李 敏，郭雷風，王瑞利

（1.中國農業(yè)科學院 農業(yè)信息研究所，北京 100081；2.農業(yè)農村部農業(yè)大數(shù)據(jù)重點實驗室，北京 100081；3.內蒙古科學技術研究院，內蒙古 呼和浩特 010010）

馬鈴薯與小麥、稻谷、玉米并稱為世界四大糧食作物，也是世界上最大的非谷類糧食作物[1]。由于具有適應能力強、產量高、營養(yǎng)豐富等特點，馬鈴薯在很多國家作為主糧食用，對于全球范圍內的糧食安全保障發(fā)揮著舉足輕重的作用[2]。自20 世紀70 年代以來，我國馬鈴薯種植規(guī)模不斷提升，目前已成為世界馬鈴薯總產量最多的國家，并逐漸形成兼具不同地域優(yōu)勢的特色品種[3-4]。同時馬鈴薯是我國西北、西南等偏遠貧困地區(qū)的支柱產業(yè)，四川、貴州、甘肅、云南、內蒙古五省區(qū)居于全國馬鈴薯產量前五，合計占比達50%以上[5]。伴隨我國馬鈴薯主糧化戰(zhàn)略的持續(xù)推進，進一步提升馬鈴薯整體種植技術水平、加工生產水平、消費水平，可以有效緩解國內糧食進口量與糧食需求不斷增加的壓力，為我國主糧多元化提供重要支撐[6-8]。

及時準確高效地獲取馬鈴薯生長環(huán)境及作物自身生長狀況信息并進行相應分析與后續(xù)田間管理操作，是實現(xiàn)馬鈴薯生產提效增收的基礎保證和有效手段。其中，株高、生物量、葉綠素含量等重要作物表型參數(shù)的獲取與分析對于實現(xiàn)馬鈴薯精細化管理至關重要。傳統(tǒng)的表型信息提取主要依賴于人工操作，人力與時間成本高，效率低下，準確性與客觀性也比較有限，因此難以應用于大規(guī)模農田環(huán)境[9-10]。近年來，無人機遙感技術以其靈活機動、適應性強、操作簡單等特色，以及重訪周期短、時空分辨率高等優(yōu)點，成為獲取田間作物表型信息及構建生長特性評估模型的重要手段，已被廣泛應用于作物長勢、營養(yǎng)水平、病害識別、產量估算等方面的監(jiān)測與分析研究中[11]。

與小麥、玉米、水稻等主流大宗谷類作物相比，利用無人機進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，但這些初步探索實踐與應用研究也取得了良好成效。系統(tǒng)闡述了無人機遙感的構成與基本工作原理、搭載傳感器的類型及其在作物田間表型分析中的應用情況，在此基礎上對無人機遙感在馬鈴薯田間表型研究中的應用現(xiàn)狀與進展進行全面梳理與述評，并對目前研究中存在的不足與未來發(fā)展方向進行了總結與展望，以期為近地遙感在馬鈴薯田間表型分析中應用的后續(xù)深入研究提供理論支撐與科學參考。

1 基于無人機遙感的田間作物表型研究概述

1.1 無人機遙感系統(tǒng)構成與基本工作原理

無人機（Unmanned aerial vehicle，UAV）是一種無線電遙控或自主飛行的無人駕駛飛行器，可在多種應用場景中執(zhí)行不同的任務[12-13]。無人機遙感系統(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人飛行器為平臺，根據(jù)任務需求搭載不同類型的圖像光譜傳感設備，獲取實時的高分辨率遙感數(shù)據(jù)，并借助一定的圖像處理與解析技術獲取光譜指數(shù)、數(shù)字模型等特定結果[17]。

