基于無人機遙感的作物長勢監(jiān)測研究進展

趙勝利 Mujahid Hussain 王國賓 卞志豪 王猛 蘭玉彬

摘要：無人機遙感技術(shù)作為一種新型的農(nóng)業(yè)技術(shù)，為精準農(nóng)業(yè)領(lǐng)域的發(fā)展提供了重要的技術(shù)支持。與傳統(tǒng)監(jiān)測方法相比，無人機遙感具有成本低、時效性強、無大氣干擾、分辨率高等優(yōu)點，為農(nóng)業(yè)信息采集提供了新的工具。無人機農(nóng)業(yè)遙感技術(shù)能夠高效、無損地精確采集農(nóng)業(yè)遙感數(shù)據(jù)，對作物長勢進行實時監(jiān)測，為農(nóng)業(yè)生產(chǎn)提供重要的獲取空間數(shù)據(jù)途徑。近年來，隨著無人機技術(shù)和遙感技術(shù)的不斷發(fā)展和成熟，無人機農(nóng)業(yè)遙感技術(shù)的應用范圍逐步擴大，涵蓋了作物生長監(jiān)測、精準施肥、精準灌溉、病蟲害預警等多個領(lǐng)域。本文重點介紹無人機遙感技術(shù)在作物生長監(jiān)測中的應用，主要介紹了無人機遙感系統(tǒng)的組成、無人機遙感平臺和傳感器的類型和特點、基于無人機遙感圖像數(shù)據(jù)處理的關(guān)鍵步驟以及作物長勢監(jiān)測的重要指標，綜合評估了無人機遙感技術(shù)在作物長勢監(jiān)測方面應用的研究現(xiàn)狀和存在的問題旨在為后續(xù)的無人機遙感技術(shù)在作物長勢監(jiān)測中的研究提供參考。

關(guān)鍵詞：無人機；遙感；農(nóng)業(yè)；長勢；應用進展

中圖分類號：S127? 文獻標志碼：A

文章編號：1002-1302（2024）08-0008-07

收稿日期：2023-05-11

基金項目：山東省自然科學基金（編號：ZR2021QC154）；山東省引進頂尖人才“一事一議”專項經(jīng)費資助項目（編號：魯政辦字［2018］27號）。

作者簡介：趙勝利（1998—），女，河南長葛人，碩士研究生，研究方向為棉花產(chǎn)量估測模型。E-mail：21403010286@sdut.edu.cn。

通信作者：蘭玉彬，博士，教授，博士生導師，研究方向為精準農(nóng)業(yè)航空應用技術(shù)。E-mail：ylan@sdut.edu.cn。

無人機農(nóng)業(yè)遙感技術(shù)是將無人機與遙感技術(shù)相結(jié)合，用于對農(nóng)田進行高精度、高分辨率的遙感監(jiān)測和數(shù)據(jù)采集的技術(shù)［1］。其以無人機為平臺，搭載數(shù)碼相機、多光譜相機、高光譜相機等多種傳感器，為農(nóng)情信息的收集提供數(shù)據(jù)支持，是精準農(nóng)業(yè)研究的重要發(fā)展方向之一［2-4］。相比衛(wèi)星遙感和航空遙感，無人機遙感具有成本低廉、時效性強、不受大氣影響、高分辨率等特點，而且相較于傳統(tǒng)監(jiān)測方法，無人機遙感的效率更高，且不會造成破壞，為田塊尺度的遙感應用研究提供了新的工具［5］。

20世紀60年代，美國國家航空航天局（NASA）開始使用航空無人機進行地球觀測。20世紀90年代，一些農(nóng)業(yè)遙感研究機構(gòu)和個人開始嘗試利用無人機獲取農(nóng)業(yè)信息，如農(nóng)田土壤、作物生長狀態(tài)等，以支持農(nóng)業(yè)生產(chǎn)管理決策［6］。隨著遙感技術(shù)的發(fā)展和無人機技術(shù)的不斷成熟，農(nóng)業(yè)遙感應用也開始逐步普及。21世紀初，無人機農(nóng)業(yè)遙感技術(shù)開始進入技術(shù)提升期。無人機的使用成本逐漸降低，機身體積不斷縮小，搭載的傳感器和相機也變得更加高精度和多樣化［7］。農(nóng)業(yè)遙感應用也從單一的作物長勢監(jiān)測拓展到作物長勢、精準施肥、精準灌溉等多個領(lǐng)域。根據(jù)國際無人機協(xié)會的計算，2015—2025年，無人機在民用領(lǐng)域的應用將為美國經(jīng)濟貢獻821億美元，其中80%以上將直接來自農(nóng)業(yè)［8］。雖然我國的遙感技術(shù)起步較晚，始于20世紀80年代，但是過去幾十年來發(fā)展迅速，取得了不少研究成果，目前已經(jīng)成為我國農(nóng)業(yè)生產(chǎn)和農(nóng)村發(fā)展的重要支撐技術(shù)之一［9-11］。

