农业无人机遥感技术研究进展

黄培峰， 朱立学， 陈家政

（仲恺农业工程学院 机电工程学院， 广东 广州 510225）

0 引言

我国是个农业大国， 但在农业现代化方面与世界上发达国家还有很大的差距。 现代农业领域需要能够快速地获取农田的作物信息，以此来进行农田作物长势监测，作物产量预估，作物病虫害监测等等。现有的卫星遥感技术获取的遥感图像像素较低， 难以应用于精准农业领域的农情监测。虽然地面遥感技术已广泛应用于获取农田的作物信息，但其监测范围小，需要的人力多，难以实现高通量的作物表型信息获取[1]。 无人机遥感技术能够高通量精准地获取农情信息，对农业的发展有重要的意义[2]。 本文总结了目前基于无人机遥感技术在农业领域应用的国内外相关研究，并提出了无人机遥感技术的应用前景。

1 无人机遥感技术组成与农业应用流程

无人机遥感技术主要由无人机平台、 遥感传感器技术、GPS 差分定位技术等部分组成[1]。无人机平台主要分为无人直升机、固定翼、多旋翼、混合翼4 种机型[3]。根据在农业上的实际应用场景和应用需求的不同，无人机平台搭载的遥感传感器类型也不同， 主要有普通RGB 相机、 多光谱相机、 高光谱相机等[4]。通过数据传输将获取的遥感图像数据做进一步的处理， 实现作物长势分析， 产量预估， 病虫害监测等农业上的应用。 根据在农业上的实际应用需求，无人机遥感技术的应用流程见图1。

图1 无人机遥感技术的应用流程Fig.1 Application process of UAV remote sensing technology

2 无人机遥感技术农业应用现状

2.1 基于无人机遥感的作物冠层信息获取

作物冠层的叶面积指数（LAI）和叶绿素含量（SPAD）等信息的获取能够为作物水肥监测、产量预估、病虫害监测等农业应用提供基础和依据。 国内外学者在运用无人机遥感来高通量地获取作物的冠层信息， 提高作物冠层相关信息的获取效率等研究上取得了一定的进展。 苏伟等使用无人机遥感获取不同分辨率下的不同植被指数与地面实测数据进行回归分析， 来确定玉米冠层LAI 和SPAD 值反演的最优空间分辨率和最优植被指数[5]。 田军仓等基于无人机多光谱遥感技术，筛选植被指数最优变量与实测番茄冠层不同位置的SPAD 值，采用支持向量机进行冠层SPAD 值的预测建模及验证， 可为番茄精准管理提供理论依据[6]。 Giuseppe Modic 等利用无人机多光谱遥感技术，基于归一化植被指数（NDVI）和归一化红边植被指数（NDRE）来对橄榄树和柑橘树冠层进行检测和提取，具有较高的精度[7]。邵国敏等基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI， 建立大田玉米冠层植被指数与LAI 之间的关系模型[8]。

2.2 基于无人机遥感的作物长势监测

使用无人机遥感技术可实时监测农作物的长势状况。 目前研究者利用作物的光谱叶面积指数LAI、冠层的SPAD 值等来构建相应的估测模型，来达到实现监测作物长势的目的。 颜安等利用无人机遥感影像生成的数字正射影像（DOM）、数字表面模型（DSM）和克里金插值法生成的离散地面高程值（DEM），来提取棉花花铃期株高（CHM）表型数据，可快速无损地监测棉花花铃期长势、叶色性状差异及分布状况[9]。郭涛等基于无人机遥感影像分别构建不同生育时期的小麦株高估测模型和光谱指数LAI 估测模型，借助一元线性回归、多元逐步回归和偏最小二乘回归分析方法， 筛选出小麦不同生育时期最优的株高和LAI 估测模型[10]。郑晓岚等基于高分辨率无人机多光谱遥感影像，利用光谱信息、空间位置及数学形态学信息，利用支持向量机回归方法构建具有较好稳健性的棉株估算模型，为苗期棉花株数进行快速估算和长势等级分类[11]。周敏姑等运用无人机遥感技术结合地面监测的方法，采集冬小麦各个时期的冠层光谱影像并提取反射率特征参数，建立SPAD 值的反演模型，可为无人机多光谱遥感监测作物长势提供技术依据[12]。

2.3 基于无人机遥感的作物产量预估

现代农业对农作物的产量及其变化估测有重要的实践意义。 在使用无人机获取农作物的光谱遥感图像进行估产方面， 已经有研究者利用适合相应作物的植被指数构建相应的估测模型来达到实现产量预估的目的。 韩文霆等利用自主研发的多旋翼无人机多光谱遥感平台，采用牛顿-梯形积分和最小二乘法，构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6 种线性模型，可以快速有效诊断和评估作物长势和产量[13]。 王来刚等基于八旋翼无人机多光谱遥感监测，利用NDVI、增强型植被指数（EVI）和绿色归一化植被指数（GNDVI）这3种植被指数构建叶面积指数监测模型， 可以快速有效评估玉米长势和产量[14]。 Eder Eujácio da Silva 等利用无人机和多光谱传感器，基于土壤调整植被指数（SAVI）和NDVI构建大豆籽粒产量预估模型，可对大豆籽粒产量进行预估[15]。

