农情监测与粮食安全密切相关，以往农作物的长势、环境、病虫害、灾情等相关数据和图像信息都是靠物联网硬件及县、镇、村等人力来完成，不仅要耗费大量人力、物力，而且数据时效性、准确性较差。珈和科技开发建设农情遥感监测系统，运用卫星遥感、大数据、物联网等技术，统览全国主粮作物分布地图，实现动态监测作物长势、作物成熟期、病虫害监测预警与产量预估，提升农业风险防范能力，有效保障了主粮作物丰产丰收。

珈和农情遥感监测系统主要面向农业农村管理和技术推广部门，围绕主粮农作物生长过程，使用卫星遥感等数据并结合 AI 分析建模，建设了农作物识别、成熟度预估、病虫害分析预警、产量预估、气象预测预警等模型，实现主粮生产的精准化监管。主要有以下功能：

一、作物分布地图

利用不同农作物和作物不同生长时期在遥感影像上所表现出来的光谱特征的差异来实现 ， 通过对遥感影像的深度学习，构建水稻、小麦、玉米等主要农作物识别模型。按照田块的耕种作物种类、耕种方向、行距垄距和图像纹理等特征，通过AI自动识别分散田块的分界线， 并对其进行精准划分和面积计算，实现对盐城市耕地主要农作物种类（水稻、小麦、玉米等）的精确识别和分类，计算和统计作物的实际种植面积及分布，形成主粮作物种植分布地图。

二、作物长势监测

利用卫星遥感反演（归一化植被指数，NDVI）技术开展农作物定期长势情况监控，支持水稻、小麦、玉米等作物田间长势持续监测和关键生长阶段的生 长状态监测。为实现对作物区域更精细化的监测，同时解决高时间分辨率难题，结合 Sentinel-2 数据，通过对植被指数、叶面蒸腾指数等多个参数的反演，获得作物长势的综合评估，系统提供分辨率优于10 m，每 8～15 d 更新一次的作物长势地图、当年轮播地图、长势趋势等内容。

三、作物成熟度预估

利用历史物候数据、历史气象数据、品种信息等，建立基于气象数据+生育期的不同品种成熟期预测模型。在采收季前，通过选择作物品种，将当年作物地块、播种时间、生育期有效积温、累计光照、降水等信息输入相应作物品种成熟期预测模型中，即可实现监测种植区域内作物的成熟面积、成熟度百分比及收获时间的预估，为适时收割提供建议与依据。

四、作物产量预估

建立“遥感+气象+作物模型 ”的精准产量预估模型，选用DSSAT 作物模型实现对水稻、小麦等主粮作 物的产量预估。通过输入当年气象数据，基于 DSSAT 作物模型计算出不同生长阶 段 的叶面积指数（LAI）。利用卫星遥感数据获取当年该地区实际的 LAI，利用实际的LAI 匹配DSSAT作物模型计算出的LAI，得出最符合 的种植情景，预估该情景下的作物产量，并在地图上自动展示全市不同地区不同作物产量预估结果。

五、作物病虫害监测

病虫害是农业生产过程中影响粮食产量和质量的重要生物灾害。目前，我国的作物病虫害监测方式以点状的地面调查为主，无法大面积、快速获取作物病虫害发生状况和空间分布信息，难以满足作物病虫害的大尺度科学监测和防控的需求。近年来，随着国内外卫星光谱、时间和空间分辨率的不断提升，利用遥感手段开展高效、无损的病虫害监测成为有效提升我国病虫害测报水平的重要手段 。

5.1高光谱卫星遥感监测植物病虫害研究

过往研究表明，卫星遥感数据与病虫害的发生机理存在必然关联性。因为植物的光学特征主要受到色素含量，冠层结构和水分含量等因素影响，不同种类的病虫害侵染植物时会使植物的色素含量降低，并引发细胞结构的变化或水分的流失。感染病虫害的植物会产生形态各异的症状和对应的光谱响应，其中能通过遥感传感器监测的作物病虫害可产生四种典型的症状：生物量与叶面积指数的减少，由病原侵染引发的病斑，色素系统的衰减和枯萎[1]。

