无人机遥感是精准农业的一大变革。它提供了前所未有的光谱、空间和时间分辨率，但也可以提供详细的植被高度数据和多角度观测。本文综述了无人机遥感在干旱胁迫、杂草和病原检测、养分状况和长势评估、产量预测等方面的应用。

无人机遥感：精确农业的游戏改变者

在过去十年中，无人驾驶飞行器(UAV)或无人机的发展和迅速崛起标志着遥感领域的一个新时代，提供了前所未有的空间、光谱和时间分辨率的数据。无人机最重要的应用之一是(精确)农业。精确农业可以广义地定义为一种农业系统，其中管理实践在正确的地点、正确的强度和正确的时间进行。它们被划分为管理区或区块，接收调整后的输入，而不是均匀地处理字段。理想情况下，这会减少对环境的影响，增加农民的收入，因为投入减少了，而产量保持不变或增加了。精确农业的先决条件是了解土壤因素和作物状况的田间空间变化。无人机在提供所需规模和时间的高质量遥感数据方面是独一无二的。因此，在过去的8年里，在精准农业应用中使用无人机的研究数量呈指数增长。

无人机遥感：作物生长监测工具

四类传感器几乎涵盖了精准农业研究中无人机遥感的所有应用。

RGB(红-绿-蓝)相机价格便宜，空间分辨率高，但光谱分辨率相对较差。它们可用于计算一系列植被指数(VIs ),以及生成高分辨率数字高程模型(DEM)和植被高度图。

改良的RGB相机是相同的相机，其中近红外滤光器已被移除并替换为红色滤光器，使得以前的红色波段对近红外光谱(NIR)敏感。具有更好光谱分辨率的第二种类型的多光谱照相机由一组传感器组成不同的透镜，每个传感器对一个光谱区域敏感。

高光谱相机覆盖了(最常见的)400-1000纳米光谱区的全部光谱，波段相对较窄(通常< 10纳米)。提供快照和行扫描系统。虽然它们与无人机的结合并不总是简单明了的，但是系统的质量有望在未来几年进一步提高。

最后，热成像相机是典型的低分辨率相机(最大分辨率640*512像素或0.33 MP)，只有一个波段是用在长波红外(7-12mm)区域敏感的微测辐射热计传感器测量的。它们可以用来提取冠层温度。框1简要讨论了高质量最终产品的加工过程(地理参考的RGB反射率图、多光谱和超光谱图以及热传感器的表面温度图)。

无人机遥感:应用

干旱胁迫检测

通过精确灌溉技术有效利用水资源是农业部门面临的主要挑战之一。精确灌溉不仅对解决缺水问题很重要，而且对避免盐分和养分流失也很重要，还能避免地势较低的地区遭受水涝，地势较高的地区供水不足。

因为蒸腾作用是一个能量需求过程，会线性降低叶片和植被的表面温度，热成像非常适合于干旱胁迫的早期检测。红外热成像的威力如图1所示，显示了一个葡萄园的表面温度。尽管在RGB影像中果园看起来很均匀，但由于地形起伏，植物的用水量变化很大，这在冠层温度图中可以清楚地捕捉到。一些无人机研究设法从叶片温度数据中检索气孔导度，但这依赖于天气条件的外部输入数据。在大多数研究中，地表温度是标准化的，最常用的方法是利用作物水分胁迫指数(CWSI) :

来自高光谱传感器的特定窄带可见光形成了研究植物水分状况的相对新的方法。光化学反射指数的标准化版本已被提出作为干旱胁迫指数，但后续研究表明，它对植物水分状况的敏感性低于热指数。利用高光谱数据评估植物水分状况的一个更好的候选方法是太阳诱导荧光(SIF)。一项开创性的研究揭示了它在精准农业中监测干旱胁迫的潜力。然而，可靠的SIF测量需要在红色和近红外区域具有极窄带宽(理想情况下< 0.5 nm)的超光谱传感器，该方法仍处于初级阶段。

