刘建刚，赵春江，杨贵军，于海洋，赵晓庆，徐 波，牛庆林,4



无人机遥感解析田间作物表型信息研究进展

刘建刚1,2,3，赵春江1,2,3※，杨贵军1,2,3，于海洋1,2，赵晓庆1，徐 波1,2，牛庆林1,4

（1. 北京农业信息技术研究中心，北京 100097； 2. 国家农业信息化工程技术研究中心，北京 100097； 3. 农业部农业信息技术重点实验室，北京 100097； 4. 河南理工大学测绘与国土信息工程学院焦作 454000）

田间作物表型信息是揭示作物生长发育规律及其与环境关系的重要依据，传统的田间试验取样和车载高通量平台测定作物性状参数的方法耗时耗力，且空间覆盖不全，限制了作物科学研究的快速发展，而以无人机为代表的近地遥感高通量表型平台凭借机动灵活、成本低、空间覆盖广的优势成为获取田间作物表型信息的重要手段。该文根据国内外无人机遥感平台解析作物表型信息的最新研究成果，针对不同传感器类型分析了无人机遥感解析作物表型信息的应用及其不足，总结了遥感定量反演作物表型信息的方法体系，展望了无人机载遥感技术在作物表型信息解析方面的应用前景。该项研究成果对推广无人机遥感平台获取田间作物表型信息、提高复杂农田环境作物长势信息的解析和辨识能力具有重要意义。

无人机；传感器；遥感；作物；表型信息

0 引 言

随着人口的迅速增加，中国对粮食的需求迅速增加，但耕地面积有限，人均耕地面积日益减少，粮食安全问题日益突出，因此，需要通过粮食产量持续提高来满足日益增长的粮食需求，以达到保障粮食安全的目的。作物表型是指基因和环境因素决定或影响的作物生长发育过程中物理、生理、生化特征和性状[1-2]，准确和快速的获取植物体或细胞在各种不同环境条件下的表型信息，对推动作物科学的发展，保障中国粮食安全、生态安全和农业可持续发展提供理论和技术支撑。

在农业生产过程中，随着农业机械化及各种农田现代栽培管理技术的发展，农业生产技术水平已有了显著提高，而在作物科学研究中，虽然现代生物技术的发展带来了革命性变化，但传统的生物量、叶面积指数（leaf area index, LAI）和产量等表型参数的获取大多还停留在人工操作的阶段，耗时耗力，效率低且准确度差，限制了现代农业科学的发展[3-4]。当前作物科学研究迫切需要能够实现实时、快速、无损的作物性状参数检测手段，从而减少劳动量，提高效率，推动作物科学的快速发展。利用自动、半自动和人工高通量平台搭载单个或多个传感器可快速、无损的获取大量的作物表型信息，成为表型信息高通量获取的重要手段[5-6]。因此，借助高通量手段突破作物表型信息获取的传统方法，快速获取大量的植物表型信息，对加快作物科学的研究具有重要意义。

无人机（unmanned aerial vehicle, UAV）遥感高通量表型平台凭借机动灵活、适合复杂农田环境、及时的数据获取、作业效率高和成本低等优势，使其逐渐成为获取田间作物表型信息的重要手段[7]。本文根据农用无人机遥感辅助作物表型信息定量反演的国内外研究进展，针对不同传感器类型分析了无人机遥感解析作物表型信息的应用及其不足，总结了遥感定量反演作物表型信息的方法体系，展望了近地无人机载遥感技术在作物表型信息解析方面的应用前景。

1 无人机遥感表型平台的优势及其限制因素

现代作物科学的发展，迫切需要高效、快速的作物表型信息获取手段。高通量作物表型平台作为快速获取表型信息的有效工具，包括温室型和田间型。温室型高通量平台主要在可控环境下进行单株作物表型信息的测定[8]，如澳大利亚植物表型研究中心的Plant Accelerator、法国农科院的PhénoField®等，配置可见光（visible light, VIS）成像、近红外（near infrared, NIR）成像、红外（infrared, IR）成像、荧光成像或激光扫描3D成像等传感器，快速获取大量的植物表型信息，但由于机动性差、成本高等限制，该平台难以用于植物种植密度较大、生长环境多变的大田生产条件下表型信息[9]。田间高通量平台主要包括田间机械和无人机搭载多传感器两种类型，可实现大田条件下植物群体表型信息的快速、无损获取。农业机械设备搭配多传感器平台可以有效的减少测量结果的变异，但该方法在进行大面积应用时，受限于作物种植分布及灌溉后土壤条件等，很难迅速的实现跨区域应用，作业效率较低，无法在较大范围内实时快速的获取数据[10]，而基于无人机搭载多传感器平台进行田间作物表型信息快速解析的技术效率高，成本低，适合复杂农田环境[11]，在解析作物株高、叶绿素含量、LAI、病害易感性、干旱胁迫敏感性、含氮量和产量等信息方面有着广泛的应用[12-14]，使其成为获取作物表型信息的重要手段。然而，由于无人机遥感高通量平台应用尚处于研究阶段，在解析田间作物表型时仍存在较多问题，包括平台解析田间作物表型的应用条件及其效果评价、无人机平台配置传感器的选取、遥感获取数据的快速处理方法及表型信息的精准定量反演等。

