基于無人機平臺的小麥產量信息監測研究

丁大偉 季敏 鄧國強 丁峰 龐強

摘 要：無人機平臺的發展為改變傳統的作物生長環境數據采集方式和產量監測方式提供了契機。借助無人機平臺，可以實現農作物生長環境數據的快速采集、即時傳輸和動態顯示。相對于地面和高空遙感平臺，無人機平臺能在一定程度上彌補現有地面和高空遙感平臺的不足，可以在作物生產領域等發揮巨大的作用。該文在傳統遙感監測平臺對作物長勢監測和產量預測的基礎上，分析了無人機低空遙感平臺應用于中小型區域作物的監測和預測的應用進展，探討無人機平臺監測小麥長勢和預測產量的可行性，提出了可行性的建議，以期促進我國精準農業的快速發展。

關鍵詞：無人機;小麥;產量監測

中圖分類號 S512.1 文獻標識碼 A 文章編號 1007-7731（2021）07-0125-06

Study on Monitoring Wheat Grain Yield Information Based on Uav Platform

DING Dawei1 et al.

（1Zhangjiagang Agricultural Experimental Station， Zhangjiagang 215616， China）

Abstract： The development of UAV platform provides an opportunity to change the traditional methods of crop growth environment data collection and yield monitoring. With the help of UAV platform， the crop growing environment data can be quickly collected， instantly transmitted and dynamically displayed. Compared with the ground and high-altitude remote sensing platform， UAV platform can make up for the shortcomings of the existing ground and high-altitude remote sensing platform to a certain extent， and play a huge role in the field of crop production. Based on the traditional remote sensing monitoring platform for crop growth monitoring and yield prediction， this paper applies the new UAV low altitude remote sensing platform to crop monitoring and prediction in small and medium-sized areas， discusses the feasibility of UAV platform for wheat growth monitoring and yield prediction， puts forward feasible suggestions， and promotes the rapid development of precision agriculture in China.

Key words： Unmanned aerial vehicle; Wheat; Yield monitor

1 前言

小麥作為世界三大主糧之一，在我國農耕文明進程中扮演著重要的角色。據國家糧食局統計，2017年我國小麥總產量為5481.2kg/hm2，比世界平均水平高55.2%。近年來，我國小麥總產量和消費量均居世界第一，是我國僅次于水稻的第二大糧食作物。在2019發布的中央一號文件《中共中央國務院關于堅持農業農村優先發展做好“三農”工作的若干意見》中，明確提出了“確保谷物基本自給，口糧絕對安全”的新糧食安全觀。從中長期看，我國糧食產需仍將維持緊平衡態勢，要繃緊國家糧食安全這根弦。但隨著人口數量的增加以及可用耕地減少等問題的日益突出，糧食安全受到了越來越多的關注。小麥作為國家主要的糧食作物，其穩產增產在國家糧食安全中扮演著重要角色。

精準農業是指應用現代高新技術來管理農業生產各個方面的空間和時間變化，以提高作物的產量、品質和環境質量等。多年來，國內外眾多學者在監測小麥產量這一問題上貢獻了自己的力量，這也間接印證了檢測小麥產量的重要性。目前，小麥產量預測方法主要有田間人工判斷預測，電容量測產、遙感預測、氣候和供求關系分析預測法、年景預測等[1]。相較于傳統的小麥產量監測方法的種種弊端，無人機平臺作為現代信息技術的前沿技術，在小麥產量監測方面得到了越來越廣泛的應用。無人機遙感可以獲取土壤養分、作物長勢、病蟲害監測等農業生產信息，通過數據解析，進行變量施肥、科學施藥、預測病蟲害、預測作物產量等[2，3]。通過無人機這一個平臺，可以快速準確地獲取大面積作物營養與生長狀態等實時田間信息，為精確農業的實施提供重要的技術支撐，從而實現作物高產、高效、優質等生產目標[4]。

