遥感在烟草种植监测及管理中的应用展望

陶健，申国明，徐宜民，梁洪波

中国农业科学院烟草研究所，青岛市崂山区科苑经四路11号 266101

遥感在烟草种植监测及管理中的应用展望

陶健，申国明，徐宜民，梁洪波

中国农业科学院烟草研究所，青岛市崂山区科苑经四路11号 266101

对我国1978-2012年间烟草种植面积及产量的变化趋势进行分析，说明了遥感在烟草种植监测及管理中应用的紧迫性；综述了遥感在农作物种植监测及管理中的应用，并以烟草的相似作物玉米为例简介了我国的研究进展；展望了遥感在烟草作物种植监测及田间管理中的应用途径和相应方法，讨论了应用过程中所需注意的问题。

烟草；种植监测；田间管理；遥感

烟草种植信息是烟草生产管理的重要依据，能够为我国烟叶种植及收购管控提供决策支持[1-3]。我国烟草种植面积大、分布范围广，采用常规的地面调查方法进行监管，不仅耗时费力，更易受人为因素影响产生误差，难以对烟草生长和田间管理进行实时监测。遥感技术由于其覆盖面积大、获取信息速度快、周期短、实时性强、不受地面条件限制，与人工常规的地面调查与统计相比具有费用低等优点，已经在农学领域得到广泛应用[4-6]。遥感在我国烟田空间信息提取中已得到初步应用，但在种植监测及田间管理中的研究却鲜见报道。鉴于此，本文首先对我国2012年前的烟草发展趋势进行分析，以此说明遥感应用的紧迫性，然后借鉴遥感在国内外农作物监测和管理中的应用，展望遥感在烟草种植监测和田间管理中的应用前景。

1 我国烟草种植监管面临的问题

根据2013年统计数据显示，我国烟草种植面积在20世纪70至90年代迅速扩大，1998年后稳定在1.50×106hm2左右，其中云南、贵州、河南、四川、湖南5省面积均在1.10×105hm2以上[7]。烟叶年产量从1998年开始稳定上升（速率：6.40×107t/yr/yr，p＜0.001）， 至 2012年 达 到 3.41×106t/yr，其中云南、贵州、河南3省产量均超过了3.00×105t/yr，四川、湖南、福建、湖北、重庆、山东6省产量在1.00-3.00×105t/yr之间。单位面积烟叶产量自1994年开始迅速上升（速率：35.29 kg/hm2/yr，p＜0.001），且呈明显的南北差异，北方大部分省份在2.00×103kg/hm2以上，南方省份则低于2.00×103kg/hm2。

由数据可知，我国烟草种植面积大、范围广，气候、土壤等要素的时间和空间差异非常大，因此对烟草种植进行科学准确地监测及管理的难度较大。我国当前的监管方式仍旧侧重于人工地面调查的传统方式，现代管理技术较为薄弱。

（1）烟田空间信息依靠人工测量，种植监控采用人工巡查及群众举报等措施，耗费人力物力，无法做到百分之百到位。

（2）欠缺精细化管理，田间耕作管理仍按农户经验，缺乏对烟叶长势及土壤墒情的准确掌握，易对烟叶品质产生影响。

（3）病虫害预报及灾后评估手段滞后，病虫害监测预报技术尚需完善，灾后评估仍依赖田间调查或农户上报数据，精度较低，评估进展较慢。

（4）烟叶产量依据种植合同进行统计，误差较大，烟叶品质仅在收购时进行评价，种植过程中缺乏品质监控预测。

综上所述，我国烟草种植监测及管理迫切需要更为合理、科学、准确的方法，遥感在国内外农作物监测及管理中的成功应用，为我国烟草种植监管提供了合理而科学的借鉴。

2 遥感在农作物监管中的应用进展

在20世纪70年代，学者们发现了作物冠层光谱特性与其生长和产量之间的关系[8]。美国和欧盟分别于20世纪70年代和80年代开始将遥感应用于农作物监测和管理，我国也已系统地建立了国家级农情遥感速报系统[9]。当前，遥感在农作物监测及管理中的应用集中在长势及土壤墒情监测、病虫害监测、农作物产量估算等方面，其中使用最为广泛的是植被指数，如归一化差异植被指数（NDVI）[10-12]。