无人机遥感高通量表型平台，是以无人飞行器为平台，搭载多传感器，利用遥测遥控技术、通讯技术、GPS差分定位技术和多传感器协同控制技术等，快速获取田间作物冠层的高分辨率影像信息，经过遥感数据的处理及建模后应用于田间作物表型信息的解析。近几年无人机的发展迅速，广义的无人机包括降落伞、飞艇、旋翼、直升机和固定翼系统等[10,15]，需根据实际的应用领域进行无人机种类的选择。利用降落伞进行遥感需在无风条件下进行，飞行速度较低，续航飞行时间较短，且不能悬停。飞艇具有悬停能力，但移动速度较慢，且由于其体积较大，在有风的条件下稳定性较差，很难获取理想的信息。应用最为广泛的无人机为多旋翼和固定翼，多旋翼无人机具有悬停能力，可使用GPS导航作业，且对起降条件要求较低。固定翼无人机飞行速度最快，且续航较长，但无法悬停，且由于高速拍摄会导致图片模糊，需使用高快门速度的成像传感器[16-17]。目前在田间作物表型解析应用中，多旋翼无人机遥感表型平台的应用较为广泛，然而，续航时间短、有效载荷不足和易受天气影响是限制其广泛推广应用的主要瓶颈因素。

2 农用无人机搭载传感器类型及应用

无人机遥感平台的传感器受限于其载荷能力，需满足高精度、轻质量和小尺寸的要求，RGB数码相机、3D数码相机、红外测温仪、热成像仪、荧光探针、多光谱相机、高光谱相机、激光雷达和声纳设备是搭载于无人机遥感平台的主要传感器，然而，遥感设备间性能的差异使遥感手段解析植物表型信息的精度有所不同[12-13]。精准反演作物在不同生育时期的生物量、LAI、株高、出苗率等长势信息、氮素和水分状态及产量等表型信息对无人机遥感平台在作物科学的研究中至关重要[18-19]。受限于平台载荷，目前无人机遥感解析植物表型研究中普遍采用的传感器主要为数码相机、多光谱相机、高光谱相机、激光雷达和热像仪等（见表1），而荧光传感器、3D相机和SAR等传感器仍未在无人机遥感解析作物表型研究中应用。

表1 无人机遥感解析植物表型常用传感器类型

2.1 可见光成像

应用数码相机进行二维或三维成像可用于研究复杂的植物表型，利用无人机搭载可见光成像的数码相机可明显提高数据采集的效率，实现高清图像的快速获取[10]，在农业生产过程中可用于监测作物出苗率、花期动态、冠层覆盖度和倒伏情况等[20-21]，但受限于续航时间，在大范围数据采集时需飞行多个架次，且大量数据需进行人工处理，图像上大量植物叶片重叠和土壤背景影响是其普遍存在的问题[27-28]。无人机遥感获取可见光影像对环境要求相对较低，晴天和阴天条件下均可进行数据采集，但对曝光设定有一定的要求，云的遮挡和环境光线的变化会导致图像曝光不足或过度。

2.2 光谱成像

利用光谱遥感数据可实现作物分类与识别、作物生化参数估测、作物长势监测、产量预测和提供农业精准管理，植物冠层对电磁波谱的吸收和反射率特性可用来评价其生物物理特性，如产量、生物量、LAI和水分状态等[26,29]。不同波段的光谱特征受到植物栅栏组织中叶绿素含量、海绵组织中含水量等因素决定，而植物细胞结构受基因型和环境共同影响[30]，不同品种的生物量、叶绿素含量、蛋白质含量和细胞含水量等有所差异，从而影响作物群体的反射光谱，这为采用光谱遥感方法进行作物表型信息解析提供了理论依据[22,24]。光谱成像已被广泛应用于作物种植面积和长势监测、作物生理状态监测、产量预测和土壤墒情监测的研究中[26-27]。光谱反射特征易受到环境光线的影响，因此需通过辐射校正来保证数据的准确性，通过构建植被指数也可以部分补偿环境光线变化引起的光谱数值波动。

多光谱遥感成像是指利用具有两个以上波谱通道传感器对地物进行同步成像的技术，可接收和记录物体在不同窄光谱带上所辐射或反射的信息。多光谱相机具有价格低、机动灵活、受天气影响小、高位作业、应急性高等特点，因此在无人机遥感辅助植物表型研究中有着广泛的应用，但由于多光谱成像的光谱分辨率较低，波段较少，且波谱不连续等缺点，严重限制了其在作物表型研究中的应用。高光谱分辨率遥感成像是指利用高光谱仪获取大量很窄且连续的光谱数据的遥感手段，高光谱较多光谱包含的波段信息更加丰富、分辨率更高，能准确的反映田间作物本身的光谱特征以及作物之间的光谱差异，可更加精确的获取部分农学信息，如作物含水量、叶绿素含量、LAI等理化参数，从而方便预测作物长势和产量，高光谱遥感成像技术是未来无人机遥感解析植物表型研究的趋势。

2.3 红外热成像

叶片水势，气孔导度、蒸腾效率和渗透调节等水分相关指标可用于逆境下作物生长的监测，并且与冠层温度有着显著的相关性[24]，因此，冠层温度已被普遍应用于抗逆育种中，在高温和干旱条件下，较低的冠层温度与产量有着显著的正相关性[31]。在耐盐性和耐热性的研究中，渗透胁迫使气孔关闭，降低气孔导度，增加了叶片温度[25,32]，减少光合作用。光合作用和气孔导度的变化可由可见光至近红外区域的光谱反射率监测，热成像仪可以用来检测高盐和水分胁迫条件下由于气孔关闭引起的温度升高，以明确作物胁迫条件下的响应[33-35]。由于作物的冠层温度随时间变化而变化，常规手持红外测温设备受限于其较低的测定效率，很难在规模化的育种小区广泛应用，无人机搭载热像仪为育种小区获取冠层温度提供了一种新的高效和可靠的方法。无人机搭载热成像传感器获取冠层温度需在天气晴朗、无风或微风的条件下，且由于品种间的抗逆性差异随时间变化呈现不同规律，需结合研究目标科学合理选择最佳测定时间。

