油料作物产量遥感监测研究进展与挑战

2023 年 9 月 第 5 卷 第 3 期 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Sept. 2023 Vol. 5, No. 3
油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战

1 2 2 2 3 2
马 宇 靖 ， 吴 尚 蓉 ， 杨 鹏 ， 曹 红 ， 谭 杰 扬 ， 赵 荣 坤
（1. 中 北 大 学 信 息 与 通 信 工 程 学 院 ， 山 西 太 原 030051 ， 中 国 ； 2. 北 方 干 旱 半 干 旱 耕 地 高 效 利 用 全 国 重 点 实 验 室 （ 中 国
农 业 科 学 院 农 业 资 源 与 农 业 区 划 研 究 所 ） ， 北 京 100081 ， 中 国 ； 3. 湖 南 省 农 业 科 学 院 农 业 经 济 和 农 业 区 划 研 究 所 ， 湖
南 长 沙 410125 ， 中 国 ）
摘 要 ： ［ ［ 目 目 的 的 / 意 意 义 义 ］ ］ 油 料 作 物 是 粮 食 供 应 和 非 粮 食 供 应 的 重 要 组 成 部 分 ， 也 是 食 用 植 物 油 和 植 物 蛋 白 的 重 要 来
源 。 实 时 、 动 态 、 大 范 围 的 油 料 作 物 生 长 监 测 对 指 导 农 业 生 产 、 维 持 粮 油 市 场 稳 定 、 确 保 国 民 生 命 健 康 具 有 重 大
意 义 。 遥 感 技 术 因 其 覆 盖 范 围 广 、 获 取 信 息 及 时 、 快 速 等 优 势 被 广 泛 应 用 于 区 域 作 物 产 量 监 测 研 究 和 应 用 中 。 ［ ［ 进 进
展 展 ］ ］ 本 文 首 先 介 绍 了 利 用 遥 感 技 术 对 油 料 作 物 进 行 估 产 的 相 关 背 景 ； 其 次 ， 从 遥 感 参 数 反 演 、 面 积 监 测 及 估 产 研
究 三 个 方 面 综 述 了 基 于 遥 感 技 术 的 油 料 作 物 监 测 研 究 现 状 ， 指 出 数 据 同 化 技 术 在 油 料 作 物 估 产 方 面 具 有 极 大 潜 力 ，
并 从 同 化 方 法 、 网 格 选 取 两 方 面 进 行 详 细 阐 述 。 ［ ［ 结 结 论 论 / 展 展 望 望 ］ ］ 指 出 了 遥 感 技 术 在 油 料 作 物 监 测 中 的 机 遇 ， 提 出 了
基 于 遥 感 技 术 的 油 料 作 物 估 产 在 作 物 特 征 选 取 、 空 间 尺 度 确 定 以 及 遥 感 数 据 选 择 等 方 面 存 在 的 一 些 问 题 和 挑 战 ，
并 对 未 来 油 料 作 物 估 产 研 究 的 发 展 趋 势 进 行 了 展 望 。 本 文 可 为 油 料 作 物 的 区 域 估 产 及 生 长 监 测 的 深 入 研 究 提 供 借
鉴 和 参 考 。
关 键 词 ： 遥 感 ； 产 量 模 拟 ； 数 据 同 化 ； 油 料 作 物 ； 产 量 监 测 ； 参 数 反 演
中 图 分 类 号 ： S565 ； TP79 文 献 标 志 码 ： A 文 章 编 号 ： SA202303002
引 用 格 式 ： 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 (in Chinese with English abstract)
国 。 近 年 来 ， 中 国 持 续 鼓 励 扩 大 油 料 作 物 种 植 ， 中
1 引 言
央 一 号 文 件 也 多 次 提 出 “ 稳 定 大 豆 生 产 ， 多 措 并 举
油 料 作 物 主 要 包 括 大 豆 、 油 菜 、 向 日 葵 、 花 生
发 展 油 菜 、 花 生 等 油 料 作 物 ” “ 大 力 实 施 大 豆 和 油
［1 ］ ［2 ］
等 ， 是 粮 食 供 应 的 重 要 组 成 部 分 ， 也 是 饲 用 蛋
料 产 能 提 升 工 程 ” “ 加 力 扩 种 大 豆 油 料 ” 等 措 施
［3, 4 ］
白 和 生 物 润 滑 油 等 非 粮 食 供 应 的 重 要 来 源 ，
（http://lswz.gov.cn ） ， 因 此 预 计 油 料 作 物 种 植 面 积 将
［5 ］
2021 年 为 中 国 居 民 提 供 了 超 过 70% 的 油 脂 供 应 。
持 续 扩 大 。 实 时 、 动 态 、 大 范 围 的 油 料 作 物 生 长 监
中 国 是 油 料 作 物 种 植 大 国 ，2022 年 油 料 作 物 种 植 面
测 对 指 导 农 业 生 产 、 维 持 粮 油 市 场 稳 定 、 确 保 国 民
积 达 1314.1 万 公 顷 ， 仅 次 于 水 稻 、 小 麦 、 玉 米 三 大
生 命 健 康 具 有 重 大 意 义 。
主 粮 作 物 （http://data.stats.gov.cn ） 。 中 国 是 世 界 上
传 统 的 作 物 种 植 和 产 量 信 息 获 取 主 要 通 过 地 面
重 要 的 油 料 生 产 和 消 费 大 国 ， 也 是 最 大 的 大 豆 进 口 调 查 ， 工 作 效 率 低 ， 无 法 获 得 实 时 、 动 态 的 作 物 监
收 稿 日 期 ：2023-03-03
基 金 项 目 ： 湖 南 省 自 然 科 学 基 金 项 目 （2021JJ40286 ） ； 国 家 自 然 科 学 基 金 项 目 （42271374 ） ； 中 央 级 公 益 性 科 研 院 所 基 本 科 研 业 务 费 专 项
（1610132021009 ） ； 中 国 农 业 科 学 院 青 年 创 新 专 项 （Y2023QC18 ）
作 者 简 介 ： 马 宇 靖 ， 研 究 方 向 为 农 业 信 息 分 析 与 应 用 。E-mail ：[e-mail]

通 信 作 者 ： 吴 尚 蓉 ， 博 士 ， 副 研 究 员 ， 研 究 方 向 为 农 业 遥 感 基 础 与 应 用 。E-mail ：[e-mail]
copyright?2023 by the authors2 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
测 结 果 ， 且 耗 费 大 量 人 力 物 力 。20 世 纪 70 年 代 以 进 行 反 演 研 究 以 获 取 油 料 作 物 的 观 测 信 息 具 有 重 要
来 ， 基 于 遥 感 的 大 范 围 估 产 技 术 飞 速 发 展 。 遥 感 技 意 义 。
目 前 ， 油 料 作 物 的 参 数 反 演 主 要 是 通 过 经 验 模
术 可 以 快 速 、 客 观 、 准 确 地 获 取 地 面 信 息 ， 具 有 覆
［6 ］ ［7 ］
盖 面 积 广 、 重 访 周 期 短 、 成 本 相 对 较 低 等 优 型 和 物 理 模 型 的 方 法 推 断 作 物 生 物 物 理 参 数 ， 为 作
［13 ］
势 ， 不 需 直 接 接 触 农 田 ， 减 少 了 对 油 料 作 物 的 干 扰 物 的 估 产 研 究 提 供 支 持 。 相 较 于 微 波 雷 达 数 据 ，
和 损 伤 ， 可 以 实 现 大 范 围 油 料 作 物 生 长 信 息 收 集 和 光 学 遥 感 在 油 料 作 物 的 反 演 研 究 中 应 用 更 为 广 泛 。
分 析 ， 是 进 行 油 料 作 物 监 测 和 产 量 估 算 的 有 效 手 大 多 研 究 人 员 基 于 上 述 反 演 方 法 将 光 学 遥 感 与 作 物
［8-10 ］
段 。 基 于 遥 感 技 术 的 区 域 作 物 估 产 方 法 主 要 包 参 数 联 系 起 来 构 建 反 演 模 型 以 实 现 油 料 作 物 的 参 数
括 遥 感 估 产 和 数 据 同 化 估 产 。 前 者 是 利 用 作 物 的 光 反 演 。
2.1.1 　 经 验 模 型 　
波 谱 特 征 ， 通 过 卫 星 传 感 器 记 录 地 表 及 作 物 信 息 ，
经 验 模 型 通 常 是 从 作 物 的 冠 层 遥 感 数 据 中 计 算
通 过 构 建 卫 星 波 段 与 作 物 产 量 间 的 相 关 关 系 对 作 物
出 与 已 知 作 物 参 数 相 关 性 较 强 的 特 征 参 数 ， 利 用 特
产 量 进 行 估 算 。 但 仅 利 用 遥 感 技 术 进 行 估 产 缺 乏 机
征 参 数 与 作 物 参 数 之 间 的 关 联 关 系 ， 通 过 统 计 回 归
理 性 ， 不 能 模 拟 作 物 的 生 长 发 育 过 程 ， 在 养 分 、 水
或 机 器 学 习 方 法 构 建 模 型 ， 实 现 作 物 的 参 数 反 演 ，
分 等 产 量 限 制 因 素 的 分 析 方 面 也 具 有 一 定 局 限
［14 ］
［11 ］
是 应 用 较 为 广 泛 的 一 种 方 法 。
性 。 数 据 同 化 技 术 可 将 区 域 遥 感 和 作 物 模 型 模
线 性 、 指 数 等 统 计 回 归 方 法 具 有 操 作 简 单 、 解
拟 的 优 势 进 行 有 机 结 合 ， 是 当 前 补 充 遥 感 观 测 ， 改
释 性 强 的 优 点 ， 常 被 用 于 作 物 参 数 的 估 计 中 。 已 有
进 区 域 作 物 产 量 模 拟 精 度 的 重 要 手 段 之 一 。 此 外 ，
研 究 表 明 作 物 的 植 被 指 数 （Vegetation Index ， VI ）
参 数 反 演 和 面 积 监 测 在 作 物 估 产 研 究 中 具 有 重 要 作
［12 ］
与 作 物 参 数 之 间 具 有 良 好 的 相 关 性 。 研 究 人 员 基 于
用 ， 是 产 量 估 算 的 关 键 组 成 部 分 。 其 中 ， 参 数
统 计 回 归 方 法 优 势 ， 研 究 VI 与 油 料 作 物 生 长 参 数
反 演 提 供 了 作 物 的 生 物 物 理 特 征 ， 而 面 积 监 测 确 定
［15 ］
的 相 关 性 ， 并 进 行 参 数 反 演 研 究 。 Zhang 等 、
了 种 植 区 域 的 准 确 面 积 ， 二 者 结 合 起 来 为 准 确 估 算
［16 ］
Sun 等 利 用 归 一 化 植 被 指 数 （Normalized Differ‐
作 物 总 产 量 提 供 了 关 键 的 输 入 数 据 ， 为 估 产 研 究 提
ence Vegetation Index ，NDVI ） 与 LAI 间 的 统 计 关
供 了 必 要 基 础 。
系 建 立 了 油 菜 的 LAI 反 演 模 型 ， 发 现 NDVI 与 LAI
为 了 更 好 地 分 析 遥 感 技 术 在 油 料 作 物 估 产 领 域
之 间 存 在 较 好 的 相 关 性 ， 可 用 于 作 物 的 LAI 参 数 反
所 面 临 的 问 题 和 挑 战 ， 本 文 从 油 料 作 物 的 参 数 反
［17 ］
演 研 究 。Qiu 等 基 于 指 数 函 数 ， 利 用 NDVI 及 其
演 、 面 积 监 测 、 区 域 估 产 三 方 面 对 遥 感 技 术 在 油 料
衍 生 参 数 与 LAI 之 间 的 关 系 构 建 油 菜 LAI 反 演 模
作 物 监 测 研 究 的 现 状 进 行 总 结 分 析 ， 并 阐 述 油 料 作
型 ， 证 明 植 被 指 数 中 的 NDVI 系 列 对 LAI 具 有 良 好
物 估 产 可 能 遇 到 的 问 题 ， 展 望 未 来 发 展 趋 势 。
［18 ］
的 反 演 效 果 。Qi 等 利 用 归 一 化 差 分 植 被 指 数
2 油 料 作 物 遥 感 监 测 研 究 现 状
（Normalized Difference Spectral Index ，NDSI ） 、 比
率 光 谱 指 数 （Ratio Spectral Index ，RSI ） 等 构 建 高
利 用 遥 感 技 术 可 以 实 现 油 料 作 物 的 生 长 监 测 和
光 谱 简 单 回 归 （Simple Regression ，SR ） 模 型 反 演
产 量 估 算 。 其 中 ， 参 数 反 演 和 面 积 监 测 是 油 料 作 物
花 生 的 叶 片 叶 绿 素 含 量 （Chlorophyll Content ，
生 长 监 测 和 产 量 估 算 的 关 键 步 骤 。
CC ） ， 指 出 光 谱 指 数 可 以 有 效 的 反 演 花 生 叶 片 叶 绿
2.1 　 油 料 作 物 参 数 反 演 　
素 。 同 时 ， 已 有 研 究 指 出 ， 合 成 孔 径 雷 达 数 据
在 基 于 遥 感 的 作 物 监 测 过 程 中 ， 生 物 量 、 叶 面 （Synthetic Aperture Radar ，SAR ） 极 化 信 息 同 样 可
［19 ］
积 指 数 （Leaf Area Index ，LAI ） 等 作 物 参 数 可 以 较 用 于 油 料 作 物 的 参 数 反 演 。Zhang 等 利 用 线 性 、
好 地 描 述 作 物 生 长 状 况 ， 是 研 究 作 物 产 量 的 关 键 指 对 数 、 二 次 等 统 计 回 归 方 法 探 索 油 菜 的 生 长 参 数 反
标 。 但 是 ， 直 接 测 量 这 些 生 长 参 数 具 有 一 定 破 坏 性 演 ， 研 究 发 现 极 化 信 息 对 油 菜 作 物 参 数 具 有 高 度 敏
且 成 本 昂 贵 。 因 此 ， 基 于 遥 感 技 术 对 上 述 作 物 参 数 感 性 ， 适 用 于 油 菜 的 生 长 参 数 反 演 。 上 述 研 究 证 明Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 3
［24 ］
基 于 统 计 回 归 方 法 ， 利 用 遥 感 数 据 与 作 物 参 数 之 间 之 间 的 关 系 进 行 参 数 反 演 易 受 冠 层 结 构 影 响 ，
的 相 关 性 进 行 反 演 研 究 是 可 行 的 。 但 是 ， 当 数 据 存
