摘要：在精準農業的框架下，可以根據地塊土壤、水肥、作物長勢、產量等在時間與空間上的差異，來進行相適宜的變量管理。近15年來，遙感技術在精準農業領域開始發揮越來越大的作用，在指導農田灌溉、施肥、農作物收獲及災后損失評估等方面均取得了很多成功的應用。在長期研究的基礎上，對面向農業生產管理過程優化的農田信息遙感獲取技術進行了集成化開發，建成了“面向精準農業的農田信息遙感獲取系統”，該系統以衛星遙感數據為主要數據源，具備遙感數據預處理、長勢監測、單產預測、土壤養分監測、播種期與成熟期預測等功能，主要指標的預測與監測精度達到85%～90%，可在作物生育期連續提供定量化的農田空間差異信息，為農田播種、施肥、收割等生產管理活動的優化提供支撐。文章對該系統的結構、功能、模型方法以及應用案例進行了全面介紹，總結了系統特點，并對系統下一步發展需要解決的問題進行了展望。

　　關鍵詞：精準農業，遙感，系統，設計與開發，監測方法

　　0引言

　　精準農業(precisionagriculture，precisionfarming，precisioncropmanagement)又稱精細農業、精確農業、精準農作和處方農業。精準農業基于農田作物和環境的空間差異性，通過各種技術手段來獲取農田內不同單元的農田信息，并由此利用變量技術來進行農田優化管理，以便實現生產過程精細化、準確化的農業經營管理系統［1］。鑒于我國及全球人口不斷增長和土地資源減少的矛盾不可逆轉，精準農業在減少投入、降低成本、減輕環境污染、農產品可控化、標準化和批量化等方面均有積極的作用和意義。

　　1系統結構功能設計

　　1．1需求分析

　　根據遙感技術、數據本身的特點，以及大田作物種植管理優化對農田空間差異信息的需求，系統應滿足以下幾個方面的要求。

　　數據選擇:使用遙感數據開展面向精準農業的信息服務，首先就是要進行合理的數據選擇，特別是遙感數據的分辨率。根據目標區域的農田景觀與空間異質性，選擇合適空間分辨率遙感數據開展監測，可以避免因選擇數據空間分辨率過低而不能反映田塊間或農田內部差異，或分辨率過高而使監測成本大幅上升的問題［10］。并可決定是否需要通過時空或光譜融合等技術手段來提供滿足農田尺度動態監測需要的遙感數據［11］。

　　1．2結構功能設計

　　面向精準耕作的農田信息遙感獲取系統構架如圖1所示。

　　系統總體采用客戶機/服務器模式(Client/Server，C/S)共存架構，邏輯上可分為4層:即數據層、數據處理層、參數反演層和專題應用層。

　　數據層:主要為農田信息遙感獲取系統提供數據支持，主要包括:(1)多源遙感影像數據、基礎地理信息數據、地面觀測與驗證數據及氣象數據等;(2)支持用戶管理和系統維護管理的用戶數據、業務數據、日志數據、歷史數據等數據。

　　2系統方法

　　從空間變異尺度分析、多源數據融合、作物參數反演、農田播種適宜性評估、作物長勢評價、土壤養分狀況遙感監測、作物成熟期預測以及作物單產估算等8個方面對系統所采用的方法進行詳細的說明。

　　2．1農田空間變異尺度分析

　　系統通過空間異質性的量化來確定所需要遙感數據的空間分辨率。空間異質性是指區域化變量在不同空間位置上存在明顯差異的屬性，其包括空間結構和空間變異兩方面的內容。空間異質性的定量描述是基于數據類型的，變異函數(或半方差函數)是刻畫區域化變量的結構性和隨機性的有效方法和手段之一［21］，因此我們選擇變異函數來分析農田的空間變異尺度，變異函數定義為

