［目的/意义］ 农业低空经济是在低空空域管理机制不断完善与智能技术持续突破的背景下快速发展的新兴领域，正逐步融入农业农村现代化的各个环节。 本文全面综述其发展路径与实践模式，对于推动技术集成与政策设计、加快其在农业各领域的推广应用具有重要意义。 ［进展］ 本文基于文献调研和关键词聚类分析方法，系统梳理了农业低空经济在智慧农场、智慧牧场、智慧林业、智慧渔业与智慧乡村5大典型应用场景中的技术路径与实践模式，重点展现了低空经济技术与平台在播种施肥、病虫监测、牲畜巡检、林火预警、环境感知和乡村治理等方面的应用成效与赋能潜力。同时，总结了当前农业低空经济初步形成的以装备制造、飞行作业、配套保障与综合服务为主体的人才与产业体系，涵盖了无人机等装备研发、多类型作业服务、空域调度机制、运维监控系统以及飞手培训与运营管理等关键支撑要素。 ［结论/展望 农业低空经济正处于由单一技术驱动向系统融合、由分散应用向平台化演进的关键阶段。未来应强化政策引导与制度设计，推进核心技术攻关与机制创新，完善基础设施与服务网络，加快构建高效、安全、绿色的农业低空经济体系，服务农业高质量发展与乡村振兴战略的全面实施。

［目的/意义］ 随着低空技术在通信传输、负载能力和智能算法上的快速迭代，农业生产的作业模式正发生深刻变革。以无人机为代表的低空飞行器作为低空技术在农业领域的核心载体，已从单一的植保工具升级为集数据采集、长势监测、精准喷施于一体的智能农业平台，通过“三维一体”技术化体系重构农田管理方式，推动传统农业向数字化、网络化、智能化的智慧农业跨越。 ［进展］ 本文首先介绍了低空技术赋能智慧农业的作用机制，结合低空作业装备、低空遥感与识别技术、低空数据处理与分析技术、精准作业与监管技术介绍了农业低空技术体系。之后分析了低空技术赋能智慧农业的应用场景，重点介绍了低空技术在智慧果园和生态无人农场的实践。 ［结论/展望］ 目前发展以低空技术为载体的农业低空经济面临技术、成本、标准、生态，以及人才等多方面的挑战，本研究提出了打造垂直整合、水平扩展、时空协同“三维一体”技术体系，完善技术标准，构建全链条融合的农业低空产业生态，强化政策引领与人才培育，激活农业低空经济新动能等促进农业低空经济发展的系列建议，可为未来低空技术农业应用及发展农业低空经济提供方向指南。

［目的/意义］ 果园低空经济是农业新质生产力的重要交叉发展方向之一，是推动果品行业全面高质量发展的新兴产业，主要依托装备制造环节集成、智慧农业技术融合、消费生态体系衍生，构建果园全周期生产、管理与服务产业链，推动果园低空全价值链的协同发展与产业生态闭环。 ［进展］ 本文立体化解构果园低空经济上游、中游和下游三个环节的应用与技术现状。其中，上游产业聚焦低空装备制造与基础设施建设；中游围绕果园“产前—产中—产后”作业环节，包括土壤属性检测、精准施药、产量估算和采摘运输等具体场景；下游产业围绕“人、机、险、空、旅”的消费生态网络，涵盖服务保障、装备租赁和果旅融合。 ［结论/展望］ 在总结当前果园低空经济发展现状与典型案例的基础上，本文进一步分析果园低空技术在实际应用推广中面临的装备适配性不足、基础设施未完善、服务标准未统一等技术与制度瓶颈，并提出其发展趋势，为果园低空经济的技术推广与产业升级提供参考。

