从高空俯瞰绿色：遥感技术用于植被覆盖判别的研究综述

《Sustainability》：Seeing the Green from Above: A Review of Remote Sensing Techniques for Vegetation Cover Discrimination

　　

本综述综合了近年来卫星、无人机（UAV）及高光谱/光谱辐射计（hyperspectral/spectroradiometric）遥感在植被覆盖判别中的区域应用，涵盖作物与自然植被判别、植物病害与虫害检测以及产量评估等方面。综述证据表明，各传感平台之间呈现互补而非普遍优劣的关系。卫星观测可提供重复性大区域监测，但仍受空间分辨率、云层干扰及光谱混合等因素制约；无人机则提供极高分辨率和灵活的田块尺度观测，但以牺牲空间覆盖范围为代价，且对数据获取与处理提出更高要求。高光谱与光谱辐射计方法能够提供精细的光谱信息以区分微小的植被差异，但受限于数据复杂性和运行可扩展性。所综述研究中的定量结果体现了这种差异性：基于卫星的作物判别中，QuickBird数据总体精度约为90%，而Sentinel-2在10 m分辨率下总体精度为81%（κ = 0.74）；一项无人机高光谱植被分类研究则达到94.5%的精度。然而，由于各研究中的植被目标、传感器、获取条件及分析方法各不相同，这些数值之间不具备直接可比性。近期证据还表明，物候时机、光谱波段选择、空间分辨率及代表性训练数据对判别性能具有显著影响，而将病害检测模型从受控实验向实际田间条件的迁移仍是一大挑战。通过整合卫星、无人机及地面光谱辐射计方法的证据，本综述为理解上述技术在植被覆盖判别中的互补能力提供了一个综合框架，并强调了其对改善植被监测、精准农业及可持续生态系统管理的重要意义。

论文主体内容总结

1. 引言

在保障土地、土壤、水资源及生态系统资源的同时满足日益增长的农业需求，需要及时准确的作物与植被状况信息。遥感技术，特别是与地理信息系统（GIS）集成后，能够提供空间明确且定期更新的信息，支持不同空间尺度下的作物与植被制图、农业监测及可持续土地和水资源管理。随着传感器平台、空间/时间/光谱分辨率、多传感器集成及分析方法等方面的进步，遥感工具和技术本身也在持续演进，逐步扩展了遥感在不同空间尺度上判别植被类型的能力。星载和机载遥感通过频繁的多时相观测，为大区域植被覆盖提供及时准确的评估；而地面与实验室光谱仪器凭借极高的光谱分辨率，正深化对光谱特征与植被生物物理、生物化学参数之间关系的理解。本综述旨在考察卫星、无人机及地面高光谱/光谱辐射计技术在植被覆盖判别方面的发展与比较能力，并围绕作物判别、自然植被覆盖判别及植物病害与虫害检测进行组织，重点关注各传感方法的优势、局限及主要发现。综述还考虑了多传感器集成与人工智能辅助分析对植被判别的贡献，并讨论了更有效、可操作的植被监测系统开发的未来方向。近年来，遥感已日益与GIS、人工智能（AI）、机器学习（ML）、物联网（IoT）、云计算及多源数据分析等深度融合于数字农业的总体框架中。尽管已有综述涉及农业监测、精准农业、机器学习和数字农业中的遥感应用，但针对卫星、无人机和地面高光谱/光谱辐射计方法在植被覆盖判别中的比较使用的研究仍然零散。本综述中，“植被判别”主要指基于光谱、空间和时间特征对植被类型、作物种类、自然植物群落及植被健康或胁迫状况进行区分和识别。

2. 材料与方法

本文为叙述性文献综述而非系统综述：未遵循PRISMA式方案，也未报告可复现的筛选计数，且未进行荟萃分析。相反，本文按主题对具有代表性的同行评审研究进行综合和组织，以梳理植被覆盖判别遥感方法在时间上和跨传感平台上的发展脉络。相关文献通过Scopus、Web of Science和Google Scholar等标准学术数据库检索，检索时间覆盖截至2026年6月已发表的文献，关键词组合围绕综述核心主题构建，包括“遥感”、“植被覆盖判别”、“作物判别”、“自然植被制图”、“植物病害检测”、“卫星遥感”、“无人机遥感”、“高光谱遥感”、“光谱辐射计”及“植被指数”等，并结合“精准农业”和“数字农业”等术语。研究按遥感平台（卫星、无人机或地面高光谱/光谱辐射计）分类，并在各平台内按应用主题（作物判别、自然植被覆盖判别、植物病害与虫害检测）组织，以反映该领域从早期仅依赖卫星向多平台、传感器融合及AI集成方法发展的演进路径。

