袁帅 王鑫鑫 侯升林 申书兴 范晓飞

摘要：田间蔬菜种植周期短，因此准确掌握各种蔬菜的种植信息，及早发现蔬菜种植中的问题，对蔬菜生产有重要意义。目前，对田间蔬菜作物的生长调查通常采用肉眼观察、实验室提取等方法获取信息，不仅浪费大量人力，还可能因主观因素导致数据准确性降低。蔬菜生产与育种过程受益于高通量的表型信息获取，表型是研究“基因型-表型-环境”作用机制的桥梁。在蔬菜育种和生产中高通量表型获取技术已被广泛应用，通过高通量的表型观测，能够及早发现蔬菜生产中的问题，同时为品种选育提供支持。在大量评估田间蔬菜试验中，高通量表型信息获取常基于光谱数据。无人机搭载光谱传感器能够较全面获取蔬菜表型信息，结合机器学习以及深度学习的数据处理方法，可实现田间蔬菜种植过程中的实时监测。本文著重介绍光谱成像技术在蔬菜生产和育种上的应用，通过光谱成像技术，能够实现对田间蔬菜生长信息的监测、病虫害的早期诊断、田间土壤水分监测，并能在一定程度上辅助种植者对蔬菜进行产量预估。同时，通过无人机遥感光谱成像技术建立起的大规模生理性状和形态性状定量获取可为蔬菜新品种选育提供重要的数据支撑。

关键词：蔬菜生产；光谱传感器；表型；无人机成像；品种选育

中图分类号：S630.4；S127  文献标志码：A

文章编号：1002-1302（2023）24-0001-10

蔬菜生产是劳动密集型产业，但用工难度大、人工成本高等问题制约着我国蔬菜产业发展，目前人工成本在蔬菜生产中的占比已超过60%［1］。早期研究指出，通过信息的处理与决策，可对植物生长、植物健康及其他因素进行针对性测量，这也是精准农业基于信息技术与农业生产相结合的方式［2］，精准农业是无人机应用的一项重要经济领域。无人机在农业生产和育种研究中的使用非常普遍，是农业信息获取的重要途径之一，预计2027年市场份额将达4.8亿元［3］。无人机和轻小型高光谱传感器的发展，使利用作物光谱特征反演农学参数成为可能。在田间蔬菜调查过程中，植被指数可广泛用于评估蔬菜生长状况［4-5］。通过不同植被指数的提取与融合，能够有效预测植株生长中的动态变化。相比于单一光谱波段的选择，基于纹理信息与光谱信息的结合是常用的光谱图像分析手法［6］。通过对田间蔬菜光谱成像，能够提供一系列与蔬菜生理生化相关的光谱信息，如叶面积指数、叶片叶绿素含量、氮素含量和冠层含水量等。在对田间蔬菜病虫害的研究中发现，不同光谱波段对病虫害的响应略有不同，如当烟草受花叶病感染后，可见光波段反射率上升，而在近红外波段反射率下降［7］。由于蔬菜生长周期短，在田间蔬菜育种性状调查中，每一生长周期植株在生理和形态变化差异较大，需要及时在各个生长时期进行育种性状诊断。多光谱图像处理技术能够揭示植物生理学中隐藏的变化，并用于早期植株疾病监测［8］。许多基于计算机视觉工具和来自各类传感器的成像能够在高精度和高通量的表性分析中起到重要作用［9］。无人机遥感图像处理技术，能够快速分析作物表型特征，包括3D结构信息、生理和生化特征［10］。在田间蔬菜性状调查中，大量表型分析能够快速挖掘潜在的相关联基因，可在最大程度上提高蔬菜种植和生产的经济效益。本研究对光谱成像技术在大田蔬菜上的应用进行了阐述，对无人机遥感检测机理及无人机传感器平台和光谱波段的预处理、筛选方法进行详细介绍；并分析了光谱成像在田间蔬菜生长监测上的应用研究；最后，探讨了无人机光谱成像技术在大田中应用的优点和不足，以期为今后的应用提供技术参考。

1 无人机遥感系统

1.1 无人机遥感检测系统

无人机主要监测以及生长信息模型构建流程见图1。当前，无人机遥感技术已广泛应用于田间作物的生长发育状况研究。无人机遥感系统主要包括无人机平台、轻型传感器、地面控制系统及数据处理系统。

其原理可概括为：在对田间蔬菜生长信息监测中，预先建立无人机平台与地面控制系统，操作地面控制系统控制飞行轨迹。通过无线数据传输通道，设定所需的田间作物监测信息与图像采集信息，并对采集到的信息进行处理，以达田间作物生长信息监测和对其存在的异常生理生化状况进行反馈的目的。在对田间蔬菜生长监测中，通过搭载的光谱传感器能快速获取田间蔬菜的实时光谱，并实现对信息的处理。不同传感器在功能上有所不同，但其主要工作内容可分为两方面：将实测的田间蔬菜表型及生理生化信息作为参数处理，与无人机获取的光谱影像结合后进行光谱分析及模型建立。

1.2 常用机载传感器

无人机常搭载的传感器有RGB相机、多光谱相机、高光谱相机、热红外相机、激光雷达等［11］。RGB相机常用作田间作物数字表面模型的构建，RGB相机与光谱相机相结合的方法是田间作物表型性状获取与研究的常用途径。

