黃培峰， 朱立學(xué)， 陳家政

（仲愷農(nóng)業(yè)工程學(xué)院 機(jī)電工程學(xué)院， 廣東 廣州 510225）

0 引言

我國(guó)是個(gè)農(nóng)業(yè)大國(guó)， 但在農(nóng)業(yè)現(xiàn)代化方面與世界上發(fā)達(dá)國(guó)家還有很大的差距。 現(xiàn)代農(nóng)業(yè)領(lǐng)域需要能夠快速地獲取農(nóng)田的作物信息，以此來(lái)進(jìn)行農(nóng)田作物長(zhǎng)勢(shì)監(jiān)測(cè)，作物產(chǎn)量預(yù)估，作物病蟲害監(jiān)測(cè)等等。現(xiàn)有的衛(wèi)星遙感技術(shù)獲取的遙感圖像像素較低， 難以應(yīng)用于精準(zhǔn)農(nóng)業(yè)領(lǐng)域的農(nóng)情監(jiān)測(cè)。雖然地面遙感技術(shù)已廣泛應(yīng)用于獲取農(nóng)田的作物信息，但其監(jiān)測(cè)范圍小，需要的人力多，難以實(shí)現(xiàn)高通量的作物表型信息獲取[1]。 無(wú)人機(jī)遙感技術(shù)能夠高通量精準(zhǔn)地獲取農(nóng)情信息，對(duì)農(nóng)業(yè)的發(fā)展有重要的意義[2]。 本文總結(jié)了目前基于無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的國(guó)內(nèi)外相關(guān)研究，并提出了無(wú)人機(jī)遙感技術(shù)的應(yīng)用前景。

1 無(wú)人機(jī)遙感技術(shù)組成與農(nóng)業(yè)應(yīng)用流程

無(wú)人機(jī)遙感技術(shù)主要由無(wú)人機(jī)平臺(tái)、 遙感傳感器技術(shù)、GPS 差分定位技術(shù)等部分組成[1]。無(wú)人機(jī)平臺(tái)主要分為無(wú)人直升機(jī)、固定翼、多旋翼、混合翼4 種機(jī)型[3]。根據(jù)在農(nóng)業(yè)上的實(shí)際應(yīng)用場(chǎng)景和應(yīng)用需求的不同，無(wú)人機(jī)平臺(tái)搭載的遙感傳感器類型也不同， 主要有普通RGB 相機(jī)、 多光譜相機(jī)、 高光譜相機(jī)等[4]。通過(guò)數(shù)據(jù)傳輸將獲取的遙感圖像數(shù)據(jù)做進(jìn)一步的處理， 實(shí)現(xiàn)作物長(zhǎng)勢(shì)分析， 產(chǎn)量預(yù)估， 病蟲害監(jiān)測(cè)等農(nóng)業(yè)上的應(yīng)用。 根據(jù)在農(nóng)業(yè)上的實(shí)際應(yīng)用需求，無(wú)人機(jī)遙感技術(shù)的應(yīng)用流程見圖1。

圖1 無(wú)人機(jī)遙感技術(shù)的應(yīng)用流程Fig.1 Application process of UAV remote sensing technology

2 無(wú)人機(jī)遙感技術(shù)農(nóng)業(yè)應(yīng)用現(xiàn)狀

2.1 基于無(wú)人機(jī)遙感的作物冠層信息獲取

作物冠層的葉面積指數(shù)（LAI）和葉綠素含量（SPAD）等信息的獲取能夠?yàn)樽魑锼时O(jiān)測(cè)、產(chǎn)量預(yù)估、病蟲害監(jiān)測(cè)等農(nóng)業(yè)應(yīng)用提供基礎(chǔ)和依據(jù)。 國(guó)內(nèi)外學(xué)者在運(yùn)用無(wú)人機(jī)遙感來(lái)高通量地獲取作物的冠層信息， 提高作物冠層相關(guān)信息的獲取效率等研究上取得了一定的進(jìn)展。 蘇偉等使用無(wú)人機(jī)遙感獲取不同分辨率下的不同植被指數(shù)與地面實(shí)測(cè)數(shù)據(jù)進(jìn)行回歸分析， 來(lái)確定玉米冠層LAI 和SPAD 值反演的最優(yōu)空間分辨率和最優(yōu)植被指數(shù)[5]。 田軍倉(cāng)等基于無(wú)人機(jī)多光譜遙感技術(shù)，篩選植被指數(shù)最優(yōu)變量與實(shí)測(cè)番茄冠層不同位置的SPAD 值，采用支持向量機(jī)進(jìn)行冠層SPAD 值的預(yù)測(cè)建模及驗(yàn)證， 可為番茄精準(zhǔn)管理提供理論依據(jù)[6]。 Giuseppe Modic 等利用無(wú)人機(jī)多光譜遙感技術(shù)，基于歸一化植被指數(shù)（NDVI）和歸一化紅邊植被指數(shù)（NDRE）來(lái)對(duì)橄欖樹和柑橘樹冠層進(jìn)行檢測(cè)和提取，具有較高的精度[7]。邵國(guó)敏等基于無(wú)人機(jī)多光譜遙感系統(tǒng)，結(jié)合同時(shí)期實(shí)地采集的夏玉米LAI， 建立大田玉米冠層植被指數(shù)與LAI 之間的關(guān)系模型[8]。

