ISPRS顶刊中的农业遥感研究前沿趋势深度剖析
作为摄影测量与遥感的顶级期刊，ISPRS P&RS 发表的研究成果代表了农业遥感在精密测绘、深度学习与作物表型分析上的最高水准。通过梳理 2021 年以来的相关文献，我们发现农业遥感已彻底告别单纯的“分类图”，正式跨入三维重构、时空预测与弱监督学习驱动的“深水区”。
趋势一：从“2D 影像”到“3D 数字化孪生”的跃迁
过去我们只关注作物长得绿不绿，现在科学家们更想知道它长得“立体不立体”。ISPRS 上的多项研究表明，LiDAR 与高精摄影测量正在重塑作物表型分析。3D 形态补全：利用 UAV 搭载单目相机进行 3D 全景映射，甚至能通过深度学习（如 DeepSDF）对被遮挡的果实形状进行 millimeter（毫米级）精度的补全。非刚性结构追踪：针对植物生长过程中器官的移动、分叉或凋零，新的配准模型实现了 0.1 mm 级别的 4D（时空）追踪精度。激光雷达新前沿：LiDAR 被广泛用于提取作物株高、叶面积指数（LAI）等功能表型，其对于 3D 植物建模和基因关联研究具有不可替代的作用。Jin, S., Sun, X., Wu, F., Su, Y., Li, Y., Song, S., Xu, K., Ma, Q., Baret, F., Jiang, D., Ding, Y., & Guo, Q. (2021).Lidar sheds new light on plant phenomics for plant breeding and management: Recent advances and future prospects.ISPRS P&RS, 171, 202-223.Zhang, T., Elnashef, B., & Filin, S. (2023).Spatio-temporal registration of plants non-rigid 3-D structure.ISPRS P&RS, 205, 263-283.Wang, K., Pan, Y., Magistri, F., Kooistra, L., Stachniss, C., Wang, W., & Valente, J. (2026).UAV-based monocular 3D panoptic mapping for fruit shape completion in orchard.ISPRS P&RS, 231, 608-621.趋势二：深度学习赋能的“小目标”与“大规模”提取
随着计算力的飞跃，针对温室、地块边界及特定作物种类的提取精度达到了工业级标准。大规模温室提取：针对温室分布不均的痛点，LANet 框架通过布局感知（ layout-aware）取代局部感知，有效解决了大规模制图中的虚检问题。小农户地块矢量化：针对中国南方或南非等细碎耕地，E2EVAP 框架实现了端到端的边界顶点提取，通过拓扑损失函数解决了地块重叠难题。盐害定量评估：首个基于 CNN 的框架被用于每月定量评估沿海农业受海水入侵（SWI）导致的作物受损概率，精度高达 92.5%。Chen, D., Ma, A., Zheng, Z., & Zhong, Y. (2023).Large-scale agricultural greenhouse extraction for remote sensing imagery based on layout attention network: A case study of China.ISPRS P&RS, 73-88.Pan, Y., Wang, X., Zhang, L., & Zhong, Y. (2023).E2EVAP: End-to-end vectorization of smallholder agricultural parcel boundaries from high-resolution remote sensing imagery.ISPRS P&RS, 203, 246-264.Xue, C., Ghirardelli, A., Chen, J., & Tarolli, P. (2026).Spatiotemporal CNN framework for quantifying crop-specific salinity damage in coastal agriculture.ISPRS P&RS, 234, 322-336.趋势三：弱监督与通用大模型的“降维打击”
获取地面真值标签（Labels）是遥感最大的成本。现在的趋势是：用更少的标签，办更大的事。SAM 模型的改造：利用视觉大模型（如 Segment Anything Model 2）与课程学习结合，仅通过 10m 分辨率的公开标签，就能指导 0.5m 精度的高分辨率地块勾勒。知识进化学习：KE-WESUP 框架展示了如何让低层通用知识逐渐进化为针对复杂场景的高层专用知识，实现低成本的高精度地表分类。跨场景计数：TasselNetV4 突破了物种限制，成为能够跨场景、跨尺度、跨物种进行植物计数的通用视觉基础模型。