遥感技术在农业资源台账建设中的应用潜力
作者：文阅期刊网 来源：文阅编辑中心 日期：2022-09-23 09:35人气：
摘 要：[目的]为了系统地分析遥感技术在农业资源台账建设中的应用潜力。[方法]通过文献研究，阐述了农业资源台账的研究现状，分析了农业资源遥感监测数据源与监测技术的发展趋势，研判了当前遥感技术在农业资源台账建设中的应用潜力。[结果]农业资源台账的建设内容主要包括农业资源清单、农业资源评价两个方面，具有空间与时间两种属性。农业遥感数据源向着高空间分辨率、高时间分辨率、高光谱分辨率的方向发展，其监测技术向着多源遥感数据融合应用、智能分类、多维海量数据高效计算的方向发展。遥感技术可对农业资源清单中的主要农业自然资源和社会经济资源的信息进行获取，对农业资源组分评价与农业生态系统整体评价也有很大潜力。[展望]总的来看，农业资源台账建设内容不断丰富，遥感技术在农业资源台账建设中的应用能力显著提升，其应用潜力仍有很大的上升空间，对高效开展农业资源台账建设具有积极作用。
关键词:农业资源;台账建设;遥感技术;应用潜力;
APPLICATION POTENTIAL OF REMOTE SENSING TECHNOLOGY IN THE CONSTRUCTION
OF AGRICULTURAL RESOURCES LEDGER
Li Yingxiang Zhang Hua Teng Fei
Wang Limin Ji Fuhua
Key Laboratory of Agricultural Remote Sensing, Ministry of Agriculture and Rural Affairs/Institute of
Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences
Abstract：
[Objective] This paper aims to systematically analyze the application potential of remote sensing technology in constructing the agricultural resources ledger. [Methods] By analyzing the literature, this paper 1) expounds the agricultural resources ledger's research status, 2) analyzes the development trend of remote sensing data source and monitoring technology in agricultural resources, and 3) judges the application potential of remote sensing technology in the construction of agricultural resources ledger. [Results] The construction content of agricultural resources ledger mainly includes inventory and evaluation of agricultural resources, which has two attributes: space and time. For agricultural remote sensing technology, apparent trends are favoring high spatial resolution, high temporal resolution, and high spectral resolution in the data source, and multi-source remote sensing data fusion application, intelligent remote sensing classification and efficient calculation of massive multidimensional data in monitoring technology. With remote sensing technology, the information of main agricultural natural resources and socio-economic resources in the inventory of agricultural resources can be obtained, and it also has great potential for the component evaluation of agricultural resources and the overall evaluation of agricultural ecosystem. [Prospects] Generally speaking, the content of agricultural resources ledger construction is constantly enriched, and the application ability of remote sensing technology in agricultural resources ledger construction is significantly improved, and its application potential still has a great room for improvement, which plays a positive role in efficiently developing agricultural resources ledger construction.