［目的/意义］ 耕地撂荒是全球土地利用变化中的一个核心议题，其背后蕴含着粮食安全与生态恢复（如碳汇）之间复杂的权衡关系。在中国南方丘陵山区，破碎的地形与复杂的农业系统使得撂荒现象尤为普遍且监测困难。精准、高效地获取撂荒时空信息，对于制定兼顾粮食生产与生态服务的土地利用政策至关重要。本文旨在系统评述撂荒地遥感监测方法，梳理其技术演进脉络，并展望未来发展方向。 ［进展］ 本文系统回顾了相关文献，揭示出撂荒地遥感监测技术已展现出清晰的演进脉络。在监测范式层面，其已从早期基于多时相分类后比较的“状态对比”，发展为当前利用时间序列分割算法进行“过程追踪”的主流动态分析。在识别算法层面，则实现了从依赖特征工程的传统机器学习，向能够自动学习时空特征的深度学习模型的深化。然而，现有研究在方法论上仍存在共性问题，突出表现为地面验证样本的时空代表性偏差，以及由云覆盖、混合像元和物候差异导致的不确定性。 ［结论/展望］ 当前研究仍面临光学数据获取难、方法精细度不够、撂荒特征挖掘弱等挑战。未来的研究应致力于构建一个集成的、智能化的监测体系。具体发展方向包括：构建融合光学、合成孔径雷达（Synthetic Aperture Radar, SAR）等多模态信息的无缝、高分辨率数据立方体；建立基于分层抽样原则的地面验证与多目标校准网络；发展物候知识与深度学习耦合的精细识别模型，并向量化评估“撂荒强度”演进；推动遥感云计算平台从“数据仓库”向支撑多尺度、多模态分析的“智能生态系统”转型；最终实现从描述性制图向预测性过程模拟与风险评估的范式跃迁。

［目的/意义］ 土壤湿度是地表水循环和农业生产的关键参数，直接影响作物光合作用、呼吸作用和碳循环，是反映作物健康状态的重要指标，对作物生长监测、产量预估和田间管理具有重要意义。合成孔径雷达（Synthetic Aperture Radar, SAR）技术凭借其全天时、全天候观测能力，以及多极化通道对地表水分的敏感性，已成为农田土壤湿度监测的重要手段。其中，在多极化SAR农田土壤湿度反演中，如何厘清作物冠层散射和土壤散射作用是研究的核心。 ［进展］ 系统梳理了多极化SAR技术在作物覆盖场景下土壤湿度反演的研究进展，分别从数据资源、技术理论、结果应用3个方面进行总结，重点统计并分析了主要星载极化SAR平台发展与成像参数对土壤湿度反演的影响，总结了散射模型从裸土散射模型到作物-裸土耦合散射模型的发展，讨论了模型解算策略，阐述了作物类型和物候、土壤表面粗糙度和土壤质地参数及多源数据融合对土壤湿度反演的影响。 ［结论/展望］ 总结了天空地监测数据的范围和尺度难匹配、散射模型难以精细适配作物形态、反演结果缺乏统一检验标准和交叉验证等技术瓶颈，展望了在多模态大数据、人工智能技术等新技术支持下的未来技术发展。本研究系统总结了多极化SAR农田土壤湿度反演在数据、理论和应用中的主要进展，凝练技术要点、聚焦技术瓶颈，有助于推动农田土壤湿度反演实现自适应、高分辨、高精度的智能化发展。

［目的/意义］ 玉米雄穗的精准识别是制种生产的关键环节。针对现有目标检测模型在复杂大田场景下的研究存在数据维度受限、特征提取不足、计算负载较高、检测效率低下等问题，本研究提出一种基于改进YOLOv11n的大田玉米雄穗实时检测模型LightTassel-YOLO，旨在快速、准确地识别玉米雄穗，以实现去雄无人机的高效作业，减少人工干预的影响。 ［方法］ 利用无人机连续获取2023—2024年玉米抽雄期数据，构建了覆盖玉米抽雄不同阶段、多品种、多高度及多气象条件的大规模高质量玉米雄穗数据集。首先，将EfficientViT应用于主干网中，以增强在多尺度特征中感知信息的能力；其次，设计C2PSA-CPCA模块通过为特征图动态分配通道和空间维度的注意力权重，有效增强网络对目标特征提取能力的同时降低了计算复杂度；最后构建C3k2-SCConv模块，促进代表性特征学习的同时达成低成本空间特征重构，提高模型检测准确率。［结果与讨论］ LightTassel-YOLO为玉米雄穗检测提供了一种可靠方法，最终模型的准确率为92.6%，召回率为89.1%，AP@0.5为94.7%，较基准模型YOLOv11n分别提升2.5、3.8、4.0个百分点，参数量仅为3.23 M，计算量为6.7 GFLOPs。此外，LightTassel-YOLO还与目前主流的目标检测算法Faster R-CNN，SSD和YOLO系列的多个版本进行对比，验证本研究提出方法在综合性能上均优于上述算法，在典型田间场景中，模型亦展现出优异适应性。 ［结论］ 本研究所提出的方法为玉米雄穗精准监测提供了有效的理论基础，对提升田间管理智能化水平具有重要意义。

