滕連澤 羅勇 張洪吉 李思佳

摘 要：近年來，無人機(jī)遙感憑借其低成本、高空間時(shí)間分辨率等優(yōu)點(diǎn)，被廣泛應(yīng)用于作物生長狀況、土壤條件和水資源變化等農(nóng)業(yè)監(jiān)測領(lǐng)域，并與田間實(shí)測、衛(wèi)星遙感、普通航空遙感共同構(gòu)成現(xiàn)代農(nóng)業(yè)監(jiān)測體系。本文在梳理國內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，綜述了無人機(jī)遙感在農(nóng)業(yè)監(jiān)測中的應(yīng)用研究現(xiàn)狀，并著重描述了基于植被指數(shù)的葉面積指數(shù)、植物色素濃度、生物量反演及其應(yīng)用，進(jìn)而提出了飛控系統(tǒng)、數(shù)據(jù)處理、信息提取、標(biāo)準(zhǔn)構(gòu)建等方面的研究展望，以期為相關(guān)研究和應(yīng)用提供參考。

關(guān)鍵詞：精準(zhǔn)農(nóng)業(yè) 無人機(jī) 農(nóng)業(yè)監(jiān)測

中圖分類號(hào)：S25 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）08（b）-0122-03

規(guī)劃航線進(jìn)行自主推進(jìn)的無人駕駛航空器，在飛行中可通過自身搭載的設(shè)備重復(fù)執(zhí)行多種任務(wù)。無人機(jī)最早于20世紀(jì)20年代將退役戰(zhàn)斗飛機(jī)改裝而來，被應(yīng)用于軍事領(lǐng)域[1]。隨著計(jì)算機(jī)、無線電等技術(shù)手段的快速發(fā)展，無人機(jī)被應(yīng)用于實(shí)戰(zhàn)中進(jìn)行敵情偵查的同時(shí)，也被應(yīng)用于節(jié)水農(nóng)業(yè)灌溉、自然災(zāi)害監(jiān)測、地質(zhì)勘探、農(nóng)情監(jiān)測等民用領(lǐng)域。農(nóng)業(yè)問題一直是人類生存和發(fā)展的關(guān)鍵，隨著社會(huì)生產(chǎn)方式的不斷變化和農(nóng)業(yè)技術(shù)的快速進(jìn)步，農(nóng)業(yè)已從傳統(tǒng)農(nóng)業(yè)逐漸轉(zhuǎn)變?yōu)樾畔⑥r(nóng)業(yè)、智慧農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)。在農(nóng)業(yè)領(lǐng)域，隨著傳統(tǒng)農(nóng)業(yè)向信息農(nóng)業(yè)、智慧農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)的轉(zhuǎn)變，以作物長勢、資源狀況、環(huán)境變化為核心的農(nóng)業(yè)監(jiān)測也從傳統(tǒng)監(jiān)測手段轉(zhuǎn)變?yōu)榈孛鎸?shí)測和遙感監(jiān)測相互結(jié)合的立體化監(jiān)測模式。無人機(jī)以其靈活性強(qiáng)、周期短、成本低、操作簡單等優(yōu)點(diǎn)，成為農(nóng)業(yè)監(jiān)測的研究熱點(diǎn)和發(fā)展趨勢。

1 無人機(jī)遙感農(nóng)業(yè)監(jiān)測的研究現(xiàn)狀

為滿足全球不斷增長的農(nóng)產(chǎn)品需求，需要通過精準(zhǔn)管理和系統(tǒng)優(yōu)化等手段增加農(nóng)作物產(chǎn)量，這對土壤水含量、蒸散量、植被指數(shù)等作物生長指標(biāo)的動(dòng)態(tài)監(jiān)測在時(shí)間、空間尺度上都提出了更高的要求。傳統(tǒng)田間實(shí)測工作量大、監(jiān)測范圍小，衛(wèi)星遙感雖然能進(jìn)行大范圍、多任務(wù)監(jiān)測，但缺乏精準(zhǔn)農(nóng)業(yè)所要求的時(shí)空分辨率。無人機(jī)操作靈活、數(shù)據(jù)取快速度快、時(shí)空分辨率高，恰好與地面監(jiān)測和衛(wèi)星遙感相互互補(bǔ)，共同構(gòu)成空天地一體化監(jiān)測體系。

