封偉祎 朱俊科 彭文宇 宋曉斐 畢愛君 車海龍

(山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東 淄博 255000)

引言

無人機(jī)遙感技術(shù)的使用原理，是由無人機(jī)搭載傳感器，利用無人駕駛飛行、遙感傳感器、數(shù)據(jù)通信、GPS定位系統(tǒng)、時(shí)差分定位(Real-time kinematic，RTK)等技術(shù)來完成對地物遙感數(shù)據(jù)的提取，從而對遙感技術(shù)數(shù)據(jù)進(jìn)行處理、建模與數(shù)據(jù)分析研究，從中提取出所需的信息。

近年來，無人機(jī)多光譜遙感技術(shù)的應(yīng)用在農(nóng)業(yè)生產(chǎn)中的意義顯得越來越關(guān)鍵，利用無人機(jī)多光譜遙感技術(shù)能夠監(jiān)測作物長勢、受災(zāi)情況和營養(yǎng)狀況，讓農(nóng)戶更高效地管理作物的土壤、施肥和澆水，最大限度地降低農(nóng)藥噴灑、施肥、浪費(fèi)水分，同時(shí)提高糧食作物的產(chǎn)量，對農(nóng)戶的工作和植被環(huán)境的維護(hù)有著很大的好處[1]。過去人們需要實(shí)地測量才能獲悉作物的生長狀況，費(fèi)時(shí)費(fèi)力，而采用無人機(jī)遙感技術(shù)只需分析遙感影像即可實(shí)現(xiàn)作物生長數(shù)據(jù)的獲??；無人機(jī)遙感具備時(shí)效性好、尺度小、材料輕、分辨率高、費(fèi)用低等優(yōu)點(diǎn)，在保證了高分辨率的同時(shí)節(jié)省了人力物力，為農(nóng)業(yè)生產(chǎn)提供了極大的便利。

本文中對遙感無人機(jī)和多光譜相機(jī)的類型和特性、多光譜技術(shù)在農(nóng)作物表型數(shù)據(jù)監(jiān)測中的主要作用、農(nóng)業(yè)災(zāi)害監(jiān)測等方面的研究進(jìn)展詳細(xì)闡述，并希望對今后多光譜遙感在農(nóng)業(yè)生產(chǎn)領(lǐng)域的研究發(fā)展與推廣應(yīng)用提供借鑒。

1 遙感無人機(jī)和多光譜相機(jī)的種類與特點(diǎn)

1.1 無人機(jī)的種類與特點(diǎn)

根據(jù)飛行平臺構(gòu)型的不同，無人機(jī)主要分為無人直升機(jī)、固定翼無人機(jī)以及多旋翼無人機(jī)[2]。

1.1.1 無人直升機(jī)

通常指單旋翼帶尾槳的直升機(jī)。

1.1.2 固定翼無人機(jī)

即由推動設(shè)備提供飛機(jī)向前的推動或牽引力，在機(jī)體的固定機(jī)翼形成升力后，在大氣層中飛行的重于氣流的飛行器。

1.1.3 多旋翼無人機(jī)

指多于3個(gè)軸以上的旋翼機(jī)，利用螺旋槳之間相對速度來調(diào)整牽引力與轉(zhuǎn)矩，操控航空器懸停、轉(zhuǎn)彎及航線行駛[3]。飛行平臺的種類與特點(diǎn)見表1。

表1 無人機(jī)飛行平臺的種類與特點(diǎn)

目前，多旋翼無人機(jī)在農(nóng)業(yè)生產(chǎn)的運(yùn)用已經(jīng)非常普遍，可根據(jù)對性能的需求進(jìn)行選擇，而無人直升機(jī)與固定翼無人機(jī)很少在農(nóng)業(yè)遙感領(lǐng)域使用。

1.2 多光譜相機(jī)的型號與應(yīng)用

多光譜照相機(jī)是指擁有2個(gè)以上光譜波段通道的照相機(jī)，一般含有藍(lán)、綠、紅、紅邊和近紅外波段，適用于NDVI等各類植被指數(shù)的分析[4]。一般高清攝像機(jī)只從紅、綠、藍(lán)3個(gè)頻段中獲得數(shù)據(jù)，而多光譜攝像機(jī)能從近紅外波段和紅邊波段獲得更多的數(shù)據(jù)，有助于比較精確地進(jìn)行作物估產(chǎn)、長勢檢測和營養(yǎng)判斷等，見表2。和高光譜成像儀比較，多光譜攝像機(jī)具有成本低、尺寸小、數(shù)據(jù)量小和覆蓋范圍大等優(yōu)點(diǎn)，在大范圍的區(qū)域研究中具有普遍的運(yùn)用[5〗。

