农业遥感研究与应用进展_赵春江

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］、FＲT［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］。

收稿日期: 2014-07-08 修回日期: 2014-07-28

* 国家自然科学基金资助项目( 41271345) 、北京市自然科学基金资助项目( 4141001) 和北京市农林科学院科技创新能力建设资助项目

( KJCX20140417)

作者简介: 赵春江，研究员，博士生导师，主要从事农业信息化技术研究，E-mail: zhaocj@ nercita． org． cn

278 农 业 机 械 学 报 2 0 1 4 年

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 ～ 570 nm、红边波段取 700 ～ 725 nm 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( 920，1 080 ) 用来估算作物叶面积指数，该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

第 12 期 赵春江: 农业遥感研究与应用进展

279

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

［31］

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“highly likely corn”、“likely corn”和“unlikely corn”进行玉米种植面积空间分布的分配［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 农田养分遥感与变量施肥决策

基于像元的传统分类法更精确的结果 。地块分

类法( Per-field classification) 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( National Agricultural Statistics Service，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 ( Monitoring Agriculture with Ｒemote Sensing) 计划以 CLC( Corine Land Cover) 数据为基础进行土地利用调查，并以分

3. 1 作物氮素及其垂直分布遥感反演

3. 1. 1 作物氮素遥感反演

作物氮素营养和生长动态的监测与诊断是作物栽培调控和生产管理的核心内容，是农业技术指导部门和生产者制定管理决策的主要依据，为精准农业的现代化管理提供必需的基础信息。因此，基于氮素营养状况的作物生长监测和诊断一直是农学领域中的核心研究内容之一。

目前作物氮素遥感反演主要关注植株/ 叶片氮浓度和含氮量两类指标，常采用的方法是基于高光 谱敏感波段反射率或光谱植被指数的经验统计关系 法。氮素反演敏感波段研究方面，在农作物冠层氮 素的高光谱遥感反演试验研究基础 上［41］， Shibayama 等对水稻的研究发现，单位土地面积上的叶片含氮量与 Ｒ620 和 Ｒ760 的线性组合以及与Ｒ400、Ｒ620 和 Ｒ880 的线性组合均有较好的回归关系，且不受品种类型的影响［42］。国内对水稻氮素营养水平与光谱特性研究指出诊断水稻叶片氮素营养 的敏感波段为 760 ～ 900 nm、630 ～ 660 nm 和 530 ～ 560 nm［43］，并将光谱分析方法估测鲜叶含氮量的精 度提高到了 85% 以上。刘良云等利用 1 690 nm 处反射峰特征，能够很好地反演小麦各个生育期冠层 糖氮比，并建立了叶片和茎鞘在起身期-乳熟期的分段遥感反演模型［44］。在氮素反演高光谱信息提取方法方面，浦瑞良等介绍了利用多元统计、基于光谱 位置变量、光学模型以及参数成图技术反演植被氮 素等生化组分的方法［45］。Cho 等提出了一种新的计算作物冠层反射光谱红边位置的方法———线性外插法。基于此法提取的红边位置信息，建立了预测 小麦植株、玉米叶片和混合牧草植株氮浓度信息的

280 农 业 机 械 学 报 2 0 1 4 年

预测 模 型［46］。Eitel 等提出光谱指数 MCAＲI / MTV2，并用它很好地估测了春小麦叶片氮浓度［47］。 Chen 等的研究表明，双峰冠层氮指数( DCNI) 消除了叶面积变化对氮浓度诊断的干扰，从而达到准确 探测植株氮浓度的目的［48］。赵春江等研究认为用 红边振幅和近红外平台振幅可以反演冬小麦叶片含 氮量［49］。陈鹏飞等实现了冬小麦和玉米氮营养指数( Nitrogen nutrition index，NNI) 的遥感估测，能够很好地判定小麦和玉米的氮素营养状况［50］。

3. 1. 2 作物冠层氮素垂直分布光谱探测

冠层氮素垂直分布的非均一性自 20 世纪 80 年代以来引起国内外学者的大量关注，目前从植物生理学角度对其形成机理、影响因素及对光合性能的影响等已进行了广泛深入的讨论，但在遥感作物氮素垂直分布方面尚考虑不足［51］。不过已有研究者认识到遥感作物冠层不同层次的氮素含量对于指导实际生产的重要性，并对其探测方法进行了多种尝试。

一类是基于垂向观测的冠层反射光谱探测方法。王纪华等研究表明运用偏最小二乘算法( PLS)可利用垂向观测的冬小麦冠层光谱来反演不同层次的叶氮浓度［52］。但考虑到去除下部叶层对冬小麦冠层反射光谱的影响不大，利用该法估算冠层下部叶层的氮浓度可能存在较大的不确定性［53］。王之杰利用冬小麦差值植被指数( DVI) 结合冠层各层次的光能截获量来推算不同叶层的氮密度［54］。但对 于大面积的作物遥感监测，冠层各层次的光能截获信息亦不易获取，可能会限制该法的实际应用。另一类是基于多角度观测的冠层反射光谱探测方法［55］。赵春江等基于多角度冠层反射光谱构建了冬小麦上、中、下叶层的叶绿素浓度反演指数，取得了较好的精度［16］。但由于氮素和叶绿素在冠层内的垂直分布形态存在明显差异，因此利用多角度高光谱信息探测冠层不同层次氮素的方法还需要进一步研究［51］。

