农业遥感研究与应用进展赵春江

农业机械学报农业遥感研究与应用进展*赵春江1，2(1．北京农业信息技术研究中心，北京100097;2．农业部农业信息技术重点实验室，北京100097)摘要:农业是遥感技术应用最重要和广泛的领域之一，本文回顾了遥感技术在国内外农业研究与应用中的进展，概括和总结了农田辐射传输机理及作物参量遥感反演、作物遥感分类与识别、农田养分遥感与变量施肥决策、作物产量与品质预测、农情遥感监测与预报、农业遥感监测空间决策支持系统6个主要研究与应用方面。在此基础上，针对农业遥感技术面临的问题与发展趋势，指出了农业遥感技术今后的重点发展方向。关键词:农业遥感应用进展农情监测空间决策支持系统中图分类号:S127文献标识码:A文章编号:1000-1298(2014)12-0277-17引言20世纪以来，遥感技术作为一门先进的实用技术，被广泛应用于多个领域，农业是遥感技术应用最重要和广泛的领域之一。随着我国农业生产向集约化方向转变，作物生产过程中对空间信息，特别是对动态、大范围、快速及时的遥感信息需求非常迫切。遥感技术具有快速、无损获取地物信息的特点，其迅猛发展能够为农业生产过程管理提供必要的信息。在我国农业遥感应用主要涉及农田辐射传输机理及作物参量遥感反演、作物遥感分类与识别、农田养分遥感与变量施肥决策、作物产量与品质预测、农情遥感监测与预报、农业遥感监测空间决策支持系统6个方面，涵盖了农业遥感机理、模型和应用等多层次和多方面的研究与应用。随着空间技术的发展，农业遥感已逐渐形成了以低、中、高空多层次遥感相结合、静态与动态相结合、机理与应用相结合的发展趋势，遥感和计算机技术的广泛应用，促使农业生产过程向机理化、定量化和精准化的方向发展，农业科技水平正逐步提高。本文从以上提到的6个方面对遥感技术在农业中应用所取得的进展进行归纳总结。1农田辐射传输机理及作物参量遥感反演1.1农田辐射传输机理不同地物对电磁波的反射、吸收、透射和发射特性不同，这些特性通常称为地物的光谱特征。遥感技术即是依据地物的电磁波光谱特征进行目标探测。因此，深入理解农田土壤-叶片-冠层之间的辐射传输过程及机理对于开展定量遥感作物监测评价具有非常重要的作用。目前在农田辐射传输方面已取得了许多重要进展，建立了PＲOSAIL［1］、ACＲM［2］、F2014年12月第45卷第12期278农业机械学报2014年ＲT［3］、植被冠层3D热辐射传输模型［4］等基于过程的物理模型。但现有模拟方法多关注地表辐射传输过程，无法把地表辐射转换为大气层顶或传感器输出值，从而降低了模拟方法的实用性和有效性。因此，杨贵军等将扩展后的叶片-土壤-冠层辐射传输模型与数值解析大气辐射传输模型及传感器成像模型进行耦合，建立了农田-大气-传感器一体化的辐射传输模拟系统，实现了多时相、多角度、高光谱及高分辨率遥感数据模拟，为农业定量遥感研究奠定了模型基础［5］。1.2作物参量遥感反演目前遥感技术已广泛用于提取作物关键生物理化参数信息，如叶面积指数(LAI)［6］、叶绿素含量［7］、地上部生物量［8］、水分含量［9－10］、作物株型等［11］，其根本依据是作物特性(冠层几何结构、叶片生化组分及内部组织结构等)与冠层光谱反射特征(尤其是可见光、近红外和中红外波段)的内在联系［12］。目前通常采用的方法有2种，一是基于作物参数与敏感波段反射率或其数学组合(即光谱植被指数)的经验统计关系法［8－9］;二是基于物理过程的辐射传输模型反演方法，该方法常用3种算法(数值优化、查找表、人工神经网络等)来简化推导过程、提高反演效率［6，10，13－14］。经验统计法具有结构简单、便于应用等优点，但建立的经验关系模型多依赖于特定的传感器、地点和取样条件，其普适性较弱，且存在饱和效应等问题［6，14］。针对上述问题，Hunt等构建了三角绿度指数(TGI)，其对于叶面积指数较大的密闭冠层的叶绿素含量仍具有较强的敏感性，有效减弱了叶面积指数的影响，可用来精确估算作物叶绿素含量［7］。