基于光学传感器的RGB相机在信息收集上的效率高于普通RGB相机，在对田间作物生长状况监测常用到多光谱、高光谱传感器，两者使用的技术是相似的，均是测量光谱中可见光、近红外和短波红外部分的亮度。与多光谱相比，高光谱的光谱波段较多且波段范围窄，一般在5～10 nm之间［12］。热成像仪在田间作物冠层温度和水分胁迫的监测中起到很大的作用。

无人机遥感在田间蔬菜生长信息监测的必要条件是能够确保获取数据的准确性，并能够在飞行过程中保证操作的安全性。数据的质量和可靠性对后期数据的处理起到关键作用。常用光谱传感器类型及监测指标见表1。

1.3 光谱成像系统敏感波段选择

数据处理系统在无人机系统中的作用十分关键，对于光谱成像系统，敏感波段筛选很大程度上影响着后期光谱模型的构建。在无人机光谱成像对蔬菜生长情况监测中，由于光谱图像特别是高光谱图像包含丰富的光谱信息和严重的非线性关系，使得数据量的处理是核心问题［13］。在对所得光谱模型的处理中，一个理想的光谱特征集往往对目标参数具有较高的灵敏性，但多种光谱特征与信息之间冗余低，选择与植被监测指标相关的敏感波段以除去光谱冗余不仅能降低计算时间，同时，能够保留植被重要的光谱信息。因此，对原始数据的处理，能够有效地提高特征波长的预测能力［14］。接下来介绍几种常用的光谱波段选择方法。

1.3.1 相关系数法

皮尔逊相关系数法常用于敏感波段的选择，通过将各个波段的光谱反射信息与实测生长指标（如叶绿素、氮素等）作为2个变量，通过皮尔逊相关系数进行相关性分析，通过分析各个波段的相关程度，找到与实际测量指标相对应的敏感光谱波段［15］。

1.3.2 最佳指数法（OIF）

通过计算单个波段图像的标准差和各波段间的相关系数矩阵，比较波段间相关性与标准差，若相关性越小、标准差越大，则波段组合的信息量越大［16］。

1.3.3 主成分分析法（PCA）

主成分分析常用于原始光谱数据的处理，能够解决光谱数据中的多重共线性问题，将高位空间上的多个特征组合成少数的几个无关主成分，将筛选出来的主成分作为特征构建模型。其优势在于能够筛选出与植株生长信息相对应的特征波长，提高回归建模的准确性［17］。

1.3.4 连续投影算法（SPA）

SPA作为光谱波段筛选的重要环节，广泛用于多元校准的变量选择，通过投影操作有效降低众多波段间的共线性影响，减少冗杂信息，其优点在于通过筛选特征波长，降低建模输入变量数量，提高了运算效率与建模速度［18］。

1.3.5 随机森林算法（RF）

随机森林算法常用于分类和回归问题，通过随机选择从原始数据集中提取的训练样本数据，基于提取结果，构建单个决策树，最终将多个不同的决策树组合在一起形成随机森林。该算法常用于多维光谱图像分类与最佳光谱波段选择。其缺点在于算法运行时间较长，操作慢［19］。

1.3.6 K-means聚类算法

根据相关性将光谱波段数据分为K个簇，逐个选取K个簇中心，计算样本与簇中心最短距离。其目的是在波段选择中，提取出相关性较低的波段组合。其主要思想是将各个样本数据进行划分，保证在同一个簇中的样本相关性尽可能大，最后在划分之后的簇中选取平均值作为簇中心进行下一轮计算，直至聚类中心不再发生变化，则聚类完成［20］。

2 田间蔬菜光谱监测技术

2.1 常见作物生长动态监测

植被指数与生物物理和生物化学作物特征相关，因此在田间蔬菜生长信息调查过程中，植被指数是遥感中作物生长信息监测最常用的方法之一［21］。在高光谱图像中，根据不同的光谱组合，可计算出100多个光谱植被指数，为植物的生长状态和营养监测提供了丰富信息［22］，绿色植被与地物光谱在可见光与近红外波段中具有独特的光谱反射特性。其中，归一化植被指数（NDVI）广泛用于评估和监测植被动态、冠层信息和田间植被环境的变化［23］。归一化差异红边指数（NDRE）和冠层叶绿素含量指数（SCCCI）在预测植株氮素吸收和总氮浓度中起到很好的作用［24］。Qi等在350～2 500 nm的光谱范围内构建了叶片光谱指数，通过对归一化差异光谱指数（NDSI）、比值光谱指数（RSI）、差值光谱指数（DSI）和土壤调节植被指数（SASI）分析，发现4种光谱植被指数均能够反映叶片中叶绿素含量的变化［25］。在对于生物量的估算中，与基于红光的指数相比，红边带（680～740 nm）的植被指数具有较高的估算准确性［26］。对不同光谱指数间进行相关分析和回归分析，可建立一些常见的用于田间蔬菜长势监测的植被指数（表2）。

2.2 田间蔬菜生长信息监测应用研究

2.2.1 田间蔬菜长势及营养指标监测

叶面积与株高在一定程度上能够反映作物长势，其中，叶面积指数（LAI）是描述作物冠层结构的重要参数之一［27］。LAI通过影响田间蔬菜光合作用、呼吸作用、蒸腾作用来影响产量。LAI与光谱植被指数密切相关，基于红边的植被指数可估算多种作物的LAI［28］。NDVI更是被证明与作物的LAI有很好的相关性，两者相互结合能够作为作物良好长势的评价指标。孔钰如等通过高光谱影像不同特征波段的选取，构建了LAI估测模型［29］。株高长期以来一直被记作为生长指数。在有莲座叶的蔬菜，如白菜（Brassica rapa var. glabra），可通过整株植物的投影面积以相对较高的精度来预测植株高度，但对于地上部高度重叠的植株很难在二维图像中进行预测［30］。因此，数字作物模型的建立常用做植株高度估算［31］。