近年來，無人機(jī)在國外被廣泛應(yīng)用于農(nóng)業(yè)監(jiān)測的各個(gè)領(lǐng)域，例如，Hardin等于2005年利用無人機(jī)系統(tǒng)進(jìn)行大規(guī)模草種可視化圖像的模擬繪制[2]；Swain等于2007年利用無人機(jī)系統(tǒng)對作物氮元素含量進(jìn)行監(jiān)測[3]；Berni等于2009年通過無人機(jī)系統(tǒng)監(jiān)測大尺度研究范圍內(nèi)作物等水分脅迫現(xiàn)象[4]；Hunt等于2010年基于無人機(jī)遙感數(shù)據(jù)對大尺度觀測范圍內(nèi)的大豆生物量進(jìn)行監(jiān)測[5]；Primicerio等于2012年通過無人機(jī)遙感數(shù)據(jù)對葡萄園的生長活力進(jìn)行狀況進(jìn)行繪制[6]；Honkavaara等于2013年利用無人機(jī)搭載基于干涉儀（FPI）的光譜相機(jī)，建立數(shù)字表面模型對作物生物量進(jìn)行估計(jì)，并以小麥作為研究對象驗(yàn)證了FPI技術(shù)的巨大潛力[7]；Zarco等于2014年基于無人機(jī)對不連續(xù)冠層進(jìn)行生物參數(shù)檢測，通過三維重建方法進(jìn)而對作物高度進(jìn)行估算[8]；Wallace等于2016年通過對機(jī)載激光掃描與結(jié)構(gòu)運(yùn)動(dòng)（點(diǎn)云）兩種無人機(jī)技術(shù)對森林結(jié)構(gòu)進(jìn)行評估比較[9]；Liebisch等于2017年基于無人機(jī)遙感數(shù)據(jù)生成3D點(diǎn)云，在行播作物時(shí)進(jìn)行除草實(shí)驗(yàn)[10]。

相對而言，國內(nèi)無人機(jī)農(nóng)業(yè)監(jiān)測研究起步稍晚，但發(fā)展迅猛，并形成了豐富的應(yīng)用案例。例如，祝錦霞等于2010年利用無人機(jī)平臺(tái)獲取水稻葉片和冠層圖像，并提取不同氮素含量的不同葉片和冠層特征信息，進(jìn)而診斷大面積水稻富含的氮素營養(yǎng)[11]；冷偉鋒等于2011年提出利用無人機(jī)遙感通過對作物冠層進(jìn)行電磁輻射異常檢測以確定作物病害部位[12]；李冰等于2012年利用無人機(jī)遙感系統(tǒng)對大面積作物覆蓋率進(jìn)行監(jiān)測，并以冬小麥為研究對象，提取植被指數(shù)對研究區(qū)域內(nèi)植被覆蓋度進(jìn)行測量[13]；宗南等人于2014年通過小型無人機(jī)遙感獲取灌漿期玉米可見光圖像，在紅、綠、藍(lán)波段上研究玉米倒伏圖像特征、面積的提取方法[14]；楊貴軍等人于2015年基于無人機(jī)平臺(tái)并集成多載荷傳感器研發(fā)小麥育種信息獲取系統(tǒng)，對作物表型信息進(jìn)行快速高通量獲取[15]。高林等于2016年圍繞無人機(jī)高光譜遙感反演作物葉面積指數(shù)，并在冬小麥試驗(yàn)田進(jìn)行實(shí)驗(yàn)對冬小麥葉面積指數(shù)進(jìn)行估測并對冬小麥覆蓋度進(jìn)行提取[16]。

