基于无人机平台的小麦产量信息监测研究

丁大伟 季敏 邓国强 丁峰 庞强

摘 要：無人机平台的发展为改变传统的作物生长环境数据采集方式和产量监测方式提供了契机。借助无人机平台，可以实现农作物生长环境数据的快速采集、即时传输和动态显示。相对于地面和高空遥感平台，无人机平台能在一定程度上弥补现有地面和高空遥感平台的不足，可以在作物生产领域等发挥巨大的作用。该文在传统遥感监测平台对作物长势监测和产量预测的基础上，分析了无人机低空遥感平台应用于中小型区域作物的监测和预测的应用进展，探讨无人机平台监测小麦长势和预测产量的可行性，提出了可行性的建议，以期促进我国精准农业的快速发展。

关键词：无人机;小麦;产量监测

中图分类号 S512.1 文献标识码 A 文章编号 1007-7731（2021）07-0125-06

Study on Monitoring Wheat Grain Yield Information Based on Uav Platform

DING Dawei1 et al.

（1Zhangjiagang Agricultural Experimental Station， Zhangjiagang 215616， China）

Abstract： The development of UAV platform provides an opportunity to change the traditional methods of crop growth environment data collection and yield monitoring. With the help of UAV platform， the crop growing environment data can be quickly collected， instantly transmitted and dynamically displayed. Compared with the ground and high-altitude remote sensing platform， UAV platform can make up for the shortcomings of the existing ground and high-altitude remote sensing platform to a certain extent， and play a huge role in the field of crop production. Based on the traditional remote sensing monitoring platform for crop growth monitoring and yield prediction， this paper applies the new UAV low altitude remote sensing platform to crop monitoring and prediction in small and medium-sized areas， discusses the feasibility of UAV platform for wheat growth monitoring and yield prediction， puts forward feasible suggestions， and promotes the rapid development of precision agriculture in China.

Key words： Unmanned aerial vehicle; Wheat; Yield monitor

1 前言

小麦作为世界三大主粮之一，在我国农耕文明进程中扮演着重要的角色。据国家粮食局统计，2017年我国小麦总产量为5481.2kg/hm2，比世界平均水平高55.2%。近年来，我国小麦总产量和消费量均居世界第一，是我国仅次于水稻的第二大粮食作物。在2019发布的中央一号文件《中共中央国务院关于坚持农业农村优先发展做好“三农”工作的若干意见》中，明确提出了“确保谷物基本自给，口粮绝对安全”的新粮食安全观。从中长期看，我国粮食产需仍将维持紧平衡态势，要绷紧国家粮食安全这根弦。但随着人口数量的增加以及可用耕地减少等问题的日益突出，粮食安全受到了越来越多的关注。小麦作为国家主要的粮食作物，其稳产增产在国家粮食安全中扮演着重要角色。

精准农业是指应用现代高新技术来管理农业生产各个方面的空间和时间变化，以提高作物的产量、品质和环境质量等。多年来，国内外众多学者在监测小麦产量这一问题上贡献了自己的力量，这也间接印证了检测小麦产量的重要性。目前，小麦产量预测方法主要有田间人工判断预测，电容量测产、遥感预测、气候和供求关系分析预测法、年景预测等[1]。相较于传统的小麦产量监测方法的种种弊端，无人机平台作为现代信息技术的前沿技术，在小麦产量监测方面得到了越来越广泛的应用。无人机遥感可以获取土壤养分、作物长势、病虫害监测等农业生产信息，通过数据解析，进行变量施肥、科学施药、预测病虫害、预测作物产量等[2，3]。通过无人机这一个平台，可以快速准确地获取大面积作物营养与生长状态等实时田间信息，为精确农业的实施提供重要的技术支撑，从而实现作物高产、高效、优质等生产目标[4]。

2 无人机平台的发展及其在农业上的应用

2.1 无人机发展现状 信息是决定现代和未来战争胜负的关键因素，谁能在信息领域夺取优势，谁就能掌握战争的主动权，要想在未来高技术条件下的信息化战争占有一席之地，只有通过最大限度地获取更多更准确的信息，才能在这场你信息化的战役有所决策决策，而无人机正是能够满足这一需求的其中一种有效手段。信息技术、电子技术、计算机技术等高新技术在航空领域得到了广泛应用，同时也满足了现代战争的需要，从这个角度来看，无人机的应用范围和性能都将得到不同程度的提高及不断的延展。无人机的发展至今已有80余年的历史，从最初的军事领域[5]，到如今日益普遍的应用于农业，可以说，将无人机技术及遥感技术引用到农业中加以利用，是现代农业生产领域里程上的再次飞跃[3]。之所以这样说，是因为无人机平台可以弥补传统监测设备的一些问题，如作业范围小和实时监测难等，另外还能解决卫星遥感成本高、受天气状况影响大等问题。将农田作物信息进行快速获取与解析，是开展精准农业实践的前提和基础。

