雖久未更新，但本文依舊延續以前敘述風格，即以通俗易懂方式描述關鍵問題。
本文章節安排如下：

1. 簡述背景；
2. 介紹在農業領域的主要應用技術的關鍵問題；
3. 總結和實例介紹。

1 背景描述-何為遙感圖像？

一般來說，利用天上衛星或地面無人機，雷達等設備獲取的數據，多是圖像形式，即通過一系列手段獲取的圖像、非圖像數據。在這些數據基本上進一步地進行不同角度的處理和信息提取就組成了各種不同方向的應用。
在實際層面應用中可在水利，林業，農業，土地資源調查，環境保護，自然災害評估，考古，城市規劃等眾多領域進行廣泛應用。

2 在農業方面應用

2.1 農作物范圍識別技術的關鍵問題

從遙感技術誕生之日起，就應用到了農業領域，其中最主要的是獲取農作物的種植面積空間分布，以評估農作物產量，如今隨著各種更高空間、時間分辨率衛星/無人機數據在各行業的應用，其在農業領域中的應用也有了很大擴展，如土地利用變化檢測，病蟲害評估，農作物長勢，作物干旱檢測，作物營養狀態評估等。
從技術角度而言，就地物分類和地表參數反演兩大類技術，其中地物分類技術主要用于獲取農作物或耕地的空間范圍，在其基礎上進一步進行長勢，病蟲害，以及營養狀態等定量研究。
不論進行何種應用，其農作物/耕地范圍的識別總是第一步，范圍識別問題即轉為分類問題，對于分類問題的關鍵點有兩方面，分別是：

1. 分類算法:

用于分類的算法有：支持向量機，神經網絡，隨機森林以及目前火熱的深度學習技術。不論何種分類技術，其目的都是一致的。

2. 用于分類的特征

對于深度學習技術，其特征的提取是自動提取的抽象特征，其人為操作多在網絡結構的設計，超參數的調整，以及損失函數的設計優化等，對于深度學習技術而言，其人工設計的特征較少，其重點不在于人工的設計特征，但也有些文獻，研究將設計的植被指數特征、紋理特征放入網絡進行訓練。
對于機器學習而言：如神經網絡，隨機森林等基于結構化樣本進行訓練并預測的模型，其重點就在于人工設計的特征的好壞(不論是基于像元分類的技術，還是面向對象分類的技術，其重點都是特征的設計，故有些文章稱機器學習算法就是特征工程)，而對于遙感圖像而言，其應用較多的特征有：原始光譜特征，在原始光譜特征上進行特征工程進一步得到的各種植被指數特征(植被指數特征太多了，多到難以總結，根據讀者反饋，若有需要可寫一篇針對植被指數的文章)，以及根據不同角度定義的各種紋理特征，如常用的在灰度共生矩陣基礎上獲取的均值，對比度等紋理特征。對于一般的地物分類而言，設計這些特征就足夠，但對于農作物/耕地等具有季節性變化的范圍區域還不夠，還需要增加時序特征，時序特征的獲取一般可在上述特征的時間維度進行分析，如在植被指數基礎上根據曲線的變化可獲取到農作物的關鍵物候特征，如出苗期，收獲期等，也在直接的時間維度上取平均值，方差等組成新的特征。
總之，對于深度學習技術，其關鍵不在于特征的設計，對于機器學習技術，其特征設計的角度有：植被指數特征，紋理特征以及時序特征。對于不同特征的具有生成技術，此文不描述，如有需要，后文增加。
上述描述的是農作物/耕地等范圍識別中分類部分的關鍵點，對于不同數據本身，如多光譜，高光譜數據，還另外有不同的數據處理邏輯，如對多光譜而來一般是配套的全色數據，是否需要在分類之前進行多光譜和全色數據融合？如果涉及到多源數據，是否需要不同數據之間的配準，鑲嵌，勻色？對于高光譜來說，是否需要對原始的光譜特征進行特征提取或特征選擇以降低計算成本？…等等，不同情況涉及的問題不一，其解決方案也不一樣。
結果多年的研究，如今網絡上存在多種開源的分類數據集，其中基本上都有耕地的分類類別，目前玉米，小麥和水稻等農作物的大范圍高空間分辨率數據集也可在網絡上獲取，以關鍵詞“土地利用數據集”搜索即可。
在上述開源數據集的基礎上，可進行深入研究或產品的應用。
在獲取農作物面積空間分布之后，即可進一步研究農作物的種植結構的變化，農作物范圍時空的變化檢測以及相應的定量研究的應用。