2 無人機(jī)遙感農(nóng)業(yè)監(jiān)測的主要方法及應(yīng)用

利用無人機(jī)遙感進(jìn)行農(nóng)業(yè)監(jiān)測較航空、航天遙感增強(qiáng)了空間細(xì)節(jié)信息，對作物生長狀況空間變異性監(jiān)測提供了更深入了解，使監(jiān)測到的植物信息成數(shù)量級的增加。對農(nóng)業(yè)進(jìn)行無人機(jī)遙感監(jiān)測的主要技術(shù)是將觀測到的光譜反射率、衍生指數(shù)等與作物健康條件相關(guān)聯(lián)。這些關(guān)聯(lián)關(guān)系中，植被指數(shù)是被應(yīng)用于進(jìn)行作物監(jiān)測的最廣泛的方法之一。植被指數(shù)是對植物的特定光學(xué)參數(shù)進(jìn)行光譜信息的提取，可對地表作物生長狀況進(jìn)行快捷有效的定性、定量，通過對作物信息進(jìn)行增強(qiáng)，加強(qiáng)作物與土壤、大氣、光照、視場角等干擾信息的反差，減弱干擾信息的表達(dá)，以快速反應(yīng)作物生長活力、覆蓋狀況等。

目前，國內(nèi)外提出的植被指數(shù)已有上百種，植被指數(shù)按照發(fā)展可分為3個(gè)階段：在早期，由于經(jīng)驗(yàn)和方法的限制，未考慮土壤狀況、大氣影響、光照影響、植被與土壤的相互作用，植被指數(shù)是波段的簡單線性組合，以比值植被指數(shù)（RVI）為代表，受大氣、植物覆蓋率影響較大；在中期，綜合了電磁波反射規(guī)律、土壤、大氣、光照、植物、植被的相互影響，對第一階段植被指數(shù)進(jìn)行改良，提出了基于物理理論的以歸一化植被指數(shù)為代表（NDVI）的植被指數(shù)；最后是針對高光譜、熱紅外信息提出的植被指數(shù)，如導(dǎo)數(shù)植被指數(shù)（DVI）、生理反射植被指數(shù)（PRI）等[17]。

基于植被指數(shù)可對植物生物物理、生物化學(xué)參數(shù)進(jìn)行反演進(jìn)而獲得作物相關(guān)監(jiān)測信息，其應(yīng)用包括對葉面積指數(shù)、生物量、土壤濕度、植物色素濃度（葉綠素、類胡蘿卜素等）含量的反演等。

其中，葉面積指數(shù)（LAI），定義為單位土地面積上植物葉片總面積占土地面積的倍數(shù)，其值大小與作物最終產(chǎn)量高低密切相關(guān)，是用于監(jiān)測作物生長和發(fā)育的常見變量；生物量是指某時(shí)刻單位面積內(nèi)的有機(jī)物質(zhì)總量，是作物有機(jī)物含量監(jiān)測的重要指標(biāo)；土壤濕度直接關(guān)系作物的健康生長狀況，是農(nóng)業(yè)旱情級別監(jiān)測的重要指標(biāo)；基于空間分布的植被色素（葉綠素、類胡蘿卜素等）濃度圖可為對植物生長狀況進(jìn)行監(jiān)測，并間接反映氮元素的利用能力。在植物色素中，葉片葉綠素含量代表了光合能力的強(qiáng)弱和光照的效率，類胡蘿卜素濃度可反映光照效率在較短時(shí)間尺度上的變化，并參與葉黃素的色素循環(huán)，兩者對光能進(jìn)行捕獲，并在非光化學(xué)猝滅過程中所發(fā)揮作用。在植被的光譜特征規(guī)律中，綠色植被對紅光（0.67μm）是強(qiáng)吸收、低反射的，在紅光呈現(xiàn)出反射率的極小值，所以利用紅光反射信息可估算葉片葉綠素含量，利用類胡蘿卜素對綠光較高的反射率特征則可對葉片類胡蘿卜素含量進(jìn)行估算。對于近紅外波段，由于植物細(xì)胞葉綠體的水溶膠狀態(tài)、葉肉海綿組織細(xì)胞中的空腔，都對近紅外波段形成巨大的反射作用，則反射率在近紅外波段（0.7～1.1μm）呈現(xiàn)一段峰值[18]。因此利用紅光、近紅外波段光譜信息進(jìn)行組合得到的植被指數(shù)，可以很好地進(jìn)行植被觀測，對葉面積指數(shù)、植物色素濃度、生物量等可以很好地進(jìn)行反演。

