紀(jì)景純 趙 原 鄒曉娟 宣可凡 王偉鵬 劉建立? 李曉鵬

（1 中國科學(xué)院南京土壤研究所，南京 210008）（2 中國科學(xué)院大學(xué)，北京 100049）（3 山西大學(xué)環(huán)境與資源學(xué)院，太原 030006）

實(shí)施精準(zhǔn)農(nóng)作的前提是實(shí)時(shí)、準(zhǔn)確獲取農(nóng)田信息和作物生長(zhǎng)動(dòng)態(tài)［1-2］。無人機(jī)遙感（UAV-based remote sensing）是一種基于無人機(jī)載遙感傳感器，綜合應(yīng)用無人駕駛飛行、遙感、遙測(cè)遙控和空間定位等技術(shù)來獲取空間信息的技術(shù)方法［3］。在精準(zhǔn)農(nóng)業(yè)領(lǐng)域，無人機(jī)遙感可用于監(jiān)測(cè)作物生長(zhǎng)參數(shù)，如：植被覆蓋度、葉面積指數(shù)、株高以及這些參數(shù)與產(chǎn)量間的相關(guān)性；在輔助農(nóng)作物決策方面，無人機(jī)遙感可用于診斷作物營(yíng)養(yǎng)狀況和田間墑情信息，對(duì)于病蟲害的監(jiān)控也有較高的準(zhǔn)確性；此外，無人機(jī)遙感還可快速獲取農(nóng)田空間位置信息，劃分土地利用類型、定位農(nóng)田邊界和基礎(chǔ)設(shè)施、量算種植面積等的精度遠(yuǎn)高于傳統(tǒng)測(cè)量方法［4-5］。

與高空遙感相比，無人機(jī)遙感具有空間分辨率高、應(yīng)用成本低、時(shí)效性強(qiáng)、可重復(fù)使用等特點(diǎn)；與傳統(tǒng)的田間定位監(jiān)測(cè)相比，無人機(jī)遙感具有信息采集快捷、空間覆蓋率高等特點(diǎn)。尤其是其監(jiān)測(cè)范圍覆蓋了精準(zhǔn)農(nóng)業(yè)所關(guān)心的田塊尺度，且可方便地獲取不同階段的作物和土壤信息，在農(nóng)田信息監(jiān)測(cè)領(lǐng)域有著傳統(tǒng)點(diǎn)位監(jiān)測(cè)、航空和衛(wèi)星遙感無法比擬的優(yōu)勢(shì)［6］，得到越來越廣泛的研究和應(yīng)用。

1 無人機(jī)飛行平臺(tái)與遙感測(cè)量技術(shù)

無人機(jī)遙感以無人駕駛飛機(jī)為探測(cè)平臺(tái)，利用搭載的各種任務(wù)負(fù)荷（通常是成像光譜儀等非接觸式監(jiān)測(cè)設(shè)備）獲取有關(guān)農(nóng)田和作物的遙感數(shù)字信息，通過對(duì)數(shù)據(jù)的后期處理、挖掘和建模，來獲取農(nóng)作物長(zhǎng)勢(shì)、農(nóng)田環(huán)境等信息。

1.1 無人機(jī)飛行平臺(tái)

1.2 機(jī)載傳感器與測(cè)量技術(shù)

無人機(jī)遙感傳感器種類繁多，感知原理和獲取數(shù)據(jù)類型也各不相同。農(nóng)田信息監(jiān)測(cè)領(lǐng)域的傳感技術(shù)大體可分為成像光譜和空間構(gòu)型測(cè)量?jī)纱箢悺?/p>

成像光譜技術(shù)的原理是不同波段的光波作用于樣本會(huì)產(chǎn)生不同的光譜特征，由此可反映作物的生理生化指標(biāo)，多用于農(nóng)田作物覆蓋區(qū)的識(shí)別、葉片色素、養(yǎng)分含量等生物化學(xué)指標(biāo)的預(yù)測(cè)建模［13-15］。成像光譜的感光方式有棱鏡/光柵色散型、干涉型、濾光片型和計(jì)算機(jī)層析型等，感知光譜波段包括可見光、可見-近紅外（380～2 500 nm）和熱紅外波段（2.5～14 μm）。根據(jù)輸出波段數(shù)量與連續(xù)性不同，成像光譜又可分為高光譜和多光譜［13，16-18］。目前的研究中，普遍采用高清數(shù)碼相機(jī)獲取的農(nóng)田正射影像、多光譜相機(jī)獲取的多波段反射率、高光譜儀獲取的連續(xù)光譜反射率、熱紅外傳感器獲取的田間溫度信息。

