粮食安全是国家安全的重要基石，保障粮食和重要农产品稳定安全供给始终是建设农业强国的头等大事。2023年中央一号文件《中共中央国务院关于做好2023年全面推进乡村振兴重点工作的意见》明确提出“全方位夯实粮食安全根基”的战略要求。在藏粮于地、藏粮于技战略框架下，构建现代化农业监测体系已成为突破传统农业发展瓶颈的关键路径。然而，当前农业监测仍面临技术供给与需求错配的深层矛盾：传统监测手段过度依赖气象要素实况预报与人工踏查数据采集，这种点线式、经验型的监测模式不仅存在时空覆盖度不足、数据精度存疑等固有缺陷，更因缺乏智能化技术支撑而难以适应现代农业规模化、精细化的发展需求。

卫星遥感技术的突破性发展为破解上述困局提供了新范式，但其农业应用仍面临三重掣肘：一是监测产品精准度与业务适用性失衡；二是科研成果转化路径断裂导致技术悬浮；三是算法模型可移植性差引发地域应用鸿沟。这些瓶颈制约了遥感技术从实验室研究向田间地头服务的价值转化，形成“技术供给过剩”与“服务需求饥渴”的悖论。在此背景下，高分遥感技术的演进为突破技术落地的困境开辟了新赛道，其多源数据融合能力与时空连续观测优势，为构建全链条、立体化、定制化的农业监测服务体系创造了可能。

辽宁省作为国家农业高分遥感的重要实践场域，立足区域农业特征与监测需求，通过创新高分遥感农业定量关键技术体系，成功打造了“耕--种--管--收”全周期监测解决方案。该体系突破性构建“天--空--地”一体化数据采集网络，实现多源遥感数据与地面实测数据的深度耦合；首创“一用户一产品”服务模式，通过动态校准算法库解决区域异质性难题；最终形成“全局监测+地块精查”的双维服务能力，为农业灾害预警、产量预估、长势评估等核心场景提供可量化的决策支持。这一实践不仅验证了高分遥感技术在破解监测精度与服务效能矛盾中的技术可行性，更为农业遥感服务的规模化应用提供了可复制的方法论框架，对于推动我国农业监测体系现代化转型具有重要的理论价值与实践意义。

一、全链条、一体化服务模式的构建

通过多源高分遥感影像的协同利用，结合深度学习、机器学习等先进技术，通过一系列数据处理、模型构建与应用，实现了地块级高精度的农业全流程服务模式。

1．全链条、一体化服务体系

从数据收集与预处理、特征提取与模型构建，到农田环境与作物生长动态评估、农事活动进度监测与灾害应急响应，再到数据集成及监测平台提供产品服务，每一步都紧密相连，共同构成了完整的技术流程。主要技术流程见图1。

（1）多源卫星数据

整合高分光学与雷达影像、气象站点数据、地形数据、无人机及地面测量数据，进行影像的预处理及数据同化处理，构建多模态数据综合数据分析体系。

（2）特征提取

通过光谱特征、指数特征、纹理特征、后向散射系数特征形成时序-空间联合特征进行高精度地块分类与长势分析；基于地表温度、植被指数、降水量、土壤湿度数据进行农田渍害模型构建与反演；通过分析三边参数和敏感波长等特征构建土质反演模型，为深度学习模型提供高精度、低冗余的数据支撑。进而构建形成智能增强型多模态特征库，为深度学习模型的构建提供数据支持。

（3）模型构建

基于卷积神经网络分类模型、随机森林回归模型、深度神经网络模型等，设计模块化分层模型体系，实现模型动态更新与高效部署，满足业务化实时监测需求。

（4）业务化平台

开发智能业务化遥感监测系统，集成作物识别分类、作物长势、作物渍涝灾损评估、作物生长环境动态评估等功能模块，为实际业务应用提供高效、规范的业务监测分析平台。

（5）用户服务

构建精准推送机制，将各类模型集成到农作物遥感监测业务平台中，定制服务方案，通过微信、电话、邮件、专线等形式将服务产品直接推送给农科院、统计局、林草局、环境厅、气象局、保险公司及种粮大户等用户。

全链条、一体化服务体系的监测和评估具有重要作用，特别是在春播和秋收两个关键时期，可为农业生产提供及时、准确的信息支持。服务体系创新构建了地块级高精度高分遥感服务模式，为农业农村部门、国家统计局及保险公司等单位提供服务。该服务体系在应用区域上覆盖辽宁农村地区，在时间上贯穿农作物生长的全过程，并通过一系列的事件（如数据收集与处理、数据集构建与分析、深度学习模型构建与应用等）实现了对农业生产活动的全面监测和评估，为数字农村建设和乡村振兴发展提供了有力支撑。

