机器学习在遥感测绘应用

一、机器学习在遥感测绘应用

机器学习在遥感测绘应用

随着科技的快速发展，机器学习在遥感测绘领域的应用也日益广泛。机器学习技术以其高效、准确的特点，为遥感测绘领域带来了革命性的变化，推动了测绘行业的发展。

机器学习技术概述

机器学习是人工智能的一个重要分支，其通过对大量数据的学习和分析，让机器具备了类似人类的学习能力和自我优化能力。在遥感测绘领域，机器学习可以帮助快速处理海量的遥感数据，提取有用信息，并进行数据分析和预测。

遥感测绘应用案例

机器学习在遥感测绘领域的应用是多方面的，其中一些典型的案例包括：

• 地图更新与维护：利用机器学习技术可以自动识别地图中的变化，更新地图数据，保持地图信息的准确性。
• 环境监测：通过遥感数据和机器学习算法结合，可以监测环境变化，如森林覆盖率、水质状况等。
• 城市规划：机器学习可以帮助分析城市建设和发展趋势，提供科学依据。

机器学习优势

在遥感测绘应用中，机器学习具有诸多优势：

• 高效率：机器学习可以快速处理大规模遥感数据，大大提高了数据处理的效率。
• 高精度：机器学习算法能够准确地提取和分析数据，提供精准的信息。
• 自动化：机器学习技术可以实现数据的自动识别和处理，减少人工干预。

挑战与发展

尽管机器学习在遥感测绘应用中有着诸多优势，但也面临着一些挑战。其中包括数据质量、算法优化、实时性等方面的问题。未来，随着技术的不断进步，机器学习在遥感测绘领域的应用将会取得更大的突破和发展。

结语

综上所述，机器学习在遥感测绘应用中发挥着不可替代的作用，推动了遥感测绘行业的发展。随着技术的进步和不断的探索，相信机器学习在遥感测绘领域的应用会越来越广泛，为我们的生活带来更多便利和发展机遇。

二、国内遥感都有哪些研究或应用方向（除了测绘，GIS）？

增加产量、提高收益，是所有农户永恒的追求目标。

我前几篇文章分析了精准农业技术在国外的应用情况，变量播种、变量施肥等技术在降低投资投入、提高产量与收益方面有显著效果，但是在国内，受到土地资源零碎、耕地资源分散、农场经营规模较小、农业机械化发展不足、农业从业人员素质不高等制约因素，精准变量技术的普及率并不高，国内农户能做的，除了品种选择以外，更多是试图通过精耕细作和田间管理来提升产量和收益。在农田现场勘察虽然可以发现已经肉眼可见的问题，但当问题已经肉眼可见时，作物可能已经受到严重损害。而通过利用卫星图像的多光谱分析，种植者可以在作物健康问题变得明显可见之前就监测到对应变化，从而能有更多的时间来解决即将出现的问题，更好地管理农田，达到最佳的经济效益。

1、作物长势监测指标概述

作物的生长受到光、温、土壤、水、气（CO2）、肥、病虫害、灾害性天气、管理措施等一系列因素的影响，是多因素综合作用的结果。我们既可以从影响作物生长的各因素入手监测、分析，也可以从作物长势的表征来反演，前者显然更加复杂。作物长势是指农作物生长的状况与趋势，作物长势表征可以用个体与群体特征来描述。

• 个体特征

描述单株作物健康情况的系列指标，如株高、叶龄、分蘖数、茎粗、出苗率等。

群体特征

单株长势特征对于田间管理意义不大，我们更加关注作物长势的群体特征。以植被指数、叶面积指数位代表的植被遥感参数是公认的能够反映作物长势的群体指标。

指标	名称	英文全称
LAI	叶面积指数	Leaf Area Index
LCC	叶片叶绿素含量	Leaf Chlorophyll Content
CCC	冠层叶绿素含量	Canopy Chlorophyll Content
NDVI	归一化植被指数	Normalized Difference Vegetation Index
RVI	比值植被指数	Ratio Vegetation Index
EVI	增强型植被指数	Enhangced Vegetation Index
PVI	垂直植被指数	Perpeddicular Vegetation Index
DVI	差值植被指数	Diffenrence Vegetation Index
SAVI	土壤调整指数	Soil Adjusted Vegetation Index

叶面积指数（Leaf Area Index，LAI）是指单位土地面积上植物叶片总面积占土地面积的倍数。即:叶面积指数=叶片总面积/土地面积。实验发现，叶面积指数是与长势的个体特征和群体特征有关的综合指数。作物的叶面积指数是决定作物光合作用速率的重要因子，叶面积指数越大，光合作用越强，这是用叶面积指数监测长势的基础。