空間構(gòu)型測(cè)量技術(shù)獲取的是高精度的農(nóng)田空間位置信息，常用于識(shí)別農(nóng)田表面的三維構(gòu)型及其特征，并以此來診斷作物株高、葉面積指數(shù)、地上部生物量等生物物理指標(biāo)［19-21］。根據(jù)測(cè)量方式和技術(shù)差異，又可分為基于激光直接測(cè)量的激光探測(cè)與測(cè)量（Light Detection and Ranging，LiDAR）和基于可見光攝影測(cè)量的基于運(yùn)動(dòng)的結(jié)構(gòu)（Structure from Motion，SfM）方法。機(jī)載LiDAR主動(dòng)發(fā)射脈沖，遇到作物或地表后反射回波，通過時(shí)間差計(jì)算距離，結(jié)合慣性系統(tǒng)（Inertial Navigation System，INS）確定的飛機(jī)姿態(tài)和全球定位系統(tǒng)（Globe Positioning System，GPS）得到飛機(jī)位置，解算農(nóng)田各處的三維空間坐標(biāo)［22］。SfM方法以農(nóng)田遙感影像為數(shù)據(jù)源，基于像對(duì)間的特征匹配，通過迭代光束平差過程( Iterative Bundle Adjustment Procedure) 求解相機(jī)方位及場(chǎng)景幾何形態(tài)，再通過引入地面控制點(diǎn)坐標(biāo) (Ground Control Point, GCP)進(jìn)行矩陣變換將農(nóng)田空間點(diǎn)云轉(zhuǎn)入現(xiàn)實(shí)世界坐標(biāo)系［23-24］。

2 無人機(jī)遙感數(shù)據(jù)處理與建模方法

成像光譜與空間構(gòu)型數(shù)據(jù)在處理流程、建模方法和結(jié)果應(yīng)用上均不相同，前者以提取特征信息建立參數(shù)反演模型為目的，后者則能夠建立測(cè)區(qū)三維空間結(jié)構(gòu)模型。成像光譜數(shù)據(jù)中的高光譜獲取的是不限波段范圍的窄間隔連續(xù)光譜數(shù)據(jù)，因此數(shù)據(jù)量大，波段提取和信息壓縮是高光譜數(shù)據(jù)處理的首要任務(wù)。熱紅外獲取的是2.5～14 μm波段的數(shù)據(jù)，包括連續(xù)和非連續(xù)的數(shù)據(jù)。由于該波段與溫度關(guān)系密切，數(shù)據(jù)處理也以提取溫度信息為主要目標(biāo)?？臻g構(gòu)型數(shù)據(jù)中，SfM方法基于可見光攝影測(cè)量，解算后的數(shù)據(jù)是帶有色彩信息的三維空間坐標(biāo)，基于激光直接測(cè)量的LiDAR技術(shù)獲取的則僅有空間位置信息。

2.1 成像光譜數(shù)據(jù)處理與建模

成像光譜技術(shù)中使用可見光成像和多光譜數(shù)據(jù)的通常直接選取特征波段或計(jì)算植被指數(shù)，將主成分提取后的光譜特征信息與作物的各項(xiàng)生理生化指標(biāo)建立反演模型。

高光譜因?yàn)椴ǘ蚊芗?，?shù)據(jù)量大，需要先選擇與農(nóng)田信息密切相關(guān)的特征波段。信息量、投影、相似度計(jì)算及小波分解法均可作為特征波段選擇的依據(jù)［25］?；谛畔⒘康牟ǘ芜x擇，可將高光譜影像灰度值（Digital Number，DN）的標(biāo)準(zhǔn)差，可以看作最簡(jiǎn)單的信息量度量［26］，信息熵，波段熵值高則信息量豐富；基于投影的選擇包括主成分分析法、獨(dú)立成分分析法等，以壓縮波段，降低維數(shù)為目的；相似度計(jì)算中波段的空間自相關(guān)程度高則包含的信息量大而相關(guān)程度高的波段間存在信息冗余；小波分解法目前已有很多小波基可供選擇（雙正交樣條、Harar、Daubechies、高斯、Symlet、Meyer、Colilet小波等），選擇某一小波基后，即可對(duì)一維或二維信號(hào)進(jìn)行離散或連續(xù)的小波變換［25］。

提取出特征波段后的高光譜數(shù)據(jù)處理過程與可見光成像和多光譜類似，可直接計(jì)算波段反射率，或計(jì)算各項(xiàng)植被指數(shù)后，采用一元回歸和多元回歸等方法建立其與作物生長(zhǎng)參量間的線性、對(duì)數(shù)、二次、冪函數(shù)等模型；也可根據(jù)如植被光學(xué)輻射傳輸?shù)饶Ｐ?，通過全局敏感性分析法（Sobol法、二叉樹遍歷法、GLUE法、FAST法）評(píng)價(jià)非線性模型中作物目標(biāo)生長(zhǎng)參數(shù)對(duì)于光譜信息的影響及相應(yīng)的敏感波段，通過查找表法、數(shù)值優(yōu)化法、人工神經(jīng)網(wǎng)絡(luò)法等方法反演作物生長(zhǎng)信息；或者基于機(jī)器學(xué)習(xí)（基于神經(jīng)網(wǎng)絡(luò)、高斯過程回歸、核嶺回歸、隨機(jī)森林等）對(duì)農(nóng)田信息反演建模［25］。