2.4 其他传感器

激光雷达传感器（light detection and ranging, LiDAR），是以激光器为发射光源，采用光电探测手段的主动遥感设备[36]，具有分辨率高、抗干扰能力强、低空探测性能好的优势，可以快速获取高精度的水平和垂直植被冠层结构参数，但由于价格较高，数据处理量较大，目前在作物表型研究中鲜有应用，多应用于树木的生物量、株高等信息的解析。叶绿素荧光传感器可以间接实现作物光合状态的探测，不仅能反映光能吸收、激发能传递和光化学反应等光合作用的原初反应过程，而且与电子传递、质子梯度的建立及ATP合成和CO2固定等过程有关，在研究逆境（干旱、高温、低温、营养缺失、污染、病害等）对作物光合作用影响时有着广泛的应用，但由于叶绿素荧光传感器多针对单一植株进行测定，而无人机遥感平台获取的是大面积的冠层信息，因此在解析表型信息时，很难被采用。

综上，无人机以其机动灵活、操作简便、按需获取数据且空间分辨率高的优势，通过搭载多传感器成为作物表型信息快速获取的重要手段，然而，由于各传感器获取的遥感信息有限，要使无人机高通量遥感平台真正应用于作物表型研究中，需多传感器协同配合使用，通过数据融合的方式实现作物表型信息的高通量获取。

3 无人机遥感解析作物表型信息的应用及不足

基于无人机搭载多传感器平台解析田间作物表型信息优势明显，如技术效率高、成本低、适合复杂农田环境、及时的田间取样、高分辨率数据获取、长势信息的快速鉴定、图像同步获取、作业效率高等[11,16,24]，在解析作物株高、叶绿素含量、LAI、病害易感性、干旱胁迫敏感性、含氮量和产量等信息方面有着广泛的应用[12-13]，使其已经成为辅助作物科学研究中进行高通量表型信息获取的重要手段（见表2）。然而，目前无人机遥感在作物表型解析时多针对单一传感器信息进行模型构建，缺乏多源遥感信息的融合。快速处理无人机搭载多传感器获取的大量数据，确定遥感解析作物不同生育期表型信息的方法，是实现无人机遥感辅助作物表型解析的关键。常用的遥感解析田间作物表型信息的方法包括冠层温度分析法、光谱特征分析法、机器视觉技术及综合评判法等（见表3）。

表2 无人机遥感平台解析作物表型信息的应用

注：“—”表示文中未列出。

Note: “—”not listed in the article.

表3 无人机遥感解析田间作物表型信息的常用方法

3.1 形态指标

通过构建数字高程模型（digital elevation model， DEM）[18,46]、遥感图像分类和混合线性模型预测等方法处理无人机高通量表型平台获取可见光成像数据，可快速实现作物株高、叶色、倒伏、花穗数目和冠层覆盖度等形态指标的获取。利用无人机搭载数码相机快速获取大面积作物的可见光成像数据，通过构建数字高程模型，可实现作物株高的精确提取[21]，利用该方法提取的大麦株高与实测值的决定系数达到0.92。作物叶色的分类和花穗数目监测是利用图像特征分析的方法[20,47]，根据是否已知训练样本的分类数据，遥感影像的分类方法可分为监督分类和非监督分类[48]。冠层覆盖度作为表征作物生长状况的重要指标，在监测作物长势时具有重要的应用，利用无人机遥感搭载数码相机或多光谱相机获取研究区域的成像数据，通过计算机视觉方法[23]或植被指数建模反演等方法可快速得到作物的冠层覆盖信息。利用最优线性无偏预测方法获取的高粱冠层绿色覆盖与实际地面观测数据的相关系数为0.88[37]。

出苗率是反映作物品种特性和逆境下生长状态的重要指标，而越冬死亡率是反映冬小麦幼苗顺利过冬的重要指标，传统获取作物出苗率和冬小麦越冬死亡率的方法是田间人工取样计数，数据获取效率低，而利用无人机高通量平台获取的多光谱成像数据通过特征提取与分析后可快速实现大面积作物出苗率和冬小麦越冬死亡率的监测[10]。

3.2 作物生理生化指标

植物对光谱的吸收和反射特征可用来反演其生理特性，光谱特征分析法可以有效的识别出植物的不同性状所对应的吸收和反射特征[49]，目前在解析作物表型信息应用中已具有较广泛的应用。如利用多光谱遥感预测的玉米LAI与实测LAI的相关系数可达0.94[23]，利用高光谱遥感解析的春小麦蛋白质含量与实测蛋白质含量的相关系数可达0.96[43]。植物叶片在电磁波谱上的吸收和反射率特性可以用来评价许多生物物理特性，对光谱反射数据进行经验性处理，能够构建大量的植被指数[50]，可用来监测作物的LAI、叶绿素含量、植株养分和水分状态、生物量和产量等表型信息[51-52]，如归一化植被指数（normalized difference vegetation index, NDVI）、绿色归一化植被指数（green normalized difference vegetation index, GNDVI）和再归一化植被指数（renormalized difference vegetation index, RDVI）用于预测作物LAI[33,42,53]，优化土壤调节植被指数（optimized soil-adjusted vegetation index, OSAVI）和蓝绿色素指数（blue green pigment index 2, BGI2）用于预测作物叶片叶绿素含量[42,45]，RDVI和RGBVI用于预测作物生物量[42,54]，PRI预测产量等[25]。多元线性回归、偏最小二乘、逐步线性回归等建模方法在无人机遥感解析作物表型信息时具有广泛的应用[29]。由于波段间反射率有着密切的关系，造成线性模型所需参数的重复，因此目前研究者在遥感解析作物表型时转向偏最小二乘法（partial least squares regression, PLSR）、主成分分析（principal component analysis, PCA）和人工神经网络（artificial neural network, ANN）等方法，结合高光谱遥感信息，构建包含更多波段的模型，以期更好的解释模型预测的变异。

