無人機農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進展

無人機農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進展

蘭玉彬鄧小玲曾國亮摘

要：農(nóng)田作物信息的快速獲取與解析是開展精準農(nóng)業(yè)實踐的前提和基礎(chǔ)。根據(jù)農(nóng)作物病蟲草害的實際程度進行變量噴施和作業(yè)管理，可減少農(nóng)業(yè)生產(chǎn)成本、優(yōu)化作物栽培、提高農(nóng)作物產(chǎn)量和品質(zhì)，從而實現(xiàn)農(nóng)業(yè)精準管理。近年來，隨著無人機產(chǎn)業(yè)的快速發(fā)展，無人機農(nóng)業(yè)遙感技術(shù)因其空間分辨率高、時效性強和成本低等特點，在農(nóng)作物病蟲草害監(jiān)測應(yīng)用中發(fā)揮了重要作用。本文首先介紹了精準農(nóng)業(yè)航空的基本思想與系統(tǒng)組成和無人機遙感在精準農(nóng)業(yè)航空的地位。接著探討了無人機農(nóng)業(yè)遙感系統(tǒng)常見的成像方式和遙感影像解析方法，并闡述了國內(nèi)外無人機農(nóng)業(yè)遙感技術(shù)在農(nóng)作物病蟲草害檢測研究的最新進展。最后總結(jié)了無人機農(nóng)業(yè)遙感技術(shù)發(fā)展至今面臨的挑戰(zhàn)并展望了未來的發(fā)展方向。本文將為開展無人機農(nóng)業(yè)遙感技術(shù)在精準農(nóng)業(yè)航空領(lǐng)域的研究提供理論參考和技術(shù)支撐。Key：無人機農(nóng)業(yè)遙感;病害檢測;蟲害控制;雜草制圖;農(nóng)情解析：S435

文獻標(biāo)志碼：A

：201904-SA003蘭玉彬，鄧小玲，曾國亮.無人機農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進展[J].智慧農(nóng)業(yè)，2019，1（2）：1-19.LanY，DengX，ZengG.Advancesindiagnosisofcropdiseases，pestsandweedsbyUAVremotesensing[J].SmartAgriculture，2019，1（2）：1-19.（inChinesewithEnglishabstract）1

精準農(nóng)業(yè)航空概述農(nóng)作物病蟲草害對農(nóng)作物的質(zhì)量和產(chǎn)量都造成了極大影響，造成農(nóng)業(yè)產(chǎn)業(yè)巨額損失，是制約現(xiàn)代農(nóng)業(yè)發(fā)展的重要因素。據(jù)聯(lián)合國糧食及農(nóng)業(yè)組織（FoodandAgricultureOrganizationoftheUnitedNations，F(xiàn)AO）估計，全世界每年由病蟲害導(dǎo)致的糧食減產(chǎn)約為總產(chǎn)量的1/4，其中病害造成的損失為14%，蟲害造成的損失為10%[1]。中國作為農(nóng)業(yè)大國，農(nóng)作物種類多、分布廣，重要的農(nóng)作物病蟲害達1400多種，具有種類多、影響大和局部暴發(fā)成災(zāi)等特點。近年來，中國農(nóng)作物病蟲害發(fā)生和造成的危害出現(xiàn)加重趨勢[2]。而傳統(tǒng)的農(nóng)作物病蟲害監(jiān)測以及防控主要依靠植保工作人員田間取樣和調(diào)查，具有耗時、費力、效率低下和主觀性強等缺點。未來農(nóng)業(yè)生產(chǎn)趨向于高度區(qū)域化、一體化、機械化、精準化以及智能化，近幾年迅速發(fā)展起來的精準農(nóng)業(yè)航空理念正符合未來農(nóng)業(yè)發(fā)展的方向。其基本思想如圖1所示：通過空中和地面遙感，采集并解析具有地理位置的農(nóng)田中的作物長勢、病蟲草害、生長環(huán)境等農(nóng)情信息，再將農(nóng)田分為作業(yè)網(wǎng)格，依據(jù)不同的農(nóng)情制定不同的作業(yè)處方圖，并對網(wǎng)格進行按需作業(yè)，即精準施藥或精準撒播等[3，4]。如圖2所示，精準農(nóng)業(yè)航空系統(tǒng)包含了遙感系統(tǒng)、地理信息系統(tǒng)、精準導(dǎo)航系統(tǒng)、變量噴施系統(tǒng)等。它是一個整體的系統(tǒng)工程，其中遙感系統(tǒng)是其最基本的環(huán)節(jié)。借助于地理信息系統(tǒng)，對遙感影像進行解析可以生成農(nóng)作物的作業(yè)處方圖。在精準導(dǎo)航系統(tǒng)和變量噴施系統(tǒng)的控制下，作業(yè)處方圖可以用于為作業(yè)機械的精準噴施管理提供指導(dǎo)依據(jù)，以便農(nóng)業(yè)專家優(yōu)化作物栽培管理，按需作業(yè)、變量噴施，從而提高作物質(zhì)量和產(chǎn)量，降低生產(chǎn)成本[5]。對應(yīng)實施的過程，精準農(nóng)業(yè)航空離不開各種技術(shù)與裝備的支持。如圖3所示，遙感圖像獲取過程需要遙感圖像采集系統(tǒng)的裝備支持;農(nóng)作物病蟲草害農(nóng)情解析過程需要農(nóng)業(yè)專家知識、地面遙感、地面農(nóng)情調(diào)查以及模式識別等技術(shù)的支持;農(nóng)情分布圖需要全球定位系統(tǒng)（GPS）和地理信息系統(tǒng)（GIS）等技術(shù)的支持;作業(yè)處方圖的生成過程需要結(jié)合植保無人機施藥霧滴漂移沉積規(guī)律和植保無人機作業(yè)參數(shù)、氣象條件等技術(shù);在變量/精準施藥實施過程中，需要作業(yè)平臺、精準導(dǎo)航系統(tǒng)與變量施藥裝置等裝備支持，也需要全自主飛行、航線規(guī)劃、厘米級定位、斷點續(xù)噴等技術(shù)的支撐。與高空遙感相比，低空遙感具有運行成本低、靈活性高以及獲取數(shù)據(jù)實時快速等特點，在農(nóng)作物病蟲害檢測應(yīng)用領(lǐng)域具有得天獨厚的優(yōu)勢[6]，因此成為了現(xiàn)代精準農(nóng)業(yè)的重點研究方向。無人機農(nóng)業(yè)遙感作為低空遙感的重要組成部分，大大拓寬了農(nóng)業(yè)遙感在農(nóng)作物監(jiān)測中的應(yīng)用范圍[7]。緊湊、輕便、耐用的傳感器和設(shè)備的快速發(fā)展，更促進了無人機農(nóng)業(yè)遙感技術(shù)的發(fā)展。近年來，無人機農(nóng)業(yè)遙感已成為精準農(nóng)業(yè)航空的重要研究方向。本研究圍繞無人機農(nóng)業(yè)遙感硬件、常見的圖像解析方法和農(nóng)業(yè)遙感應(yīng)用研究三部分展開綜述，首先介紹了無人機農(nóng)業(yè)遙感常見的低空遙感影像采集硬件系統(tǒng);之后介紹了無人機遙感圖像常見的處理方法，最后，以無人機遙感監(jiān)測農(nóng)作物病蟲草害的相關(guān)研究成果為主，分析總結(jié)了國內(nèi)外無人機遙感技術(shù)在農(nóng)作物病、蟲、草害的研究進展，以期為農(nóng)業(yè)航空遙感領(lǐng)域的研究人員提供相關(guān)的技術(shù)參考和方向指引，為農(nóng)學(xué)從業(yè)人員提供信息化增產(chǎn)豐收的新思路，從而進一步推進精準農(nóng)業(yè)航空技術(shù)的應(yīng)用和發(fā)展。2

無人機農(nóng)業(yè)遙感系統(tǒng)無人機農(nóng)業(yè)遙感以無人駕駛飛機為探測平臺，搭載各種傳感器（通常是高清攝像機和成像光譜儀）獲取農(nóng)田圖像，通過對數(shù)據(jù)進行后期處理、挖掘和建模，來獲取更詳盡的農(nóng)情信息。2.1

