低空无人机遥感农情监测

荆 成 ， 屠西文 ， 刘 瑞

（安徽理工大学空间信息与测绘工程学院，安徽 淮南 232001）

实时、精确地获取农作物生长信息是实施精细化农业的前提[1-2]。农业具有较强的季节性与地域性，对遥感数据的时效性要求较高。传统的卫星遥感技术难以克服不同农作物、气候条件等因素对反演精度的影响，导致农田产生宏观尺度上的区域差异[3-4]。而无人机遥感对空间局域异质信息较为敏感，在低成本、小尺度下能获取高分辨率、高图像重叠度的影像，适合多种地形和种植结构的农田场景[5]。无人机遥感数据不仅能结合农田测量数据迅速完成农情监测任务[6]，还能填补地面实测和卫星遥感在测量尺度上的空缺。在农情信息监测领域，无人机遥感不仅可用于监测株高、叶面积指数、植被覆盖度等农作物生长参数，还可以通过建立生长参数与产量的相关性模型来获取农作物的生长动态信息，因而在辅助决策方面有着广泛的应用前景。

1 低空无人机遥感概述

低空无人机遥感在农情监测方面是以小型无人机为遥感平台，根据不同任务需求规划相应航线、搭载相应类型的传感器，由此来快速获取目标区域的高分辨率影像，并利用图像处理技术挖掘农情信息[7]。

1.1 无人机平台

适用于农情监测的无人机主要有多旋翼、固定翼无人机，多旋翼无人机以大疆精灵系列为代表，其具有飞行状态稳定、航速姿态可调等优点；固定翼无人机以华测P330为代表，其具有飞行速度快、作业面积大、抗干扰能力强等优点。其中，多旋翼无人机更易上手，获取多尺度、高重叠度的影像更为便捷，逐步发展为主流的遥感无人机[8-9]。

1.2 机载传感器系统

低空无人机遥感主要依靠机载传感器获取农作物对电磁波的发射与反射信息来实现农情监测。采集农作物光谱特征信息的主流传感器有可见光、多光谱、高光谱、热红外、激光雷达[9]五类，其中，可见光、多光谱、热红外传感器应用较多。同时，机载传感器作为农情信息获取的主要部件，其工作性能和品质也是影响所获取的农作物信息精度的重要因素[10-11]。

1.3 地面控制系统

地面控制系统不仅能够实时监测及控制无人机的飞行高度、速度、方向以及飞行姿态，还能实时分析遥感数据，及时地了解传感器的成像情况。必要时，地面控制系统可以将无人机的飞行模式转换为手动模式，对无人机飞行路线进行人工干预。

1.4 遥感影像处理系统

遥感影像处理系统是分析和处理遥感数据的有力工具，通常是由高性能的计算机和影像处理软件构成。通过对低空无人机遥感获取的影像进行图像恢复、数据压缩、影像增强和信息提取等一系列专业处理，得到所需要的信息，以便后续深入分析。

2 无人机遥感在农情监测中的应用

2.1 农作物长势监测

农作物长势是指农作物生长的状况与趋势。研究表明，农作物的长势会直接影响到其产量和品质，通过在农作物生育期及时获取与产量相关的农作物表型信息进行长势研究，可以为田间管理、早期产量估算提供宏观的参考信息，为国家和相关部门的决策提供重要的参考依据。

利用无人机遥感影像反演得到的农作物冠层叶面积指数、叶片生物量及叶片氮含量等长势参数，是农作物长势、产量评估的重要依据。高林等[12]利用无人机获取大豆在结荚和鼓粒两个主要生长时期的多光谱影像，将获取到的比值植被指数、归一化植被指数等与农田实测叶面积植被数据结合；采用经验模型法分别构建单变量、多变量大豆叶面积指数反演模型，通过决定系数等多个指标筛选出最佳模型，结果表明，处于鼓粒期大豆的叶面积指数能较好地反映大豆生长发育的旺盛程度。李强[13]利用无人机遥感技术获取小麦在不同发育期的高光谱影像数据，将测定的不同发育期小麦长势与其对应参数进行相关性分析，建立小麦不同发育期的长势参数CGMI的PLSR模型，将模型预测CGMI值与地面实测CGMI值进行对比。结果表明，基于无人机影像技术的小麦长势遥感系统具有较高的监测精度，能够全面监测小麦在不同发育期的长势。王翔宇等[14]利用无人机遥感获取玉米的可见光遥感影像，在传统冠层孔隙率处理方法的基础上结合AP-HI算法，构建出玉米覆盖度与叶面积指数的关系模型，对玉米叶面积指数进行反演。结果表明，基于无人机获取的影像能提取农作物覆盖度，为玉米长势监测提供理论依据。

