無人機(jī)遙感在農(nóng)業(yè)監(jiān)測(cè)中的應(yīng)用研究綜述

滕連澤 羅勇 張洪吉 李思佳

摘 要：近年來，無人機(jī)遙感憑借其低成本、高空間時(shí)間分辨率等優(yōu)點(diǎn)，被廣泛應(yīng)用于作物生長(zhǎng)狀況、土壤條件和水資源變化等農(nóng)業(yè)監(jiān)測(cè)領(lǐng)域，并與田間實(shí)測(cè)、衛(wèi)星遙感、普通航空遙感共同構(gòu)成現(xiàn)代農(nóng)業(yè)監(jiān)測(cè)體系。本文在梳理國內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，綜述了無人機(jī)遙感在農(nóng)業(yè)監(jiān)測(cè)中的應(yīng)用研究現(xiàn)狀，并著重描述了基于植被指數(shù)的葉面積指數(shù)、植物色素濃度、生物量反演及其應(yīng)用，進(jìn)而提出了飛控系統(tǒng)、數(shù)據(jù)處理、信息提取、標(biāo)準(zhǔn)構(gòu)建等方面的研究展望，以期為相關(guān)研究和應(yīng)用提供參考。

關(guān)鍵詞：精準(zhǔn)農(nóng)業(yè) 無人機(jī) 農(nóng)業(yè)監(jiān)測(cè)

中圖分類號(hào)：S25 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）08（b）-0122-03

規(guī)劃航線進(jìn)行自主推進(jìn)的無人駕駛航空器，在飛行中可通過自身搭載的設(shè)備重復(fù)執(zhí)行多種任務(wù)。無人機(jī)最早于20世紀(jì)20年代將退役戰(zhàn)斗飛機(jī)改裝而來，被應(yīng)用于軍事領(lǐng)域[1]。隨著計(jì)算機(jī)、無線電等技術(shù)手段的快速發(fā)展，無人機(jī)被應(yīng)用于實(shí)戰(zhàn)中進(jìn)行敵情偵查的同時(shí)，也被應(yīng)用于節(jié)水農(nóng)業(yè)灌溉、自然災(zāi)害監(jiān)測(cè)、地質(zhì)勘探、農(nóng)情監(jiān)測(cè)等民用領(lǐng)域。農(nóng)業(yè)問題一直是人類生存和發(fā)展的關(guān)鍵，隨著社會(huì)生產(chǎn)方式的不斷變化和農(nóng)業(yè)技術(shù)的快速進(jìn)步，農(nóng)業(yè)已從傳統(tǒng)農(nóng)業(yè)逐漸轉(zhuǎn)變?yōu)樾畔⑥r(nóng)業(yè)、智慧農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)。在農(nóng)業(yè)領(lǐng)域，隨著傳統(tǒng)農(nóng)業(yè)向信息農(nóng)業(yè)、智慧農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)的轉(zhuǎn)變，以作物長(zhǎng)勢(shì)、資源狀況、環(huán)境變化為核心的農(nóng)業(yè)監(jiān)測(cè)也從傳統(tǒng)監(jiān)測(cè)手段轉(zhuǎn)變?yōu)榈孛鎸?shí)測(cè)和遙感監(jiān)測(cè)相互結(jié)合的立體化監(jiān)測(cè)模式。無人機(jī)以其靈活性強(qiáng)、周期短、成本低、操作簡(jiǎn)單等優(yōu)點(diǎn)，成為農(nóng)業(yè)監(jiān)測(cè)的研究熱點(diǎn)和發(fā)展趨勢(shì)。

1 無人機(jī)遙感農(nóng)業(yè)監(jiān)測(cè)的研究現(xiàn)狀

為滿足全球不斷增長(zhǎng)的農(nóng)產(chǎn)品需求，需要通過精準(zhǔn)管理和系統(tǒng)優(yōu)化等手段增加農(nóng)作物產(chǎn)量，這對(duì)土壤水含量、蒸散量、植被指數(shù)等作物生長(zhǎng)指標(biāo)的動(dòng)態(tài)監(jiān)測(cè)在時(shí)間、空間尺度上都提出了更高的要求。傳統(tǒng)田間實(shí)測(cè)工作量大、監(jiān)測(cè)范圍小，衛(wèi)星遙感雖然能進(jìn)行大范圍、多任務(wù)監(jiān)測(cè)，但缺乏精準(zhǔn)農(nóng)業(yè)所要求的時(shí)空分辨率。無人機(jī)操作靈活、數(shù)據(jù)取快速度快、時(shí)空分辨率高，恰好與地面監(jiān)測(cè)和衛(wèi)星遙感相互互補(bǔ)，共同構(gòu)成空天地一體化監(jiān)測(cè)體系。