2.2 基于無(wú)人機(jī)遙感的作物長(zhǎng)勢(shì)監(jiān)測(cè)

使用無(wú)人機(jī)遙感技術(shù)可實(shí)時(shí)監(jiān)測(cè)農(nóng)作物的長(zhǎng)勢(shì)狀況。 目前研究者利用作物的光譜葉面積指數(shù)LAI、冠層的SPAD 值等來(lái)構(gòu)建相應(yīng)的估測(cè)模型，來(lái)達(dá)到實(shí)現(xiàn)監(jiān)測(cè)作物長(zhǎng)勢(shì)的目的。 顏安等利用無(wú)人機(jī)遙感影像生成的數(shù)字正射影像（DOM）、數(shù)字表面模型（DSM）和克里金插值法生成的離散地面高程值（DEM），來(lái)提取棉花花鈴期株高（CHM）表型數(shù)據(jù)，可快速無(wú)損地監(jiān)測(cè)棉花花鈴期長(zhǎng)勢(shì)、葉色性狀差異及分布狀況[9]。郭濤等基于無(wú)人機(jī)遙感影像分別構(gòu)建不同生育時(shí)期的小麥株高估測(cè)模型和光譜指數(shù)LAI 估測(cè)模型，借助一元線性回歸、多元逐步回歸和偏最小二乘回歸分析方法， 篩選出小麥不同生育時(shí)期最優(yōu)的株高和LAI 估測(cè)模型[10]。鄭曉嵐等基于高分辨率無(wú)人機(jī)多光譜遙感影像，利用光譜信息、空間位置及數(shù)學(xué)形態(tài)學(xué)信息，利用支持向量機(jī)回歸方法構(gòu)建具有較好穩(wěn)健性的棉株估算模型，為苗期棉花株數(shù)進(jìn)行快速估算和長(zhǎng)勢(shì)等級(jí)分類[11]。周敏姑等運(yùn)用無(wú)人機(jī)遙感技術(shù)結(jié)合地面監(jiān)測(cè)的方法，采集冬小麥各個(gè)時(shí)期的冠層光譜影像并提取反射率特征參數(shù)，建立SPAD 值的反演模型，可為無(wú)人機(jī)多光譜遙感監(jiān)測(cè)作物長(zhǎng)勢(shì)提供技術(shù)依據(jù)[12]。

2.3 基于無(wú)人機(jī)遙感的作物產(chǎn)量預(yù)估

現(xiàn)代農(nóng)業(yè)對(duì)農(nóng)作物的產(chǎn)量及其變化估測(cè)有重要的實(shí)踐意義。 在使用無(wú)人機(jī)獲取農(nóng)作物的光譜遙感圖像進(jìn)行估產(chǎn)方面， 已經(jīng)有研究者利用適合相應(yīng)作物的植被指數(shù)構(gòu)建相應(yīng)的估測(cè)模型來(lái)達(dá)到實(shí)現(xiàn)產(chǎn)量預(yù)估的目的。 韓文霆等利用自主研發(fā)的多旋翼無(wú)人機(jī)多光譜遙感平臺(tái)，采用牛頓-梯形積分和最小二乘法，構(gòu)建了基于多種植被指數(shù)和多種生育期對(duì)應(yīng)的夏玉米實(shí)測(cè)產(chǎn)量的6 種線性模型，可以快速有效診斷和評(píng)估作物長(zhǎng)勢(shì)和產(chǎn)量[13]。 王來(lái)剛等基于八旋翼無(wú)人機(jī)多光譜遙感監(jiān)測(cè)，利用NDVI、增強(qiáng)型植被指數(shù)（EVI）和綠色歸一化植被指數(shù)（GNDVI）這3種植被指數(shù)構(gòu)建葉面積指數(shù)監(jiān)測(cè)模型， 可以快速有效評(píng)估玉米長(zhǎng)勢(shì)和產(chǎn)量[14]。 Eder Eujácio da Silva 等利用無(wú)人機(jī)和多光譜傳感器，基于土壤調(diào)整植被指數(shù)（SAVI）和NDVI構(gòu)建大豆籽粒產(chǎn)量預(yù)估模型，可對(duì)大豆籽粒產(chǎn)量進(jìn)行預(yù)估[15]。

