農情監測與糧食安全密切相關，以往農作物的長勢、環境、病蟲害、災情等相關數據和圖像信息都是靠物聯網硬件及縣、鎮、村等人力來完成，不僅要耗費大量人力、物力，而且數據時效性、準確性較差。珈和科技開發建設農情遙感監測系統，運用衛星遙感、大數據、物聯網等技術，統覽全國主糧作物分布地圖，實現動態監測作物長勢、作物成熟期、病蟲害監測預警與產量預估，提升農業風險防范能力，有效保障了主糧作物豐產豐收。

珈和農情遙感監測系統主要面向農業農村管理和技術推廣部門，圍繞主糧農作物生長過程，使用衛星遙感等數據并結合 AI 分析建模，建設了農作物識別、成熟度預估、病蟲害分析預警、產量預估、氣象預測預警等模型，實現主糧生產的精準化監管。主要有以下功能：

一、作物分布地圖

利用不同農作物和作物不同生長時期在遙感影像上所表現出來的光譜特征的差異來實現 ， 通過對遙感影像的深度學習，構建水稻、小麥、玉米等主要農作物識別模型。按照田塊的耕種作物種類、耕種方向、行距壟距和圖像紋理等特征，通過AI自動識別分散田塊的分界線， 并對其進行精準劃分和面積計算，實現對鹽城市耕地主要農作物種類（水稻、小麥、玉米等）的精確識別和分類，計算和統計作物的實際種植面積及分布，形成主糧作物種植分布地圖。

二、作物長勢監測

利用衛星遙感反演（歸一化植被指數，NDVI）技術開展農作物定期長勢情況監控，支持水稻、小麥、玉米等作物田間長勢持續監測和關鍵生長階段的生 長狀態監測。為實現對作物區域更精細化的監測，同時解決高時間分辨率難題，結合 Sentinel-2 數據，通過對植被指數、葉面蒸騰指數等多個參數的反演，獲得作物長勢的綜合評估，系統提供分辨率優于10 m，每 8～15 d 更新一次的作物長勢地圖、當年輪播地圖、長勢趨勢等內容。

三、作物成熟度預估

利用歷史物候數據、歷史氣象數據、品種信息等，建立基于氣象數據+生育期的不同品種成熟期預測模型。在采收季前，通過選擇作物品種，將當年作物地塊、播種時間、生育期有效積溫、累計光照、降水等信息輸入相應作物品種成熟期預測模型中，即可實現監測種植區域內作物的成熟面積、成熟度百分比及收獲時間的預估，為適時收割提供建議與依據。

四、作物產量預估

建立“遙感+氣象+作物模型 ”的精準產量預估模型，選用DSSAT 作物模型實現對水稻、小麥等主糧作 物的產量預估。通過輸入當年氣象數據，基于 DSSAT 作物模型計算出不同生長階 段 的葉面積指數（LAI）。利用衛星遙感數據獲取當年該地區實際的 LAI，利用實際的LAI 匹配DSSAT作物模型計算出的LAI，得出最符合 的種植情景，預估該情景下的作物產量，并在地圖上自動展示全市不同地區不同作物產量預估結果。

五、作物病蟲害監測

病蟲害是農業生產過程中影響糧食產量和質量的重要生物災害。目前，我國的作物病蟲害監測方式以點狀的地面調查為主，無法大面積、快速獲取作物病蟲害發生狀況和空間分布信息，難以滿足作物病蟲害的大尺度科學監測和防控的需求。近年來，隨著國內外衛星光譜、時間和空間分辨率的不斷提升，利用遙感手段開展高效、無損的病蟲害監測成為有效提升我國病蟲害測報水平的重要手段 。

5.1高光譜衛星遙感監測植物病蟲害研究

過往研究表明，衛星遙感數據與病蟲害的發生機理存在必然關聯性。因為植物的光學特征主要受到色素含量，冠層結構和水分含量等因素影響，不同種類的病蟲害侵染植物時會使植物的色素含量降低，并引發細胞結構的變化或水分的流失。感染病蟲害的植物會產生形態各異的癥狀和對應的光譜響應，其中能通過遙感傳感器監測的作物病蟲害可產生四種典型的癥狀：生物量與葉面積指數的減少，由病原侵染引發的病斑，色素系統的衰減和枯萎[1]。

根據已有研究成果，以四類代表性病蟲害為例，并將其光譜響應的原始波段特征列于表 1.1。

高光譜傳感器擁有數百個連續的波段，能夠探測到植物從可見光到短波紅外波段的光譜響應，目前已廣泛應用于植物病蟲害的光譜響應特征分析。Huang 等針對稻縱卷葉螟，基于葉片高光譜數據選取了 722–770 nm 等敏感波段[2]；Meng 等基于葉片高光譜數據，選取了 572 nm, 766 nm 和 1445 nm 等波段作為玉米南方銹病的敏感波段[3]。崔江南等基于番茄葉片高光譜圖像，發現 707nm 和 870nm 等波段的反射率數據對番茄葉霉病敏感[4]；陸百慧基于玉米葉螨的葉片高光譜數據，發現575nm、716nm 和 1450nm 處的光譜反射率對蟲害敏感[5]。