2.1 遥感植被指数

植物叶片对不同波段光谱的吸收和反射特性不同，如叶片对蓝光及红光波段有强烈的吸收作用，而对绿光及近红外波段有强烈的反射作用，人们利用该特点发展了不同的植被指数对地表植被进行定量化表达及量测[13]。

植被指数的发展可以分为三个阶段：第一阶段，植被指数仅采用不同波段的简单线性组合，没有考虑大气和地表土壤等因素的影响；第二阶段，考虑了辐射传输过程、大气-植被-土壤相互作用，通过数学和物理方法对植被指数进行改进；第三阶段，结合高光谱遥感及热红外遥感发展新型指数，能够反映植物的不同理化指标。应用较为普遍的遥感数据主要来源于增强型甚高分辨率遥感器（NOAA/AVHRR）、海洋观测宽视场传感器（SeaWIFS）、可见光红外成像光谱仪（VIIRS）、地球观测系统（SPOT）、中尺度分辨率成像光谱仪（MODIS）及陆地资源卫星（Landsat）等，各种植被指数产品的空间分辨率为30 m～8 km（表1）。

表1 代表性卫星遥感数据特性简介Tab. 1 List of representative remote sensing data

2.2 农作物长势及土壤墒情监测

长势监测主要基于植被指数，将农作物当前情形与前段时刻或正常时刻的情形进行对比，以监测异常情况；土壤墒情监测主要基于遥感陆面温度或反演土壤含水量进行监测[14-15]。在我国，长势及土壤墒情的遥感监测研究集中在小麦、水稻、玉米、棉花等作物[16-17]。研究表明，结合温度、降水等辅助指标或采用多个植被指数组合能够有效地提高对农作物长势及土壤墒情监测的准确性，将长势及土壤墒情监测信息与作物生长模型耦合能够增强农作物估产的精度[18-21]。以烟草的相似作物玉米为例，虽然采用单一植被指数能够较好地实现对玉米长势及土壤墒情的动态监测，但由于种植区域水热条件变异性较大，结合生物气候学指标能够显著提高监测的准确性[22]。

2.3 病虫害监测

农业病虫害对农作物造成的影响可以分为内部生理变化及外部形态变化两种：内部生理变化主要表现在叶片细胞结构、水分及不同元素含量的变化，导致叶片自身生理性状的变化；外部形态变化主要包括农作物植株上的叶片卷曲、枯萎、掉落及叶片受损，导致冠层植被指数、覆盖度、生物量变化[23]。农作物病虫害的遥感监测，主要利用受灾农作物的光谱变化对受灾区域进行准确定位，并对受灾程度进行定量化评估。

采用光谱仪在田间调查发现，农作物遭受不同病虫害干扰后可以采用特定波段光谱的异常加以诊断。小麦受白粉病、赤霉病等病害干扰时，在490～1300 nm波段多处均表现出光谱异常[24-25]；采用植被指数能够对小麦条锈病等病害进行有效诊断，决定系数在0.75以上[26]。以烟草的相似作物玉米为例，玉米受弯孢菌叶斑病侵害后，冠层反射率在红光波段升高，近红外波段下降；受亚洲玉米螟危害后，冠层反射率在近红外波段下降，并且依据光谱异变能够对产量损失率进行精确估测[27]。