2 無人機平臺的發展及其在農業上的應用

2.1 無人機發展現狀 信息是決定現代和未來戰爭勝負的關鍵因素，誰能在信息領域奪取優勢，誰就能掌握戰爭的主動權，要想在未來高技術條件下的信息化戰爭占有一席之地，只有通過最大限度地獲取更多更準確的信息，才能在這場你信息化的戰役有所決策決策，而無人機正是能夠滿足這一需求的其中一種有效手段。信息技術、電子技術、計算機技術等高新技術在航空領域得到了廣泛應用，同時也滿足了現代戰爭的需要，從這個角度來看，無人機的應用范圍和性能都將得到不同程度的提高及不斷的延展。無人機的發展至今已有80余年的歷史，從最初的軍事領域[5]，到如今日益普遍的應用于農業，可以說，將無人機技術及遙感技術引用到農業中加以利用，是現代農業生產領域里程上的再次飛躍[3]。之所以這樣說，是因為無人機平臺可以彌補傳統監測設備的一些問題，如作業范圍小和實時監測難等，另外還能解決衛星遙感成本高、受天氣狀況影響大等問題。將農田作物信息進行快速獲取與解析，是開展精準農業實踐的前提和基礎。

2.2 無人機在農業上的主要應用

2.2.1 病蟲害監測 作物病蟲草害作為制約著農作物產量的主要因素，一直以來都是各類研究的主攻對象。中國作為農業大國，出現種類繁雜的病蟲草害也在情理之中，據相關數據統計，我國主要農作物病蟲害達1400多種[10]。傳統的農作物病蟲害監測以及防控主要依靠人工田間取樣和調查，這不僅需要的時間長、消耗的體力大、效率比較低下，而且容易受人的主觀性影響。近年來，隨著無人機產業的快速發展，無人機農業遙感技術因其空間分辨率高、時效性強和成本低等優勢，在農作物病蟲草害監測的相關應用中發揮了非常重要的作用。通過對比試驗可以發現，無人機有著很多優勢，從病蟲害防治來看，要比傳統人工施藥防治效果好;從效益來看，單位面積成本投入、單位面積產量都有明顯提升[6，12]。

2.2.1.1 無人機高光譜遙感病蟲害進展 高光譜遙感監測技術的優勢主要體現在作物早期的防治工作中，效率高，能夠及時發現、及時處理。由于患病蟲害的作物與正常作物的反射光譜之間存在著差異，通過反射光譜的變化可以監測到病蟲害的發生情況，葉片細胞結構氮元素、色素、水分等性質會發生變化正是產生差異的原因所在[7]。在利用無人機高光譜遙感監測病蟲害方面，不少團隊已開展了相關研究。針對小麥條銹病，黃文江團隊經過試驗證明了光化學植被指數（Photochemical Reflectance Index，PRI）在這方面的監測潛力[8]。同樣對小麥條銹病進行了監測研究的還有蘭玉彬團隊的羅菊花等[9]，首先在地面實測中篩選出條銹病發生的敏感波段，再基于敏感波段范圍的平均光譜反射率和由此計算的病情指數，建立多元線性回歸模型。Jin等[11]利用高光譜遙感對于棉花黃萎病進行了研究，該研究采用小波變換提取主要信息并降維，通過比較分析得出SVM識別效果最好的結論，證明了無人機高光譜遙感在棉花黃萎病的監測可行性。Zhang等[15]采用無人機遙感高光譜圖像，開展了翡翠灰蛀蟲早期監測的研究，利用植被指數對葉綠素含量進行反演，為高光譜在病蟲害預測及早期診斷的應用提供了可能性。