［目的/意义］ 玉米螟虫害检测对提高玉米的产量和质量至关重要，然而现有的检测方法存在一定的局限性，难以满足大规模应用的要求。针对该问题本研究实践了一种基于无人机低空近景图像和YOLO-ESN（You Only Look Once Enhanced Small object Network）模型检测玉米螟虫害的方法，以虫洞检测替代虫体检测，从而提高田间应用的适应性。 ［方法］ 本研究以YOLOv11（You Only Look Once version 11）模型为基础，在Backbone部分加入ELA（Enhanced Lightweight Attention）模块，增强模型特征提取能力，在Neck部分采用轻量级C3k2-SCConv（C3k2-Spatial and Channel Reconstruction Convolution）模块，在参数量减少的同时提升特征融合效率，在Head部分新增微小目标检测模块，直接利用浅层高分辨率特征提升模型性能，同时加入NWD+EIoU（Normalized Wasserstein Distance+ Efficient Intersection over Union）损失函数优化边界框回归精度。最后，结合决策树算法确定虫害严重程度并生成虫害分布热力图。 ［结果和讨论］ 在自建玉米螟虫害数据集上进行的实验表明，改进后的YOLO-ESN在mAP@50（mean Average Precision）和mAP@50∶95上分别达到88.6%和40.5%，较基准模型提升7.6和4.9个百分点，精准度与召回率分别达到80.2%和82.1%，较基准模型提升6.3和2.3个百分点，同时参数量减少11.52%。 ［结论］ 实验结果证明，本研究为玉米螟虫害大范围精准检测提供了一种高效解决方案，以期推动精准农业进一步发展。

目的/意义 株高是反映花生生长状况与氮肥效应的重要性状，高效、精确获取株高等性状对花生长势监测与精准管理具有重要意义。然而，现有依赖地面控制点（Ground Control Points, GCPs）的株高反演方法外业成本高，且数字表面模型（Digital Surface Model, DSM）与数字高程模型（Digital Elevation Model, DEM）配准误差易累积，制约了株高估算精度。因此，本研究的目的在于通过减少配准残差对株高估计的影响，实现花生株高精准估算。 方法 提出一种裸地不变量约束的花生株高无人机稳健估算方法。首先，利用超绿（Excess Green, ExG）指数从数字正射影像中分割花生冠层，在DSM中剔除冠层对应区域以得到裸地点云；其次，以裸地点云与DEM执行迭代最近点配准算法，获取两者精确的三维姿态偏差，并将该三维姿态矩阵应用于DSM以实现与DEM的可靠对齐；最后，利用DSM与DEM差值得到的冠层高度模型生成花生冠层高度直方图，并以第95百分位数作为花生株高。为验证提出方法的有效性和可靠性，分别采用大疆经纬M350 RTK搭载禅思P1相机、大疆Mavic 3M两款无人机平台开展实验。［结果与讨论］该方法的株高估算精度显著优于传统控制点的株高估算方法，同一生育期R²提高0.3~0.5，显著降低外业布点依赖。在不同无人机平台上均表现出稳定的精度与一致的误差控制，株高估算精度R²最高达到了0.938 0，验证了提出方法的多平台适用性。 结论 该研究为花生氮肥效应监测与高通量农艺结构性状获取提供了一条可复制、可扩展且工程成本更低的技术路径。