2.4 遥感估产

农作物遥感估产主要有两种途径，一是建立产量调查数据与植被指数间的简单线性关系来估产[28]；二是作为遥感模型或过程模型的参数数据，模拟区域农作物产量[29-30]。在我国，采用线性统计方法进行农作物估产的应用较为广泛，我国的作物生长模型自20世纪80年代开始发展，90年代开始改进以适用于我国的作物生长模拟模型[31-32]。将遥感数据引入作物生长模型中，既发挥了作物生长模型的过程优势，又利用了遥感数据的实时性特点，大幅提高了监测和预报精度[33]。以烟草的相似作物玉米为例，我国学者采用遥感数据，分别对东北地区、华北地区、关中平原地区及黄淮海地区等玉米产区的种植面积、长势及产量进行了深入研究[34]。此外，还采用高光谱遥感对玉米叶片氮、磷等元素含量进行估算，这为基于元素含量采用遥感手段进行烟叶品质分级提供了有力的科学借鉴[35-36]。

3 烟草遥感估产展望

作为典型的双子叶作物，烟草的光谱特性非常适于卫星传感器捕捉，国际上很多烟草大国已经将遥感手段应用于烟草种植监管中，为政府的进出口管理及种植补贴政策的制定提供科学依据[37-39]。我国学者的相关研究主要集中在烟田空间信息提取及田间光谱观测，在区域监测及田间管理方面的研究还有待进一步发展[40-42]。

3.1 空间信息提取

烟田位置及面积等空间信息是制定种植政策、实现烟叶种植、收购管控的科学依据，也是烟田生态系统研究的数据基础。基于冠层光谱特性采用遥感数据能够有效地提取烟田空间信息，进行实时监测（图1），大大简化了人工调查的繁琐步骤和冗长时间[43]。并且，基于该数据，结合气象、土壤等指标进行烟田等级划分，可以为烟叶产量控制、品质提升等管理措施的制定提供决策支持。

我国学者采用遥感数据对烟田位置及面积提取已进行了初步研究，主要采用监督分类方法并辅助以纹理信息进行识别[44]。并且，基于地面调查和观测数据，采用指标分析方法对全国烟草种植区域进行了适宜性评价[45-46]。未来研究首先选取典型区域，采用高分辨率遥感数据提取烟田空间信息，结合种植计划的户籍化管理信息对其进行修正及精度评价；然后扩展至全国的烟草种植区域，并建立长时间序列数据集。该数据不仅为国家层面上的种植监管提供决策支持，更为区域烟田生态系统科学研究提供数据基础。

图1 Landsat TM假彩色合成影像中不同地物的光谱差异Fig. 1 Spectral differences of different land covers in the Landsat TM pseudocolor synthetic image

3.2 长势及土壤墒情监测

我国的烟草种植分布范围广，自然条件差异大，不同地区烟草长势及土壤墒情多变，这是我国烟草种植管理中面对的首要问题。成熟度是影响我国烟叶品质的关键因素，依据不同部位烟叶的成熟度进行分期采收并进行品质分级是烟叶收购管控的关键环节。然而烟农对烟叶成熟度的主观掌握不一致，并且不同土壤或养分条件下的采收时机也不一致[47]。此外，烟株打顶、侧芽抑制等烟田调控措施也需要对长势进行科学掌握。因此，采用植被指数对烟草长势进行实时监测，能够为烟株生长期管理、制定不同部位烟叶的采收时间、控制成熟度、提升烟叶品质提供决策支持，该方法比单纯依靠主观经验更为科学，能够有效减少人为因素对烟叶品质造成的影响。

在近年来全球气候变化背景下，极端天气事件频率的显著上升已经使全球农业和农田生态系统遭受了重大损失。干旱、水淹、冰雹等极端天气事件极易对烟田生态系统产生扰动，对烟叶产量、品质造成严重损害。烟田土壤墒情的遥感监测，能够为烟田管理提供实时信息，为应对极端天气事件提供及时预警，降低突发性极端天气事件在生长阶段对烟叶品质造成的影响。

3.3 病虫害监测

随着气候变化、作物布局和栽培制度等的改变，我国烟草种植区域病虫害的种类、发生率及发生范围呈明显上升趋势。目前已查明的烟草侵染性病虫害有60多种，其种类仍然不断增加，暴发绝产的事例时有发生[48]。对此，我国自1995年开始进行烟草病虫害预测预报研究，已系统地建成了全国烟草病虫害预测预报及综合防治网络，在田间检测和普查、模型预测预报等方面进行了系统研究。但是，该网络还存在一定的不足，具体表现在：

