虽久未更新，但本文依旧延续以前叙述风格，即以通俗易懂方式描述关键问题。
本文章节安排如下：

1. 简述背景；
2. 介绍在农业领域的主要应用技术的关键问题；
3. 总结和实例介绍。

1 背景描述-何为遥感图像？

一般来说，利用天上卫星或地面无人机，雷达等设备获取的数据，多是图像形式，即通过一系列手段获取的图像、非图像数据。在这些数据基本上进一步地进行不同角度的处理和信息提取就组成了各种不同方向的应用。
在实际层面应用中可在水利，林业，农业，土地资源调查，环境保护，自然灾害评估，考古，城市规划等众多领域进行广泛应用。

2 在农业方面应用

2.1 农作物范围识别技术的关键问题

从遥感技术诞生之日起，就应用到了农业领域，其中最主要的是获取农作物的种植面积空间分布，以评估农作物产量，如今随着各种更高空间、时间分辨率卫星/无人机数据在各行业的应用，其在农业领域中的应用也有了很大扩展，如土地利用变化检测，病虫害评估，农作物长势，作物干旱检测，作物营养状态评估等。
从技术角度而言，就地物分类和地表参数反演两大类技术，其中地物分类技术主要用于获取农作物或耕地的空间范围，在其基础上进一步进行长势，病虫害，以及营养状态等定量研究。
不论进行何种应用，其农作物/耕地范围的识别总是第一步，范围识别问题即转为分类问题，对于分类问题的关键点有两方面，分别是：

1. 分类算法:

用于分类的算法有：支持向量机，神经网络，随机森林以及目前火热的深度学习技术。不论何种分类技术，其目的都是一致的。

2. 用于分类的特征

对于深度学习技术，其特征的提取是自动提取的抽象特征，其人为操作多在网络结构的设计，超参数的调整，以及损失函数的设计优化等，对于深度学习技术而言，其人工设计的特征较少，其重点不在于人工的设计特征，但也有些文献，研究将设计的植被指数特征、纹理特征放入网络进行训练。
对于机器学习而言：如神经网络，随机森林等基于结构化样本进行训练并预测的模型，其重点就在于人工设计的特征的好坏(不论是基于像元分类的技术，还是面向对象分类的技术，其重点都是特征的设计，故有些文章称机器学习算法就是特征工程)，而对于遥感图像而言，其应用较多的特征有：原始光谱特征，在原始光谱特征上进行特征工程进一步得到的各种植被指数特征(植被指数特征太多了，多到难以总结，根据读者反馈，若有需要可写一篇针对植被指数的文章)，以及根据不同角度定义的各种纹理特征，如常用的在灰度共生矩阵基础上获取的均值，对比度等纹理特征。对于一般的地物分类而言，设计这些特征就足够，但对于农作物/耕地等具有季节性变化的范围区域还不够，还需要增加时序特征，时序特征的获取一般可在上述特征的时间维度进行分析，如在植被指数基础上根据曲线的变化可获取到农作物的关键物候特征，如出苗期，收获期等，也在直接的时间维度上取平均值，方差等组成新的特征。
总之，对于深度学习技术，其关键不在于特征的设计，对于机器学习技术，其特征设计的角度有：植被指数特征，纹理特征以及时序特征。对于不同特征的具有生成技术，此文不描述，如有需要，后文增加。
上述描述的是农作物/耕地等范围识别中分类部分的关键点，对于不同数据本身，如多光谱，高光谱数据，还另外有不同的数据处理逻辑，如对多光谱而来一般是配套的全色数据，是否需要在分类之前进行多光谱和全色数据融合？如果涉及到多源数据，是否需要不同数据之间的配准，镶嵌，匀色？对于高光谱来说，是否需要对原始的光谱特征进行特征提取或特征选择以降低计算成本？…等等，不同情况涉及的问题不一，其解决方案也不一样。
结果多年的研究，如今网络上存在多种开源的分类数据集，其中基本上都有耕地的分类类别，目前玉米，小麦和水稻等农作物的大范围高空间分辨率数据集也可在网络上获取，以关键词“土地利用数据集”搜索即可。
在上述开源数据集的基础上，可进行深入研究或产品的应用。
在获取农作物面积空间分布之后，即可进一步研究农作物的种植结构的变化，农作物范围时空的变化检测以及相应的定量研究的应用。