3.3 生物/非生物胁迫指标

冠层温度、气孔导度、叶片水势、净同化速率和水分胁迫指数等与作物叶片呼吸速率、蒸腾速率和净光合速率等密切相关，是揭示作物生长状态的重要指标[55-56]，被普遍用于抗逆性作物品种筛选和抗逆栽培技术的研究[57-58]。冠气温差（canopy-air temperature difference, TD）是冠层温度与空气温度的比值，可用来预测作物产量，如杂交高粱、马铃薯的TD和产量呈显著的负相关，水分胁迫条件下小麦的冠气温差与产量呈正相关[59]。由于冠层温度与作物蒸腾密切相关，当水分亏缺时，蒸腾减弱，气孔关闭，叶温显著增加，可以利用冠层温度间接研究作物的蒸腾速率和气孔导度等[60-61]。利用热成像数据得到的水分亏缺指数可以用来指示作物叶片水分状态，同时也可反演作物的气孔导度和净光合速率[25]。

常规获取上述指标的方法为田间手持热像仪、气孔计和便携式光合仪等测定，效率较低，难以在短时间内完成较大面积作物的测定，而利用无人机搭载热成像仪可实现快速、方便的获取大面积作物的热成像数据[24]，从而实现作物生长状态的监测。通过将无人机遥感获取数据与地面实测数据比较可知，目前利用无人机搭载热像仪监测小麦和玉米冠层温度、气孔导度和叶片水分状态等指标的精度较高，而在棉花应用上精度较低。比较无人机搭载热像仪获取的冠层温度与地面手持红外测温计测定的冠层温度，其决定系数为0.84[47]，利用干旱植被指数反演的叶片气孔导度与地面实测数据比较的决定系数为0.53[25]，而利用热成像数据反演的棉花气孔导度与实测数据比较的决定系数仅为0.23[32]。

3.4 作物产量

产量是作物科学研究的核心内容，不断提高产量预测模型的精度和适应性是无人机遥感应用的前提。通过植株的生理表型参数结合植被指数可以很好的估测作物产量，基于遥感手段构建的产量预测模型所用指标包含生育期长度、冠层温度、叶绿素含量、LAI、地上部干生物量、光谱反射率和植被指数等。基于作物特有的波谱反射特征，通过构建包含多种植被指数的遥感反演模型，可以实现作物产量的预测[25,43]。在水分供应充足和水分限制条件下，较低的冠层温度的品种可以增加产量，因此可基于冠层温度实现作物产量的预测[55]。由于作物光合作用与叶绿素含量有一定关系，可以用叶绿素含量来预测作物产量[62]。产量预测模型的精度随着建模参数的增加而增加，而多数基于冠层反射率或冠层温度估产的模型多集中在2～3个波段植被指数研究，缺少一定的适应性[63]。因此，融合农学知识与遥感指标构建精度高、通用性强的产量预测模型对应用无人机遥感进行作物产量预测至关重要。

3.5 无人机遥感表型平台的不足

尽管无人机遥感解析作物表型信息和预测作物产量具有重要的科学意义和应用价值，但由于无人机遥感表型平台的应用尚处在研究阶段，仍存在一些问题，主要包括：1）研究对象较为局限，目前研究主要集中在种植品种较少的大田条件，缺乏育种小区作物表型信息获取的深入研究，且主要针对小麦、玉米、水稻和大麦等作物，针对豆类、薯类等其他作物的研究鲜有报道；2）获取的大量遥感数据的快速处理面临挑战，成像高光谱仪和激光雷达等传感器可快速获取大量的高时空分辨率遥感信息，可是受限于计算机性能及数据处理方法，目前仍难以实现数据的在线实时处理，且作物在不同生长阶段与土壤组成的混合光谱具有复杂机制，田间组分混合光谱较难分解；3）构建遥感反演表型模型时缺乏通用方法，在实际应用中针对不同作物、不同生育期表型信息解析时需单独建模，且模型应用具有环境条件局限性；4）无人机遥感解析作物表型信息的不确定性，包括来自遥感反演模型驱动变量或参数的不确定性及模型本身的误差传播带来的不确定性；5）传感器成本较高，机载高光谱、激光雷达和叶绿素荧光传感器等基本都靠进口，价格高昂，限制了无人机遥感表型平台的大范围推广应用。

4 展 望

4.1 研究应用广度和深度的不断拓展

目前无人机遥感平台在田间作物表型信息获取的应用具有明显的优势和广阔的前景，其以机动灵活、数据实时获取和作业效率高的优势成为作物表型信息快速、无损获取的重要手段。然而，目前无人机遥感解析作物表型信息的研究对象多集中在小麦、玉米、大麦和水稻等，针对豆类和薯类的研究较少；并且研究中包含的作物品种数量较少，缺乏复杂农田环境下基于无人机遥感的作物表型信息解析及辨识[55-56]，因此，不断拓展无人机遥感解析作物表型研究的广度和深度，将为推动近地遥感技术在精准农业中的应用奠定理论和技术基础。

