面向智慧林草的天空地一体化监测技术研究进展

doi:10.13466/j.cnki.lczyyj.2025.03.001

林草资源研究 ›› 2025›› Issue (3): 1-8.doi: 10.13466/j.cnki.lczyyj.2025.03.001

面向智慧林草的天空地一体化监测技术研究进展

谢宁波¹(), 许新桥¹(), 王前鹏², 陈志泊², 闫瑞华¹, 冯戈¹, 周庆宇¹, 黄羽萱¹

1.国家林业和草原局信息中心,北京 100714
2.北京林业大学信息学院,北京 100083

收稿日期:2025-03-21 修回日期:2025-06-10 出版日期:2025-06-28 发布日期:2026-01-07
通讯作者: 许新桥,男,教授级高级工程师,博士,主要研究方向为林草信息化、生态经济和森林经营。Email:1183006524@qq.com
作者简介:谢宁波,男,高级工程师,硕士,主要研究方向为林草信息化、林草数据资源管理。Email:304206197@qq.com
基金资助:
国家林业和草原局项目“林草资源数字化治理能力提升技术研究”(XTZD2024-05-21);国家重点研发计划项目“雄安新区绿色生态城市智慧森林经营关键技术应用与示范”(SQ2023XAGG0065);中央高校基本科研业务费项目“基于区块链的种质资源信息可信管理系统研究与验证”(BLX202242);中央高校优秀青年团队项目“林草智能信息技术创新研究”(QNTD202308)

Research advances in space-air-ground integrated monitoring for smart forestry and grassland

XIE Ningbo¹(), XU Xinqiao¹(), WANG Qianpeng², CHEN Zhibo², YAN Ruihua¹, FENG Ge¹, ZHOU Qingyu¹, HUANG Yuxuan¹

1. Information Center,National Forestry and Grass Administration,Beijing 100714,China
2. School of Information Science and Technology,Beijing Forestry University,Beijing 100083,China

Received:2025-03-21 Revised:2025-06-10 Online:2025-06-28 Published:2026-01-07

摘要/Abstract

摘要：

智慧林草通过云计算、物联网、移动互联网、大数据、人工智能等新一代信息技术,实现林草资源和生态环境的全面感知、精准识别、动态监测、智能分析与辅助决策。智慧林草高质量发展需要以优质的监测数据作为支撑。近年来,天空地一体化监测技术不断发展,监测能力持续提升,为智慧林草发展提供了重要支撑。从天基监测、空基监测和地基监测三类监测范式的融合出发,分析天空地一体化检测技术在林草资源监测、林草火灾监测和林草病虫害监测等领域的应用,总结国内外林草领域天空地一体化监测技术的最新研究进展,并提出未来的研究方向,以期为智慧林草监测技术研究提供参考。

关键词: 智慧林草, 天空地一体化监测, 林草资源监测, 林草火灾监测, 林草病虫害监测

Abstract:

Through the new generation of information technologies such as cloud computing,Internet of Things,mobile internet,big data and artificial intelligence,smart forestry and grassland can realize the comprehensive perception,accurate identification,dynamic monitoring,intelligent analysis and assistant decision-making of forestry and grassland resources and ecological environment.The high-quality development of smart forestry and grassland needs to be supported by high-quality monitoring data.In recent years,space-air-ground integrated monitoring technologies have been continuously innovated and developed,and monitoring capabilities have been continuously improved,which provide important opportunities for the development of smart forestry and grassland.In view of the integration of three monitoring paradigms:space-based monitoring,air-based monitoring,and ground-based monitoring,this paper focuses on the monitoring of forestry and grassland resources,wildfire monitoring,and pest and disease monitoring.We reviewedthe latest research progress of integrated space-air-ground monitoring technologies in the field of forestry and grassland in the world,and prospectsthe future research direction,expecting to provide a reference for smart forestry and grassland monitoring technology.

Key words: smart forestry and grassland, space-air-ground integrated monitoring, forestry and grassland resources monitoring, wildfire monitoring, pest and disease monitoring

中图分类号:

S771
TP79

谢宁波, 许新桥, 王前鹏, 陈志泊, 闫瑞华, 冯戈, 周庆宇, 黄羽萱. 面向智慧林草的天空地一体化监测技术研究进展[J]. 林草资源研究, 2025,(3): 1-8.