归一化植被指数（Normalized Difference Vegetation Index，NDVI）与作物的LAI叶面积指数有很好的相关性，在作物的长势监测中，已被作为反映作物生长状况的良好指标。

2、NDVI指数与遥感监测分析

NDVI是基于作物如何反射不同光波进而反映作物健康状况的指标。例如，对于人眼，植物是绿色的，因为其中的叶绿素反射绿色波，同时吸收红波，因此发生光合作用，也就是生长发育。作物的细胞结构反射近红外波，因此生长健康的作物（具有大量的叶绿素和良好的细胞结构），会主动吸收红光并反射近红外光，而长势较差的植物则情况正好相反。

因此，为了了解作物的健康状况，我们可以比较红光和近红外光的吸收和反射值，这就是NDVI的计算逻辑：

作物的NDVI取值范围从0到1，是对作物生长健康情况的暗示：

在种植季初期，NDVI指数有助于了解植物如何在冬季生存。

• 低于0.15，很可能出苗不好，这个数值一般对应为裸土；
• 0.15~0.2，可能表明作物在分蘖之前的在较早的物候期开始越冬；
• 0.2~0.3，可能作物进入了分蘖阶段并恢复了植被；
• 0.3~0.5，可能作物在分蘖之后的较为后期的物候期越冬；
• 高于0.5，时越冬后期的异常值，最好检查一下这个区域；

在种植季中期，NDVI指数有助于了解作物如何生长和发育。

如果NDVI在0.5~0.85之间，较为正常，如果NDVI值较低，则可能预示着作物的长势出现问题，比如缺少水分或营养，需要巡田检查这个区域。我们还可以依据NDVI的值的分布来对氮素的施用进行调整：

• 如果NDVI值很高，可以尝试减少肥料剂量；
• 如果NDVI值平均，可以尝试增加肥料剂量；
• 如果NDVI值较低，需要尽快确定其原因；

到了种植季末期，进入收获季节，NDVI将有助于帮助我们确定哪些地块已准备好收获。

指数越低，越接近成熟，在这种情况下，NDVI一般低于0.25。

NDVI也有受背景影响和易饱和的缺陷：

• 在高植被覆盖区（如种植季中期），NDVI对植被的敏感程度降低，无法做到线性增加。
• 在低覆盖度时（如种植季早期，出苗期）受背景土壤的影响，无法很好的反应植被生物量。

参考资料：

• What the NDVI index is and how it makes a farmer's life easier

3、常用的遥感监测分析模型与方法

根据监测作物长势的用途和场景，遥感监测分析模型可以分为评估模型和诊断模型两种。

• 评估模型

评估模型，就是利用遥感监测指标对作物的长势健康情况进行评估，这种方法无法分析出造成长势差异的具体原因，只能辨识出作物长势健康的差异情况。常用的方法实时监测分析和过程监测分析。

实时监测主要利用当前的NDVI影像，通过其与去年或多年平均，以及指定某一年的对比，反映实时的作物生长差异，可以对差异值进行分级，统计和显示区域的作物生长状况。

过程监测主要是通过时序NDVI影像来构建作物生长过程，对生长变化过程进行监测，可以统计生长过程曲线的特征参数包括上升速率、下降速率、累计值等各种特征参数，借以反映作物生长趋势上的差异，从而也可得到作物单产的变化信息。

• 诊断模型

诊断模型是指从作物生长的条件和环境等影响作物长势的因素出发，对作物的长势进行评价，通过可见光、红外、微波、热红外等多源遥感信息，综合分析包括作物生长的物候期、营养亏缺、水分胁迫、病虫害蔓延、杂草滋生等各方面生长与环境信息，来评价作物长势。例如，通过热红外反演植被表面温度Ts来诊断水分胁迫等。

4、目前遥感监测作物长势的主要问题

利用遥感技术可以实现大尺度、高频次对地表作物进行长期观测，广泛应用于农业生产的各个环节，如作物识别、面积监测、长势监测、产量估算、精准农业、土壤墒情监测、病虫害监测等。

我国农业遥感技术起步于上世纪八十年代，经过20多年的努力，农业遥感应用已经从技术引进、科技攻关到面向农业生产的宏观决策取得了众多的成果，也积累了丰富的经验，形成了以农科院、中科院、农业大学为代表的农业遥感科研体系。

但是较为遗憾的是，农业遥感技术目前还主要服务于农业资源监管部门、农业统计机构、农业保险、金融与投资机构，遥感技术暂时并未下沉到个体农民端，缺少对种植环节，特别是地块级别的技术支持与落地服务能力。

