基于“3S”技术的农情信息监测研究进展

 

    基于“3S”的农情信息监测是利用以遥感、地理信息系统和全球定位系统为主的空间信息技术对农业生产情况进行监测与综合评价。这里的农业生产情况信息专指作物面积、长势和产量信息，包含农业情况的静态（如农作物种植面积等）和动态（农作物长势和产量等）信息。总的来说，获取农情信息的途径主要包括两种：一是利用常规统计调查手段获取信息，如统计部门和农业部门采用的网点县或网点村调查；二是利用遥感等空间信息技术进行农情信息的获取，遥感结合统计调查的手段也属于这一类。两种途径各有优缺点，常规统计调查手段相对比较准确、稳定，但运行成本高、人为干扰多等缺点一直为人诟病；遥感手段监测范围大、及时、相对客观，但也存在监测目标局限、技术门槛相对较高等弱点。众多的研究表明，遥感结合常规调查是农情信息监测与预警未来发展趋势，国内外一些农情业务系统莫不如此，如美国的LACIE计划及后续的AGRISTARS计划，欧盟的MARS计划及后续的LUCAS计划，农业部的国家农业遥感监测系统，中国科学院的中国农情遥感监测系统，中国气象局的作物产量监测系统，国家统计局和北京师范大学的作物测量系统等。本文主要针对近年来国内外基于“3S”技术的农情信息监测方面的研究进展进行综述，分别介绍和分析“3S”技术在作物种植面积和作物产量估测等方面的应用，并对未来的发展趋势进行展望。 

l作物种植面积遥感监测

1.1作物种植面积遥感监测体系

小区域尺度的作物种植面积遥感监测一般采用遥感影像全覆盖方式，利用多传感器、多时间分辨率和多空间分辨率的遥感数据进行农作物种植面积提取。然而，对大区域尺度的农作物种植面积提取，受遥感影像获取可能性、数据成本和提取效率等因素影响，不大可能采取研究区域遥感影像全覆盖的方式，遥感技术与抽样技术相结合的方法因此成为大面积农作物种植面积遥感监测的主要方法。欧盟的MARS计划、美国的LACIE计划以及AGRISTARS计划等都使用了面积抽样框架。在国内，农业部遥感应用中心建立了基于分层抽样方法的全国主要农作物播种面积变化遥感监测。以作物种植面积的历史统计数据为分层指标，把作物生产县划分为若干层，分别建立抽样外推模型；然后随机地从各层抽取所需数量的冬小麦生产县，以TM或CERBERS等影像覆盖，采用人机交互判读的方法来获取作物播种面积的年际变化；最后利用外推模型获得全国该作物播种面积的变化结果。中国科学院在“中国农情遥感监测系统”中提出了分层两级抽样的作物种植面积提取方法，以1 - 10万全国土地资源数据库为基础，利用遥感数据进行分层整群抽样，以此来估算层内的农作物总种植成数（即所有作物的种植面积占耕地面积的比例）。利用GVG农情采样系统进行线状样条采样，调查作物区内每种作物类型的分类成数（即某类农作物种植面积占所有作物种植面积的比例）。作物总种植成数与每种作物类别的分类成数相乘，再与耕地面积相乘就得到具体每种作物的种植面积。