2.2 无人机在农业上的主要应用

2.2.1 病虫害监测 作物病虫草害作为制约着农作物产量的主要因素，一直以来都是各类研究的主攻对象。中国作为农业大国，出现种类繁杂的病虫草害也在情理之中，据相关数据统计，我国主要农作物病虫害达1400多种[10]。传统的农作物病虫害监测以及防控主要依靠人工田间取样和调查，这不仅需要的时间长、消耗的体力大、效率比较低下，而且容易受人的主观性影响。近年来，随着无人机产业的快速发展，无人机农业遥感技术因其空间分辨率高、时效性强和成本低等优势，在农作物病虫草害监测的相关应用中发挥了非常重要的作用。通过对比试验可以发现，无人机有着很多优势，从病虫害防治来看，要比传统人工施药防治效果好;从效益来看，单位面积成本投入、单位面积产量都有明显提升[6，12]。

2.2.1.1 无人机高光谱遥感病虫害进展 高光谱遥感监测技术的优势主要体现在作物早期的防治工作中，效率高，能够及时发现、及时处理。由于患病虫害的作物与正常作物的反射光谱之间存在着差异，通过反射光谱的变化可以监测到病虫害的发生情况，叶片细胞结构氮元素、色素、水分等性质会发生变化正是产生差异的原因所在[7]。在利用无人机高光谱遥感监测病虫害方面，不少团队已开展了相关研究。针对小麦条锈病，黄文江团队经过试验证明了光化学植被指数（Photochemical Reflectance Index，PRI）在这方面的监测潜力[8]。同样对小麦条锈病进行了监测研究的还有兰玉彬团队的罗菊花等[9]，首先在地面实测中筛选出条锈病发生的敏感波段，再基于敏感波段范围的平均光谱反射率和由此计算的病情指数，建立多元线性回归模型。Jin等[11]利用高光谱遥感对于棉花黄萎病进行了研究，该研究采用小波变换提取主要信息并降维，通过比较分析得出SVM识别效果最好的结论，证明了无人机高光谱遥感在棉花黄萎病的监测可行性。Zhang等[15]采用无人机遥感高光谱图像，开展了翡翠灰蛀虫早期监测的研究，利用植被指数对叶绿素含量进行反演，为高光谱在病虫害预测及早期诊断的应用提供了可能性。

2.2.1.2 无人机多光谱遥感病虫害检测研究进展 多光谱成像的光谱分辨率在0.1数量级，即在可见光和近红外区域一般只有几个波段。无人机农业遥感领域常见的多光谱相机通常可以获取4个波段以上的光谱图像，可同时捕捉绿光、红光、红边和近红外4个波段图像，并且能够用RGB图像来真实反映植物的健康状况。也可以定制特定窄波段的多光谱相机，根据特定的遥感应用对不同的波段以及波段范围进行量身定做。在无人机多光谱遥感病虫害方面，国内外学者在多种农作物上进行了研究，也探索了低空遥感病虫害的可行性。乔红波等同时在地面和低空2个尺度获取了患有白粉病的冬小麦冠层的反射光谱数据，并建立病虫害严重程度与低空冠层光谱信息之间的相关关系，证明了使用低空无人机系统可以在大范围内对冬小麦病虫害进行快速无损检测[4]。早在2008年，Huang等就利用MS4100机载多光谱相机搭载了无人机多光谱成像系统，分析近红外、红、绿波段图像，计算出NR、NG、NDVI和NDNG指数，用于评估农业领域的生物量、作物健康、生物类型和虫害，为后来的研究指引了方向[16]。而在之后的诸多研究中，也论证说明了无人机多光谱遥感在虫害检测方面是具有可行性的。