因此，為解決房屋拆遷測(cè)繪系統(tǒng)中存在的這些問題，本研究設(shè)計(jì)并開發(fā)了深圳拆遷報(bào)告系統(tǒng)V2.1。在進(jìn)行深圳房屋拆遷測(cè)繪系統(tǒng)設(shè)計(jì)的過程中，主要遵循了以下兩個(gè)原則，即遵循“準(zhǔn)確”“高效”“真實(shí)”原則，增加二維或者三維的圖形等內(nèi)容。本研究設(shè)計(jì)的房屋拆遷測(cè)繪技術(shù)，其不僅是對(duì)現(xiàn)有測(cè)繪技術(shù)的一種豐富，更提高了房屋拆遷的測(cè)繪效率。深圳拆遷報(bào)告系統(tǒng)V2.1，如圖1所示。

熱紅外波段反演地溫的方法主要有單窗算法、劈窗算法、多通道和多角度算法。單窗算法利用一個(gè)熱紅外波段反演地表溫度，劈窗算法利用相鄰兩個(gè)熱紅外波段，是目前最為成熟的反演算法。研究者對(duì)熱溫?cái)?shù)據(jù)分析處理通常使用相對(duì)熱溫指數(shù)，包括目標(biāo)器官或組織之間的熱溫差或熱溫比值，目標(biāo)區(qū)域監(jiān)測(cè)員手指之間的指溫差指數(shù)和指溫比指數(shù)增加不同熱像中熱溫?cái)?shù)據(jù)的可比性［27］。如林業(yè)中常用的邊心溫比就是伐樁橫截面的邊材與心材熱溫比值。由于紅外輻射的衍射效應(yīng)較可見光強(qiáng)，所以圖像對(duì)比度較弱，邊緣模糊，目標(biāo)區(qū)域分割邊緣提取是一項(xiàng)難點(diǎn)。目前圖像邊緣檢測(cè)一般利用圖像邊緣的一階和二階導(dǎo)數(shù)信息，例如：梯度法，模板算子法等，被廣泛使用的模板算子有Sobel算子、Prewitt算子和Laplacain算子等［28］。

2.2 空間構(gòu)型數(shù)據(jù)處理與建模

SfM方法首先要對(duì)原始圖像進(jìn)行無畸變處理，校正由相機(jī)鏡頭引起的失真，獲取無畸變圖像序列［29］，相對(duì)定向過程選擇匹配特征點(diǎn)多且居于飛行區(qū)域中央的兩張影像作為初始像對(duì)，通過特征匹配、前后方交會(huì)解算初始像對(duì)兩幅影像的相機(jī)參數(shù)及同名坐標(biāo)點(diǎn)初始值，再利用光束法平差優(yōu)化結(jié)果；添加新影像，利用已求得的三維點(diǎn)坐標(biāo)，及影像間的匹配特征點(diǎn)，空間后方交會(huì)估算新添加影像的相機(jī)參數(shù)、對(duì)應(yīng)特征點(diǎn)坐標(biāo)，再次平差優(yōu)化直到完成所有影像的添加；最終完成由農(nóng)田航拍影像到三維點(diǎn)云的構(gòu)建［30］。此過程生成的點(diǎn)云是離散的，利用點(diǎn)云內(nèi)插方法得到數(shù)字高程模型（Digital Elevation Model，DEM）后能覆蓋整個(gè)測(cè)區(qū)［31］。

LiDAR數(shù)據(jù)處理的首要工作是去除和平滑由于系統(tǒng)誤差、目標(biāo)物表面過亮或偶然因素導(dǎo)致的噪聲點(diǎn)。隨后，修復(fù)點(diǎn)云漏洞及缺失部分，在完整的點(diǎn)云基礎(chǔ)上完成農(nóng)田精細(xì)建模［32］。

3 無人機(jī)遙感在農(nóng)田信息監(jiān)測(cè)中的應(yīng)用

無人機(jī)可搭載的遙感傳感器多種多樣，可以獲取多維度、高精度的農(nóng)田信息，實(shí)現(xiàn)多類農(nóng)田信息的動(dòng)態(tài)監(jiān)測(cè)。這些信息主要包括作物空間分布信息（農(nóng)田定位、作物種類識(shí)別、面積估算及變化動(dòng)態(tài)監(jiān)測(cè)、田間基礎(chǔ)設(shè)施提?。⒆魑锷L(zhǎng)信息（作物表型參數(shù)、營(yíng)養(yǎng)指標(biāo)、產(chǎn)量），以及作物生長(zhǎng)脅迫因子（田間墑情、病蟲害）動(dòng)態(tài)等。

