林娜 陳宏 趙健

摘要：近年來，輕小型無人機(jī)遙感以其操作簡便、可動態(tài)連續(xù)監(jiān)測等獨(dú)特優(yōu)勢，在精準(zhǔn)農(nóng)業(yè)領(lǐng)域得到廣泛應(yīng)用，使農(nóng)業(yè)生產(chǎn)管理具有了實時獲取數(shù)據(jù)、準(zhǔn)確定位及高效率應(yīng)對的新特點(diǎn)。筆者針對現(xiàn)有的輕小型無人機(jī)遙感系統(tǒng)在國內(nèi)外精準(zhǔn)農(nóng)業(yè)領(lǐng)域的主要應(yīng)用進(jìn)行闡述，包括農(nóng)作物識別提取和精細(xì)分類、農(nóng)作物估產(chǎn)及長勢監(jiān)測分析、農(nóng)作物病蟲害監(jiān)測方面，同時對輕小型無人機(jī)遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)應(yīng)用中未來面臨的挑戰(zhàn)及發(fā)展方向進(jìn)行分析與展望。輕小型無人機(jī)遙感設(shè)備的改進(jìn)與更新、遙感信息解析方法的自動化及智能化、多源數(shù)據(jù)的融合等對精準(zhǔn)農(nóng)業(yè)的發(fā)展具有重要意義。

關(guān)鍵詞：輕小型無人機(jī);遙感;農(nóng)情監(jiān)測;精準(zhǔn)農(nóng)田作業(yè)

中圖分類號：S127?? 文獻(xiàn)標(biāo)志碼： A? 文章編號：1002-1302（2020）20-0043-06

近年來，隨著計算機(jī)技術(shù)、通信技術(shù)的迅速發(fā)展，農(nóng)業(yè)調(diào)查及監(jiān)測方法向現(xiàn)代化、信息化、精準(zhǔn)化方向大力轉(zhuǎn)變，特別是遙感技術(shù)在農(nóng)業(yè)領(lǐng)域中的應(yīng)用越來越廣泛[1-2]。輕小型無人機(jī)遙感技術(shù)是在小型化無人機(jī)平臺上配備相應(yīng)的微型傳感器，利用通信技術(shù)和定位定姿技術(shù)快速準(zhǔn)確地獲取關(guān)于目標(biāo)地物的影像及數(shù)據(jù)，經(jīng)過后期分析處理，相關(guān)產(chǎn)出可用于參數(shù)提取或行業(yè)具體應(yīng)用[3-4]?，F(xiàn)有的衛(wèi)星和地面遙感技術(shù)提高了農(nóng)情信息獲取效率，但衛(wèi)星遙感技術(shù)存在重訪周期長，較易受天氣影響，難以獲得高質(zhì)量影像等缺點(diǎn);地面遙感技術(shù)費(fèi)時費(fèi)力，能監(jiān)測的范圍小，干擾因素多，難以快速獲取作物信息。輕小型無人機(jī)遙感系統(tǒng)具有體積小、質(zhì)量輕、成本低、操作簡便等一系列優(yōu)勢，且受天氣、云層覆蓋限制小，飛行高度及飛行時間靈活，能獲取中小尺度范圍內(nèi)的高時空分辨率的影像數(shù)據(jù)，有效地彌補(bǔ)了衛(wèi)星遙感和地面遙感的缺陷，滿足精準(zhǔn)農(nóng)業(yè)管理的需求[5-7]。

輕小型無人機(jī)遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用大大降低了勞動力的投入，加強(qiáng)了農(nóng)作物的精準(zhǔn)管理，提高了農(nóng)業(yè)生產(chǎn)效益。筆者將對現(xiàn)有的輕小型無人機(jī)遙感技術(shù)在國內(nèi)外精準(zhǔn)農(nóng)業(yè)中的主要應(yīng)用進(jìn)行闡述，同時對其未來應(yīng)用面臨的挑戰(zhàn)及發(fā)展方向進(jìn)行分析與展望，以期為無人機(jī)遙感技術(shù)在農(nóng)業(yè)中的進(jìn)一步應(yīng)用提供參考。