4.2 高光谱/LiDAR遥感信息的深入挖掘

通过农用无人机搭载高光谱仪可以获取大量窄波段且连续的作物高光谱影像，使其能够更加全面的呈现出作物特有的光谱特性，精准的获取作物生物物理状态和生物化学状态，为在农业定量遥感中具有广泛的应用潜力[64-65]。然而，高光谱数据由于包含丰富的信息，目前在作物精细识别、生长状态监测方面仍未充分发挥作用，需进一步加强高光谱遥感解析作物表型信息的机理研究[66]。同样，机载LIDAR传感器发射的激光脉冲能部分地穿透作物遮挡，直接获取高精度三维地表地形数据，包含大量的点云信息，数据处理量大，需深入挖掘有效信息，实现作物株高、生物量等指标的高精度解析。

4.3 多源遥感信息融合构建表型信息解析模型

基于单一方法构建的田间作物表型信息解析模型存在通用性差、年际间预测稳定性不强的缺点，为增加模型的预测精度[67]，需采用多种方法构建表型解析模型，并进行系统性验证。由于作物表型是品种与环境共同作用的结果，遥感反演表型模型受作物种植区域、作物类型以及作物生育期等因素的影响[68-70]，因此，融合多源遥感信息、环境和作物生理学知识，有利于构建通用性强、精度高的作物表型信息解析模型。

4.4 低成本轻量化传感器的加快研发

成本高、有效载荷不足是限制无人机遥感表型平台推广应用的瓶颈因素，加快研发低成本和轻量化的传感器是解决上述问题的重要方法。基于无人机遥感解析作物表型信息优势明显，如及时的田间取样、高分辨率数据、长势信息的快速鉴定、图像同步获取、作业效率高等，但当前无人机遥感平台搭载的高光谱仪、热像仪等设备价格较高，严重限制了其在作物表型信息解析方面的应用，加快低成本传感器的研发，可有效促进无人机遥感技术在农业中的应用。同时由于无人机平台续航时间有限，且有效载荷低，单次路线规划无法实现大面积多源遥感信息的同步获取，因此，通过搭载轻量化传感器增强无人机遥感平台的搭载能力，有利于增加无人机平台的有效作业面积。

4.5 易操作的全套技术解决方案的推广普及

农用无人机遥感平台可以获取海量的数码影像、光谱成像和热成像数据，需经过几何校正、辐射校正和数据建模等一系列的处理过程，最终实现遥感手段解析作物表型信息，但目前终端用户缺乏针对上述数据的处理能力，需加快易操作的全流程技术方案的研发和推广，集成不同功能软件，使用户能够自主实现作物长势监测和产量预测等。

5 结 论

1）高通量获取作物表型信息是加快作物生长发育规律研究、推动作物科学发展的重要手段。多旋翼、固定翼、直升机和飞艇是当前遥感解析表型研究应用的主要无人机类型，常见的机载传感器包括数码相机、多光谱相机、高光谱相机、热红外相机及激光雷达等。以无人机为代表的近地遥感表型平台具有机动灵活、适合复杂农田环境、及时的数据采集、效率高和成本低等优势，可以快速、无损和高效的获取田间作物表型信息，成为研究作物表型组学的重要工具。

2）无人机遥感表型平台已广泛用于获取形态参数、光谱和纹理特征、生理特性等作物性状，以及在不同环境下作物对非生物/生物胁迫的响应。遥感解析作物表型的精度存在明显差异，这主要由于反演模型的精度取决于气候、作物生长阶段和作物类型等因素。图像特征分析法、光谱特征分析法、冠层温度分析法和综合评判法等是无人机遥感解析田间作物表型信息的常用方法。

3）尽管无人机遥感表型平台是高通量获取作物表型信息的重要手段，然而目前仍存在一些不足，包括研究应用深度及广度不足、光谱和激光雷达数据的快速处理方法缺乏、遥感反演模型存在较大不确定性和传感器价格高等。因此，在未来的无人机遥感解析作物表型信息研究应用中，需不断拓展无人机遥感解析作物表型研究的广度和深度，深入挖掘无人机高光谱和LiDAR等遥感信息，融合多源遥感信息构建通用性强、精度高的表型信息解析模型，加快研发低成本无人机载传感器，并推广普及易操作的全套技术解决方案。

[1] 盖钧镒，刘康，赵晋铭. 中国作物种业科学技术发展的评述[J]. 中国农业科学，2015，48(17)：3303－3315.

Gai Junyi, Liu Kang, Zhao Jinming. Review of Chinese science and technology industry for species[J]. Chinese Agricultural Sciences, 2015, 48(17): 3303－3315. (in Chinese with English abstract)

[2] Sadras V O, Rebetzke G J, Edmeades G O. The phenotype and the components of phenotypic variance of crop traits[J]. Field Crops Research, 2014, 154(3): 255－259.

[3] Pajares G. Overview and current status of remote sensing applications based on Unmanned aerial vehicles (UAVs) photogramm[J]. Eng Remote Sens, 2015, 81(4): 281－330.

[4] Grosskinsky D K, Svensgaard J, Christensen S, et al. Plant phenomics and the need for physiological phenotyping across scales to narrow the genotype-to-phenotype knowledge gap[J]. Journal of Experimental Botany, 2015, 66(18): 5429－5440.

