無人機(jī)在我國農(nóng)業(yè)監(jiān)測與農(nóng)事作業(yè)上的應(yīng)用研究進(jìn)展

中圖分類號：S252 文獻(xiàn)標(biāo)識號：A 文章編號：1001-4942（2025）06-0171-10

AbstractDrones，characterized by high mobility，flexibility and work effciency，have become an integral part of China's agricultural machinery and equipment，achieving remarkable application results in areas such as agricultural monitoring and farming operations.Equipped with various earth observation sensors such as visible-light and spectral cameras，LiDAR and thermal imagers，drones can rapidly，efficiently and accurately acquireremote sensing data of crops and soil.By integrating machine learning and artificial intellgence algorithms，they enable precise analysis of field area and yield estimation，pest and disease monitoring and early warning，soil quality assessment，and so on.Additionally，drones can be fited with spraying and seeding systems to perform effcient agricultural tasks such as crop protection and sowing.To better promote the applicationand development of agricultural drone technology in China，this paper provided a brief introduction to drone types，path planning，onboard sensors，and specialized farming payloads，and summarized the research progress and application status of drone technology in China’s agricultural monitoring （including crop planting area and yield estimation，pest and disease monitoring and early warning，soil quality assessment，and crop phenotyping research） and farming operations （crop protection，fertilization，seeding，and harvesting）.Furthermore，the current limitations of agricultural drone technologyapplication in China were analyzed and its future development directions were prospected，aiming to provide a scientific reference for advancing the application of drones in China's agricultural production.

KeywordsDrones; Agricultural monitoring; Farming operations

我國是農(nóng)業(yè)大國，多種農(nóng)產(chǎn)品產(chǎn)量位居全球前列，然而與農(nóng)業(yè)發(fā)達(dá)國家相比，仍然存在勞動(dòng)生產(chǎn)率較低、化肥和農(nóng)藥平均施用量較高等問題此外，由于城鎮(zhèn)化進(jìn)程加快和人口老齡化等問題，我國農(nóng)村勞動(dòng)力快速減少，土地流轉(zhuǎn)速度加快，迫切需要新的農(nóng)業(yè)生產(chǎn)模式和技術(shù)來適應(yīng)這種變化。數(shù)字農(nóng)業(yè)1的興起為解決上述問題、實(shí)現(xiàn)我國由農(nóng)業(yè)大國向農(nóng)業(yè)強(qiáng)國轉(zhuǎn)變提供了一條可行路徑。通過數(shù)字化賦能，可有效提高農(nóng)業(yè)感知、決策、執(zhí)行的精準(zhǔn)性，提高生產(chǎn)效率和農(nóng)產(chǎn)品產(chǎn)量、質(zhì)量，減少資源浪費(fèi)，降低環(huán)境污染

農(nóng)業(yè)無人機(jī)技術(shù)能夠充分發(fā)揮無人機(jī)靈活性強(qiáng)的優(yōu)勢，通過空中視角的觀察和作業(yè)手段，有效彌補(bǔ)地面作業(yè)的缺點(diǎn)，實(shí)現(xiàn)更高效的農(nóng)田精準(zhǔn)管理[，為數(shù)字農(nóng)業(yè)發(fā)展帶來了新的技術(shù)支撐。目前農(nóng)業(yè)無人機(jī)主要應(yīng)用于兩方面，一是可以搭載多種傳感器，獲取作物長勢、病蟲害發(fā)生等信息[3]，為科學(xué)制定農(nóng)田管理決策提供數(shù)據(jù)支持；二是可以搭載農(nóng)藥和肥料噴灑、種子播撒等設(shè)備，為高效農(nóng)事作業(yè)提供技術(shù)支持。隨著技術(shù)的發(fā)展與完善，農(nóng)業(yè)無人機(jī)在我國農(nóng)業(yè)生產(chǎn)中的應(yīng)用范圍不斷擴(kuò)大，應(yīng)用效果快速提升，正逐漸成為數(shù)字農(nóng)業(yè)的重要支撐?；诖?，本文介紹了目前農(nóng)業(yè)生產(chǎn)中使用的無人機(jī)類型及搭載裝備，綜述了無人機(jī)技術(shù)在我國農(nóng)業(yè)監(jiān)測和農(nóng)事作業(yè)方面的應(yīng)用研究進(jìn)展，并在此基礎(chǔ)上分析了目前該技術(shù)面臨的挑戰(zhàn)和未來的發(fā)展方向，以期為加快農(nóng)業(yè)無人機(jī)技術(shù)的發(fā)展、提高我國農(nóng)業(yè)的智能化生產(chǎn)水平提供參考。

1農(nóng)業(yè)無人機(jī)平臺及負(fù)載

1.1 農(nóng)用無人機(jī)類型及其導(dǎo)航和路徑規(guī)劃

1.1.1無人機(jī)類型按照起降方式的不同，可將無人機(jī)分為垂直起降無人機(jī)、滑跑起降無人機(jī)、彈射無人機(jī)、手拋無人機(jī)等，其中垂直起降無人機(jī)因具有對起降場地要求低、發(fā)射回收方便、機(jī)動(dòng)性能好等優(yōu)勢[4]，被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域。目前國內(nèi)常用的垂直起降無人機(jī)主要包括無人直升機(jī)、多旋翼無人機(jī)和垂直起降固定翼無人機(jī)（表1）。其中，無人直升機(jī)的旋翼較大，飛行較穩(wěn)定且載重大，可定點(diǎn)懸停，多用于施藥、授粉等植保噴灑作業(yè)，但系統(tǒng)復(fù)雜，價(jià)格相對較高；垂直起降固定翼無人機(jī)具有載重大、速度快、續(xù)航較長、飛行高度高等優(yōu)勢，但存在操作相對復(fù)雜、不能懸停拍攝等缺點(diǎn)；多旋翼無人機(jī)相比前兩者操作簡便且可空中懸停，被廣泛應(yīng)用于糧食估產(chǎn)、土壤分析、農(nóng)藥噴施、作物長勢和病蟲害的監(jiān)測等領(lǐng)域

1.1.2導(dǎo)航和路徑規(guī)劃導(dǎo)航和路徑規(guī)劃是無人機(jī)技術(shù)的核心組成部分，能保障無人機(jī)在給定任務(wù)中穩(wěn)定飛行，避開障礙物，最大限度減少路線遺漏或重復(fù)，實(shí)現(xiàn)作業(yè)區(qū)域全覆蓋。無人機(jī)在執(zhí)行農(nóng)業(yè)飛行任務(wù)時(shí)，易受氣象條件變化、地形起伏和載荷變化等因素干擾，嚴(yán)重影響其飛行安全和作業(yè)效率。針對上述問題，沈躍等5建立了一種融合立體視覺、機(jī)載氣壓計(jì)和慣性測量單元（IMU）的多速率卡爾曼濾波模型，提高了無人機(jī)高度估計(jì)精度，在平地和緩坡情況下達(dá)到了較好的仿地飛行效果。馮碩等[針對農(nóng)用無人機(jī)導(dǎo)航和自動(dòng)控制的發(fā)展需求，利用STM32F4微處理器，設(shè)計(jì)了一種農(nóng)用無人機(jī)導(dǎo)航自動(dòng)控制系統(tǒng)，以確定農(nóng)用無人機(jī)在受到外界干擾的情況下能夠自動(dòng)調(diào)整姿態(tài)，保證作業(yè)過程的穩(wěn)定性。魏宏飛[7]將滑?？刂品椒ㄒ霟o人機(jī)控制系統(tǒng)的設(shè)計(jì)上，并采用PID反饋調(diào)節(jié)的方式對導(dǎo)航誤差進(jìn)行反饋和修正，提高了農(nóng)用無人機(jī)導(dǎo)航系統(tǒng)的精度。王娜等[8]將遺傳算法應(yīng)用在無人機(jī)定位系統(tǒng)中，為無人機(jī)作業(yè)防碰撞提供了新的解決思路。張昆等[9]基于貫穿線理論和轉(zhuǎn)彎區(qū)域的平行四邊形理論，提出了一種植保無人機(jī)航跡規(guī)劃算法，達(dá)到了降低漏噴率和減少作業(yè)航線總長度的效果。

