荊 成 ， 屠西文 ， 劉 瑞

（安徽理工大學(xué)空間信息與測繪工程學(xué)院，安徽 淮南 232001）

實(shí)時、精確地獲取農(nóng)作物生長信息是實(shí)施精細(xì)化農(nóng)業(yè)的前提[1-2]。農(nóng)業(yè)具有較強(qiáng)的季節(jié)性與地域性，對遙感數(shù)據(jù)的時效性要求較高。傳統(tǒng)的衛(wèi)星遙感技術(shù)難以克服不同農(nóng)作物、氣候條件等因素對反演精度的影響，導(dǎo)致農(nóng)田產(chǎn)生宏觀尺度上的區(qū)域差異[3-4]。而無人機(jī)遙感對空間局域異質(zhì)信息較為敏感，在低成本、小尺度下能獲取高分辨率、高圖像重疊度的影像，適合多種地形和種植結(jié)構(gòu)的農(nóng)田場景[5]。無人機(jī)遙感數(shù)據(jù)不僅能結(jié)合農(nóng)田測量數(shù)據(jù)迅速完成農(nóng)情監(jiān)測任務(wù)[6]，還能填補(bǔ)地面實(shí)測和衛(wèi)星遙感在測量尺度上的空缺。在農(nóng)情信息監(jiān)測領(lǐng)域，無人機(jī)遙感不僅可用于監(jiān)測株高、葉面積指數(shù)、植被覆蓋度等農(nóng)作物生長參數(shù)，還可以通過建立生長參數(shù)與產(chǎn)量的相關(guān)性模型來獲取農(nóng)作物的生長動態(tài)信息，因而在輔助決策方面有著廣泛的應(yīng)用前景。

1 低空無人機(jī)遙感概述

低空無人機(jī)遙感在農(nóng)情監(jiān)測方面是以小型無人機(jī)為遙感平臺，根據(jù)不同任務(wù)需求規(guī)劃相應(yīng)航線、搭載相應(yīng)類型的傳感器，由此來快速獲取目標(biāo)區(qū)域的高分辨率影像，并利用圖像處理技術(shù)挖掘農(nóng)情信息[7]。

1.1 無人機(jī)平臺

適用于農(nóng)情監(jiān)測的無人機(jī)主要有多旋翼、固定翼無人機(jī)，多旋翼無人機(jī)以大疆精靈系列為代表，其具有飛行狀態(tài)穩(wěn)定、航速姿態(tài)可調(diào)等優(yōu)點(diǎn)；固定翼無人機(jī)以華測P330為代表，其具有飛行速度快、作業(yè)面積大、抗干擾能力強(qiáng)等優(yōu)點(diǎn)。其中，多旋翼無人機(jī)更易上手，獲取多尺度、高重疊度的影像更為便捷，逐步發(fā)展為主流的遙感無人機(jī)[8-9]。

1.2 機(jī)載傳感器系統(tǒng)

低空無人機(jī)遙感主要依靠機(jī)載傳感器獲取農(nóng)作物對電磁波的發(fā)射與反射信息來實(shí)現(xiàn)農(nóng)情監(jiān)測。采集農(nóng)作物光譜特征信息的主流傳感器有可見光、多光譜、高光譜、熱紅外、激光雷達(dá)[9]五類，其中，可見光、多光譜、熱紅外傳感器應(yīng)用較多。同時，機(jī)載傳感器作為農(nóng)情信息獲取的主要部件，其工作性能和品質(zhì)也是影響所獲取的農(nóng)作物信息精度的重要因素[10-11]。

1.3 地面控制系統(tǒng)

地面控制系統(tǒng)不僅能夠?qū)崟r監(jiān)測及控制無人機(jī)的飛行高度、速度、方向以及飛行姿態(tài)，還能實(shí)時分析遙感數(shù)據(jù)，及時地了解傳感器的成像情況。必要時，地面控制系統(tǒng)可以將無人機(jī)的飛行模式轉(zhuǎn)換為手動模式，對無人機(jī)飛行路線進(jìn)行人工干預(yù)。

1.4 遙感影像處理系統(tǒng)

遙感影像處理系統(tǒng)是分析和處理遙感數(shù)據(jù)的有力工具，通常是由高性能的計(jì)算機(jī)和影像處理軟件構(gòu)成。通過對低空無人機(jī)遙感獲取的影像進(jìn)行圖像恢復(fù)、數(shù)據(jù)壓縮、影像增強(qiáng)和信息提取等一系列專業(yè)處理，得到所需要的信息，以便后續(xù)深入分析。

