摘要：快速實時地掌握農田資訊是實施精準農作的基礎。以無人機為平臺的低空遙感探測技術, 具有空間解析度高、時效性強和成本低等特點, 可填補地面監測和高空遙感間的測量尺度空缺, 因此在農田資訊精準監測領域具有廣泛的應用前景。近年來, 隨著無人機飛行平臺穩定性增強、操作難度降低, 機載遙感裝置的輕量化和多樣化, 以及遙感資料處理技術的進步, 無人機遙感在農田資訊監測領域得到了快速發展。本文對國內外相關研究成果進行了總結, 對常用遙感技術型別和資料處理方法以及具體應用方向和實施效果進行了綜述, 並提出了當前存在的突出問題和未來的發展方向, 以期為推動無人機遙感在農田資訊監測和精準農業中更廣泛的應用提供依據。
實施精準農作的前提是實時、準確獲取農田資訊和作物生長動態。無人機遙感(UAV-based remote sensing)是一種基於無人機載遙感感測器, 綜合應用無人駕駛飛行、遙感、遙測遙控和空間定位等技術來獲取空間資訊的技術方法[3]。在精準農業領域, 無人機遙感可用於監測作物生長引數, 如:植被覆蓋度、葉面積指數、株高以及這些引數與產量間的相關性; 在輔助農作物決策方面, 無人機遙感可用於診斷作物營養狀況和田間墒情資訊, 對於病蟲害的監控也有較高的準確性; 此外, 無人機遙感還可快速獲取農田空間位置資訊, 劃分土地利用型別、定位農田邊界和基礎設施、量算種植面積等的精度遠高於傳統測量方法。
與高空遙感相比, 無人機遙感具有空間解析度高、應用成本低、時效性強、可重複使用等特點; 與傳統的田間定位監測相比, 無人機遙感具有資訊採集快捷、空間覆蓋率高等特點。尤其是其監測範圍覆蓋了精準農業所關心的田塊尺度, 且可方便地獲取不同階段的作物和土壤資訊, 在農田資訊監測領域有著傳統點位監測、航空和衛星遙感無法比擬的優勢, 得到越來越廣泛的研究和應用。
1、無人機飛行平臺與遙感測量技術
無人機遙感以無人駕駛飛機為探測平臺, 利用搭載的各種任務負荷(通常是成像光譜儀等非接觸式監測裝置)獲取有關農田和作物的遙感數字資訊, 透過對資料的後期處理、挖掘和建模, 來獲取農作物長勢、農田環境等資訊。
1.1無人機飛行平臺
在農田資訊監測領域, 人們關注的重點是監測範圍、空間解析度和測量精度等。無人機的機型、載重量、航行高度、續航時間、飛行穩定性、航線規劃演算法等均對探測效果有重要影響。目前常用的無人機可分為固定翼、單旋翼和多旋翼無人機等機型。固定翼無人機飛行速度快、續航時間長、載荷較大, 但飛行速度難以調節且需要較大的起飛著陸場, 在作物生長密集的農田常無法提供足夠的起降場地; 單旋翼無人機穩定性較差, 會干擾感測器檢測精度, 已逐步被多旋翼機型替代; 多旋翼無人機的航速姿態可調、飛行穩定、能夠定點懸停, 適合獲取多重複、定點、多尺度、高解析度的植被資訊, 因而在農田資訊監測中應用最為廣泛。為了保障探測精度和空間範圍, 在無人機起飛前需要進行合理的航線規劃。傳統的無人機航線規劃最佳化演算法主要包括動態規劃法、導數相關法、最優控制法、最速下降法、泰森多邊形法(Voronoi); 現代智慧演算法主要包括遺傳演算法、人工神經網路、蟻群演算法、粒子群演算法等。蟻群演算法在解決複雜航線規劃方面效果良好, 但收斂效率低且容易陷入區域性最優問題, 目前的研究多采用改進遺傳演算法。
1.2機載感測器與測量技術
無人機遙感感測器種類繁多, 感知原理和獲取資料型別也各不相同。農田資訊監測領域的感測技術大體可分為成像光譜和空間構型測量兩大類。
