本书主要介绍多源遥感技术在农作物监测中的理论、方法和应用。全书共7章，1～5章主要介绍多源遥感理论和方法，包括农作物遥感的基础理论、影像融合技术、农作物遥感监测数据获取与处理和农作物参数反演建模。6～7章以冬油菜遥感监测应用为例，综合运用地面光谱、无人机和卫星遥感数据，实现冬油菜关键生育期长势参数的反演、冬油菜的识别和估产。 本书可供农业遥感、多源遥感数据分析、精准农业等领域的研究人员及高等院校研究生和本科生阅读参考。

第1章绪论
　　20世纪50年代，欧美与苏联冷战时期，各国大力发展卫星侦察技术。而后在1972年，第一颗用于地球资源观测的技术卫星ERTS-1（EarthResources Technological Satellite-1，现称作Landsat-1）成功发射，其搭载的多光谱扫描系统（multispectralscannersystem，MSS）传感器能采集覆盖全球的多光谱数据，这标志着利用现代遥感技术对地观测的开端。随着航空航天、人造卫星、遥控遥测等技术迅速发展，各种对地观测卫星为城市、森林、农业、海洋、国土资源、生态环境等领域提供了海量的遥感数据。近十年来，在轨和计划发射的卫星数量与日俱增，小星座和无人机等新平台成熟化应用，使全球每天采集的遥感数据量呈指数级增长（廖小罕等，2019；林宗坚等，2011）。虽然遥感数据的可用性越来越高，但是不同传感器的工作模式、数据性质、数量和质量等存在差异，给遥感数据的有效和高效处理带来了挑战（Ghamisi et al.，2019；Yokoya et al.，2018）。各种遥感数据的预处理与精处理、特征提取与目标识别、语义与非语义信息的提取、信息融合与集成，以及空间数据挖掘与知识发现等，本就是十分复杂的反演问题（李德仁，2011）。如今到了大数据时代，数据挖掘（data mining）、机器学习（machine learning）和云计算（cloud computation）应在遥感数据处理中发挥重要作用（李德仁，2019）。
　　农业为人类生存提供食物、纤维、燃料和原材料等，在环境和气候变化加剧、庞大的人口规模仍呈增加趋势的背景下，保持农业活动的可行性和持续性成为确保人类生计的首要问题。遥感技术能助推传统农业变革来应对这一重大挑战。作为各类农业从业者的决策工具，遥感技术已经成为提升与改造现代农业的主要手段。应用遥感技术对农田进行周期性重复观测，可为农作物识别、作物长势监测、农田墒情预测、农作物估产、作物育种、农田生态评估、农田灾害预警等提供不同尺度的信息（Weissetal.，2020）。人口增长对作物产量需求的增加，气候变化导致农业灾害频发，农作物品种退化、农产品质量安全等众多问题相继出现，人们对农业精细化管理的需求也日益迫切，为此需要遥感技术快速准确地定量化估计农学参数（Ennourietal.，2019）。但是在农田环境的复杂性和人为活动的影响下，采用单一的遥感数据反演农作物参数或农田要素的结果的精度和准确性通常存在很大的不确定性。基于多源数据的优势互补原则，将各种时空分辨率和光谱分辨率不同的遥感信息融合以获得更高时空精细度的数据，可以提高农作物识别和参数估计的精度（Mulla，2013）。
　　1.1农作物遥感概述
　　农作物遥感监测是为了获得与生长有关的作物个体和作物群体的性状和特征。对于作物群体而言，还希望从遥感中获取水、肥、气、热等重要的农田环境因素信息，但是并非所有因素都能直接通过反演得到（Weiss et al.，2020）。作物个体的株高、叶面积、叶绿素含量、氮含量、水分含量等通常被认为是可以通过摄影测量或光谱反演的变量。作物群体的冠层结构、叶面积指数、物质组成和水分含量，地表温度及土壤湿度直接参与辐射传输过程，因此冠层植被指数、色素含量、水分含量、地表温度、土壤湿度等也可以直接反演得到。但是，作物产量、蒸散量等不仅取决于上述多个因素，而且还受水肥供给、气候条件、作物品种等影响，因此这些指标一般不能利用光谱信息直接反演得到。作物产量和蒸散量多采用多因素统计建模或机理模型来间接估计，它们是遥感间接估计量。遥感数据的空间分辨率和光谱分辨率会影响上述作物性状和特征反演的准确性。一般农作物生长具有周期性，覆盖种植季节的遥感数据既能用来分析关键生育期作物的生长状况，又能用来分析整个生命期作物生长的动态变化和趋势。因此，遥感数据的时间分辨率（重访周期）对监测农作物同样具有重要意义。无论是作物个体的表型特征，还是作物群体的平均变化量，良好的空间分辨率、高时间分辨率和足够的光谱信息都显得至关重要。
