李 敏，郭雷風(fēng)，王瑞利

（1.中國(guó)農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)信息研究所，北京 100081；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，北京 100081；3.內(nèi)蒙古科學(xué)技術(shù)研究院，內(nèi)蒙古 呼和浩特 010010）

馬鈴薯與小麥、稻谷、玉米并稱(chēng)為世界四大糧食作物，也是世界上最大的非谷類(lèi)糧食作物[1]。由于具有適應(yīng)能力強(qiáng)、產(chǎn)量高、營(yíng)養(yǎng)豐富等特點(diǎn)，馬鈴薯在很多國(guó)家作為主糧食用，對(duì)于全球范圍內(nèi)的糧食安全保障發(fā)揮著舉足輕重的作用[2]。自20 世紀(jì)70 年代以來(lái)，我國(guó)馬鈴薯種植規(guī)模不斷提升，目前已成為世界馬鈴薯總產(chǎn)量最多的國(guó)家，并逐漸形成兼具不同地域優(yōu)勢(shì)的特色品種[3-4]。同時(shí)馬鈴薯是我國(guó)西北、西南等偏遠(yuǎn)貧困地區(qū)的支柱產(chǎn)業(yè)，四川、貴州、甘肅、云南、內(nèi)蒙古五省區(qū)居于全國(guó)馬鈴薯產(chǎn)量前五，合計(jì)占比達(dá)50%以上[5]。伴隨我國(guó)馬鈴薯主糧化戰(zhàn)略的持續(xù)推進(jìn)，進(jìn)一步提升馬鈴薯整體種植技術(shù)水平、加工生產(chǎn)水平、消費(fèi)水平，可以有效緩解國(guó)內(nèi)糧食進(jìn)口量與糧食需求不斷增加的壓力，為我國(guó)主糧多元化提供重要支撐[6-8]。

及時(shí)準(zhǔn)確高效地獲取馬鈴薯生長(zhǎng)環(huán)境及作物自身生長(zhǎng)狀況信息并進(jìn)行相應(yīng)分析與后續(xù)田間管理操作，是實(shí)現(xiàn)馬鈴薯生產(chǎn)提效增收的基礎(chǔ)保證和有效手段。其中，株高、生物量、葉綠素含量等重要作物表型參數(shù)的獲取與分析對(duì)于實(shí)現(xiàn)馬鈴薯精細(xì)化管理至關(guān)重要。傳統(tǒng)的表型信息提取主要依賴(lài)于人工操作，人力與時(shí)間成本高，效率低下，準(zhǔn)確性與客觀性也比較有限，因此難以應(yīng)用于大規(guī)模農(nóng)田環(huán)境[9-10]。近年來(lái)，無(wú)人機(jī)遙感技術(shù)以其靈活機(jī)動(dòng)、適應(yīng)性強(qiáng)、操作簡(jiǎn)單等特色，以及重訪周期短、時(shí)空分辨率高等優(yōu)點(diǎn)，成為獲取田間作物表型信息及構(gòu)建生長(zhǎng)特性評(píng)估模型的重要手段，已被廣泛應(yīng)用于作物長(zhǎng)勢(shì)、營(yíng)養(yǎng)水平、病害識(shí)別、產(chǎn)量估算等方面的監(jiān)測(cè)與分析研究中[11]。

與小麥、玉米、水稻等主流大宗谷類(lèi)作物相比，利用無(wú)人機(jī)進(jìn)行馬鈴薯表型研究的整體現(xiàn)狀是分散的、缺乏系統(tǒng)性的，但這些初步探索實(shí)踐與應(yīng)用研究也取得了良好成效。系統(tǒng)闡述了無(wú)人機(jī)遙感的構(gòu)成與基本工作原理、搭載傳感器的類(lèi)型及其在作物田間表型分析中的應(yīng)用情況，在此基礎(chǔ)上對(duì)無(wú)人機(jī)遙感在馬鈴薯田間表型研究中的應(yīng)用現(xiàn)狀與進(jìn)展進(jìn)行全面梳理與述評(píng)，并對(duì)目前研究中存在的不足與未來(lái)發(fā)展方向進(jìn)行了總結(jié)與展望，以期為近地遙感在馬鈴薯田間表型分析中應(yīng)用的后續(xù)深入研究提供理論支撐與科學(xué)參考。