2.2.1.3 无人机数码影像遥感病虫害进展 相较于其他类型影像，采用数码相机进行无人机低空遥感农作物的病虫害，其主要优势是成本低、容易操作，而相反的，在诊断的应用上具有一定的局限性，尤其是早期，并且现如今通用的数码相机分辨率普遍较低，难以捕获到作物田间生长的太多细节。近年来，国内外涌现了大量该领域的相关研究报道。例如，2012年Yue等[19]在白洋淀农业区开展了无人机数码影像的虫害监测研究，该研究在快速处理无人机图像上进行了探索，采用改進的尺度不变特征变换（SIFT）算法和面向对象的信息提取技术进行图像处理，研究对当地农作物病虫害防治取得了良好的效果。2016年，Sugiura等针对马铃薯晚疫病（Potato late blight）开展了田间抗性试验，在这个过程中使用无人机获取的RGB图像来较为有效、客观地评估该病害的感染程度[17]。2018年，针对水稻白穗病，王震等同样基于无人机遥感数码图像，提取Haar-like特征，再以Adaboost算法进行白穗识别，识别率高达93.62%。该方法是目前首个利用“无人机遥感+可见光”图像进行水稻白穗识别的研究报道，对于大面积稻田病虫害识别具有一定的参考作用[18]。

2.2.2 倒伏 倒伏不仅使作物的产量和品质降低，还会对收获造成困难。当小麦、水稻出现严重倒伏时，其产量甚至可以减产50%以上。倒伏在作物生育的中后期较易发生，稻、麦等谷类作物拔节后倒伏的时间越早，造成的损失就越大。

面对大面积作物的倒伏，若想通过传统的人工方法得到有效的监测显然非常耗时耗力，而且效果也不一定好。基于无人机平台监测系统的灾情严重程度可以进行实时监测，这些监测影响数据可以作为采取防治措施时的科学依据。董锦绘等以人工目视解译统计得到的倒伏面积作为判别依据，通过对比最小距离法、最大似然法、神经网络、支持向量机4种监督分类方法对单张无人机影像的分类效果，择优用于无人机拼接数码影像，成功估算了江苏里下河地区小麦倒伏情况。这些成功的研究案例表明，搭载数码相机的无人机遥感平台对农情监测是具有一定可行性的，这是精准农业深入开展的新契机[20]。李宗南等在2014年的试验研究，为应用无人机彩色遥感图像准确提取倒伏玉米面积提供了依据和方法。该研究基于小型无人机遥感试验获取的RGB彩色图像，研究灌浆期玉米倒伏的图像特征和面积提取方法[21]。类似的研究方法也运用在了小麦的倒伏研究中，2015年杨贵军等利用高清数码相机获取小麦倒伏正射影像，可看到小麦叶片和倒伏相关情况，根据所划分小区内小麦倒伏面积的大小，按照标准差分级方法从高到低依次分级为红、黄、绿、蓝4个等级，以表征小区内小麦倒伏的不同程度[22]。

2.2.3 叶面积指数 叶面积指数（LAI）是指单位土地面积上植物叶片总面积占土地面积的倍数，其数值大小与作物最终产量有着密切关系，是作物生长和发育过程中的常见的监测变量。作物长势监测是农情遥感监测和产量估算的核心部分，通常采用叶面积指数、生物量等生长指标来描述作物的长势状况。叶面积指数决定着作物的许多生物物理过程，如光合作用、呼吸作用和蒸腾作用，又或者是碳循环、降水截获等，能有效获得作物生长的动态信息，同时也是衡量作物群体是否合理的重要栽培生理参数。

农作物叶面积指数（LAI）遥感监测具有快速、无损的优点。高林等于2016年使用多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统进行试验研究，分别获取大豆结荚期和鼓粒期的遥感影像，用这些影像来估算作物的叶面积指数。研究结果表明，以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是具有可行性的，可作为指导精准农业研究的一种新方法[23]。王亚杰于2018年通过无人机多光谱遥感，对玉米叶面积指数监测进行了系统的研究。田明璐等于2018年以低空无人机作为遥感平台，使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。分别以原始全波段光谱反射率、连续投影算法（successive projections algorithm，SPA）提取的有效波段反射率以及各类F_VI和E_VI作为自变量，使用最小二乘和偏最小二乘（partial least squares，PLS）回归等方法构建LAI遥感估算模型，为农作物LAI遥感监测提供了新的技术手段[24]。张春兰等于2018年通过利用随机森林算法（Random Forest，RF），构建冬小麦叶面积指数模型，对冬小麦长势进行反演，实验结果表明模型精度较好并且具有较强的适应性，可适用于高光谱无人机进行高精度冬小麦叶面积指数的提取[25]。