2.4 基于無(wú)人機(jī)遙感的作物水肥監(jiān)測(cè)

在農(nóng)業(yè)生產(chǎn)中， 農(nóng)作物的水肥監(jiān)測(cè)對(duì)實(shí)施精準(zhǔn)灌溉施肥有重要的意義。魏鵬飛等基于無(wú)人機(jī)多光譜影像，篩選出對(duì)玉米葉片氮素含量（LNC）敏感的光譜變量，應(yīng)用后向逐步回歸方法確定不同生育期夏玉米LNC 估測(cè)的光譜變量，實(shí)現(xiàn)對(duì)夏玉米葉片氮含量的較高精度監(jiān)測(cè)[16]。譚丞軒等基于無(wú)人機(jī)遙感平臺(tái)對(duì)夏玉米進(jìn)行多期遙感監(jiān)測(cè)，并同步采集玉米根域不同深度土壤含水率（SWC），利用全子集篩選法對(duì)不同波段和植被指數(shù)進(jìn)行不同深度土壤含水率的敏感性分析，并分別采用嶺回歸（RR）和極限學(xué)習(xí)機(jī)（ELM） 2 種方法構(gòu)建全子集篩選不同深度下的土壤含水率定量估算模型，可快速、準(zhǔn)確地監(jiān)測(cè)農(nóng)田土壤墑情[17]。 馮珊珊等基于無(wú)人機(jī)采集農(nóng)田的多光譜數(shù)據(jù)，利用垂直干旱指數(shù)（PDI），結(jié)合樣點(diǎn)土壤水分?jǐn)?shù)據(jù)快速構(gòu)建農(nóng)田土壤水分反演模型， 可以為大范圍農(nóng)田土壤水分的快速監(jiān)測(cè)提供方法參考[18]。

2.5 基于無(wú)人機(jī)遙感的病蟲害監(jiān)測(cè)

農(nóng)業(yè)病蟲害會(huì)給農(nóng)作物的生產(chǎn)造成巨大損失，對(duì)作物病蟲害進(jìn)行監(jiān)測(cè)有重要的意義。鄧小玲等通過(guò)使用無(wú)人機(jī)獲取高光譜遙感圖像， 基于特征波段使用邏輯回歸和支持向量機(jī)算法，建立柑橘患病植株分類模型，可為柑橘種植園的病蟲害監(jiān)測(cè)提供一定的數(shù)據(jù)支撐和理論支撐[19]。 Chenghai Yang 等運(yùn)用無(wú)人機(jī)搭載多光譜和高光譜傳感器， 基于特征波段和全波段分別建立對(duì)應(yīng)的棉田根腐病分類模型，可用于準(zhǔn)確地檢測(cè)和定位農(nóng)田內(nèi)的根腐病區(qū)域，用于評(píng)估棉田內(nèi)的根腐病感染[20]。Ryo Sugiura 等使用無(wú)人機(jī)獲取的RGB 圖像開展了晚枯萎病的田間抗性試驗(yàn)研究， 能有效、客觀地評(píng)估馬鈴薯晚疫病的感染程度[21]。Johanna Albetis 等利用無(wú)人機(jī)多光譜圖像，基于相對(duì)綠色指數(shù)（RGI）和紅綠指數(shù)（GRVI）兩個(gè)植被指數(shù)，計(jì)算出健康和有癥狀的葡萄藤的光譜特征，可為葡萄的病害識(shí)別做依據(jù)[22]。

3 無(wú)人機(jī)遙感農(nóng)業(yè)應(yīng)用存在的主要問(wèn)題

無(wú)人機(jī)平臺(tái)在硬件方面得到了迅速的發(fā)展。 無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用也越來(lái)越廣泛， 但仍存在一些急需解決的問(wèn)題。

