朱少龍，張晉玉，晁毛妮，徐新娟，黃中文

（河南科技學(xué)院 農(nóng)學(xué)系/現(xiàn)代生物育種河南省協(xié)同創(chuàng)新中心，河南 新鄉(xiāng) 453003）

遙感技術(shù)廣泛應(yīng)用于農(nóng)業(yè)、軍事、地質(zhì)勘測(cè)、環(huán)境監(jiān)測(cè)等各個(gè)領(lǐng)域。其中，農(nóng)業(yè)是遙感技術(shù)最先投入應(yīng)用的領(lǐng)域，也是遙感技術(shù)應(yīng)用最廣泛、最成功的領(lǐng)域之一。雖然我國(guó)農(nóng)業(yè)遙感研究起步較晚，但經(jīng)過30多年的努力，我國(guó)農(nóng)業(yè)遙感技術(shù)突飛猛進(jìn)，在作物長(zhǎng)勢(shì)監(jiān)測(cè)、災(zāi)害監(jiān)測(cè)、作物產(chǎn)量估測(cè)等方面取得了顯著進(jìn)展。

1 作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)

作物長(zhǎng)勢(shì)反映了作物的生長(zhǎng)狀況，是農(nóng)情信息的重要組成部分。作物長(zhǎng)勢(shì)的準(zhǔn)確監(jiān)測(cè)可為生產(chǎn)者提供決策支持，并對(duì)保障糧食安全具有重要意義。作物長(zhǎng)勢(shì)參數(shù)有很多，其中葉綠素含量、葉面積指數(shù)、生物量、葉片含氮量是作物長(zhǎng)勢(shì)監(jiān)測(cè)的關(guān)鍵參數(shù)。

1.1 葉綠素含量遙感監(jiān)測(cè)

葉綠素含量是決定作物光合作用能力的重要生化指標(biāo)，也是評(píng)價(jià)作物脅迫、營(yíng)養(yǎng)狀況的良好指標(biāo)，因而可以利用植物葉片/冠層反射率對(duì)葉綠素的響應(yīng)來監(jiān)測(cè)作物光合作用。目前，葉綠素遙感監(jiān)測(cè)大多是通過建立植被指數(shù)或光譜參量與葉綠素含量的統(tǒng)計(jì)回歸關(guān)系來實(shí)現(xiàn)。其中，歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）最常被用來估測(cè)葉綠素含量。但單一的植被指數(shù)蘊(yùn)含信息不足，并且不同生育時(shí)期葉綠素敏感波段有差異，同一植被指數(shù)在作物的不同生育時(shí)期并不完全適用。例如宮兆寧等分別以紅邊位置（WP_r）和歸一化差值光譜指數(shù)（ND）構(gòu)建了蘆葦?shù)葷竦刂脖蝗~片葉綠素含量的一元線性模型，決定系數(shù)（R2）達(dá)到了0.8以上。而劉秀英等利用光譜特征參數(shù)、光譜指數(shù)以及原始光譜建立了玉米4個(gè)生育時(shí)期葉片葉綠素含量的反演模型，R2最高達(dá)到0.91。田明璐等實(shí)現(xiàn)了小麥返青期、拔節(jié)期、抽穗期、開花期、灌漿期以及全生育期的葉綠素反演，結(jié)果表明，基于單個(gè)生育時(shí)期構(gòu)建的反演模型預(yù)測(cè)精度高于全生育時(shí)期模型，多元模型預(yù)測(cè)精度高于一元模型。

雖然統(tǒng)計(jì)回歸方法預(yù)測(cè)精度較高，但農(nóng)田是一個(gè)復(fù)雜的認(rèn)知系統(tǒng)，統(tǒng)計(jì)模型方法的普適性較差。NEUWIRTHOVA等通過分析可見光、近紅外以及短波紅外的光譜發(fā)現(xiàn)，在可見光和近紅外區(qū)域出現(xiàn)葉片堆積，能夠削弱葉片葉綠素含量與選定植被指數(shù)之間的相關(guān)性。因此，如果使用植被指數(shù)來評(píng)估植物不同生育時(shí)期的生理狀況，必須考慮到葉片堆積可能造成的影響。KONG等研究表明，在估算葉片葉綠素含量的垂直分布時(shí)，必須考慮光在冠層的穿透特性。如何在保證精度的同時(shí)，找到具有普適性與可移植性的波段組合及光譜指數(shù)是統(tǒng)計(jì)模型探索的方向之一。

