無(wú)人機(jī)遙感在作物病蟲害監(jiān)測(cè)中的應(yīng)用方法與研究進(jìn)展*

刁 鵬 ，高立兵

（甘肅有色冶金職業(yè)技術(shù)學(xué)院，甘肅 金昌 737100）

0 引言

病蟲害是導(dǎo)致作物產(chǎn)量下降的主要因素，如果對(duì)病蟲害防治不及時(shí)，作物每年的減產(chǎn)量可達(dá)15%～20%。調(diào)查表明，夏伏時(shí)節(jié)隨著氣溫的回升和田間濕度的增大，蟲口密度逐日攀升，至夏末秋初達(dá)到高峰，各類蟲害呈中度或重度發(fā)生[1]，防治非常困難。傳統(tǒng)的作物病蟲害監(jiān)測(cè)方法既費(fèi)時(shí)費(fèi)力[2]，監(jiān)測(cè)效率又不高。無(wú)人機(jī)遙感技術(shù)是指將各類傳感器搭載在無(wú)人機(jī)上，利用無(wú)人機(jī)可低空飛行的優(yōu)勢(shì)，借助傳感器獲取地面上的高清影像圖，通過(guò)計(jì)算機(jī)處理影像圖，從而獲取各類作物生長(zhǎng)的特征信息。它可以大面積、快速無(wú)破壞、無(wú)污染地對(duì)作物進(jìn)行監(jiān)測(cè)，能節(jié)省人力、物力，提高監(jiān)測(cè)效率，保護(hù)環(huán)境，從真正意義上實(shí)現(xiàn)經(jīng)濟(jì)效益、社會(huì)效益、生態(tài)效益相統(tǒng)一[3]。

近年來(lái)，隨著無(wú)人機(jī)及傳感器等硬件的飛速發(fā)展和計(jì)算機(jī)技術(shù)、機(jī)器視覺技術(shù)的不斷成熟，無(wú)人機(jī)遙感已成功應(yīng)用于作物長(zhǎng)勢(shì)監(jiān)測(cè)、作物識(shí)別、病蟲害監(jiān)測(cè)、面積測(cè)算和產(chǎn)量估算等方面，尤其在作物病蟲害監(jiān)測(cè)方面成績(jī)斐然[4]。本文主要圍繞無(wú)人機(jī)遙感在作物病蟲害監(jiān)測(cè)方面的研究，從影像采集和數(shù)據(jù)處理這兩個(gè)方面介紹無(wú)人機(jī)遙感在作物病蟲害監(jiān)測(cè)上的技術(shù)方法；然后介紹可見光、熱紅外、多光譜、高光譜、激光雷達(dá)這5種常見的傳感器在作物病蟲害監(jiān)測(cè)上的應(yīng)用方法；最后探討了無(wú)人機(jī)遙感技術(shù)目前存在的問(wèn)題和發(fā)展建議。

1 無(wú)人機(jī)遙感監(jiān)測(cè)作物蟲害的方法

1.1 概述

當(dāng)作物發(fā)生病蟲害時(shí)，其顏色、紋理、形狀等會(huì)發(fā)生變化，與健康情況下相比其反射率會(huì)表現(xiàn)出明顯的差異。通過(guò)測(cè)定不同波段上的反射率并加以對(duì)比分析，可以實(shí)現(xiàn)對(duì)病蟲害的類型及受害程度的監(jiān)測(cè)。

無(wú)人機(jī)遙感監(jiān)測(cè)作物的病蟲害是指將各類傳感器搭載在無(wú)人機(jī)上，通過(guò)遠(yuǎn)程遙控?zé)o人機(jī)來(lái)航拍作物的影像圖，然后利用圖像處理軟件對(duì)影像圖進(jìn)行處理，提取作物的特征信息，從而達(dá)到識(shí)別作物病蟲害的目的，其系統(tǒng)組成如圖1所示。

圖1 無(wú)人機(jī)遙感系統(tǒng)

