趙勝利 Mujahid Hussain 王國(guó)賓 卞志豪 王猛 蘭玉彬

摘要：無(wú)人機(jī)遙感技術(shù)作為一種新型的農(nóng)業(yè)技術(shù)，為精準(zhǔn)農(nóng)業(yè)領(lǐng)域的發(fā)展提供了重要的技術(shù)支持。與傳統(tǒng)監(jiān)測(cè)方法相比，無(wú)人機(jī)遙感具有成本低、時(shí)效性強(qiáng)、無(wú)大氣干擾、分辨率高等優(yōu)點(diǎn)，為農(nóng)業(yè)信息采集提供了新的工具。無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)能夠高效、無(wú)損地精確采集農(nóng)業(yè)遙感數(shù)據(jù)，對(duì)作物長(zhǎng)勢(shì)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，為農(nóng)業(yè)生產(chǎn)提供重要的獲取空間數(shù)據(jù)途徑。近年來(lái)，隨著無(wú)人機(jī)技術(shù)和遙感技術(shù)的不斷發(fā)展和成熟，無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)的應(yīng)用范圍逐步擴(kuò)大，涵蓋了作物生長(zhǎng)監(jiān)測(cè)、精準(zhǔn)施肥、精準(zhǔn)灌溉、病蟲害預(yù)警等多個(gè)領(lǐng)域。本文重點(diǎn)介紹無(wú)人機(jī)遙感技術(shù)在作物生長(zhǎng)監(jiān)測(cè)中的應(yīng)用，主要介紹了無(wú)人機(jī)遙感系統(tǒng)的組成、無(wú)人機(jī)遙感平臺(tái)和傳感器的類型和特點(diǎn)、基于無(wú)人機(jī)遙感圖像數(shù)據(jù)處理的關(guān)鍵步驟以及作物長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)，綜合評(píng)估了無(wú)人機(jī)遙感技術(shù)在作物長(zhǎng)勢(shì)監(jiān)測(cè)方面應(yīng)用的研究現(xiàn)狀和存在的問(wèn)題旨在為后續(xù)的無(wú)人機(jī)遙感技術(shù)在作物長(zhǎng)勢(shì)監(jiān)測(cè)中的研究提供參考。

關(guān)鍵詞：無(wú)人機(jī)；遙感；農(nóng)業(yè)；長(zhǎng)勢(shì)；應(yīng)用進(jìn)展

中圖分類號(hào)：S127? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）08-0008-07

收稿日期：2023-05-11

基金項(xiàng)目：山東省自然科學(xué)基金（編號(hào)：ZR2021QC154）；山東省引進(jìn)頂尖人才“一事一議”專項(xiàng)經(jīng)費(fèi)資助項(xiàng)目（編號(hào)：魯政辦字［2018］27號(hào)）。

作者簡(jiǎn)介：趙勝利（1998—），女，河南長(zhǎng)葛人，碩士研究生，研究方向?yàn)槊藁óa(chǎn)量估測(cè)模型。E-mail：21403010286@sdut.edu.cn。

通信作者：蘭玉彬，博士，教授，博士生導(dǎo)師，研究方向?yàn)榫珳?zhǔn)農(nóng)業(yè)航空應(yīng)用技術(shù)。E-mail：ylan@sdut.edu.cn。

無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)是將無(wú)人機(jī)與遙感技術(shù)相結(jié)合，用于對(duì)農(nóng)田進(jìn)行高精度、高分辨率的遙感監(jiān)測(cè)和數(shù)據(jù)采集的技術(shù)［1］。其以無(wú)人機(jī)為平臺(tái)，搭載數(shù)碼相機(jī)、多光譜相機(jī)、高光譜相機(jī)等多種傳感器，為農(nóng)情信息的收集提供數(shù)據(jù)支持，是精準(zhǔn)農(nóng)業(yè)研究的重要發(fā)展方向之一［2-4］。相比衛(wèi)星遙感和航空遙感，無(wú)人機(jī)遙感具有成本低廉、時(shí)效性強(qiáng)、不受大氣影響、高分辨率等特點(diǎn)，而且相較于傳統(tǒng)監(jiān)測(cè)方法，無(wú)人機(jī)遙感的效率更高，且不會(huì)造成破壞，為田塊尺度的遙感應(yīng)用研究提供了新的工具［5］。

20世紀(jì)60年代，美國(guó)國(guó)家航空航天局（NASA）開始使用航空無(wú)人機(jī)進(jìn)行地球觀測(cè)。20世紀(jì)90年代，一些農(nóng)業(yè)遙感研究機(jī)構(gòu)和個(gè)人開始嘗試?yán)脽o(wú)人機(jī)獲取農(nóng)業(yè)信息，如農(nóng)田土壤、作物生長(zhǎng)狀態(tài)等，以支持農(nóng)業(yè)生產(chǎn)管理決策［6］。隨著遙感技術(shù)的發(fā)展和無(wú)人機(jī)技術(shù)的不斷成熟，農(nóng)業(yè)遙感應(yīng)用也開始逐步普及。21世紀(jì)初，無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)開始進(jìn)入技術(shù)提升期。無(wú)人機(jī)的使用成本逐漸降低，機(jī)身體積不斷縮小，搭載的傳感器和相機(jī)也變得更加高精度和多樣化［7］。農(nóng)業(yè)遙感應(yīng)用也從單一的作物長(zhǎng)勢(shì)監(jiān)測(cè)拓展到作物長(zhǎng)勢(shì)、精準(zhǔn)施肥、精準(zhǔn)灌溉等多個(gè)領(lǐng)域。根據(jù)國(guó)際無(wú)人機(jī)協(xié)會(huì)的計(jì)算，2015—2025年，無(wú)人機(jī)在民用領(lǐng)域的應(yīng)用將為美國(guó)經(jīng)濟(jì)貢獻(xiàn)821億美元，其中80%以上將直接來(lái)自農(nóng)業(yè)［8］。雖然我國(guó)的遙感技術(shù)起步較晚，始于20世紀(jì)80年代，但是過(guò)去幾十年來(lái)發(fā)展迅速，取得了不少研究成果，目前已經(jīng)成為我國(guó)農(nóng)業(yè)生產(chǎn)和農(nóng)村發(fā)展的重要支撐技術(shù)之一［9-11］。