（1）基层测报点测报人员的技术水平参差不齐，病虫害检测和普查结果不准确、病虫害信息的网络传递不通畅等方面的不足较为突出。

（2）病虫害数据较少，受近年来气候变化影响以及种植结构调整等因素的影响，模型预测预报技术还有待进一步改进。

（3）诊断及应对措施滞后，无法针对预警预报提前制定相应的应对策略，只能在病虫害发生后进行相应的处置措施。

为充分发挥网络功能，减少病虫害突发带来的损失，今后需进一步完善网络组成，建立全国烟草监测与管理信息系统。采用遥感手段对烟草种植区域进行实时、动态监测，结合气象观测及人工调查数据，通过模型对病虫害进行准确预测预报，以便提前预警，并采用专家决策系统进行情景模拟和对策分析。

3.4 品质管理及评价

前人采用光谱仪进行田间调查，基于不同生长阶段的光谱特性，对烟草生长过程中叶片生理生化指标（如色素含量、叶绿素含量、总氮、类胡萝卜素、含水量、成熟度等）的光谱特性进行了研究，依据不同指标对不同品质烟叶的光谱特性进行分析，并探讨了灌溉、施肥等不同管理方式对烟叶品质的影响[49-50]。上述研究不仅为快速、科学地定量化评价烟叶品质提供了有利借鉴，更可以将地面研究结果与高光谱卫星遥感数据相结合，对烟草生长过程中烟叶的各项生理生化参数进行动态监测、实时评价。并能够结合田间管理措施分析不同因子对各项参数影响的相对贡献，为改进田间管理措施、提高烟叶品质提供科学依据。

3.5 产量估算

目前，我国学者在烟草作物产量估算方面的研究多基于田间地块尺度，分析灌溉、施肥等管理措施对产量的影响，采用遥感或模型方法对大面积区域乃至全国烟草种植区域进行产量估算鲜见报道[51-53]。因此，未来研究主要集中于结合遥感数据发展作物生长模型对区域烟草作物产量进行估算，并采用地面调查数据对两种方式的估算精度进行验证和评价。此外，依据模拟结果，结合气象因子及地面耕作、灌溉、施肥等烟田管理数据，分析气象因子和不同管理措施对烟叶产量及品质的影响，从而为烟草种植的科学管理提供依据。

4 讨论

4.1 数据质量及预处理

由于遥感数据可能会受到大气中云层、气溶胶以及地面冰雪等因素的影响，因此使用遥感数据前必须对其进行预处理，包括大气校正、辐射校正、几何校正等。特别是高空间分辨率及高光谱数据，前者分辨率高，因此受云层、冰雪等因素影响特别明显，后者则会因上述因素的影响而造成光谱异常，进而导致冠层光谱特性产生偏差。

4.2 数据来源及时空分辨率选择

数据来源及时相选择也是应用中的关键问题：提取烟田空间信息重在高空间分辨率，时间宜选在大田期内；长势及土壤墒情监测、品质评价注重长时间序列的连续性；结合调查数据进行线性估产时，采用调查时段或生长发育期植被指数的最大值或平均值，模型模拟则依据遥感数据的可用时段设定模拟步长；空间分辨率需根据应用范围选择合适的尺度（图2）。

图2 不同空间分辨率（30 m-8 km）植被指数对比Fig. 2 Comparison of NDVIs with different spatial resolutions (30 m-8 km)

4. 3 方法及数据选择

在应用过程中，需选取相应的的适宜方法和数据：长势监测宜采用长时间序列植被指数，并可以结合主要生态因子作为辅助数据；病虫害监测需根据不同病虫害的对应时间表选择相应的主控因子；进行线性统计估产时，必须考虑遥感数据与调查数据间线性关系在不同区域的差异性，并对调查数据进行误差检验及不确定性分析；模型估产则主要受制于各项输入数据的可得性，并且将站点数据插值为空间栅格数据时需要进行精度分析和不确定性分析。