刘杨等通过高光谱影像结合三维空间坐标建立大田马铃薯（Solanum tuberosum L.）数字表面模型（DSM），株高的提取与实际值呈线性拟合，R2为0.84［32］。

在对田间蔬菜营养指标监测中，葉绿素的含量能够反映蔬菜的光合能力和健康状态。传统的植物叶绿素诊断常需要通过化学方法进行提取，对植物叶片具有破坏性，且成本高。光谱图像中，包含着丰富的光谱信息，通过特征波段的提取，可在不破坏植物表面的前提下对内在物质含量进行反演和估算。常用于叶绿素的反演方法主要是建立回归模型与特征波段选择分析。袁自然等采集不同生长状态的辣椒（Capsicum annuum L.）叶片高光谱图像，利用4种不同的算法模型和叶绿素含量构建回归模型，通过比较分析得出随机森林特征选择算法能够较为准确地预测辣椒叶片叶绿素含量，其验证集R2=0.90［33］。在全波段光谱图像中，一些窄带可见光组合的光谱指数与蔬菜叶片和冠层叶绿素含量存在密切的联系［34］。Wan等在对前人无人机图像中提取的所有植被指数中发现，归一化差异黄度指数（NDYI）能够更好地监测田间植物叶绿素含量变化［35］。光合利用率可通过叶黄色素在531、570 nm处窄带的光谱反射指数来量化［36］。

大多数绿色植株吸收特征均处于光谱380～2 500 nm 之间［37］。研究发现，在单一波段下，对氮素的估算存在土壤背景等外界环境的干扰，估算结果往往具有较大的不准确性［38］。基于此，Luisa等通过研究11个光谱相应指数与幼叶、成熟叶和衰老叶的氮含量之间的关系发现，在550、680 nm上的光谱反射和NDVI与氮含量高度相关［39］。在多种回归模型预测氮含量中，多元线性回归的方法因无法处理高光谱数据的多重共线性而限制其预测能力［40］。偏最小二乘回归（PLSR）能够克服多重共线性，被证明是氮含量预测的有效方法。与光谱窄带指数相比，PLSR能够提高氮浓度预测的精准度。此外，在非线性回归方法的使用中，随机森林回归（RFR）、人工神经网络（ANN）和支持向量机回归（SVR）在氮含量的预测中被频繁使用，与PLSR、RFR相比，SVR对于氮浓度预测具有较高的准确性［41］。基于光谱成像的氮含量预测有助于持续监测田间蔬菜生长中氮在土壤中的转化过程，同时指导种植者对田间作物的施肥管理，减小过度施肥对环境的影响。一些对田间蔬菜长势及营养指标监测的常用光谱波段选择及研究方法见表3。

2.2.2 田间蔬菜病虫害监测

蔬菜栽培过程中，病虫害是导致其减产的重要因素之一。有些病害在早期很难被发现，直至采取救治行动时才发现已错过最佳救治时期，不能够有效地控制病虫害的发生和蔓延。在蔬菜病虫害发病初期或发病前，及时对蔬菜进行药物喷洒防治或将其铲除，有利于种植者对田间蔬菜的管理。早期对于植株病虫害的研究多集中于植株外部形态的变化，图像中的空间特征和纹理特征及光谱反射率等信息参数能够对植株健康状态进行判别［44］。在病虫害胁迫监测中，常用的机器学习算法有K-means聚类算法、随机森林算法（RF）、支持向量机（SVM）、多层感知器官神经网络（MLP）、ANN等。在机器学习方面，对于可见光成像遥感，高分辨率RGB相机能够在颜色、纹理和形状特征的提取上对早期病虫害进行检测。在对十字花科作物进行病虫害检测中，Dang等根据颜色特征的判别方式，使用阈值分割的图像处理方法来判别萝卜枯萎病的发病程度［45］。Dutta等通过Otsu阈值分割结合颜色营养指数，用于植株生长中早期不健康叶的判别［46］。相比于RGB图像，光谱图像内含大量光谱信息。在运用光谱传感器对病虫害进行分析时，常采用特征提取与监测算法相结合的方式［47］。线性回归分析在光谱信息中是常用的统计分析方法，敏感波段结合统计分析在多时空变化中可用于对辣椒［49］、西瓜［Citrullus lanatus （Thunb.） Matsum.］［50］等病虫害的评估分析。Luo等使用高光谱遥感设备对叶片蚜虫进行光谱成像，从17个光谱数据中选择出了5个特征波长，建立了蚜虫密度的PLSR模型［51］。对于定量的回归分析模型构建方法，分类算法通常能够判断作物发病的严重程度。Mahlein等通过对甜菜（Beta vulgaris L.）叶片高光谱成像，光谱信息结合实测病原菌数据，利用光谱角制图分类算法（SAM）实现了对甜菜叶斑病、锈病、白粉病的有效鉴别［52］。