及時(shí)監(jiān)測(cè)和預(yù)測(cè)農(nóng)作物長(zhǎng)勢(shì)是提高農(nóng)業(yè)生產(chǎn)效率的有效途徑。無(wú)人機(jī)遙感技術(shù)通過(guò)對(duì)作物生長(zhǎng)過(guò)程中的環(huán)境因素、物理指標(biāo)和生化參數(shù)等進(jìn)行實(shí)時(shí)或定期監(jiān)測(cè)，來(lái)評(píng)估和預(yù)測(cè)作物的生長(zhǎng)情況和生產(chǎn)潛力［12-14］，指導(dǎo)農(nóng)業(yè)生產(chǎn)和管理決策，不僅優(yōu)化了作物生長(zhǎng)環(huán)境和生產(chǎn)方式，且提高了作物產(chǎn)量和品質(zhì)，降低了農(nóng)業(yè)生產(chǎn)成本和減少了資源浪費(fèi)［1，15］。

近5年來(lái)，利用較低成本的飛行器和搭載載荷范圍內(nèi)的相機(jī)獲取作物信息的手段越來(lái)越普遍。遙感技術(shù)在農(nóng)業(yè)領(lǐng)域目前主要應(yīng)用于田間作物生長(zhǎng)狀況監(jiān)測(cè)及產(chǎn)量預(yù)測(cè)、病蟲災(zāi)害的預(yù)警與防治等，其讓農(nóng)業(yè)的發(fā)展更加智能化、自動(dòng)化［7，16-17］。

本研究從無(wú)人機(jī)遙感平臺(tái)、傳感器類型及特點(diǎn)、遙感圖像數(shù)據(jù)處理、作物生長(zhǎng)監(jiān)測(cè)主要指標(biāo)等方面綜述了無(wú)人機(jī)遙感在農(nóng)業(yè)領(lǐng)域的應(yīng)用進(jìn)展，并對(duì)無(wú)人機(jī)遙感的發(fā)展趨勢(shì)進(jìn)行了探討，以期為農(nóng)業(yè)生產(chǎn)提供更好的理論和技術(shù)支持。

1 無(wú)人機(jī)遙感系統(tǒng)概述

本研究涉及的無(wú)人機(jī)指農(nóng)業(yè)領(lǐng)域應(yīng)用較多的輕小型民用無(wú)人機(jī)，偵查、作戰(zhàn)的軍用無(wú)人機(jī)不在討論范圍內(nèi)。

1.1 無(wú)人機(jī)遙感系統(tǒng)

無(wú)人機(jī)遙感系統(tǒng)組成如圖1所示，主要包括無(wú)人機(jī)平臺(tái)、遙感設(shè)備、數(shù)據(jù)傳輸和存儲(chǔ)系統(tǒng)、數(shù)據(jù)處理系統(tǒng)等組成部分［18-19］。無(wú)人機(jī)平臺(tái)通過(guò)搭載各種遙感設(shè)備實(shí)現(xiàn)數(shù)據(jù)的采集和傳輸；遙感設(shè)備包括光學(xué)相機(jī)、多光譜相機(jī)、激光雷達(dá)等，可實(shí)現(xiàn)高精度、高分辨率的遙感數(shù)據(jù)采集和處理；數(shù)據(jù)傳輸和存儲(chǔ)系統(tǒng)能完成遙感數(shù)據(jù)的傳輸、存儲(chǔ)和處理；數(shù)據(jù)處理系統(tǒng)用于對(duì)遙感數(shù)據(jù)進(jìn)行處理和分析。

1.2 無(wú)人機(jī)平臺(tái)

無(wú)人機(jī)已經(jīng)成為現(xiàn)代農(nóng)業(yè)監(jiān)測(cè)中非常重要的工具。小型無(wú)人機(jī)的有效載荷為10 kg以下，最大飛行速度不超過(guò)33m/s，最大飛行高度在3km以

內(nèi)［20］。選擇何種類型的無(wú)人機(jī)平臺(tái)取決于農(nóng)業(yè)監(jiān)測(cè)的具體要求和場(chǎng)景，例如飛行距離、攜帶載荷、傳感器負(fù)載和預(yù)算。在以上方面的綜合考慮之下，多旋翼無(wú)人機(jī)和輕小型固定翼無(wú)人機(jī)是目前農(nóng)業(yè)領(lǐng)域中最常用的無(wú)人機(jī)平臺(tái)［5，21］。表1中為常見的無(wú)人機(jī)平臺(tái)。旋翼類無(wú)人機(jī)做到了無(wú)需跑道起降，且可在執(zhí)行任務(wù)過(guò)程中定點(diǎn)懸停，飛行姿態(tài)靈活調(diào)整，傳輸清晰實(shí)時(shí)動(dòng)態(tài)影像，因而在注重任務(wù)細(xì)節(jié)和質(zhì)量的行業(yè)得到越來(lái)越多的青睞［22-23］。與固定翼無(wú)人機(jī)相比，旋翼無(wú)人機(jī)的硬件結(jié)構(gòu)更加復(fù)雜，系統(tǒng)穩(wěn)定性和抗風(fēng)能力不如固定翼無(wú)機(jī)，其操作員的技術(shù)水平也更高［24-25］。