1.2 傳感器類型及主要應用場景

傳感器是無人機遙感系統(tǒng)中數(shù)據(jù)采集的核心。目前，無人機搭載的用于獲取作物表型特征的傳感器主要包括可見光、多光譜、高光譜相機，熱像儀和激光雷達[18]。后兩類傳感器一般價格較高，成像及影像處理較為復雜，在實際應用中的廣泛程度不及前三者[19]?？梢姽庀鄼C由于價格相對較低且種類多樣，在無人機表型分析中最為常用，缺點是只包含紅、綠、藍3個波段信息，光譜信息較少，一般可用于生成數(shù)字表面模型、進行農作物分類、估算作物覆蓋度等[20]。多光譜相機在可見光的基礎上向紅外光和紫外光2個方向擴展，能夠獲取多波段光譜信息、紋理信息和結構信息，可提取長勢監(jiān)測、環(huán)境脅迫、地物識別、精細分類、病蟲害監(jiān)測、產量估測等領域所需的多種參數(shù)。高光譜相機的應用領域與多光譜相機類似，但其能夠獲取更為精細的全波段光譜信息，可實現(xiàn)作物表型參數(shù)的精確反演，缺點是價格較高，數(shù)據(jù)處理量級較大。熱像儀一般可采集與蒸騰相關的作物冠層溫度并用于旱情監(jiān)測或精準灌溉，而激光雷達可獲取作物冠層點云信息以進行作物水平和垂直結構參數(shù)反演（如冠層面積、株高等）[21]。在實際研究與應用中，要根據(jù)傳感器自身特點優(yōu)勢及具體目的需求進行相應選擇。

1.3 無人機遙感在田間作物表型分析中的應用情況

作物表型是指由基因與生長環(huán)境共同作用下的作物的外在表現(xiàn)形式，體現(xiàn)為作物生長發(fā)育過程中物理、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觀察獲取，并用于揭示作物生命規(guī)律與環(huán)境因素對表型的影響機制。隨著無人機及大數(shù)據(jù)技術的迅猛發(fā)展，基于無人機遙感的作物表型分析方法在精準農業(yè)中的優(yōu)勢愈發(fā)突出。目前，國內外已有大量學者圍繞無人機遙感技術在大尺度農田環(huán)境作物表型領域開展了科學研究。高林等[23]利用無人機遙感數(shù)據(jù)獲得了高精度大豆葉面積指數(shù)（Leaf area index，LAI）預測值；陶惠林等[24]采用無人機高光譜數(shù)據(jù)分析了冬小麥不同生育期植被指數(shù)與長勢監(jiān)測指標的相關性，并成功反演形成長勢監(jiān)測圖；BIAN 等[25]利用無人機多光譜相機和熱紅外相機獲取多種植被指數(shù)和水分脅迫率，為精準灌溉提供科學依據(jù)；REZA 等[26]利用無人機遙感獲取水稻RGB（Red-Green-Blue）圖像并對作物區(qū)進行分割提取，通過水稻米粒的面積來估測水稻產量；JAY 等[27]利用無人機光譜獲取甜菜冠層影像，對甜菜冠層氮含量進行反演；薛金利等[28]借助無人機獲取不同分辨率的棉花苗期影像，利用YOLOv3 模型對棉田雜草進行識別，準確率高達94.06%。綜合來看，目前無人機遙感表型研究的對象以小麥、玉米、水稻、棉花居多，研究方向集中在作物長勢監(jiān)測、產量估測、營養(yǎng)診斷和生長脅迫監(jiān)測等方面[29]。同時，各類圖形圖像處理方法、計算機視覺算法、機器學習方法在表型數(shù)據(jù)解析中得以廣泛應用，實現(xiàn)了對作物不同表型參數(shù)的自動識別、分類、提取、估測[30]。

2 無人機遙感用于馬鈴薯田間表型研究現(xiàn)狀

近年來，有學者針對馬鈴薯這一特定研究對象，以無人機遙感為基礎，開展了包括形態(tài)指標、生理生化指標、生物與非生物脅迫指標等在內的多種田間表型信息研究。

2.1 形態(tài)指標

形態(tài)指標一般反映田間農作物生長的狀態(tài)與趨勢，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）、顏色轉換、圖像分割等圖像處理技術，結合遙感圖像分類和混合線性模型預測等方法處理無人機獲取的可見光成像數(shù)據(jù)，可快速實現(xiàn)作物株高、株數(shù)、冠層覆蓋度等形態(tài)指標的獲取。