主要存在以下问题：

1）缺少公共、基础遥感卫星数据资源

农作物生长环境复杂，生长状态变化迅速，为满足农业遥感应用需求，特别是能更好服务个体农户的种植场景，需要时间分辨率高（全国覆盖周期）、空间分辨率高、多光谱且数据稳定、处理及时、可靠，最好能公开、免费获取的遥感卫星数据资源。

在这方面，我国尽管先后发展多个系列遥感卫星，如陆地资源卫星系列、环境卫星系列、高分卫星系列，但是依然缺少满足农业监测应用、且能普惠大众的公共基础遥感卫星数据资源，限制了数字农业技术在国内的普及和发展。以下数据仅供参考。

卫星	所属	时间分辨率	空间分辨率	波段数	获取方式
资源系列卫星	中国	30天左右	2.5~10米	多光谱	付费
高分系列卫星	中国	40天左右	0.8~16米	多光谱	有限使用
Sentinel	欧洲	5天左右	10米	多光谱	免费
LandSat	美国	15天左右	30米	多光谱	免费
Planet	美国	1~3天	3米	多光谱	付费

2）缺少成熟、广普、轻简化的遥感算法模型

目前，我国在农业遥感应用方面，特别是针对地块级别的具体种植应用场景，还缺少成熟、光谱、轻简化的遥感算法模型。所谓成熟是说，模型算法能够指导一个具体地块的分析；广普是说这个算法对于任何一个地块的分析都是有效的；轻简化是指在应用算法模型的过程中，不需要依赖过多的参数和严苛的数据资源，比较容易落地实施。

我们很多遥感算法模型的研究转化率较低，在研究阶段能够提出很多的创新想法，也能够在试验田进行验证，但是到了工程应用阶段，就鲜有能够真正落地并能指导农业生产作业的技术能力，不能做到成熟、广普和轻简化。

以用于监测作物长势的NDIV分析为例，除去作物长势统计分析外，如何进一步利用NDVI分析来指导田间管理，如何解决NDVI过饱和问题？如果解决缺少历史影像数据的问题？如何屏蔽不同作物与不同种植环境的差异？我们需要更加实际的算法模型。

3）缺少稳定、可靠的遥感平台服务能力

在完善遥感监测数据资源与成熟模型算法的基础上，还应该具备稳定、可靠的遥感平台基础服务能力。这个服务能力是指将原始卫星数据生产为标准产品对外分发，便于对数据的处理与分析。而且对实时性有较高的要求，满足作物快速生长变化及时监测的需求。在国外，欧空局的哨兵数据能够快速的将获取的卫星数据，在几小时内完成标准产品生产，并快速上传到其平台。国内，特别是主要的卫星数据供应商，还缺少类似的基础服务能力，这也严重制约了遥感工程化应用进程。

4）缺少农户侧、地块级的遥感服务产品体系

在国内应用市场涉农领域的APP很多，但是真正面向田间管理，为农民提供免费种植管理工具，特别是下沉到个体农民端的农业遥感应用的产品凤毛麟角。一方面，由于缺少公共基础卫星遥感数据资源与服务能力，使得卫星数据的获取、存储、分析、处理变得非常复杂和昂贵，很少公司具备建立和维护农业遥感应用系统的能力；另一方面，即便拥有该能力的公司，也更加愿意从事“有人付钱”的项目型技术研究或服务于政府或大型农业公司商业项目，况且为特定区域提供遥感分析服务的技术难度要远低于服务于个体农户的具备广谱、轻简化的遥感产品。并且，遥感技术对于农户来说还过于遥远和陌生，商业潜力也尚未具备开发条件。

参考资料

• 农业遥感卫星发展现状及我国监测需求分析
• 中国遥感卫星在农业领域的应用现状与未来发展

5、MAP智农遥感监测作物长势解决方案

正如我在《中美在数字农业发展路径上差异分析》一文中所述，

“我们发展数字农业技术，应着眼于现实，树立远大目标，让更多中小规模种植户受益，优先发展普惠性、轻简化的产品和技术，让数字农业走进千家万户......"

