無人機遙感在農業監測中的應用研究綜述

滕連澤 羅勇 張洪吉 李思佳

摘 要：近年來，無人機遙感憑借其低成本、高空間時間分辨率等優點，被廣泛應用于作物生長狀況、土壤條件和水資源變化等農業監測領域，并與田間實測、衛星遙感、普通航空遙感共同構成現代農業監測體系。本文在梳理國內外相關文獻的基礎上，綜述了無人機遙感在農業監測中的應用研究現狀，并著重描述了基于植被指數的葉面積指數、植物色素濃度、生物量反演及其應用，進而提出了飛控系統、數據處理、信息提取、標準構建等方面的研究展望，以期為相關研究和應用提供參考。

關鍵詞：精準農業 無人機 農業監測

中圖分類號：S25 文獻標識碼：A 文章編號：1672-3791（2018）08（b）-0122-03

規劃航線進行自主推進的無人駕駛航空器，在飛行中可通過自身搭載的設備重復執行多種任務。無人機最早于20世紀20年代將退役戰斗飛機改裝而來，被應用于軍事領域[1]。隨著計算機、無線電等技術手段的快速發展，無人機被應用于實戰中進行敵情偵查的同時，也被應用于節水農業灌溉、自然災害監測、地質勘探、農情監測等民用領域。農業問題一直是人類生存和發展的關鍵，隨著社會生產方式的不斷變化和農業技術的快速進步，農業已從傳統農業逐漸轉變為信息農業、智慧農業、精準農業。在農業領域，隨著傳統農業向信息農業、智慧農業、精準農業的轉變，以作物長勢、資源狀況、環境變化為核心的農業監測也從傳統監測手段轉變為地面實測和遙感監測相互結合的立體化監測模式。無人機以其靈活性強、周期短、成本低、操作簡單等優點，成為農業監測的研究熱點和發展趨勢。

1 無人機遙感農業監測的研究現狀

為滿足全球不斷增長的農產品需求，需要通過精準管理和系統優化等手段增加農作物產量，這對土壤水含量、蒸散量、植被指數等作物生長指標的動態監測在時間、空間尺度上都提出了更高的要求。傳統田間實測工作量大、監測范圍小，衛星遙感雖然能進行大范圍、多任務監測，但缺乏精準農業所要求的時空分辨率。無人機操作靈活、數據取快速度快、時空分辨率高，恰好與地面監測和衛星遙感相互互補，共同構成空天地一體化監測體系。

近年來，無人機在國外被廣泛應用于農業監測的各個領域，例如，Hardin等于2005年利用無人機系統進行大規模草種可視化圖像的模擬繪制[2]；Swain等于2007年利用無人機系統對作物氮元素含量進行監測[3]；Berni等于2009年通過無人機系統監測大尺度研究范圍內作物等水分脅迫現象[4]；Hunt等于2010年基于無人機遙感數據對大尺度觀測范圍內的大豆生物量進行監測[5]；Primicerio等于2012年通過無人機遙感數據對葡萄園的生長活力進行狀況進行繪制[6]；Honkavaara等于2013年利用無人機搭載基于干涉儀（FPI）的光譜相機，建立數字表面模型對作物生物量進行估計，并以小麥作為研究對象驗證了FPI技術的巨大潛力[7]；Zarco等于2014年基于無人機對不連續冠層進行生物參數檢測，通過三維重建方法進而對作物高度進行估算[8]；Wallace等于2016年通過對機載激光掃描與結構運動（點云）兩種無人機技術對森林結構進行評估比較[9]；Liebisch等于2017年基于無人機遙感數據生成3D點云，在行播作物時進行除草實驗[10]。