1 輕小型無人機(jī)遙感系統(tǒng)的組成及工作流程

輕小型無人機(jī)遙感系統(tǒng)主要由無人駕駛飛行平臺、能量系統(tǒng)、遙感傳感器、地面控制系統(tǒng)、數(shù)據(jù)傳輸系統(tǒng)、影像處理系統(tǒng)等部分組成[8]。無人駕駛飛行器主要分為無人直升機(jī)、固定翼無人機(jī)、多旋翼無人機(jī)、混合翼無人機(jī)4種機(jī)型[4]。通常所指的輕小型無人機(jī)載荷能力在15 kg以內(nèi)，飛行高度在 3 000 m 以下，最大飛行速度不超過33 m/s[9]。根據(jù)不同的應(yīng)用需求與場景，須在飛行平臺上搭載不同類型的微型傳感器設(shè)備，以獲取實時的遙感信息數(shù)據(jù)。受輕小型無人機(jī)平臺穩(wěn)定性與有效載荷能力的限制，遙感傳感器需滿足體積小、質(zhì)量輕、功耗低、安全性高等要求。目前，無人機(jī)遙感傳感器主要有數(shù)碼相機(jī)、多光譜和高光譜相機(jī)、熱紅外掃描儀及激光雷達(dá)等。通過數(shù)據(jù)傳輸及處理系統(tǒng)可生成載有遙感信息的影像及相關(guān)類型的數(shù)字模型、光譜指數(shù)等遙感產(chǎn)出結(jié)果，這些產(chǎn)出結(jié)果在農(nóng)業(yè)生產(chǎn)管理中可應(yīng)用于農(nóng)作物調(diào)查、長勢監(jiān)測、產(chǎn)量評估等多個方面[10-13]（表1）。

開展輕小型無人機(jī)遙感信息獲取工作的流程可以分為前期準(zhǔn)備、數(shù)據(jù)獲取和后期數(shù)據(jù)處理與解析等階段[14]。在前期階段，準(zhǔn)備工作主要包括飛行空域申請，飛行條件判定，調(diào)查飛行區(qū)域?qū)嶋H地形與周邊環(huán)境，設(shè)定起降點(diǎn)和飛行路徑，根據(jù)影像重疊度、分辨率等的要求設(shè)置控制系統(tǒng)參數(shù)。在數(shù)據(jù)獲取階段，執(zhí)行飛行并實時監(jiān)控與調(diào)整飛行參數(shù)。后期數(shù)據(jù)處理階段主要包括圖像匹配與拼接、正射校正、輻射校正、遙感產(chǎn)品生成等（圖1）。

2 輕小型無人機(jī)遙感在國內(nèi)外精準(zhǔn)農(nóng)業(yè)中的應(yīng)用現(xiàn)狀2.1 農(nóng)作物識別與精細(xì)分類

地表農(nóng)作物的識別提取與精細(xì)分類是進(jìn)行作物面積測算、長勢分析等工作的基礎(chǔ)與關(guān)鍵，也是開展精準(zhǔn)農(nóng)田作業(yè)的重要數(shù)據(jù)來源。相對于傳統(tǒng)的地面調(diào)查，輕小型無人機(jī)遙感識別技術(shù)具有實時性和高效性，可節(jié)約大量人力;相對于衛(wèi)星遙感識別技術(shù)，無人機(jī)在抗干擾性方面具有較大優(yōu)勢，由于其可提供更為豐富的結(jié)構(gòu)及紋理信息，能更高效地獲取地物分類數(shù)據(jù)。

國內(nèi)外開展的基于輕小型無人機(jī)獲取的影像數(shù)據(jù)提取農(nóng)作物種植信息的研究已經(jīng)取得了一定的進(jìn)展，就遙感分類方法而言，大致分為2種：基于像元的分類方法和基于面向?qū)ο蟮姆诸惙椒?。在基于像元的分類方法方面，田振坤等通過搭載冠層測量相機(jī)的無人直升機(jī)平臺獲取高空間分辨率遙感影像，分析農(nóng)作物波譜特征和歸一化植被指數(shù)（NDVI）變化閾值，提出了一種農(nóng)作物快速分類及提取方法[15]。Poblete-Echeverría等使用無人機(jī)遙感獲取具有超高空間分辨率的RGB圖像，在垂直網(wǎng)格系統(tǒng)（VSP）訓(xùn)練上對比運(yùn)用K-均值、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和光譜指數(shù)SI 4種方法提取葡萄園冠層信息的精度及靈敏性[16]。戴建國等基于固定翼無人機(jī)遙感獲取的RGB影像，采用ReliefF-Pearson特征降維方法優(yōu)選紋理和低通濾波特征，并利用支持向量機(jī)分類方法對北疆主要農(nóng)作物棉花、玉米、苜蓿和西葫蘆等進(jìn)行分類提取[17]。在基于面向?qū)ο蟮姆诸惙椒ǚ矫?，王利民等基于小型無人機(jī)航拍影像的光譜特征、幾何特征、紋理特征，運(yùn)用面向?qū)ο蠓诸惙椒▽俎?、春玉米、夏玉米和裸土進(jìn)行分類[18]。Diaz-Varela等基于無人機(jī)獲取的正射影像和數(shù)字表面模型，利用多尺度面向?qū)ο蟮姆诸惙椒▽μ萏镞M(jìn)行自動識別[19]。張超等以旋翼無人機(jī)航拍的RGB影像為數(shù)據(jù)源，基于小波包分解的面向?qū)ο蠓诸惙椒▽r(nóng)場中多種作物類型進(jìn)行精細(xì)識別[20]。李明等基于多旋翼無人機(jī)獲取的可見光數(shù)字影像，利用面向?qū)ο筮b感分類方法建立識別水稻地塊的二分類Logistic回歸模型[21]。