Fu等结合冬小麦冠层高光谱波段深度信息与近红外波段组成的高光谱指数，利用偏最小二乘回归建立了生物量估算模型，可较好地克服饱和问题并有效提高生物量估算精度［8］。Nguy-Ｒobertson等研究表明，绿光波段取530～570nm、红边波段取700～725nm的宽动态范围植被指数(WDＲVI)和叶绿素指数(CI)可以精确估算不同作物的叶面积指数，且所建模型在不同作物类型之间具有较强的普适性和抗饱和性［15］。冠层辐射传输模型描述了冠层内部辐射传输的物理过程和机制，因此利用该模型反演作物参数信息可具有较强的普适性，但其存在的病态反演问题(即相同的光谱曲线可对应于模型不同的参数组合)被广泛关注［10］。Li和Wang、He等研究结果表明，通过引入先验知识或改进模型反演算法可有效解决该问题［13－14］。另外，作物叶面积指数、叶角、叶绿素、水分含量、干物质含量等参数在冠层内的垂直分布存在较大差异，其对冠层光谱反射特性存在不可忽视的影响，在作物参数遥感估算研究中应给予充分关注，但目前相关研究还比较有限。赵春江等基于多角度冠层反射光谱构建了冬小麦上、中、下层叶绿素浓度反演指数，取得了较好的精度［16］。Yang等建立了考虑冠层垂直结构特点的多尺度辐射传输模型，并通过挖掘多源遥感数据形成的多角度、多波段数据集，充分利用不同观测角度下冠层立体结构信息，有效提高了叶面积指数反演精度［6］。Li和Wang构建了一个新的差值植被指数D(920，1080)用来估算作物叶面积指数，该第12期赵春江:农业遥感研究与应用进展279指数对叶面积指数大小响应较强而对垂直分布差异不敏感，具有在缺乏冠层垂向异质性先验信息的情况下估算叶面积指数的潜力［17］。Wang和Li在已有冠层辐射传输模型的基础上构建了多层冠层辐射传输模型(MＲTM)，通过将冠层细分为若干层来处理不同层次生物理化参数的变化差异问题［18］。李贺丽利用该MＲTM模型通过设置不同冠层结构及色素、水分垂直变化情景，系统模拟分析了冬小麦垂向异质性对冠层高光谱和典型波段多角度光谱反射特性的影响［19］。Gitelson等亦强调了作物参数遥感估算中考虑冠层垂向异质性的重要性［20］。上述相关成果为其深入研究奠定了必要的基础。此外，基于不同卫星遥感数据反演得到的作物参数信息还存在估算精度、空间尺度不一致和时间不连续等问题，限制了其广泛应用。针对此问题已开展了相关研究。Zhang等基于动态贝叶斯网络推理算法将地面站点气象数据(最小温度、日照时数、水汽压差等)与MODIS数据进行同化，提高了叶面积指数时间序列的估算精度和一致性［21］。董莹莹建立了一种基于切比雪夫多项式逼近理论的作物LAI和叶绿素空间尺度转换模型，能够有效校正尺度效应引起的作物叶面积指数和叶绿素多尺度反演差异［22］。Liu等基于集合卡尔曼滤波技术并通过耦合冠层辐射传输模型和动态过程模型建立了一种综合利用多源遥感卫星不同时相、光谱和角度信息的叶面积指数反演方法，提高了叶面积指数估算结果的精度和时空连续性、一致性［23］。今后需要进一步开展地面观测验证实验以使相关研究成果得到更为广泛的应用。2作物遥感分类与识别作物遥感分类与识别是农情遥感监测的重要内容，是提取农作物种植面积、长势、产量、品质、灾害等监测的基础。利用作物生长与多源遥感之间的光谱特征、纹理特征、物候特征以及农学机理解析等信息，可以快速、高效、大范围地监测主要农作物的种植面积与空间分布。2.1基于光谱特征信息的作物遥感分类方法作物遥感识别方法根据数据源的不同各有差异，目前多光谱和高光谱遥感是用来识别作物类型的主要遥感数据源。多光谱遥感作物分类是大面积作物分类的主要方法，根据采用的遥感影像的时相数可分为基于单时相、多时相和长时间序列遥感数据的作物分类。其中，基于单时相遥感的作物分类中常用的方法有传统的人机交互判别如人工数字化［24］和基于植被指数的阈值法［25］、半自动或全自动的土地覆盖类型分类如最大似然法、决策树、神经网络、面向对象的分类等［26］。