《Frontiers in Plant Science》：A review of remote sensing-based crop yield estimation: machine learning techniques and environmental, algorithmic, and hardware limitations
编辑推荐：
这篇综述系统梳理了基于遥感（RS）的作物产量估算技术，涵盖传感器、平台、分析建模及机器学习（ML）等方法，并重点阐述了深度学习（DL）在精度、召回率等指标上的优势。文章随后深入剖析了该领域在环境、算法、硬件及无线传感网络（WSN）等方面的核心限制，为研究人员厘清了关键技术挑战，并展望了未来研究方向。
随着遥感（RS）、无线传感器网络（WSN）以及数据驱动的机器学习（ML）建模等技术的融合，农业进入了精度与准确性的新时代。这些发展为准确预测产量、实现对农业资源的更优控制提供了可能。传统的产量估算方法，如作物切割实验、样方采样、农民回忆和目测评估等，通常劳动密集、局限于局部，且易受采样误差和主观经验影响，难以捕捉田块内部的变异性和应对大规模异质农田景观的挑战。
相比之下，遥感技术通过多光谱、高光谱、激光雷达（LiDAR）和热成像等传感器，能够非破坏性地、连续地监测与叶绿素水平、冠层覆盖、水分胁迫和养分状况相关的光谱特征，从而追踪作物产量潜力。这些传感器可搭载于卫星、无人机（UAV）和地面平台，实现对农业景观的高分辨率、时空动态监测。
基于遥感的产量估算方法
该领域的方法可系统分为三类：传感器驱动、平台驱动以及分析与建模驱动。
- •
传感器驱动方法：核心在于利用不同物理原理的传感器获取作物信息。多光谱传感器通过计算归一化差值植被指数（NDVI）、增强型植被指数（EVI）等来评估叶绿素和光合活性。高光谱传感器凭借其数百个狭窄波段，能够细致分析作物生化状态，早期检测胁迫。热红外传感器通过测量冠层温度来评估水分胁迫，常用作物水分胁迫指数（CWSI）进行量化。激光雷达（LiDAR）传感器可生成高分辨率三维点云，用于获取冠层高度、结构复杂度等生物量相关参数。合成孔径雷达（SAR）传感器能穿透云层，对植被介电特性和土壤湿度敏感，适用于生物量估算。RGB相机传感器则通过分析可见光谱反射率来评估表型特征。
- •
平台驱动方法：关注数据采集的载体。卫星平台提供大范围、重复性的观测，但受天气影响较大。无人机（UAV）平台灵活，可获取厘米级高分辨率数据，适用于田块尺度的精准监测。有人驾驶航空系统和地面平台（如车载或固定式近端传感系统）则分别在大范围区域监测和高可靠性、近实时数据获取方面各具优势。
- •
分析与建模方法：旨在从数据中提取产量信息。植被指数（如NDVI、EVI、GNDVI）是关联光谱反射与作物生理参数的关键桥梁。作物生长模拟模型（如DSSAT、APSIM、WOFOST）整合了土壤-植物-大气相互作用及管理策略，与遥感数据结合可增强预测可靠性。数据融合技术（如融合SAR与光学影像）能克服单一传感器的局限性，提供更连续、丰富的信息。基于物候学的估算则利用多时相观测来刻画作物发育动态及其与产量的关系。
机器学习模型的角色
机器学习，特别是深度学习，在提升遥感产量估算模型的准确性和可扩展性方面发挥着变革性作用。各类模型根据其特点适用于不同场景：
- •
回归模型：如线性回归、支持向量回归（SVR）、高斯过程回归（GPR），用于建立光谱特征与产量之间的定量关系，其中SVR和GPR在处理非线性问题和量化不确定性方面表现突出。
- •
集成学习模型：如随机森林、XGBoost、LightGBM，通过组合多个基学习器来提升预测的稳健性和准确性，能有效处理高维数据和多重共线性问题。
- •
概率模型：如朴素贝叶斯、隐马尔可夫模型（HMM），能够处理数据中的不确定性和时间序列依赖，适用于早期产量分类和物候阶段分析。
- •
神经网络与深度学习架构：从基础的多层感知机到复杂的卷积神经网络、循环神经网络，这些模型能够自动从高维遥感数据中学习层次化特征。卷积神经网络擅长处理空间-光谱图像数据；循环神经网络及其变体如长短期记忆网络和门控循环单元，则专门用于建模时间序列数据中的长期依赖关系，非常适合分析作物生长季内的动态变化。
面临的限制与挑战
尽管前景广阔，基于遥感的产量估算在实际应用中仍面临多方面的限制：
- •
环境限制：云层覆盖、大气条件变化、光照角度、土壤背景异质性以及作物物候阶段的差异，都会影响遥感数据的质量和一致性，从而引入噪声和偏差。
- •
算法限制：许多机器学习模型，尤其是复杂的深度学习模型，被视为“黑箱”，缺乏可解释性。模型性能严重依赖训练数据的质量和数量，存在过拟合风险。此外，从遥感数据中准确提取与产量强相关的生物物理参数（如叶面积指数、生物量）本身也是一大挑战。
- •
硬件与操作限制：高精度传感器（如高光谱、LiDAR）和设备（如无人机）成本高昂。数据处理、存储和传输需要强大的计算资源和带宽。不同平台和传感器之间的数据标准化与校准困难，且设备在野外环境下的耐久性和可靠性也是实际问题。
- •
无线传感器网络相关限制：部署在田间的WSN节点面临能源供应有限、通信距离短、信号易受植被和地形阻挡、网络拓扑动态变化以及数据传输延迟等问题，影响实时监测能力。
未来展望
为了推动该领域发展，未来的研究可重点关注以下几个方向：开发更轻量化、可解释的机器学习模型；促进多源、多尺度、多时相遥感数据的融合与标准化；利用迁移学习解决标注数据稀缺问题；探索边缘计算在实时田间决策中的应用；以及设计更节能、稳健的WSN硬件和通信协议。通过跨学科合作解决这些挑战，基于遥感的智能产量估算技术将为全球粮食安全预测和可持续精准农业管理提供更强大的工具。