2.2 農(nóng)作物長勢動態(tài)監(jiān)測

利用輕小型無人機(jī)遙感動態(tài)監(jiān)測的優(yōu)勢可實時了解農(nóng)作物生長狀況、營養(yǎng)水平、水肥脅迫情況等。目前研究者利用遙感反演生長參數(shù)時多采用多元線性回歸、偏最小二乘、主成分分析等建模方法，隨著小型化高光譜遙感設(shè)備的研發(fā)，更多敏感波段可加入分析模型，人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等建模方法也受到研究者的青睞[22]。在農(nóng)作物收獲前對其生長過程中出現(xiàn)的問題進(jìn)行提前診斷，可為精準(zhǔn)農(nóng)業(yè)中的作物管理和田間作業(yè)提供重要依據(jù)，及時準(zhǔn)確地調(diào)整施肥、田間管理措施，從而保證作物的正常生長，獲得更好的經(jīng)濟(jì)效益。

農(nóng)作物長勢動態(tài)監(jiān)測主要包括作物生長參數(shù)變化及作物元素含量監(jiān)測等。祝錦霞等通過旋翼式無人機(jī)平臺獲取水稻葉片和冠層的數(shù)字圖像，研究不同氮素養(yǎng)分程度下水稻葉片和冠層的綜合特征信息，應(yīng)用于水稻的氮素養(yǎng)分診斷[23]。Chosa等采用無人機(jī)平臺獲取的真彩色和近紅外影像監(jiān)測水稻生長情況，通過計算每個區(qū)域的作物生長參數(shù)指標(biāo)，包括綠度和歸一化植被指數(shù)，量化不同區(qū)域作物的生長變異性，并基于此提出改進(jìn)種植措施的建議，以達(dá)到生產(chǎn)高質(zhì)量水稻作物的預(yù)期效益[24]。Hunt等利用無人機(jī)遙感平臺獲取的近紅外、綠色和藍(lán)色影像，測試分析2個不同肥力田塊冬小麥的生長參數(shù)，結(jié)果發(fā)現(xiàn)，葉面積指數(shù)與綠色歸一化植被指數(shù)（GNDVI）之間存在良好的相關(guān)關(guān)系[25]。劉峰等基于植被與土壤的光譜特征差異，對板栗主要生育期進(jìn)行監(jiān)測研究，提出了一種基于無人機(jī)多光譜遙感影像的植被覆蓋度快速計算方法，并利用多時相無人機(jī)影像數(shù)據(jù)實現(xiàn)了板栗植被覆蓋度年變化監(jiān)測[26]。Du等通過基于衛(wèi)星影像的歸一化植被指數(shù)（NDVI）和基于無人機(jī)影像的可見光波段差異植被指數(shù)（VDVI）分析小麥冠層生長狀態(tài)，表明NDVI指數(shù)與谷物蛋白質(zhì)之間存在較大相關(guān)性，在小麥生長早期NDVI指數(shù)和VDVI指數(shù)在分析谷物蛋白質(zhì)性能上表現(xiàn)出良好的一致性[27]。秦占飛等基于八旋翼無人機(jī)高光譜影像，依托不同氮素水平水稻試驗，對比分析光譜指數(shù)與偏最小二乘回歸方法預(yù)測水稻葉片全氮含量的準(zhǔn)確度，結(jié)果表明，無人機(jī)高光譜影像反演的水稻葉片全氮含量分布范圍與地面調(diào)查實際情況較相符[28]。劉建立等利用無人機(jī)載可見-近紅外成像光譜儀、高分辨率可見光相機(jī)、機(jī)載激光雷達(dá)等設(shè)備，研究建立針對華北地區(qū)冬小麥、夏玉米農(nóng)田的無人機(jī)遙感養(yǎng)分診斷模型[29]。