Keyword：
agricultural resources; ledger construction; remote sensing; application potential;
0 引言
大力推进生态文明建设，促进农业绿色发展，是新时代我国农业现代化建设的重要目标。其中把农业资源纳入到农业绿色发展和农业现代化建设中，建立统一的农业资源台账，是摸清农业资源底数，提高农业资源管理水平，达到合理利用和保护农业资源，促进农业可持续发展的重大举措[1]。兴起于上世纪60年代的遥感技术，由于客观、非破坏性性、空间连续、相对地面调查较低的费效比，更有利于从宏观、动态的角度掌握农业资源的空间分布规律，获取农业资源时空动态变化信息，在农业资源调查中得到了广泛的应用，为农业资源台账的建设提供了可行的技术途径。近些年，国家大力推动农业资源台账建设工作，出台一系列的相关政策文件，如《国家农业可持续发展试验示范区建设方案》（2016）、《全国农业现代化规划（2016—2020年）》、《关于创新体制机制推进农业绿色发展的意见》（2017）、《关于做好2018年国家重要农业资源台账制度建设工作的通知》、《农业农村部办公厅关于做好农作物秸秆资源台账建设工作的通知》（2019）、《“十四五”全国农业绿色发展规划》（2021）等，均强调了充分利用遥感等信息技术手段，推进农业资源台账数据采集制度的建立，构建适应国家农业绿色发展需要的农业资源台账体系。虽然在农业资源台账相关政策与研究中均提及了遥感技术的重要性[1,2]，但对遥感技术在农业资源台账建设中的应用潜力尚未系统研究。因此，本文对农业资源台账建设的主要内容及其空间与时间属性进行分析，再结合农业资源遥感监测的数据源和监测技术的现状和发展趋势，分析遥感技术在农业资源台账建设中的应用潜力，为我国开展农业资源台账建设提供参考。
1 农业资源台账的研究内容与现状
历史上农业资源台账的概念是按照资源清单或数据库的形式，对农业资源的时空状况进行记录或管理[2]，而农业农村部2021年发布的《国家重要农业资源台账建设指南》明确指出：“以采集、监测、分析、评价、报告为重点，摸清重要农业资源底数，建立重要农业资源台账，开展农业资源利用评价，分析农业资源动态变化，发布农业资源利用评价报告，为转变农业资源利用方式、推进农业绿色发展提供决策支撑。”由此可见，当前农业资源台账的概念是更为广泛意义上，在农业资源时空状况清单式管理基础上、以农业-社会-经济复合生态系统可持续发展为目标的资源评价模式。因此，农业资源台账的内容主要包括农业资源清单和农业资源评价两方面。农业资源清单就是记录一定空间范围内的农业资源状况，而农业资源评价则是从空间和时间的维度对农业资源现状稳定性、利用效率、可持续性等属性进行分析和评价，为科学研究提供基础数据源，为农业生产、决策部门提供科学依据，进而实现农业资源数量、分布和质量的常态化、制度化、规范化监测评价管理[3]。以下将从农业资源台账的主要内容、时空属性研究现状三个方面进行分析。
1.1农业资源台账的主要内容
农业资源是指对农业生产具有重要影响的自然资源和社会经济资源，农业自然资源又分为水资源、农用地资源、气候资源、生物资源等，社会经济资源又分为农业生产资料、农村人居、畜禽养殖、农业废弃物资源等[4]。农业资源清单的内容就是收集和调查一定空间范围内某一时间的这些重要农业资源的类型、数量、分布、质量等。就具体而言，水资源主要包括地表水资源总量、地下水资源总量、降水量等水资源数量，农田用水量和有效灌溉面积、林地用水量和有效灌溉面积、果园用水量和有效灌溉面积等水资源利用方面的数据等。农用地资源主要包括耕地、园地、林地、草地等类型的数量。气候资源主要包括气温、降水、日照、太阳辐射量、蒸发量、积温等，也包括洪涝、台风、旱灾、低温冷害等气象灾害的受灾面积。生物资源主要包括小麦、玉米、水稻、大豆等农作物的品种、类型、面积和产量、畜禽肉类产量和水产品产量等生物资源数量，以及野生植物、动物、菌类等资源数量等。社会经济资源主要包括农业生产总值、农民收入、农村机械和能源用量、设施农业面积和产量、农村劳动力、农业基础设施、农村人居条件等。新中国成立后，我国先后开展了三次全国性的农业区划工作，从初始的农业区域划分（1949-1965年），走向全国范围的农业资源调查与农业资源监测系统建立（1966-1995年），再到不同尺度的农业资源数据的完善与更新（1996年至今），取得了全国农业现状区划、中华人民共和国自然地理图集等一批重要成果[2,5,6]；另外，中国农业资源区划数据集包含了全国范围内农业资源调查和农业区划资料，以及不同尺度上的农业资源及其区划成果图件、统计数据与研究报告，对查清农业资源家底、合理利用资源提供了大量基础科学资料[7]。
农业资源评价主要包括基于农业资源清单的结果而分析的农业资源的现状特征、变化趋势、利用方式，可评价区域水资源、农用地资源、气候资源、生物资源、社会经济资源等农业资源组分的利用效率，也可从农业生态系统整体出发综合评价区域农业整体发展水平、资源利用效率、可持续性等，然后对区域农业资源超载程度及存在问题进行评估并预警，最后形成和发布农业资源评价报告。以往的农业资源评价的研究主要是对农业土地资源[8,9,10,11]、水资源[12,13,14]等单一资源进行评估，近些年农业资源评价研究已经从单项资源评价到资源整体综合评价的发展，更多的农业资源评价研究着眼于区域农业资源整体，逐步走向了农业资源综合性评价和农业资源可持续利用评价的方向[15]，形成了以“农业-社会-经济”复合生态系统可持续发展为目标的评价模式[16]。如在单一农业资源评价方面，封志明等提出了农业水资源利用效率综合评价的遗传投影寻踪方法，利用该方法对甘肃省81个县域单元的农业水资源利用效率进行综合评价，评价结果很好的反映了各评价指标对综合评价目标的贡献大小和方向以及各评价单元综合利用效率[12]。在农业资源整体评价方面，孙炜琳等将农业资源台账划入农业绿色发展定性评价体系的一级指标首位，定期发布农业资源报告和农业资源承载力预警报告，紧跟其后的指标是农业资源环境生态监测体系，其中明确强调了利用遥感，物联网等技术的应用[17]。