此外，王纪华、马吉锋等基于田间实验数据分析了不同层次叶片的光谱和荧光特性与叶氮浓度的相关性，为探寻作物冠层氮素垂直分布的遥感方法提供了必要的基础数据［56 － 57］，但实际应用中面临着目前遥感观测难以获取大面积作物冠层不同层次光谱反射信息的困境。通过耦合冠层氮分布数学模型与成像或非成像高光谱信息或为实现作物冠层氮素垂直分布的遥感估算提供了可能，今后亟待开展相关研究［51］。

3. 2 农田土壤养分遥感反演

耕地是农业生产的基地，农田土壤养分是影响

粮食产量的重要指标。与传统的野外调查与实验分析方法相比，遥感技术中的高光谱技术可获取窄波段且光谱连续的土壤光谱，多光谱传感器具有较高的空间分辨率，雷达和激光雷达则具有较高的穿透性，在分析农田土壤养分的空间分布格局上具有较大的优势。

土壤养分遥感监测是以土壤反射率光谱的形状 和吸收特征为依据的，研究表明土壤理化参数与土 壤光谱特征均有明显联系，土壤光谱特征是对土壤 特性的一种反映［58］。根据用于模拟土壤属性的遥 感数据源，可以将农田土壤养分遥感估算的研究划 分为以实验室实测光谱和以遥感影像数据为基础两 类。在有区域土壤采样获取土壤光谱或成像高光谱 数据与实测土壤属性数据的前提下，以土壤光谱数 据为基础，研究分析土壤的光谱响应特征，采用各种 技术手段提取反映各类土壤养分含量的光谱特征信 息，如光谱变换［59］、波段深度分析［60］、主成分分析［61］、小波变换［62］、偏最小二乘法和多元回归分析等多变量回归法等［63］，构建基于点数据的土壤属性 估算模型，分析各种方法在土壤养分遥感监测应用 中的可行性。在土壤养分空间分布大范围监测上， 主要依据遥感数据源传感器的波段响应函数，模拟 其相应的宽波段数据，分析研究利用多光谱遥感数 据大尺度监测土壤有机质含量的可行性，构建基于 多光谱的土壤属性估算模型。目前，大部分关于土 壤养分的遥感反演是以裸土或稀疏植被覆盖下的土 壤为研究对象，以去除植被对土壤参数反演的影响。

农田土壤养分是耕地质量综合评价中的重要影响因子［64］，也是田间管理变量施肥决策过程中不可缺少的内容，遥感技术在很大程度上解决了人工调查方法费时、费力、高成本的缺点，能够实现土壤养分信息的快速更新。

3. 3 农作物变量施肥技术

在农作物变量施肥技术方面，多依赖遥感反演出的氮/ 叶绿素浓度、氮/ 叶绿素累计量、叶面积指数、生物量、密度等参数中的某一种判定作物的氮素营养状况，根据农田土壤有机质、全氮、有效磷、速效钾等监测结果判定土壤养分状况，进而进行施肥决策与管理。

在地面平台，基于田间作业机械、观测塔及人工 携带的传感器来获取作物光学信息，如通过 SPAD、GreenSeeker、Yara N-sensor、ASD FＲ2500 等光谱仪，可以很好地无损检测植株含氮状况，进而指导合理 施氮和氮素调控，避免盲目施肥，以达到提高氮肥利 用效率的目标。Peng 等提出了实时氮肥管理模式( Ｒeal-time nitrogen management，ＲTNM) ，该技术根

第 12 期 赵春江: 农业遥感研究与应用进展

281

据水稻 SPAD 测定值进行氮素营养状况快速诊断， 实时测定结果与设定的 SPAD 阈值比较确定是否追施氮肥［65］。Lukina 等利用 NDVI 反演冬小麦植株 氮素积累量并估测潜在产量来进行变量施肥管 理［66］。密苏里州立大学 Scarf 等根据未施肥区玉米绿度值与饱和施肥区玉米绿度值的差异来判断未施 肥区玉米氮素营养状况并开展变量施肥管理［67］。Liang 等开展了基于光谱参数( OSAVI) 的变量施肥与均一施肥的对比研究，结果表明前者肥效高于后者［68］。Song 等基于 QUICKBIＲD 遥感影像及土壤 养分进行了农田管理分区划分的研究［69］。