仅 靠 经 验 模 型 方 法 无 法 提 供 关 于 地 物 特 性 和 光 谱 响
在 复 杂 的 非 线 性 关 系 时 ， 仅 靠 简 单 的 光 谱 特 征 提 取
应 之 间 的 物 理 机 制 的 详 细 解 释 ， 限 制 了 油 料 作 物 的
和 回 归 模 型 可 能 无 法 准 确 地 进 行 作 物 参 数 反 演 。 在 参 数 反 演 研 究 。
此 情 况 下 ， 需 要 使 用 机 器 学 习 或 物 理 模 型 等 分 析 方 2.1.2 　 物 理 模 型 　
物 理 模 型 方 法 基 于 光 的 传 输 和 相 互 作 用 过 程 ，
法 提 高 参 数 反 演 的 准 确 性 。
经 验 模 型 除 线 性 、 指 数 、 对 数 等 回 归 方 法 外 ， 通 过 建 立 遥 感 数 据 与 物 理 模 型 之 间 的 映 射 关 系 ， 推
断 作 物 的 光 学 参 数 ， 并 利 用 观 测 数 据 对 模 型 进 行 参
机 器 学 习 也 被 用 于 构 建 反 演 模 型 ， 且 在 实 际 应 用 中
［13, 25 ］
数 估 计 和 优 化 。 油 料 作 物 冠 层 的 几 何 形 状 和 生
更 具 优 势 。 利 用 机 器 学 习 建 立 遥 感 数 据 和 作 物 观 测
化 特 性 会 随 生 长 发 生 变 化 ， 冠 层 内 的 辐 射 传 递 也 随
数 据 之 间 的 复 杂 非 线 性 关 系 ， 通 过 训 练 模 型 并 利 用
［26 ］
大 量 的 数 据 进 行 预 测 ， 能 够 较 准 确 地 估 算 油 料 作 物 之 改 变 。 而 物 理 模 型 可 描 述 冠 层 反 射 率 随 冠 层 、
［27 ］
［20 ］
的 产 量 。Yuan 等 分 别 利 用 随 机 森 林 （Random 叶 片 和 土 壤 背 景 特 征 的 光 谱 变 化 ， 适 用 于 油 料
Forest ，RF ） 、 人 工 神 经 网 络 （Artificial Neural Net‐ 作 物 参 数 反 演 。PROSAIL 模 型 是 光 学 遥 感 反 演 中
的 经 典 模 型 ， 已 被 应 用 于 检 索 油 料 作 物 的 生 化 和 结
work ， ANN ） 、 支 持 向 量 机 （Support Vector Ma‐
chine ， SVM ） 及 偏 最 小 二 乘 回 归 （Partial Least 构 变 量 ， 耦 合 原 理 如 图 1 所 示 。 优 化 方 法 主 要 包 括
Squares Regression ，PLSR ） 等 几 种 不 同 的 方 法 构 迭 代 优 化 、 查 找 表 （Lookup Table ， LUT ） 和 神 经
建 模 型 研 究 大 豆 LAI 反 演 ， 发 现 ANN 模 型 更 适 用 网 络 等 。 与 经 验 模 型 相 比 ， 物 理 反 演 方 法 适 用 于 各
［28 ］
于 单 个 生 育 期 的 大 豆 LAI 估 计 ， 而 RF 模 型 更 适 用
种 条 件 ， 更 适 合 区 域 规 模 的 参 数 反 演 。
［21 ］
于 整 个 生 育 期 的 大 豆 LAI 估 计 。Qi 等 基 于 高 光
谱 数 据 计 算 的 比 值 植 被 指 数 （Ratio Vegetation Index,
RVI ） 、NDVI 等 12 个 与 LAI 相 关 的 植 被 指 数 ， 利 用
SR 方 法 和 反 向 传 播 神 经 网 络 （Back Propagation
Neural Network ，BPNN ） 分 别 构 建 预 测 模 型 估 算 花
生 的 LAI ， 发 现 BPNN 模 型 预 测 精 度 更 高 。 Wei
［13 ］
等 分 别 基 于 线 性 拟 合 和 RF 方 法 来 构 建 反 演 模 型
估 算 油 菜 LAI ， 得 出 机 器 学 习 的 反 演 精 度 更 高 的 结
［14 ］
图 1 　 PROSPECT+SAIL 耦 合 模 型 反 演 参 数 示 意 图
论 。 此 外 ， 还 有 研 究 利 用 机 器 学 习 方 法 探 索 SAR 遥
Fig. 1 The inversion processing of parameters of PROSPECT+
感 数 据 与 油 料 作 物 参 数 的 复 杂 相 关 关 系 。Mercier
SAIL coupling model
［22 ］
等 利 用 高 斯 过 程 回 归 （Gaussian Process Regres‐
目 前 油 料 作 物 中 已 有 较 多 基 于 物 理 反 演 方 法 展
sion ，GPR ） 反 演 油 菜 生 物 量 ， 发 现 VH 、VV 等 极
开 的 研 究 ， 并 且 得 到 了 较 好 的 参 数 反 演 结 果 。Li
化 指 标 与 湿 重 和 干 重 相 关 性 较 高 ， 且 基 于 不 同 波 段
［29 ］
等 基 于 油 菜 、 向 日 葵 的 无 人 机 多 光 谱 影 像 ， 采
的 雷 达 数 据 对 油 菜 作 物 参 数 反 演 研 究 具 有 一 定 潜
［23 ］
用 PROSAIL 模 型 和 LUT 的 方 法 反 演 生 成 作 物 LAI
力 。Ghosh 等 采 用 GPR 方 法 ， 基 于 C 波 段 SAR
数 据 构 建 模 型 估 算 油 菜 、 大 豆 的 植 物 面 积 指 数 和 冠 层 CC ， 发 现 基 于 LUT 方 法 反 演 的 LAI 与 地 面
测 量 的 生 物 量 结 果 具 有 较 好 的 相 关 性 ， 还 证 明 了
（Plant Area Index ， PAI ） 、 植 被 含 水 量 （Water Con‐
CC 可 作 为 油 料 作 物 的 冠 层 氮 含 量 估 计 指 标 。 同 样 ，
tent ，WC ） 、 湿 重 等 植 株 参 数 ， 证 明 全 极 化 和 双 极
［30 ］
Duan 等 也 基 于 LUT 方 法 的 PROSAIL 模 型 反 演
化 均 可 用 于 上 述 作 物 植 株 参 数 的 反 演 。
上 述 研 究 证 明 ， 相 较 于 统 计 回 归 ， 机 器 学 习 在 向 日 葵 LAI ， 并 评 估 其 反 演 性 能 ， 结 果 表 明 该 方 法
油 料 作 物 参 数 反 演 中 更 具 优 势 。 然 而 ， 油 料 作 物 冠 适 用 于 向 日 葵 的 LAI 反 演 ， 且 获 得 了 较 好 的 精 度 结
［24 ］
层 结 构 复 杂 ， 基 于 冠 层 反 射 率 与 作 物 生 物 物 理 参 数 果 。Tomícek 等 提 出 利 用 PROSAIL 模 型 、LUT4 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
和 ANN 的 方 法 反 演 油 菜 的 叶 片 CC 、LAI 作 物 参 数 ， 经 验 模 型 适 用 于 建 立 遥 感 数 据 和 地 物 参 数 之 间 的 经
均 取 得 了 较 高 的 反 演 精 度 ， 并 发 现 将 光 学 数 据 同 验 关 系 ， 而 物 理 模 型 则 基 于 地 物 的 物 理 特 性 和 光 传
PROSAIL 辐 射 转 移 模 型 结 合 的 物 理 反 演 法 具 有 一
输 原 理 ， 提 供 参 数 估 计 的 物 理 解 释 。 对 于 数 据 源 ，
定 潜 力 。 研 究 指 出 ， 相 较 于 经 验 方 法 ， 物 理 反 演 方
光 学 遥 感 数 据 是 常 用 的 选 择 ， 光 学 数 据 可 以 提 供 丰
［28 ］
法 在 作 物 参 数 的 反 演 方 面 效 果 更 好 。 Nandan 富 的 光 谱 信 息 但 易 受 天 气 影 响 ， 而 雷 达 数 据 则 具 有
［28 ］
等 分 别 利 用 经 验 方 法 和 PROSAIL 物 理 模 型 反 演 较 强 的 穿 透 能 力 和 对 地 物 结 构 的 敏 感 性 。 因 此 ， 考
大 豆 的 LAI ， 指 出 LUT 反 演 方 法 的 反 演 效 果 更 佳 ， 虑 油 料 作 物 特 点 ， 需 要 选 择 合 适 的 反 演 方 法 和 数 据
更 适 用 于 区 域 规 模 的 LAI 估 计 。 由 此 可 见 ， 基 于 物
源 ， 以 获 得 更 准 确 和 全 面 的 油 料 作 物 参 数 估 计
理 模 型 的 参 数 反 演 方 法 在 油 料 作 物 监 测 方 面 更 具 潜
结 果 。
力 。 但 是 ， 物 理 模 型 需 要 获 得 作 物 的 生 物 物 理 、 生
2.2 　 油 料 作 物 面 积 监 测 　
物 化 学 、 土 壤 等 特 性 参 数 ， 部 分 参 数 获 取 过 程 困
［31 ］
遥 感 技 术 的 发 展 为 快 速 、 准 确 地 获 取 作 物 种 植
难 ， 有 一 定 的 局 限 性 。
信 息 提 供 了 有 效 手 段 。 作 物 的 播 种 面 积 监 测 是 作 物
由 前 文 可 知 ， 油 料 作 物 监 测 领 域 的 研 究 大 多 是
估 产 的 关 键 步 骤 ， 已 成 为 作 物 遥 感 监 测 的 重 要 工 作
基 于 光 学 遥 感 数 据 展 开 的 。 不 同 类 型 的 地 物 对 不 同
［35 ］
内 容 。
波 段 光 具 有 特 定 的 反 射 和 吸 收 特 性 ， 光 学 遥 感 数 据
目 前 ， 利 用 遥 感 技 术 进 行 油 料 作 物 面 积 提 取 的
在 作 物 的 参 数 反 演 中 具 有 独 特 优 势 ， 应 用 更 为 广
［32 ］
方 法 主 要 有 RF 、 决 策 树 （Decision Tree ， DT ） 、
泛 。 但 是 ， 大 豆 、 油 菜 等 作 物 植 株 结 构 特 殊 ，
SVM 等 分 类 方 法 。 数 据 源 包 含 光 学 遥 感 和 微 波 遥
冠 层 结 构 复 杂 ， 且 光 学 遥 感 受 天 气 影 响 大 ， 作 物 关
感 数 据 ， 各 有 优 势 。
键 期 数 据 可 能 会 缺 失 ， 使 得 其 植 被 特 征 的 获 取 遇 到
困 难 影 响 参 数 反 演 精 度 。SAR 具 有 全 天 时 、 全 天 候 2.2.1 　 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 观 测 能 力 ， 穿 透 能 力 强 ， 能 提 供 多 云 多 雨 天 气 条
的 遥 感 影 像 可 以 获 取 不 同 作 物 在 不 同 生 长 阶 段 的 光
件 下 作 物 和 地 表 信 息 ， 可 以 弥 补 光 学 数 据 在 油 料 作
［33 ］
谱 信 息 ， 通 过 光 谱 特 征 和 植 被 指 数 ， 可 以 区 分 不 同
物 监 测 方 面 的 不 足 。Allies 等 通 过 建 立 SAR 、 光
类 型 的 油 料 作 物 和 其 他 植 被 ， 实 现 油 料 作 物 的 分 类
学 指 标 与 油 菜 高 度 、 干 重 、 鲜 重 、 植 株 含 水 量 等 生
［36 ］
和 监 测 。
物 物 理 参 数 之 间 的 回 归 关 系 进 行 反 演 研 究 ， 并 指 出
光 学 数 据 已 被 证 明 在 油 料 作 物 的 面 积 监 测 方 面
SAR 和 光 学 数 据 在 油 菜 的 物 候 周 期 监 测 方 面 具 有 互
［37 ］
［34 ］
具 有 巨 大 潜 力 。Song 等 通 过 Landsat 、MODIS
补 性 。Bahrami 等 基 于 光 学 VI 和 SAR 极 化 遥 感
数 据 中 的 NDVI 对 美 国 大 豆 进 行 面 积 估 计 ， 研 究 指
数 据 估 计 大 豆 、 油 菜 作 物 的 LAI 、 生 物 量 等 参 数 ，
出 时 间 序 列 指 标 可 较 好 的 表 征 植 被 生 物 物 理 特 性 ，
研 究 表 明 结 合 SAR 极 化 数 据 与 光 谱 VI 可 更 好 地 估
［28 ］
可 应 用 于 油 料 作 物 的 分 类 及 面 积 监 测 中 。Shang‐
计 作 物 的 生 物 量 和 LAI 。 除 此 之 外 ，Nandan 等
［38 ］
基 于 Landsat 光 学 遥 感 估 计 大 豆 LAI ， 并 探 索 光 学 遥 guan 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
感 方 法 的 优 缺 点 ， 指 出 基 于 SAR 微 波 数 据 估 计 LAI
红 外 波 段 计 算 的 特 征 在 大 豆 与 非 大 豆 的 分 类 中 具 有
是 未 来 的 研 究 重 点 。 但 是 ， 相 较 于 光 谱 数 据 ， 雷 达
［39 ］
重 要 作 用 。Li 等 利 用 RF 方 法 ， 使 用 Landsat 数
SAR 主 要 提 供 散 射 信 号 ， 提 取 的 极 化 数 据 存 在 一 些
据 估 计 黑 龙 江 省 的 大 豆 种 植 面 积 ， 总 体 精 度 达 到 了
无 用 的 冗 余 信 息 ， 在 地 物 信 息 的 判 断 方 面 具 有 一 定
限 制 ， 且 数 据 获 取 和 处 理 过 程 相 对 复 杂 ， 这 些 问 题 84% 。 由 于 作 物 种 植 类 型 复 杂 ， 仅 靠 光 谱 特 征 将 油
给 基 于 微 波 的 参 数 反 演 带 来 了 困 难 。 料 作 物 与 其 他 类 型 作 物 及 干 扰 地 物 区 分 开 来 具 有 一
［40 ］
综 上 所 述 ， 针 对 油 料 作 物 的 参 数 反 演 研 究 ， 选 定 难 度 。Yang 等 利 用 DT 法 获 取 来 自 MODIS 的
择 合 适 的 反 演 方 法 和 数 据 源 至 关 重 要 。 在 选 择 反 演 增 强 型 植 被 指 数 （Enhanced Vegetation Index ，