1 基于無(wú)人機(jī)遙感的田間作物表型研究概述

1.1 無(wú)人機(jī)遙感系統(tǒng)構(gòu)成與基本工作原理

無(wú)人機(jī)（Unmanned aerial vehicle，UAV）是一種無(wú)線電遙控或自主飛行的無(wú)人駕駛飛行器，可在多種應(yīng)用場(chǎng)景中執(zhí)行不同的任務(wù)[12-13]。無(wú)人機(jī)遙感系統(tǒng)主要由飛行器、地面控制系統(tǒng)、定位系統(tǒng)、傳感器、通訊傳輸系統(tǒng)等組成[14-16]。其基本工作原理是以無(wú)人飛行器為平臺(tái)，根據(jù)任務(wù)需求搭載不同類(lèi)型的圖像光譜傳感設(shè)備，獲取實(shí)時(shí)的高分辨率遙感數(shù)據(jù)，并借助一定的圖像處理與解析技術(shù)獲取光譜指數(shù)、數(shù)字模型等特定結(jié)果[17]。

1.2 傳感器類(lèi)型及主要應(yīng)用場(chǎng)景

傳感器是無(wú)人機(jī)遙感系統(tǒng)中數(shù)據(jù)采集的核心。目前，無(wú)人機(jī)搭載的用于獲取作物表型特征的傳感器主要包括可見(jiàn)光、多光譜、高光譜相機(jī)，熱像儀和激光雷達(dá)[18]。后兩類(lèi)傳感器一般價(jià)格較高，成像及影像處理較為復(fù)雜，在實(shí)際應(yīng)用中的廣泛程度不及前三者[19]?？梢?jiàn)光相機(jī)由于價(jià)格相對(duì)較低且種類(lèi)多樣，在無(wú)人機(jī)表型分析中最為常用，缺點(diǎn)是只包含紅、綠、藍(lán)3個(gè)波段信息，光譜信息較少，一般可用于生成數(shù)字表面模型、進(jìn)行農(nóng)作物分類(lèi)、估算作物覆蓋度等[20]。多光譜相機(jī)在可見(jiàn)光的基礎(chǔ)上向紅外光和紫外光2個(gè)方向擴(kuò)展，能夠獲取多波段光譜信息、紋理信息和結(jié)構(gòu)信息，可提取長(zhǎng)勢(shì)監(jiān)測(cè)、環(huán)境脅迫、地物識(shí)別、精細(xì)分類(lèi)、病蟲(chóng)害監(jiān)測(cè)、產(chǎn)量估測(cè)等領(lǐng)域所需的多種參數(shù)。高光譜相機(jī)的應(yīng)用領(lǐng)域與多光譜相機(jī)類(lèi)似，但其能夠獲取更為精細(xì)的全波段光譜信息，可實(shí)現(xiàn)作物表型參數(shù)的精確反演，缺點(diǎn)是價(jià)格較高，數(shù)據(jù)處理量級(jí)較大。熱像儀一般可采集與蒸騰相關(guān)的作物冠層溫度并用于旱情監(jiān)測(cè)或精準(zhǔn)灌溉，而激光雷達(dá)可獲取作物冠層點(diǎn)云信息以進(jìn)行作物水平和垂直結(jié)構(gòu)參數(shù)反演（如冠層面積、株高等）[21]。在實(shí)際研究與應(yīng)用中，要根據(jù)傳感器自身特點(diǎn)優(yōu)勢(shì)及具體目的需求進(jìn)行相應(yīng)選擇。