其監(jiān)測(cè)的方法可以概括成兩種情況：1）單一監(jiān)測(cè)方法，指不借助其他方式只通過(guò)無(wú)人機(jī)遙感及相關(guān)的圖像處理軟件來(lái)實(shí)現(xiàn)作物的病蟲害識(shí)別；2）綜合監(jiān)測(cè)法，通過(guò)無(wú)人機(jī)遙感和人工解譯等手段的結(jié)合來(lái)實(shí)現(xiàn)病蟲害的監(jiān)測(cè)。根據(jù)實(shí)際需要選擇單一或綜合手段來(lái)進(jìn)行病蟲害的監(jiān)測(cè)，實(shí)現(xiàn)作物監(jiān)測(cè)的智能化，為作物的病蟲害防治提供參考。

無(wú)人機(jī)遙感監(jiān)測(cè)的過(guò)程中主要涉及的儀器設(shè)備及軟件如下：無(wú)人機(jī)、傳感器、ENVI、Pix4Dmapper、數(shù)據(jù)算法模型等。

1.2 數(shù)據(jù)采集方式

1.2.1 無(wú)人機(jī)平臺(tái)

無(wú)人機(jī)是指可以通過(guò)人工地面遙控來(lái)實(shí)現(xiàn)空中作業(yè)的飛行器。按照其飛行平臺(tái)的構(gòu)造可分為固定翼、混合翼、單旋翼、多旋翼，如圖2所示。無(wú)人機(jī)遙感作業(yè)質(zhì)量的好壞主要取決以下因素：荷載、飛行高度、續(xù)航時(shí)間、航攝分辨率、定位及監(jiān)測(cè)精度等。幾種不同型號(hào)的無(wú)人機(jī)參數(shù)對(duì)照表如表1所示。無(wú)人機(jī)遙感是否穩(wěn)定是影像數(shù)據(jù)質(zhì)量好壞的關(guān)鍵影響因素，所以要根據(jù)作業(yè)區(qū)的要求來(lái)慎重選擇無(wú)人機(jī)。目前，作物的病蟲害監(jiān)測(cè)飛行平臺(tái)一般選擇多旋翼無(wú)人機(jī)，其穩(wěn)定性強(qiáng)，可以定點(diǎn)懸停，可控性能好，被廣泛應(yīng)用于農(nóng)業(yè)的各個(gè)領(lǐng)域。

圖2 幾種常見的飛行平臺(tái)

表1 不同無(wú)人機(jī)性能指標(biāo)

1.2.2 機(jī)載傳感器

目前常見的機(jī)載傳感器主要有可見光波段數(shù)碼相機(jī)、近紅外波段多光譜相機(jī)、熱紅外波段相機(jī)、激光雷達(dá)等，如圖3所示。幾種常見的傳感器及其性能指標(biāo)如表2所示。在進(jìn)行作物病蟲害的監(jiān)測(cè)時(shí)可以根據(jù)實(shí)際需要選擇適合的傳感器。

表2 常用機(jī)載傳感器參數(shù)

圖3 無(wú)人機(jī)遙感搭載的幾種常見傳感器

1.2.3 圖像采集流程

由地面控制無(wú)人機(jī)飛行至工作區(qū)進(jìn)行作業(yè)，過(guò)程中要保證無(wú)人機(jī)飛行穩(wěn)定，以保證獲取的數(shù)據(jù)的質(zhì)量，從而獲得較好的遙感影像圖。無(wú)人機(jī)獲取的圖像的質(zhì)量與數(shù)量是影響監(jiān)測(cè)信息精確性的關(guān)鍵因素。無(wú)人機(jī)航攝工作流程如下。

1）飛行前期準(zhǔn)備。主要包括試驗(yàn)區(qū)的病情分析、空域申請(qǐng)、飛行設(shè)備采購(gòu)、飛機(jī)質(zhì)量檢查、飛行航線優(yōu)化、飛機(jī)的航向重疊率優(yōu)化、設(shè)備檢查、天氣情況查詢等。