3.1 農(nóng)田空間信息

農(nóng)田空間位置信息包括田塊的地理坐標(biāo)及通過目視判別或機(jī)器識(shí)別得到的作物分類。通過地理坐標(biāo)識(shí)別出田塊邊界還可以實(shí)現(xiàn)種植面積的估算。傳統(tǒng)的方法通過以地形圖作為底圖進(jìn)行數(shù)字化開展區(qū)域規(guī)劃和面積測(cè)算，時(shí)效性差，邊界位置與實(shí)際情況差異巨大且缺乏直觀性，不利于精準(zhǔn)農(nóng)業(yè)的實(shí)施。無人機(jī)遙感可以實(shí)時(shí)獲取全面的農(nóng)田空間位置信息，具有傳統(tǒng)方法無可比擬的優(yōu)勢(shì)。高清數(shù)碼相機(jī)的航拍影像即可實(shí)現(xiàn)農(nóng)田基本空間信息的識(shí)別和判定，如白由路等［8］在上海將鳳農(nóng)場(chǎng)僅以數(shù)碼相機(jī)即實(shí)現(xiàn)了作物種類的識(shí)別和地塊面積的量算?？臻g構(gòu)型技術(shù)的發(fā)展提高了農(nóng)田位置信息研究的精度與深度，在引入高程信息的同時(shí)提升了空間分辨率，可實(shí)現(xiàn)更精細(xì)的農(nóng)田空間信息監(jiān)測(cè)。如張宏鳴等［33］將無人機(jī)DEM數(shù)據(jù)用于農(nóng)田灌溉渠系的提取，渠系提取的完整度達(dá)85.61%。

3.2 作物生長(zhǎng)信息

作物生長(zhǎng)狀況可以通過表型參數(shù)、營(yíng)養(yǎng)指標(biāo)以及產(chǎn)量等信息來表征。表型參數(shù)包括植被覆蓋度、葉面積指數(shù)、生物量、株高等。這些參數(shù)相互關(guān)聯(lián)、共同表征了作物的長(zhǎng)勢(shì)情況，與最終產(chǎn)量直接相關(guān)。在農(nóng)田信息監(jiān)測(cè)研究中占有主導(dǎo)地位，已經(jīng)開展的研究相對(duì)較多。

3.2.1 作物表型參數(shù) 葉面積指數(shù)（Leaf Area Index，LAI）是指單位地表面積上單面綠葉面積的總和［34］，可較好地表征作物對(duì)光能的吸收利用，與作物的物質(zhì)積累和最終產(chǎn)量關(guān)系密切。葉面積指數(shù)是目前無人機(jī)遙感監(jiān)測(cè)的主要作物生長(zhǎng)參數(shù)之一。以多光譜數(shù)據(jù)計(jì)算植被指數(shù)（比值植被指數(shù)、歸一化植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)、差值植被指數(shù)等）與地面實(shí)測(cè)數(shù)據(jù)建立回歸模型是反演表型參數(shù)較為成熟的方法。高林等［35］通過對(duì)多個(gè)生育期、多種植被指數(shù)和不同模型的比較，選擇鼓粒期（大豆主莖最上部4個(gè)具有充分生長(zhǎng)葉片著生的節(jié)中,任何一個(gè)節(jié)位上豆莢內(nèi)綠色種子充滿莢皮的時(shí)期）歸一化差分植被指數(shù)（Normalized Difference Vegetation Index，NDVI）的線性回歸模型反演大豆LAI，決定系數(shù)R2=0.829，均方根誤差RMSE=0.301，估測(cè)精度EA=85.4%。也有利用可見光圖像估測(cè)LAI的研究，如高林等［36］構(gòu)建了基于可見光大氣阻抗植被指數(shù)（Visible Atmospherically Resistant Index，VARI）原理的數(shù)字圖像特征參數(shù)（UAV-based VARIRGB）的指數(shù)模型，R2也達(dá)到0.71。高光譜的高分辨率優(yōu)勢(shì)為研究者提供了更豐富和連續(xù)的數(shù)據(jù)。隨著高光譜傳感器的推廣和高階數(shù)據(jù)處理方法的發(fā)展，應(yīng)用高光譜估算LAI的研究逐漸增多。已有研究證實(shí)，攜式地物光譜儀（Analytica Spectra Devices，ASD）獲取的地面高光譜比值植被指數(shù)（Ratio Vegetation Index，RVI）對(duì)數(shù)模型的LAI預(yù)測(cè)能力優(yōu)于無人機(jī)多光譜的NDVI線性模型［37］；Cubert UHD 185-Firefly (UHD185)是新型的無人機(jī)載高光譜傳感器，研究者通過對(duì)冬小麥孕穗、開花、灌漿期的 UHD185高光譜影像與冠層ASD反射率的比較發(fā)現(xiàn)，其在第3波段～第96波段（458～830nm）具有較好的光譜質(zhì)量。采用偏最小二乘回歸法（Partial Least Squares Regression，PLSR）與紅邊參數(shù)結(jié)合估算葉面積指數(shù)，獨(dú)立驗(yàn)證R2=0.757，R M S E=0.7 3 2；交叉驗(yàn)證R2=0.7 5 5，R M S E=0.762［38］。田明璐等［39］針對(duì)傳統(tǒng)固定波段植被指數(shù)存在的波段范圍問題，通過動(dòng)態(tài)搜索植被指數(shù)，將波段范圍內(nèi)的反射率極值定義為極值植被指數(shù)，提高了棉花LAI的估測(cè)精度（驗(yàn)證R2最大提高了0.11）。