XIE Ningbo, XU Xinqiao, WANG Qianpeng, CHEN Zhibo, YAN Ruihua, FENG Ge, ZHOU Qingyu, HUANG Yuxuan. Research advances in space-air-ground integrated monitoring for smart forestry and grassland[J]. Forest and Grassland Resources Research, 2025,(3): 1-8.

图/表 4

表1

表2

表3

表4

参考文献 44

[1]	曹林, 周凯, 申鑫, 等. 智慧林业发展现状与展望[J]. 南京林业大学学报(自然科学版), 2022, 46(6):83-95. doi: 10.12302/j.issn.1000-2006.202209052
[2]	王振亚. 基于信息技术的林业智慧监测管理系统[J]. 世界林业研究, 2024, 37(4):141-142.
[3]	BASSULLU C, MARTÍN-ORTEGA P. Using open foris collect earth in Kyrgyzstan to support greenhouse gas inventory in the land use,land use change,and forestry sector[J]. Environmental Monitoring and Assessment, 2023, 195(8):977. doi: 10.1007/s10661-023-11591-1
[4]	CECCHERINI G, DUVEILLER G, GRASSI G, et al. Abrupt increase in harvested forest area over Europe after 2015[J]. Nature, 2020, 583(7814):72-77. doi: 10.1038/s41586-020-2438-y
[5]	WU Zijing, ZHANG Ce, GU Xiaowei, et al. Deep learning enables satellite-based monitoring of large populations of terrestrial mammals across heterogeneous landscape[J]. Nature Communications, 2023, 14(1):3072. doi: 10.1038/s41467-023-38901-y pmid: 37244940
[6]	AZIZI Z, MIRAKI M. Individual urban trees detection based on point clouds derived from UAV-RGB imagery and local maxima algorithm,a case study of Fateh Garden,Iran[J]. Environment,Development and Sustainability, 2024, 26(1):2331-2344. doi: 10.1007/s10668-022-02820-7
[7]	SUN Zhao, WANG Yifu, PAN Lei, et al. Pine wilt disease detection in high-resolution UAV images using object-oriented classification[J]. Journal of Forestry Research, 2022, 33(4):1377-1389. doi: 10.1007/s11676-021-01420-x
[8]	BARMPOUTIS P, PAPAIOANNOU P, DIMITROPOULOS K, et al. A review on early forest fire detection systems using optical remote sensing[J]. Sensors, 2020, 20(22):6442. doi: 10.3390/s20226442
[9]	RICHARDSON A D. PhenoCam:An evolving,open-source tool to study the temporal and spatial variability of ecosystem-scale phenology[J]. Agricultural and Forest Meteorology, 2023, 342:109751.
[10]	肖治术, 肖文宏, 王天明, 等. 中国野生动物红外相机监测与研究:现状及未来[J]. 生物多样性, 2022, 30(10):230-255.
[11]	李增元, 陈尔学, 高志海, 等. 中国林业遥感技术与应用发展现状及建议[J]. 中国科学院院刊, 2013, 28(增刊):132-144.
[12]	BOLÍVAR-SANTAMARÍA S, REU B. Assessing canopy structure in Andean agroforests using 3D UAV remote sensing[J]. Agroforestry Systems, 2024, 98(5):1225-1241. doi: 10.1007/s10457-023-00865-9
[13]	刘兵兵, 魏建新, 胡天宇, 等. 卫星遥感监测产品在中国森林生态系统的验证和不确定性分析:基于海量无人机激光雷达数据[J]. 植物生态学报, 2022, 46(10):1305-1316. doi: 10.17521/cjpe.2022.0158
[14]	徐恩恩, 郭颖, 陈尔学, 等. 基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型[J]. 武汉大学学报(信息科学版), 2022, 47(8):1298-1308.
[15]	GHASEMI M, LATIFI H, POURHASHEMI M. Integrating UAV and freely available space-borne data to describe tree decline across semi-arid mountainous forests[J]. Environmental Modeling & Assessment, 2024, 29(3):549-568.
[16]	李晓雅, 田昕, 段涛, 等. 融合无人机和卫星影像的温带疏林草原木本和草本植物覆盖度遥感估算[J]. 遥感学报, 2023, 27(9):2139-2152.
[17]	张吴明, 李丹, 陈一铭, 等. 联合地基激光雷达与无人机摄影测量技术提取树高研究[J]. 北京师范大学学报(自然科学版), 2018, 54(6):764-771.
[18]	朱萨宁, 高吉喜, 万华伟, 等. 基于无人机和地面调查的典型草原“种-面积”关系[J]. 中国环境科学, 2024, 44(9):5169-5179.
[19]	丁相元, 陈尔学, 赵磊, 等. 几种林场总体森林蓄积量密度均值估计方法的比较评价[J]. 北京林业大学学报, 2023, 45(2):11-23.
[20]	张文文, 王劲, 王秋华, 等. 森林火灾遥感探测技术研究进展[J]. 西北林学院学报, 2023, 38(1):123-130.
[21]	CHEN Yang, HANTSON S, ANDELA N, et al. California wildfire spread derived using VIIRS satellite observations and an object-based tracking system[J]. Scientific Data, 2022, 9(1):249. doi: 10.1038/s41597-022-01343-0 pmid: 35637186
[22]	覃先林, 李晓彤, 刘树超, 等. 中国林火卫星遥感预警监测技术研究进展[J]. 遥感学报, 2020, 24(5):511-520.
[23]	宫大鹏, 李炳怡, 刘晓东. 草原火烧严重度燃烧指数的适用性比较分析[J]. 生态学报, 2018, 38(7):2434-2441.
[24]	祖笑锋, 覃先林, 李增元, 等. 基于幂律分布的森林燃烧生物量卫星遥感估测方法[J]. 林业科学, 2017, 53(10):90-99.
[25]	BOROUJENI S P H, RAZI A, KHOSHDEL S, et al. A comprehensive survey of research towards AI-enabled unmanned aerial systems in pre-,active-,and post-wildfire management[J]. Information Fusion, 2024, 108:102369.