2）航線規(guī)劃。航線規(guī)劃要綜合考慮各種要素，包括試驗(yàn)區(qū)的地形、飛機(jī)的續(xù)航與荷載、作物病蟲害等。規(guī)劃內(nèi)容主要包括網(wǎng)絡(luò)鏈接方式、飛行高度、拍攝模式、起降點(diǎn)、航向與旁向重疊等。

3）低空飛行作業(yè)。作業(yè)人員要通過(guò)地面控制系統(tǒng)實(shí)時(shí)掌握飛機(jī)的飛行情況，如飛行速度、飛機(jī)位置、任務(wù)完成情況、電量等，若遇到緊急情況可手動(dòng)控制飛行。

4）飛行作業(yè)結(jié)束。飛行結(jié)束后首先要檢查圖像的質(zhì)量，關(guān)閉設(shè)備電源，放置好飛行設(shè)備。

1.3 監(jiān)測(cè)數(shù)據(jù)處理方法

實(shí)現(xiàn)作物病蟲害監(jiān)測(cè)的關(guān)鍵在于影像信息的提取，內(nèi)容包括作物的顏色、紋理、形狀、反射率等，信息是否精準(zhǔn)將直接影響到最終的判別結(jié)果。目前的研究多是圍繞這些光譜信息來(lái)進(jìn)行的，現(xiàn)階段數(shù)據(jù)的主要處理方式有統(tǒng)計(jì)分析與機(jī)器學(xué)習(xí)兩種。

目前，主要的數(shù)據(jù)處理技術(shù)有圖像預(yù)處理，圖像分割、拼接、清洗、特征提取、幾何校正、設(shè)計(jì)模型等。數(shù)據(jù)處理軟件有無(wú)人機(jī)平臺(tái)配備的專門處理軟件和攝影測(cè)量軟件，如Pix4Dmapper、ENVI、Inpho、Metashape等。

1.3.1 統(tǒng)計(jì)分析法

目前，常用于病蟲害的統(tǒng)計(jì)分析法有對(duì)比分析法、綜合評(píng)價(jià)法、回歸分析、相關(guān)分析、方差分析和聚類分析等。在進(jìn)行光譜特征分析時(shí)，常使用上述方法來(lái)研究病蟲害的光譜曲線變化。作物葉片或冠層光譜特征提取的方法有光譜波段、反射率及植被指數(shù)等。

由于病蟲害種類繁多且影響程度不同，所以基于光譜波段的特征識(shí)別更精準(zhǔn)。光譜波段通過(guò)提取與計(jì)算后可以生成歸一化植被指數(shù)（NDVI）和增強(qiáng)植被指數(shù)（EVI）等。植被指數(shù)（VI）可以將作物生長(zhǎng)情況進(jìn)行量化，根據(jù)量化值的大小進(jìn)行判別。利用VI值可以構(gòu)建病情嚴(yán)重度反演和病害光譜診斷模型，模型的構(gòu)建需要借助大量的實(shí)測(cè)數(shù)據(jù)，所以數(shù)據(jù)的好壞是影響識(shí)別結(jié)果精準(zhǔn)度的關(guān)鍵因素。模型通常會(huì)受到地域的限制，有的地方該模型精度高，有的地方該模型得出的結(jié)果會(huì)存在很大的誤差。

1.3.2 機(jī)器學(xué)習(xí)法

目前，機(jī)器學(xué)習(xí)法是研究作物病蟲害脅迫的常用方法。機(jī)器學(xué)習(xí)法是通過(guò)對(duì)無(wú)人機(jī)遙感的數(shù)據(jù)解譯，實(shí)現(xiàn)對(duì)作物的健康狀況進(jìn)行判斷。其中包括的算法有面向?qū)ο蠓诸?、支持向量機(jī)、隨機(jī)森林、連續(xù)小波分析、光譜調(diào)諧匹配濾波、主成分分析等。學(xué)習(xí)形式可以分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)等。