無人機低空遙感影像采集系統(tǒng)無人機低空遙感影像采集系統(tǒng)主要由傳感器、無人機、地面控制系統(tǒng)、數(shù)據(jù)處理軟件四部分組成?？紤]到無人機續(xù)航能力和載重量等方面的局限性，所采用的遙感傳感器一般具備數(shù)字化、存儲量大、體積小、重量輕、精度高、性能優(yōu)異等特點。目前，常用于農(nóng)作物信息采集的傳感器主要有數(shù)碼相機、多光譜相機、高光譜相機、熱成像儀、激光雷達等。（1）數(shù)碼相機成像遙感數(shù)碼相機成像一般獲取的是400～760nm之間的RGB可見光影像，為了修正光線和還原圖像真實色彩，一般圖像傳感器都會通過濾光片把紅外線濾除掉。因此一般的攝像頭無近紅外波段信息。由于數(shù)碼相機使用方便，價格較低，且數(shù)字圖像處理技術(shù)相對成熟，因此利用無人機搭載高清數(shù)碼相機的遙感系統(tǒng)，是農(nóng)作物生長狀況以及病蟲害監(jiān)測的重要手段。由于無人機飛行高度較低，影像清晰，空間分辨率可達厘米級，通過對數(shù)碼影像的紋理、顏色等圖像空間信息特征進行提取與分析，可進行農(nóng)作物葉面積指數(shù)計算、不同生長周期長勢評估、農(nóng)作物識別、病蟲草害診斷等研究。大疆公司的精靈Phantom4RTK，其內(nèi)置1英寸2000萬像素CMOS傳感器，用以捕捉高清影像;集成全新RTK模塊，提供實時厘米級定位數(shù)據(jù);配套的地面站軟件，可輕松實現(xiàn)低空航拍任務(wù)。采用數(shù)碼相機進行無人機低空遙感農(nóng)作物的病蟲害，雖然成本較低、操作相對簡單，但目前通用的數(shù)碼相機的空間分辨率還是難以從空中捕獲農(nóng)作物冠層以及葉片的細節(jié)，在農(nóng)作物癥狀辨別特別是早期診斷應(yīng)用上還具有一定的局限性。（2）高光譜相機成像遙感利用高光譜遙感監(jiān)測技術(shù)進行作物病蟲害的診斷與監(jiān)測，可及時發(fā)現(xiàn)、及時處理，有利于早期防治。其原理是，病蟲害會造成作物葉片細胞結(jié)構(gòu)色素、水分、氮元素等性質(zhì)發(fā)生變化，從而引起反射光譜的變化，所以病蟲害作物的反射光譜和正常作物可見光到熱紅外波段的反射光譜有明顯差異[1]。健康的綠色植物具有典型的光譜特征。遭受病蟲害的植被其光譜反射率曲線的波狀特征則被拉平[8]。圖4以柑橘葉片的光譜曲線為例，藍色曲線表示健康葉片的光譜反射率，灰色曲線表示癥狀不明顯但已確認患柑橘黃龍病的葉片，橙色曲線表示明顯患柑橘黃龍病的葉片。從這個例子也可以看出，患病葉片的光譜反射率曲線波形被拉平?；谥脖坏墓庾V特征，以及其他遙感影像的特征，如可見光圖像的空間信息特征等，可以衍生出農(nóng)業(yè)航空遙感不同的應(yīng)用領(lǐng)域。高光譜成像的光譜分辨率在0.01數(shù)量級，其在可見光和近紅外區(qū)域有幾個到數(shù)百個波段，光譜分辨率可達納米級。高光譜圖像包含的波段信息豐富、分辨率高，能準確地反映田間作物本身的光譜特征以及作物之間的光譜差異，在農(nóng)作物病蟲害監(jiān)測上更顯優(yōu)勢。但目前高光譜相機的價格普遍較高，廣大農(nóng)戶難以承受，因此目前主要應(yīng)用于科學(xué)研究領(lǐng)域。在高光譜成像方面，市面上許多公司也推出了機載高光譜相機，如采用畫幅式高光譜成像技術(shù)的CubertS185相機[9]，采用線掃描技術(shù)的Hyperspec

系列高光譜成像傳感器[10]，四川雙利合譜科技有限公司生產(chǎn)的GaiaSky-mini等[11]。圖5為無人機高光譜遙感試驗，該試驗采用CubertS185機載高光譜相機，通過云臺搭載于大疆M600多旋翼無人機，結(jié)合光譜校正板、地面站、和控制分析軟件，完成柑橘黃龍病的無人機高光譜遙感試驗。（3）多光譜相機成像遙感多光譜成像的光譜分辨率在0.1數(shù)量級，即在可見光和近紅外區(qū)域一般只有幾個波段。無人機農(nóng)業(yè)遙感領(lǐng)域常見的多光譜相機通?？梢垣@取4個波段以上的光譜圖像，如圖6所示的ParrotSequoia多光譜相機，可同時捕捉綠光、紅光、紅邊和近紅外4個波段圖像以及用RGB圖像來反映植物的健康狀況。也可以定制特定窄波段的多光譜相機，根據(jù)特定的遙感應(yīng)用對不同的波段以及波段范圍進行量身定做。本文作者早在2009年于美國農(nóng)業(yè)部南方平原農(nóng)業(yè)研究中心（SouthernPlainsAgriculturalResearchCenter，AgriculturalResearchService，USDA）已經(jīng)開展了低空遙感多光譜成像系統(tǒng)的研究。進行了三種不同類型的機載遙感多光譜成像系統(tǒng)的性能研究[12]，涵蓋低成本和相對高成本、手動操作和自動操作、使用單個攝像頭的自動多光譜合成成像和多個攝像頭的集成成像，試驗研究表明，低成本的多光譜成像系統(tǒng)因波段飽和、成像速度慢和圖像質(zhì)量差，比較適用于能靠近地面飛行的低速移動平臺，但不推薦用于固定翼飛機上的低空或高空航空遙感;由于對有效載荷的限制和安裝復(fù)雜，高成本成像系統(tǒng)不推薦適用于無人駕駛直升機;成本適中的多光譜成像系統(tǒng)，適用于基于地塊定位文件觸發(fā)的固定翼飛機低空航空遙感，也適用于全球定位觸發(fā)或人工操作的固定翼飛機高空航空遙感;建議在固定翼飛機上采用定制系統(tǒng)進行高空航空遙感，觸發(fā)或手動操作航路點全球定位。美國農(nóng)業(yè)部Yang等[13]采用兩個消費級的彩色攝像機搭載了多光譜成像系統(tǒng)，一個攝像頭捕捉正常的彩色圖像，另一個則被修改以獲得近紅外（NearInfrared，NIR）圖像，對該系統(tǒng)進行了兩年的機載測試和評估，結(jié)果表明該雙攝像機成像系統(tǒng)性能可靠，成像系統(tǒng)具有監(jiān)測作物生長狀況、檢測作物疾病和繪制農(nóng)田和濕地生態(tài)系統(tǒng)入侵雜草圖的潛力。以上研究表明，在農(nóng)業(yè)遙感領(lǐng)域，近紅外區(qū)域以及紅邊區(qū)域是農(nóng)作物生長信息較敏感的波段。對數(shù)碼相機進行結(jié)構(gòu)修改以獲取近紅外圖像，結(jié)合可見光波段，便可以實現(xiàn)多光譜成像。目前機載多光譜相機的頻譜波段數(shù)較少，一般在四個波段左右，波段范圍較寬，光譜分辨率較低，且圖像的空間分辨率也較低，因此在應(yīng)用中通常與高分辨率的數(shù)碼相機或高光譜相機進行圖像融合，以滿足更高的應(yīng)用需求。（4）紅外熱成像遙感熱紅外遙感（InfraredRemoteSensing）是指傳感器工作波段限于紅外波段范圍之內(nèi)的遙感。熱紅外遙感的信息源來自物體本身，只要地物溫度超過絕對零度，就會不斷發(fā)射紅外能量[14]。無人機熱紅外成像遙感就是利用機載熱紅外傳感器收集、記錄地物的熱紅外信息，并利用這種熱紅外信息來識別地物和反演地表參數(shù)如溫度、濕度和熱慣量等。由于主動式紅外熱成像方式對目標(biāo)物的人為操作可能破壞其物理特性，從而使得試驗數(shù)據(jù)不準確，因此，在植物病蟲害遙感應(yīng)用領(lǐng)域，紅外熱成像多數(shù)采用的是被動式方式。但是，由于農(nóng)作物本身已經(jīng)達到了熱平衡狀態(tài)，或者物體的熱福射差異微小，因此被動式紅外熱成像技術(shù)難以獲得濕度場信息。此外，植物葉片災(zāi)害區(qū)域與正常區(qū)域的溫差一般相差不大，所得到的熱圖像缺少層次感。再加上探測器本身器件的原因和客觀探測條件的干擾，紅外熱成像的圖像邊緣模糊，信噪比低。因此，紅外熱成像在農(nóng)作物病蟲草害監(jiān)測應(yīng)用中，具有一定的局限性。目前在農(nóng)業(yè)航空遙感應(yīng)用領(lǐng)域，通常采用數(shù)碼相機與紅外熱成像儀相結(jié)合的監(jiān)測方式。如無人機搭載紅外熱像儀和數(shù)碼相機，可以識別地面的溫差，并定位區(qū)域，也可實現(xiàn)如鼠害識別方面的農(nóng)業(yè)應(yīng)用。（5）激光雷達成像遙感機載激光雷達（LightDetectionandRanging，LiDAR）與光學(xué)成像遙感不同，它是通過主動探測目標(biāo)的散射光特性來獲取相關(guān)信息的遙感技術(shù)，是近些年新興的遙感技術(shù)，目前是植物表型研究中重要的監(jiān)測手段[15]。其主要優(yōu)勢在于可以獲取高精度的三維數(shù)據(jù)，在植被垂直結(jié)構(gòu)探測上開辟了可能性，彌補了光學(xué)遙感在提取冠層結(jié)構(gòu)信息方面的不足。目前在農(nóng)作物監(jiān)測領(lǐng)域，機載雷達成像遙感主要應(yīng)用于農(nóng)作物株高、生物量、葉面積指數(shù)等農(nóng)情監(jiān)測等方面[16-18]，在農(nóng)作物病蟲害監(jiān)測領(lǐng)域上的研究成果鮮見報道[19]。但作為多源遙感的一種方式，與光譜成像相結(jié)合，從植被的垂直結(jié)構(gòu)和水平結(jié)構(gòu)信息兩方面，對農(nóng)作物進行全方位解析，也是目前農(nóng)業(yè)航空遙感的發(fā)展趨勢。2.2