4.4 尺度耦合

将遥感、模型等大尺度方法与地面调查、观测实验等较小尺度方法进行耦合，是当前地球信息科学及生态学研究中的前沿方法。因此，将遥感及模型应用于烟草监测及管理过程中，同样需要地面调查、观测实验等方法提供基础数据并进行对比检验。遥感和模型方法能够有效减少地面工作量，地面调查、实验工作则为遥感和模型方法提供检验，两者相辅相成、缺一不可。

5 结论

遥感已经在大面积区域农作物种植监测及田间管理中得到广泛研究与应用，结合前人的研究进展，本文对遥感在烟草种植监测及管理中的应用前景进行了展望，主要结论有：

（1）采用遥感数据结合地理信息系统方法建立区域乃至全国的烟田空间数据库是制定烟草种植管控措施的数据基础，更是进行烟田生态系统科学研究的前提。

（2）采用长时间序列遥感数据可以对烟草长势、土壤墒情及烟叶品质等实时性信息进行动态监测，为田间管理及收获阶段的烟叶品质管理提供决策支持。

（3）采用地理信息系统方法，结合遥感、气象观测及人工地面调查等手段，完善病虫害及作物生长模型，建立全国烟草监测与管理信息系统是烟草信息化的重要发展方向。

[1]袁行思.美国的卷烟和卷烟技术[J]. 烟草科技, 1981(04):10-20.

[2]中国农业科学院烟草研究所.中国烟草栽培学[M].上海: 上海科学技术出版社, 2005.

[3]朱尊权.中国烟叶生产科研现状与展望[J]. 中国烟草学报,2008，14(06):70-72.

[4]吴炳方.全国农情监测与估产的运行化遥感方法[J]. 地理学报,2000(01):25-35.

[5]陶健, 张戈丽, 王军邦, 等.内蒙古中东部地区耕地物候动态研究[J]. 中国农业科学, 2011(22):4583-4592.

[6]Atzberger C. Advances in Remote Sensing of Agriculture: Context Description, Existing Operational Monitoring Systems and Major Information Needs[J]. Remote Sensing, 2013. 5(2): 949-981.

[7]中华人民共和国国家统计局. 中国统计年鉴2013[M]. 北京：中国统计出版社，2013：452-456.

[8]Monteith J. Solar radiation and productivity in tropical ecosystems[J]. Journal of Applied Ecology, 1972,9(3): 747-766.

[9]吴炳方, 蒙继华, 李强子.国外农情遥感监测系统现状与启示[J]. 地球科学进展, 2010(10):1003-1012.

[10]赵庚星,余松烈.冬小麦遥感估产研究进展[J]. 山东农业大学学报(自然科学版), 2001(01):107-111.

[11]王军邦, 陶健, 李贵才, 等.内蒙古中部 MODIS 植被动态监测分析[J]. 地球信息科学, 2010,12(6): 835-842.

[12]Tao J, Zhang Y, Yuan X, et al. Analysis of forest fi res in Northeast China from 2003 to 2011[J]. International Journal of Remote Sensing, 2013. 34(22):8235-8251.

[13]Tucker C J, Pinzon J E, Brown M E, et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing, 2005,26(20):4485-4498.

[14]Kogan F N. Operational Space Technology for Global Vegetation Assessment[J]. Bulletin of the American Meteorological Society,2001,82(9):1949-1964.

[15]Ezzine H, Bouziane A, Ouazar D. Seasonal comparisons of meteorological and agricultural drought indices in Morocco using open short time-series data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,26(0):36-48.

[16]闫岩, 柳钦火, 刘强, 等.基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究[J]. 遥感学报, 2006(05):804-811.

[17]赵虎, 杨正伟, 李霖,等.作物长势遥感监测指标的改进与比较分析[J]. 农业工程学报, 2011(01):243-249.

[18]冯美臣, 杨武德, 张东彦,等. 基于TM和MODIS数据的水旱地冬小麦面积提取和长势监测[J]. 农业工程学报,2009(03):103-109.