將無人機(jī)遙感影像和植被指數(shù)結(jié)合起來，近年來在農(nóng)作物監(jiān)測領(lǐng)域有廣泛應(yīng)用。例如，王斌于2009年基于無人機(jī)圖像的歸一化植被指數(shù)進(jìn)行土壤濕度監(jiān)測，利用可見光-近紅外波段，確定分?jǐn)?shù)階的植被歸一化公式，增強(qiáng)土壤濕度與遙感圖像的相關(guān)系數(shù)，建立土壤濕度監(jiān)測模型，并以美國猶他州為例進(jìn)行試驗(yàn)，得到土壤濕度監(jiān)測模型的精度良好[19]；高林等于2015年利用無人機(jī)遙感影像進(jìn)行大豆的葉面積指數(shù)反演，并以山東省嘉祥縣的大豆實(shí)驗(yàn)區(qū)為研究區(qū)域，結(jié)合歸一化植被指數(shù)、三角植被指數(shù)、土壤調(diào)整植被指數(shù)、比值植被指數(shù)、差值植被指數(shù)，建立反演模型并得出大豆真實(shí)長勢情況[20]；秦占飛于2016年利用無人機(jī)影像，分析不同時(shí)間、空間的水稻光譜反射特征，建立基于綠度歸一化植被指數(shù)GNDVI、歸一化色素葉綠素指數(shù)NPCI和歸一化植被指數(shù)NDVI的多元線性模型，對水稻SPAD的預(yù)測精度良好，而基于比值植被指數(shù)RVI構(gòu)建的指數(shù)模型和線性模型，對水稻葉面積指數(shù)和葉片含氮量的預(yù)測精度良好[21]；于豐華于2017年基于無人機(jī)高光譜遙感，在作物冠層輻射傳輸機(jī)理模型PROSAIL上進(jìn)行優(yōu)化，建立水稻葉綠素、氮素、葉面積指數(shù)、生物量等生長信息反演模型，為水稻生長監(jiān)測提供理論基礎(chǔ)[22]；張春蘭于2018年通過利用隨機(jī)森林算法（Random Forest，RF），構(gòu)建冬小麥葉面積指數(shù)模型，對冬小麥長勢進(jìn)行反演，實(shí)驗(yàn)結(jié)果表明模型精度較好并且適應(yīng)性強(qiáng)，可適用于高光譜無人機(jī)進(jìn)行高精度冬小麥葉面積指數(shù)提取[23]。

3 展望

目前無人機(jī)在農(nóng)業(yè)監(jiān)測方面的應(yīng)用日益廣泛，在提供現(xiàn)場規(guī)模所需的信息水平方面，無人機(jī)是精準(zhǔn)農(nóng)業(yè)領(lǐng)域的重要手段，無人機(jī)遙感的高時(shí)間空間分辨率、操作便捷、成本較低等優(yōu)點(diǎn)為作物監(jiān)測提供了極大的靈活性，為航空、航天遙感提供了補(bǔ)充手段，這一領(lǐng)域的迅速發(fā)展給精準(zhǔn)農(nóng)業(yè)、農(nóng)業(yè)活動(dòng)管理提供了的新的發(fā)展途徑。

但是，基于無人機(jī)的農(nóng)業(yè)監(jiān)測還存在諸多不足和挑戰(zhàn)。第一，電力續(xù)航能力、飛行范圍、承載力、導(dǎo)航系統(tǒng)靈活性等方面亟需加強(qiáng)，無人機(jī)飛控系統(tǒng)的改進(jìn)和提升仍是當(dāng)前的研究熱點(diǎn)之一。第二，由于無人機(jī)設(shè)備的不穩(wěn)定性和易受惡劣觀測氣候影響等局限，導(dǎo)致無人機(jī)遙感圖像質(zhì)量不穩(wěn)定，其中包括幾何和頻譜失真、低信噪比等問題。因此，運(yùn)用圖像處理技術(shù)對無人機(jī)遙感信息進(jìn)行處理，成為解決無人機(jī)圖像質(zhì)量問題的重要手段之一。第三，在執(zhí)行監(jiān)測任務(wù)過程中，無人機(jī)系統(tǒng)觀察復(fù)雜模型、解釋和處理數(shù)據(jù)等能力方面還存在問題，在與人工智能自動(dòng)識(shí)別、圖像分類等領(lǐng)域相結(jié)合時(shí)也存在諸多挑戰(zhàn)。同時(shí)，法律對無人機(jī)使用的限制中技術(shù)標(biāo)準(zhǔn)、規(guī)范的制定，也對無人機(jī)在相關(guān)領(lǐng)域獲得更廣泛、深入運(yùn)用有著重要的影響。

參考文獻(xiàn)

[1] 秦博，王蕾.無人機(jī)發(fā)展綜述[J].飛航導(dǎo)彈，2002（8）：4-10.

