本文节选自：
马宇靖, 吴尚蓉, 杨鹏, 曹红, 谭杰扬, 赵荣坤. 油料作物产量遥感监测研究进展与挑战[J]. 智慧农业(中英文), 2023, 5(3): 1-16. DOI: 10.12133/j.smartag.SA202303002
MA Yujing, WU Shangrong, YANG Peng, CAO Hong, TAN Jieyang, ZHAO Rongkun. Research Progress and Challenges of Oil Crop Yield Monitoring by Remote Sensing[J]. Smart Agriculture, 2023, 5(3): 1-16. DOI: 10.12133/j.smartag.SA202303002
官网全文在线阅读
知网阅读
油料作物面积监测研究现状
遥感技术的发展为快速、准确地获取作物种植信息提供了有效手段。作物的播种面积监测是作物估产的关键步骤，已成为作物遥感监测的重要工作内容。
目前，利用遥感技术进行油料作物面积提取的方法主要有RF、决策树（Decision Tree，DT）、SVM等分类方法。数据源包含光学遥感和微波遥感数据，各有优势。
1
光学遥感数据
不同地物具有不同的光谱特征，基于不同时期的遥感影像可以获取不同作物在不同生长阶段的光谱信息，通过光谱特征和植被指数，可以区分不同类型的油料作物和其他植被，实现油料作物的分类和监测。
光学数据已被证明在油料作物的面积监测方面具有巨大潜力。Song等通过Landsat、MODIS数据中的NDVI对美国大豆进行面积估计，研究指出时间序列指标可较好的表征植被生物物理特性，可应用于油料作物的分类及面积监测中。Shangguan等使用RF方法，基于Landsat数据提取阿根廷全国的大豆种植面积，结果发现由NDVI与近红外波段计算的特征在大豆与非大豆的分类中具有重要作用。Li等利用RF方法，使用Landsat数据估计黑龙江省的大豆种植面积，总体精度达到了84%。由于作物种植类型复杂，仅靠光谱特征将油料作物与其他类型作物及干扰地物区分开来具有一定难度。Yang等利用DT法获取来自MODIS的增强型植被指数（Enhanced Vegetation Index， EVI）提取油菜种植面积，研究表明250 m分辨率适用于大尺度平原的面积监测，还发现，在种植结构复杂，地块破碎的小面积区域应该考虑更高分辨率的遥感影像。Jiang等基于Sentinel-2光学数据对中国东北、华北、长江中下游平原地区的大豆、油菜等作物进行面积监测，并取得了较高的监测精度，此外，研究指出，长江中下游地区油菜作物农田零散，云和山等因素会对作物面积监测产生干扰，使得面积监测精度相对较低，这表明光学数据在山区作物的监测方面具有一定难度。
上述研究指出，尽管光学遥感在作物的监测方面具有很多优势，但是在对山区油料作物进行监测时也会遇到一些问题。中国油料作物种植结构分散，部分油料作物种植分布在地块破碎的丘陵山区。在丘陵山区进行作物识别时，地形复杂性、作物混植、云雾频繁等问题均会使得作物监测数据获取困难，影响油料作物的监测精度。
2
微波遥感
SAR因其具有强大穿透能力、全天候观测能力、多时相观测和地物监测能力等优势，在油料作物监测中具有重要的应用潜力。
已有学者基于SAR对油料作物的面积监测展开研究。Jiao等在对大豆和油菜的监测研究中发现可以通过观察油菜的极化响应估计其物候阶段。Valcarce-diñeiro等使用RADARSAT-2、Sentinel-1极化数据监测油菜面积并获得了较高的分类精度。此外，结合微波和光学数据已被证明可以实现油料作物的高精度面积监测。Ren等利用Sentinel-1/2对山区的大豆、油菜及其他作物进行分类制图研究，结果表明Sentinel-1在不同特征组合中对油菜与其他作物的分类表现较好，Sentinel-2的光谱信息适用于大豆的分类制图，同时，研究指出光学和微波的组合在山区作物的监测研究有潜力。虽然SAR在作物分类识别方面有上述优势，但也存在一些问题。SAR图像处理和校正分析过程较为复杂，对微波处理的专业知识和技术要求较高。
因此，在对油料作物进行面积监测的实际应用中，需要结合作物结构和作物分布的特点，综合考虑SAR和光学数据的优势和局限性，结合观测数据和监测方法，以提高山区油料作物监测识别的准确性。
推荐阅读
张永教授团队：基于改进YOLOv8n-pose和三维点云分析的蒙古马体尺自动测量方法（《智慧农业（中英文）》2024年第4期）
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
