無人機遙感技術在智慧農業中的應用研究進展

摘要 無人機遙感技術可以實時、準確、快速地獲取高質量遙感影像數據，從而為農事決策提供準確的數據支撐，目前已成為智慧農業生產管理的重要組成部分。 介紹了無人機遙感系統組成及數據獲取和處理流程，梳理了近年來無人機遙感技術在智慧農業中的應用研究進展，包括農作物識別與分類、農作物長勢監測、農作物病蟲害監測、農作物產量估測4個方面，同時對無人機遙感技術在智慧農業應用中面臨的挑戰進行分析與展望，以期為無人機遙感技術在智慧農業中的精準應用提供理論依據。

關鍵詞 無人機遙感技術；智慧農業；應用

中圖分類號 S 127 文獻標識碼 A 文章編號 0517-6611（2024）23-0011-05

doi：10.3969/j.issn.0517-6611.2024.23.003

Research Progress on the Application of UAV Remote Sensing Technology in Smart Agriculture

YANG Xiao-jun

（China Coal Xi’an Design Engineering Co.， Ltd.，Xi’an， Shaanxi 710054 ）

Abstract UAV remote sensing technology can obtain high-quality remote sensing image data in real time， accurately and quickly， so as to provide accurate data support for agricultural decision-making， and has become an important part of smart agricultural production management.This paper introduces the composition of UAV remote sensing system and data acquisition and processing process， and reviews the application research progress of UAV remote sensing technology in smart agriculture at home and abroad in recent years，including four aspects： crop identification and classification， crop growth monitoring， pest monitoring， yield estimation.At the same time， the challenges faced by UAV remote sensing technology in the application of smart agriculture are analyzed and prospected， in order to provide theoretical basis for the accurate application of UAV remote sensing technology in smart agriculture.

Key words UAV remote sensing technology;Smart agriculture;Application

作者簡介 楊曉軍（1970—），男，陜西興平人，高級工程師，碩士，從事測繪工程與檢測監測研究。

收稿日期 2024-08-08

智慧農業是由精準農業逐漸發展而來的，屬于農業生產的高級階段，主要是依托物聯網技術、互聯網技術、計算機網絡技術、遙感技術、地理信息技術等現代信息技術，通過對農業生產過程進行智能化感知、分析、控制和管理，為農業生產提供智能遠程診斷、分析、預測預警［1］。智慧農業是農業與信息技術相融合的新業態，具有明顯的技術優勢和理念優勢，是近年來國家大力推廣的農業發展模式，是現代農村經濟社會健康發展的關鍵推動力［2］。黨的二十大報告指出，要加快農業現代化發展，加快傳統農業向智慧農業和數字農業轉型［3］。近年來，隨著農業規模化、集約化和信息化的快速發展，智慧農業得到了推廣普及，但同時也面臨著眾多癥結和阻點，如采用的統計方法獲取不同尺度的農作物面積和產量的相關數據，準確度和時效性較低［4］；對于農作物長勢的定量化、空間化模擬研究較少，導致農作物種植結構的優化調整缺乏相應的技術支撐［5］；在農作物病蟲害防治方面，部分病蟲害無法及時監測，導致防治困難［6］。

