遥感技术已在农业领域较为广泛成功地应用。农业遥感在作物长势监测、灾害监测、作物产量和品质估测、对象的识别和信息提取等方面有重要的意义。与此同时,高通量表型信息获取以及图像处理、表型信息分析技术的提高,促进了表型组学的发展,推动了农业的跨越式发展。为集中报道国内外在农业遥感和表型获取分析领域取得的进展,《智慧农业(中英文)》期刊在本期出版“农业遥感与表型信息获取分析”专题。此专题共包括10篇论文,其中2篇综述性论文,8篇研究性论文,作者来自于中国、美国、英国、法国等4个国家。论文聚焦农业遥感与表型领域的机载成像系统应用、遥感监测、农学参量反演、表型检测识别、深度学习等热点话题。
杨成海介绍了用于精准农业的有人机载成像系统,描述了部分定制和商用机载成像系统,并讨论了将不同遥感平台和成像系统用于精准农业上的挑战和未来方向。
徐凌翔等介绍了世界上植物表型研究的最新动向,系统地阐述了室内表型监测平台的特点和各类室内表型性状,分类介绍了室内植物表型平台,并着重讨论了其发展方向。
刘园等基于1990-2015年土地利用数据,利用GIS空间分析,探究了长江经济带水田空间格局动态变化特征,采用当量因子法计算了生态系统服务价值,最后分析了水田变化的综合影响。
万亮等利用无人机低空遥感平台获取了不同生育期水稻冠层的RGB图像和多光谱图像,通过提取植被指数和纹理特征分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。
付元元等针对光谱PCA主成分特征难以保证较高的遥感类别可分性及精度问题,提出了一种基于分散矩阵选择PCA混合光谱特征的提取方法,采用AVIRIS机载高光谱数据验证此法具有更高类别可分性和精度。
于丰华等通过分析寒地水稻关键生育期叶片高光谱反射率信息,结合PROSPECT模型叶绿素含量吸收系数,利用红边优化指数进行叶绿素含量反演,精度比其它植被指数的反演精度更佳。
刘守阳等利用数字化植物表型平台D3P模拟生成小麦5个生育期的三维冠层场景,基于LiDAR模拟的点云数据和人工神经网络算法构建了冠层光截模型。
夏雪等通过改进MobileNetV3网络,结合关键点预测的目标检测网络CenterNet,构建了用于苹果检测的轻量级无锚点深度学习网络模型M-CenterNet,并对比了模型CenterNet和经典SSD网络在检测精度、模型容量和运行速度等方面的综合性能。
吴刚等用无人机在田间上空采集玉米多光谱图像,基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型,向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出了适合于RGB图像和多光谱图像的玉米植株营养状况等级识别模型。
周成全等对深度残差网络ResNet进行改进得到了一种新型的西兰花花球分割模型,实现了低成本高效准确地提取西兰花表型信息。
我们对所有为专题提交论文的作者表示深切的感谢。我们也感谢所有的专题审稿人,在百忙之中抽出宝贵时间负责任地完成审稿工作,通过他们的严格审查、及时的回应以及专业和建设性的意见,最终帮助我们完成了组稿和评审把关。最后特别感谢《智慧农业(中英文)》的编辑团队,在他们的努力推动下,使得这个专题得以顺利出版。