基于無人機(jī)遙感的林木表型監(jiān)測進(jìn)展與展望

石永磊，周 凱，申 鑫，崔天翔，曹 林

（南京林業(yè)大學(xué) 南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，江蘇 南京 210037）

我國林業(yè)存在資源分布不均、整體質(zhì)量不高等問題，這些問題嚴(yán)重制約著我國林業(yè)發(fā)展由數(shù)量增長向數(shù)量和質(zhì)量協(xié)同增長轉(zhuǎn)型的速度[1]。面對國家生態(tài)安全、木材安全、糧油安全和“雙碳”目標(biāo)等重大戰(zhàn)略需求，在育種過程中對林木表型進(jìn)行分析，有利于提升木材品質(zhì)、林木增強(qiáng)抗逆性并縮短育種周期，從而實(shí)現(xiàn)培育優(yōu)異種質(zhì)資源的目標(biāo)[2]。同時(shí)，面對日益嚴(yán)峻的全球氣候變化，也迫切需要培育環(huán)境適應(yīng)性更好的林木[3]。相較于農(nóng)作物，林木因其多屬異花授粉、生命周期較長、體積較大、基因組較大、成分復(fù)雜等，導(dǎo)致在林木培育和縮短育種周期上存在挑戰(zhàn)[4-5]。結(jié)合現(xiàn)代信息技術(shù)發(fā)展交叉學(xué)科以及開展新技術(shù)的研發(fā)已成為加速育種進(jìn)程及實(shí)現(xiàn)育種目標(biāo)的關(guān)鍵[6]。近年來，林木表型學(xué)的研究旨在揭露林木表型、基因與環(huán)境三者間的聯(lián)系，從而結(jié)合立地條件以及科學(xué)撫育來加速優(yōu)異種質(zhì)資源選育進(jìn)程[7]。

林木表型是指林木在基因和環(huán)境等的作用下，生理、生化和形態(tài)結(jié)構(gòu)等所表現(xiàn)出來的不同性狀，是遺傳和環(huán)境的綜合表現(xiàn)[8]，與林木品質(zhì)、生長速度和抗逆性等密切相關(guān)[8-11]。因此，了解基因型與表型間的相互作用對促進(jìn)良種選育、資源高效利用和抗逆性品種培育至關(guān)重要。近年來，雖然林木全基因組測序和品種改良技術(shù)獲得了快速發(fā)展，但由于表型研究方法的限制，仍難以建立遺傳信息與林木生長、脅迫應(yīng)對等相關(guān)表型特征間的關(guān)聯(lián)。傳統(tǒng)的目測及人工量測等方法一直是育種選擇的主要途徑，但通常耗時(shí)耗力、精度不高、樣本量小、效率低[12-13]。同時(shí)，目前也缺乏有效的高通量表型數(shù)據(jù)采集設(shè)備、特征提取方法與分析技術(shù)，這些均已成為阻礙林木遺傳分析、高質(zhì)量育種和森林資源培育的主要瓶頸之一[2,14]。

遙感技術(shù)在無損、高精度、高通量及快速采集表型性狀方面具有顯著優(yōu)勢，在林木結(jié)構(gòu)、生理、生化表型性狀監(jiān)測方面具有重要潛力[15]。通過使用不同遙感觀測手段（如激光雷達(dá)、高光譜成像、葉綠素?zé)晒獬上?、熱紅外成像等技術(shù)）能夠快速、無損、動態(tài)獲取從單木到區(qū)域尺度的高精度林木表型性狀信息[16]，對突破上述林木遺傳育種的瓶頸具有重要意義。近年來，雖然已有借助手持式和車載式傳感器進(jìn)行林木表型監(jiān)測的研究[17]。然而，基于手持設(shè)備的方法難以滿足高通量林木表型信息提取的需求，而地面車載設(shè)備易受林下地形影響。此外，由于衛(wèi)星影像的分辨率相對較低，成像質(zhì)量易受天氣等條件的制約，從而限制了其在樹木表型精準(zhǔn)監(jiān)測中的應(yīng)用[18]。無人機(jī)具有操作簡單且遠(yuǎn)程操控的優(yōu)點(diǎn)，可用于完成多種復(fù)雜地形和難以到達(dá)區(qū)域的調(diào)查與監(jiān)測任務(wù)。通過搭配不同表型傳感器快速獲取的超高分辨率林木表型特征可用于監(jiān)測林木生長狀況，評估林木生理、生化特征等[19-22]。

近年來，人工智能算法（如深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等）和三維輻射傳輸機(jī)理模型快速發(fā)展并逐步應(yīng)用于遙感數(shù)據(jù)處理和分析中[23]，這些方法可有效提升傳統(tǒng)林木表型監(jiān)測精度和機(jī)理解釋、發(fā)掘新型優(yōu)異性狀、揭示基因、環(huán)境與表型性狀間關(guān)系，實(shí)現(xiàn)優(yōu)異基因型品系選育的目的[2]。為此，對近年來搭載不同傳感器的無人機(jī)在林木表型監(jiān)測上的應(yīng)用進(jìn)行了綜述。在此基礎(chǔ)上，歸納了無人機(jī)遙感林木表型監(jiān)測中主要傳感器的應(yīng)用現(xiàn)狀；介紹了無人機(jī)遙感技術(shù)在林木形態(tài)結(jié)構(gòu)、生理功能和生化組分含量性狀提取上的應(yīng)用進(jìn)展；最后對無人機(jī)遙感技術(shù)在林木遙感表型監(jiān)測上的未來發(fā)展趨勢和挑戰(zhàn)進(jìn)行了展望。

1 無人機(jī)林木表型監(jiān)測的傳感器

近年來，各傳感器時(shí)間、空間和光譜分辨率取得了顯著提升，這使得多尺度、多時(shí)相和多源近地面遙感的應(yīng)用范圍得到顯著提升。無人機(jī)通過攜帶不同傳感器可快速、無損獲取多維度、多尺度林木表型信息[16]，對加快優(yōu)異種質(zhì)資源選育以及調(diào)整培育措施至關(guān)重要。林木表型監(jiān)測中所使用的傳感器的類型可分為RGB 和多光譜、熱紅外、熒光以及激光雷達(dá)等類型。

RGB 相機(jī)相比于其他傳感器具有較高的空間分辨率和相對較低的成本，是無人機(jī)林木表型研究中最常用的傳感器。然而，RGB 相機(jī)只有3 個(gè)光譜波段，光譜信息較少。多光譜成像儀可以獲取地物多個(gè)波段反射率、后向散射能量。在光譜區(qū)域，高光譜成像儀相較于多光譜成像儀具有更高的光譜分辨率獲，但圖像后期處理難度較大，其價(jià)格較高于RGB 和多光譜成像儀。熱紅外成儀對環(huán)境具有較高的敏感性，因此常被用于提取林木冠層溫度。激光雷達(dá)具有精度高、獲取林木三維結(jié)構(gòu)信息的優(yōu)點(diǎn)，但價(jià)格較為昂貴。熒光成像儀主要用于監(jiān)測林木代謝和病蟲害等脅迫監(jiān)測。各傳感器的優(yōu)缺點(diǎn)及表型參數(shù)適用性如表1 所示。