成像光譜技術的原理是不同波段的光波作用於樣本會產生不同的光譜特徵, 由此可反映作物的生理生化指標, 多用於農田作物覆蓋區的識別、葉片色素、養分含量等生物化學指標的預測建模。成像光譜的感光方式有稜鏡/光柵色散型、干涉型、濾光片型和計算機層析型等, 感知光譜波段包括可見光、可見-近紅外(380~2500 nm)和熱紅外波段(2.5~14 μm)。根據輸出波段數量與連續性不同, 成像光譜又可分為高光譜和多光譜。目前的研究中, 普遍採用高畫質數碼相機獲取的農田正射影像、多光譜相機獲取的多波段反射率、高光譜儀獲取的連續光譜反射率、熱紅外感測器獲取的田間溫度資訊。
空間構型測量技術獲取的是高精度的農田空間位置資訊, 常用於識別農田表面的三維構型及其特徵, 並以此來診斷作物株高、葉面積指數、地上部生物量等生物物理指標。根據測量方式和技術差異,又可分為基於鐳射直接測量的鐳射探測與測量(Light Detection and Ranging, LiDAR)和基於可見光攝影測量的基於運動的結構(Structure from Motion, SfM)方法。機載LiDAR主動發射脈衝, 遇到作物或地表後反射回波, 透過時間差計算距離, 結合慣性系統(Inertial Navigation System, INS)確定的飛機姿態和全球定位系統(Globe Positioning System, GPS)得到飛機位置, 解算農田各處的三維空間座標。SfM方法以農田遙感影像為資料來源, 基於像對間的特徵匹配, 透過迭代光束平差過程(Iterative Bundle AdjustmentProcedure)求解相機方位及場景幾何形態, 再透過引入地面控制點座標(Ground Control Point, GCP)進行矩陣變換將農田空間點雲轉入現實世界座標系。
2 、無人機遙感資料處理與建模方法
成像光譜與空間構型資料在處理流程、建模方法和結果應用上均不相同, 前者以提取特徵資訊建立引數反演模型為目的, 後者則能夠建立測區三維空間結構模型。成像光譜資料中的高光譜獲取的是不限波段範圍的窄間隔連續光譜資料, 因此資料量大, 波段提取和資訊壓縮是高光譜資料處理的首要任務。熱紅外獲取的是2.5~14 μm波段的資料, 包括連續和非連續的資料。由於該波段與溫度關係密切, 資料處理也以提取溫度資訊為主要目標。空間構型資料中, SfM方法基於可見光攝影測量, 解算後的資料是帶有色彩資訊的三維空間座標, 基於鐳射直接測量的LiDAR技術獲取的則僅有空間位置資訊。
2.1成像光譜資料處理與建模
成像光譜技術中使用可見光成像和多光譜資料的通常直接選取特徵波段或計算植被指數, 將主成分提取後的光譜特徵資訊與作物的各項生理生化指標建立反演模型。
高光譜因為波段密集, 資料量大, 需要先選擇與農田資訊密切相關的特徵波段。資訊量、投影、相似度計算及小波分解法均可作為特徵波段選擇的依據。基於資訊量的波段選擇, 可將高光譜影像灰度值(Digital Number, DN)的標準差, 可以看作最簡單的資訊量度量, 資訊熵,波段熵值高則資訊量豐富; 基於投影的選擇包括主成分分析法、獨立成分分析法等, 以壓縮波段, 降低維數為目的; 相似度計算中波段的空間自相關程度高則包含的資訊量大而相關程度高的波段間存在資訊冗餘; 小波分解法目前已有很多小波基可供選擇(雙正交樣條、Harar、Daubechies、高斯、Symlet、Meyer、Colilet小波等), 選擇某一小波基後, 即可對一維或二維訊號進行離散或連續的小波變換。
