無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究進(jìn)展

摘要 無人機(jī)遙感技術(shù)可以實時、準(zhǔn)確、快速地獲取高質(zhì)量遙感影像數(shù)據(jù)，從而為農(nóng)事決策提供準(zhǔn)確的數(shù)據(jù)支撐，目前已成為智慧農(nóng)業(yè)生產(chǎn)管理的重要組成部分。 介紹了無人機(jī)遙感系統(tǒng)組成及數(shù)據(jù)獲取和處理流程，梳理了近年來無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究進(jìn)展，包括農(nóng)作物識別與分類、農(nóng)作物長勢監(jiān)測、農(nóng)作物病蟲害監(jiān)測、農(nóng)作物產(chǎn)量估測4個方面，同時對無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)應(yīng)用中面臨的挑戰(zhàn)進(jìn)行分析與展望，以期為無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的精準(zhǔn)應(yīng)用提供理論依據(jù)。

關(guān)鍵詞 無人機(jī)遙感技術(shù)；智慧農(nóng)業(yè)；應(yīng)用

中圖分類號 S 127 文獻(xiàn)標(biāo)識碼 A 文章編號 0517-6611（2024）23-0011-05

doi：10.3969/j.issn.0517-6611.2024.23.003

Research Progress on the Application of UAV Remote Sensing Technology in Smart Agriculture

YANG Xiao-jun

（China Coal Xi’an Design Engineering Co.， Ltd.，Xi’an， Shaanxi 710054 ）

Abstract UAV remote sensing technology can obtain high-quality remote sensing image data in real time， accurately and quickly， so as to provide accurate data support for agricultural decision-making， and has become an important part of smart agricultural production management.This paper introduces the composition of UAV remote sensing system and data acquisition and processing process， and reviews the application research progress of UAV remote sensing technology in smart agriculture at home and abroad in recent years，including four aspects： crop identification and classification， crop growth monitoring， pest monitoring， yield estimation.At the same time， the challenges faced by UAV remote sensing technology in the application of smart agriculture are analyzed and prospected， in order to provide theoretical basis for the accurate application of UAV remote sensing technology in smart agriculture.

Key words UAV remote sensing technology;Smart agriculture;Application

作者簡介 楊曉軍（1970—），男，陜西興平人，高級工程師，碩士，從事測繪工程與檢測監(jiān)測研究。

收稿日期 2024-08-08

智慧農(nóng)業(yè)是由精準(zhǔn)農(nóng)業(yè)逐漸發(fā)展而來的，屬于農(nóng)業(yè)生產(chǎn)的高級階段，主要是依托物聯(lián)網(wǎng)技術(shù)、互聯(lián)網(wǎng)技術(shù)、計算機(jī)網(wǎng)絡(luò)技術(shù)、遙感技術(shù)、地理信息技術(shù)等現(xiàn)代信息技術(shù)，通過對農(nóng)業(yè)生產(chǎn)過程進(jìn)行智能化感知、分析、控制和管理，為農(nóng)業(yè)生產(chǎn)提供智能遠(yuǎn)程診斷、分析、預(yù)測預(yù)警［1］。智慧農(nóng)業(yè)是農(nóng)業(yè)與信息技術(shù)相融合的新業(yè)態(tài)，具有明顯的技術(shù)優(yōu)勢和理念優(yōu)勢，是近年來國家大力推廣的農(nóng)業(yè)發(fā)展模式，是現(xiàn)代農(nóng)村經(jīng)濟(jì)社會健康發(fā)展的關(guān)鍵推動力［2］。黨的二十大報告指出，要加快農(nóng)業(yè)現(xiàn)代化發(fā)展，加快傳統(tǒng)農(nóng)業(yè)向智慧農(nóng)業(yè)和數(shù)字農(nóng)業(yè)轉(zhuǎn)型［3］。近年來，隨著農(nóng)業(yè)規(guī)模化、集約化和信息化的快速發(fā)展，智慧農(nóng)業(yè)得到了推廣普及，但同時也面臨著眾多癥結(jié)和阻點，如采用的統(tǒng)計方法獲取不同尺度的農(nóng)作物面積和產(chǎn)量的相關(guān)數(shù)據(jù)，準(zhǔn)確度和時效性較低［4］；對于農(nóng)作物長勢的定量化、空間化模擬研究較少，導(dǎo)致農(nóng)作物種植結(jié)構(gòu)的優(yōu)化調(diào)整缺乏相應(yīng)的技術(shù)支撐［5］；在農(nóng)作物病蟲害防治方面，部分病蟲害無法及時監(jiān)測，導(dǎo)致防治困難［6］。