总的来看，在农业资源清单方面的研究趋向于更具体，而在农业资源评价方面的研究趋向于更整体。主要表现为，农业资源清单的研究在监测的尺度上逐渐细化，更追求各行政级别对水、土、气、生等各类农业资源监测的精确、详尽、动态变化等方面；而农业资源评价的研究趋向于从单项资源评价到资源整体综合评价的发展过程，更加注重在区域尺度上应用资源环境综合评价方法，进行农业资源环境评价的模式。
1.2农业资源台账的时空属性
农业资源台账的空间属性是指农业资源清单和农业资源评价的空间范围，其空间范围主要有行政单元和自然单元两类。以我国为例，行政单元分为国家、省、市、县、乡（镇）、村；自然单元包括以流域为单元和以地貌为单元，如黄河流域、华北平原、黄土高原等。农业资源台账的服务对象主要为各级政府、科研教学机构，不同的服务对象对农业资源台账的空间属性需求不同。国家级的农业生产、决策部门需要的是省级、国家级甚至全球等行政单元尺度和重要自然单元尺度的农业资源台账，省级的农业生产、决策部门需要的是省级和重点市等行政单元尺度的农业资源台账，市级的农业生产、决策部门需要的是市级和重点县等行政单元尺度的农业资源台账，县级的农业生产、决策部门需要的是县级、重点乡（镇）和村等行政单元尺度和重点地块尺度的农业资源台账。
农业资源台账的时间属性是指农业资源清单和农业资源评价的时间频率，不同的农业资源以及空间需求对获取农业资源台账的频率的要求是不同的，这与不同的农业资源动态变化时间有关，也与不同的农业资源调查能力和成本有关系。第一类时间需求是以年为时间间隔的，针对的是变化相对缓慢的农业资源如农业基础设施、农村人居条件、农用地资源的类型和数量等，第二类时间需求是以季为时间间隔，针对有较强的季节性的农业资源，如农作物类型和面积、农作物种植结构，以及秸秆资源量、农用膜使用量等农业废弃物资源等。第三类时间需求是以旬或天短时间为时间间隔，针对时间变化较快的农业资源，如气温、降水、日照等气候资源，农作物生育期和长势，土壤墒情和土壤养分，以及洪涝、台风、旱灾、低温冷害、病虫害等自然灾害的受灾面积等。
1.3农业资源台账的研究现状
农业资源台账的研究分为理论研究与实践应用两方面。在理论研究方面，农业资源台账的研究多集中于农业资源清单、农业资源数据库以及农业资源调查等内容[2,18,19,20]，有的学者认为农业资源台账是以资源清单或数据库的形式对农业资源的时空状况进行记录[2]，把农业资源台账认作农业资源清单目录，重要农业资源监测体系和农业资源评价和报告制度是在农业资源台账的基础上完成的[1]。上个世纪末期，联合国统计司建立了综合环境与经济核算体系（System of Integrated Environmental and Economic Accounting, SEEA-1993）框架，在2003年和2012年又修订了SEEA框架，并对自然资源存量、经济价值、评估方法等做了较为细致的说明，为考虑资源环境评价的资源台账理念形成奠定了基础。我国已有许多学者基于SEEA方法或以“驱动力-压力-状态-影响-响应”(DPSIR)理论等，开展了农业资源相关的可持续评价研究[21,22,23]。有的学者认为农业资源台账定义应该更广泛，不仅仅是资源清单或数据库，还包括了农业资源动态变化分析、农业资源利用评价、农业资源预警和农业资源利用评价报告发布等内容[24]，既能够了解农业资源的数量，又可进一步获取农业资源的变化及质量，是科学指导农业绿色发展的重要依据。
在应用实践方面，许多国家、国际组织关于农业资源台账的建设多集中于以自然资源清单和数据库形式的农业资源调查工作，如发端于上个世纪20年代至今仍在执行的美国国家资源存量（National Resources Inventory Survey Program，NRI）调查，从1978年至今的英国乡村调查（Countryside Survey，CS），从1960年至今逐渐完善的日本农林资源调查（Census of Agriculture and Forestry），从1980年至今的澳大利亚自然资源地图集（Australian Natural Resources Atlas，ANRA）等，这些项目针对各个时期国家发展需要，或从水、土壤、农作物等农业资源的数量和空间分布，或从农林产业构成、农作物种植面积和产量、农用地归属、农村建设等角度，构建了国家层面的农业资源清单。我国在农业资源台账建设方面的工作开展时间也比较长，大致以1996年为节点可划分为前后两个时期，前一时期以农业资源调查和区划为主。如1978—1985年间的《全国农业现状区划》、《中国综合农业区划》、《全国主要农作物分布图集》等。后一时期农业资源台账的建设受到高度重视，在国家层面上出台了一系列政策，大力推动农业资源台账建设工作，在建设工作中更加强调遥感、地理信息系统等现代技术的应用。具有代表性的建设工作有采用遥感技术的农作物种植一张图、《全国农业资源区划数据集》等农业资源专题数据集的更新、国家重要农业资源台账的编制、农业资源数据中心建设、以及重要农业资源台账汇交系统的业务化运行等。
2 农业资源遥感监测现状与趋势
2.1遥感技术在农业资源监测中广泛应用