無人機遙感圖像解譯方法不同類型的遙感圖像數(shù)字處理方法不盡相同，但基本上包含以下環(huán)節(jié)：遙感圖像的輻射處理、幾何處理、遙感圖像增強以及遙感圖像解譯。前面三個環(huán)節(jié)主要是圖像預(yù)處理部分，相關(guān)的原理與方法可詳見相關(guān)教材或書籍。而解譯是根據(jù)遙感圖像的影像特征推論地表物體的過程，其與遙感應(yīng)用目的緊密相關(guān)，因此，本節(jié)主要根據(jù)農(nóng)作物的病蟲草害檢測的特定應(yīng)用，對無人機遙感圖像常見的解譯方法進行闡述。遙感圖像解譯方法主要分為目視解譯和計算機解譯兩種。目視解譯是指專業(yè)人員通過直接觀察或借助判讀儀器，在遙感圖像上獲取特定目標(biāo)地物信息的過程。計算機解譯是以計算機系統(tǒng)為支撐環(huán)境，利用模式識別技術(shù)與人工智能技術(shù)相結(jié)合，根據(jù)遙感圖像中目標(biāo)地物的各種影像特征，結(jié)合專家知識庫中目標(biāo)地物的解譯經(jīng)驗和成像規(guī)律等知識進行分析和推理，實現(xiàn)對遙感圖像的理解，完成對遙感圖像的解譯[20]。在無人機農(nóng)業(yè)遙感領(lǐng)域，根據(jù)遙感圖像解譯的應(yīng)用目的可以分成兩大類，一類是對目標(biāo)農(nóng)作物的屬性或狀態(tài)進行定性分析，如農(nóng)作物品種分類、病蟲草害診斷等;另一類是對農(nóng)作物進行定量分析或信息提取，如農(nóng)作物葉片氮含量、水含量、葉面積指數(shù)等定量反演。根據(jù)無人機遙感圖像解譯時所采用的特征信息來分類，又可以分成基于光譜空間的解譯方法、基于圖像空間信息的解譯方法以及基于混合特征（光譜信息、圖像空間信息）的解譯方法。根據(jù)模型是否具有機理性和普適性，又可分為經(jīng)典統(tǒng)計分析和基于模式識別和機器學(xué)習(xí)的解譯方法等。（1）經(jīng)典統(tǒng)計分析方法經(jīng)典統(tǒng)計分析中，相關(guān)性分析、主成分分析、多元回歸和偏最小二乘回歸等統(tǒng)計分析方法原理在反演中常被使用。在進行定量遙感反演農(nóng)作物生長狀態(tài)時，植被的光譜特征是遙感識別植被和判斷植被生長狀態(tài)的主要依據(jù)?；诠庾V特征的數(shù)據(jù)分析方法主要是通過對光譜曲線進行特征分析，發(fā)現(xiàn)不同地物的光譜曲線變化特征，從而達到識別地物或定量分析地物特性的目的。光譜波段之間的運算，如比值分析、歸一化等計算可以獲得若干個植被指數(shù)信息。通過對植被指數(shù)進行相關(guān)性分析或回歸分析，可建立遙感影像數(shù)據(jù)與農(nóng)作物生長信息的反演模型。歸一化植被指數(shù)（NormalizedDifferenceVegetationIndex，NDVI）、比值植被指數(shù)（RatioVegetationIndex，RVI）、土壤調(diào)節(jié)植被指數(shù)（Soil-AdjustedVegetationIndex，SAVI）和增強植被指數(shù)（EnhancedVegetationIndex，EVI）等是遙感反演中常用的植被指數(shù)[21]。這種建立植被指數(shù)與農(nóng)作物生長信息的統(tǒng)計關(guān)系的遙感反演方法稱為經(jīng)驗?zāi)Ｐ头椒?。?jīng)驗?zāi)Ｐ头椒m然簡單易行，但模型中函數(shù)與函數(shù)中的系數(shù)是經(jīng)驗型的，對植被的生長環(huán)境、生長周期以及數(shù)據(jù)獲取方式敏感;需要大量實測樣本數(shù)據(jù);也容易受到遙感圖像中背景地物的影響;對農(nóng)作物長勢的生理學(xué)方面解釋不足，缺乏明確的物理意義。而針對植被參數(shù)反演提出的物理模型遙感分析方法，對植被的生理化過程有較好的解釋，具有良好的通用性。近年來應(yīng)用較多的如PROSAIL冠層光譜模型，是包含化學(xué)組分含量的葉片散射和吸收模型，將葉片模型耦合到冠層模型中反演整個冠層的生化組分含量，主要應(yīng)用于植被葉面積指數(shù)反演和含水量估算等定量分析應(yīng)用，但在無人機遙感農(nóng)作物病蟲草害監(jiān)測中鮮見報道[22-24]。（2）基于模式識別和機器學(xué)習(xí)的圖像解譯在農(nóng)作物遙感監(jiān)測中，對遙感圖像的定性分析可以歸納成分類問題。遙感圖像分類的新方法主要指的是基于模式識別和機器學(xué)習(xí)的分類方法。在無人機遙感影像分析應(yīng)用中，機器學(xué)習(xí)方法主要通過對數(shù)據(jù)輸入變量（如圖像灰度值、空間特征、光譜反射率、植被指數(shù)等）與輸出變量（待反演的農(nóng)作物長勢參數(shù)、病蟲害等級、識別目標(biāo)類別等）之間的關(guān)系，從而建立一個非線性模型[25]。機器學(xué)習(xí)方法主要分為經(jīng)典學(xué)習(xí)方法和深度學(xué)習(xí)方法。經(jīng)典學(xué)習(xí)方法主要有支持向量機、決策樹、邏輯回歸、隨機森林和K近鄰算法等，所需訓(xùn)練樣本數(shù)據(jù)量較小、設(shè)備性能要求較低、模型更容易理解。在經(jīng)典機器學(xué)習(xí)方法中，特征提取是決定圖像分類效果至關(guān)重要的環(huán)節(jié)。除了光譜特征信息，圖像的空間信息如紋理和顏色特征，也常用于進行農(nóng)作物的生長狀況監(jiān)測、作物種類識別和病蟲害程度診斷等。通過直方圖的統(tǒng)計，可以分析遙感圖像中不同灰度值的概率分布;通過空間自相關(guān)函數(shù)、灰度共生矩陣和熵等計算，可以分析遙感影像紋理的深淺、粗細、均勻或復(fù)雜程度，從而實現(xiàn)對農(nóng)作物的識別或診斷。深度學(xué)習(xí)是機器學(xué)習(xí)研究中的一個新的領(lǐng)域，起源于人工神經(jīng)網(wǎng)絡(luò)模型。它具有特征學(xué)習(xí)和深層結(jié)構(gòu)兩個顯著特點，有利于遙感圖像分類精度的提升。其中，特征學(xué)習(xí)能夠自動從海量數(shù)據(jù)中學(xué)習(xí)到所需的高級特征表示，更能表達數(shù)據(jù)的內(nèi)在信息，無需設(shè)計特征提取算法。深層結(jié)構(gòu)通常擁有多層的隱層節(jié)點，包含更多的非線性變換，因而擬合復(fù)雜模型的能力大大增強?；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)的遙感圖像分類方法對數(shù)據(jù)有很強的依賴性，對訓(xùn)練樣本數(shù)據(jù)量要求較高，需要高昂的GPU完成合理時間內(nèi)對大量數(shù)據(jù)的訓(xùn)練，其深層網(wǎng)絡(luò)是“黑匣子”型，不易被理解。常見的深度學(xué)習(xí)方法有卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）、深度置信網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）、稀疏自動編碼（SparseAutoencoder，SAE）以及對這些進行優(yōu)化的深度學(xué)習(xí)方法。因算法自身問題、數(shù)據(jù)庫建立不完善等問題，基于深度學(xué)習(xí)的遙感圖像分類方法目前仍處于探索階段，離大規(guī)模實際應(yīng)用還有一定距離。3