方 法 时 ， 经 验 模 型 和 物 理 模 型 是 两 种 常 见 的 方 法 ， EVI ） 提 取 油 菜 种 植 面 积 ， 研 究 表 明 250 m 分 辨 率Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 5
适 用 于 大 尺 度 平 原 的 面 积 监 测 ， 还 发 现 ， 在 种 植 结
2.3 　 油 料 作 物 遥 感 估 产 　
构 复 杂 ， 地 块 破 碎 的 小 面 积 区 域 应 该 考 虑 更 高 分 辨
现 代 遥 感 技 术 的 快 速 发 展 ， 为 区 域 油 料 作 物 产
［41 ］
率 的 遥 感 影 像 。Jiang 等 基 于 Sentinel-2 光 学 数 据
量 估 算 提 供 了 有 效 的 技 术 支 持 。 遥 感 技 术 可 以 实
对 中 国 东 北 、 华 北 、 长 江 中 下 游 平 原 地 区 的 大 豆 、
时 、 快 速 、 大 范 围 地 获 取 作 物 信 息 ， 利 用 遥 感 技 术
油 菜 等 作 物 进 行 面 积 监 测 ， 并 取 得 了 较 高 的 监 测 精
进 行 估 产 已 成 为 当 前 作 物 估 产 的 主 要 手 段 。 不 同 于
度 ， 此 外 ， 研 究 指 出 ， 长 江 中 下 游 地 区 油 菜 作 物 农
其 他 作 物 ， 以 大 豆 、 油 菜 为 主 的 油 料 作 物 冠 层 结 构
田 零 散 ， 云 和 山 等 因 素 会 对 作 物 面 积 监 测 产 生 干
复 杂 、 生 理 结 构 特 殊 ， 估 产 过 程 中 物 候 期 的 选 取 及
扰 ， 使 得 面 积 监 测 精 度 相 对 较 低 ， 这 表 明 光 学 数 据
数 据 源 、 建 模 方 法 的 使 用 均 会 对 估 产 结 果 产 生 一 定
在 山 区 作 物 的 监 测 方 面 具 有 一 定 难 度 。
影 响 。 通 过 对 近 五 年 的 粮 油 估 产 研 究 进 行 整 理 发
上 述 研 究 指 出 ， 尽 管 光 学 遥 感 在 作 物 的 监 测 方
现 ， 研 究 人 员 基 于 遥 感 估 产 手 段 在 水 稻 、 小 麦 、 玉
面 具 有 很 多 优 势 ， 但 是 在 对 山 区 油 料 作 物 进 行 监 测
米 等 区 域 主 粮 作 物 产 量 模 拟 中 取 得 了 较 好 的 成 果 ，
时 也 会 遇 到 一 些 问 题 。 中 国 油 料 作 物 种 植 结 构 分
但 大 豆 、 油 菜 、 花 生 、 芝 麻 、 蓖 麻 、 向 日 葵 等 区 域
散 ， 部 分 油 料 作 物 种 植 分 布 在 地 块 破 碎 的 丘 陵 山
油 料 作 物 的 产 量 模 拟 研 究 相 对 较 少 ， 仅 约 占 26% 。
区 。 在 丘 陵 山 区 进 行 作 物 识 别 时 ， 地 形 复 杂 性 、 作
这 是 因 为 油 料 作 物 种 植 布 局 和 作 物 结 构 特 征 的 复 杂
物 混 植 、 云 雾 频 繁 等 问 题 均 会 使 得 作 物 监 测 数 据 获
性 ， 在 作 物 特 征 选 取 、 空 间 尺 度 确 定 以 及 遥 感 数 据
取 困 难 ， 影 响 油 料 作 物 的 监 测 精 度 。
选 择 等 方 面 存 在 一 些 难 点 。
2.2.2 　 微 波 遥 感 　
2.3.1 　 估 产 物 候 期 　
SAR 因 其 具 有 强 大 穿 透 能 力 、 全 天 候 观 测 能
物 候 期 是 作 物 生 长 发 育 过 程 中 的 特 定 阶 段 ， 对
力 、 多 时 相 观 测 和 地 物 监 测 能 力 等 优 势 ， 在 油 料 作
于 作 物 的 产 量 估 算 具 有 重 要 影 响 。 作 物 的 物 候 期 选
物 监 测 中 具 有 重 要 的 应 用 潜 力 。
取 会 对 遥 感 估 产 的 结 果 产 生 一 定 影 响 ， 基 于 不 同 作
已 有 学 者 基 于 SAR 对 油 料 作 物 的 面 积 监 测 展 开
物 物 候 期 所 建 立 的 估 产 模 型 ， 在 估 产 精 度 和 效 果 上
［42 ］
［46 ］
研 究 。Jiao 等 在 对 大 豆 和 油 菜 的 监 测 研 究 中 发
有 很 大 区 别 。
现 可 以 通 过 观 察 油 菜 的 极 化 响 应 估 计 其 物 候 阶 段 。
不 同 作 物 估 产 使 用 的 生 育 期 存 在 差 异 ， 部 分 油
［43 ］
Valcarce-di?eiro 等 使 用 RADARSAT-2 、Sentinel-1
料 作 物 估 产 物 候 期 见 表 1 。
极 化 数 据 监 测 油 菜 面 积 并 获 得 了 较 高 的 分 类 精 度 。
表 1 部 分 油 料 作 物 物 候 期 选 择
此 外 ， 结 合 微 波 和 光 学 数 据 已 被 证 明 可 以 实 现 油 料
Table 1 Selection of phenological period of some oil crops
［44 ］ ［45 ］
作 物 的 高 精 度 面 积 监 测 。Ren 等 利 用 Senti‐
作 物 估 产 物 候 期
nel-1/2 对 山 区 的 大 豆 、 油 菜 及 其 他 作 物 进 行 分 类 制 ［47 ， 48 ］
大 豆 种 子 初 期 、 豆 荚 期 、 灌 浆 期
图 研 究 ， 结 果 表 明 Sentinel-1 在 不 同 特 征 组 合 中 对
［49 ， 50 ］
油 菜 开 花 期 、 角 果 期
油 菜 与 其 他 作 物 的 分 类 表 现 较 好 ，Sentinel-2 的 光
［51 ］
花 生 种 子 初 生 期
谱 信 息 适 用 于 大 豆 的 分 类 制 图 ， 同 时 ， 研 究 指 出 光
［52 ］
向 日 葵 开 花 期 前 的 花 序 出 现 阶 段
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
在 油 料 作 物 的 遥 感 估 产 研 究 中 ， 估 产 物 候 期 的
一 些 问 题 。SAR 图 像 处 理 和 校 正 分 析 过 程 较 为 复
选 取 因 其 植 株 结 构 特 殊 性 较 之 主 粮 作 物 有 所 不 同 。
［47 ］
杂 ， 对 微 波 处 理 的 专 业 知 识 和 技 术 要 求 较 高 。
Richetti 等 利 用 不 同 物 候 期 的 MODIS 数 据 计 算
因 此 ， 在 对 油 料 作 物 进 行 面 积 监 测 的 实 际 应 用
EVI 估 算 区 域 大 豆 产 量 ， 通 过 选 取 合 适 的 物 候 信 息
中 ， 需 要 结 合 作 物 结 构 和 作 物 分 布 的 特 点 ， 综 合 考
获 得 较 为 准 确 的 区 域 估 产 结 果 ， 发 现 大 豆 遥 感 估 产
虑 SAR 和 光 学 数 据 的 优 势 和 局 限 性 ， 结 合 观 测 数 据 多 基 于 种 子 初 期 、 豆 荚 期 等 生 育 期 建 立 估 产 模
［53 ］ ［48 ］
和 监 测 方 法 ， 以 提 高 山 区 油 料 作 物 监 测 识 别 的 准 型 。Li 等 基 于 无 人 机 高 光 谱 数 据 估 算 区 域 大
确 性 。 豆 产 量 并 探 索 不 同 生 育 期 的 产 量 估 算 差 异 ， 发 现 估6 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
［66 ］
产 模 型 在 种 子 初 期 、 豆 荚 期 及 灌 浆 期 获 得 了 较 高 的 适 用 于 油 料 作 物 的 估 产 研 究 。Song 等 在 对 大 豆
估 产 精 度 。 油 菜 的 开 花 期 和 角 果 期 是 决 定 油 菜 产 量 的 遥 感 估 产 研 究 中 指 出 ， 生 长 季 高 峰 期 的 NDVI 是
［54 ］
的 关 键 时 期 ， 油 菜 的 估 产 研 究 大 多 基 于 这 两 个 大 豆 模 拟 过 程 中 最 重 要 的 变 量 之 一 。Zamani-noor
［67 ］
生 长 阶 段 展 开 ， 已 经 有 研 究 基 于 开 花 期 和 角 果 期 估 等 基 于 多 光 谱 数 据 计 算 的 NDVI 监 测 油 菜 生 长
［55 ］
算 油 菜 生 物 量 和 产 量 。Han 等 在 对 油 菜 生 物 量 状 况 ， 发 现 NDVI 值 在 油 菜 的 全 生 育 期 遥 感 监 测 中
的 研 究 中 指 出 ， 油 菜 开 花 期 和 角 果 期 对 生 物 量 精 度 更 为 可 靠 。
［56 ］
验 证 的 影 响 大 于 其 他 生 育 期 。Ma 等 基 于 油 菜 不 此 外 ， 一 些 研 究 发 现 基 于 遥 感 技 术 的 油 料 作 物
同 生 长 阶 段 的 冠 层 高 光 谱 数 据 构 建 线 性 及 非 线 性 回 估 产 还 需 要 考 虑 大 豆 豆 荚 、 油 菜 角 果 等 光 合 器 官 参
［68 ］
归 模 型 估 算 其 生 物 量 ， 发 现 开 花 期 和 角 果 期 的 ND‐ 数 。He 等 在 对 大 豆 的 产 量 预 测 研 究 中 指 出 ， 大
［49 ］
VI 与 生 物 量 高 度 相 关 。Fan 等 基 于 遥 感 植 被 指 豆 豆 荚 是 叶 片 的 同 源 器 官 ， 对 大 豆 籽 粒 产 量 起 决 定
［69 ］
数 模 拟 区 域 油 菜 产 量 ， 研 究 结 果 显 示 油 菜 开 花 期 作 用 。Peng 等 基 于 地 面 高 光 谱 数 据 对 油 菜 进 行
Lai 在 油 菜 产 量 早 期 预 测 方 面 具 有 一 定 潜 力 。 龚 龑 产 量 模 拟 ， 并 评 估 LAI 在 不 同 生 育 期 对 油 菜 产 量 的
［50 ］
等 分 别 基 于 油 菜 开 花 期 和 角 果 期 建 立 估 产 模 型 预 测 能 力 ， 研 究 指 出 油 菜 的 角 果 皮 面 积 与 油 菜 产 量
［70 ］
预 测 油 菜 产 量 。 此 外 ， 针 对 花 生 、 向 日 葵 等 其 他 油 密 切 相 关 。Gong 等 在 油 菜 产 量 估 算 研 究 中 发 现
料 作 物 ， 花 生 的 种 子 初 生 期 是 研 究 花 生 产 量 的 最 佳 基 于 遥 感 技 术 模 拟 油 菜 产 量 需 要 考 虑 角 果 对 产 量 模
［51 ］
时 间 ； 向 日 葵 开 花 期 前 的 花 序 出 现 阶 段 获 得 的 拟 的 影 响 。 因 此 ， 在 对 油 料 作 物 进 行 研 究 时 ， 除 考
［52 ］
植 被 指 数 与 产 量 相 关 性 最 高 。 虑 作 物 叶 片 等 参 数 之 外 ， 结 合 豆 荚 、 角 果 皮 等 器 官
从 上 述 研 究 可 以 看 出 ， 油 料 作 物 结 构 和 生 长 发 参 数 进 行 估 产 研 究 实 属 必 要 。
育 周 期 较 为 独 特 。 开 花 期 、 角 果 期 及 豆 荚 期 等 物 候 然 而 ， 油 菜 、 大 豆 等 作 物 光 学 器 官 多 样 ， 冠 层
期 是 其 生 长 和 发 育 的 关 键 阶 段 ， 与 产 量 密 切 相 关 。 结 构 复 杂 ， 已 经 有 研 究 证 明 仅 靠 光 谱 数 据 估 算 区 域
［71 ］
估 产 过 程 中 不 同 物 候 期 的 选 择 ， 会 对 油 料 作 物 的 产 油 料 作 物 的 产 量 具 有 一 定 局 限 性 。 Liu 等 、
［72 ］
量 估 算 结 果 产 生 不 同 影 响 。 因 此 ， 在 进 行 油 料 作 物 Bognár 等 结 合 多 光 谱 遥 感 数 据 和 机 器 学 习 算 法
估 产 研 究 时 ， 考 虑 油 料 作 物 的 特 殊 性 ， 并 选 取 合 适 估 算 区 域 油 菜 产 量 ， 发 现 直 接 使 用 光 学 遥 感 数 据 进
的 物 候 期 进 行 研 究 十 分 必 要 。 行 油 菜 产 量 预 测 精 度 较 低 。Yoosefzadeh-najafabadi
［73 ］ ［74 ］
2.3.2 　 遥 感 数 据 源 　 等 和 Sun 等 使 用 光 学 遥 感 数 据 估 算 区 域 大 豆
不 同 的 遥 感 数 据 源 具 有 不 同 的 传 感 器 特 性 、 时
生 物 量 和 产 量 ， 结 果 指 出 大 豆 产 量 模 拟 精 度 偏 低 。
空 分 辨 率 等 ， 因 此 在 油 料 作 物 估 产 研 究 中 ， 选 取 合
SAR 能 够 穿 透 植 被 、 获 取 更 深 的 作 物 结 构 信 息 ， 在
适 的 遥 感 数 据 源 对 于 获 得 准 确 的 估 产 结 果 至 关
作 物 结 构 监 测 方 面 具 有 一 定 优 势 。 基 于 此 ， 穿 透 能
重 要 。
力 强 的 SAR 数 据 已 被 考 虑 应 用 于 油 料 作 物 的 估 产 研
［75 ］ ［76 ］
光 学 遥 感 数 据 可 以 提 供 丰 富 的 光 谱 信 息 ， 以 反
究 方 面 。 Yang 等 和 Nguyen 等 利 用 全 极 化
映 作 物 的 生 长 状 况 。 当 前 作 物 估 产 研 究 使 用 的 遥 感
SAR 遥 感 数 据 估 算 油 菜 地 上 生 物 量 和 产 量 ， 研 究 显
［6, 57 ］ ［58, 59 ］ ［60, 61 ］
数 据 以 MODIS 、Landsat 、Sentinel-2 、
示 SAR 遥 感 数 据 对 提 高 区 域 油 菜 产 量 预 测 能 力 和 准
［7 ］
环 境 星 等 光 学 遥 感 数 据 为 主 。 但 是 ， 遥 感 传 感
确 性 有 一 定 作 用 。
器 不 能 直 接 感 知 作 物 产 量 ， 需 要 利 用 遥 感 波 段 或 通
2.3.3 　 建 模 方 法 　