及時監(jiān)測和預測農(nóng)作物長勢是提高農(nóng)業(yè)生產(chǎn)效率的有效途徑。無人機遙感技術(shù)通過對作物生長過程中的環(huán)境因素、物理指標和生化參數(shù)等進行實時或定期監(jiān)測，來評估和預測作物的生長情況和生產(chǎn)潛力［12-14］，指導農(nóng)業(yè)生產(chǎn)和管理決策，不僅優(yōu)化了作物生長環(huán)境和生產(chǎn)方式，且提高了作物產(chǎn)量和品質(zhì)，降低了農(nóng)業(yè)生產(chǎn)成本和減少了資源浪費［1，15］。

近5年來，利用較低成本的飛行器和搭載載荷范圍內(nèi)的相機獲取作物信息的手段越來越普遍。遙感技術(shù)在農(nóng)業(yè)領(lǐng)域目前主要應用于田間作物生長狀況監(jiān)測及產(chǎn)量預測、病蟲災害的預警與防治等，其讓農(nóng)業(yè)的發(fā)展更加智能化、自動化［7，16-17］。

本研究從無人機遙感平臺、傳感器類型及特點、遙感圖像數(shù)據(jù)處理、作物生長監(jiān)測主要指標等方面綜述了無人機遙感在農(nóng)業(yè)領(lǐng)域的應用進展，并對無人機遙感的發(fā)展趨勢進行了探討，以期為農(nóng)業(yè)生產(chǎn)提供更好的理論和技術(shù)支持。

1 無人機遙感系統(tǒng)概述

本研究涉及的無人機指農(nóng)業(yè)領(lǐng)域應用較多的輕小型民用無人機，偵查、作戰(zhàn)的軍用無人機不在討論范圍內(nèi)。

1.1 無人機遙感系統(tǒng)

無人機遙感系統(tǒng)組成如圖1所示，主要包括無人機平臺、遙感設(shè)備、數(shù)據(jù)傳輸和存儲系統(tǒng)、數(shù)據(jù)處理系統(tǒng)等組成部分［18-19］。無人機平臺通過搭載各種遙感設(shè)備實現(xiàn)數(shù)據(jù)的采集和傳輸；遙感設(shè)備包括光學相機、多光譜相機、激光雷達等，可實現(xiàn)高精度、高分辨率的遙感數(shù)據(jù)采集和處理；數(shù)據(jù)傳輸和存儲系統(tǒng)能完成遙感數(shù)據(jù)的傳輸、存儲和處理；數(shù)據(jù)處理系統(tǒng)用于對遙感數(shù)據(jù)進行處理和分析。

1.2 無人機平臺

無人機已經(jīng)成為現(xiàn)代農(nóng)業(yè)監(jiān)測中非常重要的工具。小型無人機的有效載荷為10 kg以下，最大飛行速度不超過33m/s，最大飛行高度在3km以

內(nèi)［20］。選擇何種類型的無人機平臺取決于農(nóng)業(yè)監(jiān)測的具體要求和場景，例如飛行距離、攜帶載荷、傳感器負載和預算。在以上方面的綜合考慮之下，多旋翼無人機和輕小型固定翼無人機是目前農(nóng)業(yè)領(lǐng)域中最常用的無人機平臺［5，21］。表1中為常見的無人機平臺。旋翼類無人機做到了無需跑道起降，且可在執(zhí)行任務過程中定點懸停，飛行姿態(tài)靈活調(diào)整，傳輸清晰實時動態(tài)影像，因而在注重任務細節(jié)和質(zhì)量的行業(yè)得到越來越多的青睞［22-23］。與固定翼無人機相比，旋翼無人機的硬件結(jié)構(gòu)更加復雜，系統(tǒng)穩(wěn)定性和抗風能力不如固定翼無機，其操作員的技術(shù)水平也更高［24-25］。

1.3 遙感傳感器的分類

無人機遙感傳感器主要有數(shù)碼相機、多光譜和高光譜相機、熱紅外掃描儀及激光雷達等［27-28］，具體見表2。通過數(shù)據(jù)傳輸及處理系統(tǒng)可生成載有遙感信息的影像及相關(guān)數(shù)字模型、光譜指數(shù)等遙感成果，這些產(chǎn)出結(jié)果在農(nóng)業(yè)生產(chǎn)管理中可應用于農(nóng)作物長勢監(jiān)測 。由于無人機的載荷量有限，目前應用于無人機農(nóng)業(yè)遙感信息獲取的傳感器主要是高清數(shù)碼相機和多光譜相機［29］。高光譜成像儀雖有幾百個甚至更多波段，但由于數(shù)據(jù)量龐大及較高的成本，在農(nóng)業(yè)領(lǐng)域得到廣泛應用還需要從海量的數(shù)據(jù)中進一步挖掘有用信息［30］。