1.3 遙感傳感器的分類

無(wú)人機(jī)遙感傳感器主要有數(shù)碼相機(jī)、多光譜和高光譜相機(jī)、熱紅外掃描儀及激光雷達(dá)等［27-28］，具體見表2。通過(guò)數(shù)據(jù)傳輸及處理系統(tǒng)可生成載有遙感信息的影像及相關(guān)數(shù)字模型、光譜指數(shù)等遙感成果，這些產(chǎn)出結(jié)果在農(nóng)業(yè)生產(chǎn)管理中可應(yīng)用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè) 。由于無(wú)人機(jī)的載荷量有限，目前應(yīng)用于無(wú)人機(jī)農(nóng)業(yè)遙感信息獲取的傳感器主要是高清數(shù)碼相機(jī)和多光譜相機(jī)［29］。高光譜成像儀雖有幾百個(gè)甚至更多波段，但由于數(shù)據(jù)量龐大及較高的成本，在農(nóng)業(yè)領(lǐng)域得到廣泛應(yīng)用還需要從海量的數(shù)據(jù)中進(jìn)一步挖掘有用信息［30］。

2 信息獲取與數(shù)據(jù)處理

無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)可以快速、高效地獲取農(nóng)田信息，對(duì)于農(nóng)業(yè)監(jiān)測(cè)有著重要的應(yīng)用價(jià)值［31］。目前，無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)的應(yīng)用已經(jīng)逐漸普及，但是如何更高效地處理無(wú)人機(jī)遙感數(shù)據(jù)來(lái)實(shí)現(xiàn)農(nóng)業(yè)監(jiān)測(cè)仍然是熱點(diǎn)問(wèn)題之一。

2.1 圖像預(yù)處理

無(wú)人機(jī)遙感平臺(tái)獲取的影像預(yù)處理包括輻射校正［32］、幾何校正［33］、圖像配準(zhǔn)［34］、圖像去噪與增強(qiáng)等步驟。美國(guó) MicaSense公司生產(chǎn)的ADC Lite多光譜相機(jī)、德國(guó)Cubert公司生產(chǎn)的UHD185 firefly高光譜相機(jī)均可使用設(shè)備自帶的輻射校正板進(jìn)行校正，此外常用的輻射校正方法還包括大氣壓縮校正法、基于地物實(shí)測(cè)反射率的經(jīng)驗(yàn)線性法等。圖像配準(zhǔn)有2種主要配準(zhǔn)方法：基于圖像區(qū)域的配準(zhǔn)方法和基于圖像特征的配準(zhǔn)方法［34］。基于圖像區(qū)域的配準(zhǔn)方法直接利用圖像全部灰度信息進(jìn)行配準(zhǔn)，計(jì)算量大，效果較差，無(wú)法滿足圖像配準(zhǔn)實(shí)時(shí)性需求［35］。隨著機(jī)器視覺領(lǐng)域中圖像特征處理算法的興起，基于圖像特征的配準(zhǔn)方法因其計(jì)算量少、高效率、高精度的特點(diǎn)，引起專家學(xué)者的廣泛關(guān)注。例如，SIFT（scale-invariant feature transform）算法［36］、SURF（speeded up robust features）算法［37］、PCA-SIFT（principal component analysis-SIFT）算法［38］等。

2.2 植被指數(shù)特征提取

由于植被結(jié)構(gòu)和作物生理特性的多樣性，不同作物的反射光譜存在較大差異。通過(guò)對(duì)無(wú)人機(jī)遙感影像不同波段的反射率進(jìn)行線性或非線性組合得到的植被指數(shù)（VI）及其他指標(biāo)來(lái)提取植被特征，是作物長(zhǎng)勢(shì)監(jiān)測(cè)研究的熱點(diǎn)之一［39］。由作物可見光波段構(gòu)建的植被指數(shù)，如過(guò)綠指數(shù)（EXG）、可見光波段差異植被指數(shù)（VDVI）、超綠指數(shù)（EXG）、超綠超紅差分指數(shù)（EXGR）、植被顏色指數(shù)（CIVE）等［40］。大量研究表明，紅外波段、近紅外波段中，農(nóng)作物的光譜反射特征與其長(zhǎng)勢(shì)和產(chǎn)量相關(guān)性明顯［20］，如歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、改進(jìn)型植被指數(shù)（EVI）等［6，41］。其中，NDVI最為常用，NDVI值通常在-1～1之間，值越高代表植被覆蓋度越高。相比多光譜數(shù)據(jù)，高光譜數(shù)據(jù)的光譜信息更為豐富，如轉(zhuǎn)換葉綠素吸收指數(shù)（TCARI）、土壤調(diào)節(jié)植被指數(shù)（OSAVI）、比值光譜指數(shù)（RSI）、簡(jiǎn)單光譜指數(shù)（SSI）、重歸一化植被指數(shù)（RDVI）、葉綠素吸收連續(xù)區(qū)指數(shù)（CACI）、連續(xù)體去除葉綠素吸收指數(shù)（CRCAI）等［42-44］。

2.3 長(zhǎng)勢(shì)參數(shù)反演

隨著計(jì)算機(jī)技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的廣泛應(yīng)用，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法在作物長(zhǎng)勢(shì)監(jiān)測(cè)方面的研究也得到快速發(fā)展。具體表現(xiàn)在：（1）數(shù)據(jù)源的選擇從較為單一類型的可見光或多光譜，發(fā)展到目前應(yīng)用較為廣泛的高光譜數(shù)據(jù)、激光雷達(dá)數(shù)據(jù)、熱紅外數(shù)據(jù)等。（2）無(wú)論是在數(shù)據(jù)獲取方法上還是在處理手段上都進(jìn)行了大量有益的探索，尤其對(duì)于多源數(shù)據(jù)的整合、植被指數(shù)與反演指標(biāo)之間的模型構(gòu)建上，學(xué)者們從不同的角度嘗試消除傳統(tǒng)方法的局限，旨在提高模型反演精度。如高林等選擇冬小麥冠層ASD光譜反射率數(shù)據(jù)作為評(píng)價(jià)無(wú)人機(jī)UHD185高光譜數(shù)據(jù)質(zhì)量的標(biāo)準(zhǔn)，依次從光譜曲線變化趨勢(shì)、光譜相關(guān)性以及目標(biāo)地物光譜差異3個(gè)方面展開分析，結(jié)果表明，458～830 nm（第3～96波段）的UHD185光譜數(shù)據(jù)可靠，可使用其探測(cè)冬小麥LAI［45］，為今后無(wú)人機(jī)UHD185高光譜數(shù)據(jù)的使用提供了參考。