相對而言，國內無人機農業監測研究起步稍晚，但發展迅猛，并形成了豐富的應用案例。例如，祝錦霞等于2010年利用無人機平臺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，進而診斷大面積水稻富含的氮素營養[11]；冷偉鋒等于2011年提出利用無人機遙感通過對作物冠層進行電磁輻射異常檢測以確定作物病害部位[12]；李冰等于2012年利用無人機遙感系統對大面積作物覆蓋率進行監測，并以冬小麥為研究對象，提取植被指數對研究區域內植被覆蓋度進行測量[13]；宗南等人于2014年通過小型無人機遙感獲取灌漿期玉米可見光圖像，在紅、綠、藍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年基于無人機平臺并集成多載荷傳感器研發小麥育種信息獲取系統，對作物表型信息進行快速高通量獲取[15]。高林等于2016年圍繞無人機高光譜遙感反演作物葉面積指數，并在冬小麥試驗田進行實驗對冬小麥葉面積指數進行估測并對冬小麥覆蓋度進行提取[16]。

2 無人機遙感農業監測的主要方法及應用

利用無人機遙感進行農業監測較航空、航天遙感增強了空間細節信息，對作物生長狀況空間變異性監測提供了更深入了解，使監測到的植物信息成數量級的增加。對農業進行無人機遙感監測的主要技術是將觀測到的光譜反射率、衍生指數等與作物健康條件相關聯。這些關聯關系中，植被指數是被應用于進行作物監測的最廣泛的方法之一。植被指數是對植物的特定光學參數進行光譜信息的提取，可對地表作物生長狀況進行快捷有效的定性、定量，通過對作物信息進行增強，加強作物與土壤、大氣、光照、視場角等干擾信息的反差，減弱干擾信息的表達，以快速反應作物生長活力、覆蓋狀況等。

目前，國內外提出的植被指數已有上百種，植被指數按照發展可分為3個階段：在早期，由于經驗和方法的限制，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，植被指數是波段的簡單線性組合，以比值植被指數（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律、土壤、大氣、光照、植物、植被的相互影響，對第一階段植被指數進行改良，提出了基于物理理論的以歸一化植被指數為代表（NDVI）的植被指數；最后是針對高光譜、熱紅外信息提出的植被指數，如導數植被指數（DVI）、生理反射植被指數（PRI）等[17]。

基于植被指數可對植物生物物理、生物化學參數進行反演進而獲得作物相關監測信息，其應用包括對葉面積指數、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（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，其值大小與作物最終產量高低密切相關，是用于監測作物生長和發育的常見變量；生物量是指某時刻單位面積內的有機物質總量，是作物有機物含量監測的重要指標；土壤濕度直接關系作物的健康生長狀況，是農業旱情級別監測的重要指標；基于空間分布的植被色素（葉綠素、類胡蘿卜素等）濃度圖可為對植物生長狀況進行監測，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間尺度上的變化，并參與葉黃素的色素循環，兩者對光能進行捕獲，并在非光化學猝滅過程中所發揮作用。在植被的光譜特征規律中，綠色植被對紅光（0.67μm）是強吸收、低反射的，在紅光呈現出反射率的極小值，所以利用紅光反射信息可估算葉片葉綠素含量，利用類胡蘿卜素對綠光較高的反射率特征則可對葉片類胡蘿卜素含量進行估算。對于近紅外波段，由于植物細胞葉綠體的水溶膠狀態、葉肉海綿組織細胞中的空腔，都對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）呈現一段峰值[18]。因此利用紅光、近紅外波段光譜信息進行組合得到的植被指數，可以很好地進行植被觀測，對葉面積指數、植物色素濃度、生物量等可以很好地進行反演。