根据已有研究成果，以四类代表性病虫害为例，并将其光谱响应的原始波段特征列于表 1.1。

高光谱传感器拥有数百个连续的波段，能够探测到植物从可见光到短波红外波段的光谱响应，目前已广泛应用于植物病虫害的光谱响应特征分析。Huang 等针对稻纵卷叶螟，基于叶片高光谱数据选取了 722–770 nm 等敏感波段[2]；Meng 等基于叶片高光谱数据，选取了 572 nm, 766 nm 和 1445 nm 等波段作为玉米南方锈病的敏感波段[3]。崔江南等基于番茄叶片高光谱图像，发现 707nm 和 870nm 等波段的反射率数据对番茄叶霉病敏感[4]；陆百慧基于玉米叶螨的叶片高光谱数据，发现575nm、716nm 和 1450nm 处的光谱反射率对虫害敏感[5]。

表1.1 病虫害光谱响应分析及优选得到的光谱特征

5.2 多光谱卫星遥感监测植物病虫害研究

随着遥感技术的发展，性能不断提升、波段设置不断优化、并具有较高时空分辨率的多光谱卫星具有较高的可获得性和较低的成本，使其成为能够支持虫害遥感监测实际应用的重要数据源。

如 Chen 等针对小麦条锈病，基于资源三号卫星影像计算了土壤调节植被指数（SAVI），调节三角形植被指数（MTVI）和归一化植被指数（NDVI）等特征，用于识别感染小麦条锈病的地块，病害识别模型的总体精度达到 94.80%[6]；Gu 等针对水稻胡麻叶斑病，基于无人机多光谱影像计算了可见光差异植被指数（VGVI）等特征，并基于此构建的病害严重度反演模型的 R2 可达到 0.93[7]；Abdullah 等比较了 Sentinel-2 和 Landsat-8 对云杉小蠹虫害的识别能力，发现基于 Sentinel-2 红边通道计算的红边归一化植被指数能有效地识别受害虫侵染的树木，在虫害早期阶段的识别率为 67%[8]。受到通道设置和分辨率差异等因素的影响，基于不同的传感器数据对同一病虫害的监测结果会出现差异。如 Sári-Barnácz 等比较了 Landsat-8 和 Sentinel-2 两种卫星传感器对玉米棉铃虫的监测能力，发现基于 Sentinel-2 影像数据计算的特征对虫害有更高的敏感性[9]。在开展针对特定类型病虫害的遥感监测应用时，有必要结合遥感传感器的通道设置和病虫害光谱响应特性，对其遥感监测的可行性

进行评估和分析，从而为病虫害遥感监测的发现、构建提供重要依据。Yuan 等通过模拟宽波段传感器数据和方差分析评估了宽波段传感器对三种小麦病虫害的区分能力，发现蓝、绿、红和红边通道对不同的小麦病虫害有较好的区分潜力[10]；Zheng 等针对小麦条锈病，基于 Sentinel-2 红边和红色通道的模拟数据构建了对条锈病敏感的红边病害胁迫指数（REDSI），建立了条锈病的监测模型，总体精度达到 84.1%[11]；Chemura 等针对咖啡叶片锈病，通过模拟的 Sentinel-2 数据选取了红边归一化植被指数等敏感特征，对病害的识别精度达到 82.5%[12]。

当前市场主流基于遥感信息的区域尺度作物病虫害监测以单一传感器源遥感影像数据为主，但在实际应用中，作物病虫害的发生范围和传播速度具有较大的随机性，而单一传感器受到分辨率、重访周期、覆盖范围以及天气等因素的限制，难以在较短的病虫害防治窗口期内获取全面的病虫情信息。因此，珈和科技充分考虑不同传感器的波段设置、尺度效应等引起的光谱信息差异，自研跨传感器通用的病虫害遥感监测技术，以及具有跨尺度迁移能力的病虫害遥感监测模型，有效综合多传感器遥感互补优势，进而实现大范围病虫害的精准监测，对指导病虫害科学绿色防控具有重要意义。