　　20世纪后期，对地观测遥感数据的空间分辨率和光谱分辨率较低，主要用于中大尺度的作物长势、干旱评估和大面积估产。以陆地卫星Landsat的专题制图仪（thematicmapper，TM）采集的多光谱数据为典型代表，在美国、欧洲等国家和地区，遥感数据主要用于小麦、玉米、大豆等主要农作物种植面积和产量的估测，为大范围农业管理提供了准确的宏观信息。大量的研究和应用已经证明利用可见光和近红外波段的各种植被指数能反演作物的叶面积指数（leafareaindex，LAI）、叶绿素含量（leaf chlorophyll content，LCC）、光合有效辐射（photosynthetically active radiation，PAR）、地上部分生物量（above-groundbiomass，AGB）等重要的农学参数（Din et al.，2019；Liu et al.，2019；Xie et al.，2019；Yanetal.，2019；Li et al.，2015；Hamblin et al.，2014）。
　　随着传感器技术的发展，借助星载高光谱成像仪和短周期中低轨卫星平台，遥感数据的光谱分辨率、空间分辨率和时间分辨率也在不断提高。例如，欧洲空间局哨兵系列二号星座（Sentinel-2A/B）能提供空间分辨率为10m的多光谱数据，双星组合将重访周期缩短到5天。但是光学遥感容易受到天气条件的影响，农田管理也需要发现作物更精细的变化，融合不同来源[例如光学和合成孔径雷达（syntheticapertureradar，SAR）]的遥感数据能解决此类问题。例如，Amorós-López等（2013）利用具有不同特征的Landsat/TM和Envisat/MERIS传感器的时间序列数据，生成了具有高时间分辨率的影像，以获得准确的作物类型和物候信息。Salehi等（2017）采用了多时相的RapidEye多光谱数据和Radarsat-2雷达数据识别作物类型，准确率达95%。作物的物候信息对农场管理和生产力评估至关重要，融合光学遥感数据和SAR数据能构建完整的逐日时序数据。Yang等（2017）基于蒙特卡罗的特征筛选方法用149个SAR特征和光学植被指数（vegetation indices，VIs）构造了时序数据，成功标记了水稻的6种不同物候和生长阶段。多源化的遥感数据融合能够衍生出丰富的农作物生长和环境信息，成为农业遥感发展的主要方向。
　　使用多源遥感数据可以减少天气的影响，发现作物的精细变化，还能反演得到比单一数据来源手段更丰富的农学参数。但是农作物生长是在多种环境条件、作物品种特性和管理措施等综合影响下的动态过程，生长过程的复杂性使得单纯依靠遥感反演作物生长过程困难重重（Bargiel，2017）。另外，气候和作物品种往往决定作物的生长趋势，仅依靠有限的农学参数是无法准确研判的（Jinetal.，2018）。遥感是获取大面积地表信息*有效的手段，而作物生长模型能够实现单点尺度上作物生长发育的动态模拟，可对作物长势及产量变化提供内在的机理解释。遥感信息和作物生长模型的数据同化有效结合了二者优势，在农业监测与预报上具有巨大的应用潜力（黄健熙等，2018）。因此，将气候气象、作物品种、土壤环境、农田管理等方面的辅助信息输入作物生长的生理生化过程模拟模型中，然后在同化遥感反演结果（通常是LAI）的基础上驱动生长模型，得到作物生物量、氮营养状况、叶面积指数等的逐日模拟结果，并获得准确的物候期结果（Huangetal.，2019）。例如，Urban等（2018）将MODIS提取的增强植被指数（enhanced vegetation index，EVI）、GOME-2提取的太阳诱导叶绿素荧光，以及QuickSCAT的Ku波段数据融合到作物冠层季节性模型中，用于估计美国艾奥瓦州小麦和大豆的播种日期。现有作物生长模型同化遥感数据的复杂性日益增加，显著提升了计算需求，高性能的并行算法和处理能力成为模型同化方法应用的主要瓶颈（Wuetal.，2021）。但是，无论是在遥感数据反演还是模型同化方面，都已经研发了许多有价值的技术。要使作物生长建模和遥感数据同化在各种尺度上得到普遍的应用，还必须解决融合数据的可用性和准确性，以及数据与模型和用户需求之间不匹配的问题（Dorigo et al.，2007）。目前普遍的解决方案主要是采用整合不同空间分辨率、时间分辨率、光谱分辨率和角度分辨率的影像，融合光学数据和不同来源（如激光探测及测距系统和雷达/微波）的数据。