2.2.4 生物量 生物量是指某时刻单位面积内的有机物质总量，是作物有机物含量监测的重要指标。叶片生物量是作物重要的生物物理参数之一，并且与叶面积指数关系密切，所以2个指标的监测方法通用性很强。如何高效、快速地获取作物的株高和生物量信息，对于农业生产有着十分重要的意义。Honkavaara等于2013年通过无人机遥感平台搭载FPI光谱相机采集小麦的光谱信息，通过计算归一化植被指数NDVI，成功反演了小麦的生物量。近年来，国内关于这一类型的试验研究日趋增多。张正健团队于2016年通过研究基于若尔盖高原典型样带的无人机可见光影像和地面实测样本，建立了生物量与多种可见光植被指数的指数回归模型，对比了不同植被指数模型的生物量估算精度的差异。该研究获取了高空间分辨率的草地地上生物量，相关成果可为若尔盖高原碳收支、卫星遥感产品真实性检验、生态模型、资源可持续利用等研究提供方法与数据支撑[26]。邓江团队利用棉花主要生育时期的无人机近红外影像数据，提取4种不同的植被指数，通过与棉花地上生物量的实测值建立拟合关系，分析了不同植被指数在棉花各生育时期的估算效果并对其进行了验证[27]。同年，陶惠林等基于无人机高清数码影像，选择逐步回归（stepwise regression，SWR）、偏最小二乘（partial least square，PLSR）、随机森林（random forest，RF）3种建模方法对多生育期估算模型进行对比，挑选出冬小麦生物量估算的最优模型[28]。

3 无人机在小麦产量及其构成监测上的应用

3.1 产量构成 小麦产量由穗数、穗粒数和千粒重3个因素构成，三者相互作用共同决定小麦的最终产量。研究表明，单一片面地强调某一因素都不能带来理想的产量，因此，在对小麦产量构成因素的监测中，三者都是必不可少的。现如今基于无人机平台对小麦的产量构成进行监测的研究多集中在穗数和穗粒数2个因素，而对粒重的监测研究较少，有待更多学者进行探究。

3.1.1 穗数 小麦穗数是产量构成的首要因素，这也是诸多学者检测小麦产量构成时首要考虑的因素。传统的穗数监测方法主要是人工计数测量，工作量相较过大，不仅需要的时间长、投入的劳动力大，而且还有可能存在主观因素的干扰，容易产生一定的误差。随着农业信息化程度的提高，图像处理技术已经在农业领域得到了比较广泛的应用。为了实现不同播种方式下单位面积小麦穗数的智能计算，国内外众多学者开展了多项试验研究。2014年，刘涛等得出图像处理算法的计数结果普遍低于人工计数的结论[30]。这是因为随着固定区域小麦穗数量的增加，该区域麦穗的粘连和遮盖情况就会增多，从而会影响计数的一个准确率，但是通过形态学俯视操作时会清除这些麦穗，所以通过利用图像技术对小麦穗数进行监测的效果会更加的准确。2015年，范梦扬等基于機器视觉技术，通过提取小麦麦穗的颜色与纹理特征，将麦穗轮廓与背景进行分离，并将麦穗轮廓细化，通过统计麦穗骨架数量与骨架交点数量得到麦穗数量，实现了小麦麦穗的快速计数[31]。试验结果表明，该方法具有较高的稳定性，精度也较高，平均达93%，计数速度也快，仅1.7s，完全可以满足小麦麦穗自动快速计数这一需求。2018年，李毅念等以田间麦穗倾斜的方式获取了群体图像，进而由边界和区域的特征参数判断出粘连的麦穗图像，利用基于凹点检测匹配连线的方法实现粘连麦穗的分割，最终识别出图像中的麦穗数量[35]。综上所述，基于无人机平台监测小麦穗数的试验研究在国内日趋增多，虽说这些研究的成果越来越成熟，但图像采集装置还应该继续改进完善，同时算法的识别精度仍然有待提高。

3.1.2 穗粒数和粒重 穗粒数和千粒重是除穗数之后决定小麦产量的两大因素，是品种产量潜力和栽培措施效果的基本数据，另外，增加穗粒数还能提高小麦的源库水平。传统的小麦穗粒数计算方法主要有称重计算法和传统图像处理，人工称重的计算冗余，测量时间长，在实践中需要投入较多时间和精力;而传统的图像处理算法无法适用不同背景和尺寸的图像。