近年來，無人機(jī)在國外被廣泛應(yīng)用于農(nóng)業(yè)監(jiān)測(cè)的各個(gè)領(lǐng)域，例如，Hardin等于2005年利用無人機(jī)系統(tǒng)進(jìn)行大規(guī)模草種可視化圖像的模擬繪制[2]；Swain等于2007年利用無人機(jī)系統(tǒng)對(duì)作物氮元素含量進(jìn)行監(jiān)測(cè)[3]；Berni等于2009年通過無人機(jī)系統(tǒng)監(jiān)測(cè)大尺度研究范圍內(nèi)作物等水分脅迫現(xiàn)象[4]；Hunt等于2010年基于無人機(jī)遙感數(shù)據(jù)對(duì)大尺度觀測(cè)范圍內(nèi)的大豆生物量進(jìn)行監(jiān)測(cè)[5]；Primicerio等于2012年通過無人機(jī)遙感數(shù)據(jù)對(duì)葡萄園的生長(zhǎng)活力進(jìn)行狀況進(jìn)行繪制[6]；Honkavaara等于2013年利用無人機(jī)搭載基于干涉儀（FPI）的光譜相機(jī)，建立數(shù)字表面模型對(duì)作物生物量進(jìn)行估計(jì)，并以小麥作為研究對(duì)象驗(yàn)證了FPI技術(shù)的巨大潛力[7]；Zarco等于2014年基于無人機(jī)對(duì)不連續(xù)冠層進(jìn)行生物參數(shù)檢測(cè)，通過三維重建方法進(jìn)而對(duì)作物高度進(jìn)行估算[8]；Wallace等于2016年通過對(duì)機(jī)載激光掃描與結(jié)構(gòu)運(yùn)動(dòng)（點(diǎn)云）兩種無人機(jī)技術(shù)對(duì)森林結(jié)構(gòu)進(jìn)行評(píng)估比較[9]；Liebisch等于2017年基于無人機(jī)遙感數(shù)據(jù)生成3D點(diǎn)云，在行播作物時(shí)進(jìn)行除草實(shí)驗(yàn)[10]。

相對(duì)而言，國內(nèi)無人機(jī)農(nóng)業(yè)監(jiān)測(cè)研究起步稍晚，但發(fā)展迅猛，并形成了豐富的應(yīng)用案例。例如，祝錦霞等于2010年利用無人機(jī)平臺(tái)獲取水稻葉片和冠層圖像，并提取不同氮素含量的不同葉片和冠層特征信息，進(jìn)而診斷大面積水稻富含的氮素營(yíng)養(yǎng)[11]；冷偉鋒等于2011年提出利用無人機(jī)遙感通過對(duì)作物冠層進(jìn)行電磁輻射異常檢測(cè)以確定作物病害部位[12]；李冰等于2012年利用無人機(jī)遙感系統(tǒng)對(duì)大面積作物覆蓋率進(jìn)行監(jiān)測(cè)，并以冬小麥為研究對(duì)象，提取植被指數(shù)對(duì)研究區(qū)域內(nèi)植被覆蓋度進(jìn)行測(cè)量[13]；宗南等人于2014年通過小型無人機(jī)遙感獲取灌漿期玉米可見光圖像，在紅、綠、藍(lán)波段上研究玉米倒伏圖像特征、面積的提取方法[14]；楊貴軍等人于2015年基于無人機(jī)平臺(tái)并集成多載荷傳感器研發(fā)小麥育種信息獲取系統(tǒng)，對(duì)作物表型信息進(jìn)行快速高通量獲取[15]。高林等于2016年圍繞無人機(jī)高光譜遙感反演作物葉面積指數(shù)，并在冬小麥試驗(yàn)田進(jìn)行實(shí)驗(yàn)對(duì)冬小麥葉面積指數(shù)進(jìn)行估測(cè)并對(duì)冬小麥覆蓋度進(jìn)行提取[16]。