作物生長(zhǎng)后期地上部生物量與產(chǎn)量和品質(zhì)的關(guān)系均很密切［40-41］。目前農(nóng)業(yè)上用無人機(jī)遙感進(jìn)行生物量估測(cè)仍多使用多光譜數(shù)據(jù)，提取光譜參數(shù)、計(jì)算植被指數(shù)進(jìn)行建模；空間構(gòu)型技術(shù)在生物量的估算方面有一定優(yōu)勢(shì)，如王東亮［42］以呼倫貝爾草地為研究對(duì)象，提出基于無人機(jī)LiDAR技術(shù)的草層高和蓋度提取方法，并用這兩項(xiàng)參數(shù)反演了地上生物量（R2=0.784，RMSE=108.9 g·m-2）。該研究還探討了無人機(jī)飛行高度對(duì)草層高度和蓋度提取結(jié)果的影響，并應(yīng)用鑲嵌算法提升了圖像拼接的效率和效果，對(duì)于農(nóng)田作物生物量的估算具有參考意義。Bendig等［43］利用SfM算法獲取作物表面模型（Crop Surface Models，CSM）提取作物冠層高度，結(jié)合3種可見光區(qū)植被指數(shù)來估算大麥生物量，發(fā)現(xiàn)該方法在抽穗前期可靠，但生長(zhǎng)后期預(yù)測(cè)效果不佳?？梢娚趯?duì)于建模參數(shù)的選擇有很大影響。陸國政等［44］在對(duì)大豆生物量的反演過程中，采取了分段建模的方式。在開花結(jié)莢期以NDVI705和優(yōu)化土壤調(diào)節(jié)植被指數(shù)（Optimization of Soil Adjusted Vegetation Index，OSAVI），紅邊位置輔以株高為自變量通過最小二乘法建立多元線性回歸模型，獨(dú)立驗(yàn)證R2=0.727， RMSE為0.145；交叉驗(yàn)證R2為0.714，RMSE為0.393；在生長(zhǎng)后期（即鼓粒成熟期），由于株高穩(wěn)定、對(duì)生物量影響小，不再作為建模參數(shù)，以4種高光譜植被指數(shù)建立的生物量回歸模型，獨(dú)立驗(yàn)證R2為0.698，RMSE為0.238；交叉驗(yàn)證R2為.697，RMSE為0.386。

3.2.2 作物營(yíng)養(yǎng)指標(biāo) 傳統(tǒng)的作物營(yíng)養(yǎng)狀態(tài)監(jiān)測(cè)需要通過田間取樣、室內(nèi)化學(xué)分析，以診斷營(yíng)養(yǎng)物質(zhì)或指標(biāo)（葉綠素、氮素等）的含量，而無人機(jī)遙感則依據(jù)不同物質(zhì)具有特異的光譜反射吸收特征進(jìn)行診斷。葉綠素的監(jiān)測(cè)依據(jù)是其在可見光波段有兩個(gè)強(qiáng)吸收區(qū)，即640～663 nm的紅光部分和430～460 nm的藍(lán)紫光部分，而在550 nm處吸收很弱［45］。作物缺素時(shí)，葉片顏色、紋理特征均會(huì)變化，發(fā)掘不同缺素情況對(duì)應(yīng)的顏色和紋理的統(tǒng)計(jì)特征及相關(guān)特性是營(yíng)養(yǎng)監(jiān)測(cè)的關(guān)鍵［46］。與生長(zhǎng)參數(shù)監(jiān)測(cè)類似，特征波段、植被指數(shù)和預(yù)測(cè)模型的選擇依舊是研究的主要內(nèi)容。肖宇釗［47］對(duì)多光譜植被指數(shù)、紋理特征建立不同葉綠素的相對(duì)含量值(Soil and Plant Analyzer Development，SPAD)預(yù)測(cè)模型，比較得出紋理特征易受成像質(zhì)量影響，穩(wěn)定性差于優(yōu)選植被指數(shù)；該研究還發(fā)現(xiàn)延后采集時(shí)間、增加采集高度、降低飛行速度均能提高模型預(yù)測(cè)精度。在高值經(jīng)濟(jì)作物研究中，Arai等［48］利用無人機(jī)近紅外影像監(jiān)測(cè)茶樹葉片氮含量，優(yōu)化茶葉采摘時(shí)間，在保持茶葉口感的同時(shí)提高收獲量，顯著提高了經(jīng)濟(jì)效益。植被輻射傳輸機(jī)理模型可描述光在作物葉片和冠層吸收、反射的物理過程，模型以作物生理信息為輸入?yún)?shù)，輸出模擬的冠層光譜信息。通過查找表法、數(shù)值優(yōu)化法、人工神經(jīng)網(wǎng)絡(luò)等方法可以反演作物的生長(zhǎng)信息。高精度植被輻射傳輸機(jī)理模型被越來越多的研究者所使用［25］。

