关键词：农业、遥感

遥感已被证明为农业提供了许多不同的作物活力和生产力评估。遥感仪器和平台的不断发展为在农业系统评估中使用这些工具提供了新的机会。遥感在农业中应用的重大转变之一体现在两个方面。一是开发具有高成本效益的高光谱仪器以评估农业系统以及开发可负担的无人驾驶飞行器，让大量用户收集许多不同田地的数据，并使用这些数据评估各种不同的条件。二是将神经网络（NN）、机器学习（ML）和人工智能（AI）技术与农业和遥感技术相结合的应用正迅速发展。

本文提炼了一个运用遥感技术定量分析美国中西部地区多年来生产地空间变化的案例。案例研究区分为三个稳定区：高产稳定区、低产稳定区和不稳定区。单产稳定性图（见图1）是通过整合单产数据、热影像和光学影像的空间变化与时间变化而制成的，是实现精准农业并让农民从中获利的重要一步。该图确定了具有生产率始终较高（HS为高且稳定）、生产率一直较低（LS为低而稳定的区域）和单产高低波动的三类特征田地。

图1. 由（a）单产监测数据、（b）热图像，以及

（c）光学图像而生成的单产稳定性图

遥感热稳定性图是表示蒸发现象的标志。例如，温度持续较低的区域表示该区域的植物有足够的水量来满足蒸发需求，而如炎热且稳定的区域由于入渗率低或持水量低或是浅层土表的原因就会导致水分很快耗尽。下图即美国中西部区种植的3000万公顷中0.09公顷玉米和大豆作物的遥感单产稳定性图（见图2）。

图2.作物单产稳定性（基于2010年至2018年Landsat 数据）

根据单产稳定性等级对一块田地施用氮肥与统一施肥相比能使美国中西部地区使用氮肥使用量最多减少36％（或65千克/公顷）。新政策的目标是将稳定的低产田地规划为其他土地利用形式（生物能源饲料或原生植被）以提高资源利用率，降低温室气体排放量，增加农民的利润和生物多样性，最终实现农业生态系统的长期可持续性和复原力。

这些结论都是结合热图像来检测水分胁迫区域和归一化差异营养指数来评估作物活力和光捕获效率而得出的。利用遥感与人工智能和机器学习相结合的工具，不仅可以通过识别田间可变区域的能力来改变农业，还可以确定潜在的自适应策略，从而提高每个田间的盈利能力，同时通过更有效的方式减少使用营养素和杀虫剂对环境的影响。利用遥感技术开发新工具实现了将许多信息来源整合到田间和农场规模的决策中的设想。

原文来源：http://9.rm.cglhub.com/detail_38502727e7500f26a9ad3f600fd95ba08d932e2f39b2a2751921b0a3ea255101c944b624736f9e85b0f32d5a51396f59a7047480d0e358843831f9d68ceb9e414c24ac9ffe780c878ef13eeb1592cafe?&apistrclassfy=1_6_2

原文来源：Jerry L. Hatfield; Michelle Cryder; Bruno Basso

翻译与综合：吕姗姗

核校与编辑：董丽娜