[26]	FOUDA M M, SAKIB S, FADLULLAH Z M, et al. A lightweight hierarchical ai model for UAV-enabled edge computing with forest-fire detection use-case[J]. IEEE Network, 2022, 36(6):38-45.
[27]	HARTLEY R J L, DAVIDSON S J, WATT M S, et al. A mixed methods approach for fuel characterisation in gorse(ulex europaeus l.)scrub from high-density UAV laser scanning point clouds and semantic segmentation of UAV imagery[J]. Remote Sensing, 2022, 14(19):4775. doi: 10.3390/rs14194775
[28]	SINGH V K, SINGH C, RAZA H. Event classification and intensity discrimination for forest fire inference with IoT[J]. IEEE Sensors Journal, 2022, 22(9):8869-8880. doi: 10.1109/JSEN.2022.3163155
[29]	LI Jiayong, ZHOU Guoxiong, CHEN Aibin, et al. BCMNet:cross-layer extraction structure and multiscale down-sampling network with bidirectional transpose FPN for fast detection of wildfire smoke[J]. IEEE Systems Journal, 2023, 17(1):1235-1246. doi: 10.1109/JSYST.2022.3193951
[30]	KAUR H, SOOD S K. Energy-efficient IoT-Fog-Cloud architectural paradigm for real-time wildfire prediction and forecasting[J]. IEEE Systems Journal, 2020, 14(2):2003-2011. doi: 10.1109/JSYST.2019.2923635
[31]	VERMA S, KAUR S, RAWAT D B, et al. Intelligent framework using IOT-based WSNs for wildfire detection[J]. IEEE Access, 2021, 9:48185-48196. doi: 10.1109/ACCESS.2021.3060549
[32]	熊源, 徐伟恒, 黄邵东, 等. 融合可见光无人机与哨兵2A影像的森林火灾迹地精细化提取[J]. 西南林业大学学报, 2021, 41(4):103-110.
[33]	SINGH S S, JEGANATHAN C. Quantifying forest resilience post forest fire disturbances using timeseries satellite data[J]. Environmental Monitoring and Assessment, 2023, 196(1):26. doi: 10.1007/s10661-023-12183-9
[34]	TALUCCI A C, FORBATH E, KROPP H, et al. Evaluating post-fire vegetation recovery in Cajander larch forests in northeastern Siberia using UAV derived vegetation indices[J]. Remote Sensing, 2020, 12(18):2970. doi: 10.3390/rs12182970
[35]	MENG Ran, WU Jin, ZHAO Feng, et al. Measuring short-term post-fire forest recovery across a burn severity gradient in a mixed pine-oak forest using multi-sensor remote sensing techniques[J]. Remote Sensing of Environment, 2018, 210:282-296. doi: 10.1016/j.rse.2018.03.019
[36]	BUSHNAQ O M, CHAABAN A, AL-NAFFOURI T Y. The role of UAV-IOT networks in future wildfire detection[J]. IEEE Internet of Things Journal, 2021, 8(23):16984-16999. doi: 10.1109/JIOT.2021.3077593
[37]	陶欢, 李存军, 程成, 等. 松材线虫病变色松树遥感监测研究进展[J]. 林业科学研究, 2020, 33(3):172-183.
[38]	MORI N, YAMASHITA M, INOUE M N. Integration of satellite remote sensing and MaxEnt modeling for improved detection and management of forest pests[J]. Environmental Monitoring and Assessment, 2024, 196(7):616. doi: 10.1007/s10661-024-12792-y pmid: 38874785
[39]	CAÑETE-SALINAS P, FUENTE-SÁIZ D, YÁNEZ-SEGOVIA S, et al. Use of satellite images to monitor Leucoptera sinuella leaf damage in poplar plantations in central Chile[J]. New Forests, 2024, 55(5):1181-1194. doi: 10.1007/s11056-024-10029-x
[40]	ZHOU Hongwei, YUAN Xinpei, ZHOU Huanyu, et al. Surveillance of pine wilt disease by high resolution satellite[J]. Journal of Forestry Research, 2022, 33(4):1401-1408. doi: 10.1007/s11676-021-01423-8
[41]	MIRAKI M, SOHRABI H, FATEHI P, et al. Detection of mistletoe infected trees using UAV high spatial resolution images[J]. Journal of Plant Diseases and Protection, 2021, 128(6):1679-1689. doi: 10.1007/s41348-021-00502-6
[42]	GUERRA-HERNÁNDEZ J, DÍAZ-VARELA R A, ÁVAREZ-GONZÁLEZ J G, et al. Assessing a novel modelling approach with high resolution UAV imagery for monitoring health status in priority riparian forests[J]. Forest Ecosystems, 2021, 8:61.
[43]	NARDI D, BOZZINI A, MORGANTE G, et al. Participatory ground data are complementary to satellite bark beetle detection[J]. Annals of Forest Science, 2023, 80(1):46. doi: 10.1186/s13595-023-01216-5
[44]	孙红, 曾庆伟. “高分七号”数据在松材线虫病松树样木监测中的应用[J]. 林业科技通讯, 2022(9):27-29.