1.2 無人機(jī)搭載觀測設(shè)備

低空遙感監(jiān)測是無人機(jī)農(nóng)業(yè)應(yīng)用的重要方向，能夠?yàn)橐?guī)?；r(nóng)業(yè)精細(xì)化管理提供豐富的數(shù)據(jù)支持。根據(jù)農(nóng)情監(jiān)測需求的不同，無人機(jī)搭載的對地觀測設(shè)備主要有多光譜傳感器、熱像儀、高光譜傳感器、激光雷達(dá)傳感器、可見光相機(jī)等[10]（圖1）。

不同機(jī)載觀測設(shè)備在光譜波段設(shè)置、成像方式、空間分辨率、價(jià)格、用途等方面存在差異[]。其中，熱像儀可測定農(nóng)作物表面溫差變化，及時(shí)反映作物光合作用、蒸散速率等響應(yīng)環(huán)境變化的敏感因子，主要用于作物病蟲害監(jiān)測等[12]；高光譜傳感器具有空間和光譜分辨率高[13]的優(yōu)勢，能夠獲取作物高通量表型信息；激光雷達(dá)傳感器能采集豐富的點(diǎn)云信息[14]，可以從水平和垂直兩個(gè)方向獲取作物結(jié)構(gòu)特征;機(jī)載多光譜傳感器[15]具有功耗低、價(jià)格適中、成像及影像后處理技術(shù)相對簡單等特點(diǎn)，被廣泛用于農(nóng)作物長勢及病蟲害的監(jiān)測、估產(chǎn)等領(lǐng)域。

1.3 無人機(jī)專用農(nóng)事作業(yè)負(fù)載

無人機(jī)通過搭載專用農(nóng)事作業(yè)裝備，能夠完成精準(zhǔn)高效的農(nóng)事生產(chǎn)任務(wù)。現(xiàn)有無人機(jī)專用農(nóng)事作業(yè)負(fù)載研究主要集中于施藥系統(tǒng)、施肥系統(tǒng)和播種系統(tǒng)。羅明達(dá)等[16為提升現(xiàn)有植保無人機(jī)噴霧流量隨飛行速度變化自適應(yīng)調(diào)整的精準(zhǔn)性和降低施藥偏差，設(shè)計(jì)了一種基于復(fù)合模糊PID（比例-積分-微分）控制算法的植保無人機(jī)變量噴霧系統(tǒng)。黃小毛等[17]針對水稻和油菜飛播導(dǎo)致的落種散亂無序等問題，采用電驅(qū)、工作長度可調(diào)的外槽輪組件作為排種器，以舵機(jī)帶動(dòng)連桿驅(qū)動(dòng)的自動(dòng)折疊導(dǎo)種管為投種部件，設(shè)計(jì)了一種可同時(shí)適應(yīng)水稻和油菜條播農(nóng)藝要求的無人機(jī)播種裝置。曲云霞等[18]為實(shí)現(xiàn)高效、便捷、損耗少的大面積農(nóng)田液態(tài)肥噴施效果，基于四旋翼無人機(jī)，對其噴孔進(jìn)行改良設(shè)計(jì)，研制了一套旋翼無人機(jī)水稻葉面肥噴施控制系統(tǒng)。

2 無人機(jī)技術(shù)在農(nóng)業(yè)監(jiān)測領(lǐng)域的應(yīng)用研究進(jìn)展

2.1 作物面積和產(chǎn)量估測

無人機(jī)具有高效的范圍覆蓋能力，在作物面積監(jiān)測領(lǐng)域，常用于輔助衛(wèi)星遙感分析進(jìn)行樣本采集[19]或精度驗(yàn)證[20]。但隨著農(nóng)業(yè)保險(xiǎn)行業(yè)對作物受災(zāi)面積精準(zhǔn)評估需求的增加，無人機(jī)開始直接應(yīng)用于受災(zāi)面積統(tǒng)計(jì)等場景。申華磊等[21]采用大疆精靈4Pro無人機(jī)采集小麥灌漿期的可見光影像，提出一種融合多尺度特征的倒伏面積分割模型Attention_U2Net，該模型采用裁剪方式提取小麥倒伏面積，取得了較高的準(zhǔn)確率。朱文靜等[22]采用大疆 M600Pro 無人機(jī)搭載RedEdge-

MX多光譜成像系統(tǒng)采集小麥光譜圖像，分別將數(shù)字表面模型（DSM）、植被指數(shù)和紋理特征與無人機(jī)光譜圖像進(jìn)行融合，結(jié)果證明無人機(jī)多光譜遙感結(jié)合特征融合技術(shù)提取效果優(yōu)于單特征小麥倒伏圖像。寧靜等[23]用大疆 M600Pro 無人機(jī)搭載RedEdge3多光譜相機(jī)采集水稻倒伏區(qū)光譜影像，然后基于光譜特征、紋理特征、植被指數(shù)，通過機(jī)器學(xué)習(xí)算法進(jìn)行分類，得出的紋理特征最適合區(qū)分倒伏水稻，基于均值紋理的倒伏面積估測精度可以達(dá)到 94% 。