2.2.1.2 無人機多光譜遙感病蟲害檢測研究進展 多光譜成像的光譜分辨率在0.1數量級，即在可見光和近紅外區域一般只有幾個波段。無人機農業遙感領域常見的多光譜相機通常可以獲取4個波段以上的光譜圖像，可同時捕捉綠光、紅光、紅邊和近紅外4個波段圖像，并且能夠用RGB圖像來真實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，根據特定的遙感應用對不同的波段以及波段范圍進行量身定做。在無人機多光譜遙感病蟲害方面，國內外學者在多種農作物上進行了研究，也探索了低空遙感病蟲害的可行性。喬紅波等同時在地面和低空2個尺度獲取了患有白粉病的冬小麥冠層的反射光譜數據，并建立病蟲害嚴重程度與低空冠層光譜信息之間的相關關系，證明了使用低空無人機系統可以在大范圍內對冬小麥病蟲害進行快速無損檢測[4]。早在2008年，Huang等就利用MS4100機載多光譜相機搭載了無人機多光譜成像系統，分析近紅外、紅、綠波段圖像，計算出NR、NG、NDVI和NDNG指數，用于評估農業領域的生物量、作物健康、生物類型和蟲害，為后來的研究指引了方向[16]。而在之后的諸多研究中，也論證說明了無人機多光譜遙感在蟲害檢測方面是具有可行性的。

2.2.1.3 無人機數碼影像遙感病蟲害進展 相較于其他類型影像，采用數碼相機進行無人機低空遙感農作物的病蟲害，其主要優勢是成本低、容易操作，而相反的，在診斷的應用上具有一定的局限性，尤其是早期，并且現如今通用的數碼相機分辨率普遍較低，難以捕獲到作物田間生長的太多細節。近年來，國內外涌現了大量該領域的相關研究報道。例如，2012年Yue等[19]在白洋淀農業區開展了無人機數碼影像的蟲害監測研究，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）算法和面向對象的信息提取技術進行圖像處理，研究對當地農作物病蟲害防治取得了良好的效果。2016年，Sugiura等針對馬鈴薯晚疫病（Potato late blight）開展了田間抗性試驗，在這個過程中使用無人機獲取的RGB圖像來較為有效、客觀地評估該病害的感染程度[17]。2018年，針對水稻白穗病，王震等同樣基于無人機遙感數碼圖像，提取Haar-like特征，再以Adaboost算法進行白穗識別，識別率高達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，對于大面積稻田病蟲害識別具有一定的參考作用[18]。

2.2.2 倒伏 倒伏不僅使作物的產量和品質降低，還會對收獲造成困難。當小麥、水稻出現嚴重倒伏時，其產量甚至可以減產50%以上。倒伏在作物生育的中后期較易發生，稻、麥等谷類作物拔節后倒伏的時間越早，造成的損失就越大。

面對大面積作物的倒伏，若想通過傳統的人工方法得到有效的監測顯然非常耗時耗力，而且效果也不一定好。基于無人機平臺監測系統的災情嚴重程度可以進行實時監測，這些監測影響數據可以作為采取防治措施時的科學依據。董錦繪等以人工目視解譯統計得到的倒伏面積作為判別依據，通過對比最小距離法、最大似然法、神經網絡、支持向量機4種監督分類方法對單張無人機影像的分類效果，擇優用于無人機拼接數碼影像，成功估算了江蘇里下河地區小麥倒伏情況。這些成功的研究案例表明，搭載數碼相機的無人機遙感平臺對農情監測是具有一定可行性的，這是精準農業深入開展的新契機[20]。李宗南等在2014年的試驗研究，為應用無人機彩色遙感圖像準確提取倒伏玉米面積提供了依據和方法。該研究基于小型無人機遙感試驗獲取的RGB彩色圖像，研究灌漿期玉米倒伏的圖像特征和面積提取方法[21]。類似的研究方法也運用在了小麥的倒伏研究中，2015年楊貴軍等利用高清數碼相機獲取小麥倒伏正射影像，可看到小麥葉片和倒伏相關情況，根據所劃分小區內小麥倒伏面積的大小，按照標準差分級方法從高到低依次分級為紅、黃、綠、藍4個等級，以表征小區內小麥倒伏的不同程度[22]。