3.2.3 作物產(chǎn)量 提高農(nóng)作物產(chǎn)量是農(nóng)業(yè)活動(dòng)的主要目標(biāo)，準(zhǔn)確估測(cè)產(chǎn)量對(duì)農(nóng)業(yè)生產(chǎn)和管理決策部門均有重要意義。眾多研究者通過多因素分析試圖建立更高預(yù)測(cè)精度的估產(chǎn)模型。如許童羽等［49］從監(jiān)測(cè)時(shí)間頻率入手，利用二元定距變量方法對(duì)單天、各旬、各月冠層NDVI與產(chǎn)量進(jìn)行相關(guān)性分析；相關(guān)性最優(yōu)的五個(gè)時(shí)間范圍內(nèi)的數(shù)據(jù)，用線性回歸、二次、三次曲線分別與產(chǎn)量建模，比較獨(dú)立建模與組合建模的結(jié)果，得到了預(yù)測(cè)最優(yōu)水稻產(chǎn)量的模型是6月中旬和8月上旬的組合模型，其R2=0.771，相對(duì)誤差為4.06%， RMSE為0.474 t·hm-2，對(duì)應(yīng)的北方粳稻生育期為分蘗盛期和抽穗期。趙曉慶等［14］的研究則著眼于監(jiān)測(cè)的采樣范圍，基于不同空間尺度提取的高光譜數(shù)據(jù)，采用偏最小二乘回歸構(gòu)建植被指數(shù)與產(chǎn)量模型，通過模型方程估算精度的曲線變化趨勢(shì)，分析最優(yōu)空間尺度面積及采樣小區(qū)的長(zhǎng)寬比，最終確定采樣空間長(zhǎng)寬與種植小區(qū)長(zhǎng)寬比例介于4.25∶5和4.5∶5時(shí)，估算模型最為準(zhǔn)確（r=0.8117）。

3.3 作物生長(zhǎng)脅迫因子

3.3.1 農(nóng)田墑情 農(nóng)田墑情常通過熱紅外法進(jìn)行監(jiān)測(cè)。植被高度覆蓋區(qū)，因葉片氣孔的關(guān)閉可降低因蒸騰造成的水分損失，使地表潛熱通量降低，地表感熱通量增加，進(jìn)而引起冠層溫度升高，地表溫度可認(rèn)為是植物冠層溫度。由于反映作物能量平衡的水分脅迫指數(shù)可量化作物含水量與冠層溫度的關(guān)系，因此通過熱紅外傳感器獲取的冠層溫度即可反映農(nóng)田水分狀況；裸土或植被覆蓋度小的地區(qū)，可以用下墊面溫度間接反演土壤水分，其原理是：水的比熱大，受熱溫度變化慢，因此白天下墊面溫度的空間分布可間接反映土壤水分的分布。在對(duì)冠層溫度的監(jiān)測(cè)中，裸露的土壤是重要的干擾因素。有研究者對(duì)裸土溫度與作物地表覆蓋度的關(guān)系進(jìn)行了研究，明確了由裸土導(dǎo)致的冠層溫度測(cè)量值與真值間的差距，將修正結(jié)果用于農(nóng)田水分的監(jiān)測(cè)，提高了監(jiān)測(cè)結(jié)果的精度。在實(shí)際農(nóng)田生產(chǎn)管理中，田間水分滲漏情況也是被關(guān)注的重點(diǎn)，已有研究利用紅外成像儀監(jiān)測(cè)灌溉渠道水分滲漏，精度可達(dá)93%［50-52］。

3.3.2 病蟲害 利用近紅外光譜反射率監(jiān)測(cè)植物病蟲害，其依據(jù)是：葉片在近紅外區(qū)的反射受海綿組織和柵欄組織控制，健康植物這兩種組織間隙充滿水分而膨脹，是各種輻射良好的反射體；當(dāng)植物受害，葉片遭到破壞，組織萎蔫，水分隨之減少，紅外反射減少直到喪失。

熱紅外監(jiān)測(cè)的溫度也是反映作物病蟲害的重要指標(biāo)。植株在健康條件下，主要通過控制葉片氣孔開閉進(jìn)行蒸騰作用的調(diào)節(jié)，維持自身溫度的穩(wěn)定；在遭受病害后，會(huì)發(fā)生病理變化，病原物-寄主互作中病原物對(duì)植物的影響，特別是對(duì)蒸騰有關(guān)方面的影響會(huì)決定侵染部分溫度的升降。一般而言，植物受感會(huì)導(dǎo)致氣孔的開張調(diào)節(jié)失調(diào)，因而病變區(qū)域的蒸騰作用高于健康區(qū)域，旺盛的蒸騰作用會(huì)導(dǎo)致感染區(qū)域溫度的下降，葉面溫差較正常葉片高，直到葉片表面出現(xiàn)壞死斑點(diǎn)。壞死部位的細(xì)胞完全死亡，該部分的蒸騰作用完全喪失，溫度開始升高，但是由于葉片其他部分開始感染，所以葉面溫差始終高于健康植株［53-54］。