国内陈立平等利用实测的田间地物光谱数据，

改进了 Lukina 等提出的基于光谱数据的施氮优化算法，使其适合于北京地区的变量施肥，扩展了算法的通用性［70］。宋晓宇等利用航空成像光谱( PHI)数据研究土壤供氮量及变量施肥对冬小麦长势的影响，研究表明利用航空遥感数据可以监测土壤基础养分差异及变量施肥对冬小麦长势的影响［71］; 李翔利用冬小麦拔节期 OMIS 航空遥感影像进行了管理分区的划分研究，并与基于产量数据划分的管理分区图进行了比较，结果表明二者具有较好的空间一致性［72］; 鲍艳松等以航空影像、地面冠层光谱数据及同步观测的植被生化数据为基础，探讨了冬小麦冠层氮素监测的遥感方法，并生成了基于航空高光谱 OMIS 影像数据的变量施肥处方图［73］; 潘瑜春等研究了基于小麦长势遥感监测的土壤氮素累积估测研究，研究结果表明追肥前的 NDVI 能够较好地估测小麦生育期内土壤碱解氮增量，追肥前后 NDVI绝对增量与追肥前的 NDVI 的比值是估测小麦生育期内土壤碱解氮增量的最好指标［74］; 此外，赵春江申请并获得了国家自然科学基金资助项目“基于遥感数据的冬小麦变量施肥算法及机理研究”，进行了基于冬小麦冠层光谱指数 OSAVI 以及叶绿素 SPAD 值的多种冬小麦变量施肥算法的研究，并与传统基于土壤肥力的算法进行了对比，结果显示基于光谱数据的冬小麦变量施肥经济效益和生态效益要优于其他施肥算法［75］。

4 作物产量与品质预测

4. 1 作物产量遥感估算

将遥感技术应用于产量估算是最早的农业遥感 应用方向之一，早在 20 世纪 70 年代就已开始，至今已经历了近 40 年的探索研究，作物产量遥感估算技术从初期的以遥感植被指数为基础的简单统计回归 模型，发展到今天以遥感与作物生长模型同化技术 为基础的区域生长模拟遥感模型来预测作物产量，

不论从机理性、广泛性，还是从应用性方面，都取得了长足的发展和进步［76 － 80］。

遥感作为一种对地信息的探测手段，用于作物产量监测，其本质过程仍然是遥感信息作为输入变量或参数，直接或间接表达作物生长发育和产量形成过程中的影响因素，单独或与其他非遥感信息相结合，依据一定的原理和方法构建产量模型，进而驱动模型运行的过程［76］。基于遥感数据信息的作物产量估算方法，可大致分为 3 种: 经验统计方法、半经验半机理方法以及机理方法。

经验统计方法多是以遥感敏感波段和各种植被指数建立以数学统计分析方法为基础的经验估产模型，早期的作物遥感估产研究多以此类方法为主，由于此类方法可操作性强，至今仍有广泛的应用。如Tennakoon 等利用 Lansat TM 数据多个波段反射率建立多元回归模型估算水稻单产［81］; Quarmay 等利用多时相 AVHＲＲ 数据计算的累积 NDVI 分别估测小麦、玉米和水稻等作物产量［82］; 王长耀等则采用来自 MODIS 数据集的植被指数 NDVI 和 EVI，通过线性模型分别对美国的冬小麦产量进行预测［83］; 徐新刚等基于最优权重组合方法，应用多时相 Landsat TM 遥感影像的多植被指数开展了大麦作物估产研究［84］。基于遥感信息的作物产量经验统计方法，尽 管使用当中具有可操作性和简洁性，但往往缺乏深入的作物产量形成机理解释基础，且时空应用扩展性不强。

半经验半机理的方法多以光能利用率模型( 常称参数模型) 为核心来估算区域作物地表干物质量( Dry matter，DM) ，利用遥感信息可以很好地反演其中所涉及的主要参数，进而结合作物收获指数( HI) ，通过干物质量与收获指数乘积的形式实现作物产量的估算。光能利用率模型即植被净初级生产 力为吸收光合有效辐射与光能利用率的乘积，具有 一定的生态物理基础，又不涉及过多的输入变量且 具有一定的精度，应用较为广泛［85 － 87］; 而收获指数HI 的计算通常以常数方式或者经验线性模型给出［87 － 88］。总得说来，半经验半机理的作物产量估测方法相对于经验方法而言，具有较好的机理性解释， 同时简化了机理模型的参数输入，在区域作物产量 估算有着较好的应用前景，但该方法中涉及的关键参数光能利用效率 ε 及 HI 的时空分布定量模拟仍然需要开展大量的研究［89 － 90］。

作物产量估算的机理方法，主要表现在作物生长模型与遥感技术的融合方法研究。作物生长模型能对作物生长过程中的光合、呼吸和蒸腾等生理生化过程进行数学描述，可动态模拟作物生长发育及

282 农 业 机 械 学 报 2 0 1 4 年

产量的形成过程，具有较深入的生理生态学解释机理，但生长模拟模型在小区点上应用时精度较高，外 推到区域面上应用时，由于一些参数获取困难甚至 是难以获得，已成为其区域应用中的瓶颈问题; 将遥感技术与作物生长模型相融合，势必可以综合两者 “点—面”结合的互补优势。遥感与作物生长模型相融合的方法可以大致分为驱动法和同化法，驱动 法是指通过遥感反演的作物冠层参数信息直接更新 甚至替换作物生长模型中的相应输入参数，以实现 作物生长发育的动态模拟过程，在早期的遥感与作 物模型的交叉融合研究中较多［91 － 93］; 同化法则主要是指借助于优化算法，不断调整作物生长模型中难 以获得的初始值或参数，使得模型模拟的一些关键 输出参数的模拟值与遥感观测值间差值最小化，以 此达到估计这些初始值或参数的目的，进而实现作 物产量估算的过程［94 － 98］。两者相比较，驱动法使用时相对简单，产量估测的精度受遥感反演作物冠层 参数精度的影响较大，且要求观测值的数量要多; 而同化法由于模拟与作物实际生长环境更接近，尽管 计算复杂，但随着计算机技术的不断发展，遥感与作 物生长模型的同化方法成为当前作物产量机理方法 研究的热点。