2.3 田塊尺度的估產(chǎn)

精確估測農(nóng)作物的產(chǎn)量及其變化對實施精準(zhǔn)農(nóng)業(yè)管理具有重要意義。通過輕小型無人機(jī)遙感系統(tǒng)可以獲取農(nóng)作物詳細(xì)的光譜特征，以此可反演出作物的生長信息，建立生長信息與產(chǎn)量間的關(guān)系模型，進(jìn)而預(yù)估農(nóng)作物產(chǎn)量[30]。由于無人機(jī)遙感技術(shù)可以在合適的生育期對農(nóng)作物進(jìn)行實時參數(shù)監(jiān)測，因此所建立的農(nóng)作物產(chǎn)量預(yù)測模型具有更高的精度和通用性。

目前，農(nóng)作物遙感估產(chǎn)預(yù)測模型所使用的參數(shù)主要有植被指數(shù)、生物量、光譜反射率等。Swain等基于無人機(jī)低空遙感平臺獲取的高時空分辨率影像估算水稻產(chǎn)量和總生物量，探討NDVI值估算葉片葉綠素含量的適宜性，并通過統(tǒng)計分析發(fā)現(xiàn)，不同氮素水平下的水稻產(chǎn)量和總生物量具有顯著的差異性[31]。Vega等利用無人機(jī)搭載多光譜相機(jī)獲取不同生長季節(jié)的向日葵影像，研究NDVI值與作物狀態(tài)相關(guān)的幾個指數(shù)的關(guān)系，并對其產(chǎn)量進(jìn)行了預(yù)測分析，結(jié)果表明，NDVI與產(chǎn)量、含氮量及生物量具有很好的線性關(guān)系[32]。楊貴軍等基于無人機(jī)多光譜影像計算得到的NDVI，結(jié)合氮肥優(yōu)化算法進(jìn)行小麥潛在產(chǎn)量預(yù)測，與實際產(chǎn)量對比分析發(fā)現(xiàn)，利用上述方法預(yù)測產(chǎn)量的估算精度較高[33]。Zhou等利用搭載Mini-MCA多光譜相機(jī)的無人機(jī)拍攝的影像進(jìn)行谷物產(chǎn)量預(yù)測，發(fā)現(xiàn)最佳產(chǎn)量預(yù)測時間位于孕穗期，最佳預(yù)測指數(shù)可選用NDVI和可見光大氣阻抗植被指數(shù)（VARI），且基于多時相的植被指數(shù)與預(yù)測產(chǎn)量相關(guān)性較高[34]。

2.4 病蟲害監(jiān)測

大面積的病蟲害會造成農(nóng)作物巨大的生產(chǎn)損失，農(nóng)作物在受到病蟲害脅迫后，葉片色素及冠層結(jié)構(gòu)會發(fā)生變化[35-36]。輕小型無人機(jī)遙感可針對葉片色素及冠層變化敏感的波段光譜特征進(jìn)行動態(tài)監(jiān)測，以此診斷農(nóng)作物是否受病蟲害侵害及危害程度，進(jìn)而為精準(zhǔn)農(nóng)業(yè)管理中的科學(xué)防控作出準(zhǔn)確指導(dǎo)，在降低生產(chǎn)損失的同時最大化減少農(nóng)藥的使用，得到較好的經(jīng)濟(jì)和環(huán)境效益。