遥感技术是采用传感器以非接触的方式收集目标物的电磁波特性，通过电磁波特性的差异对目标进行信息识别与提取的过程。半个世纪以来，航空航天技术、传感器技术、计算机技术、图像处理技术等的发展，遥感技术在数据源、监测技术、应用领域等方面取得了重大进展，使得遥感技术在农业、林业、气象、海洋、环保、民政、减灾等各部门得到了广泛的应用。
由于农业资源地域性广、季节性强等特点，在农业资源监测工作中，相较于传统的调查方法，遥感技术具有客观和非破坏性的对地观测手段，以及大规模连续的观测数据，能更直观反映农业资源的分布状况，并且具有缩短调查时间、调查成本以及扩大调查覆盖面等优点，大大提高了农业资源调查效率和准确程度，因此遥感技术广泛应用于各个国家或国际组织的农业资源调查中。上世纪60年代起，美国农业部(USDA)、农业研究服务局(ARS)、美国国家航空航天局(NASA)等组织进行了大量的研究，如大面积作物库存实验项目(LACIE，1974年)、亚美尼亚救济协会小麦产量项目[25](ARS Wheat Yield Project，1976年)、航空航天遥感农业和资源库存调查项目(AgRISTARS，1980年)、中国小麦项目(China Wheat Project，1983年)和农业遥感项目(AG-20/20，1999年)等[26]，为遥感技术更好地监测全球的农业和自然资源奠定了科学基础。
在农业资源监测遥感数据源方面，从最初的多光谱数据，到目前被广泛应用的高光谱数据、超光谱数据、多角度数据、雷达数据、无人机数据等[27]，数据的种类与质量得到了进一步的提高，使得遥感技术对农业资源的监测能力显著增强。在农业资源监测内容方面，遥感技术不仅在农作物面积调查、农业土地利用、农作物产量估算中作为主要监测手段，还在土壤参数反演、农作物生长参数反演、农作物长势监测、农业灾害监测等方面取得了很大进展[27,28,29,30,31,32,33]；在农业资源监测技术方面，遥感影像分类和反演的精度、自动化程度得到了很大的提升，分类技术从监督分类、非监督分类、决策树分类等发展到现在的机器学习、深度学习等技术[34]，反演的算法也由传统的经验模型，发展为半经验半机理模型乃至机理模型[35]，此外，云计算、大数据、人工智能等新技术的广泛应用，也为农业资源遥感监测的数据处理与信息提取提供更为高效的手段[27]。
2.2农业资源遥感监测数据源发展趋势
遥感数据具有明显的高空间分辨率、高时间分辨率、高光谱分辨率的发展趋势，即空间上遥感器所能识别的最小地面目标更精细，光谱上遥感器的波段范围更广、波段数更多、带宽更窄，时间上遥感器对同一地点重复成像时间间隔更小。
（1） 向高空间分辨率发展
随着传感器技术的进步，使得遥感数据的空间分辨率得到了极大提高，加之近十年来各国遥感卫星发射频率越来越高，使得各国在轨的遥感卫星数量也越来越多，提供了海量的中高分辨率的遥感数据，到目前已经形成了大于1km、1km、100m、10m、米级、亚米级以上空间分辨率的数据系列。为描述方便，经常把卫星遥感数据按照空间分辨率划分为高、中、低三个分辨率尺度，即空间分辨率小于等于1m为高空间分辨率数据、大于1m小于等于50m为中空间分辨率数据，大于50m为低空间分辨率数据。以陆地监测卫星为例，上世纪70年代，常用的遥感数据以空间分辨率小于30m的低空间分辨率数据为主，如78m空间分辨率的美国陆地卫星Landsat1-3/MSS数据；到上世纪末，常用的遥感数据以空间分辨率30m左右中空间分辨率数据为主，如30m空间分辨率的Landsat5/TM、Landsat7/ETM数据与20m空间分辨率的法国SPOT1-4/HRV数据；到如今，常用的遥感数据以空间分辨率为30m到优于1m的中、高分辨率数据为主，除了传统的30m多光谱、15m全色波段的Landsat8-9/OLI数据与6m多光谱，1.5m全色SPOT6-7/NAOMI数据外，许多新兴的中高分辨率数据也得到了广泛应用，如欧空局Sentinel-1A/1B/2A/2B卫星10m多光谱数据（MSI），我国GF-1/GF-6卫星16m宽幅数据（WFV）、8m多光谱数据（PMS）、2m全色数据（PAN），GF-2卫星3.2m的多光谱数据（PMS）与0.8m的全色数据（PAN），美国SkySat16-21卫星0.75m多光谱数据（COMS）等。图1给出了河北省廊坊市局部观测点上获取的系列遥感数据，展示了500m、50m、40m、30m、16m、10m、8m、5m、4m、2m、1m、0.08m等空间分辨率、不同波段合成的目视效果。
（2） 向高时间分辨率发展
不同空间分辨率尺度上遥感器数量增多，特定遥感器针对指定区域的重访周期都有不同程度的提高（重访周期是指卫星再次看到同一地区的时间间隔，单位为天），使遥感数据向高时间分辨率发展。在1km低空间分辨率水平上，重访周期也由上世纪80年代末的NOAA-11/AVHRR的6天（纬度±15°），达到了本世纪初左右的TERRA/AQUA-MODIS的1天，在多星组网情况下能够达到每天覆盖全球1次以上的能力。在空间分辨率10-30m中空间分辨率水平上，Landsat系列卫星的重访周期由Landsat 1-3的MSS数据的18天缩短到Landsat 8-9双星组网的8天。Sentinel-2A/2B单星重访周期为10天，2A/2B双星组成星座的重访周期缩短到5天。在空间分辨率小于2m这个高、中空间分辨率过渡范围内，重访周期也由上世纪末IKONOS的3天达到了现在的Wordview-3的1天，以及GF-01/06组网的2天。
（3） 向高光谱分辨率发展