过 波 段 计 算 的 植 被 指 数 反 演 与 作 物 产 量 密 切 相 关 的 作 物 遥 感 估 产 的 建 模 方 法 主 要 包 括 统 计 回 归 模
冠 层 或 作 物 参 数 获 取 遥 感 特 征 与 作 物 参 数 间 的 关 型 法 和 机 器 学 习 法 。
［62, 63 ］
系 ， 进 而 进 行 作 物 产 量 的 估 算 。NDVI 、EVI 统 计 回 归 模 型 法 主 要 基 于 遥 感 波 段 或 遥 感 植 被
［64 ］ ［59, 65 ］
等 植 被 指 数 被 广 泛 应 用 于 区 域 玉 米 、 小 麦 指 数 建 立 与 产 量 的 经 验 回 归 关 系 ， 建 立 遥 感 数 据 和
等 作 物 的 产 量 估 算 研 究 中 ， 并 获 得 了 较 好 的 估 产 进 产 量 之 间 的 数 学 模 型 ， 主 要 包 括 最 小 二 乘 （Least
展 。 除 主 粮 作 物 外 ， 有 研 究 证 明 光 学 植 被 指 数 同 样 Squares ， LS ） 法 和 线 性 回 归 （Linear Regression ，Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 7
LR ） 法 等 。 统 计 回 归 模 型 具 有 简 单 直 观 、 快 速 高 说 明 LSTM 在 大 豆 产 量 预 测 方 面 的 性 能 优 于 传 统 的
［74 ］
效 、 适 用 性 广 泛 等 优 点 ， 可 用 于 获 取 大 范 围 的 作 物 机 器 学 习 算 法 。Sun 等 基 于 光 学 遥 感 反 射 率 ， 利
［48 ］
产 量 信 息 。Li 等 基 于 PLSR 方 法 建 立 产 量 预 测 模 用 卷 积 神 经 网 络 （Convolutional Neural Network ，
型 估 算 了 区 域 大 豆 产 量 ， 验 证 了 LAI 、 生 物 量 等 参 CNN ） 、LSTM 算 法 提 出 了 一 种 CNN-LSTM 深 度 学
数 与 大 豆 产 量 的 显 著 相 关 性 。 回 归 模 型 建 模 方 法 简 习 模 型 并 模 拟 县 级 大 豆 产 量 ， 研 究 表 明 相 较 于 单 纯
单 但 仍 有 一 定 局 限 性 ， 存 在 模 型 稳 健 性 不 强 的 问 的 CNN 、LSTM ， 所 提 出 的 CNN-LSTM 模 型 预 测
［64 ］ 2 ［82 ］
题 。 此 外 ， 作 物 的 产 量 形 成 具 有 非 线 性 特 点 ， 性 能 更 佳 ， 其 决 定 系 数 R 为 0.78 。Abbaszadeh 等
对 于 复 杂 的 非 线 性 关 系 使 用 简 单 的 回 归 模 型 可 能 会 通 过 集 成 3 维 卷 积 神 经 网 络 （Three-Dimensional
［77 ］
影 响 估 产 结 果 的 精 度 和 准 确 性 。 Convolutional Neural Network ， 3DCNN ） 和 卷 积 长
机 器 学 习 方 法 则 是 一 种 基 于 数 据 的 建 模 方 法 ， 短 期 记 忆 （Convolutional Long Short-Term Memory ，
通 过 对 大 量 数 据 进 行 训 练 学 习 遥 感 数 据 与 产 量 信 息 ConvLSTM ） 两 个 深 度 神 经 网 络 构 建 估 产 模 型 ， 利
［78 ］
之 间 的 复 杂 关 系 ， 从 而 建 立 作 物 估 产 模 型 ， 主 用 MODIS 数 据 研 究 美 国 多 个 县 的 大 豆 产 量 ， 表 明
要 包 括 支 持 向 量 机 回 归 （Support Vactor Regres‐ 所 提 方 法 的 大 豆 估 产 性 能 优 于 单 独 的 3DCNN 和
sion ， SVR ） 、BPNN 等 。 机 器 学 习 可 以 自 动 学 习 来 ConvLSTM ， 能 够 更 准 确 、 可 靠 地 用 于 大 豆 估 产 。
［83 ］
自 多 个 数 据 级 别 的 特 征 ， 因 其 高 精 度 、 训 练 快 速 及 Zhou 等 基 于 多 光 谱 大 豆 数 据 和 CNN 模 型 ， 开 发
可 用 小 样 本 建 模 等 优 势 被 广 泛 应 用 。Mateo-sanchis 了 一 种 混 合 CNN 模 型 用 于 估 算 大 豆 产 量 ， 并 获 得
［79 ］ 2
等 利 用 机 器 学 习 方 法 组 合 光 学 EVI 和 微 波 植 被 了 较 高 的 估 产 精 度 ， 预 测 精 度 R 为 0.78 ， 研 究 指 出
光 学 深 度 （Vegetation Optical Depth ，VOD ） 的 完 深 度 学 习 方 法 在 大 豆 产 量 预 测 方 面 具 有 较 大 潜 力 。
［84 ］
整 时 间 序 列 ， 并 构 建 估 产 模 型 预 测 大 豆 产 量 ， 最 终 Teodoro 等 基 于 多 光 谱 数 据 ， 提 出 了 一 个 深 层 的
2
获 得 了 较 高 的 估 产 精 度 ， 其 决 定 系 数 R 高 达 0.9 。 深 度 学 习 网 络 用 于 大 豆 产 量 预 测 ， 并 将 其 与 RF 、
［10 ］
Krupavathi 等 在 研 究 中 指 出 ， 利 用 ANN 方 法 构 SVM 和 LR 浅 层 学 习 模 型 进 行 比 较 ， 发 现 基 于 深 度
建 产 量 预 测 模 型 相 对 稳 定 ， 可 较 好 地 获 取 作 物 产 量 学 习 网 络 构 建 的 估 产 模 型 预 测 精 度 最 高 。Reisi-gah‐
［85 ］
与 遥 感 参 数 之 间 的 复 杂 关 系 ， 在 产 量 预 测 中 具 有 优 rouei 等 基 于 机 载 SAR 数 据 的 L 波 段 ， 利 用 多 元
越 性 。 因 此 ， 相 较 于 统 计 回 归 模 型 方 法 ， 机 器 学 习 线 性 回 归 （Multiple Linear Regression ， MLR ） 和
法 在 油 料 作 物 估 产 领 域 具 有 更 大 的 应 用 潜 力 。 ANN 构 建 模 型 估 计 油 菜 、 大 豆 作 物 的 生 物 量 ， 结
国 内 外 一 些 学 者 基 于 遥 感 技 术 在 不 同 油 料 作 物 果 表 明 基 于 ANN 构 建 的 模 型 生 物 量 估 计 更 为 准 确 。
［86 ］
的 估 产 研 究 上 进 行 了 探 索 ， 证 明 了 机 器 学 习 方 法 在 Yu 和 Shang 通 过 HJ-1A/1B 计 算 的 NDVI 值 结 合
［80 ］
油 料 作 物 估 产 上 的 优 越 性 。Pejak 等 利 用 多 光 谱 物 候 特 征 ， 利 用 RF 方 法 构 建 估 产 模 型 估 算 区 域 向
植 被 指 数 ， 分 别 基 于 SVM 、 RF 、 极 限 梯 度 提 升 日 葵 产 量 ， 结 果 证 明 RF 模 型 可 用 于 准 确 预 测 区 域
（Extrme Gradient Boosting ，XGB ） 、 随 机 梯 度 下 降 向 日 葵 产 量 ， 均 方 根 误 差 RMSE 为 0.4 t/ha ， 相 对 误
［87 ］
法 （Stochastic Gradient Descent ， SGD ） 等 多 种 不 差 为 10.1% 。Zeng 等 利 用 PLSR 和 ANN 建 立 向
同 的 机 器 学 习 算 法 构 建 模 型 预 测 大 豆 产 量 ， 并 探 日 葵 产 量 预 测 模 型 ， 结 果 表 明 结 合 遥 感 数 据 和
索 不 同 模 型 的 估 产 性 能 ， 结 果 发 现 相 较 于 其 他 算 ANN 模 型 在 向 日 葵 产 量 预 测 方 面 具 有 一 定 优 势 。
［88 ］
法 ，SGD 模 型 表 现 最 佳 ， 平 均 绝 对 误 差 MAE 为 Amankulova 等 基 于 Sentinel-2 多 光 谱 数 据 计 算 的
［81 ］
0.436 t/ha ， 相 关 系 数 为 0.83% 。Schwalbert 等 基 植 被 指 数 ， 分 别 采 用 MLR 、RF 、SVM 三 种 方 法 构
于 光 学 遥 感 数 据 计 算 的 EVI 和 NDVI ， 结 合 长 短 期 建 模 型 预 测 向 日 葵 产 量 ， 结 果 表 明 RF 方 法 是 预 测
记 忆 神 经 网 络 （Long Short-Term Memory ， LSTM ） 田 间 规 模 作 物 产 量 的 最 佳 机 器 学 习 方 法 。 大 量 研 究
构 建 区 域 大 豆 产 量 预 测 模 型 并 估 算 了 大 豆 产 量 ， 与 证 实 了 机 器 学 习 方 法 在 油 料 作 物 遥 感 估 产 领 域 的
基 于 RF 方 法 构 建 的 估 产 模 型 预 测 结 果 进 行 比 较 ， 优 势 。
发 现 LSTM 模 型 的 MAE 、RMSE 指 标 均 低 于 RF ， 与 回 归 模 型 方 法 相 比 ， 机 器 学 习 算 法 通 常 需 要8 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
［94 ］
更 多 的 计 算 资 源 和 时 间 优 化 模 型 。 因 此 ， 尽 管 机 器 一 种 有 效 工 具 。Trépos 等 利 用 EnKF 方 法 将 LAI
学 习 方 法 表 现 更 佳 ， 在 区 域 估 产 研 究 中 ， 要 基 于 实 同 化 到 SUNFLO 作 物 模 型 中 预 测 向 日 葵 的 产 量 ， 并
比 较 了 直 接 模 拟 和 不 同 同 化 LAI 算 法 的 预 测 结 果 ，
际 情 况 和 研 究 目 标 ， 结 合 各 方 法 的 优 势 和 局 限 性 ，
研 究 发 现 与 单 独 模 拟 相 比 ， 将 LAI 同 化 到 作 物 模
选 取 适 当 的 建 模 方 法 。
2.3.4 　 数 据 同 化 估 产 　 型 中 进 行 产 量 预 测 的 结 果 更 好 （RMSE 从 9.88 到
自 20 世 纪 60 年 代 起 ， 作 物 模 型 的 研 究 随 着 农
7.49 q/ha ） ， 且 相 较 于 最 小 二 乘 估 计 （the Least
业 科 学 、 计 算 机 技 术 的 发 展 以 及 人 类 对 作 物 生 长 机
Square Estimator ， LSE ） 方 法 ，EnKF 方 法 进 一 步 提
［89, 90 ］
理 认 识 的 不 断 加 深 得 到 了 快 速 发 展 。 作 物 模 型
高 了 产 量 预 测 精 度 （RMSE 从 7.92 到 7.49 q/ha ） ， 明
可 以 较 好 地 模 拟 单 点 尺 度 的 作 物 生 长 发 育 过 程 ， 但
显 改 善 了 向 日 葵 的 产 量 预 测 结 果 。 研 究 表 明 ， 数 据
［91 ］
Deligios 等 在 对 油 菜 的 产 量 预 测 研 究 中 发 现 作 物
同 化 技 术 可 以 弥 补 遥 感 数 据 和 实 地 观 测 数 据 的 互 补
生 长 模 型 不 适 用 于 区 域 尺 度 的 油 菜 产 量 模 拟 。 当 作
性 ， 从 而 提 高 油 料 作 物 的 区 域 估 产 精 度 。
物 产 量 模 拟 从 单 点 研 究 扩 展 到 区 域 尺 度 时 ， 空 间 尺 （2 ） 同 化 网 格 。 同 化 网 格 是 将 作 物 模 型 和 遥
度 的 增 加 会 带 来 地 表 或 近 地 表 环 境 的 非 均 匀 性 ， 使
感 观 测 数 据 所 涉 及 的 地 理 空 间 划 分 为 不 同 的 单 元 区
得 作 物 模 型 中 的 参 数 获 取 以 及 区 域 化 等 问 题 的 解 决
域 或 网 格 ， 用 于 数 据 同 化 和 模 型 更 新 。 在 基 于 数 据
［92, 93 ］
遇 到 困 难 。 卫 星 遥 感 因 其 覆 盖 范 围 广 和 时 空 分
同 化 的 作 物 区 域 产 量 模 拟 中 ， 同 化 网 格 的 选 取 与 最
［95 ］
辨 率 等 独 特 优 势 被 应 用 于 地 面 作 物 的 信 息 获 取 ， 但
终 的 产 量 同 化 精 度 密 切 相 关 。
只 能 获 得 时 间 有 限 、 离 散 的 作 物 生 长 观 测 数 据 ， 不
同 化 网 格 大 小 不 仅 取 决 于 卫 星 遥 感 分 辨 率 ， 还
能 有 效 支 持 作 物 生 长 发 育 和 产 量 形 成 动 态 过 程 的 研
取 决 于 作 物 模 型 输 入 参 数 （ 气 象 要 素 、 作 物 和 土 壤
［96 ］
究 。 而 油 料 作 物 生 长 结 构 特 殊 ， 生 长 过 程 中 伴 随 着
参 数 以 及 田 间 管 理 措 施 等 ） 分 辨 率 。Gaso 等 将
光 合 器 官 的 演 替 ， 这 导 致 了 时 间 上 的 显 著 差 异 性 ； 遥 感 反 演 的 LAI 信 息 同 化 到 大 豆 作 物 生 长 模 型 中 进
与 传 统 的 主 粮 作 物 相 比 ， 油 料 作 物 的 种 植 方 式 也 存 行 大 豆 产 量 预 测 ， 研 究 发 现 不 同 大 豆 田 块 的 LAI 存
在 差 异 ， 通 常 表 现 为 小 块 且 零 散 的 田 块 ， 因 而 在 空 在 一 定 的 空 间 差 异 ， 遥 感 数 据 空 间 分 辨 率 的 变 化 对
［97 ］
间 分 布 上 呈 现 出 多 样 性 。 这 些 特 殊 性 可 能 会 给 基 于
作 物 同 化 精 度 有 直 接 影 响 。Gaso 等 基 于 变 分 同
遥 感 技 术 的 油 料 作 物 监 测 带 来 挑 战 。 因 此 ， 可 将 遥
化 方 法 将 观 测 LAI 同 化 入 作 物 生 长 模 型 中 ， 预 测 田
