无人机遥感技术在小麦生产中的应用综述

马燕莉

（三和数码测绘地理信息技术有限公司，甘肃 天水 741000）

小麦在我国粮食作物领域占据第二的位置，小麦的高产和稳产对于我国粮食安全有重要作用，科学有效的田间种植管控是确保小麦实现高产、稳产的主要前提。近年来，无人机遥感技术在小麦生产监测领域得到了大范围的应用，极大地提升了小麦在生产种植环节的精准化管控水平。因此，针对其在应用层面的状况展开研究和分析，不仅有助于及时监测生长异常的作物区域，强化对小麦作物种植区域的掌控力度，同时也能更好地预测、评估作物的产量及灾害可能造成的损失。

1 无人机遥感技术的应用优势

1.1 遥感监测范围大

近年来，我国农业生产作业领域对无人机遥感技术的应用要求持续提升，无人机遥感技术在监测环节的范围也在持续扩增，监测区域内部的范围可以包括大、小不同的区域，无人机遥感可以在不同的角度、飞行高度，在较大的空间和范围内实行大面积、多角度的监测工作，也可以在较低的高度针对多个角度实现范围较小的精准性监测，还可以由多架无人机共同完成同步监测、多次监测操作。

通过合理应用三维立体仿真模拟技术，将收集到的遥感数据信息完成三维立体化的模拟和分析，能从宏观的角度呈现出区域内部的监测状况、监测范围内的危害区域、危害严重程度、危害具体状况等内容，由此为农业部门后续治理工作的顺利开展提供科学有效的参考依据。

1.2 安全性能高

无人机遥感技术就应用角度来讲，主要是借助无人机操作平台在室外完成相应的作业，操作技术人员借助远程操控手段，可以及时有效地捕捉到相应的数据信息；同时针对当地的状况做出及时有效的应对，特别是对一部分危险程度相对较高的区域开展勘探工作期间，无人机遥感技术属于一种安全性能相对较高的监测措施，可以最大限度地保障户外检测人员在监测环节的生命安全，降低事故发生概率。

1.3 数据信息传输效率高

无人机遥感技术相比其他遥感技术，在获取和传输数据信息环节速率更高、更快，在小麦等农作物生产环节运用无人机遥感技术时，可以使用传感器、数码相机捕捉相应的数据信息，在将其集中整合之后传输到地面接收塔，由技术操作人员对信息完成捕捉和整合，最大限度地提升小麦等农作物在生长发育层面的进度。

2 无人机遥感技术在小麦作物生长环节的监测应用

2.1 监测小麦生物量

在生态系统中，生物量与生物产量息息相关，传统形式的生物量检测方式在应用层面存在时效性低、破坏性取样等缺陷。应用高光谱遥感技术具有数据体量大、连续性好、波段多、光谱分辨率高等优点，可以及时科学地监控作物群体生长的具体状况，在农业定量遥感的研究分析工作中得到了大范围的应用，是未来实现精准化农业管理和可持续发展的主要方式，也是监测地表植物状况的主要方式。在精准农业发展中，有一种概念叫做归一化植被指数。根据专业解释，归一化植被指数是反映农作物长势和营养信息的重要参数之一，也是改善作物健康状况的重要参考依据。谭昌伟等[1]通过实践研究证实，以归一化植被指数为基础，可以合理评估小麦开花期间的生物量数值。王大成等[2]以人工神经网络的方法，合理提升了小麦生物量在评估环节的数据精准性。陈鹏飞等[3]通过研究证实，红边三角植被指数是评估冠层生物量指数的最佳数值。付元元等[4]通过研究证实，波段深度分析和偏最小二乘回归结合，可以合理提升小麦生物量在估算期间的精准度。上述人员的实践研究，为小麦作物在不同生长发育周期的长势状态监测、评估诊断工作提供了科学有效的理论参考依据。

2.2 监测小麦氮素含量

应用无人机遥感技术可以实时连续地捕捉小麦作物的生长状态、营养状况信息，还可以有机融合数据信息的时间、空间角度，为作物养分调节、栽培调控等措施的制订提供有效的参考依据，最大限度地提升小麦作物氮素在监测环节的时效性。高光谱遥感技术拥有分辨率高、信息体量大等优点，可以有效优化传统氮素测量环节存在的室外分析不便、破坏性取样等缺陷，能够对小麦作物的生长营养水平、生长状态等信息完成实时、连续的无损监测。

冯伟等[5]针对在田间种植的种类不同的小麦，检测施氮水平不同的小麦叶片氮含量和叶片冠层高光谱数据信息，同时研究分析二者之间存在的关系，数据研究表示，以红边面积为基础，构建小麦叶片氮含量监测数据模型，能够提高预测环节的精准度。胡昊[6]发现利用红边参数能够合理监测小麦作物的氮素营养量。刘昌华等[7]借助无人机搭载多光谱相机设备，收集冬小麦在4个关键生长周期的影像数据信息，在不同生长发育周期，组建了氮素营养指数的反推演数据模型，数据结果证实，以小麦扬花期为基础所组建的模型，其数值精准度最高，R2为0.95。姚霞等[8]以比值光谱指数为基础，组建小麦氮素的监督检测数据模型，合理优化了模型在预测环节的稳定性、精准度。借助反推演模型的遥感监测技术，能够最大化地提升监测冬小麦叶片氮含量的数值精准性，有助于为冬小麦在不同生长发育周期对氮素的调控设置提供有效的数值参考依据。

