无人机遥感在农田信息监测中的应用进展

周游

（广西艺术学院，广西 南宁 530021）

在推进精准农业生产的过程中，无人机遥感监测技术在获取农田信息方面展现出了巨大的优势，它可以对植被覆盖度、农作物植株高度、叶面积指数等参数进行监测分析，为农业生产决策提供支撑。除此之外，利用无人机遥感探测技术还可以快速获取农田的空间位置信息，服务于土地类型划分、农田边界定位等工作，为了更进一步的推动无人机遥感探测技术的应用，有必要对其进行深入探讨研究。

1 无人机遥感探测技术概述

1.1 无人机飞行平台

当前阶段，农田信息监测领域应用最广泛的无人机可分为固定翼、单旋翼和多旋翼几种类型。固定翼无人机的优点是速度快、续航能力强、载重量大，但对配套设施，如起飞着陆场有着特定要求，且飞行过程中不能调整速度。单旋翼无人机由于稳定性差，会影响到探测的精准度，因此已经被逐步淘汰。多旋翼无人机具有飞行稳定、动态姿态和速度调整、可悬停等多种优势。

在选定无人机类型之后，还需要结合农田信息监测工作的实际情况对航线进行科学的规划，常采用的方法主要有动态规划法、最优控制法、导数相关法等几种。而随着科学技术的发展，一些现代智能算法也被引入这一领域，包括人工神经网络、粒子群算法、遗传算法等。

1.2 无人机遥感测量技术介绍

无人机遥感探测农田信息均是通过机载传感器来实现，现有的传感器类型多样，原理以及获取数据类型也存在普遍的差异性。总体上看，可将传感技术概括为光谱成像和空间构型两类。前者是基于不同波段光波作用于样本时产生不同的光谱特征，获取农作物的生理生化指标。而根据输出波段数量和连续性差异，可以将光谱成像技术分为高光谱和多光谱两类，高光谱的代表为高光谱仪、红外传感器等，多光谱的代表为数码相机。空间构型测量技术则主要包括激光探测、可见光摄影测量两类，如机载LiDAR可以通过反射脉冲并接受反射回波的方式测算出农田不同位置的三维空间坐标。

1.3 无人机遥感数据处理和建模方法介绍

成像光谱技术在实际应用的过程中，是通过直接选取特征波段的方式计算值被指数，综合光谱特征信息和农作物的生理生化指标建构反演模型。在具体操作的过程中，首先需要以相似度计算、信息量等为依据选择与农田信息相关的特征波段。例如，基于信息量选择特征波段时，可将高光谱影响灰度值的标准差看作是简单的信息量度量。在完成特征波段的提取之后，需要对高光谱数据进行处理，这一环节可以直接对波段反射率或者各项植被的指数进行计算，在此基础上建构其于农作物生长参量之间的线性、二次等模型。此外，还可以基于神经网络、随机森林等机器学习法进行农田信息反演建模。现今发展应用最为成熟的反演算法是单窗算法，它是基于一个热红外波段对地表温度进行反演。

空间构型测量技术的数据处理和建模与光谱成像存在巨大的差别，以SfM法为例，首先需要对原始图像进行无畸变处理，消除一些客观因素导致的数据失真现象，基于特征匹配或是前后方交会解算的方式获取初始像对两幅影像的相机参数和同名坐标点的初始值，最后采用光束法对该结果进行平差优化处理。随着新影像的不断补充和添加最终形成三维点云，进而利用点云内插法获得覆盖整个测量区域的数字高程模型。

2 无人机遥感探测技术在农田信息监测中的具体应用研究

2.1 农田空间信息监测

农田空间信息除了最基本的田块地理坐标之外，还包括农作物的具体分类，将二者综合起来可进行各类作物种植面积的精准估算。采用无人机遥感探测技术可以实现农田空间位置信息的实时获取，例如通过机载高清数码相机可以实现对农田基本空间信息的有效识别和判定。此外，在空间构型测量技术应用之后，农田空间信息的监测进一步引入了高程信息，使得空间分辨率获得大幅度的提升，所获取的数据资料也更加精细全面。

2.2 农作物生长信息的监测

首先，在农作物表型参数获取方面，可用无人机遥感探测技术进行测量获取的有以下几种：其一，叶面积指数，即单位地表面积内单面绿叶面积的总和，它主要反映了农作物的光能吸收效果。具体是通过多光谱数据对植被的指数进行计算。如高林等构建了基于可见光大气阻抗植被指数原理的数字图像特征参数的指数模型。在研究过程中，利用高光谱传感器获取了大量丰富而连续的数据。其二，地上部生物量。无人机遥感探测生物量多采用多光谱数据，通过提取光谱参数以及计算值被指数的方式建构模型。但同时，针对空间构型测量技术的研究也不少，如王东亮等在呼伦贝尔草地实地研究了无人机飞行高度对草层高度以及盖度提取结果的影响效果；Bending等基于SfM算法得到了作物表面模型以提取作物的冠层高度。再有陈国政等采用分段建模的方法对大豆的生物量进行了反演处理。

