無人機(jī)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(biāo)和生化參數(shù)等進(jìn)行實(shí)時(shí)或定期監(jiān)測，來評估和預(yù)測作物的生長情況和生產(chǎn)潛力，指導(dǎo)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(fèi)

一、引言

無人機(jī)農(nóng)業(yè)遙感技術(shù)是將無人機(jī)與遙感技術(shù)相結(jié)合，用于對農(nóng)田進(jìn)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)。其以無人機(jī)為平臺，搭載數(shù)碼相機(jī)、多光譜相機(jī)、高光譜相機(jī)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(zhǔn)農(nóng)業(yè)研究的重要發(fā)展方向之一。相比衛(wèi)星遙感和航空遙感，無人機(jī)遙感具有成本低廉、時(shí)效性強(qiáng)、不受大氣影響、高分辨率等特點(diǎn)，而且相較于傳統(tǒng)監(jiān)測方法，無人機(jī)遙感的效率更高，且不會(huì)造成破壞，為田塊尺度的遙感應(yīng)用研究提供了新的工具。

及時(shí)監(jiān)測和預(yù)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(jī)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(biāo)和生化參數(shù)等進(jìn)行實(shí)時(shí)或定期監(jiān)測，來評估和預(yù)測作物的生長情況和生產(chǎn)潛力，指導(dǎo)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(fèi)。

本研究從無人機(jī)遙感平臺、傳感器類型及特點(diǎn)、遙感圖像數(shù)據(jù)處理、作物生長監(jiān)測主要指標(biāo)等方面綜述了無人機(jī)遙感在農(nóng)業(yè)領(lǐng)域的應(yīng)用進(jìn)展，并對無人機(jī)遙感的發(fā)展趨勢進(jìn)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。

二、無人機(jī)遙感系統(tǒng)概述

無人機(jī)遙感系統(tǒng)組成如圖１所示，主要包括無人機(jī)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。無人機(jī)平臺通過搭載各種遙感設(shè)備實(shí)現(xiàn)數(shù)據(jù)的采集和傳輸；遙感設(shè)備包括光學(xué)相機(jī)、多光譜相機(jī)、激光雷達(dá)等，可實(shí)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(jìn)行處理和分析。

圖1無人機(jī)遙感系統(tǒng)

表1無人機(jī)平臺類型匯總

三、信息獲取與數(shù)據(jù)處理

無人機(jī)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(yīng)用價(jià)值。目前，無人機(jī)遙感監(jiān)測技術(shù)的應(yīng)用已經(jīng)逐漸普及，但是如何更高效地處理無人機(jī)遙感數(shù)據(jù)來實(shí)現(xiàn)農(nóng)業(yè)監(jiān)測仍然是熱點(diǎn)問題之一。

3.1 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(jī)遙感影像不同波段的反射率進(jìn)行線性或非線性組合得到的植被指數(shù)（ＶＩ）及其他指標(biāo)來提取植被特征，是作物長勢監(jiān)測研究的熱點(diǎn)之一。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。

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，如歸一化植被指數(shù)（ＮＤＶＩ）、差值植被指數(shù)（ＤＶＩ）、改進(jìn)型植被指數(shù)（ＥＶＩ）等。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。

3.2 長勢參數(shù)反演

隨著計(jì)算機(jī)技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的廣泛應(yīng)用，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)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(yīng)用較為廣泛的高光譜數(shù)據(jù)、激光雷達(dá)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(jìn)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(biāo)之間的模型構(gòu)建上，學(xué)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。

3.3 反演方法與精度評價(jià)

一些常見的反演方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、回歸模型等，具體見表2。模型構(gòu)建完成后，需要對模型精度進(jìn)行評價(jià)，大多數(shù)研究結(jié)合人工實(shí)測數(shù)據(jù)作為真實(shí)值，３個(gè)參數(shù)［決定系數(shù)（Ｒ２）、均方根誤差（ＲＭＳＥ）、相對誤差（ＲＥ）］評價(jià)分類識別精度。

據(jù)大量研究結(jié)果可知，通常模型精度會(huì)隨著參數(shù)個(gè)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(biāo)準(zhǔn)來判斷一種反演模型的優(yōu)劣。