表1.1 病蟲害光譜響應分析及優選得到的光譜特征

5.2 多光譜衛星遙感監測植物病蟲害研究

隨著遙感技術的發展，性能不斷提升、波段設置不斷優化、并具有較高時空分辨率的多光譜衛星具有較高的可獲得性和較低的成本，使其成為能夠支持蟲害遙感監測實際應用的重要數據源。

如 Chen 等針對小麥條銹病，基于資源三號衛星影像計算了土壤調節植被指數（SAVI），調節三角形植被指數（MTVI）和歸一化植被指數（NDVI）等特征，用于識別感染小麥條銹病的地塊，病害識別模型的總體精度達到 94.80%[6]；Gu 等針對水稻胡麻葉斑病，基于無人機多光譜影像計算了可見光差異植被指數（VGVI）等特征，并基于此構建的病害嚴重度反演模型的 R2 可達到 0.93[7]；Abdullah 等比較了 Sentinel-2 和 Landsat-8 對云杉小蠹蟲害的識別能力，發現基于 Sentinel-2 紅邊通道計算的紅邊歸一化植被指數能有效地識別受害蟲侵染的樹木，在蟲害早期階段的識別率為 67%[8]。受到通道設置和分辨率差異等因素的影響，基于不同的傳感器數據對同一病蟲害的監測結果會出現差異。如 Sári-Barnácz 等比較了 Landsat-8 和 Sentinel-2 兩種衛星傳感器對玉米棉鈴蟲的監測能力，發現基于 Sentinel-2 影像數據計算的特征對蟲害有更高的敏感性[9]。在開展針對特定類型病蟲害的遙感監測應用時，有必要結合遙感傳感器的通道設置和病蟲害光譜響應特性，對其遙感監測的可行性

進行評估和分析，從而為病蟲害遙感監測的發現、構建提供重要依據。Yuan 等通過模擬寬波段傳感器數據和方差分析評估了寬波段傳感器對三種小麥病蟲害的區分能力，發現藍、綠、紅和紅邊通道對不同的小麥病蟲害有較好的區分潛力[10]；Zheng 等針對小麥條銹病，基于 Sentinel-2 紅邊和紅色通道的模擬數據構建了對條銹病敏感的紅邊病害脅迫指數（REDSI），建立了條銹病的監測模型，總體精度達到 84.1%[11]；Chemura 等針對咖啡葉片銹病，通過模擬的 Sentinel-2 數據選取了紅邊歸一化植被指數等敏感特征，對病害的識別精度達到 82.5%[12]。

當前市場主流基于遙感信息的區域尺度作物病蟲害監測以單一傳感器源遙感影像數據為主，但在實際應用中，作物病蟲害的發生范圍和傳播速度具有較大的隨機性，而單一傳感器受到分辨率、重訪周期、覆蓋范圍以及天氣等因素的限制，難以在較短的病蟲害防治窗口期內獲取全面的病蟲情信息。因此，珈和科技充分考慮不同傳感器的波段設置、尺度效應等引起的光譜信息差異，自研跨傳感器通用的病蟲害遙感監測技術，以及具有跨尺度遷移能力的病蟲害遙感監測模型，有效綜合多傳感器遙感互補優勢，進而實現大范圍病蟲害的精準監測，對指導病蟲害科學綠色防控具有重要意義。

六、農業災害監測預警

建立干旱、洪澇、低溫凍害、高溫熱害、暴雨等農業重大自然災害數據庫，采用大數據分析等技術，建立不同災害監測預警模型，提供快速、及時、準確的災害監測預警服務，并對已發生的災害進行作物受災評估，為農業災害應急處置提供決策支持。災害預測預警模型分為 3 個層次，分別為基礎氣象預報模型、氣象數據、災害模型。基于基礎氣象預報模型，結合氣象預報、氣象監測、物候等數據，建設物候模型、災害分析模型、災害預警模型。

災害監測預警模型見圖1.2

七、發展與思考

我國是一個以農業為主的國家，農業發展對整個國家的社會建設以及整個國家的經濟發展都有很大的影響。隨著信息社會的快速發展，如何構建一個現代的農業發展體制，是目前中國農業界亟須解決問題。經過大量的實踐表明，將衛星遙感技術運用到農業生產中，可以實現對農作物的每個生長階段快速、精準、全面的監測和管理。通過使用衛星遙感技術，可以獲得農作物的生長信息，進而對作物的色素、含水率、細胞結構、病蟲害、長勢、產量等信息進行精準監測與預判。

當前，中國的農業正在從傳統的農業向現代化的轉型，在農業生產向高質量、高效率的轉型的背景下，對衛星遙感數據，特別是動態的、大規模的、快速的、實時的衛星遙感數據，提出了更高的要求。珈和科技將不斷提升技術力量，在各個項目實踐中不斷進步，逐步完善不足之處，努力為我國農業發展提供更好的技術支撐，促進我國現代農業的創新發展。

參考文獻

[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，付蕓，趙森，等. 基于高光譜成像的番茄葉霉病的無損檢測[J]. 長 春理工大學學報(自然科學版), 2022, 4(45): 65-71.

[5]陸百慧. 基于氣象和遙感數據的吉林省玉米病蟲害研究[D]. 長春：吉林大 學,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.