由于高光谱成像数据量大，传统机器学习通常面临着训练速度慢、过度拟合和可视化困难等缺点［53］。在针对病虫害的研究中，深度学习的方法相比于传统的机器学习有更好的效果，Abdulridha等在番茄开花生长期从35个光谱植被指数中选择出了一组用于疾病检测的最佳指数，通过多层感知器官神经网络（MLP）和逐步判别分析（STDA）实现对番茄斑点病不同发病阶段的检测［49］。Xia等采用ANN和SVM结合全波段光谱图像实现对蚕豆（Vicia faba L.）叶片三级虫害的预测［54］。随着深度学习算法在高光谱数据处理领域的不断发展，无人机光谱图像技术已经成为不同品种蔬菜植株病虫害发病状况识别的高效途径。一些常用于田间蔬菜病害的研究方法见表4。

2.2.3 田间土壤水分监测

上章节所提到的无人机遥感技术在植物生长信息的监测已得到广泛的应用。但对田间作物需水量、土壤含水量、水分胁迫指数等研究仍是起步阶段［59］。田间蔬菜在生长过程中需水量大，精准的灌溉技术能够提高用水的效率。无人机遥感技术在田间水分监测上比卫星遥感具有更高的分辨率和灵活性且成本更低。目前，对于田间土壤水分监测主要运用到的遥感波段是可见光-近红外和热红外波段。在无人机遥感技术中，通过单一波段或多个波段相融合方法建立植被指数能够实现对土壤水分的监测。王海峰等在对表层土壤水分预测中，在单个土壤敏感波段中建立一元回归模型，其相关系数为0.92［55］。吴龙国等在对多个波段进行处理中，采用PCR、PLSR和多元线性回归（MLR）等方法建模，对比不同的模型效果，发现提取的最优特征波长结合MLR模型在高光谱土壤水分检测中具有很好的效果，其预测相关系数约为0.98［56，60］。在对土壤水分监测的过程中，模型的精度往往随着光谱信息窗口大小的改变而发生变化。Bai等通过对比不同模型精度，提出了最佳窗口大小的选择方法。然而，水分灌溉的主要对象是田间作物而不是土壤，因此了解作物的含水量、需水状况是合理田间灌溉的标准［57］。作物缺水状态往往会通过自身生理变化来体现，通常表现为叶绿素等色素的分解和植株萎蔫。作物气孔导度和蒸腾速率会随着含水量的不足而减小［58，61］，从而可以减少水分缺失对植株造成的损害。因此基于冠层指标和色素含量变化的信息为无人机遥感监测作物水分胁迫研究提供了必要条件。目前，多光谱植被指数在作物需水量方面应用较为广泛，一些常用于水分监测的光谱植被指数有叶片水分指数（LWI）、水分胁迫指数（MSI）和归一化差值水指数（NDWI）等［62］。许鹤等对不同生长期的小白菜冠层光谱信息进行分析，构建NDWI实现了生长期小白菜水分含量信息的反演，并结合生长指数和干旱指数来判断小白菜干旱程度［60］。在以上应用中，通过无人机所获得的大量田间地块高分辨率光谱图像，能夠快速感知田间蔬菜需水情况，在田间蔬菜种植中具有广阔的应用前景。

2.2.4 蔬菜产量预测

对于蔬菜产量的预估通常依赖于颜色和光谱数据［63］。经研究发现，基于光谱指数与纹理测量的模型在产量估测上具有较高的准确性［64］。越来越多的人利用多光谱窄带或宽带的数据生成的表面反射率来提高作物产量模型的准确率［65］。赵晓庆等结合大豆实测产量，在最优空间尺度为9.03、10.13 m2下提取了冠层光谱，建立了产量与植被指数之间的偏最小二乘回归模型，其相关系数为0.81［66］。基于全波长光谱的PLSR模型将马铃薯产量预测精度由R2=0.63提高至 R2=0.81［67］。在光谱图像中，窄带植被指数和作物高度相结合。然而在大量光谱信息中寻找最佳光谱波段，将高维数据降维是一个复杂的过程［68］。Burger等提出了高光谱数据的重要性［69］，用以解决在计算处理等应用中出现的冗杂维数问题［70］。对于油菜（Brassica campestris L.）类茎叶型蔬菜，在对比多种光谱预处理方法如平滑算法、变量标准化、导数处理、小波变换等，发现小波变换为最优的光谱预处理方法［71］。通过对光谱数据进行RF、SPA、遗传算法（GA）、岭回归等多种降维方法处理后，采用相关分析和单因素方差分析来寻找与其产量相关的敏感光谱指数，可建立单一植被指数与组合植被指数相结合的估产模型。在对田间番茄光谱信息处理中发现，选择二阶导数的光谱指数配合RF、SVM和岭回归等特征选取方法能够减少番茄产量预测中的变量数量，提高产量预测的准确性［72］。Gong等使用六波段无人机生成油菜冠层丰度图像，发现地块光谱指数和叶片相关丰度的乘积与油菜产量密切相关，且R2在0.75以上［73］。光谱混合分析（SMA）在定量获取丰度信息的同时能够减小其他器官对估产的影响，结合端元光谱计算的光谱指数，能够表现出更好的估产能力［74］。通过光谱图像结合原位端元的SMA，能够将试验小区中叶、穗和土壤的光谱按比例提取，结合丰度信息的植被指数比单独的植被指数具有更高的产量预测能力。面对大量的光谱数据，简单的数据处理方法难以对其进行优化，因此选择不同的算法模型对光谱信息的处理十分重要。一些常用的光谱产量建模方法见表5。