2 無人機(jī)遙感農(nóng)業(yè)監(jiān)測(cè)的主要方法及應(yīng)用

利用無人機(jī)遙感進(jìn)行農(nóng)業(yè)監(jiān)測(cè)較航空、航天遙感增強(qiáng)了空間細(xì)節(jié)信息，對(duì)作物生長(zhǎng)狀況空間變異性監(jiān)測(cè)提供了更深入了解，使監(jiān)測(cè)到的植物信息成數(shù)量級(jí)的增加。對(duì)農(nóng)業(yè)進(jìn)行無人機(jī)遙感監(jiān)測(cè)的主要技術(shù)是將觀測(cè)到的光譜反射率、衍生指數(shù)等與作物健康條件相關(guān)聯(lián)。這些關(guān)聯(lián)關(guān)系中，植被指數(shù)是被應(yīng)用于進(jìn)行作物監(jiān)測(cè)的最廣泛的方法之一。植被指數(shù)是對(duì)植物的特定光學(xué)參數(shù)進(jìn)行光譜信息的提取，可對(duì)地表作物生長(zhǎng)狀況進(jìn)行快捷有效的定性、定量，通過對(duì)作物信息進(jìn)行增強(qiáng)，加強(qiáng)作物與土壤、大氣、光照、視場(chǎng)角等干擾信息的反差，減弱干擾信息的表達(dá)，以快速反應(yīng)作物生長(zhǎng)活力、覆蓋狀況等。

目前，國內(nèi)外提出的植被指數(shù)已有上百種，植被指數(shù)按照發(fā)展可分為3個(gè)階段：在早期，由于經(jīng)驗(yàn)和方法的限制，未考慮土壤狀況、大氣影響、光照影響、植被與土壤的相互作用，植被指數(shù)是波段的簡(jiǎn)單線性組合，以比值植被指數(shù)（RVI）為代表，受大氣、植物覆蓋率影響較大；在中期，綜合了電磁波反射規(guī)律、土壤、大氣、光照、植物、植被的相互影響，對(duì)第一階段植被指數(shù)進(jìn)行改良，提出了基于物理理論的以歸一化植被指數(shù)為代表（NDVI）的植被指數(shù)；最后是針對(duì)高光譜、熱紅外信息提出的植被指數(shù)，如導(dǎo)數(shù)植被指數(shù)（DVI）、生理反射植被指數(shù)（PRI）等[17]。

基于植被指數(shù)可對(duì)植物生物物理、生物化學(xué)參數(shù)進(jìn)行反演進(jìn)而獲得作物相關(guān)監(jiān)測(cè)信息，其應(yīng)用包括對(duì)葉面積指數(shù)、生物量、土壤濕度、植物色素濃度（葉綠素、類胡蘿卜素等）含量的反演等。

其中，葉面積指數(shù)（LAI），定義為單位土地面積上植物葉片總面積占土地面積的倍數(shù)，其值大小與作物最終產(chǎn)量高低密切相關(guān)，是用于監(jiān)測(cè)作物生長(zhǎng)和發(fā)育的常見變量；生物量是指某時(shí)刻單位面積內(nèi)的有機(jī)物質(zhì)總量，是作物有機(jī)物含量監(jiān)測(cè)的重要指標(biāo)；土壤濕度直接關(guān)系作物的健康生長(zhǎng)狀況，是農(nóng)業(yè)旱情級(jí)別監(jiān)測(cè)的重要指標(biāo)；基于空間分布的植被色素（葉綠素、類胡蘿卜素等）濃度圖可為對(duì)植物生長(zhǎng)狀況進(jìn)行監(jiān)測(cè)，并間接反映氮元素的利用能力。在植物色素中，葉片葉綠素含量代表了光合能力的強(qiáng)弱和光照的效率，類胡蘿卜素濃度可反映光照效率在較短時(shí)間尺度上的變化，并參與葉黃素的色素循環(huán)，兩者對(duì)光能進(jìn)行捕獲，并在非光化學(xué)猝滅過程中所發(fā)揮作用。在植被的光譜特征規(guī)律中，綠色植被對(duì)紅光（0.67μm）是強(qiáng)吸收、低反射的，在紅光呈現(xiàn)出反射率的極小值，所以利用紅光反射信息可估算葉片葉綠素含量，利用類胡蘿卜素對(duì)綠光較高的反射率特征則可對(duì)葉片類胡蘿卜素含量進(jìn)行估算。對(duì)于近紅外波段，由于植物細(xì)胞葉綠體的水溶膠狀態(tài)、葉肉海綿組織細(xì)胞中的空腔，都對(duì)近紅外波段形成巨大的反射作用，則反射率在近紅外波段（0.7～1.1μm）呈現(xiàn)一段峰值[18]。因此利用紅光、近紅外波段光譜信息進(jìn)行組合得到的植被指數(shù)，可以很好地進(jìn)行植被觀測(cè)，對(duì)葉面積指數(shù)、植物色素濃度、生物量等可以很好地進(jìn)行反演。