無人機遙感技術是一種新型航空遙感技術，集無人機、傳感器、無線通信、衛星定位等技術于一體，可以實現快速、準確地采集高時空遙感影像數據，并完成對影像數據的處理和分析［7］。目前，衛星遙感技術和地面遙感技術已經廣泛地應用于農業，也有效提升了農情獲取的效率，但是衛星遙感技術在應用過程中容易受到天氣因素的影響，獲取高質量影像的難度較大，且重訪周期較長，而地面遙感技術在應用過程中存在監測范圍小、獲取信息較慢、費時費力等缺點［8］。無人機遙感技術操作方便、覆蓋區域廣，且成本較低，同時受到云層覆蓋、天氣的影響較小，可以獲取高通量、高分辨率的影像，這無疑很好地彌補了衛星遙感和地面遙感技術的缺陷，可以為農事決策提供準確的數據支撐，滿足智慧農業管理過程中對各種農業環境和場景的需求，促進農業生產的高效化和精準化［9］。目前，國內外很多學者已認識到無人機遙感技術在智慧農業中的應用潛力，也開始關注這方面的研究，但是關于無人機遙感技術在智慧農業應用中的綜述研究較少。為此，筆者基于目前常用于智慧農業生產管理的無人機飛行平臺類型、機載傳感器類型、數據獲取和處理流程，綜述了無人機遙感技術在智慧農業中的應用研究進展，包括農作物識別與分類、農作物長勢監測、農作物病蟲害監測、農作物產量估測，對無人機遙感技術在智慧農業應用中面臨的挑戰進行了討論和展望，以期為促進無人機遙感技術在智慧農業中的進一步應用和深入研究提供理論支撐和參考。

1 無人機遙感系統組成

1.1 無人機飛行平臺類型

無人機種類繁多，按照飛行平臺構型可以分為多旋翼無人機、單旋翼無人機、混合翼無人機、固定翼無人機等，根據作業任務的具體內容，選擇不同類型［10］。無人機遙感技術在智慧農業中的具體應用需要綜合考慮作業區域面積與高度、載荷、續航時間、精度等因素來選取適宜的無人機（表1）。其中，多旋翼無人機以其成本較低、起降方便、穩定性高等優勢在智慧農業中的應用較為廣泛。

1.2 機載傳感器類型

無人機飛行平臺載荷有限，因此搭載的傳感器要滿足質量輕、尺寸小、精度高的要求，要根據影像數據類型的具體需求，合理選擇傳感器類型。 目前，無人機飛行平臺搭載的傳感器主要包括數碼相機、高光譜相機、多光譜相機、熱紅外相機、激光雷達等，不同傳感器的類型差異較大、獲取數據的類型各有優劣，要根據研究的具體需要選擇合適的傳感器［11］（表2）。

2 無人機遙感數據獲取和處理流程

2.1 數據獲取流程

無人機遙感技術應用于智慧農業生產中，其對相關影像數據獲取的安全性、規范性和實效性尤為重要，這在很大程度上解決了最終獲取影像數據的質量，也會對數據分析結果產生直接影響。目前，國內外關于無人機遙感技術應用于智慧農業中遙感影像數據獲取的流程大致相同，具體包括制定飛行計劃、申請飛行空域、飛行前準備、正式飛行、飛行結果［12］（圖1）。

2.2 數據處理流程

現階段，無人機遙感技術應用于智慧農業的數據處理流程大致相似，主要包括原始數據預處理、數據特征提取、構造模型、精度分析、遙感產出與應用［13］（圖2）。

3 無人機遙感技術在智慧農業中的應用研究進展

3.1 農作物識別與分類

隨著智慧農業和信息化技術的不斷發展，如何準確且快速地獲取農作物的空間分布特征已成為迫切需要解決的問題，這是由于進行農作物苗情科學評估、對農作物長勢和面積進行分析與測算等農事都要基于農作物空間分布特征，這也對重新規劃農作物種植、制定農業生產管理措施等具有重要意義。傳統的利用人工進行農業數據調查統計工作量大，調查周期長，需要耗費大量的物力和財力。