2.4 基于无人机遥感的作物水肥监测

在农业生产中， 农作物的水肥监测对实施精准灌溉施肥有重要的意义。魏鹏飞等基于无人机多光谱影像，筛选出对玉米叶片氮素含量（LNC）敏感的光谱变量，应用后向逐步回归方法确定不同生育期夏玉米LNC 估测的光谱变量，实现对夏玉米叶片氮含量的较高精度监测[16]。谭丞轩等基于无人机遥感平台对夏玉米进行多期遥感监测，并同步采集玉米根域不同深度土壤含水率（SWC），利用全子集筛选法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析，并分别采用岭回归（RR）和极限学习机（ELM） 2 种方法构建全子集筛选不同深度下的土壤含水率定量估算模型，可快速、准确地监测农田土壤墒情[17]。 冯珊珊等基于无人机采集农田的多光谱数据，利用垂直干旱指数（PDI），结合样点土壤水分数据快速构建农田土壤水分反演模型， 可以为大范围农田土壤水分的快速监测提供方法参考[18]。

2.5 基于无人机遥感的病虫害监测

农业病虫害会给农作物的生产造成巨大损失，对作物病虫害进行监测有重要的意义。邓小玲等通过使用无人机获取高光谱遥感图像， 基于特征波段使用逻辑回归和支持向量机算法，建立柑橘患病植株分类模型，可为柑橘种植园的病虫害监测提供一定的数据支撑和理论支撑[19]。 Chenghai Yang 等运用无人机搭载多光谱和高光谱传感器， 基于特征波段和全波段分别建立对应的棉田根腐病分类模型，可用于准确地检测和定位农田内的根腐病区域，用于评估棉田内的根腐病感染[20]。Ryo Sugiura 等使用无人机获取的RGB 图像开展了晚枯萎病的田间抗性试验研究， 能有效、客观地评估马铃薯晚疫病的感染程度[21]。Johanna Albetis 等利用无人机多光谱图像，基于相对绿色指数（RGI）和红绿指数（GRVI）两个植被指数，计算出健康和有症状的葡萄藤的光谱特征，可为葡萄的病害识别做依据[22]。

3 无人机遥感农业应用存在的主要问题

无人机平台在硬件方面得到了迅速的发展。 无人机遥感技术在农业中的应用也越来越广泛， 但仍存在一些急需解决的问题。

3.1 在农业应用实践中的问题

无人机遥感能够高通量地获取农作物的整体冠层信息，但在进行低空航拍作物的冠层信息时，会对作物的冠层产生振动，影响作物遥感图像的获取，需要通过研发轻量化的无人机来解决。无人机遥感在获取作物生长的中后期冠层信息时，由于叶片相互遮蔽严重，叶片间的噪声点较多，效果不理想，需要通过算法来去除噪点，以减少噪声点对冠层信息提取的影响[23]。目前国内外无人机遥感技术用于农业时， 所做的试验大多是在单一的试验田进行且只对单一的作物进行研究， 而不同作物生长形态和冠层结构存在较大的差别。试验构建的模型难以应用于其他作物，因此需要通过多种试验并改进模型来提升对其他作物的适用性。 相较于卫星遥感，基于无人机遥感的作物产量预估，长势监测，水肥监测等精度要求较高，但监测范围有局限性，需要研究将无人机遥感数据和卫星遥感数据相互融合的技术，以同时满足监测精度和监测范围的要求[14]。

3.2 无人机遥感设备存在的问题

无人机平台搭载的遥感传感器是实现无人机农业应用的重要部分。在目前无人机遥感的农业应用研究中，国内外的研究人员大多数使用的是搭载多光谱相机的无人机平台，而热红外成像仪等其他遥感传感器，因为成本高且难以搭载到无人机上的问题， 所以相关的研究应用并不多[4]。 无人机平台普遍存在续航时间短的问题，需要多次飞行才能实现大范围作业， 这阻碍着无人机遥感技术在农业应用中更进一步发展[4]。

4 结束语

当前， 国内外有关无人机遥感技术在农业中的应用研究，如作物长势监测，作物产量预估，作物水肥监测，作物病虫害监测等主要应用于北方大田作物。 尽管相关研究取得了显著成果， 但是受地形气候多变和作物种类繁多等因素的影响， 如何将无人机遥感技术应用于南方丘陵山地的农业生产还需要开展大量有针对性的研究。 可以根据无人机遥感技术机动性好，灵活性大，能够高通量获取农田农情信息等特点， 总结无人机遥感技术应用于小麦、玉米、棉花等大田作物的研究成果，采取相似或改进的方法开展研究， 未来可望将无人机遥感技术与南方特色作物种植模式和制度相结合， 将无人机遥感高通量获取作物表型信息等技术应用到南方多种果蔬提质增效生产中。 同时，随着无人机遥感技术的不断发展，未来无人机平台的续航水平将得到进一步提高， 更适合无人机搭载的遥感传感器设备也将不断出现， 相关技术的进步将使无人机遥感技术将更加适用于多种多样农业生产场景的应用。