在近些年的研究中，许多学者开始着力于解决传统图像处理算法的弊端，并为基于无人机平台监测小麦穗粒数开拓更多的可能性。2017年，王宁等提出了一种基于图像分形分割的麦穗粒数计算方法[33]。在该研究中，首先根据像元特征选定一个适当的阈值分割麦穗图像，然后得到麦穗角度矫正图，最后再根据矫正图像的列数据波形特征计算麦穗粒数。研究结果表明，和传统测量方法相比较，该方法中所使用的流程更加简洁，准确率更加高，计算速度更加快。随后，李毅念等在2018年的研究中发现了另一种优越的穗数监测方法[35]。该团队收集了小麦谷物籽粒图像数据集，手工进行目标籽粒矩形标注工作，利用TensorFlow框架构建了Faster R-CNN网络模型，使用迁移学习方法，训练了小麦谷物籽粒检测与计数的深度模型。将该模型与传统籽粒计数算法对比，籽粒计数的错误率小于5%，运行时间小于2s。并且该模型可以在多种背景、图像尺寸、籽粒大小、拍摄角度、拍摄高度和不同籽粒拥挤程度下应用，是一种有效的小麦籽粒检测与计数工具。这项研究也为其他谷物检测与计数应用提供了参考。

穗粒数的多少受小穗数、小花以及小花结实率决定的。小穗数是形成小花数的前提，较高的小穗数是提高穗粒数的基础。因此，监测小麦小穗数同样可以对小麦产量的估算起到一定作用。2016年，路文超团队就提出了一种基于图像处理技术的小穗数测量方法[32]，首先采用形态学处理算法去除麦芒得到麦穗主部图像，再采用将曲线穿过小穗区域并统计灰度差异的方法计算小穗数。针对试验结果，惊喜地发现这种算法不仅适用于较直立的麦穗，而且适用于弯曲的麦穗。和人眼计数测量小穗数的方法相比，该研究小穗数提取算法测量结果的平均绝对误差为1.6（≈2），相对误差为7.89%，能有效获取小穗数。

小麦千粒重的高低对产量的影响呈极显著正相关，提高千粒重是近代小麦高产育种重要的目标。目前，对于小麦千粒重的测定大多依旧采取传统方法，即小麦脱粒晒干后，随机取样，称重取平均值。其中，脱粒环节对麦穗样本进行了破坏，无法保留考种原材料，而利用无人机平台对粒重进行监测的研究目前还很少，不仅是小麦，其他作物在这个领域也是如此。周金辉等基于计算机视觉技术，建立了模型测量了玉米的粒重[36]。

3.2 产量 产量的准确预测是农业研究领域最受关注的问题之一，目前采用遥感技术对小麦产量进行预测的研究日趋增多。如何提高预测的精度是当前研究的重点，也是难点。早在2007年，李卫国等就利用30km分辨率的TM影像数据，综合考虑小麦产量形成的生理生态过程，建立了小麦估产模型，但是由于影像分辨率较低，其预测的精度并不是很高。2008年，Ren等采用MODIS数据用归一化植被指数NDVI对小麦产量进行预测，只是发现天气状况，对数据分析结果的影响比较大，所以获得的数据并不是很准确。在当时，作物长势监测，基于无人机遥感进行作物产量反演研究不多，且其可行性和准确性都有待进一步探讨。

综观国内外研究进展，近年来，将遥感技术应用到作物长产量预测上已经取得了不错的进展，相较于低空检测平台，基于地面和高空平台对作物产量的预测研究已经较为成熟。无人机平台的出现和相关应用，不仅弥补了低空监测平台的空白，而且成本低、数据获取效率高、测试高度和测试时间可按需调节，为中小型区域遥感监测的发展提供了新的技术支持手段。

2018年，李毅念等通过计算机图像预测小麦穗数、每个麦穗的籽粒数以及千粒重数据进而达到了对产量的预测[35]，平均精确度达到93.49%，实现了小麦田间单位面积内的产量信息自动测量。2019年，刘小辉以无人机平台获取的庐江县白湖农场多个小麦品种的可见光影像数据为研究对象，利用PLSR构建了小麦灌浆中期的产量反演模型[37]。同年，丁国辉等使用经济型低空无人机对不同关键生育时期中的一些共同的产量性状进行了规模化采集[38]。然后，基于无人机获取的可见光图像，通过第三方专业软件Pix4D完成了全试验田的拼接和三维点云重建，并通过自主开发的性状分析算法对一些重要产量性状和植被指数等完成了自动化分析。通过实例验证了基于经济型低空无人机开展小麦产量性状采集的有效方法和高通量分析技术。