2.2.5 育种信息采集与品种选育

目前，植株表型与基因型高效准确的结合，是育种工作的基本目标［80］。然而，表型的快速检测一直是预测育种结果的主要限制因素［81］。准确快速地获取植株在不同环境下的表型信息，有助于确定基因组与表型数据的关联性，提高育种效率［82］。通过光谱传感技术，能够对大量植株进行标准一致性的评估，且不受地域环境的影响，有助于品种选育。育种中重要的经济性状主要有植株的株高、叶面积、生物量、植株萎缩状态、花/果数量及果实质量。前人研究表明，一天中12：00是针对光谱指数田间品种划分最可靠的时间［83］。在对抗性选育过程中，通常建立大量杂交系，以形态生理学和植物生化性状作为筛选标准，在杂交系中进行抗性选择。El-Hendawy等在光谱反射下对植株耐逆指数进行评估，确定了具有高产潜力的基因型及通过不同耐逆指数在对照和盐度条件下产生优质产量的基因型［84］。在对同一品种不同基因型划分中，高光谱反射率数据中得出的归一化差值植被指数能够体现出亲本系和自交F1之间的差异［85］。通过图像表型信息获取，对生菜（Lactuca sativa L. var. ramosa Hort.）近交系的评估中发现，高性能图像表型鉴定与传统方法高度相关，可以用做种质库中鉴定不同遗传背景的替代方法［86］。高通量表型已经用于测量种质间的变异［87］。在育种过程中，由于来自正反交两组F1系之间的表型差异远小于亲本和F1之间的差异，导致肉眼难以评估。高光谱成像能够提供大量的表型信息进而反映不同表型变异的数据点［88］。Chang等对辣椒（Capsicum annuum L.）整个生命周期进行高光谱成像，通过对各亲本F1的特征波段选择和反射率聚类分析，发现了潜在微妙的细胞质效应［85］。通过高通量信息采集，能够对单一针对性蔬菜表型性状提供有价值的数据，有利于加速蔬菜育种进程。

3 结论与展望

3.1 光谱成像技术在田间蔬菜生产应用中的优势

光谱成像技术在大田蔬菜种植中有巨大的应用潜力，通过对光谱信息的处理，可以对田间蔬菜生长状况以进行监测，种植者可以在第一时间发现种植过程的生长信息，能够及早地对田间蔬菜生长各个时期的营养补充和病害预防进行判断，有效降低蔬菜生产中的成本。

育种家在蔬菜种业中的作用大于大田作物，保持育种材料的持续高效创新，对于解决农业“芯片”意义重大。以往科学家对蔬菜生长性能以及生产力的评估只是选择影响植株生长状况中的1个或2个条件，无法全面评估蔬菜生长受限因素。通过无人机光谱图像技术能够全面获取蔬菜生长中的多种限制因素，通过后期的数据整合，便于更好地了解各个生长指标之间的相互关系。

3.2 光谱成像技术应用于田间蔬菜种植时所存在的问题

光谱成像技术在大田蔬菜上的应用目前仍处于研究阶段，由于大田蔬菜种植面积小，区域分散程度高，这增加了对光谱图像处理的难度。再加上不同品种蔬菜所反映的光谱数据不尽相同，同一品种蔬菜因不同的生长阶段所反映的光谱数据也不相同等特点，在光谱模型建立過程中，难以有统一的建模标准。上面的研究主要集中于讨论田间蔬菜生长信息中的单个生长指标的预测模型，未来的研究方向应是多种评价指标相互融合的综合生长指标预测模型，便于更好地理解他们之间的相互关系，以实现田间最佳蔬菜生长预测。

光谱数据的精度取决于多种因素，如光照、田间湿度和风力等影响。无人机搭载光谱设备续航时间通常受限在30 min内，有效载荷低、持续时间短和图像采集区域狭窄，在飞行过程中易受外界干扰。近些年无人机光谱成像技术在田间作物生长信息监测中能够起到很好的作用，但由于无人机价格成本高，操作复杂，限制了商业生产和应用。在未来农业无人机的研发应是低成本、轻量化的，无人机系统应尽可能采用以田间种植群体为中心的用户界面和反馈方案。

尽管无人机平台和机载传感器易于搭建，并成功应用于农业种植领域，但在大规模评估蔬菜作物生长信息中，无论是在对田间蔬菜长势与营养评估还是对于病虫害的研究，植物科学家都具有完备的科学理论，在后期图像的预处理和后期数据的分析中，数据处理人员与科学家之间交流较少，常导致精准育种计划难以开展。随着研究领域的不断深入，未来跨学科之间的交流将会变得更加紧密。

随着光谱成像与其他技术（如自动化技术、物联网和人工智能）的更深入结合，光谱成像将为蔬菜生长监测与品种选育上带来更广泛的解决方案。但目前仍需要更多的数据处理工作，如多模态数据分析（几何和纹理）光谱波段的筛选。其中传统的机器学习技术需要不断升级为更加先进的方法，如卷积神经网络，用于处理多元数据的融合，以实现精确的预测。

参考文献：

［1］杨 瑶，李丹阳，冯 健，等. 我国蔬菜生产机械化问题与对策分析［J］. 农机科技推广，2021（9）：32，39.

［2］Demestichas K，Daskalakis E. Data lifecycle management in precision agriculture supported by information and communication technology［J］. Agronomy，2020，10（11）：1648.

［3］Macbride P E W. The future of agriculture［J］. Nature，1929，124（3116）：81-83.