3. 遥感用于植被覆盖判别

传统的实地调查方法虽能提供高度详细和准确的信息，但通常劳动密集、耗时、成本高昂、空间受限，且难以在大型或难以进入的区域一致重复。遥感在很大程度上克服了这些限制，能够在广泛的地理尺度上实现快速、可重复和空间连续的植被评估。健康绿色植被在蓝光和红光区域通常表现出较低反射率，这是因为叶绿素和其他光合色素的强烈吸收；在约550 nm的绿光区域存在特征性局部反射峰；随后在约650–680 nm的叶绿素吸收区域反射率再次下降；在约680–750 nm的红边区域反射率急剧上升；由于叶片内部组织和冠层的多次散射，近红外区域反射率相对较高。在短波红外区域，植被反射率还以与叶片水分、干物质、纤维素、木质素及其他生物化学成分相关的主要吸收特征为特点。本综述将卫星和无人机系统视为获取平台，而将高光谱/光谱辐射计视为一种传感模态，可部署于地面、机载、无人机或卫星平台。

3.1 卫星遥感用于植被覆盖判别

卫星数据获取提供了对地表同步、可重复的观测视角，使得在局部、区域和全球尺度上一致地判别植被覆盖成为可能。自1972年Landsat 1发射以来，光学遥感观测成为可能。此后，一系列遥感卫星持续支持植被覆盖应用，涵盖土地利用面积估算、生物量生产力评估、作物产量估算、生物多样性评估、植被状况评估及自然植被覆盖判别等。自1972年以来，空间分辨率从早期Landsat传感器的约30 m提高到Pleiades等卫星的约50 cm，光谱覆盖范围从UK-DMC卫星的约0.52–0.90 μm扩展到Sentinel-2的0.443–2.19 μm，时间分辨率从NOAA卫星的单日重访到ALOS的46天不等。Sentinel-2凭借相对较高的空间分辨率、频繁的时间覆盖、宽幅、战略性设置的红边波段及开放数据可获取性，已成为土地、植被和农业观测中最广泛使用的免费卫星影像来源之一。Sentinel-2标称双卫星配置（两颗卫星在同一太阳同步轨道上相位相差180°）提供赤道处5天重访间隔，其多光谱仪器（MSI）在约443至2190 nm波长范围内记录13个光谱波段，包括4个10 m波段、6个20 m波段和3个60 m波段，幅宽约290 km。Pleiades卫星提供50 cm空间分辨率，具备高度敏捷性，可在多种采集模式下获取离天底倾斜影像。

在作物判别方面，西班牙Montilla地区的高分辨率QuickBird卫星影像被用于制作地中海旱地数字土地覆盖图，区分了包括橄榄园和作物残茬在内的主要种植系统，总体分类精度约为90%。利用Sentinel-2和Landsat 8影像提取的时间序列归一化差异植被指数（NDVI）剖面在10、20和30 m空间分辨率下用于区分埃及El-Minya省的麦田，10 m Sentinel-2数据集获得最高精度（81%；Kappa = 0.74）。多日期RapidEye和Landsat 8 OLI影像结合NDVI、增强型植被指数（EVI）和土壤调节植被指数（SAVI）等植被指数用于埃及Beheira省的作物分类，RapidEye和Landsat 8 OLI数据集分别获得0.82和0.79的Kappa系数。