[5] Luis Araus J, Cairns J E. Field high-throughput phenotyping: The new crop breeding frontier[J]. Trends in Plant Science, 2014, 19(1): 52－61.

[6] Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review [J]. Isprs Journal of Photogrammetry and Remote Sensing, 2014, 92(2): 79－97.

[7] Herwitz S R, Johnson L F, Dunagan S E, et al. Imaging from an unmanned aerial vehicle: Agricultural surveillance and decision support[J]. Computers and Electronics in Agriculture, 2004, 44(1): 49－61.

[8] Barabaschi D, Tondelli A, Desiderio F, et al. Next generation breeding[J]. Plant Science, 2016, 242: 3－13.

[9] Cobb J N, DeClerck G, Greenberg A, et al. Next-generation phenotyping: requirements and strategies for enhancing our understanding of genotype-phenotype relationships and its relevance to crop improvement[J]. Theoretical and Applied Genetics, 2013, 126(4): 867－887.

[10] Sankaran S, Khot L R, Carter A H. Field-based crop phenotyping: Multispectral aerial imaging for evaluation of winter wheat emergence and spring stand[J]. Computers and Electronics in Agriculture, 2015, 118: 372－379.

[11] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报，2014，45(12)：277－293.

Zhao Chunjiang. The development of agricultural remote sensing research and application[J]. Journal of Agricultural Machinery, 2014, 45(12): 277－293. (in Chinese with English abstract)

[12] Wei X, Xu J, Guo H, et al. DTH8 suppresses flowering in rice, influencing plant height and yield potential simultaneously[J]. Plant Physiology, 2010, 153: 1747－1758.

[13] Alheit K V, Busemeyer L, Liu W, et al. Multiple-line cross QTL mapping for biomass yield and plant height in triticale (×)[J]. Theoretical and Applied Genetics, 2014, 127(1): 251－260.

[14] Ilker E, Tonk F A, Tosun M, et al. Effects of direct selection process for plant height on some yield components in common wheat () genotypes[J]. International Journal of Agriculture & Biology, 2013, 15(4): 795－797.

[15] Zhang C, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693－712.

[16] Araus J L, Cairns J E. Field high-throughput phenotyping: The new crop breeding frontier[J]. Trends in Plant Science, 2014, 19(1): 52－61.

[17] Sugiura R, Noguchi N, Ishii K. Remote-sensing Technology for Vegetation Monitoring using an Unmanned Helicopter[J]. Biosystems Engineering, 2005, 90(4): 369－379.

[18] Diaz-Varela R A, Zarco-Tejada P J, Angileri V, et al. Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle[J]. Journal of Environmental Management, 2014, 134C(4): 117－126.

[19] Pavuluri K, Chim B K, Griffey C A, et al. Canopy spectral reflectance can predict grain nitrogen use efficiency in soft red winter wheat[J]. Precision Agriculture, 2015, 16(4): 405－424.

[20] Guo W, Fukatsu T, Ninomiya S. Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images[J]. Plant Methods, 2015, 11(1): 1－15.

[21] Bendig J, Bolten A, Bennertz S, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-Based RGB Imaging[J]. Remote Sensing, 2014, 6(11): 10395－10412.

[22] Zaman-Allah M, Vergara O, Araus J L, et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize[J]. Plant Methods, 2015, 11(1): 1－10.

[23] Ballesteros R, Ortega J F, Hernandez D, et al. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part II: Application to maize and onion crops of a semi-arid region in Spain[J]. Precision Agriculture, 2014, 15(6): 593－614.

[24] Berni J A J, Zarco-Tejada P J, Suarez L, et al. 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.

[25] Gonzalez-Dugo V, Hernandez P, Solis I, et al. Using high-resolution hyperspectral and thermal airborne imagery to assess physiological condition in the context of wheat phenotyping[J]. Remote Sensing, 2015, 7(10): 13586－13605.

[26] Deery D, Jimenez-Berni J, Jones H, et al. Proximal remote sensing buggies and potential applications for field-based phenotyping[J]. Agronomy, 2014, 5(3): 34－-379.

[27] Li J, Zhang F, Qian X, et al. Quantification of rice canopy nitrogen balance index with digital imagery from unmanned aerial vehicle[J]. Remote Sensing Letters, 2015, 6(3): 183－189.

[28] Rahaman M M, Chen D J, Gillani Z, et al. Advanced phenotyping and phenotype data analysis for the study of plant growth and development[J]. Frontiers in Plant Science, 2015, 6(15): 619.

[29] Ma B L, Dwyer L M, Costa C, et al. Early prediction of soybean yield from canopy reflectance measurements[J]. Agronomy Journal, 2001, 93(6): 1227－1234.

[30] Campbell J B, Wynne R H. Introduction to Remote Sensing[M]. New York: Guilford Press, 2011.

[31] Siebert S, Ewert F, Rezaei E E, et al. Impact of heat stress on crop yield-on the importance of considering canopy temperature[J]. Environmental Research Letters, 2014, 9(4): 8.

[32] Sullivan D G, Fulton J P, Shaw J N, et al. Evaluating the sensitivity of an unmanned thermal infrared aerial system to detect water stress in a cotton canopy[J]. International Journal of Sociology & Social Policy, 2007, 50(6): 708－724.

[33] Lelong C C D. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots[J]. Sensors, 2008, 8(5): 3557－3585.

[34] Jones H G, Serraj R, Loveys B R, et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field [J]. Functional Plant Biology, 2009, 36(11): 978－989.