2.2.3 葉面積指數 葉面積指數（LAI）是指單位土地面積上植物葉片總面積占土地面積的倍數，其數值大小與作物最終產量有著密切關系，是作物生長和發育過程中的常見的監測變量。作物長勢監測是農情遙感監測和產量估算的核心部分，通常采用葉面積指數、生物量等生長指標來描述作物的長勢狀況。葉面積指數決定著作物的許多生物物理過程，如光合作用、呼吸作用和蒸騰作用，又或者是碳循環、降水截獲等，能有效獲得作物生長的動態信息，同時也是衡量作物群體是否合理的重要栽培生理參數。

農作物葉面積指數（LAI）遙感監測具有快速、無損的優點。高林等于2016年使用多旋翼無人機為平臺同步搭載Canon Power Shot G16數碼相機和ADC-Lite多光譜傳感器組成的無人機農情監測系統進行試驗研究，分別獲取大豆結莢期和鼓粒期的遙感影像，用這些影像來估算作物的葉面積指數。研究結果表明，以多旋翼無人機為平臺同步搭載高清數碼相機和多光譜傳感器組成的無人機農情監測系統對研究大豆葉面積指數反演是具有可行性的，可作為指導精準農業研究的一種新方法[23]。王亞杰于2018年通過無人機多光譜遙感，對玉米葉面積指數監測進行了系統的研究。田明璐等于2018年以低空無人機作為遙感平臺，使用新型成像光譜儀獲取的農田高光譜影像數據對棉花LAI進行反演。分別以原始全波段光譜反射率、連續投影算法（successive projections algorithm，SPA）提取的有效波段反射率以及各類F_VI和E_VI作為自變量，使用最小二乘和偏最小二乘（partial least squares，PLS）回歸等方法構建LAI遙感估算模型，為農作物LAI遙感監測提供了新的技術手段[24]。張春蘭等于2018年通過利用隨機森林算法（Random Forest，RF），構建冬小麥葉面積指數模型，對冬小麥長勢進行反演，實驗結果表明模型精度較好并且具有較強的適應性，可適用于高光譜無人機進行高精度冬小麥葉面積指數的提取[25]。

2.2.4 生物量 生物量是指某時刻單位面積內的有機物質總量，是作物有機物含量監測的重要指標。葉片生物量是作物重要的生物物理參數之一，并且與葉面積指數關系密切，所以2個指標的監測方法通用性很強。如何高效、快速地獲取作物的株高和生物量信息，對于農業生產有著十分重要的意義。Honkavaara等于2013年通過無人機遙感平臺搭載FPI光譜相機采集小麥的光譜信息，通過計算歸一化植被指數NDVI，成功反演了小麥的生物量。近年來，國內關于這一類型的試驗研究日趨增多。張正健團隊于2016年通過研究基于若爾蓋高原典型樣帶的無人機可見光影像和地面實測樣本，建立了生物量與多種可見光植被指數的指數回歸模型，對比了不同植被指數模型的生物量估算精度的差異。該研究獲取了高空間分辨率的草地地上生物量，相關成果可為若爾蓋高原碳收支、衛星遙感產品真實性檢驗、生態模型、資源可持續利用等研究提供方法與數據支撐[26]。鄧江團隊利用棉花主要生育時期的無人機近紅外影像數據，提取4種不同的植被指數，通過與棉花地上生物量的實測值建立擬合關系，分析了不同植被指數在棉花各生育時期的估算效果并對其進行了驗證[27]。同年，陶惠林等基于無人機高清數碼影像，選擇逐步回歸（stepwise regression，SWR）、偏最小二乘（partial least square，PLSR）、隨機森林（random forest，RF）3種建模方法對多生育期估算模型進行對比，挑選出冬小麥生物量估算的最優模型[28]。

3 無人機在小麥產量及其構成監測上的應用

3.1 產量構成 小麥產量由穗數、穗粒數和千粒重3個因素構成，三者相互作用共同決定小麥的最終產量。研究表明，單一片面地強調某一因素都不能帶來理想的產量，因此，在對小麥產量構成因素的監測中，三者都是必不可少的。現如今基于無人機平臺對小麥的產量構成進行監測的研究多集中在穗數和穗粒數2個因素，而對粒重的監測研究較少，有待更多學者進行探究。