感 信 息 引 入 作 物 模 型 进 行 数 据 同 化 ， 以 提 高 作 物 生
块 尺 度 大 豆 产 量 ， 结 果 显 示 田 块 内 LAI 的 变 异 性 使
长 模 拟 和 产 量 估 测 能 力 ， 实 现 遥 感 反 演 与 作 物 模 型
得 大 豆 产 量 预 测 存 在 一 定 的 不 确 定 性 ， 从 而 影 响 产
［98 ］
模 拟 的 时 空 扩 展 。 而 同 化 算 法 和 同 化 网 格 是 数 据 同 量 预 测 精 度 。Tang 等 基 于 MODIS 遥 感 数 据 反 演
化 估 产 的 重 要 组 成 部 分 ， 结 合 油 料 作 物 特 点 ， 选 取 的 LAI 对 油 菜 进 行 同 化 估 产 研 究 ， 研 究 表 明 同 化 估
合 适 的 算 法 和 网 格 进 行 研 究 尤 为 重 要 。 产 结 果 受 LAI 曲 线 影 响 较 大 ， 弥 补 LAI 偏 差 可 获 得
（1 ） 同 化 算 法 。 同 化 算 法 是 作 物 同 化 估 产 系 准 确 的 油 菜 LAI 曲 线 ， 并 提 高 区 域 油 菜 的 同 化 估 产
统 中 最 重 要 的 组 成 部 分 。 基 于 代 价 函 数 的 参 数 优 化 精 度 。 由 此 可 见 ， 遥 感 数 据 空 间 分 辨 率 及 模 型 输 入
算 法 和 基 于 估 计 理 论 的 集 合 滤 波 算 法 ， 是 目 前 使 用
参 数 分 辨 率 均 会 对 同 化 估 产 结 果 产 生 影 响 。
最 广 泛 的 两 类 同 化 算 法 。 前 者 主 要 包 括 单 纯 形 搜 索
随 着 卫 星 遥 感 数 据 空 间 分 辨 率 的 提 高 ， 可 获 得
算 法 、 复 合 型 混 合 演 算 法 （Shuffled Complex Evo‐
更 精 细 的 同 化 网 格 ， 产 量 模 拟 的 空 间 差 异 性 也 变 得
lution ， SCE-UA 等 ） ； 代 价 函 数 有 均 方 根 误 差 、 四 显 著 。 但 同 化 网 格 的 缩 小 不 会 一 直 提 高 同 化 估 产 精
维 变 分 等 。 而 后 者 主 要 有 集 合 卡 尔 曼 滤 波 （Ensem‐ 度 ， 而 是 存 在 一 个 最 优 同 化 单 元 ， 并 与 农 田 地 块 大
［99 ］
ble Kalman Filter ，EnKF ） 及 粒 子 滤 波 （Particle Fil‐ 小 存 在 紧 密 联 系 。 合 理 选 取 同 化 网 格 是 实 现 准
ter ，PF ） 等 同 化 算 法 。 确 的 作 物 区 域 产 量 模 拟 的 关 键 之 一 。 因 此 ， 考 虑 同
有 研 究 人 员 基 于 数 据 同 化 技 术 对 油 料 作 物 展 开 化 区 域 网 格 大 小 ， 基 于 数 据 同 化 技 术 对 油 料 作 物 进
研 究 ， 证 实 了 数 据 同 化 技 术 可 作 为 油 料 作 物 估 产 的 行 估 产 研 究 是 未 来 的 重 点 研 究 方 向 。Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 9
［107-109 ］
充 实 菜 籽 ， 油 菜 角 果 成 为 冠 层 主 要 组 分 。 油
3 油 料 作 物 产 量 监 测 的 挑 战 与 展 望
菜 长 角 果 、 大 豆 短 荚 果 均 因 参 与 作 物 光 合 作 用 对
相 较 于 传 统 的 地 面 调 查 监 测 方 法 ， 遥 感 技 术 为
产 量 形 成 具 有 一 定 作 用 ， 其 中 ， 油 菜 籽 粒 产 量 的
油 料 作 物 生 长 监 测 和 产 量 估 测 提 供 了 技 术 支 撑 。 因
50% —70% 来 自 角 果 皮 ， 而 豆 荚 对 产 量 的 贡 献 仅 次
此 ， 对 油 料 作 物 进 行 长 势 监 测 和 产 量 估 算 是 遥 感 技
［110, 111 ］
于 叶 片 。 由 此 可 知 ， 角 果 、 豆 荚 等 器 官 是 大
［100 ］
术 在 农 业 生 产 中 的 重 要 应 用 。
豆 、 油 菜 等 油 料 作 物 的 特 有 结 构 ， 与 产 量 密 切 相
近 年 来 ， 遥 感 技 术 在 油 料 作 物 监 测 领 域 取 得 了
关 ， 这 些 特 殊 的 生 长 结 构 和 生 理 指 标 对 于 油 料 作 物
显 著 的 进 展 ， 并 且 在 全 球 范 围 内 受 到 了 广 泛 的 关 注
的 产 量 估 算 具 有 重 要 影 响 。 因 此 ， 对 于 油 菜 、 大 豆
和 应 用 。 除 国 外 较 为 常 用 的 Sentinel 系 列 、Landsat
等 角 果 或 豆 荚 光 合 作 用 活 跃 的 作 物 进 行 估 产 时 ， 仅
系 列 、MODIS 、RADARSAT 等 遥 感 卫 星 之 外 ， 中
使 用 冠 层 LAI 作 为 同 化 状 态 变 量 进 行 作 物 产 量 估 算
国 也 陆 续 发 射 了 资 源 系 列 、 高 分 系 列 、 环 境 等 遥 感
可 能 出 现 产 量 的 严 重 低 估 ， 影 响 区 域 作 物 产 量 模 拟
卫 星 ， 在 光 学 、 微 波 研 究 领 域 获 得 了 重 要 成 就 。 利
的 准 确 性 。
用 遥 感 卫 星 数 据 ， 开 展 油 料 作 物 估 产 研 究 已 成 为 未
3.1.2 　 空 间 尺 度 确 定 　
来 的 发 展 趋 势 之 一 。 随 着 遥 感 技 术 的 发 展 ， 遥 感 技
油 料 作 物 的 种 植 分 布 是 造 成 区 域 油 料 作 物 估 产
术 在 油 料 作 物 监 测 领 域 的 应 用 将 越 来 越 受 到 各 国 研
精 度 偏 低 的 因 素 之 一 。 不 同 于 主 粮 作 物 ， 中 国 油 料
究 人 员 的 重 视 。
作 物 的 种 植 田 块 普 遍 较 小 。 尤 其 是 油 菜 ， 主 要 种 植
3.1 　 主 要 挑 战 　
于 中 国 南 方 丘 陵 山 区 ， 景 观 格 局 复 杂 、 田 块 破 碎 。
同 时 ， 作 物 种 植 结 构 混 乱 ， 田 间 作 物 种 类 多 ， 还 有
遥 感 技 术 为 油 料 作 物 的 监 测 和 估 产 提 供 了 全 面
厂 房 等 建 筑 建 在 田 间 ， 杂 乱 无 序 。 上 述 情 况 更 容 易
的 数 据 支 持 ， 对 油 料 作 物 进 行 估 产 研 究 具 有 非 常 重
产 生 像 元 混 合 ， 使 得 单 元 网 格 内 油 菜 作 物 提 取 信 息
要 的 意 义 。 然 而 ， 由 于 油 料 作 物 种 植 布 局 和 作 物 结
较 少 ， 影 响 作 物 的 同 化 精 度 。 从 遥 感 技 术 来 看 ， 使
构 特 征 的 复 杂 性 ， 区 域 油 料 作 物 产 量 模 拟 精 度 较
用 规 则 化 产 量 模 拟 网 格 进 行 区 域 油 料 作 物 估 产 可 能
低 ， 技 术 难 度 较 大 。 基 于 此 ， 将 遥 感 估 产 技 术 应 用
混 淆 大 量 背 景 地 物 ， 引 入 额 外 误 差 ， 影 响 油 料 作 物
于 中 国 油 料 作 物 的 估 产 研 究 中 时 ， 在 作 物 结 构 、 作
产 量 。 因 此 ， 关 注 作 物 种 植 区 域 特 点 ， 对 于 油 料 作
物 分 布 以 及 遥 感 数 据 源 等 方 面 存 在 一 些 挑 战 。
物 的 区 域 估 产 具 有 重 大 科 学 意 义 。
3.1.1 　 作 物 特 征 选 取 　
3.1.3 　 遥 感 数 据 选 取 　
在 同 化 估 产 系 统 中 ， 桥 接 作 物 模 型 与 遥 感 观 测
光 学 遥 感 是 当 前 作 物 估 产 领 域 使 用 较 为 广 泛 的
的 同 化 变 量 直 接 影 响 着 同 化 效 率 和 估 产 精 度 。LAI
［101 ］
数 据 源 。 然 而 ， 对 于 油 菜 、 大 豆 等 油 料 作 物 ， 角 果
与 作 物 产 量 密 切 相 关 ， 是 主 粮 作 物 估 产 中 较 为
［102, 103 ］
和 豆 荚 的 形 状 、 排 列 和 分 布 均 与 作 物 叶 片 不 同 ， 仅
常 用 的 同 化 变 量 。 但 研 究 表 明 ， 对 于 大 豆 、
使 用 光 学 遥 感 获 取 的 反 射 特 性 很 难 支 持 这 些 立 体 光
油 菜 等 油 料 作 物 ， 仅 用 LAI 进 行 产 量 预 测 会 造 成 估
合 器 官 参 数 的 遥 感 反 演 。 同 时 ， 考 虑 到 中 国 油 料 作
产 精 度 偏 低 。
物 种 植 分 布 及 空 间 布 局 特 征 ， 受 气 象 条 件 影 响 可 能
从 植 物 学 和 作 物 学 等 相 关 学 科 进 行 分 析 发 现 ，
难 以 获 得 充 足 的 光 学 遥 感 数 据 。 中 国 大 豆 关 键 生 育
造 成 区 域 油 料 作 物 产 量 模 拟 精 度 偏 低 的 原 因 在 于 大
期 在 夏 、 秋 两 季 ， 多 云 多 雨 ， 光 学 遥 感 数 据 易 受 到
豆 、 油 菜 等 油 料 作 物 存 在 豆 荚 或 角 果 等 光 合 作 用 活
［104-106 ］
气 象 条 件 干 扰 ； 而 油 菜 主 产 区 主 要 位 于 中 国 南 方 丘
跃 的 非 叶 光 合 器 官 。 以 油 菜 为 例 ， 叶 片 是 油
陵 山 区 ， 常 年 多 阴 雨 、 云 量 大 ， 易 对 光 学 遥 感 数 据
菜 苗 期 至 开 花 期 的 主 要 冠 层 组 分 ， 承 担 着 油 菜 苗 期
产 生 干 扰 ， 使 得 油 菜 关 键 生 育 期 内 光 学 遥 感 数 据 获
的 大 部 光 合 作 用 ； 油 菜 开 花 后 角 果 生 长 ， 角 果 表 面
积 迅 速 增 加 ， 叶 片 和 角 果 共 同 作 为 油 菜 冠 层 组 分 并 取 困 难 。 因 此 ， 仅 使 用 光 学 数 据 会 对 区 域 油 料 作 物
共 同 进 行 植 株 光 合 作 用 ； 角 果 期 后 ， 角 果 生 长 发 育 估 产 结 果 产 生 一 定 影 响 。SAR 信 号 不 受 云 雨 等 气 象
至 定 型 ， 叶 片 衰 落 ， 油 菜 主 要 依 靠 角 果 皮 光 合 作 用 条 件 影 响 ， 穿 透 能 力 强 ， 可 获 取 油 料 作 物 冠 层 植 被10 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
下 的 地 表 信 息 。 但 是 ， 因 其 较 强 的 反 射 和 散 射 ， 会 和 覆 盖 程 度 上 的 不 足 。 因 此 ， 结 合 光 学 数 据 和 雷 达
受 到 油 料 作 物 冠 层 植 被 结 构 的 影 响 ， 造 成 信 号 混 侧 式 斜 距 遥 感 测 量 技 术 的 优 势 感 知 ， 推 导 作 物 叶 片
和 角 果 、 豆 荚 与 遥 感 数 据 参 数 间 响 应 关 系 ， 进 而 对
淆 。 此 外 ，SAR 数 据 与 地 物 的 交 互 作 用 会 产 生 多 种
桥 接 作 物 特 征 与 遥 感 信 息 进 行 作 物 产 量 模 拟 ， 也 是
散 射 模 式 ， 导 致 散 射 机 理 复 杂 ， 数 据 解 释 和 处 理 过
油 料 作 物 产 量 监 测 领 域 的 重 要 发 展 方 向 之 一 。
程 的 难 度 增 加 ， 也 会 给 估 产 研 究 带 来 一 定 困 难 。 因
综 上 所 述 ， 遥 感 技 术 在 油 料 作 物 的 监 测 和 估 产
此 ， 遥 感 数 据 源 的 选 择 也 会 对 油 料 作 物 的 估 产 研 究
领 域 应 用 广 泛 且 优 势 明 显 ， 然 而 也 面 临 一 些 挑 战 ，
产 生 一 定 影 响 。
在 作 物 结 构 、 作 物 分 布 、 多 源 数 据 协 同 等 方 面 仍 需
3.2 　 展 望 　
进 一 步 深 入 研 究 和 探 索 。 随 着 遥 感 技 术 的 不 断 发 展
和 改 进 ， 未 来 遥 感 技 术 将 在 油 料 作 物 估 产 领 域 发 挥
利 用 遥 感 技 术 对 油 料 作 物 估 产 在 作 物 结 构 、 作
更 重 要 的 作 用 ， 为 农 业 生 产 和 资 源 管 理 提 供 更 准
物 分 布 及 遥 感 数 据 源 等 方 面 存 在 一 些 难 点 和 挑 战 ，
确 、 高 效 的 信 息 支 持 。
针 对 此 ， 在 作 物 特 征 选 取 、 空 间 尺 度 确 定 以 及 遥 感
数 据 选 择 等 方 面 提 出 展 望 。
利 益 冲 突 声 明 ： 本 研 究 不 存 在 研 究 者 以 及 与 公 开
首 先 ， 在 作 物 特 征 选 取 上 ， 需 要 综 合 考 虑 作 物
研 究 成 果 有 关 的 利 益 冲 突 。
植 株 特 征 和 角 果 、 豆 荚 对 作 物 产 量 形 成 的 农 学 机
理 。 油 菜 的 角 果 和 豆 类 作 物 的 豆 荚 的 光 合 作 用 十 分
参 参 考 考 文 文 献 献 ：
活 跃 ， 且 对 油 菜 、 大 豆 的 产 量 形 成 至 关 重 要 。 因
[ 1 ] TEH H F, NEOH B K, ITHNIN N, et al. Review: Omics
此 ， 在 作 物 同 化 估 产 系 统 中 确 定 桥 接 参 数 和 优 化 同 and strategic yield improvement in oil crops[J]. Journal of
the American oil chemists'' society, 2017, 94(10): 1225-
化 算 法 时 ， 需 要 综 合 考 虑 作 物 植 株 特 征 和 角 果 或 豆
1244.
