面向精准农业的农田信息遥感获取系统

　　摘要：在精准农业的框架下，可以根据地块土壤、水肥、作物长势、产量等在时间与空间上的差异，来进行相适宜的变量管理。近15年来，遥感技术在精准农业领域开始发挥越来越大的作用，在指导农田灌溉、施肥、农作物收获及灾后损失评估等方面均取得了很多成功的应用。在长期研究的基础上，对面向农业生产管理过程优化的农田信息遥感获取技术进行了集成化开发，建成了“面向精准农业的农田信息遥感获取系统”，该系统以卫星遥感数据为主要数据源，具备遥感数据预处理、长势监测、单产预测、土壤养分监测、播种期与成熟期预测等功能，主要指标的预测与监测精度达到85%～90%，可在作物生育期连续提供定量化的农田空间差异信息，为农田播种、施肥、收割等生产管理活动的优化提供支撑。文章对该系统的结构、功能、模型方法以及应用案例进行了全面介绍，总结了系统特点，并对系统下一步发展需要解决的问题进行了展望。

　　关键词：精准农业，遥感，系统，设计与开发，监测方法

　　0引言

　　精准农业(precisionagriculture，precisionfarming，precisioncropmanagement)又称精细农业、精确农业、精准农作和处方农业。精准农业基于农田作物和环境的空间差异性，通过各种技术手段来获取农田内不同单元的农田信息，并由此利用变量技术来进行农田优化管理，以便实现生产过程精细化、准确化的农业经营管理系统［1］。鉴于我国及全球人口不断增长和土地资源减少的矛盾不可逆转，精准农业在减少投入、降低成本、减轻环境污染、农产品可控化、标准化和批量化等方面均有积极的作用和意义。

　　1系统结构功能设计

　　1．1需求分析

　　根据遥感技术、数据本身的特点，以及大田作物种植管理优化对农田空间差异信息的需求，系统应满足以下几个方面的要求。

　　数据选择:使用遥感数据开展面向精准农业的信息服务，首先就是要进行合理的数据选择，特别是遥感数据的分辨率。根据目标区域的农田景观与空间异质性，选择合适空间分辨率遥感数据开展监测，可以避免因选择数据空间分辨率过低而不能反映田块间或农田内部差异，或分辨率过高而使监测成本大幅上升的问题［10］。并可决定是否需要通过时空或光谱融合等技术手段来提供满足农田尺度动态监测需要的遥感数据［11］。

　　1．2结构功能设计

　　面向精准耕作的农田信息遥感获取系统构架如图1所示。

　　系统总体采用客户机/服务器模式(Client/Server，C/S)共存架构，逻辑上可分为4层:即数据层、数据处理层、参数反演层和专题应用层。

　　数据层:主要为农田信息遥感获取系统提供数据支持，主要包括:(1)多源遥感影像数据、基础地理信息数据、地面观测与验证数据及气象数据等;(2)支持用户管理和系统维护管理的用户数据、业务数据、日志数据、历史数据等数据。

　　2系统方法

　　从空间变异尺度分析、多源数据融合、作物参数反演、农田播种适宜性评估、作物长势评价、土壤养分状况遥感监测、作物成熟期预测以及作物单产估算等8个方面对系统所采用的方法进行详细的说明。

　　2．1农田空间变异尺度分析

　　系统通过空间异质性的量化来确定所需要遥感数据的空间分辨率。空间异质性是指区域化变量在不同空间位置上存在明显差异的属性，其包括空间结构和空间变异两方面的内容。空间异质性的定量描述是基于数据类型的，变异函数(或半方差函数)是刻画区域化变量的结构性和随机性的有效方法和手段之一［21］，因此我们选择变异函数来分析农田的空间变异尺度，变异函数定义为

