农业定量遥感是从对地观测电磁波信号中定量分析和提取农作物参数的技术和方法。农业定量遥感通过研究和改进经验模型和辐射传输模型等，着重建立农作物与农田环境参数的遥感定量反演技术，从而实现利用遥感数据定量获取有关农作物生长的关键生物理化参数，为作物生长模型、作物估产等研究提供可靠的输入参数，并且能够为实际的田间农业管理提供有价值的参考信息。当前，遥感技术在农作物种植面积提取、作物物候监测、大面积长势监测以及产量估算等方面展现出显著的应用成效，已成为精准农业中不可或缺的技术支撑，但仍存在着以下问题。

1）遥感观测与精准农业的耦合复杂性。从可见光波段至红外波段，从多光谱遥感到高光谱遥感，遥感技术呈现出多样化的特点。针对不同作物种类、不同生长阶段、不同地理环境以及不同参数需求，精准农业展现出高度的复杂性。如何让遥感观测与农业需求实现深度精准结合，是亟待解决的核心问题。

2）遥感农业观测的信息可靠性。带有农作物信息的光谱信号进入传感器，中间有着复杂的辐射传输过程，需要考虑几何变形因素、作物光谱方向性等问题，如何让遥感影像还原地表真实信息，是遥感技术在精准农业中应用需要开展的第一步工作。

3）农业定量遥感模型尺度多样性。在农业定量遥感领域，不同观测平台如卫星、无人机以及近地平台的尺度多样性导致了模型的通用性受限。目前，水分反演模型、叶面积指数（LAI）反演模型以及作物估产模型等，均面临着从叶片尺度到冠层尺度结果获取的尺度效应问题，最优尺度的确定仍存在不确定性。如何开展多种尺度和平台的协同观测，是遥感技术在精准农业研究中实现广泛优质应用的关键所在。

4）精准农业和遥感数据的分析智能化。在精准农业的实施过程中，农业大数据的进一步利用，涉及光谱信息、理化参数、基因信息以及田间信息等海量数据。这些数据的处理需要借助深度学习、多源异构数据融合以及对地观测脑等先进方法。如何借助遥感地理信息科学推动农业智能化，是精准农业实现过程中的关键一环。

针对前述四个核心问题，我们开展了一些系统性的研究工作，包括精准农业遥感机理、多源农业遥感数据的综合处理、作物参量的遥感反演、农作物覆盖信息提取、作物总初级生产力（GPP）与作物产量遥感估算、精准农业遥感数据挖掘以及农作物遥感表型信息学等七个研究领域。这些研究为上述关键问题提供了一些解决方案，同时也为精准农业的进一步发展奠定基础。

1．精准农业的遥感机理研究

精准农业依赖于高效、实时的作物生长监测，而遥感技术在这一过程中发挥了重要作用。遥感机理研究的核心目标是通过理解遥感数据与作物生长之间的关系，以实现更精准的产量估算和农业管理。近年来，随着无人机技术的快速发展，结合多时相遥感数据的精准农业研究逐渐成为热点，如从油菜的生长机理出发，提出基于多时相归一化植被指数（NDVI）和丰度数据的精准农业遥感监测方法。通过无人机获取不同生长阶段的多时相遥感数据，根据油菜冠层结构与田间特征确定不同生长期端元组合，并通过线性解混模型获取丰度（见图1）。与传统的植被指数（VI，如NDVI）相比，丰度数据能够提供更深入的作物生物学信息，尤其是从亚像元层次反映了植株器官的发育情况。研究结果表明，选取合适的丰度组合数据结合NDVI进行多时相估产具有更好的效果，且不同种植方式下的最优丰度组合相同，适用于产量的提前预测。通过不断探索遥感机理和遥感数据中包含的信息，农民和农业管理者可以更精确地监测作物生长动态，实现精准农业管理，为精准农业的发展提供了新的技术路径，展示了遥感技术在农业生产中的广泛应用潜力。