2.2 农作物长势，病虫害，估产等定量应用

目前在遥感领域，农作物分类的高层次研究逐渐向深度学习靠拢，因为传统方式的研究路线卷成麻花了。在农业定量遥感领域也有了较多扩展，如作物叶面积反演，土壤水分检测，作物营养状态评价，作物胁迫检测等等，都与农作物的生长状态和产量都密不可分的联系和关联。
就其研究技术而言，主要就是数据之间的回归拟合模型的建立，其关键点也有二，分别是：

1. 回归模型

对于定量遥感，其回归模型应用较多的是线性回归，多项式回归，以及岭回归，逐步回归等传统统计学模型，应用较多，模型较为稳定，近年来，机器学习相关的模型，如随机森林，神经网络回归也有众多利用，其精度较高，但一般时空泛化性较差，模型在应用到不同区域上时，表现往往不如传统统计学模型。

2. 自变量如何获取？

类似在分类中需要获取相应的特征，在回归任务中也需要获取特征(此时一般称为自变量较多)用于建立回归模型，自变量的确定往往是在原始光谱特征和植被指数特征的基础上深入的研究各种不同变量和因变量之间的关系，常对特征进行差分，滤波，倒数计算，比值计算等多种组合，以期从中获取相应的自变量用于建模。
对于农作物不同的定量遥感研究，可转为回归建模任务，即将问题转为回归模型的确定，和自变量获取两个关键步骤。

3 总结和实例介绍

上述从农作物/耕地范围识别用到的分类技术，以及在范围识别基础上进行的一系列的定量遥感研究所用到的回归技术的关键问题进行了简要描述，在了解其关键问题之后便了解了其处理的关键流程，相关技术的细节问题便可进行针对性的网络查询。
在了解遥感在农业领域的技术应用后，还有一个关键的问题需要解决，即遥感数据从何处来？如何获取？是否免费？
目前常用的卫星遥感数据源有：

国外：sentinel-1/2 ，modis，landsat系列，
国内：资源环境系列和高分系列数据等

对于国外的数据，一般需要科学上网才能获取，具有较高的使用门槛，对于国内的数据，目前国内有一些较好的卫星数据提供商和解决方案提供商，推荐使用：星图地球今日影像 (geovisearth.com)，平台上数据大多免费下载，下载方便，还经常搞活动。
对于遥感技术在农业上的直观感性理解可参考：农业全产业链信息化-数字地球开放平台 (geovisearth.com)
网站从农产品种植，生产，加工等全流程都提供了较为不错的解决方案。
考虑到，目前研究农业较为火热，后续会继续从以下角度对遥感技术在农业的技术应用进行分享：
农作物/分类中，特征的设计问题；
病虫害，农作物长势等定量遥感问题中，自变量的获取问题；
若涉及到多源数据，如何进行处理的问题；
高光谱数据的降维降噪问题
若有其他角度，欢迎补充
另：小编了解到目前在很多平台对于遥感领域的知识分享还较为欠缺，小编打算在2024年中，为大家在遥感领域科普和技术领域进行知识分享，从以下方面进行知识的分享，以公开或付费形式(搬砖也要吃饭，时间成本问题)，如
行业内好的书籍分享，将延续在校期间开设的<一小时读懂一本书>专栏，以总结形式，快速过一遍专业书籍的主要知识点；
机器学习相关的专栏分享；
深度学习相关的专栏分享；
考虑目前职场需要，补充空间数据库方面的知识分享；
提供论文复现的指导等
如有补充，建议和需要等，欢迎评论，不过小编忙于搬砖，若有事咨询请尽量以付费方式，以避免消耗彼此时间。