农业遥感中的作物识别与产量预估研究综述

农业遥感中的作物识别与产量预估研究综述一、作物识别技术演进与多源数据融合应用农业遥感领域的作物识别是产量预估的前置核心环节，其技术发展始终与传感器硬件升级、算法模型迭代深度绑定。早期作物识别依赖中低分辨率卫星影像，如Landsat系列、MODIS数据，主要通过植被指数时间序列特征区分大宗作物。归一化植被指数（NDVI）的时序曲线能够清晰反映作物从播种、出苗、拔节、抽穗到成熟的全生育期物候特征，研究人员通过匹配不同作物的物候曲线模板，可实现对小麦、玉米、水稻等主要粮食作物的大类区分，2010年前后的相关研究中，基于MODISNDVI时序数据的大宗作物识别精度普遍可达75%~85%，但受空间分辨率限制，无法适配小块耕地、种植结构复杂区域的识别需求。高分辨率卫星技术的普及推动作物识别进入亚米级时代，GF-2、高分六号、Sentinel-2等数据的广泛应用，使得作物纹理特征、冠层结构细节能够被有效捕捉。除传统的光谱特征外，研究人员开始将影像的灰度共生矩阵特征、形状指数、边缘特征纳入识别模型，针对设施农业、特色经济作物的识别精度显著提升。例如在设施蔬菜种植区，高分辨率影像能够清晰识别大棚的弧形顶部结构与反射光谱特征，结合物候期数据，其识别准确率可提升至90%以上。同时，无人机低空遥感技术的快速发展填补了卫星数据与地面监测的尺度gap，厘米级分辨率的无人机多光谱、高光谱影像能够捕捉作物单株级别的特征，为育种小区监测、特色作物精细化识别提供了数据支撑。多源数据融合已成为当前作物识别的主流技术路径。光学遥感数据易受云雨天气影响，合成孔径雷达（SAR）的全天候观测能力有效弥补了这一缺陷。SAR数据通过后向散射系数反映作物冠层的几何结构、含水量变化，与光学数据的光谱特征形成优势互补。针对南方稻区雨季多云雾的特点，融合Sentinel-1SAR数据与Sentinel-2光学数据的水稻识别模型，其精度较单一光学数据源提升8%~12%。此外，将遥感数据与农业农村部的种植结构统计数据、农机作业轨迹数据、土壤墒情监测数据融合，能够进一步降低“同物异谱、同谱异物”带来的识别误差。例如在种植结构复杂的丘陵地区，结合土地确权数据的地块边界信息，可将地块级作物识别的F1值稳定维持在92%以上。二、作物产量预估模型的分类与适用性分析作物产量预估模型根据技术路径可分为三类：经验统计模型、作物生长机理模型与数据驱动的机器学习模型，三类模型各有其适用场景与局限性。经验统计模型是发展最早、应用最广泛的产量预估方法，核心逻辑是建立遥感观测的植被指数、气象因子与实际产量之间的统计回归关系。这类模型结构简单、参数易获取，适合大区域尺度的产量快速估测。典型应用如基于NDVI峰值与小麦产量的线性回归模型、基于关键生育期EVI（增强型植被指数）与玉米产量的二次多项式模型，在种植结构单一、气象条件年际波动小的平原产区，其估产精度可达90%左右。但经验统计模型的普适性较差，模型参数受区域气候、土壤、品种等因素影响大，跨区域应用时需要重新率定参数，极端天气年份的估测误差通常会超过15%。作物生长机理模型从作物生理生态过程出发，通过模拟光合作用、呼吸作用、养分吸收、水分运输等过程，量化环境因子对产量形成的影响。WOFOST、DSSAT、APSIM等主流机理模型已在全球多个产区得到验证，这类模型能够解释产量形成的内在机制，对极端天气的适应性优于统计模型，还可开展不同气候情景下的产量模拟预测。但机理模型的参数需求极高，需要输入作物品种参数、土壤物理化学参数、逐日气象数据、田间管理数据等数十类参数，参数的不确定性会显著影响模拟精度。将遥感数据与机理模型同化是当前研究的热点方向，通过将遥感反演的叶面积指数（LAI）、冠层含水量、生物量等参数代入机理模型进行状态更新，可有效降低参数不确定性带来的误差，同化后的模型估产精度较纯机理模拟提升5%~10%，但复杂的计算过程限制了其在县级以上大尺度区域的业务化应用。机器学习尤其是深度学习技术的爆发式发展，为产量预估提供了全新的数据驱动路径。传统机器学习模型如随机森林、支持向量机、梯度提升树等，能够有效拟合多源特征与产量之间的非线性关系，相比经验统计模型精度提升明显。