無人機遙感在農(nóng)作物病蟲草害監(jiān)測研究進展從1960年提出“遙感”這一術(shù)語以來，多數(shù)指的是衛(wèi)星遙感。隨著無人機技術(shù)的快速發(fā)展，農(nóng)業(yè)航空遙感特別是無人機遙感成為了近些年的研究熱點。在農(nóng)作物病蟲害監(jiān)測應(yīng)用中，由于衛(wèi)星遙感影像分辨率低，難以識別農(nóng)作物病蟲害的局部特征，具有很大的局限性。而無人機遙感可以提供更高分辨率（如空間分辨率、光譜分辨率、時間分辨率）的影像數(shù)據(jù)。近幾年陸續(xù)出現(xiàn)基于無人機遙感的農(nóng)作物病蟲草害監(jiān)測的研究。筆者通過在WebofScience檢索平臺對最近15年來有關(guān)無人機遙感在重要農(nóng)作物遙感應(yīng)用方面的學(xué)術(shù)出版物進行檢索（采用以下檢索式：TS=（UAVorUASorunmannedaerialvehicleorAirbornehyperspectralorairbornemultispectralorairbornehighresolutioncamera）ANDTS=（citrusorcottonorriceorcornorpotatoortomatoorgrapeorwheatorweedorcrop）ANDTS=（distinguishoridentificationorclassificationordetection）ANDTS=（lowaltituderemotesensingorremotesensing），篩選其中有關(guān)作物病蟲害監(jiān)測研究的報道，得出各國科科技論文數(shù)量。發(fā)現(xiàn)近15年來，國內(nèi)外基于無人機遙感農(nóng)作物應(yīng)用研究的科技論文發(fā)表數(shù)量基本呈現(xiàn)從無到有且迅速增長的趨勢。2015年至今，科技論文數(shù)量增加最為明顯，如圖7所示。圖8是世界重要農(nóng)業(yè)國家無人機遙感農(nóng)作物病蟲草害科技論文數(shù)量對比圖。由圖8可以看出，美國、中國、西班牙的相關(guān)研究成果相對較多，特別是美國，其研究報道數(shù)量遙遙領(lǐng)先其他國家。通過這些數(shù)據(jù)表明了美國、中國和西班牙等國家在無人機遙感農(nóng)作物應(yīng)用的重視程度以及研究基礎(chǔ)。3.1

無人機遙感在農(nóng)作物病害識別的研究進展在病害檢測識別方面，已有不少文獻報道無人機遙感在水稻、柑橘、小麥、棉花、葡萄和大豆等農(nóng)作物病害檢測的研究[26-44]，這些文獻里采用的無人機遙感影像有高光譜圖像、多光譜圖像以及數(shù)碼相機拍攝的RGB圖像，其中高光譜圖像尤為多見。3.1.1

無人機高光譜遙感病害進展在病害檢測方面，已有不少團隊針對柑橘、小麥、棉花等農(nóng)作物開展了無人機高光譜遙感研究。在柑橘黃龍?。℉uanglongbin）的無人機遙感研究上，佛羅里達大學(xué)Lee[26]團隊利用地面高光譜儀建立光譜庫，用來為低空高光譜圖像進行波譜匹配識別分類。但由于獲取光譜的采集設(shè)備和拍攝條件有別，該方法的識別準確率較低;Kumar等[27]利用圖像衍生光譜庫、混合調(diào)諧匹配濾波（MixtureTunedMatchedFiltering，MTMF）、光譜角映射（SpectralAngleMapping，SAM）等技術(shù)對無人機機載高光譜圖像和多光譜圖像進行分析，以實現(xiàn)柑橘黃龍病感染區(qū)域的識別，研究結(jié)果表明在基于光譜庫的方法在柑橘黃龍病檢測上，準確率并不理想。因此采用地物譜儀建議光譜庫以識別低空高光譜圖像的柑橘黃龍病特征，具有一定的局限性。蘭玉彬等[28]通過無人機獲取低空柑橘果園的高光譜影像，對健康和患HLB植株的光譜進行對數(shù)和一階微分計算，并采用K鄰近（K-NearestNeighbor，KNN）和支持向量機（SupportVectorMachine，SVM）進行建模和分類，分類準確率達到94.7%，該方法表明基于機器學(xué)習(xí)的方法實現(xiàn)低空高光譜遙感檢測HLB的手段具有一定的可行性，但不同柑橘品種、種植區(qū)域以及拍攝條件對該算法的應(yīng)用具有一定的挑戰(zhàn)性，試驗數(shù)量和算法的優(yōu)化是下一步完善的方向。目前無人機遙感柑橘病害的文獻報道較少，已有的研究中，采用的無人機低空拍攝高度大多在100m以內(nèi)，在患病嚴重的植株區(qū)域才能獲得較顯著的檢測或診斷結(jié)果[28]。對于早期病害檢測或者病害等級分類等應(yīng)用，目前的方法還具有一定的局限性。在病情已經(jīng)嚴重的情況下，進行識別診斷的意義并不顯著。大范圍研究患病以及病情蔓延規(guī)律，對于病情預(yù)測，早期發(fā)現(xiàn)更具有實際應(yīng)用價值，因此，病情擴散規(guī)律的遙感監(jiān)測以及早期預(yù)報將是下一步研究的方向。在小麥的無人機遙感病害研究上，黃文江等[29]基于無人機高光譜圖像，運用光化學(xué)植被指數(shù)（PhotochemicalReflectanceIndex，PRI）成功監(jiān)測了小麥條繡病，表明了PRI在定量檢測小麥條銹病方面的潛力。同一團隊的羅菊花等[30]利用多時相的高光譜航空圖像對冬小麥條銹病也進行了監(jiān)測研究，首先從地面高光譜數(shù)據(jù)中提取敏感波段范圍，基于敏感波段范圍的平均反射率計算病情指數(shù)，從而建立多元線性回歸模型。該模型較好地實現(xiàn)了對冬小麥條銹病的發(fā)生程度和范圍的監(jiān)測。以上研究表明，無人機高光譜遙感農(nóng)作物病害和病情等級的監(jiān)測，關(guān)鍵在于特征波段的優(yōu)選和病情指數(shù)的計算。在棉花的病害監(jiān)測上，早在2005年，美國農(nóng)業(yè)部南方平原中心已經(jīng)開展了棉花根腐病的無人機遙感監(jiān)測研究，Yang等[31]從機載三波段的數(shù)字圖像開始，到后來采用多光譜和高光譜影像在監(jiān)測棉花根腐病上進行了不斷地嘗試。結(jié)果表明，可見光、多光譜和高光譜圖像在無人機遙感棉田內(nèi)的根腐病區(qū)域都具有可行性，高光譜圖像在病害早期監(jiān)測上更具有可行性。在棉花黃萎?。–ottonVerticillium）嚴重程度的檢測上，Jin等[32]也開展了基于高光譜遙感的研究。該研究采用小波變換提取主要信息并降維，然后建立了四種識別模型（判別分析、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、遺傳反向傳播（GA-BP）神經(jīng)網(wǎng)絡(luò)和SVM，得出SVM識別效果最好的結(jié)論。該研究表明了無人機高光譜遙感在棉花黃萎病的監(jiān)測可行性。綜上所述，無人機高光譜遙感農(nóng)作物病害，具有較高的監(jiān)測可行性。目前無人機高光譜圖像的解譯關(guān)鍵在于病害特征波段的優(yōu)選。不同農(nóng)作物、不同病害的特征波段往往不具有唯一性，各個特征波段的組合運算可以構(gòu)造特定病害的脅迫指數(shù)，以此用于病害診斷和識別，因此優(yōu)選的特征波段質(zhì)量和數(shù)量與遙感檢測效果息息相關(guān)。此外，在無人機遙感高光譜圖像處理過程中，感興趣區(qū)域ROI（RegionofInterest）的提取、地物與背景的分割效果對提取出的光譜數(shù)據(jù)也有一定的影響。3.1.2

無人機多光譜遙感病害檢測研究進展在無人機多光譜遙感病害方面，國內(nèi)外學(xué)者在多種農(nóng)作物上，也探索了低空遙感病害的可行性。在葡萄園的大面積監(jiān)測領(lǐng)域，歐洲的學(xué)者在無人機遙感監(jiān)測方式上進行了探索。葡萄黃萎?。‵lavescencedorée）對歐洲的葡萄園造成了嚴重的經(jīng)濟損失，因無法治愈，至今仍威脅著歐洲葡萄種植業(yè)。法國學(xué)者Johanna等[33]使用單變量和多變量的分類方法，用無人機圖像（如光譜帶、植被指數(shù)和生物物理指數(shù)）計算出健康和有癥狀的葡萄藤的光譜特征，結(jié)果發(fā)現(xiàn)紅色栽培品種獲得了最佳的分類結(jié)果。意大利學(xué)者GeNNaro等[34]則對葡萄條紋病（GrapevineLeafStripeDisease，GLSD）監(jiān)測開展了研究，使用無人機獲得高分辨率多光譜圖像計算歸一化差異植被指數(shù)（NDVI），與通過地面調(diào)查檢測的GLSD葉片癥狀進行相關(guān)性分析，結(jié)果顯示了兩者之間具有高度相關(guān)性，該研究在每一棵葡萄樹上都裝了GPS，用于定量和定性分析有癥狀植物的空間分布，該系統(tǒng)還可以用于探索GLSD的生理學(xué)基礎(chǔ)，并預(yù)測該疾病的發(fā)作。Calderón等[35]探討了使用高分辨率熱成像和多光譜圖像作為罌粟霜霉病感染的指標(biāo)，使用積分球測量罌粟霜霉病無癥狀和有癥狀的罌粟葉的葉片反射率和透射光譜。通過使用氣溫（Tc-Ta）和綠/紅指數(shù)（R550/R670）歸一化的圖像導(dǎo)出冠層溫度。結(jié)果表明，Tc-Ta和R550/R670指數(shù)與罌粟霜霉病感染引起的生理應(yīng)激有關(guān)。此外，該團隊還探討了通過獲取高分辨率航空高光譜和熱成像，利用冠層溫度、窄帶光譜指數(shù)等，可以通過無人機遙感方式，早期檢測大麗花病毒感染和鑒別病毒水平[36]。該研究是為數(shù)不多的開展無人機熱成像進行農(nóng)作物早期病害監(jiān)測的研究成果。Nebiker等[37]研究對比了兩種多光譜機載傳感器的性能，并對油菜、大麥、洋蔥、土豆和其他作物進行遙感試驗。比較的傳感器包括一個高端多光譜4c相機，帶通濾色片和天頂方向的參考通道，以及一個低成本的消費級佳能S110NIR相機，帶拜耳模式濾色片。地面參考測量是通過地面高光譜儀獲得的。研究表明，高端系統(tǒng)的測量結(jié)果與地物譜儀的測量結(jié)果一致，平均偏差僅為0.01～0.04NDVI值。低成本系統(tǒng)在提供更好的空間分辨率的同時，表現(xiàn)出明顯的偏差。傳感器隨后被用來進行油菜和大麥的作物產(chǎn)量估算和馬鈴薯、洋蔥栽培的植物病害檢測。油菜和大麥的不同植被指數(shù)與參考產(chǎn)量測量之間存在高度相關(guān)性。利用高幾何分辨率和低至2.5cm的地面采樣距離，分析了洋蔥薊馬侵擾的影響，并在侵擾初期成功地檢測到馬鈴薯枯萎病。該研究表明，單個多光譜傳感器具有卓越的干擾濾波器和天頂方向的參考通道，確保了光譜測量的高質(zhì)量，并可以不需要對地面光譜參考測量。高分辨率RGB圖像與多光譜圖像的結(jié)合，在農(nóng)業(yè)遙感應(yīng)用領(lǐng)域更有應(yīng)用前景。3.1.3