表2 多光譜相機(jī)的型號與應(yīng)用

1.3 多光譜數(shù)據(jù)的處理方法

通常使用Pix4D mapper等圖像處理軟件對獲得的多光譜圖像進(jìn)行拼接處理。將影像導(dǎo)入Pix4D mapper，編輯相機(jī)參數(shù)、添加像控點(diǎn)、初步刺點(diǎn)，隨之進(jìn)行空中三角測量、生成點(diǎn)云和紋理，得到數(shù)字表面模型(Digital Surface Model，DSM)和多波段數(shù)字正射影像(Digital Orthophoto Map，DOM)。需要注意的是，在生成DSM和DOM之前，需要利用白板影像進(jìn)行輻射校正，消除或改正因輻射誤差而引起的影像畸變[6]。

用ArcGIS、ENVI等軟件可對影像進(jìn)行圖像裁剪、幾何校正、合成多波段影像等后續(xù)處理，利用感興趣區(qū)域(Region of interest，ROI)工具對合成的多波段影像進(jìn)行圖像分割，提取光譜反射率數(shù)據(jù)，構(gòu)建植被指數(shù)。通過灰度共生矩陣提取紋理特征。

2 多光譜在作物表型信息監(jiān)測上的主要應(yīng)用

2.1 農(nóng)作物葉綠素含量監(jiān)測

葉綠素是植物吸收與利用光能的最主要媒介，由于農(nóng)作物的葉綠素含量也與其光合水平有關(guān)，所以，葉綠素含量表現(xiàn)的是作物的光合水平和含氮物質(zhì)的營養(yǎng)狀況，同時(shí)在逆境脅迫的條件下，也可用以反映植株的傷害程度與健康狀況。因?yàn)槿~綠素a、葉綠素b、胡蘿卜素等可以吸取不同波段的光，故利用多光譜遙感分析作物冠層的反射光譜的差異能夠檢測植物葉綠素的含量與組成。

目前，監(jiān)測葉綠素含量的方式主要是通過選擇相關(guān)植被指數(shù)與葉綠素相對含量(SPAD值)進(jìn)行Pearson相關(guān)性分析，選擇相關(guān)性較大的植被指數(shù)或波段光譜反射率，運(yùn)用線性回歸，如逐步回歸、偏最小二乘回歸(PLSR)、嶺回歸(Ridge)，以及一些常用的機(jī)器學(xué)習(xí)回歸算法，如隨機(jī)森林回歸、支持向量機(jī)(SVR)回歸、bp神經(jīng)網(wǎng)絡(luò)回歸等方法進(jìn)行建模，達(dá)到對葉綠素含量實(shí)時(shí)監(jiān)測的效果。