3.1.1 穗數 小麥穗數是產量構成的首要因素，這也是諸多學者檢測小麥產量構成時首要考慮的因素。傳統的穗數監測方法主要是人工計數測量，工作量相較過大，不僅需要的時間長、投入的勞動力大，而且還有可能存在主觀因素的干擾，容易產生一定的誤差。隨著農業信息化程度的提高，圖像處理技術已經在農業領域得到了比較廣泛的應用。為了實現不同播種方式下單位面積小麥穗數的智能計算，國內外眾多學者開展了多項試驗研究。2014年，劉濤等得出圖像處理算法的計數結果普遍低于人工計數的結論[30]。這是因為隨著固定區域小麥穗數量的增加，該區域麥穗的粘連和遮蓋情況就會增多，從而會影響計數的一個準確率，但是通過形態學俯視操作時會清除這些麥穗，所以通過利用圖像技術對小麥穗數進行監測的效果會更加的準確。2015年，范夢揚等基于機器視覺技術，通過提取小麥麥穗的顏色與紋理特征，將麥穗輪廓與背景進行分離，并將麥穗輪廓細化，通過統計麥穗骨架數量與骨架交點數量得到麥穗數量，實現了小麥麥穗的快速計數[31]。試驗結果表明，該方法具有較高的穩定性，精度也較高，平均達93%，計數速度也快，僅1.7s，完全可以滿足小麥麥穗自動快速計數這一需求。2018年，李毅念等以田間麥穗傾斜的方式獲取了群體圖像，進而由邊界和區域的特征參數判斷出粘連的麥穗圖像，利用基于凹點檢測匹配連線的方法實現粘連麥穗的分割，最終識別出圖像中的麥穗數量[35]。綜上所述，基于無人機平臺監測小麥穗數的試驗研究在國內日趨增多，雖說這些研究的成果越來越成熟，但圖像采集裝置還應該繼續改進完善，同時算法的識別精度仍然有待提高。

3.1.2 穗粒數和粒重 穗粒數和千粒重是除穗數之后決定小麥產量的兩大因素，是品種產量潛力和栽培措施效果的基本數據，另外，增加穗粒數還能提高小麥的源庫水平。傳統的小麥穗粒數計算方法主要有稱重計算法和傳統圖像處理，人工稱重的計算冗余，測量時間長，在實踐中需要投入較多時間和精力;而傳統的圖像處理算法無法適用不同背景和尺寸的圖像。

在近些年的研究中，許多學者開始著力于解決傳統圖像處理算法的弊端，并為基于無人機平臺監測小麥穗粒數開拓更多的可能性。2017年，王寧等提出了一種基于圖像分形分割的麥穗粒數計算方法[33]。在該研究中，首先根據像元特征選定一個適當的閾值分割麥穗圖像，然后得到麥穗角度矯正圖，最后再根據矯正圖像的列數據波形特征計算麥穗粒數。研究結果表明，和傳統測量方法相比較，該方法中所使用的流程更加簡潔，準確率更加高，計算速度更加快。隨后，李毅念等在2018年的研究中發現了另一種優越的穗數監測方法[35]。該團隊收集了小麥谷物籽粒圖像數據集，手工進行目標籽粒矩形標注工作，利用TensorFlow框架構建了Faster R-CNN網絡模型，使用遷移學習方法，訓練了小麥谷物籽粒檢測與計數的深度模型。將該模型與傳統籽粒計數算法對比，籽粒計數的錯誤率小于5%，運行時間小于2s。并且該模型可以在多種背景、圖像尺寸、籽粒大小、拍攝角度、拍攝高度和不同籽粒擁擠程度下應用，是一種有效的小麥籽粒檢測與計數工具。這項研究也為其他谷物檢測與計數應用提供了參考。

