一、引言

无人机农业遥感技术是将无人机与遥感技术相结合，用于对农田进行高精度、高分辨率的遥感监测和数据采集的技术。其以无人机为平台，搭载数码相机、多光谱相机、高光谱相机等多种传感器，为农情信息的收集提供数据支持，是精准农业研究的重要发展方向之一。相比卫星遥感和航空遥感，无人机遥感具有成本低廉、时效性强、不受大气影响、高分辨率等特点，而且相较于传统监测方法，无人机遥感的效率更高，且不会造成破坏，为田块尺度的遥感应用研究提供了新的工具。

及时监测和预测农作物长势是提高农业生产效率的有效途径。无人机遥感技术通过对作物生长过程中的环境因素、物理指标和生化参数等进行实时或定期监测，来评估和预测作物的生长情况和生产潜力，指导农业生产和管理决策，不仅优化了作物生长环境和生产方式，且提高了作物产量和品质，降低了农业生产成本和减少了资源浪费。

本研究从无人机遥感平台、传感器类型及特点、遥感图像数据处理、作物生长监测主要指标等方面综述了无人机遥感在农业领域的应用进展，并对无人机遥感的发展趋势进行了探讨，以期为农业生产提供更好的理论和技术支持。

二、无人机遥感系统概述

无人机遥感系统组成如图１所示，主要包括无人机平台、遥感设备、数据传输和存储系统、数据处理系统等组成部分。无人机平台通过搭载各种遥感设备实现数据的采集和传输；遥感设备包括光学相机、多光谱相机、激光雷达等，可实现高精度、高分辨率的遥感数据采集和处理；数据传输和存储系统能完成遥感数据的传输、存储和处理；数据处理系统用于对遥感数据进行处理和分析。

图1无人机遥感系统

表1无人机平台类型汇总

三、信息获取与数据处理

无人机遥感监测技术可以快速、高效地获取农田信息，对于农业监测有着重要的应用价值。目前，无人机遥感监测技术的应用已经逐渐普及，但是如何更高效地处理无人机遥感数据来实现农业监测仍然是热点问题之一。

3.1 植被指数特征提取

由于植被结构和作物生理特性的多样性，不同作物的反射光谱存在较大差异。通过对无人机遥感影像不同波段的反射率进行线性或非线性组合得到的植被指数（ＶＩ）及其他指标来提取植被特征，是作物长势监测研究的热点之一。由作物可见光波段构建的植被指数，如过绿指数（ＥＸＧ）、可见光波段差异植被指数（ＶＤＶＩ）、超绿指数（ＥＸＧ）、超绿超红差分指数（ＥＸＧＲ）、植被颜色指数（ＣＩＶＥ）等。

大量研究表明，红外波段、近红外波段中，农作物的光谱反射特征与其长势和产量相关性明显，如归一化植被指数（ＮＤＶＩ）、差值植被指数（ＤＶＩ）、改进型植被指数（ＥＶＩ）等。其中，ＮＤＶＩ最为常用，ＮＤＶＩ值通常在－１～１之间，值越高代表植被覆盖度越高。相比多光谱数据，高光谱数据的光谱信息更为丰富，如转换叶绿素吸收指数（ＴＣＡＲＩ）、土壤调节植被指数（ＯＳＡＶＩ）、比值光谱指数（ＲＳＩ）、简单光谱指数（ＳＳＩ）、重归一化植被指数（ＲＤＶＩ）、叶绿素吸收连续区指数（ＣＡＣＩ）、连续体去除叶绿素吸收指数（ＣＲＣＡＩ）等。

3.2 长势参数反演

随着计算机技术在农业遥感领域的广泛应用，机器学习、深度学习等方法在作物长势监测方面的研究也得到快速发展。具体表现在：

（１）数据源的选择从较为单一类型的可见光或多光谱，发展到目前应用较为广泛的高光谱数据、激光雷达数据、热红外数据等。

（２）无论是在数据获取方法上还是在处理手段上都进行了大量有益的探索，尤其对于多源数据的整合、植被指数与反演指标之间的模型构建上，学者们从不同的角度尝试消除传统方法的局限，旨在提高模型反演精度。