表1 林木表型信息采集常用傳感器比較Table 1 Comparison of common sensors for tree phenotype information collection

1.1 RGB 數(shù)碼相機(jī)

RGB 數(shù)碼相機(jī)由電荷耦合器件和金屬氧化物半導(dǎo)體組成，是視覺領(lǐng)域最傳統(tǒng)、最簡單的傳感器[8]。RGB 數(shù)碼相機(jī)具有快速、低成本獲取超高分辨率地物真彩色影像和紋理信息的特點(diǎn)，可用于林木冠幅、葉片顏色、葉面積指數(shù)、生物和非生物脅迫監(jiān)測及病蟲害等級評估。無人機(jī)搭載RGB 相機(jī)能夠快速獲取林木冠層的顏色特征和紋理特征、以及無人機(jī)數(shù)字?jǐn)z影測量點(diǎn)云數(shù)據(jù)（可用于林木三維結(jié)構(gòu)重建），為獲取林木冠幅、郁閉度、材積等形態(tài)結(jié)構(gòu)表型參數(shù)，以及生理生化性狀參數(shù)和生產(chǎn)力預(yù)測[24-25]提供了可靠的數(shù)據(jù)源，對探究遺傳特性與環(huán)境因素對林木的影響程度具有重要作用。無人機(jī)搭載RGB 數(shù)碼相機(jī)顯著提升了獲取林木冠層信息的效率，并能高效獲取林木二維和三維信息，但獲取的信息僅為林木冠層中上層信息，其成像質(zhì)量易受天氣和光照影響，數(shù)據(jù)空間分辨率依賴于飛行高度，且缺乏與生理生化性狀的光吸收特征直接對應(yīng)的光譜波段。

1.2 光譜成像儀

由于林木葉片葉綠素對光的吸收作用，致使反射率光譜在550 nm 的綠光區(qū)域附近呈現(xiàn)典型反射峰，而在可見光與近紅外之間的過渡區(qū)域（690 ～750 nm）反射率急劇上升，呈現(xiàn)“紅邊”現(xiàn)象。在1 200 ～2 500 nm 短波紅外光譜區(qū)間，林木光譜反射率主要受葉片內(nèi)部水分的光吸收特征主導(dǎo)，在1 450 和1 920 nm 處呈現(xiàn)明顯的光吸收譜帶[26]。林木在干旱、營養(yǎng)虧缺、鹽脅迫、病蟲害脅迫等逆境環(huán)境下，常引起內(nèi)部生理狀態(tài)失衡，從而導(dǎo)致光譜反射率發(fā)生變化。因此，通過使用光譜成像儀獲取敏感光譜特征可有效評估不同遺傳特性、立地環(huán)境和管理措施下的林木表型性狀特征。

光譜成像儀主要分為多光譜成像儀和高光譜成像儀兩種類型。其中，多光譜成像儀在可見光和紅外光譜區(qū)域通常包含4 ～10 個(gè)波段的光譜信息，紅、綠、藍(lán)、紅邊和近紅外是最常用的光譜波段通道。無人機(jī)搭載多光譜成像儀獲取的林木超高分辨率影像及光譜、紋理信息，已被成功應(yīng)用于林木干旱脅迫監(jiān)測、病蟲害脅迫監(jiān)測以及樹種分類等領(lǐng)域[27]。然而，多光譜成像儀存在光譜分辨率較低、波段數(shù)量較少且波段間通常不連續(xù)等缺點(diǎn)[28]，這些缺點(diǎn)在一定程度上限制了其在估算林木健康狀況、葉綠素含量、干旱脅迫以及冠層生物量等理化指標(biāo)方面的應(yīng)用。相較于多光譜成像儀，高光譜成像增加了波段，從而能夠在可見光和近紅外范圍內(nèi)獲取數(shù)百甚至數(shù)千個(gè)連續(xù)的光譜波段數(shù)據(jù)[29-30]。高光譜成像儀通常包括點(diǎn)掃描、線掃面、區(qū)域掃描和單拍掃描四種類型，其中線掃描應(yīng)用最為廣泛[31]。相較于RGB 數(shù)碼相機(jī)和多光譜成像儀其工作原理較為復(fù)雜。另外，高光譜數(shù)據(jù)需頻繁進(jìn)行輻射定標(biāo)校準(zhǔn)、數(shù)據(jù)解譯復(fù)雜，且易受光照和地形環(huán)境影響。

1.3 熱紅外成像儀

植物溫度與其生理活動直接相關(guān)，任何物體會根據(jù)其溫度的變化發(fā)射不同波長的紅外電磁能量[14]?；诖?，熱紅外成像儀通過探測林木表面發(fā)射或反射的紅外輻射能量（波長通常為3 ～14 nm），可以準(zhǔn)確獲取林木冠層溫度的空間分布。氣孔導(dǎo)度是林木生長發(fā)育的重要生理特征之一，其通過控制光合作用和蒸騰速率來平衡植物碳素增加和水分損失[32]。林木熱輻射能量易受其生理活動和環(huán)境變化影響，熱紅外成像儀可基于林木熱輻射特性對林木溫度變化進(jìn)行有效監(jiān)測。例如，林木高溫脅迫早期，其光合色素含量變化較不明顯，但含水量易發(fā)生變化，引起林木水量失衡，進(jìn)而導(dǎo)致氣孔閉合、蒸騰速率降低、蒸發(fā)量減少，從而引起冠層溫度進(jìn)一步升高。因此，利用熱紅外成像儀獲取的林木冠層表面溫度信息可用于林木高溫脅迫和水分脅迫早期診斷[33-34]。

另外，不同基因型林木在葉片形態(tài)、冠層架構(gòu)和生理活動等方面表現(xiàn)出較大差異，導(dǎo)致不同林木的熱輻射和熱反射存在差異，因此利用熱紅外成像儀探測林木冠層熱量為林木基因型選擇提供了可能。目前常用的熱紅外成像儀主要有兩種：一種是能獲取點(diǎn)或線的掃描設(shè)備，另一種是具有二維紅外焦平面矩陣的設(shè)備。但熱紅外成像儀溫度分辨率較低（0.02 ℃），難以精準(zhǔn)獲取冠層溫度信息。另外易受環(huán)境溫度和土壤背景溫度噪聲影響，需在少風(fēng)、晴朗的天氣下獲取熱紅外影像。