無人機(jī)遙感技術(shù)是一種新型航空遙感技術(shù)，集無人機(jī)、傳感器、無線通信、衛(wèi)星定位等技術(shù)于一體，可以實現(xiàn)快速、準(zhǔn)確地采集高時空遙感影像數(shù)據(jù)，并完成對影像數(shù)據(jù)的處理和分析［7］。目前，衛(wèi)星遙感技術(shù)和地面遙感技術(shù)已經(jīng)廣泛地應(yīng)用于農(nóng)業(yè)，也有效提升了農(nóng)情獲取的效率，但是衛(wèi)星遙感技術(shù)在應(yīng)用過程中容易受到天氣因素的影響，獲取高質(zhì)量影像的難度較大，且重訪周期較長，而地面遙感技術(shù)在應(yīng)用過程中存在監(jiān)測范圍小、獲取信息較慢、費時費力等缺點［8］。無人機(jī)遙感技術(shù)操作方便、覆蓋區(qū)域廣，且成本較低，同時受到云層覆蓋、天氣的影響較小，可以獲取高通量、高分辨率的影像，這無疑很好地彌補了衛(wèi)星遙感和地面遙感技術(shù)的缺陷，可以為農(nóng)事決策提供準(zhǔn)確的數(shù)據(jù)支撐，滿足智慧農(nóng)業(yè)管理過程中對各種農(nóng)業(yè)環(huán)境和場景的需求，促進(jìn)農(nóng)業(yè)生產(chǎn)的高效化和精準(zhǔn)化［9］。目前，國內(nèi)外很多學(xué)者已認(rèn)識到無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用潛力，也開始關(guān)注這方面的研究，但是關(guān)于無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)應(yīng)用中的綜述研究較少。為此，筆者基于目前常用于智慧農(nóng)業(yè)生產(chǎn)管理的無人機(jī)飛行平臺類型、機(jī)載傳感器類型、數(shù)據(jù)獲取和處理流程，綜述了無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究進(jìn)展，包括農(nóng)作物識別與分類、農(nóng)作物長勢監(jiān)測、農(nóng)作物病蟲害監(jiān)測、農(nóng)作物產(chǎn)量估測，對無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)應(yīng)用中面臨的挑戰(zhàn)進(jìn)行了討論和展望，以期為促進(jìn)無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的進(jìn)一步應(yīng)用和深入研究提供理論支撐和參考。

1 無人機(jī)遙感系統(tǒng)組成

1.1 無人機(jī)飛行平臺類型

無人機(jī)種類繁多，按照飛行平臺構(gòu)型可以分為多旋翼無人機(jī)、單旋翼無人機(jī)、混合翼無人機(jī)、固定翼無人機(jī)等，根據(jù)作業(yè)任務(wù)的具體內(nèi)容，選擇不同類型［10］。無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的具體應(yīng)用需要綜合考慮作業(yè)區(qū)域面積與高度、載荷、續(xù)航時間、精度等因素來選取適宜的無人機(jī)（表1）。其中，多旋翼無人機(jī)以其成本較低、起降方便、穩(wěn)定性高等優(yōu)勢在智慧農(nóng)業(yè)中的應(yīng)用較為廣泛。

1.2 機(jī)載傳感器類型

無人機(jī)飛行平臺載荷有限，因此搭載的傳感器要滿足質(zhì)量輕、尺寸小、精度高的要求，要根據(jù)影像數(shù)據(jù)類型的具體需求，合理選擇傳感器類型。 目前，無人機(jī)飛行平臺搭載的傳感器主要包括數(shù)碼相機(jī)、高光譜相機(jī)、多光譜相機(jī)、熱紅外相機(jī)、激光雷達(dá)等，不同傳感器的類型差異較大、獲取數(shù)據(jù)的類型各有優(yōu)劣，要根據(jù)研究的具體需要選擇合適的傳感器［11］（表2）。

2 無人機(jī)遙感數(shù)據(jù)獲取和處理流程

2.1 數(shù)據(jù)獲取流程

無人機(jī)遙感技術(shù)應(yīng)用于智慧農(nóng)業(yè)生產(chǎn)中，其對相關(guān)影像數(shù)據(jù)獲取的安全性、規(guī)范性和實效性尤為重要，這在很大程度上解決了最終獲取影像數(shù)據(jù)的質(zhì)量，也會對數(shù)據(jù)分析結(jié)果產(chǎn)生直接影響。目前，國內(nèi)外關(guān)于無人機(jī)遙感技術(shù)應(yīng)用于智慧農(nóng)業(yè)中遙感影像數(shù)據(jù)獲取的流程大致相同，具體包括制定飛行計劃、申請飛行空域、飛行前準(zhǔn)備、正式飛行、飛行結(jié)果［12］（圖1）。

2.2 數(shù)據(jù)處理流程

現(xiàn)階段，無人機(jī)遙感技術(shù)應(yīng)用于智慧農(nóng)業(yè)的數(shù)據(jù)處理流程大致相似，主要包括原始數(shù)據(jù)預(yù)處理、數(shù)據(jù)特征提取、構(gòu)造模型、精度分析、遙感產(chǎn)出與應(yīng)用［13］（圖2）。