　　1.2多源遥感数据类型
　　多源遥感数据是综合利用多种谱段、多种模式、多种视角、多种周期的遥感数据，从其中提取时间-空间-光谱维度上的综合特征，实现目标参数的精确反演。遥感可利用波长0.4～14μm的电磁波：在可见光和近红外波段（0.4～2.5μm），电磁波以地物反射太阳辐射过程为主；在中红外波段（3～5μm），电磁波既包括地表反射太阳辐射，也包括地物自身辐射部分；在热红外波段（8～14μm），电磁波基本上是地物自身辐射能量。从可见光到热红外波段，主要采用光学成像方式，由透镜成像、分光机构和不同波段的敏感光电耦合元器件共同完成。经过数十年的发展，新的光栅分光技术和先进的电荷耦合器件（charge-coupleddevice，CCD）材料与制造技术使得遥感数据的光谱分辨率和空间分辨率不断提高，国际上典型的对地观测卫星搭载的传感器的性能都有了极大的提升，具体参数见表1.1。为了缩短重复观测的周期，满足获取目标时效性的要求，科学家提出发展卫星星座及组网技术，利用多颗卫星组成星座，大大缩短重访时间。比如，法国的SPOT-6/7组成双星星座，能间隔1～2天对同一地点进行观测，而其多光谱数据的空间分辨率高达6m。Sentinel-2A/B双星重访周期为5天，尽管分辨率为10m，但其宽视场成像技术能保证大范围的农田监测。我国在遥感观测卫星技术上取得了举世瞩目的成绩，无论是种类还是数量都已经跃居世界前列。2010年我国高分辨率对地观测计划与星座系统开始实施建设，其搭载的各类传感器能采集高中低空间分辨率的多光谱数据、高光谱数据和微波雷达数据。在重访周期方面，高分一号和高分二号卫星均能够采集4～5天间隔的多光谱数据，其空间分辨率优于8m（表1.2），数据时空融合将能获得高质量的作物时序信息。高分四号静止轨道卫星的空间分辨率为50m。预计2030年实现138颗

目　录
第1章　绪论　1　
1.1　农作物遥感概述　1　
1.2　多源遥感数据类型　3　
1.3　多源遥感数据融合　7　
参考文献　9　
第2章　农作物遥感基础　13　
2.1　农作物遥感基本原理　13　
2.1.1　植被冠层辐射传输　13　
2.1.2　光谱特征　14　
2.1.3　时序遥感　14　
2.1.4　多角度遥感　15　
2.2　植被光谱特征和冠层光谱特征　15　
2.2.1　植被光谱特征　16　
2.2.2　冠层光谱特征　19　
2.3　农作物生理生化指标　23　
2.3.1　植被指数　23　
2.3.2　叶面积指数　27　
2.3.3　叶绿素含量　28　
2.3.4　吸收光合有效辐射比　28　
2.3.5　生物量　29　
2.3.6　含水量　30　
2.4　时序遥感数据应用　31　
2.4.1　农作物长势监测　31　
2.4.2　农作物类型识别和种植面积提取　32　
参考文献　33　
第3章　影像融合技术　38　
3.1　影像融合概述　38　
3.1.1　影像融合概念　38　
3.1.2　影像融合方法和过程　38　
3.1.3　影像融合的遥感应用　39　
3.2　影像融合分类　41　
3.2.1　像素级影像融合　41　
3.2.2　特征级影像融合　42　
3.2.3　决策级影像融合　42　
3.3　空间域影像融合方法　43　
3.3.1　Brovey变换融合方法　44　
3.3.2　分块替代融合方法　44　
3.3.3　基于引导滤波的影像融合方法　45　
3.4　变换域影像融合方法　46　
3.4.1　离散小波变换融合方法　46　
3.4.2　Curvelet变换融合方法　47　
3.4.3　非下采样Contourlet变换融合方法　52　
3.4.4　混合式影像融合方法　56　
3.5　基于深度学习的影像融合技术　57　