1.2基于光谱特征的农作物遥感识别方法

基于光谱特征的农作物遥感识别方法已经从最初的目视解译法发展到基于统计学的分类法，以及句法结构分类法等。早期的农作物种植面积遥感监测以目视解译为主，即凭借光谱规律、地学规律和解译者的经验从遥感影像的亮度、色调、位置、时间、纹理和结构等特征推断农作物类型。基于图像的统计分类包括监督分类（如最小距离法、最大似然法）和非监督分类（如 ISODATA法，K-均值法），主要通过计算各个类别的均值、方差、标准偏差和离散度等统计量，作为比较不同类别相似度的依据，在这些统计量的基础上建立各类别的识别特征，并基于一定的判别函数（概率或距离判别）来实现作物类型识别。由于卫星遥感数据分辨率的限制，卫星图像像元都带有综合光谱信息的特点，致使计算机分类面临着诸多模糊对象，“同物异谱”和“异物同谱”现象大量存在。依据地物光谱特性的点独立原则进行分类，误分类的比例很高。因此，以句法结构分类法为主的新分类方法逐渐得到应用。这类分类方法包括神经网络方法、模糊数学方法、决策树法和基于混合像元分解的方法等。此外，面向对象的分类方法，如考虑像元空间邻域特征的上下文分析方法和考虑纹理特征的分类法也成为辅助于光谱特征分类的重要方法。   

1.3基于作物物候特征的农作物遥感识别方法   

作物具有季相节律性和物候变化的规律性等特点，利用遥感影像的时相变化规律可以进行不同农作物类型的识别。植被指数与植物叶面积指数的高相关性决定其可以有效地描述作物物候变化规律，因此，时间序列 NDVI数据在农作物类型识别中得到了广泛应用。潘志强等将把3个不同时期的TM NDVI图像合成一幅图像，根据作物在3个时相中的NDVI变化不同，对黄河三角洲农作物进行了分类提取。竞霞等选用了4景不同时相的TM NDVI数据，提取了北京春夏季主要植被地物的NDVI时间谱特征，通过NDVI图像通道间的逻辑运算算法，提取了2003年北京地区的冬小麦种植信息，精度可达到96%。杨小唤等通过NDVI值时序变化规律从MODIS数据中提取了冬小麦、春玉米、夏玉米、大豆等作物种植面积，总体精度达到95%以上。张明伟等利用旬为单位合成的MODIS NDVI数据，采用小波变换重构作物生长曲线，运用快速傅里叶变换对NDVI时序曲线进行分析，实现了2004年我国华北地区5种主要作物（冬小麦、春玉米、夏玉米、棉花和大豆）的识别。林文鹏等利用MODIS时序数据构建了陆表水分指数和增强型植被指数，作为遥感特征参量，根据农作物物候历特征，采用分层决策法提取了主要秋季作物类型。闫峰等则从作物的温度(Ts)和增强型植被指数(EVI)特征空间变化关系出发，综合采用Ts EVI时间序列谱信息对河北省冬小麦种植面积进行了提取，表明基于温度植被指数时间序列谱实现作物遥感分类具有较好的可行性。熊勤学和黄敬峰通过对湖北省江陵县各种地物MODIS数据NDVI时序特征的分析，选取夏秋作物轮作期和NDVI均值为标准，采用分层方法区分秋收作物区（中稻、晚稻和棉花）与其它区，然后利用 BP神经网络法对3种秋收作物进行监督分类，得出了3种作物种植的空间分布。

1.4基于多源数据融合的农作物遥感识别方法

随着对地观测技术的不断发展，多种卫星不同传感器获取的可见光、红外及微波的影像数据与日俱增，这些数据在空间、时间、光谱、方向和极化等方面对地表某一区域构成多源数据。基于多信息源数据的农作物遥感识别方法可以充分利用多种数据信息的特色，实现优势互补，弥补单一遥感数据和分类方法的缺陷，大大提高作物遥感识别精度，因此，成为农作物种植面积遥感监测的重要发展方向。多信息源数据结合既包括多源遥感影像的结合，也包括遥感影像与非遥感数据源的结合。多传感器遥感影像的结合可以得到更多的信息，减少理解的模糊性。如利用中低分辨率MODIS时间序列数据与高分辨率遥感影像与Landsat TM结合，运用混合像元线性分解模型对河南省冬小麦种植面积进行监测，监测结果与国家统计数据相比，相对误差为5.3%，能满足农情监测的需要；如采用多光谱遥感影像与雷达遥感影像相结合进行作物种植面积提取，其精度有明显提高。此外，在GIS和GPS的支持下，引入非遥感影像数据源，如在分类过程中引入地形、土壤、作物轮作和分布环境信息，可大大提高农作物种植面积的提取精度。通过空间化属性数据与遥感数据融合模式，利用遥感数据在耕地时空分布表达和属性数据在作物数量动态变化描述方面的优势，进行农作物空间分布格局的提取也成为越来越得到重视和应用。近年来，以专家知识和经验为基础的遥感影像理解技术也成为农作物遥感识别领域的一个重要方向。基于知识库的作物识别模式实际上是通过一套计算机程序来配匹像元和作物类型，为达到满意的识别效果，除影像数据外，还有广泛的专业知识的集成（如环境特性、农业和专家以及领域知识）。

