张 梦

(1.安徽理工大学空间信息与测绘工程学院，安徽 淮南 232001)

农业是国家立足的根本，发展富强的基础。随着社会经济的高速发展，对农业生产领域也提出新的要求。农业机械化和信息化是农业现代化主要发展方向，其下一阶段的目标是实现农业自动化与智能化。现代农业信息化的发展需要及时准确获取地表田间作物信息，以此实现作物分类识别、田间土壤理化性质反演及农业灾害监测。目前，主要以人工地面调查和遥感方法获取田间作物信息。传统的地面人工调查方法不仅在人力、财力等方面耗费大，而且不能直观反映农业种植空间分布。卫星遥感是一门有效的综合性对地探测技术，以其宏观性在大范围的农情遥感监测中得到广泛应用[1]。然而，受其轨道高度的影响，在重访周期、分辨率等方面存在一定局限性[2]，制约了卫星遥感技术的应用。无人机(Unmanned Aerial Vehicle，UAV)遥感技术的应用拓展了精确获取地表信息的渠道，其机身尺寸小、便携性强，使用成本低、灵活度高，且其时空分辨率优于航天航空遥感平台，为小区域作物精细监测提供了新手段。在此背景下，首先对无人机遥感技术进行概述，然后对目前无人机遥感技术在农业领域的应用进展进行总结，最后对无人机遥感技术应用前景和发展趋势进行展望。

一、无人机遥感技术简介

近年来随着无人机动力系统、控制系统和传感器技术水平的不断发展，使无人机搭载多种类型传感器实现对地观测成为可能，是对卫星遥感平台的有效补充。与卫星平台相比，无人机遥感对地观测时的飞行高度一般较低，不会受到大气层的影响，受云层的影响也较小，因此能够获取更为精细的地表影像数据。无人机遥感系统主要包括飞行载荷平台和传感器两个部分。动力系统、姿态调整系统、GPS实时定位系统、数据传输系统是飞行载荷平台的重要组成部分，按机体结构设计差异可分为固定翼和旋翼、无人直升机和飞艇等。其中小型固定翼和旋翼无人机使用成本相对较低，在农业领域应用广泛。小型固定翼无人机航速高，单位时间内采集的影像范围大，但其对飞行场地的及作业人员的操控技能要求较高；小型旋翼无人机易于携带，垂直起降方式使其对场地要求较低，能够实现定速定高巡航、悬停等操作，更加适用于农情遥感监测。目前无人机提供的智能飞控系统，能够根据规划后的KML边界文件进行自主航线规划、自动起飞、自动拍照、完成作业自动返航等，大幅提高了作业效率。

二、无人机遥感技术在农业领域的应用现状

(一) 作物种植区提取及面积监测

在农业领域，作物的分类识别是进行不同种类作物面积监测、产量估计的前提[3]。无人机遥感技术获取的高分辨率影像蕴藏丰富的地物表型信息，根据不同作物在无人机影像上所表现出的色彩、纹理特征，建立无人机遥感作物解译标志库，用于人工目视解译与遥感制图。虽然这种方式解译精度高，但工作量大，作业人员容易出现解译疲劳而导致解译准确度的降低。为此，作物自动化提取方法成为当下研究热点，国内外的研究主要集中在算法的创新及特征的选择上，主要包括统计回归分析、人工神经网络等。如郑明雪等通过对Mean Shift算法进行改进，基于无人机影像实现了田块边界的自动化提取[4]，提取效果较好；李明等基于无人机RGB影像及扩展特征构建Logistic回归模型用于水稻识别，总体正确率达到98 %，面积误差小于3.5 %[5]；任泽茜等针对南方种植结构复杂的破碎农田景观，通过引入植被指数并将随机森林与尺度分割算法结合的方式进行无人机遥感作物种植面积监测，面积误差在1.11%以内[6]。

(二) 作物长势监测及产量估计

通过对长势及叶片发育情况监测可以辅助进行作物的生长环境评估及水肥施补等田间管理。无人机遥感可以及时准确地获取农作物长势信息，利用叶面积指数(LAI)、冠层高度、植被指数等地表参数监测作物长势信息，进而构建作物产量估算模型。如周敏姑等通过提取冬小麦四个关键期无人机多光谱影像的反射率，采用多种回归分析方法结合地面监测数据建立冬小麦SPAD值的反演模型，在无人机遥感作物长势监测方面具有一定应用价值[7]；朱婉雪等基于多种植被指数构建小麦3个生长关键期(返青期、抽穗期和成熟期)的估产模型，结果表明抽穗灌浆期小麦估产效果最好，植被指数EVI2最优[8]；韩文霆利用多光谱无人机对夏玉米进行多时相监测，采用牛顿-梯形积分和最小二乘法以多种植被指数构建不同生育期的玉米估产经验模型，在玉米长势评估和产量预测方面效果较好，估产模型R2可达到0.87以上[9]。

(三) 农业灾害遥感

农业灾害是导致粮食减产的主要原因，对农业灾害进行遥感监测有利于了解作物受灾情况，从而对损失进行评估，及时调整粮食供应策略、补充粮食供应渠道，避免因减产而导致粮食供应紧张。目前，农业灾害遥感监测的研究主要涉及冻害、病虫害等方面。如安谈洲等利用无人机遥感监测过冬油菜冻害，采用深度学习算法的油菜冻害整体识别精度达到98.13 %，Kappa系数为0.96[10]；地力夏提·依马木等利用Logistic算法对棉田虫害进行无人机多光谱遥感监测，基于SAVI和NDVI地表参数构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型最优，三类虫害的识别精度为66.3 %～94.2 %[11]；Ryo Sugiura等使用无人机RGB影像结合田间抗性试验开展了马铃薯晚枯萎病的研究，实现马铃薯晚疫病的无人机遥感监测，取得了不错的效果[12]。