1.4 熒光成像儀

林木冠層或葉片所吸收的光輻射能量，除大部分用于光合作用和轉(zhuǎn)化為熱能進(jìn)行消耗外，剩下的小部分能量被轉(zhuǎn)化為波長更長、能量更低的反射光，即葉綠素?zé)晒?。葉綠素?zé)晒饽芊从沉帜竟趯踊蛉~片光能吸收、光化學(xué)反應(yīng)和固碳等過程，被稱為光合作用的探針。熒光成像儀通過人工誘導(dǎo)（主動）或太陽光誘導(dǎo)（被動）林木光合作用，探測光合作用中發(fā)出的熒光信號來反映林木光合作用的動態(tài)變化。通過測量林木光合作用過程中發(fā)出的葉綠素?zé)晒鈴?qiáng)度可以研究光合作用中的光能捕獲、能量轉(zhuǎn)換和電子傳遞等信息[35]。因此，葉綠素?zé)晒鉃榛诜瓷涞墓庾V學(xué)提供了補(bǔ)充信息。林木幾乎所有的光合作用過程均能通過葉綠素?zé)晒庾饔眠M(jìn)行表征，生物脅迫和非生物脅迫會直接影響林木的光合作用過程[36]，從而間接影響林木的生長發(fā)育，通過熒光成像儀可監(jiān)測林木發(fā)生脅迫的時(shí)間和受脅迫等級[37]。

近年來，為測量葉片和冠層水平葉綠素?zé)晒猓懤m(xù)開發(fā)了FlouWat、FloXBoX 等多種測量設(shè)備[38]。此外，GOSAT、SCIAMACHY、GOME-2、OCO-2、TanSat、TROPOMI、OCO-3 等衛(wèi)星數(shù)據(jù)已被用于在不同空間和時(shí)間尺度上推導(dǎo)葉綠素?zé)晒?。但其空間分辨率較低，無法用于林木表型監(jiān)測。無人機(jī)具有獲取低空高分辨率數(shù)據(jù)的能力，因主動熒光受激發(fā)條件影響，目前被動熒光成像和非成像設(shè)備（Ocean Insight QE PRO 等）常搭載在無人機(jī)上獲取林木表型性狀信息[39]，但冠層熒光易受冠層結(jié)構(gòu)、觀測幾何等因素的影響。

1.5 激光雷達(dá)

激光雷達(dá)傳感器LiDAR（Light detection and ranging）主要用于與林木三維結(jié)構(gòu)相關(guān)的表型性狀提取研究。LiDAR 是一種能夠向林木發(fā)射激光脈沖并接收其返回脈沖的主動遙感技術(shù)，具有高分辨率、強(qiáng)抗干擾能力、全天候工作和獲取豐富地物信息的特點(diǎn)[40]，已成為目前林木表型監(jiān)測中常用的技術(shù)之一[3]。LiDAR 起步于20 世紀(jì)70 年代，經(jīng)過近50 年的發(fā)展，已從早期離散和單波段LiDAR 發(fā)展到波形和多波段LiDAR。LiDAR 數(shù)據(jù)以離散點(diǎn)云和全波形兩種方式進(jìn)行存儲。其中，前者可獲得高密度、高精度的林木三維點(diǎn)云數(shù)據(jù)，后者能夠獲得詳細(xì)的林木垂直剖面信息。目前，離散點(diǎn)云數(shù)據(jù)在林業(yè)中應(yīng)用更為廣泛。雖然其在林木表型三維空間數(shù)據(jù)獲取上具有優(yōu)勢，但其光譜分辨率較低，為獲取更高光譜分辨率信息，雙通道激光雷達(dá)[41]，多光譜激光雷達(dá)[40-43]和高光譜激光雷達(dá)[44]也應(yīng)運(yùn)而生。上述LiDAR 系統(tǒng)可獲取更多的光譜和結(jié)構(gòu)信息，有利于在三維空間中監(jiān)測林木的光合利用效率和生理狀態(tài)[45]。

除了不斷開發(fā)完善傳感器外，LiDAR 平臺也獲得迅速發(fā)展，以便于實(shí)現(xiàn)更多表型參數(shù)的量測。根據(jù)傳感器觀測范圍不同，又可分為地面、近地面、航空和航天傳感平臺[3]。地面?zhèn)鞲衅脚_包括地基式、手持式、背包式、車載式和龍門式。近地面和航空航天傳感平臺主要包括無人機(jī)、飛機(jī)和衛(wèi)星、空間站等。飛機(jī)平臺更適用于景觀尺度監(jiān)測，針對全球或區(qū)域尺度，一般采用衛(wèi)星LiDAR 進(jìn)行監(jiān)測。然而，衛(wèi)星LiDAR 點(diǎn)云密度較低，主要用于林木分布監(jiān)測，很少用于林木育種和培育研究[3]。相比之下，無人機(jī)能夠低成本、高效地獲取林木表型信息，并將單木尺度擴(kuò)展到樣地尺度甚至景觀尺度。

隨著無人機(jī)LiDAR 數(shù)據(jù)采集能力的不斷增強(qiáng)，迫切需要開發(fā)適應(yīng)性更好的算法以滿足高精度林木表型參數(shù)提取。其中，無人機(jī)LiDAR 數(shù)據(jù)預(yù)處理算法（如配準(zhǔn)、去噪、重采樣、濾波和歸一化等）和單木分割算法（基于冠層高度模型和基于點(diǎn)云的方法）是精準(zhǔn)獲取單木表型性狀的前提。針對已提取的單木采用高度分位數(shù)、體元化、骨架重建等構(gòu)思的算法可精準(zhǔn)獲取樹高、冠幅、胸徑、材積、生物量、葉面積指數(shù)、覆蓋度等林木表型性狀。對所獲取的精細(xì)表型數(shù)據(jù)進(jìn)行分析可了解林木生長發(fā)育進(jìn)程、內(nèi)部競爭關(guān)系及環(huán)境變化與其響應(yīng)關(guān)系等。近年來，通過將LiDAR 數(shù)據(jù)與多光譜、高光譜數(shù)據(jù)相結(jié)合來協(xié)同分析垂直和水平方向的三維結(jié)構(gòu)和光譜信息，可提升生理生化參數(shù)和結(jié)構(gòu)參數(shù)的反演精度，并可精準(zhǔn)定量地對其在冠層中的空間分布進(jìn)行分析[9]。

2 無人機(jī)林木表型性狀監(jiān)測進(jìn)展

2.1 形態(tài)結(jié)構(gòu)表型性狀監(jiān)測

2.1.1 樹高測量

樹高是指林木的根莖處至主干梢頂?shù)拈L度，作為林木重要的表型參數(shù)之一，能夠反映林木在不同立地條件下的高度生長狀況和碳水化合物儲存能力[46]。同時(shí)，樹高與林木的長勢、生長速度和材積量變化等密切相關(guān)[46]。在用材林中通過對樹高的變化監(jiān)測，可選育出高度生長速度較快的林木進(jìn)行育種，以獲取具有高生長優(yōu)勢的材種。另外，監(jiān)測林木高度生長信息，分析其高度變化可及時(shí)對培育措施進(jìn)行調(diào)整來優(yōu)化優(yōu)異樹種培育進(jìn)程。