提取出特徵波段後的高光譜資料處理過程與可見光成像和多光譜類似, 可直接計算波段反射率, 或計算各項植被指數後, 採用一元迴歸和多元迴歸等方法建立其與作物生長參量間的線性、對數、二次、冪函式等模型;也可根據如植被光學輻射傳輸等模型, 透過全域性敏感性分析法(Sobol法、二叉樹遍歷法、GLUE法、FAST法)評價非線性模型中作物目標生長引數對於光譜資訊的影響及相應的敏感波段, 透過查詢表法、數值最佳化法、人工神經網路法等方法反演作物生長資訊; 或者基於機器學習(基於神經網路、高斯過程迴歸、核嶺迴歸、隨機森林等)對農田資訊反演建模。
熱紅外波段反演地溫的方法主要有單窗演算法、劈窗演算法、多通道和多角度演算法。單窗演算法利用一個熱紅外波段反演地表溫度, 劈窗演算法利用相鄰兩個熱紅外波段, 是目前最為成熟的反演演算法。研究者對熱溫資料分析處理通常使用相對熱溫指數, 包括目標器官或組織之間的熱溫差或熱溫比值, 目標區域監測員手指之間的指溫差指數和指溫比指數增加不同熱像中熱溫資料的可比性。如林業中常用的邊心溫比就是伐樁橫截面的邊材與心材熱溫比值。由於紅外輻射的衍射效應較可見光強, 所以影象對比度較弱, 邊緣模糊, 目標區域分割邊緣提取是一項難點。目前影象邊緣檢測一般利用影象邊緣的一階和二階導數資訊, 例如:梯度法, 模板運算元法等, 被廣泛使用的模板運算元有Sobel運算元、Prewitt運算元和Laplacain運算元等。
2.2空間構型資料處理與建模
SfM方法首先要對原始影象進行無畸變處理, 校正由相機鏡頭引起的失真, 獲取無畸變影象序列相對定向過程選擇匹配特徵點多且居於飛行區域中央的兩張影像作為初始像對, 透過特徵匹配、前後方交會解算初始像對兩幅影像的相機引數及同名座標點初始值, 再利用光束法平差最佳化結果; 新增新影像, 利用已求得的三維點座標,及影像間的匹配特徵點, 空間後方交會估算新新增影像的相機引數、對應特徵點座標, 再次平差最佳化直到完成所有影像的新增; 最終完成由農田航拍影像到三維點雲的構建。此過程生成的點雲是離散的, 利用點雲內插方法得到數字高程模型(Digital Elevation Model,DEM)後能覆蓋整個測區。
LiDAR資料處理的首要工作是去除和平滑由於系統誤差、目標物表面過亮或偶然因素導致的噪聲點。隨後, 修復點雲漏洞及缺失部分, 在完整的點雲基礎上完成農田精細建模。
3 無人機遙感在農田資訊監測中的應用
無人機可搭載的遙感感測器多種多樣, 可以獲取多維度、高精度的農田資訊, 實現多類農田資訊的動態監測。這些資訊主要包括作物空間分佈資訊(農田定位、作物種類識別、面積估算及變化動態監測、田間基礎設施提取)、作物生長資訊(作物表型引數、營養指標、產量), 以及作物生長脅迫因子(田間墒情、病蟲害)動態等。
3.1農田空間資訊
農田空間位置資訊包括田塊的地理座標及透過目視判別或機器識別得到的作物分類。透過地理座標識別出田塊邊界還可以實現種植面積的估算。傳統的方法透過以地形圖作為底圖進行數字化開展區域規劃和麵積測算, 時效性差, 邊界位置與實際情況差異巨大且缺乏直觀性, 不利於精準農業的實施。無人機遙感可以實時獲取全面的農田空間位置資訊, 具有傳統方法無可比擬的優勢。高畫質數碼相機的航拍影像即可實現農田基本空間資訊的識別和判定, 如白由路等[8]在上海將鳳農場僅以數碼相機即實現了作物種類的識別和地塊面積的量算。空間構型技術的發展提高了農田位置資訊研究的精度與深度, 在引入高程資訊的同時提升了空間解析度, 可實現更精細的農田空間資訊監測。如張宏鳴等將無人機DEM資料用於農田灌溉渠系的提取, 渠系提取的完整度達85.61%。