　　γ(h)=12E［Z(x)－Z(x+h)］2

　　其中，γ(h)为变异函数;Z(x)为系统某属性Z在空间位置x处的值，Z(x+h)是Z在x+h处的值;E［Z(x)－Z(x+h)］2是抽样间隔为h时的样本值方差的数学期望。根据Nyquist-Shannon采样定理，当采样间隔小于权重变程的1/2时，则该景观的平均自相关范围将能被探测到［21，22］，也就是说该景观的空间异质性可以区分，因此可以作为遥感监测的空间分辨率要求。

　　2．2多源遥感数据融合

　　根据目前两类主流算法的特点与应用情况(基于变换的方法和基于像元重构)［23］，系统选择使用时空自适应性反射率融合模型(spatio-temporaladaptivereflectivityfusionmodel，STAＲFM)［24］及其改进模型［12］开展数据融合。STAＲFM方法的理论基础是在忽略空间定位误差与大气纠正误差的前提下，低分辨率遥感数据的像元值可以用同期高分辨率遥感数据像元值的面积比例的加权平均来计算，在权重计算上，由窗口中心的预测像元与窗口中其他像元(包括多时相数据)的光谱距离、时间距离与空间距离来决定，对包括作物生长在内的地表渐变过程有较好的应用。

　　2．3作物理化参数估算

　　选择作物叶面积指数、冠层叶绿素与水分含量3种生理、生化参数作为基本作物参数进行遥感估算。估算采用两种方法，一种是在有地面观测数据支持的情况下，开展所估算参数与对应敏感遥感指数的统计回归分析，建立统计回归模型，并利用模型进行估算［13，28］;另一种是利用作物冠层辐射传输模型，建立查找表，采取模型反演的方法进行估算［29］，物理模型采用PＲOSAIL前向模型，在分析生理、生化参数对模型的全局敏感性的基础上，基于查找表算法反演冠层叶面积指数与叶绿素含量。经验模型具有简单易用的特点，但需要地面观测数据做支撑;物理模型方面估算精度较稳定，但在运行时也需要收集一定数量的作物特性参数［30］。以LAI为例，统计模型的精度可以80%以上，机理模型的精度可以达到75%～80%［28］。

　　2．4农田播种适宜性评价

　　作物播种时需要适宜的温度、土壤湿度、日照时数和降水量等，在一些特定的地区，还需要考虑融冻层厚度是否满足作物生长的需求，因此首先需要进行农田环境信息的获取。这些环境信息中，对于土壤冻融状况，首先需要监测农田积雪融化状况，考虑到数据的可获得性与成本等问题，系统选择光学遥感中应用广泛的归一化积雪指数［31］(normalizeddifferencesnowindex，NDSI)，开展农田积雪融化顺序遥感监测［32］，在此基础上利用冻土和未冻土在介电常数上存在明显的差异［33］，在微波数据的支持下进行制图，并估算冻融层厚度。土壤湿度过低或过高都不利于作物出苗，而且土壤湿度过大时不利于大型机械进入农田播种，系统提供利用光学指数(nomalizeddifferencewaterindex，NDWI)和主动微波技术两种方法开展土壤表层含水量估算［34］。对于地表温度，由于所需尺度监测的对地观测数据多只具备一个热红外通道，因此提供单窗算法［35］的农田地表温度反演。

　　3系统实施

　　3．1系统开发平台搭建

　　系统基于局域网环境下的客户机/服务器模式(C/S结构)进行设计，采用IDL+ArcGISEngine+．NETFramework的模式进行开发平台搭建。IDL(interactivedatalanguage)是一种面向矩阵的新一代语言，提供了强大的数据处理能力，还为数据分析和结果的可视化提供了完整的编程环境，适合于遥感数据计算与可视化;ArcGISEngine是ESＲI在ArcGIS9版本才开始推出的新产品，矢量与栅格数据的显示及地图制作提供了方便的接口;C#是面向对象的编程语言，可以快速地编写各种基于Microsoft．Net平台的应用程序。IDL在界面设计开发方面明显不具备优势，而．NETFramework和ArcGISEngine恰好在界面设计方面的能力突出，因此，系统在实施过程中综合考虑各软件平台、开发语言的优缺点，取长补短。利用．NETFramework3．5和ArcGISEngine10．1搭建系统各功能模块界面，负责模型计算参数的设定以及计算结果包括矢量和栅格数据的显示，IDL语言实现具体功能算法，负责遥感影像运算及具体模块的算法运行，以C#做为系统界面与IDL处理算法及数据库的交互语言搭建了系统。