無人機遙感技術抗干擾性較強，同時具有高效性和實時性，可以為智慧農業生產提供豐富的農作物結構與紋理信息，在農作物識別與計數中發揮重要作用。田振坤等［14］利用無人機平臺搭載冠層測量相機，獲取覆蓋冬小麥和玉米整個生育期的高分辨率影像，在分析波譜特征、NDVI變化閾值的基礎上，提出了一種基于無人機遙感技術的玉米和冬小麥分類方法。楊玉瑩［15］利用無人機遙感RGB影像數據，基于紋理特征、顏色特征、植被指數構建了機器學習模型，并創新提出了種植結構復雜地區的大豆遙感識別方法。Zhao 等［16］先通過田間實際調查，再利用無人機遙感技術獲取了超高分辨率影像，采用回歸分析法實現了油菜出苗株數的準確統計。戴建國等［17］利用無人機遙感系統獲取了可見光影像，構建了紋理和低通濾波特征，利用優選特征訓練分類模型，實現了對棉花、玉米、苜蓿、西葫蘆的分類提取，且各作物的分類精度均超過80%。Lin 等［18］利用無人機視頻流計數平臺，結合改進的目標檢測與跟蹤算法，實現了花生苗與雜草的精準識別分類。李婕等［19］通過提取無人機遙感影像的油菜特征，利用搭建的油菜影像識別網絡模型，有效地提高了對不同品種油菜的識別7a165b5b58bff3e519178ea388256ea2精度。王利民等［20］采用面向對象的分類方法，根據遙感影像的紋理特征，對春玉米、夏玉米、苜蓿、裸土4種地物類型進行分類，實現了對該4種作物識別精度均超過86%的目標。張超等［21］根據無人機遙感影像信息，基于小波包變化法，實現了對玉米、高粱、黃豆、桃樹、棉花、苜蓿、黑豆7種農作物的精細識別分類。

現階段，無人機遙感技術應用于農作物識別與分類主要是通過提取影像的光譜特征、色彩特征、紋理特征等，并利用分類算法或機器學習算法來實現的，可以為農作物種植結構的信息提取提供重要的技術支撐，但是現有研究大部分采用單個分類器，而單個分類器的類型多樣，且各自適用的范圍具有明顯差異，因此在大部分種植結構相對復雜的區域，由于分類方法不具有明顯的針對性，從而導致對農作物的識別分類精度普遍較低［22］。

3.2 農作物長勢監測

利用無人機遙感技術進行農作物長勢動態監測，可以實時掌握農作物的生長狀況、苗情、水肥脅迫、營養水平等，可以提前診斷農作物在生長發育過程中可能出現的問題，為智慧農業田間作業和生產管理提供重要依據，為保證農作物正常生長和獲取更好的經濟效益奠定基礎［23］。農作物生長過程較為復雜，但可以用相關的生長參數、營養元素含量等來表征。祝錦霞等［24］通過無人機遙感平臺獲取水稻第一、第三完全展開葉的遙感圖像，采用面向對象光譜分割技術的遙感信息提取方法，實現了水稻氮素養分的監測和診斷。葉面積指數（LAI）可以在一定程度上反映農作物的生長狀況，是農作物產量評估的重要指標之一。植被指數與葉面積指數、生物量、光合輻射量之間具有密切聯系，常被用于農作物長勢監測［25］。Chosa等［26］利用無人機遙感技術獲取的近紅外影像資料，根據計算出的研究區水稻的歸一化植被指數，對水稻的生長變異性進行了量化，并據此提出了研究區改進措施。Hunt等［27］通過無人機遙感技術獲取的影像，對冬小麥生長情況進行分析，得出葉面積指數與綠色歸一化植被指數間存在較好相關關系的結論。裴浩杰等［28］利用無人機遙感獲取的高光譜影像數據，基于偏最小二乘回歸法建立綜合長勢指標（CGI）反演模型，實現對小麥生育期綜合長勢的高精度監測。