［4］Huang S，Tang L N，Hupy J P，et al. A commentary review on the use of normalized difference vegetation index （NDVI） in the era of popular remote sensing［J］. Journal of Forestry Research，2021，32（1）：1-6.

［5］Meivel S，Maheswari S. Remote sensing analysis of agricultural drone［J］. Journal of the Indian Society of Remote Sensing，2021，49（3）：689-701.

［6］Luo S J，Jiang X Q，He Y B，et al. Multi-dimensional variables and feature parameter selection for aboveground biomass estimation of potato based on UAV multispectral imagery［J］. Frontiers in Plant Science，2022，13：948249.

［7］Zeng G L，Deng X L，Lan Y. Advances in diagnosis of crop diseases，pests and weeds by UAV remote sensing［J］. Smart Agriculture，2019，1（2）：1-19.

［8］Barreto A，Ispizua Yamati F R，Varrelmann M，et al. Disease incidence and severity of Cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning［J］. Plant Disease，2023，107（1）：188-200.

［9］Chivasa W，Mutanga O，Biradar C. UAV-based multispectral phenotyping for disease resistance to accelerate crop improvement under changing climate conditions［J］. Remote Sensing，2020，12（15）：2445.

［10］Xu R，Li C Y，Bernardes S. Development and testing of a UAV-based multi-sensor system for plant phenotyping and precision agriculture［J］. Remote Sensing，2021，13（17）：3517.

［11］Yao H A，Qin R J，Chen X Y. Unmanned aerial vehicle for remote sensing applications—A review［J］. Remote Sensing，2019，11（12）：1443.

［12］Pascucci S，Pignatti S，Casa R，et al. Special issue “hyperspectral remote sensing of agriculture and vegetation”［J］. Remote Sensing，2020，12（21）：3665.

［13］Ghamisi P，Yokoya N，Li J，et al. Advances in hyperspectral image and signal processing：a comprehensive overview of the state of the art［J］. IEEE Geoscience and Remote Sensing Magazine，2017，5（4）：37-78.

［14］Wang H L，Peng J Y，Xie C Q，et al. Fruit quality evaluation using spectroscopy technology：a review［J］. Sensors，2015，15（5）：11889-11927.

［15］張爱武，康孝岩. p值统计量建模独立性的高光谱波段选择方法［J］. 红外与激光工程，2018，47（9）：390-398.

［16］高 鹏，杨可明，荣坤鹏，等. 铜胁迫下玉米污染特征波段提取与程度监测［J］. 光谱学与光谱分析，2020，40（2）：529-534.

［17］Hasegawa T. Spectral simulation study on the influence of the principal component analysis step on principal component regression［J］. Applied Spectroscopy，2006，60（1）：95-98.

［18］Araújo M C U，Saldanha T C B，Galvo R K H，et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis［J］. Chemometrics and Intelligent Laboratory Systems，2001，57（2）：65-73.

［19］Wang Q G，Chen H H. Optimization of parallel random forest algorithm based on distance weight［J］. Journal of Intelligent & Fuzzy Systems，2020，39（2）：1951-1963.

［20］Hofmeyr D P. Degrees of freedom and model selection for k-means clustering［J］. Computational Statistics & Data Analysis，2020，149：106974.

［21］Meng R，Lyu Z G，Yan J B，et al. Development of spectral disease indices for southern corn rust detection and severity classification［J］. Remote Sensing，2020，12（19）：3233.

［22］Xue J R，Su B F. Significant remote sensing vegetation indices：a review of developments and applications［J］. Journal of Sensors，2017，2017：1-17.

［23］Enciso J，Avila C A，Jung J H，et al. Validation of agronomic UAV and field measurements for tomato varieties［J］. Computers and Electronics in Agriculture，2019，158：278-283.

［24］Ballester C，Hornbuckle J，Brinkhoff J，et al. Assessment of in-season cotton nitrogen status and lint yield prediction from unmanned aerial system imagery［J］. Remote Sensing，2017，9（11）：1149.

［25］Qi H X，Zhu B Y，Kong L X，et al. Hyperspectral inversion model of chlorophyll content in peanut leaves［J］. Applied Sciences，2020，10（7）：2259.

［26］Tian H Q，Shi S D，Wang H，et al. Estimation of sugar beet aboveground biomass by band depth optimization of hyperspectral canopy reflectance［J］. Journal of the Indian Society of Remote Sensing，2017，45（5）：795-803.

［27］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［28］Dong T F，Liu J G，Shang J L，et al. Assessment of red-edge vegetation indices for crop leaf area index estimation［J］. Remote Sensing of Environment，2019，222：133-143.

［29］孔鈺如，王李娟，冯海宽，等. 无人机高光谱波段选择的叶面积指数反演［J］. 光谱学与光谱分析，2022，42（3）：933-939.

［30］Chang S，Lee U，Hong M J，et al. High-throughput phenotyping （HTP） data reveal dosage effect at growth stages in Arabidopsis thaliana irradiated by gamma rays［J］. Plants，2020，9（5）：557.

［31］Han X Z，Thomasson J A，Bagnall G C，et al. Measurement and calibration of plant-height from fixed-wing UAV images［J］. Sensors，2018，18（12）：4092.

［32］刘 杨，冯海宽，黄 珏，等. 基于无人机高光谱影像的马铃薯株高和地上生物量估算［J］. 农业机械学报，2021，52（2）：188-198.