1.3 無(wú)人機(jī)遙感在田間作物表型分析中的應(yīng)用情況

作物表型是指由基因與生長(zhǎng)環(huán)境共同作用下的作物的外在表現(xiàn)形式，體現(xiàn)為作物生長(zhǎng)發(fā)育過(guò)程中物理、生理、生化方面的特征和性狀，如高度、顏色、形狀等[22]。絕大部分表型特征可以通過(guò)觀察獲取，并用于揭示作物生命規(guī)律與環(huán)境因素對(duì)表型的影響機(jī)制。隨著無(wú)人機(jī)及大數(shù)據(jù)技術(shù)的迅猛發(fā)展，基于無(wú)人機(jī)遙感的作物表型分析方法在精準(zhǔn)農(nóng)業(yè)中的優(yōu)勢(shì)愈發(fā)突出。目前，國(guó)內(nèi)外已有大量學(xué)者圍繞無(wú)人機(jī)遙感技術(shù)在大尺度農(nóng)田環(huán)境作物表型領(lǐng)域開(kāi)展了科學(xué)研究。高林等[23]利用無(wú)人機(jī)遙感數(shù)據(jù)獲得了高精度大豆葉面積指數(shù)（Leaf area index，LAI）預(yù)測(cè)值；陶惠林等[24]采用無(wú)人機(jī)高光譜數(shù)據(jù)分析了冬小麥不同生育期植被指數(shù)與長(zhǎng)勢(shì)監(jiān)測(cè)指標(biāo)的相關(guān)性，并成功反演形成長(zhǎng)勢(shì)監(jiān)測(cè)圖；BIAN 等[25]利用無(wú)人機(jī)多光譜相機(jī)和熱紅外相機(jī)獲取多種植被指數(shù)和水分脅迫率，為精準(zhǔn)灌溉提供科學(xué)依據(jù)；REZA 等[26]利用無(wú)人機(jī)遙感獲取水稻RGB（Red-Green-Blue）圖像并對(duì)作物區(qū)進(jìn)行分割提取，通過(guò)水稻米粒的面積來(lái)估測(cè)水稻產(chǎn)量；JAY 等[27]利用無(wú)人機(jī)光譜獲取甜菜冠層影像，對(duì)甜菜冠層氮含量進(jìn)行反演；薛金利等[28]借助無(wú)人機(jī)獲取不同分辨率的棉花苗期影像，利用YOLOv3 模型對(duì)棉田雜草進(jìn)行識(shí)別，準(zhǔn)確率高達(dá)94.06%。綜合來(lái)看，目前無(wú)人機(jī)遙感表型研究的對(duì)象以小麥、玉米、水稻、棉花居多，研究方向集中在作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估測(cè)、營(yíng)養(yǎng)診斷和生長(zhǎng)脅迫監(jiān)測(cè)等方面[29]。同時(shí)，各類(lèi)圖形圖像處理方法、計(jì)算機(jī)視覺(jué)算法、機(jī)器學(xué)習(xí)方法在表型數(shù)據(jù)解析中得以廣泛應(yīng)用，實(shí)現(xiàn)了對(duì)作物不同表型參數(shù)的自動(dòng)識(shí)別、分類(lèi)、提取、估測(cè)[30]。

2 無(wú)人機(jī)遙感用于馬鈴薯田間表型研究現(xiàn)狀

近年來(lái)，有學(xué)者針對(duì)馬鈴薯這一特定研究對(duì)象，以無(wú)人機(jī)遙感為基礎(chǔ)，開(kāi)展了包括形態(tài)指標(biāo)、生理生化指標(biāo)、生物與非生物脅迫指標(biāo)等在內(nèi)的多種田間表型信息研究。

2.1 形態(tài)指標(biāo)

形態(tài)指標(biāo)一般反映田間農(nóng)作物生長(zhǎng)的狀態(tài)與趨勢(shì)，快速獲取作物形態(tài)信息可為田間管理決策提供重要的依據(jù)[31]。常用的作物形態(tài)指標(biāo)包括株高、株數(shù)、植被覆蓋度等[32]。利用數(shù)字表面模型（Digital surface model，DSM）、顏色轉(zhuǎn)換、圖像分割等圖像處理技術(shù)，結(jié)合遙感圖像分類(lèi)和混合線性模型預(yù)測(cè)等方法處理無(wú)人機(jī)獲取的可見(jiàn)光成像數(shù)據(jù)，可快速實(shí)現(xiàn)作物株高、株數(shù)、冠層覆蓋度等形態(tài)指標(biāo)的獲取。

2.1.1 基于DSM 的株高提取 劉楊等[33]基于無(wú)人機(jī)高光譜影像對(duì)馬鈴薯株高及地上生物量進(jìn)行了估算。其中株高估算主要基于DSM，即利用試驗(yàn)田的高光譜灰度影像結(jié)合地面控制點(diǎn)生成不同生長(zhǎng)階段的DSM，然后與試驗(yàn)田裸地DSM 作差得到估算株高。該研究提取的馬鈴薯估算株高比實(shí)際測(cè)量值偏低，主要是在進(jìn)行三維重建時(shí)馬鈴薯冠層空間信息被當(dāng)作噪聲去除，因此利用DSM 進(jìn)行高度估算時(shí)冠層空間信息重建精度尤為關(guān)鍵。姚利民[34]利用無(wú)人機(jī)搭載可見(jiàn)光遙感相機(jī)獲取田間馬鈴薯的圖像信息，通過(guò)DSM 將馬鈴薯高程值與裸地高程值作差得到馬鈴薯株高，最大相對(duì)誤差為18.52%，預(yù)測(cè)值與實(shí)際測(cè)量值相關(guān)系數(shù)r2達(dá)0.68。誤差來(lái)源主要是由于馬鈴薯主莖與側(cè)枝相互干擾，較高的莖葉對(duì)較低的部分造成干擾，利用DSM 提取高程信息則容易產(chǎn)生誤差。