無人機數(shù)碼影像遙感病害進展數(shù)碼相機因其設(shè)備成本低、實用便利、空間分辨率高等特點，也常作為無人機機載傳感器，用于多種農(nóng)作物病害檢測的探索研究中。王震等[38]利用無人機遙感數(shù)碼圖像，設(shè)計了一種小型多旋翼無人機水稻病害識別系統(tǒng)，首先對白穗圖像提取Haar-like特征，其次以Adaboost算法進行白穗識別，識別率達93.62%。該方法是目前首個利用“無人機遙感+可見光”圖像進行水稻白穗識別的研究報道，對于大面積稻田病害識別具有一定的參考作用，后期需要針對高強度光照和遮擋問題，在白穗圖像特征提取算法以及分類識別算法上進行優(yōu)化研究。在蘿卜的枯萎病上，Hassan等[39]人采用計算機視覺和深度學(xué)習(xí)方法，處理低空無人機采集的RGB圖像，識別染枯萎病的蘿卜。該研究比較了經(jīng)典學(xué)習(xí)算法如隨機森林與深度學(xué)習(xí)算法如深度卷積網(wǎng)絡(luò)（CNN）在健康蘿卜和枯萎病蘿卜的分類性能，研究結(jié)果表明深度卷積網(wǎng)絡(luò)的識別效果較理想，準確率為93.3%。在植物表型研究領(lǐng)域，無人機機載遙感系統(tǒng)也常用于監(jiān)測農(nóng)作物的生長狀況。Sugiura等[40]使用無人機獲取的RGB圖像，開展了晚枯萎病的田間抗性試驗研究。該研究較有效、客觀地評估馬鈴薯晚疫病（Potatolateblight）的感染程度，比傳統(tǒng)的視覺評估更有效，更節(jié)省勞動力。CastelaoTetila等[41]針對大豆葉病，提出了一種計算機視覺系統(tǒng)，利用低成本無人機模型DJIPhantom3捕獲的可見光圖像跟蹤野外大豆葉片病害。該研究提取RGB圖像中顏色、梯度、紋理、形狀等視覺特征，比較了不同飛行高度獲取的數(shù)據(jù)和6種分類器的性能，試驗結(jié)果表明，顏色和紋理屬性導(dǎo)致更高的分類率，在1m到2m之間的高度達到98.34%的精度，每米衰減2%。該研究結(jié)果為無人機低空遙感飛行高度的選擇以及遙感圖像特征選擇提供了理論依據(jù)和指導(dǎo)。Deng等[42-44]根據(jù)圖像的紋理顏色等特征，采用支持向量機和神經(jīng)網(wǎng)絡(luò)等建模方法，在可見光圖像進行柑橘黃龍病的檢測分類，也獲得較好的分類結(jié)果。以上研究成果表明，即使是癥狀復(fù)雜的農(nóng)作物病害，只要人眼能夠識別出的癥狀鑒定或分類識別，采用數(shù)字圖像處理技術(shù)也能取得較好的檢測效果。綜上所述，無人機遙感在水稻、柑橘、棉花、葡萄等農(nóng)作物病害監(jiān)測上均取得了一些進展，最早由無人機搭載可見光相機，到近幾年多采用多光譜相機、高光譜相機乃至熱紅外成像儀，獲取低空遙感影像進行統(tǒng)計分析、圖像處理和機器學(xué)習(xí)方法等農(nóng)情解析。這些研究成果離大規(guī)模應(yīng)用轉(zhuǎn)化還有一段距離，目前的研究成果主要是針對特定農(nóng)作物、特定試驗園區(qū)以及特定病害監(jiān)測進行的可行性研究，多數(shù)研究成果與農(nóng)學(xué)植保、病理等理論知識結(jié)合不夠緊密，對農(nóng)作生長規(guī)律和病害發(fā)生規(guī)律的研究深度不足。3.2

無人機遙感在蟲害控制中的應(yīng)用進展在農(nóng)作物的蟲害監(jiān)測方面，由于一般蟲害具有移動性，目前農(nóng)作物在蟲害監(jiān)控上，多數(shù)采用地面視頻監(jiān)控法。利用無人機遙感進行農(nóng)作物蟲害監(jiān)測的研究報道并不多見。黃華盛等[45]利用無人機多光譜圖像檢測了棉花上蜘蛛螨的侵染情況。該研究采用兩級分類法進行螨類入侵檢測，在第一階段，應(yīng)用支持向量機分類器將每個像素分為三類：棉花、陰影和其他;在第二階段，使用一個轉(zhuǎn)移深度學(xué)習(xí)網(wǎng)絡(luò)—Alexnet將所有的棉花像素分為四類：正常、輕、中、重，試驗結(jié)果表明，該方法的總體精度可達95.4%，開辟了無人機多光譜圖像的螨類感染檢測新方法。Fernando等[46]使用RGB、多光譜和高光譜相機獲取多源遙感圖像，提出了評估葡萄園害蟲（葡萄園葉狀體）的監(jiān)測預(yù)測模型。該研究也證明了高光譜圖像也可以檢測人眼暫未發(fā)現(xiàn)的葡萄葉狀體，研究中提出的方法、工作流程、結(jié)果和分析將有助于為植物病蟲害監(jiān)測提供有價值的信息，所提出的方法也可以外推到遙感研究的其他領(lǐng)域，如礦產(chǎn)勘探、生物多樣性和生態(tài)評估。Severtson等[47]使用無人機多光譜圖像檢測油菜籽缺鉀與綠桃蚜蟲感染之間的關(guān)系，發(fā)現(xiàn)油菜籽缺鉀使其更容易感染綠桃蚜蟲。吳才聰?shù)萚48]使用大疆精靈4獲取高度為100m的無人機數(shù)碼影像，并對影像進行分類，提取村莊、秸稈垛和玉米地。通過人工調(diào)查，獲取玉米受蟲害株率數(shù)據(jù)，進行蟲源基數(shù)的分級。該研究利用無人機獲取玉米地的分布和調(diào)查秸稈垛的百稈含蟲量，探尋蟲源和受蟲害株率的相關(guān)性。Morley等[49]使用配備遙感攝像機的無人機可以在森林和殘余灌木地上空飛行，通過分析植被的光譜特征，檢測負鼠的存在及其造成的損害。基于監(jiān)測結(jié)果，無人機可以精確地分配毒素或陷阱到這些確定的地點。Zhang等[50]采用無人機遙感高光譜圖像，展開了翡翠灰蛀蟲早期監(jiān)測的研究，利用植被指數(shù)對葉綠素含量進行反演，為高光譜在病蟲害預(yù)測及早期診斷的應(yīng)用提供了可能性。Samseemoung等[51]應(yīng)用無人機多光譜圖像識別油棕櫚樹的蟲害，研究表明歸一化植被指數(shù)（NDVI）與作物的蟲害侵染程度具有良好的相關(guān)性，通過聚類分析可將受感染植物與健康植物區(qū)別開來。Huang等[52]于2008年就利用MS4100機載多光譜相機搭載了無人機多光譜成像系統(tǒng)，分析近紅外、紅、綠波段圖像，計算出NR、NG、NDVI和NDNG指數(shù)，用于評估農(nóng)業(yè)領(lǐng)域的生物量、作物健康、生物類型和蟲害，該研究是較早地提出無人機遙感農(nóng)作物的報道之一，為后來的研究指引了方向。Yue等[53]在白洋淀農(nóng)業(yè)區(qū)開展了無人機數(shù)碼影像的蟲害監(jiān)測研究，該研究在快速處理無人機圖像上進行了探索，采用改進的尺度不變特征變換（SIFT）算法和面向?qū)ο蟮男畔⑻崛〖夹g(shù)進行圖像處理，研究對當(dāng)?shù)剞r(nóng)作物病蟲害防治取得了良好的效果。綜上所述，無人機遙感在農(nóng)作物蟲害監(jiān)測領(lǐng)域尚處于嘗試探索階段，目前研究報道較少，尤其無人機遙感蝗蟲的文獻鮮有報道，主要報道集中在無人機數(shù)碼影像、多光譜和高光譜遙感圖像的處理分析方法。在此領(lǐng)域的研究方向可結(jié)合熱紅外成像獲取害蟲的溫差信息，采用視頻或定時獲取遙感圖像的方式，研究蟲害的蔓延規(guī)律等，從而加快無人機遙感在農(nóng)作物蟲害監(jiān)測的研究進展。3.3