高光譜遙感技術中的窄波段可以有效地獲取更加精細的波譜數據，對農作物葉綠素含量和紅邊特征等信息進行精確監測，從而實現對農作物葉片中氮、磷、鉀等營養元素含量的快速監測，以此反映農作物的生長狀況［29］。魏鵬飛等［30］利用無人機遙感技術獲取夏玉米不同生育期的高光譜影像，采用相關性分析法探究光譜變量與葉片氮含量之間的相關關系，最終實現了對夏玉米在不同生育期葉片氮含量的估測。馮帥等［31］通過無人機高光譜遙感技術獲取了不同生長期粳稻的冠層高光譜數據，利用標準正態變量變換（SNV）和濾波器濾波法（SG），實現了對粳稻冠層葉片氮素含量的精確監測。秦占飛等［32］通過開展不同氮素水平水稻試驗，基于無人機高光譜影像數據，以光譜指數構建水稻葉片全氮含量估測模型，結果顯示高光譜影像反演的水稻葉片全氮含量分布與實際情況完全一致。無人機高光譜遙感技術用于監測農作物長勢，關鍵是要尋找到敏感波段以及相關光譜參數，然后再利用適宜的算法構建反演模型［33-34］。

3.3 農作物病蟲害監測

病蟲害是影響農作物產量和品質的主要因素，盡早對農作物病蟲害的種類和范圍進行監測，有利于控制病蟲害發生和蔓延，為及時進行病蟲害防治奠定基礎，從而可以最大限度地降低農業生產的損失。農作物病蟲害監測的傳統方法主要是田間偵察，雖然效果明顯，但是勞動強度大、耗時長，還容易出現人為錯誤，難以得到病蟲害傳播范圍和嚴重度等準確信息［35］。病蟲害為害農作物后，會導致農作物葉片的色素、冠層結構等性質發生改變，在病蟲害發生早期利用無人機遙感技術實時監測葉片的色素、冠層結構的波段光譜特征等信息數據，可據此辨別農作物是否已經遭受病蟲害的侵害以及侵害程度，為農作物病蟲害防控措施提供準確指導［36］。

利用無人機遙感技術對農作物病蟲害進行監測，包括區分病蟲害類型以及識別病蟲害發病程度，主要方法是通過綜合光譜影像通道間的信息量和相關性，運用相關性分析、小波算法、線性判別分析、聚類分析等算法，提取健康葉片與患病葉片的特征波段，以及光譜位置、植被指數、面積等參數，從而建立農作物病蟲害分類識別模型。沈文穎等［37］利用常規光譜特征參數，采用因子分析法與BP神經網絡相結合的方法對早期小麥葉片白粉病的嚴重度進行模型模擬研究，結果顯示反演模型的精度高、誤差小。李欣庭［38］將無人機遙感高光譜影像的光譜特征與圖像特征進行融合，運用主成分分析法提取出馬鈴薯早疫病和晚疫病的葉片特征波段，并建立SVM和BP神經網絡模型，對馬鈴薯早疫病、晚疫病的分類識別率高達97.5%。羅菊花等［39］利用高光譜無人機影像對冬小麥條銹病的冠層光譜發射率進行測定，篩選出冬小麥條銹病的敏感波段，通過建立多元線性回歸模型，最終成功監測了冬小麥條銹病的發生程度與范圍。王震等［40］通過無人機遙感技術獲取圖像信息，采用Adaboost算法進行白穗訓練識別，最終對白穗識別率高達93.62%。魯軍景等［41］基于無人機遙感影像數據，通過對標準化光譜進行小波變換，篩選出對小麥條銹病、白粉病敏感的光譜波段的特征，采用判別分析法建立小麥條銹病、白粉病的識別分類模型，其總體識別精度超過91%。農作物病蟲害監測除了利用遙感光譜影像的特征外，對于處于大尺度空間范圍內的病蟲害監測還要結合使用圖像特征分析。Backoulou等［42］基于無人機遙感獲取的影像，利用影像色度上存在的差異對圖像進行分割，最后實現了對遭受小麥病蟲害侵害田塊的精準識別。Yao等［43］根據圖像方向一致性特性，基于無人機遙感影像信息，成功提取出小麥條銹病和白粉病的敏感特征，最終成功實現了對小麥白粉病、條銹病的識別。