2.1.2 基于顏色轉(zhuǎn)換空間HSI（Hue-Saturation-Intensity）算法的植被覆蓋度提取 吳智超等[35]提出利用顏色轉(zhuǎn)換空間HSI算法從無(wú)人機(jī)數(shù)碼影像中快速提取馬鈴薯覆蓋度的方法。其原理是分別利用HSI 空間的S 通道及H 通道對(duì)圖像進(jìn)行去白色處理和去土壤處理，并利用形態(tài)學(xué)處理去噪，從而提取圖像中馬鈴薯植被的對(duì)應(yīng)像元，最后通過(guò)統(tǒng)計(jì)分析估算植被覆蓋度。同時(shí)，研究將顏色轉(zhuǎn)換空間HSI算法與過(guò)綠（Excess green，ExG）指數(shù)法、最大似然分類(lèi)法（Maximum likelihood classifier，MLC）進(jìn)行了對(duì)比，得出前者的準(zhǔn)確性與精度均為最優(yōu)，是一種操作更為簡(jiǎn)單、準(zhǔn)確性更高的植被覆蓋度提取方法。

2.1.3 基于閾值分割及形態(tài)特征提取的株數(shù)估算LI 等[36]利用無(wú)人機(jī)RGB 圖像對(duì)田間馬鈴薯株數(shù)進(jìn)行了估算。研究利用Otsu 閾值分割法從ExG 灰度圖中提取馬鈴薯植株冠層區(qū)域，通過(guò)邊緣檢測(cè)生成對(duì)應(yīng)的植株封閉輪廓及最小面積邊界框，并計(jì)算6個(gè)相關(guān)形態(tài)學(xué)特征（包括邊框長(zhǎng)邊長(zhǎng)度、邊框長(zhǎng)寬比、邊框內(nèi)冠層面積、冠層輪廓周長(zhǎng)、冠層凸包面積、冠層面積與凸包面積之比），作為隨機(jī)森林（Random forests，RF）分類(lèi)器的特征變量，對(duì)出苗階段馬鈴薯株數(shù)進(jìn)行估算。結(jié)果表明，基于無(wú)人機(jī)RGB 圖像的估測(cè)結(jié)果與人工評(píng)估結(jié)果非常接近，相關(guān)系數(shù)r2為0.96，可以作為測(cè)定株數(shù)的有效工具。

2.2 生理生化指標(biāo)

LAI、生物量和葉綠素是衡量作物生長(zhǎng)狀況的重要指標(biāo)。LAI是作物空間分布密度及冠層結(jié)構(gòu)的重要指示因子，與光合、呼吸、蒸騰、碳循環(huán)等生物理化過(guò)程密切相關(guān)[37]。地上生物量（Above ground biomass，AGB）是重要的農(nóng)學(xué)參數(shù)，與作物的光合作用相關(guān)，間接地反映生物量積累[38]。葉片葉綠素含量跟光合作用速率、植物營(yíng)養(yǎng)狀況等指標(biāo)密切相關(guān)，通常通過(guò)對(duì)葉綠素含量的測(cè)定來(lái)了解植物的健康狀況。植物對(duì)光譜的吸收和反射特征可用來(lái)反演其生理生化特性，以植被指數(shù)為代表的光譜特征分析法可以有效地識(shí)別出植物的不同性狀所對(duì)應(yīng)的吸收和反射特征，目前在解析作物生理生化指標(biāo)中已具有較廣泛的應(yīng)用。

2.2.1 基于植被指數(shù)的AGB 估算 植被指數(shù)被證實(shí)與生物量具有較好的關(guān)系，因而可以通過(guò)植被指數(shù)-生物量回歸法估算生物量，具體植被指數(shù)及回歸模型的選擇取決于模型擬合及驗(yàn)證結(jié)果。劉楊等[33]對(duì)馬鈴薯AGB 與原始冠層光譜敏感波段和高光譜指數(shù)分別進(jìn)行相關(guān)性分析，篩選出前10個(gè)最優(yōu)光譜指數(shù)，然后構(gòu)建多元線性回歸（Multiple linear regression，MLR）、偏最小二乘回歸（Partial least square regression，PLSR）和RF 3 種模型對(duì)AGB 進(jìn)行估算，并對(duì)比株高（Hdsm）、光譜指數(shù)（VIs）及VIs+Hdsm綜合因子的估算效果。結(jié)果顯示，在所有模型中各變量的效果優(yōu)劣表現(xiàn)均為VIs+Hdsm＞VIs＞Hdsm，即加入株高因子后模型精度提高。而模型性能優(yōu)劣則依次為MLR、PLSR、RF。類(lèi)似的，LI 等[39]利用無(wú)人機(jī)RGB 圖像與高光譜圖像對(duì)馬鈴薯株高及AGB 進(jìn)行了預(yù)測(cè)，研究同樣利用DSM 對(duì)株高進(jìn)行了估算，并分別建立全光譜PLSR 模型、基于特定波長(zhǎng)植被指數(shù)及估算株高的RF 模型進(jìn)行生物量估算。最終結(jié)論與劉楊等[33]研究一致，PLSR 模型的整體性能略差于RF 模型，證實(shí)株高與AGB 相關(guān)性較強(qiáng)，引入株高有利于提高生物量估算的準(zhǔn)確性。