機(jī)器學(xué)習(xí)法的關(guān)鍵在于特征提取。作物在受到病蟲侵染后，色素系統(tǒng)常常被破壞，產(chǎn)生病斑、傷斑，導(dǎo)致可見光波長(zhǎng)范圍的反射率改變。當(dāng)侵染加重后，會(huì)進(jìn)一步引起植株的整體性損傷，如細(xì)胞破裂、植株萎蔫等[5]。因此，除了光譜特征外，還需要對(duì)作物顏色、形狀、紋理等進(jìn)行提取。此外，為了保證判斷精準(zhǔn)，有時(shí)還需要對(duì)作物的葉綠素含量、含水量等進(jìn)行實(shí)地采樣。當(dāng)作物發(fā)生病蟲害時(shí)，外界環(huán)境如溫度、濕度、含水量、地理位置等也會(huì)對(duì)病蟲害的監(jiān)測(cè)產(chǎn)生影響，也需要進(jìn)行長(zhǎng)期的研究。

近年來(lái)，隨著算法的不斷成熟，深度學(xué)習(xí)法也取得了不錯(cuò)的進(jìn)展，在處理遙感數(shù)據(jù)方面也得到了使用且數(shù)據(jù)處理效果良好。傳統(tǒng)的機(jī)器學(xué)習(xí)自動(dòng)化程度低，需要借助人工提取信息，速度慢，而深度學(xué)習(xí)可以克服這些缺陷，可以將任務(wù)與特征進(jìn)行融合建模，自動(dòng)化程度高，提取信息精準(zhǔn)、高效。但是，深度學(xué)習(xí)也有缺陷，不僅需要大量的實(shí)驗(yàn)數(shù)據(jù)，同時(shí)對(duì)計(jì)算機(jī)的性能要求也高，此外還對(duì)模型有更高的要求。盡管如此，但深度學(xué)習(xí)有更好的分類精度、更高的效率，所以未來(lái)還需要不斷對(duì)其進(jìn)行研究。

2 無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲害脅迫最新研究進(jìn)展

本文主要總結(jié)了2019—2022年無(wú)人機(jī)在作物病蟲害方面的研究數(shù)據(jù)，從可見光、熱紅外、多光譜、高光譜、激光雷達(dá)等方面進(jìn)行論述。

2.1 可見光成像遙感

在無(wú)人機(jī)上搭載可見光相機(jī)進(jìn)行拍攝，可以獲取紅、藍(lán)、綠這3個(gè)波段上的影像。目前，在作物蟲害監(jiān)測(cè)方面可見光成像遙感的應(yīng)用比較廣泛。通過(guò)提取幾個(gè)波段上的信息構(gòu)建植被指數(shù)模型與分類模型，從而實(shí)現(xiàn)作物的病蟲害監(jiān)測(cè)。李浩等[6]基于可見光影像提出通過(guò)超綠特征因子與最大類間方差法相結(jié)合的圖像分割算法以及遙感全景圖的病害程度分析方法，對(duì)病害松木的病害程度進(jìn)行具體分析，識(shí)別精度達(dá)到90.4%。Nazir等[7]利用從可見光提取的信息構(gòu)建了大氣阻力指數(shù)（Visual Atmospheric Resistance Index, VARI），利用VARI-green模型對(duì)作物病蟲害受損程度進(jìn)行了分類，成功地監(jiān)測(cè)了桉樹健康狀況。該研究展示了無(wú)人機(jī)結(jié)合可見光相機(jī)實(shí)現(xiàn)大面積監(jiān)測(cè)林場(chǎng)的可能性。Dutta等[8]基于可見光遙感信息構(gòu)建了VI與Otsu模型，實(shí)現(xiàn)了十字花科作物的病蟲害監(jiān)測(cè)，成功地識(shí)別了健康葉片與患病葉片，精確度可達(dá)90%以上。