傳統(tǒng)的樹高測量主要使用測高桿或測高器（基于幾何相似或三角函數(shù)原理）對單株立木高度進(jìn)行測量，其操作雖較為簡單，但費(fèi)時(shí)費(fèi)力且測量范圍有限[47-49]。近年來，隨著無人機(jī)和傳感器的發(fā)展，無人機(jī)激光雷達(dá)、無人機(jī)攝影測量技術(shù)在快速無損獲取林木樹高表型信息上表現(xiàn)出巨大潛力[50]。目前，無人機(jī)激光雷達(dá)技術(shù)在樹高監(jiān)測中應(yīng)用較為廣泛。多項(xiàng)研究將無人機(jī)激光雷達(dá)數(shù)據(jù)應(yīng)用于樹高測量，并取得了良好的效果[51-53]。利用無人機(jī)激光雷達(dá)數(shù)據(jù)測量樹高主要有以下兩種方法：直接從點(diǎn)云[54]和從激光雷達(dá)數(shù)據(jù)生成的CHM 中獲取[55]。與原始點(diǎn)云數(shù)據(jù)相比，CHM 柵格數(shù)據(jù)處理速度較快，且有利用單木樹冠識別，常被用于樹高提取，但其精度易受柵格數(shù)據(jù)分辨率影響。多種研究表明通過增加點(diǎn)云密度可有效獲取更準(zhǔn)確的樹高[56-58]。然而，更高密度激光雷達(dá)數(shù)據(jù)需要更昂貴的數(shù)據(jù)采集設(shè)備。盡管如今激光雷達(dá)成本有所下降，但對于許多用途來說，其成本仍然過高。隨著無人機(jī)攝影測量的發(fā)展，運(yùn)動恢復(fù)結(jié)構(gòu)算法SfM（Structure from motion photogrammetry）為評估樹高等關(guān)鍵林木表型參數(shù)提供了一種有效且低成本的方案。SfM 利用計(jì)算機(jī)視覺和攝影測量原理，通過將獲取的不同視覺的林木重疊圖像間的共同特征進(jìn)行映射可構(gòu)建林木3D 模型[59]，從而用于樹高測量。但SfM 受限于林木冠層密度和光照。另外，利用高分辨率光學(xué)影像解譯的單木陰影與實(shí)測樹高建立回歸模型也可實(shí)現(xiàn)樹高估測[60]，但光學(xué)影像提取樹高的精度易受太陽方位角、坡度、坡向等諸多因素影響。

2.1.2 冠幅測量

樹冠是樹木進(jìn)行光合作用的主要場所，在監(jiān)測林木生長狀況和表征林木間的競爭關(guān)系上起著重要作用，與林木高度、生物量等緊密相關(guān)。冠幅是描述樹冠水平分布的度量，是衡量林木冠部大小的重要指標(biāo)。傳統(tǒng)單木冠幅獲取多以人工調(diào)查和基于影像的目視解譯為主[61]，該方法效率低下且主觀性較強(qiáng)。隨著遙感技術(shù)和人工智能算法的不斷發(fā)展，準(zhǔn)確、快速、大范圍獲取林木冠幅成為可能。利用獲取的林木冠幅信息可進(jìn)一步了解林木生長狀況、環(huán)境適應(yīng)能力、優(yōu)勢樹種空間競爭關(guān)系，為林木優(yōu)異種質(zhì)資源選育提供科學(xué)依據(jù)。

20 世紀(jì)90 年代以來，圖像分析技術(shù)獲得了快速發(fā)展，并逐漸應(yīng)用于單木冠幅提取上。這些技術(shù)可分為單木檢測和單木樹冠描繪兩種[62]。前者提取單木位置或樹梢作為點(diǎn)特征，常用的單木樹冠檢測方法有局部最大值法、圖像二值化、尺度分析和模板匹配法[63-65]。而后者將單木冠幅描繪為多邊形區(qū)域，區(qū)域生長法[66]、谷底追蹤法[67]和分水嶺分割法[68]是最常用的方法。但這些傳統(tǒng)方法挖掘的圖像信息較為有限，且都需要被動調(diào)參來提高冠幅分割精度，深度學(xué)習(xí)（卷積神經(jīng)網(wǎng)絡(luò)（CNN）、U-Net、深度卷積對抗網(wǎng)絡(luò)（DCGAN）等）等人工智能算法具有較強(qiáng)適應(yīng)和自動化能力，通過融入多個(gè)特征進(jìn)行學(xué)習(xí)，在冠幅分割前能夠主動考慮林木遮擋、重疊等情況，為有效解決上述方法存在的不足提供新思路[69-70]。在圖像目標(biāo)檢測和實(shí)例分割中，CNN 應(yīng)用最為廣泛，其將卷積層添加到神經(jīng)網(wǎng)絡(luò)中，通過對其進(jìn)行不斷訓(xùn)練可實(shí)現(xiàn)冠幅像素級分割[71]。已有研究表明CNN 模型在單木檢測和樹冠邊界識別方面能夠取得較高準(zhǔn)確率（準(zhǔn)確率可達(dá)90%以上）[71-72]，但其精度的提升往往需要引入大量訓(xùn)練樣本。

隨著無人機(jī)激光雷達(dá)傳感器的不斷發(fā)展以及其成本的不斷下降，如今已在林木冠幅提取中得到了廣泛應(yīng)用。目前，基于激光雷達(dá)數(shù)據(jù)進(jìn)行冠幅提取主要分為基于柵格化的CHM 分割[73]和基于點(diǎn)云空間屬性的點(diǎn)云分割[74]兩類。基于柵格化的CHM 分割主要通過采用分水嶺分割[75]、區(qū)域增長分割[76-77]等來確定樹冠邊界。為提高分割精度，當(dāng)前研究首先利用實(shí)測單木位置或初步分割結(jié)果生成種子點(diǎn)，然后通過種子點(diǎn)位置采用上述方法進(jìn)行冠幅精準(zhǔn)提取[78-79]?；诳臻g屬性的點(diǎn)云分割是利用點(diǎn)云間的空間位置和領(lǐng)域點(diǎn)分布特征進(jìn)行單木分割，然后基于單木點(diǎn)云采用分層切片或均值移動聚類等分割方法提取冠幅[80]。隨著深度學(xué)習(xí)等人工智能算法的發(fā)展，PointNet、快速回歸卷積神經(jīng)網(wǎng)絡(luò)等方法均被用于冠幅分割[81-82]，并取得了不錯(cuò)的效果。但由于點(diǎn)云空間分布的復(fù)雜性，迫使這些方法需要大量的先驗(yàn)知識。

2.1.3 葉面積指數(shù)測量

葉片是林木的重要組成部分，其生長狀況與林木生長發(fā)育過程和光合利用率息息相關(guān)。因此，葉面積指數(shù)LAI（Leaf area index）是林木表型的重要參數(shù)。LAI 表示單位面積內(nèi)葉片表面積與地面投影的比值，常被用來表征林木活力和冠層結(jié)構(gòu)。LAI 與林木光合作用、呼吸作用、水分利用等生理過程息息相關(guān)，對其進(jìn)行分析有助于探究林木脅迫狀況及選育優(yōu)良樹種。