3.2作物生長資訊
作物生長狀況可以透過表型引數、營養指標以及產量等資訊來表徵。表型引數包括植被覆蓋度、葉面積指數、生物量、株高等。這些引數相互關聯、共同表徵了作物的長勢情況, 與最終產量直接相關。在農田資訊監測研究中佔有主導地位, 已經開展的研究相對較多。
3.2.1作物表型引數
葉面積指數(Leaf Area Index, LAI)是指單位地表面積上單面綠葉面積的總和, 可較好地表徵作物對光能的吸收利用, 與作物的物質積累和最終產量關係密切。葉面積指數是目前無人機遙感監測的主要作物生長引數之一。以多光譜資料計算植被指數(比值植被指數、歸一化植被指數、土壤調節植被指數、差值植被指數等)與地面實測資料建立迴歸模型是反演表型引數較為成熟的方法。高林等透過對多個生育期、多種植被指數和不同模型的比較, 選擇鼓粒期(大豆主莖最上部4個具有充分生長葉片著生的節中, 任何一個節位上豆莢內綠色種子充滿莢皮的時期)歸一化差分植被指數(Normalized Difference Vegetation Index, NDVI)的線性迴歸模型反演大豆LAI, 決定係數R2=0.829, 均方根誤差RMSE=0.301, 估測精度EA=85.4%。也有利用可見光影象估測LAI的研究, 如高林等[36]構建了基於可見光大氣阻抗植被指數(Visible Atmospherically Resistant Index, VARI)原理的數字影象特徵引數(UAV-based VARIRGB)的指數模型, R2也達到0.71。高光譜的高解析度優勢為研究者提供了更豐富和連續的資料。隨著高光譜感測器的推廣和高階資料處理方法的發展, 應用高光譜估算LAI的研究逐漸增多。已有研究證實, 攜式地物光譜儀(Analytica Spectra Devices, ASD)獲取的地面高光譜比值植被指數(Ratio Vegetation Index, RVI)對數模型的LAI預測能力優於無人機多光譜的NDVI線性模型[37]; Cubert UHD 185-Firefly(UHD185)是新型的無人機載高光譜感測器, 研究者透過對冬小麥孕穗、開花、灌漿期的UHD185高光譜影像與冠層ASD反射率的比較發現, 其在第3波段~第96波段(458~830nm)具有較好的光譜質量。採用偏最小二乘迴歸法(Partial Least Squares Regression, PLSR)與紅邊引數結合估算葉面積指數, 獨立驗證R2=0.757, RMSE=0.732;交叉驗證R2=0.755, RMSE=0.762。田明璐等針對傳統固定波段植被指數存在的波段範圍問題, 透過動態搜尋植被指數, 將波段範圍內的反射率極值定義為極值植被指數, 提高了棉花LAI的估測精度(驗證R2最大提高了0.11)。
作物生長後期地上部生物量與產量和品質的關係均很密切。目前農業上用無人機遙感進行生物量估測仍多使用多光譜資料, 提取光譜引數、計算植被指數進行建模; 空間構型技術在生物量的估算方面有一定優勢, 如王東亮以呼倫貝爾草地為研究物件, 提出基於無人機LiDAR技術的草層高和蓋度提取方法, 並用這兩項引數反演了地上生物量(R2=0.784, RMSE=108.9 g·m-2)。該研究還探討了無人機飛行高度對草層高度和蓋度提取結果的影響, 並應用鑲嵌演算法提升了影象拼接的效率和效果, 對於農田作物生物量的估算具有參考意義。Bendig等利用SfM演算法獲取作物表面模型(Crop Surface Models, CSM)提取作物冠層高度, 結合3種可見光區植被指數來估算大麥生物量, 發現該方法在抽穗前期可靠, 但生長後期預測效果不佳。