系统梳理2021年以来的《Remote Sensing of Environment》(RSE) 发表的农业文章
趋势一:从专用小模型到“农业遥感基础模型(Agri-RSFM)”
过去,识别麦田或估算产量通常需要针对特定区域训练小模型,而现在,“基础模型”正通过海量数据预训练实现跨任务的通用性。
代表进展:AgriFM模型引入了多源时空遥感基础模型,利用 Video Swin Transformer 架构,同时处理 MODIS、Landsat 和 Sentinel-2 数据。它在农田制图、边界勾勒、特定作物(冬小麦、水稻)识别等任务上表现出超越传统深度学习模型的鲁棒性。
参考文献:
Li, W., Liang, S., et al. (2026). AgriFM: A multi-source temporal remote sensing foundation model for Agriculture mapping. RSE, 334, 115234.
趋势二:生理级监测——从“看长势”到“测代谢”
研究重心正从简单的植被指数(如NDVI)转向更深层的植物生理生化指标,旨在实现胁迫的早期预警。
代谢物探测:科学家发现,通过叶片反射光谱可以探测脱落酸(ABA)和茉莉酸(JA)等代谢物。这使得在植物出现肉眼可见的形态变化前,就能精准区分“干旱胁迫”和“高温胁迫”。
蛋白质与干重平衡:新开发的PROSPECT-PRO模型实现了从叶片光学特性中分离“氮基成分(蛋白质)”和“碳基成分(纤维素等)”,为精准氮肥管理提供了物理模型支撑。
气孔导度动态:研究揭示了光谱变化与植物气孔解剖特征(如大小、密度)及行为(开张比)的内在联系,为在途监测作物水分利用效率提供了可能。
参考文献:
Zhong, W., Cheng, K., et al. (2025).Metabolite-derived spectral modelling can differentiate heat and drought stress.RSE, 328, 114884.Féret, J. B., Berger, K., et al. (2021).PROSPECT-PRO for estimating content of nitrogen-containing leaf proteins.RSE, 252, 112173.Cheng, K. H., Sun, Z., et al. (2024).Enhancing wheat crop physiology monitoring through spectroscopic analysis of stomatal conductance dynamics.RSE, 312, 114325.趋势三:水资源与极端气候的“极致算计”
在气候波动背景下,如何利用遥感实现精密的水管理成为核心命题。
灌溉系统全球监测:利用深度学习识别全球干旱区的中心支轴灌溉系统(CPIS)。研究发现,过去20年非洲的CPIS设施增长了253%,揭示了现代农业扩张对淡水资源的剧烈压力。
根区水分动态制图:无人机载探地雷达(GPR)技术的应用,实现了对作物根区(35-40cm深度)土壤水分的高频、高精度监测,直接服务于精准灌溉决策。
干旱预警:融合气象预报与卫星数据,科学家已能提前三个月预测“低于平均水平的NDVI异常”,为农业干旱防御争取了黄金窗口期。
参考文献:
Chen, F., Zhao, H., et al. (2023).Mapping center pivot irrigation systems in global arid regions using instance segmentation.RSE, 297, 113760.Wu, K., Artois, J., et al. (2026).Automated drone-borne GPR mapping of root-zone soil moisture.RSE, 333, 115110.De Vos, K., Gebruers, S., et al. (2025).Predicting below-average NDVI anomalies for agricultural drought impact forecasting.RSE, 330, 114980.趋势四:更精准的时间维度——捕捉“农事节律”
掌握播种、收割、耕作的确切时刻,对农业金融和可持续评估至关重要。
收割日期监测:新提出的**归一化收获表型指数(NHPI)**通过放大近红外与NDVI的对比信号,精准捕捉玉米和豆类的收割日期,平均误差缩减至3-4天。
耕作模式识别:科学家开发了动态特征阈值框架,能从天空中识别出“免耕、减耕还是传统翻耕”,这对于评估土壤碳中和路径至关重要。
参考文献:
Liu, Y., Diao, C., et al. (2025).A novel Normalized Harvest Phenology Index (NHPI) for corn and soybean harvesting date detection.RSE, 331, 115016.Wu, X., Zhou, Q., et al. (2026).A framework to detect tillage practices from space.RSE, 337, 115323.Shen, Y., Zhang, X., et al. (2023).Developing an operational algorithm for near-real-time monitoring of crop progress.RSE, 296, 113729.趋势五:多源数据融合与“去噪”黑科技
如何穿透云雾、补齐缺失数据是农业遥感的永恒挑战。
SAR与光学的深度融合:合成孔径雷达(SAR)不再只是光学的备胎。ARM-SARFS方法利用SAR特有的“V型”淹水信号,无需任何训练样本即可实现水稻田的自动化制图。
卫星-车辆一体化传感:Field Rover方案利用车载摄像头采集地面真值,作为卫星数据的“实时校准器”,极大提升了区域尺度农事监测的可靠性。
光谱质量协议(SQuaP):针对实验室和卫星光谱中的噪声,研究者制定了严格的过滤协议,有效剔除作物残余等干扰,显著提升了土壤有机碳(SOC)的预测精度。
参考文献:
Zhan, P., Zhu, W., et al. (2021). An automated rice mapping method based on flooding signals in SAR time series. RSE, 252, 112112.
Jiang, C., Guan, K., et al. (2024). A vehicle imaging approach to acquire ground truth data for upscaling to satellite data. RSE, 300, 113894.
Bartsch, B., Demattê, J., et al. (2026). Soil laboratory and satellite spectral data filtering: A Spectral Quality Protocol (SQuaP). RSE, 333, 115144.
结语:农业遥感正从单一的“地图工具”进化为复杂的农业数字孪生系统。它不仅是“拍张照”,更是结合了物理模型、生理机制与大模型算力,记录地球每一寸土壤的呼吸与生长节奏。