1.5基于遥感技术的作物种植结构监测

除单一作物的种植面积遥感监测外，不同作物通过复种、连作、间种、套种与轮作等形成的作物种植结构也是作物种植面积遥感监测重要的组成部分，是遥感监测作物种植面积更高层次的应用。目前，作物种植结构遥感监测的常用方法是利用时间序列遥感数据，根据作物指数的变化规律区分作物生育周期，将此信息与地面调查建立的作物生育周期模型进行耦合，判断不同作物种植结构。Panigrahy和Sharma采用印度IRS LISS-I多时相数据，通过获取的地面训练数据，利用最大似然法分类，获取了印度孟加拉邦巴得海曼地区一年内的8类作物种植结构（如水稻一休闲  水稻、水稻  马铃薯休闲、水稻一蔬菜一休闲和休闲  马铃薯一花生等）分布图。蔡学良和崔远来将Landsat ETM+与 MODIS NDVI数据融合区分湖北省漳河灌区土地利用类型，由融合后的时间系列数据非监督分类结果提取植被指数变化信息，结合作物系数变化规律运用光谱耦合技术提取作物种植结构，成功地分离出漳河灌区水稻一油菜连作、水稻  小麦连作以及其他作物种植区域。张霞等以华北平原为试验区，采用迭代自组织数据分析方法对MODIS EVI时间序列进行动态聚类提取双季作物用地，包括双季旱作和水旱两作（水旱两作指的是前茬为旱作、后茬为水稻的作物地）用地；然后针对双季作物地中的双季旱作类型，结合生育期资料分析其EVI时间谱物候特征，确定冬小麦和夏玉米区别于同期生长作物的差异性物候特征，建立作物识别模型，最终获取了华北平原一年两熟连作方式小麦一玉米、小麦一水稻和小麦一其他作物的分布图。选择相同的华北地区， Zhang等利用MODIS NDVI数据，通过傅立叶分析获取了华北地区的作物种植模式（冬小麦  玉米连作、冬小麦一棉花套作、单一春玉米和单一棉花）的识别特征，并利用多阶段分类方法获取了不同作物种植模式分布图，其结果精度较高。此外，Qiu等通过融合遥感分类得到的我国土地利用数据和县级农业统计数据，得到了我国47类主要单季作物和多季作物的空间分布。 

2作物产量遥感估测

传统的作物产量估测方法包括统计调查法、统计预报法、气象预测预报法、农学预测预报法等。这些方法技术和规则成熟，参数比较容易获取，在实际业务运行中发挥了重要作用。但这些方法的明显缺点是对统计数据过度依赖，使研究结果往往表现为时间上的滞后。而且，该方法用于大范围变化监测时消耗人力、物力和财力。基于遥感技术的作物产量估测法成为是伴随计算机技术、信息技术和空间技术等高新技术发展起来的新方法，可以实现空间尺度的产量估测，时效性强、快速客观，成为作物产量估测的主要方法。作物产量遥感估测通常是综合考虑作物生长、发育、产量形成过程中的光合、呼吸、蒸腾等一系列生理生化过程，动态模拟作物长势过程，并揭示其与环境、灾害和田间管理等影响因子的相互关系。因此，在作物产量遥感估测中集成作物生长模型成为未来产量遥感估测的主要方向，可以利用作物模型的机理性，以增加遥感农业监测、预报的普适性，也可以利用遥感数据同步大面积获取作物信息的能力，解决作物模型从单点向区域扩展的数据难获取问题，扩大作物模型应用范围。