首先，光谱谱段位置向不同电磁波属性范围上拓展，在上世纪70年代，中空间分辨率Landsat MSS数据只有绿、红、近红外谱段的数据，而现在，中空间分辨率如Landsat OLI数据有海岸蓝、蓝、绿、红、近红外、短波红外、全色、卷云、热红外(TIRS 1、TIRS 2)等谱段的数据；Worldview-2数据有蓝、绿、红、近红外、海岸、黄色、红边、近红外2等谱段的数据；RapidEye数据有蓝、绿、红、红边、近红外等谱段的数据。其次，光谱谱段的宽度越来越窄。美国在上世纪末和本世纪初发射的Terra和Aqua卫星搭载的中分辨率成像光谱仪MODIS，谱段范围为0.62-0.96μm（可见光和近红外波段）、3.66-14.38μm（中红外和短波红外波段），具有36个波段的高光谱数据，谱段宽度在可见光和近红外波段为20-50nm左右、在中红外波段为300nm左右。到本世纪初美国NASA发射的EO-1卫星搭载的高光谱成像光谱仪Hyperion，谱段范围为0.4-2.5μm，具有242个波段的高光谱数据，谱段宽度为10nm，通道数目比常用的多光谱相机多了近70倍。到现在我国2008年发射的HJ-1A卫星搭载HSI遥感器，谱段范围为0.45-0.95μm，谱段宽度为5nm左右，具有115个谱段的高光谱数据；我国2018年发射的高分5号卫星搭载的可见短波红外高光谱相机AHSI，谱段范围为0.4-2.5μm，具有330个谱段的高光谱数据，谱段宽度在可见光近红外波段为5nm、在短波红外为10nm，通道数目比常用的多光谱相机多了近100倍。
2.3 农业资源遥感监测技术发展趋势
为充分发挥现代遥感技术高空间、高时间、高光谱的数据优势，从农业资源信息获取过程上看，数据处理、信息提取、结果分析是三个不可或缺的过程。多源遥感数据融合应用技术、遥感分类技术、高效计算技术在农业资源遥感监测中的发展，使得农业资源遥感监测的结果具有准确性更高、时效性更强，费效比更低、尺度更多元、能够满足不同用户的需求，为农业资源台账建设提供更客观、更高效的途径。
（1） 多源遥感数据融合应用技术
丰富的遥感数据转化为可用的监测数据源，需要多源卫星数据融合应用技术作为媒介，进而实现更高效的观测。首先是不同遥感器来源的遥感数据的融合。例如，如0.5~4km空间分辨率的FY-04多通道扫描成像辐射计数据、250m的HY-1B/CZI数据、50m的GF-04/PMS数据、30m的HJ-1A/CCD数据、16m的GF-1/WFV数据、8m的GF-01/PMS2数据、4m的GF-02/PMS数据、2m的GF-02/PMS1-MSS1数据等，由于空间分辨率、光谱位置与宽度、遥感器自身工艺的差异，针对具体的观测对象，其光谱特征具有较大的差异。因此需要在各自遥感器光谱观测特征基础上，重新构建光谱同化模型，映射到相同的数据标准空间，才能实现多源遥感数据的综合应用。其次是来自不同卫星平台上的相同遥感器，以及相同卫星平台相同遥感器不同观测时间的遥感数据融合。例如，RapidEye卫星是依靠装载在5颗卫星上，在太阳同步轨道上同时运行获取遥感观测数据；国产的WFV数据，可以同时在GF-01、GF-06等卫星平台获取。这类数据的光谱观测差异可能小于异构数据、小于异源遥感器的差异，但仍然存在着差异，仍然需要不同平台来源的数据、不同观测时间的数据，按照统一的标准进行处理，才能满足农业资源遥感监测的需要。
在21世纪以前，遥感数据源相对单一，农业资源遥感监测主要以单星应用为主；目前，遥感数据源得到了极大丰富，数据融合技术也得到了快速发展，通过多源遥感数据融合技术进一步补充和挖掘遥感监测的数据，使得区域上的两星、多星应用逐步实现，极大提升了农业资源遥感监测效率与精度。
（2） 农业资源遥感智能分类技术
一般意义上，农业遥感分类是指以农作种植类型作为研究对象，以空间距离、概率分布函数模拟各类别间的差异，采用样本或者经验获取阈值划定类别、确定类型的方法。而农业资源遥感分类的监测内容，不仅仅是农作物种植类型，而是把水、土、气、生、社会经济、农业废弃物等主要农业资源监测对象看作是遥感分类的单元。
遥感分类方法是影响监测精度的关键因素，农业资源遥感分类技术大致经历了如下发展过程。在上世纪，遥感分类的主要靠目视解译为主，考虑影像质量、人力劳动与解译者的主观因素较多；本世纪以来，遥感分类技术得到了快速发展，监督分类、非监督分类、决策树、面向对象分类的方法得到了极大的发展与应用，更进一步，在前者基础上考虑植被物候、地形、纹理等相关辅助信息与多源遥感数据相结合的方法，在一定程度上提高分类精度；近年来，人工智能技术被广泛应用到遥感分类中，人工神经网络、支持向量机等方法也在一定程度上提升了遥感分类的精度[34]。目前，针对特定农业资源对象，农业资源遥感分类技术已经能够从较为客观、系统的角度出发，实现农业资源特征的快速、精准识别。
（3） 多维海量数据高效计算技术
当前遥感数据高空间、高时间、高光谱分辨率的特点，带来的直接结果是数据量呈几何级数增长。而现实中，考虑到遥感器通道数量、在地表数据获取的过程中存在的重叠现象、计算过程等产生的大量的数据冗余，会让数据量呈几倍甚至几十倍增大。如以国产16m空间分辨率GF-6/WFV数据为例，理想状态下覆盖我国陆地范围的8个谱段数据1个频次最少需要4.4TB以上的数据量；以GF-6卫星标称的4天回归周期计算，每天约在1.2TB左右；如果考虑计算过程，则在5-8倍以上。如此巨量的数据，没有相应的存贮能力、没有高效的计算技术，无法实现农业资源的有效监测与评价。
随着计算机硬件、多核CPU与GPU计算技术的发展，图像处理的速度得到了很大的提升，使得用户以较低的入门门槛实现高效计算技术的普遍应用。较为常见的方式是脱离本地计算机的硬件环境，依靠云平台的高效计算能力实现数据快速处理。如Google Earth Engine的模式，在数据安全具有可靠保证前提下，该方式也不失为一种有效的模式。目前，高效计算技术的普及使得小范围尺度的遥感监测效率已经得到了极大提升，区域乃至全球等大尺度范围的遥感数据存储与计算也初步实现，农业资源遥感监测计算效率得到整体的提高。