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

2.1.2 基于顏色轉換空間HSI（Hue-Saturation-Intensity）算法的植被覆蓋度提取 吳智超等[35]提出利用顏色轉換空間HSI算法從無人機數(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 通道對圖像進行去白色處理和去土壤處理，并利用形態(tài)學處理去噪，從而提取圖像中馬鈴薯植被的對應像元，最后通過統(tǒng)計分析估算植被覆蓋度。同時，研究將顏色轉換空間HSI算法與過綠（Excess green，ExG）指數(shù)法、最大似然分類法（Maximum likelihood classifier，MLC）進行了對比，得出前者的準確性與精度均為最優(yōu)，是一種操作更為簡單、準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]利用無人機RGB 圖像對田間馬鈴薯株數(shù)進行了估算。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，通過邊緣檢測生成對應的植株封閉輪廓及最小面積邊界框，并計算6個相關形態(tài)學特征（包括邊框長邊長度、邊框長寬比、邊框內冠層面積、冠層輪廓周長、冠層凸包面積、冠層面積與凸包面積之比），作為隨機森林（Random forests，RF）分類器的特征變量，對出苗階段馬鈴薯株數(shù)進行估算。結果表明，基于無人機RGB 圖像的估測結果與人工評估結果非常接近，相關系數(shù)r2為0.96，可以作為測定株數(shù)的有效工具。

2.2 生理生化指標

LAI、生物量和葉綠素是衡量作物生長狀況的重要指標。LAI是作物空間分布密度及冠層結構的重要指示因子，與光合、呼吸、蒸騰、碳循環(huán)等生物理化過程密切相關[37]。地上生物量（Above ground biomass，AGB）是重要的農學參數(shù)，與作物的光合作用相關，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、植物營養(yǎng)狀況等指標密切相關，通常通過對葉綠素含量的測定來了解植物的健康狀況。植物對光譜的吸收和反射特征可用來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別出植物的不同性狀所對應的吸收和反射特征，目前在解析作物生理生化指標中已具有較廣泛的應用。

2.2.1 基于植被指數(shù)的AGB 估算 植被指數(shù)被證實與生物量具有較好的關系，因而可以通過植被指數(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證結果。劉楊等[33]對馬鈴薯AGB 與原始冠層光譜敏感波段和高光譜指數(shù)分別進行相關性分析，篩選出前10個最優(yōu)光譜指數(shù)，然后構建多元線性回歸（Multiple linear regression，MLR）、偏最小二乘回歸（Partial least square regression，PLSR）和RF 3 種模型對AGB 進行估算，并對比株高（Hdsm）、光譜指數(shù)（VIs）及VIs+Hdsm綜合因子的估算效果。結果顯示，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。類似的，LI 等[39]利用無人機RGB 圖像與高光譜圖像對馬鈴薯株高及AGB 進行了預測，研究同樣利用DSM 對株高進行了估算，并分別建立全光譜PLSR 模型、基于特定波長植被指數(shù)及估算株高的RF 模型進行生物量估算。最終結論與劉楊等[33]研究一致，PLSR 模型的整體性能略差于RF 模型，證實株高與AGB 相關性較強，引入株高有利于提高生物量估算的準確性。

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

2.2.3 基于多特征融合的葉綠素含量估算 傳統(tǒng)無人機遙感大多從光譜植被指數(shù)入手進行作物營養(yǎng)監(jiān)測，忽略了其他信息，如圖像本身的特征信息等。無人機多光譜影像兼有地物的多光譜信息和紋理信息的優(yōu)勢，因此可以構建不限于植被指數(shù)的多特征綜合模型來估算葉綠素含量。尹航等[43]基于無人機高光譜影像對馬鈴薯葉綠素含量進行估測，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題，因此利用Matlab對450～950 nm 范圍內的任意兩波段進行組合優(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），結果表明，2 類優(yōu)化的光譜指數(shù)具有更好的線性擬合趨勢，可使模型精度明顯提高。NDVI、RVI 等傳統(tǒng)植被指數(shù)雖然被廣泛應用于小麥、玉米等作物的葉綠素含量估算，但針對馬鈴薯葉綠素含量的估測效果卻參差不齊，說明葉綠素敏感波段因作物種類不同而有所差異，在實際應用中的反演精度等問題也需要進一步研究。陳鵬等[44]融合多光譜植被指數(shù)與圖像紋理特征，探究綜合指標模型對馬鈴薯葉綠素含量的估算效果，提取包括均值、反差、協(xié)同性等在內的8個圖像紋理特征，并對比分析了基于植被指數(shù)、紋理特征的單一指標模型與二者融合的綜合指標模型，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)結合機器學習方法對馬鈴薯不同生長階段的葉綠素含量進行了估測。結果同樣表明，與單一參數(shù)相比，綜合指標參數(shù)可以準確估計馬鈴薯葉綠素含量，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)計估算指標的思路，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提供了更為準確的新方法。