2.2.2 基于物理模型法的LAI反演 物理模型方法是通過(guò)植被冠層輻射傳輸模型計(jì)算LAI，其中基于幾何光學(xué)模型和輻射傳輸模型的混合模型最具代表性。ROOSJEN 等[40]利用多角度無(wú)人機(jī)多光譜影像對(duì)馬鈴薯LAI 及葉綠素含量進(jìn)行了估算，采用覆蓋天頂角約30°半球的多角度數(shù)據(jù)，通過(guò)PROSAIL模型的反演對(duì)LAI和葉綠素含量進(jìn)行估測(cè)。與單一的垂直觀測(cè)相比，多角度遙感數(shù)據(jù)反演精度略有所提升，使遙感應(yīng)用從傳統(tǒng)的地面目標(biāo)平面信息走向目標(biāo)空間結(jié)構(gòu)特征的反演[41]。李劍劍等[42]基于無(wú)人機(jī)高光譜數(shù)據(jù)通過(guò)PROSAIL 模型構(gòu)建多類(lèi)型作物的查找表（Look-Up-Table，LUT）對(duì)玉米、馬鈴薯、地瓜等不同作物的LAI進(jìn)行反演。采用基于分類(lèi)知識(shí)和參數(shù)敏感性分析相結(jié)合的方法構(gòu)建查找表，在提高LAI 反演精度的同時(shí)，有效避免了查找表所有輸入?yún)?shù)高頻次采樣帶來(lái)的運(yùn)算效率的降低。但總體而言，基于物理模型反演方法、利用無(wú)人機(jī)遙感開(kāi)展馬鈴薯LAI大面積快速定量估算的相關(guān)研究還比較欠缺。

2.2.3 基于多特征融合的葉綠素含量估算 傳統(tǒng)無(wú)人機(jī)遙感大多從光譜植被指數(shù)入手進(jìn)行作物營(yíng)養(yǎng)監(jiān)測(cè)，忽略了其他信息，如圖像本身的特征信息等。無(wú)人機(jī)多光譜影像兼有地物的多光譜信息和紋理信息的優(yōu)勢(shì)，因此可以構(gòu)建不限于植被指數(shù)的多特征綜合模型來(lái)估算葉綠素含量。尹航等[43]基于無(wú)人機(jī)高光譜影像對(duì)馬鈴薯葉綠素含量進(jìn)行估測(cè)，研究發(fā)現(xiàn)，基于歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）、比值植被指數(shù)（Ratio vegetation index，RVI）等已有光譜指數(shù)估測(cè)馬鈴薯葉綠素含量存在數(shù)據(jù)離散及模型魯棒性較差的問(wèn)題，因此利用Matlab對(duì)450～950 nm 范圍內(nèi)的任意兩波段進(jìn)行組合優(yōu)化以篩選馬鈴薯葉綠素敏感波段，并組合為優(yōu)化比率光譜指數(shù)（Ratio spectral index，RSI）與優(yōu)化歸一光譜指數(shù)（NDSI），結(jié)果表明，2 類(lèi)優(yōu)化的光譜指數(shù)具有更好的線性擬合趨勢(shì)，可使模型精度明顯提高。NDVI、RVI 等傳統(tǒng)植被指數(shù)雖然被廣泛應(yīng)用于小麥、玉米等作物的葉綠素含量估算，但針對(duì)馬鈴薯葉綠素含量的估測(cè)效果卻參差不齊，說(shuō)明葉綠素敏感波段因作物種類(lèi)不同而有所差異，在實(shí)際應(yīng)用中的反演精度等問(wèn)題也需要進(jìn)一步研究。陳鵬等[44]融合多光譜植被指數(shù)與圖像紋理特征，探究綜合指標(biāo)模型對(duì)馬鈴薯葉綠素含量的估算效果，提取包括均值、反差、協(xié)同性等在內(nèi)的8個(gè)圖像紋理特征，并對(duì)比分析了基于植被指數(shù)、紋理特征的單一指標(biāo)模型與二者融合的綜合指標(biāo)模型，發(fā)現(xiàn)融合模型效果最好，植被指數(shù)模型次之，紋理特征模型最差。LI 等[45]則利用光譜反射率、植被指數(shù)、光譜位置和面積特征等綜合性高光譜參數(shù)結(jié)合機(jī)器學(xué)習(xí)方法對(duì)馬鈴薯不同生長(zhǎng)階段的葉綠素含量進(jìn)行了估測(cè)。結(jié)果同樣表明，與單一參數(shù)相比，綜合指標(biāo)參數(shù)可以準(zhǔn)確估計(jì)馬鈴薯葉綠素含量，具有較好的效果。這些研究改善了僅以單一光譜指數(shù)作為葉綠素含量統(tǒng)計(jì)估算指標(biāo)的思路，將更多有益參數(shù)納入模型，為馬鈴薯葉綠素含量的定性估測(cè)提供了更為準(zhǔn)確的新方法。