1.2 葉面積指數(shù)遙感監(jiān)測(cè)

作物葉面積指數(shù)（Leaf area index，LAI）遙感反演是當(dāng)前作物遙感監(jiān)測(cè)的熱點(diǎn)之一，尤其是無人駕駛飛行器（UAV）的遙感研究越來越受歡迎。YAO等利用UAV建立基于光譜指數(shù)的冬小麥LAI估測(cè)模型，該模型在冬小麥不同生長(zhǎng)階段、品種和生態(tài)位點(diǎn)下表現(xiàn)穩(wěn)定。CHENG等利用UAV高光譜數(shù)據(jù)結(jié)合PROSAIL模型實(shí)現(xiàn)了對(duì)水稻LAI、葉片葉綠素含量、冠層含水量和干物質(zhì)含量的無損檢測(cè)，所得R2分別為0.833、0.816、0.793和0.665。WANG等評(píng)估了支持向量回歸（Support vector regression，SVR）、隨機(jī)森林（Random forests，RF）、人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）和偏最小二乘回歸（Partial least-squares regression，PLSR）在水稻LAI估算中的表現(xiàn)，結(jié)果表明，基于一階導(dǎo)數(shù)比基于原始光譜建立的反演模型更準(zhǔn)確，ANN反演精度最好，均方根誤差（Root mean squard error，RMSE）值為0.67。不同遙感平臺(tái)估測(cè)作物L(fēng)AI都存在一定的優(yōu)劣性，因此在研究中可以結(jié)合不同平臺(tái)不同方法進(jìn)行多角度分析，以提高反演精度。ROTH等對(duì)比了基于UAV裝置和手持裝置預(yù)測(cè)的大豆LAI與破壞性測(cè)定的大豆LAI，所得R2分別為0.92與0.89。目前，作物L(fēng)AI遙感監(jiān)測(cè)不局限于小麥、玉米、水稻等大宗作物，也逐漸實(shí)現(xiàn)了甘蔗、棉花、油菜等的LAI遙感反演研究，表明我國(guó)農(nóng)業(yè)遙感監(jiān)測(cè)正在向多樣化發(fā)展。

1.3 生物量遙感監(jiān)測(cè)

生物量是作物生長(zhǎng)周期的一個(gè)重要生理參數(shù)，與作物產(chǎn)量關(guān)系密切。作物L(fēng)AI監(jiān)測(cè)方法也可以用來監(jiān)測(cè)生物量。YANG等建立了三河源頭地區(qū)草原生物量的BP神經(jīng)網(wǎng)絡(luò)和多元回歸模型，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)優(yōu)于多元回歸。YUE等以54個(gè)植被指數(shù)為自變量，對(duì)比了ANN、RF、PLSR等8種回歸方法的精確度，其中PLSR的精度最高。劉暢等提取了UAV影像的光譜和紋理信息，并針對(duì)植被指數(shù)易飽和現(xiàn)象，構(gòu)建了圖-譜融合指標(biāo)，使R2提高了10%以上。HAN等提出了一種新的極化水云模型（APWCM）代替目前常用的水云模型（WCM），結(jié)果表明，APWCM只在小麥生物量較高的地區(qū)估算效果較好。

1.4 氮素含量遙感監(jiān)測(cè)

氮素是對(duì)作物整個(gè)生育期影響最顯著的營(yíng)養(yǎng)元素，準(zhǔn)確及時(shí)地診斷作物氮素狀況對(duì)于氮肥管理具有重要意義。關(guān)于作物氮素含量的遙感監(jiān)測(cè)也有一些報(bào)道，ZHAO等分析了玉米冠層從可見光到近紅外的光譜反射率，利用直接法和間接法建立了玉米氮營(yíng)養(yǎng)指數(shù)（NNI）的預(yù)測(cè)模型，結(jié)果表明，直接建立冠層光譜和NNI的回歸模型實(shí)現(xiàn)簡(jiǎn)單且精度較高。CILIA等利用遙感圖像繪制了玉米田NNI預(yù)測(cè)圖，與實(shí)際所得NNI圖表現(xiàn)一致。LIU等和CAO等試驗(yàn)證明，利用葉綠素含量可以估算氮素狀態(tài)，從而開發(fā)了基于葉綠素估算水稻氮素的模型。