穗粒數的多少受小穗數、小花以及小花結實率決定的。小穗數是形成小花數的前提，較高的小穗數是提高穗粒數的基礎。因此，監測小麥小穗數同樣可以對小麥產量的估算起到一定作用。2016年，路文超團隊就提出了一種基于圖像處理技術的小穗數測量方法[32]，首先采用形態學處理算法去除麥芒得到麥穗主部圖像，再采用將曲線穿過小穗區域并統計灰度差異的方法計算小穗數。針對試驗結果，驚喜地發現這種算法不僅適用于較直立的麥穗，而且適用于彎曲的麥穗。和人眼計數測量小穗數的方法相比，該研究小穗數提取算法測量結果的平均絕對誤差為1.6（≈2），相對誤差為7.89%，能有效獲取小穗數。

小麥千粒重的高低對產量的影響呈極顯著正相關，提高千粒重是近代小麥高產育種重要的目標。目前，對于小麥千粒重的測定大多依舊采取傳統方法，即小麥脫粒曬干后，隨機取樣，稱重取平均值。其中，脫粒環節對麥穗樣本進行了破壞，無法保留考種原材料，而利用無人機平臺對粒重進行監測的研究目前還很少，不僅是小麥，其他作物在這個領域也是如此。周金輝等基于計算機視覺技術，建立了模型測量了玉米的粒重[36]。

3.2 產量 產量的準確預測是農業研究領域最受關注的問題之一，目前采用遙感技術對小麥產量進行預測的研究日趨增多。如何提高預測的精度是當前研究的重點，也是難點。早在2007年，李衛國等就利用30km分辨率的TM影像數據，綜合考慮小麥產量形成的生理生態過程，建立了小麥估產模型，但是由于影像分辨率較低，其預測的精度并不是很高。2008年，Ren等采用MODIS數據用歸一化植被指數NDVI對小麥產量進行預測，只是發現天氣狀況，對數據分析結果的影響比較大，所以獲得的數據并不是很準確。在當時，作物長勢監測，基于無人機遙感進行作物產量反演研究不多，且其可行性和準確性都有待進一步探討。

綜觀國內外研究進展，近年來，將遙感技術應用到作物長產量預測上已經取得了不錯的進展，相較于低空檢測平臺，基于地面和高空平臺對作物產量的預測研究已經較為成熟。無人機平臺的出現和相關應用，不僅彌補了低空監測平臺的空白，而且成本低、數據獲取效率高、測試高度和測試時間可按需調節，為中小型區域遙感監測的發展提供了新的技術支持手段。

2018年，李毅念等通過計算機圖像預測小麥穗數、每個麥穗的籽粒數以及千粒重數據進而達到了對產量的預測[35]，平均精確度達到93.49%，實現了小麥田間單位面積內的產量信息自動測量。2019年，劉小輝以無人機平臺獲取的廬江縣白湖農場多個小麥品種的可見光影像數據為研究對象，利用PLSR構建了小麥灌漿中期的產量反演模型[37]。同年，丁國輝等使用經濟型低空無人機對不同關鍵生育時期中的一些共同的產量性狀進行了規模化采集[38]。然后，基于無人機獲取的可見光圖像，通過第三方專業軟件Pix4D完成了全試驗田的拼接和三維點云重建，并通過自主開發的性狀分析算法對一些重要產量性狀和植被指數等完成了自動化分析。通過實例驗證了基于經濟型低空無人機開展小麥產量性狀采集的有效方法和高通量分析技術。

4 問題與展望

4.1 存在問題 無人機作為遙感平臺，在農業遙感監測上具有很大的應用潛力，基于無人機平臺的遙感監測技術在農業領域應用越來越多，所用傳感器的光譜分辨率在不斷提高，獲取的農作物光譜信息也越來越豐富和精確，從而為作物長勢監測和產量預測研究提供了更加便利的條件和更加精確的數據。但無人機平臺在作物長勢監測和產量預測上目前還存在些許不足。盡管國內外研究者們對無人機遙感信息獲取系統的控制技術已進行了大量改進，但系統的平穩性、抗震性、載荷能力、續航時間、多傳感器融合技術、獲取的圖像質量等仍然是目前農用無人機遙感存在的主要問題。當前的研究多針對作物單一生育期，而對綜合作物全生育期進行遙感監測和作物估產的研究較少。在產量監測領域對小麥千粒重的試驗研究稀缺，有待更多學者發現。另外，當前的研究較多是基于近紅光和紅光波段下NDVI等常用植被指數進行，缺乏系統的進行敏感波段的篩選[4]。