随着算力提升，卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等深度学习模型开始应用于产量估测场景。CNN能够自动提取多光谱影像的空间特征，适合处理高分辨率栅格数据；长短期记忆网络（LSTM）能够捕捉植被指数时序数据的动态变化特征，有效拟合作物全生育期生长过程对产量的累积影响。现有研究表明，融合气象、遥感、土壤三类特征的深度学习产量预估模型，在县级尺度的估产误差可控制在5%以内，在地块尺度误差可低至3%，且相比机理模型运算效率提升数十倍，具备业务化大范围推广的潜力。但深度学习模型的“黑箱”属性导致其可解释性较差，难以量化各影响因子对产量的贡献度，在极端灾害年份的泛化能力仍需进一步验证。三、关键技术瓶颈与前沿研究方向当前农业遥感作物识别与产量预估仍面临三大核心技术瓶颈。首先是复杂种植场景下的识别精度不足问题，我国耕地碎片化特征突出，全国户均耕地面积不足10亩，南方丘陵地区地块平均面积甚至小于1亩，“插花种植”“间作套种”现象普遍，现有30米分辨率的卫星数据难以准确识别地块边界与种植作物种类，高分辨率数据的重访周期又难以满足物候期连续观测需求，导致种植结构复杂区域的识别精度普遍低于80%。其次是灾害胁迫下的产量估测误差偏大问题，干旱、洪涝、病虫害等灾害会显著改变作物的光谱特征与生长进程，现有模型大多基于正常年份的数据训练，对灾害胁迫的响应机制研究不足，2021年河南特大洪涝灾害期间，主流估产模型对受灾区域玉米产量的估测误差普遍超过30%。第三是多源数据的协同应用效率偏低，卫星、无人机、地面监测站的数据格式不统一、时空分辨率不匹配，缺乏标准化的数据融合处理框架，不同部门的数据壁垒也限制了数据价值的充分释放。针对上述瓶颈，当前前沿研究主要集中在四个方向。一是星-机-地一体化协同观测技术体系构建，通过低轨卫星星座组网实现高分辨率数据的每日重访，结合无人机快速巡查与地面物联网传感器的定点监测，构建多尺度、多频次的观测网络，实现对地块尺度作物生长的动态监测。二是多模态大模型在农业遥感领域的适配研究，通过融合光学、SAR、气象、土壤等多模态数据，训练农业专用大模型，提升复杂场景下的作物识别精度与灾害下的产量估测泛化能力，部分科研团队已开展相关预训练工作，在10个以上省域的测试中，模型跨区域应用的精度损失可控制在3%以内。三是高光谱与激光雷达（LiDAR）数据的深度应用，高光谱数据能够捕捉作物叶片的生化组分特征，实现对作物养分含量、病虫害早期胁迫的精准识别，LiDAR数据能够获取作物冠层三维结构信息，反演生物量、株高等关键参数，两类数据的融合应用可将产量预估的时间节点提前至灌浆期，且精度下降不超过5%，为农业生产管理提供更充足的决策时间。四是产量预估结果的业务化应用拓展，将估产结果与农业保险理赔、种粮补贴发放、粮食贸易调控等场景深度结合，部分省份已开展试点，基于遥感估产的农业保险理赔效率提升70%以上，理赔误差降低至8%以内。四、业务化应用进展与未来发展趋势我国农业遥感的业务化应用已进入快速推广阶段。国家级层面，农业农村部建立了全国农情遥感监测系统，可实现对全国小麦、水稻、玉米、大豆四大主粮作物的种植面积、长势、产量的月度监测，产量预估精度稳定在95%以上，为国家粮食宏观调控提供了关键数据支撑。省级层面，多个农业大省已建成省级农业遥感监测平台，可实现地块级的作物识别与产量估测，部分平台的监测结果已应用于农业生产绩效考核、惠农政策落实等实际工作中。县域层面，面向家庭农场、农民合作社的遥感服务产品不断涌现，通过手机APP即可查询地块的作物长势、灾害风险、预估产量等信息，为精准施肥、病虫害防治提供决策建议，部分试点区域的化肥农药使用量平均降低8%，作物产量平均提升5%以上。未来五年，农业遥感作物识别与产量预估将呈现三大发展趋势。首先是监测精度与时效性进一步提升，随着高分辨率卫星星座的密集发射，2030年之前有望实现全国范围内1米分辨率遥感数据的每日全覆盖，作物识别精度将稳定在95%以上，产量预估结果的更新频率可从当前的月度提升至周度，灾害发生后3天内即可完成受灾范围与损失程度的定量评估。其次是服务场景更加多元化，除传统的粮食安全监测外，