目前，研究者在作物葉綠素、LAI、生物量、氮素等方面都得到了較好的反演精度，但由于缺乏相關(guān)機(jī)制支撐，并且由于冠層光譜很容易受到冠層含水量、葉片含水量、雜草、土壤覆蓋度以及周圍環(huán)境等影響，導(dǎo)致有時(shí)選出的與目標(biāo)參數(shù)建立回歸關(guān)系的光譜波段不是適用于所有物質(zhì)的特征吸收波段，這可能是多種因素綜合造成。上述結(jié)果往往只適合研究者當(dāng)時(shí)的研究情況，很難在其他地點(diǎn)甚至在同一地點(diǎn)不同年份的作物上進(jìn)行推廣與應(yīng)用。因此，如何提取遙感數(shù)據(jù)的有用信息，剔除冗余甚至干擾信息是目前遙感反演的難點(diǎn)。

2 作物災(zāi)害遙感監(jiān)測(cè)

近年來，我國(guó)各地極端、異常氣候頻發(fā)，農(nóng)作物干旱、澇害、凍害、倒伏發(fā)生嚴(yán)重；病蟲害的發(fā)生和流行也呈現(xiàn)加重趨勢(shì)，對(duì)糧食安全生產(chǎn)構(gòu)成嚴(yán)重威脅。我國(guó)在大面積災(zāi)害監(jiān)測(cè)預(yù)報(bào)方面仍較薄弱，遙感技術(shù)為作物災(zāi)害監(jiān)測(cè)提供了寶貴的契機(jī)，能夠進(jìn)一步快速準(zhǔn)確了解作物災(zāi)害的發(fā)生狀況。

2.1 作物干旱遙感監(jiān)測(cè)

干旱是目前世界上最嚴(yán)重的自然威脅之一，由于近年來全球氣候的變化，干旱發(fā)生的頻率和強(qiáng)度可能會(huì)在未來幾年進(jìn)一步加劇。已有一些研究者對(duì)作物的干旱進(jìn)行了相關(guān)的遙感監(jiān)測(cè)，CHANG等分析了高分一號(hào)（GF-1）寬視野（Wide field of view，WFV）數(shù)據(jù)的光譜特征，建立了基于紅-近紅外光譜的改進(jìn)型垂直干旱指數(shù)（MPDI）模型，在試驗(yàn)點(diǎn)5個(gè)子區(qū)域中偏差的百分比在14.7%～21.8%，在整個(gè)研究區(qū)域性能評(píng)估的準(zhǔn)確率高于95%。ZHANG等提出了基于降水、蒸發(fā)蒸騰和土壤濕度修改的多變量標(biāo)準(zhǔn)化干旱指數(shù)（MMSDI），并將其與標(biāo)準(zhǔn)化土壤水分指數(shù)（SSMI）、變量標(biāo)準(zhǔn)化干旱指數(shù)（MSDI）進(jìn)行對(duì)比，結(jié)果表明，MMSDI能更加準(zhǔn)確地識(shí)別我國(guó)的干旱地區(qū)及干旱強(qiáng)度。ORTEGA-GOMEZ等對(duì)比了標(biāo)準(zhǔn)降水指數(shù)（SPI）、帕默爾干旱指數(shù)（PDSI）等5種干旱指數(shù)，表明單個(gè)指標(biāo)會(huì)造成顯著偏差，每個(gè)干旱指數(shù)的演變必須伴隨著空間分布的干旱圖，才能更好地了解當(dāng)?shù)氐母珊禒顩r及其演變方向。到目前為止，已被提出的干旱指數(shù)有100多個(gè)，這些指數(shù)分別被用于不同類型的干旱，包括氣象、農(nóng)業(yè)和水文干旱。對(duì)作物干旱的遙感監(jiān)測(cè)表現(xiàn)在干旱指數(shù)的探索與改進(jìn)，而且隨著遙感數(shù)據(jù)源分辨率的提高和訪問周期的縮短，以及多元遙感數(shù)據(jù)的融合，其結(jié)果的準(zhǔn)確性與時(shí)效性也會(huì)顯著提升。

2.2 作物凍害遙感監(jiān)測(cè)