3 农业资源台账中遥感技术的应用潜力
3.1 遥感技术在农业资源清单获取中的应用潜力
随着遥感数据源、分类技术、计算技术的飞速发展，遥感技术在农业资源监测，尤其是在农业资源清单内容的获取中，已经开展了广泛应用。如农作物类型和种植面积[29,36,37,38]、长势和产量等农作物资源调查[31,32,39]，农业土地利用、面源污染和土壤养分等农业生产的农业用地资源调查[28,30,40,41,42,43]，干旱、洪涝、病害、低温冷冻灾害等种气象灾害的受灾面积和受灾情况[33,44,45,46,47,48,49]、土壤墒情和农作物生育期等影响农业生产的气候资源调查[50,51,52,53]，淡水水面、海水水面等影响水产养殖的水资源调查[54,55]，畜禽养殖设施和蔬菜设施面积等影响农业生产的社会经济资源调查等[56,57]。其中，一部分农业资源是采用遥感技术直接获取的，如农作物、农用地的类型和面积，另外一部分农业资源调查需要结合地面调查或统计数据等其他数据进行估计，如农作物长势、产量、气象灾害农作物受灾情况等。因此在农业资源台账的建设中，可以采用遥感技术以直接或间接的方式获取农业资源清单中部分重要农业资源的类型、数量和分布。
目前相对成熟的方案有大尺度区域的低空间分辨率高时效性、中尺度区域的中空间分辨率中时效性、局部区域的高或甚高空间分辨率低时效性等三个模式。大尺度区域低空间分辨率高时效性模式下的农业资源监测，可采用EOS/MODIS数据等低空间分辨率数据，以天、旬为频率，监测全球级、洲际或者国家级大尺度农作物长势、耕地土壤墒情和洪涝、旱灾等自然灾害的受灾面积等。中尺度区域中空间分辨率中时效性模式下的农业资源监测，可采用GF-6/WFV、Landsat-8 OLI等中空间分辨率数据，以季或年为时间频率，开展省级、国家级等尺度的大宗农作物种植面积、淡水面积监测等。局部区域甚高或高空间分辨率低时效性的农业资源监测，可采用GF-6/PMS、Sentinel-2、无人机数据等甚高或高空间分辨率数据，以年为时间频率，获取项目或者园区尺度的农业基础设施面积等。
随着多源遥感数据融合技术和高性能计算技术的提升，当前遥感数据源的时间频率、空间覆盖度潜力仍有较大的挖掘潜力，可以进一步提高遥感技术在农业资源清单获取中的应用。
3.2 遥感技术在农业资源评价中的应用潜力
开展农业资源评价是合理、高效、可持续利用的前提。农业资源评价的数据本底是农业资源清单，是目前遥感技术可以获取的内容。农业资源评价的过程则是基于农业资源清单获取的数据，从农业资源组分评价或者农业生态系统整体评价两个层次出发，采用科学的评价方法，对农业资源分布、利用的合理性或农业生态系统的可持续性做出评判，并指出预警、优化等措施，是目前遥感技术与资源评价方法相结合的内容。遥感技术对于农业资源评价的贡献主要表现在将农业资源评价的数据本底与评价过程空间化、连续化、定量化等方面。
从农业资源组分的评价来看，主要集中于农作物时空格局动态变化[58,59,60,61]、农作物种植结构演变与优化[62]、农业土地利用变化[63]和利用效率、多因子评价指数或模型构建等方面。如满卫东等关于东北地区耕地时空变化遥感分析的研究，在提取1990、2000、2013年东北地区耕地空间分布基础上，通过对比分析、景观质心平移度等方法，讨论了东北地区旱田和水田的变化特征，并分析了东北地区耕地变化的驱动因素[64]；又如徐涵秋等人基于遥感技术提出的遥感生态指数RSEI，耦合了植被指数、湿度分量、地表温度和土壤指数等4个评价指标以快速监测与评价区域生态质量[65]。从农业生态系统整体评价来看，遥感技术开展农业生态系统可持续评价的研究相对较少，处于起步阶段。具有代表性的研究如车涛等基于黑河遥感站大量的地面与遥感综合观测、构建了流域生态综合监测系统、集成了“水-土-气-生-人”复杂模型、建立了区域可持续发展决策支持系统等[66]。
随着遥感技术在农业资源清单数据质量，空间范围和时间频率等方面的提升，将有助于对单个或多个农业资源进行定量的评价，也更利于从区域农业生态系统出发，衡量该区域的可持续发展水平。除此之外，农业资源评价方法的研究逐渐完善，将为遥感技术在农业资源评价中的参数获取、指标计算等方法打通道路，进一步推动农业资源评价工作的发展。
4 展望
遥感技术在农业资源台账建设中的应用能力有显著提升。一是遥感技术监测的对象与监测内容逐渐完善，已经涵盖了主要的农业自然资源和社会经济资源。二是遥感技术满足农业资源台账及时更新的需求。原来需要一年或者若干年才能完成农业资源调查，目前在一年以内完成已成为可能；对于农作物长势、灾害等高频次、突发性的事件也具备及时监测的能力。
遥感技术在农业资源台账建设中的潜力尚有深入挖掘的空间。一是遥感技术本身仍有较大的挖掘空间。当前遥感数据的存储量巨大，对现有遥感数据的应用却不足十之二三，仍有大量的数据未被挖掘与利用，随着遥感数据应用规模的扩大与效率的提升，将推动农业资源遥感监测高精度、高时效的发展，助力农业资源台账建设与应用。二是遥感技术在农业中的应用将会更为广泛且深入。尽管当前遥感技术在农业领域已经开展了广泛的应用，并已经实现了业务化的运行，但仍存在许多待开发的方向，尤其是在农业资源整体评价与农业资源可持续方面有待探索与应用。
参考文献
[1] 张合成. 探索建立重要农业资源监测与管理制度. 中国农业资源与区划, 2016, 37(7): 1-3.
[2] 尤飞, 王欧, 栗欣如. 我国农业资源台账制度创设研究. 中国农业资源与区划, 2017, 38(12): 7-13.
[3] 农业农村部办公厅关于做好2018年国家重要农业资源台账制度建设工作的通知. 中华人民共和国农业农村部公报, 2018, (6): 26-8.