3.3 反演方法与精度评价

一些常见的反演方法包括神经网络、支持向量机、回归模型等，具体见表2。模型构建完成后，需要对模型精度进行评价，大多数研究结合人工实测数据作为真实值，３个参数［决定系数（Ｒ^２）、均方根误差（ＲＭＳＥ）、相对误差（ＲＥ）］评价分类识别精度。

据大量研究结果可知，通常模型精度会随着参数个数的增加而提高，但过拟合的概率越大，因此不能仅凭单一标准来判断一种反演模型的优劣。

表2基于无人机遥感的作物长势参数重要反演方法

四、作物长势监测的重要参数

在适当的生育期进行长势监测，能够及早发现作物生长中的问题，实施精准农业操作，从而提高作物产量和品质。不同作物的叶绿素含量、氮素含量、细胞水分等存在显著差异，从而影响作物冠层的反射光谱。因此，构建精度高且通用性强的作物长势监测模型是应用无人机遥感技术进行精准农业的关键。

4.1 叶绿素含量

叶绿素含量是反映植物光合作用效率的重要指标，对作物的蒸腾作用、光合作用以及农作物估产等具有重要意义。传统的测量方法为化学分析法，该方法耗时费力，不适合大范围监测。地面遥感平台中常用叶绿素仪测量作物叶片的叶绿素含量，作为真实验证数据。无人机遥感平台具有快速、无损、高精度的特点，更适合大范围监测。但有研究表明，无人机的飞行高度对作物的预测和反演精度有较大影响。

近２０年来，基于遥感影像的大田作物叶绿素含量估测研究得到了快速发展。研究者们多采用线性回归的方法，但该方法以变量之间存在线性关系为前提，或与实际情况存在偏差。线性回归模型的系数可以解释自变量和因变量之间的关系，然而对于复杂的数据集，便超出其适用范围。因此，目前研究人员已经偏向于用主成分分析、人工神经网络、深度学习等方法来反演作物生长参数，并结合高光谱遥感信息来构建包含更多波段的模型，从而更准确地解释模型预测的变化。

4.2 含氮量

在氮素含量上，裴信彪等构建了自主研发的无人机结构与飞控系统，测试了４种施氮水平水稻的光谱指数变化规律，实现了水稻氮素水平的变化监测。该研究中提出的飞行控制轨迹跟踪方法将为无人机研发领域的研究者们提供新的思路。王玉娜等利用无人机搭载高光谱相机对冬小麦进行遥感监测，通过分析冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性，筛选出对三者均敏感的光谱参数，结合多元线性逐步回归、偏最小二乘回归和随机森林回归建立抽穗期冬小麦氮素营养指数（ＮＮＩ）估测模型，该研究实现了小区范围内的氮素营养指数遥感填图，清晰地展示了冬小麦氮素的空间分布，为农作物的精准施肥和产量估算提供了理论依据。Ｔａｏ等利用搭载在无人机上的高光谱传感器获取植被指数和红边参数，基于植被指数、红边参数及其组合，采用逐步回归（ＳＷＲ）和偏最小二乘回归（ＰＬＳＲ）方法对植被指数和叶面积指数进行精确估计，结果表明，植被指数与红边参数相结合，利用ＰＬＳＲ方法可以提高ＡＧＢ和ＬＡＩ的估计。Ｙｕａｎ等提出了一种图像与光谱特征融合的玉米叶片氮含量预测模型，采用偏最小二乘回归和支持向量机回归（ＳＶＲ）对玉米叶片氮含量进行预测，结果表明，与单变量模型相比，基于图像和光谱的融合模型预测效果更佳。该研究结果证实了基于特征融合的方法一定程度上有助于提高模型的预测性能，为无人机低空遥感图像特征提取方法的选择提供了理论依据和指导。