2 信息獲取與數(shù)據(jù)處理

無人機遙感監(jiān)測技術(shù)可以快速、高效地獲取農(nóng)田信息，對于農(nóng)業(yè)監(jiān)測有著重要的應用價值［31］。目前，無人機遙感監(jiān)測技術(shù)的應用已經(jīng)逐漸普及，但是如何更高效地處理無人機遙感數(shù)據(jù)來實現(xiàn)農(nóng)業(yè)監(jiān)測仍然是熱點問題之一。

2.1 圖像預處理

無人機遙感平臺獲取的影像預處理包括輻射校正［32］、幾何校正［33］、圖像配準［34］、圖像去噪與增強等步驟。美國 MicaSense公司生產(chǎn)的ADC Lite多光譜相機、德國Cubert公司生產(chǎn)的UHD185 firefly高光譜相機均可使用設(shè)備自帶的輻射校正板進行校正，此外常用的輻射校正方法還包括大氣壓縮校正法、基于地物實測反射率的經(jīng)驗線性法等。圖像配準有2種主要配準方法：基于圖像區(qū)域的配準方法和基于圖像特征的配準方法［34］?；趫D像區(qū)域的配準方法直接利用圖像全部灰度信息進行配準，計算量大，效果較差，無法滿足圖像配準實時性需求［35］。隨著機器視覺領(lǐng)域中圖像特征處理算法的興起，基于圖像特征的配準方法因其計算量少、高效率、高精度的特點，引起專家學者的廣泛關(guān)注。例如，SIFT（scale-invariant feature transform）算法［36］、SURF（speeded up robust features）算法［37］、PCA-SIFT（principal component analysis-SIFT）算法［38］等。

2.2 植被指數(shù)特征提取

由于植被結(jié)構(gòu)和作物生理特性的多樣性，不同作物的反射光譜存在較大差異。通過對無人機遙感影像不同波段的反射率進行線性或非線性組合得到的植被指數(shù)（VI）及其他指標來提取植被特征，是作物長勢監(jiān)測研究的熱點之一［39］。由作物可見光波段構(gòu)建的植被指數(shù)，如過綠指數(shù)（EXG）、可見光波段差異植被指數(shù)（VDVI）、超綠指數(shù)（EXG）、超綠超紅差分指數(shù)（EXGR）、植被顏色指數(shù)（CIVE）等［40］。大量研究表明，紅外波段、近紅外波段中，農(nóng)作物的光譜反射特征與其長勢和產(chǎn)量相關(guān)性明顯［20］，如歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、改進型植被指數(shù)（EVI）等［6，41］。其中，NDVI最為常用，NDVI值通常在-1～1之間，值越高代表植被覆蓋度越高。相比多光譜數(shù)據(jù)，高光譜數(shù)據(jù)的光譜信息更為豐富，如轉(zhuǎn)換葉綠素吸收指數(shù)（TCARI）、土壤調(diào)節(jié)植被指數(shù)（OSAVI）、比值光譜指數(shù)（RSI）、簡單光譜指數(shù)（SSI）、重歸一化植被指數(shù)（RDVI）、葉綠素吸收連續(xù)區(qū)指數(shù)（CACI）、連續(xù)體去除葉綠素吸收指數(shù)（CRCAI）等［42-44］。

2.3 長勢參數(shù)反演

隨著計算機技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的廣泛應用，機器學習、深度學習等方法在作物長勢監(jiān)測方面的研究也得到快速發(fā)展。具體表現(xiàn)在：（1）數(shù)據(jù)源的選擇從較為單一類型的可見光或多光譜，發(fā)展到目前應用較為廣泛的高光譜數(shù)據(jù)、激光雷達數(shù)據(jù)、熱紅外數(shù)據(jù)等。（2）無論是在數(shù)據(jù)獲取方法上還是在處理手段上都進行了大量有益的探索，尤其對于多源數(shù)據(jù)的整合、植被指數(shù)與反演指標之間的模型構(gòu)建上，學者們從不同的角度嘗試消除傳統(tǒng)方法的局限，旨在提高模型反演精度。如高林等選擇冬小麥冠層ASD光譜反射率數(shù)據(jù)作為評價無人機UHD185高光譜數(shù)據(jù)質(zhì)量的標準，依次從光譜曲線變化趨勢、光譜相關(guān)性以及目標地物光譜差異3個方面展開分析，結(jié)果表明，458～830 nm（第3～96波段）的UHD185光譜數(shù)據(jù)可靠，可使用其探測冬小麥LAI［45］，為今后無人機UHD185高光譜數(shù)據(jù)的使用提供了參考。

2.4 反演方法與精度評價

一些常見的反演方法包括神經(jīng)網(wǎng)絡、支持向量機、回歸模型等，具體見表3。模型構(gòu)建完成后，需要對模型精度進行評價，大多數(shù)研究結(jié)合人工實測數(shù)據(jù)作為真實值，3個參數(shù)［決定系數(shù)（R2）、均方根誤差（RMSE）、相對誤差（RE）］評價分類識別精度。據(jù)大量研究結(jié)果可知，通常模型精度會隨著參數(shù)個數(shù)的增加而提高，但過擬合的概率越大，因此不能僅憑單一標準來判斷一種反演模型的優(yōu)劣。