3 無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究進(jìn)展

3.1 農(nóng)作物識別與分類

隨著智慧農(nóng)業(yè)和信息化技術(shù)的不斷發(fā)展，如何準(zhǔn)確且快速地獲取農(nóng)作物的空間分布特征已成為迫切需要解決的問題，這是由于進(jìn)行農(nóng)作物苗情科學(xué)評估、對農(nóng)作物長勢和面積進(jìn)行分析與測算等農(nóng)事都要基于農(nóng)作物空間分布特征，這也對重新規(guī)劃農(nóng)作物種植、制定農(nóng)業(yè)生產(chǎn)管理措施等具有重要意義。傳統(tǒng)的利用人工進(jìn)行農(nóng)業(yè)數(shù)據(jù)調(diào)查統(tǒng)計工作量大，調(diào)查周期長，需要耗費大量的物力和財力。

無人機(jī)遙感技術(shù)抗干擾性較強，同時具有高效性和實時性，可以為智慧農(nóng)業(yè)生產(chǎn)提供豐富的農(nóng)作物結(jié)構(gòu)與紋理信息，在農(nóng)作物識別與計數(shù)中發(fā)揮重要作用。田振坤等［14］利用無人機(jī)平臺搭載冠層測量相機(jī)，獲取覆蓋冬小麥和玉米整個生育期的高分辨率影像，在分析波譜特征、NDVI變化閾值的基礎(chǔ)上，提出了一種基于無人機(jī)遙感技術(shù)的玉米和冬小麥分類方法。楊玉瑩［15］利用無人機(jī)遙感RGB影像數(shù)據(jù)，基于紋理特征、顏色特征、植被指數(shù)構(gòu)建了機(jī)器學(xué)習(xí)模型，并創(chuàng)新提出了種植結(jié)構(gòu)復(fù)雜地區(qū)的大豆遙感識別方法。Zhao 等［16］先通過田間實際調(diào)查，再利用無人機(jī)遙感技術(shù)獲取了超高分辨率影像，采用回歸分析法實現(xiàn)了油菜出苗株數(shù)的準(zhǔn)確統(tǒng)計。戴建國等［17］利用無人機(jī)遙感系統(tǒng)獲取了可見光影像，構(gòu)建了紋理和低通濾波特征，利用優(yōu)選特征訓(xùn)練分類模型，實現(xiàn)了對棉花、玉米、苜蓿、西葫蘆的分類提取，且各作物的分類精度均超過80%。Lin 等［18］利用無人機(jī)視頻流計數(shù)平臺，結(jié)合改進(jìn)的目標(biāo)檢測與跟蹤算法，實現(xiàn)了花生苗與雜草的精準(zhǔn)識別分類。李婕等［19］通過提取無人機(jī)遙感影像的油菜特征，利用搭建的油菜影像識別網(wǎng)絡(luò)模型，有效地提高了對不同品種油菜的識別7a165b5b58bff3e519178ea388256ea2精度。王利民等［20］采用面向?qū)ο蟮姆诸惙椒ǎ鶕?jù)遙感影像的紋理特征，對春玉米、夏玉米、苜蓿、裸土4種地物類型進(jìn)行分類，實現(xiàn)了對該4種作物識別精度均超過86%的目標(biāo)。張超等［21］根據(jù)無人機(jī)遙感影像信息，基于小波包變化法，實現(xiàn)了對玉米、高粱、黃豆、桃樹、棉花、苜蓿、黑豆7種農(nóng)作物的精細(xì)識別分類。

現(xiàn)階段，無人機(jī)遙感技術(shù)應(yīng)用于農(nóng)作物識別與分類主要是通過提取影像的光譜特征、色彩特征、紋理特征等，并利用分類算法或機(jī)器學(xué)習(xí)算法來實現(xiàn)的，可以為農(nóng)作物種植結(jié)構(gòu)的信息提取提供重要的技術(shù)支撐，但是現(xiàn)有研究大部分采用單個分類器，而單個分類器的類型多樣，且各自適用的范圍具有明顯差異，因此在大部分種植結(jié)構(gòu)相對復(fù)雜的區(qū)域，由于分類方法不具有明顯的針對性，從而導(dǎo)致對農(nóng)作物的識別分類精度普遍較低［22］。