4.3 含水量

利用无人机遥感进行农作物土壤含水量的反演研究相对较少，目前的研究采用的传感器主要是可见光相机、多光谱相机。针对于农作物冠层及叶片的复杂结构，魏青等基于不同时期冬小麦的无人机多光谱遥感图像，通过逐步回归法和强迫进入法建立了光谱反射率模型和植被指数模型，结果表明，基于逐步回归法的光谱指数模型效果最优，决定系数为０．８３；以内蒙古玉米田为研究区，多光谱相机为遥感平台，张智韬等提出用机器学习的方法构建植被指数与土壤含水率的反演模型，结果表明，支持向量机方法的模型精度在０．８５１以上。

该研究对土壤含水率的反演研究有一定参考作用，未来需要在模型建立方法上进一步提高作物监测的适用性。最新的研究采用尺度转换法，将卫星遥感影像与无人机遥感影像相结合，采用ＴｓＨＡＲＰ升尺度法和重采样升尺度法构建了土壤含水率反演模型，结果表明，２种方法均能提高模型反演精度，结合卫星遥感和无人机遥感二者的优势实现了高精度又大尺度的地表信息监测，为土壤含水率及其他遥感领域的研究提供了新的思路。

4.4 叶面积指数

ＬＡＩ是作物在生物和非生物胁迫下健康状况的重要依据，有助于作物生物量和产量的生成。

Ｚｈａｎｇ等基于小麦的光谱反射机制，开展其光谱指数与ＬＡＩ的相关性分析，为小麦田间尺度的长势分析提供了支持，研究表明，随机森林法对ＬＡＩ的估测具有较好效果，但对不同品种、不同水氮处理情况下的模型构建还有待深入研究。曹中盛等实现了水稻不同品种、不同水氮处理情况下的研究，且于不同时期测定水稻ＬＡＩ，同步获取水稻无人机数码影像并提取颜色指数及纹理特征，构建了定量监测模型并进行检验，结果表明，无人机数码影像中颜色指数及纹理特征与水稻ＬＡＩ之间的相关性在生育前期最高。邵国敏等基于无人机多光谱影像数据，构建了植被指数与ＬＡＩ的关系模型，结果表明，随机森林回归算法估算不同灌溉条件下的玉米ＬＡＩ可行性较高，决定系数为０．７４～０．８７。Ｙａｏ等利用多光谱遥感系统，采集多光谱植被指数，通过不同的回归方法选出了最优ＬＡＩ反演模型，发现无人机采集的数据检测玉米的ＬＡＩ是可行的。

众所周知，作物的ＬＡＩ具有高度的时空异质性，在准确获取田间尺度的ＬＡＩ方面仍存在许多挑战：

（１）在理论方法上应进行大胆创新，特别是在探索基于多源数据融合的作物ＬＡＩ检索新方法方面。

（２）加强ＬＡＩ遥感试验和数据积累，促进ＬＡＩ业务研究和应用。

4.5 生物量

生物量是最常见的作物参数，国内外有众多学者做了大量关于无人机遥感监测植物地上生物量的研究。邓江等采集了棉花不同生育期的近红外影像，并提取４种光谱指数，构建了棉花主要生育期地上生物量的估算模型。也有研究采用无人机多光谱影像结合作物水分利用效率模型的方法，探讨无人机遥感在玉米生物量反演方面的可行性，为无人机遥感监测玉米生物量提供了参考。

五、结论

总之，无人机遥感在叶绿素含量、生物量、含水量等作物长势监测中的研究取得了较多成果，由早期的无人机搭载可见光相机，到近年来的利用多光谱乃至高光谱相机等传感器获取无人机遥感影像进行信息提取、反演模型构建等手段，反演精度逐步提高，但这些成果距大规模实际应用还有一定距离。目前的研究对象主要集中于特定研究区或特定样本，多数研究成果与作物长势变化的内在机理联系不够紧密，还应加强对作物生长规律及模型普适性的相关研究。