衛(wèi)星定位、GPS導(dǎo)航、紅外遙感等技術(shù)的發(fā)展，已經(jīng)深入農(nóng)業(yè)中，盡管在實(shí)際應(yīng)用與科技研發(fā)方面，提升空間大，但目前根據(jù)各高校、科研機(jī)構(gòu)發(fā)布的論文，空間信息技術(shù)農(nóng)業(yè)應(yīng)用已經(jīng)有了一定進(jìn)展。

一、農(nóng)業(yè)干旱衛(wèi)星遙感監(jiān)測與預(yù)測研究進(jìn)展

針對農(nóng)業(yè)干旱監(jiān)測結(jié)果的精準(zhǔn)度、局限性等問題，中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院以遙感技術(shù)，主要為可見光、近紅外、熱紅外和微波等波段，從遙感指數(shù)方法、土壤含水量方法和作物需水量方法三個(gè)方面，闡述基于衛(wèi)星遙感的農(nóng)業(yè)干旱監(jiān)測研究進(jìn)展。農(nóng)業(yè)干旱預(yù)測是在干旱監(jiān)測的基礎(chǔ)上進(jìn)行時(shí)間軸的預(yù)測，在總結(jié)干旱監(jiān)測進(jìn)展的基礎(chǔ)上，進(jìn)一步簡述了以干旱指數(shù)方法，和作物生長模型方法為主的農(nóng)業(yè)干旱預(yù)測研究進(jìn)展，豐富了地表信息進(jìn)行農(nóng)業(yè)干旱監(jiān)測和預(yù)測，具有重要的研究意義。

二、近地遙感技術(shù)在大田作物株高測量中的研究現(xiàn)狀與展望

株高是動(dòng)態(tài)衡量作物健康和整體生長狀況的關(guān)鍵指標(biāo)，廣泛用于估測作物的生物學(xué)產(chǎn)量和最終籽粒產(chǎn)量。針對人工測量方式存在規(guī)模小、效率低以及耗時(shí)長等問題，華中農(nóng)業(yè)大學(xué)展開跨學(xué)科、專業(yè)的聯(lián)合科研。

參考國內(nèi)外基于遙感手段獲取株高研究的論文，總結(jié)獲取株高的不同平臺以及傳感器的基本原理、優(yōu)勢及其局限性，重點(diǎn)論述了激光雷達(dá)和可見光相機(jī)兩種傳感器的測高流程與涉及關(guān)鍵技術(shù)。在此基礎(chǔ)上歸納了株高在作物生物量估算、倒伏監(jiān)測、產(chǎn)量預(yù)測和輔助育種等方面的應(yīng)用研究進(jìn)展，從測高平臺和傳感器、裸土探測和插值算法、株高應(yīng)用研究及農(nóng)學(xué)與遙感測高差異四個(gè)方向進(jìn)行了展望，可為今后近地遙感測高的研究與方法應(yīng)用提供參考。

三、無人機(jī)遙感在飼草作物生長監(jiān)測中的應(yīng)用研究進(jìn)展

飼草作物生長的動(dòng)態(tài)監(jiān)測與定量估算，對于飼草規(guī)?；a(chǎn)息息相關(guān)。為了掌握無人機(jī)在飼草監(jiān)測的國內(nèi)外應(yīng)用現(xiàn)狀，確定重點(diǎn)發(fā)展方向，中國農(nóng)業(yè)大學(xué)、新疆農(nóng)業(yè)科學(xué)院、農(nóng)業(yè)節(jié)水與水資源教育部與滄州市農(nóng)林科學(xué)院展開聯(lián)手科研。

從數(shù)據(jù)獲取、數(shù)據(jù)處理和飼草作物生長監(jiān)測關(guān)鍵技術(shù)三個(gè)方面，簡述了無人機(jī)遙感在飼草作物監(jiān)測中的基本研究方法。重點(diǎn)闡述了可見光、多光譜、高光譜、熱紅外和激光雷達(dá)遙感五項(xiàng)技術(shù)，在無人機(jī)遙感飼草作物生長監(jiān)測的應(yīng)用。并對研究應(yīng)用中尚未解決的關(guān)鍵技術(shù)問題展望了未來的發(fā)展方向，提出融合飼草作物時(shí)空尺度數(shù)據(jù)和多源遙感數(shù)據(jù)、進(jìn)一步拓展數(shù)據(jù)獲取手段、研發(fā)智能化數(shù)據(jù)分析綜合平臺是未來飼草作物監(jiān)測領(lǐng)域應(yīng)用創(chuàng)新的關(guān)鍵所在。

四、基于遙感與氣象數(shù)據(jù)的冬小麥主產(chǎn)區(qū)籽粒蛋白質(zhì)含量預(yù)報(bào)

農(nóng)業(yè)農(nóng)村部、 國家農(nóng)業(yè)信息化工程技術(shù)研究中心、全國農(nóng)業(yè)技術(shù)推廣服務(wù)中心、北京市農(nóng)業(yè)技術(shù)推廣站等機(jī)構(gòu)攜手開展小麥籽粒蛋白質(zhì)含量的監(jiān)測預(yù)報(bào)研究，對于指導(dǎo)農(nóng)戶調(diào)優(yōu)栽培、企業(yè)分類收儲、期貨小麥價(jià)格、進(jìn)口政策調(diào)整等具有重要意義。