[19]李荣春, 陶洪斌, 张竹琴, 等.基于图像处理技术的夏玉米群体长势监测研究[J]. 玉米科学, 2010(02):128-132.

[20]陈沈斌,孙九林.建立我国主要农作物卫星遥感估产运行系统的主要技术环节及解决途径[J]. 自然资源学报, 1997(04):72-78.

[21]Meroni M, Marinho E, Sghaier N, et al. Remote Sensing Based Yield Estimation in a Stochastic Framework - Case Study of Durum Wheat in Tunisia[J]. Remote Sensing, 2013, 5(2):539-557.

[22]刘珺, 田庆久, 黄彦,等.黄淮海夏玉米物候期遥感监测研究[J].遥感信息, 2013(03):85-90.

[23]张竞成, 袁琳, 王纪华, 等.作物病虫害遥感监测研究进展[J].农业工程学报, 2012(20):1-11.

[24]Graeff S, Link J, Claupein W. Identification of powdery mildew (Erysiphe graminis sp. tritici) and take-all disease(Gaeumannomyces graminis sp. tritici) in wheat (Triticum aestivum L.) by means of leaf re fl ectance measurements[J]. Central European Journal of Biology, 2006,1(2):275-288.

[25]黄木易, 王纪华, 黄文江, 等.冬小麦条锈病的光谱特征及遥感监测[J]. 农业工程学报, 2003(06):154-158.

[26]Bravo C, Moshou D, West J, et al. Early Disease Detection in Wheat Fields using Spectral Reflectance[J]. Biosystems Engineering, 2003. 84(2):137-145.

[27]张永强, 文丽萍, 石洁, 等.亚洲玉米螟为害后玉米冠层光谱变化和产量损失研究[J]. 植物保护, 2007(05):54-57.

[28]Rembold F, Atzberger C, Savin I, et al. Using Low Resolution Satellite Imagery for Yield Prediction and Yield Anomaly Detection[J]. Remote Sensing, 2013,5(4):1704-1733.

[29]Field C B, Randerson J T, Malmström C M. Global net primary production: combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995,51(1):74-88.

[30]Wang J, Liu J, Cao M, et al. Modelling carbon fl uxes of different forests by coupling a remote-sensing model with an ecosystem process model[J]. International Journal of Remote Sensing, 2011,32(21):6539-6567.

[31]Gao L, Jin Z, Huang Y, et al. Rice clock model—a computer model to simulate rice development[J]. Agricultural and Forest Meteorology, 1992, 60(1/2):1-16.

[32]潘学标，韩湘玲，石元春. COTGROW：棉花生长发育模拟模型[J]. 棉花学报, 1996(04):180-188.

[33]郑国清, 段韶芬, 张瑞玲, 等.基于模拟模型的玉米栽培管理信息系统[J]. 中国农业科学, 2004(04):619-624.

[34]顾晓鹤, 韩立建, 王纪华, 等.中低分辨率小波融合的玉米种植面积遥感估算[J]. 农业工程学报, 2012(03):203-209.

[35]宋开山, 张柏, 李方, 等.玉米叶绿素含量的高光谱估算模型研究[J]. 作物学报, 2005(08):1095-1097.

[36]易秋香, 黄敬峰, 王秀珍, 等. 玉米全氮含量高光谱遥感估算模型研究[J]. 农业工程学报, 2006(09):138-143.

[37]Krezhova D, Petrov N, Maneva S. Hyperspectral remote sensing applications for monitoring and stress detection in cultural plants:viral infections in tobacco plants[C]. Proc. SPIE 8531, Remote Sensing for Agriculture, Ecosystems, and Hydrology XIV,85311H,2012.

[38]Svotwa E, Masuka A J, Maasdorp B, et al. Remote Sensing Applications in Tobacco Yield Estimation and the Recommended Research in Zimbabwe[J]. ISRN Agronomy, 2013, 2013: 1-7.