作物田間測產(chǎn)和估產(chǎn)是農(nóng)業(yè)領(lǐng)域中的一項(xiàng)重要工作，常用的方法有采樣法、株數(shù)法、影像遙感技術(shù)等。無人機(jī)遙感監(jiān)測具有靈活、機(jī)動(dòng)、時(shí)效性強(qiáng)等優(yōu)點(diǎn)，被廣泛用于作物產(chǎn)量估測。首先利用無人機(jī)獲取作物多個(gè)生育時(shí)期的低空高清遙感影像，然后提取光譜、紋理等特征，再通過機(jī)器學(xué)習(xí)方法構(gòu)建產(chǎn)量預(yù)測模型，以提高預(yù)測精度和效率。Li等[24]使用大疆M210無人機(jī)搭載RedEdgeMX多光譜相機(jī)，采集冬小麥抽穗期、開花期、灌漿期的多光譜數(shù)據(jù)，構(gòu)建16個(gè)產(chǎn)量相關(guān)植被指數(shù)，然后基于3個(gè)生育時(shí)期的不同組合得到7個(gè)數(shù)據(jù)集，以此為輸入變量，選用隨機(jī)森林（RF）、一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）、集成學(xué)習(xí)方法Bagging和梯度提升回歸（GBR）進(jìn)行冬小麥產(chǎn)量預(yù)測，實(shí)驗(yàn)結(jié)果表明，4種機(jī)器學(xué)習(xí)算法中RF模型的預(yù)測表現(xiàn)最好，但以全部7個(gè)數(shù)據(jù)集作為輸入變量得到的CNN模型預(yù)測準(zhǔn)確率最佳。嚴(yán)海軍等[25]使用大疆精靈3無人機(jī)搭載RedEdge-M多光譜相機(jī)，采集首蓿分枝期、現(xiàn)蕾期和初花期的多光譜數(shù)據(jù)，挑選5種植被指數(shù)，以去噪后的植被指數(shù)和苜蓿株高為輸入變量，通過支持向量回歸（SVR）算法建立各生育時(shí)期的首蓿產(chǎn)量預(yù)測模型，以實(shí)測產(chǎn)量進(jìn)行模型評價(jià)，得出初花期使用植被指數(shù)和株高組合輸入變量所構(gòu)建的估產(chǎn)模型最優(yōu)。楊楠等[26]應(yīng)用大疆精靈4無人機(jī)搭載FC300X相機(jī)，獲取小麥拔節(jié)期等4個(gè)主要生育期的RGB高時(shí)空分辨率影像，以每個(gè)時(shí)期的所有光譜特征、紋理特征和葉面積指數(shù)（LAI）作為特征輸入集合，通過分析其與產(chǎn)量的相關(guān)性，篩選出與產(chǎn)量顯著相關(guān)的特征，然后結(jié)合機(jī)器學(xué)習(xí)算法進(jìn)行產(chǎn)量估算，結(jié)果表明基于RF的產(chǎn)量預(yù)測模型最優(yōu)。郭燕等[27]采用大疆M600無人機(jī)搭載K6多光譜傳感器，采集冬小麥孕穗期、開花期、灌漿期光譜數(shù)據(jù)，提取植被指數(shù)、紋理特征、株高等信息，通過機(jī)器學(xué)習(xí)算法，構(gòu)建生物量估算模型，進(jìn)而進(jìn)行產(chǎn)量估算，效果優(yōu)于單一光譜指數(shù)或者紋理特征。田婷等[28]采用大疆M100 搭載 parrot Sequoia 多光譜相機(jī)，獲取水稻主要生育期冠層光譜信息，通過提取不同生育期8種植被指數(shù)并建立與水稻產(chǎn)量實(shí)測值的擬合關(guān)系，篩選出最優(yōu)植被指數(shù)和最佳的無人機(jī)遙感作業(yè)時(shí)期，建立了水稻估產(chǎn)模型，結(jié)果表明，水稻生長前期不適合估產(chǎn)，抽穗期至成熟期估產(chǎn)效果好。胡田田等[29]采用大疆精靈4多光譜無人機(jī)，采集冬小麥抽穗期、開花期和灌漿期光譜數(shù)據(jù)，進(jìn)行基于單一植被指數(shù)和多植被指數(shù)組合的產(chǎn)量估算，結(jié)果表明，基于5種植被指數(shù)的多元線性回歸模型在3個(gè)生育時(shí)期的擬合效果均優(yōu)于單植被指數(shù)模型。張靜等[30利用大疆四旋翼無人機(jī)在棉花花鈴期和吐絮期從3個(gè)不同高度分別采集棉花冠層圖像，提取圖像的顏色指數(shù)和紋理特征，篩選出重要特征并構(gòu)建棉花3個(gè)不同高度下不同生育時(shí)期的產(chǎn)量估算模型，發(fā)現(xiàn)棉花產(chǎn)量估算的最佳生育時(shí)期為花鈴期，圖像采集的最佳高度為 30m 。

對區(qū)域內(nèi)作物的果實(shí)、果穗、植株等進(jìn)行計(jì)數(shù)也是估產(chǎn)的重要手段，而深度學(xué)習(xí)等人工智能算法的興起為此類精準(zhǔn)計(jì)數(shù)提供了新的方案。通過無人機(jī)快速獲取一定范圍的低空高清圖像，再結(jié)合人工智能算法，能夠?qū)崿F(xiàn)對區(qū)域內(nèi)作物果實(shí)、果穗、植株較為準(zhǔn)確的計(jì)數(shù)，為精準(zhǔn)產(chǎn)量預(yù)測提供支持。Wang等[31]使用小型無人機(jī)UDIRCi25獲取蘋果園高清可見光圖片，提出一種改進(jìn)的小目標(biāo)檢測方法YOLOv5s，實(shí)驗(yàn)結(jié)果表明，新方法的檢測準(zhǔn)確率顯著提高，精確率、召回率和平均精度均值（mAP）分別提高了 3.6%.6.8% 和 6.1% 。 Pu 等[32]以YOLOv7作為原始模型，提出了一種用于玉米穗自動(dòng)檢測和計(jì)數(shù)任務(wù)的Tassel-YOLO模型，實(shí)驗(yàn)結(jié)果表明，新模型的整體性能優(yōu)于其他主流目標(biāo)檢測算法，能滿足實(shí)時(shí)檢測需求。馮健等[33]通過大疆Mini2無人機(jī)航拍獲取柑橘果樹水平和傾斜角度的視頻數(shù)據(jù)，利用改進(jìn)的YOLOv5目標(biāo)檢測算法獲得柑橘果實(shí)的位置信息，通過卡爾曼濾波和卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)不同幀之間相同水果的匹配關(guān)聯(lián)，得到柑橘果實(shí)總數(shù)的估計(jì)值，實(shí)驗(yàn)結(jié)果顯示該方法達(dá)到了 88.6% 的準(zhǔn)確率。鮑文霞等[34]采用大疆御2無人機(jī)搭載可見光相機(jī)采集田間小麥圖像，設(shè)計(jì)了一種基于TPH- YOLO（ YOLO with transformer predictionheads）的麥穗檢測模型，精確率、召回率及平均精確率分別為 87.2% ） 84.1% 和 88.8% 。孫俊等[35]通過構(gòu)建普適麥穗計(jì)數(shù)網(wǎng)絡(luò)（WheatEarCountingNetwork，WECnet），基于無人機(jī)實(shí)拍的麥田圖像進(jìn)行麥穗計(jì)數(shù)，計(jì)數(shù)速度與精度均表現(xiàn)優(yōu)異

2.2 病蟲害監(jiān)測與預(yù)警

病蟲害發(fā)生會影響作物產(chǎn)量和質(zhì)量，進(jìn)而影響食品安全[36]，而過度的病蟲害防治又容易導(dǎo)致農(nóng)藥殘留超標(biāo)，威脅農(nóng)業(yè)生產(chǎn)安全、農(nóng)產(chǎn)品質(zhì)量安全和生態(tài)環(huán)境安全。因此，加強(qiáng)農(nóng)作物病蟲害監(jiān)測預(yù)警，實(shí)現(xiàn)病蟲害的精準(zhǔn)防控，對保障糧食安全和保護(hù)生態(tài)環(huán)境具有重要意義。