上述案例說(shuō)明，可見光遙感能夠滿足作物病蟲害監(jiān)測(cè)的需要，且有不錯(cuò)的精度。研究基于可見光遙感的作物病蟲害監(jiān)測(cè)方法有更大的需求，可以進(jìn)行大面積推廣，促進(jìn)智慧農(nóng)業(yè)的發(fā)展。

2.2 多光譜成像遙感

多光譜成像遙感是指無(wú)人機(jī)搭載兩個(gè)及以上光譜通道的傳感器進(jìn)行成像，將作物分為幾個(gè)窄波段分割來(lái)測(cè)定反射率，從而進(jìn)行作物病蟲害的識(shí)別，根據(jù)需要一般選擇2～5個(gè)波段進(jìn)行研究。

國(guó)內(nèi)外在研究方法大多是通過(guò)多個(gè)波段上的作物特征提取，再結(jié)合與病蟲害相關(guān)的植被指數(shù)（VI），如利用遙感數(shù)據(jù)提取歸一化差值植被指數(shù)（NDVI）、重歸一化差值植被指數(shù)（RDVI）、增強(qiáng)植被指數(shù)（EVI）等，同時(shí)結(jié)合人工取樣方式。通過(guò)上述指數(shù)的構(gòu)建，利用指數(shù)實(shí)現(xiàn)對(duì)多種作物（小麥、玉米、白菜、甘藍(lán)、辣椒、油菜）病蟲害的識(shí)別與分析。競(jìng)霞等[9]基于野外定位調(diào)查數(shù)據(jù)及高空間分辨率遙感影像，利用變量投影重要性（VIP）準(zhǔn)則篩選最優(yōu)變量，用偏最小二乘回歸（PLS）方法建立棉花黃萎病病情嚴(yán)重度的定量估測(cè)模型，能夠有效估測(cè)棉花黃萎病病情嚴(yán)重度。地力夏提·依馬木等[10]借助多光譜遙感影像和Logistic算法，實(shí)現(xiàn)對(duì)棉田蟲害的田間監(jiān)測(cè)，準(zhǔn)確率達(dá)到90.5%。馬云強(qiáng)等[11]基于多光譜遙感對(duì)云南切梢小蠹的危害情況進(jìn)行監(jiān)測(cè)，結(jié)果表明，NDVI與云南切梢小蠹危害的枯梢率呈負(fù)相關(guān)。

上述研究表明，通過(guò)多光譜遙感結(jié)合統(tǒng)計(jì)分析法和機(jī)器學(xué)習(xí)法可以實(shí)現(xiàn)作物的病蟲害識(shí)別與作物的分類。相比于可見光，監(jiān)測(cè)結(jié)果更精準(zhǔn)。

2.3 高光譜成像遙感

目前，基于高光譜成像遙感的病蟲害監(jiān)測(cè)主要應(yīng)用于小麥、水稻等作物。高光譜成像遙感分辨率更高，數(shù)據(jù)量更大，相鄰波段有很強(qiáng)的相關(guān)性，同時(shí)有光譜域與空間域信息。馬書英等[12]基于高光譜遙感實(shí)現(xiàn)了板栗樹紅蜘蛛病蟲害危害程度的分析。郭偉等[13]利用棉花的冠層高光譜影像結(jié)合敏感波段，實(shí)現(xiàn)了棉花蚜害的監(jiān)測(cè)。上述案例均是高光譜在作物病蟲害監(jiān)測(cè)方面的應(yīng)用。其中的分析方法有用到VI，基于高光譜VI，已經(jīng)實(shí)現(xiàn)了偏最小二乘回歸法的小麥全蝕病識(shí)別、線性回歸法的玉米大斑病監(jiān)測(cè)、秩和檢驗(yàn)的水稻稻曲病分析。

高光譜成像遙感具有光譜連續(xù)、波段更多、數(shù)據(jù)量更大等特點(diǎn)，因此與多光譜遙感相比，其結(jié)果的精度更高。但是在高光譜影像的信息發(fā)掘方面仍然存在一定的困難，這也是今后發(fā)展的方向。