魏青等[7]對冬小麥設(shè)置不同施氮水平，分析各生育時(shí)期的多種光譜指數(shù)與葉綠素含量的相關(guān)性，構(gòu)建一元二次回歸和逐步回歸模型分析，通過檢驗(yàn)樣本數(shù)據(jù)進(jìn)行精度評價(jià)，進(jìn)而確定了關(guān)鍵生育時(shí)期預(yù)測冬小麥SPAD值的最優(yōu)模型。牛魯燕等[8]同時(shí)提取了與葉綠素含量相關(guān)的植被指數(shù)以及光譜反射率，運(yùn)用多元線性回歸方法建立了小麥長勢監(jiān)測模型，經(jīng)研究分析得出，由NDVI、SAVI、CCCI 3個(gè)植被指數(shù)使用多元線性回歸方法構(gòu)建的模型穩(wěn)定性最好，精確度最高。劉濤等[16]設(shè)立不同飛行高度采集多光譜影像，通過選用DSI、RSI、NDSI和經(jīng)驗(yàn)植被指數(shù)與小麥SPAD值建立相關(guān)性分析，基于優(yōu)選光譜指數(shù)，運(yùn)用多元線性回歸方法、偏最小二乘回歸方法和人工神經(jīng)網(wǎng)絡(luò)方法構(gòu)建預(yù)測小麥SPAD值的回歸模型，并對其進(jìn)行精度分析，研究表明，反演小麥葉綠素含量穩(wěn)定性最好、精度最高的模型是人工神經(jīng)網(wǎng)絡(luò)模型，決定系數(shù)R2達(dá)到了0.804，實(shí)現(xiàn)了小麥葉綠素含量的準(zhǔn)確估算。以上研究都是基于多光譜影像構(gòu)建植被指數(shù)并建模來對小麥葉綠素含量進(jìn)行反演，周敏姑等[10]探究了利用光譜反射率進(jìn)行建模反演的方法，選取冬小麥的多個(gè)重要生長期進(jìn)行影像的采集，通過分析不同波段的反射率與冬小麥葉綠素含量的相關(guān)性，運(yùn)用主成分回歸、逐步回歸和嶺回歸法對小麥冠層葉片5個(gè)波段反射率與葉綠素含量建立回歸模型，并基于各模型的精度評價(jià)得出了各生長期反演葉綠素含量的最優(yōu)模型。無人機(jī)多光譜遙感對農(nóng)作物葉綠素含量進(jìn)行有效監(jiān)測可以幫助及時(shí)了解農(nóng)作物的營養(yǎng)狀況，為實(shí)現(xiàn)精細(xì)化田間管理提供了重要的技術(shù)依據(jù)。

2.2 農(nóng)作物葉面積指數(shù)監(jiān)測

葉面積指數(shù)(Leaf Area Index，LAI)主要體現(xiàn)了農(nóng)作物的光能效率，同時(shí)其也是表現(xiàn)農(nóng)作物生長發(fā)育情況的另一項(xiàng)主要指標(biāo)，其大小直接與作物的最終產(chǎn)量掛鉤[22]。不同的葉面積指數(shù)對光的反射率是有所不同的，這樣就可以通過分析多光譜影像來實(shí)現(xiàn)對農(nóng)作物葉面積指數(shù)的估測[23]。

目前，通過無人機(jī)多光譜遙感進(jìn)行葉面積指數(shù)的反演已經(jīng)應(yīng)用到了小麥、玉米、水稻、棉花、大豆等多種作物上。邵國敏[11]等利用多光譜數(shù)據(jù)，建立了NDVI、SAVI、EVI、GNDVI、VARI 5種植被指數(shù)與全生育期玉米葉面積指數(shù)的一元線性回歸、多元線性回歸和隨機(jī)森林回歸模型，實(shí)現(xiàn)了運(yùn)用隨機(jī)森林回歸方法預(yù)測不同灌溉水平下的夏玉米葉面積指數(shù)，決定系數(shù)R2達(dá)到了0.74～0.87。劉濤等[16]通過分析不同高度下的小麥冠層多光譜影像，選用DSI、RSI、NDSI和經(jīng)驗(yàn)植被指數(shù)與小麥葉面積指數(shù)構(gòu)建多元逐步回歸、偏最小二乘回歸和人工神經(jīng)網(wǎng)絡(luò)模型，分析得出運(yùn)用偏最小二乘回歸模型反演小麥葉面積指數(shù)的精度最高，決定系數(shù)R2達(dá)到了0.732。

2.3 農(nóng)作物營養(yǎng)元素含量監(jiān)測

營養(yǎng)元素是作物生長過程不可或缺的一部分，而氮、磷、鉀3種主要營養(yǎng)元素更是與作物生長狀況密不可分。缺少氮元素會減少植株內(nèi)的蛋白質(zhì)合成，從而導(dǎo)致葉片變黃、光合作用減弱，對作物產(chǎn)量造成嚴(yán)重的影響[24]；缺少磷元素會使作物生長緩慢，抑制作物的分支和開花；缺少鉀元素則會抑制碳水化合物和氮元素的代謝，造成植株葉片干枯脫落。根據(jù)作物生長狀況合理施肥，對作物的生長具有非常重要的意義。