2.3 生物與非生物脅迫指標(biāo)

在作物的生長(zhǎng)過(guò)程中，會(huì)遇到生物脅迫和非生物脅迫2種植物脅迫。生物脅迫是指對(duì)植物生存與發(fā)育不利的各種生物因素的總稱(chēng)，通常是由于感染和競(jìng)爭(zhēng)所引起的[46]，如病害、蟲(chóng)害、雜草危害等[47-48]。非生物脅迫是指不利于植物生存和生長(zhǎng)發(fā)育甚至導(dǎo)致傷害、破壞和死亡的非生物的環(huán)境條件[49]，包括物理和化學(xué)2 個(gè)方面，物理方面包括溫度、水分、輻射、機(jī)械損傷等[50-52]，化學(xué)方面包括化學(xué)污染（如重金屬、農(nóng)藥、臭氧、二氧化硫等）以及礦質(zhì)營(yíng)養(yǎng)虧缺、氧氣缺乏等。氣候變化正導(dǎo)致種植環(huán)境加劇變化，病蟲(chóng)害與各類(lèi)自然災(zāi)害等脅迫因素會(huì)對(duì)作物的生長(zhǎng)帶來(lái)不同程度的負(fù)面影響，并最終導(dǎo)致減產(chǎn)等經(jīng)濟(jì)社會(huì)損失。已有大量研究表明，病原體或自然災(zāi)害對(duì)作物葉片和冠層的生物物理化學(xué)特性有直接影響[53]，因此利用作物冠層的光譜數(shù)據(jù)可以有效區(qū)分受害植物與健康植物，及時(shí)檢測(cè)病害、災(zāi)害的嚴(yán)重程度并進(jìn)行量化評(píng)估，保持作物產(chǎn)量穩(wěn)定。

2.3.1 基于植被指數(shù)的自然災(zāi)害監(jiān)測(cè)與評(píng)估 馬鈴薯生長(zhǎng)期間往往受到氣象災(zāi)害等自然因素的影響，以高溫干旱、低溫凍害及冰雹災(zāi)害較為常見(jiàn)[54]。災(zāi)害發(fā)生后，對(duì)受災(zāi)嚴(yán)重程度及損失水平進(jìn)行快速準(zhǔn)確的監(jiān)測(cè)與評(píng)估，是實(shí)施災(zāi)后處理及農(nóng)業(yè)保險(xiǎn)理賠不可或缺的環(huán)節(jié)之一。ZHOU 等[55]利用無(wú)人機(jī)高分辨率遙感影像對(duì)馬鈴薯冰雹災(zāi)害進(jìn)行了評(píng)估。研究對(duì)3種級(jí)別的冰雹損傷（落葉程度分別為33%、66%和99%）進(jìn)行模擬，并提取NDVI、綠色歸一化植被指數(shù)（GNDVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）3 個(gè)特征植被指數(shù)對(duì)馬鈴薯受損情況進(jìn)行評(píng)估。結(jié)果顯示，3 個(gè)特征指數(shù)值均隨損傷程度的增加而顯著降低，且SAVI 敏感性最高，說(shuō)明無(wú)人機(jī)遙感影像有助于評(píng)估冰雹對(duì)作物的損傷程度。但總體而言，目前應(yīng)用無(wú)人機(jī)開(kāi)展馬鈴薯自然災(zāi)害監(jiān)測(cè)評(píng)估的研究較少。