無人機遙感在農(nóng)作物雜草識別中的應(yīng)用近年來，基于無人機遙感的雜草識別研究引起了廣大學(xué)者的關(guān)注。目前采用的機載傳感器主要是多光譜相機和數(shù)碼相機。在多光譜圖像識別雜草應(yīng)用方面，Pérez-Ortiz等[54]通過無人機獲取向日葵農(nóng)田遙感光譜圖像，提出了一種作物行距檢測方法，結(jié)合作物的行排列特性以及遙感圖像的光譜信息，采用半監(jiān)督學(xué)習(xí)方法實現(xiàn)了精確的雜草識別。該研究不僅利用了遙感圖像的光譜圖像信息，也利用了農(nóng)學(xué)經(jīng)驗知識進行雜草識別，簡化了雜草和作物的鑒別過程。Afroditi等[55]使用固定翼無人機搭載多光譜相機（綠—紅—近紅外）獲取高分辨率圖像，利用具有自動相關(guān)性測定的多層感知器（MLP-ARD）來鑒別水飛薊。Alexandridis等[56]采用無人機采集田塊的多光譜遙感圖像，識別田塊中水飛薊的分布信息。該研究采用綠、紅、藍三個波段以及近紅外波段的局部差異信息作為特征向量，分別使用單分類支持向量機、單分類自組織映射圖、單分類主成分分析法進行分類判別，將每個像素分為兩個類別：雜草和非雜草，試驗結(jié)果證明，基于單分類支持向量機算法對水飛薊的識別率達到了96%。Pantazi等[57]也采用無人機機載多光譜相機采集高分辨率圖像，并采用重采樣和三種分類方法SupervisedKohonen網(wǎng)絡(luò)（SKN）、反向傳播人工神經(jīng)網(wǎng)絡(luò)（CP-ANN）和xy融合網(wǎng)絡(luò)（xy-F）進行了雜草與作物的識別，研究表明三種分類方法的識別率均高于98%以上。Inkyu等[58]針對深度學(xué)習(xí)網(wǎng)絡(luò)在無人機遙感多光譜圖像中雜草識別應(yīng)用中的問題，采用一種站式滑動窗口方法改進深度學(xué)習(xí)網(wǎng)絡(luò)基本模型開發(fā)了一種新的作物與雜草分割和識別方法。采用可見光圖像及其與多光譜圖像的融合方法在無人機遙感農(nóng)田雜草識別也在研究領(lǐng)域不斷涌現(xiàn)。Irene等[59]使用重采樣圖像（RS圖像，可見和近紅外光譜）精確提取了高分辨率無人機圖像在30m高度的光譜值和高度為60m、100m的遙感圖像數(shù)據(jù)，采用多源融合方法，識別雜草覆蓋并生成除草劑應(yīng)用圖譜。該研究在遙感范圍和遙感圖像的分辨率之間取得了折中，這種多源融合方法可以借鑒到無人機遙感的其他研究領(lǐng)域。López-Granados等[60]采用基于對象的圖像分析（OBIA）方法，通過分析在30m和60m高空飛行的無人機收集的可見和近紅外光譜的重疊航空圖像，生成兩個向日葵田的雜草幼苗侵擾圖。王術(shù)波等[61]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的雜草分類和密度測算方法，通過無人機低空拍攝采集3種雜草（藜草、葎草、蒼耳）和3種作物（小麥、花生、玉米）的數(shù)碼圖像作為數(shù)據(jù)集，經(jīng)過裁剪、灰度化等前期處理，并通過旋轉(zhuǎn)方式擴充數(shù)據(jù)集，訓(xùn)練集輸送給卷積神經(jīng)網(wǎng)絡(luò)，采用Softmax回歸，實現(xiàn)6類植物的分類。分類結(jié)果表明300×300分辨率時識別率最高可達到95.6%[62]。Calvin等[63]基于無人機獲取的可見光圖像，使用特征學(xué)習(xí)的方法縮減所需的手動工作量，生成一組圖像濾波器，提取區(qū)分相關(guān)雜草和其他背景對象的特征。Lottes等[64]基于無人機遙感數(shù)碼影像，在甜菜等作物中實現(xiàn)了雜草識別。黃華盛等[65]使用無人機在水稻田上獲取高分辨率可見光圖像，采用全卷積網(wǎng)絡(luò)（FullyConvolutionalNetwork，F(xiàn)CN）進行像素級分類，并采用棋盤分割過程構(gòu)建處方圖。此后，還使用了基于補丁的CNN算法和基于像素的CNN方法與FCN進行比較，結(jié)果表明FCN算法性能最佳[66，67]。綜上所述，機器學(xué)習(xí)分類方法在無人機遙感雜草識別應(yīng)用中較為常見，且多數(shù)采用多光譜圖像、可見光圖像以及兩者的融合。近幾年，無人機遙感與深度學(xué)習(xí)算法的結(jié)合的研究，突顯了其在大面積農(nóng)作物病蟲草害診斷識別應(yīng)用上的優(yōu)勢以及發(fā)展趨勢。相比起病蟲害診斷，無人機遙感在雜草識別的應(yīng)用更具操作性和推廣價值。4

面臨的挑戰(zhàn)盡管近幾年中國無人機技術(shù)發(fā)展迅猛，中國的農(nóng)業(yè)無人機已經(jīng)走向全球，處于領(lǐng)跑地位，然而無人機農(nóng)業(yè)遙感離實際應(yīng)用還有一定的距離。目前無人機遙感農(nóng)作物病蟲害的進展主要受到以下方面的制約。4.1

無人機遙感數(shù)據(jù)庫多數(shù)研究成果僅僅適用于當(dāng)次獲取的無人機遙感影像，研究方法或模型難以在實際應(yīng)用推廣。其主要原因之一在于農(nóng)作物的生長具有周期性、連續(xù)性、季節(jié)性和地域性，對于同一種病害在作物不同生長時期表現(xiàn)特征和光譜響應(yīng)特征有所差異。同理，不同地域、不同農(nóng)作物品種的遙感影像也具有差異性。因此，目前已有的研究成果多數(shù)不具有普適性、穩(wěn)定性和通用性。即使在單次的遙感試驗中獲得很高的識別率，但并不能保證用于其他時刻獲取的遙感數(shù)據(jù)的有效性。此外，目前已有的軟件如ENVI的光譜庫主要用于地物識別，農(nóng)作物病蟲害的光譜數(shù)據(jù)庫以及圖像數(shù)據(jù)庫等仍處于空白階段。4.2

農(nóng)作物病蟲害早期診斷農(nóng)作物病蟲害監(jiān)測應(yīng)用中，早期診斷的表現(xiàn)癥狀不明顯，無論是目視觀測還是計算機解譯，都具有較大的難度。但早期診斷的研究意義和需求更大，更有利于農(nóng)作物的預(yù)防和控制，防止病蟲害的蔓延發(fā)展。由于無人機與地面農(nóng)作物之間具有一定的遙感拍攝距離，因此，當(dāng)前的機載傳感器獲取的遙感影像難以捕捉圖像細節(jié)，對農(nóng)作物病蟲害早期癥狀表述不清。此外，病害發(fā)生早期，即使高分辨率圖像也難以解析，需要結(jié)合病蟲害發(fā)生的溫度、濕度等氣象和植保數(shù)據(jù)，才有可能實現(xiàn)病蟲害遙感監(jiān)測和預(yù)測預(yù)報。通過查閱已有研究文獻，目前針對無人機遙感農(nóng)作物病蟲害早期診斷的研究鮮有報道，少部分研究表明高光譜低空遙感在農(nóng)作物病蟲害診斷研究中，具有一定的可行性。4.3

無人機機載傳感器無人機遙感影像質(zhì)量嚴重依賴天氣。由于目前無人機遙感多數(shù)是被動式光學(xué)成像方式，采集數(shù)據(jù)時對太陽光照有較高的要求。遙感作業(yè)的最佳時間是正午時分，太陽光照最充足的時候能獲取最佳的圖像質(zhì)量，多云天氣作業(yè)則會增加圖像預(yù)處理復(fù)雜度，也會導(dǎo)致監(jiān)測效果降低。此外，目前大多數(shù)機載光譜相機，需要通過定標(biāo)板完成輻射校準，這給實際操作帶來諸多不便。雖然Sequoia+聲稱是第一個提供相對反射測量而不需求輻射校準板的多光譜相機。然而在實際應(yīng)用中，為了得到更加精準的測量效果，多數(shù)試驗研究和應(yīng)用仍然需要經(jīng)過輻射校準板及相關(guān)數(shù)據(jù)處置軟件，來解讀這些輻照度值并測量反射率。低空遙感農(nóng)作物病蟲草害，對遙感影像的空間分辨率和光譜分辨率都提出了較高的要求，滿足需求的機載傳感器造價高昂，特別是高光譜相機的價格，嚴重限制了無人機遙感的實際應(yīng)用。針對設(shè)備昂貴的問題，在進行遙感試驗研究時，可以重點加強對農(nóng)作物病蟲害敏感波段的研究，根據(jù)敏感的特征波段定制光譜相機，便于在實際推廣應(yīng)用。4.4