在無人機(jī)病蟲害監(jiān)測研究方面主要包括病蟲害識別、病害程度評估、病害時空監(jiān)測等。羅菊花等利用多時相高光譜無人機(jī)航空圖像對冬小麥條銹病進(jìn)行監(jiān)測，通過建立敏感波段平均光譜反射率與相應(yīng)病情指數(shù)之間的多元線性回歸模型，在掃帚式超光譜成像（PHI）影像上實現(xiàn)了對冬小麥條銹病發(fā)生程度與發(fā)生范圍的監(jiān)測[37]。Yang等利用多光譜和高光譜航空影像數(shù)據(jù)進(jìn)行了棉花田根腐病的檢測和定位，結(jié)果顯示，這2類數(shù)據(jù)監(jiān)測結(jié)果的精度差別不顯著，表明航空遙感數(shù)據(jù)具有大范圍病害監(jiān)測的應(yīng)用潛力[38]。Zhang等在對蟲害早期監(jiān)測中采用了包括無人機(jī)高光譜在內(nèi)的多源數(shù)據(jù)，利用提取的植被指數(shù)對葉綠素含量進(jìn)行反演，為遙感參數(shù)在病蟲害預(yù)測及早期診斷中的應(yīng)用提供了參考[39]。Nebiker等利用無人機(jī)搭載近紅外多光譜相機(jī)獲取的遙感影像，對馬鈴薯和洋蔥栽培中的植物病害進(jìn)行了定性檢測研究，以此確定病害的原始侵染地點(diǎn)、發(fā)生模式，并監(jiān)測病害的防治效果等[40]。

3 輕小型無人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)應(yīng)用中的挑戰(zhàn)及展望? 雖然近來年國內(nèi)外的研究對輕小型無人機(jī)遙感技術(shù)作了大量改進(jìn)與更新，系統(tǒng)硬件與圖像處理技術(shù)都得到了快速發(fā)展和廣泛應(yīng)用，但尚存在一些亟需解決的問題。

3.1 輕小型無人機(jī)遙感設(shè)備改進(jìn)與更新

傳感器是輕小型無人機(jī)遙感系統(tǒng)重要的組成設(shè)備之一，而目前國內(nèi)外大多數(shù)研究還集中在搭載多光譜傳感器的輕小型無人機(jī)在農(nóng)業(yè)中的應(yīng)用上，激光雷達(dá)、高光譜遙感技術(shù)、熱紅外成像儀的應(yīng)用案例還不多見，主要原因在于這類傳感器設(shè)備成本偏貴，加上受輕小型無人機(jī)承重力的限制，傳統(tǒng)款式的傳感器設(shè)備等難以廣泛應(yīng)用到無人機(jī)遙感系統(tǒng)中[41-42]。

此外，當(dāng)前輕小型無人機(jī)普遍存在續(xù)航時較短的問題，單次飛行路徑無法實現(xiàn)大范圍的農(nóng)業(yè)應(yīng)用作業(yè)，加上平衡控制系統(tǒng)及路徑算法的不精確，導(dǎo)致飛行不穩(wěn)定、重拍漏拍現(xiàn)象嚴(yán)重，使得獲取的影像存在質(zhì)量問題。輕小型無人機(jī)遙感系統(tǒng)的穩(wěn)定性、抗風(fēng)險性、載荷能力、續(xù)航時間、路徑算法等問題仍然是目前制約其發(fā)展的瓶頸[43-44]。

因此，輕小型無人機(jī)遙感系統(tǒng)的發(fā)展亟需設(shè)計開發(fā)出成本低、微型化、通用性強(qiáng)、質(zhì)量輕的無人機(jī)遙感設(shè)備，力求安全性及長時性，減少設(shè)備產(chǎn)生的誤差，優(yōu)化飛行算法，改進(jìn)傳輸模式，最大程度提高作業(yè)效率，獲得更高質(zhì)量的影像，提升輕小型無人機(jī)在精準(zhǔn)農(nóng)業(yè)應(yīng)用中的實用性。

3.2 輕小型無人機(jī)遙感信息處理自動化及智能化

輕小型無人機(jī)遙感系統(tǒng)獲取的影像普遍存在幅寬小、數(shù)量多、傾角及重疊度不一致等問題，增加了影像匹配、拼接、校正的難度，實現(xiàn)輕小型無人機(jī)影像預(yù)處理自動化，獲得高質(zhì)量的遙感影像是輕小型無人機(jī)遙感技術(shù)發(fā)展的重要環(huán)節(jié)。

此外，目前國內(nèi)外關(guān)于輕小型無人機(jī)遙感在農(nóng)業(yè)中的應(yīng)用研究仍基于簡單的遙感獲取信息，大部分集中在通過光譜特征反演農(nóng)作物生長參數(shù)的研究上，需要通過分析建立遙感信息與作物生長相關(guān)參數(shù)之間的關(guān)系，受限于模型的精確性與魯棒性，限制了輕小型無人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)上的應(yīng)用范圍。如何深入結(jié)合農(nóng)作物生理生態(tài)過程，針對不同類型的農(nóng)業(yè)應(yīng)用，進(jìn)一步挖掘遙感信息與農(nóng)作物各生理參數(shù)間的深層關(guān)系，提高遙感解析模型的精確度與通用性，如何將遙感產(chǎn)出結(jié)果直接應(yīng)用于農(nóng)業(yè)變量作業(yè)管理等是輕小型無人機(jī)遙感系統(tǒng)在精準(zhǔn)農(nóng)業(yè)應(yīng)用上的一大挑戰(zhàn)[45-46]。