2.3.2 基于機(jī)器學(xué)習(xí)的病害監(jiān)測(cè)與評(píng)估 馬鈴薯晚疫病是當(dāng)今危害馬鈴薯生產(chǎn)最為嚴(yán)重且普遍的病害，其會(huì)迅速破壞葉片從而導(dǎo)致塊莖質(zhì)量惡化和產(chǎn)量損失[56]，因此高效準(zhǔn)確的監(jiān)測(cè)評(píng)估方法對(duì)于預(yù)防病害發(fā)生與培育抗性品種都具有重要意義。近年來(lái)，傳統(tǒng)的機(jī)器學(xué)習(xí)方法（Machine learning，ML）在識(shí)別農(nóng)業(yè)病蟲(chóng)害研究中得到了廣泛應(yīng)用。DUARTE-CARVAJALINO 等[57]基于無(wú)人機(jī)高分辨率多光譜圖像，應(yīng)用多層感知器（Multilayer perceptron，MLP）、卷 積 神 經(jīng) 網(wǎng) 絡(luò)（Convolutional neural networks，CNNs）、支 持 向 量 回 歸（Support vector regression，SVR）與RF 等4 種機(jī)器學(xué)習(xí)方法，對(duì)不同基因型馬鈴薯晚疫病嚴(yán)重程度進(jìn)行了評(píng)估，結(jié)果顯示，在各類(lèi)模型中CNNs 表現(xiàn)最優(yōu)，平均絕對(duì)誤差為11.72%。RODRíGUEZ 等[58]進(jìn)行了類(lèi)似研究，利用5 種機(jī)器學(xué)習(xí)方法進(jìn)行病害識(shí)別模型訓(xùn)練與預(yù)測(cè)驗(yàn)證，最終發(fā)現(xiàn)線性支持向量分類(lèi)器（Linear support vector classifier，LSVC）與RF 分類(lèi)器在精度指標(biāo)和運(yùn)行時(shí)間方面均具有最好的性能，且比之前的研究有較大改進(jìn)。

2.3.3 其他基于光譜特征的生物脅迫分析SUGIURA 等[59]提出利用無(wú)人機(jī)RGB 圖像進(jìn)行顏色轉(zhuǎn)換和基于閾值優(yōu)化的逐像素分類(lèi)方法對(duì)馬鈴薯晚疫病嚴(yán)重程度進(jìn)行評(píng)估。研究結(jié)果相對(duì)準(zhǔn)確，證實(shí)基于無(wú)人機(jī)影像的馬鈴薯病害識(shí)別方案的可行性。FRANCESCHINI 等[60]分析了使用無(wú)人機(jī)多光譜圖像進(jìn)行馬鈴薯晚疫病早期檢測(cè)（病害水平在2.5%～5.0%）及嚴(yán)重程度評(píng)估的可行性。具體方法是通過(guò)單純形體積最大化（Simplex volume maximization，SiVM）描述不同觀測(cè)時(shí)間冠層光譜響應(yīng)變化情況，并根據(jù)像素級(jí)對(duì)數(shù)似然比（Log-likelihood ratio，LLR）確定其與病害嚴(yán)重程度的關(guān)系。結(jié)果表明，利用無(wú)人機(jī)多光譜影像獲取的亞分米級(jí)分辨率的光學(xué)影像可以為馬鈴薯晚疫病早期發(fā)病率及嚴(yán)重情況評(píng)估提供有用信息，但光譜圖像檢測(cè)到的病害變化情況主要與馬鈴薯冠層及葉片結(jié)構(gòu)特征相關(guān)，而與葉片或冠層的色素含量相關(guān)性較小，因此對(duì)馬鈴薯晚疫病早期癥狀的識(shí)別評(píng)估仍是一個(gè)挑戰(zhàn)，需要進(jìn)一步研究。

3 問(wèn)題與展望

總體而言，通過(guò)無(wú)人機(jī)遙感系統(tǒng)獲取馬鈴薯生長(zhǎng)過(guò)程中的光譜影像，可快速提取大尺度農(nóng)田環(huán)境下馬鈴薯表型信息，監(jiān)測(cè)其生長(zhǎng)狀況并進(jìn)行精細(xì)化管理。雖然基于無(wú)人機(jī)遙感的馬鈴薯田間表型研究已取得了一定成果，但仍存在以下幾方面的不足，這些問(wèn)題也將是未來(lái)深化研究的方向與著眼點(diǎn)。