病蟲害伴隨農(nóng)作物生長發(fā)育的整個(gè)過程，不同作物、不同生長階段發(fā)生的病蟲害不盡相同[37]。通過無人機(jī)可以方便地獲取作物多生育期的高清遙感數(shù)據(jù)，進(jìn)而提取對病蟲害指示敏感的植被指數(shù)及特征波段，通過機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)對不同作物病蟲害的分類識別。宋勇等[38]采用HY-6X電動(dòng)六旋翼無人機(jī)搭載MicroMCA12Snap多光譜相機(jī)，獲取棉花多個(gè)生育期影像數(shù)據(jù)，篩選出識別棉花黃萎病的最佳植被指數(shù)、最佳波段組合及最佳時(shí)相，利用支持向量機(jī)（SVM）分類法取得了 96.64% 的分類精度。林奕桐等[39]利用大疆經(jīng)緯M210無人機(jī)獲取柑橘果園可見光影像，構(gòu)建2套基于SVM的識別模型，在柑橘黃龍病植株識別方面取得了較高的準(zhǔn)確度。郭銘淇等[40]利用大疆 M600Pro 無人機(jī)搭載RedEdge-MX多光譜相機(jī)，采集水稻分蘗期、拔節(jié)期和孕穗期的多光譜影像，采用多種機(jī)器學(xué)習(xí)算法建立了水稻3個(gè)生育時(shí)期的卷葉率反演模型，分析了15種植被指數(shù)與卷葉率之間的關(guān)聯(lián)度，得出在分糵期和孕穗期對稻縱卷葉螟危害情況進(jìn)行檢測效果較好。Wang等[41]采用大疆M600無人機(jī)搭載高光譜相機(jī)，獲取水稻高光譜影像，通過遺傳算法結(jié)合偏最小二乘法、皮爾遜相關(guān)性分析和類間不穩(wěn)定性指數(shù)等選擇特征波段，確定了水稻假穗病監(jiān)測的敏感波段范圍為 698～800nm 和 974～997 nm ，提供了一種高精度監(jiān)測稻谷假穗病的方法。Deng等[42]利用無人機(jī)獲取了小麥 100m 高度的高光譜圖像，提出了一種以深度學(xué)習(xí)技術(shù)為基礎(chǔ)的端到端、像素級定量回歸方法，實(shí)驗(yàn)結(jié)果表明，基于深度學(xué)習(xí)算法的全波段端到端建?？梢詫?shí)現(xiàn)更好的反演結(jié)果，并能簡化數(shù)據(jù)分析步驟，對疾病分布圖的準(zhǔn)確評估具有重要意義。

2.3 土壤質(zhì)量評估

土壤質(zhì)量評估對指導(dǎo)農(nóng)業(yè)生產(chǎn)以及土壤環(huán)境監(jiān)測具有重要意義。傳統(tǒng)的土壤調(diào)查方法，如測定土壤 pH 值的化學(xué)分析法，檢測氮元素的重鉻酸鉀-硫酸消化法、凱氏定氮法，評估土壤水分狀況的單點(diǎn)測量法等，雖然可以準(zhǔn)確反映農(nóng)田土壤狀況，但時(shí)效性較差，且采樣會受地形條件和土壤類型的影響，很難真正實(shí)現(xiàn)大范圍土壤評定。無人機(jī)遙感技術(shù)的進(jìn)步為實(shí)現(xiàn)高效的土壤質(zhì)量評估提供了新的技術(shù)支撐，其現(xiàn)有應(yīng)用如表2所示。整體來看，目前基于無人機(jī)數(shù)字圖像的土壤質(zhì)量評估大多停留在單個(gè)元素診斷模型的建立，而如何生成集合多個(gè)元素的土壤營養(yǎng)診斷處方圖還需進(jìn)一步研究。

2.4 作物表型研究

作物表型是指可以觀測到的作物性狀或特征，包括形態(tài)結(jié)構(gòu)性狀、生理功能性狀、組分含量性狀等。表型研究在作物遺傳改良、逆境應(yīng)對、田間管理、品質(zhì)評估和基因功能研究等方面都具有廣泛的應(yīng)用潛力。傳統(tǒng)的作物表型測定需要耗費(fèi)大量人力和資源，且測量精度和效率無法滿足現(xiàn)代農(nóng)業(yè)的要求，因此高通量表型獲取技術(shù)成為研究熱點(diǎn)。無人機(jī)可以搭載多種采集設(shè)備快速獲取大范圍的作物遙感影像，成為高通量表型獲取的有效技術(shù)

劉易雪等[55]提出一種基于無人機(jī)遙感的小麥抗凍高通量表型方法，采用大疆經(jīng)緯100無人機(jī)搭載MicaSenceRededge相機(jī)獲取小麥越冬期冠層多光譜圖像，生成16個(gè)光譜植被指數(shù)特征，進(jìn)而基于機(jī)器學(xué)習(xí)構(gòu)建小麥凍害等級評價(jià)模型，證明基于無人機(jī)獲取的光譜特征可以作為小麥抗凍表型分析的指標(biāo)，為小麥抗凍性狀遺傳解析提供必需的表型信息。萬亮等[5采用自研無人機(jī)搭載可見光和多光譜相機(jī)，獲取水稻稻穗影像，構(gòu)建了稻穗覆蓋度、生物量以及倒伏等監(jiān)測模型，證明無人機(jī)多源圖譜數(shù)據(jù)融合可用于改善稻穗表型監(jiān)測的準(zhǔn)確率，為快速獲取水稻稻穗表型提供了一種有效的方法。付虹雨等[57]提出了一種基于無人機(jī)遙感影像的苧麻種質(zhì)資源表型監(jiān)測及篩選方法，采用大疆悟2搭載禪思X5s高清數(shù)碼相機(jī)獲取苧麻冠層RGB影像，采用大疆精靈4獲取苧麻冠層多光譜影像，基于此生成試驗(yàn)區(qū)的數(shù)字地表模型和正射影像，對苧麻種質(zhì)資源關(guān)鍵表型參數(shù)進(jìn)行估測，并根據(jù)提取的各項(xiàng)遙感表型參數(shù)，采用變異分析和主成分分析方法對苧麻種質(zhì)資源進(jìn)行遺傳多樣性分析。

3 無人機(jī)技術(shù)在農(nóng)事作業(yè)領(lǐng)域的應(yīng)用研究進(jìn)展

3.1 植保飛防

目前我國每年由病蟲害造成的糧食損失約為1 500億 kg ，而化學(xué)防治導(dǎo)致的農(nóng)藥污染耕地面積高達(dá)1300萬＼～1600 萬 hm^2[58] ，因此，精準(zhǔn)、高效的病蟲害防治技術(shù)對于糧食安全和生態(tài)環(huán)境保護(hù)意義重大，而這也推動(dòng)了我國植保無人機(jī)技術(shù)的不斷創(chuàng)新和迭代發(fā)展。植保無人機(jī)的關(guān)鍵技術(shù)包括精密自主飛行控制、農(nóng)藥噴灑、飄移控制和噴灑質(zhì)量測量技術(shù)等[59]，工作效率是人工作業(yè)的80＼～100 倍[60]。張強(qiáng)等[61]利用大疆 T20 型植保無人機(jī)噴施球孢白僵菌制劑，探索不同飛行參數(shù)（飛行高度、飛行速度）對球孢白僵菌制劑沉積量（單位面積內(nèi)球孢白僵菌孢子沉積個(gè)數(shù)）的影響，確定了植保無人機(jī)噴施球孢白僵菌制劑防治水稻二化螟的最佳飛行參數(shù)為飛行高度 1.5m 、飛行速度 5.0m/s ，此時(shí)水稻二化螟的田間防治效果可達(dá)75% 以上。朱贊彬等[62]采用水敏試紙檢測植保無人機(jī)在不同飛行速度和高度條件下的小麥噴霧霧滴沉積效果，并結(jié)合SPSS軟件進(jìn)行對比分析，確定了無人機(jī)飛行速度在 4m/s 、作業(yè)高度在 2m 時(shí)霧滴沉積效果最好。徐浩等[63]利用有限元軟件進(jìn)行四旋翼植保無人機(jī)旋翼下風(fēng)場和施藥場數(shù)值模擬，設(shè)計(jì)了水田慈姑植保無人機(jī)施藥裝置，并對平臺進(jìn)行不同工況的噴霧試驗(yàn)研究，結(jié)果表明低空低速條件下霧滴的葉片附著率更高，施藥效果更佳，可實(shí)現(xiàn)可靠高效的慈姑病蟲害防治。Wang等[64]使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提出一種基于GA-BP神經(jīng)網(wǎng)絡(luò)特征選擇的多因素融合流量決策模型的建立方法，通過進(jìn)行大量的植保無人機(jī)噴灑液滴沉積實(shí)驗(yàn)，獲取不同參數(shù)下的液滴沉積數(shù)據(jù)，驗(yàn)證了新方法的可行性和有效性。范明洪等[65]應(yīng)用四旋翼植保無人機(jī)進(jìn)行玉米田除草劑在飛防中的安全使用及藥效試驗(yàn)，通過改變藥液霧滴粒徑及噴液量測定靶標(biāo)雜草的霧滴沉積規(guī)律及對藥效的影響，結(jié)果表明，相同噴液量條件下，靶區(qū)霧滴覆蓋率和霧滴沉積量隨霧滴粒徑增大而增加，霧滴密度隨霧滴粒徑增大而減少，該結(jié)論為玉米田除草劑的合理和安全噴施提供了參考數(shù)據(jù)。 Xu 等[6]提出了一種基于三維仿真方法和自動(dòng)優(yōu)化算法的固定翼植保無人機(jī)飛行參數(shù)優(yōu)化策略，并采用標(biāo)準(zhǔn)粒子群優(yōu)化算法（PSO）來優(yōu)化無人機(jī)的操作參數(shù)，結(jié)果表明，使用標(biāo)準(zhǔn)PSO算法優(yōu)化無人機(jī)的操作參數(shù)可以顯著提高沉積速率并找到最佳的操作參數(shù)。