[35] Costa J M, Grant O M, Chaves M M. Thermography to explore plant-environment interactions[J]. Journal of Experimental Botany, 2013, 64(13): 3937－3949.

[36] Kipp S, Mistele B, Schmidhalter U. The performance of active spectral reflectance sensors as influenced by measuring distance, device temperature and light intensity[J]. Computers and Electronics in Agriculture, 2014, 100(2): 24－33.

[37] Chapman S, Merz T, Chan A, et al. Pheno-copter: A low-altitude, autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping[J]. Agronomy, 2015, 4(2): 279－301.

[38] Zhang C H, Walters D, Kovacs J M. Applications of low altitude remote sensing in agriculture upon farmers’ requests: A case study in Northeastern Ontario, Canada[J]. Plos One, 2013, 9(11): e112894－e112894.

[39] Geipel J, Link J, Claupein W. Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models acquired with an unmanned aircraft system[J]. Remote Sensing, 2014, 6(11): 10335－10355.

[40] 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.

Gao Lin, Yang Guijun, Wang Baoshan, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015, 23(7): 868－876. (in Chinese with English abstract)

[41] Verger A, Vigneau N, Chéron C, et al. Green area index from an unmanned aerial system over wheat and rapeseed crops[J]. Remote Sensing of Environment, 2014, 152: 654－664.

[42] Aasen H, Burkart A, Bolten A, et al. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2015, 108(5): 251－254.

[43] Overgaard S I, Isaksson T, Kvaal K, et al. Comparisons of two hand-held, multispectral field radiometers and a hyperspectral airborne imager in terms of predicting spring wheat grain yield and quality by means of powered partial least squares regression[J]. Journal of near Infrared Spectroscopy, 2010, 18(18): 247－261.

[44] Uto K, Seki H, Saito G, et al. Characterization of rice paddies by a UAV-mounted miniature hyperspectral sensor system[J]. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(2): 851－860.

[45] Gevaert C M, Suomalainen J, Tang J, et al. Generation of spectral-temporal response surfaces by combining multispectral satellite and hyperspectral UAV Imagery for precision agriculture applications[J]. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 1(8): 3140－3146.

[46] Li W, Niu Z, Chen H, et al. Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system[J]. Ecological Indicators, 2016, 67: 637－648.

[47] 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.

Yang Guijun, Li Changchun, Yu Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 184－190. (in Chinese with English abstract)

[48] 赵春霞，钱乐祥. 遥感影像监督分类与非监督分类的比较[J]. 河南大学学报：自然科学版，2004，34(3)：90－93.

Zhao Chunxia, Qian Lexiang. Comparative study ofsupervised and unsupervised classification in remote sensing image[J]. Journal of Henan University: Natural Science, 2004, 34(3): 90－93. (in Chinese with English abstract)

[49] Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression[J]. Remote Sensing of Environment, 1999, 67(3): 267－287.

[50] Bannari A, Morin D, Bonn F, et al. A review of vegetation indices[J]. Remote Sens Rev, 1995, 13(1/2): 95－120.

[51] Raun W R, Solie J B, Johnson G V, et al. In-season prediction of potential grain yield in winter wheat using canopy reflectance[J]. Agronomy Journal, 2001, 93(1): 131－138.

[52] Erdle K, Mistele B, Schmidhalter U. Spectral high-throughput assessments of phenotypic differences in biomass and nitrogen partitioning during grain filling of wheat under high yielding Western European conditions[J]. Field Crops Research, 2013, 141(1): 16－26.

[53] Hunt J E R, Hively W D, Fujikawa S J, et al. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing, 2010, 2(1): 290－305.

[54] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79－87.

[55] Olivaresvillegas J, Reynolds P, Mcdonald K. Drought- adaptive attributes in the Seri/Babax hexaploid wheat population[J]. Functional Plant Biology, 2007, 34(3): 189－203.

[56] Masuka B, Luis Araus J, Das B, et al. Phenotyping for abiotic stress tolerance in maize[J]. Journal of Integrative Plant Biology, 2012, 54(4): 238－249.

[57] Reynolds M, Manes Y, Izanloo A, et al. Phenotyping approaches for physiological breeding and gene discovery in wheat[J]. Annals of Applied Biology, 2009, 155(3): 309－320.

[58] Humplik J F, Lazar D, Husickova A, et al. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses- a review[J]. Plant Methods, 2015, 11(1): 1－10.

[59] Heaton E, Voigt T, Long S P. A quantitative review comparing the yields of two candidate C 4, perennial biomass crops in relation to nitrogen, temperature and water[J]. Biomass & Bioenergy, 2004, 27(1): 21－30.

[60] Chen D J, Neumann K, Friedel S, et al. Dissecting the phenotypic components of crop plant growth and drought responses based on high-throughput image analysis[J]. Plant Cell, 2014, 26(12): 4636－4655.

[61] Munns R, James R A, Sirault X R R, et al. New phenotyping methods for screening wheat and barley for beneficial responses to water deficit[J]. Journal of Experimental Botany, 2010, 61(13): 3499－3507.

[62] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: Testing the Kokaly and Clark methodologies[J]. Remote Sensing of Environment, 2001, 76(3): 349－359.

[63] Babar M A, Reynolds M P, Ginkel M V, et al. Spectral reflectance to estimate genetic variation for In-season biomass, leaf chlorophyll, and canopy temperature in wheat[J]. Crop Science, 2006, 46(3): 76－85.

[64] Suomalainen J, Anders N, Iqbal S, et al. A lightweight hyperspectral mapping system and photogrammetric processing chain for unmanned aerial vehicles[J]. Remote Sensing, 2014, 6(11): 11013－11030.