3. 作物長勢監(jiān)測的重要參數(shù)

在適當?shù)纳谶M行長勢監(jiān)測，能夠及早發(fā)現(xiàn)作物生長中的問題，實施精準農(nóng)業(yè)操作，從而提高作物產(chǎn)量和品質(zhì)［46］。不同作物的葉綠素含量、氮素含量、細胞水分等存在顯著差異，從而影響作物冠層的反射光譜。因此，構(gòu)建精度高且通用性強的作物長勢監(jiān)測模型是應用無人機遙感技術(shù)進行精準農(nóng)業(yè)的關(guān)鍵［47-48］。

3.1 葉綠素含量

葉綠素含量是反映植物光合作用效率的重要指標，對作物的蒸騰作用、光合作用以及農(nóng)作物估產(chǎn)等具有重要意義。傳統(tǒng)的測量方法為化學分析法，該方法耗時費力，不適合大范圍監(jiān)測。地面遙感平臺中常用葉綠素儀測量作物葉片的葉綠素含量，作為真實驗證數(shù)據(jù)。無人機遙感平臺具有快速、無損、高精度的特點，更適合大范圍監(jiān)測。但有研究表明，無人機的飛行高度對作物的預測和反演精度有較大影響［49］。近20年來，基于遙感影像的大田作物葉綠素含量估測研究得到了快速發(fā)展［49-50］。研究者們多采用線性回歸的方法，但該方法以變量之間存在線性關(guān)系為前提，或與實際情況存在偏差。線性回歸模型的系數(shù)可以解釋自變量和因變量之間的關(guān)系，然而對于復雜的數(shù)據(jù)集，便超出其適用范圍。因此，目前研究人員已經(jīng)偏向于用主成分分析、人工神經(jīng)網(wǎng)絡、深度學習等方法來反演作物生長參數(shù)，并結(jié)合高光譜遙感信息來構(gòu)建包含更多波段的模型，從而更準確地解釋模型預測的變化［51］。

3.2 含氮量

在氮素含量上，裴信彪等構(gòu)建了自主研發(fā)的無人機結(jié)構(gòu)與飛控系統(tǒng)，測試了4種施氮水平水稻的光譜指數(shù)變化規(guī)律，實現(xiàn)了水稻氮素水平的變化監(jiān)測［52］。該研究中提出的飛行控制軌跡跟蹤方法將為無人機研發(fā)領(lǐng)域的研究者們提供新的思路。王玉娜等利用無人機搭載高光譜相機對冬小麥進行遙感監(jiān)測，通過分析冠層光譜參數(shù)與植株氮含量、地上部生物量和氮素營養(yǎng)指數(shù)的相關(guān)性，篩選出對三者均敏感的光譜參數(shù)，結(jié)合多元線性逐步回歸、偏最小二乘回歸和隨機森林回歸建立抽穗期冬小麥氮素營養(yǎng)指數(shù)（NNI）估測模型，該研究實現(xiàn)了小區(qū)范圍內(nèi)的氮素營養(yǎng)指數(shù)遙感填圖，清晰地展示了冬小麥氮素的空間分布，為農(nóng)作物的精準施肥和產(chǎn)量估算提供了理論依據(jù)［53］。Tao等利用搭載在無人機上的高光譜傳感器獲取植被指數(shù)和紅邊參數(shù)，基于植被指數(shù)、紅邊參數(shù)及其組合，采用逐步回歸（SWR）和偏最小二乘回歸（PLSR）方法對植被指數(shù)和葉面積指數(shù)進行精確估計，結(jié)果表明，植被指數(shù)與紅邊參數(shù)相結(jié)合，利用PLSR方法可以提高AGB和LAI的估計［54］。Yuan等提出了一種圖像與光譜特征融合的玉米葉片氮含量預測模型，采用偏最小二乘回歸和支持向量機回歸（SVR）對玉米葉片氮含量進行預測，結(jié)果表明，與單變量模型相比，基于圖像和光譜的融合模型預測效果更佳［55］。該研究結(jié)果證實了基于特征融合的方法一定程度上有助于提高模型的預測性能，為無人機低空遙感圖像特征提取方法的選擇提供了理論依據(jù)和指導。

3.3 含水量

利用無人機遙感進行農(nóng)作物土壤含水量的反演研究相對較少，目前的研究采用的傳感器主要是可見光相機、多光譜相機。針對于農(nóng)作物冠層及葉片的復雜結(jié)構(gòu)，魏青等基于不同時期冬小麥的無人機多光譜遙感圖像，通過逐步回歸法和強迫進入法建立了光譜反射率模型和植被指數(shù)模型，結(jié)果表明，基于逐步回歸法的光譜指數(shù)模型效果最優(yōu)，決定系數(shù)為0.83［56］；以內(nèi)蒙古玉米田為研究區(qū)，多光譜相機為遙感平臺，張智韜等提出用機器學習的方法構(gòu)建植被指數(shù)與土壤含水率的反演模型，結(jié)果表明，支持向量機方法的模型精度在0.851以上［57］。該研究對土壤含水率的反演研究有一定參考作用，未來需要在模型建立方法上進一步提高作物監(jiān)測的適用性。最新的研究采用尺度轉(zhuǎn)換法，將衛(wèi)星遙感影像與無人機遙感影像相結(jié)合，采用 TsHARP 升尺度法和重采樣升尺度法構(gòu)建了土壤含水率反演模型，結(jié)果表明，2種方法均能提高模型反演精度，結(jié)合衛(wèi)星遙感和無人機遙感二者的優(yōu)勢實現(xiàn)了高精度又大尺度的地表信息監(jiān)測，為土壤含水率及其他遙感領(lǐng)域的研究提供了新的思路［58］。