2.4 反演方法與精度評(píng)價(jià)

一些常見的反演方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、回歸模型等，具體見表3。模型構(gòu)建完成后，需要對(duì)模型精度進(jìn)行評(píng)價(jià)，大多數(shù)研究結(jié)合人工實(shí)測(cè)數(shù)據(jù)作為真實(shí)值，3個(gè)參數(shù)［決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)誤差（RE）］評(píng)價(jià)分類識(shí)別精度。據(jù)大量研究結(jié)果可知，通常模型精度會(huì)隨著參數(shù)個(gè)數(shù)的增加而提高，但過(guò)擬合的概率越大，因此不能僅憑單一標(biāo)準(zhǔn)來(lái)判斷一種反演模型的優(yōu)劣。

3. 作物長(zhǎng)勢(shì)監(jiān)測(cè)的重要參數(shù)

在適當(dāng)?shù)纳谶M(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)，能夠及早發(fā)現(xiàn)作物生長(zhǎng)中的問(wèn)題，實(shí)施精準(zhǔn)農(nóng)業(yè)操作，從而提高作物產(chǎn)量和品質(zhì)［46］。不同作物的葉綠素含量、氮素含量、細(xì)胞水分等存在顯著差異，從而影響作物冠層的反射光譜。因此，構(gòu)建精度高且通用性強(qiáng)的作物長(zhǎng)勢(shì)監(jiān)測(cè)模型是應(yīng)用無(wú)人機(jī)遙感技術(shù)進(jìn)行精準(zhǔn)農(nóng)業(yè)的關(guān)鍵［47-48］。

3.1 葉綠素含量

葉綠素含量是反映植物光合作用效率的重要指標(biāo)，對(duì)作物的蒸騰作用、光合作用以及農(nóng)作物估產(chǎn)等具有重要意義。傳統(tǒng)的測(cè)量方法為化學(xué)分析法，該方法耗時(shí)費(fèi)力，不適合大范圍監(jiān)測(cè)。地面遙感平臺(tái)中常用葉綠素儀測(cè)量作物葉片的葉綠素含量，作為真實(shí)驗(yàn)證數(shù)據(jù)。無(wú)人機(jī)遙感平臺(tái)具有快速、無(wú)損、高精度的特點(diǎn)，更適合大范圍監(jiān)測(cè)。但有研究表明，無(wú)人機(jī)的飛行高度對(duì)作物的預(yù)測(cè)和反演精度有較大影響［49］。近20年來(lái)，基于遙感影像的大田作物葉綠素含量估測(cè)研究得到了快速發(fā)展［49-50］。研究者們多采用線性回歸的方法，但該方法以變量之間存在線性關(guān)系為前提，或與實(shí)際情況存在偏差。線性回歸模型的系數(shù)可以解釋自變量和因變量之間的關(guān)系，然而對(duì)于復(fù)雜的數(shù)據(jù)集，便超出其適用范圍。因此，目前研究人員已經(jīng)偏向于用主成分分析、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等方法來(lái)反演作物生長(zhǎng)參數(shù)，并結(jié)合高光譜遙感信息來(lái)構(gòu)建包含更多波段的模型，從而更準(zhǔn)確地解釋模型預(yù)測(cè)的變化［51］。

3.2 含氮量

在氮素含量上，裴信彪等構(gòu)建了自主研發(fā)的無(wú)人機(jī)結(jié)構(gòu)與飛控系統(tǒng)，測(cè)試了4種施氮水平水稻的光譜指數(shù)變化規(guī)律，實(shí)現(xiàn)了水稻氮素水平的變化監(jiān)測(cè)［52］。該研究中提出的飛行控制軌跡跟蹤方法將為無(wú)人機(jī)研發(fā)領(lǐng)域的研究者們提供新的思路。王玉娜等利用無(wú)人機(jī)搭載高光譜相機(jī)對(duì)冬小麥進(jìn)行遙感監(jiān)測(cè)，通過(guò)分析冠層光譜參數(shù)與植株氮含量、地上部生物量和氮素營(yíng)養(yǎng)指數(shù)的相關(guān)性，篩選出對(duì)三者均敏感的光譜參數(shù)，結(jié)合多元線性逐步回歸、偏最小二乘回歸和隨機(jī)森林回歸建立抽穗期冬小麥氮素營(yíng)養(yǎng)指數(shù)（NNI）估測(cè)模型，該研究實(shí)現(xiàn)了小區(qū)范圍內(nèi)的氮素營(yíng)養(yǎng)指數(shù)遙感填圖，清晰地展示了冬小麥氮素的空間分布，為農(nóng)作物的精準(zhǔn)施肥和產(chǎn)量估算提供了理論依據(jù)［53］。Tao等利用搭載在無(wú)人機(jī)上的高光譜傳感器獲取植被指數(shù)和紅邊參數(shù)，基于植被指數(shù)、紅邊參數(shù)及其組合，采用逐步回歸（SWR）和偏最小二乘回歸（PLSR）方法對(duì)植被指數(shù)和葉面積指數(shù)進(jìn)行精確估計(jì)，結(jié)果表明，植被指數(shù)與紅邊參數(shù)相結(jié)合，利用PLSR方法可以提高AGB和LAI的估計(jì)［54］。Yuan等提出了一種圖像與光譜特征融合的玉米葉片氮含量預(yù)測(cè)模型，采用偏最小二乘回歸和支持向量機(jī)回歸（SVR）對(duì)玉米葉片氮含量進(jìn)行預(yù)測(cè)，結(jié)果表明，與單變量模型相比，基于圖像和光譜的融合模型預(yù)測(cè)效果更佳［55］。該研究結(jié)果證實(shí)了基于特征融合的方法一定程度上有助于提高模型的預(yù)測(cè)性能，為無(wú)人機(jī)低空遙感圖像特征提取方法的選擇提供了理論依據(jù)和指導(dǎo)。