图1  油菜角果期移栽部分区域丰度图

2．多源农业遥感数据的综合处理

多源农业遥感数据的综合处理是精准农业中的关键技术之一。遥感数据通常来自不同的传感器和平台，这些数据在空间分辨率、光谱范围以及定标精度等方面存在着差异。为了提高农业监测的准确性和可靠性，必须对这些遥感数据进行综合处理，以确保其在应用中的一致性和有效性。例如针对高分一号（GF-1）卫星的宽视场（WFV）相机进行辐射定标，构建基于Landsat-8卫星陆地成像仪（OLI）数据的交叉定标方法，提高农业遥感数据的一致性。通过该交叉定标技术的实施，高分一号WFV相机的反射率数据在重新定标后Landsat-8OLI数据的对比显示，误差显著降低，尤其是在低反射率区间，数据质量的提升尤为显著。定标系数的优化使得农田区域NDVI结果与OLI数据的一致性也得到明显改善（见图2），增强了遥感数据在农业监测中的应用潜力。通过精确的定标处理，农作物的生长状况、产量预测以及环境变化监测等任务得以更加准确地执行，推动了精准农业技术的应用。农业遥感数据的综合处理，尤其是通过交叉定标方法进行的辐射定标，为遥感数据的一致性和准确性提供了保障，从而有效支持了精准农业和环境监测的需求。

图2  农田区域 WFV 和 OLI的 NDVI 统计数据比较

3．作物参量的遥感反演

随着精准农业的发展，作物生长状况的定量化监测和关键参数的精准提取已成为农业生产管理的重要研究方向。传统方法在作物生物量监测中存在成本高、效率低以及时空分辨率不足的局限，而多光谱遥感技术特别是无人机平台的应用，为解决上述问题提供了全新的技术手段。例如，基于无人机搭载多光谱相机，可以获取稻田区域的多时序多光谱影像数据，结合光谱信息、三维结构数据及气象信息，从而构建多参数综合模型以高精度反演水稻生物量。在海南杂交水稻全国重点实验室试验田，应用该方法进行研究，结果表明，综合利用多维信息的生物量估算模型具有显著的优势，其中决定系数R2达到0.86，均方根误差（RMSE）为178.37g/m2，明显优于基于单一光谱或几何信息的模型（见图3）。对比分析不同光谱植被指数以及几何和气象信息的融合模型，验证了近红外与红边波段在稻田生物量估算中的核心作用，充分体现了多光谱遥感技术在作物参数反演中的关键地位。无人机影像反演作物参量不仅为作物参数的高效提取提供了新方法，还可在农业资源管理和作物生长诊断方面具有广泛的应用潜力，为农业数字化和智能化发展提供了重要技术支撑和科学依据。

图3  综合利用多维信息的生物量估算结果

4．农作物覆盖信息提取

农作物覆盖信息（VF）的精准提取是农业生产监测和生态评估的重要内容，尤其是对于开花显著的作物（如油菜），传统基于植被指数的方法在开花期作物监测上面临严重挑战。在湖北省48个施用不同氮肥处理的油菜样地，利用无人机获取6波段（490～900nm）高分辨率多光谱影像，并结合地面观测，采用支持向量机（SVM）分类提取花、叶及土壤像素。研究结果显示，油菜开花会导致冠层反射率在可见光和近红外全波段显著增加，但其幅度在波段间存在差异；在花期，基于比值的植被指数（如NDVI、VARIgreen）的值因分母增大而显著降低。基于无人机搭载的多光谱相机数据，结合花期植被光谱特性分析，开发了一种油菜植被覆盖度和花覆盖度（FF）提取的改进模型。通过对不同时期数据的分组建模，提出了分别适用于生长阶段（无花期）和花期的VF估算算法，获取了不同时期FF、VF空间分布结果（见图4）。在无花样本中，VARIgreen表现最佳（R2=0.98，RMSE=3.56%）；而在含花样本中，增强型植被指数2（EVI2）表现最优（R2=0.84，RMSE=5.65%）。对于花覆盖度的提取，当土壤背景较少（VF≥85%）时，550nm波段反射率与FF呈显著正相关（R2>0.6）。基于无人机的高分辨率多光谱影像可在不同生长期实现油菜VF和FF的高精度遥感提取，为含显著非叶片成分作物的覆盖信息遥感监测提供了新的解决方案。