　　γ(h)=12E［Z(x)－Z(x+h)］2

　　其中，γ(h)為變異函數;Z(x)為系統某屬性Z在空間位置x處的值，Z(x+h)是Z在x+h處的值;E［Z(x)－Z(x+h)］2是抽樣間隔為h時的樣本值方差的數學期望。根據Nyquist-Shannon采樣定理，當采樣間隔小于權重變程的1/2時，則該景觀的平均自相關范圍將能被探測到［21，22］，也就是說該景觀的空間異質性可以區分，因此可以作為遙感監測的空間分辨率要求。

　　2．2多源遙感數據融合

　　根據目前兩類主流算法的特點與應用情況(基于變換的方法和基于像元重構)［23］，系統選擇使用時空自適應性反射率融合模型(spatio-temporaladaptivereflectivityfusionmodel，STAＲFM)［24］及其改進模型［12］開展數據融合。STAＲFM方法的理論基礎是在忽略空間定位誤差與大氣糾正誤差的前提下，低分辨率遙感數據的像元值可以用同期高分辨率遙感數據像元值的面積比例的加權平均來計算，在權重計算上，由窗口中心的預測像元與窗口中其他像元(包括多時相數據)的光譜距離、時間距離與空間距離來決定，對包括作物生長在內的地表漸變過程有較好的應用。

　　2．3作物理化參數估算

　　選擇作物葉面積指數、冠層葉綠素與水分含量3種生理、生化參數作為基本作物參數進行遙感估算。估算采用兩種方法，一種是在有地面觀測數據支持的情況下，開展所估算參數與對應敏感遙感指數的統計回歸分析，建立統計回歸模型，并利用模型進行估算［13，28］;另一種是利用作物冠層輻射傳輸模型，建立查找表，采取模型反演的方法進行估算［29］，物理模型采用PＲOSAIL前向模型，在分析生理、生化參數對模型的全局敏感性的基礎上，基于查找表算法反演冠層葉面積指數與葉綠素含量。經驗模型具有簡單易用的特點，但需要地面觀測數據做支撐;物理模型方面估算精度較穩定，但在運行時也需要收集一定數量的作物特性參數［30］。以LAI為例，統計模型的精度可以80%以上，機理模型的精度可以達到75%～80%［28］。

　　2．4農田播種適宜性評價

　　作物播種時需要適宜的溫度、土壤濕度、日照時數和降水量等，在一些特定的地區，還需要考慮融凍層厚度是否滿足作物生長的需求，因此首先需要進行農田環境信息的獲取。這些環境信息中，對于土壤凍融狀況，首先需要監測農田積雪融化狀況，考慮到數據的可獲得性與成本等問題，系統選擇光學遙感中應用廣泛的歸一化積雪指數［31］(normalizeddifferencesnowindex，NDSI)，開展農田積雪融化順序遙感監測［32］，在此基礎上利用凍土和未凍土在介電常數上存在明顯的差異［33］，在微波數據的支持下進行制圖，并估算凍融層厚度。土壤濕度過低或過高都不利于作物出苗，而且土壤濕度過大時不利于大型機械進入農田播種，系統提供利用光學指數(nomalizeddifferencewaterindex，NDWI)和主動微波技術兩種方法開展土壤表層含水量估算［34］。對于地表溫度，由于所需尺度監測的對地觀測數據多只具備一個熱紅外通道，因此提供單窗算法［35］的農田地表溫度反演。

　　3系統實施

　　3．1系統開發平臺搭建

　　系統基于局域網環境下的客戶機/服務器模式(C/S結構)進行設計，采用IDL+ArcGISEngine+．NETFramework的模式進行開發平臺搭建。IDL(interactivedatalanguage)是一種面向矩陣的新一代語言，提供了強大的數據處理能力，還為數據分析和結果的可視化提供了完整的編程環境，適合于遙感數據計算與可視化;ArcGISEngine是ESＲI在ArcGIS9版本才開始推出的新產品，矢量與柵格數據的顯示及地圖制作提供了方便的接口;C#是面向對象的編程語言，可以快速地編寫各種基于Microsoft．Net平臺的應用程序。IDL在界面設計開發方面明顯不具備優勢，而．NETFramework和ArcGISEngine恰好在界面設計方面的能力突出，因此，系統在實施過程中綜合考慮各軟件平臺、開發語言的優缺點，取長補短。利用．NETFramework3．5和ArcGISEngine10．1搭建系統各功能模塊界面，負責模型計算參數的設定以及計算結果包括矢量和柵格數據的顯示，IDL語言實現具體功能算法，負責遙感影像運算及具體模塊的算法運行，以C#做為系統界面與IDL處理算法及數據庫的交互語言搭建了系統。