监测技术类型	优势	不足
天基监测技术	不受地理和气候条件影响,能够实现地表全面覆盖和全天候监测	时空分辨率较低,易受云层等大气条件干扰
空基监测技术	机动性较强,可灵活调整飞行高度、速度和路线,监测精度相对较高	易受到续航能力限制,空间监测范围也相对较小
地基监测技术	监测精度高、实时性强、参数维度多,能够实现叶片尺度的监测	监测范围小、监测成本高、监测设备部署受地理环境影响大

监测方式	技术类型	应用领域
天基监测	卫星可见光、多光谱等监测分析	森林面积估算、森林制图、森林年龄估计、地上生物量估算等
空基监测	无人机可见光、多光谱、三维点云监测分析	单木检测、植被覆盖度检测、森林冠层结构评估、地上生物量估算等
地基监测	环境参数(如温度、湿度、光照等)传感网监测分析、物候相机观测分析	林草生长环境监测、植被物候期参数监测等
融合监测	卫星影像与无人机激光雷达融合监测	森林郁闭度估测等
	卫星多光谱与无人机可见光融合监测	半干旱山地树木衰落程度估测等
	卫星影像与无人机正射影像融合监测	草原木本和草本植物覆盖度估算等
	地基激光雷达与无人机摄影融合监测	树高估测等
	无人机调查与地面调查融合监测	草原植物物种调查等
	卫星影像、无人机激光雷达与地面样地融合监测	林场总森林蓄积量密度均值估计等