研究以冬小麥主產(chǎn)區(qū)(河南省、山東省、河北省、安徽省和江蘇省)為研究區(qū)域，構(gòu)建了冬小麥籽粒蛋白質(zhì)含量多層線性預(yù)測模型，對蛋白質(zhì)含量估算模型應(yīng)用冬小麥主產(chǎn)區(qū)的蛋白質(zhì)含量遙感估算，得到了2019年冬小麥主產(chǎn)區(qū)品質(zhì)預(yù)報(bào)圖，并形成黃淮海地區(qū)冬小麥品質(zhì)分布專題圖。研究結(jié)果可同時(shí)為后續(xù)小麥種植區(qū)劃和實(shí)現(xiàn)綠色、高產(chǎn)、優(yōu)質(zhì)、高效糧食生產(chǎn)提供數(shù)據(jù)支撐。

五、海南島橡膠林葉面積指數(shù)遙感估算模型比較研究

葉面積指數(shù)是描述植被生長狀況和冠層結(jié)構(gòu)的一個(gè)重要參數(shù)，中國熱帶農(nóng)業(yè)科學(xué)院以海南島橡膠樹為研究對象，構(gòu)建基于衛(wèi)星遙感植被指數(shù)的橡膠林LAI估算模型并分析其變化規(guī)律。

經(jīng)驗(yàn)證，從空間分布來看，海南島橡膠林LAI高值區(qū)(4.40～6.23)主要分布在海南島西部儋州、白沙等市縣，LAI中值區(qū)(3.80～4.40)主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區(qū)(2.69～3.80)主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等市縣。總之，構(gòu)建的基于EVI指數(shù)的橡膠林LAI一元線性估算模型精度較高，克服了NDVI、GNDVI、RVI等植被指數(shù)容易出現(xiàn)指數(shù)飽和問題，具有較好的科學(xué)性和良好的推廣應(yīng)用價(jià)值。

六、遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用場景及研究進(jìn)展

中國農(nóng)業(yè)科學(xué)院與農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息服務(wù)技術(shù)重點(diǎn)實(shí)驗(yàn)室，針對遙感技術(shù)在種植收入保險(xiǎn)的應(yīng)用，在13個(gè)糧食主產(chǎn)省的所有主產(chǎn)縣開展。

結(jié)合遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的總體應(yīng)用歷程，對各種應(yīng)用場景下的關(guān)鍵技術(shù)的應(yīng)用研究進(jìn)展進(jìn)行了評述，包括耕地地塊提取、作物分類提取、作物災(zāi)情評估和作物產(chǎn)量估算。提出建立數(shù)據(jù)分發(fā)平臺解決數(shù)據(jù)獲取和預(yù)處理難和初始數(shù)據(jù)標(biāo)準(zhǔn)化的問題、完善耕地地塊和作物類型樣本庫以促進(jìn)地塊提取和作物分類自動(dòng)化、多學(xué)科交叉研究實(shí)現(xiàn)更快更準(zhǔn)更科學(xué)地產(chǎn)量估算、農(nóng)業(yè)保險(xiǎn)遙感技術(shù)應(yīng)用標(biāo)準(zhǔn)化，以及遙感技術(shù)應(yīng)用合同化等五個(gè)具體建議。展望未來，種植收入保險(xiǎn)乃至所有農(nóng)業(yè)保險(xiǎn)中遙感技術(shù)的應(yīng)用模式應(yīng)該是一個(gè)有數(shù)據(jù)可用、技術(shù)上更自動(dòng)化智能化、有標(biāo)準(zhǔn)可依、有合同背書的新型模式。

七、基于無人機(jī)遙感表型監(jiān)測的苧麻優(yōu)質(zhì)種質(zhì)資源篩選方法

針對重要纖維作物苧麻遺傳變異和遺傳多樣性減少，與對苧麻種質(zhì)資源多樣性調(diào)查和保護(hù)的需求之間的矛盾，湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院展開了基于無人機(jī)遙感影像的苧麻種質(zhì)資源表型監(jiān)測及篩選方法，對不同基因型作物的生長特性進(jìn)行頻繁、快速、無損、精準(zhǔn)監(jiān)測，為實(shí)現(xiàn)苧麻種質(zhì)資源表型的高效綜合評價(jià)，輔助篩選優(yōu)勢苧麻品種。

結(jié)果表明，(1)基于無人機(jī)遙感的苧麻表型估測效果較好，株高的擬合精度為0.93，均方根誤差為5.65 cm;SPAD值、含水量、LAI的擬合指標(biāo)分別達(dá)到0.66、0.79、0.74，RMSE分別為2.03、2.21、0.63;(2)苧麻種質(zhì)資源的遙感表型存在較大差異，LAI、株高和株數(shù)的估測值變異系數(shù)分別達(dá)到20.82%、24.61%和35.48%;(3)利用主成分分析法將苧麻種質(zhì)資源的遙感表型聚類為因子1 (株高、LAI)和因子2 (LAI、SPAD值)，因子1可用于苧麻種質(zhì)資源結(jié)構(gòu)特征評價(jià)，因子2可以作為高光效苧麻資源的篩選指標(biāo)。本研究將為作物種質(zhì)資源表型監(jiān)測和育種相關(guān)分析提供參考。

審核編輯黃宇