[2] Hardin，PJ，Jackson，Mw.An unmanned aerial vehicle for rangeland photography[J]. Rangeland Ecology & Management，2005，58（4）：439-442.

[3] Swain AKC， Jayasuriya， H P W， Salokhe V M. Suitability of low-altitude remote sensing images for estimating nitrogen treatment variations in rice cropping for precision agriculture adoption[J]. Journal of Applied Remote Sensing，2007，1（1）：6656-6659.

[4] Berni J AJ， Zarco-Tejada PJ， Suarez L，etal. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience and Remote Sensing，2009，47（3）：722-738.

[5] Hunt E RJ， Hively W D， Fujikawa S J，etal. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing，2010，2（1）：290-305.

[6] Primicerio J， Fiorillo E， Genesio L， Lugato E，et al. A flexible unmanned aerial vehicle for precision agriculture[J].Precision Agriculture，2012，13（4）：517-523.

[7] Honkavaara E， Saari H， Kaivosoja J， et al. Processing and Assessment of Spectrometric， Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture[J].Remote Sensing，2013， 5（10）：5006-5039.

[8] Zarco-Tejada PJ， Diaz-Varela R， Angileri V， et al. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle （UAV） and automatic 3D photo-reconstruction methods[J]. European Journal of Agronomy，2014，55（2）：89-99.

[9] Wallace L， Lucieer A， MalenovskZ， et al. Assessment of Forest Structure Using Two UAV Techniques：A Comparison of Airborne Laser Scanning and Structure from Motion（SfM） Point Clouds[J]. Forests，2016（7）：62.

[10] Liebisch F， Popovic M， Pfeifer J， et al. Automatic UAV-based field inspection campaigns for weeding in row crops[A].of the， Earsel Sig Imaging Spectroscopy Workshop[C].2017.

[11] 祝錦霞，陳祝爐，石媛媛，等.基于無人機(jī)和地面數(shù)字影像的水稻氮素營養(yǎng)診斷研究[J].浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版，2010，36（1）：78-83.

[12] 冷偉鋒.遙感技術(shù)在我國植物病害監(jiān)測中的應(yīng)用[A].中國植物保護(hù)學(xué)會(huì).植?？萍紕?chuàng)新與病蟲防控專業(yè)化——中國植物保護(hù)學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C].2011：1.

[13] 李冰，劉镕源，劉素紅，等.基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：160-165.

[14] 李宗南，陳仲新，王利民，等.基于小型無人機(jī)遙感的玉米倒伏面積提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（19）：207-213.

[15] 楊貴軍，李長春，于海洋，等.農(nóng)用無人機(jī)多傳感器遙感輔助小麥育種信息獲取[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（21）： 184-190.

[16] 高林，楊貴軍，于海洋，等.基于無人機(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.

[17] 田慶久，閔祥軍.植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展，1998（4）：10-16.

[18] 郭鈮.植被指數(shù)及其研究進(jìn)展[J].干旱氣象，2003（4）：71-75.

[19] 王斌.基于無人機(jī)采集圖像的土壤濕度預(yù)測模型研究[D].中國石油大學(xué)，2009.

[20] 高林，楊貴軍，王寶山，等.基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2015，23（7）：868-876.

[21] 秦占飛.西北地區(qū)水稻長勢遙感監(jiān)測研究[D].西北農(nóng)林科技大學(xué)，2016.

[22] 于豐華.基于無人機(jī)高光譜遙感的東北粳稻生長信息反演建模研究[D].沈陽農(nóng)業(yè)大學(xué)，2017.

[23] 張春蘭，楊貴軍，李賀麗，等.基于隨機(jī)森林算法的冬小麥葉面積指數(shù)遙感反演研究[J].中國農(nóng)業(yè)科學(xué)，2018，51（5）：855-867.