將無人機(jī)遙感影像和植被指數(shù)結(jié)合起來，近年來在農(nóng)作物監(jiān)測(cè)領(lǐng)域有廣泛應(yīng)用。例如，王斌于2009年基于無人機(jī)圖像的歸一化植被指數(shù)進(jìn)行土壤濕度監(jiān)測(cè)，利用可見光-近紅外波段，確定分?jǐn)?shù)階的植被歸一化公式，增強(qiáng)土壤濕度與遙感圖像的相關(guān)系數(shù)，建立土壤濕度監(jiān)測(cè)模型，并以美國猶他州為例進(jìn)行試驗(yàn)，得到土壤濕度監(jiān)測(cè)模型的精度良好[19]；高林等于2015年利用無人機(jī)遙感影像進(jìn)行大豆的葉面積指數(shù)反演，并以山東省嘉祥縣的大豆實(shí)驗(yàn)區(qū)為研究區(qū)域，結(jié)合歸一化植被指數(shù)、三角植被指數(shù)、土壤調(diào)整植被指數(shù)、比值植被指數(shù)、差值植被指數(shù)，建立反演模型并得出大豆真實(shí)長(zhǎng)勢(shì)情況[20]；秦占飛于2016年利用無人機(jī)影像，分析不同時(shí)間、空間的水稻光譜反射特征，建立基于綠度歸一化植被指數(shù)GNDVI、歸一化色素葉綠素指數(shù)NPCI和歸一化植被指數(shù)NDVI的多元線性模型，對(duì)水稻SPAD的預(yù)測(cè)精度良好，而基于比值植被指數(shù)RVI構(gòu)建的指數(shù)模型和線性模型，對(duì)水稻葉面積指數(shù)和葉片含氮量的預(yù)測(cè)精度良好[21]；于豐華于2017年基于無人機(jī)高光譜遙感，在作物冠層輻射傳輸機(jī)理模型PROSAIL上進(jìn)行優(yōu)化，建立水稻葉綠素、氮素、葉面積指數(shù)、生物量等生長(zhǎng)信息反演模型，為水稻生長(zhǎng)監(jiān)測(cè)提供理論基礎(chǔ)[22]；張春蘭于2018年通過利用隨機(jī)森林算法（Random Forest，RF），構(gòu)建冬小麥葉面積指數(shù)模型，對(duì)冬小麥長(zhǎng)勢(shì)進(jìn)行反演，實(shí)驗(yàn)結(jié)果表明模型精度較好并且適應(yīng)性強(qiáng)，可適用于高光譜無人機(jī)進(jìn)行高精度冬小麥葉面積指數(shù)提取[23]。

3 展望

目前無人機(jī)在農(nóng)業(yè)監(jiān)測(cè)方面的應(yīng)用日益廣泛，在提供現(xiàn)場(chǎng)規(guī)模所需的信息水平方面，無人機(jī)是精準(zhǔn)農(nóng)業(yè)領(lǐng)域的重要手段，無人機(jī)遙感的高時(shí)間空間分辨率、操作便捷、成本較低等優(yōu)點(diǎn)為作物監(jiān)測(cè)提供了極大的靈活性，為航空、航天遙感提供了補(bǔ)充手段，這一領(lǐng)域的迅速發(fā)展給精準(zhǔn)農(nóng)業(yè)、農(nóng)業(yè)活動(dòng)管理提供了的新的發(fā)展途徑。

但是，基于無人機(jī)的農(nóng)業(yè)監(jiān)測(cè)還存在諸多不足和挑戰(zhàn)。第一，電力續(xù)航能力、飛行范圍、承載力、導(dǎo)航系統(tǒng)靈活性等方面亟需加強(qiáng)，無人機(jī)飛控系統(tǒng)的改進(jìn)和提升仍是當(dāng)前的研究熱點(diǎn)之一。第二，由于無人機(jī)設(shè)備的不穩(wěn)定性和易受惡劣觀測(cè)氣候影響等局限，導(dǎo)致無人機(jī)遙感圖像質(zhì)量不穩(wěn)定，其中包括幾何和頻譜失真、低信噪比等問題。因此，運(yùn)用圖像處理技術(shù)對(duì)無人機(jī)遙感信息進(jìn)行處理，成為解決無人機(jī)圖像質(zhì)量問題的重要手段之一。第三，在執(zhí)行監(jiān)測(cè)任務(wù)過程中，無人機(jī)系統(tǒng)觀察復(fù)雜模型、解釋和處理數(shù)據(jù)等能力方面還存在問題，在與人工智能自動(dòng)識(shí)別、圖像分類等領(lǐng)域相結(jié)合時(shí)也存在諸多挑戰(zhàn)。同時(shí)，法律對(duì)無人機(jī)使用的限制中技術(shù)標(biāo)準(zhǔn)、規(guī)范的制定，也對(duì)無人機(jī)在相關(guān)領(lǐng)域獲得更廣泛、深入運(yùn)用有著重要的影響。