总之，配备热感相机的无人机已经可以在干旱压力检测和灌溉调度中发挥重要作用。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在果园(水果)作物上。在农田中，无人机同样适用，但典型的沟灌或喷灌系统通常不适合精确灌溉，因此需要过渡到(地下)滴灌或枢轴系统。

病原体检测和喷洒农药应用

鉴于在不影响产量的情况下减少农药使用的相关性，基于无人机的特定地点农药管理可以成为精准农业系统的一个主要部分。无人机可以应用于疾病检测的两个不同阶段:早期感染阶段的检测，如果可能的话，在任何视觉症状出现之前，以及绘制病原体或昆虫感染的严重程度。

RGB传感器最适用于绘制感染严重程度图，使用反射信息、提取的植被高度或两者的组合。基于无人机的多光谱图像已被应用于感染的早期检测，但结果喜忧参半，因为一些研究遭受了相对较大比例的假阴性观察。超光谱成像为疾病的早期检测甚至辨别提供了更好的机会。在发病过程中，对叶片结构和组织化学成分变化的影响是高度病原体特异性的，真菌在叶片表面产生独特的真菌结构，影响反射率。几项非无人机研究证明，高光谱扫描可用于区分不同的(真菌)感染，但这种方法尚未转化为无人机研究。

少数将高光谱遥感应用于疾病检测的无人机研究也包括热数据，并发现热指数被证明与超光谱指数一样能够在早期检测疾病。Calderon等人[39]关于检测鸦片中霜霉病的研究说明了这一点。只有当归一化差异植被指数(NDVI)计算为NDVI = (NIR-Red)/(NIR + Red)，结合冠层温度数据，可以将染病区域与健康区域和低叶面积区域区分开。有趣的是，高光谱和热数据提供了关于感染状态和阶段的补充信息，两者的结合产生了植物病原体阶段和状态的更完整视图。总之，用于疾病检测的无人机遥感仍处于探索阶段，尚未发挥其全部潜力。

到目前为止，还没有使用无人机生成杀菌剂或杀虫剂任务地图。研究表明，农民经常使用比需要更多的杀虫剂，可能只是为了确保避免严重的损害。因此，未来的研究需要确保尽可能避免假阴性观察。为了实现这一目标，主要研究重点应该是应用无人机高光谱遥感来区分几种常见疾病，以及将热数据与多光谱和高光谱数据融合。

杂草检测

杂草发生通常是零星的，无人机提供了绘制杂草地图的好方法，并允许特定地点的杂草管理(SSWM)。用无人机探测杂草有两种不同的方法。首先，光谱鉴别了杂草和作物可检测的光谱变化。在无人机应用中，如果杂草的光谱信号不同于作物的光谱信号，监督分类方法可能是成功的，即使使用(改良的)RGB相机，并允许定义除草剂喷洒的处方图。然而，监督学习是时间密集型的，结果并不总是有保证的。例如，基于地面训练数据集的机器学习技术提供了一种更快、更省时的替代方法。

在第二种方法中，杂草检测是在生长季节早期，即发芽后不久，对中耕作物进行的。这需要非常高分辨率的图像，无人机为此提供了一个独特的机会。基于对象的图像分析(OBIA)方法优于传统的基于像素的方法。在OBIA方法中，分析不是在单个像素上进行，而是在对象上进行，对象是具有相似光谱特性的相邻像素组。由于空间分辨率似乎比光谱分辨率更重要，使用(改进的)RGB相机可以获得良好的效果。

营养状况评估

随着提高氮(N)效率成为现代农业的一个关键焦点，使用邻近作物传感器来确定变量施肥是精准农业的经典应用之一。一些商用多光谱系统可安装在拖拉机和喷杆式喷雾器上，提供实时可变施肥量。它们都是基于一个众所周知的事实，即营养状况反映在叶片和植物的反射信号中(图2)。尽管如此，这些传感器在估计正确的施肥产量方面也有其局限性，氮肥的节省量通常低于预期。