表2基于無人機(jī)遙感的作物長勢參數(shù)重要反演方法

四、作物長勢監(jiān)測的重要參數(shù)

在適當(dāng)?shù)纳谶M(jìn)行長勢監(jiān)測，能夠及早發(fā)現(xiàn)作物生長中的問題，實(shí)施精準(zhǔn)農(nóng)業(yè)操作，從而提高作物產(chǎn)量和品質(zhì)。不同作物的葉綠素含量、氮素含量、細(xì)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(qiáng)的作物長勢監(jiān)測模型是應(yīng)用無人機(jī)遙感技術(shù)進(jìn)行精準(zhǔn)農(nóng)業(yè)的關(guān)鍵。

4.1 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(biāo)，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(xué)分析法，該方法耗時(shí)費(fèi)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(shí)驗(yàn)證數(shù)據(jù)。無人機(jī)遙感平臺具有快速、無損、高精度的特點(diǎn)，更適合大范圍監(jiān)測。但有研究表明，無人機(jī)的飛行高度對作物的預(yù)測和反演精度有較大影響。

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。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(shí)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(fù)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(luò)、深度學(xué)習(xí)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(zhǔn)確地解釋模型預(yù)測的變化。

4.2 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(jī)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(shí)現(xiàn)了水稻氮素水平的變化監(jiān)測。該研究中提出的飛行控制軌跡跟蹤方法將為無人機(jī)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(jī)搭載高光譜相機(jī)對冬小麥進(jìn)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(jī)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(shí)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(zhǔn)施肥和產(chǎn)量估算提供了理論依據(jù)。Ｔａｏ等利用搭載在無人機(jī)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(jìn)行精確估計(jì)，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(jì)。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(yù)測模型，采用偏最小二乘回歸和支持向量機(jī)回歸（ＳＶＲ）對玉米葉片氮含量進(jìn)行預(yù)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(yù)測效果更佳。該研究結(jié)果證實(shí)了基于特征融合的方法一定程度上有助于提高模型的預(yù)測性能，為無人機(jī)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(dǎo)。

4.3 含水量

利用無人機(jī)遙感進(jìn)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(jī)、多光譜相機(jī)。針對于農(nóng)作物冠層及葉片的復(fù)雜結(jié)構(gòu)，魏青等基于不同時(shí)期冬小麥的無人機(jī)多光譜遙感圖像，通過逐步回歸法和強(qiáng)迫進(jìn)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；以內(nèi)蒙古玉米田為研究區(qū)，多光譜相機(jī)為遙感平臺，張智韜等提出用機(jī)器學(xué)習(xí)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(jī)方法的模型精度在０．８５１以上。

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(jìn)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(jī)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(jī)遙感二者的優(yōu)勢實(shí)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。

4.4 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。

Ｚｈａｎｇ等基于小麥的光譜反射機(jī)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(jī)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。曹中盛等實(shí)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(shí)期測定水稻ＬＡＩ，同步獲取水稻無人機(jī)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(jìn)行檢驗(yàn)，結(jié)果表明，無人機(jī)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。邵國敏等基于無人機(jī)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(jī)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。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(jī)采集的數(shù)據(jù)檢測玉米的ＬＡＩ是可行的。

眾所周知，作物的ＬＡＩ具有高度的時(shí)空異質(zhì)性，在準(zhǔn)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(yīng)進(jìn)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(qiáng)ＬＡＩ遙感試驗(yàn)和數(shù)據(jù)積累，促進(jìn)ＬＡＩ業(yè)務(wù)研究和應(yīng)用。

4.5 生物量

生物量是最常見的作物參數(shù)，國內(nèi)外有眾多學(xué)者做了大量關(guān)于無人機(jī)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?。捶N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。也有研究采用無人機(jī)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(jī)遙感在玉米生物量反演方面的可行性，為無人機(jī)遙感監(jiān)測玉米生物量提供了參考。

五、結(jié)論

總之，無人機(jī)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(jī)搭載可見光相機(jī)，到近年來的利用多光譜乃至高光譜相機(jī)等傳感器獲取無人機(jī)遙感影像進(jìn)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(shí)際應(yīng)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(jī)理聯(lián)系不夠緊密，還應(yīng)加強(qiáng)對作物生長規(guī)律及模型普適性的相關(guān)研究。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