2 % 3 0 % 6 7. / 0 1 2 5 &8 6 5 & 3 9 3 ) ) 45 ) 4
! ! ! " > + , ! # " * $ % & ' ! " ( % ' # # ) ) ! ( % : / ; < / 2 * " # " !
# !遥感监测方法
!!目前主要的作物生物量遥感监测方法可以根据采用的数
修订日期 * " " > , # # , # > * " # " , " * , * E !收稿日期
!中 国 科 学 院 知 识 创 新 工 程 重 大 项 目 " 和" 专题项目 " + " # # -# @ . L Q # , da , " > , " ## + E !计划# !基金项目国 家 青 年 自 然 科 学 基 金 项 目 " " # 资助 * " " > 8 8 # * e # E ( # > + *年生!中国科学院遥感应用研究所博士研究生!! / , ; 5 9 & 7 O ] 9 6 + * ; 5 9 & ' 0 % ; !作者简介杜!鑫! " X ( / , ; 5 9 & ; / 6 N 9 2 3 5 ' 5 0 ' 0 6 X K "通讯联系人!! "
第# #期!!!!!!!!!!!!!!!!!!!!光谱学与光谱分析
E $ ^C D W . , U $ W 这种统计模型在形式上简单易用!但此方法需要大量的 )*
! " > >
数据的应用!必将成为作物生物量遥感估算的一种重要手 段$ . A !基于雷达数据的估算方法 在过去 的 十 几 年 中!U ! !S !U ! S . c U S . 5 7 5 2 . 5 1 6 : 9 . 5 1 8 J C .等搭载雷达传感器的卫星陆续发射升空!使得对于地 表状况的遥感监测能够全天候+全天时的展开$大量理论研 究和实验分析已经证明雷达数据在作物生物量估算中有很好