2．全链条、一体化服务体系业务化应用效能

（1）作物分类模块：精准识别与空间分布制图

通过构建基于多源数据融合与深度学习技术的精准作物识别框架，整合多时相高分光学影像[如GF-1/GF-6多光谱宽幅相机（WFV）影像]、雷达影像[如GF-3合成孔径雷达（SAR）影像]、无人机多光谱影像及地面实测样方数据，构建了“卫星-无人机-地面”协同观测体系，实现了辽宁省农作物空间分布的高精度制图。数据预处理阶段采用辐射定标、大气校正及几何精校正技术，确保多源数据时空一致性；特征提取环节融合了光谱特征[如归一化植被指数（NDVI）、增强植被指数（EVI）]、纹理特征[如灰度共生矩阵（GLCM）纹理]、形状特征（如面积、周长）及极化特征（如SAR后向散射系数），优化模型对作物种类的识别能力，并通过迁移学习策略提升模型泛化性，为辽宁省农科院作物种植结构动态监测、统计局农业数据核验及保险公司精准承保提供了关键基础数据，支撑了全省农业生产布局优化与资源精准配置。

（2）作物长势监测模块：动态跟踪与产量预估

构建了基于时空数据融合与深度学习技术的动态监测框架，实现了对辽宁省农作物生长状态的全周期跟踪与产量精准预估。通过整合时间序列高分光学影像（如GF-1/GF-616m多光谱影像）、气象站点数据、土壤墒情数据及无人机多光谱影像，构建了多维度监测体系。有效融合了植被指数[如NDVI、叶面积指数（LAI）]、气象因子（如温湿度、降水）和土壤参数（如含水量、有机质）等关键变量，构建了作物生长动态监测模型，捕捉了从苗期到成熟期的遥感影像演变规律，为辽宁省农业农村部门提供了春播出苗率监测、秋收成熟度评估等关键决策支持，同时为统计部门产量核验、种植大户精准农事管理提供了科学依据，有效支撑了区域农业生产效能提升与资源优化配置。

（3）作物灾损评估模块：快速响应与损失量化

基于多源遥感数据融合与机器学习技术的快速响应与损失量化框架，实现了对辽宁省农业灾害的时空动态监测与经济损失评估。通过整合灾前灾后高分光学影像[如GF-1/GF-2/GF-6多光谱相机（PMS）影像]、雷达影像（如GF-3条带模式）、气象数据、高程数据及无人机灾情核查影像，形成了“天-空-地”协同监测体系，实现了灾害影响范围的精准提取，受灾程度的分级判断，为辽宁省应急管理部门提供了灾害应急响应的决策依据，为保险公司缩短了理赔周期，同时为林草局生态修复规划提供了数据支撑，显著提升了农业灾害管理效能。

（4）生长环境动态评估模块：多维监测与风险预警

构建了基于多源遥感数据融合与时空分析技术的多维监测与风险预警框架，实现了对辽宁省农作物生长环境的动态评估与潜在风险预警。通过整合高光谱影像[如GF-5可见短波红外高光谱相机（AHSI）影像]、土壤光谱数据、水体光谱数据及气象站点数据，构建了土壤有机碳、水体叶绿素a等关键参数的反演模型，形成了覆盖土壤-水体-大气的立体监测体系，为辽宁省环境厅农业面源污染监测、气象局农田小气候服务及种植大户土壤改良提供了科学依据，有力支撑了区域农业可持续发展与生态文明建设。

二、应用案例

基于全链条、一体化服务平台的高分遥感影像服务农业的应用案例，充分展示了遥感技术在现代农业中的深度融合与创新价值。平台以多源高分遥感数据为核心驱动力，构建了覆盖农田土质、水质、作物长势、类型识别、设施农业分布、渍害监测、堤坝溃口动态评估及农事活动进度跟踪的闭环服务体系。这些应用不仅显著提升了农业管理的精准度、效率和智能化水平，还为农业管理和决策提供了全面、准确、及时的信息支持。通过用户需求驱动的产品创新，以用户需求为出发点，研发特色农业服务产品，为粮食安全提供了有力保障，推动了农业现代化的发展。

1．针对大田作物分布的高精度地块级类型识别

为解决20m分辨率高分影像难以在全省范围提取作物类型的难点，提升作物类型遥感提取速度，提高地物分类精度，利用基于GF-1和GF-6WFV多时相卫星遥感数据，以作物高分遥感影像的颜色、纹理、形状等特征信息为依据，运用农作物不同地物类型的纹理特征、光谱特征、指数特征等识别理论，分析图像中反映同类作物的光谱、空间相似性和异类地物的差异，构建基于时序特征的典型农作物训练样本数据集，融合机器学习分类模型进行农作物分类，构建多尺度、多特征作物种植结构提取方案，进而将遥感图像自动分成若干地物类别，提取农作物种植结构信息。图2为2024年辽宁省作物种植区域分布图，通过结果可以看出辽宁省农作物的玉米种植面积较大，集中在辽西北地区。水稻种植面积其次，主要分布在辽河中下游平原，沈阳、盘锦的水稻面积位居榜首。大豆面积较分散。