3.4 農作物產量估測

農作物產量的精準估測在智慧農業生產管理中意義重大。主要包括4個步驟：①利用無人機遙感影像獲取相應農作物的光譜特征；②反演出農作物的生長信息；③根據反演出的生長信息對農作物生長信息與產量的關系進行模型構建；④得出結果，實現對農作物產量的估測［44-45］。

目前，構建農作物產量估測模型需要使用的參數主要有總生物量、植被指數、光譜反射率等。Swain等［46］根據得到的無人機遙感影像，實現了對水稻產量、總生物量的準確預估，同時得出氮素水平差異較大水稻的產量與總生物量也差異更明顯的結論。Zhou等［47］利用多光譜相機拍攝的影像對谷物的產量進行估測，結果發現估測產量的最佳預測指數為植被指數，最佳時期為孕穗期。陶惠林等［48］利用無人機遙感平臺獲取冬小麥在不同生長期的高光譜影像，并提取出光譜參數，構建冬小麥產量估算模型，該模型對冬小麥產量估測的精度較高。Tedesco等［49］結合無人機遙感技術和機器學習算法的優勢，利用植被指數對甘薯的產量和等級進行估測，結果顯示產量預測的最大誤差為3.55 t/hm2。近年來，學者們嘗試將無人機遙感技術與農作物生長模型相結合應用于農作物產量的估測。趙炳宇［50］利用Landsat和HJ-1無人機遙感影像數據，采用并行的同化算法構建了遙感水稻生長模型，實現了快速、準確地獲取水稻生長信息和產量預測。段丁丁［51］將遙感數據和馬鈴薯生長模型結合起來進行產量估算，利用SCE-UA優化算法對遙感數據和馬鈴薯生長模型數據進行同化處理，最終相對誤差僅為6.71%，實現了對馬鈴薯產量的精確估算。

4 無人機遙感技術在智慧農業應用中面臨的挑戰與展望

4.1 無人機遙感設備性能有待優化

傳感器是無人機遙感系統的重要組成設備之一，目前應用于智慧農業的無人機平臺搭載的多為多光譜傳感器，而激光雷達、熱紅外、高光譜傳感器應用的案例較少，這主要是由于這類傳感器的成本高，再加上無人機對承重力有嚴格要求，難以大規模應用于無人機遙感系統中。同時，當前的無人機平臺存在續航時間短、飛行不穩定、受外界干擾影響較大、漏拍重拍等現象，在智慧農業生產中無法實現大范圍應用。對此，需要開發出價格低、通用性強、微型化、質量輕的遙感設備，重點要保障設備的長時性和安全性，進一步優化無人機飛行算法，完善遙感影像數據傳輸模式，從而獲取更高質量的遙感影像，提高無人機遙感技術在智慧農業應用中的實效性。

4.2 無人機遙感影像信息處理復雜

無人機遙感技術獲取的影像信息具有數量多、重疊度差異大、幅寬小等特點，對影像進行匹配、拼接、校正具有相當大的難度，因此，當前急需解決的問題是要實現無人機遙感影像信息自動化預處理［52］。目前，關于無人機遙感技術在智慧農業中的應用研究大多是利用影像的光譜特征，對農作物生長參數進行反演，然后構建生長參數遙感模型，由于目前模型的精確度有待提高，一定程度上限制了無人機遙感技術在智慧農業上的應用［53］。對此，要進一步挖掘遙感影像與農作物各生理參數的關系，提高構建遙感模型的精確度、通用性，這是無人機遙感技術應用于智慧農業面臨的新的挑戰。在后續研究中，要重點提升影像數據的獲取和解析技術，為智慧農業轉型升級提供思路。