监测方式	技术类型	应用领域
天基监测	卫星可见光、红外波段监测分析	大尺度范围的林草火情监测、火灾受害程度监测等
空基监测	无人机可见光、激光雷达监测分析	重点区域的火情连续监测、可燃物类型和载量估算等
地基监测	温湿度、烟雾等地面传感网监测分析	火险预测预警、早期火情监测等
融合监测	卫星影像与无人机可见光融合监测	森林火烧迹地提取等
	卫星多光谱与航空成像光谱、激光雷达融合监测	火灾后森林恢复量化评估等
	无人机通信与地面物联网融合监测	早期火情监测等

监测方式	技术类型	应用领域
天基监测	卫星多光谱影像监测分析	大面积病虫害和晚期病虫害监测等
空基监测	无人机高空间分辨率影像监测分析	对病虫害的发展阶段分类等
地基监测	相机或手机等手持终端设备监测分析	为其他遥感监测手段提供基准数据、小规模病虫害早期发现等
融合监测	卫星与无人机影像融合监测	卫星影像用于异常变色林木发现,无人机影像用于精度验证等

面向智慧林草的天空地一体化监测技术研究进展

Research advances in space-air-ground integrated monitoring for smart forestry and grassland

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 44

相关文章 15

编辑推荐

Metrics

本文评价

[1]	曾伟生, 温雪香, 李骁尧, 谭炳香, 孙乡楠, 刘樯漪, 王甜. 北京市基于哨兵2号数据估计主要林分因子联立模型的构建与应用[J]. 林草资源研究, 2025, 0(3): 109-118.
[2]	于世勇, 孙志超, 慈雪伦, 闫嘉豪. 基于网格化的科尔沁沙地植被覆盖变化及驱动力分析[J]. 林草资源研究, 2025, 0(3): 119-126.
[3]	张娇, 陈凌秀, 戴洪霞, 刘晟龙, 陈思韬, 许梦杰, 谢慧黎, 刘兴诏. 2000—2020年闽江流域植被变化及其驱动因素[J]. 林草资源研究, 2025, 0(1): 104-113.
[4]	熊珂, 邢元军, 和晓风, 唐林, 鲁宏旺. 基于KNN算法的森林地上生物量遥感估测[J]. 林草资源研究, 2024, 0(3): 106-112.
[5]	季秀, 宋晓飞, 黄靓, 刘文剑, 易烜, 张娅妮. 基于MaxEnt模型的湖南省光叶水青冈潜在适生区预测[J]. 林草资源研究, 2024, 0(3): 113-120.
[6]	王博, 陈永刚, 闫彦廷. 基于SAR和光学数据融合的山区森林干扰检测[J]. 林草资源研究, 2024, 0(3): 60-69.
[7]	骆耀培, 李和平, 杨广斌, 岑刚, 李蔓, 曹乾洋, 王仁儒, 陈盼芳. 基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究[J]. 林草资源研究, 2024, 0(2): 68-79.
[8]	唐佳俊, 柴宗政. 基于机载激光雷达和机器学习的林分平均胸径遥感估测[J]. 林草资源研究, 2024, 0(1): 56-64.
[9]	唐佳俊, 汪刚, 柴宗政. 基于机载激光雷达点云数据的马尾松单木材积估测[J]. 林草资源研究, 2023, 0(6): 105-112.
[10]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[11]	张顺敏, 黄晓园, 刘俊泽, 陈蓉, 李翔. 大理市森林景观形态与热环境的动态研究[J]. 林草资源研究, 2023, 0(5): 122-132.
[12]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[13]	邹为民, 陈超, 黄蕾, 宋美萱, 李雪建, 杜华强. 地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算[J]. 林业资源管理, 2023, 0(4): 132-140.
[14]	刘鸿升, 欧阳文欣, 魏英杰, 谢亦秋, 李建军. 基于Sentinel-2B的油松冠层可燃物含水率反演研究[J]. 林业资源管理, 2023, 0(4): 141-149.
[15]	邢元军, 温坤剑, 郭晓妮, 宋亚斌, 胡中岳, 江腾宇, 贺紫荆. 基于Mask R-CNN的平原造林地区单木树冠分割[J]. 林业资源管理, 2023, 0(3): 115-120.