2.3 生物與非生物脅迫指標

在作物的生長過程中，會遇到生物脅迫和非生物脅迫2種植物脅迫。生物脅迫是指對植物生存與發(fā)育不利的各種生物因素的總稱，通常是由于感染和競爭所引起的[46]，如病害、蟲害、雜草危害等[47-48]。非生物脅迫是指不利于植物生存和生長發(fā)育甚至導致傷害、破壞和死亡的非生物的環(huán)境條件[49]，包括物理和化學2 個方面，物理方面包括溫度、水分、輻射、機械損傷等[50-52]，化學方面包括化學污染（如重金屬、農藥、臭氧、二氧化硫等）以及礦質營養(yǎng)虧缺、氧氣缺乏等。氣候變化正導致種植環(huán)境加劇變化，病蟲害與各類自然災害等脅迫因素會對作物的生長帶來不同程度的負面影響，并最終導致減產等經濟社會損失。已有大量研究表明，病原體或自然災害對作物葉片和冠層的生物物理化學特性有直接影響[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，及時檢測病害、災害的嚴重程度并進行量化評估，保持作物產量穩(wěn)定。

2.3.1 基于植被指數(shù)的自然災害監(jiān)測與評估 馬鈴薯生長期間往往受到氣象災害等自然因素的影響，以高溫干旱、低溫凍害及冰雹災害較為常見[54]。災害發(fā)生后，對受災嚴重程度及損失水平進行快速準確的監(jiān)測與評估，是實施災后處理及農業(yè)保險理賠不可或缺的環(huán)節(jié)之一。ZHOU 等[55]利用無人機高分辨率遙感影像對馬鈴薯冰雹災害進行了評估。研究對3種級別的冰雹損傷（落葉程度分別為33%、66%和99%）進行模擬，并提取NDVI、綠色歸一化植被指數(shù)（GNDVI）、土壤調節(jié)植被指數(shù)（SAVI）3 個特征植被指數(shù)對馬鈴薯受損情況進行評估。結果顯示，3 個特征指數(shù)值均隨損傷程度的增加而顯著降低，且SAVI 敏感性最高，說明無人機遙感影像有助于評估冰雹對作物的損傷程度。但總體而言，目前應用無人機開展馬鈴薯自然災害監(jiān)測評估的研究較少。

2.3.2 基于機器學習的病害監(jiān)測與評估 馬鈴薯晚疫病是當今危害馬鈴薯生產最為嚴重且普遍的病害，其會迅速破壞葉片從而導致塊莖質量惡化和產量損失[56]，因此高效準確的監(jiān)測評估方法對于預防病害發(fā)生與培育抗性品種都具有重要意義。近年來，傳統(tǒng)的機器學習方法（Machine learning，ML）在識別農業(yè)病蟲害研究中得到了廣泛應用。DUARTE-CARVAJALINO 等[57]基于無人機高分辨率多光譜圖像，應用多層感知器（Multilayer perceptron，MLP）、卷 積 神 經 網 絡（Convolutional neural networks，CNNs）、支 持 向 量 回 歸（Support vector regression，SVR）與RF 等4 種機器學習方法，對不同基因型馬鈴薯晚疫病嚴重程度進行了評估，結果顯示，在各類模型中CNNs 表現(xiàn)最優(yōu)，平均絕對誤差為11.72%。RODRíGUEZ 等[58]進行了類似研究，利用5 種機器學習方法進行病害識別模型訓練與預測驗證，最終發(fā)現(xiàn)線性支持向量分類器（Linear support vector classifier，LSVC）與RF 分類器在精度指標和運行時間方面均具有最好的性能，且比之前的研究有較大改進。

2.3.3 其他基于光譜特征的生物脅迫分析SUGIURA 等[59]提出利用無人機RGB 圖像進行顏色轉換和基于閾值優(yōu)化的逐像素分類方法對馬鈴薯晚疫病嚴重程度進行評估。研究結果相對準確，證實基于無人機影像的馬鈴薯病害識別方案的可行性。FRANCESCHINI 等[60]分析了使用無人機多光譜圖像進行馬鈴薯晚疫病早期檢測（病害水平在2.5%～5.0%）及嚴重程度評估的可行性。具體方法是通過單純形體積最大化（Simplex volume maximization，SiVM）描述不同觀測時間冠層光譜響應變化情況，并根據(jù)像素級對數(shù)似然比（Log-likelihood ratio，LLR）確定其與病害嚴重程度的關系。結果表明，利用無人機多光譜影像獲取的亞分米級分辨率的光學影像可以為馬鈴薯晚疫病早期發(fā)病率及嚴重情況評估提供有用信息，但光譜圖像檢測到的病害變化情況主要與馬鈴薯冠層及葉片結構特征相關，而與葉片或冠層的色素含量相關性較小，因此對馬鈴薯晚疫病早期癥狀的識別評估仍是一個挑戰(zhàn)，需要進一步研究。