2.4 熱紅外成像遙感

熱紅外遙感主要是根據(jù)溫度的變化對(duì)作物的病蟲害進(jìn)行分析，所以，這種手段很容易受到外界環(huán)境的干擾，如溫度、濕度、風(fēng)力、雨、云等。目前，基于熱紅外的病蟲害監(jiān)測(cè)技術(shù)還不成熟，需要繼續(xù)深入研究。

Francesconi等[14]利用熱紅外、RGB影像結(jié)合溫度、光合作用效率、病原分子建構(gòu)的模型，實(shí)現(xiàn)了對(duì)小麥赤霉病的監(jiān)測(cè)，說(shuō)明了熱紅外監(jiān)測(cè)存在一定的可行性。陳欣欣等[15]利用無(wú)人機(jī)搭載熱紅外傳感器實(shí)現(xiàn)了油菜菌核病感染過(guò)程的監(jiān)測(cè)。

熱紅外監(jiān)測(cè)速度快，也有其自身的優(yōu)勢(shì)。但是這個(gè)方式更容易受到外界環(huán)境的干擾，未來(lái)需要開發(fā)更好的、抗干擾更強(qiáng)的方法。值得關(guān)注的是，熱紅外融合其他遙感成像方法可以更好地提升監(jiān)測(cè)效率。

2.5 激光雷達(dá)成像遙感

激光雷達(dá)成像遙感利用激光反射強(qiáng)度來(lái)實(shí)現(xiàn)作物的病蟲害監(jiān)測(cè)。一般通過(guò)測(cè)定作物冠層反射率來(lái)進(jìn)行監(jiān)測(cè)。不僅如此，激光雷達(dá)還可以追蹤昆蟲的運(yùn)動(dòng)軌跡。目前，搭載在無(wú)人機(jī)上的激光雷達(dá)一臺(tái)的造價(jià)高達(dá)5～15萬(wàn)元，所以小范圍的病蟲害監(jiān)測(cè)普及困難。

基于激光雷達(dá)的算法模型還不夠成熟，需要改進(jìn)。目前的研究多集中在大面積的林業(yè)領(lǐng)域，例如對(duì)松樹紅斑病的監(jiān)測(cè)，并且多數(shù)是結(jié)合其他的成像方式開展的。Briechle等[16]利用激光雷達(dá)與多光譜數(shù)據(jù)結(jié)合的方式，構(gòu)建了3D深度神經(jīng)網(wǎng)絡(luò)，對(duì)多種樹木進(jìn)行了分類識(shí)別。Yu等[17]利用高光譜成像與激光雷達(dá)監(jiān)測(cè)了松梢甲蟲對(duì)松林枝條的損害，并評(píng)估出了損失量。研究證明，高光譜數(shù)據(jù)和激光雷達(dá)的結(jié)合在識(shí)別單一松林枝條損害方面準(zhǔn)確度更高。

3 問(wèn)題與展望

目前，基于無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲害的研究仍處在初級(jí)階段，在無(wú)人機(jī)技術(shù)、傳感器技術(shù)、算法模型等方面還存在著很大的進(jìn)步空間。

3.1 無(wú)人機(jī)性能需要優(yōu)化

目前技術(shù)條件下生產(chǎn)的無(wú)人機(jī)還存在許多缺陷，如飛行不穩(wěn)定、續(xù)航能力不足、飛機(jī)載重小、容易受環(huán)境因素影響等。未來(lái)需要開發(fā)出具有強(qiáng)穩(wěn)定性、長(zhǎng)續(xù)航、大荷載和強(qiáng)抗干擾能力的無(wú)人機(jī)。在傳感器方面，目前的傳感器搭載在無(wú)人機(jī)上進(jìn)行影像獲取時(shí)得到的影像圖受到外界因素的影響大，從而導(dǎo)致信息不太精準(zhǔn)，所以根據(jù)影像圖進(jìn)行作物病蟲害的判別時(shí)會(huì)存在誤差。由于飛機(jī)荷載不足，可以搭載的傳感器的數(shù)量也存在限制。因此，未來(lái)開發(fā)出能高質(zhì)量完成作物病蟲害監(jiān)測(cè)任務(wù)的無(wú)人機(jī)平臺(tái)是關(guān)鍵。此外，在無(wú)人機(jī)飛行時(shí)其安全性也需要加強(qiáng)，需要加強(qiáng)作業(yè)人員安全意識(shí)方面的教育，消除存在的安全隱患。

