在過去的十年中，無人機（UAV）的發(fā)展和迅速崛起標(biāo)志著遙感技術(shù)進(jìn)入了一個新時代，它提供了前所未有的空間、光譜和時間分辨率數(shù)據(jù)。精準(zhǔn)農(nóng)業(yè)是無人機最有經(jīng)濟價值的應(yīng)用領(lǐng)域之一，本文綜述了無人機遙感在干旱脅迫、雜草和病原檢測、營養(yǎng)狀況和生長勢評估以及產(chǎn)量預(yù)測等方面的研究進(jìn)展。

無人機遙感在干旱脅迫檢測中的應(yīng)用

配備熱像儀的無人機在干旱脅迫檢測和灌溉調(diào)度中發(fā)揮著重要作用。值得注意的是，幾乎所有用于干旱脅迫檢測的無人機應(yīng)用都集中于果園(水果)作物。在農(nóng)田中，雖然無人機也同樣適用，但典型的溝灌或噴灌系統(tǒng)通常不適合精準(zhǔn)灌溉，需要過渡到(地下)滴灌或樞軸系統(tǒng)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.

病原體檢測與農(nóng)藥應(yīng)用

無人機遙感用于疾病檢測還處于探索階段，尚未充分發(fā)揮其潛力。到目前為止，還沒有使用無人機生成殺菌劑或殺蟲劑任務(wù)圖。研究表明，農(nóng)民經(jīng)常過量使用殺蟲劑，大部分是為了避免造成作物嚴(yán)重?fù)p害。因此，未來的研究需要盡可能避免假陰性觀察。為實現(xiàn)這一目標(biāo)，主要研究重點應(yīng)放在無人機高光譜遙感技術(shù)在幾種常見疾病之間的應(yīng)用區(qū)分，以及熱紅外與多光譜、高光譜數(shù)據(jù)的融合。

雜草檢測

雜草感染通常是零散的，無人機提供了一種很好的方法來繪制雜草圖，并允許進(jìn)行特定地點的雜草管理 (SSWM)。

使用無人機探測雜草的方法：

1) 有監(jiān)督的分類算法效果很成功

2) 基于對象的圖像分析(OBIR)方法優(yōu)于傳統(tǒng)的基于像素的方法

營養(yǎng)狀況評估

提高氮(N)含量是現(xiàn)代農(nóng)業(yè)的一大重點，使用近端作物傳感器來確定變量施肥是精準(zhǔn)農(nóng)業(yè)典型應(yīng)用之一。市面上有多種商用多光譜系統(tǒng)可安裝在拖拉機和懸臂式噴霧器上，提供實時可變施肥率。它們都基于一個眾所周知的事實，即營養(yǎng)狀況反映在葉子和植物的反射光譜特征中(如下圖)。

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.

生長活力和生物量

生長期和生物量的田間變化信息對農(nóng)民監(jiān)測作物生長和制定進(jìn)一步的管理計劃非常關(guān)鍵。利用基于無人機的RGB圖像，可以非常詳細(xì)地體現(xiàn)谷物作物的不同生長階段?；跓o人機(RGB)圖像的運動結(jié)構(gòu)(SfM)軟件得出的植被高度是谷物和果園作物中實際植被高度的極佳估計方法(前提是有足夠的土壤區(qū)域可見)。

產(chǎn)量預(yù)測

精確的早期產(chǎn)量預(yù)測對農(nóng)民和整個農(nóng)業(yè)部門同樣重要。使用無人機時，通過應(yīng)用RGB導(dǎo)出的株高和冠層覆蓋率、植被指數(shù)或多光譜圖像，可以獲得良好的產(chǎn)量預(yù)測精度。多時相植被指數(shù)，如累計整個生長周期的植被指數(shù)效果，優(yōu)于單次，衛(wèi)星數(shù)據(jù)也是如此。

無人機產(chǎn)量預(yù)測研究目前主要集中在：

1) 經(jīng)驗回歸模型

2) 作物生長模型

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.

鑒于無人機最近進(jìn)入農(nóng)業(yè)應(yīng)用市場，其進(jìn)展、研究數(shù)量和涵蓋的科研方向均成果非凡，大多數(shù)研究證實了無人機在精準(zhǔn)農(nóng)業(yè)中的巨大潛力。盡管(nano)衛(wèi)星也將提供非常高的時間和空間分辨率，但無人機具有幾個獨特的功能，可以使它們在精準(zhǔn)農(nóng)業(yè)中處于領(lǐng)先地位(遙感數(shù)據(jù)方面)。除了具有競爭力的價格，無人機在以下方面仍然是獨一無二的:

1) 提供厘米級分辨率

2) 結(jié)合3D冠層高度和正射影像信息

3) 提供多角度數(shù)據(jù)(特別是來自快照相機)

4) 提供高質(zhì)量高光譜數(shù)據(jù)，并可以集成各類功能的傳感器

為了將這一知識應(yīng)用到精準(zhǔn)農(nóng)業(yè)的日常實踐中，未來的研究應(yīng)側(cè)重于利用高光譜或多光譜數(shù)據(jù)與熱數(shù)據(jù)的互補性，將觀測結(jié)果整合到穩(wěn)健的傳輸或增長模型中(而不是線性回歸模型)，以及將無人機產(chǎn)品與其它空間顯式信息相結(jié)合。