4.2 應用前景 隨著我國精準農業的發展，依靠無人機遙感技術進行農作物覆蓋率變化的監測，已經成為一個具有重要意義的手段。常用的衛星光學遙感和人工地面采集數字影像2種數據采集方法都存在著一定問題，而低空無人機的出現則很好地彌補了衛星遙感的不足，又提高了人工地面采集數字影像的效率，減少了人工和時間的浪費，提高了植被覆蓋率監測的準確性。目前，我國正積極研發結構簡單、價格低廉、性能優、載荷大的農情監測和農藥噴施的無人機，希望能夠盡早將農民從藥物傷害中拯救出來，使我國農業生產能夠盡快實現信息化、現代化、精準化和可持續化，為我國糧食穩產增產做出貢獻。可以預見，經過技術的不斷創新與改進，無人機在作物養分監測、土壤水分監測、作物產量監測、田間作物空間變異研究以及其他農田信息采集等方面都將具有更加廣泛的應用前景[3]。

參考文獻

[1]Li Jiating，Veeranampalayam-Sivakumar Arun-Narenthiran，Bhatta Madhav，et al. Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery[J].Plant methods，2019，15.

[2]Maes Wouter H，Steppe Kathy. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture[J].Trends in plant science，2019，24（2）：152-164.

[3]李寧，付曉晨，于涵.無人機遙感在農業中的運用淺析[J].現代化農業，2015（09）：59-60.

[4]王妮.基于無人機平臺的小麥長勢監測與產量預測研究[D].南京：南京農業大學，2016.

[5]鄒湘伏，何清華，賀繼林.無人機發展現狀及相關技術[J].飛航導彈，2006（10）：9-14.

[6]蘭玉彬，鄧小玲，曾國亮.無人機農業遙感在農作物病蟲草害診斷應用研究進展[J].智慧農業，2019，1（02）：1-19.

[7]黃文江，劉林毅，董瑩瑩，等.基于遙感技術的作物病蟲害監測研進展[J].農 業 工 程 技 術 ，2018，38（09）：39-45.

[8]Huang W，Lamb D W，Niu Z，et al.Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging [J].Precision Agriculture，2007，8（4-5）：187-197.

[9]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測研究[J].光譜學與光譜分析，2010，30（01）：184-187.

[10]張競成，袁琳，王紀華，等.作物病蟲害遙感監測研究進展[J].農業工程學報，2012，28（20）：1-11.

[11]Jin N，Huang W，Ren Y，et al.Hyperspectral identification of cotton verticillium disease severity [J].Optik-International Journal for Light and Electron Optics，2013，124（16）：2569-2573.

[12]孔蕊.植保無人機在小麥病蟲害防治技術的應用[J].農機使用與維修，2019（12）：12-14.

[13]冷偉鋒.遙感技術在我國植物病害監測中的應用[A]//中國植物保護學會.植保科技創新與病蟲防控專業化——中國植物保護學會2011年學術年會論文集[C].2011：1.

[14]滕連澤，羅勇，張洪吉，等.無人機遙感在農業監測中的應用研究綜述[J].科技資訊，2018，16（23）：122-124

[15]Zhang K，Hu B，Robinson J.Early detection of emerald ash borer infestation using multisourced data：a casestudy in the town of Oakville，Ontario，Canada [J].Applied Remote Sensing，2014，8（1）：083602.

[16]Huang Y，Lan Y，Hoffmann W C.Use of airborne multi-spectral imagery in pest management systems[J].Agricultural Engineering International：the CIGR Ejournal，2008，X（07）：10.