3.4 葉面積指數(shù)

LAI是作物在生物和非生物脅迫下健康狀況的重要依據(jù)，有助于作物生物量和產(chǎn)量的生成［59-60］。Zhang等基于小麥的光譜反射機制，開展其光譜指數(shù)與LAI的相關(guān)性分析，為小麥田間尺度的長勢分析提供了支持，研究表明，隨機森林法對LAI的估測具有較好效果，但對不同品種、不同水氮處理情況下的模型構(gòu)建還有待深入研究［61］。曹中盛等實現(xiàn)了水稻不同品種、不同水氮處理情況下的研究，且于不同時期測定水稻 LAI，同步獲取水稻無人機數(shù)碼影像并提取顏色指數(shù)及紋理特征，構(gòu)建了定量監(jiān)測模型并進行檢驗，結(jié)果表明，無人機數(shù)碼影像中顏色指數(shù)及紋理特征與水稻 LAI 之間的相關(guān)性在生育前期最高［62］。邵國敏等基于無人機多光譜影像數(shù)據(jù)，構(gòu)建了植被指數(shù)與LAI的關(guān)系模型，結(jié)果表明，隨機森林回歸算法估算不同灌溉條件下的玉米LAI可行性較高，決定系數(shù)為0.74～0.87［59］。Yao等利用多光譜遙感系統(tǒng)，采集多光譜植被指數(shù)，通過不同的回歸方法選出了最優(yōu)LAI反演模型，發(fā)現(xiàn)無人機采集的數(shù)據(jù)檢測玉米的LAI是可行的［63］。眾所周知，作物的LAI具有高度的時空異質(zhì)性，在準確獲取田間尺度的LAI方面仍存在許多挑戰(zhàn)：（1）在理論方法上應進行大膽創(chuàng)新，特別是在探索基于多源數(shù)據(jù)融合的作物LAI檢索新方法方面。（2） 加強LAI遙感試驗和數(shù)據(jù)積累，促進LAI業(yè)務研究和應用。

3.5 生物量

生物量是最常見的作物參數(shù)，國內(nèi)外有眾多學者做了大量關(guān)于無人機遙感監(jiān)測植物地上生物量的研究。鄧江等采集了棉花不同生育期的近紅外影像，并提取4種光譜指數(shù)，構(gòu)建了棉花主要生育期地上生物量的估算模型［64］。也有研究采用無人機多光譜影像結(jié)合作物水分利用效率模型的方法，探討無人機遙感在玉米生物量反演方面的可行性，為無人機遙感監(jiān)測玉米生物量提供了參考［58］。

總之，無人機遙感在葉綠素含量、生物量、含水量等作物長勢監(jiān)測中的研究取得了較多成果，由早期的無人機搭載可見光相機，到近年來的利用多光譜乃至高光譜相機等傳感器獲取無人機遙感影像進行信息提取、反演模型構(gòu)建等手段，反演精度逐步提高，但這些成果距大規(guī)模實際應用還有一定距離。目前的研究對象主要集中于特定研究區(qū)或特定樣本，多數(shù)研究成果與作物長勢變化的內(nèi)在機理聯(lián)系不夠緊密，還應加強對作物生長規(guī)律及模型普適性的相關(guān)研究。

4 討論

近年來無人機農(nóng)業(yè)遙感的圖像處理技術(shù)與系統(tǒng)硬件都得到快速發(fā)展與廣泛應用，并取得了豐碩成果，但同時也存在一些需要進一步深入探究或亟待解決的科學問題。具體表現(xiàn)在以下4個方面。

4.1 無人機續(xù)航能力有限

無人機續(xù)航能力的嚴重性不容忽視。續(xù)航能力決定了無人機的作業(yè)時間和范圍，對長時間或大范圍的任務來說，續(xù)航能力是至關(guān)重要的因素。無人機的續(xù)航時間不足，則需要多次起降和更換電池，大大降低了作業(yè)效率和效果。因此，提高植保無人機的續(xù)航能力，是農(nóng)業(yè)生產(chǎn)中的一個重要課題，需通過提高電池能量密度、優(yōu)化機身結(jié)構(gòu)、改進動力系統(tǒng)等方式來實現(xiàn)。