三、无人机遥感技术在农业领域应用中的挑战与展望

(一) 无人机遥感系统软硬件设备的改进

尺寸小、使用灵活方便是无人机遥感平台的特点，然而这也导致了无人机遥感平台存在载荷低、滞空时间短、抗风能力弱等不足。一方面，农情遥感监测领域需要根据不同需求使用不同类型的传感器，由于无人机平台载荷能力及使用成本的限制，目前国内外的研究多集中在传统RGB相机和多光谱相机的应用研究上，极少使用质量大、成本高的高光谱传感器和热成像仪。另一方面，农情遥感监测需要获取大范围的监测数据，当前普遍使用的小型无人机存在续航时间短的缺点，通讯距离的限制也是影响其作业效率、作业范围的不利因素。此外，无人机在高空作业时遭遇大风容易产生一定程度的抖动，导致获取的影像不同程度受到影响(如扭曲变形、成像模糊等)，这也给后期数据处理带来挑战，从而导致后续的数据分析及研究结果产生偏差，限制了其在农业领域的应用与推广。鉴于无人机遥感系统的广泛应用前景，政府、企业、科研院所需要协同合作，出台相应政策及行业标准，规范与促进行业有序发展，不断更新无人机遥感系统软硬件设备，开发出满足不同任务需求、成本低、体积小的无人机平台及各类型的传感器，以满足使用者对便携性、经济性、适用性、长续航的需求。同时不断优化飞行控制算法及数据传输模式，提高无人机遥感平台的作业效率和产品的质量。由于无人机遥感系统的应用从数据采集、数据处理及后续的实际应用大都停留在科学研究上，需要作业人员具有较高的专业知识与技能，适用的范围小。如何实现从数据采集到实际应用的一整套技术方案的自动化与智能化，降低使用者的学习成本、扩展应用范围将是今后的研究方向。

(二) 不同平台多源、多时序数据协同利用

目前农业领域的监测数据主要有空—天—地三个尺度的数据源，三个尺度的监测手段各有优劣。航空领域适合大尺度的农情遥感监测，但其在分辨率方面有一定局限性；地面主要靠作业人员手持各种仪器采集作物信息，其在数据的准确度方面具有一定优势，但难以保证监测效率和监测范围；无人机的应用扩展了航天监测的手段，是对航空和地面监测方法的有效补充。目前，农情遥感监测的研究多基于单一尺度数据源甚至是单一传感器，其获取的田间作物信息较单薄，难以全面反映作物表型特征。因此，如何将不同平台、不同传感器的数据进行融合利用将是今后关注的方向。由于作物一直处于生长状态，处于不同生长阶段的作物表现出不同的理化性质，不同地理环境和气候条件也会扩大这种差异性，基于特定地域、单一生长期所建立的模型代表性有限，对于普遍情况下的农情遥感监测适用性不强。因此，通过对不同尺度、不同地域、不同时序数据的综合利用，在时间和空间上进行数据融合与数据挖掘，从而构建具有可扩展性高、适用性强、精度高的作物监测模型。

(三) 农作物遥感特征扩展及算法的改进

通过传感器直接获取的作物波谱空间的信息量相对较少，且不同类型作物的波谱敏感度不同，不利于遥感影像目标信息的有效提取。因此有学者基于原始波段通过线性或非线性的数学计算进行特征扩展，目的是为了充分挖掘原始影像中隐含的信息，扩展作物遥感辨识性特征。常用的特征有指数特征、纹理特征、几何空间特征和色彩特征等，然而各特征在不同作物应用上的优势尚未明确，没有形成一套通用的作物敏感特征识别库。因此，开发一套适用性强的敏感特征识别库，同时揭示各特征的物理意义，对现代农业的发展具有一定促进意义。此外，不同类型的算法在不同应用上各有优势，在今后的研究中，应面向实际应用需求，通过进一步改进现有算法或建立新型算法实现方案的优化。

四、结语

无人机遥感技术的应用是对低空遥感的有效补充，在使用成本、功能及设备专业性上能够满足普通研究工作者的使用需求，在农业遥感领域应用广泛。目前，无人机遥感平台搭载多种类型的传感器用于农情遥感监测：传统RGB相机获取的影像分辨率高，地表作物覆盖种类解析度高；多光谱和高光谱传感器波段范围广，采集的影像信息量丰富，但也存在信息冗余的问题，为此有学者针对高光谱最佳波段组合方法进行研究，以期实现不同作物敏感波段的筛选，降低冗余信息量；热成像仪可以获取作物冠层热辐射数据，多用于田间土壤含水率及干旱监测；激光雷达获取的点云数据可用于冠层高度提取等。通过多传感器类型在作物种植区提取及面积监测、作物长势监测及产量估计、农业灾害遥感等方面的应用可为田间管理提供数据支持，对推动农业信息化的发展具有重要意义。虽然目前无人机遥感农情监测研究面向的作物种类多、涉及的研究范围广，但在信息融合、实际应用及推广性方面存在不足。利用无人机遥感系统搭载的单一传感器获取的田间表型信息不全面，如何利用不同传感器类型、甚至不同平台遥感监测数据进行协同与立体监测，实现“空-天-地”一体化监测体系将成为今后研究的方向。同时，受地形环境、气候条件和作物种类的影响，目前涉及的研究方法、建立的模型多仅适用于当时的作业环境，具有一定局限性，如何将科研实验进行推广应用也是今后需要思考的问题。可以预见，无人机遥感技术的发展不会停滞，其在农业遥感监测领域的应用潜力和价值将不断被发掘，并且在实际应用中更加普遍化和大众化。