4. 2 作物品质遥感监测

利用遥感技术开展大面积作物品质指标( 如籽粒蛋白质、淀粉含量等) 的遥感监测预报，对指导分级收割、按质论价收购，以及制订优质作物进出口政策，具有现实的迫切需求。由于不同作物具有不同的品质指标，即使是同一种作物，由于用途不同使用的品质评价指标也有差异，因而相对于产量遥感估测，作物品质监测具有一定特定性和复杂性。当前的品质遥感预报监测也多是以作物目标品质指标形成过程的农学、生理生态的方法和原理为基础，应用遥感数据来反演与品质指标相关的理化参数，直接或间接地实现作物品质的预报监测。

基于遥感技术的作物品质监测预报，国外研究 开展得较早，中国则是在近些年才逐步开展［99］。从 研究对象来看，主要集中在小麦与水稻两大作物上， 尤以籽粒蛋白质品质监测预报居多。在冬小麦品质 遥感监测方面，已有一些研究认为: 小麦后期叶片全氮与成熟期籽粒品质组合之间具有强相关性，叶片 全氮能够很好地监测小麦籽粒蛋白质与面筋含量， 而叶片氮含量与冠层光谱间有较好的定量关系，因 此可以通过冠层光谱间接地监测籽粒蛋白质含量， 特别是利用开花期光谱信息可以提早实现对籽粒蛋 白质指标的预测［100 － 101］。小麦籽粒蛋白质品质的最终形成，除与开花期叶片氮含量紧密关联外，还受灌

浆期水分胁迫的影响，因而利用与叶片氮和水分胁 迫相关的光谱指数，可 以监测籽粒蛋白质含量［102 － 103］。另有研究认为小麦灌浆期对氮素敏感的光谱植被指数，以及乳熟期对水分敏感的微波遥感 变量能有效估测小麦籽粒蛋白质含量［104］。此外， 利用冠层高光谱的某些敏感波段及其构建的相关光 谱指数，也可以估测水稻籽粒的蛋白质和淀粉含 量［105 － 107］。

从已有作物品质遥感监测的研究可以看出: 当前的品质遥感监测多以“遥感变量 + 品质指标”和“遥感变量 + 中间农学参数 + 品质指标”模式的统计经验模型方法为主，往往缺乏深入的机理性解释， 在时空扩展应用中常缺乏稳定性。同时，作物籽粒品质的形成是一个日积月累的过程，已有的品质遥感监测的经验方法往往使用少数时相的遥感数据， 难以真正反映品质形成的累积效应。而作物生长模拟模 型 ( 如 CEＲES-Wheat、SWHEAT 和 APSIM- Nwheat 等) 能够模拟作物籽粒品质参数的时间动态变化过程［108 － 109］，尽管作物模型在大区域应用时，往 往出现大尺度模型参数获取困难的问题，但遥感技术具有面上信息获取的优势。因此，将作物生长模型与遥感进行优势互补，利用数据同化技术构建作物籽粒品质遥感估测机理模型是可行的途径［99］。

5 农情遥感监测与预报

5. 1 作物病虫害遥感监测与预测

作物病虫害遥感监测主要依赖于作物受不同胁迫影响后发生的光谱响应。作物在受到病虫侵染后，常破坏色素系统，产生病斑、伤斑，导致可见光波长范围的反射率改变。当侵染加重后，会进一步引起植株的整体性损伤，如细胞破裂，植株萎蔫等，进而引起近红外、短波红外谱段的反射率改变，以及在一些对植被健康状况敏感的特征变化，如红边蓝移［110 － 111］。

近年来基于叶片或冠层光谱分析进行植物病虫害诊断和监测的研究不断增多。国内外学者通过实验观测和光谱分析筛选出小麦条锈病、白粉病、赤霉病、全蚀病、蚜虫，水稻稻瘟病、稻纵卷叶螟、稻干尖线虫病、水稻胡麻斑病、番茄晚疫病、芹菜菌核病等病害类型的光谱敏感波段以及适合于病害探测的光谱特征［112 － 116］。由于病害的光谱信息相对其他类型胁迫强度较弱，多种数理统计方法和数据挖掘方法被用于病情严重度反演和病害光谱诊断模型的构建，如主成分分析( PCA) 、神经网络( PNN) 、支持向量机( SVM) 、光谱角度制图( SAM) 、连续小波分析 ( CWA ) 、光 谱 调 谐 匹 配 滤 波 技 术 ( MTMF )