因此，在后續(xù)的研發(fā)中可關(guān)注輕小型無人機(jī)遙感信息后處理方法的自動化與智能化，包括無人機(jī)遙感數(shù)據(jù)的自動拼接及校正算法、結(jié)合人工智能的作物分類及識別提取、作物生長信息快速解析方法、作物精準(zhǔn)管理變量決策優(yōu)化算法等[47]。輕小型無人機(jī)遙感信息獲取技術(shù)及解析技術(shù)的發(fā)展，可以為精準(zhǔn)農(nóng)業(yè)智能化轉(zhuǎn)型升級提供新思路，為農(nóng)田作業(yè)、生產(chǎn)管理提供實時精確的決策依據(jù)。

3.3 多來源數(shù)據(jù)在精準(zhǔn)農(nóng)業(yè)中的融合應(yīng)用

我國農(nóng)作物類型多樣、影響因素復(fù)雜，輕小型無人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用可以在農(nóng)田精細(xì)尺度和動態(tài)連續(xù)監(jiān)測方面發(fā)揮極大作用。但高密度的農(nóng)作物遙感信息獲取后，融合應(yīng)用這些不同角度的作物信息，推出一整套具有可實施性的農(nóng)業(yè)精準(zhǔn)管理措施，對精準(zhǔn)農(nóng)業(yè)發(fā)展具有重要現(xiàn)實意義[48]。輕小型無人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用涉及了農(nóng)學(xué)、光學(xué)、計算機(jī)科學(xué)、生態(tài)學(xué)等多個學(xué)科知識，結(jié)合多源遙感數(shù)據(jù)、地面調(diào)查數(shù)據(jù)、氣象數(shù)據(jù)、地理數(shù)據(jù)等進(jìn)行多角度的融合研究也是今后發(fā)展的方向之一。

4 結(jié)語

輕小型無人機(jī)遙感技術(shù)作為調(diào)查及監(jiān)測的有力工具，能及時獲取精準(zhǔn)農(nóng)業(yè)生產(chǎn)管理中所需的各種數(shù)據(jù)信息，在國內(nèi)外研究及應(yīng)用中被廣泛使用，促進(jìn)了農(nóng)業(yè)生產(chǎn)過程向信息化、智能化、精準(zhǔn)化方向的發(fā)展。筆者詳細(xì)介紹國內(nèi)外輕小型無人機(jī)遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)方面的研究及應(yīng)用現(xiàn)狀，指出了輕小型無人機(jī)目前在精準(zhǔn)農(nóng)業(yè)應(yīng)用中面臨的挑戰(zhàn)及今后發(fā)展方向。隨著計算機(jī)技術(shù)的進(jìn)一步發(fā)展，輕小型無人機(jī)將會被越來越廣泛及深入地應(yīng)用到精準(zhǔn)農(nóng)業(yè)中，不僅僅局限于農(nóng)情監(jiān)測方面，在其他農(nóng)業(yè)方面的應(yīng)用，如農(nóng)場管理規(guī)劃、農(nóng)業(yè)設(shè)施管理也能發(fā)揮極大作用。為此進(jìn)一步開發(fā)高穩(wěn)定性、強(qiáng)載荷能力、長續(xù)航時間、高圖像質(zhì)量的輕小型無人機(jī)智能化遙感系統(tǒng)，并將其應(yīng)用于快速準(zhǔn)確獲取農(nóng)田作物信息以及融合多源數(shù)據(jù)指導(dǎo)田間精準(zhǔn)作業(yè)，具有重要的研究意義和實際應(yīng)用價值。

參考文獻(xiàn)：

[1]吳炳方，蒙繼華，李強(qiáng)子. 國外農(nóng)情遙感監(jiān)測系統(tǒng)現(xiàn)狀與啟示[J]. 地球科學(xué)進(jìn)展，2010，25（10）：1003-1012.

[2]吳炳方. 中國農(nóng)情遙感速報系統(tǒng)[J]. 遙感學(xué)報，2004，8（6）：481-497.