在自然植被覆盖判别方面，Sentinel-2影像被用于表征加纳热带森林，通过判别森林类型和优势树种生成基于生态功能类群（先锋种、非先锋喜光种和耐荫种）的分类图。立陶宛考纳斯市的研究比较了低分辨率卫星影像（Landsat 8和Sentinel-2）与高分辨率机载高光谱影像在多个季节采集中的植被物种判别能力，展示了获取时机对植被判别的重要性。在植物病害检测方面，遥感影像与气象变量（风速、降水量和气温）集成开发了蚜虫发生预测模型，结合NDVI、地表温度（LST）和垂直干旱指数（PDI），总体预测精度达94.4%。高分辨率卫星观测在林木作物维管病原体症状检测中成功识别了中晚期感染，而早期症状无法通过多光谱卫星数据准确识别，机载热红外信息与卫星观测的集成使检测精度提高了最多15%。

3.2 无人机传感器（植被判别的最新发展）

无人机（UAV）平台可搭载RGB、多光谱、高光谱、热红外和LiDAR传感器。紧凑型多光谱相机（如Parrot Sequoia和MicaSense RedEdge）可获取可见光、红边和近红外波段，适用于植被指数计算和植物胁迫评估。多光谱UAV传感器记录的波段通常包括绿、红、红边和近红外波长，支持NDVI等植被指数的计算以及植被和其他地表特征的分类。在图像采集过程中，UAV捕获多幅重叠图像，通过摄影测量处理进行对齐和拼接，生成单一的地理参考正射镶嵌图或反射率图。多光谱成像传感器不直接测量地表反射率，其原始像素值以数字数（DN）存储，需进行辐射定标并转换为辐射率或地表反射率值。PIX4Dmapper等软件包可自动化辐射定标、图像对齐和正射镶嵌生成的多个阶段，但准确结果仍需适当的图像重叠、可靠的飞行和传感器元数据、定标板影像、辐照度测量、几何校正、地理配准及后处理质量控制。

在作物判别方面，不同生长阶段获取的高分辨率无人机系统（UAS）影像表明，叶片萌发期结束时提供最高的物种判别精度，而组合多个获取日期的影像可进一步改善总体分类性能。可见光、近红外和热红外高分辨率UAS影像（空间分辨率15至60 cm）结合相关向量机算法用于估算燕麦作物的叶绿素含量、NDVI、叶面积指数（LAI）和叶片氮含量。RGB和多光谱UAV影像已应用于植被覆盖度估算、玉米植株数量量化及洋葱生物量监测。基于植被指数与图像分类的集成产生了与人工计数密切吻合的估算结果。多时相Sentinel-2影像结合深度学习技术开发了复杂小农系统的作物分类框架，密集的时间和光谱信息显著改善了对光谱相似作物的判别。Sentinel-1 SAR与Sentinel-2光学影像的融合用于果园判别，组合数据集产生最高分类精度。Sentinel-2 Deep Resolution 3.0影像（增强的1 m空间分辨率）用于冬季作物识别和有机大麦产量预测，在作物边界描绘和田块级判别方面较常规Sentinel-2影像有显著改善。

在自然植被覆盖判别方面，基于UAV的高光谱成像结合支持向量机（SVM）模型，使用日光照射和阴影光谱数据训练，在植被区域达到94.5%的分类精度。UAV高光谱影像与LiDAR数据的集成用于红树林物种分类，光谱信息与LiDAR衍生的冠层高度信息相结合改善了对光谱相似红树林物种的判别，Rotation Forest分类器优于Random Forest和Logistic Model Tree分类器。UAV高光谱遥感应用于内蒙古荒漠草原植物分类，有效区分了荒漠草原环境中的植物类群。多光谱UAV影像结合K近邻、支持向量机和随机森林算法成功判别了十种湿地植物物种，识别出NGRDI、NDRE、CIRE、NDWI和GNDVI等对物种判别特别有用的光谱波段和植被指数。

在植物病害检测方面，搭载标准4K相机的无人机在距作物冠层10 m以内可可靠检测草地贪夜蛾取食孔。UAV与有人机搭载传感器检测柑橘黄龙病（HLB）的比较研究表明，感染HLB的树木在可见光区域反射更强、近红外区域反射更弱，且传感器安装在UAV上时分类精度更高。UAV系统用于大麦田物候参数评估和株高差异检测，光学、光谱和热数据均对评估有所贡献。