4.2 大量遙感數(shù)據(jù)的快速處理較困難

無人機農(nóng)業(yè)遙感技術(shù)可以獲取大量的作物遙感數(shù)據(jù)，但是數(shù)據(jù)處理的難度較大。無人機在作物生長期間對作物進行多次拍攝，每次拍攝都會產(chǎn)生大量的圖像和點云數(shù)據(jù)，包括作物的生長狀態(tài)、植被指數(shù)等多個方面的指標，需要綜合運用圖像處理、點云數(shù)據(jù)處理、多傳感器融合等多個技術(shù)手段對數(shù)據(jù)進行綜合分析和解釋。為了解決這些問題，需要運用計算機視覺、遙感圖像處理、機器學習等技術(shù)手段對采集的數(shù)據(jù)進行處理和分析，提取有用信息，為農(nóng)業(yè)生產(chǎn)提供科學依據(jù)。

4.3 亟待制定更精準的農(nóng)用無人機的飛行作業(yè)標準

我國農(nóng)業(yè)植保無人機行業(yè)作為近年來新起之秀，缺乏相關(guān)標準的約束會影響其未來發(fā)展。目前使用無人機仍然沒有標準化的工作流程，雖然逐漸有一些行業(yè)標準、地方標準出臺，但在農(nóng)用無人機快速發(fā)展的背景下，無人機作業(yè)的相關(guān)規(guī)定依舊不夠完善，單純針對某一類作物的規(guī)范顯然不足以滿足植保無人機在農(nóng)業(yè)各個領(lǐng)域的需求。

4.4 反演模型的普適性較低

遙感技術(shù)的優(yōu)勢在于能夠提供多尺度、多角度、多波段、多時間的廣泛地面觀測數(shù)據(jù)。然而對于農(nóng)業(yè)遙感，特別是作物生長監(jiān)測，其關(guān)鍵屬性如葉面積、生物量等在作物生長過程中不斷變化，僅靠遙感數(shù)據(jù)很難保證觀測的連續(xù)性。因此，大量研究將各種專業(yè)農(nóng)業(yè)模型（如作物生長模型、地表能量平衡模型）與遙感數(shù)據(jù)相耦合或同化，以彌補遙感觀測時間分辨率的不足。即便如此，反演模型依然存在普適性低下的問題，嚴重影響了無人機遙感技術(shù)在農(nóng)業(yè)生產(chǎn)中的應用廣度及深度。未來研究者們應加強多源數(shù)據(jù)融合技術(shù)的研發(fā)及通用模型的建立等方面的研究，為農(nóng)業(yè)生產(chǎn)提供更好的決策和管理支持。

參考文獻：

［1］Huang Y B，Chen Z X，Yu T，et al. Agricultural remote sensing big data：management and applications［J］. Journal of Integrative Agriculture，2018，17（9）：1915-1931.

［2］劉建剛，趙春江，楊貴軍，等. 無人機遙感解析田間作物表型信息研究進展［J］. 農(nóng)業(yè)工程學報，2016，32（24）：98-106.

［3］胡健波，張 健. 無人機遙感在生態(tài)學中的應用進展［J］. 生態(tài)學報，2018，38（1）：20-30.

［4］晏 磊，廖小罕，周成虎，等. 中國無人機遙感技術(shù)突破與產(chǎn)業(yè)發(fā)展綜述［J］. 地球信息科學學報，2019，21（4）：476-495.

［5］孫 剛，黃文江，陳鵬飛，等. 輕小型無人機多光譜遙感技術(shù)應用進展［J］. 農(nóng)業(yè)機械學報，2018，49（3）：1-17.

［6］Zhang H D，Wang L Q，Tian T，et al. A review of unmanned aerial vehicle low-altitude remote sensing （UAV-LARS） use in agricultural monitoring in China［J］. Remote Sensing，2021，13（6）：1221.

［7］蘭玉彬，鄧小玲，曾國亮. 無人機農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應用研究進展［J］. 智慧農(nóng)業(yè)，2019，1（2）：1-19.

［8］郭慶華，吳芳芳，龐樹鑫，等. Crop 3D—基于激光雷達技術(shù)的作物高通量三維表型測量平臺［J］. 中國科學（生命科學），2016，46（10）：1210-1221.

［9］史 舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望［J］. 農(nóng)業(yè)機械學報，2015，46（2）：247-260.

［10］Wang G B，Lan Y B，Qi H X，et al. Field evaluation of an unmanned aerial vehicle （UAV） sprayer：effect of spray volume on deposition and the control of pests and disease in wheat［J］. Pest Management Science，2019，75（6）：1546-1555.

［11］Zhan Y L，Chen P C，Xu W C，et al. Influence of the downwash airflow distribution characteristics of a plant protection UAV on spray deposit distribution［J］. Biosystems Engineering，2022，216：32-45.

［12］紀景純，趙 原，鄒曉娟，等. 無人機遙感在農(nóng)田信息監(jiān)測中的應用進展［J］. 土壤學報，2019，56（4）：773-784.