[65] Hruska R, Mitchell J, Anderson M, et al. Radiometric and geometric analysis of hyperspectral imagery acquired from an unmanned aerial vehicle[J]. Remote Sensing, 2012, 4(9): 2736－2752.

[66] Laliberte A S, Goforth M A, Steele C M, et al. Multispectral remote sensing from unmanned aircraft: Image processing workflows and applications for rangeland environments[J]. Remote Sensing, 2011, 3(3): 2529－2551.

[67] Capolupo A, Kooistra L, Berendonk C, et al. Estimating plant traits of grasslands from UAV-acquired hyperspectral images: a comparison of statistical approaches[J]. Isprs International Journal of Geo-Information, 2015, 4(4): 2792－2820.

[68] Corcoles J I, Ortega J F, Hernandez D, et al. Estimation of leaf area index in onion (L.) using an unmanned aerial vehicle[J]. Biosystems Engineering, 2013, 115(1): 31－42.

[69] Thorp K R, Gore M A, Andrade-Sanchez P, et al. Proximal hyperspectral sensing and data analysis approaches for field-based plant phenomics[J]. Computers and Electronics in Agriculture, 2015, 118(C): 225－236.

[70] Gutierrez-Rodriguez M, Reynolds M P, Escalante-Estrada J A, et al. Association between canopy reflectance indices and yield and physiological traits in bread wheat under drought and well-irrigated conditions[J]. Australian Journal of Agricultural Research, 2004, 55(11): 1139－1147.

Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform

Liu Jiangang1,2,3, Zhao Chunjiang1,2,3※, Yang Guijun1,2,3, Yu Haiyang1,2, Zhao Xiaoqing1, Xu Bo1,2, Niu Qinglin1,4

(1.100097; 2.100097; 3.100097; 4.454000)

The field-based phenotyping plays an important role in exploring the laws of crop growth and development. Accurately and rapidly acquiring phenotype of plants or cells in different environments can accelerate the efficiency of understanding the response of crops to environmental factors, which can provide theoretical and technical support for accelerating the development of crop science and prompting the sustainable development of agriculture in China. Traditional method for the determination of crop parameters is based on field sampling and mechanized high-throughput platform, which is time-consuming, and has low efficiency and incomplete spatial coverage. The development of crop science is limited by the quick and accurate acquisition of field-based phenotyping. Proximal remote sensing phenotyping platform represented by the unmanned aerial vehicle (UAV) can be timely, rapid, noninvasive and efficient access to crop phenotypes, which makes it become an important means to obtain crop phenotypic information and a powerful tool to study the phenotypes. According to the latest research achievements of UAV-RSP (remote sensing platform) in analyzing the crop phenotype, the review described the advantage and disadvantage of the application of UAV-RSP with different types of sensors to field-based phenotyping, summed up the methods for quantitative remote sensing inversion of crop phenotypic information, and prospected the application of UAV-RSP to field-based phenotyping. UAV-RSP has the advantages of flexible motor, being suitable for complex field environment, timely data acquisition, high efficiency and low cost, which can be used to rapid and cost‑effective phenotype judge for a large number of plots and field trials of massive germplasm. The vehicles with flying capacity without manned control have several types, ranging from multicopters and helicopters to fixed wing. The most frequently used sensors in UAV-RSP include digital camera, multispectral sensor, hyperspectral sensor, thermal imager and Light Detection and Ranging (LiDAR) systems. The UAV-RSP have been used for acquiring crop traits including morphological parameters, spectrum and texture characteristics, physiological traits, and response to abiotic/biotic stress under different environments. However, the field-based phenotyping by UAV-RSP usually focuses on wheat, maize, rice and sorghum, and there are more crops that need to be investigated. And the crop phenotyping by remote sensing lacks the fusion of multi-source data. Strategies for high-throughput field-based phenotyping were investigated with different methods, which showed obvious difference of estimation accuracy. The accuracy of retrieval model for estimating field-based phenotyping depends on the climate, crops and their growth stages. Methods such as machine learning, spectral retrieval,analysis of canopy temperature and comprehensive evaluation have been widely used for field-based phenotyping by researchers. However, there exist some problems that restrict the application of UAV-based crop phenotyping. The shortcomings include the imperfection of agricultural aviation regulations, the deficiencies of phenotyping for massive germplasm, the lack of method for fast hyperspectral and LiDAR data management, the high price of sensors and the uncertainty of remote sensing retrieval model. The developments of UAV-based phenotyping are as follows: the combination of crop breeding and UAV remote sensing, the efficient data processing, the well-informed analysis of multi-source data, and the development of low-cost sensor. The results of this study have important significance for promoting the application of UAV-RSP and speeding up the development of crop science.

unmanned aerial vehicle; sensors; remote sensing; crops; phenotyping

10.11975/j.issn.1002-6819.2016.24.013

TP79

A

1002-6819(2016)-24-0098-09

2016-09-14

2016-11-14

北京市自然科学基金项目（4141001）；国家自然科学基金项目（41471285，61661136003）；北京市农林科学院科技创新能力建设项目（KJCX20140417）；北京市博士后工作经费资助项目。

刘建刚，男，山东青岛人，博士，主要研究方向为无人机遥感解析作物表型。北京 北京农业信息技术研究中心，100097。Email：liujg@nercita.org.cn

赵春江，男，研究员，博士，主要研究方向为农业工程。北京 北京农业信息技术研究中心，100097。Email：zhaocj@nercita.org.cn