3.3 含水量

利用無(wú)人機(jī)遙感進(jìn)行農(nóng)作物土壤含水量的反演研究相對(duì)較少，目前的研究采用的傳感器主要是可見光相機(jī)、多光譜相機(jī)。針對(duì)于農(nóng)作物冠層及葉片的復(fù)雜結(jié)構(gòu)，魏青等基于不同時(shí)期冬小麥的無(wú)人機(jī)多光譜遙感圖像，通過(guò)逐步回歸法和強(qiáng)迫進(jìn)入法建立了光譜反射率模型和植被指數(shù)模型，結(jié)果表明，基于逐步回歸法的光譜指數(shù)模型效果最優(yōu)，決定系數(shù)為0.83［56］；以內(nèi)蒙古玉米田為研究區(qū)，多光譜相機(jī)為遙感平臺(tái)，張智韜等提出用機(jī)器學(xué)習(xí)的方法構(gòu)建植被指數(shù)與土壤含水率的反演模型，結(jié)果表明，支持向量機(jī)方法的模型精度在0.851以上［57］。該研究對(duì)土壤含水率的反演研究有一定參考作用，未來(lái)需要在模型建立方法上進(jìn)一步提高作物監(jiān)測(cè)的適用性。最新的研究采用尺度轉(zhuǎn)換法，將衛(wèi)星遙感影像與無(wú)人機(jī)遙感影像相結(jié)合，采用 TsHARP 升尺度法和重采樣升尺度法構(gòu)建了土壤含水率反演模型，結(jié)果表明，2種方法均能提高模型反演精度，結(jié)合衛(wèi)星遙感和無(wú)人機(jī)遙感二者的優(yōu)勢(shì)實(shí)現(xiàn)了高精度又大尺度的地表信息監(jiān)測(cè)，為土壤含水率及其他遙感領(lǐng)域的研究提供了新的思路［58］。

3.4 葉面積指數(shù)

LAI是作物在生物和非生物脅迫下健康狀況的重要依據(jù)，有助于作物生物量和產(chǎn)量的生成［59-60］。Zhang等基于小麥的光譜反射機(jī)制，開展其光譜指數(shù)與LAI的相關(guān)性分析，為小麥田間尺度的長(zhǎng)勢(shì)分析提供了支持，研究表明，隨機(jī)森林法對(duì)LAI的估測(cè)具有較好效果，但對(duì)不同品種、不同水氮處理情況下的模型構(gòu)建還有待深入研究［61］。曹中盛等實(shí)現(xiàn)了水稻不同品種、不同水氮處理情況下的研究，且于不同時(shí)期測(cè)定水稻 LAI，同步獲取水稻無(wú)人機(jī)數(shù)碼影像并提取顏色指數(shù)及紋理特征，構(gòu)建了定量監(jiān)測(cè)模型并進(jìn)行檢驗(yàn)，結(jié)果表明，無(wú)人機(jī)數(shù)碼影像中顏色指數(shù)及紋理特征與水稻 LAI 之間的相關(guān)性在生育前期最高［62］。邵國(guó)敏等基于無(wú)人機(jī)多光譜影像數(shù)據(jù)，構(gòu)建了植被指數(shù)與LAI的關(guān)系模型，結(jié)果表明，隨機(jī)森林回歸算法估算不同灌溉條件下的玉米LAI可行性較高，決定系數(shù)為0.74～0.87［59］。Yao等利用多光譜遙感系統(tǒng)，采集多光譜植被指數(shù)，通過(guò)不同的回歸方法選出了最優(yōu)LAI反演模型，發(fā)現(xiàn)無(wú)人機(jī)采集的數(shù)據(jù)檢測(cè)玉米的LAI是可行的［63］。眾所周知，作物的LAI具有高度的時(shí)空異質(zhì)性，在準(zhǔn)確獲取田間尺度的LAI方面仍存在許多挑戰(zhàn)：（1）在理論方法上應(yīng)進(jìn)行大膽創(chuàng)新，特別是在探索基于多源數(shù)據(jù)融合的作物L(fēng)AI檢索新方法方面。（2） 加強(qiáng)LAI遙感試驗(yàn)和數(shù)據(jù)積累，促進(jìn)LAI業(yè)務(wù)研究和應(yīng)用。

3.5 生物量

生物量是最常見的作物參數(shù)，國(guó)內(nèi)外有眾多學(xué)者做了大量關(guān)于無(wú)人機(jī)遙感監(jiān)測(cè)植物地上生物量的研究。鄧江等采集了棉花不同生育期的近紅外影像，并提取4種光譜指數(shù)，構(gòu)建了棉花主要生育期地上生物量的估算模型［64］。也有研究采用無(wú)人機(jī)多光譜影像結(jié)合作物水分利用效率模型的方法，探討無(wú)人機(jī)遙感在玉米生物量反演方面的可行性，為無(wú)人機(jī)遙感監(jiān)測(cè)玉米生物量提供了參考［58］。

總之，無(wú)人機(jī)遙感在葉綠素含量、生物量、含水量等作物長(zhǎng)勢(shì)監(jiān)測(cè)中的研究取得了較多成果，由早期的無(wú)人機(jī)搭載可見光相機(jī)，到近年來(lái)的利用多光譜乃至高光譜相機(jī)等傳感器獲取無(wú)人機(jī)遙感影像進(jìn)行信息提取、反演模型構(gòu)建等手段，反演精度逐步提高，但這些成果距大規(guī)模實(shí)際應(yīng)用還有一定距離。目前的研究對(duì)象主要集中于特定研究區(qū)或特定樣本，多數(shù)研究成果與作物長(zhǎng)勢(shì)變化的內(nèi)在機(jī)理聯(lián)系不夠緊密，還應(yīng)加強(qiáng)對(duì)作物生長(zhǎng)規(guī)律及模型普適性的相關(guān)研究。