可見生育期對於建模引數的選擇有很大影響。陸國政等在對大豆生物量的反演過程中, 採取了分段建模的方式。在開花結莢期以NDVI705和最佳化土壤調節植被指數(Optimization of Soil Adjusted Vegetation Index, OSAVI), 紅邊位置輔以株高為自變數透過最小二乘法建立多元線性迴歸模型, 獨立驗證R2=0.727, RMSE為0.145;交叉驗證R2為0.714,RMSE為0.393;在生長後期(即鼓粒成熟期), 由於株高穩定、對生物量影響小, 不再作為建模引數, 以4種高光譜植被指數建立的生物量回歸模型, 獨立驗證R2為0.698, RMSE為0.238;交叉驗證R2為.697,RMSE為0.386。
3.2.2作物營養指標
傳統的作物營養狀態監測需要透過田間取樣、室內化學分析, 以診斷營養物質或指標(葉綠素、氮素等)的含量, 而無人機遙感則依據不同物質具有特異的光譜反射吸收特徵進行診斷。葉綠素的監測依據是其在可見光波段有兩個強吸收區, 即640~663 nm的紅光部分和430~460nm的藍紫光部分, 而在550 nm處吸收很弱。作物缺素時, 葉片顏色、紋理特徵均會變化, 發掘不同缺素情況對應的顏色和紋理的統計特徵及相關特性是營養監測的關鍵。與生長引數監測類似, 特徵波段、植被指數和預測模型的選擇依舊是研究的主要內容。肖宇釗對多光譜植被指數、紋理特徵建立不同葉綠素的相對含量值(Soil and Plant Analyzer Development, SPAD)預測模型, 比較得出紋理特徵易受成像質量影響, 穩定性差於優選植被指數; 該研究還發現延後採集時間、增加採集高度、降低飛行速度均能提高模型預測精度。在高值經濟作物研究中, Arai等利用無人機近紅外影像監測茶樹葉片氮含量, 最佳化茶葉採摘時間, 在保持茶葉口感的同時提高收穫量, 顯著提高了經濟效益。植被輻射傳輸機理模型可描述光在作物葉片和冠層吸收、反射的物理過程, 模型以作物生理資訊為輸入引數, 輸出模擬的冠層光譜資訊。透過查詢表法、數值最佳化法、人工神經網路等方法可以反演作物的生長資訊。高精度植被輻射傳輸機理模型被越來越多的研究者所使用。
3.2.3作物產量
提高農作物產量是農業活動的主要目標, 準確估測產量對農業生產和管理決策部門均有重要意義。眾多研究者透過多因素分析試圖建立更高預測精度的估產模型。如許童羽等從監測時間頻率入手, 利用二元定距變數方法對單天、各旬、各月冠層NDVI與產量進行相關性分析; 相關性最優的五個時間範圍內的資料, 用線性迴歸、二次、三次曲線分別與產量建模, 比較獨立建模與組合建模的結果, 得到了預測最優水稻產量的模型是6月中旬和8月上旬的組合模型, 其R2=0.771, 相對誤差為4.06%, RMSE為0.474 t·hm-2, 對應的北方粳稻生育期為分櫱盛期和抽穗期。趙曉慶等[14]的研究則著眼於監測的取樣範圍, 基於不同空間尺度提取的高光譜資料, 採用偏最小二乘迴歸構建植被指數與產量模型, 透過模型方程估算精度的曲線變化趨勢, 分析最優空間尺度面積及取樣小區的長寬比, 最終確定取樣空間長寬與種植小區長寬比例介於4.25:5和4.5:5時, 估算模型最為準確(r=0.8117)。
3.3 作物生長脅迫因子
3.3.1農田墒情