軟件與算法目前，針對無人機遙感數(shù)據(jù)的處理軟件具有一定的拼接性，也就是說從遙感影像的拍攝控制、拼接、預(yù)處理、農(nóng)情解析直至作業(yè)處方圖的生成，往往都是在不同的軟件環(huán)境下進行，導(dǎo)致在實際使用過程中對操作人員的專業(yè)性提出較高的要求。因此，軟件和算法的不成熟制約無人機農(nóng)業(yè)遙感發(fā)展的重要因素之一。此外，雖然無人機遙感影像處理方法已經(jīng)不斷涌現(xiàn)了新方法，例如機器學(xué)習(xí)方法。然而這些新方法大多數(shù)局限于簡單的照搬照套，缺乏對算法在無人機遙感影像中的適用性研究，目前無人機遙感解析算法仍處于應(yīng)用初探水平。5

結(jié)論與展望無人機農(nóng)業(yè)遙感是目前精準農(nóng)業(yè)領(lǐng)域的研究熱點。比起衛(wèi)星農(nóng)業(yè)遙感方式，無人機農(nóng)業(yè)遙感技術(shù)具有機動性強、分辨率高、設(shè)備成本低等優(yōu)勢[68];比起地面感知方式，具有范圍廣、速度快、人力成本低等優(yōu)勢。因此無人機農(nóng)業(yè)遙感方式前景遼闊，發(fā)展?jié)摿薮?。隨著無人機和傳感器技術(shù)的不斷完善，遙感圖像分析處理技術(shù)和算法的不斷發(fā)展，無人機遙感農(nóng)作物病蟲草害的監(jiān)測方式將不斷向?qū)嶋H應(yīng)用邁進?？紤]到無人機遙感農(nóng)作物病蟲害監(jiān)測中面臨的多種挑戰(zhàn)，未來該領(lǐng)域?qū)⒅饕獜囊韵路矫嬲归_科學(xué)研究：（1）開展基于無人機遙感的農(nóng)作物病蟲害早期監(jiān)測的研究。需要認清無人機遙感圖像在細節(jié)表征上的局限性。高分辨率的高光譜圖像結(jié)合地面遙感方式在早期病蟲害監(jiān)測的探索，仍需進一步深化。借助于大數(shù)據(jù)技術(shù)與人工智能，分析農(nóng)作物在不同生長周期的影像特征，研究早期預(yù)報和診斷模型，將可能促進農(nóng)作物早期診斷的研究進展。（2）研發(fā)針對特定應(yīng)用的低成本機載傳感器。通用型機載傳感器如高光譜相機造價過高，限制了其在田間的廣泛應(yīng)用。針對特定病蟲草害，未來可以通過科學(xué)研究探索特征波段或植被指數(shù)，進行低成本機載傳感器的定制，從而降低設(shè)備成本。此外，可以結(jié)合光照等傳感器，使得無人機光譜遙感過程無需輻射校準任務(wù)，朝著操作簡易性方向發(fā)展。（3）開展遙感數(shù)據(jù)處理的實時性研究。大多數(shù)無人機遙感獲取的影像很難實時完成農(nóng)情解析。目前，Parrotbluegrassfield解決方案聲稱可在飛行過程中實時生成NDVI地圖[69]，意味著遙感數(shù)據(jù)的實時處理技術(shù)已經(jīng)有了質(zhì)的飛躍，未來的研究將在此基礎(chǔ)上深入探索。實時處理算法以及實時處理器將大大加速農(nóng)業(yè)航空遙感的發(fā)展和應(yīng)用進程。（4）開展低空遙感數(shù)據(jù)與農(nóng)學(xué)植保、病理等理論知識的融合研究。只有更緊密的融合經(jīng)驗數(shù)據(jù)與農(nóng)學(xué)植保等理論，才能建立更符合作物生長規(guī)律的田間診斷模型，將更進一步提高無人機遙感農(nóng)作物病蟲草害監(jiān)測的有效性和準確性。未來需要從表觀層面的遙感圖像分析深入到結(jié)合病蟲害發(fā)生機制的遙感監(jiān)測，從簡單的試驗環(huán)境過渡到綜合考慮作物生長規(guī)律、環(huán)境因素等的實際應(yīng)用研究中。（5）建立無人機遙感多源數(shù)據(jù)庫以及開展大數(shù)據(jù)、人工智能等新技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的深入開拓與適用性研究。針對病蟲草害光譜響應(yīng)特征專屬認證不足的問題，在今后的研究中若能提取作物病蟲害的專屬光譜響應(yīng)特征，建立作物病蟲害光譜庫，以支持特征構(gòu)建和模型研究，則可以提升監(jiān)測模型對復(fù)雜農(nóng)田環(huán)境的適應(yīng)能力[1]，并結(jié)合大數(shù)據(jù)、人工智能等手段，更好地研究農(nóng)作物病蟲草害的光譜特征波段提取和診斷監(jiān)測模型的構(gòu)建方法。（6）從無人機定性遙感發(fā)展到定量遙感的研究。目前機器學(xué)習(xí)和模式識別在無人機遙感領(lǐng)域的應(yīng)用，多數(shù)屬于定性遙感，即看圖識物，且多數(shù)屬于拿來主義。未來更值得考慮的事，應(yīng)該是如何將定量遙感的物理模型與大數(shù)據(jù)的數(shù)據(jù)挖掘、機器學(xué)習(xí)等手段相結(jié)合，通過物理學(xué)意義的模型或者是其他模型表達無人機遙感數(shù)據(jù)與農(nóng)作物病蟲害之間定量反演的關(guān)系，更深入地進行內(nèi)在機制的理論研究?？傊?，雖然無人機遙感在病蟲害草監(jiān)測領(lǐng)域仍處于起步階段，與實際生產(chǎn)應(yīng)用普及仍存在著較大距離，但該技術(shù)具有巨大的發(fā)展?jié)摿蛻?yīng)用價值。要充分發(fā)掘該技術(shù)潛力，還需要相關(guān)學(xué)科專家的共同努力，將農(nóng)學(xué)和植保經(jīng)驗知識與遙感信息與模型進行有效整合，使無人機遙感技術(shù)走向成熟。Reference[1]

黃文江，劉林毅，董瑩瑩，等.基于遙感技術(shù)的作物病蟲害監(jiān)測研究進展[J].農(nóng)業(yè)工程技術(shù)，2018，38（09）：39-45.[2]

張競成，袁琳，王紀華，等.作物病蟲害遙感監(jiān)測研究進展[J].農(nóng)業(yè)工程學(xué)報，2012，28（20）：1-11.ZhangJ，YuanL，WangJ，etal.Researchprogressofcropdiseasesandpestsmonitoringbasedonremotesensing[J].TransactionsoftheCSAE，2012，28（20）：1-11.[3]

LanY，ChenS.CurrentstatusandtrendsofplantprotectionUAVanditssprayingtechnologyinChina[J].IntJPrecisAgricAviat，2018，1（1）：1-9[4]

LanY，ThomsonSJ，HuangY，etal.Currentstatusandfuturedirectionsofprecisionaerialapplicationforsite-specificcropmanagementintheUSA[J].ComputersandElectronicsinAgriculture，2010，74（1）：34-38.[5]

HuangY，LanY，WestbrookJK，etal.RemotesensingandGISapplicationsforprecisionarea-widepestmanagement：implicationsforhomelandsecurity[M].GeospatialTechnologiesandHomelandSecurity.SpringerNetherlands，2008.[6]

LanY，ChenS，F(xiàn)ritzBK.Currentstatusandfuturetrendsofprecisionagriculturalaviationtechnologies[J].IntJAgric&BiolEng，2017，10（3）：1-17.[7]

紀景純，趙原，鄒曉娟，等.無人機遙感在農(nóng)田信息監(jiān)測中的應(yīng)用進展[J].土壤學(xué)報，2019：1-13.JiJ，ZhaoY，ZouX，etal.AdcancementinapplicationofUAVremotesensingtomonitoringoffarmlands[J].ActaPedologicaSinica，2019：1-13.[8]

鄧小玲，孔晨，吳偉斌，等.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病診斷技術(shù)[J].光子學(xué)報，2014，43（04）：16-22.DengX，KongC，WuW，etal.Detectionofcitrushuanglongbingbasedonprincipalcomponentanalysisandbackpropagationneuralnetwork[J].ActaPhotonicaSinica，2014，43（04）：16-22.[9]