[4] 农业农村部发展规划司，中国农业科学院农业资源与农业区划研究所. 国家重要农业资源台账制度建设指南 [Z]. 2021
[5] 刘彦随, 张紫雯, 王介勇. 中国农业地域分异与现代农业区划方案. 地理学报, 2018, 73(2): 203-18.
[6] 陶红军, 陈体珠. 农业区划理论和实践研究文献综述. 中国农业资源与区划, 2014, 35(2): 59-66.
[7] 陈佑启, 邹金秋. 中国农业资源区划数据集. 中国科学数据(中英文网络版), 2018, 3(2): 22-31.
[8] 傅伯杰, 陈利顶, 马诚. 土地可持续利用评价的指标体系与方法. 自然资源学报, 1997, (2): 17+9+21+18+20+2-3.
[9] 高向军, 马仁会. 中国农用土地等级评价研究进展. 农业工程学报, 2002, (1): 165-8+2.
[10] 胡存智. 中国农用土地分等定级理论与方法研究——兼论《农用地分等规程》总体思路及技术方案设计. 中国土地科学, 2012, 26(3): 4-13.
[11] 王晓青, 史文娇, 邢晓旭, et al. 高标准农田建设适宜性评价、效益评价及影响因素解析的研究方法综述. 中国农学通报, 2019, 35(19): 131-42.
[12] 封志明, 郑海霞, 刘宝勤. 基于遗传投影寻踪模型的农业水资源利用效率综合评价. 农业工程学报, 2005, (3): 66-70.
[13] 雷波, 刘钰, 许迪, et al. 农业水资源利用效用评价研究进展. 水科学进展, 2009, 20(5): 732-8.
[14] JIN H, HUANG S. Are China's Water Resources for Agriculture Sustainable? Evidence from Hubei Province. Sustainability, 2021, 13(6).
[15] 孙进群, 雷娜. 我国农业资源评价与利用研究. 安徽农业科学, 2010, 38(36): 20899-901+905.
[16] 姜文来, 罗其友. 区域农业资源可持续利用系统评价模型. 经济地理, 2000, (3): 78-81.
[17] 孙炜琳, 王瑞波, 姜茜, et al. 农业绿色发展的内涵与评价研究. 中国农业资源与区划, 2019, 40(4): 14-21.
[18] 李奕志, 李立强, 孔祥斌, et al. 美国国家资源清单及其对中国耕地质量动态监测的启示. 中国土地科学, 2014, 28(7): 82-9.
[19] 赵慧敏, 林巧, 聂迎利, et al. 欧盟农业资源台账建设及对中国的启示. 农业展望, 2021, 17(10): 24-31.
[20] 聂迎利, 林巧, 王晶静, et al. 美国农业资源台账制度建设实践及对中国的启示. 农业展望, 2021, 17(10): 3-10.
[21] 杨友孝, 蔡运龙. 中国农村资源、环境与发展的可持续性评估——SEEA方法及其应用. 地理学报, 2000, (5): 596-606.
[22] 胡文龙, 史丹. 中国自然资源资产负债表框架体系研究——以SEEA2012、SNA2008和国家资产负债表为基础的一种思路. 中国人口·资源与环境, 2015, 25(8): 1-9.
[23] 罗其友, 马力阳, 高明杰, et al. 县域农业资源承载力评价预警系统构建初探. 中国农业资源与区划, 2018, 39(2): 1-7.
[24] 张华，等. 国家重要农业资源台账体系建设与应用研究 [M]. 北京: 中国农业科学技术出版社, 2020.
[25] RICHTER J. 'AGRISTARS': a new US satellite project. Span, 1981, 24(1): 38.
[26] PINTER P J, RITCHIE J C, HATFIELD J L, et al. The agricultural research service's remote sensing program: An example of interagency collaboration. Photogrammetric Engineering and Remote Sensing, 2003, 69(6): 615-8.
[27] 陈仲新, 任建强, 唐华俊, et al. 农业遥感研究应用进展与展望. 遥感学报, 2016, 20(5): 748-67.
[28] WEISS M, JACOB F, DUVEILLER G. Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 2020, 236.
[29] MOSLEH M K, HASSAN Q K, CHOWDHURY E H. Application of Remote Sensors in Mapping Rice Area and Forecasting Its Production: A Review. Sensors, 2015, 15(1): 769-91.
[30] 董金玮, 吴文斌, 黄健熙, et al. 农业土地利用遥感信息提取的研究进展与展望. 地球信息科学学报, 2020, 22(4): 772-83.
[31] 黄健熙, 武思杰, 刘兴权, et al. 基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测. 农业工程学报, 2012, 28(4): 142-8.
[32] 邹文涛, 吴炳方, 张淼, et al. 农作物长势综合监测——以印度为例. 遥感学报, 2015, 19(4): 539-49.
[33] 解文欢, 张有智, 刘述彬. 农业洪涝灾害研究进展. 中国农业资源与区划, 2020, 41(1): 204-11.
[34] 杨超, 邬国锋, 李清泉, et al. 植被遥感分类方法研究进展. 地理与地理信息科学, 2018, 34(4): 24-32.
[35] 刘洋, 刘荣高, 陈镜明, et al. 叶面积指数遥感反演研究进展与展望. 地球信息科学学报, 2013, 15(5): 734-43.
[36] KUSSUL N, LAVRENIUK M, SKAKUN S, et al. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. Ieee Geoscience and Remote Sensing Letters, 2017, 14(5): 778-82.
[37] 许青云, 杨贵军, 龙慧灵, et al. 基于MODISNDVI多年时序数据的农作物种植识别. 农业工程学报, 2014, 30(11): 134-44.