遙感技術(shù)具有廣覆蓋、時(shí)效性強(qiáng)、多載荷的特殊優(yōu)點(diǎn)，具體體現(xiàn)：可以即時(shí)連續(xù)高效的收集作物生長情況和養(yǎng)分?jǐn)?shù)據(jù)；將數(shù)據(jù)實(shí)現(xiàn)了空間整合，為適時(shí)提出的農(nóng)作物養(yǎng)分調(diào)優(yōu)栽培方法提供了重要技術(shù)支持，從而可以快速提升作物營養(yǎng)元素檢測的準(zhǔn)確性等。多光譜遙感有信息量大、分辨率高的特點(diǎn)，過去傳統(tǒng)的營養(yǎng)元素含量檢測方法會造成樣品的破壞，并且需下地實(shí)測，耗費(fèi)時(shí)間和人力，而多光譜遙感能夠?qū)崿F(xiàn)對作物養(yǎng)分含量和生長數(shù)據(jù)的即時(shí)無損檢測。

魏鵬飛等[17]通過選用多種光譜指數(shù)與夏玉米氮含量建立相關(guān)性分析，根據(jù)其相關(guān)程度，運(yùn)用向后逐步回歸方法進(jìn)行建模分析，最終確定了不同生育期下估算夏玉米氮含量的最佳模型，但因?yàn)樵撗芯恐羞x取的不同品種和不同施氮水平2個(gè)處理?xiàng)l件有機(jī)的組合，提高了數(shù)據(jù)處理的重復(fù)性，建模的準(zhǔn)確性也較差，不過證明了建模方法在不同田塊環(huán)境下的適應(yīng)性。傅友強(qiáng)[25]等設(shè)置3個(gè)施氮處理，選用NDVI、GNDVI、RVI、EVI、DVI、MNLI 6個(gè)光譜指數(shù)，與不同施氮水平的水稻數(shù)據(jù)集建立多元線性回歸模型，決定系數(shù)R2均達(dá)到了0.85以上，為水稻的精準(zhǔn)施肥提供了極大的便利。作物水分和氮素吸收效率低是制約農(nóng)業(yè)生產(chǎn)力的主要因素之一，楊夢嬌等[26]選用3個(gè)小麥品種，設(shè)立4種水分處理、4種氮素處理，通過多光譜遙感建模估算其土壤水分、氮含量、生物量和產(chǎn)量相關(guān)參數(shù)并計(jì)算水分和氮素吸收效率，研究表明，灌水120mm和施氮180kg·hm-2處理的“中麥895”水分利用率和氮素利用率均表現(xiàn)優(yōu)異，且無人機(jī)多光譜遙感可用于預(yù)測全生育期的水分吸收率和氮素吸收率，以選擇優(yōu)質(zhì)基因型，并監(jiān)測不同氮和水劑量下的作物效率，有助于幫助育種者選育高產(chǎn)廣適的優(yōu)良品種。

2.4 農(nóng)作物產(chǎn)量監(jiān)測

國家糧食安全問題是我國安全的重要基礎(chǔ)，而作物的產(chǎn)量與我國糧食安全密切相關(guān)，亦是作物研究所追求的終極目標(biāo)。近年來，隨著無人機(jī)多光譜遙感技術(shù)的發(fā)展，許多學(xué)者開始運(yùn)用多光譜遙感進(jìn)行作物產(chǎn)量的估測研究。