荚 皮 面 积 指 数 对 产 量 形 成 的 综 合 影 响 机 理 ， 结 合 角
[ 2 ] 孙 华, 余 意 雯, 黄 萌, 等 . 我 国 油 料 作 物 生 产 概 况 和 空 间
果 或 豆 荚 皮 面 积 对 LAI 进 行 校 正 ， 以 提 高 作 物 产 量
集 聚 特 征 分 析[J]. 江 苏 农 业 科 学, 2022, 50(23): 67-74.
SUN H, YU Y W, HUANG M, et al. Study on production
估 算 的 准 确 性 是 油 料 作 物 产 量 监 测 领 域 的 重 要 发 展
situation and spatial agglomeration characteristics of oil
方 向 之 一 。
crops in China[J]. Jiangsu agricultural sciences, 2022, 50
其 次 ， 在 空 间 尺 度 确 定 上 ， 使 用 规 则 化 产 量 模
(23): 67-74.
[ 3 ] JIA Y Y, KUMAR D, WINKLER-MOSER J K, et al. Re‐
拟 网 格 可 能 混 淆 大 量 背 景 地 物 ， 引 入 额 外 误 差 ， 影
coveries of oil and hydrolyzed sugars from corn germ
响 作 产 量 的 同 化 精 度 。 因 此 ， 可 以 参 考 遥 感 制 图 相
meal by hydrothermal pretreatment: A model feedstock
关 研 究 方 法 ， 基 于 田 间 管 理 、 作 物 品 种 ， 土 壤 特
for lipid-producing energy crops[J]. Energies, 2020, 13
(22): ID 6022.
性 ， 以 及 同 化 变 量 的 空 间 分 布 等 建 立 空 间 异 质 性 的
[ 4 ] DEMIREL C, KABUTEY A, HERáK D, et al. Optimiz‐
判 别 函 数 从 而 进 行 空 间 聚 类 ， 或 根 据 面 向 对 象 的 知
ing uniaxial oil extraction of bulk rapeseeds: Spectropho‐
识 进 行 语 义 分 割 （ 如 基 于 边 界 、 区 域 、 机 器 学 习
tometric and chemical analyses of the extracted oil under
pretreatment temperatures and heating intervals[J]. Pro‐
等 ） 进 行 估 产 网 格 或 单 元 的 划 分 ， 是 油 料 作 物 产 量
cesses, 2021, 9(10): ID 1755.
监 测 领 域 的 重 要 发 展 方 向 之 一 。
[ 5 ] 王 瑞 元 . 2021 年 我 国 粮 油 产 销 和 进 出 口 情 况[J]. 中 国 油
最 后 ， 在 遥 感 数 据 选 取 上 ， 光 学 数 据 易 受 气 候
脂, 2022, 47(6): 1-7.
WANG R Y. Introduction of grain and oil producfion, mar‐
条 件 影 响 ， 仅 使 用 光 学 遥 感 获 取 油 料 作 物 结 构 信 息
keting, import and export in 2021 in China[J]. China oils
具 有 一 定 局 限 性 。 而 SAR 数 据 不 仅 具 有 全 天 时 、 全
and fats, 2022, 47(6): 1-7.
天 候 、 不 受 气 象 条 件 影 响 的 观 测 能 力 ， 它 的 侧 视 斜
[ 6 ] WANG J A, SI H P, GAO Z, et al. Winter wheat yield pre‐
diction using an LSTM model from MODIS LAI prod‐
距 投 影 成 像 能 力 也 对 油 菜 角 果 、 大 豆 豆 荚 的 立 体 结
ucts[J]. Agriculture, 2022, 12(10): ID 1707.
构 具 有 较 强 敏 感 性 。 尤 其 C 波 段 雷 达 微 波 可 穿 过 作
[ 7 ] ZHANG P P, ZHOU X X, WANG Z X, et al. Using HJ-
物 冠 层 ， 在 作 物 茎 叶 、 角 果 或 豆 荚 间 多 次 散 射 ， 蕴
CCD image and PLS algorithm to estimate the yield of
含 作 物 冠 层 信 息 ， 弥 补 了 光 学 遥 感 数 据 在 感 知 能 力 field-grown winter wheat[J]. Scientific reports, 2020, 10Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 11
(1): ID 5173. sat-2 time-series data[J]. Remote sensing, 2018, 10(2):
[ 8 ] JIN N, TAO B, REN W, et al. Assimilating remote sensing ID 206.
data into a crop model improves winter wheat yield esti‐ [20] YUAN H H, YANG G J, LI C C, et al. Retrieving soybean
mation based on regional irrigation data[J]. Agricultural leaf area index from unmanned aerial vehicle hyperspec‐
water management, 2022, 266: ID 107583. tral remote sensing: Analysis of RF, ANN, and SVM re‐
[ 9 ] BARBOUCHI M, LHISSOU R, ABDELFATTAH R, et gression models[J]. Remote sensing, 2017, 9(4): ID 309.
al. The potential of using Radarsat-2 satellite image for [21] QI H X, ZHU B Y, WU Z Y, et al. Estimation of peanut
modeling and mapping wheat yield in a semiarid environ‐ leaf area index from unmanned aerial vehicle multispec‐
ment[J]. Agriculture, 2022, 12(3): ID 315. tral images[J]. Sensors, 2020, 20(23): ID 6732.
[10] KRUPAVATHI K, RAGHUBABU M, MANI A, et al. [22] MERCIER A, BETBEDER J, RAPINEL S, et al. Evalua‐
Field-scale estimation and comparison of the sugarcane tion of Sentinel-1 and-2 time series for estimating LAI
yield from remote sensing data: A machine learning ap‐ and biomass of wheat and rapeseed crop types[J]. Journal
proach[J]. Journal of the Indian society of remote sensing, of applied remote sensing, 2020, 14(2): ID 024512.
2022, 50(2): 299-312. [23] GHOSH S S, DEY S, BHOGAPURAPU N, et al. Gauss‐
[11] JOSHI V R, THORP K R, COULTER J A, et al. Improv‐ ian process regression model for crop biophysical parame‐
ing site-specific maize yield estimation by integrating sat‐ ter retrieval from multi-polarized C-band SAR data[J]. Re‐
ellite multispectral data into a crop model[J]. Agronomy, mote sensing, 2022, 14(4): ID 934.
2019, 9(11): ID 719. [24] TOMí?EK J, MI?UREC J, LUKE? P. Prototyping a ge‐
[12] 周 青 青, 胡 永 红, 段 建 南 . 农 作 物 遥 感 估 产 的 方 法 综 述[J]. neric algorithm for crop parameter retrieval across the
国 土 资 源 导 刊, 2014, 11(5): 101-103. season using radiative transfer model inversion and Sen‐
ZHOU Q Q, HU Y H, DUAN J N. Summary of methods tinel-2 satellite observations[J]. Remote sensing, 2021, 13
of crop yield estimation by remote sensing[J]. Land & re‐ (18): ID 3659.
sources herald, 2014, 11(5): 101-103. [25] LIU K, ZHOU Q B, WU W B, et al. Estimating the crop
[13] WEI C W, HUANG J F, MANSARAY L, et al. Estimation leaf area index using hyperspectral remote sensing[J].
and mapping of winter oilseed rape LAI from high spatial Journal of integrative agriculture, 2016, 15(2): 475-491.
resolution satellite data based on a hybrid method[J]. Re‐ [26] WANG S Q, GAO W H, MING J, et al. A TPE based in‐
mote sensing, 2017, 9(5): ID 488. version of PROSAIL for estimating canopy biophysical
[14] 郭 云 开, 王 杨 . 经 验 模 型 与 PROSPECT+4SAIL 模 型 反 演 and biochemical variables of oilseed rape[J]. Computers
路 域 LAI 比 较 研 究[J]. 测 绘 与 空 间 地 理 信 息, 2013, 36 and electronics in agriculture, 2018, 152: 350-362.
(11): 1-5. [27] SUN Q, JIAO Q J, CHEN X D, et al. Machine learning al‐
GUO Y K, WANG Y. Comparative study on using the em‐ gorithms for the retrieval of canopy chlorophyll content
pirical model and PROSPECT + 4SAIL model for inver‐ and leaf area index of crops using the PROSAIL-D model
sion LAI of road region[J]. Geomatics & spatial informa‐ with the adjusted average leaf angle[J]. Remote sensing,
tion technology, 2013, 36(11): 1-5. 2023, 15(9): ID 2264.
[15] ZHANG J A, WANG C F, YANG C H, et al. Assessing the [28] NANDAN R, BANDARU V, HE J Y, et al. Evaluating op‐
effect of real spatial resolution of in situ UAV multispec‐ tical remote sensing methods for estimating leaf area in‐
tral images on seedling rapeseed growth monitoring[J]. dex for corn and soybean[J]. Remote sensing, 2022, 14
Remote sensing, 2020, 12(7): ID 1207. (21): ID 5301.
[16] SUN B, WANG C F, YANG C H, et al. Retrieval of rape‐ [29] LI W J, WEISS M, GARRIC B, et al. Mapping crop leaf
seed leaf area index using the PROSAIL model with cano‐ area index and canopy chlorophyll content using UAV
py coverage derived from UAV images as a correction pa‐ multispectral imagery: Impacts of illuminations and distri‐
rameter[J]. International journal of applied earth observa‐ bution of input variables[J]. Remote sensing, 2023, 15(6):
tion and geoinformation, 2021, 102: ID 102373. ID 1539.
[17] QIU C R, LIAO G P, TANG H Y, et al. Derivative parame‐ [30] DUAN S B, LI Z L, WU H A, et al. Inversion of the PRO‐
ters of hyperspectral NDVI and its application in the inver‐ SAIL model to estimate leaf area index of maize, potato,
sion of rapeseed leaf area index[J]. Applied sciences, and sunflower fields from unmanned aerial vehicle hyper‐
2018, 8(8): ID 1300. spectral data[J]. International journal of applied earth ob‐
[18] QI H X, ZHU B Y, KONG L X, et al. Hyperspectral inver‐ servation and geoinformation, 2014, 26: 12-20.
sion model of chlorophyll content in peanut leaves[J]. Ap‐ [31] 王 立 辉, 杜 军, 黄 进 良, 等 . 基 于 GF-1 号 卫 星 WFV 数 据
plied sciences, 2020, 10(7): ID 2259. 反 演 玉 米 叶 面 积 指 数[J]. 华 中 师 范 大 学 学 报( 自 然 科 学
[19] ZHANG W F, CHEN E X, LI Z Y, et al. Rape (Brassica 版), 2016, 50(1): 120-127.
napus L.) growth monitoring and mapping based on radar‐ WANG L H, DU J, HUANG J L, et al. Retrieving Leaf Ar‐12 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
ea Index of maize based on GF-1 multispectral remote ented crop mapping and monitoring using multi-temporal
sensing data[J]. Journal of central China normal university polarimetric RADARSAT-2 data[J]. ISPRS journal of pho‐
(natural sciences), 2016, 50(1): 120-127. togrammetry and remote sensing, 2014, 96: 38-46.