Cui, H., Zhang, G., Chen, Y., Li, X., Hou, S., Li, H., Ma, X., Guan, N., & Tang, X. (2024).Knowledge evolution learning: A cost-free weakly supervised semantic segmentation framework for high-resolution land cover classification.ISPRS P&RS, 207, 74-91.Hu, X., Li, X., Xu, J., Adan, A. D., Zhou, L., Zhu, X., Li, Y., Guo, W., Liu, S., Liu, W., & Lu, H. (2026).TasselNetV4: A vision foundation model for cross-scene, cross-scale, and cross-species plant counting.ISPRS P&RS, 231, 745-760.Zhao, W., Guo, S., Zhang, X., Tang, P., Pan, X., Mu, H., Yang, C., Xia, Z., Wang, Z., Du, J., & Du, P. (2026).A weakly supervised approach for large-scale agricultural parcel extraction from VHR imagery via foundation models and adaptive noise correction.ISPRS P&RS, 233, 180-208.趋势四：近实时监控与作物关键指标的“超前预测”
不仅仅是记录过去，现在的遥感正尝试通过时序预测模型（如 LSTM, GRU）掌握未来。NDVI 预测：通过集成温度、降水和 NDWI，AI 模型现在可以提前 15 天准确预测玉米的 NDVI 走势，为精准灌溉和施肥提供预判视角。出苗期热物候归一化：EMET 框架利用深度学习融合技术，在 Illinois 等地实现了出苗期驱动的近实时作物类型图更新，比传统基准提前一个月达到 85% 以上精度。种子成分预测：利用 PlanetScope 的高频时序数据，甚至可以在作物收割前直接估算大豆种子的蛋白质和含油量。Farbo, A., Sarvia, F., De Petris, S., Basile, V., & Borgogno-Mondino, E. (2024).Forecasting corn NDVI through AI-based approaches using sentinel 2 image time series.ISPRS P&RS, 211, 244-261.Sarkar, S., Sagan, V., Bhadra, S., Rhodes, K., Pokharel, M., & Fritschi, F. B. (2023).Soybean seed composition prediction from standing crops using PlanetScope satellite imagery and machine learning.ISPRS P&RS, 204, 257-274.Yang, Z., Diao, C., Gao, F., & Li, B. (2024).EMET: An emergence-based thermal phenological framework for near real-time crop type mapping.ISPRS P&RS, 215, 271-291.趋势五：农业机器人与无人机的“群智导航”
当遥感数据遇到农业机器人，产生的是厘米级的执行精度。实时建图与位姿重建：针对低重叠度的农业 UAV 影像，新型算法在重复纹理（如密集的农田）环境下实现了每秒 3.4 帧的实时匹配，比主流商业软件快 4 倍。空地集群协同：创新的“nUGV-1UAV”框架利用一架 UAV 高空建图，指挥多台无人车（UGV）在 paddy fields（稻田）中高效执行除杂任务，甚至在 UAV 信号丢失时仍能靠离线图完成 92% 的任务。3D 路径规划：超越传统的 2D 作物行检测，新的算法通过倾斜摄影重构田块 elevation 提升（高度）信息，实现了能够适应丘陵茶园等复杂地形的全局 3D 路径规划。Xiao, X., Qu, W., Xia, G.-S., Xu, M., Shao, Z., Gong, J., & Li, D. (2025).A novel real-time matching and pose reconstruction method for low-overlap agricultural UAV images with repetitive textures.ISPRS P&RS, 226, 54-75.Li, D., Li, B., Feng, H., Kang, S., Wang, J., & Wei, Z. (2024).Low-altitude remote sensing-based global 3D path planning for precision navigation of agriculture vehicles - beyond crop row detection.ISPRS P&RS, 210, 25-38.Feng, H., Ruan, Y., Li, D., Xi, T., Pan, Y., Wang, Y., & Wang, J. (2025).nUGV-1UAV robot swarms: low-altitude remote sensing-based decentralized planning framework in-field environments.ISPRS P&RS, 229, 32-48.结语： 从 ISPRS P&RS 的动态来看，农业遥感正在经历一场由**计算视觉（CV）向具身智能（Embodied AI）**的跨越。遥感不再仅仅是“看”，而是深度参与到农田的 3D 管理、生理诊断、未来预测以及机器人的实时指挥中。