5．GPP与作物产量遥感估算

作物总初级生产力的准确估算对于农业生产力评价、生态系统碳循环研究至关重要。然而，传统基于地面观测的GPP测量方法存在空间覆盖有限的局限性，而遥感技术通过多时空尺度提供了全面的观测手段。例如，利用神经网络（NN）、多元线性回归（MLR）和植被指数方法，结合多种遥感数据（包括地面高光谱反射率数据和卫星遥感数据），开发适用于玉米和大豆的GPP估算模型。在美国内布拉斯加研究与推广中心的三个通量站点区域的应用研究发现，最优的GPP估算算法主要基于红边和近红外波段数据，可以显著提高估算精度。在利用神经网络进行建模时，地面反射率数据的标准化均方根误差（NRMSE）小于14%，而卫星反射率数据的NRMSE小于18.7%。此外，VI方法也表现出较好的性能，其中基于红边和近红外波段的VI模型在玉米和大豆上的NRMSE分别为15.6%和20.4%。研究进一步表明，遥感估算GPP的关键在于作物冠层的总叶绿素含量，其可以通过红边和近红外反射率高效反演。相比传统基于入射光合有效辐射（PARin）的GPP模型，采用潜在光合有效辐射（PARpotential）替代PARin，可有效减少天气条件变化对模型的不确定性。基于遥感数据的GPP估算，不仅为农业碳循环监测和生态系统建模提供了重要数据支撑，还拓展了遥感技术在作物生产力评估中的应用，为未来的跨作物、跨区域精准农业管理提供理论基础和实践依据。

精准农业通过结合先进的遥感技术和数据分析方法，为农业生产提供精确、高效的管理手段，而作物产量遥感估算是精准农业的重要组成部分。它不仅有助于优化农业资源的配置，还在全球粮食安全和农业可持续发展中发挥着关键作用。然而，受到模型参数数量和模型适应性的限制，传统作物生长模型难以满足跨区域、高精度的估算需求。结合WOFOST作物生长模型与深度学习Transformer网络，在黑龙江垦区农场的玉米和大豆估产表明，利用WOFOST作物生长模型生成模拟产量数据，通过该模型引导PVT网络进行预训练，并结合遥感影像数据（Sentinel-2）和气象数据（ERA5）对模型进行微调，可以大幅提升模型对实际环境变化的适应能力。研究发现通过多头注意力机制整合遥感影像的空间信息与气象数据的时间动态，能够显著改善模型对复杂作物生长环境的理解。与传统方法（如随机森林、神经网络）相比，WOFOST-Transformer模型在产量估算精度上得到提升。融合基于过程的作物生长模型与基于数据的深度学习技术，构建具有跨区域适用性的产量估算框架，为遥感数据在农业产量预测中的应用开辟了新路径，为精准农业管理和粮食安全保障提供了有力支持。

6．精准农业遥感数据挖掘

精准农业遥感数据挖掘是通过分析和提取遥感数据中的信息，辅助农业决策和管理的重要技术。随着遥感技术和数据处理能力的不断提升，特别是高光谱遥感技术的应用，农业数据挖掘变得更加精细化。然而，如何有效地从大量复杂的遥感数据中提取与作物生长和环境变化密切相关的信息，仍然是精准农业领域的一大挑战。研究人员结合地面高光谱数据和机器学习模型，融合光谱特征提取与迁移学习进行数据挖掘，在河南淇县的冬小麦试验田，实现小麦籽粒含水率估算。利用连续去除方法和双波段归一化指数，从高光谱反射数据中提取关键光谱特征，并通过随机森林回归方法建立估算模型，在试验区域，小麦籽粒含水率估算结果R2值超过0.85。为解决大范围田间监测的精度问题，研究人员引入了迁移学习算法，将地面高光谱数据与卫星多光谱数据（如Sentinel-2和PlanetScope卫星数据）进行整合，通过双阶段Tradaboost.R2算法，成功提高了多平台数据的整合能力，模型的泛化性能显著提升，尤其是在卫星数据上的应用精度大幅提高。同时，基于时间序列，分析揭示了小麦籽粒含水率从生理成熟阶段到最终收获阶段的动态变化规律（图5），为优化农田管理和精准收割提供了科学依据。对遥感数据光谱信息、时序信息等的深入挖掘，不仅提升了遥感数据的应用价值，还为精准农业的跨尺度数据挖掘和智能管理提供了技术支持。