4 问题与展望

4.1 存在问题 无人机作为遥感平台，在农业遥感监测上具有很大的应用潜力，基于无人机平台的遥感监测技术在农业领域应用越来越多，所用传感器的光谱分辨率在不断提高，获取的农作物光谱信息也越来越丰富和精确，从而为作物长势监测和产量预测研究提供了更加便利的条件和更加精确的数据。但无人机平台在作物长势监测和产量预测上目前还存在些许不足。尽管国内外研究者们对无人机遥感信息获取系统的控制技术已进行了大量改进，但系统的平稳性、抗震性、载荷能力、续航时间、多传感器融合技术、获取的图像质量等仍然是目前农用无人机遥感存在的主要問题。当前的研究多针对作物单一生育期，而对综合作物全生育期进行遥感监测和作物估产的研究较少。在产量监测领域对小麦千粒重的试验研究稀缺，有待更多学者发现。另外，当前的研究较多是基于近红光和红光波段下NDVI等常用植被指数进行，缺乏系统的进行敏感波段的筛选[4]。

4.2 应用前景 随着我国精准农业的发展，依靠无人机遥感技术进行农作物覆盖率变化的监测，已经成为一个具有重要意义的手段。常用的卫星光学遥感和人工地面采集数字影像2种数据采集方法都存在着一定问题，而低空无人机的出现则很好地弥补了卫星遥感的不足，又提高了人工地面采集数字影像的效率，减少了人工和时间的浪费，提高了植被覆盖率监测的准确性。目前，我国正积极研发结构简单、价格低廉、性能优、载荷大的农情监测和农药喷施的无人机，希望能够尽早将农民从药物伤害中拯救出来，使我国农业生产能够尽快实现信息化、现代化、精准化和可持续化，为我国粮食稳产增产做出贡献。可以预见，经过技术的不断创新与改进，无人机在作物养分监测、土壤水分监测、作物产量监测、田间作物空间变异研究以及其他农田信息采集等方面都将具有更加广泛的应用前景[3]。

参考文献

[1]Li Jiating，Veeranampalayam-Sivakumar Arun-Narenthiran，Bhatta Madhav，et al. Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery[J].Plant methods，2019，15.

[2]Maes Wouter H，Steppe Kathy. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture[J].Trends in plant science，2019，24（2）：152-164.

[3]李宁，付晓晨，于涵.无人机遥感在农业中的运用浅析[J].现代化农业，2015（09）：59-60.

[4]王妮.基于无人机平台的小麦长势监测与产量预测研究[D].南京：南京农业大学，2016.

[5]邹湘伏，何清华，贺继林.无人机发展现状及相关技术[J].飞航导弹，2006（10）：9-14.

[6]兰玉彬，邓小玲，曾国亮.无人机农业遥感在农作物病虫草害诊断应用研究进展[J].智慧农业，2019，1（02）：1-19.

[7]黄文江，刘林毅，董莹莹，等.基于遥感技术的作物病虫害监测研进展[J].农 业 工 程 技 术 ，2018，38（09）：39-45.

[8]Huang W，Lamb D W，Niu Z，et al.Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging [J].Precision Agriculture，2007，8（4-5）：187-197.

[9]罗菊花，黄文江.基于PHI影像敏感波段组合的冬小麦条锈病遥感监测研究[J].光谱学与光谱分析，2010，30（01）：184-187.

[10]张竞成，袁琳，王纪华，等.作物病虫害遥感监测研究进展[J].农业工程学报，2012，28（20）：1-11.

[11]Jin N，Huang W，Ren Y，et al.Hyperspectral identification of cotton verticillium disease severity [J].Optik-International Journal for Light and Electron Optics，2013，124（16）：2569-2573.

[12]孔蕊.植保無人机在小麦病虫害防治技术的应用[J].农机使用与维修，2019（12）：12-14.

[13]冷伟锋.遥感技术在我国植物病害监测中的应用[A]//中国植物保护学会.植保科技创新与病虫防控专业化——中国植物保护学会2011年学术年会论文集[C].2011：1.