3.1 在農(nóng)業(yè)應(yīng)用實(shí)踐中的問(wèn)題

無(wú)人機(jī)遙感能夠高通量地獲取農(nóng)作物的整體冠層信息，但在進(jìn)行低空航拍作物的冠層信息時(shí)，會(huì)對(duì)作物的冠層產(chǎn)生振動(dòng)，影響作物遙感圖像的獲取，需要通過(guò)研發(fā)輕量化的無(wú)人機(jī)來(lái)解決。無(wú)人機(jī)遙感在獲取作物生長(zhǎng)的中后期冠層信息時(shí)，由于葉片相互遮蔽嚴(yán)重，葉片間的噪聲點(diǎn)較多，效果不理想，需要通過(guò)算法來(lái)去除噪點(diǎn)，以減少噪聲點(diǎn)對(duì)冠層信息提取的影響[23]。目前國(guó)內(nèi)外無(wú)人機(jī)遙感技術(shù)用于農(nóng)業(yè)時(shí)， 所做的試驗(yàn)大多是在單一的試驗(yàn)田進(jìn)行且只對(duì)單一的作物進(jìn)行研究， 而不同作物生長(zhǎng)形態(tài)和冠層結(jié)構(gòu)存在較大的差別。試驗(yàn)構(gòu)建的模型難以應(yīng)用于其他作物，因此需要通過(guò)多種試驗(yàn)并改進(jìn)模型來(lái)提升對(duì)其他作物的適用性。 相較于衛(wèi)星遙感，基于無(wú)人機(jī)遙感的作物產(chǎn)量預(yù)估，長(zhǎng)勢(shì)監(jiān)測(cè)，水肥監(jiān)測(cè)等精度要求較高，但監(jiān)測(cè)范圍有局限性，需要研究將無(wú)人機(jī)遙感數(shù)據(jù)和衛(wèi)星遙感數(shù)據(jù)相互融合的技術(shù)，以同時(shí)滿足監(jiān)測(cè)精度和監(jiān)測(cè)范圍的要求[14]。

3.2 無(wú)人機(jī)遙感設(shè)備存在的問(wèn)題

無(wú)人機(jī)平臺(tái)搭載的遙感傳感器是實(shí)現(xiàn)無(wú)人機(jī)農(nóng)業(yè)應(yīng)用的重要部分。在目前無(wú)人機(jī)遙感的農(nóng)業(yè)應(yīng)用研究中，國(guó)內(nèi)外的研究人員大多數(shù)使用的是搭載多光譜相機(jī)的無(wú)人機(jī)平臺(tái)，而熱紅外成像儀等其他遙感傳感器，因?yàn)槌杀靖咔译y以搭載到無(wú)人機(jī)上的問(wèn)題， 所以相關(guān)的研究應(yīng)用并不多[4]。 無(wú)人機(jī)平臺(tái)普遍存在續(xù)航時(shí)間短的問(wèn)題，需要多次飛行才能實(shí)現(xiàn)大范圍作業(yè)， 這阻礙著無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)應(yīng)用中更進(jìn)一步發(fā)展[4]。

4 結(jié)束語(yǔ)

當(dāng)前， 國(guó)內(nèi)外有關(guān)無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用研究，如作物長(zhǎng)勢(shì)監(jiān)測(cè)，作物產(chǎn)量預(yù)估，作物水肥監(jiān)測(cè)，作物病蟲害監(jiān)測(cè)等主要應(yīng)用于北方大田作物。 盡管相關(guān)研究取得了顯著成果， 但是受地形氣候多變和作物種類繁多等因素的影響， 如何將無(wú)人機(jī)遙感技術(shù)應(yīng)用于南方丘陵山地的農(nóng)業(yè)生產(chǎn)還需要開展大量有針對(duì)性的研究。 可以根據(jù)無(wú)人機(jī)遙感技術(shù)機(jī)動(dòng)性好，靈活性大，能夠高通量獲取農(nóng)田農(nóng)情信息等特點(diǎn)， 總結(jié)無(wú)人機(jī)遙感技術(shù)應(yīng)用于小麥、玉米、棉花等大田作物的研究成果，采取相似或改進(jìn)的方法開展研究， 未來(lái)可望將無(wú)人機(jī)遙感技術(shù)與南方特色作物種植模式和制度相結(jié)合， 將無(wú)人機(jī)遙感高通量獲取作物表型信息等技術(shù)應(yīng)用到南方多種果蔬提質(zhì)增效生產(chǎn)中。 同時(shí)，隨著無(wú)人機(jī)遙感技術(shù)的不斷發(fā)展，未來(lái)無(wú)人機(jī)平臺(tái)的續(xù)航水平將得到進(jìn)一步提高， 更適合無(wú)人機(jī)搭載的遙感傳感器設(shè)備也將不斷出現(xiàn)， 相關(guān)技術(shù)的進(jìn)步將使無(wú)人機(jī)遙感技術(shù)將更加適用于多種多樣農(nóng)業(yè)生產(chǎn)場(chǎng)景的應(yīng)用。