20 世紀(jì)90 年代以來，LAI 反演在林木表型監(jiān)測中得到了廣泛研究[83]。LAI 測量方法可分為直接法和間接法，直接法一般需要人工破壞性采樣，并利用測量儀器（LI-3000C、CI-202 等）進(jìn)行測量，當(dāng)樣本具有足夠代表性時(shí)，其相比于間接法精度較高，但采樣范圍有限，常被用于驗(yàn)證間接方法[84]。間接法包括基于Beer 定律的光學(xué)方法和斜點(diǎn)樣方法，通常通過測量一些變量（如間隙率、光透射率、光譜反射率等）來間接估算LAI。光學(xué)方法通過使用LAI-2000 等非破壞性儀器從冠層的輻射傳輸能量中推斷LAI[85]，斜點(diǎn)樣方法是利用點(diǎn)樣方穿過冠層，計(jì)算點(diǎn)樣方與葉片的接觸次數(shù)來估算LAI[86]。

無人機(jī)遙感技術(shù)的發(fā)展為快速估算LAI 空間分布及動態(tài)變化提供了有效的方法。常用于監(jiān)測LAI 的傳感器主要包括RGB 數(shù)碼相機(jī)、光譜成像儀、LiDAR 傳感器等，但從3 種傳感器數(shù)據(jù)中提取LAI 的方法有所差異。其中，基于圖像形態(tài)學(xué)處理方法可從RGB 圖像中提取LAI（如球面鏡法）。利用獲得的光譜圖像信息結(jié)合經(jīng)驗(yàn)?zāi)Ｐ停ㄈ缍嘣貧w模型）或輻射傳輸模型（如PROSAIL模型），可非破壞性間接估算LAI[87]；通過使用LiDAR 掃描儀對林木進(jìn)行掃描可獲取冠層點(diǎn)云的三維分布進(jìn)而基于Beer-Lambert 定律或利用提取的冠層結(jié)構(gòu)特征變量與實(shí)測LAI 構(gòu)建統(tǒng)計(jì)模型來估測LAI[88]。常用的LAI 估算方法多是利用回歸方法建立實(shí)測LAI 與光譜反射率[89-91]或冠層結(jié)構(gòu)特征之間的關(guān)系來反演LAI，其核心是優(yōu)選最優(yōu)參數(shù)和建立估算模型。借助輻射傳輸模型以正演方式模擬植被反射率和透射率[92]，并基于反射率和透射率反演LAI 也是最常用的LAI 估算方法[93]。

2.1.4 地上生物量測量

生物量，尤其地上生物量AGB（Aboveground biomass）是樹木育種中重要的性狀之一。林木AGB 是指林木地上部分的干物質(zhì)量，是衡量林木生長、碳固定和生態(tài)價(jià)值的重要指標(biāo)。對林木單木AGB 進(jìn)行監(jiān)測，可預(yù)測林木幼苗未來生長潛力，篩選優(yōu)異基因進(jìn)行種質(zhì)改良。同時(shí)可評估林木健康狀況和營養(yǎng)狀態(tài)，有利于優(yōu)樹選育和養(yǎng)分管理。單木AGB 可通過直接或間接方法進(jìn)行測量或估算。直接法是測定AGB 最準(zhǔn)確的方法，通過實(shí)地破壞性收割、烘干、稱重獲取林木AGB[94]。間接法包括基于異速生長方程、蓄積量轉(zhuǎn)換和構(gòu)建遙感模型來估算AGB。異速生長方程是利用易獲得的林木結(jié)構(gòu)表型參數(shù)（高度、胸徑等）建立統(tǒng)計(jì)關(guān)系模型估算林木AGB[95]，然而該方程是建立在特定地點(diǎn)破壞性林木采樣的基礎(chǔ)上，其準(zhǔn)確性受限于特定地點(diǎn)、特定物種和特定物種基因[96-98]。蓄積量轉(zhuǎn)換法是利用提取的林木材積結(jié)合體積膨脹系數(shù)、平均木材密度和生物量膨脹系數(shù)來估算AGB[99]。

無人機(jī)遙感作為快速、準(zhǔn)確獲取多時(shí)相林木結(jié)構(gòu)信息的技術(shù)，正逐漸應(yīng)用于林木地上生物量的估算。光學(xué)遙感是目前應(yīng)用較為廣泛的遙感數(shù)據(jù)源，雖然其在實(shí)現(xiàn)區(qū)域尺度AGB 反演上表現(xiàn)較優(yōu)，但針對單木尺度，由于其獲取的林木結(jié)構(gòu)參數(shù)有限，盡管可以利用冠幅和光譜特征實(shí)現(xiàn)AGB反演，但其結(jié)果未能獲得普遍適用性[94]。另外，由于光學(xué)遙感數(shù)據(jù)具有不同的時(shí)間、空間和光譜分辨率，如何有效提取光學(xué)遙感數(shù)據(jù)中用于AGB建模的變量因子顯得至關(guān)重要。無人機(jī)激光雷達(dá)具有獲取林木三維結(jié)構(gòu)信息的能力，在區(qū)域尺度乃至景觀尺度表現(xiàn)出巨大前景[100]。相較于地基激光雷達(dá)，其能夠獲取更加精細(xì)的冠層結(jié)構(gòu)信息（優(yōu)勢樹高、冠層大小等）[101]，但由于樹干點(diǎn)云密度所限，胸徑監(jiān)測仍然存在巨大挑戰(zhàn)[102]?；跓o人機(jī)激光雷達(dá)獲取單木AGB 通常依賴于傳統(tǒng)的異速生長方程[103-104]。缺乏有效的林木胸徑信息，嚴(yán)重制約著模型反演AGB的精度[105]，為有效估算胸徑，研究者通過探究樹冠直徑與胸徑的關(guān)系來估算胸徑[106]，但其仍然會產(chǎn)生偏差。在未來可進(jìn)一步通過改進(jìn)單木檢測和樹冠分割算法或研究地基激光雷達(dá)和無人機(jī)激光雷達(dá)間的互補(bǔ)性來提升AGB 估算精度。另外，基于點(diǎn)云數(shù)據(jù)的枝葉分離、樹干重構(gòu)等方法的創(chuàng)新與優(yōu)化也將逐漸應(yīng)用于提升林木AGB 估算精度[99,107]。

2.2 生化組分含量表型性狀監(jiān)測

2.2.1 葉綠素含量監(jiān)測

葉綠素是林木葉片中的重要有機(jī)分子，其含量多寡是評價(jià)植物光合作用的重要指標(biāo)，可為植物病蟲害脅迫、營養(yǎng)脅迫和環(huán)境脅迫診斷提供科學(xué)依據(jù)[108]。此外，氮是合成葉綠素的關(guān)鍵元素，研究發(fā)現(xiàn)葉片氮和葉綠素之間存在顯著相關(guān)性。因此，葉綠素含量的評估對指導(dǎo)氮肥施用調(diào)控起著至關(guān)重要作用。雖然傳統(tǒng)的分光光度計(jì)測量法能夠精準(zhǔn)地測定林木葉片葉綠素含量，但需要進(jìn)行復(fù)雜耗時(shí)的化學(xué)分析，且難以實(shí)現(xiàn)整個(gè)冠層的葉綠素含量測定[109]。光譜技術(shù)、熒光技術(shù)因其快速、無損的優(yōu)點(diǎn)被逐漸用于林木生化組分含量估測，特別是在葉綠素含量估測方面得到廣泛關(guān)注[8]。