[32] 李 金 帅 . 遥 感 技 术 在 农 业 中 的 应 用 [J]. 农 业 与 技 术 , [43] VALCARCE-DI?EIRO R, ARIAS-PéREZ B, LOPEZ-
2021, 41(11): 61-64. SANCHEZ J M, et al. Multi-temporal dual- and quad-po‐
LI J S. Application of remote sensing technology in agri‐ larimetric synthetic aperture radar data for crop-type map‐
culture[J]. Agriculture and technology, 2021, 41(11): ping[J]. Remote sensing, 2019, 11(13): ID 1518.
61-64. [44] ASAM S, GESSNER U, ALMENGOR GONZáLEZ R, et
[33] ALLIES A, ROUMIGUIé A, DEJOUX J F, et al. Evalua‐ al. Mapping crop types of Germany by combining tempo‐
tion of multiorbital SAR and multisensor optical data for ral statistical metrics of Sentinel-1 and Sentinel-2 time se‐
empirical estimation of rapeseed biophysical parame‐ ries with LPIS data[J]. Remote sensing, 2022, 14(13): ID
ters[J]. IEEE journal of selected topics in applied earth ob‐ 2981.
servations and remote sensing, 2021, 14: 7268-7283. [45] REN T T, XU H T, CAI X M, et al. Smallholder crop type
[34] BAHRAMI H, HOMAYOUNI S, SAFARI A, et al. Deep mapping and rotation monitoring in mountainous areas
learning-based estimation of crop biophysical parameters with Sentinel-1/2 imagery[J]. Remote sensing, 2022, 14
using multi-source and multi-temporal remote sensing ob‐ (3): ID 566.
servations[J]. Agronomy, 2021, 11(7): ID 1363. [46] SORIA RUIZ J, FERNáNDEZ ORDó?EZ Y, GRANA‐
[35] 王 利 民, 刘 佳, 杨 玲 波, 等 . 基 于 NDVI 加 权 指 数 的 冬 小 DOS RAMíREZ R. Methodology for prediction of corn
麦 种 植 面 积 遥 感 监 测[J]. 农 业 工 程 学 报, 2016, 32(17): yield using remote sensing satellite data in Central Mexi ‐
127-135. co[J]. Investigaciones geográficas, 2012(55): ID 61.
WANG L M, LIU J, YANG L B, et al. Remote sensing [47] RICHETTI J, JUDGE J, BOOTE K J, et al. Using phenol‐
monitoring winter wheat area based on weighted NDVI in‐ ogy-based enhanced vegetation index and machine learn‐
dex[J]. Transactions of the Chinese society of agricultural ing for soybean yield estimation in Paraná State, Brazil[J].
engineering, 2016, 32(17): 127-135. Journal of applied remote sensing, 2018, 12(2): ID
[36] 陈 仲 新, 任 建 强, 唐 华 俊, 等 . 农 业 遥 感 研 究 应 用 进 展 与 026029.
展 望[J]. 遥 感 学 报, 2016, 20(5): 748-767. [48] LI C C, MA C Y, CUI Y Q, et al. UAV hyperspectral re‐
CHEN Z X, REN J Q, TANG H J, et al. Progress and per‐ mote sensing estimation of soybean yield based on physio‐
spectives on agricultural remote sensing research and ap‐ logical and ecological parameter and meteorological fac‐
plications in China[J]. Journal of remote sensing, 2016, 20 tor in China[J]. Journal of the Indian society of remote
(5): 748-767. sensing, 2021, 49(4): 873-886.
[37] SONG X P, POTAPOV P V, KRYLOV A, et al. National- [49] FAN H Y, LIU S S, LI J, et al. Early prediction of the seed
scale soybean mapping and area estimation in the United yield in winter oilseed rape based on the near-infrared re‐
States using medium resolution satellite imagery and field flectance of vegetation (NIRv) [J]. Computers and elec‐
survey[J]. Remote sensing of environment, 2017, 190: tronics in agriculture, 2021, 186: ID 106166.
383-395. [50] 龚 龑, 肖 洁, 候 金 雨, 等 . 基 于 无 人 机 遥 感 混 合 光 谱 分 析
[38] SHANGGUAN Y L, LI X Y, LIN Y, et al. Mapping spa‐ 的 油 菜 估 产 模 型[J]. 测 绘 地 理 信 息, 2017, 42(6): 40-45.
tial-temporal nationwide soybean planting area in Argenti ‐ GONG Y, XIAO J, HOU J Y, et al. Rape yields estimation
na using Google Earth Engine[J]. International journal of research based on spectral analysis for UAV image[J].
remote sensing, 2022, 43(5): 1724-1748. Journal of geomatics, 2017, 42(6): 40-45.
[39] LI X Y, YU L, PENG D L, et al. A large-scale, long time- [51] KPIENBAAREH D, MOHAMMED K, LUGINAAH I, et
series (1984 ? 2020) of soybean mapping with phenologi‐ al. Estimating groundnut yield in smallholder agriculture
cal features: Heilongjiang province as a test case[J]. Inter‐ systems using PlanetScope data[J]. Land, 2022, 11(10):
national journal of remote sensing, 2021, 42(19): 7332- ID 1752.
7356. [52] NARIN O G, ABDIKAN S. Monitoring of phenological
[40] YANG H, DENG F, FU H C, et al. Estimation of rape-cul‐ stage and yield estimation of sunflower plant using Senti‐
tivated area based on decision tree and mixed pixel de‐ nel-2 satellite images[J]. Geocarto international, 2022, 37
composition[J]. Journal of the Indian society of remote (5): 1378-1392.
sensing, 2021, 49(6): 1285-1292. [53] ZHANG X Y, ZHAO J M, YANG G J, et al. Establish‐
[41] JIANG Y L, LU Z, LI S, et al. Large-scale and high-reso‐ ment of plot-yield prediction models in soybean breeding
lution crop mapping in China using Sentinel-2 satellite im‐ programs using UAV-based hyperspectral remote sens‐
agery[J]. Agriculture, 2020, 10(10): ID 433. ing[J]. Remote sensing, 2019, 11(23): ID 2752.
[42] JIAO X F, KOVACS J M, SHANG J L, et al. Object-ori‐ [54] D''ANDRIMONT R, TAYMANS M, LEMOINE G, et al. Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 13
Detecting flowering phenology in oil seed rape parcels [67] ZAMANI-NOOR N, FEISTKORN D. Monitoring growth
with Sentinel-1 and -2 time series[J]. Remote sensing of status of winter oilseed rape by NDVI and NDYI derived
environment, 2020, 239: ID 111660. from UAV-based red-green-blue imagery[J]. Agronomy,
[55] HAN J H, WEI C W, CHEN Y L, et al. Mapping above- 2022, 12(9): ID 2212.
ground biomass of winter oilseed rape using high spatial [68] HE H T, MA X D, GUAN H O, et al. Recognition of soy‐
resolution satellite data at parcel scale under waterlogging bean pods and yield prediction based on improved deep
conditions[J]. Remote sensing, 2017, 9(3): ID 238. learning model[J]. Frontiers in plant science, 2023, 13: ID
[56] MA Y, FANG S H, PENG Y, et al. Remote estimation of 1096619.
biomass in winter oilseed rape (Brassica napus L.) using [69] PENG Y, ZHU T E, LI Y C, et al. Remote prediction of
canopy hyperspectral data at different growth stages[J]. yield based on LAI estimation in oilseed rape under differ‐
Applied sciences, 2019, 9(3): ID 545. ent planting methods and nitrogen fertilizer applica‐
[57] XIN Q C, GONG P, YU C Q, et al. A production efficien‐ tions[J]. Agricultural and forest meteorology, 2019, 271:
cy model-based method for satellite estimates of corn and 116-125.
soybean yields in the Midwestern US[J]. Remote sensing, [70] GONG Y, DUAN B, FANG S H, et al. Remote estimation
2013, 5(11): 5926-5943. of rapeseed yield with unmanned aerial vehicle (UAV) im‐
[58] ALGANCI U, OZDOGAN M, SERTEL E, et al. Estimat‐ aging and spectral mixture analysis[J]. Plant methods,
ing maize and cotton yield in southeastern Turkey with in‐ 2018, 14: ID 70.
tegrated use of satellite images, meteorological data and [71] LIU Y N, LIU S S, LI J, et al. Estimating biomass of win‐
digital photographs[J]. Field crops research, 2014, 157: ter oilseed rape using vegetation indices and texture met‐
8-19. rics derived from UAV multispectral images[J]. Comput‐
[59] GASO D V, BERGER A G, CIGANDA V S. Predicting ers and electronics in agriculture, 2019, 166: ID 105026.
wheat grain yield and spatial variability at field scale us‐ [72] BOGNáR P, KERN A, PáSZTOR S, et al. Testing the ro‐
ing a simple regression or a crop model in conjunction bust yield estimation method for winter wheat, corn, rape‐
with Landsat images[J]. Computers and electronics in ag‐ seed, and sunflower with different vegetation indices and
riculture, 2019, 159: 75-83. meteorological data[J]. Remote sensing, 2022, 14(12): ID
[60] SHARIFI A. Yield prediction with machine learning algo‐ 2860.
rithms and satellite images[J]. Journal of the science of [73] YOOSEFZADEH-NAJAFABADI M, TULPAN D, ES‐
food and agriculture, 2021, 101(3): 891-896. KANDARI M. Using hybrid artificial intelligence and
[61] FERNANDEZ-BELTRAN R, BAIDAR T, KANG J A, et evolutionary optimization algorithms for estimating soy‐
al. Rice-yield prediction with multi-temporal Sentinel-2 bean yield and fresh biomass using hyperspectral vegeta‐
data and 3D CNN: A case study in Nepal[J]. Remote sens‐ tion indices[J]. Remote sensing, 2021, 13(13): ID 2555.
ing, 2021, 13(7): ID 1391. [74] SUN J, DI L P, SUN Z H, et al. County-level soybean
[62] SIYAL AALI, DEMPEWOLF J, BECKER-RESHEF I. yield prediction using deep CNN-LSTM model[J]. Sen‐
Rice yield estimation using Landsat ETM+ Data[J]. Jour‐ sors, 2019, 19(20): ID 4363.
nal of applied remote sensing, 2015, 9(1): ID 095986. [75] YANG H, YANG G J, GAULTON R, et al. In-season bio‐
[63] ZHUO W, HUANG J X, LI L, et al. Assimilating soil mass estimation of oilseed rape (Brassica napus L.) using
moisture retrieved from Sentinel-1 and Sentinel-2 data in‐ fully polarimetric SAR imagery[J]. Precision agriculture,
to WOFOST model to improve winter wheat yield esti‐ 2019, 20(3): 630-648.
mation[J]. Remote sensing, 2019, 11(13): ID 1618. [76] NGUYEN L H, ROBINSON S, GALPERN P. Medium-
[64] ZHU B X, CHEN S B, CAO Y J, et al. A regional maize resolution multispectral satellite imagery in precision agri‐
yield hierarchical linear model combining Landsat 8 vege‐ culture: Mapping precision canola (Brassica napus L.)
tative indices and meteorological data: Case study in Jilin yield using Sentinel-2 time series[J]. Precision agriculture,
province[J]. Remote sensing, 2021, 13(3): ID 356. 2022, 23(3): 1051-1071.
[65] 贺 振, 贺 俊 平 . 基 于 NOAA-NDVI 的 河 南 省 冬 小 麦 遥 感 [77] 黎 锐, 李 存 军, 徐 新 刚, 等 . 基 于 支 持 向 量 回 归(SVR) 和
估 产[J]. 干 旱 区 资 源 与 环 境, 2013, 27(5): 46-52. 多 时 相 遥 感 数 据 的 冬 小 麦 估 产[J]. 农 业 工 程 学 报, 2009,
HE Z, HE J P. Estimation of winter wheat yield based on 25(7): 114-117.
the NOAA-NDVI data[J]. Journal of arid land resources LI R, LI C J, XU X G, et al. Winter wheat yield estima‐
and environment, 2013, 27(5): 46-52. tion based on support vector machine regression and
[66] SONG X P, LI H J, POTAPOV P, et al. Annual 30 m soy‐ multi-temporal remote sensing data[J]. Transactions of the
bean yield mapping in Brazil using long-term satellite ob‐ Chinese society of agricultural engineering, 2009, 25(7):
servations, climate data and machine learning[J]. Agricul‐ 114-117.
tural and forest meteorology, 2022, 326: ID 109186. [78] HERRERO-HUERTA M, RODRIGUEZ-GONZALVEZ 14 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
P, RAINEY K M. Yield prediction by machine learning tion of EPIC crop growth model[J]. Ecological modelling,
from UAS-based mulit-sensor data fusion in soybean[J]. 2022, 467: ID 109952.
Plant methods, 2020, 16: ID 78. [91] DELIGIOS P A, FARCI R, SULAS L, et al. Predicting
[79] MATEO-SANCHIS A, PILES M, MU?OZ-MARí J, et growth and yield of winter rapeseed in a Mediterranean
al. Synergistic integration of optical and microwave satel‐ environment: Model adaptation at a field scale[J]. Field
lite data for crop yield estimation[J]. Remote sensing of crops research, 2013, 144: 100-112.
environment, 2019, 234: ID 111460. [92] ALLIES A, ROUMIGUIé A, FIEUZAL R, et al. Assimila‐
[80] PEJAK B, LUGONJA P, ANTI? A, et al. Soya yield pre‐ tion of multisensor optical and multiorbital SAR satellite
diction on a within-field scale using machine learning data in a simplified agrometeorological model for rape‐
models trained on Sentinel-2 and soil data[J]. Remote seed crops monitoring[J]. IEEE journal of selected topics
sensing, 2022, 14(9): ID 2256. in applied earth observations and remote sensing, 2021,
[81] SCHWALBERT R A, AMADO T, CORASSA G, et al. 15: 1123-1138.
Satellite-based soybean yield forecast: Integrating ma‐ [93] LIAO C H, WANG J F, DONG T F, et al. Using spatio-
chine learning and weather data for improving crop yield temporal fusion of Landsat-8 and MODIS data to derive
prediction in southern Brazil[J]. Agricultural and forest phenology, biomass and yield estimates for corn and soy‐
meteorology, 2020, 284: ID 107886. bean[J]. Science of the total environment, 2019, 650:
[82] ABBASZADEH P, GAVAHI K, ALIPOUR A, et al. 1707-1721.