3.2 精準(zhǔn)施肥

我國化肥生產(chǎn)量和使用量均為世界第一，肥料過量施用及利用率低等問題突出，因此精準(zhǔn)施肥是促進(jìn)現(xiàn)代農(nóng)業(yè)綠色發(fā)展的重要技術(shù)手段。隨著無人機(jī)技術(shù)的快速發(fā)展，利用無人機(jī)進(jìn)行精準(zhǔn)施肥成為一種可行方案。李普等[67]提出了一種基于模糊PID算法的四旋翼無人機(jī)葉面肥噴施控制系統(tǒng)，可有效解決無人機(jī)噴施系統(tǒng)調(diào)整速度較慢和動(dòng)態(tài)性能平穩(wěn)性較差的問題。任萬軍等[68]設(shè)計(jì)了一種基于多旋翼無人機(jī)的水稻播撒肥系統(tǒng)，確定了離心盤、流量調(diào)節(jié)裝置等主要結(jié)構(gòu)參數(shù)，為水稻穗肥的無人機(jī)撒施系統(tǒng)設(shè)計(jì)提供了參考。曲云霞等[18]通過設(shè)計(jì)四旋翼無人機(jī)和液態(tài)肥相結(jié)合的試驗(yàn)臺，建立有效噴幅和參數(shù)之間的回歸模型，確定了適合現(xiàn)場運(yùn)行的四旋翼無人機(jī)最佳參數(shù)組合。Song等[9]為研究多旋翼無人機(jī)施肥的顆粒沉積分布特性，通過單路線沉積分布試驗(yàn)，對基于無人機(jī)的盤式和氣動(dòng)式施肥裝置進(jìn)行了不同飛行高度和速度下的測試，采用重疊路線模擬，得到有效條帶寬度和沉積均勻度，并提出了優(yōu)化無人機(jī)施肥參數(shù)的建議。

3.3 播種

我國于20世紀(jì)50年代開始使用飛機(jī)播種，主要飛播對象是對精度和均勻度要求不高的樹種、草種等[70]。經(jīng)過數(shù)十年的科研攻關(guān)，我國農(nóng)業(yè)航空作業(yè)已由單一的有人駕駛航空器作業(yè)發(fā)展為有人駕駛航空器作業(yè)和無人駕駛航空器作業(yè)并存[71]，其中無人機(jī)播撒（飛播）作為效率和地形地表適應(yīng)性最好的直播方式，在植物播種方面的應(yīng)用得到縱深發(fā)展。彭永福等[72]針對南方丘陵水稻機(jī)械化種植時(shí)農(nóng)機(jī)下田作業(yè)難、水網(wǎng)平湖交織區(qū)泥腳深易陷車等問題，基于3WWDZ-16A六旋翼無人機(jī)配套研制出一種定量供種離心式水稻播種裝置，并通過分布均勻度、實(shí)際落種量誤差和有效播寬對其播種性能進(jìn)行了評價(jià)。高學(xué)梅等[73]通過優(yōu)化撒種裝置使得無人機(jī)撒播更加均勻順暢，借助控制系統(tǒng)控制不同飛行速度下的排種量，并為不同品種綠肥種子設(shè)定特定的甩種盤轉(zhuǎn)速，最終實(shí)現(xiàn)了多品種綠肥種子的定量排種和均勻撒播。Zhu等[74]對無人空中播種（UAS）、無人干式直接播種（UDDS）和無人地毯移栽（UCT）三種水稻種植方法進(jìn)行田間試驗(yàn)比較，得出UAS195（每平方米195株苗）可以作為純系粳稻的一種替代種植方法，具有協(xié)調(diào)的產(chǎn)量、品質(zhì)和生產(chǎn)效率。

3.4 果實(shí)采摘

水果采摘所需的勞動(dòng)力占整個(gè)種植過程的60%～70% ，這使得采摘效率低下和勞動(dòng)力成本高成為果農(nóng)面臨的主要挑戰(zhàn)[75]。自動(dòng)采摘機(jī)器人是一種利用視覺系統(tǒng)識別和定位果實(shí)，利用末端執(zhí)行器分離果實(shí)，繼而完成精準(zhǔn)采摘作業(yè)的智能化農(nóng)業(yè)裝備[76]，其研究重點(diǎn)與難點(diǎn)包括如何在枝葉遮擋下準(zhǔn)確地定位果實(shí)位置、如何識別果實(shí)成熟度、以何種方式采摘才能確保果實(shí)完好無損等。無人機(jī)搭載末端執(zhí)行器進(jìn)行立體采摘作業(yè)，具有更好的自由度與靈活性，能夠?qū)崿F(xiàn)對長勢較高的果樹以及山間果園的采摘[77]。如圖2所示，當(dāng)前采摘無人機(jī)的搭建主要考慮續(xù)航、系統(tǒng)建模、結(jié)構(gòu)設(shè)計(jì)、圖像識別等方面。其中，結(jié)構(gòu)設(shè)計(jì)又包括無人機(jī)自身的設(shè)計(jì)以及采摘末端執(zhí)行器的設(shè)計(jì)；圖像識別包括果實(shí)本身的識別、果實(shí)成熟度的識別和障礙物的識別；此外，要達(dá)到高效無損的采摘作業(yè)，還需做好采摘軌跡的規(guī)劃、避障技術(shù)的開發(fā)、果實(shí)收集方式的優(yōu)化等。

國內(nèi)在無人機(jī)采收果實(shí)方面的研究仍處于起步階段，如郭關(guān)柱等[78]基于深紋核桃成熟果實(shí)果柄連接強(qiáng)度的測試與分析結(jié)果，進(jìn)行了核桃脫落的氣振流動(dòng)仿真分析，設(shè)計(jì)了搭載于六旋翼農(nóng)業(yè)植保無人機(jī)上的氣振式核桃采收機(jī)，實(shí)現(xiàn)單次采收落果區(qū)域面積約 0.1m² ，采凈率達(dá) 85% 。

4我國農(nóng)業(yè)無人機(jī)技術(shù)面臨的挑戰(zhàn)與未來發(fā)展方向

4.1 目前農(nóng)業(yè)無人機(jī)技術(shù)面臨的挑戰(zhàn)

無人機(jī)在農(nóng)業(yè)遙感、植保等領(lǐng)域已經(jīng)得到廣泛應(yīng)用，但在實(shí)踐過程中也遇到一些技術(shù)挑戰(zhàn)，需