目的/意义 大豆是全球重要的粮食与经济作物，快速、精准识别其种植区域对粮食安全监测和精准农业发展具有重要意义。然而，现有的大豆遥感识别方法普遍存在效率低和精度不足的问题。 方法 基于2021—2023年Sentinel-2遥感影像，结合大豆生育期信息，采用二元Logistic模型构建大豆遥感识别模型，并在美国大豆主产区的6个典型区域开展识别实验，以期提升识别精度与模型可推广性。 结果和讨论 大豆识别的最佳物候窗口为7月下旬至9月中旬（第210~260天）。在模型构建区域及2022年的识别中，其整体精度和Kappa系数分别为0.90和0.79；在2022年其余区域的平均精度和平均Kappa系数分别为0.88和0.76。进一步验证表明，模型在2021—2023年所有区域的平均总体精度与Kappa系数分别为0.87和0.76，体现出良好的跨区域与跨年度稳定性和适应性。同时，该模型具有较好的可解释性与轻量化特征。 结论 基于Sentinel-2影像与二元Logistic模型的大豆识别方法能够实现跨区域、跨年度的稳定应用，可为大豆田的快速、准确识别提供参考方法，并为精准农业的可视化管理与科学决策提供技术支撑。

目的/意义 针对冬小麦叶面积指数（Leaf Area Index, LAI）样本量有限导致反演模型精度不足及自动生成样本物理合理性难以保障的问题，提出一种基于物理约束的PROSAIL与条件生成对抗网络（Conditional Generative Adversarial Network, cGAN）联合的光谱样本增强方法，旨在提升遥感LAI反演的准确性和稳定性，为冬小麦生长监测提供高质量数据支持。 方法 首先，利用PROSAIL模型生成冬小麦冠层光谱与对应物理参数，训练多层感知机代理模型以模拟PROSAIL模型光谱生成的过程，在此基础上设计结合物理参数条件的cGAN生成网络，构建PROSAIL-cGAN模型生成满足预设物理约束的高质量光谱样本；其次，基于增强样本构建机器学习LAI反演模型，验证样本增强的效果。以山东省邹平市为实验区，进行样本增强并进行LAI反演验证。 结果和讨论 物理约束下的PROSAIL-cGAN生成样本与真实样本在物理参数空间重叠度达到82.7%，基于增强样本训练的随机森林模型的决定系数（R²）可达到0.848 8，均方根误差（Root Mean Square Error, RMSE）可达到0.540 9，分析表明，物理约束有效提升了生成样本的合理性与反演模型的泛化能力，其中当样本量达到79个以上时，模型精度已接近较高水平。 结论 本研究提出的物理约束的PROSAIL-cGAN样本增强方法有效缓解了小样本限制对LAI反演的影响，提升了模型精度和稳定性，为农业遥感监测与作物生长动态评估提供了坚实的数据基础和技术保障。

［目的/意义］ 叶面积指数（Leaf Area Index, LAI ）作为量化作物冠层结构、光合潜力和群体长势的核心农学参数，对其精准栽培管理至关重要。旨在探索从无人机多光谱影像中提取植被指数和纹理特征，结合机器学习方法实现高精度估测冬油菜LAI的可行性。 ［方法］ 以甘蓝型油菜作为研究对象，从多光谱影像中提取植被指数和纹理特征作为输入。通过最小冗余最大相关性（Minimum Redundancy Maximum Relevance, mRMR）算法降低特征维度，选择10个最具有代表性和最小冗余的特征并采用3种回归模型进行建模，使用分组交叉验证（Group K-Fold Cross Validation）评估模型性能，分组依据是油菜样本所属的小区（将来自同一小区的样本视为一组）。 ［结果和讨论］ 输入特征为植被指数与纹理特征的机器学习模型优于输入为单一特征模型。其中基于植被指数与纹理特征融合的支持向量机回归（Support Vector Regression, SVR）模型在全生育期的估算精度最优，决定系数R²=0.90；均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）分别为0.39和0.29。 ［结论］ 综上所述，融合无人机多光谱植被指数与纹理特征可高精度地反演冬油菜复杂冠层在全生育期的LAI，以期为油菜长势无损监测与精准管理提供高效技术支撑。