2 無人機(jī)遙感在農(nóng)情監(jiān)測中的應(yīng)用

2.1 農(nóng)作物長勢監(jiān)測

農(nóng)作物長勢是指農(nóng)作物生長的狀況與趨勢。研究表明，農(nóng)作物的長勢會直接影響到其產(chǎn)量和品質(zhì)，通過在農(nóng)作物生育期及時獲取與產(chǎn)量相關(guān)的農(nóng)作物表型信息進(jìn)行長勢研究，可以為田間管理、早期產(chǎn)量估算提供宏觀的參考信息，為國家和相關(guān)部門的決策提供重要的參考依據(jù)。

利用無人機(jī)遙感影像反演得到的農(nóng)作物冠層葉面積指數(shù)、葉片生物量及葉片氮含量等長勢參數(shù)，是農(nóng)作物長勢、產(chǎn)量評估的重要依據(jù)。高林等[12]利用無人機(jī)獲取大豆在結(jié)莢和鼓粒兩個主要生長時期的多光譜影像，將獲取到的比值植被指數(shù)、歸一化植被指數(shù)等與農(nóng)田實(shí)測葉面積植被數(shù)據(jù)結(jié)合；采用經(jīng)驗(yàn)?zāi)Ｐ头ǚ謩e構(gòu)建單變量、多變量大豆葉面積指數(shù)反演模型，通過決定系數(shù)等多個指標(biāo)篩選出最佳模型，結(jié)果表明，處于鼓粒期大豆的葉面積指數(shù)能較好地反映大豆生長發(fā)育的旺盛程度。李強(qiáng)[13]利用無人機(jī)遙感技術(shù)獲取小麥在不同發(fā)育期的高光譜影像數(shù)據(jù)，將測定的不同發(fā)育期小麥長勢與其對應(yīng)參數(shù)進(jìn)行相關(guān)性分析，建立小麥不同發(fā)育期的長勢參數(shù)CGMI的PLSR模型，將模型預(yù)測CGMI值與地面實(shí)測CGMI值進(jìn)行對比。結(jié)果表明，基于無人機(jī)影像技術(shù)的小麥長勢遙感系統(tǒng)具有較高的監(jiān)測精度，能夠全面監(jiān)測小麥在不同發(fā)育期的長勢。王翔宇等[14]利用無人機(jī)遙感獲取玉米的可見光遙感影像，在傳統(tǒng)冠層孔隙率處理方法的基礎(chǔ)上結(jié)合AP-HI算法，構(gòu)建出玉米覆蓋度與葉面積指數(shù)的關(guān)系模型，對玉米葉面積指數(shù)進(jìn)行反演。結(jié)果表明，基于無人機(jī)獲取的影像能提取農(nóng)作物覆蓋度，為玉米長勢監(jiān)測提供理論依據(jù)。

2.2 農(nóng)作物估產(chǎn)

無人機(jī)遙感估產(chǎn)是指利用無人機(jī)搭載傳感器獲取農(nóng)作物各生育期的光譜數(shù)據(jù)，通過分析農(nóng)作物不同生長期的光譜特征進(jìn)行長勢監(jiān)測，同時對監(jiān)測范圍內(nèi)農(nóng)作物進(jìn)行分層與面積計(jì)算，結(jié)合農(nóng)業(yè)、氣候資料等建立合適的關(guān)聯(lián)模型，最終獲取農(nóng)作物產(chǎn)量信息。

在農(nóng)作物多個生長發(fā)育時期建立植被指數(shù)和農(nóng)作物產(chǎn)量之間的統(tǒng)計(jì)模型，是目前簡單高效的遙感估產(chǎn)方法。程千等[15]利用無人機(jī)搭載多光譜傳感器獲取冬小麥的影像數(shù)據(jù)，在分析多種多光譜植被指數(shù)與冬小麥產(chǎn)量的相關(guān)性的基礎(chǔ)上，建立多時相植被指數(shù)構(gòu)建產(chǎn)量估測數(shù)據(jù)集，利用偏最小二乘回歸（PLSR）、隨機(jī)森林回歸模型（RFR）等機(jī)器學(xué)習(xí)算法對冬小麥的產(chǎn)量進(jìn)行估測。結(jié)果顯示，隨機(jī)森林回歸模型的精度最高，且灌漿期植被指數(shù)與產(chǎn)量相關(guān)性最高。王嘉盼等[16]基于無人機(jī)遙感平臺獲取影像數(shù)據(jù)，將小麥的葉片氮含量、地面實(shí)測葉面積指數(shù)等生理指標(biāo)以及多種植被指數(shù)與產(chǎn)量進(jìn)行相關(guān)性分析，提取相關(guān)性較高的生理指標(biāo)與植被指數(shù)，并選擇在小麥不同生長發(fā)育期適用性最高的建模方法建立最優(yōu)估產(chǎn)模型。研究結(jié)果表明，采用多元逐步回歸法構(gòu)建的抽穗期估產(chǎn)模型精度最高。王飛龍等[17]提出多時期“相對光譜變量”和“相對產(chǎn)量”的概念，利用無人機(jī)搭載高光譜成像儀獲取的數(shù)據(jù)建立相對歸一化光譜指數(shù)RNDSI集，確定水稻不同生長期最優(yōu)的RNDSI，并建立對應(yīng)的水稻估產(chǎn)最優(yōu)模型進(jìn)行檢驗(yàn)。結(jié)果表明，使用分蘗期、拔節(jié)期、孕穗期和抽穗期的RNDSI構(gòu)成的多元線性回歸模型效果最優(yōu)，證明相對光譜變量和相對產(chǎn)量的方法可較好地應(yīng)用于水稻遙感估產(chǎn)。蘭銘等[18]融合無人機(jī)多光譜和熱紅外數(shù)據(jù)，對冬小麥不同發(fā)育階段的冠層高光譜信息進(jìn)行處理，再結(jié)合支持向量機(jī)（SVM）算法對小麥籽粒產(chǎn)量進(jìn)行估測，結(jié)果表明，在灌漿期利用熱紅外和多光譜共同建立的估產(chǎn)模型精度較高。