要通過進(jìn)一步研究解決

4.1.1無人機(jī)系統(tǒng)面對農(nóng)業(yè)復(fù)雜應(yīng)用環(huán)境時(shí)的穩(wěn)定性仍需增強(qiáng)我國山區(qū)丘陵耕地面積約占全國耕地面積的三分之一，山區(qū)丘陵地帶地形復(fù)雜，氣象條件多變，對無人機(jī)飛行穩(wěn)定性要求更高。農(nóng)業(yè)無人機(jī)，如植保無人機(jī)，通常需要超低空作業(yè)，農(nóng)田周邊環(huán)境存在的如樹木、電線、建筑物等障礙物會阻礙無人機(jī)航行或者影響其定位等信號，需要無人機(jī)具有更好的避障能力和魯棒性。

4.1.2 主流無人機(jī)續(xù)航時(shí)間和負(fù)載能力仍存在不足 當(dāng)前主流農(nóng)業(yè)無人機(jī)仍以電驅(qū)動(dòng)多旋翼無人機(jī)為主，受限于電池技術(shù)，續(xù)航時(shí)間大多在半小時(shí)左右，跨區(qū)域作業(yè)時(shí)需要攜帶配套的充電設(shè)施，作業(yè)過程中需要等待充電，影響作業(yè)效率。由于動(dòng)力原因，目前農(nóng)業(yè)無人機(jī)負(fù)載能力普遍不高，導(dǎo)致無人機(jī)一次攜帶的作業(yè)資源有限、可搭載的傳感器種類較少。

4.1.3數(shù)據(jù)實(shí)時(shí)處理與分析能力低無人機(jī)可以搭載多種遙感設(shè)備，快速獲取海量農(nóng)田影像數(shù)據(jù)，但這些數(shù)據(jù)需要經(jīng)過一系列處理才能形成分析結(jié)果，處理過程對計(jì)算資源要求較高且耗時(shí)較長。而無人機(jī)搭載的計(jì)算資源有限，無法完成數(shù)據(jù)處理過程，不能實(shí)時(shí)給出分析結(jié)果，影響決策的及時(shí)性。

4.1.4 功能單一，多任務(wù)作業(yè)和協(xié)同作業(yè)能力差

現(xiàn)有的多數(shù)無人機(jī)有效載荷單一，只能獲取一類數(shù)據(jù)或者只能進(jìn)行一項(xiàng)作業(yè)，而且也難以現(xiàn)場更換不同的作業(yè)負(fù)載，無法實(shí)現(xiàn)一平臺多任務(wù)。無人機(jī)之間以及無人機(jī)與其他農(nóng)機(jī)之間缺乏任務(wù)協(xié)同能力，不利于智慧農(nóng)業(yè)應(yīng)用場景的實(shí)現(xiàn)

4.2 農(nóng)業(yè)無人機(jī)技術(shù)的發(fā)展方向展望

4.2.1多傳感器集成和智能飛行控制系統(tǒng)為適應(yīng)農(nóng)業(yè)復(fù)雜作業(yè)環(huán)境，需要從優(yōu)化機(jī)載傳感器和提高飛行控制系統(tǒng)智能化程度兩個(gè)方面來提高農(nóng)業(yè)無人機(jī)的穩(wěn)定性。一是引人更加豐富和更加精密的傳感器，設(shè)計(jì)更加優(yōu)秀的數(shù)據(jù)融合算法，以提高無人機(jī)對環(huán)境和自身參數(shù)感知的準(zhǔn)確度。二是在傳統(tǒng)控制算法的基礎(chǔ)上，引入人工智能算法，提高飛控系統(tǒng)的智慧化程度，增強(qiáng)避障能力，降低人工操控難度。

4.2.2 續(xù)航技術(shù)和路徑規(guī)劃算法為提高無人機(jī)的續(xù)航和負(fù)載能力，一方面可以引入更好的電池技術(shù)，比如采用能量密度更高且輕量化的電池，以及更智能的電池管理系統(tǒng)、更快速的充電技術(shù)等；另一方面是優(yōu)化路徑規(guī)劃算法，保證無人機(jī)以最小的能量消耗完成既定任務(wù)。

4.2.3實(shí)時(shí)數(shù)據(jù)處理方式和算法為重構(gòu)無人機(jī)監(jiān)測工作方式，使其從先采集后處理變成邊采集邊處理，一方面可以引入5G技術(shù)，通過高速數(shù)據(jù)傳輸通道將數(shù)據(jù)實(shí)時(shí)傳輸?shù)骄邆浯笠?guī)模存儲和計(jì)算能力的后端平臺，優(yōu)化數(shù)據(jù)處理算法，實(shí)現(xiàn)平臺的近實(shí)時(shí)數(shù)據(jù)處理能力，并能將處理結(jié)果及時(shí)反饋給作業(yè)現(xiàn)場。另一方面可以增強(qiáng)無人機(jī)端邊緣計(jì)算能力，將部分訓(xùn)練好的模型，如進(jìn)行特定目標(biāo)識別任務(wù)的人工智能模型等，部署到無人機(jī)端，實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)分析。

4.2.4協(xié)同作業(yè)多無人機(jī)協(xié)同是提高無人機(jī)作業(yè)效率和多任務(wù)執(zhí)行能力的一種有效方式，通過構(gòu)建農(nóng)業(yè)無人機(jī)群組協(xié)同作業(yè)平臺，建立跨作業(yè)的機(jī)群協(xié)同調(diào)度模型，可以克服單個(gè)無人機(jī)飛行平臺的數(shù)據(jù)獲取能力有限和作業(yè)能力不足等問題，實(shí)現(xiàn)整體效率的提高。無人機(jī)與地面智能農(nóng)機(jī)協(xié)同，可以實(shí)現(xiàn)兩者在農(nóng)業(yè)生產(chǎn)過程中數(shù)據(jù)和功能的精準(zhǔn)對接與互補(bǔ)，有效促進(jìn)智慧農(nóng)業(yè)發(fā)展

5 結(jié)論

無人機(jī)作為一種技術(shù)密集型裝備，在農(nóng)業(yè)監(jiān)測和農(nóng)事作業(yè)方面具有其他地面機(jī)械不具備的優(yōu)勢。近年來，在農(nóng)業(yè)無人機(jī)技術(shù)領(lǐng)域，我國在機(jī)載傳感器、導(dǎo)航和路徑規(guī)劃、農(nóng)業(yè)專用負(fù)載等方面都取得長足發(fā)展。在應(yīng)用方面，無人機(jī)作為農(nóng)業(yè)監(jiān)測手段，在作物面積與產(chǎn)量估測、病蟲害識別與預(yù)警、土壤質(zhì)量評估、作物表型研究等方面得到快速發(fā)展；作為農(nóng)事作業(yè)手段，在植保領(lǐng)域得到廣泛應(yīng)用，在施肥、播種、采摘等方面的應(yīng)用也穩(wěn)步發(fā)展。但同時(shí)，農(nóng)業(yè)無人機(jī)在穩(wěn)定性、續(xù)航和負(fù)載能力、數(shù)據(jù)分析能力、協(xié)同作業(yè)能力等方面仍存在不足，還需要通過進(jìn)一步研究克服，以使其成為發(fā)展農(nóng)業(yè)新質(zhì)生產(chǎn)力的重要一環(huán)。

參考文獻(xiàn)：

[1]PriyadarshanPM，PennaS，Jain SM，etal.Digital agriculturefor the years to come[M]//Digital Agriculture：A Solution forSustainable Food and Nutritional Security.Cham.：Springer In-ternational Publishing，2024：1-45.