3.2 監(jiān)測(cè)數(shù)據(jù)采集存在困難

在使用無(wú)人機(jī)進(jìn)行病蟲害的監(jiān)測(cè)時(shí)，容易受到天氣環(huán)境的影響，作業(yè)時(shí)對(duì)光照條件要求較高。無(wú)人機(jī)作業(yè)時(shí)很多情況下需要人工控制，自動(dòng)化程度有待提高，這限制了其應(yīng)用的普及。目前，監(jiān)測(cè)任務(wù)針對(duì)單一病蟲害時(shí)完成情況較好，但在對(duì)多種病蟲害進(jìn)行監(jiān)測(cè)時(shí)數(shù)據(jù)采集困難。此外，進(jìn)行作物病蟲害的監(jiān)測(cè)作業(yè)時(shí)，需要作業(yè)人員攜帶校正板自行校正數(shù)據(jù)。因此，如何獲取多值域空間內(nèi)的光譜數(shù)據(jù)是新的研究方向。值得注意的是，目前已經(jīng)出現(xiàn)了大量的數(shù)據(jù)采集方法及數(shù)據(jù)處理平臺(tái)，可以為作物的病蟲害監(jiān)測(cè)提供數(shù)據(jù)支持。

3.3 遙感監(jiān)測(cè)數(shù)據(jù)的處理需要優(yōu)化

目前的無(wú)人機(jī)平臺(tái)還無(wú)法進(jìn)行實(shí)時(shí)數(shù)據(jù)解析，需要作業(yè)人員在電腦上導(dǎo)出數(shù)據(jù)進(jìn)行處理，所以信息的獲取有滯后性。多數(shù)數(shù)據(jù)處理軟件應(yīng)用范圍窄，需要大量的人員進(jìn)行更多軟件的開發(fā)。無(wú)人機(jī)遙感結(jié)合物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)“空天地”一體化監(jiān)測(cè)及數(shù)據(jù)處理，有較大的發(fā)展空間。因此，未來(lái)需要加強(qiáng)數(shù)據(jù)處理軟件方面的研究，提高軟件處理的速度和準(zhǔn)確性；從單一數(shù)據(jù)轉(zhuǎn)向多源數(shù)據(jù)，完成作物病蟲害的監(jiān)測(cè)任務(wù)；利用處理速度更快的5G網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)傳輸與處理，能更快、更精確地實(shí)現(xiàn)病蟲害監(jiān)測(cè)。

3.4 算法模型需要優(yōu)化

目前，監(jiān)測(cè)結(jié)果容易受到作物生長(zhǎng)環(huán)境、氣候變化、監(jiān)測(cè)時(shí)間、作物生長(zhǎng)期等因素影響，在地域和時(shí)間上受到限制，所以普遍性、準(zhǔn)確性較差。例如，多次監(jiān)測(cè)同一區(qū)域時(shí)，識(shí)別率存在差異。因此，未來(lái)需要對(duì)病蟲害進(jìn)行不間斷的監(jiān)測(cè)，總結(jié)各個(gè)時(shí)間段監(jiān)測(cè)結(jié)果的平均數(shù)，統(tǒng)一監(jiān)測(cè)結(jié)果。并開發(fā)更好的算法，構(gòu)建更優(yōu)的模型，從而創(chuàng)新作物病蟲害的監(jiān)測(cè)方法，推動(dòng)遙感在作物病蟲害監(jiān)測(cè)方面的發(fā)展與應(yīng)用。