无人机遥感在农业监测中的应用研究综述

滕连泽 罗勇 张洪吉 李思佳

摘 要：近年来，无人机遥感凭借其低成本、高空间时间分辨率等优点，被广泛应用于作物生长状况、土壤条件和水资源变化等农业监测领域，并与田间实测、卫星遥感、普通航空遥感共同构成现代农业监测体系。本文在梳理国内外相关文献的基础上，综述了无人机遥感在农业监测中的应用研究现状，并着重描述了基于植被指数的叶面积指数、植物色素濃度、生物量反演及其应用，进而提出了飞控系统、数据处理、信息提取、标准构建等方面的研究展望，以期为相关研究和应用提供参考。

关键词：精准农业 无人机 农业监测

中图分类号：S25 文献标识码：A 文章编号：1672-3791（2018）08（b）-0122-03

规划航线进行自主推进的无人驾驶航空器，在飞行中可通过自身搭载的设备重复执行多种任务。无人机最早于20世纪20年代将退役战斗飞机改装而来，被应用于军事领域[1]。随着计算机、无线电等技术手段的快速发展，无人机被应用于实战中进行敌情侦查的同时，也被应用于节水农业灌溉、自然灾害监测、地质勘探、农情监测等民用领域。农业问题一直是人类生存和发展的关键，随着社会生产方式的不断变化和农业技术的快速进步，农业已从传统农业逐渐转变为信息农业、智慧农业、精准农业。在农业领域，随着传统农业向信息农业、智慧农业、精准农业的转变，以作物长势、资源状况、环境变化为核心的农业监测也从传统监测手段转变为地面实测和遥感监测相互结合的立体化监测模式。无人机以其灵活性强、周期短、成本低、操作简单等优点，成为农业监测的研究热点和发展趋势。

1 无人机遥感农业监测的研究现状

为满足全球不断增长的农产品需求，需要通过精准管理和系统优化等手段增加农作物产量，这对土壤水含量、蒸散量、植被指数等作物生长指标的动态监测在时间、空间尺度上都提出了更高的要求。传统田间实测工作量大、监测范围小，卫星遥感虽然能进行大范围、多任务监测，但缺乏精准农业所要求的时空分辨率。无人机操作灵活、数据取快速度快、时空分辨率高，恰好与地面监测和卫星遥感相互互补，共同构成空天地一体化监测体系。

近年来，无人机在国外被广泛应用于农业监测的各个领域，例如，Hardin等于2005年利用无人机系统进行大规模草种可视化图像的模拟绘制[2]；Swain等于2007年利用无人机系统对作物氮元素含量进行监测[3]；Berni等于2009年通过无人机系统监测大尺度研究范围内作物等水分胁迫现象[4]；Hunt等于2010年基于无人机遥感数据对大尺度观测范围内的大豆生物量进行监测[5]；Primicerio等于2012年通过无人机遥感数据对葡萄园的生长活力进行状况进行绘制[6]；Honkavaara等于2013年利用无人机搭载基于干涉仪（FPI）的光谱相机，建立数字表面模型对作物生物量进行估计，并以小麦作为研究对象验证了FPI技术的巨大潜力[7]；Zarco等于2014年基于无人机对不连续冠层进行生物参数检测，通过三维重建方法进而对作物高度进行估算[8]；Wallace等于2016年通过对机载激光扫描与结构运动（点云）两种无人机技术对森林结构进行评估比较[9]；Liebisch等于2017年基于无人机遥感数据生成3D点云，在行播作物时进行除草实验[10]。

相对而言，国内无人机农业监测研究起步稍晚，但发展迅猛，并形成了丰富的应用案例。例如，祝锦霞等于2010年利用无人机平台获取水稻叶片和冠层图像，并提取不同氮素含量的不同叶片和冠层特征信息，进而诊断大面积水稻富含的氮素营养[11]；冷伟锋等于2011年提出利用无人机遥感通过对作物冠层进行电磁辐射异常检测以确定作物病害部位[12]；李冰等于2012年利用无人机遥感系统对大面积作物覆盖率进行监测，并以冬小麦为研究对象，提取植被指数对研究区域内植被覆盖度进行测量[13]；宗南等人于2014年通过小型无人机遥感获取灌浆期玉米可见光图像，在红、绿、蓝波段上研究玉米倒伏图像特征、面积的提取方法[14]；杨贵军等人于2015年基于无人机平台并集成多载荷传感器研发小麦育种信息获取系统，对作物表型信息进行快速高通量获取[15]。高林等于2016年围绕无人机高光谱遥感反演作物叶面积指数，并在冬小麦试验田进行实验对冬小麦叶面积指数进行估测并对冬小麦覆盖度进行提取[16]。