［33］袁自然，叶 寅，武 际，等. 基于高光谱成像技术的辣椒叶片叶绿素含量估算［J］. 江苏农业科学，2021，49（16）：189-193.

［34］Domingues Franceschini M H，Bartholomeus H，van Apeldoorn D，et al. Intercomparison of unmanned aerial vehicle and ground-based narrow band spectrometers applied to crop trait monitoring in organic potato production［J］. Sensors，2017，17（10）：2265.

［35］Wan L，Cen H Y，Zhu J P，et al. Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer—A case study of small farmlands in the South of China［J］. Agricultural and Forest Meteorology，2020，291：108096.

［36］Proctor C，He Y. Workflow for building a hyperspectral UAV：challenges and opportunities［J］. The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2015，XL-1/W4：415-419.

［37］Homolová L，Malenovsk Z，Clevers J G P W，et al. Review of optical-based remote sensing for plant trait mapping［J］. Ecological Complexity，2013，15：1-16.

［38］Berger K，Verrelst J，Féret J B，et al. Crop nitrogen monitoring：recent progress and principal developments in the context of imaging spectroscopy missions［J］. Remote Sensing of Environment，2020，242：111758.

［39］Luisa Espaa-Boquera M，Cárdenas-Navarro R，López-Pérez L，et al. Estimating the nitrogen concentration of strawberry plants from its spectral response［J］. Communications in Soil Science and Plant Analysis，2006，37（15/16/17/18/19/20）：2447-2459.

［40］Thenkabail P S，Lyon J G，Huete A. Biophysical and biochemical characterization and plant species studies［M］. Baca Raton：CRC Press，2018.

［41］Yao X A，Huang Y，Shang G Y，et al. Evaluation of six algorithms to monitor wheat leaf nitrogen concentration［J］. Remote Sensing，2015，7（11）：14939-14966.

［42］Liu Y N，Liu S S，Li J，et al. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images［J］. Computers and Electronics in Agriculture，2019，166：105026.

［43］Mwinuka P R，Mbilinyi B P，Mbungu W B，et al. The feasibility of hand-held thermal and UAV-based multispectral imaging for canopy water status assessment and yield prediction of irrigated African eggplant （Solanum aethopicum L.）［J］. Agricultural Water Management，2021，245：106584.

［44］Yang B Y，Xu Y. Applications of deep-learning approaches in [JP3]horticultural research：a review［J］. Horticulture Research，2021，8：123.

［45］Dang L M，Ibrahim Hassan S，Suhyeon I，et al. UAV based wilt detection system via convolutional neural networks［J］. Sustainable Computing：Informatics and Systems，2020，28：100250.

［46］Dutta K，Talukdar D，Bora S S. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images［J］. Measurement，2022，189：110478.

［47］Zhang J C，Huang Y B，Pu R L，et al. Monitoring plant diseases and pests through remote sensing technology：a review［J］. Computers and Electronics in Agriculture，2019，165：104943.

［48］Atshan L A，Brown P，Xu C，et al. Early detection of disease infection in chilli crops using sensors［J］. Acta Horticulturae，2020（1279）：263-270.

［49］Abdulridha J，Ampatzidis Y，Kakarla S C，et al. Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques［J］. Precision Agriculture，2020，21（5）：955-978.

［50］Kalischuk M，Paret M L，Freeman J H，et al. An improved crop scouting technique incorporating unmanned aerial vehicle-assisted multispectral crop imaging into conventional scouting practice for gummy stem blight in watermelon［J］. Plant Disease，2019，103（7）：1642-1650.

［51］Luo J H，Huang W J，Zhao J L，et al. Detecting aphid density of winter wheat leaf using hyperspectral measurements［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（2）：690-698.

［52］Mahlein A K，Steiner U，Hillnhütter C，et al. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases［J］. Plant Methods，2012，8（1）：1-13.

［53］Cao F，Wu D，He Y，et al. Variety discrimination of grapes based on visible-near reflection infrared spectroscopy［J］. Acta Optica Sinica，2009，29（2）：537-540.

［54］Xia J A，Yang Y W，Cao H X，et al. Classification of broad bean pest of visible-near infrared spectroscopy based on cloud computing［J］. Spectroscopy and Spectral Analysis，2018，38（3）：756-760.

［55］王海峰，張智韬，付秋萍，等. 低空无人机多光谱遥感数据的土壤含水率反演［J］. 节水灌溉，2018（1）：90-94，102.

［56］吴龙国，王松磊，何建国. 基于高光谱技术的土壤水分无损检测［J］. 光谱学与光谱分析，2018，38（8）：2563.

［57］Bai X Q，Chen Y W，Chen J Y，et al. Optimal window size selection for spectral information extraction of sampling points from UAV multispectral images for soil moisture content inversion［J］. Computers and Electronics in Agriculture，2021，190：106456.

［58］Urban J，Ingwers M W，McGuire M A，et al. Increase in leaf temperature opens stomata and decouples net photosynthesis from stomatal conductance in Pinus taeda and Populus deltoides×nigra［J］. Journal of Experimental Botany，2017，68（7）：1757-1767.

［59］Ekinzog E K，Schlerf M，Kraft M，et al. Revisiting crop water stress index based on potato field experiments in Northern Germany［J］. Agricultural Water Management，2022，269：107664.

［60］许 鹤，潘 军，蒋立军，等. 蔬菜作物水分胁迫遥感光谱指数构建实验研究［J］. 科学技术与工程，2019，19（28）：245-252.