農田墒情常透過熱紅外法進行監測。植被高度覆蓋區, 因葉片氣孔的關閉可降低因蒸騰造成的水分損失, 使地表潛熱通量降低, 地表感熱通量增加, 進而引起冠層溫度升高, 地表溫度可認為是植物冠層溫度。由於反映作物能量平衡的水分脅迫指數可量化作物含水量與冠層溫度的關係, 因此透過熱紅外感測器獲取的冠層溫度即可反映農田水分狀況; 裸土或植被覆蓋度小的地區, 可以用下墊面溫度間接反演土壤水分, 其原理是:水的比熱大, 受熱溫度變化慢, 因此白天下墊面溫度的空間分佈可間接反映土壤水分的分佈。在對冠層溫度的監測中, 裸露的土壤是重要的干擾因素。有研究者對裸土溫度與作物地表覆蓋度的關係進行了研究, 明確了由裸土導致的冠層溫度測量值與真值間的差距, 將修正結果用於農田水分的監測, 提高了監測結果的精度。在實際農田生產管理中, 田間水分滲漏情況也是被關注的重點, 已有研究利用紅外成像儀監測灌溉渠道水分滲漏, 精度可達93%。
3.3.2病蟲害
利用近紅外光譜反射率監測植物病蟲害, 其依據是:葉片在近紅外區的反射受海綿組織和柵欄組織控制, 健康植物這兩種組織間隙充滿水分而膨脹, 是各種輻射良好的反射體; 當植物受害,葉片遭到破壞, 組織萎蔫, 水分隨之減少, 紅外反射減少直到喪失。
熱紅外監測的溫度也是反映作物病蟲害的重要指標。植株在健康條件下, 主要透過控制葉片氣孔開閉進行蒸騰作用的調節, 維持自身溫度的穩定; 在遭受病害後, 會發生病理變化, 病原物-寄主互作中病原物對植物的影響, 特別是對蒸騰有關方面的影響會決定侵染部分溫度的升降。一般而言, 植物受感會導致氣孔的開張調節失調, 因而病變區域的蒸騰作用高於健康區域, 旺盛的蒸騰作用會導致感染區域溫度的下降, 葉面溫差較正常葉片高, 直到葉片表面出現壞死斑點。壞死部位的細胞完全死亡, 該部分的蒸騰作用完全喪失, 溫度開始升高, 但是由於葉片其他部分開始感染, 所以葉面溫差始終高於健康植株。
美國農業部使用機載MS4100多光譜相機獲取棉花影像, 採用多元線性迴歸和統計學方法分析、處理生成處方圖, 暗紫色和藍色區域棉花長勢良好, 粉紅色和紅色區域棉花生病或者死亡, 監測結果直觀, 可以快速投入應用輔助農藝管理, 如根據棉田病害處方圖進行噴藥管理。
3.4 其他資訊
在農田資訊監測領域, 無人機遙感資料還有更廣泛的應用。如:利用多項紋理特徵提取玉米倒伏面積[56]; 利用NDVI指數反映棉花成熟期葉片老熟程度, 生成的脫落酸施用處方圖可有效指導棉花脫落酸的噴施, 避免農藥過度施用等。根據農田監測與管理的需求, 不斷挖掘無人機遙感資料資訊、拓展其應用領域, 是未來資訊化、數字化農業發展的必然趨勢。
4 存在問題與發展方向
目前利用無人機監測農田資訊還處於起步階段, 不僅在飛行平臺的研發、應用和管理方面存在不少問題, 而且在遙測資料的挖掘、處理、和綜合應用方面也具有極大的提升空間。首先, 無人機的一次性投入成本較高, 飛行穩定性受氣象條件、操控人員能力、甚至飛行政策等因素的制約, 真正投入生產實踐的案例還比較少; 針對大田作物生長的階段性特點, 現有的研究對於週期性的農田資訊獲取仍急需完善; 多載荷無人機雖然已經投入使用, 但獲取的資料尚未充分實現多源資料的綜合應用; 由於獲取遙感資料缺少快速的處理方法和管理技術指導平臺, 高精度、高階資料的有效資訊未能完全發掘。
4.1簡單易用、低成本的無人機遙感平臺