3.2 農(nóng)作物長勢監(jiān)測

利用無人機(jī)遙感技術(shù)進(jìn)行農(nóng)作物長勢動態(tài)監(jiān)測，可以實時掌握農(nóng)作物的生長狀況、苗情、水肥脅迫、營養(yǎng)水平等，可以提前診斷農(nóng)作物在生長發(fā)育過程中可能出現(xiàn)的問題，為智慧農(nóng)業(yè)田間作業(yè)和生產(chǎn)管理提供重要依據(jù)，為保證農(nóng)作物正常生長和獲取更好的經(jīng)濟(jì)效益奠定基礎(chǔ)［23］。農(nóng)作物生長過程較為復(fù)雜，但可以用相關(guān)的生長參數(shù)、營養(yǎng)元素含量等來表征。祝錦霞等［24］通過無人機(jī)遙感平臺獲取水稻第一、第三完全展開葉的遙感圖像，采用面向?qū)ο蠊庾V分割技術(shù)的遙感信息提取方法，實現(xiàn)了水稻氮素養(yǎng)分的監(jiān)測和診斷。葉面積指數(shù)（LAI）可以在一定程度上反映農(nóng)作物的生長狀況，是農(nóng)作物產(chǎn)量評估的重要指標(biāo)之一。植被指數(shù)與葉面積指數(shù)、生物量、光合輻射量之間具有密切聯(lián)系，常被用于農(nóng)作物長勢監(jiān)測［25］。Chosa等［26］利用無人機(jī)遙感技術(shù)獲取的近紅外影像資料，根據(jù)計算出的研究區(qū)水稻的歸一化植被指數(shù)，對水稻的生長變異性進(jìn)行了量化，并據(jù)此提出了研究區(qū)改進(jìn)措施。Hunt等［27］通過無人機(jī)遙感技術(shù)獲取的影像，對冬小麥生長情況進(jìn)行分析，得出葉面積指數(shù)與綠色歸一化植被指數(shù)間存在較好相關(guān)關(guān)系的結(jié)論。裴浩杰等［28］利用無人機(jī)遙感獲取的高光譜影像數(shù)據(jù)，基于偏最小二乘回歸法建立綜合長勢指標(biāo)（CGI）反演模型，實現(xiàn)對小麥生育期綜合長勢的高精度監(jiān)測。

高光譜遙感技術(shù)中的窄波段可以有效地獲取更加精細(xì)的波譜數(shù)據(jù)，對農(nóng)作物葉綠素含量和紅邊特征等信息進(jìn)行精確監(jiān)測，從而實現(xiàn)對農(nóng)作物葉片中氮、磷、鉀等營養(yǎng)元素含量的快速監(jiān)測，以此反映農(nóng)作物的生長狀況［29］。魏鵬飛等［30］利用無人機(jī)遙感技術(shù)獲取夏玉米不同生育期的高光譜影像，采用相關(guān)性分析法探究光譜變量與葉片氮含量之間的相關(guān)關(guān)系，最終實現(xiàn)了對夏玉米在不同生育期葉片氮含量的估測。馮帥等［31］通過無人機(jī)高光譜遙感技術(shù)獲取了不同生長期粳稻的冠層高光譜數(shù)據(jù)，利用標(biāo)準(zhǔn)正態(tài)變量變換（SNV）和濾波器濾波法（SG），實現(xiàn)了對粳稻冠層葉片氮素含量的精確監(jiān)測。秦占飛等［32］通過開展不同氮素水平水稻試驗，基于無人機(jī)高光譜影像數(shù)據(jù)，以光譜指數(shù)構(gòu)建水稻葉片全氮含量估測模型，結(jié)果顯示高光譜影像反演的水稻葉片全氮含量分布與實際情況完全一致。無人機(jī)高光譜遙感技術(shù)用于監(jiān)測農(nóng)作物長勢，關(guān)鍵是要尋找到敏感波段以及相關(guān)光譜參數(shù)，然后再利用適宜的算法構(gòu)建反演模型［33-34］。

3.3 農(nóng)作物病蟲害監(jiān)測

病蟲害是影響農(nóng)作物產(chǎn)量和品質(zhì)的主要因素，盡早對農(nóng)作物病蟲害的種類和范圍進(jìn)行監(jiān)測，有利于控制病蟲害發(fā)生和蔓延，為及時進(jìn)行病蟲害防治奠定基礎(chǔ)，從而可以最大限度地降低農(nóng)業(yè)生產(chǎn)的損失。農(nóng)作物病蟲害監(jiān)測的傳統(tǒng)方法主要是田間偵察，雖然效果明顯，但是勞動強度大、耗時長，還容易出現(xiàn)人為錯誤，難以得到病蟲害傳播范圍和嚴(yán)重度等準(zhǔn)確信息［35］。病蟲害為害農(nóng)作物后，會導(dǎo)致農(nóng)作物葉片的色素、冠層結(jié)構(gòu)等性質(zhì)發(fā)生改變，在病蟲害發(fā)生早期利用無人機(jī)遙感技術(shù)實時監(jiān)測葉片的色素、冠層結(jié)構(gòu)的波段光譜特征等信息數(shù)據(jù)，可據(jù)此辨別農(nóng)作物是否已經(jīng)遭受病蟲害的侵害以及侵害程度，為農(nóng)作物病蟲害防控措施提供準(zhǔn)確指導(dǎo)［36］。