2.3 监测小麦叶面积指数

叶面积指数和小麦作物的光能应用效率息息相关，是预测小麦作物产量、评估小麦作物生长状态的一项主要指标，叶面积指数数值不同，对于光的反射率数值也不同，所以可以在无人机上装载相机，针对面积相对较大的小麦作物开展叶面积指数的监测工作，按照相应的标准和需求，可以选择在无人机上装载红外相机、多光谱相机、高光谱相机、可见光相机等不同类型的相机。陈雪洋等以植被指数为基础，分别对叶面积指数构建线性、非线性的回归数据模型，科学合理地预测了小麦在不同生长周期的LAI数值，通过研究发现利用NDVI可以合理估算小麦的LAI数值，但是却存在相对较大的误差。傅银贞[9]科学应用IRS-P6的多光谱数据信息，组建了叶面积指数和TNDVI、RVI、RDVI、NDVI、MSAVI、EVI2、DVI等七种小麦作物植被指数的数据统计分析模型，获得了相对较好的效果，且决定系数R2超过了0.76。陶惠林等[10]使用无人机装载高光谱数码相机，针对冬小麦作物在三个生长发育周期的光谱数据信息完成测定操作，针对LAI、Hcsm、植被指数之间的相关性进行了分析和研究，筛选出了植被指数的最优数值，然后针对单个参数分别组建了LAI评估数据模型，有针对性地提升了LAI在数据估算环节的数据精准度。

2.4 监测小麦叶绿素含量

小麦植物叶片中的叶绿素含量与小麦植物光合作用能力息息相关，叶绿素含量是反馈小麦作物光合能力、氮素营养状况的主要评估指标。通常状况下，叶绿素含量用来评估小麦作物在逆境胁迫生长状态下受到伤害的具体程度，以及受伤之后的营养发育状况。因为胡萝卜素、叶绿素B、叶绿素A等元素对波长的光在吸收层面的强度不同，由此在遥感监测环节，植物冠层反射光谱所出现的各种变化波动，可以在某种程度上反馈出小麦作物中叶绿素的实际含量和组成。

当前，遥感监测叶绿素含量的工作，主要是借助光谱参数、植被参数与叶绿素含量之间的回归关系来完成。例如：靳彦华等[11]研究旱地环境、水浇地环境等不同状况下，春小麦叶片在整个生长发育周期内部，体内叶绿素含量的变化波动幅度，研究分析出了小麦叶绿素的相对含量数值，与不同叶片冠层的高光谱植被指数相互之间存在的数字关系，在旱地环境、水浇地环境两种生长状况下，针对春小麦叶绿素含量组建了数字化的评估数据模型。周敏姑等[12]借助无人机遥感监测的方式，捕获了小麦在拔节生长周期的多光谱影像数据信息之后，针对4个波段提取了小麦冠层叶片的光谱图像数据信息，然后从其中挑选了与小麦叶绿素的相对含量数值存在较大关系的7种植被指数数据信息，针对叶绿素的相对含量数值、小麦作物植被指数，构建了一元化的线性数字回归模型、多元化的线性数字回归模型，并对数字模型完成了验证、评估等操作。最终针对处在生长拔节期的小麦叶片，在叶绿素含量层面完成了预测和评估工作，借助无人机遥感监测的方式，对冬小麦叶绿素的含量实现合理的监控。就某种程度来讲，这能够反馈出田间小麦作物在生长期间的实际营养状态，在农业种植领域提高管理工作的高效性、精准性。

2.5 监测小麦产量

农作物产量是粮食维持供应需求平衡，以及农业管理规章制度编制的主要参考数据信息，对国家层面的粮食安全能起到直接的决定性作用。利用高光谱遥感技术可以在最短的时间内，在较大的区域范围内捕获最多的农作物数据信息，在农作物产量评估层面具备精准、快速、宏观、动态等优点。现阶段，随着遥感技术发展速度不断加快，大多数研究人员开始应用高光谱反射率，针对小麦作物的产量展开研究和分析，确立了小麦产量的评估敏感光谱波段和不同方式的作物植被指数信息，例如以高光谱遥感监测技术为基础，构建植被指数、规划差异性的作物植被指数，预测和评估作物的产量。

3 结语

综上所述，现阶段农业生产领域应用到的遥感模型，大多数是以统计分析为基础展开研究分析的，随着应用尺度、区域、气候等条件因素的变换，适用性可能会受到不同程度的影响，降低预测环节的数值精准度[13-14]。未来在研究操作环节，需要在不同的气候环境、土壤状况、生态区域内部，针对小麦生长发育模型、小麦产量品质的预测评估数字模型展开研究和分析，不仅有助于提高数字模型在应用期间的精准性，也能合理提高其在区域层面的适用性和实用性。