随着高光谱遥感技术的迅速发展，它已经能够准确、快速地提供各种地面遥感数据。农业遥感要求农业资源监测应用和管理有效地结合起来，这就要求在作物长势监测、灾害预测、产量估产以及精准农业管理等方面有更好和更高精度的技术，高光谱遥感技术在很大程度上正好满足了该技术的需求。目前，高光谱遥感技术在农业遥感应用中的研究取得了较大进展，主要研究包括以下7个方面：
(1)作物叶片光谱特征研究；
(2)作物分类与识别；
(3)作物生态物理参数反演与提取；
(4)作物养分诊断与监测研究；
(5)作物长势监测与产量预测；
(6)农业遥感信息模型研究；
(7)农业灾害监测。
05 作物长势监测与产量预测
作物长势监测
作物长势是作物生长发育状况评价的综合参数，长势监测是对作物苗情、生长状况与变化的宏观监测。构建时空信息辅助下的高光谱遥感信息与作物生理特性及作物长势之间的关系模型便于作物长势监测，高光谱监测作物长势可分为植被指数以及结合GIS技术动态监测等方法。
高光谱遥感可以利用植被指数（NDVI、DVI等）进行农田地表覆盖类型分类和作物长势监测分析。例如，可以利用高光谱数据，通过分析NDVI和DVI，建立农田区域性覆盖指数模型，反映出区域性作物覆盖分异状况和随季节变化规律[7]。此外，海量高光谱遥感数据，结合GIS技术、GPS技术、网络技术和计算机技术，建立服务于农业领域的农情监测系统，对作物长势实现动态的监测，对农情灾害以及粮食产量进行快速预报和准确评估。
中科谱光农林业高光谱监测图示
作物产量预测
作物高光谱遥感产量预测是通过搭载在卫星上的高光谱遥感器，来获取作物各生长时期光谱特征数据，对其反映的产量进行预测。多数研究集中于作物种植面积遥感预测和单产预测。作物种植面积遥感预测算法分为直接算法和间接算法两种。直接算法一般是通过建立作物指数与面积之间回归模型进行求解；而间接算法是利用绿度-麦土比模式求出麦土比值作为已知值，然后利用土地面积乘上已知值求解作物种植面积[8]。吴炳方[9]早在1995年采用多光谱TM遥感数据提取了江汉平原水稻种植面积，预测了水稻种植面积变化趋势，为今后高光谱估算作物种植面积研究做了铺垫。
基于光谱指数NDVI的冬小麦叶面积监测
单产预测是以作物生长状况在高光谱遥感光谱特征中得到表征为理论支撑的。基于作物各生长期不同植被指数组合方法开展产量估算是Z为常见的方法。
(左)利用NDVI预测小麦产量在不同时间同一地区预测小麦产量;(右)植被生长状况判断图
06 农业遥感信息模型研究
农业遥感信息模型是应用遥感信息和地理信息影像化的方法，集成农学模型、数理模型和地学模型建立起来的一种模型。常见的农业遥感信息模型包括土壤含水量遥感信息模型、作物旱灾估算遥感信息模型等。
当前，基于多光谱遥感数据源为主流的遥感信息模型在农业领域已经取得了较好的应用效果。鉴于高光谱数据昂贵价格以及数据处理复杂性，这方面研究较少，但是随着高光谱遥感数据的迅猛发展，基于高光谱的遥感信息模型将会在农业应用中大有作为。
07 农业灾害监测
目前，遥感农业灾害监测已经广泛用于农业干旱监测、病虫害监测等多方面。高光谱遥感的高光谱分辨率、大面积同步观测等特点为区域性农业灾害监测与评估带来了福音。
农业干旱监测
干旱是一种潜在的自然现象，它的发生过程复杂，通常表现为一种变化缓慢的自然灾害，至今干旱还没有一个统一的定义。常用的遥感农业干旱监测方法分为植被指数-地表温度法、热惯量法等。植被指数－地表温度法是综合利用可见光、近红外和热红外波段信息提取表征农业干旱的生态物理参数如植被指数、地表温度等，构建这些参数组成的光谱特征空间模型监测干旱，其中Sandholt[10]提出的温度植被干旱指数（TVDI）就是基于此方法构建的。刘良云、张兵等[11-12]利用OMIS图像数据中8个热红外波段和归一化发射率反演地表温度（LST），以高光谱导数植被指数（DVI）表征植被覆盖度，在DVI-LST二维空间中反映了地物覆盖度和水分含量差异（如下图）：土壤含水量较低、需要灌溉的旺盛小麦地和稀疏小麦地位于DVI-LST三角形右侧；而水分充足、生长旺盛的小麦位于三角形左侧。植被指数－地表温度法虽然简单、灵活，但是经验性太强，监测精度受到一定的限制。
地物在 DVI-LST 散点图中的映射图
农业病虫害监测
高光谱遥感特有的光谱匹配和光谱微分技术使其在农业病虫害监测中得到研究者的青睐。其中，基于波谱波长位置变量分析方法是农业病虫害监测的主要方法，国内外许多学者基于高光谱影像分析了作物病害光谱响应，利用红边参数、迭代自组织、二项式分析等方法开展了小麦等作物条锈病光谱信息探测与识别研究，病虫害识别效果较好。随着海量高光谱遥感数据的获取，区域性农业病虫害监测研究也越来越完善。
不同时期高光谱图像监测的病害指数分布图
中科谱光便携式农作物智能监测仪（HS-VN1000CB）
文章参考内容来源于网络及发表文献及图书，部分参考文献陈列于文章末尾，其余内容如有侵权，请及时联系我们予以删除。
参考文献
[7] Yang C G, Everitt J H, Bradford J M. Airborne hyperspectral imagery and linear spectral unmixing for mapping variation in crop yield[J]. Precision Agriculture, 2007, 8(6)：279-296．
[8] 白丽, 王进, 蒋桂英．高光谱分辨率遥感技术在农作 物估产中的研究现状与发展趋势[J]．现代化农业, 2006, (1)：30-33．
[9] 吴炳方．水稻种植面积的运行化遥感方法[M]．武汉：武汉大学出版社, 1995：107-108．
[10] Sandholt I, Rasmussen K, Andersen J.A simple interpretation of the surface temperature- vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment，2002，79：213-224．
[11] 刘良云．高光谱遥感在精准农业中的应用研究[R]．中国科学院遥感应用研究所博士后出站报告，2002：5-32．
[12] 刘良云，张兵，郑兰芬，等．利用温度和植被指数进行306农业工程学报2008年地物分类和土壤水分反演[J]．红外与毫米波学报，2002，21(4)：269-273．
报价：面议已咨询 7249次
报价：面议已咨询 8018次
报价：面议已咨询 6180次
报价：面议已咨询 6094次
报价：面议已咨询 6124次
报价：面议已咨询 6245次
报价：面议已咨询 6868次
①本文由仪器网入驻的作者或注册的会员撰写并发布，观点仅代表作者本人，不代表仪器网立场。若内容侵犯到您的合法权益，请及时告诉,我们立即通知作者，并马上删除。
③本网转载并注明来源的作品，目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品来源，并自负版权等法律责任。