无人机在农业实践中的应用

摘" 要：无人机技术在农业生产实践中具有操作便捷、监测成本低、效率高和数据可靠等优势，已成为智慧农业管理的重要手段。该文利用搭载多光谱相机的无人机、图像处理软件，对巡田飞行参数设置、田垄高度测定，以及作物田间倒伏情况的监测进行探讨。结果表明，通过不同飞行高度的设定可以实现多目的监测要求，利用数字高程图可以实现对田垄高度等小尺度高差的精确测定，借助多光谱图像可以对田间作物倒伏面积进行估算。该文为无人机的农事管理实际应用提供参考与借鉴。

关键词：无人机；农事管理；数字高程模型；多光谱；飞行参数

中图分类号：S127" " " 文献标志码：A" " " " " 文章编号：2096-9902（2025）04-0030-06

Abstract： Unmanned aerial vehicle （UAV） technology has the advantages of convenient operation， low monitoring cost， high efficiency， and reliable data in agricultural production practice， and has become an important means of smart agricultural management. In this paper， unmanned aerial vehicles equipped with multi-spectral cameras and image processing software are used to discuss the setting of field patrol flight parameters， the measurement of field ridge height， and the monitoring of crop field lodging. The results show that multi-purpose monitoring requirements can be achieved through different flying altitude settings， digital elevation maps can be used to accurately measure small-scale height differences such as field ridge heights， and multi-spectral images can be used to estimate the lodging area of crops in the field. This paper provides a reference for the practical application of unmanned aerial vehicles in agricultural management.

Keywords： unmanned aerial vehicle （UAV）; farming management; digital elevation model; multi-spectral image; flight parameters

农业现代化的主要标志是其智能化，无人机技术是实现智慧农业的重要手段之一。无人机（unmanned aerial vehicle，UAV）是指通过无线遥控规划航线飞行的不载人飞行器[1]，在研发之初即备受瞩目，随着应用技术的日益成熟，因其难以替代的机动灵活、高效快速、精细准确、作业成本低、适用范围广和生产周期短等独特优势[2]，目前广泛用于农业、地质、气象和电力等行业。农业无人机是专为农业监控、应用而设计的无人机，用于农业监测的无人机配备了不同用途的传感器和成像设备，如高清摄像头、激光雷达、多光谱相机，使其能够收集有关作物生长、土壤状况等农业生产要素数据信息。而搭载播撒平台的农用无人机主要进行农作物播种、农药化肥喷洒等远程遥控操作，由于后者技术更易于掌握已成为田间农事常用技术。这种农用无人机的农事作业也需要首先对农田进行图像采集，然后基于采集信息做出判断，通过设置地块范围进行具体播种和喷洒活动。因此，无人机的遥感检测技术对于其农业应用至关重要，它不仅相较卫星遥感技术更具强实时性、高效率、高精度等优点[3]，也在实际应用中证明了数据采集处理的可靠性[4]，并展现了通过数据积累和技术改进在农业领域发挥更大作用的可能性[5]。

无人机用于农业监测主要依靠基于RGB相机、多光谱及高光谱相机采集的图像信息，并辅以专业图像处理软件进行分析，如利用地理识别软件ArcGIS（Geographic Information System），通过栅格数据矢量化使由像素或网格单元格组成的栅格数据转换为矢量数据[6]，使数据结构紧凑、冗余度低，利于无人机拍摄图像的存储、绘图及检索分析。已报道的以无人机辅助进行的农业监测主要包括田间旱情监测、农作物长势及病虫害监测、产量估算等。此外，在农户实际操作中，还可以利用无人机进行承包田块面积测量、地势测绘等农事活动。本文以极飞无人机为例，通过飞行参数选择，以及数字高程图、多光谱图像数据的采集分析，实现农事管理中无人机巡田、垄高沟深监测和作物倒伏情况统计的实际应用。