將無人機遙感影像和植被指數結合起來，近年來在農作物監測領域有廣泛應用。例如，王斌于2009年基于無人機圖像的歸一化植被指數進行土壤濕度監測，利用可見光-近紅外波段，確定分數階的植被歸一化公式，增強土壤濕度與遙感圖像的相關系數，建立土壤濕度監測模型，并以美國猶他州為例進行試驗，得到土壤濕度監測模型的精度良好[19]；高林等于2015年利用無人機遙感影像進行大豆的葉面積指數反演，并以山東省嘉祥縣的大豆實驗區為研究區域，結合歸一化植被指數、三角植被指數、土壤調整植被指數、比值植被指數、差值植被指數，建立反演模型并得出大豆真實長勢情況[20]；秦占飛于2016年利用無人機影像，分析不同時間、空間的水稻光譜反射特征，建立基于綠度歸一化植被指數GNDVI、歸一化色素葉綠素指數NPCI和歸一化植被指數NDVI的多元線性模型，對水稻SPAD的預測精度良好，而基于比值植被指數RVI構建的指數模型和線性模型，對水稻葉面積指數和葉片含氮量的預測精度良好[21]；于豐華于2017年基于無人機高光譜遙感，在作物冠層輻射傳輸機理模型PROSAIL上進行優化，建立水稻葉綠素、氮素、葉面積指數、生物量等生長信息反演模型，為水稻生長監測提供理論基礎[22]；張春蘭于2018年通過利用隨機森林算法（Random Forest，RF），構建冬小麥葉面積指數模型，對冬小麥長勢進行反演，實驗結果表明模型精度較好并且適應性強，可適用于高光譜無人機進行高精度冬小麥葉面積指數提取[23]。

3 展望

目前無人機在農業監測方面的應用日益廣泛，在提供現場規模所需的信息水平方面，無人機是精準農業領域的重要手段，無人機遙感的高時間空間分辨率、操作便捷、成本較低等優點為作物監測提供了極大的靈活性，為航空、航天遙感提供了補充手段，這一領域的迅速發展給精準農業、農業活動管理提供了的新的發展途徑。

但是，基于無人機的農業監測還存在諸多不足和挑戰。第一，電力續航能力、飛行范圍、承載力、導航系統靈活性等方面亟需加強，無人機飛控系統的改進和提升仍是當前的研究熱點之一。第二，由于無人機設備的不穩定性和易受惡劣觀測氣候影響等局限，導致無人機遙感圖像質量不穩定，其中包括幾何和頻譜失真、低信噪比等問題。因此，運用圖像處理技術對無人機遙感信息進行處理，成為解決無人機圖像質量問題的重要手段之一。第三，在執行監測任務過程中，無人機系統觀察復雜模型、解釋和處理數據等能力方面還存在問題，在與人工智能自動識別、圖像分類等領域相結合時也存在諸多挑戰。同時，法律對無人機使用的限制中技術標準、規范的制定，也對無人機在相關領域獲得更廣泛、深入運用有著重要的影響。

參考文獻

[1] 秦博，王蕾.無人機發展綜述[J].飛航導彈，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.基于無人機和地面數字影像的水稻氮素營養診斷研究[J].浙江大學學報：農業與生命科學版，2010，36（1）：78-83.

[12] 冷偉鋒.遙感技術在我國植物病害監測中的應用[A].中國植物保護學會.植?？萍紕撔屡c病蟲防控專業化——中國植物保護學會2011年學術年會論文集[C].2011：1.

[13] 李冰，劉镕源，劉素紅，等.基于低空無人機遙感的冬小麥覆蓋度變化監測[J].農業工程學報，2012，28（13）：160-165.

[14] 李宗南，陳仲新，王利民，等.基于小型無人機遙感的玉米倒伏面積提取[J].農業工程學報，2014，30（19）：207-213.

[15] 楊貴軍，李長春，于海洋，等.農用無人機多傳感器遙感輔助小麥育種信息獲取[J].農業工程學報，2015，31（21）： 184-190.

[16] 高林，楊貴軍，于海洋，等.基于無人機高光譜遙感的冬小麥葉面積指數反演[J].農業工程學報，2016，32（22）：113-120.

[17] 田慶久，閔祥軍.植被指數研究進展[J].地球科學進展，1998（4）：10-16.

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

[19] 王斌.基于無人機采集圖像的土壤濕度預測模型研究[D].中國石油大學，2009.

[20] 高林，楊貴軍，王寶山，等.基于無人機遙感影像的大豆葉面積指數反演研究[J].中國生態農業學報，2015，23（7）：868-876.

[21] 秦占飛.西北地區水稻長勢遙感監測研究[D].西北農林科技大學，2016.

[22] 于豐華.基于無人機高光譜遙感的東北粳稻生長信息反演建模研究[D].沈陽農業大學，2017.

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