MAP智农就是在这样的环境下应运而生的一款面向农户的种植管理工具，它可以为全国任意一块土地提供免费的遥感分析服务，并且可以实现每5~7天更新一期卫星影像，它让农业遥感技术走进千家万户，让遥感卫星照到每个田间地头。

MAP智农提供两种分析服务，一种是基于NDVI的作物长势分析，通过不同颜色来帮助农户识别作物的长势情况。

但是由于NDVI具有易饱和的缺点，田间不同区域作物的长势差异并不明显，农户也不能从遥感影像中分辨出可能存在潜在问题的区域。所以，我们采用独特的算法，研发了另一种分析专题，我们称它为"长势诊断“专题，如下图所示。

利用长势诊断专题影像，我们可以将田间的长势差异更明显的显示出来，即便是非常细微的长势差异，农户也能很容易地分辨出来，造成这种差异的原因很多，有些是因为杂草，有些是因为缺少养分，如果农户能在一开始就注意到这种差异，并及时采取措施，就能避免在生长的后期造成更大损失。

长势诊断分析改变了农户的巡田习惯，他们不再需要绕田走一圈了，而且大多数情况下，也很难凭肉眼找到长势差异的区域。他们习惯于在巡田开始之前，先通过遥感影像找出可能存在问题的区域，然后直接到对应的区域去田间勘察，找到问题的关键。这种方式大大提升了农户田间管理的效率和准确率。

在出苗早期，利用长势诊断分析，我们可以轻易地看到出苗的差异情况，而这个时候NDVI易饱和的缺点暴露无遗。长势诊断分析专题则要灵敏的多，利用影像上差异的规律，我们可以进一步判断这种差异是何种原因造成的。

在下面这个真实的案例中，一位农户发现他的地里有一块区域明显比周边长势更旺，推测是因为杂草滋生，而这位农户前几日刚刚施撒了除草剂。看到影像的异常后，他决定到地里一探究竟，发现果然是杂草，是因为前几日的除草剂漏喷了这个区域。他马上补喷了除草剂，过了几天，这个异常区域恢复正常了，跟周边的颜色区域一致了。

感兴趣的朋友，可以在应用市场搜索“MAP智农”或者扫描下方二维码的方式免费下载实用遥感分析功能，也欢迎大家留言和我一起交流，并多提建议。

三、光学在海洋遥感中的应用？

用各种遥感方法获得并提取光波所携带的海洋信息。

主要采用多光谱遥感技术：用多光谱传感器接收海面向上光谱辐射和海面热辐射，然后根据海洋－大气系统辐射传递模式进行数据和图象处理，得出海洋的环境参数。

海洋辐射传递的光谱特征是多光谱遥感探测海洋的基础。多光谱传感器参数的确定，依赖于海洋光谱辐射研究。

海洋的向上辐亮度，只有陆地的0.1～0.05倍,且动态范围很小。确定海洋环境参数所要求的光谱带宽为10nm,而陆地遥感所要求的光谱带宽,一般要增大10倍以上。

因此，用来探测海洋和海岸带的多光谱传感器具有较窄的光谱带宽。为了获得较大的接收能量，传感器具有较大的瞬时视场角。例如，海岸带海色扫描仪(CZCS)的可见光波段的光谱带宽为20nm，瞬时视场角为 0.05°，相应的地面分辨率约为800m。

自20世纪70年代末以后发展起来的陆地-D卫星（美国）、斯包特卫星(法国)、地球资源卫星 1号（欧洲空间局）、气象海洋卫星(日本)、流星Ⅱ型卫星（苏联），在光谱选择、地面分辨率、遥感器配置等总体设计中，都尽可能地兼顾了陆地和海洋的光谱辐射特征。

海洋卫星的主要遥感手段，虽然是各种微波传感器，但是对于提供完整的海洋数据信息而言，光学遥感依然是不可缺少的有效手段。

四、人工智能在测绘领域的应用？

测绘科技是实现测绘目标所不可或缺的工具与方法。不同的历史时期，测绘科技往往表现出不同的发展水平，同时也一定程度反映了人类社会科技的发展水平。

综观全世界，测绘科技经历了从传统模拟阶段到数字化阶段，再到信息化阶段的进步，实现了测绘生产和服务效率、质量的大幅提升，有力支撑了经济建设、社会发展、国防建设、生态保护等领域的诸多工作。

五、智能化遥感技术在农业中的应用

随着科技的不断进步和农业生产的需求不断增长，智慧遥感农业成为了现代农业发展的热门话题。通过结合遥感技术与人工智能，智慧遥感农业为农民提供了更高效、精确的农业生产方式，为农业现代化进程注入了新的动力。

什么是智慧遥感农业？

智慧遥感农业利用遥感技术获取农田的空间、时间变化信息，以及其他环境要素的数据，并通过数据分析和机器学习等人工智能技术，为农民提供农业生产决策依据的一种农业生产方式。