1" 材料与方法

本文所选用无人机为极飞M500，配备XCam 20M 多光谱云台相机，搭载1英寸2 000万像素RGB相机，以及4个光谱通道高感光CMOS传感器，分别为绿（B）550 nm、红（R）660 nm、红外（REG）735 nm和近红外（NIR）790 nm。通过云台相机可进行五通道成像像素级自动对齐，全自动光敏辐射校准，采集高清RGB可见光影像（分辨率5 120×3 840）及4个波段多光谱影像（分辨率1 280×720）。本文无人机数据采集地点为安徽省宣城市宣州区农田，中心坐标为东经118.60°，北纬30.80°。在云台相机采集图像的同时，利用无人机所配备的RTK（Real Time Kinematic，实时动态测量）装置，通过实时连接地面基站修正定位坐标[7]，实现对每张图片空间位置的精确记录。

无人机采集的图像数据使用Agisoft Metashape Professional和ArcGIS进行处理。无人机拍摄的原始图像数据首先以Agisoft Metashape Professional进行三维模型重建，得到全景图像。然后将处理后的图像数据导入ArcGIS软件，进行数字化属性数据的采集、空间数据格式转换、矢量数据空间校正等，通过进一步分析获得高程数据和实地面积等信息。

2" 结果与分析

2.1" 巡田飞行参数设定

利用无人机对田块进行巡查是一种高效、现代化的农业管理手段。在具体操作时，可以根据田块的大小、巡查目的调整无人机的飞行参数和搭载的传感器设备。飞行参数设置是确保飞行作业任务完成的关键[1]，航线的设置规划需基于地形地貌，考虑气象因素，并使飞行高度、重叠度等参数与无人机外业具体需求相匹配。如选用较低飞行高度以提供更详细的田间图像，适用于需要高分辨率图像的精细巡查；较高的飞行高度则可以覆盖更大面积，适用于快速巡查或对大面积田块整体状况进行评估。同时，无人机技术的发展也使超低空航拍成为可能[8]。因此，可依据实验结果调整设置飞行参数，获取不同分辨率图像数据，实现不同监测目的，或对同一田块进行多个尺度的分析。

以极飞无人机M500为例，航向重叠度为70%、旁向重叠度为70%，分别设置368.0 m（分辨率8.0 cm/像素）、227.0 m（分辨率5.0 cm/像素）、100.0 m（分辨率2.2 cm/像素）、67.5 m（分辨率1.5 cm/像素）、45.0 m（分辨率1.0 cm/像素）和31.5 m（分辨率0.7 cm/像素）共计6个飞行高度，采集不同分辨率图像信息，探讨实现田间小尺度目标物观察、较大面积田块巡查为目的的无人机飞行参数设定。

为实现对小尺度目标物的精细观察，以田间农资编织袋为目标物进行不同飞行高度图像采集，结果如图1所示。当飞行高度为368.0 m时，目标物难以识别（图1（a））；当飞行高度为227.0 m时，所摄取目标物图像仍较模糊（图1（b））。随着飞行高度降低，图像清晰度逐渐升高，在飞行高度为100.0 m时，目标物基本可识别（图1（c）），而当飞行高度为67.5、45.0、31.5 m时，均能够实现目标物的清晰识别（图1（d）—（f））。

当拍摄编织袋所在的较大面积周边地块时，如图2（1.74亩，1亩约等于667 m2）所示，无论在飞行高度为368.0、227.0和100.0 m（图2（a）—（c）），还是67.5、45.0、31.5 m时（图2（d）—（f）），田间小尺度目标物均难以辨识，且所拍摄较大田块的RGB图像的清晰度并未显示明显差异。