2 无人机遥感农业监测的主要方法及应用

利用无人机遥感进行农业监测较航空、航天遥感增强了空间细节信息，对作物生长状况空间变异性监测提供了更深入了解，使监测到的植物信息成数量级的增加。对农业进行无人机遥感监测的主要技术是将观测到的光谱反射率、衍生指数等与作物健康条件相关联。这些关联关系中，植被指数是被应用于进行作物监测的最广泛的方法之一。植被指数是对植物的特定光学参数进行光谱信息的提取，可对地表作物生长状况进行快捷有效的定性、定量，通过对作物信息进行增强，加强作物与土壤、大气、光照、视场角等干扰信息的反差，减弱干扰信息的表达，以快速反应作物生长活力、覆盖状况等。

目前，国内外提出的植被指数已有上百种，植被指数按照发展可分为3个阶段：在早期，由于经验和方法的限制，未考虑土壤状况、大气影响、光照影响、植被与土壤的相互作用，植被指数是波段的简单线性组合，以比值植被指数（RVI）为代表，受大气、植物覆盖率影响较大；在中期，综合了电磁波反射规律、土壤、大气、光照、植物、植被的相互影响，对第一阶段植被指数进行改良，提出了基于物理理论的以归一化植被指数为代表（NDVI）的植被指数；最后是针对高光谱、热红外信息提出的植被指数，如导数植被指数（DVI）、生理反射植被指数（PRI）等[17]。

基于植被指数可对植物生物物理、生物化学参数进行反演进而获得作物相关监测信息，其应用包括对叶面积指数、生物量、土壤湿度、植物色素浓度（叶绿素、类胡萝卜素等）含量的反演等。

其中，叶面积指数（LAI），定义为单位土地面积上植物叶片总面积占土地面积的倍数，其值大小与作物最终产量高低密切相关，是用于监测作物生长和发育的常见变量；生物量是指某时刻单位面积内的有机物质总量，是作物有机物含量监测的重要指标；土壤湿度直接关系作物的健康生长状况，是农业旱情级别监测的重要指标；基于空间分布的植被色素（叶绿素、类胡萝卜素等）浓度图可为对植物生长状况进行监测，并间接反映氮元素的利用能力。在植物色素中，叶片叶绿素含量代表了光合能力的强弱和光照的效率，类胡萝卜素浓度可反映光照效率在较短时间尺度上的变化，并参与叶黄素的色素循环，两者对光能进行捕获，并在非光化学猝灭过程中所发挥作用。在植被的光谱特征规律中，绿色植被对红光（0.67μm）是强吸收、低反射的，在红光呈现出反射率的极小值，所以利用红光反射信息可估算叶片叶绿素含量，利用类胡萝卜素对绿光较高的反射率特征则可对叶片类胡萝卜素含量进行估算。对于近红外波段，由于植物细胞叶绿体的水溶胶状态、叶肉海绵组织细胞中的空腔，都对近红外波段形成巨大的反射作用，则反射率在近红外波段（0.7～1.1μm）呈现一段峰值[18]。因此利用红光、近红外波段光谱信息进行组合得到的植被指数，可以很好地进行植被观测，对叶面积指数、植物色素浓度、生物量等可以很好地进行反演。