王來剛等[12]通過選用玉米拔節(jié)期、抽雄期、吐絲期的植被指數(shù)累加值與玉米收獲率建立相關(guān)性分析，發(fā)現(xiàn)基于GNDVI、NDVI和EVI建立的產(chǎn)量預(yù)估模型精度最高，其中，基于多生育期累積GNDVI建立的產(chǎn)量預(yù)估模型精度最高，且決定系數(shù)R2達(dá)到了0.87，實(shí)現(xiàn)對玉米估產(chǎn)的同時(shí)也證明了多光譜遙感估產(chǎn)的可靠性，但不足之處是構(gòu)建的估測模型是簡單的一元線性模型，可以使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法建模提高模型精度。后來的研究大多圍繞機(jī)器學(xué)習(xí)算法展開，如嚴(yán)海軍等[13]挑選各生育時(shí)期相關(guān)性較好的5種植被指數(shù)，以去除土壤噪聲后的5種植被指數(shù)和作物表面模型提取的苜蓿株高為輸入變量，通過支持向量回歸算法建立各生育時(shí)期的苜蓿產(chǎn)量預(yù)測模型，結(jié)果發(fā)現(xiàn)，在初花期使用植被指數(shù)和株高組合輸入變量所構(gòu)建的估產(chǎn)模型最優(yōu)，其決定系數(shù)R2為0.90，實(shí)現(xiàn)了苜蓿產(chǎn)量快速、準(zhǔn)確的估測。卞朝發(fā)等[27]篩選出了3個(gè)與小麥產(chǎn)量相關(guān)性較高的機(jī)器學(xué)習(xí)算法，并將關(guān)鍵生育期與小麥產(chǎn)量呈極顯著相關(guān)的植被指數(shù)(ESCVIs)分別與3種機(jī)器學(xué)習(xí)算法結(jié)合，建立關(guān)鍵生育期的3個(gè)小麥估產(chǎn)模型，研究發(fā)現(xiàn)，在開花期和灌漿期，高斯過程回歸(GPR)模型與ESCVIs結(jié)合效果最好，為最優(yōu)模型，決定系數(shù)R2為0.88。并且經(jīng)過該模型的估測產(chǎn)量與實(shí)測產(chǎn)量進(jìn)行比較，發(fā)現(xiàn)該模型在不同尺度上具有較強(qiáng)的適應(yīng)性，實(shí)現(xiàn)了大田尺度下的小麥產(chǎn)量估測，對小麥的種植規(guī)劃以及農(nóng)業(yè)生產(chǎn)具有重要的現(xiàn)實(shí)意義。運(yùn)用無人機(jī)多光譜遙感技術(shù)進(jìn)行作物產(chǎn)量的精準(zhǔn)估測，為解決我國糧食安全問題提供了便利的技術(shù)條件。

3 農(nóng)作物災(zāi)害監(jiān)測

農(nóng)作物生長很大程度上受到天氣條件的影響，而自然災(zāi)害是無法避免的，因此，能做的就是對農(nóng)作物的災(zāi)情進(jìn)行監(jiān)測從而達(dá)到減少災(zāi)情、預(yù)防災(zāi)情的目的。目前研究涉及的災(zāi)害主要有澇災(zāi)、倒伏、雜草識別和病蟲害等，對災(zāi)害監(jiān)測的研究主要集中在災(zāi)情的嚴(yán)重情況分析以及對災(zāi)后作物受災(zāi)面積的監(jiān)測。

趙靜等[14]采集了多種光譜指數(shù)、光譜反射率及紋理特征，總計(jì)40余項(xiàng)特征作為樣本特征參數(shù)，基于全特征集使用支持向量機(jī)-特征遞歸消除算法(SVM-RFE)和Relief算法篩選部分特征作為特征子集，運(yùn)用支持向量機(jī)(SVM)、K-最近鄰(KNN)、Cart決策樹、隨機(jī)森林(RF)和人工神經(jīng)網(wǎng)絡(luò)(ANN)對特征子集進(jìn)行監(jiān)督分類，研究表明，SVM-RFE方法對數(shù)據(jù)降維效率高于Relief方法，且SVR的建模可以更準(zhǔn)確有效地對不同冠層范圍下的玉米和雜草加以區(qū)分，也因此大大減少了化學(xué)除草劑的使用，從而為玉米的田間管理決策提供了技術(shù)支持。戴建國等[18]基于倒伏與正常狀況下棉花的光譜反射率之間的差異，從無人機(jī)影像種提取了多種光譜指數(shù)與紋理特征，同時(shí)結(jié)合花鈴期倒伏棉花的實(shí)地測量數(shù)據(jù)構(gòu)建了Logistic二分類模型，研究發(fā)現(xiàn)，通過第一主成分均值和常量建立的紋理模型精確度最高，達(dá)到了91.30%，實(shí)現(xiàn)了倒伏災(zāi)害后棉花受災(zāi)信息的迅速收集。趙靜等[19]從多光譜影像中提取植被指數(shù)、反射率和紋理等特征建立全特征集并用不同算法挑選相關(guān)特征作為特征子集，運(yùn)用不同分類監(jiān)督模型對風(fēng)災(zāi)后的倒伏玉米數(shù)據(jù)進(jìn)行提取并使用混淆矩陣進(jìn)行評價(jià)，研究發(fā)現(xiàn)，KNN和ANN模型精度均達(dá)到了90%以上，對識別玉米倒伏情況的穩(wěn)定性較好，KNN模型與SVM-RFE特征篩選相結(jié)合的方法分類效果達(dá)到最優(yōu)，實(shí)現(xiàn)了臺風(fēng)災(zāi)后玉米倒伏信息的迅速準(zhǔn)確獲取。陸洲等[28]通過分析獲取的多光譜遙感影像中正常水稻、受災(zāi)水稻的植被指數(shù)、光譜反射率以及紋理特征的差異性，構(gòu)建了基于光譜與紋理特征的決策樹分類模型，研究結(jié)果顯示，組合光譜和紋理特征構(gòu)建的決策樹模型提取倒伏水稻面積的精度最高，Kappa系數(shù)達(dá)到了0.93。朱文靜[29]等探究了空間分辨率對模型反演精度的影響，對不同空間分辨率圖像的波段反射率與赤霉病指數(shù)及植被指數(shù)進(jìn)行相關(guān)性分析，確定了小麥赤霉病無人機(jī)多光譜監(jiān)測的最佳空間分辨率，基于此分辨率運(yùn)用機(jī)器學(xué)習(xí)算法建模，研究結(jié)果表明，SVR回歸算法在多源數(shù)據(jù)融合模型(植被指數(shù)和紋理特征)中監(jiān)測效果最好，為無人機(jī)監(jiān)測區(qū)大田作物病害，特別是小麥赤霉病近地遙感監(jiān)測的分類和變量應(yīng)用提供了方案。