葉綠素?zé)晒鈧鞲衅鳛榱帜救~綠素含量的測定提供了一種有效的途徑。葉綠素?zé)晒庑盘柨煞譃榧t色熒光和遠(yuǎn)紅色熒光信號，通常利用二者的比值來估算葉綠素含量。然而，葉綠素?zé)晒鈧鞲衅鞫噌槍我恢仓赀M(jìn)行探測，而無人機(jī)獲取的是林木群體冠層面源信息，因而仍難以直接應(yīng)用。高光譜具有波段多且窄的優(yōu)點(diǎn)，能夠?qū)Σ煌脖簧韰?shù)進(jìn)行微弱光譜差異區(qū)分，已成為水平結(jié)構(gòu)上葉綠素反演的主要數(shù)據(jù)源。目前，基于高光譜數(shù)據(jù)定量反演林木葉綠素含量主要采用參數(shù)（藍(lán)邊、黃邊、紅邊）和構(gòu)建高光譜植被指數(shù)（NDVI750、NDVI670、EVI 等）模型[110]。無人機(jī)激光雷達(dá)能夠提供詳細(xì)的林木冠層垂直結(jié)構(gòu)信息，研究表明兩者融合可有效獲取單木尺度葉綠素含量三維空間分布[110]。模型的改進(jìn)可有效提升葉綠素含量估算精度，常用的模型有統(tǒng)計(jì)模型法和物理模型法。統(tǒng)計(jì)模型法通過對光譜特征參數(shù)（植被指數(shù)、光譜波段特征等）與實(shí)測葉綠素含量之間建立統(tǒng)計(jì)回歸關(guān)系，進(jìn)而構(gòu)建葉綠素含量估測模型。物理模型法主要基于輻射傳輸理論模擬光在林木內(nèi)部的輻射傳輸過程與作用機(jī)理，通過構(gòu)建反射率與葉綠素含量相應(yīng)的查找表，并結(jié)合深度學(xué)習(xí)等人工智能算法，從而精確反演林木葉綠素含量。

2.2.2 主要營養(yǎng)元素含量監(jiān)測

氮、磷、鉀是林木生長過程中重要的營養(yǎng)元素，氮、磷、鉀元素的缺乏將引起林木光合作用效率降低、生長發(fā)育緩慢[112]。氮、磷、鉀含量影響著林木葉綠素的積累生成，樹葉褪綠是元素缺乏的常見表征，氮元素的缺乏易導(dǎo)致整個(gè)樹冠的樹葉普遍泛黃，磷、鉀元素的缺乏易導(dǎo)致葉尖出現(xiàn)黃化現(xiàn)象[113]。施肥可改善林木營養(yǎng)元素缺乏所引起的一系列癥狀，但過量的施肥易對林木和環(huán)境產(chǎn)生負(fù)面影響，甚至引發(fā)生物量下降、環(huán)境破壞等問題。因此，對林木葉片營養(yǎng)元素含量進(jìn)行持續(xù)監(jiān)測對于改善林木生長狀況具有重要作用。

傳統(tǒng)的林木營養(yǎng)元素含量主要通過破壞性取樣和實(shí)驗(yàn)室化學(xué)分析來測定，但該方法具有破壞性和滯后性[114]。隨著遙感技術(shù)的發(fā)展，基于遙感方法監(jiān)測林木營養(yǎng)狀況已成為當(dāng)前的研究熱點(diǎn)。林木樹冠可吸收、透射和反射電磁輻射，光譜反射率的變化跟葉片表面性質(zhì)、內(nèi)部結(jié)構(gòu)和元素含量息息相關(guān)。因此，通過對光譜反射率分析可間接估算林木冠層營養(yǎng)元素含量。依據(jù)不同營養(yǎng)元素的敏感光譜特征的差異性（如氮元素對400 ～700 nm的可見光波段和750 ～900 nm 的紅外波段較為敏感，鉀元素對1 600 nm 附近與水分吸收有關(guān)的短波紅外波段較為敏感），可基于光譜技術(shù)對林木營養(yǎng)元素進(jìn)行診斷。

最初主要基于衛(wèi)星多光譜和高光譜數(shù)據(jù)采用統(tǒng)計(jì)分析方法對林木氮素含量進(jìn)行反演，但衛(wèi)星數(shù)據(jù)易受云霧影響且分辨率較低。隨著低空無人機(jī)技術(shù)的發(fā)展，近年來多利用無人機(jī)搭載高光譜傳感器來快速無損地獲取林木冠層光譜信息，并利用獲取的信息對冠層氮含量進(jìn)行估算。目前，基于高光譜數(shù)據(jù)定量估算氮含量主要采用以下3種方法：第1 種利用簡單統(tǒng)計(jì)回歸或機(jī)器學(xué)習(xí)算法建立氮含量與反射率間的關(guān)系[115]；第2 種是建立光譜指數(shù)-氮含量回歸模型[115]；第3 種是使用PROSAIL 等輻射傳輸模型反演葉綠素含量（多基于可見光-近紅外波段）或蛋白質(zhì)含量（多基于短波紅外波段），進(jìn)而間接估測與葉綠素和蛋白質(zhì)緊密相關(guān)的氮元素含量[116]。

2.3 生理功能表型性狀監(jiān)測

2.3.1 水分脅迫監(jiān)測

水分不僅是林木生長、發(fā)育和繁殖過程中所需的重要物質(zhì)，也是評價(jià)林木進(jìn)行蒸騰、光合和呼吸等生理狀況的重要指標(biāo)[117]。氣孔導(dǎo)度、冠層溫度、葉片水勢是影響林木水分狀況的主要因素，及時(shí)對林木水分狀況進(jìn)行監(jiān)測可有效地避免水分脅迫和預(yù)防森林火災(zāi)。傳統(tǒng)的林木含水量估算主要是對實(shí)地采伐的林木進(jìn)行烘干從而獲得林木含水量，雖然估測精度較高，但該方法費(fèi)時(shí)費(fèi)力、易對該區(qū)域的生態(tài)造成破壞且只能反映樣本短期內(nèi)的含水量。嚴(yán)重缺水會引起林木生理和生化發(fā)生變化，從而抑制光合作用和引起葉片色素含量發(fā)生改變。另外，林木在水分虧缺狀態(tài)下，蒸騰速率往往降低、內(nèi)部溫度升高，因此，早期研究中多采用熱紅外成像儀對林木水分進(jìn)行無損測量[118]。熱紅外成像儀獲取的熱圖像通常包含冠層溫度和背景溫度，而如何消除土壤背景噪聲是基于熱圖像開展水分脅迫監(jiān)測時(shí)需解決的關(guān)鍵問題。考慮到通過冠層與背景的溫差可以實(shí)現(xiàn)冠層和土壤背景的分離，但該方法易受環(huán)境因素影響，因此選擇合適時(shí)間段進(jìn)行熱圖像獲取在開展林木水分脅迫監(jiān)測中也顯得尤為重要。此外，通過同時(shí)采集冠層熱圖像和彩色圖像，并基于彩色圖像采用分割算法獲取林木冠層信息，該方法能夠在冠層與背景溫度相差不大下分割出冠層，從而提升冠層溫度的準(zhǔn)確性。林木受水分脅迫影響，其CO2吸收速率會明顯降低，引起光合作用速率降低，導(dǎo)致葉綠素?zé)晒獍l(fā)生改變。因此，在林木水分脅迫早期可采用熒光成像儀對其進(jìn)行有效監(jiān)測。