2.3 農(nóng)作物生長脅迫因子監(jiān)測

在農(nóng)業(yè)生產(chǎn)過程中農(nóng)作物的生長脅迫現(xiàn)象普遍存在，其中，水分、生物和土壤脅迫對農(nóng)作物生長的影響較為嚴(yán)重。受脅迫的農(nóng)作物與健康農(nóng)作物在光譜曲線上有所差異，常表現(xiàn)為近紅外區(qū)域的光譜發(fā)生藍(lán)移或紅移，無人機(jī)遙感技術(shù)可識別出這些差異，并判斷出農(nóng)作物的脅迫類型。

3 結(jié)語與展望

目前，衛(wèi)星遙感估產(chǎn)由于高時空分辨率難以同時滿足、波段數(shù)量少等原因，估產(chǎn)精度難以進(jìn)一步提高。無人機(jī)成像高光譜技術(shù)以其高時空分辨率、豐富的波段數(shù)量和圖譜結(jié)合的遙感影像等優(yōu)勢被廣泛地應(yīng)用于現(xiàn)代智慧農(nóng)業(yè)與精準(zhǔn)農(nóng)業(yè)，使高精度的農(nóng)作物估產(chǎn)成為可能。

多樣化、多尺度、多時相遙感數(shù)據(jù)的不斷采集，地物波譜信息以具有大數(shù)據(jù)特征的遙感數(shù)據(jù)集來存儲。同時，傳統(tǒng)的遙感分析方法結(jié)合大數(shù)據(jù)分析方法，能夠更加系統(tǒng)、精準(zhǔn)地從遙感數(shù)據(jù)集和其他空間輔助數(shù)據(jù)中挖掘農(nóng)情信息，為農(nóng)業(yè)遙感提供更為精確的數(shù)據(jù)支持，加速科學(xué)化的農(nóng)業(yè)管理。然而，僅依靠人工長周期處理遙感大數(shù)據(jù)的方式，既滿足不了用戶的需求，也不現(xiàn)實(shí)。目前，人工智能技術(shù)與圖像處理技術(shù)的多層次融合，使得人工智能正成為遙感大數(shù)據(jù)的解譯俠，為人工遙感專題分析前解決了大批量重復(fù)分類和目標(biāo)識別工作。同時，遙感云計(jì)算技術(shù)整合遙感大數(shù)據(jù)、其他輔助數(shù)據(jù)以及數(shù)據(jù)處理算法和工具，將遙感大數(shù)據(jù)的存儲、處理和分析功能放置在云端，通過服務(wù)器向用戶提供遙感數(shù)據(jù)存儲服務(wù)和分析服務(wù)，使得遙感云計(jì)算不僅為遙感大數(shù)據(jù)的預(yù)處理工作提供了保障，還打破了軟件和硬件對非專業(yè)人士的壁壘，為遙感專家和農(nóng)戶建立了更直接的聯(lián)系。

結(jié)合多種主流計(jì)算機(jī)技術(shù)，低空無人機(jī)遙感在現(xiàn)代智能化農(nóng)業(yè)生產(chǎn)以及未來精準(zhǔn)化農(nóng)業(yè)建設(shè)中發(fā)揮著重要的作用，并呈現(xiàn)出主流發(fā)展趨勢。能夠快速、大面積采集農(nóng)田信息的低空無人機(jī)遙感技術(shù)為智能化、精準(zhǔn)化農(nóng)業(yè)生產(chǎn)奠定了堅(jiān)實(shí)的基礎(chǔ)?？梢灶A(yù)見，隨著智能化的低空無人機(jī)遙感技術(shù)不斷進(jìn)步成熟，且未來低空無人機(jī)遙感技術(shù)的需求不斷增加，該技術(shù)會為我國智能化現(xiàn)代農(nóng)業(yè)的發(fā)展提供極大的幫助。