第 12 期 赵春江: 农业遥感研究与应用进展

283

等［112，117 － 118］。在确立某种类型病虫害的光谱响应特征后，基于航拍及卫星影像数据将这种关系扩展 至地块、区域等较大的空间尺度。得益于高光谱遥 感丰富的谱段信息和对各种精细光谱分析的支持， 目前国内外学者利用高分辨率的航拍高光谱影像在 病害监测方面能够取得较高的精度，目前已对小麦 条锈病、番茄晚疫病、柑橘黄龙病等多种病害进行研 究，监测制图精度可高至 90% 以上［114，119 － 120］。然 而，受限于现阶段高光谱图像获取高昂的仪器成本， 研究人员已试图采用多光谱的航拍和高分辨率卫星 影像进行病害制图。覃志豪等采用多光谱航拍数据监测水稻纹枯病［121 － 122］，采用 QUICKBIＲD 影像监 测小麦病害，识别精度达 88. 6% 。张竞成等以小麦白粉病为例，证实了采用多时相中分辨率( 30 m) 遥感影像在区域尺度上监测病害典型发生现场的可能 性［123］。

遥感信息除具有病害监测的潜力外，在病害预 警方面，近年来部分学者通过遥感信息反应区域生 境状况，将其作为一种辅助信息配合气象信息对病 害发生适宜性进行综合预测。遥感反演地表温度、土壤、植被水分等参数能够在一定程度上反映作物 生境状况，进而与气象背景场信息相结合预测发病 概率，提高了病虫害预测能力［116］。近年来在病虫 害遥感监测与预警方面有两个重要趋势: 一是对遥感信息的利用程度不断深入，这主要体现在如何结 合多谱段、多时相和多模式( 主被动遥感、荧光遥感和微波遥感) 遥感观测对病虫害进行高专一性的识别和区分，对一些非病虫害性胁迫因素进行排除，这一工作已取得一些初期的进展［118，124］，但仍有待于 不断深入。另一趋势是将遥感信息和非遥感信息 ( 气象信息、无线传感信息、植保信息、农情统计信息) 进行整合，解决病害监测、预测过程中的信息不对称问题。

5. 2 农业干旱监测

干旱所造成的农业损失相当于各种气象灾害总和的 60%［125］。农业干旱是气象、土壤和作物等多 种因素相互作用的结果。首先是降水较历史同期持 续减少产生气象干旱，随后农田土壤中根层水分减 少造成土壤干旱，最后才导致作物供水受限，发生水 分胁迫形成植被干旱［126］。由于农作物对环境具有 调节和适应能力，气象干旱、土壤干旱的发生并不必 然导致农业干旱的发生。随着农田缺水强度和持续 时间的增长，土壤和作物的不同组分在结构形态、生 理生化上发生不同程度变化和响应。其中，部分关 键表征参数可为遥感传感器有效探测，如土壤水分、植被水分、作物综合长势( 叶面积指数、叶绿素、覆

盖度等) 、冠层温度、蒸散发、热惯量等［110］。遥感技术在农业干旱监测中的应用主要体现在土壤和植被干旱上。

传统的农业干旱监测更多侧重于气象干旱的监 测，主要考虑降雨和温度等气象因子，构建反映干旱 程度的干旱指数，如帕默尔干旱指数 PDSI 和标准降雨指数 SPI 等，划分干旱的区域及等级，评价干旱程度。基于遥感的土壤和植被干旱监测，根据不同传 感器探测能力的差异，监测方法也各不相同。国内 外已利用可见光-近红外、热红外和微波等遥感数 据，从能量平衡、水分平衡等方面发展了涵盖土壤水 分、植被水分等的农业干旱监测模型和方法。土壤 干旱遥感监测以农田蒸散、地表温度、土壤水分的遥 感监测为基础，开展土壤干旱状况的综合评价，如Yang 等对 Hapke 土壤模型进行扩展反演了土壤水分［127］，Gao 等通过混合像元分解估计了小麦覆盖下 土壤水分［128］; Yang 等证实了多极化雷达数据监测农作物覆盖下土壤水分的巨大潜力［129］，微波遥感 先天对水分敏感且具有一定的传统能力，能获取农 作物覆盖下土壤墒情信息，更有利于农业干旱监测。其中，雷达遥感具有更高的分辨率，适合于中国破碎 地块条件下更精细尺度的旱情监测。赵春江等分析了农田蒸散的时空特征［130］，Yang 等估计了异质条 件下的地表温度［131］，证实了基于热红外遥感获取 土壤和作物冠层温度信息、进而监测地表蒸散发和 土壤热惯量等指标的有效性，它们对区分水分胁迫 与其他胁迫以及干旱预警至关重要。