另外，植被光譜反射率理論表明綠色植被在近紅外（NIR：750 ～1 400 nm）和短波紅外（SWIR：1 401 ～2 500 nm）之間的反射率變化與植被含水量具有強(qiáng)相關(guān)性。早在20 世紀(jì)，光譜技術(shù)已被用于植被含水量監(jiān)測，眾多研究者發(fā)現(xiàn)植被在970、1 200、1 450、1 950 和2 500 nm 波段附近對水分含量敏感性最強(qiáng)[119-121]。Kimes 等[122]證明850 和1 600 nm兩波段的比值與植被含水量相關(guān)性較強(qiáng)，并提出了著名的歸一化差值紅外指數(shù)（NDII）。Wang 等[123]基于NDII 對林木葉片含水量進(jìn)行了成功估算。Penuelas 等[124]證明在SWIR 波段970 nm附近的水吸收峰可用來進(jìn)行植被水分含量監(jiān)測，基于此其提出了著名的水分指數(shù)（WI）。Gao等[125]對860 和1 240 nm 的兩波段進(jìn)行組合提出了歸一化水指數(shù)（NDWI），該指數(shù)適用于估測冠層含水量。除此之外，歸一化植被指數(shù)（NDVI）[126]也廣泛應(yīng)用于林木水分脅迫監(jiān)測。

2.3.2 病蟲害脅迫監(jiān)測

森林病蟲害是抑制林木正常生長、降低木材材質(zhì)的主要因素之一。對林木表型變化進(jìn)行分析有助于及時(shí)了解林木病蟲害發(fā)生時(shí)間和發(fā)生位置，對有效控制病蟲害傳播以及進(jìn)行科學(xué)防治具有重要意義。傳統(tǒng)林木病蟲害監(jiān)測多以人工實(shí)地目視觀察林木外觀變化為主，該方法費(fèi)時(shí)費(fèi)力、具有主觀決定性且獲取的信息存在滯后性，導(dǎo)致往往無法在早期發(fā)現(xiàn)林木病變癥狀。相比于傳統(tǒng)人工觀測，基于遙感數(shù)據(jù)解譯的林木病蟲害結(jié)果相對來說更客觀、更準(zhǔn)確[127]。林木受病蟲害攻擊后，水分和養(yǎng)分運(yùn)輸受阻，易對葉片內(nèi)部生理功能造成影響（葉綠素含量、胡蘿卜素含量、水分運(yùn)輸速率、光合作用、蒸騰作用等），進(jìn)而導(dǎo)致林木葉片逐漸發(fā)生色變，基于此可探究林木病蟲害脅迫所處階段。病蟲害攻擊可分為綠色攻擊、紅色攻擊和灰色攻擊3 個(gè)階段[34]。在綠色攻擊階段，葉和冠雖保持綠色，但生理表型參數(shù)已開始發(fā)生變化；在紅色攻擊階段，葉片失水，細(xì)胞和組織結(jié)構(gòu)受損，葉綠素含量減少，葉片顏色逐漸由綠色變?yōu)辄S色或紅色；最后，為灰色攻擊階段，該階段林木完全失水并枯萎，葉片脫落[108,128]。上述癥狀可導(dǎo)致林木光合速率減弱，可見光部分反射率顯著增加，紅外部分反射率明顯降低，可為基于遙感的早期病蟲害監(jiān)測提供依據(jù)。

無人機(jī)攜帶的可見光數(shù)碼相機(jī)可快速獲取林木冠層高分辨率圖像，應(yīng)用深度學(xué)習(xí)模型可有效監(jiān)測林木病變位置[129]。然而，在林木發(fā)生病變的早期階段，由于可見光圖像光譜較少且顏色無明顯變化，僅利用可見光數(shù)據(jù)開展病變監(jiān)測的精度并不理想[129]。高光譜成像儀在可見光到近紅外和短波紅外區(qū)域可獲取數(shù)百個(gè)連續(xù)波長的光譜數(shù)據(jù)，對其光譜特征進(jìn)行分析有利于獲取感染林木的生理變化，從而實(shí)現(xiàn)林木病蟲害早期監(jiān)測[130]。光譜特征分析通常包含3 類：第1 類是在全波段光譜內(nèi)，常用的方法有光譜反射率分析[131-132]、光譜小波變換系數(shù)分析[92]及微分光譜反射率分析[133]；第2 類是在特定波段范圍內(nèi)，如：紅邊、藍(lán)邊位置等[134]；第3 類是基于特定波段構(gòu)建的光譜指數(shù)，例如：修正的葉綠素吸收指數(shù)（MCARI）、歸一化植被指數(shù)（NDVI)、水體指數(shù)（WI)等[135-138]。

此外，熱紅外成像和熒光技術(shù)也被用于林木病蟲害早期監(jiān)測。當(dāng)林木發(fā)生病蟲害時(shí)，最大光合效率（Fv/Fm）會降低，根據(jù)最大光合效率值可判斷病蟲害狀況，從而在冠層尺度對林木病蟲害進(jìn)行精準(zhǔn)評估。除熒光反應(yīng)外，林木受病蟲害感染后其呼吸和蒸騰速率會發(fā)生改變，從而引起冠層溫度發(fā)生明顯變化，因此，熱紅外成像儀可以通過監(jiān)測冠層表面溫度變化，來識別病蟲害感染狀況。

3 結(jié)語與展望

無人機(jī)林木表型平臺具有機(jī)動靈活、適合復(fù)雜的森林山地環(huán)境、高通量采集數(shù)據(jù)和低成本等優(yōu)點(diǎn)，可以快速無損且高效地獲取林木表型信息，逐漸成為研究林木表型組學(xué)的重要手段。常見的無人機(jī)機(jī)載傳感器主要包括RGB 數(shù)碼相機(jī)、多/高光譜成像儀、熱紅外成像儀及激光雷達(dá)等。無人機(jī)林木表型技術(shù)旨在識別和評估不同基因型林木在各類立地條件下的重要表型性狀特征。通過對無人機(jī)高通量表型技術(shù)提取的重要表型性狀特征進(jìn)行定量分析，可探索“基因—表型—環(huán)境”三者之間的響應(yīng)關(guān)系，提高基因組研究的效率，增強(qiáng)林木遺傳增益，實(shí)現(xiàn)優(yōu)異種質(zhì)資源篩選及抗逆育種的目的。