2.2 農作物長勢，病蟲害，估產等定量應用

目前在遙感領域，農作物分類的高層次研究逐漸向深度學習靠攏，因為傳統方式的研究路線卷成麻花了。在農業定量遙感領域也有了較多擴展，如作物葉面積反演，土壤水分檢測，作物營養狀態評價，作物脅迫檢測等等，都與農作物的生長狀態和產量都密不可分的聯系和關聯。
就其研究技術而言，主要就是數據之間的回歸擬合模型的建立，其關鍵點也有二，分別是：

1. 回歸模型

對于定量遙感，其回歸模型應用較多的是線性回歸，多項式回歸，以及嶺回歸，逐步回歸等傳統統計學模型，應用較多，模型較為穩定，近年來，機器學習相關的模型，如隨機森林，神經網絡回歸也有眾多利用，其精度較高，但一般時空泛化性較差，模型在應用到不同區域上時，表現往往不如傳統統計學模型。

2. 自變量如何獲取？

類似在分類中需要獲取相應的特征，在回歸任務中也需要獲取特征(此時一般稱為自變量較多)用于建立回歸模型，自變量的確定往往是在原始光譜特征和植被指數特征的基礎上深入的研究各種不同變量和因變量之間的關系，常對特征進行差分，濾波，倒數計算，比值計算等多種組合，以期從中獲取相應的自變量用于建模。
對于農作物不同的定量遙感研究，可轉為回歸建模任務，即將問題轉為回歸模型的確定，和自變量獲取兩個關鍵步驟。

3 總結和實例介紹

上述從農作物/耕地范圍識別用到的分類技術，以及在范圍識別基礎上進行的一系列的定量遙感研究所用到的回歸技術的關鍵問題進行了簡要描述，在了解其關鍵問題之后便了解了其處理的關鍵流程，相關技術的細節問題便可進行針對性的網絡查詢。
在了解遙感在農業領域的技術應用后，還有一個關鍵的問題需要解決，即遙感數據從何處來？如何獲取？是否免費？
目前常用的衛星遙感數據源有：

國外：sentinel-1/2 ，modis，landsat系列，
國內：資源環境系列和高分系列數據等

對于國外的數據，一般需要科學上網才能獲取，具有較高的使用門檻，對于國內的數據，目前國內有一些較好的衛星數據提供商和解決方案提供商，推薦使用：星圖地球今日影像 (geovisearth.com)，平臺上數據大多免費下載，下載方便，還經常搞活動。
對于遙感技術在農業上的直觀感性理解可參考：農業全產業鏈信息化-數字地球開放平臺 (geovisearth.com)
網站從農產品種植，生產，加工等全流程都提供了較為不錯的解決方案。
考慮到，目前研究農業較為火熱，后續會繼續從以下角度對遙感技術在農業的技術應用進行分享：
農作物/分類中，特征的設計問題；
病蟲害，農作物長勢等定量遙感問題中，自變量的獲取問題；
若涉及到多源數據，如何進行處理的問題；
高光譜數據的降維降噪問題
若有其他角度，歡迎補充
另：小編了解到目前在很多平臺對于遙感領域的知識分享還較為欠缺，小編打算在2024年中，為大家在遙感領域科普和技術領域進行知識分享，從以下方面進行知識的分享，以公開或付費形式(搬磚也要吃飯，時間成本問題)，如
行業內好的書籍分享，將延續在校期間開設的<一小時讀懂一本書>專欄，以總結形式，快速過一遍專業書籍的主要知識點；
機器學習相關的專欄分享；
深度學習相關的專欄分享；
考慮目前職場需要，補充空間數據庫方面的知識分享；
提供論文復現的指導等
如有補充，建議和需要等，歡迎評論，不過小編忙于搬磚，若有事咨詢請盡量以付費方式，以避免消耗彼此時間。