近幾年，我國(guó)對(duì)作物凍害遙感監(jiān)測(cè)的研究較少，主要是因?yàn)槠渚哂型话l(fā)性和不可預(yù)見性，且凍害不僅與氣溫有關(guān)，也與作物生育時(shí)期有關(guān)，對(duì)作物凍害實(shí)時(shí)監(jiān)測(cè)較困難。凍害能夠引起作物發(fā)生一系列變化，例如葉片含水量、葉綠素含量、光合速率、紅邊位置等發(fā)生變化。李軍玲等基于環(huán)境1號(hào)（HJ-1A）數(shù)據(jù)分析了河南省林州市冬小麥凍害的發(fā)生過程，并利用藍(lán)邊面積（SDb）與紅邊面積（SDr）建立了冬小麥凍害監(jiān)測(cè)模型，但結(jié)果與實(shí)際凍害分布情況相差較大。SHE等根據(jù)中等分辨率成像光譜儀（MODIS）和中等分辨率成像頻譜儀（MERIS）數(shù)據(jù)研究了油菜的光合速率、LAI等多個(gè)指標(biāo)，發(fā)現(xiàn)光化學(xué)反射指數(shù)（PRI）對(duì)冷凍脅迫反應(yīng)強(qiáng)烈，而葉綠素指數(shù)（MTCI）幾乎不受凍害影響。小麥?zhǔn)鞘澜缟献钪匾募Z食作物，同時(shí)小麥倒春寒又是最典型的凍害類型之一，因此應(yīng)加緊對(duì)作物，尤其是小麥的凍害監(jiān)測(cè)研究。

2.3 作物病蟲害遙感監(jiān)測(cè)

不同病蟲害對(duì)農(nóng)作物的主要影響不同（葉綠素、水分含量和形態(tài)結(jié)構(gòu)等），因此在對(duì)作物病蟲害進(jìn)行遙感監(jiān)測(cè)的時(shí)候，需要通過不同的波段組合檢測(cè)不同的疾病。目前，國(guó)內(nèi)外學(xué)者已經(jīng)分析篩選出小麥銹病、小麥白粉病、棉花蚜蟲、棉花黃萎病、稻縱卷葉螟、大豆胞囊線蟲和猝死綜合征等作物病蟲害類型的光譜敏感波段以及識(shí)別模型。在果蔬方面，PINEDA通過多色熒光成像和熱成像，研究了西葫蘆軟腐病和白粉病引發(fā)的葉片代謝變化，并以ANN、邏輯回歸分析和支持向量機(jī)（SVM）作為分類器，準(zhǔn)確區(qū)分了健康和受感染的葉片。AL-SADDIK等研究發(fā)現(xiàn)，基于紅綠藍(lán)（RGB）數(shù)字圖像和高光譜反射數(shù)據(jù)并結(jié)合葉片反射率（PROSPECT）模型和神經(jīng)網(wǎng)絡(luò)識(shí)別模型對(duì)葡萄幼樹衰退病和黃化識(shí)別的準(zhǔn)確度達(dá)到99%。隨著機(jī)器學(xué)習(xí)的發(fā)展，基于圖像的深度學(xué)習(xí)在作物病蟲害監(jiān)測(cè)中也表現(xiàn)出獨(dú)特的優(yōu)勢(shì)。DUARTE-CARVAJALINO等利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）、SVM、多層感知機(jī)（Multi-layer perceptron，MLP）、RF對(duì)馬鈴薯晚疫病的嚴(yán)重程度進(jìn)行定量預(yù)測(cè)，結(jié)果表明，CNN、RF、MLP預(yù)測(cè)準(zhǔn)確度優(yōu)于SVM。遙感檢測(cè)作物病蟲害的挑戰(zhàn)之一是“異病同譜”，這是由于有些病蟲害的發(fā)生所引起的表征十分相似，會(huì)造成遙感識(shí)別的精度大大降低，因此需要更多的研究進(jìn)行評(píng)估，使用更先進(jìn)的成像系統(tǒng)和圖像處理技術(shù)來區(qū)分難以檢測(cè)的作物疾病或其他脅迫。

當(dāng)前，機(jī)載和星載圖像雖已成功應(yīng)用于作物災(zāi)害監(jiān)測(cè)，但要及早發(fā)現(xiàn)災(zāi)害仍非常困難。在多數(shù)情況下，當(dāng)作物的脅迫癥狀可以在遙感上檢測(cè)到圖像時(shí)，災(zāi)害就已經(jīng)對(duì)作物造成了嚴(yán)重的破壞。對(duì)于一些病蟲害來說，遙感監(jiān)測(cè)結(jié)果具有一定價(jià)值，能夠通過對(duì)受災(zāi)作物采取有效的控制措施來盡量減少損害。但對(duì)于其他災(zāi)害來說，得到遙感監(jiān)測(cè)結(jié)果后再進(jìn)行糾正，可能為時(shí)已晚。實(shí)際上，遙感圖像主要用于評(píng)估災(zāi)害造成損害的程度和強(qiáng)度，并且是一種具有成本效益的工具。