人机交互方法在大范围内应用性较差，自动半自动土地覆盖分类容易受不同类型在空间上的光谱差异、地物光谱的时间动态、作物与非作物间的光谱相似性等多方面因素的影响。基于多时相和长时间序列遥感的作物分类是综合利用遥感图像包含的波谱、空间和时间上的信息，针对作物不同生长发育阶段的光谱特性与其他地物间的差异，结合阈值法、变化向量分析等方法实现作物的分类与识别。二者的差异在于前者是依据对象作物的某几个特殊发育阶段的遥感影像提取光谱信息为依据［27］，后者是以长时序的遥感影像数据为基础提取不同地物全年或多年的光谱特280农业机械学报2014年征［28］。高光谱数据能记录地物间更细微的光谱差异，能够更准确地实现作物的详细分类与信息提取，光谱角分类和决策树分层分类是目前最常用的基于高光谱的作物分类方法，光谱角方法对太阳辐照度、地形和反照率等因素不敏感，可以有效地减弱这些因素的影响［29］。2.2基于地块分类的作物种植面积监测方法针对基于像元的作物分类所面临的光谱变异与光谱混合的问题，许多学者根据作物种植结构特点，采取以地块为基本单位的分类方式来克服像元分类所遇到的问题，以提高农作物分类的精度。基于地块的作物分类思想最早由Derenyi提出［30］。多项研究均表明面向地块的作物分类方法完全能够提供比基于像元的传统分类法更精确的结果［31］。地块分类法(Per-fieldclassification)通常将遥感影像与数字化地块边界矢量数据联合处理，该方法利用了像元空间上下文信息，可克服由田块内部的光谱变异所引起的错分问题，同时边界矢量数据又使得影像图斑对象与地面实际地块相对应，能对地块的位置、形状进行十分准确的表达，因而地块分类法能有效地排除地块内部光谱变异和地块交界光谱混合的影响［32］。在基于地块分类时，包含多种作物类型的地块所对应的图斑光谱均值也会具有两个或多个作物类型的性质，这时一个地块分成一类对于分类统计来说显然是不合适的，而引进混合地块分解的思想来处理地块分类过程中的不确定信息，对于提高信息提取精度来说显得较为合理。顾晓鹤等以冬小麦种植面积测量为研究目标，针对纯地块区域和混合地块区域分别进行纯地块分类和混合地块分解方法研究，能充分发挥特征向量维数较多的优势，有效地避免了像元分类中的“椒盐”现象，更有利于以地块为基本单元的田间肥水管理［33］。2.3基于对地抽样的作物种植面积监测抽样技术与遥感技术相结合形成的对地抽样调查技术，在作物种植面积统计领域应用日益广泛，二者相互补充，遥感为抽样调查提供详细的抽样框和分层信息，提高抽样调查效率;抽样技术为遥感提供充分的地面数据和验证依据。美国国家农业统计局(NationalAgriculturalStatisticsService，NASS)通过将空间统计抽样方法与遥感监测技术的结合，对全美主要农作物面积进行多样框抽样调查，提高了全美农情信息获取速度［34］;欧盟MAＲS(MonitoringAgriculturewithＲemoteSensing)计划以CLC(CorineLandCover)数据为基础进行土地利用调查，并以分层系统抽样方法选择遥感影像，降低调查成本［35］。遥感与抽样相结合的测量方法能够准确地获取区域农作物总量面积，吴炳方等在农作物区划基础上构建面积抽样框架和产量抽样框架，获取区划单元内作物种植面积成数，提高了作物面积和产量调查效率［36］;胡潭高等探讨不同抽样遥感测量方法［37］;Guo等采用ALOS影像解译样本乡镇的玉米种植面积，建立分层抽样推算模型，估算吉林省2010年玉米种植面积［38］。Maxwell等在玉米区域总量确定的前提下，将整个区域划分为“highlylikelycorn”、“likelycorn”和“unlikelycorn”进行玉米种植面积第12期赵春江:农业遥感研究与应用进展281空间分布的分配［39］。张锦水等在对地抽样的基础上研究了区域总量控制下的冬小麦种植面积空间分布优化方法［40］。3农田养分遥感