　　3．2系统实施

　　开发分模块进行，模块间保持高内聚、低耦合的关系。系统于2014年完成首版的开发，此后持续对新的数据和新的技术方法研究成果进行集成。

　　系统主界面如图2所示。系统服务器端采用SQLServer数据库。客户端应用系统通过ODBC进行数据库的访问，服务器端支持多用户访问。选择SQLServer主要是因为其安全、稳定、存储效率高，同时兼容性好，可运行于多种平台，易于操作和使用。

　　系统在开发完成后在Windows平台下运行，需要IDL运行时环境(IDLＲE)、ArcGISEngineＲuntime、．NetFramwork3种环境的支持。目前系统已经在黑龙江、山东、安徽等省进行了应用。

　　4系统特点

　　4．1技术原创性

　　系统所采用的监测技术多为自主研发，原创性地提出利用遥感技术评价农田播种适宜性并预测作物成熟期，在播种与收割2个环节，实现利用卫星遥感技术优化作业时间与作业顺序，拓展了遥感在精准农业领域的应用范围。

　　在其他几个传统应用专题上，也通过方法创新提高了监测能力。在农作物长势评估上，同时将作物生长的个体与群体特征考虑进来，进行农作物长势综合评价，同时考虑物候差异的影响，实现了长势监测与评估的物候修正;在农作物单产估算上，将光能利用率模型和作物模型进行耦合，在兼顾运行效率的同时提高了算法的可扩展性，并可更好地适应极端天气条件下的模型应用;在土壤速效养分遥感监测上，提出了将作物模型与时间序列遥感数据同化相结合实现土壤速效养分反演的新思路，解决了传统光谱特征手段难以解决的土壤速效养分获取难题。

　　4．2集成化

　　集成化是系统的主要特点之一。以往的农情遥感监测系统在部分数据处理环节上往往依赖一些遥感图像处理软件(如EＲDAS或ENVI)，在信息提取方面又依赖于一些地理信息系统软件(如ArcGIS)，这样就出现两个问题，一方面系统在使用时用户必须购买和安装这些系统，增加了系统的使用成本;另一方面也要求用户掌握(或部分掌握)这些软件的使用，提高了系统推广应用的技术门槛。

　　结论与展望

　　面向农业生产管理优化，以农业生产的主要管理环节为对象，研究团队对近10余年的研究成果进行了系统化集成，设计开发了面向精准农业的农田信息遥感获取系统。该系统以遥感数据为主要数据源，具体包括遥感数据分辨率需求分析、多源遥感数据融合、作物生理生化参数遥感估算、农田播种适宜性评价、作物长势评估、作物单产估算、土壤速效养分遥感监测、作物成熟期遥感预测。

　　参考文献

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

　　［2］蒙继华，吴炳方，李强子，等．农田农情参数遥感监测进展及应用展望［J］．遥感信息，2010(3):122-128

　　［3］李德仁．摄影测量与遥感的现状及发展趋势［J］．武汉测绘科技大学学报，2000，25(1):1-6

　　［4］杨邦杰，裴志远，周清波，等．我国农情遥感监测关键技术研究进展［J］．农业工程学报，2002，18(3):191-194

　　①蒙继华②程志强董文全徐晋王一明游行至

《面向精准农业的农田信息遥感获取系统》

上一篇：我国蔬菜无土栽培现状与发展趋势研究

下一篇：浅谈农业保险的重要性及存在问题与建议