美國農(nóng)業(yè)部使用機(jī)載MS4100多光譜相機(jī)獲取棉花影像，采用多元線性回歸和統(tǒng)計(jì)學(xué)方法分析、處理生成處方圖，暗紫色和藍(lán)色區(qū)域棉花長(zhǎng)勢(shì)良好，粉紅色和紅色區(qū)域棉花生病或者死亡，監(jiān)測(cè)結(jié)果直觀，可以快速投入應(yīng)用輔助農(nóng)藝管理，如根據(jù)棉田病害處方圖進(jìn)行噴藥管理［55］。

3.4 其他信息

在農(nóng)田信息監(jiān)測(cè)領(lǐng)域，無人機(jī)遙感數(shù)據(jù)還有更廣泛的應(yīng)用。如：利用多項(xiàng)紋理特征提取玉米倒伏面積［56］；利用NDVI指數(shù)反映棉花成熟期葉片老熟程度，生成的脫落酸施用處方圖可有效指導(dǎo)棉花脫落酸的噴施，避免農(nóng)藥過度施用等［57］。根據(jù)農(nóng)田監(jiān)測(cè)與管理的需求，不斷挖掘無人機(jī)遙感數(shù)據(jù)信息、拓展其應(yīng)用領(lǐng)域，是未來信息化、數(shù)字化農(nóng)業(yè)發(fā)展的必然趨勢(shì)。

4 存在問題與發(fā)展方向

目前利用無人機(jī)監(jiān)測(cè)農(nóng)田信息還處于起步階段，不僅在飛行平臺(tái)的研發(fā)、應(yīng)用和管理方面存在不少問題，而且在遙測(cè)數(shù)據(jù)的挖掘、處理、和綜合應(yīng)用方面也具有極大的提升空間。首先，無人機(jī)的一次性投入成本較高，飛行穩(wěn)定性受氣象條件、操控人員能力、甚至飛行政策等因素的制約，真正投入生產(chǎn)實(shí)踐的案例還比較少；針對(duì)大田作物生長(zhǎng)的階段性特點(diǎn)，現(xiàn)有的研究對(duì)于周期性的農(nóng)田信息獲取仍急需完善；多載荷無人機(jī)雖然已經(jīng)投入使用，但獲取的數(shù)據(jù)尚未充分實(shí)現(xiàn)多源數(shù)據(jù)的綜合應(yīng)用；由于獲取遙感數(shù)據(jù)缺少快速的處理方法和管理技術(shù)指導(dǎo)平臺(tái)，高精度、高階數(shù)據(jù)的有效信息未能完全發(fā)掘。

4.1 簡(jiǎn)單易用、低成本的無人機(jī)遙感平臺(tái)

穩(wěn)定的無人機(jī)平臺(tái)與協(xié)調(diào)的傳感器配置對(duì)于提高農(nóng)田信息監(jiān)測(cè)水平意義重大，但是目前無人機(jī)存在成本過高、穩(wěn)定性較差、受大風(fēng)、陰雨等惡劣天氣的限制等問題；遙感平臺(tái)的操作復(fù)雜，且過度依賴于人工設(shè)置，制約了無人機(jī)遙感在農(nóng)田監(jiān)測(cè)管理中的廣泛應(yīng)用。目前的研究表明，無人機(jī)穩(wěn)定性受到陣風(fēng)的影響最大，在飛行控制中也均考慮了風(fēng)場(chǎng)擾動(dòng)?；Ｗ兘Y(jié)構(gòu)控制和基于自抗干擾的飛行控制均取得了一定進(jìn)展。商用無人機(jī)也通過改進(jìn)自穩(wěn)系統(tǒng)和航線規(guī)劃算法簡(jiǎn)化了無人機(jī)的操作［58-59］。目前，我國對(duì)于7 kg以下、飛行半徑500 m范圍內(nèi)、高度120 m以下的無人機(jī)未作明確規(guī)定，但飛行器的飛行空域依然要接受相關(guān)部門的監(jiān)管。隨著無人機(jī)的普及，相關(guān)政策也有待明確。

4.2 作物生長(zhǎng)情況的周期性動(dòng)態(tài)監(jiān)測(cè)

對(duì)于農(nóng)田信息監(jiān)測(cè)缺少周期性和連續(xù)性，是當(dāng)前研究存在的普遍問題。由于作物生長(zhǎng)情況處于動(dòng)態(tài)變化中，每一生長(zhǎng)階段的生長(zhǎng)參數(shù)與遙感信息間的關(guān)系均不相同，單一或少數(shù)幾個(gè)生育期的作物生長(zhǎng)模型不具有普適性和代表性。例如，由于不同生育期的適用模型不同，有大豆的鮮生物量的研究只能采取分段建模的方式［44］。而且，對(duì)于同一生長(zhǎng)參數(shù)，不同時(shí)期監(jiān)測(cè)的準(zhǔn)確性也存在較大差異，因此對(duì)于作物生長(zhǎng)狀態(tài)的連續(xù)監(jiān)測(cè)，探尋同一生長(zhǎng)參數(shù)不同生育期的變化趨勢(shì)并構(gòu)建適用于多生育期的普適模型十分必要［38］。