［13］田 婷，張 青，張海東. 無人機遙感在作物監(jiān)測中的應用研究進展［J］. 作物雜志，2020（5）：1-8.

［14］韓文霆，李 廣，苑夢嬋，等. 基于無人機遙感技術(shù)的玉米種植信息提取方法研究［J］. 農(nóng)業(yè)機械學報，2017，48（1）：139-147.

［15］Wang L L，Zhao Y J，Liu S B，et al. Precision detection of dense plums in orchards using the improved YOLO v4 model［J］. Frontiers in Plant Science，2022，13：839269.

［16］楊國峰，何 勇，馮旭萍，等. 無人機遙感監(jiān)測作物病蟲害脅迫方法與最新研究進展［J］. 智慧農(nóng)業(yè)（中英文），2022，4（1）：1-16.

［17］Chen P C，Douzals J P，Lan Y B，et al. Characteristics of unmanned aerial spraying systems and related spray drift：a review［J］. Frontiers in Plant Science，2022，13：870956.

［18］Xiang H T，Tian L. Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle （UAV）［J］. Biosystems Engineering，2011，108（2）：174-190.

［19］Yang G J，Liu J G，Zhao C J，et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping：current status and perspectives［J］. Frontiers in Plant Science，2017，8：1111.

［20］雷 劍. 輕小型無人機遙感在精準農(nóng)業(yè)中的應用研究［J］. 農(nóng)業(yè)與技術(shù)，2022，42（3）：41-43.

［21］Petrescu R V，Aversa R，Akash B，et al. Unmanned helicopters［J］. Journal of Aircraft and Spacecraft Technology，2017，1（4）：241-248.

［22］Segui-Gasco P，Al-Rihani Y，Shin H S，et al. A novel actuation concept for a multi rotor UAV［J］. Journal of Intelligent & Robotic Systems，2014，74（1）：173-191.

［23］Cai G W，Lum K Y，Chen B M，et al. A brief overview on miniature fixed-wing unmanned aerial vehicles［C］//IEEE ICCA.Xiamen，China.IEEE，2010：285-290.

［24］Asadzadeh S，de Oliveira W J，de Souza Filho C R. UAV-based remote sensing for the petroleum industry and environmental monitoring：state-of-the-art and perspectives［J］. Journal of Petroleum Science and Engineering，2022，208：109633.

［25］Chen R Q，Zhang C J，Xu B，et al. Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning［J］. Computers and Electronics in Agriculture，2022，201：107275.

［26］馬代健. 無人機熱紅外圖像采集系統(tǒng)開發(fā)與應用［D］. 楊凌：西北農(nóng)林科技大學，2018.

［27］de Almeida C T，Galvo L S，de Oliveira Cruz e Arago L E，et al. Combining LiDAR and hyperspectral data for aboveground biomass modeling in the Brazilian Amazon using different regression algorithms［J］. Remote Sensing of Environment，2019，232：111323.

［28］Dimov D，Uhl J H，Lw F，et al. Sugarcane yield estimation through remote sensing time series and phenology metrics［J］. Smart Agricultural Technology，2022，2：100046.

［29］Franklin S E，Ahmed O S，Williams G. Northern conifer forest species classification using multispectral data acquired from an unmanned aerial vehicle［J］. Photogrammetric Engineering & Remote Sensing，2017，83（7）：501-507.

［30］Li C C，Ma C Y，Cui Y Q，et al. UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China［J］. Journal of the Indian Society of Remote Sensing，2021，49（4）：873-886.

［31］郭慶華，胡天宇，劉 瑾，等. 輕小型無人機遙感及其行業(yè)應用進展［J］. 地理科學進展，2021，40（9）：1550-1569.

［32］龔健雅，宦麟茜，鄭先偉. 影像解譯中的深度學習可解釋性分析方法［J］. 測繪學報，2022，51（6）：873-884.

［33］王斯健. 控制點圖元庫的衛(wèi)星影像高精度幾何校正方法研究［J］. 測繪通報，2021（增刊1）：183-187.

［34］樊彥國，柴江龍，許明明，等. 基于ORB與RANSAC融合改進的圖像配準［J］. 光學精密工程，2019，27（3）：702-717.

［35］侯 瑞，鄧少平，張立亞. 高分辨率SAR影像正射糾正試驗［J］. 測繪科學，2015，40（10）：153-156.

［36］Kumar P，Henikoff S，Ng P C. Predicting the effects of coding non-synonymous variants on protein function using the SIFT algorithm［J］. Nature Protocols，2009，4：1073-1081.

［37］江 智，江德港，黃子杰，等. 基于IB-SURF算法的無人機圖像拼接技術(shù)研究［J］. 計算機工程與應用：2024，60（3）：263-269.

［38］Chater A，Lasfar A. New approach to the identification of the easy expression recognition system by robust techniques （SIFT，PCA-SIFT，ASIFT and SURF）［J］. TELKOMNIKA （Telecommunication Computing Electronics and Control），2020，18（2）：695.

［39］汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提?。跩］. 農(nóng)業(yè)工程學報，2015，31（5）：152-159.