2.1作物长势遥感监测

作物长势信息客观描述了作物的生长状况、土壤墒情、肥力及植物营养的综合状况。作物长势遥感监测可以实时掌握作物长势好坏，及时发布苗情监测通报，指导农业生产，为预测作物产量估测提供重要的依据和参考。应用遥感信息源监测作物长势是一个比较复杂的问题，只能是对作物的群体特征进行监测。目前，作物长势遥感监测的方法主要包括：基于遥感反演的植被指数的年际比较或多年平均值比较法、遥感数据同化作物生长模型的作物长势监测法，以及遥感数据和地面调查数据联合建模法等。这些方法能够实现区域作物长势的半定量或基本定量监测，基本把握区域性作物长势好坏及空间分布状况。要进行作物长势遥感监测，必须在其生长期内连续获得不同时相的反映作物生长状况的遥感数据。因此，中低空间分辨率和高时间分辨率的遥感数据，如MODIS、NOAA、ALOS、SPOT- VEGETATION等数据在业务运行中得到了广泛应用。随着新型传感器发展，中巴卫星、环境减灾卫星、IRS等数据也逐步在作物长势监测中得到应用。然而，大尺度作物长势监测中的遥感数据源保障低的问题依然存在，多源遥感数据整合技术的大力发展将为该问题的解决提供途径。同时，作物长势遥感监测结果如何定量匹配传统农学长势指标的问题，如遥感观测的群体特征和作物的个体特征的差异性等，也是需要进一步研究解决的问题。

2.2作物灾害遥感监测

作物产量的形成过程中，除品种、田间管理措施外，各种灾害如干旱、洪涝、冷冻害、病虫害等，是影响产量的重要因子。因此，实时动态监测作物灾害也是作物产量估测的重要内容。遥感技术具有响应速度快、监测范围广的特点，在作物灾害监测中发挥了重要的作用。目前，利用遥感进行作物旱情监测的技术发展比较迅速，如利用光学卫星数据的热惯量法、植被供水指数法等，以及利用微波卫星数据发展的土壤水分监测方法等。洪涝的遥感监测技术发展也日益成熟，利用高光谱遥感技术开展作物冷冻害和病虫害监测的研究也不断增多，发展了基于遥感的作物冷冻害和病虫害监测模型和技术，但这些模型和技术的总体普适性不够，难以进行业务化系统运行。和作物长势遥感监测一样，目前的作物灾害遥感监测的数据源以中低空间分辨率和高时间分辨率的数据为主，辅助以高光谱数据。通过现代小卫星组网技术，可作为（大）卫星的补充或替代，弥补我国缺乏资源监测业务运行的适用的星载信息源不足的现状。但如何根据灾害监测结果定量评价其对作物产量的影响、更好服务于作物产量估测，是需要进一步深入研究解决的关键问题。

2.3作物产量遥感估测

根据对作物单产形成机理描述的不同程度，可以将遥感作物单产估测模型简单分为：经验模型、半经验半机理模型和机理模型。经验模型不涉及作物单产形成机理，只是简单地建立作物单产与光谱植被指数或遥感反演作物冠层参数（如叶面积指数LAI）等之间的相关关系。其建模方法包括简单回归、多元线性回归、偏最小二乘法回归以及神经网络等。半经验半机理模型亦称参数模型，就是根据简化的作物生长发育机理，通过应用遥感信息定量反演单产形成过程中各种限制因子或生物物理参数，实现作物生物量的动态模拟，并最终得到单产信息的模型。机理模型亦称过程模型，是从土壤、作物、大气间的物质和能量传输理论出发，对作物的光合、呼吸、蒸腾、营养等一系列生理生化过程进行数学描述，动态模拟作物的生长、发育以及产量形成全过程的模型。尽管完全依赖遥感信息的机理模型还未能实现，但目前集成遥感信息与作物生长机理模型的研究已经取得很大进展。遥感影像信息与作物机理模型集成的方法，综合应用了多时相遥感信息、多时相气象数据、土壤属性数据、农学信息以及部分人工管理因素，使模拟与作物实际生长环境更加接近，是区域作物产量遥感估测的重要发展方向之一。