一是基于無(wú)人機(jī)遙感的馬鈴薯田間表型研究的廣度和深度需要不斷拓展。當(dāng)前無(wú)人機(jī)遙感監(jiān)測(cè)的研究對(duì)象以玉米、小麥、水稻、棉花、大豆等居多，而針對(duì)馬鈴薯這一特定對(duì)象的研究較少。同時(shí)現(xiàn)有研究對(duì)馬鈴薯田間表型參數(shù)的獲取與解析仍然比較片面，以株高、株數(shù)、冠層覆蓋度等形態(tài)指標(biāo)，以及葉綠素含量、LAI 等生理生化參數(shù)為主，缺乏氮素含量等營(yíng)養(yǎng)監(jiān)測(cè)與冠層溫度、葉片水勢(shì)、水分脅迫指數(shù)等脅迫分析，對(duì)除晚疫病外的病蟲(chóng)害識(shí)別監(jiān)測(cè)仍然欠缺，不利于在馬鈴薯生長(zhǎng)期實(shí)施科學(xué)的水肥管理與病蟲(chóng)害預(yù)防。另外，馬鈴薯與豆類(lèi)、谷類(lèi)作物不同，其果實(shí)生長(zhǎng)在地下，因此與塊莖相關(guān)的主要表型難以通過(guò)無(wú)人機(jī)直接獲取，所以要對(duì)馬鈴薯地上部分與地下部分植物性狀的關(guān)聯(lián)影響作用機(jī)制進(jìn)行更加深入的研究。二是表型解析方法與模型的精確性、穩(wěn)定性有待進(jìn)一步提高。盡管學(xué)者們利用植被指數(shù)等指標(biāo)通過(guò)經(jīng)驗(yàn)統(tǒng)計(jì)回歸與機(jī)器學(xué)習(xí)等方法成功解析了部分馬鈴薯表型信息，但不同參數(shù)、不同方法產(chǎn)生的研究結(jié)果往往參差不齊。特別是對(duì)于馬鈴薯病害的早期監(jiān)測(cè)、生物量及產(chǎn)量的估算仍需要進(jìn)一步改進(jìn)提升，以降低來(lái)自反演模型驅(qū)動(dòng)變量或參數(shù)的不確定性及模型本身誤差特性帶來(lái)的不確定性，從而提高模型精度及性能。三是無(wú)人機(jī)遙感與其他表型解析方法的融合研究尚未開(kāi)展。作為一種信息獲取的手段，無(wú)人機(jī)遙感在實(shí)際應(yīng)用中必然存在一定的局限性。而大尺度馬鈴薯表型解析研究是一項(xiàng)集成農(nóng)學(xué)、光學(xué)、計(jì)算機(jī)科學(xué)、生態(tài)學(xué)等多個(gè)學(xué)科知識(shí)的融合性工作。如何結(jié)合多源遙感數(shù)據(jù)、地面調(diào)查數(shù)據(jù)、氣象數(shù)據(jù)、土壤數(shù)據(jù)等進(jìn)行多角度的融合研究也是今后發(fā)展的方向之一。

4 結(jié)論

農(nóng)業(yè)現(xiàn)代化的發(fā)展及主糧化戰(zhàn)略的推進(jìn)，使馬鈴薯產(chǎn)業(yè)進(jìn)入全新的發(fā)展階段，并不斷向規(guī)?；?、精細(xì)化、數(shù)字化方向邁進(jìn)。信息技術(shù)及無(wú)人機(jī)技術(shù)的快速崛起為高通量作物表型分析研究開(kāi)辟了更為準(zhǔn)確高效的新途徑。輕小型無(wú)人機(jī)遙感系統(tǒng)在馬鈴薯田間表型分析研究中具有突出的優(yōu)勢(shì)，可以及時(shí)獲取精細(xì)管理所需數(shù)據(jù)信息，促使馬鈴薯種植生產(chǎn)智能化水平不斷提升。雖然基于無(wú)人機(jī)遙感的作物表型研究日漸成為精準(zhǔn)農(nóng)業(yè)領(lǐng)域的熱點(diǎn)，但針對(duì)馬鈴薯這一特定對(duì)象的相關(guān)研究與實(shí)際應(yīng)用目前仍處于初級(jí)探索階段，還面臨著諸多的問(wèn)題與挑戰(zhàn)。后續(xù)研究需擴(kuò)大樣本數(shù)量與類(lèi)型，針對(duì)馬鈴薯病蟲(chóng)害監(jiān)測(cè)、精細(xì)種養(yǎng)等實(shí)際生產(chǎn)中的重點(diǎn)環(huán)節(jié)，開(kāi)展馬鈴薯全生長(zhǎng)期多重表型解析的深入探索。同時(shí)，應(yīng)將無(wú)人機(jī)低空遙感光譜圖像與其他多源數(shù)據(jù)進(jìn)行融合，并結(jié)合前沿植物表型大數(shù)據(jù)挖掘方法，構(gòu)建更為精確穩(wěn)健的定量分析模型，為推動(dòng)近地遙感在馬鈴薯精細(xì)化種植管理中的應(yīng)用提供重要的理論與技術(shù)支撐。