易科泰光谱成像与无人机遥感技术研究中心基于自主设计生产的专业多旋翼无人机遥感平台，引进国际知名光谱成像传感器技术，包括芬兰Specim高光谱成像、法国YellowScan激光雷达、多光谱成像、红外热成像、RGB成像、激光测距等多种传感器技术，推出系列多传感器无人机遥感系统，为农业、林业、生态观测提供无人机遥感与近地遥感全面解决方案。

方案一：Ecodrone® UAS-4/4Pro轻便型无人机遥感平台

可同时搭载多光谱成像、Thermo-RGB成像，或多光谱成像与激光雷达多光谱成像地面分辨3.4cm@50mAGL科研级Thermo-RGB成像：640512像素可直接得出数十种VI（植物光谱反射指数）、标准化冠层温度、CWSI（水分胁迫指数）等自主专利UAS-4平台，荣获第24届中国杨凌农业高新科技成果博览会“后稷奖”

方案二：Ecodrone® UAS-8高分辨率高光谱-红外热成像无人机遥感平台

搭载AFX高光谱成像及红外热成像厘米级地面分辨率单航带宽36m @50m AGL；科研级Thermo-RGB成像：640×512像素可直接得出90多个VI（植物光谱反射指数）、F（叶绿素荧光）、标准化冠层温度、CWSI等荣获2020年检验检测认证认可行业年度风云榜“仪器设备十大新锐产品”

方案三：Ecodrone® UAS-8 Pro一体式高光谱-红外热成像-激光雷达无人机遥感平台

▪ Ecodrone®-LiHT ( LiDAR，Hyperspectral and Thermal remote sensing)，集高光谱-红外热成像-激光雷达于一体，或高光谱-激光雷达

▪ AFX高光谱成像传感器，高分辨率、高信噪比、高帧频、高分辨率、高灵敏度

▪ Thermo-RGB传感器，640×512像素，测温灵敏度可达0.03℃

▪ 高密度三维点云，最高精确度0.5cm，最高回波15次，50m飞行高度点云密度700pts/m2

▪ 大范围（景观水平)、高空间分辨率（厘米级)同步观测植被结构功能

以下为多传感器无人机遥感技术在果树表型研究中的应用案例：

应用案例一：基于多光谱-红外热成像无人机遥感技术的葡萄园水分状况评估

在许多降雨稀少和蒸发量大的葡萄酒产区，干旱胁迫可能对葡萄的营养、产量、成分以及葡萄酒感官评价产生负面影响，因此，优化灌溉是大多数葡萄酒产地的一项关键研究问题。

无人机遥感技术具有时间灵活，作业高效，以及高分辨率的特点，利用无人机遥感技术可开展作物水分和营养胁迫的相关研究工作。研究人员使用机载多光谱和红外热成像评估了一个位于西班牙里奥哈省洛格罗尼奥市的5公顷雨养葡萄园的水分状况。

在地面测得叶片气孔导度（gs）和茎水势（Ψstem）数据，研究人员使用分水岭算法，发现叶片温度与冠层温度数据显著正相关，茎水势和气孔导度与红外热成像数据呈负相关，如图1.1所示。由多光谱数据得到的NDVI、MSR和SRI植被指数与gs和Ψstem有明显相关性，其中Ψstem与这三个指数的最佳决定系数R2分别为0.68，0.66和0.64，同时gs决定系数在0.75-0.84之间。这些结果表明，作物生理数据和由多光谱和热成像得出的遥感数据之间的线性回归得到的决定系数，使多光谱和热红外方法应用于葡萄生理评估具有可行性。

图1.1 左：(a)10cm分辨率的伪彩色图，(b)对绿色框选区域基于NDVI直方图(NDVI>0.75)的分水岭算法(红色)的数据提取，(c)全部区域数据提取，(d) (a)中所示整个区域的NDVI直方图；右：用气孔导度(a)和茎水势(b)(n=10)对遥感数据估算的温度进行线性回归。其中**在p值<0.01时显著，*在p值<0.05时显著

图1.2 左：通过NDVI获得的平均水势和气孔导度；右：(a)NDVI(白点)和Ig2(黑点)估算的标记茎水势散点图，(b)TCARI/OSAVI(白点)和Ig2(黑点)估算的葡萄树气孔导度散点图。采用留一交叉验证计算了均方根

研究揭示了红外热成像和多光谱数据的相关指数与葡萄园水分状况之间存在高度相关性，表明无人机遥感技术可用于评估葡萄园的水分状况，并绘制葡萄园内的水分状况的空间分布及变化图，这对灌溉工作非常有用，有助于绘制地图或优化葡萄园灌溉站的数量和位置，并且能够基于这一数据开发新的水分调度模型。

应用案例二：基于高光谱-红外热成像无人机遥感技术的橄榄树苛养木杆菌监测

苛养木杆菌(Xylella fastidiosa,Xf)是一种有害的植物致病菌，可感染全球500多种植物，已被我国列入检疫性有害生物名录之中。因此，没有表现出明显症状前遏制和根除受感染植物至关重要，为了实现这一目的，航空遥感技术无疑是一种高效的方法。

T.Poblete等研究人员选取意大利南部阿普利亚的Xf感染区，分别在2016和2017年采集了三个面积共1200公顷的区域(图1.1左)的高光谱和热成像数据，同步采集了地面叶片数据。将从高光谱和热成像相机获取的VI、太阳诱导叶绿素荧光(SIF)和基于温度数据的作物水分胁迫指数(CWSI)的贡献进行了评估，在不同的机器学习算法的结果中，使用精细高斯(径向基)函数的支持向量机能够最准确地区分感染和未感染树，并且在所有迭代中具有最小的标准差(s.d.=0.1)，使用最优高斯函数(高斯核为0.56)的支持向量机结果是最精确的(总体精度OA为~ 80%，κ=0.42)

图2 左：(a)400-885nm高光谱DOM图，(b)LWIR红外热成像DOM图；中：(a)60cm分辨率的热成像，(b)基于对象的树冠自动分割检测算法示例，(c)和(d)分别为热成像和树冠识别的详细信息；右：(a) 40cm分辨率高光谱图像。(b)对高光谱图像进行自动树冠分割。(c)基于对象的树冠检测算法，(d)单棵树冠反射率

进一步分析发现400-450nm波段的反射数据和CWSI是对橄榄树Xf症状敏感的最关键光谱数据，将波段连续的高光谱数据转化为10nm半波宽的6个光谱带集模拟多光谱数据进行分析时，当6个多光谱信息与热成像数据组合时，预测模型的OA高达74% (κ= 0.36)，同时，据研究感染Xf的植物需要10-12个月才能出现明显症状，因此，更加说明光谱成像和热成像的结合对于苛养木杆菌疫区大规模先期监测的可行性。

参考文献：

[1] Baluja J , Diago M P , Balda P , et al. Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV)[J]. Irrigation Science, 2012(6).

[2] Poblete T , Camino C , Beck P , et al. Detection of Xylella fastidiosa infection symptoms with airborne multispectral and thermal imagery: Assessing bandset reduction performance from hyperspectral analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 162:27-40.