无人机遥感在精准农业中的应用（这些应用99%的人不知道）

在过去的十年中，无人机（UAV）的发展和迅速崛起标志着遥感技术进入了一个新时代，它提供了前所未有的空间、光谱和时间分辨率数据。精准农业是无人机最有经济价值的应用领域之一，本文综述了无人机遥感在干旱胁迫、杂草和病原检测、营养状况和生长势评估以及产量预测等方面的研究进展。

无人机遥感在干旱胁迫检测中的应用

配备热像仪的无人机在干旱胁迫检测和灌溉调度中发挥着重要作用。值得注意的是，几乎所有用于干旱胁迫检测的无人机应用都集中于果园(水果)作物。在农田中，虽然无人机也同样适用，但典型的沟灌或喷灌系统通常不适合精准灌溉，需要过渡到(地下)滴灌或枢轴系统中。

The Power of Infrared Thermography. Digital surface model (DSM; top) and RGB (red–green–blue)orthophoto overlaid with surface temperature map of grapevine plants (bottom) of a vineyard in Affligem, Belgium. Image taken on August 25, 2012; air temperature was 22.2.

病原体检测与农药应用

无人机遥感用于疾病检测还处于探索阶段，尚未充分发挥其潜力。到目前为止，还没有使用无人机生成杀菌剂或杀虫剂任务图。研究表明，农民经常过量使用杀虫剂，大部分是为了避免造成作物严重损害。因此，未来的研究需要尽可能避免假阴性观察。为实现这一目标，主要研究重点应放在无人机高光谱遥感技术在几种常见疾病之间的应用区分，以及热红外与多光谱、高光谱数据的融合。

杂草检测

杂草感染通常是零散的，无人机提供了一种很好的方法来绘制杂草图，并允许进行特定地点的杂草管理 (SSWM)。

使用无人机探测杂草的方法：

1) 有监督的分类算法效果很成功

2) 基于对象的图像分析(OBIR)方法优于传统的基于像素的方法

营养状况评估

提高氮(N)含量是现代农业的一大重点，使用近端作物传感器来确定变量施肥是精准农业典型应用之一。市面上有多种商用多光谱系统可安装在拖拉机和悬臂式喷雾器上，提供实时可变施肥率。它们都基于一个众所周知的事实，即营养状况反映在叶子和植物的反射光谱特征中(如下图)。

Assessment of Nutrient Status.(A) Reflectance pattern of a typical crop as a function of the chlorophyll AB content; (B) plotting different vegetation indices as a function of chlorophyll AB content illustrates that some classical vegetation indices [normalized difference vegetation index (NDVI) and enhanced vegetation index (EVI)] saturate and are less sensitive to subtle differences in Cablevels when Cabis relatively high, in contrast to green NDVI (GNDVI) and normalized difference red edge (NDRE) index. Created from simulations using Fluspect-B model [63] in SCOPE v1.70 [64]. Constant parameters were as follows: canopy height = 0.7 m, leaf area index (LAI) of 2.5 m2m?2, N = 2.5; Cdm= 0.01; Cw= 0.05; Cs= 0; spherical leaf distribution assumed. EVI = 2.5 (NIR ? R)/(NIR + 6R ? 7.5B + 1); GNDVI = (NIR ? G)/(NIR + G); GRVI = (G ? R)/(G + R); NDRE = (NIR ? RE)/(NIR + RE). NIR, near-infrared spectrum; RE, red edge reflectance.

生长活力和生物量

生长期和生物量的田间变化信息对农民监测作物生长和制定进一步的管理计划非常关键。利用基于无人机的RGB图像，可以非常详细地体现谷物作物的不同生长阶段。基于无人机(RGB)图像的运动结构(SfM)软件得出的植被高度是谷物和果园作物中实际植被高度的极佳估计方法(前提是有足够的土壤区域可见)。

产量预测

精确的早期产量预测对农民和整个农业部门同样重要。使用无人机时，通过应用RGB导出的株高和冠层覆盖率、植被指数或多光谱图像，可以获得良好的产量预测精度。多时相植被指数，如累计整个生长周期的植被指数效果，优于单次，卫星数据也是如此。

无人机产量预测研究目前主要集中在：

1) 经验回归模型

2) 作物生长模型

Schematic overview of the different ways to extract spatial information in the areas reviewed in this article, the useful platforms and the optimal UAV sensors, throughout a growing season of a wheat crop. The optimal sensors for UAVs are indicated. Abbreviations: RGB, red–green–blue.

鉴于无人机最近进入农业应用市场，其进展、研究数量和涵盖的科研方向均成果非凡，大多数研究证实了无人机在精准农业中的巨大潜力。尽管(nano)卫星也将提供非常高的时间和空间分辨率，但无人机具有几个独特的功能，可以使它们在精准农业中处于领先地位(遥感数据方面)。除了具有竞争力的价格，无人机在以下方面仍然是独一无二的:

1) 提供厘米级分辨率

2) 结合3D冠层高度和正射影像信息

3) 提供多角度数据(特别是来自快照相机)

4) 提供高质量高光谱数据，并可以集成各类功能的传感器

为了将这一知识应用到精准农业的日常实践中，未来的研究应侧重于利用高光谱或多光谱数据与热数据的互补性，将观测结果整合到稳健的传输或增长模型中(而不是线性回归模型)，以及将无人机产品与其它空间显式信息相结合。