3 問題與展望

總體而言，通過無人機遙感系統(tǒng)獲取馬鈴薯生長過程中的光譜影像，可快速提取大尺度農田環(huán)境下馬鈴薯表型信息，監(jiān)測其生長狀況并進行精細化管理。雖然基于無人機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，這些問題也將是未來深化研究的方向與著眼點。

一是基于無人機遙感的馬鈴薯田間表型研究的廣度和深度需要不斷拓展。當前無人機遙感監(jiān)測的研究對象以玉米、小麥、水稻、棉花、大豆等居多，而針對馬鈴薯這一特定對象的研究較少。同時現(xiàn)有研究對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，以及葉綠素含量、LAI 等生理生化參數(shù)為主，缺乏氮素含量等營養(yǎng)監(jiān)測與冠層溫度、葉片水勢、水分脅迫指數(shù)等脅迫分析，對除晚疫病外的病蟲害識別監(jiān)測仍然欠缺，不利于在馬鈴薯生長期實施科學的水肥管理與病蟲害預防。另外，馬鈴薯與豆類、谷類作物不同，其果實生長在地下，因此與塊莖相關的主要表型難以通過無人機直接獲取，所以要對馬鈴薯地上部分與地下部分植物性狀的關聯(lián)影響作用機制進行更加深入的研究。二是表型解析方法與模型的精確性、穩(wěn)定性有待進一步提高。盡管學者們利用植被指數(shù)等指標通過經驗統(tǒng)計回歸與機器學習等方法成功解析了部分馬鈴薯表型信息，但不同參數(shù)、不同方法產生的研究結果往往參差不齊。特別是對于馬鈴薯病害的早期監(jiān)測、生物量及產量的估算仍需要進一步改進提升，以降低來自反演模型驅動變量或參數(shù)的不確定性及模型本身誤差特性帶來的不確定性，從而提高模型精度及性能。三是無人機遙感與其他表型解析方法的融合研究尚未開展。作為一種信息獲取的手段，無人機遙感在實際應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集成農學、光學、計算機科學、生態(tài)學等多個學科知識的融合性工作。如何結合多源遙感數(shù)據(jù)、地面調查數(shù)據(jù)、氣象數(shù)據(jù)、土壤數(shù)據(jù)等進行多角度的融合研究也是今后發(fā)展的方向之一。

4 結論

農業(yè)現(xiàn)代化的發(fā)展及主糧化戰(zhàn)略的推進，使馬鈴薯產業(yè)進入全新的發(fā)展階段，并不斷向規(guī)?；?、精細化、數(shù)字化方向邁進。信息技術及無人機技術的快速崛起為高通量作物表型分析研究開辟了更為準確高效的新途徑。輕小型無人機遙感系統(tǒng)在馬鈴薯田間表型分析研究中具有突出的優(yōu)勢，可以及時獲取精細管理所需數(shù)據(jù)信息，促使馬鈴薯種植生產智能化水平不斷提升。雖然基于無人機遙感的作物表型研究日漸成為精準農業(yè)領域的熱點，但針對馬鈴薯這一特定對象的相關研究與實際應用目前仍處于初級探索階段，還面臨著諸多的問題與挑戰(zhàn)。后續(xù)研究需擴大樣本數(shù)量與類型，針對馬鈴薯病蟲害監(jiān)測、精細種養(yǎng)等實際生產中的重點環(huán)節(jié)，開展馬鈴薯全生長期多重表型解析的深入探索。同時，應將無人機低空遙感光譜圖像與其他多源數(shù)據(jù)進行融合，并結合前沿植物表型大數(shù)據(jù)挖掘方法，構建更為精確穩(wěn)健的定量分析模型，為推動近地遙感在馬鈴薯精細化種植管理中的應用提供重要的理論與技術支撐。