[14]滕连泽，罗勇，张洪吉，等.无人机遥感在农业监测中的应用研究综述[J].科技资讯，2018，16（23）：122-124

[15]Zhang K，Hu B，Robinson J.Early detection of emerald ash borer infestation using multisourced data：a casestudy in the town of Oakville，Ontario，Canada [J].Applied Remote Sensing，2014，8（1）：083602.

[16]Huang Y，Lan Y，Hoffmann W C.Use of airborne multi-spectral imagery in pest management systems[J].Agricultural Engineering International：the CIGR Ejournal，2008，X（07）：10.

[17]Sugiura R，Tsuda S，Tamiya S，et al.Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle[J].Biosystems Engineering，2016，148：1-10.

[18]王震，褚桂坤，张宏建，等.基于无人机可见光图像Haar-like特征的水稻病害白穂识别[J].农业工程学报，2018，34（20）：73-82.

[19]Yue J，Lei T，Li C.The application of unmanned aerial vehicle remote sensing in quickly monitoring crop pests [J].Intelligent Automation & Soft Computing，2012，18（8）：1043-1052.

[20]董锦绘，杨小冬，高林，等.基于无人机遥感影像的冬小麦倒伏面积信息提取[J].黑龙江农业科学，2016（10）：147-152.

[21]李宗南，陈仲新，王利民，等.基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报，2014，30（19）：207-213.

[22]杨贵军，李长春，于海洋，等.农用无人机多传感器遥感辅助小麦育种信息获取[J].农业工程学报，2015，31（21）：184-190.

[23]高林，杨贵军，王宝山，等.基于无人机遥感影像的大豆叶面积指数反演研究[J].中国生态农业学报，2015，23（07）：868-876.

[24]田明璐，班松涛，常庆瑞，等.基于低空无人机成像光谱仪影像估算棉花叶面积指数[J].农业工程学报，2016，32（21）：102-108.

[25]张春兰，杨贵军，李贺丽，等.基于随机森林算法的冬小麦叶面积指数遥感反演研究[J].中国农业科学，2018，51（5）：855-867.

[26]张正健，李爱农，边金虎，等.基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J].遥感技术与应用，2016，31（01）：51-62.

[27]邓江，谷海斌，王泽，等.基于无人机遥感的棉花主要生育时期地上生物量估算及验证[J].干旱地区农业研究，2019，37（05）：55-61，69.

[28]陶惠林，徐良骥，冯海宽，等.基于无人机数码影像的冬小麦株高和生物量估算[J].农业工程学报，2019，35（19）：107-116.

[29]吕行军.基于图像处理技术的麦穗识别研究[D].保定：河北农业大学，2012.

[30]刘涛，孙成明，王力坚，等.基于图像处理技术的大田麦穗计数[J].农业机械学报，2014，45（02）：282-290.

[31]范梦扬，马钦，刘峻明，等.基于机器视觉的大田环境小麦麦穗计数方法[J].农业机械学报，2015，46（S1）：234-239.

[32]路文超，罗斌，潘大宇，等.基于图像處理的小麦穗长和小穗数同步测量[J].中国农机化学报，2016，37（06）：210-215.

[33]王宁，孔斌，王灿，等.基于图像分形分割的麦穗粒数计算方法[J].计算机系统应用，2017，26（10）：219-224.

[34]杜颖，蔡义承，谭昌伟，等.基于超像素分割的田间小麦穗数统计方法[J].中国农业科学，2019，52（01）：21-33.

[35]李毅念，杜世伟，姚敏，等.基于小麦群体图像的田间麦穗计数及产量预测方法[J].农业工程学报，2018，34（21）：185-194.

[36]周金辉，马钦，朱德海，等.基于计算机视觉的玉米穗粒重无损测量方法[J].农机化研究，2015，37（12）：222-226，231.

[37]刘小辉.基于无人机影像的小麦叶绿素含量及产量定量反演研究[D].合肥：安徽大学，2019.

[38]丁国辉，许昊，温明星，等.基于经济型低空无人机对小麦重要产量表型性状的多生育时期获取和自动化分析[J].农业大数据学报，2019，1（02）：19-31.

[39]Hassan Muhammad Adeel，Yang Mengjiao，Rasheed Awais，et al.A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform[J].Plant science：an international journal of experimental plant biology，2019，282：95-103.

[40]Maitiniyazi Maimaitijiang，Vasit Sagan，Paheding Sidike，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J].Remote Sensing of Environment，2020，237.

（责编：张宏民）