3 作物產(chǎn)量遙感估測(cè)

在未來幾十年中，作物產(chǎn)量必須大幅增加才能夠滿足全球人口增長(zhǎng)所產(chǎn)生的糧食需求。但全球的糧食生產(chǎn)受到可使用土地面積和水資源的限制，因此，需要以統(tǒng)一和透明的方式量化現(xiàn)有農(nóng)田的糧食生產(chǎn)能力，以便為土地有效利用政策的開發(fā)和投資決策信息的提出奠定基礎(chǔ)。農(nóng)業(yè)遙感技術(shù)具有宏觀、快速、準(zhǔn)確等優(yōu)點(diǎn)，已被廣泛應(yīng)用于各種作物的產(chǎn)量估測(cè)。例如GONG等根據(jù)UAV圖像的冠層反射率計(jì)算了幾種被廣泛使用的植被指數(shù)，并基于圖像和端元光譜的混合分析估算了不同氮處理下油菜的產(chǎn)量，所得估算誤差小于13%。BELLAKANJI等提出了一種將農(nóng)業(yè)氣象（SAFY）模型與光學(xué)SPOT衛(wèi)星數(shù)據(jù)相結(jié)合的方法，用以估計(jì)研究作物的總產(chǎn)量，結(jié)果表明該方法的準(zhǔn)確度明顯提高。HE等結(jié)合陸地衛(wèi)星（Landsat）和MODIS數(shù)據(jù)實(shí)現(xiàn)了對(duì)大麥、玉米、冬小麥等7種作物的產(chǎn)量估測(cè)，而估測(cè)的作物產(chǎn)量結(jié)果與農(nóng)業(yè)部報(bào)告的作物生產(chǎn)數(shù)據(jù)之間的相關(guān)系數(shù)為0.96，RMSE值為37%。王麗媛等利用遙感數(shù)據(jù)與作物模型同化（PCSE/WOFOST）方法，實(shí)現(xiàn)了對(duì)江蘇省冬小麥的遙感估產(chǎn)，同化后產(chǎn)量的RMSE值降低了76%，使冬小麥產(chǎn)量估測(cè)精度顯著提高。隨著計(jì)算機(jī)技術(shù)的發(fā)展，同化方法逐漸展示出經(jīng)驗(yàn)統(tǒng)計(jì)方法所不具備的獨(dú)特優(yōu)勢(shì)，遙感數(shù)據(jù)結(jié)合作物生長(zhǎng)模型將成為未來遙感估產(chǎn)的研究方向之一。

4 遙感監(jiān)測(cè)模型

4.1 作物反演方法

回歸模型是定量遙感的重要內(nèi)容之一，其主要研究各變量之間線性或非線性的關(guān)系，建立回歸方程，用于預(yù)測(cè)未知樣本。傳統(tǒng)回歸模型有一元線性回歸、多元線性回歸、偏最小二乘回歸、主成分回歸、嶺回歸等。隨著計(jì)算機(jī)的發(fā)展，機(jī)器學(xué)習(xí)方法在遙感反演上的應(yīng)用越來越廣泛，包括ANN、決策樹（DT）、SVR、RF等。機(jī)器學(xué)習(xí)在處理非線性問題上表現(xiàn)優(yōu)異，尤其是ANN，雖然每次建立模型都會(huì)產(chǎn)生不同的預(yù)測(cè)結(jié)果，但正因?yàn)槿绱?，才使其具有更加廣闊的進(jìn)步空間。目前，傳統(tǒng)的回歸模型與機(jī)器學(xué)習(xí)方法孰優(yōu)孰劣，不同研究人員的認(rèn)定結(jié)果不同，還需要進(jìn)一步的探索。

物理模型通過考慮葉片結(jié)構(gòu)以及光照與大氣、作物之間相互作用的輻射傳輸機(jī)制，能夠詳細(xì)描述光在葉片內(nèi)部的傳輸過程。可分為幾何光學(xué)模型、輻射傳輸模型、計(jì)算機(jī)模擬模型、混合模型4種。其中，輻射傳輸模型應(yīng)用最廣泛，典型的輻射傳輸模型有植被冠層反射率（SAIL）模型、雙層冠層反射率（ACRM）模型和PROSPECT模型。LI等結(jié)合連續(xù)小波變換（CWT）與PROSPECT模型對(duì)小麥、水稻干物質(zhì)積累與含水量進(jìn)行反演研究，結(jié)果表明，耦合后的PROCWT方法較傳統(tǒng)物理模型反演精度有較大提升。