4.3 多源數(shù)據(jù)的綜合應(yīng)用

單一來源的遙感數(shù)據(jù)難以全面反應(yīng)農(nóng)田信息。隨著傳感器的輕型化和無人機(jī)載重及續(xù)航時(shí)間的增加，已經(jīng)實(shí)現(xiàn)多源數(shù)據(jù)同步監(jiān)測(cè)農(nóng)田信息。如何將不同遙感信息綜合使用，提高監(jiān)測(cè)精度，拓展監(jiān)測(cè)范圍是需要進(jìn)一步思考的內(nèi)容。目前，已有以激光雷達(dá)為核心, 集成高分辨率相機(jī)、熱成像儀、高光譜成像儀等傳感器的Crop3D平臺(tái)，實(shí)現(xiàn)株高、株幅、葉長(zhǎng)、葉寬、葉傾角及葉面積等作物各生長(zhǎng)時(shí)期多源表型數(shù)據(jù)的提取，實(shí)現(xiàn)高通量作物表型的測(cè)量，為基因組學(xué)和生物學(xué)分析提供數(shù)據(jù)支持［32］。也有將高清數(shù)碼影像與高光譜數(shù)據(jù)結(jié)合，提取株高和光譜參數(shù)，綜合應(yīng)用于生物量估算的案例［35］。但多源數(shù)據(jù)綜合應(yīng)用的方法和范圍還很局限，如何實(shí)現(xiàn)空間構(gòu)型數(shù)據(jù)與成像光譜數(shù)據(jù)的融合；無人機(jī)遙感數(shù)據(jù)與地面、衛(wèi)星遙感數(shù)據(jù)的融合，仍是需要深入研究的問題。

4.4 高精度高階數(shù)據(jù)實(shí)時(shí)處理與管理指導(dǎo)技術(shù)

相比于整個(gè)田塊，農(nóng)田中植被覆蓋區(qū)的遙感信息與作物狀態(tài)的相關(guān)性更高?；谥脖恢笖?shù)的遙感處理方法，并未充分利用無人機(jī)遙感超高的空間分辨率。因此，利用高空間分辨率的優(yōu)點(diǎn)，在田塊內(nèi)精細(xì)區(qū)分作物、壟間裸土，獲取單純植物覆蓋區(qū)的遙感信息，對(duì)于提升作物模型的預(yù)測(cè)水平有實(shí)際意義。目前，雖然基于可見光或光譜數(shù)據(jù)即可實(shí)現(xiàn)物體識(shí)別與分類，但由于其受陰影等影響，實(shí)際應(yīng)用中存在不少問題。特別是作物生長(zhǎng)前期由于地表覆蓋度低，遙感數(shù)據(jù)易受土壤介質(zhì)的影響，生長(zhǎng)后期易受陰影等因素干擾，將物體的空間特征也同時(shí)應(yīng)用于農(nóng)田物體識(shí)別分類，將會(huì)有助于提高無人機(jī)遙感對(duì)作物的分辨能力，實(shí)現(xiàn)對(duì)農(nóng)田區(qū)域更精準(zhǔn)的分割［15, 60-61］。

如何處理無人機(jī)遙感獲取的海量數(shù)據(jù)也是亟待解決的問題。無法實(shí)現(xiàn)即時(shí)的數(shù)據(jù)解譯，指導(dǎo)農(nóng)藝操作，無人機(jī)遙感將喪失實(shí)時(shí)性的優(yōu)勢(shì)。因此無人機(jī)數(shù)據(jù)處理平臺(tái)的開發(fā)尤為必要，生成相應(yīng)的農(nóng)業(yè)管理措施，更好地指導(dǎo)農(nóng)業(yè)生產(chǎn)。

5 結(jié) 語

無人機(jī)遙感作為一種新型的高空間、時(shí)間分辨率的信息監(jiān)測(cè)技術(shù)，在農(nóng)田信息監(jiān)測(cè)中的研究和應(yīng)用方興未艾，目前尚存在不少的問題。但與傳統(tǒng)地面定點(diǎn)監(jiān)測(cè)和高空遙感監(jiān)測(cè)相比，無人機(jī)遙感監(jiān)測(cè)的空間尺度和精度優(yōu)勢(shì)顯著，尤其適合中尺度農(nóng)田的數(shù)字信息快速獲取。在可以預(yù)見的未來，通過無人機(jī)飛行平臺(tái)、機(jī)載多源信息采集技術(shù)、數(shù)據(jù)挖掘和建模技術(shù)、決策支持技術(shù)平臺(tái)等方面的發(fā)展完善，無人機(jī)遙感技術(shù)有望在農(nóng)業(yè)和相關(guān)領(lǐng)域中得到更廣泛、更深入的應(yīng)用。