大多数无人机研究进一步建立在拖拉机传感器的经验基础上，将多光谱指数与氮或叶绿素含量联系起来，尽管结果并不总是如预期的那样。高光谱数据可以提供更好的结果。例如，Franceschini等人观察到，一些窄带可见光与马铃薯中的叶片和冠层叶绿素密切相关。刘等人使用多元线性回归和神经网络分析将窄带可见光与冬小麦叶片氮含量联系起来。此外，包括热数据改善了燕麦叶绿素含量的预测，或大豆叶绿素和氮含量的预测。

上述研究证实了用无人机估算冠层或叶片中叶绿素或氮水平的可行性。然而，大多数研究都是在试验点进行的，处理的氮肥用量范围很大。这些范围不一定代表田间条件，其中氮水平的差异是水分含量或土壤条件的空间变异性的结果，因此往往更加微妙。因此，这一研究领域仍然相对不成熟，除了Maresma等人之外，定义和评估精准农业可变N用量的研究仍然缺乏。

此外，大多数研究使用经验回归模型将观察到的信号与氮或叶绿素含量相关联。即使对于同一种作物，也不能保证任何回归模型都是通用的，适用于其他地区或连续的生长季节。一个有趣的替代方法是利用辐射传输模型的模型反演。这些估计冠层反射率的基础上，一系列的输入参数，其中包括营养叶水平。在这方面，无人机比传统的遥感数据有明显的优势。除了提供植被高度的可靠估计(辐射传输模型的输入参数之一)，无人机还便于从不同的视角观察树冠。当使用多角度无人机数据时，反演模型的精度增加。随着未来十年计算能力的提高，辐射传输模型反演可以为精确农业中估计肥料需求提供一种很好的替代方法。

生长势和生物量

关于生长阶段和生物量的田间变化的信息对于农民监测作物生长和计划进一步管理非常有用。谷类作物的生长阶段可以通过基于无人机的RGB图像的VIs进行详细跟踪。从基于无人机(RGB)图像的运动结构(SfM)软件获得的植被高度是实际植被高度的一个非常好的估计值，无论是谷类作物还是果园作物(图1)，只要有足够的可见土壤面积。因此，在精准农业中，SfM是更昂贵的基于无人机的激光雷达的一个很好的替代方案，但不能观察土壤的作物除外。通过将来自SfM的植被高度估计与来自多光谱数据的一个或多个VIs相结合，获得了对地上生物量的良好估计。

倒伏会导致产量的巨大损失，准确评估倒伏面积对农民来说非常重要。最近，几项研究侧重于绘制倒伏区域，再次将作物高度与(主要)基于RGB的VIs结合起来。Liu等人使用了一种不同的方法，发现RGB和热红外图像的结合提高了倒伏评估的准确性。

产量预测

准确的早期产量预测对农民和整个农业部门同样重要。利用无人机，通过应用RGB导出的植物高度和冠层覆盖，VIs 或多光谱图像获得了良好的产量预测精度。多时相视觉指数，如整个生长季节的累积视觉指数，优于单次测量，如卫星数据。

在上述无人机研究中，预测了试验田的产量，例如，氮、磷或灌溉处理会导致最终产量的巨大变化。类似于营养状况的评估，它们的性能仍然需要在精确农业条件下进行评估，在精确农业条件下，变化主要是根据土壤和小气候因素，而不是极端的。此外，到目前为止，无人机的产量预测研究主要集中在建立经验回归模型上。尽管回归系数有助于将产量样本扩大到整个油田，但通常不能应用于同一地点的连续年份，也不能应用于同一年的其他地点。另一种方法是根据作物生长模型来估算产量。Kim等人[88成功地将生长模型GRAMI应用于利用无人机数据预测水稻产量。然而，很明显，需要更多的研究来确定最佳传感器配置、飞行时间，并调整作物生长模型，以最佳利用无人机信息，从而可靠地预测产量。