六、农业灾害监测预警

建立干旱、洪涝、低温冻害、高温热害、暴雨等农业重大自然灾害数据库，采用大数据分析等技术，建立不同灾害监测预警模型，提供快速、及时、准确的灾害监测预警服务，并对已发生的灾害进行作物受灾评估，为农业灾害应急处置提供决策支持。灾害预测预警模型分为 3 个层次，分别为基础气象预报模型、气象数据、灾害模型。基于基础气象预报模型，结合气象预报、气象监测、物候等数据，建设物候模型、灾害分析模型、灾害预警模型。

灾害监测预警模型见图1.2

七、发展与思考

我国是一个以农业为主的国家，农业发展对整个国家的社会建设以及整个国家的经济发展都有很大的影响。随着信息社会的快速发展，如何构建一个现代的农业发展体制，是目前中国农业界亟须解决问题。经过大量的实践表明，将卫星遥感技术运用到农业生产中，可以实现对农作物的每个生长阶段快速、精准、全面的监测和管理。通过使用卫星遥感技术，可以获得农作物的生长信息，进而对作物的色素、含水率、细胞结构、病虫害、长势、产量等信息进行精准监测与预判。

当前，中国的农业正在从传统的农业向现代化的转型，在农业生产向高质量、高效率的转型的背景下，对卫星遥感数据，特别是动态的、大规模的、快速的、实时的卫星遥感数据，提出了更高的要求。珈和科技将不断提升技术力量，在各个项目实践中不断进步，逐步完善不足之处，努力为我国农业发展提供更好的技术支撑，促进我国现代农业的创新发展。

参考文献

[1] Zhang J, Huang Y, Pu R, et al. Monitoring plant diseases and pests through remote sensing technology: Areview[J]. Computers and Electronics in Agriculture, 2019, 165: 104943.

[2] Huang J, Liao H, Zhu Y, et al. Hyperspectral detection of rice damaged by rice leaf folder (Cnaphalocrocis medinalis)[J]. Computers and Electronics in Agriculture, 2012, 82: 100-107.

[3] Meng R, Lv Z, Yan J, et al. Development of Spectral Disease Indices for Southern Corn Rust Detection and Severity Classification[J]. Remote Sensing, 2020, 12(19): 3233.

[4] 崔江南，付芸，赵森，等. 基于高光谱成像的番茄叶霉病的无损检测[J]. 长 春理工大学学报(自然科学版), 2022, 4(45): 65-71.

[5]陆百慧. 基于气象和遥感数据的吉林省玉米病虫害研究[D]. 长春：吉林大 学,2021.

[6] Chen D, Shi Y, Huang W, et al. Mapping wheat rust based on high spatial resolution satellite imagery[J]. Computers and Electronics in Agriculture, 2018, 152: 109-116.

[7] Gu C, Cheng T, Cai N, et al. Assessing narrow brown leaf spot severity and fungicide efficacy in rice using low altitude UAV imaging[J]. Ecological Informatics, 2023, 77: 102208.

[8] Abdullah H, Skidmore A K, Darvishzadeh R, et al. Sentinel-2 accurately maps green-attack stage of European spruce bark beetle (Ips typographus, L.) compared with Landsat-8[J]. Remote Sensing in Ecology and Conservation, 2019, 5(1): 87-106.

[9] Sári-Barnácz F E, Zalai M, Toepfer S, et al. Suitability of Satellite Imagery for Surveillance of Maize Ear Damage by Cotton Bollworm (Helicoverpa armigera) Larvae[J]. Remote Sensing, 2023, 15(23).

[10] Yuan L, Zhang H, Zhang Y, et al. Feasibility assessment of multi-spectral satellite sensors in monitoring and discriminating wheat diseases and insects[J]. Optik, 2017, 131: 598-608.

[11] Zheng Q, Huang W, Cui X, et al. New Spectral Index for Detecting Wheat Yellow Rust Using Sentinel-2 Multispectral Imagery[J]. Sensors, 2018, 18(3).

[12] Chemura A, Mutanga O, Dube T. Separability of coffee leaf rust infection levels with machine learning methods at Sentinel-2 MSI spectral resolutions[J]. Precision Agriculture, 2017, 18(5): 859-881.