3.3 高光谱遥感设备

光谱仪和光谱辐射计可直接在数百或数千个紧密间隔的波长样本上测量光谱特征，光谱采样间隔可小至1–3 nm。高光谱遥感的发展通过在数十至数百个连续窄波段（通常光谱分辨率为几纳米至约10 nm）上提供测量，开启了农业和环境应用的新时代。全波段野外光谱辐射计（如ASD FieldSpec仪器）通常覆盖约350–2500 nm，在可见光、近红外和短波红外区域提供高分辨率测量。

在作物判别方面，ASD野外光谱辐射计用于确定区分冬季作物（三叶草和小麦）和夏季作物（水稻和玉米）的最优高光谱波段，Tukey HSD结果表明蓝光、近红外、短波红外-1和短波红外-2区域对三叶草和小麦的判别效果最佳，而水稻和玉米在所有光谱区域均可接受地判别。交互式光谱特征工具数据库（CSSIT）基于ASD FieldSpec 4 Hi-Res光谱辐射计数据构建，为主要作物提供光谱特征估算指数和交互式用户界面。ASD高光谱传感器用于建立棉花、玉米、高粱、小麦、珍珠粟和甘蔗的光谱剖面，花青素反射指数和水分胁迫指数中识别出显著光谱特征，结果表明这些作物类型可基于不同光谱波段的参数成功判别。

在自然植被覆盖判别方面，西班牙Do?ana公园灌木林地中为五种常见灌木物种建立了光谱库，研究发现豆科物种无法可靠判别，表明高光谱分辨率本身可能不足以应对种间光谱相似性较高的情况。西奈半岛wadis的植物多样性研究结合高光谱遥感与形态学和解剖学特征，光谱分析结果与形态学和解剖学发现一致，识别出十种可光谱区分的高药用价值物种。埃及Wadi Hagul植物的光谱特征研究表明，近红外和红光区域最能区分植物物种，并确定了各物种的最优波长。手持式光谱辐射计（SVC HR-1024i）用于原位测试多种树木的光谱特征，统计分析表明近红外和红光区域最适合判别树种。利用ASD光谱辐射计沿埃及西北海岸建立常见生态重要植物的光谱数据库，确定了判别物种的最优波段。高光谱叶信息结合机器学习与特征选择方法进行植物物种分类，优化后的支持向量机结合递归特征消除达到最佳性能，总体精度86%，Kappa系数0.85。地面高光谱影像用于判别绢蒿—荒漠草原主要植物物种，基于植被指数的识别模型在4月、6月和9月分别达到90.37%、98.87%和91.53%的总体精度。Nama Karoo灌木和草本物种的光谱判别研究表明，将高光谱维度降至12个诊断性关键波长后，分类精度从使用全部ASD光谱波段时的84.8%提高至91.7%。

在植物病害检测方面，甘蔗严重螟虫 infestation 在整个研究光谱范围（400–2500 nm）内增加了反射率。手持式ASD光谱辐射计在350–2500 nm范围内识别出可见光区域中检测甘蔗蓟马危害的最优波长。马铃薯晚疫病检测中，健康植物表现出高近红外反射率和低红光反射率，而感病植物呈现相反模式。高光谱辐射计测量结合害虫特异性高光谱植被指数，通过叶绿素-a色素含量的变化表征棉花叶蝉诱导的胁迫。ASD FieldSpec光谱辐射计用于检测大豆黄化花叶病毒感染，NDVI被确定为检测感病植物最有效的指数。高光谱指数用于评估枣椰树红棕榈象甲危害，红光区域最能区分受害与健康棕榈树。光谱辐射计结合三种植被指数——修正叶绿素吸收反射指数（MCARI）、转换叶绿素吸收反射指数（TCARI）和归一化色素叶绿素指数（NPCI）——用于区分三种寄主—害虫组合中的健康与感病植物。