2.2 农作物估产

无人机遥感估产是指利用无人机搭载传感器获取农作物各生育期的光谱数据，通过分析农作物不同生长期的光谱特征进行长势监测，同时对监测范围内农作物进行分层与面积计算，结合农业、气候资料等建立合适的关联模型，最终获取农作物产量信息。

在农作物多个生长发育时期建立植被指数和农作物产量之间的统计模型，是目前简单高效的遥感估产方法。程千等[15]利用无人机搭载多光谱传感器获取冬小麦的影像数据，在分析多种多光谱植被指数与冬小麦产量的相关性的基础上，建立多时相植被指数构建产量估测数据集，利用偏最小二乘回归（PLSR）、随机森林回归模型（RFR）等机器学习算法对冬小麦的产量进行估测。结果显示，随机森林回归模型的精度最高，且灌浆期植被指数与产量相关性最高。王嘉盼等[16]基于无人机遥感平台获取影像数据，将小麦的叶片氮含量、地面实测叶面积指数等生理指标以及多种植被指数与产量进行相关性分析，提取相关性较高的生理指标与植被指数，并选择在小麦不同生长发育期适用性最高的建模方法建立最优估产模型。研究结果表明，采用多元逐步回归法构建的抽穗期估产模型精度最高。王飞龙等[17]提出多时期“相对光谱变量”和“相对产量”的概念，利用无人机搭载高光谱成像仪获取的数据建立相对归一化光谱指数RNDSI集，确定水稻不同生长期最优的RNDSI，并建立对应的水稻估产最优模型进行检验。结果表明，使用分蘖期、拔节期、孕穗期和抽穗期的RNDSI构成的多元线性回归模型效果最优，证明相对光谱变量和相对产量的方法可较好地应用于水稻遥感估产。兰铭等[18]融合无人机多光谱和热红外数据，对冬小麦不同发育阶段的冠层高光谱信息进行处理，再结合支持向量机（SVM）算法对小麦籽粒产量进行估测，结果表明，在灌浆期利用热红外和多光谱共同建立的估产模型精度较高。

2.3 农作物生长胁迫因子监测

在农业生产过程中农作物的生长胁迫现象普遍存在，其中，水分、生物和土壤胁迫对农作物生长的影响较为严重。受胁迫的农作物与健康农作物在光谱曲线上有所差异，常表现为近红外区域的光谱发生蓝移或红移，无人机遥感技术可识别出这些差异，并判断出农作物的胁迫类型。

3 结语与展望

目前，卫星遥感估产由于高时空分辨率难以同时满足、波段数量少等原因，估产精度难以进一步提高。无人机成像高光谱技术以其高时空分辨率、丰富的波段数量和图谱结合的遥感影像等优势被广泛地应用于现代智慧农业与精准农业，使高精度的农作物估产成为可能。

多样化、多尺度、多时相遥感数据的不断采集，地物波谱信息以具有大数据特征的遥感数据集来存储。同时，传统的遥感分析方法结合大数据分析方法，能够更加系统、精准地从遥感数据集和其他空间辅助数据中挖掘农情信息，为农业遥感提供更为精确的数据支持，加速科学化的农业管理。然而，仅依靠人工长周期处理遥感大数据的方式，既满足不了用户的需求，也不现实。目前，人工智能技术与图像处理技术的多层次融合，使得人工智能正成为遥感大数据的解译侠，为人工遥感专题分析前解决了大批量重复分类和目标识别工作。同时，遥感云计算技术整合遥感大数据、其他辅助数据以及数据处理算法和工具，将遥感大数据的存储、处理和分析功能放置在云端，通过服务器向用户提供遥感数据存储服务和分析服务，使得遥感云计算不仅为遥感大数据的预处理工作提供了保障，还打破了软件和硬件对非专业人士的壁垒，为遥感专家和农户建立了更直接的联系。

结合多种主流计算机技术，低空无人机遥感在现代智能化农业生产以及未来精准化农业建设中发挥着重要的作用，并呈现出主流发展趋势。能够快速、大面积采集农田信息的低空无人机遥感技术为智能化、精准化农业生产奠定了坚实的基础。可以预见，随着智能化的低空无人机遥感技术不断进步成熟，且未来低空无人机遥感技术的需求不断增加，该技术会为我国智能化现代农业的发展提供极大的帮助。