利用無人機(jī)遙感技術(shù)對農(nóng)作物病蟲害進(jìn)行監(jiān)測，包括區(qū)分病蟲害類型以及識別病蟲害發(fā)病程度，主要方法是通過綜合光譜影像通道間的信息量和相關(guān)性，運用相關(guān)性分析、小波算法、線性判別分析、聚類分析等算法，提取健康葉片與患病葉片的特征波段，以及光譜位置、植被指數(shù)、面積等參數(shù)，從而建立農(nóng)作物病蟲害分類識別模型。沈文穎等［37］利用常規(guī)光譜特征參數(shù)，采用因子分析法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對早期小麥葉片白粉病的嚴(yán)重度進(jìn)行模型模擬研究，結(jié)果顯示反演模型的精度高、誤差小。李欣庭［38］將無人機(jī)遙感高光譜影像的光譜特征與圖像特征進(jìn)行融合，運用主成分分析法提取出馬鈴薯早疫病和晚疫病的葉片特征波段，并建立SVM和BP神經(jīng)網(wǎng)絡(luò)模型，對馬鈴薯早疫病、晚疫病的分類識別率高達(dá)97.5%。羅菊花等［39］利用高光譜無人機(jī)影像對冬小麥條銹病的冠層光譜發(fā)射率進(jìn)行測定，篩選出冬小麥條銹病的敏感波段，通過建立多元線性回歸模型，最終成功監(jiān)測了冬小麥條銹病的發(fā)生程度與范圍。王震等［40］通過無人機(jī)遙感技術(shù)獲取圖像信息，采用Adaboost算法進(jìn)行白穗訓(xùn)練識別，最終對白穗識別率高達(dá)93.62%。魯軍景等［41］基于無人機(jī)遙感影像數(shù)據(jù)，通過對標(biāo)準(zhǔn)化光譜進(jìn)行小波變換，篩選出對小麥條銹病、白粉病敏感的光譜波段的特征，采用判別分析法建立小麥條銹病、白粉病的識別分類模型，其總體識別精度超過91%。農(nóng)作物病蟲害監(jiān)測除了利用遙感光譜影像的特征外，對于處于大尺度空間范圍內(nèi)的病蟲害監(jiān)測還要結(jié)合使用圖像特征分析。Backoulou等［42］基于無人機(jī)遙感獲取的影像，利用影像色度上存在的差異對圖像進(jìn)行分割，最后實現(xiàn)了對遭受小麥病蟲害侵害田塊的精準(zhǔn)識別。Yao等［43］根據(jù)圖像方向一致性特性，基于無人機(jī)遙感影像信息，成功提取出小麥條銹病和白粉病的敏感特征，最終成功實現(xiàn)了對小麥白粉病、條銹病的識別。

3.4 農(nóng)作物產(chǎn)量估測

農(nóng)作物產(chǎn)量的精準(zhǔn)估測在智慧農(nóng)業(yè)生產(chǎn)管理中意義重大。主要包括4個步驟：①利用無人機(jī)遙感影像獲取相應(yīng)農(nóng)作物的光譜特征；②反演出農(nóng)作物的生長信息；③根據(jù)反演出的生長信息對農(nóng)作物生長信息與產(chǎn)量的關(guān)系進(jìn)行模型構(gòu)建；④得出結(jié)果，實現(xiàn)對農(nóng)作物產(chǎn)量的估測［44-45］。

目前，構(gòu)建農(nóng)作物產(chǎn)量估測模型需要使用的參數(shù)主要有總生物量、植被指數(shù)、光譜反射率等。Swain等［46］根據(jù)得到的無人機(jī)遙感影像，實現(xiàn)了對水稻產(chǎn)量、總生物量的準(zhǔn)確預(yù)估，同時得出氮素水平差異較大水稻的產(chǎn)量與總生物量也差異更明顯的結(jié)論。Zhou等［47］利用多光譜相機(jī)拍攝的影像對谷物的產(chǎn)量進(jìn)行估測，結(jié)果發(fā)現(xiàn)估測產(chǎn)量的最佳預(yù)測指數(shù)為植被指數(shù)，最佳時期為孕穗期。陶惠林等［48］利用無人機(jī)遙感平臺獲取冬小麥在不同生長期的高光譜影像，并提取出光譜參數(shù)，構(gòu)建冬小麥產(chǎn)量估算模型，該模型對冬小麥產(chǎn)量估測的精度較高。Tedesco等［49］結(jié)合無人機(jī)遙感技術(shù)和機(jī)器學(xué)習(xí)算法的優(yōu)勢，利用植被指數(shù)對甘薯的產(chǎn)量和等級進(jìn)行估測，結(jié)果顯示產(chǎn)量預(yù)測的最大誤差為3.55 t/hm2。近年來，學(xué)者們嘗試將無人機(jī)遙感技術(shù)與農(nóng)作物生長模型相結(jié)合應(yīng)用于農(nóng)作物產(chǎn)量的估測。趙炳宇［50］利用Landsat和HJ-1無人機(jī)遙感影像數(shù)據(jù)，采用并行的同化算法構(gòu)建了遙感水稻生長模型，實現(xiàn)了快速、準(zhǔn)確地獲取水稻生長信息和產(chǎn)量預(yù)測。段丁?。?1］將遙感數(shù)據(jù)和馬鈴薯生長模型結(jié)合起來進(jìn)行產(chǎn)量估算，利用SCE-UA優(yōu)化算法對遙感數(shù)據(jù)和馬鈴薯生長模型數(shù)據(jù)進(jìn)行同化處理，最終相對誤差僅為6.71%，實現(xiàn)了對馬鈴薯產(chǎn)量的精確估算。