[39]Svotwa E, Masuka A J, Maasdorp B, et al. Assessing the Spectral Separability of Flue Cured Tobacco Varieties Established on Different Planting Dates and under Varying Fertilizer Management Levels[J]. International Journal of Agronomy, 2014. 2014: 1-9.

[40]董志坚, 宋秀中, 程彪. 基于“3S”技术的数字化烟草农业研究概况及展望[J]. 中国烟草学报, 2008，14(03):65-70.

[41]郭继发, 刘臻, 崔伟宏. 基于时空特征分析技术的烤烟GIS系统[J]. 地球信息科学学报, 2009(03):370-375.

[42]贾龙浩, 周忠发, 李波.高分辨率SAR在喀斯特山地烟草生长建模中的应用探讨[J]. 中国烟草科学, 2013. 34(5): 104-107.

[43]刘纪远. 国家资源环境时空数据基础及其在资源环境研究中的应用[J]. 地理教育, 2002(02):4-6.

[44]吴孟泉, 崔青春, 张丽, 等.复杂山区烟草种植遥感监测及信息提取方法研究[J]. 遥感技术与应用, 2008(03):305-309.

[45]梁洪波, 刘昌宝, 许家来, 等.山东不同土壤类型对烟叶品质的影响[J]. 中国烟草科学, 2006(02):41-43.

[46]高林, 董建新, 武可峰, 等.土壤类型对烟草生长发育的影响研究进展[J]. 中国烟草科学, 2012(01):98-101.

[47]朱尊权.当前烟草生产技术几个问题的探讨[J]. 烟草科技,1997(01):3-4.

[48]王刚.我国烟草病虫害预测预报工作进展与展望[J]. 中国烟草科学, 2004(01):44-46.

[49]刘国顺, 李向阳, 刘大双, 等.利用冠层光谱估测烟草叶面积指数和地上生物量[J]. 生态学报, 2007(05): 1763-1771.

[50]邢雪霞, 刘国顺, 贾方方, 等.烤烟叶片色素含量的高光谱预测模型研究[J]. 中国烟草学报, 2014,20(01): 54-60.

[51]潘丽铭,何念祖.低氯磷钾复肥对烟草产量和品质的影响[J].浙江农业大学学报, 1998(01):41-44.

[52]李明德, 肖汉乾, 汤海涛, 等.稻草还田对烟田土壤性状和烟草产量及品质的影响[J]. 中国土壤与肥料, 2006(06):41-44.

[53]张纪利, 李余湘, 罗红香, 等.施钼对烟草叶绿素含量、光合速率、产量及品质的影响[J]. 中国烟草科学, 2011(02):24-28.

Prospect of applying remote sensing to tobacco planting monitoring and management

TAO Jian，SHEN Guoming，XU Yimin，LIANG Hongbo
Tobacco Research Institute, Chinese Academy of Agricultural Sciences, Qingdao 266101, China

The changing trend of tobacco planting areas and yields during 1978-2012 were analyzed. The application of remote sensing technology in tobacco planting monitoring and field management was of more and more urgency as it boasted higher accuracy than traditionally ground-based surveys and statistical reports. Recent developments in remote sensing and its application in crop monitoring and management in maize, a similar crop as tobacco, were reviewed. Prospective application of remote sensing in tobacco planting monitoring and fi eld management was discussed.

tobacco; planting monitoring; fi eld management; remote sensing

:TAO Jian, SHEN Guoming, XU Yimin, et al. Prospect of applying remote sensing to tobacco planting monitoring and management [J]. Acta Tabacaria Sinica, 2015, 21(2)

陶健，申国明，徐宜民,等. 遥感在烟草种植监测及管理中的应用展望[J]. 中国烟草学报，2015,21（2）

中国农业科学院烟草研究所青年科学基金项目（No. 2015A02）

陶健（1983—），博士，助理研究员，主要研究方向为农业遥感、模型及养分循环过程，Email: taoj_caas@163.com

梁洪波（1961—），硕士，研究员，主要研究方向为作物栽培学，Email: lianghongbo@caas.cn

2014-07-02