智慧遥感农业的优势

智慧遥感农业相较于传统农业生产具有以下几个优势：

• 精度高：智慧遥感农业可以实时监测农田的地理特征、植被状况、土壤湿度等参数，获取更加精确的农业生产数据。
• 效率高：通过遥感图像分析与人工智能技术结合，智慧遥感农业可以快速解析大量数据，提取农田的问题和潜在风险，帮助农民高效调整种植策略。
• 节约成本：智慧遥感农业可以提前预警病虫害的发生，及时采取措施，减少农药和化肥的使用，降低农业生产成本。
• 减少环境影响：通过合理利用遥感技术和人工智能算法，农民可以更好地管理农田的水资源，减少农业对环境的影响。

智慧遥感农业的应用

智慧遥感农业在实际生产中有着广泛的应用：

• 精确施肥：通过遥感技术监测农田的植被状况和土壤养分，结合人工智能算法，可以实现对农田的精确施肥，提高施肥效率。
• 病虫害监测：智慧遥感农业可以及时监测农田的植被植被状态，并通过图像分析检测病虫害的发生与蔓延，帮助农民及时采取措施防止病虫害的发生。
• 农田管理：通过遥感技术获取农田的土壤湿度、温度等参数，结合人工智能算法，可以提供农田的最佳种植期、灌溉时间等指导，帮助农民科学管理农田。
• 农业保险：智慧遥感农业可以通过遥感技术获取农田的信息，为农业保险提供可靠的数据支持，辅助保险公司评估农田的风险。

智慧遥感农业的未来发展

智慧遥感农业在未来的发展将更加广阔。随着传感器技术、人工智能算法和云计算等技术的不断进步，智慧遥感农业将为农民提供更加精确、高效的农业生产方式，推动农业现代化进程。

最后，感谢阅读本文，相信通过了解智慧遥感农业的应用和优势，您对农业现代化进程有了更加深入的了解。

六、遥感技术在航天领域的应用？

航天遥感泛指利用各种空间飞行器为平台的遥感技术系统。它以地球人造卫星为主体，包括载人飞船、航天飞机和空间站，有时也把各种行星探测器包括在内。在航天遥感平台上采集信息的方式有四种：一是宇航员操作，如在“阿波罗”飞船上宇航员利用组合相机拍摄地球照片：二是卫星舱体回收，如中国的科学实验星像片；三是通过扫描将图像转换成数字编码，传输到地面接收站；四是卫星数据采集系统收集地球或其它行星、卫星上定位观测站发送的探测信号，中继传输到地面接受站。

　　航空遥感泛指从飞机、气球、飞艇等空中平台对地面感测的遥感技术系统。按飞行高度，分为低空（600～3000米）、中空（3000～10000米）、高空（10000米以上）三级，此外还有超高空（如U－2侦察机）和超低空的航空遥感。

　　由此可见，航天遥感和航空遥感的区别主要是：一是使用的遥感平台不同，航天遥感使用的是空间飞行器，航空遥感使用的是空中飞行器，这是最主要的区别；二是遥感的高度不同，航天遥感使用的极地轨道卫星的高度一般约1000公里，静止气象卫星轨道的高度约3600公里，而航空遥感使用的飞行器的飞行高度只有几百米、几公里、几十公里。

七、读武大测绘遥感的博士好吗？

读武大测绘遥感的博士好

武汉大学绘测专业博士就业前景十分光明,因为首先它毕竟代表着我国甚至世界的测绘行业教育科研最高水平,与测绘这个行业的前景是息息相关的。做博士很辛苦，但是在武大的校园里会特别享受，那里的人文情怀特别弄，尤其是校友

八、人工智能在测绘工程专业的应用？

人工智能在测绘工程专业中的应用日益广泛。它可以通过对大量数据的处理和分析，提高测绘的准确性和效率。

例如，人工智能可以用于地图的自动识别和绘制，通过图像识别技术自动提取地标和地形特征，提高地图制作的精度和效率。

此外，人工智能还可以应用于地籍测量和地理信息系统等方面，实现土地资源的高效管理和利用。

九、遥感技术与核辐射，遥感在监测核辐射中的应用？

遥感是反演下垫面反射的电磁波的，需要有足够能量的电磁波才能在遥感图像上有反应，日本的核辐射暂时在我国的影响我看遥感是看不到的，黑龙江前两天说仪器测量是本底值的10万分之一，那太弱了，如果有大的核泄漏，造成大范围影响，用专门的卫星是可以看到的，仅供参考。

十、RS技术的遥感应用？

陆地水资源调查、土地资源调查、植被资源调查、地质调查、城市遥感调查、海洋资源调查、测绘、考古调查、环境监测和规划管理等。 目前，主要的遥感应用软件是PCI、ENVI、ERDAS和ERMapper。