将无人机遥感影像和植被指数结合起来，近年来在农作物监测领域有广泛应用。例如，王斌于2009年基于无人机图像的归一化植被指数进行土壤湿度监测，利用可见光-近红外波段，确定分数阶的植被归一化公式，增强土壤湿度与遥感图像的相关系数，建立土壤湿度监测模型，并以美国犹他州为例进行试验，得到土壤湿度监测模型的精度良好[19]；高林等于2015年利用无人机遥感影像进行大豆的叶面积指数反演，并以山东省嘉祥县的大豆实验区为研究区域，结合归一化植被指数、三角植被指数、土壤调整植被指数、比值植被指数、差值植被指数，建立反演模型并得出大豆真实长势情况[20]；秦占飞于2016年利用无人机影像，分析不同时间、空间的水稻光谱反射特征，建立基于绿度归一化植被指数GNDVI、归一化色素叶绿素指数NPCI和归一化植被指数NDVI的多元线性模型，对水稻SPAD的预测精度良好，而基于比值植被指数RVI构建的指数模型和线性模型，对水稻叶面积指数和叶片含氮量的预测精度良好[21]；于丰华于2017年基于无人机高光谱遥感，在作物冠层辐射传输机理模型PROSAIL上进行优化，建立水稻叶绿素、氮素、叶面积指数、生物量等生长信息反演模型，为水稻生长监测提供理论基础[22]；张春兰于2018年通过利用随机森林算法（Random Forest，RF），构建冬小麦叶面积指数模型，对冬小麦长势进行反演，实验结果表明模型精度较好并且适应性强，可适用于高光谱无人机进行高精度冬小麦叶面积指数提取[23]。

3 展望

目前无人机在农业监测方面的应用日益广泛，在提供现场规模所需的信息水平方面，无人机是精准农业领域的重要手段，无人机遥感的高时间空间分辨率、操作便捷、成本较低等优点为作物监测提供了极大的灵活性，为航空、航天遥感提供了补充手段，这一领域的迅速发展给精准农业、农业活动管理提供了的新的发展途径。

但是，基于无人机的农业监测还存在诸多不足和挑战。第一，电力续航能力、飞行范围、承载力、导航系统灵活性等方面亟需加强，无人机飞控系统的改进和提升仍是当前的研究热点之一。第二，由于无人机设备的不稳定性和易受恶劣观测气候影响等局限，导致无人机遥感图像质量不稳定，其中包括几何和频谱失真、低信噪比等问题。因此，运用图像处理技术对无人机遥感信息进行处理，成为解决无人机图像质量问题的重要手段之一。第三，在执行监测任务过程中，无人机系统观察复杂模型、解释和处理数据等能力方面还存在问题，在与人工智能自动识别、图像分类等领域相结合时也存在诸多挑战。同时，法律对无人机使用的限制中技术标准、规范的制定，也对无人機在相关领域获得更广泛、深入运用有着重要的影响。

参考文献

[1] 秦博，王蕾.无人机发展综述[J].飞航导弹，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] 祝锦霞，陈祝炉，石媛媛，等.基于无人机和地面数字影像的水稻氮素营养诊断研究[J].浙江大学学报：农业与生命科学版，2010，36（1）：78-83.

[12] 冷伟锋.遥感技术在我国植物病害监测中的应用[A].中国植物保护学会.植保科技创新与病虫防控專业化——中国植物保护学会2011年学术年会论文集[C].2011：1.

[13] 李冰，刘镕源，刘素红，等.基于低空无人机遥感的冬小麦覆盖度变化监测[J].农业工程学报，2012，28（13）：160-165.

[14] 李宗南，陈仲新，王利民，等.基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报，2014，30（19）：207-213.

[15] 杨贵军，李长春，于海洋，等.农用无人机多传感器遥感辅助小麦育种信息获取[J].农业工程学报，2015，31（21）： 184-190.

[16] 高林，杨贵军，于海洋，等.基于无人机高光谱遥感的冬小麦叶面积指数反演[J].农业工程学报，2016，32（22）：113-120.

[17] 田庆久，闵祥军.植被指数研究进展[J].地球科学进展，1998（4）：10-16.

[18] 郭铌.植被指数及其研究进展[J].干旱气象，2003（4）：71-75.

[19] 王斌.基于无人机采集图像的土壤湿度预测模型研究[D].中国石油大学，2009.

[20] 高林，杨贵军，王宝山，等.基于无人机遥感影像的大豆叶面积指数反演研究[J].中国生态农业学报，2015，23（7）：868-876.

[21] 秦占飞.西北地区水稻长势遥感监测研究[D].西北农林科技大学，2016.

[22] 于丰华.基于无人机高光谱遥感的东北粳稻生长信息反演建模研究[D].沈阳农业大学，2017.

[23] 张春兰，杨贵军，李贺丽，等.基于随机森林算法的冬小麦叶面积指数遥感反演研究[J].中国农业科学，2018，51（5）：855-867.