3.4 遥感用于作物产量评估

作物产量评估和预测是农业监测中遥感最重要的应用之一，收获前的及时产量信息支持粮食安全规划、农业管理和决策。遥感通过捕捉与作物生长和生产力相关的时空变化提供非破坏性的产量评估方法。多光谱、高光谱、雷达和LiDAR观测均已用于作物监测和产量预测，其相对性能取决于作物类型、生长阶段、空间尺度、传感器特征和环境条件。光学遥感衍生的植被指数，特别是NDVI，被广泛用作作物生长和生产力的代理指标，而近期研究日益将光谱信息与结构、热、气象及其他辅助变量相结合以提高产量估算精度。机器学习和深度学习方法进一步增强了利用多时相和多源遥感数据进行田块和区域尺度作物产量预测的能力。

3.5 植被判别遥感方法的跨平台比较

所综述研究表明，植被判别性能不能仅归因于传感平台或空间分辨率，而是反映了空间、光谱和时间分辨率、植被特征、获取时机、分析方法和应用空间尺度之间的相互作用。卫星、无人机和高光谱/光谱辐射计观测因此提供互补而非普遍可互换的能力。卫星观测在大范围重复监测方面具有主要优势，但其中等空间分辨率可能因混合光谱响应而限制对单株植物和异质植被斑块的判别。无人机观测通过提供极高分辨率影像和灵活的获取时机，可在一定程度上克服空间限制，但通常覆盖面积远小于卫星观测，且需仔细考虑飞行设计、光照条件、几何和辐射定标及图像处理流程。高光谱遥感提供比常规多光谱观测精细得多的光谱信息，但涉及更大更复杂的数据集，通常需要仔细的辐射定标、特征选择和先进的分析程序。在病害和虫害检测文献中，一个特别限制是成功的实验判别与可操作的田间尺度监测之间的差距，光照、冠层结构、土壤背景、症状严重度、生长阶段和获取几何的变异性可显著影响光谱响应和模型性能。

3.6 数字农业生态系统中的遥感

数字农业的最新进展将遥感的角色从独立的地球观测技术重新定义为集成数字农业生态系统的地理空间支柱。现代植被监测日益依赖卫星观测、UAV影像、近端传感和野外光谱学的组合使用，以生成连续、多尺度、高分辨率的作物生长、植被动态和环境变异性信息。遥感与人工智能（AI）、物联网（IoT）、云计算和先进传感技术的集成显著增强了农业监测系统从异质数据集中提取有意义信息的能力，支持植被状况、作物生理响应、营养状况、水分胁迫和病害发展的连续评估，同时为可持续农业管理提供准确及时的决策支持。

4. 遥感在植被判别中的未来方向

植被判别遥感的未来将可能由先进传感技术与智能分析框架的集成所塑造，以提供更准确、可扩展、近实时的植被动态监测。未来研究应日益利用多源地球观测数据（光学、高光谱、热红外、LiDAR和合成孔径雷达（SAR））的协同使用，以克服单一传感器的局限。人工智能的进展预计将重塑植被监测，从常规机器学习算法向基础模型、自监督学习、视觉—语言模型和多模态深度学习框架发展。农业生态系统数字孪生技术的发展通过持续集成遥感观测、田间测量、环境变量和预测模拟模型，创建作物和农业环境的动态虚拟表示。未来研究还应优先考虑通过云计算、边缘计算和自动化处理流程实现近实时植被监测的可操作遥感系统。

5. 结论

本综述表明，没有任何单一遥感平台在植被判别方面具有普遍优越性。卫星观测最适合重复的区域尺度监测，但云层覆盖、中等空间分辨率和光谱混合可能限制其在异质植被中的性能。无人机提供田块和单株植物评估所需的空间细节和获取灵活性，但其有限的覆盖范围、飞行约束和处理要求限制了大规模应用。高光谱和光谱辐射计方法为区分光谱差异微小的植被提供了卓越的光谱细节，但其高数据维度、定标要求和有限的空间覆盖仍是重要的操作约束。平台选择应基于植被目标、空间尺度、所需时间频率、光谱复杂性和监测目标，而非仅依据所报告的分类精度。未来研究应优先进行多地点和多季节验证、标准化采集和定标程序，以及改进模型在传感器、植被类型和地理区域间的可迁移性。多传感器数据融合和新兴AI方法（包括基础模型和数字孪生框架）应根据精度、鲁棒性、可扩展性和操作价值的可测量改进进行评估。