4 無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)應(yīng)用中面臨的挑戰(zhàn)與展望

4.1 無人機(jī)遙感設(shè)備性能有待優(yōu)化

傳感器是無人機(jī)遙感系統(tǒng)的重要組成設(shè)備之一，目前應(yīng)用于智慧農(nóng)業(yè)的無人機(jī)平臺搭載的多為多光譜傳感器，而激光雷達(dá)、熱紅外、高光譜傳感器應(yīng)用的案例較少，這主要是由于這類傳感器的成本高，再加上無人機(jī)對承重力有嚴(yán)格要求，難以大規(guī)模應(yīng)用于無人機(jī)遙感系統(tǒng)中。同時，當(dāng)前的無人機(jī)平臺存在續(xù)航時間短、飛行不穩(wěn)定、受外界干擾影響較大、漏拍重拍等現(xiàn)象，在智慧農(nóng)業(yè)生產(chǎn)中無法實現(xiàn)大范圍應(yīng)用。對此，需要開發(fā)出價格低、通用性強、微型化、質(zhì)量輕的遙感設(shè)備，重點要保障設(shè)備的長時性和安全性，進(jìn)一步優(yōu)化無人機(jī)飛行算法，完善遙感影像數(shù)據(jù)傳輸模式，從而獲取更高質(zhì)量的遙感影像，提高無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)應(yīng)用中的實效性。

4.2 無人機(jī)遙感影像信息處理復(fù)雜

無人機(jī)遙感技術(shù)獲取的影像信息具有數(shù)量多、重疊度差異大、幅寬小等特點，對影像進(jìn)行匹配、拼接、校正具有相當(dāng)大的難度，因此，當(dāng)前急需解決的問題是要實現(xiàn)無人機(jī)遙感影像信息自動化預(yù)處理［52］。目前，關(guān)于無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究大多是利用影像的光譜特征，對農(nóng)作物生長參數(shù)進(jìn)行反演，然后構(gòu)建生長參數(shù)遙感模型，由于目前模型的精確度有待提高，一定程度上限制了無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)上的應(yīng)用［53］。對此，要進(jìn)一步挖掘遙感影像與農(nóng)作物各生理參數(shù)的關(guān)系，提高構(gòu)建遙感模型的精確度、通用性，這是無人機(jī)遙感技術(shù)應(yīng)用于智慧農(nóng)業(yè)面臨的新的挑戰(zhàn)。在后續(xù)研究中，要重點提升影像數(shù)據(jù)的獲取和解析技術(shù)，為智慧農(nóng)業(yè)轉(zhuǎn)型升級提供思路。

4.3 數(shù)據(jù)集成與融合度不高

智慧農(nóng)業(yè)中農(nóng)作物具有多種類型，也容易受到眾多因素影響，無人機(jī)遙感技術(shù)可以在農(nóng)作物動態(tài)監(jiān)測方面發(fā)揮重要作用，但是在獲取高密度的農(nóng)作物遙感影像數(shù)據(jù)后，如何有效集成和融合這些數(shù)據(jù)，并推出一套可實施性較強的精準(zhǔn)管理措施顯得尤為重要。無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用涉及眾多學(xué)科，包括農(nóng)學(xué)、生態(tài)學(xué)、計算機(jī)科學(xué)、光學(xué)等眾多學(xué)科，需要與衛(wèi)星遙感數(shù)據(jù)、地面測量數(shù)據(jù)、自然環(huán)境數(shù)據(jù)等其他數(shù)據(jù)源獲取的數(shù)據(jù)相融合，實現(xiàn)對農(nóng)作物全生育期全方位的動態(tài)監(jiān)測，這也是今后無人機(jī)遙感技術(shù)應(yīng)用于智慧農(nóng)業(yè)的研究方向之一。

5 結(jié)語

無人機(jī)遙感技術(shù)具有使用成本低、靈活性強、分辨率高等優(yōu)點，可以及時獲取智慧農(nóng)業(yè)生產(chǎn)管理中需要的相關(guān)數(shù)據(jù)信息。隨著無人機(jī)遙感技術(shù)的發(fā)展和農(nóng)業(yè)生產(chǎn)對農(nóng)作物生長實時、準(zhǔn)確數(shù)據(jù)需求的提升，無人機(jī)遙感技術(shù)在智慧農(nóng)業(yè)生產(chǎn)管理過程中得到了廣泛應(yīng)用，相關(guān)研究也取得了重大進(jìn)展，但仍存在諸如無人機(jī)遙感設(shè)備性能不夠完善、遙感信息數(shù)據(jù)處理過程復(fù)雜、數(shù)據(jù)集成與融合度不高等問題，今后應(yīng)進(jìn)一步開發(fā)穩(wěn)定性強、續(xù)航時間長、載荷能力強、圖像質(zhì)量高的無人機(jī)智能化遙感技術(shù)，為智慧農(nóng)業(yè)的可持續(xù)發(fā)展提供高效的技術(shù)支撐。

參考文獻(xiàn)

［1］ 施旭，高松，劉帥，等.智慧農(nóng)業(yè)背景下云南煙草農(nóng)業(yè)創(chuàng)新發(fā)展建議［J］.安徽農(nóng)業(yè)科學(xué)，2023，51（23）：242-244.