　　3．2系統實施

　　開發分模塊進行，模塊間保持高內聚、低耦合的關系。系統于2014年完成首版的開發，此后持續對新的數據和新的技術方法研究成果進行集成。

　　系統主界面如圖2所示。系統服務器端采用SQLServer數據庫。客戶端應用系統通過ODBC進行數據庫的訪問，服務器端支持多用戶訪問。選擇SQLServer主要是因為其安全、穩定、存儲效率高，同時兼容性好，可運行于多種平臺，易于操作和使用。

　　系統在開發完成后在Windows平臺下運行，需要IDL運行時環境(IDLＲE)、ArcGISEngineＲuntime、．NetFramwork3種環境的支持。目前系統已經在黑龍江、山東、安徽等省進行了應用。

　　4系統特點

　　4．1技術原創性

　　系統所采用的監測技術多為自主研發，原創性地提出利用遙感技術評價農田播種適宜性并預測作物成熟期，在播種與收割2個環節，實現利用衛星遙感技術優化作業時間與作業順序，拓展了遙感在精準農業領域的應用范圍。

　　在其他幾個傳統應用專題上，也通過方法創新提高了監測能力。在農作物長勢評估上，同時將作物生長的個體與群體特征考慮進來，進行農作物長勢綜合評價，同時考慮物候差異的影響，實現了長勢監測與評估的物候修正;在農作物單產估算上，將光能利用率模型和作物模型進行耦合，在兼顧運行效率的同時提高了算法的可擴展性，并可更好地適應極端天氣條件下的模型應用;在土壤速效養分遙感監測上，提出了將作物模型與時間序列遙感數據同化相結合實現土壤速效養分反演的新思路，解決了傳統光譜特征手段難以解決的土壤速效養分獲取難題。

　　4．2集成化

　　集成化是系統的主要特點之一。以往的農情遙感監測系統在部分數據處理環節上往往依賴一些遙感圖像處理軟件(如EＲDAS或ENVI)，在信息提取方面又依賴于一些地理信息系統軟件(如ArcGIS)，這樣就出現兩個問題，一方面系統在使用時用戶必須購買和安裝這些系統，增加了系統的使用成本;另一方面也要求用戶掌握(或部分掌握)這些軟件的使用，提高了系統推廣應用的技術門檻。

　　結論與展望

　　面向農業生產管理優化，以農業生產的主要管理環節為對象，研究團隊對近10余年的研究成果進行了系統化集成，設計開發了面向精準農業的農田信息遙感獲取系統。該系統以遙感數據為主要數據源，具體包括遙感數據分辨率需求分析、多源遙感數據融合、作物生理生化參數遙感估算、農田播種適宜性評價、作物長勢評估、作物單產估算、土壤速效養分遙感監測、作物成熟期遙感預測。

　　參考文獻

　　［1］ZhangNQ，WangMH，WangN．Precisionagriculture:aworldwideoverview［J］．ComputersandElectronicsinAgriculture，2002，36(2-3):113-132

　　［2］蒙繼華，吳炳方，李強子，等．農田農情參數遙感監測進展及應用展望［J］．遙感信息，2010(3):122-128

　　［3］李德仁．攝影測量與遙感的現狀及發展趨勢［J］．武漢測繪科技大學學報，2000，25(1):1-6

　　［4］楊邦杰，裴志遠，周清波，等．我國農情遙感監測關鍵技術研究進展［J］．農業工程學報，2002，18(3):191-194

　　①蒙繼華②程志強董文全徐晉王一明游行至