4 討論

近年來(lái)無(wú)人機(jī)農(nóng)業(yè)遙感的圖像處理技術(shù)與系統(tǒng)硬件都得到快速發(fā)展與廣泛應(yīng)用，并取得了豐碩成果，但同時(shí)也存在一些需要進(jìn)一步深入探究或亟待解決的科學(xué)問(wèn)題。具體表現(xiàn)在以下4個(gè)方面。

4.1 無(wú)人機(jī)續(xù)航能力有限

無(wú)人機(jī)續(xù)航能力的嚴(yán)重性不容忽視。續(xù)航能力決定了無(wú)人機(jī)的作業(yè)時(shí)間和范圍，對(duì)長(zhǎng)時(shí)間或大范圍的任務(wù)來(lái)說(shuō)，續(xù)航能力是至關(guān)重要的因素。無(wú)人機(jī)的續(xù)航時(shí)間不足，則需要多次起降和更換電池，大大降低了作業(yè)效率和效果。因此，提高植保無(wú)人機(jī)的續(xù)航能力，是農(nóng)業(yè)生產(chǎn)中的一個(gè)重要課題，需通過(guò)提高電池能量密度、優(yōu)化機(jī)身結(jié)構(gòu)、改進(jìn)動(dòng)力系統(tǒng)等方式來(lái)實(shí)現(xiàn)。

4.2 大量遙感數(shù)據(jù)的快速處理較困難

無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)可以獲取大量的作物遙感數(shù)據(jù)，但是數(shù)據(jù)處理的難度較大。無(wú)人機(jī)在作物生長(zhǎng)期間對(duì)作物進(jìn)行多次拍攝，每次拍攝都會(huì)產(chǎn)生大量的圖像和點(diǎn)云數(shù)據(jù)，包括作物的生長(zhǎng)狀態(tài)、植被指數(shù)等多個(gè)方面的指標(biāo)，需要綜合運(yùn)用圖像處理、點(diǎn)云數(shù)據(jù)處理、多傳感器融合等多個(gè)技術(shù)手段對(duì)數(shù)據(jù)進(jìn)行綜合分析和解釋。為了解決這些問(wèn)題，需要運(yùn)用計(jì)算機(jī)視覺、遙感圖像處理、機(jī)器學(xué)習(xí)等技術(shù)手段對(duì)采集的數(shù)據(jù)進(jìn)行處理和分析，提取有用信息，為農(nóng)業(yè)生產(chǎn)提供科學(xué)依據(jù)。

4.3 亟待制定更精準(zhǔn)的農(nóng)用無(wú)人機(jī)的飛行作業(yè)標(biāo)準(zhǔn)

我國(guó)農(nóng)業(yè)植保無(wú)人機(jī)行業(yè)作為近年來(lái)新起之秀，缺乏相關(guān)標(biāo)準(zhǔn)的約束會(huì)影響其未來(lái)發(fā)展。目前使用無(wú)人機(jī)仍然沒有標(biāo)準(zhǔn)化的工作流程，雖然逐漸有一些行業(yè)標(biāo)準(zhǔn)、地方標(biāo)準(zhǔn)出臺(tái)，但在農(nóng)用無(wú)人機(jī)快速發(fā)展的背景下，無(wú)人機(jī)作業(yè)的相關(guān)規(guī)定依舊不夠完善，單純針對(duì)某一類作物的規(guī)范顯然不足以滿足植保無(wú)人機(jī)在農(nóng)業(yè)各個(gè)領(lǐng)域的需求。

4.4 反演模型的普適性較低

遙感技術(shù)的優(yōu)勢(shì)在于能夠提供多尺度、多角度、多波段、多時(shí)間的廣泛地面觀測(cè)數(shù)據(jù)。然而對(duì)于農(nóng)業(yè)遙感，特別是作物生長(zhǎng)監(jiān)測(cè)，其關(guān)鍵屬性如葉面積、生物量等在作物生長(zhǎng)過(guò)程中不斷變化，僅靠遙感數(shù)據(jù)很難保證觀測(cè)的連續(xù)性。因此，大量研究將各種專業(yè)農(nóng)業(yè)模型（如作物生長(zhǎng)模型、地表能量平衡模型）與遙感數(shù)據(jù)相耦合或同化，以彌補(bǔ)遙感觀測(cè)時(shí)間分辨率的不足。即便如此，反演模型依然存在普適性低下的問(wèn)題，嚴(yán)重影響了無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用廣度及深度。未來(lái)研究者們應(yīng)加強(qiáng)多源數(shù)據(jù)融合技術(shù)的研發(fā)及通用模型的建立等方面的研究，為農(nóng)業(yè)生產(chǎn)提供更好的決策和管理支持。

參考文獻(xiàn)：

［1］Huang Y B，Chen Z X，Yu T，et al. Agricultural remote sensing big data：management and applications［J］. Journal of Integrative Agriculture，2018，17（9）：1915-1931.

［2］劉建剛，趙春江，楊貴軍，等. 無(wú)人機(jī)遙感解析田間作物表型信息研究進(jìn)展［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（24）：98-106.

［3］胡健波，張 健. 無(wú)人機(jī)遙感在生態(tài)學(xué)中的應(yīng)用進(jìn)展［J］. 生態(tài)學(xué)報(bào)，2018，38（1）：20-30.

［4］晏 磊，廖小罕，周成虎，等. 中國(guó)無(wú)人機(jī)遙感技術(shù)突破與產(chǎn)業(yè)發(fā)展綜述［J］. 地球信息科學(xué)學(xué)報(bào)，2019，21（4）：476-495.

［5］孫 剛，黃文江，陳鵬飛，等. 輕小型無(wú)人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（3）：1-17.