4 結(jié)論與展望

隨著精準(zhǔn)農(nóng)業(yè)航空領(lǐng)域的發(fā)展，無人機(jī)多光譜遙感在農(nóng)業(yè)生產(chǎn)中已經(jīng)得到了愈發(fā)廣泛的應(yīng)用。

對于作物表型信息的監(jiān)測，通常選擇相關(guān)植被指數(shù)與所測農(nóng)學(xué)參數(shù)進(jìn)行Pearson相關(guān)性分析，篩選出與所測農(nóng)學(xué)參數(shù)相關(guān)性較高的植被指數(shù)、紋理特征及波段光譜反射率參與建模。目前常用的建模方法主要是線性回歸，如逐步回歸、偏最小二乘回歸(PLSR)、嶺回歸(Ridge)，以及一些常用的機(jī)器學(xué)習(xí)回歸算法，如隨機(jī)森林回歸、支持向量機(jī)(SVR)回歸、bp神經(jīng)網(wǎng)絡(luò)回歸等。使用決定系數(shù)、均方根誤差和相對誤差等評價(jià)指標(biāo)評判模型精度，從而實(shí)現(xiàn)對農(nóng)作物葉面積指數(shù)、葉綠素含量、氮含量的實(shí)時(shí)監(jiān)測，并可估測作物產(chǎn)量，從而幫助育種者篩選出高產(chǎn)廣適類型的新品種。

對于作物災(zāi)害監(jiān)測，通常采用相關(guān)的光譜指數(shù)與紋理特征建立特征集，使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)監(jiān)督分類算法(如RF、SVM和ANN等)建立特征模型并利用Kappa評價(jià)其空間一致性，實(shí)現(xiàn)倒伏、雜草識別、病蟲害等災(zāi)害后作物情況的信息提取。

目前，無人機(jī)多光譜遙感技術(shù)仍存在一些不足，各種研究下的作物信息提取模型并不具有普遍適用性，不同生育期、不同地塊、不同反演參數(shù)的模型各不相同，如何提高模型的適用性是未來無人機(jī)遙感研究的重要方向；目前使用的建模方法多是基于統(tǒng)計(jì)學(xué)方法，基于深度學(xué)習(xí)的人工智能算法雖然有所涉及但還尚未在無人機(jī)遙感領(lǐng)域普遍應(yīng)用，未來深入研究人工智能算法與無人機(jī)遙感相結(jié)合是實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)航空的一個(gè)重要趨勢；農(nóng)用無人機(jī)行業(yè)對無人機(jī)研發(fā)生產(chǎn)的技術(shù)標(biāo)準(zhǔn)及安全標(biāo)準(zhǔn)并不規(guī)范，因此，應(yīng)加快制定完善的無人機(jī)技術(shù)標(biāo)準(zhǔn)，保證未來精準(zhǔn)農(nóng)業(yè)航空的健康發(fā)展。