高林，楊貴軍，于海洋，等.基于無人機高光譜遙感的冬小麥葉面積指數(shù)反演[J].農(nóng)業(yè)工程學(xué)報，2016，32（22）：113-120.GaoL，YangG，YuH，etal.Retrievingwinterwheatleafareaindexbasedonunmannedaerialvehiclehyperspectralremotersensing[J].TransactionsoftheCSAE，2016，32（22）：113-120.[10]

JuanS，GeoffP，F(xiàn)elipeG，etal.AerialmappingofforestsaffectedbyPathogensusingUAVs，hyperspectralsensors，andartificialintelligence[J].Sensors，2018，18（4）：944.[11]

易興松，蘭安軍，文錫梅，等.基于ASD和GaiaSky-mini的農(nóng)田土壤重金屬污染監(jiān)測[J].生態(tài)學(xué)雜志，2018，37（6）：1781-1788.YiX，LanA，WenX，etal.MonitoringofheavymetalsinfarmlandsoilsbasedonASDandGaiaSky-mini[J].ChineseJournalofEcology，2018，37（6）：1781-1788.[12]

HuangY，ThomsonSJ，LanY，etal.Multispectralimagingsystemsforairborneremotesensingtosupportagriculturalproductionmanagement[J].IntJAgric&BiolEng，2010，3（1）：50-62.[13]

YangC，JohnW，CharlesS，etal.Anairbornemultispectralimagingsystembasedontwoconsumer-gradecamerasforagriculturalremotesensing[J].RemoteSensing，2014，6（6）：5257-5278.[14]

KustasW，AndersonM.Advancesinthermalinfraredremotesensingforlandsurfacemodeling[J].AgriculturalandForestMeteorology，2009，149（12）：2071-2081.[15]

趙一鳴，李艷華，商雅楠，等.激光雷達的應(yīng)用及發(fā)展趨勢[J].遙測遙控，2014，35（05）：4-22.ZhaoY，LiY，ShangY，etal.Applicationanddevelopmentdirectionoflidar[J].JournalofTelemetry，TrackingandCommand，2014，35（05）：4-22.[16]

HammerleM，HafleB.EffectsofreducedterrestrialLiDARpointdensityonhigh-resolutiongraincropsurfacemodelsinprecisionagriculture[J].Sensors，2014，14（12）：24212-24230.[17]

楊凡.基于無人機激光雷達和高光譜的冬小麥生物量反演研究[D].西安：西安科技大學(xué)，2017.Yang，F(xiàn).EstimationofwinterwheatabovegroundbiomasswithUAVLiDARandhyperspectraldata[D].Xi'an：Xi'anUniversityofScienceandTechnology，2017.[18]

AnthonyD，ElbaumS，LorenzA，etal.OncropheightestimationwithUAVs[C].IEEE/RSJInternationalConferenceonIntelligentRobots&Systems.IEEE，2014.[19]

周夢維，柳欽火，劉強，等.機載激光雷達的作物葉面積指數(shù)定量反演[J].農(nóng)業(yè)工程學(xué)報，2011，27（04）：207-213.ZhouM，LiuQ，LiuQ，etal.Inversionofleafareaindexbasedonsmall-footprintwaveformairborneLIDAR[J].TransactionsoftheCSAE，2011，27（04）：207-213.[20]

關(guān)澤群.遙感圖像解譯[M].武漢大學(xué)出版社，2007.[21]

TahirMN，SyedZaighamAbbasNaqvi，LanY，etal.RealtimemonitoringchlorophyllcontentbasedonvegetationindicesderivedfrommultispectralUAVsinthekinnoworchard[J].IntJPrecisAgricAviat，2018，1（1）：24-31.[22]

ChengX，YangG，XuX，etal.Estimatingcanopywatercontentinwheatbasedonnewvegetationwaterindex[J].SpectroscopyandSpectralAnalysis，2014，34（12）：3391.[23]

DuanS，LiZ，WuH，etal.InversionofthePROSAILmodeltoestimateleafareaindexofmaize，potato，andsunflowerfieldsfromunmannedaerialvehiclehyperspectraldata[J].InternationalJournalofAppliedEarthObservationandGeoinformation，2014，26：12-20.[24]

蘇偉，郭皓，趙冬玲，等.基于優(yōu)化PROSAIL葉傾角分布函數(shù)的玉米LAI反演方法[J].農(nóng)業(yè)機械學(xué)報，2016，47（03）：234-241.SuW，GuoH，ZhaoD，etal.LeafareaindexretrivelformaizecanopyusingoptimizedleafangledistributionfunctionofPROSAILmodel[J].TransactionsoftheCSAM，2016，47（03）：234-241.[25]

YuF，XuT，ChenC，etal.Machinelearningmethodsforcropchlorophyllvariableretrieval[J].IntJPrecisAgricAviat，2018，1（1）：32-36.[26]

LiX，LeeWS，LiM，etal.Spectraldifferenceanalysisandairborneimagingclassificationforcitrusgreeninginfectedtrees[J].ComputersandElectronicsinAgriculture，2012，83：32-46.[27]

KumarA，LeeWS，EhsaniRezaJ，etal.Citrusgreeningdiseasedetectionusingaerialhyperspectralandmultispectralimagingtechniques[J].JournalofAppliedRemoteSensing，2012，6（1）：63542.[28]

蘭玉彬，朱梓豪，鄧小玲，等.基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類[J].農(nóng)業(yè)工程學(xué)報，2019，35（3）：92-100.LanY，ZhuZ，DengX，etal.MonitoringandclassificationofcitrusHuanglongbingbasedonUAVhyperspectralremotesensing[J].TransactionsoftheCSAE，2019，35（3）：92-100.[29]

HuangW，LambDW，NiuZ，etal.Identificationofyellowrustinwheatusingin-situspectralreflectancemeasurementsandairbornehyperspectralimaging[J].PrecisionAgriculture，2007，8（4-5）：187-197.[30]

羅菊花，黃文江.基于PHI影像敏感波段組合的冬小麥條銹病遙感監(jiān)測研究[J].光譜學(xué)與光譜分析，2010，30（01）：184-187.LuoJ，HuangW.MonitoringstriperustofwinterwheatusingPHIbasedonsensitivebands[J].SpectroscopyandSpectralAnalysis，2010，30（01）：184-187.[31]

YangC，EverittJH，F(xiàn)ernandezCJ.Comparisonofairbornemultispectralandhyperspectralimageryformappingcottonrootrot[J].BiosystemsEngineering，2010，107（2）：131-139.[32]

JinN，HuangW，RenY，etal.Hyperspectralidentificationofcottonverticilliumdiseaseseverity[J].Optik-InternationalJournalforLightandElectronOptics，2013，124（16）：2569-2573.[33]

JohannaA，SylvieD，F(xiàn)abioG，etal.Detectionofflavescencedoréegrapevinediseaseusingunmannedaerialvehicle（UAV）multispectralimagery[J].RemoteSensing，2017，9（4）：308.[34]

DiGennaroSF，BattistonE，DiMarcoS.Unmannedaerialvehicle（UAV）-basedremotesensingtomonitorgrapevineleafstripediseasewithinavineyardaffectedbyescacomplex[J].PhytopathologiaMediterranea，2016，55（2）：262-275.[35]

CalderónR，Montes-BorregoM，LandaBB，etal.Detectionofdownymildewofopiumpoppyusinghigh-resolutionmulti-spectralandthermalimageryacquiredwithanunmannedaerialvehicle[J].PrecisionAgriculture，2014，15（6）：639-661.[36]

CalderónR，Navas-CortésJA，LucenaC，etal.High-resolutionairbornehyperspectralandthermalimageryforearlydetectionofVerticilliumwiltofoliveusingfluorescence，temperatureandnarrow-bandspectralindices[J].RemoteSensingofEnvironment，2013，139：231-245.[37]

NebikerS，LackN，AbacherliM，etal.Light-weightmultispectralUAVsensorsandtheircapabilitiesforpredictinggrainyieldanddetectingplantdiseases[J].ISPRS-InternationalArchivesofthePhotogrammetry，RemoteSensingandSpatialInformationSciences，2016，XLI-B1：963-970.[38]

王震，褚桂坤，張宏建，等.基于無人機可見光圖像Haar-like特征的水稻病害白穂識別[J].農(nóng)業(yè)工程學(xué)報，2018，34（20）：73-82.WangZ，ChuG，ZhangH，etal.IdentificationofdiseasedemptyricepaniclesbasedonHaar-likefeatureofUAVopticalimage[J].TransactionsoftheCSAE，2018，34（20）：73-82.[39]

HassanSI.DeepconvolutionalneuralnetworkforclassifyingFusariumwiltofradishfromunmannedaerialvehicles[J].JournalofAppliedRemoteSensing，2017，11（4）：1.[40]

SugiuraR，TsudaS，TamiyaS，etal.FieldphenotypingsystemfortheassessmentofpotatolateblightresistanceusingRGBimageryfromanunmannedaerialvehicle[J].BiosystemsEngineering，2016，148：1-10.[41]

CastelaoTetilaE，BrandoliMachadoB，BeleteNADS，etal.Identificationofsoybeanfoliardiseasesusingunmannedaerialvehicleimages[J].IEEEGeoscienceandRemoteSensingLetters，2017，14（12）：2190-2194.[42]

DengX，LiZ，DengX，etal.Citrusdiseaserecognitionbasedonweightedscalablevocabularytree[J].PrecisionAgriculture，2014，