其次，在作物营养指标获取方面，无人机遥感探测技术可以针对不同物质所具有的特异光谱反射吸收特征，对各类农作物的叶绿素、氮素含量等指标进行诊断。其中叶绿素在可见光波段内有两个强吸收区，分别是430～460nm蓝紫光和640～663nm的红光。通过对颜色以及纹理的统计可以判断作物的营养情况。现有的研究成果有肖宇钊等基于多光谱植被指数以及纹理特征，建构了契合不同叶绿素含量的预测模型，通过对比分析获知作物的纹理特征很容易受到成像质量的影响。

最后，在作物产量探测方面，现有的研究大多是基于多项因素的综合分析，尝试建构具有高预测精度的产量估算模型。如赵晓天等基于农作物监测的采样范围，依据不同空间尺度下的高光谱数据，利用偏最小二乘回归建构了植被指数和产量模型，该模型可用于精度曲线变化趋势的估算，继而分析出最佳的空间尺度面积。

2.3 农作物生长胁迫因子的监测分析

农作物的生长胁迫因子主要有三：一是农田墒情，常采用热红外法监测。农作物生高度覆盖的农田区域内，其叶片气孔的关闭可以有效的降低蒸腾作用产生的水分流失，相应的地表感热通量则会增加，促使作物冠层的温度出现提高。冠层温度的监测需要重点考虑的一项因素就是裸露的土壤，现有的许多研究都和裸土影响冠层温度测量值相关，例如一些研究者通过研究裸土温度和作物地表覆盖度之间的关系，分析获得了裸土导致的冠层温度测量值和真实值之间存在的偏差，为农田水分监测数据的修正提供了有效的参考。

二是病虫害，无人机遥感的农作物病虫害探测主要是通过近红外光谱反射率监测来实现的，其原理如下：农作物的叶片在近红外区的反射受其海绵组织和栅栏组织的控制，病虫害则会导致叶片的这两个组织出现萎蔫现象，如此一来对红外反射就会出现明显的减少甚至丧失。同时，热红外监测的温度也可以在一定程度上反映出农作物是否存在病虫害，因为农作物健康的情况下，其蒸腾作用受控制于叶片气孔的开闭，而在遭遇病虫害之后，其叶片会发生病理变化，在这样的情况下蒸腾作用必然会受到影响，具体表现为遭到侵染的部位出现温度明显升降。

三是其他方面的信息，如利用无人机遥感监测可以为农药的施用提供指导，在棉花种植的过程中，可利用NDVI指数将棉花成熟期叶片的老熟程度反映出来，进而转化为脱落酸施用的处方图，防止农药过度施用的情况出现。

3 无人机遥感在农田信息监测领域的发展趋势分析

总体上看，未来一段时期内，我国农田信息监测领域无人机遥感的发展趋势应集中在以下几个方面。

3.1 开发简单易用且低成本的无人机平台

现今我国农田信息监测中使用的无人机平台大多存在稳定性差、成本高、操作复杂等不足之处，因此在使用过程中存在巨大的限制，如不能在大风、阴雨等恶劣天气下使用。因此在未来，我国应极大资源投入，研发出性能更加优越的无人机飞行平台，尤其需要对自稳系统进行优化，同时增设航线规划功能。这需要我国政府在政策方面给予一定的扶持，例如，适当的放宽无人机飞行空域方面的规定。

3.2 实现农作物生长情况的周期性动态监测

目前我国无人机遥感用于农田信息监测尚不能实现周期性和连续性，这样非常不利于农业生产管理，因为农作物的始终处于不断生长状态下，其各个阶段的生长参数会表现出巨大的差异性，单一和少数生长期的作物模型所具有的代表性十分有限。因此在未来我国应该探索针对农作物生长状态的连续性、周期性监测技术。

3.3 提高数据处理能力

无人机遥感探测所获取的数据规模十分庞大，但以目前的技术能力，尚无法实现数据的即时动态解译，如此一来必然会导致农业生产决策表现出一定的滞后性。因此应进一步开发具有强大数据处理功能的无人机平台，为农业生产提供科学及时的指导。

4 结语

综上所述，无人机遥感探测技术代表着未来精准农业中农田信息监测领域的主要发展趋势，它在监测空间尺度和精度方面都具有显著的优势，可以为农业生产提供科学化的指导，可以预见到，随着技术的不断进步，无人机遥感在农业生产领域的应用将变得越来越广泛深入。