[2] 陳鵬飛.無人機(jī)在農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望［J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2018，44（4）：399-406.sensing monitoringl J」. Journal ot Computer Science and Elec-trical Engineering，2024，6（1） ：1-8.

[4]楊夢琳，李道春，萬志強(qiáng)，等.中國面向遙感應(yīng)用的垂直起降無人機(jī)現(xiàn)狀和應(yīng)用前景分析［J]．地球信息科學(xué)學(xué)報(bào)，2019，21（4） ：496-503.

[5］沈躍，張念，孫志偉，等.基于多速率卡爾曼濾波的植保無人機(jī)仿地飛行方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（3）：190-197.

［6]馮碩，李旗.基于計(jì)算機(jī)控制器的農(nóng)用無人機(jī)導(dǎo)航自動(dòng)控制系統(tǒng)[J].農(nóng)機(jī)化研究，2022，44（8）：42-46.

［7］魏宏飛.基于控制器的農(nóng)用無人機(jī)導(dǎo)航自動(dòng)控制系統(tǒng)研究[J].農(nóng)機(jī)化研究，2022，44（1）：218-222.

［8］王娜，張志剛，張兵.基于遺傳算法的農(nóng)用無人機(jī)定位系統(tǒng)優(yōu)化[J].農(nóng)機(jī)化研究，2022，44（2）：45-49.

［9］張昆，崔靜瑩，涂友超，等.植保無人機(jī)精準(zhǔn)覆蓋航跡規(guī)劃算法設(shè)計(jì)與驗(yàn)證[J].農(nóng)機(jī)化研究，2022，44（2）：15-22.

[10]Watts A C，Ambrosia V G，Hinkley E A. Unmanned aircraftsystems in remote sensing and scientific research： classificationand considerations of use[J]. Remote Sensing，2012，4（6）：1671-1692.

[11］王磊，周建平，許燕，等.農(nóng)用無人機(jī)的應(yīng)用現(xiàn)狀與展望[J].農(nóng)藥，2019，58（9） ：625-630，634.

[12］徐衍向，張敬智，蘭玉彬，等.基于紅外熱成像和機(jī)器學(xué)習(xí)的作物早期病害識別研究進(jìn)展［J].中國農(nóng)機(jī)化學(xué)報(bào)，2023，44（5） ：188-197.

[13］周蕊，歐毅，虞豹，等.多旋翼無人機(jī)載高光譜成像系統(tǒng)幾何和輻射校正方法研究［J]．西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，41（9） ：141-147.

［14］魏曉博，李志強(qiáng)，陳昭光，等.基于無人機(jī)激光雷達(dá)的不同種類紅樹林單木分割[J]．科學(xué)技術(shù)與工程，2024，24（3）：963-969.

［15］曹叢峰，方俊永，趙冬.基于濾光片陣列分光的無人機(jī)載多光譜相機(jī)研制[J].光學(xué)技術(shù)，2018，44（1）：51-55.

[16］羅明達(dá)，鄧?yán)^忠，霍靜朗，等.基于復(fù)合模糊PID 的植保無人機(jī)變量噴霧系統(tǒng)設(shè)計(jì)[J].農(nóng)機(jī)化研究，2024，46（2）：9-15.

[17］黃小毛，劉宇，朱耀宗，等.稻油兼用型成條飛播裝置設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（9）：111-121.

[18]曲云霞，梁春英，于天齊，等.四旋翼無人機(jī)噴施肥控制系統(tǒng)的試驗(yàn)臺分析[J].農(nóng)機(jī)化研究，2023，45（3）：222-225，236.

[19］趙茜蕾，斗尕杰布，沈羽彤，等.基于無人機(jī)采集樣本預(yù)測黃河源區(qū)小花草玉梅的時(shí)空分布［J].草業(yè)科學(xué)，2024，41（2） ：308-321.

[20]湯以勝，孫曉敏，陳前，等.基于遙感大數(shù)據(jù)云計(jì)算平臺下的水稻識別研究[J].航天返回與遙感，2022，43（3）：113-123.

[21]申華磊，蘇歆琪，趙巧麗，等.基于深度學(xué)習(xí)的無人機(jī)遙感小麥倒伏面積提取方法[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（9）：252-260，341.

[22]朱文靜，馮展康，戴世元，等.無人機(jī)多光譜影像的小麥倒2024，44（1） ：197-206.

[23］寧靜，周芳琪，周杰.基于無人機(jī)多光譜影像的水稻風(fēng)災(zāi)倒伏面積估算[J].科學(xué)技術(shù)與工程，2022，22（31）：13723-13729.

[24]Li Z P，Chen Z，Cheng Q，et al. Dep learning models outper-form generalized machine learning models in predicting winterwheat yieldbased on multispectral data from drones[J].Drones，2023，7（8） ：505.

［25］嚴(yán)海軍，卓越，李茂娜，等.基于機(jī)器學(xué)習(xí)和無人機(jī)多光譜遙感的苜蓿產(chǎn)量預(yù)測[J]．農(nóng)業(yè)工程學(xué)報(bào)，2022，38（11）：64-71.

[26］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(bào)，2023，43（7）：920-932.

［27］郭燕，井宇航，賀佳，等.基于無人機(jī)影像多源信息的冬小麥生物量與產(chǎn)量估算[J].河南農(nóng)業(yè)科學(xué)，2023，52（12）：149-161.

［28］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.

［29］胡田田，趙璐，崔曉路，等.無人機(jī)多光譜數(shù)據(jù)可靠性分析與冬小麥產(chǎn)量估算研究[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（12）：217-225.

[30］張靜，郭思夢，韓迎春，等.基于無人機(jī)RGB 圖像的棉花產(chǎn)量估算[J].中國農(nóng)業(yè)科技導(dǎo)報(bào)，2022，24（11）：112-120.

[31]Wang H W，F(xiàn)eng JG，Yin H H. Improved method for applefruit target detection based on YOLOv5s[J]. Agriculture，2023，13（11） ：2167.

[32]Pu H L，Chen X，Yang Y Y，et al. Tassel-YOLO：a new high-precision and real-time method for maize tassel detection andcounting based on UAV aerial images[J]. Drones，2023，7（8） ：492.

[33］馮健，馬俊燕，鄧齊林，等.基于無人機(jī)影像技術(shù)的柑橘園產(chǎn)量估算方法[J].農(nóng)機(jī)化研究，2024，46（4）：36-41.

[34］鮑文霞，謝文杰，胡根生，等.基于 TPH-YOLO的無人機(jī)圖像麥穗計(jì)數(shù)方法［J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（1）：155-161.

［35］孫俊，楊鍇鋒，羅元秋，等.基于無人機(jī)圖像的多尺度感知麥穗計(jì)數(shù)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（23）：136-144.

[36]Chin R，Catal C，Kassahun A. Plant disease detection usingdrones in precision agriculture[J]. Precision Agriculture，2023，24（5） ：1663-1682.

[37］廖娟，陶婉琰，臧英，等.農(nóng)作物病蟲害遙感監(jiān)測關(guān)鍵技術(shù)研究進(jìn)展與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（11）：1-19.

［38］宋勇，陳兵，王瓊，等.基于無人機(jī)多光譜影像的棉花黃萎病監(jiān)測[J].棉花學(xué)報(bào)，2023，35（2）：87-100.

［39］林奕桐，梁健，劉書田，等.基于無人機(jī)可見光通道及支持向量機(jī)模型的柑橘黃龍病個(gè)體識別方法［J]．西南農(nóng)業(yè)學(xué)報(bào)，2022，35（11） ：2554-2563.