［2］ 楊新斌.智慧農(nóng)業(yè)中的計算機(jī)信息化應(yīng)用［J］.中國農(nóng)業(yè)資源與區(qū)劃，2023，44（12）：39，46.

［3］ 高素青.智慧農(nóng)業(yè)助力衡水農(nóng)業(yè)現(xiàn)代化發(fā)展［J］.河北農(nóng)業(yè)，2023（3）：43-44.

［4］ 吳昌華，嚴(yán)志雁，陳桂鵬，等.江西智慧農(nóng)業(yè)發(fā)展的困境與對策研究［J］.農(nóng)業(yè)經(jīng)濟(jì)，2022（12）：3-5.

［5］ 張思凡，史藝萌，梁金虎.雄安新區(qū)智慧農(nóng)業(yè)的發(fā)展現(xiàn)狀和對策研究［J］.現(xiàn)代化農(nóng)業(yè)，2022（11）：70-72.

［6］ 宋雪蓮，張文，王普昶，等.遙感技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用研究［J］.安徽農(nóng)業(yè)科學(xué)，2022，50（7）：1-5.

［7］ 閆石，趙義博，雷少剛，等.基于無人機(jī)高光譜遙感的草原植物冠層滯塵量估算［J］.河南理工大學(xué)學(xué)報（自然科學(xué)版），2022，41（6）：84-92.

［8］ 楊蜀秦，王鵬飛，王帥，等.基于MHSA+DeepLab v3+的無人機(jī)遙感影像小麥倒伏檢測［J］.農(nóng)業(yè)機(jī)械學(xué)報，2022，53（8）：213-219，239.

［9］ 閆春雨，黎文華，蘭玉彬，等.基于無人機(jī)多光譜遙感的棉花脫葉效果監(jiān)測及處方圖生成研究［J］.南京農(nóng)業(yè)大學(xué)學(xué)報，2022，45（4）：799-808.

［10］ 馬紅雨，李仙岳，孫亞楠，等.基于無人機(jī)遙感的不同控釋肥夏玉米SPAD差異性［J］.排灌機(jī)械工程學(xué)報，2023，41（12）：1261-1267.

［11］ 朱志成，武永峰，馬浚誠，等.基于無人機(jī)載遙感的水分脅迫下冬小麥葉綠素變化及冠層光譜響應(yīng)［J］.光譜學(xué)與光譜分析，2023，43（11）：3524-3534.

［12］ 徐存東，李洪飛，谷豐佑，等.基于無人機(jī)遙感影像的鹽堿地信息的精準(zhǔn)提取方法［J］.中國農(nóng)村水利水電，2021（8）：116-122.

［13］ 孫永祺，陳夢媛，黃倩，等.低空無人機(jī)遙感在油料作物表型分析中的應(yīng)用［J］.浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2023，49（4）：472-483.

［14］ 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）：109-116，295.

［15］ 楊玉瑩.基于多源遙感數(shù)據(jù)的大豆種植區(qū)提取方法研究［D］.合肥：安徽大學(xué)，2021.

［16］ ZHAO B Q，ZHANG J，YANG C H，et al.Rapeseed seedling stand counting and seeding performance evaluation at two early growth stages based on unmanned aerial vehicle imagery［J］.Front Plant Sci，2018，9：1-17.

［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］ LIN Y D，CHEN T T，LIU S Y，et al.Quick and accurate monitoring peanut seedlings emergence rate through UAV video and deep learning［J］.Comput Electron Agric， 2022，197：1-11.

［19］ 李婕，李毅，張瑞杰，等.無人機(jī)遙感影像在油菜品種識別中的應(yīng)用［J］.江蘇農(nóng)業(yè)學(xué)報，2022，38（3）：675-684.

［20］ 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.

［21］ 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.

［22］ 李剛勇，陳春波，李均力，等.低空無人機(jī)遙感在草原監(jiān)測評價中的應(yīng)用進(jìn)展［J］.生態(tài)學(xué)報，2023，43（16）：6889-6901.

［23］ 田婷，張青，張海東.無人機(jī)遙感在作物監(jiān)測中的應(yīng)用研究進(jìn)展［J］.作物雜志，2020（5）：1-8.

［24］ 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.

［25］ 楊楠，周萌，陳歡，等.基于無人機(jī)RGB影像的小麥葉面積指數(shù)與產(chǎn)量估算研究［J］.麥類作物學(xué)報，2023，43（7）：920-932.

［26］ 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 Proc Vol，2010，43（26）：178-183.

［27］ HUNT E R，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.

［28］ 裴浩杰，馮海寬，李長春，等.基于綜合指標(biāo)的冬小麥長勢無人機(jī)遙感監(jiān)測［J］.農(nóng)業(yè)工程學(xué)報，2017，33（20）：74-82.

［29］ 許童羽，白駒馳，郭忠輝，等.基于無人機(jī)高光譜遙感的水稻氮營養(yǎng)診斷方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，2023，54（2）：189-197，222.