植被干旱遥感监测方法有两大类，一类是基于

水分含量的植被干旱监测，可见光-近红外遥感数据 的应用最为普遍，Zhao 等建立了基于倒高斯模型和光谱吸收相对深度指数的植被冠层水分定量监测方法［132 － 133］，Liu 等发展了用光谱红边参数估计冬小 麦植被水分的方法［134］，Jin 等利用灰色关联分析和 偏最小二乘方法估计叶片含水量［135］。另一类是由 于其快速、简单的优势，目前在实际的旱情监测系统中应用最为广泛的遥感干旱指数法［132］，较典型的 如距平植被指数 AVI、植被条件指数 VCI、温度条件指数 TCI、温度植被干旱指数 TVDI、条件植被温度干旱指数 VTCI［136］、垂直干旱指数 PDI［137］、植被供 水指数 VSWI、归一化差异水分指数 NDWI、全球植被水分指数 GVMI、以及作物水分亏缺指数 CWSI等［138］，同时利用了不同波段的遥感数据。近年来，新发展的用于干旱监测的综合干旱指数则更加重视遥感与气象因子的耦合［126，139 － 140］。

尽管如此，由于农业干旱成因复杂，不同作物在不同时期对水分需求不同，对水分胁迫的敏感程度

284 农 业 机 械 学 报 2 0 1 4 年

亦不相同，农业干旱的及时、准确监测依旧存在很大困难。部分关键特征参数的遥感反演精度仍无法满足农业干旱监测的需求; 此外，遥感获取的信息尚需深入融合农业、水文、气象等模型，才能全面监测农业干旱发生过程，服务于农业干旱的早期预警、及时调控、风险评估以及损失评估等。

5. 3 冬小麦冻害遥感监测

冻害是影响中国北方冬小麦生产最严重的灾害之一，虽然其发生频率低，但个别年份对冬小麦产量影响很大［141］。在中国冬小麦主产区，冻害包括冬 季冻害和早春冻害，其中春季霜冻灾害影响较大［142］。20 世纪 80 年代以来，在全球气候变暖的背景下，虽然全球霜冻日呈现减少的趋势［143 － 145］，但是 冻害的潜在危险并没有明显减弱［146］。例如，2010年 2 月 28 日，正值返青期的河北省冬小麦主产区遭

遇强降温及强降雪天气，造成了冬小麦低温冻害，出

6 农业遥感监测空间决策支持系统

随着农业遥感的深入发展，影像处理与分析耗时长、依赖于人工处理、缺乏业务性和周期性的软件支持、缺少基层管理人员自己能操作使用的简便的软件工具等问题引起广泛关注，为了满足农业管理决策等多方面的需求，对能够及时提供作物生长状态、产量、农情等信息的农业遥感监测系统的需求越发迫切。

针对这一需求，国内外均开展了广泛的工作。美国农业部外国农业局( USDA foreign agriculture service，FAS ) 开 发 了 基 于地理信息系统的CropExplorer 决策支持系统［161］，提供基于遥感影像 和气象数据的全球作物长势信息。欧盟的 MAＲS项目自 1992 年开发并维护了作物预测系统( Crop forecasting system) ，在欧盟范围内提供及时的作物

［ ］ 产量预测［162 － 163］。联合国粮农组织( FAO) 于 1975

现了苗龄小、分蘖少、死苗、断垄等现象 147 － 148 。小

麦品种耐寒性的降低和早播旺苗导致冬小麦冻害的 脆弱性增大，一旦遭受冬季异常低温或春季倒春寒， 将会造成冬小麦大面积冻害发生［146，148］。

传统的冬小麦冻害监测方法是根据气象站点或者田间样点测量的最低空气温度，结合冬小麦的生长生育特征，判断冻害程度，然后通过大田抽样调查

［142，149 － 153］

年开 发 了“全 球 信 息 与 预 警 系 统”( Global information and early warning system，GIEWS) ［164］，在全球尺度上开展食物供给和需求的监测，并对区域性的粮食短缺进行早期预警。系统所提供的信息主要用于识别近期的粮食安全危机，并为联合国世界粮食计划( World food program) 及其他一些国际与国家机构进行国家级的需求评估提供依据。加拿大统

的方法估算区域受灾面积

。由于这种方

计局 “作物长势评估计 划”( Crop condition

法需要大量的田间调查工作，因而很难在区域尺度

上实施精确的冻害监测、及时灾害响应与灾情统计。利用遥感监测和评估冻害的方法可以分为: ①从农作物冻害脆弱性角度出 发的植被指数差值法［147 － 148，154 － 155］，农作物遭受冻害后植被指数会出现下降的趋势，通过比较受灾前后植被指数的差值 来判断受灾情况。这种方法的植被生物学意义明 显，简单易操作，但是植被指数对异常变化总存在滞 后性，因而这种方法常常给冻害监测带来很大的被 动性。②从冻害致灾因子角度出发的最低地表温度反演法［150］，是利用遥感数据反演最低地表温度，建 立受灾程度与降温幅度的相关关系，进而确定冻害 灾情，这种方法充分考虑到致灾因子的空间变化情 况，但受制于遥感反演地表温度的精度，目前热红外 遥感的空间分辨率普遍较低。③冻害风险评估法， 利用高时间分辨率的卫星遥感数据，如 NOAA/ AVHＲＲ、MODIS 等数据，对稀疏的气象站数据进行空间化，然后利用 GIS 技术进行冻害风险制图［156］，该方法充分利用气象观测资料，但受高时间分辨率 遥感数据的空间分辨率较低的影响，普遍存在混合 像元问题。

assessment program，CCAP) 项目［165］，自 1989 年起开始提供遥感监测服务，并于 2000 年开始提供 Web 服务，用户可以在获取最新一期遥感数据的 24 h 内通过网络进行监测结果的浏览、查询。