近年来，各国科研人员针对集成作物生长机理模型与遥感影像信息，这一定量遥感应用研究的前沿领域，开展了一系列研究。目前国内外关于遥感数据与作物生长模型结合方法的研究归纳起来主要有“直接模式”和“间接模式”两大类型。“直接模式”将遥感影像反演得到的作物冠层参数等直接输入作物生长模型，直接参与模型中作物生长发育的动态模拟过程，也有人将这种方法称为驱动法；“间接模式”，就是通过遥感信息与作物机理模型的同化来调整作物生长模型中与作物生长发育和产量形成密切相关的输入变量的初始值（如播种日期、土壤初始水分含量等）或校正模型参数（如LAI增长速率系数等），以使比较对象（如NDVI、LAI等）的遥感观测值与相应模型模拟值的差异最小化的方法。“直接模式”方法相对简单，但在实际应用中由于遥感影像通常受时间分辨率或天气等原因的影响，在整个作物生长周期内只能获得有限个相应状态变量的遥感反演值，难以达到作物生长模型模拟步长（天或周）对变量的要求，所以往往需要对遥感反演作物冠层参数进行内插或曲线拟合等处理，根据有限个状态变量的遥感反演值，获得与该变量作物生长模型模拟步长相一致的外部观测数据序列。因此，“直接模式”在实际研究应用中采用较少，而间接模式应用较多。

3  问题及发展趋势

基于“3S”技术的农情信息遥感监测经过近30年的发展，无论在理论、方法和应用等方面都取得了长足的发展，但仍然存在诸多问题，还有许多关键技术和方法需要深入研究研究。

(1)遥感应用学科是物理学、信息科学、计算机科学、地学等学科综合交叉的新型学科，在学科理论上还未形成一套系统和完善的学科理论，无法系统地指导遥感应用技术和方法的有序发展，农情遥感作为其分支学科更是如此。因此，农情遥感的理论体系需要进一步完成。   

(2)虽然农情遥感发展中研制了很多模型和技术方法，但这些模型和方法的应用具有明显的区域特征，在特定区域针对特定作物的遥感识别与分类模型难以在其它区域或其它作物监测中得到应用。因此，如何发展具有普适性的作物遥感识别模型、作物长势和产量估测技术方法是需要重点解决的问题之一。

(3)从遥感技术应用的角度看，农情遥感技术与实际需求还有一定的差距，尚不能满足有关部分对信息的需求，如大区域尺度遥感监测结果的精度有待进一步改进、监测的时效性有待进一步提高、监测的内容或对象（作物品质、土壤养分、病虫害等）有待进一步扩充。  随着遥感等空间信息技术的不断发展、遥感学科理论的逐步形成，农情遥感潜力将会进一步得到挖掘，展现出美好的发展前景：农情遥感的理论体系得到长足发展，逐步形成能够指导农情遥感技术进步的理论体系；新型的传感器技术（高光谱和雷达等）和高分辨率数据将会应用到农情遥感；结合农学特点的农情遥感模型与技术方法将会得到大力发展，定量遥感和数据同化等在农情遥感发挥重要作用，农情遥感监测的精度和时效性会大大提高；农情遥感的应用领域会有较大扩展，如病虫害遥感、土壤养分遥感、作物品质遥感等精准农业和数字农业是一个重要的发展方向。

 

周清波 吴文斌 杨鹏 张莉

（中国农业科学院农业资源与农业区划研究所／农业部资源遥感与数字农业重点开放实验室，北京1 00081）

中国科技成果2010.10