实验结果表明，在进行田间小尺度目标精细识别时，随着无人机飞行高度的降低，目标物的清晰度明显提高。但同时飞行高度的降低也会增加拍摄图片数量、存储空间，以及飞行航次和测绘时间。以上述6个飞行高度拍摄同一203亩田块时所需的数据量统计（表1），当飞行高度从368.0 m降低至31.5 m时，图像分辨率由8.0 cm/像素提高至0.7 cm/像素，但所需拍摄图片数量相应由28个（144 Mb）增至1 895个（9 759 Mb），无人机飞行航次由1次（15 min）增至42次（630 min）。因此，在选择飞行高度参数时，需权衡目的与效率。以极飞M500无人机为例，在目标田块初步勘察阶段，可采用最高飞行高度368.0 m（8.0 cm/像素）进行首次试飞，快速获取地块整体信息，迅速确定目标区域的地理坐标。在执行小面积（不超过20亩）农田作物精细监测时，建议飞行高度设置为45.0 m；20～200亩巡田时，可将飞行高度提高至100.0 m，而对于超过200亩的大面积巡查区域，需将飞行高度设定为227.0 m。

2.2" 利用数字高程图测定起垄高度

在无人机农田管理中，还可能需要对规模化种植田块的起垄高度、沟渠深度进行监测，这也是影响农作物栽培管理的重要因素。垄高和沟深实际上是小尺度的地势差异，可以利用无人机数字高程图的绘制功能进行测定。高程图即用以表示某一地块海拔高低的图像。无人机测量高程的原理是利用全球定位系统，在飞行过程中通过与基站、卫星等的连接获取飞行器所处的空间信息，由此可计算田块在高度上的细微差异。

本文选取同一耕作田块（5.21亩）为样地，利用无人机测量田块的起垄高度。首先通过无人机采集图像信息，然后利用ArcGIS软件绘制数字高程图。结果如图3所示，图3（a）—（f）分别为依据飞行高度368.0、227.0、100.0、67.5、45.0、31.5 m的拍摄图像所绘制的高程图。结果显示，无人机飞行高度对通过ArcGIS软件处理绘制的数字高程图清晰度有影响，随着飞行高度降低，高程图清晰度提高。

在高程图中分别选取垄上（高）、垄下（低）地势点，计算其地势差，即为垄高。图4为以不同飞行高度（368.0、100.0和31.5 m）示例的高程图数据。将6个飞行高度计算得到的垄高数值列于表2。结果表明，由飞行高度368.0 m（分辨率8.0 cm/像素）和227.0 m（分辨率5.0 cm/像素）获取的高程数据所测得的垄高（0.02 m）与实际垄高（平均0.30 m）差距较大，显然不满足精度要求。而在飞行高度降至100.0 m（分辨率2.2 cm/像素）时，由数字高程图计算得到的垄高为0.26 m。进一步降低飞行高度至67.5 m（分辨率1.5 cm/像素）、45.0 m（分辨率1.0 cm/像素）和31.5 m（分辨率0.7 cm/像素）时，测得垄高分别为0.28、0.30和0.29 m。

根据图4、表2结果可知：飞行高度为31.5 m和45.0 m时所测定垄高与田间实际值基本一致，飞行高度在67.5 m和100.0 m时，与田间实测值的误差也较小。因此，可以利用无人机巡查过程中可同时获取的高程数据，精确计算垄高沟深等小尺度地势差异。通过飞行测试，以极飞M500为例，兼顾测量精度与工作效率，可在100.0 m飞行高度进行厘米级地垄高度的精确测定。

2.3" 利用多光谱图像测定作物倒伏面积

田间作物由于暴风、骤雨等原因出现倒伏时，会影响其正常生长，尤其在水稻、小麦等粮食作物收获前期，由于谷穗造成的“头重脚轻”，更容易出现倒伏现象，而严重影响产量。因此，对田间作物倒伏情况的监测可及时准确统计受灾面积，评估不同农作物选育材料的抗倒伏性，为农业生产、育种等提供数据和技术支持[9]。而无人机技术为田间作物倒伏监测提供了快捷、准确的新途径，已有通过采集图像计算作物高度对倒伏程度进行估算的报道[10]，其原理与上述数字高程测绘相似。除了这种方法，本文以搭载多光谱云台相机的无人机，利用4个波段（550、660、735、790 nm）的农田作物多光谱信息，进行倒伏情况的精确监测。