中国 科 学院遥感与数字地球研究所的CropWatch 系统由作物长势监测、作物旱情监测、主要作物产量预测、粮食产量预测、作物种植结构、复 种指数监测以及粮食供需平衡预警 7 个子系统组成［77］。目前已经监测中国及全球 26 个主要粮食生

产国，覆盖全球粮食总产量 80% 以上的主要粮食生产国和消费国，以其及时、准确、连续的监测结果为 国家重大决策提供了可靠的信息支持。中国农业科学院的 CHAＲMS 系统研发了基于多源遥感、气象、土壤和地面调查数据的主要农作物( 小麦、玉米、水稻、棉花和大豆) 和草地的面积、产量监测模块，实现了主要农作物、草地和农业灾害的实时监测［166］。 该系统已经投入到农业部的业务运行系列中，并纳 入“国家农情信息发布日历”，成为有关部门进行农 作物产量会商的三大信息源之—。

北京农业信息技术研究中心开发的主要农作物 调优栽培决策支持系统是面向基层农业管理部门、

第 12 期 赵春江: 农业遥感研究与应用进展

285

农业生产部门( 如农场) 、作物协会( 如谷物协会) 及大型涉农企业的专业技术及生产管理人员、对主要农作物的产前优良品种种植区划———产中调优栽培及产量、品质预报———产后指导按质收购等作物生产全过程进行信息化管理的综合系统，该系统是基于最新的 ENVI / IDL 技术、WebGIS、GPS、企业空间数据库、通信技术、作物模拟技术等信息技术和农学知识的高度集成而建立的信息化决策支持系统。

系统通过采用 ENVI / IDL 编程技术实现对遥感

影像的实时计算和处理，生成初步的作物分类结果 以及影像光谱指数，结合野外采集的 GPS 定位数据和农学样点信息，综合分析各种常用的农学模型，通过 WebGIS 技术实现实时直观的专题图、统计图表、细节点击查询等多种展现方式，实现作物长势监测、产量估算、品质预测、病虫害监测、干旱监测、冻害监 测、肥水诊断等作物生产全过程的信息化管理。

系统分为 6 个主要功能模块，如图 1 ～ 4 所示。本系统已经在互联网上线应用。

图 1 主要农作物调优栽培决策支持系统主要功能

Fig． 1 Main functions of information decision support system for adjusting and optimizing cultivation of main crops

图 2 根据长势分级情况可以查询处方措施( 模块 1) Fig． 2 Prescription measures based on crop growth classification

图 3 作物品质专题图( 模块 6)

Fig． 3 Thematic map of crop quality

7 问题与展望

农业遥感技术经过近二十年的快速发展，在农作物面积、长势、灾害、产量、品质等监测技术领域上取得长足进步，在支撑农业肥、水、药、害等管理上技术优势逐步得到行业认可。中国的农业遥感技术已经从学习国外经验阶段，转为结合中国国情发展中

图 4 耕地干旱监测专题图( 模块 3)

Fig． 4 Thematic map of arable land drought monitoring

国特色农业遥感技术的新阶段，并取得了一系列创造性的研究与应用示范结果，奠定了我国作为空间信息大国在农业应用领域的发展优势。但与其他发达国家相比，在部分重要技术上仍存在一定问题与差距。

( 1) 遥感农学信息提取模型的适用性有待加强基于遥感的农学信息提取模型较多，包括经验

统计方法、半经验半机理方法及机理方法，其中经验

统计方法所占比重较大。每种模型和方法均有特定 的适用条件，经验、半经验的方法更是需要大量的实 地观测数据的支撑。在基于遥感的机理模型方面， 作物模型是世界上公认的农业研究的重要新方法， 它能够将农业过程数字化，使农业科学从经验水平 提高到理论水平。在国际上获得广泛认可的通用作 物生长模型有荷兰的WOSOFT、美国的 DSSAT、澳大利亚的 APSIM、FAO 的 AQUACＲOP 等。中国的CCSODS 系列作物生长模型，虽然在国际上有一定

286 农 业 机 械 学 报 2 0 1 4 年

的影响力，但离主流的作物生长模型在通用性和可靠性方面还有一定的差距。中国农作物空间分布范围广泛，农作物种植的实地条件复杂且多变，为了更准确的利用遥感提取农学参量服务于田间管理，遥感农学信息提取模型的普适性有待进一步加强。

( 2) 多源多尺度遥感的发展对农业遥感应用提出了新的挑战

当前对地观测技术已经进入多平台、多传感器、多角度发展阶段，但是多源多尺度遥感在农业应用领域的模型和关键技术不完备，存在以下问题: 遥感数据和研究尺度较为局限，对多源多尺度遥感信息的融合研究较少; 对多源遥感信息和农学知识的结合关注不足; 对遥感和传感、气象等非遥感信息的融合有待加强。而面向精准农业决策管理的、融合“星机地”多平台多尺度遥感数据的现代农业遥感 技术，是实现未来规模化种植条件下现代精准农业的重要发展方向。因此，需要突破传统农情监测中的尺度限制，时空不连续等问题，解决针对作物养分精准决策和重大病虫害监测预报等重要需求的遥感