［40］Du M M，Noboru N，Atsushi I，et al. Multi-temporal monitoring of wheat growth by using images from satellite and unmanned aerial vehicle［J］. International Journal of Agricultural and Biological Engineering，2017，10（5）：1-13.

［41］Zhong Y F，Wang X Y，Xu Y，et al. Mini-UAV-borne hyperspectral remote sensing：from observation and processing to applications［J］. IEEE Geoscience and Remote Sensing Magazine，2018，6（4）：46-62.

［42］Feng L W，Zhang Z，Ma Y C，et al. Alfalfa yield prediction using UAV-based hyperspectral imagery and ensemble learning［J］. Remote Sensing，2020，12（12）：2028.

［43］Yu F H，Xu T Y，Du W，et al. Radiative transfer models （RTMs） for field phenotyping inversion of rice based on UAV hyperspectral remote sensing［J］. International Journal of Agricultural and Biological Engineering，2017，10（4）：150-157.

［44］蘭玉彬，朱梓豪，鄧小玲，等. 基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類［J］. 農(nóng)業(yè)工程學報，2019，35（3）：92-100.

［45］高 林，楊貴軍，于海洋，等. 基于無人機高光譜遙感的冬小麥葉面積指數(shù)反演［J］. 農(nóng)業(yè)工程學報，2016，32（22）：113-120.

［46］裴浩杰，馮海寬，李長春，等. 基于綜合指標的冬小麥長勢無人機遙感監(jiān)測［J］. 農(nóng)業(yè)工程學報，2017，33（20）：74-82.

［47］林 娜，陳 宏，趙 健，等. 輕小型無人機遙感在精準農(nóng)業(yè)中的應用及展望［J］. 江蘇農(nóng)業(yè)科學，2020，48（20）：43-48.

［48］奚 雪，趙庚星.? 基于無人機多光譜遙感的冬小麥葉綠素含量反演及監(jiān)測［J］. 中國農(nóng)學通報，2020，36（20）：119-126.

［49］劉 濤，張 寰，王志業(yè)，等. 利用無人機多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農(nóng)業(yè)工程學報，2021，37（19）：65-72.

［50］周敏姑，邵國敏，張立元，等. 基于無人機遙感的冬小麥葉綠素含量多光譜反演［J］. 節(jié)水灌溉，2019（9）：40-45.

［51］王 羿，丁鳴鳴，何 菁，等. 基于不同建模方法的土壤pH值無人機遙感影像反演［J］. 江蘇農(nóng)業(yè)科學，2022，50（14）：224-231.

［52］裴信彪，吳和龍，馬 萍，等. 基于無人機遙感的不同施氮水稻光譜與植被指數(shù)分析［J］. 中國光學，2018，11（5）：832-840.

［53］王玉娜，李粉玲，王偉東. 基于無人機高光譜的冬小麥氮素營養(yǎng)監(jiān)測［J］. 農(nóng)業(yè)工程學報，2020，36（22）：31-39.

［54］Tao H L，F(xiàn)eng H K，Xu L J，et al. Estimation of crop growth parameters using UAV-based hyperspectral remote sensing data［J］. Sensors，2020，20（5）：1296.

［55］Yuan H H，Yang G J，Li C C，et al. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing：analysis of RF，ANN，and SVM regression models［J］. Remote Sensing，2017，9（4）：309.

［56］魏 青，張寶忠，魏 征，等. 基于無人機多光譜遙感的冬小麥冠層葉綠素含量估測研究［J］. 麥類作物學報，2020，40（3）：365-372.

［57］張智韜，譚丞軒，許崇豪，等. 基于無人機多光譜遙感的玉米根域土壤含水率研究［J］. 農(nóng)業(yè)機械學報，2019，50（7）：246-257.

［58］湯建棟. 基于無人機遙感的玉米水分利用效率與生物量估算方法［D］. 楊凌：西北農(nóng)林科技大學，2021.

［59］邵國敏，王亞杰，韓文霆，等. 基于無人機多光譜遙感的夏玉米葉面積指數(shù)估算方法［J］. 智慧農(nóng)業(yè)（中英文），2020，2（3）：118-128.

［60］Li S Y，Yuan F，Ata-UI-Karim S T，et al. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation［J］. Remote Sensing，2019，11（15）：1763.

［61］Zhang Y M，Ta N，Guo S，et al. Combining spectral and textural information from UAV RGB images for leaf area index monitoring in kiwifruit orchard［J］. Remote Sensing，2022，14（5）：1063.

［62］曹中盛，李艷大，黃俊寶，等. 基于無人機數(shù)碼影像的水稻葉面積指數(shù)監(jiān)測［J］. 中國水稻科學，2022，36（3）：308-317.

［63］Yao X，Wang N，Liu Y，et al. Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery［J］. Remote Sensing，2017，9（12）：1304.

［64］鄧 江，谷海斌，王 澤，等. 基于無人機遙感的棉花主要生育時期地上生物量估算及驗證［J］. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（5）：55-61，69.