来源：Remote Sensing 发布时间：2021/4/23 18:25:21

选择字号： 小 中 大

MDPI 编辑荐读 | 遥感与农业食品安全：Remote Sensing期刊精选文章推荐

期刊链接：https://www.mdpi.com/journal/remotesensing

微信链接：

https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2649992106&idx=3&sn=

44cf7cbe85250c310c90feb018af523a&chksm=f1de116ec6a99878f083fc29e46b9fbcead

2ba350d93cd8d8d97dfd9b466dcd3dde0fc9857fe&token=1684851637&lang=zh_CN#rd

遥感技术在农业及食品安全领域应用广泛，从无人机、卫星和其他平台上的传感器得到的数据量通常是巨大的，然而通过先进的图像和信号处理，可以用于农作物类型鉴定、土地覆盖和土地利用制图、变化检测、病虫害鉴定、作物胁迫和干旱、产量预测和表型等领域。

1. Improving the Applicability of Hydrologic Models for Food–Energy–Water Nexus Studies Using Remote Sensing Data

使用遥感数据提高水文模型在食品-能源-水联系研究中的适用性

Akash Koppa and Mekonnen Gebremichael

DOI:doi.org/10.3390/rs12040599

密西西比河流域的地图，显示了6个USGS水文单位代码。

要了解和预测食品-能源-水 (FEW) 之间的联系，就需要可靠的水文建模工具。空间分布的水文模型不仅被广泛用于估算水流量 (SF)，还可以估算水量平衡的不同组成部分，例如蒸散量 (ET)、土壤湿度 (SM) 和地下水。来自美国加利福尼亚大学的Akash Koppa博士和Mekonnen Gebremichael博士通过在密西西比河流域进行的实验，以降低ET和SM的时空精度为代价，提高了SF的准确性，这对于FEW的关联研究至关重要。同时，该研究强调了多种信息来源 (尤其是来自卫星遥感的信息) 对于改善FEW关系研究的重要性。

2. Accuracy Assessment of Global Food Security-Support Analysis Data (GFSAD) Cropland Extent Maps Produced at Three Different Spatial Resolutions

以三种不同空间分辨率绘制的全球粮食安全支持分析数据 (GFSAD) 耕地范围图的准确性评估

Kamini Yadav and Russell G. Congalton

DOI:10.3390/rs10111800

GFSAD 1 km、250 m和30 m的耕地范围图。

根据美国国家航空航天局制作用于研究环境的地球系统数据记录 (MEaSUREs)，Yadav博士和Congalton博士计划以三种不同的空间分辨率 (即GFSAD1km、GFSAD250m和GFSAD30m) 制作全球粮食安全支持分析数据 (GFSAD) 耕地范围图。新罕布什尔大学自然资源与环境系的Kamini Yadav和Russell G. Congalton对这三个GFSAD耕地范围图图进行了准确度评估和比较，在全球和区域范围内监测农田的质量和可靠性。作者通过使用分层方法将整个世界划分为多个区域，并使用简单的随机抽样设计来收集参考数据集，以对GFSAD耕地范围图进行大范围 (即全球性) 评估。本研究使用28,733个样本的总参考数据集评估了所有三个全球耕地范围图。

3. Using Artificial Neural Networks and Remotely Sensed Data to Evaluate the Relative Importance of Variables for Prediction of Within-Field Corn and Soybean Yields

使用人工神经网络和遥感数据评估各变量对玉米和大豆产量预测的相对重要性

Angela Kross et al.

DOI:10.3390/rs12142230

田野 (绿色多边形) 位于实验小流域 (蓝色轮廓) 内，研究区域位于加拿大Ontario。

众所周知，农作物单产预测对农作物收入、保险计划以及评估粮食安全是十分重要的。然而，由于作物生长与预测变量之间关系的复杂性，对作物产量进行建模是具有挑战性的。在加拿大蒙特利尔康考迪亚大学的Angela Kross教授及其团队的研究中，人工神经网络 (ANN) 方法被用于：(1) 评价预测变量在玉米和大豆季末产量预测中的相对重要性；(2) 用最小优化变量数据集对玉米和大豆田间多年产量进行预测，评价了 ANN 模型的性能。作者将几个卫星衍生的植被指数 (归一化差异植被指数-NDVI，红边NDVI和简单比率-SR) 和海拔衍生变量 (坡度、流量累积、方面) 用作农作物产量的预测变量，假设不同的变量反映了不同的作物和立地条件。该研究表明在两个测试年 (2011年、2012年) 中，两种作物类型的SR指数和坡度是最重要的预测变量。然而，与大豆相比，玉米的平均误差总体较小。因此研究结果可以提供农场的预估产量，这利于细化更大范围 (如县、地区) 的产量预测。

4. Leaf and Canopy Level Detection of Fusarium Virguliforme (Sudden Death Syndrome) in Soybean

大豆猝死综合征叶片和冠层水平的检测

Ittai Herrmann et al.

DOI:10.3390/rs10030426

(a) 双视场系统安装在拖拉机上 (b) 用系统放大屏幕。

众所周知，农作物病害对粮食安全至关重要。近年来，远程和近端感测在农业中广泛应用。美国威斯康星大学的Ittai Herrmann博士及其团队使用基于拖拉机的近端光谱测量来检测大豆猝死综合症病菌 (Fv) 感染情况，并评估了大豆的种子产量。因此，来自拖拉机安装式系统的光谱数据对冠层范围内的Fv根系感染的表达比冠层症状更敏感。在冠层出现症状之前，先在冠层范围内进行根部感染，这表明此类系统可能对精确的农业研究和管理有效。

5. Crop Monitoring Using Satellite/UAV Data Fusion and Machine Learning

使用卫星/无人机数据融合和机器学习进行农作物监控

Maitiniyazi Maimaitijiang et al.

DOI:10.3390/rs12091357

测试场的地理位置和布局。

对于精确农业、植物表型分析、粮食政策和粮食安全方面的决策来讲，进行大范围且高效地非破坏性作物监测具有重要意义。这项研究的目的是评估使用冠层光谱信息与冠层结构特征相结合的潜力，以利用卫星/无人机 (UAV) 数据融合和机器学习进行作物监测。圣路易斯大学的Maitiniyazi Maimaitijiang博士及其团队使用便宜的无人机 (UAV) 在异质大豆田中 (Glycine max(L.)Merr)，同时进行Worldview-2 / 3卫星数据与高分辨率RGB的图像采集。期中冠层光谱信息 (即植被指数) 从Worldview-2 / 3数据中提取，冠层结构信息 (即冠层高度和冠层覆盖度) 从无人机RGB图像中提取。本研究介绍了在作物监测背景下使用机器学习进行卫星/ UAV数据融合的机会和局限性。

Remote Sensing(ISSN 2072-4292, IF4.509) 是一个国际型开放获取期刊。其期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准，到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。Remote Sensing采取单盲同行评审，一审周期约为19天，文章从接收到发表仅需2.9天。