參考文獻(xiàn)

[1] 秦博，王蕾.無人機(jī)發(fā)展綜述[J].飛航導(dǎo)彈，2002（8）：4-10.

[2] Hardin，PJ，Jackson，Mw.An unmanned aerial vehicle for rangeland photography[J]. Rangeland Ecology & Management，2005，58（4）：439-442.

[3] Swain AKC， Jayasuriya， H P W， Salokhe V M. Suitability of low-altitude remote sensing images for estimating nitrogen treatment variations in rice cropping for precision agriculture adoption[J]. Journal of Applied Remote Sensing，2007，1（1）：6656-6659.

[4] Berni J AJ， Zarco-Tejada PJ， Suarez L，etal. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience and Remote Sensing，2009，47（3）：722-738.

[5] Hunt E RJ， Hively W D， Fujikawa S J，etal. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing，2010，2（1）：290-305.

[6] Primicerio J， Fiorillo E， Genesio L， Lugato E，et al. A flexible unmanned aerial vehicle for precision agriculture[J].Precision Agriculture，2012，13（4）：517-523.

[7] Honkavaara E， Saari H， Kaivosoja J， et al. Processing and Assessment of Spectrometric， Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture[J].Remote Sensing，2013， 5（10）：5006-5039.

[8] Zarco-Tejada PJ， Diaz-Varela R， Angileri V， et al. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle （UAV） and automatic 3D photo-reconstruction methods[J]. European Journal of Agronomy，2014，55（2）：89-99.

[9] Wallace L， Lucieer A， MalenovskZ， et al. Assessment of Forest Structure Using Two UAV Techniques：A Comparison of Airborne Laser Scanning and Structure from Motion（SfM） Point Clouds[J]. Forests，2016（7）：62.

[10] Liebisch F， Popovic M， Pfeifer J， et al. Automatic UAV-based field inspection campaigns for weeding in row crops[A].of the， Earsel Sig Imaging Spectroscopy Workshop[C].2017.

[11] 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(yíng)養(yǎng)診斷研究[J].浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版，2010，36（1）：78-83.

[12] 冷偉鋒.遙感技術(shù)在我國植物病害監(jiān)測(cè)中的應(yīng)用[A].中國植物保護(hù)學(xué)會(huì).植?？萍紕?chuàng)新與病蟲防控專業(yè)化——中國植物保護(hù)學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C].2011：1.

[13] 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(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：160-165.

[14] 李宗南，陳仲新，王利民，等.基于小型無人機(jī)遙感的玉米倒伏面積提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（19）：207-213.

[15] 楊貴軍，李長(zhǎng)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(bào)，2015，31（21）： 184-190.

[16] 高林，楊貴軍，于海洋，等.基于無人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（22）：113-120.

[17] 田慶久，閔祥軍.植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展，1998（4）：10-16.

[18] 郭鈮.植被指數(shù)及其研究進(jìn)展[J].干旱氣象，2003（4）：71-75.

[19] 王斌.基于無人機(jī)采集圖像的土壤濕度預(yù)測(cè)模型研究[D].中國石油大學(xué)，2009.

[20] 高林，楊貴軍，王寶山，等.基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2015，23（7）：868-876.

[21] 秦占飛.西北地區(qū)水稻長(zhǎng)勢(shì)遙感監(jiān)測(cè)研究[D].西北農(nóng)林科技大學(xué)，2016.

[22] 于豐華.基于無人機(jī)高光譜遙感的東北粳稻生長(zhǎng)信息反演建模研究[D].沈陽農(nóng)業(yè)大學(xué)，2017.

[23] 張春蘭，楊貴軍，李賀麗，等.基于隨機(jī)森林算法的冬小麥葉面積指數(shù)遙感反演研究[J].中國農(nóng)業(yè)科學(xué)，2018，51（5）：855-867.