經(jīng)驗(yàn)統(tǒng)計(jì)模型較其他模型在大多數(shù)研究結(jié)果中的反演精度較高，JAY等對(duì)比了基于植被指數(shù)的經(jīng)驗(yàn)統(tǒng)計(jì)模型和PROSAIL模型對(duì)甜菜的LAI、葉片含氮量以及葉綠素的遙感估測(cè)，結(jié)果表明，經(jīng)驗(yàn)統(tǒng)計(jì)模型優(yōu)于物理模型。但經(jīng)驗(yàn)統(tǒng)計(jì)模型缺少可移植性和魯棒性，只是建立數(shù)學(xué)及統(tǒng)計(jì)上的聯(lián)系，難以作出物理解釋。而物理模型缺點(diǎn)是需要輸入?yún)?shù)較多，如土壤背景反射率、太陽高度角、單葉片反射率、透射率、平均葉傾角、LAI等，同時(shí)模型較復(fù)雜。結(jié)合經(jīng)驗(yàn)統(tǒng)計(jì)模型和物理模型的混合模型是未來遙感反演探索的方向之一。

4.2 作物識(shí)別方法

作物識(shí)別方法一般用于作物種類識(shí)別、面積制圖、病蟲災(zāi)害識(shí)別等。作物識(shí)別分為無監(jiān)督模式（K均值聚類分析、系統(tǒng)聚類分析、自組織神經(jīng)網(wǎng)絡(luò)等）、有監(jiān)督模式（Fisher判別、SVM、ANN等）以及越來越受關(guān)注的半監(jiān)督模式。其中，YU等提出一種無監(jiān)督卷積特征融合網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)遙感圖像的高效分類，僅需幾層網(wǎng)絡(luò)就能獲得與深度網(wǎng)絡(luò)相當(dāng)甚至更好的結(jié)果。ZHENG等提出一種新的多光譜指數(shù)-紅邊疾病應(yīng)激指數(shù)(REDSI)，結(jié)合RF鑒別了冬小麥黃銹病的不同感染程度，準(zhǔn)確度可達(dá)84.1%，kappa系數(shù)為0.76。隨著人工智能的發(fā)展，基于遙感圖像的計(jì)算機(jī)視覺與深度學(xué)習(xí)的學(xué)科交叉方法已成為目前農(nóng)業(yè)遙感識(shí)別最熱門的方向之一。

5 展望

經(jīng)過幾十年的發(fā)展，我國(guó)遙感技術(shù)逐漸成熟，但仍停留在科學(xué)研究層面，與指導(dǎo)生產(chǎn)、服務(wù)決策等目標(biāo)仍有較遠(yuǎn)距離。我國(guó)目前的農(nóng)業(yè)生產(chǎn)模式以個(gè)體化為主，農(nóng)田信息復(fù)雜，從而大大制約了遙感技術(shù)的普及應(yīng)用。因此，實(shí)現(xiàn)農(nóng)業(yè)規(guī)模化生產(chǎn)，并充分利用遙感技術(shù)在農(nóng)業(yè)方面的優(yōu)勢(shì)，對(duì)我國(guó)精準(zhǔn)農(nóng)業(yè)及農(nóng)業(yè)可持續(xù)發(fā)展具有深遠(yuǎn)意義。

此外，具有成本效益的UAV正成為眾多應(yīng)用研究人員的常用工具之一，也是當(dāng)前現(xiàn)代化農(nóng)業(yè)發(fā)展的熱門話題之一。UAV綜合了地面遙感精度高和航天遙感范圍廣的優(yōu)點(diǎn)，但其續(xù)航能力和有效載荷有限，會(huì)導(dǎo)致信息獲取受限。與此同時(shí)，由UAV獲取的遙感圖像紋理失真較大，對(duì)特征的提取較為困難。因此，未來要加緊對(duì)農(nóng)用UAV的開發(fā)研究。

地理空間人工智能是一門新興的學(xué)科，其結(jié)合了空間科學(xué)、機(jī)器學(xué)習(xí)中的人工智能方法、數(shù)據(jù)挖掘和高性能計(jì)算，可從空間大數(shù)據(jù)中提取知識(shí)。新的學(xué)科推動(dòng)了農(nóng)田信息的持續(xù)獲取、快速提取、處理分析、決策規(guī)劃、資源管理、共享等各個(gè)方面的發(fā)展，地理空間人工智能是遙感技術(shù)未來的發(fā)展方向之一。