［61］Sagan V，Maimaitiyiming M，Fishman J. Effects of ambient ozone on soybean biophysical variables and mineral nutrient accumulation［J］. Remote Sensing，2018，10（4）：562.

［62］Gerhards M，Schlerf M，Mallick K，et al. Challenges and future perspectives of multi-/ hyperspectral thermal infrared remote sensing for crop water-stress detection：a review［J］. Remote Sensing，2019，11（10）：1240.

［63］Mekonnen Y，Namuduri S，Burton L，et al. Review—Machine learning techniques in wireless sensor network based precision agriculture［J］. Journal of the Electrochemical Society，2020，167（3）：037522.

［64］Wang F M，Yi Q X，Hu J H，et al. Combining spectral and textural information in UAV hyperspectral images to estimate rice grain yield［J］. International Journal of Applied Earth Observation and Geoinformation，2021，102：102397.

［65］Marshall M，Thenkabail P. Advantage of hyperspectral EO-1 Hyperion over multispectral IKONOS，GeoEye-1，WorldView-2，Landsat ETM+，and MODIS vegetation indices in crop biomass estimation［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2015，108：205-218.

［66］赵晓庆，杨贵军，刘建刚，等. 基于无人机载高光谱空间尺度优化的大豆育种产量估算［J］. 农业工程学报，2017，33（1）：110-116.

［67］Li B，Xu X M，Zhang L，et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，162：161-172.

［68］Chlingaryan A，Sukkarieh S，Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture：a review［J］. Computers and Electronics in Agriculture，2018，151：61-69.

［69］Burger J，Gowen A. Data handling in hyperspectral image analysis［J］. Chemometrics and Intelligent Laboratory Systems，2011，108（1）：13-22.

［70］Landgrebe D. Hyperspectral image data analysis［J］. IEEE Signal Processing Magazine，2002，19（1）：17-28.

［71］朱紅艳. 基于无人机低空遥感的油菜表型信息获取方法研究［D］. 杭州：浙江大学，2019.

［72］Kenichi T，Noa I，Xiao M X. Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery［J］. Plant Methods，2021，17（1）：77.

［73］Gong Y，Duan B，Fang S H，et al. Remote estimation of rapeseed yield with unmanned aerial vehicle （UAV） imaging and spectral mixture analysis［J］. Plant Methods，2018，14（1）：1-14.

［74］Yuan N G，Gong Y，Fang S H，et al. UAV remote sensing estimation of rice yield based on adaptive spectral endmembers and bilinear mixing model［J］. Remote Sensing，2021，13（11）：2190.

［75］Valente J，Sari B，Kooistra L，et al. Automated crop plant counting from very high-resolution aerial imagery［J］. Precision Agriculture，2020，21（6）：1366-1384.

［76］Midtiby H S，Pastucha E. Pumpkin yield estimation using images from a UAV［J］. Agronomy，2022，12（4）：964.

［77］Barreto A，Lottes P，Ispizua Yamati F R，et al. Automatic UAV-based counting of seedlings in sugar-beet field and extension to maize and strawberry［J］. Computers and Electronics in Agriculture，2021，191：106493.

［78］Chancia R，van Aardt J，Pethybridge S，et al. Predicting table beet root yield with multispectral UAS imagery［J］. Remote Sensing，2021，13（11）：2180.[HJ][LM]

[KH*4D]

[HT8.]

［79］Maimaitijiang M，Sagan V，Sidike P，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning［J］. Remote Sensing of Environment，2020，237：111599.

［80］Pasala R，Pandey B B. Plant phenomics：high-throughput technology for accelerating genomics［J］. Journal of Biosciences，2020，45（1）：111.

［81］Su W，Zhang M Z，Bian D H，et al. Phenotyping of corn plants using unmanned aerial vehicle （UAV） images［J］. Remote Sensing，2019，11（17）：2021.

［82］Yang G J，Liu J G，Zhao C J，et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping：current status and perspectives［J］. Frontiers in Plant Science，2017，8：1111.

［83］Barbosa M R Jr，Tedesco D，dos Santos Carreira V，et al. The time of day is key to discriminate cultivars of sugarcane upon imagery data from unmanned aerial vehicle［J］. Drones，2022，6（5）：112.

［84］El-Hendawy S，Al-Suhaibani N，Mubushar M，et al. Potential use of hyperspectral reflectance as a high-throughput nondestructive phenotyping tool for assessing salt tolerance in advanced spring wheat lines under field conditions［J］. Plants，2021，10（11）：2512.

［85］Chang S，Lee U，Kim J B，et al. Application of 3D-volumetric analysis and hyperspectral imaging systems for investigation of heterosis and cytoplasmic effects in pepper［J］. Scientia Horticulturae，2022，302：111150.

［86］ Mascarenhas Maciel G，de Araújo Gallis R B，Barbosa R L，et al. Image phenotyping of inbred red lettuce lines with genetic diversity regarding carotenoid levels［J］. International Journal of Applied Earth Observation and Geoinformation，2019，81：154-160.

［87］Yang W N，Guo Z L，Huang C L，et al. Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice［J］. Nature Communications，2014，5：5087.

［88］Roux F，Mary-Huard T，Barillot E，et al. Cytonuclear interactions affect adaptive traits of the annual plant Arabidopsis thaliana in the field［J］. Proceedings of the National Academy of Sciences of the United States of America，2016，113（13）：3687-3692.