Bayesian multi-modeling of deep neural nets for probabi‐ [94] TRéPOS R, CHAMPOLIVIER L, DEJOUX J F, et al.
listic crop yield prediction [J]. Agriculture and forest mete‐ Forecasting sunflower grain yield by assimilating leaf ar‐
orology, 2022, 314: ID 108773. ea index into a crop model[J]. Remote sensing, 2020, 12
[83] ZHOU J, ZHOU J, YE H, et al. Yield estimation of soy‐ (22): ID 3816.
bean breeding lines under drought stress using unmanned [95] WU S R, REN J Q, CHEN Z X, et al. Evaluation of win‐
aerial vehicle-based imagery and convolutional neural net‐ ter wheat yield simulation based on assimilating LAI re‐
work [J]. Biosystems engineering , 2021, 204: 90-103. trieved from networked optical and SAR remotely sensed
[84] TEODORO P, TEODORO L P, BAIO F, et al. Predicting images into the WOFOST model[J]. IEEE transactions on
days to maturity, plant height, and grain yield in soybean: geoscience and remote sensing, 2021, 59(11): 9071-9085.
A machine and deep learning approach using multispec‐ [96] GASO D V, DE WIT A, DE BRUIN S, et al. Efficiency of
tral data [J]. Remote sensing, 2021, 13(22): ID 4632. assimilating leaf area index into a soybean model to as‐
[85] REISI-GAHROUEI O, HOMAYOUNI S, MCNAIRN H, sess within-field yield variability[J]. European journal of
et al. Crop biomass estimation using multi regression anal‐ agronomy, 2023, 143: ID 126718.
ysis and neural networks from multitemporal L-band po‐ [97] GASO D V, DE WIT A, BERGER A G, et al. Predicting
larimetric synthetic aperture radar data[J]. International within-field soybean yield variability by coupling Senti‐
journal of remote sensing, 2019, 40(17): 6822-6840. nel-2 leaf area index with a crop growth model[J]. Agri‐
[86] YU B, SHANG S H. Multi-year mapping of major crop cultural and forest meteorology, 2021, 308/309: ID
yields in an irrigation district from high spatial and tempo‐ 108553.
ral resolution vegetation index[J]. Sensors, 2018, 18(11): [98] TANG W C, TANG R X, GUO T, et al. Remote prediction
ID 3787. of oilseed rape yield via Gaofen-1 images and a crop mod‐
[87] ZENG W Z, XU C, GANG Z, et al. Estimation of sun‐ el[J]. Remote sensing, 2022, 14(9): ID 2041.
flower seed yield using partial least squares regression [99] JIANG Z W, CHEN Z X, CHEN J, et al. Application of
and artificial neural network models[J]. Pedosphere, 2018, crop model data assimilation with a particle filter for esti‐
28(5): 764-774. mating regional winter wheat yields[J]. IEEE journal of
[88] AMANKULOVA K, FARMONOV N, MUKHTOROV U, selected topics in applied earth observations and remote
et al. Sunflower crop yield prediction by advanced statisti‐ sensing, 2014, 7(11): 4422-4431.
cal modeling using satellite-derived vegetation indices [100] 杨 金 旻 . 遥 感 技 术 在 大 豆 种 植 情 况 监 测 中 的 应 用[J]. 电
and crop phenology[J]. Geocarto international, 2023, 38 脑 知 识 与 技 术, 2020, 16(21): 221-223.
(1): ID 2197509. YANG J M. Application of remote sensing technology in
[89] GOHAIN G B, SINGH K K, SINGH R S, et al. Applica‐ monitoring soybean planting situation[J]. Computer
tion of CERES-sorghum crop simulation model DSSAT knowledge and technology, 2020, 16(21): 221-223.
v4.7 for determining crop water stress in crop phenologi‐ [101]BAI T C, WANG S G, MENG W B, et al. Assimilation of
cal stages[J]. Modeling earth systems and environment, remotely-sensed LAI into WOFOST model with the SUB‐
2022, 8(2): 1963-1975. PLEX algorithm for improving the field-scale jujube yield
[90] WANG Z Q, YE L, JIANG J Y, et al. Review of applica‐ forecasts[J]. Remote sensing, 2019, 11(16): ID 1945.Vol. 5, No. 3 马 宇 靖 等 ： 油 料 作 物 产 量 遥 感 监 测 研 究 进 展 与 挑 战 15
[102]SILVESTRO P, PIGNATTI S, PASCUCCI S, et al. Esti‐ WANG C L, HAI J B, TIAN J H, et al. Influence of si‐
mating wheat yield in China at the field and district scale lique and leaf photosynthesis on yield and quality of seed
from the assimilation of satellite data into the aquacrop of oilseed rape (Brassica na pus L.) after flowering[J]. Ac‐
and simple algorithm for yield (SAFY) models[J]. Remote ta botanica boreali-Occidentalia sinica, 2014, 34(8): 1620-
sensing, 2017, 9(5): ID 509. 1626.
[103]DONG T F, LIU J G, QIAN B D, et al. Estimating winter [108] 李 静, 周 杨 果, 陆 志 峰, 等 . 氮 钾 配 施 对 冬 油 菜 角 果 皮 光
wheat biomass by assimilating leaf area index derived 合 作 用 及 光 合 器 官 氮 分 配 的 影 响[J]. 植 物 营 养 与 肥 料 学
from fusion of Landsat-8 and MODIS data[J]. Internation‐ 报, 2022, 28(5): 869-879.
al journal of applied earth observation and geoinforma‐ LI J, ZHOU Y G, LU Z F, et al. The effects of combined
tion, 2016, 49: 63-74. nitrogen and potassium application on photosynthesis and
[104] 李 岚 涛, 任 涛, 汪 善 勤, 等 . 基 于 角 果 期 高 光 谱 的 冬 油 菜 nitrogen allocation in photosynthetic organs of winter oil‐
产 量 预 测 模 型 研 究 [J]. 农 业 机 械 学 报 , 2017, 48(3): seed rape(Brassica napus L.) silique wall[J]. Journal of
221-229. plant nutrition and fertilizers, 2022, 28(5): 869-879.
LI L T, REN T, WANG S Q, et al. Prediction models of [109] 李 俊, 袁 金 展, 官 春 云, 等 . 油 菜 角 果 光 合 衰 退 的 生 理 特
winter oilseed rape yield based on hyperspectral data at 征 初 步 研 究 [J]. 中 国 油 料 作 物 学 报 , 2013, 35(6):
pod-filling stage[J]. Transactions of the Chinese society 644-649.
for agricultural machinery, 2017, 48(3): 221-229. LI J, YUAN J Z, GUAN C Y, et al. Physiological charac‐
[105] 姚 业 浩, 李 毅 念, 陈 玉 仑, 等 . 基 于 油 菜 角 果 长 度 图 像 识 teristics of silique photosynthesis declining and its effect
别 的 每 角 粒 数 测 试 方 法 [J]. 农 业 工 程 学 报 , 2021, 37 on rapeseed yield[J]. Chinese journal of oil crop sciences,
(23): 153-160. 2013, 35(6): 644-649.
YAO Y H, LI Y N, CHEN Y L, et al. Testing method for [110] 张 耀 文, 赵 小 光, 关 周 博, 等 . 油 菜 角 果 光 合 特 性 研 究 现
the seed number per silique of oilrape based on recogniz‐ 状 及 改 良 思 路 [J]. 中 国 油 料 作 物 学 报 , 2017, 39(5):
ing the silique length images[J]. Transactions of the Chi‐ 704-713.
nese society of agricultural engineering, 2021, 37(23): ZHANG Y W, ZHAO X G, GUAN Z B, et al. Review of
153-160. silique photosynthetic characteristics and improvement in
[106] 李 金 霞, 章 建 新, 吕 淑 萍 . 高 产 春 大 豆 豆 荚 与 叶 片 的 光 合 rapeseed[J]. Chinese journal of oil crop sciences, 2017, 39
性 能 研 究[J]. 大 豆 科 学, 2009, 28(6): 1026-1030. (5): 704-713.
LI J X, ZHANG J X, LYU S P. Photosynthetic characteris‐ [111] 税 红 霞, 汤 天 泽 . 油 菜 器 官 与 产 量 关 系 的 研 究 进 展[J].
tics in pod and leaves of high-yield spring soybean[J]. 安 徽 农 学 通 报, 2007, 13(16): 111-113.
Soybean science, 2009, 28(6): 1026-1030. SHUI H X, TANG T Z. Progress of study on relationship
[107] 王 春 丽, 海 江 波, 田 建 华, 等 . 油 菜 终 花 后 角 果 和 叶 片 光 between organs and yield in rape[J]. Anhui agricultural
合 对 籽 粒 产 量 和 品 质 的 影 响[J]. 西 北 植 物 学 报, 2014, 34 science bulletin, 2007, 13(16): 111-113.
(8): 1620-1626.
Research Progress and Challenges of Oil Crop Yield
Monitoring by Remote Sensing
1 2 2 2 3 2
MA Yujing , WU Shangrong , YANG Peng , CAO Hong , TAN Jieyang , ZHAO Rongkun
（1. School of Information and Communication Engineering, North University of China, Taiyuan 030051, China; 2. State Key
Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China (the Institute of Agricultural Resources
and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China); 3. Institute of Agricultural Econo ‐
my and Agricultural Regionalization, Hunan Academy of Agricultural Sciences, Changsha 410125, China ）
Abstract:
[Significance] 　 Oil crops play a significant role in the food supply, as well as the important source of edible vegetable oils and plant
proteins. Real-time, dynamic and large-scale monitoring of oil crop growth is essential in guiding agricultural production, stabilizing 16 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 3
markets, and maintaining health. Previous studies have made a considerable progress in the yield simulation of staple crops in regional
scale based on remote sensing methods, but the yield simulation of oil crops in regional scale is still poor as its complexity of the plant
traits and structural characteristics. Therefore, it is urgently needed to study regional oil crop yield estimation based on remote sensing
technology.
[Progress] This paper summarized the content of remote sensing technology in oil crop monitoring from three aspects: backgrounds,
progressions, opportunities and challenges. Firstly, significances and advantages of using remote sensing technology to estimate the of
oil crops have been expounded. It is pointed out that both parameter inversion and crop area monitoring were the vital components of
yield estimation. Secondly, the current situation of oil crop monitoring was summarized based on remote sensing technology from
three aspects of remote sensing parameter inversion, crop area monitoring and yield estimation. For parameter inversion, it is specified
that optical remote sensors were used more than other sensors in oil crops inversion in previous studies. Then, advantages and disad‐
vantages of the empirical model and physical model inversion methods were analyzed. In addition, advantages and disadvantages of
optical and microwave data were further illustrated from the aspect of oil crops structure and traits characteristics. At last, optimal
choice on the data and methods were given in oil crop parameter inversion. For crop area monitoring, this paper mainly elaborated
from two parts of optical and microwave remote sensing data. Combined with the structure of oil crops and the characteristics of plant‐
ing areas, the researches on area monitoring of oil crops based on different types of remote sensing data sources were reviewed, includ‐
ing the advantages and limitations of different data sources in area monitoring. Then, two yield estimation methods were introduced:
remote sensing yield estimation and data assimilation yield estimation. The phenological period of oil crop yield estimation, remote
sensing data source and modeling method were summarized. Next, data assimilation technology was introduced, and it was proposed
that data assimilation technology has great potential in oil crop yield estimation, and the assimilation research of oil crops was ex‐
pounded from the aspects of assimilation method and grid selection. All of them indicate that data assimilation technology could im‐
prove the accuracy of regional yield estimation of oil crops. Thirdly, this paper pointed out the opportunities of remote sensing technol‐
ogy in oil crop monitoring, put forward some problems and challenges in crop feature selection, spatial scale determination and re‐
mote sensing data source selection of oil crop yield, and forecasted the development trend of oil crop yield estimation research in the
future.
[Conclusions and Prospects] The paper puts forward the following suggestions for the three aspects: (1) Regarding crop feature selec‐
tion, when estimating yields for oil crops such as rapeseed and soybeans, which have active photosynthesis in siliques or pods, relying
solely on canopy leaf area index (LAI) as the assimilation state variable for crop yield estimation may result in significant underesti‐
mation of yields, thereby impacting the accuracy of regional crop yield simulation. Therefore, it is necessary to consider the crop plant
characteristics and the agronomic mechanism of yield formation through siliques or pods when estimating yields for oil crops. (2) In
determining the spatial scale, some oil crops are distributed in hilly and mountainous areas with mixed land cover. Using regularized
yield simulation grids may result in the confusion of numerous background objects, introducing additional errors and affecting the as‐
similation accuracy of yield estimation. This poses a challenge to yield estimation research. Thus, it is necessary to choose appropriate
methods to divide irregular unit grids and determine the optimal scale for yield estimation, thereby improving the accuracy of yield es‐
timation. (3) In terms of remote sensing data selection, the monitoring of oil crops can be influenced by crop structure and meteorolog‐
ical conditions. Depending solely on spectral data monitoring may have a certain impact on yield estimation results. It is important to
incorporate radar off-nadir remote sensing measurement techniques to perceive the response relationship between crop leaves and si‐
liques or pods and remote sensing data parameters. This can bridge the gap between crop characteristics and remote sensing informa‐
tion for crop yield simulation. This paper can serve as a valuable reference and stimulus for further research on regional yield estima‐
tion and growth monitoring of oil crops. It supplements existing knowledge and provides insightful considerations for enhancing the
accuracy and efficiency of oil crop production monitoring and management.
Key words: remote sensing; yield simulation; data assimilation; oil crops; yield monitoring; parameter inversion
Foundation items: National Natural Science Foundation of Hunan Province (2021JJ40286); National Natural Science Foundation of
China (42271374); The Fundamental Research Funds for Central Nonprofit Scientific Institutions (1610132021009); The Youth inno‐
vation Program of Chinese Academy of Agricultural Sciences (Y2023QC18)
（ 登 陆 www.smartag.net.cn 免 费 获 取 电 子 版 全 文 ）