3.5.1　深度学习　57　
3.5.2　人工神经网络　58　
3.5.3　卷积神经网络　64　
3.6　融合评价　73　
3.6.1　有参考影像融合评价　73　
3.6.2　无参考影像融合评价　74　
参考文献　75　
第4章　农作物遥感监测数据获取与处理　80　
4.1　遥感数据获取与预处理概述　81　
4.1.1　遥感数据获取与选择　81　
4.1.2　时序遥感数据构建　83　
4.1.3　超分辨率重建　84　
4.2　无人机遥感及其数据获取与预处理　85　
4.2.1　无人机遥感　85　
4.2.2　无人机遥感数据采集与预处理　88　
4.3　田间调查取样与分析　90　
4.3.1　调查方案及试验设计　90　
4.3.2　光谱测量　93　
4.3.3　作物农学参数的调查与测量　94　
4.4　其他辅助数据　98　
4.4.1　气象数据　98　
4.4.2　土壤环境数据　100　
4.4.3　病虫害数据　100　
4.4.4　栽培管理数据　102　
4.4.5　社会经济统计数据　102　
4.5　数据融合与集成　103　
4.5.1　数据融合策略　103　
4.5.2　数据集成技术与平台　106　
参考文献　107　
第5章　农作物参数反演建模　111　
5.1　机理模型　112　
5.1.1　PROSAIL模型　113　
5.1.2　DART模型　116　
5.1.3　计算机模拟模型　117　
5.1.4　机理模型的应用　119　
5.2　经验统计模型　120　
5.2.1　经验统计建模的过程和步骤　120　
5.2.2　经验统计反演模型的形式　122　
5.2.3　经验统计模型的优缺点　124　
5.3　机器学习方法　124　
5.3.1　随机森林　125　
5.3.2　支持向量机　126　
5.3.3　误差反向传播神经网络　128　
5.4　模型评价　129　
5.4.1　模型验证　129　
5.4.2　敏感性分析　130　
5.4.3　模型比较和选择　132　
参考文献　134　
第6章　冬油菜冠层参数的光谱估计　139　
6.1　冬油菜冠层光谱及预处理　139　
6.1.1　冬油菜冠层的反射光谱特点　140　
6.1.2　光谱去噪　141　
6.1.3　光谱变换　142　
6.1.4　光谱特征提取　143　
6.1.5　高光谱植被指数　144　
6.2　冬油菜LAI的光谱估计　144　
6.2.1　不同施氮水平下LAI的变化　144　
6.2.2　冠层光谱反射率与LAI的相关性　145　
6.2.3　各生育期冬油菜LAI的估计模型　146　
6.2.4　全生育期冬油菜LAI的估计模型　151　
6.2.5　模型精度分析与建议　152　
6.3　冬油菜冠层叶绿素含量的光谱估计　154　
6.3.1　氮肥施用量与叶绿素含量的关系　154　
6.3.2　叶绿素含量预测模型建立与评价结果　154　
6.4　冬油菜生物量的光谱估计　156　
6.4.1　氮肥施用量对冬油菜生物量积累的影响　156　
6.4.2　生物量预测模型建立与评价结果　156　
6.5　基于LUT的冬油菜冠层参数反演　157　
6.5.1　材料与方法　158　
6.5.2　结果与分析　161　
6.5.3　讨论　168　
参考文献　169　
第7章　冬油菜遥感监测与估产　173　
7.1　无人机多光谱遥感的应用　173　
7.1.1　数据采集　173　
7.1.2　基于数字表面模型的株高提取　177　
7.1.3　基于植被指数和株高的LAI估算　179　
7.1.4　NBI、Chl、Flav植被指数反演　181　
7.2　作物生长模型与无人机遥感　186　
7.2.1　作物生长模型　186　
7.2.2　APSIM-Canola模型的本地化　187　
7.2.2　长势参数与模型调参结果　190　
7.3　基于田块的冬油菜早期模糊聚类识别　193　
7.3.1　研究区与数据采集　193　
7.3.2　模糊聚类方法　195　
7.3.3　冬油菜模糊识别结果与分析　198　
7.4　基于HJ影像-地面LAI-产量模型的冬油菜产量估计　202　
7.4.1　研究区与数据采集　202　
7.4.2　结果与分析　203　
参考文献　210