[38] 刘佳, 王利民, 杨福刚, et al. 基于HJ时间序列数据的农作物种植面积估算. 农业工程学报, 2015, 31(3): 199-206.
[39] KARTHIKEYAN L, CHAWLA I, MISHRA A K. A review of remote sensing applications in agriculture for food security: Crop growth and yield, irrigation, and crop losses. Journal of Hydrology, 2020, 586.
[40] 冯爱萍, 吴传庆, 王雪蕾, et al. 海河流域氮磷面源污染空间特征遥感解析. 中国环境科学, 2019, 39(7): 2999-3008.
[41] WANG G Q, LI J W, SUN W C, et al. Non-point source pollution risks in a drinking water protection zone based on remote sensing data embedded within a nutrient budget model. Water Research, 2019, 157: 238-46.
[42] 王祥峰, 蒙继华. 土壤养分遥感监测研究现状及展望. 遥感技术与应用, 2015, 30(6): 1033-41.
[43] CHENG Z Q, MENG J H, QIAO Y Y, et al. Preliminary Study of Soil Available Nutrient Simulation Using a Modified WOFOST Model and Time-Series Remote Sensing Observations. Remote Sensing, 2018, 10(1).
[44] WEST H, QUINN N, HORSWELL M. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities. Remote Sensing of Environment, 2019, 232.
[45] 黄友昕, 刘修国, 沈永林, et al. 农业干旱遥感监测指标及其适应性评价方法研究进展. 农业工程学报, 2015, 31(16): 186-95.
[46] 王利民, 刘佳, 邵杰, et al. 基于高光谱的春玉米大斑病害遥感监测指数选择. 农业工程学报, 2017, 33(5): 170-7.
[47] 张凝, 杨贵军, 赵春江, et al. 作物病虫害高光谱遥感进展与展望. 遥感学报, 2021, 25(1): 403-22.
[48] 曹娟, 张朝, 张亮亮, et al. 基于Google Earth Engine和作物模型快速评估低温冷害对大豆生产的影响. 地理学报, 2020, 75(9): 1879-92.
[49] SINGHA M, DONG J W, SARMAH S, et al. Identifying floods and flood-affected paddy rice fields in Bangladesh based on Sentinel-1 imagery and Google Earth Engine. Isprs Journal of Photogrammetry and Remote Sensing, 2020, 166: 278-93.
[50] ADAB H, MORBIDELLI R, SALTALIPPI C, et al. Machine Learning to Estimate Surface Soil Moisture from Remote Sensing Data. Water, 2020, 12(11).
[51] 李萍, 赵庚星, 高明秀, et al. 黄河三角洲土壤含水量状况的高光谱估测与遥感反演. 土壤学报, 2015, 52(6): 1262-72.
[52] 刘二华, 周广胜, 周莉, et al. 夏玉米不同生育期叶片和冠层含水量的遥感反演. 应用气象学报, 2020, 31(1): 52-62.
[53] CHEN Y, ZHANG Z, TAO F L, et al. Impacts of heat stress on leaf area index and growth duration of winter wheat in the North China Plain. Field Crops Research, 2018, 222: 230-7.
[54] SAITOH S I, MUGO R, RADIARTA I N, et al. Some operational uses of satellite remote sensing and marine GIS for sustainable fisheries and aquaculture. Ices Journal of Marine Science, 2011, 68(4): 687-95.
[55] 武易天, 陈甫, 马勇, et al. 基于Landsat8数据的近海养殖区自动提取方法研究. 国土资源遥感, 2018, 30(3): 96-105.
[56] 林俊杰, 曾悦, 陈建利. 基于遥感的龙岩市新罗区畜禽养殖场专题提取. 福州大学学报(自然科学版), 2011, 39(3): 380-4.
[57] 罗军, 潘瑜春, 王纪华, et al. 基于高分辨率遥感影像的设施农业资源信息采集技术研究. 地理与地理信息科学, 2007, (3): 51-4.
[58] ZHANG G L, XIAO X M, BIRADAR C M, et al. Spatiotemporal patterns of paddy rice croplands in China and India from 2000 to 2015. Science of the Total Environment, 2017, 579: 82-92.
[59] 吴文斌, 杨鹏, 李正国, et al. 农作物空间格局变化研究进展评述. 中国农业资源与区划, 2014, 35(1): 12-20.
[60] 王利民, 刘佳, 季富华, et al. 中国小麦面积种植结构时空动态变化分析. 中国农学通报, 2019, 35(18): 12-23.
[61] YANG Y J, REN W, TAO B, et al. Characterizing spatiotemporal patterns of crop phenology across North America during 2000-2016 using satellite imagery and agricultural survey data. Isprs Journal of Photogrammetry and Remote Sensing, 2020, 170: 156-73.
[62] 蒋凌霄, 安悦, 谭雪兰, et al. 近30年来长株潭地区农作物种植结构演变及优化对策. 经济地理, 2020, 40(1): 173-80.
[63] 汪滨, 张志强. 黄土高原典型流域退耕还林土地利用变化及其合理性评价. 农业工程学报, 2017, 33(7): 235-45+316.
[64] 满卫东, 王宗明, 刘明月, et al. 1990-2013年东北地区耕地时空变化遥感分析. 农业工程学报, 2016, 32(7): 1-10.
[65] 徐涵秋. 区域生态环境变化的遥感评价指数. 中国环境科学, 2013, 33(5): 889-97.
[66] 车涛,李弘毅,晋锐, et al.遥感综合观测与模型集成研究为黑河流域生态环境保护与可持续发展提供科技支撑.中国科学院院刊, 2020, 35(11): 1417-23.
热门排行