[40］郭銘淇，包云軒，黃璐，等.無人機(jī)多光譜影像在稻縱卷葉螟危害監(jiān)測中的應(yīng)用[J]．江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（7）：1530-1542Remote Sensing，2023，15（12） ：2961.

[42]Deng J，Zhang X H，Yang Z Q，et al. Pixel-level regression forUAV hyperspectral images：deep learning-based quantitativeinverse of wheat stripe rust disease index[J]. Computers andElectronics in Agriculture，2023，215：108434.

[43］許童羽，方健羽，郭忠輝，等.東北地區(qū)稻田土壤氮含量無人機(jī)高光譜反演建模研究［J]．沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，54（6） ：759-768.

[44］彭濤，趙麗，張愛軍，等.土壤全氮的無人機(jī)高光譜響應(yīng)特征及估測模型構(gòu)建［J]．農(nóng)業(yè)工程學(xué)報(bào)，2023，39（4）：92-101.

[45］王羿，丁鳴鳴，何菁，等.基于不同建模方法的土壤pH值無人機(jī)遙感影像反演[J].江蘇農(nóng)業(yè)科學(xué)，2022，50（14）：224-231.

[46］靳亞紅，吳鑫淼，甄文超，等.基于采樣點(diǎn)光譜信息窗口尺度優(yōu)化的土壤含水率無人機(jī)多光譜遙感反演［J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（1） ：316-327.

[47］張文旭，祝丹鳳，崔靜，等.基于無人機(jī)熱成像的棉花根域土壤水分含量估測研究［J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024，29（1）：40-52.

[48］王夢迪，何莉，劉潛，等.基于小麥冠層無人機(jī)高光譜影像的農(nóng)田土壤含水率估算[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（6）：120-129.

[49］吳衛(wèi)熊，金向丹，李浩翔，等.融合無人機(jī)多光譜和熱紅外影像的蔗田土壤含水率監(jiān)測研究［J].節(jié)水灌溉，2024（3）：99-103.

[50］張智韜，臺翔，楊寧，等.不同植被覆蓋度下無人機(jī)多光譜遙感土壤含鹽量反演[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（8）：220-230.

[51］趙文舉，馬芳芳，馬宏，等.基于無人機(jī)多光譜影像的土壤鹽分反演模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（24）：93-101.

[52］張?zhí)铮苤野l(fā)，王玲玉，等.基于無人機(jī)點(diǎn)云數(shù)據(jù)土壤粗糙度測量方法[J]．自然資源遙感，2023，35（1）：115-122.

[53］陳瑋，徐占軍，郭琦.煤炭礦區(qū)耕地土壤有機(jī)質(zhì)無人機(jī)高光譜遙感估測[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（8）：98-106.

[54］夏晨真，姜艷艷，張星宇，等.基于無人機(jī)高光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算［J]．光譜學(xué)與光譜分析，2023，43（8） ：2617-2626.

[55］劉易雪，蔚睿，吳建輝，等.不同基因型小麥凍害無人機(jī)遙感高通量表型[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（5）：128-136.

[56］萬亮，杜曉月，陳碩博，等.基于無人機(jī)多源圖譜融合的水稻稻穗表型監(jiān)測[J]．農(nóng)業(yè)工程學(xué)報(bào)，2022，38（9）：162-170.

[57］付虹雨，王薇，廖澳，等.基于無人機(jī)遙感表型監(jiān)測的苧麻優(yōu)質(zhì)種質(zhì)資源篩選方法［J].智慧農(nóng)業(yè)（中英文），2022，4（4） ：74-83.

[58］劉新德，許燕，胡聰旭，等.基于Fluent的重載植保無人機(jī)霧滴沉積特性的研究[J].農(nóng)機(jī)化研究，2024，46（2）：1-8.

[59] Hu P，Zhang R R， Yang J X，et al. Development status and keytechnologies of plant protection UAVs in China：a review[J].Drones，2022，6（11） ：354.211-215.

[61］張強(qiáng)，朱曉敏，赫思聰，等.植保無人機(jī)噴施球孢白僵菌制劑防治水稻二化螟飛行參數(shù)篩選［J].中國生物防治學(xué)報(bào)，2023，39（4） ：789-796.

[62］朱贊彬，黃鈺琪，龔守富.無人機(jī)作業(yè)參數(shù)對小麥噴霧效果的分析及試驗(yàn)[J].農(nóng)機(jī)化研究，2023，45（5）：186-190.

[63］徐浩，繆宏，張燕軍，等.水田慈姑植保無人機(jī)施藥裝置設(shè)計(jì)與試驗(yàn)[J].農(nóng)機(jī)化研究，2023，45（2）：171-177.

[64]Wang M，Bian ZH，Yan Y，et al.Research on flow decision-making model of plant protection UAV based on feature selec-tion[J]. IEEE Access，2024，12：13699-13710.

[65］范明洪，蘭玉彬，趙德楠，等.植保無人機(jī)低容量噴霧防除玉米田雜草的霧滴沉積特性及除草效果［J].植物保護(hù)，2022，48（5） ：304-309.

[66] Xu L F，Yang Z Z，Huang Z S，et al. Effects of flight parametersfor plant protection UAV on droplets deposition rate based on a3D simulation approach[J]. International Journal of Agricultur-al and Biological Engineering，2023，16（1） ：66-72.

[67］李普，梁春英，王宏立，等.基于模糊PID 的無人機(jī)葉面肥噴施控制策略研究［J].農(nóng)機(jī)化研究，2023，45（9）：110-115.

[68］任萬軍，吳振元，李蒙良，等.水稻無人機(jī)撒肥系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（3）：88-98.

[69] Song C C，Liu L L，Wang G B，et al. Particle deposition distri-bution of multi-rotor UAV-based fertilizer spreader under differ-ent height and speed parameters[J]. Drones，2023，7（7） ：425.

[70］李紅軍，何雄奎，宋堅(jiān)利，等.基于文獻(xiàn)計(jì)量的全球農(nóng)用無人機(jī)研發(fā)應(yīng)用比較[J]．中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（9）：154-167.

[71］朱海濱，馬中濤，徐棟，等.無人飛播水稻優(yōu)質(zhì)豐產(chǎn)“無人化\"栽培技術(shù)體系探討與展望[J].中國稻米，2021，27（5）：5-11.

[72］彭永福，劉兆朋，陳雄飛，等.基于六旋翼無人機(jī)的定量供種離心式水稻播種裝置設(shè)計(jì)與試驗(yàn)［J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，44（5） ：1283-1291.

[73］高學(xué)梅，游兆延，吳惠昌，等.基于無人機(jī)平臺的綠肥種子撒播裝置設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（11）：76-85.

[74] Zhu H B，Lu X Z，Zhang K W，et al. Optimum basic seedlingdensity and yield and quality characteristics of unmanned aerialseeding rice[J]. Agronomy，2023，13（8）：1980.

[75] Zhang J，Kang N B，Qu Q J，et al. Automatic frut picking tech-nology ： a comprehensive review of research advances[J]. Arti-ficial Intelligence Review，2024，57（3） ：54.

［76］陳青，殷程凱，郭自良，等.蘋果采摘機(jī)器人關(guān)鍵技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（4）：1-15.

[77］謝嘉，吳家楨，李永國，等.采摘無人機(jī)研究綜述[J]．制造業(yè)自動(dòng)化，2022，44（10）：72-75.

[78］郭關(guān)柱，楊李洋，羅亞南，等.基于無人機(jī)平臺的氣振式核桃采收機(jī)設(shè)計(jì)與試驗(yàn)「J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（1）：55-64.