技术应用所面临的技术难题。

随着我国卫星遥感技术的发展，尤其是一系列 具有国际先进水平的卫星的发射，未来 5 ～ 10 年， “星机地网”观测数据将呈爆发式增长，农业生产对 时空连续信息的潜在需求将被激发，迫切需要将海量观测数据转化为农业监测有效信息，提升我国农田参量精准监测能力，提高农业信息技术对农业产业发展的引领能力。因此，需要将卫星、航空、地面传感网络等多平台观测的遥感信息与作物模型、农学专家知识、气象等非遥感信息有机融合，形成能够贯穿作物生长全程的信息获取、校正、融合、解析方法和决策模型，重点关注规模化种植条件下的农田参量“星机地”多平台协同精准获取技术、多尺度遥感时空融合的农业精准决策技术、多源信息融合的农业重大病虫害监测预警技术、以及多尺度农业遥感信息融合与智慧服务关键技术的研发与突破，构建未来对地观测技术发展条件下，面向精准农业决策管理的农业遥感技术体系。

参 考 文 献

1 Jacquemoud Stéphane，Verhoef Wout，Baret Frédéric，et al． PＲOSPECT + SAIL models: a review of use for vegetation characterization［J］． Ｒemote Sensing of Environment，2009，113( Supp． 1) : S56 － S66．

2 Kuusk Andres． A two-layer canopy reflectance model［J］． Journal of Quantitative Spectroscopy ＆ Ｒadiative Transfer，2001， 71( 1) : 1 － 9．

3 Kuusk Andres，Nilson Tiit． A directional multispectral forest reflectance model［J］． Ｒemote Sensing of Environment，2000， 72( 2) : 244 － 252．

4 杨贵军，柳钦火，刘强，等． 植被冠层 3D 辐射传输模型及热辐射方向性模拟［J］． 红外与毫米波学报，2010，29( 1) : 38 － 44． Yang Guijun，Liu Qinhuo，Liu Qiang，et al． Directional simulation of thermal infrared radiation and 3D radiative transfer model of canopy［J］． Journal of Infrared and Millimeter Waves，2010，29 ( 1) : 38 － 44． ( in Chinese)

5 杨贵军，柳钦火，杜永明，等． 农田辐射传输光学遥感成像模拟研究综述［J］． 北京大学学报: 自然科学版，2013，49( 3) : 537 － 544． Yang Guijun，Liu Qinhuo，Du Yongming，et al． Ｒeview of optical remote sensing imaging simulation of farmland radiation transfer process［J］． Acta Scientiarum Naturalium Universitatis Pekinensis，2013，49( 3) : 537 － 544． ( in Chinese)

6 Yang Guijun，Zhao Chunjiang，Liu Qiang，et al． Inversion of a radiative transfer model for estimating forest LAI from multisource and multi-angular optical remote sensing data［J］． IEEE Transactions on Geoscience and Ｒemote Sensing，2010，49( 3) : 988 － 1000．

7 Hunt Jr E Ｒ，Doraiswamy P C，McMurtrey J E，et al． A visible band index for remote sensing leaf chlorophyll content at the canopy scale［J］． International Journal of Applied Earth Observation and Geoinformation，2013，21: 103 － 112．

8 Fu Yuanyuan，Yang Guijun，Wang Jihua，et al． Winter wheat biomass estimation based on spectral indices，band depth analysis and partial least squares regression using hyperspectral measurements［J］． Computers and Electronics in Agriculture，2014，100: 51 － 59．

9 Zhao C J，Zhou Q，Wang J，et al． Band selection for analyzing wheat water status under field conditions using relative depth indices ( ＲDI) ［J］． International Journal of Ｒemote Sensing，2004，25( 13) : 2575 － 2584．

10 Yebra Marta，Chuvieco Emilio． Linking ecological information and radiative transfer models to estimate fuel moisture content in the Mediterranean region of Spain: solving the ill-posed inverse problem［J］． Ｒemote Sensing of Environment，2009，113( 11) : 2403 － 2411．

11 Zhao Chunjiang，Wang Jihua，Huang Wenjiang，et al． Spectral indices sensitively discriminating wheat genotypes of different canopy architectures［J］． Precision Agriculture，2010，11( 5) : 557 － 567．

12 Hoffer Ｒ M． Biological and physical considerations in applying computer-aided analysis techniques to remote sensor data［M］∥ Swain P H，Davis S M． Ｒemote sensing: the quantitative approach． New York: McGraw-Hill International Book Co． ，1978: 227 － 281．

13 Li Pingheng，Wang Quan． Ｒetrieval of leaf biochemical parameters using PＲOSPECT inversion: a new approach for alleviating

第 12 期 赵春江: 农业遥感研究与应用进展

287

Ⅲ—posed problems［J］． IEEE Transactions on Geoscience and Ｒemote Sensing，2011，49( 7) : 2499 － 2506．