[3]Marris E. Drones in science：fly，and bring me data[J]. Nature，2013，498（7453）：156-158.

[4]孫 剛，黃文江，陳鵬飛，等. 輕小型無人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49（3）：1-17.

[5]Zhang C H，Kovacs J M. The application of small unmanned aerial systems for precision agriculture：a review[J]. Precision Agriculture，2012，13（6）：693-712.

[6]李 冰，劉镕源，劉素紅，等. 基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（13）：160-165.

[7]Sankaran S，Khot L R，Espinoza C Z，et al. Low-altitude，high-resolution aerial imaging systems for row and field crop phenotyping：a review[J]. European Journal of Agronomy，2015，70：112-123.

[8]汪 沛，羅錫文，周志艷，等. 基于微小型無人機(jī)的遙感信息獲取關(guān)鍵技術(shù)綜述[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（18）：1-12.

[9]Yang G，Liu J，Zhao C，et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping：current status and perspectives[J]. Frontiers in Plant Science，2017，8：1111.

[10]戴建國，張國順，郭 鵬，等. 基于無人機(jī)遙感多光譜影像的棉花倒伏信息提取[J]. 農(nóng)業(yè)工程學(xué)報，2019，35（2）：63-70.

[11]葛 靜，孟寶平，楊淑霞，等. 基于UAV技術(shù)和MODIS遙感數(shù)據(jù)的高寒草地蓋度動態(tài)變化監(jiān)測研究——以黃河源東部地區(qū)為例[J]. 草業(yè)學(xué)報，2017，26（3）：1-12.

[12]Gevaert C M，Suomalainen J，Tang J，et al. Generation of spectral-temporal response surfaces by combining multispectral satellite and hyperspectral UAV imagery for precision agriculture applications[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8（6）：3140-3146.

[13]甘 平，董燕生，孫 林，等. 基于無人機(jī)載LiDAR數(shù)據(jù)的玉米澇災(zāi)災(zāi)情評估[J]. 中國農(nóng)業(yè)科學(xué)，2017，50（15）：2983-2992.

[14]胡健波，張 健. 無人機(jī)遙感在生態(tài)學(xué)中的應(yīng)用進(jìn)展[J]. 生態(tài)學(xué)報，2018，38（1）：20-30.

[15]田振坤，傅鶯鶯，劉素紅，等. 基于無人機(jī)低空遙感的農(nóng)作物快速分類方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（7）：109-116.

[16]Poblete-Echeverría C，Olmedo G F，Ingram B，et al. Detection and segmentation of vine canopy in ultra-high spatial resolution RGB imagery obtained from unmanned aerial vehicle （UAV）：a case study in a commercial vineyard[J]. Remote Sensing，2017，9（3）：268.

[17]戴建國，張國順，郭鵬，等. 基于無人機(jī)遙感可見光影像的北疆主要農(nóng)作物分類方法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34（18）：122-129.

[18]王利民，劉 佳，楊玲波，等. 基于無人機(jī)影像的農(nóng)情遙感監(jiān)測應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（18）：136-145.

[19]Diaz-Varela R A，Zarco-Tejada P J，Angileri V，et al. Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle[J]. Journal of Environmental Management，2014，134：117-126.

[20]張 超，劉佳佳，蘇 偉，等. 基于小波包變換的農(nóng)作物分類無人機(jī)遙感影像適宜尺度篩選[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（21）：95-101.

[21]李 明，黃愉淇，李緒孟，等. 基于無人機(jī)遙感影像的水稻種植信息提取[J]. 農(nóng)業(yè)工程學(xué)報，2018，34（4）：108-114.

[22]Ma B L，Lianne M D，Costa C，et al. Early prediction of soybean yield from canopy reflectance measurements[J]. Agronomy Journal，2001，93（6）：1227-1234.

[23]祝錦霞，陳祝爐，石媛媛，等. 基于無人機(jī)和地面數(shù)字影像的水稻氮素營養(yǎng)診斷研究[J]. 浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2010，36（1）：78-83.

[24]Chosa T，Miyagawa K，Tamura S，et al. Monitoring rice growth over a production region using an unmanned aerial vehicle：preliminary trial for establishing a regional rice strain[J]. IFAC Proceedings Volumes，2010，43（26）：178-183.

[25]Hunt J，Hively W D，F(xiàn)ujikawa S J，et al. Acquisition of NIR-Green-Blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing，2010，2（1）：290-305.