［30］ 魏鵬飛，徐新剛，李中元，等.基于無人機(jī)多光譜影像的夏玉米葉片氮含量遙感估測［J］.農(nóng)業(yè)工程學(xué)報，2019，35（8）：126-133，335.

［31］ 馮帥，許童羽，于豐華，等.基于無人機(jī)高光譜遙感的東北粳稻冠層葉片氮素含量反演方法研究［J］.光譜學(xué)與光譜分析，2019，39（10）：3281-3287.

［32］ 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.

［33］ 趙小敏，孫小香，王芳東，等.水稻高光譜遙感監(jiān)測研究綜述［J］.江西農(nóng)業(yè)大學(xué)學(xué)報，2019，41（1）：1-12.

［34］ 王浩淼，宋苗語，李翔，等.無人機(jī)高光譜遙感監(jiān)測葡萄長勢與缺株定位［J］.園藝學(xué)報，2021，48（8）：1626-1634.

［35］ ABDEL-RAHMAN E M，AHMED F B，VAN DEN BERG M.Estimation of sugarcane leaf nitrogen concentration using in situ spectroscopy［J］.Int J Appl Earth Obs Geoinf，2010，12：S52-S57.

［36］ DUAN D D，ZHAO C J，LI Z H，et al.Estimating total leaf nitrogen concentration in winter wheat by canopy hyperspectral data and nitrogen vertical distribution［J］.J Integr Agric，2019，18（7）：1562-1570.

［37］ 沈文穎，李映雪，馮偉，等.基于因子分析-BP神經(jīng)網(wǎng)絡(luò)的小麥葉片白粉病反演模型［J］.農(nóng)業(yè)工程學(xué)報，2015，31（22）：183-190.

［38］ 李欣庭.高光譜圖像特征融合實現(xiàn)馬鈴薯早疫病和晚疫病分類識別［D］.昆明：云南師范大學(xué)，2020.

［39］ 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.

［40］ 王震，褚桂坤，張宏建，等.基于無人機(jī)可見光圖像Haar-like特征的水稻病害白穂識別［J］.農(nóng)業(yè)工程學(xué)報，2018，34（20）：73-82.

［41］ 魯軍景，黃文江，張競成，等.基于小波特征的小麥白粉病與條銹病的定量識別［J］.光譜學(xué)與光譜分析，2016，36（6）：1854-1858.

［42］ BACKOULOU G F，ELLIOTT N C，GILES K，et al.Spatially discriminating Russian wheat aphid induced plant stress from other wheat stressing factors［J］.Comput Electron Agric，2011，78（2）：123-129.

［43］ YAO Q，GUAN Z X，ZHOU Y F，et al.Application of support vector machine for detecting rice diseases using shape and color texture features［C］//Proceedings of international conference on engineering computation.Hong Kong，China：IEEE Computer Society，2009.

［44］ 向友珍，安嘉琪，趙笑，等.基于無人機(jī)多光譜遙感的大豆生長參數(shù)和產(chǎn)量估算［J］.農(nóng)業(yè)機(jī)械學(xué)報，2023，54（8）：230-239.

［45］ 田婷，張青，張海東，等.基于無人機(jī)遙感的水稻產(chǎn)量估測［J］.中國稻米，2022，28（1）：67-71，77.

［46］ 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］.Trans ASABE，2010，53（1）：21-27.

［47］ 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 J Photogramm Remote Sens，2017，130：246-255.

［48］ 陶惠林，馮海寬，楊貴軍，等.基于無人機(jī)數(shù)碼影像和高光譜數(shù)據(jù)的冬小麥產(chǎn)量估算對比［J］.農(nóng)業(yè)工程學(xué)報，2019，35（23）：111-118.

［49］ TEDESCO D，DE ALMEIDA MOREIRA B R，BARBOSA M R JR，et al.Predicting on multi-target regression for the yield of sweet potato by the market class of its roots upon vegetation indices［J］.Comput Electron Agric，2021，191：1-8.

［50］ 趙炳宇.基于并行算法的遙感與作物生長模型同化的大尺度水稻長勢動態(tài)監(jiān)測［D］.北京：中國地質(zhì)大學(xué)（北京），2019.

［51］ 段丁丁.基于遙感信息和DSSAT-SUBSTOR模型數(shù)據(jù)同化的區(qū)域馬鈴薯產(chǎn)量估算［D］.北京：中國農(nóng)業(yè)科學(xué)院，2019.

［52］ 紀(jì)景純，趙原，鄒曉娟，等.無人機(jī)遙感在農(nóng)田信息監(jiān)測中的應(yīng)用進(jìn)展［J］.土壤學(xué)報，2019，56（4）：773-784.

［53］ 鄭倩，李鵬云，周迪.基于文獻(xiàn)計量學(xué)的智慧農(nóng)業(yè)研究現(xiàn)狀及趨勢分析［J］.華中農(nóng)業(yè)大學(xué)學(xué)報，2023，42（3）：29-38.