目的/意义 现有复种指数提取研究多集中于粮食作物，而针对蔬菜种植制度的研究相对不足，限制了对典型高复种蔬菜种植地区耕地利用特征的深入认识。本研究旨在完善针对蔬菜种植制度的复种指数提取方法，从而深化对典型高复种蔬菜种植区耕地利用特征的认识。 方法 基于Sentinel-2数据，采用Whittaker Smoothing（WS）对归一化差分植被指数（Normalized Difference Vegetation Index, NDVI）时间序列进行平滑重构，结合二次差分法以10 m空间分辨率提取了2020—2024年通海县耕地复种指数，并分析了其空间分布和时空演变特征。 结果和讨论 通过实地调查的2024年验证数据对提取结果进行验证，通海县耕地复种指数提取总精度达89.94%，Kappa系数为0.84，平均绝对误差（Mean Absolute Error, MAE）为0.11，均方根误差（Root Mean Square Error, RMSE）为0.36。2020—2024年通海县耕地复种指数分别为221.45%、217.80%、275.37%、232.41%、237.50%，复种水平较高。通海县耕地复种指数在2020—2024年整体表现出先升后降的变化趋势，即从2020年的221.45%增加到2022年的275.37%，随后降低至2024年的237.50%，其变化主要受双季与3季种植制度相互转换的影响。 结论 2020、2021、2023和2024年以双季种植为主，3季种植次之；而2022年则以3季种植为主，双季种植次之。多季种植（≥3季）主要分布于杞麓湖沿岸城区。研究结果可为通海县耕地资源管理、区域蔬菜生产优化及可持续发展提供理论与技术参考。

［目的/意义］ 稻虾共作是一种高效生态农业种养模式，具有显著的经济效益与生态效益，精准获取稻虾田信息对促进农业资源优化、生态保护及可持续发展具有重要意义。针对现有方法易受光谱混淆与边界模糊影响，提取精度不足的问题，提出一种融合多时相与多尺度特征的深度学习模型，以提升稻虾田遥感识别精度。 ［方法］ 以多时相高分二号遥感影像为数据源，构建一种基于DBAP-Net（Dual-branch Attention Pyramid Network）深度网络模型的稻虾田遥感提取方法。该模型以U-Net为基础，采用双分支编码器结构提取多时相时序特征，集成空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块增强多尺度空间信息表达能力，并嵌入注意力机制提高对稻虾田空间结构的关注能力。 ［结果与讨论］ DBAP-Net模型表现出优异的稻虾田提取能力，F₁分数、交并比（Intersection over Union, IoU）及马修斯相关系数（Matthews Correlation Coefficient, MCC）分别为91.79%、84.82%、87.60%，与U-Net、PSPNet、DeepLabV3+、SegFormer及TransUNet等经典模型相比，IoU分别提高4.25、4.96、4.57、5.12、2.81个百分点。将该模型应用于研究区全域，总体精度（Overall Accuracy, OA）为96.00%，Kappa系数为0.920，在提取精度与空间完整性等方面均显著优于传统的水体季相差异法、随机森林法和时序指数阈值法。 ［结论］ DBAP-Net深度网络模型能够实现稻虾田高精度提取，为稻虾田精细化提取提供一种新的方法和思路。

［目的/意义］ 开展地块尺度的农作物分布制图旨在获取基于农业生产管理单元的作物类型、种植模式及利用状态，为农业生产监测、作物估产、耕地保护及农业资源优化配置提供精准的信息支持。 ［方法］ 提出了一种融合地块尺度特征提取、特征优选与Stacking集成学习的作物分类方法。首先，根据地块与影像特点进行地块空间约束下的特征提取，构建包含光谱、纹理、植被指数等多维度的地块特征属性数据集；其次，采用轻量级梯度提升机（Light Gradient Boosting Machine, LightGBM）结合递归特征消除（Recursive Feature Elimination, RFE）对地块级特征集进行特征优选，剔除冗余信息以降低维度并增强特征代表性；最后，用Stacking集成学习框架，以多个子模型的输出作为特征，通过元模型进行最终的预测，从而更充分地利用不同模型对光谱、空间与时间特征的互补表征能力。 ［结果和讨论］ 融合方法总体精度达到95.66%（Kappa=0.900 6），较单一模型或像素级分类方法提升2~3个百分点；通过地块级特征提取和优选，分类精度得到提升，计算时间也大幅度缩减。 ［结论］ 该方法能充分挖掘地块特征信息，显著提升预测精度，为精细尺度的资源评估、作物监测等应用提供了可靠的技术支持，将推进精准农业的发展。