首先利用Agisoft Metashape Professional软件的图像拼接功能绘制如图5（a）所示农田的RGB图像，并对栽种不同水稻材料的地块（PZ1、PZ2、PZ14、PZ15、PZ16、PZ17、PZ27、PZ28）进行标注。由于多光谱图像可以提供更精细的单一波段光谱信息，并可将栅格分组值绘制为各个类别，进行测绘面积计算，因此进一步利用单波段对该区域进行图像数据采集、绘制和栅格化分类，获得如图5（b）—（e）所示的550、660、730、790 nm光谱通道图像。

如图5所示，由于茎秆与稻穗颜色差异，当作物倒伏后形成采集图像中的浅色区域。通过比较图5（b）—（e）中4个光谱通道单波段图像，可以发现660 nm波长图像（图5（c））对水稻倒伏的辨识度最高。进一步将图5（c）导入ArcGIS软件进行栅格化分类，即可得到图6结果。如图6所示，黑色为未倒伏区域，白色为倒伏区域，灰色为倒伏附近区域（倒伏区域周边）。利用ArcGIS软件统计图5（a）中所标注8个地块的倒伏总面积约为8 382.99 m2，总体倒伏率为22.6%。其中，在地块PZ1、PZ2、PZ14、PZ16、PZ17、PZ27、PZ28种植的水稻育种材料为LLY211，倒伏率为20.8%。在PZ15地块种植的水稻材料为LY899，倒伏面积约为2 123.03 m2，倒伏率为30.0%。

3" 讨论

相较于农业数据的传统人工采集手段，无人机航拍技术以其高效率和低耗时的优势，在减少劳动力资源成本投入的同时，显著提升作业效率。此外，无人机所采集的数字化信息更便于连续追踪或分析复查，极大提高数据的可利用性、可信性。本实验采用极飞M500为示例，对无人机在农事管理中的实际应用进行了探讨。在农业中应用的无人机以极飞、大疆2个品牌最为常见，其中极飞公司成立于2007年，农业领域产品与服务已遍及63个国家和地区，所产无人机主要分为农用植保无人机和遥感无人机两大类[11]，遥感无人机有M500和M2000系列，均可实现全自主飞行、高精度图像自动采集等功能。本文虽以极飞M500遥感无人机进行应用示例，但对于不同型号无人机其应用原理一致，操作大同小异。我国农业无人机的发展现状，已可在技术、服务和售价等方面确保新农人、承包农户及合作社在实际应用中的可及性，显著提升农业生产者对多样化农事活动的管理效率。

在使用无人机搭载云台相机进行图像采集时，关注的主要参数为分辨率、航向重叠度和旁向重叠度。高于70%的重叠度可保证图像拼接的准确性，而无人机的飞行高度决定着图像的清晰度，即飞行高度越高，单张照片的拍摄范围越大，而清晰度越低。因此，在兼顾农事管理实际需要与外业效率，协调图像数量与清晰度条件下，设置适宜飞行高度参数至关重要。无人机采集的图像数据还同时包含高度和定位信息，利用所获取高程信息不仅可以绘制农田整体地势，利于作物种植种类和灌溉系统的规划，还可如本文所探讨的进行厘米级高度差异的垄高沟深的遥感测定，对规模化农业耕作中的具体执行情况进行监测。

多光谱技术始于20世纪中叶，基于能够同时在多个光谱波段工作的传感器进行应用，这些传感器可以捕捉地表物体在不同波长下的反射和辐射特性，以提供更全面的可分析数据。多光谱采集也同样可通过搭载无人机用于观察地表植物。根据植物的光谱特性，农业无人机所搭载多光谱相机通常包括绿色、蓝色、红色、红边和近红外波段，尤其适用于NDVI（Normalized Difference Vegetation Index）等植被指数的监测[12-13]。相较于全光谱RGB图像，单一波段光谱图像可以对作物的光学特性差异进行更具区分度的呈现，如在本文中倒伏水稻的4个单波段光谱图像中660 nm采集图像对倒伏的辨别度最高。由此，便于进一步通过图像栅格化分类准确计算倒伏面积。利用图像栅格化分类分割技术进行目标识别，也是无人机遥感技术的一个重要环节[14]，通过对采集地块图像的裁切、影像分类和矢量化，可以计算获得多种植被指数[13]。此前已有研究通过深度学习技术构建了小麦倒伏区域的分割模型，该模型在区分直立与倒伏小麦时精确度可达97.25%[15]。