本研究綜述了無人機(jī)林木表型技術(shù)中提取多種林木形態(tài)結(jié)構(gòu)、生化組分和生理功能參數(shù)的技術(shù)途徑，盡管無人機(jī)林木表型平臺是高通量獲取林木表型性狀信息的重要手段，但仍存在一些不足亟待解決。目前，用于估算林木冠幅和AGB 的光學(xué)傳感器主要為RGB 和多光譜傳感器。雖然高光譜成像已成為獲取林木LAI、水分含量、色素含量等生理生化參數(shù)的一種前沿方法。但利用高光譜傳感器進(jìn)行冠幅和AGB 估算的相關(guān)研究仍然較為缺乏。激光雷達(dá)傳感器主要用于林木樹高、冠幅和生物量等結(jié)構(gòu)參數(shù)的估算，但受林分郁閉度和自身穿透性性能影響，所獲取的樹干點(diǎn)云質(zhì)量仍然無法滿足實(shí)際需求，嚴(yán)重制約著胸徑結(jié)構(gòu)參數(shù)的獲取。熱紅外相機(jī)成像雖已被用于無性系選育，但成像質(zhì)量易受土壤信號、空氣和冠層溫度影響。被動熒光成像和非成像設(shè)備常被搭載在衛(wèi)星平臺獲取林木信息，但其分辨率仍然較低，如何開發(fā)更適用于無人機(jī)的低成本、高分辨率熒光傳感器也是亟待解決的問題。此外，高性能無人機(jī)和傳感器設(shè)備價(jià)格過高，飛行過程中遇到的環(huán)境因素易對表型數(shù)據(jù)精度產(chǎn)生影響，受磁場和障礙物影響易發(fā)生墜毀風(fēng)險(xiǎn)，迫切需要開發(fā)低成本、高可靠性的無人機(jī)系統(tǒng)以緩解上述問題。

未來，無人機(jī)林木表型的發(fā)展趨勢將表現(xiàn)為以下幾個(gè)方面：

1）林木表型性狀的多時(shí)相周期性動態(tài)監(jiān)測

當(dāng)前無人機(jī)林木表型監(jiān)測的研究主要集中在某一特定的生長時(shí)期，缺乏連續(xù)性和周期性的無人機(jī)林木監(jiān)測，制約著更早捕捉林木表型變化信息的可能性。由于林木表型性狀隨著林木生育進(jìn)程發(fā)生動態(tài)變化，不同生長時(shí)期的表型性狀參數(shù)與無人機(jī)遙感信息間的關(guān)系存在差異，基于單一或幾個(gè)特定生長時(shí)期數(shù)據(jù)建立的無人機(jī)林木表型性狀監(jiān)測模型并不一定具有普適性。為了實(shí)現(xiàn)林木表型信息變化的早期監(jiān)測（如病蟲害等逆境脅迫），在更精細(xì)的時(shí)間尺度上進(jìn)行無人機(jī)林木表型監(jiān)測至關(guān)重要。因此，探究構(gòu)建適用于林木多時(shí)相周期性動態(tài)監(jiān)測的普適模型十分必要，對林木抗逆評估、良種選育具有重要意義。

2）無人機(jī)多源數(shù)據(jù)綜合協(xié)同估測表型性狀

隨著無人機(jī)遙感數(shù)據(jù)源的增多，基于多源遙感數(shù)據(jù)源可提取不同的林木表型參數(shù)，但仍不能滿足林木表型精細(xì)提取的需要。多源數(shù)據(jù)整合是數(shù)據(jù)分析的關(guān)鍵基礎(chǔ)，包括整合來自不同時(shí)間、空間和來源(如多/高光譜影像、激光雷達(dá)點(diǎn)云、氣象環(huán)境因子、基因型和實(shí)地人工測量參數(shù))的數(shù)據(jù)集，基于多源數(shù)據(jù)融合可有效提升表型性狀參數(shù)提取的精度。例如，真彩色圖像表征植物的紋理信息，多光譜或高光譜、熒光、熱紅外影像數(shù)據(jù)反映植物的生理信息，激光雷達(dá)數(shù)據(jù)能夠反映林木的精細(xì)形態(tài)結(jié)構(gòu)信息。如何將上述具有不同時(shí)空信息的多源數(shù)據(jù)進(jìn)行有效整合，從而實(shí)現(xiàn)不同數(shù)據(jù)間的信息互補(bǔ)，是全面探究林木結(jié)構(gòu)與生理生化表型的重要前提。多源表型性狀數(shù)據(jù)整合創(chuàng)造了對數(shù)據(jù)分析工具的新需求，而深度學(xué)習(xí)和云計(jì)算分布式架構(gòu)處理是有前景的高效數(shù)據(jù)分析方法，深度學(xué)習(xí)在數(shù)據(jù)整合方面展示了先進(jìn)的性能和潛力。

3）天空地不同平臺遙感數(shù)據(jù)融合協(xié)同監(jiān)測

當(dāng)前，難以獲取復(fù)雜地形下的林區(qū)數(shù)據(jù)。未來，隨著機(jī)器狗和林下避障無人機(jī)等的發(fā)展，將逐漸實(shí)現(xiàn)復(fù)雜地形林區(qū)信息，以及胸徑等重要林木結(jié)構(gòu)參數(shù)的獲取，但仍難以滿足樹頂信息及更大區(qū)域尺度數(shù)據(jù)獲取需求。協(xié)同無人機(jī)、衛(wèi)星等監(jiān)測平臺則有望實(shí)現(xiàn)天空地一體化協(xié)同監(jiān)測，通過進(jìn)一步地提升時(shí)間和空間分辨率，以及精細(xì)點(diǎn)云質(zhì)量，逐漸實(shí)現(xiàn)“單木—林分—區(qū)域”尺度的綜合監(jiān)測技術(shù)體系，并不斷融合3S、物聯(lián)網(wǎng)、計(jì)算機(jī)、生物學(xué)等技術(shù)有望進(jìn)一步提升數(shù)據(jù)融合精度。

4）林木表型多組學(xué)聯(lián)合分析

當(dāng)前無人機(jī)林木表型研究多聚焦于林木表型性狀特征提取，對林木基因型—環(huán)境—表型之間聯(lián)系的研究仍然匱乏且不深入。林木表型多組學(xué)聯(lián)合分析旨在通過高通量表型和特定環(huán)境下的遺傳變異來實(shí)現(xiàn)遺傳增益，將多源遙感數(shù)據(jù)與物候、環(huán)境等因子融合獲取多尺度結(jié)構(gòu)表型參數(shù)，可用來探究不同脅迫下的遺傳變異。然而，缺乏有效的多學(xué)科交叉先驗(yàn)知識成為了多組學(xué)聯(lián)合分析需要面對的巨大挑戰(zhàn)。在未來研究中，應(yīng)深入研究表型特征與基因之間的聯(lián)系。例如，進(jìn)行定量性狀位點(diǎn)和全基因組關(guān)聯(lián)研究，探討基因與表型特征之間的關(guān)系。