［目的/意义］ 在乡村振兴战略推进下，中国城镇化速度加快，乡村聚落规模与布局持续演变，其时空特征监测与驱动机理研究对城乡发展至关重要。然而，现研究多集中于时空格局的描述性分析，缺乏不同地形区聚落演变的系统对比及多尺度驱动机制探讨。本研究旨在揭示不同地形条件下乡村聚落的时空演变规律及其多尺度驱动机制，为城乡协调发展提供科学支撑。 ［方法］ 以乐陵市（平原）和义安区（丘陵）为研究区，基于2002、2012和2022年乡村聚落遥感制图结果，综合运用景观格局指数、重心迁移与空间格局变化等方法，对研究区乡村聚落的空间分布特征、结构演变及动态过程进行系统性对比分析。同时，引入地理探测器模型，基于自然因素、社会因素和区位因素等10类影响因素，定量评估各因子对乡村聚落演变的解释力。通过构建“遥感制图-时空演变分析-地理探测器”的综合研究方法体系，从县域尺度与村域尺度深入揭示乡村聚落的时空演变特征及其驱动机制。 ［结果和讨论］ 县域尺度上，平原地区最大斑块指数由0.88增至2.46，平均最近邻比率由0.99降至0.90，乡村聚落规模扩大、聚集增强；丘陵地区斑块密度（Patch Density, PD）从9.16降至2.77，NNR（Nearest Neighbor Ratio）由0.50升至0.69，乡村聚落数量减少、空间结构由聚集向分散演变。村域尺度上，平原地区聚落面积变化均衡，呈块状并沿道路分布；丘陵地区聚落扩张明显，超70%村庄面积增加，多沿江河与山谷线状分布。20年间，平原聚落驱动由自然与经济因素转向土地资源与安全性因素，距耕地与城镇中心的影响增强；丘陵聚落演变驱动由“耕地-景点”交互转向“地质灾害点-景点”交互，驱动机制更为复杂。 ［结论］ 不同地形区在县域与村域尺度上均表现出差异化的空间格局与驱动机制。

目的/意义 三大主粮作物承保真实性对财政资金安全和农业保险高质量发展至关重要。目前南方多季稻承保真实性的遥感交叉验证研究尚少。本研究重点探索南方丘陵区多季稻承保真实性交叉验证方法，为财政资金安全与农业保险高质量发展提供技术支撑。 方法 首先，基于深度学习算法与高分辨率影像快速提取耕地地块作为分类单元，其次，结合野外采集样本与高清影像解译样本，基于谷歌地球引擎（Google Earth Engine, GEE）平台的随机森林、支持向量机与分类回归树三种分类模型，利用Sentinel-1雷达数据和Sentinel-2多光谱数据开展水稻分类，择优选取模型结果用于水稻承保数据交叉验证。交叉验证指标采用区域面积差、区域作物承保覆盖率、保单地块重叠率和保单地块作物占比。 结果和讨论 在深度学习提取的耕地单元基础上，随机森林模型实现了0.93的水稻识别精度。交叉验证结果显示：全县33个乡镇中，2个乡镇未开展水稻保险、22个乡镇存在超1万亩（1 hm²=15亩）的区域面积差；作物成本覆盖率方面，10个乡镇超过1，1个乡镇低于0.4。保单地块方面：31个开展水稻保险的乡镇中，10个乡镇未提供地块数据、3个乡镇超5成的保单地块重叠率高于40%，14个乡镇超2成的保单地块重叠率超过40%。 结论 针对南方多季稻承保真实性的遥感交叉验证问题，探索了基于多源数据的遥感快速识别与保险数据交叉验证的技术方法，为承保不实、重复投保或承保操作不规范等问题提供了核查抓手，为农业保险承保真实性核查与精准监管提供有效方法支持。