目前，农业无人机已显现日益拓展的应用领域，对于植保无人机已有较系统的培训，但其功能主要限于种子、化肥播撒和农药喷施，尚缺乏基于测绘无人机、针对田间多样化农事需求的实地应用指南与软硬件技能培训。本文为无人机在农事管理活动中的具体应用细节提供了参考与启示。

4" 结论

本文探讨了无人机在农业实践（巡田、垄高测定、作物倒伏监测）中的实际应用。结果表明，通过调整飞行高度，可满足农田的多尺度巡田需求，即在进行小面积（如20～200亩）农田巡查时，以极飞M500无人机为例，建议飞行高度设置约100 m；对于超过200亩的大面积巡田，建议将飞行高度升至200 m；需要对其中特定目标物进行精细核查时，飞行高度设定为50 m。利用数字高程图，在100 m飞行高度可以实现厘米级地垄高度的精确测定；通过多光谱图像处理可对田间作物倒伏面积进行准确估算，评估作物选育材料的抗倒伏能力。

参考文献：

[1] 曾杰.无人机遥感技术在矿山测绘工程测量中的实践与应用[J].世界有色金属，2024（3）：154-156.

[2] 陈发煜，王颖，陈炜.浅析无人机在高标准农田建设测绘中的应用[J].中国农业综合开发，2023（2）：43-45.

[3] 梁盛开，林甄，谢金冶，等.无人机在精准农业中的应用现状分析[J].山西电子技术，2021（2）：56-58.

[4] 周清波.国内外农情遥感现状与发展趋势[J].中国农业资源与区划，2004（5）：12-17.

[5] 李冰，刘镕源，刘素红，等.基于低空无人机遥感的冬小麦覆盖度变化监测[J].农业工程学报，2012，28（13）：160-165.

[6] 黄思明，高群，高秋爽，等.ArcGIS中栅格数据矢量化在林草工作中的应用[J].林业勘查设计，2024，53（4）：83-86.

[7] 黄毓，顾呈剑，周就猫，等.内置RTK无人机航拍技术在土地整治项目测绘与辅助规划设计中的应用[J].湖南科技大学学报（自然科学版），2022，37（3）：87-94.

[8] HILL A， ROWAN Y， KERSEL M. Mapping with Aerial Photographs： Recording the Past， the Present， and the Invisible at Marj Rabba， Israel [J]. Near Eastern Archaeology， 2014，77：182-186.

[9] CHAUHAN S， DARVISHZADEH R， BOSCHETTI M， et al. Remote sensing-based crop lodging assessment： Current status and perspectives [J]. ISPRS Journal of Photogrammetry， 2019，151：124-140.

[10] MURAKAMI T， YUI M， AMAHA K. Canopy height measurement by photogrammetric analysis of aerial images： Application to buckwheat （Fagopyrum esculentum Moench） lodging evaluation [J]. Computers and Electronics in Agriculture， 2012，89：70-75.

[11] 孙成军.多旋翼极飞无人机植保情况分析[J].农业工程技术，2019，39（36）：85-88.

[12] HABOUDANE D， MILLER J R， PATTEY E， et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture [J]. Remote Sensing of Environment， 2004，90（3）：337-352.

[13] 王帝，孙榕，苏勇，等.基于无人机多光谱影像的水稻生物量估测[J].农业工程学报，2024，40（17）：161-170.

[14] 邓广.高空间分辨率遥感影像单株立木识别与树冠分割算法研究[D].北京：中国林业科学研究院，2009.

[15] 申华磊，苏歆琪，赵巧丽，等.基于深度学习的无人机遥感小麦倒伏面积提取方法[J].农业机械学报，2022，53（9）：252-260，341.