［6］Zhang H D，Wang L Q，Tian T，et al. A review of unmanned aerial vehicle low-altitude remote sensing （UAV-LARS） use in agricultural monitoring in China［J］. Remote Sensing，2021，13（6）：1221.

［7］蘭玉彬，鄧小玲，曾國(guó)亮. 無(wú)人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進(jìn)展［J］. 智慧農(nóng)業(yè)，2019，1（2）：1-19.

［8］郭慶華，吳芳芳，龐樹鑫，等. Crop 3D—基于激光雷達(dá)技術(shù)的作物高通量三維表型測(cè)量平臺(tái)［J］. 中國(guó)科學(xué)（生命科學(xué)），2016，46（10）：1210-1221.

［9］史 舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（2）：247-260.

［10］Wang G B，Lan Y B，Qi H X，et al. Field evaluation of an unmanned aerial vehicle （UAV） sprayer：effect of spray volume on deposition and the control of pests and disease in wheat［J］. Pest Management Science，2019，75（6）：1546-1555.

［11］Zhan Y L，Chen P C，Xu W C，et al. Influence of the downwash airflow distribution characteristics of a plant protection UAV on spray deposit distribution［J］. Biosystems Engineering，2022，216：32-45.

［12］紀(jì)景純，趙 原，鄒曉娟，等. 無(wú)人機(jī)遙感在農(nóng)田信息監(jiān)測(cè)中的應(yīng)用進(jìn)展［J］. 土壤學(xué)報(bào)，2019，56（4）：773-784.

［13］田 婷，張 青，張海東. 無(wú)人機(jī)遙感在作物監(jiān)測(cè)中的應(yīng)用研究進(jìn)展［J］. 作物雜志，2020（5）：1-8.

［14］韓文霆，李 廣，苑夢(mèng)嬋，等. 基于無(wú)人機(jī)遙感技術(shù)的玉米種植信息提取方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（1）：139-147.

［15］Wang L L，Zhao Y J，Liu S B，et al. Precision detection of dense plums in orchards using the improved YOLO v4 model［J］. Frontiers in Plant Science，2022，13：839269.

［16］楊國(guó)峰，何 勇，馮旭萍，等. 無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲害脅迫方法與最新研究進(jìn)展［J］. 智慧農(nóng)業(yè)（中英文），2022，4（1）：1-16.

［17］Chen P C，Douzals J P，Lan Y B，et al. Characteristics of unmanned aerial spraying systems and related spray drift：a review［J］. Frontiers in Plant Science，2022，13：870956.

［18］Xiang H T，Tian L. Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle （UAV）［J］. Biosystems Engineering，2011，108（2）：174-190.

［19］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.

［20］雷 劍. 輕小型無(wú)人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用研究［J］. 農(nóng)業(yè)與技術(shù)，2022，42（3）：41-43.

［21］Petrescu R V，Aversa R，Akash B，et al. Unmanned helicopters［J］. Journal of Aircraft and Spacecraft Technology，2017，1（4）：241-248.

［22］Segui-Gasco P，Al-Rihani Y，Shin H S，et al. A novel actuation concept for a multi rotor UAV［J］. Journal of Intelligent & Robotic Systems，2014，74（1）：173-191.

［23］Cai G W，Lum K Y，Chen B M，et al. A brief overview on miniature fixed-wing unmanned aerial vehicles［C］//IEEE ICCA.Xiamen，China.IEEE，2010：285-290.

［24］Asadzadeh S，de Oliveira W J，de Souza Filho C R. UAV-based remote sensing for the petroleum industry and environmental monitoring：state-of-the-art and perspectives［J］. Journal of Petroleum Science and Engineering，2022，208：109633.

［25］Chen R Q，Zhang C J，Xu B，et al. Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning［J］. Computers and Electronics in Agriculture，2022，201：107275.

［26］馬代健. 無(wú)人機(jī)熱紅外圖像采集系統(tǒng)開發(fā)與應(yīng)用［D］. 楊凌：西北農(nóng)林科技大學(xué)，2018.

［27］de Almeida C T，Galvo L S，de Oliveira Cruz e Arago L E，et al. Combining LiDAR and hyperspectral data for aboveground biomass modeling in the Brazilian Amazon using different regression algorithms［J］. Remote Sensing of Environment，2019，232：111323.

［28］Dimov D，Uhl J H，Lw F，et al. Sugarcane yield estimation through remote sensing time series and phenology metrics［J］. Smart Agricultural Technology，2022，2：100046.

［29］Franklin S E，Ahmed O S，Williams G. Northern conifer forest species classification using multispectral data acquired from an unmanned aerial vehicle［J］. Photogrammetric Engineering & Remote Sensing，2017，83（7）：501-507.

［30］Li C C，Ma C Y，Cui Y Q，et al. UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China［J］. Journal of the Indian Society of Remote Sensing，2021，49（4）：873-886.

［31］郭慶華，胡天宇，劉 瑾，等. 輕小型無(wú)人機(jī)遙感及其行業(yè)應(yīng)用進(jìn)展［J］. 地理科學(xué)進(jìn)展，2021，40（9）：1550-1569.

［32］龔健雅，宦麟茜，鄭先偉. 影像解譯中的深度學(xué)習(xí)可解釋性分析方法［J］. 測(cè)繪學(xué)報(bào)，2022，51（6）：873-884.

［33］王斯健. 控制點(diǎn)圖元庫(kù)的衛(wèi)星影像高精度幾何校正方法研究［J］. 測(cè)繪通報(bào)，2021（增刊1）：183-187.

［34］樊彥國(guó)，柴江龍，許明明，等. 基于ORB與RANSAC融合改進(jìn)的圖像配準(zhǔn)［J］. 光學(xué)精密工程，2019，27（3）：702-717.

［35］侯 瑞，鄧少平，張立亞. 高分辨率SAR影像正射糾正試驗(yàn)［J］. 測(cè)繪科學(xué)，2015，40（10）：153-156.