[17]Sugiura R，Tsuda S，Tamiya S，et al.Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle[J].Biosystems Engineering，2016，148：1-10.

[18]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].農業工程學報，2018，34（20）：73-82.

[19]Yue J，Lei T，Li C.The application of unmanned aerial vehicle remote sensing in quickly monitoring crop pests [J].Intelligent Automation & Soft Computing，2012，18（8）：1043-1052.

[20]董錦繪，楊小冬，高林，等.基于無人機遙感影像的冬小麥倒伏面積信息提取[J].黑龍江農業科學，2016（10）：147-152.

[21]李宗南，陳仲新，王利民，等.基于小型無人機遙感的玉米倒伏面積提取[J].農業工程學報，2014，30（19）：207-213.

[22]楊貴軍，李長春，于海洋，等.農用無人機多傳感器遙感輔助小麥育種信息獲取[J].農業工程學報，2015，31（21）：184-190.

[23]高林，楊貴軍，王寶山，等.基于無人機遙感影像的大豆葉面積指數反演研究[J].中國生態農業學報，2015，23（07）：868-876.

[24]田明璐，班松濤，常慶瑞，等.基于低空無人機成像光譜儀影像估算棉花葉面積指數[J].農業工程學報，2016，32（21）：102-108.

[25]張春蘭，楊貴軍，李賀麗，等.基于隨機森林算法的冬小麥葉面積指數遙感反演研究[J].中國農業科學，2018，51（5）：855-867.

[26]張正健，李愛農，邊金虎，等.基于無人機影像可見光植被指數的若爾蓋草地地上生物量估算研究[J].遙感技術與應用，2016，31（01）：51-62.

[27]鄧江，谷海斌，王澤，等.基于無人機遙感的棉花主要生育時期地上生物量估算及驗證[J].干旱地區農業研究，2019，37（05）：55-61，69.

[28]陶惠林，徐良驥，馮海寬，等.基于無人機數碼影像的冬小麥株高和生物量估算[J].農業工程學報，2019，35（19）：107-116.

[29]呂行軍.基于圖像處理技術的麥穗識別研究[D].保定：河北農業大學，2012.

[30]劉濤，孫成明，王力堅，等.基于圖像處理技術的大田麥穗計數[J].農業機械學報，2014，45（02）：282-290.

[31]范夢揚，馬欽，劉峻明，等.基于機器視覺的大田環境小麥麥穗計數方法[J].農業機械學報，2015，46（S1）：234-239.

[32]路文超，羅斌，潘大宇，等.基于圖像處理的小麥穗長和小穗數同步測量[J].中國農機化學報，2016，37（06）：210-215.

[33]王寧，孔斌，王燦，等.基于圖像分形分割的麥穗粒數計算方法[J].計算機系統應用，2017，26（10）：219-224.

[34]杜穎，蔡義承，譚昌偉，等.基于超像素分割的田間小麥穗數統計方法[J].中國農業科學，2019，52（01）：21-33.

[35]李毅念，杜世偉，姚敏，等.基于小麥群體圖像的田間麥穗計數及產量預測方法[J].農業工程學報，2018，34（21）：185-194.

[36]周金輝，馬欽，朱德海，等.基于計算機視覺的玉米穗粒重無損測量方法[J].農機化研究，2015，37（12）：222-226，231.

[37]劉小輝.基于無人機影像的小麥葉綠素含量及產量定量反演研究[D].合肥：安徽大學，2019.

[38]丁國輝，許昊，溫明星，等.基于經濟型低空無人機對小麥重要產量表型性狀的多生育時期獲取和自動化分析[J].農業大數據學報，2019，1（02）：19-31.

[39]Hassan Muhammad Adeel，Yang Mengjiao，Rasheed Awais，et al.A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform[J].Plant science：an international journal of experimental plant biology，2019，282：95-103.

[40]Maitiniyazi Maimaitijiang，Vasit Sagan，Paheding Sidike，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J].Remote Sensing of Environment，2020，237.

（責編：張宏民）