2．针对作物全生育期长势的定量化监测

基于分辨率为50m的GF-4卫星遥感数据，对当年及上年同期某一地区的作物生长情况进行分析，实现作物长势的高分遥感监测，直观了解作物的生长状态、分布情况以及生长速度的差异，及时发现生长异常或病虫害等问题。这种精准把握有助于农业工作者及时了解作物的生长状况，为农业生产提供科学决策支持。图3为昌图县2023年6月15日玉米长势及与上年同期对比图，通过结果可以看出该地区6月中旬玉米处于拔节期，93.57%的种植区植被指数为0.2～0.4，南部玉米长势总体上好于北部；种植区植被指数较上年同期持平的地块占种植面积的73.03%；植被指数较上年同期偏好的地块零星分布在昌图西北、西南、东南部分地区，占比为3.84%；植被指数偏差的地块占比为23.13%。

3．针对农作物渍害的遥感时空融合定量监测

利用GF-1WFV光学影像、GF-3雷达影像、ALOS数字高程模型（DEM）数据等多源遥感数据以及昌图县气象站点数据，通过选取玉米洪涝区和非洪涝区的遥感影像，分析不同波段、植被指数等遥感反演方法，建立玉米洪涝地块的高分遥感影像样本特征库，分析各类作物不同生育期的光谱特征，并在此基础上形成各自的NDVI时序特征值。分别提取植被指数、后向散射系数、高程及降水量等特征，深度挖掘不同农作物类型各物候期在光学及雷达影像中的特征时序差异，引入层次分析法综合评估农作物受灾面积和受灾程度情况。图4为2022年昌图县玉米涝灾受灾程度监测图，通过结果可以看出，玉米涝灾区域集中于昌图的西部及西南部。

4．针对耕种环境的高分遥感农田土质反演

利用室内采集的光谱数据进行高光谱降维，建立高精度土壤反演模型。对预处理后的GF-5数据进行直接标准化校正，将所得到的反演模型应用于研究区处理后的卫星影像光谱，获取昌图县的有机碳（SOC）含量的分布情况，实现种植区土壤的SOC含量定量监测，这对农业生产、土壤健康以及环境保护等方面都具有重要意义。图5为昌图县玉米种植区土壤SOC含量的反演结果，通过结果可以看出该地区SOC含量分布范围为11.57～16.84g/kg，较高值主要分布在昌图县中南部的头道镇和大兴镇，其空间分布呈离散状，较低值主要分布在昌图县北部等地区。

三、结语

利用多源高分遥感影像，通过创新构建地块级高精度全链条、一体化农业服务模式，不仅提升了粮食安全保障水平，还促进了农业信息化、智能化发展，为农业经济的可持续发展注入了新的活力。同时，通过示范推广和合作交流，形成了广泛的社会效益和经济效益。

多源高分遥感数据的深度融合与智能分析技术的创新应用，突破了传统农业监测的时空局限性。雷达卫星的全天时监测能力与可见光影像的高分辨率地表细节刻画能力结合，利用“天-空-地”一体化数据采集网络，不仅解决了单一数据源的信息缺失问题，更通过深度学习模型对光谱、纹理、极化等多维度特征的联合解析，显著提升了作物分类、长势监测及灾损评估的准确性，为农业保险定损提供了科学依据。这一技术融合路径，为农业监测从“经验驱动”向“数据驱动”转型提供了支撑。

辽宁省作为典型农业大省，其地形复杂、气候多变的特点为高分遥感技术验证提供了理想场景。通过构建地块级高精度服务模式，成功覆盖全省农作物生长全周期，并在春播、秋收等关键农时节点发挥了重要作用。这种“辽宁经验”为全国农业监测体系现代化转型提供了可复制的框架，尤其在粮食主产区具有广泛推广价值。

尽管全链条、一体化服务模式取得了显著成果，但仍面临数据同化效率、模型泛化能力等挑战。例如，在极端气候事件频发背景下，如何进一步提升雷达与光学影像的数据融合精度，以应对云雨遮挡导致的监测中断，仍需技术突破。此外，农业监测与生态保护的协同机制尚待完善，如土壤有机碳反演与水质监测的耦合分析，可为农业面源污染防控提供更全面的决策支持。未来，结合数字孪生技术与区块链技术，可构建农业灾害预警-响应-评估的全链条闭环系统，推动遥感监测从“单点应用”向“生态治理”升级，为全球粮食安全贡献中国方案。

来源：卫星应用微信公众号