［36］Kumar P，Henikoff S，Ng P C. Predicting the effects of coding non-synonymous variants on protein function using the SIFT algorithm［J］. Nature Protocols，2009，4：1073-1081.

［37］江 智，江德港，黃子杰，等. 基于IB-SURF算法的無(wú)人機(jī)圖像拼接技術(shù)研究［J］. 計(jì)算機(jī)工程與應(yīng)用：2024，60（3）：263-269.

［38］Chater A，Lasfar A. New approach to the identification of the easy expression recognition system by robust techniques （SIFT，PCA-SIFT，ASIFT and SURF）［J］. TELKOMNIKA （Telecommunication Computing Electronics and Control），2020，18（2）：695.

［39］汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無(wú)人機(jī)遙感的植被信息提取［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：152-159.

［40］Du M M，Noboru N，Atsushi I，et al. Multi-temporal monitoring of wheat growth by using images from satellite and unmanned aerial vehicle［J］. International Journal of Agricultural and Biological Engineering，2017，10（5）：1-13.

［41］Zhong Y F，Wang X Y，Xu Y，et al. Mini-UAV-borne hyperspectral remote sensing：from observation and processing to applications［J］. IEEE Geoscience and Remote Sensing Magazine，2018，6（4）：46-62.

［42］Feng L W，Zhang Z，Ma Y C，et al. Alfalfa yield prediction using UAV-based hyperspectral imagery and ensemble learning［J］. Remote Sensing，2020，12（12）：2028.

［43］Yu F H，Xu T Y，Du W，et al. Radiative transfer models （RTMs） for field phenotyping inversion of rice based on UAV hyperspectral remote sensing［J］. International Journal of Agricultural and Biological Engineering，2017，10（4）：150-157.

［44］蘭玉彬，朱梓豪，鄧小玲，等. 基于無(wú)人機(jī)高光譜遙感的柑橘黃龍病植株的監(jiān)測(cè)與分類［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（3）：92-100.

［45］高 林，楊貴軍，于海洋，等. 基于無(wú)人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（22）：113-120.

［46］裴浩杰，馮海寬，李長(zhǎng)春，等. 基于綜合指標(biāo)的冬小麥長(zhǎng)勢(shì)無(wú)人機(jī)遙感監(jiān)測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：74-82.

［47］林 娜，陳 宏，趙 健，等. 輕小型無(wú)人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用及展望［J］. 江蘇農(nóng)業(yè)科學(xué)，2020，48（20）：43-48.

［48］奚 雪，趙庚星.? 基于無(wú)人機(jī)多光譜遙感的冬小麥葉綠素含量反演及監(jiān)測(cè)［J］. 中國(guó)農(nóng)學(xué)通報(bào)，2020，36（20）：119-126.

［49］劉 濤，張 寰，王志業(yè)，等. 利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（19）：65-72.

［50］周敏姑，邵國(guó)敏，張立元，等. 基于無(wú)人機(jī)遙感的冬小麥葉綠素含量多光譜反演［J］. 節(jié)水灌溉，2019（9）：40-45.

［51］王 羿，丁鳴鳴，何 菁，等. 基于不同建模方法的土壤pH值無(wú)人機(jī)遙感影像反演［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（14）：224-231.

［52］裴信彪，吳和龍，馬 萍，等. 基于無(wú)人機(jī)遙感的不同施氮水稻光譜與植被指數(shù)分析［J］. 中國(guó)光學(xué)，2018，11（5）：832-840.

［53］王玉娜，李粉玲，王偉東. 基于無(wú)人機(jī)高光譜的冬小麥氮素營(yíng)養(yǎng)監(jiān)測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（22）：31-39.

［54］Tao H L，F(xiàn)eng H K，Xu L J，et al. Estimation of crop growth parameters using UAV-based hyperspectral remote sensing data［J］. Sensors，2020，20（5）：1296.

［55］Yuan H H，Yang G J，Li C C，et al. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing：analysis of RF，ANN，and SVM regression models［J］. Remote Sensing，2017，9（4）：309.

［56］魏 青，張寶忠，魏 征，等. 基于無(wú)人機(jī)多光譜遙感的冬小麥冠層葉綠素含量估測(cè)研究［J］. 麥類作物學(xué)報(bào)，2020，40（3）：365-372.

［57］張智韜，譚丞軒，許崇豪，等. 基于無(wú)人機(jī)多光譜遙感的玉米根域土壤含水率研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（7）：246-257.

［58］湯建棟. 基于無(wú)人機(jī)遙感的玉米水分利用效率與生物量估算方法［D］. 楊凌：西北農(nóng)林科技大學(xué)，2021.

［59］邵國(guó)敏，王亞杰，韓文霆，等. 基于無(wú)人機(jī)多光譜遙感的夏玉米葉面積指數(shù)估算方法［J］. 智慧農(nóng)業(yè)（中英文），2020，2（3）：118-128.

［60］Li S Y，Yuan F，Ata-UI-Karim S T，et al. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation［J］. Remote Sensing，2019，11（15）：1763.

［61］Zhang Y M，Ta N，Guo S，et al. Combining spectral and textural information from UAV RGB images for leaf area index monitoring in kiwifruit orchard［J］. Remote Sensing，2022，14（5）：1063.

［62］曹中盛，李艷大，黃俊寶，等. 基于無(wú)人機(jī)數(shù)碼影像的水稻葉面積指數(shù)監(jiān)測(cè)［J］. 中國(guó)水稻科學(xué)，2022，36（3）：308-317.

［63］Yao X，Wang N，Liu Y，et al. Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery［J］. Remote Sensing，2017，9（12）：1304.

［64］鄧 江，谷海斌，王 澤，等. 基于無(wú)人機(jī)遙感的棉花主要生育時(shí)期地上生物量估算及驗(yàn)證［J］. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（5）：55-61，69.