[26]劉峰，劉素紅，向陽.園地植被覆蓋度的無人機(jī)遙感監(jiān)測研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45（11）：250-257.

[27]Du M M，Noguchi N. Multi-temporal monitoring of wheat growth through correlation analysis of satellite images，unmanned aerial vehicle images with ground variable[J]. IFAC-PapersOnLine，2016，49（16）：5-9.

[28]秦占飛，常慶瑞，謝寶妮，等. 基于無人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（23）：77-85.

[29]劉建立，李曉鵬. 基于無人機(jī)低空高精度遙感的冬小麥和夏玉米變量施肥管理模型“進(jìn)展[J]. 浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2018，44（4）：37.

[30]vergaard S I，Isaksson T，Kvaal K，et al. Comparisons of two Hand-Held，multispectral field radiometers and a hyperspectral airborne imager in terms of predicting spring wheat grain yield and quality by means of powered partial least squares regression[J]. Journal of Near Infrared Spectroscopy，2010，18（4）：247-261.

[31]Swain K C，Thomson S J，Jayasuriya H P W. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop[J]. Transactions of the ASABE，2010，53（1）：21-27.

[32]Vega F A，Ramirez F C，Saiz M P，et al. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop[J]. Biosystems Engineering，2015，132：19-27.

[33]楊貴軍，李長春，于海洋，等. 農(nóng)用無人機(jī)多傳感器遙感輔助小麥育種信息獲取[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（21）：184-190.

[34]Zhou X，Zheng H B，Xu X Q，et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：246-255.

[35]Zhang J，Pu R，Huang W，et al. Using in-situ hyperspectral data for detecting and discriminating yellow rust disease from nutrient stresses[J]. Field Crops Research，2012，134：165-174.

[36]Pontius J，Martin M，Plourde L，et al. Ash decline assessment in emerald ash borer-infested regions：a test of tree-level，hyperspectral technologies[J]. Remote Sensing of Environment，2008，112（5）：2665-2676.

[37]羅菊花，黃文江，顧曉鶴，等. 基于PHI影像敏感波段組合的冬小麥條銹病遙感監(jiān)測研究[J]. 光譜學(xué)與光譜分析，2010，30（1）：184-187.

[38]Yang C，Everitt J H，F(xiàn)ernandez C J. Comparison of airborne multispectral and hyperspectral imagery for mapping cotton root rot[J]. Biosystems Engineering，2010，107（2）：131-139.

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

[40]Nebiker S，Lack N，Abcherli M，et al. Light-weight multispectral uav sensors and their capabilities for predicting grain yield and detecting plant diseases[J]. ISPRS-International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2016：963-970.

[41]Chapman S，Merz T，Chan A，et al. Pheno-Copter：a low-altitude，autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping[J]. Agronomy，2014，4（2）：279-301.

[42]Gilad W，Itamar M L，Noam L. Using ground observations of a digital camera in the VIS-NIR range for quantifying the phenology of Mediterranean woody species[J]. International Journal of Applied Earth Observation and Geoinformation，2017，62：88-101.

[43]孫中宇，陳燕喬，楊 龍，等. 輕小型無人機(jī)低空遙感及其在生態(tài)學(xué)中的應(yīng)用進(jìn)展[J]. 應(yīng)用生態(tài)學(xué)報，2017，28（2）：528-536.

[44]Ballesteros R，Ortega J F，Hernández D，et al. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part I：description of image acquisition and processing[J]. Precision Agriculture，2014，15（6）：579-592.

[45]白由路，金繼運(yùn)，楊俐蘋，等. 低空遙感技術(shù)及其在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用[J]. 土壤肥料，2004（1）：3-6.

[46]趙春江，薛緒掌，王 秀，等. 精準(zhǔn)農(nóng)業(yè)技術(shù)體系的研究進(jìn)展與展望[J]. 農(nóng)業(yè)工程學(xué)報，2003，19（4）：7-12.

[47]于 堃，單 捷，王志明，等. 無人機(jī)遙感技術(shù)在小尺度土地利用現(xiàn)狀動態(tài)監(jiān)測中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報，2019，35（4）：853-859.

[48]趙春江. 對我國未來精準(zhǔn)農(nóng)業(yè)發(fā)展的思考[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（4）：5-8.李星坤，潘 慧，李 攀，等. 基于CRISPR/Cas9系統(tǒng)的擬南芥ugt84a1/ugt84a2雙突變體制作及突變位點(diǎn)分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（20）：49-55.