穩定的無人機平臺與協調的感測器配置對於提高農田資訊監測水平意義重大, 但是目前無人機存在成本過高、穩定性較差、受大風、陰雨等惡劣天氣的限制等問題; 遙感平臺的操作複雜, 且過度依賴於人工設定, 制約了無人機遙感在農田監測管理中的廣泛應用。目前的研究表明, 無人機穩定性受到陣風的影響最大, 在飛行控制中也均考慮了風場擾動。滑模變結構控制和基於自抗干擾的飛行控制均取得了一定進展。商用無人機也透過改進自穩系統和航線規劃演算法簡化了無人機的操作[58-59]。目前, 我國對於7 kg以下、飛行半徑500 m範圍內、高度120 m以下的無人機未作明確規定, 但飛行器的飛行空域依然要接受相關部門的監管。隨著無人機的普及, 相關政策也有待明確。
4.2作物生長情況的週期性動態監測
對於農田資訊監測缺少週期性和連續性, 是當前研究存在的普遍問題。由於作物生長情況處於動態變化中, 每一生長階段的生長引數與遙感資訊間的關係均不相同, 單一或少數幾個生育期的作物生長模型不具有普適性和代表性。例如, 由於不同生育期的適用模型不同, 有大豆的鮮生物量的研究只能採取分段建模的方式。而且, 對於同一生長引數, 不同時期監測的準確性也存在較大差異, 因此對於作物生長狀態的連續監測, 探尋同一生長引數不同生育期的變化趨勢並構建適用於多生育期的普適模型十分必要。
4.3多源資料的綜合應用
單一來源的遙感資料難以全面反應農田資訊。隨著感測器的輕型化和無人機載重及續航時間的增加, 已經實現多源資料同步監測農田資訊。如何將不同遙感資訊綜合使用, 提高監測精度, 拓展監測範圍是需要進一步思考的內容。目前, 已有以鐳射雷達為核心, 整合高解析度相機、熱成像儀、高光譜成像儀等感測器的Crop3D平臺, 實現株高、株幅、葉長、葉寬、葉傾角及葉面積等作物各生長時期多源表型資料的提取, 實現高通量作物表型的測量, 為基因組學和生物學分析提供資料支援。也有將高畫質數碼影像與高光譜資料結合, 提取株高和光譜引數, 綜合應用於生物量估算的案例。但多源資料綜合應用的方法和範圍還很侷限, 如何實現空間構型資料與成像光譜資料的融合; 無人機遙感資料與地面、衛星遙感資料的融合, 仍是需要深入研究的問題。
4.4高精度高階資料實時處理與管理指導技術
相比於整個田塊, 農田中植被覆蓋區的遙感資訊與作物狀態的相關性更高。基於植被指數的遙感處理方法, 並未充分利用無人機遙感超高的空間解析度。因此, 利用高空間解析度的優點, 在田塊內精細區分作物、壟間裸土, 獲取單純植物覆蓋區的遙感資訊, 對於提升作物模型的預測水平有實際意義。目前, 雖然基於可見光或光譜資料即可實現物體識別與分類, 但由於其受陰影等影響, 實際應用中存在不少問題。特別是作物生長前期由於地表覆蓋度低, 遙感資料易受土壤介質的影響, 生長後期易受陰影等因素干擾, 將物體的空間特徵也同時應用於農田物體識別分類, 將會有助於提高無人機遙感對作物的分辨能力, 實現對農田區域更精準的分割。
如何處理無人機遙感獲取的海量資料也是亟待解決的問題。無法實現即時的資料解譯, 指導農藝操作, 無人機遙感將喪失實時性的優勢。因此無人機資料處理平臺的開發尤為必要, 生成相應的農業管理措施, 更好地指導農業生產。
5 結語
無人機遙感作為一種新型的高空間、時間解析度的資訊監測技術,在農田資訊監測中的研究和應用方興未艾, 目前尚存在不少的問題。但與傳統地面定點監測和高空遙感監測相比, 無人機遙感監測的空間尺度和精度優勢顯著, 尤其適合中尺度農田的數字資訊快速獲取。在可以預見的未來, 透過無人機飛行平臺、機載多源資訊採集技術、資料探勘和建模技術、決策支援技術平臺等方面的發展完善, 無人機遙感技術有望在農業和相關領域中得到更廣泛、更深入的應用。
本文來源：土壤學報, 2019, 56 作者：紀景純, 趙原, 鄒曉娟, 等.版權屬於原作者所有，如涉及侵權請及時聯絡刪除！
