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.