7．农作物遥感表型信息学

杂交稻育种在保障粮食安全和提升作物产量方面具有重要意义，但传统育种方法在亲本筛选和F1代性能评价上存在效率低和成本高的问题。利用遥感表型技术辅助杂交稻育种的方法，依托多光谱遥感影像和表型关键特征的提取，分析父系母系和F1代的生长规律，可为杂交稻育种提供精准的决策支持。实验在海南陵水和三亚的试验田中开展，基于无人机搭载多光谱传感器获取12通道和6通道的高分辨率影像，覆盖不同飞行高度（50m、70m、130m、200m）下的稻田全景，并结合地面表型数据（如叶片光谱、干生物量、株高、分蘖数、LAI等），对杂交稻不同品种的生物量参数进行定量化评估。遥感表型技术能够快速提取杂交稻的冠层光谱特征和生物量参数，不同亲本和F1代在光谱特征与表型参数上的差异为优良组合的筛选提供了科学依据。同时，高分辨率无人机影像能够全面反映稻田内部的空间异质性，精准识别各育种组合在不同时期的生长表现和生理状态。通过将遥感表型与传统育种方法相结合，实现了杂交稻亲本筛选和F1代评价的高效化和智能化，为杂交稻育种体系的现代化提供了技术支撑。

在推动中国现代农业发展的进程中，精准农业展现出巨大的潜力。精准农业的核心在于实现定位、定时、定量的信息获取与分析。目前，空天地一体化的多尺度遥感技术与北斗导航系统的深度融合，为我国遥感技术在农业领域的应用提供了坚实的技术基础。卫星遥感能够提供宏观层面的大面积土地覆盖变化监测，无人机低空遥感则可以针对特定区域进行高分辨率的数据采集，而地面传感器网络则负责实时监测局部环境参数。这些不同尺度的遥感数据融合，不仅丰富了农业信息的维度，也为作物生长模型的建立提供了多元化的数据支持。

尽管遥感技术在农业领域的应用潜力巨大，但要充分发挥其效能，仍需解决一系列理论和技术问题。首先，在数据处理方面，如何提高遥感影像的解译速度和精度是一个亟待解决的问题。其次，由于农作物的生长周期和环境因素的影响，构建动态的作物生长模型并实现准确预测是一项复杂的工作。再者，遥感数据的质量控制，特别是云层遮挡和大气效应的校正，也是影响数据可靠性的重要因素。最后，遥感技术与其他信息技术（如物联网、大数据、人工智能）的集成，需要跨学科的合作研究，以形成一套完整的精准农业解决方案。

随着国家大数据和人工智能技术的迅猛发展，以及无人机遥感和智能农用机械装置的广泛推广，新型农业科技公司作为技术研发与应用的关键桥梁，应充分发挥其在多源数据集成、智能化决策支持和场景化服务中的作用，推动技术成果的转化落地。在这一过程中，通过发展更精确的农田信息获取与分析方法、创新遥感应用模式，可进一步深化对农田生产过程的精细化管理，助力实现农业生产的数字化、智能化和绿色化目标。

在精准农业领域，遥感技术的应用不仅是中国现代农业发展的必然趋势，更是实现农业现代化和高质量发展的核心途径。展望未来，精准农业中遥感技术的发展将基于需求导向，专注于利用遥感影像还原地表真实信息，将遥感观测与农业需求的深度精准结合，开展多尺度遥感和平台的系统合作，并通过加强多学科交叉融合，推动遥感技术与农业领域的深度整合，构建出适应复杂农业环境的高效遥感农业技术体系，为农业现代化进程和粮食安全提供坚实的技术支撑。