4.3 數據集成與融合度不高

智慧農業中農作物具有多種類型，也容易受到眾多因素影響，無人機遙感技術可以在農作物動態監測方面發揮重要作用，但是在獲取高密度的農作物遙感影像數據后，如何有效集成和融合這些數據，并推出一套可實施性較強的精準管理措施顯得尤為重要。無人機遙感技術在智慧農業中的應用涉及眾多學科，包括農學、生態學、計算機科學、光學等眾多學科，需要與衛星遙感數據、地面測量數據、自然環境數據等其他數據源獲取的數據相融合，實現對農作物全生育期全方位的動態監測，這也是今后無人機遙感技術應用于智慧農業的研究方向之一。

5 結語

無人機遙感技術具有使用成本低、靈活性強、分辨率高等優點，可以及時獲取智慧農業生產管理中需要的相關數據信息。隨著無人機遙感技術的發展和農業生產對農作物生長實時、準確數據需求的提升，無人機遙感技術在智慧農業生產管理過程中得到了廣泛應用，相關研究也取得了重大進展，但仍存在諸如無人機遙感設備性能不夠完善、遙感信息數據處理過程復雜、數據集成與融合度不高等問題，今后應進一步開發穩定性強、續航時間長、載荷能力強、圖像質量高的無人機智能化遙感技術，為智慧農業的可持續發展提供高效的技術支撐。

參考文獻

［1］ 施旭，高松，劉帥，等.智慧農業背景下云南煙草農業創新發展建議［J］.安徽農業科學，2023，51（23）：242-244.

［2］ 楊新斌.智慧農業中的計算機信息化應用［J］.中國農業資源與區劃，2023，44（12）：39，46.

［3］ 高素青.智慧農業助力衡水農業現代化發展［J］.河北農業，2023（3）：43-44.

［4］ 吳昌華，嚴志雁，陳桂鵬，等.江西智慧農業發展的困境與對策研究［J］.農業經濟，2022（12）：3-5.

［5］ 張思凡，史藝萌，梁金虎.雄安新區智慧農業的發展現狀和對策研究［J］.現代化農業，2022（11）：70-72.

［6］ 宋雪蓮，張文，王普昶，等.遙感技術在智慧農業中的應用研究［J］.安徽農業科學，2022，50（7）：1-5.

［7］ 閆石，趙義博，雷少剛，等.基于無人機高光譜遙感的草原植物冠層滯塵量估算［J］.河南理工大學學報（自然科學版），2022，41（6）：84-92.

［8］ 楊蜀秦，王鵬飛，王帥，等.基于MHSA+DeepLab v3+的無人機遙感影像小麥倒伏檢測［J］.農業機械學報，2022，53（8）：213-219，239.

［9］ 閆春雨，黎文華，蘭玉彬，等.基于無人機多光譜遙感的棉花脫葉效果監測及處方圖生成研究［J］.南京農業大學學報，2022，45（4）：799-808.

［10］ 馬紅雨，李仙岳，孫亞楠，等.基于無人機遙感的不同控釋肥夏玉米SPAD差異性［J］.排灌機械工程學報，2023，41（12）：1261-1267.

［11］ 朱志成，武永峰，馬浚誠，等.基于無人機載遙感的水分脅迫下冬小麥葉綠素變化及冠層光譜響應［J］.光譜學與光譜分析，2023，43（11）：3524-3534.

［12］ 徐存東，李洪飛，谷豐佑，等.基于無人機遙感影像的鹽堿地信息的精準提取方法［J］.中國農村水利水電，2021（8）：116-122.

［13］ 孫永祺，陳夢媛，黃倩，等.低空無人機遙感在油料作物表型分析中的應用［J］.浙江大學學報（農業與生命科學版），2023，49（4）：472-483.

［14］ 田振坤，傅鶯鶯，劉素紅，等.基于無人機低空遙感的農作物快速分類方法［J］.農業工程學報，2013，29（7）：109-116，295.

［15］ 楊玉瑩.基于多源遙感數據的大豆種植區提取方法研究［D］.合肥：安徽大學，2021.

［16］ ZHAO B Q，ZHANG J，YANG C H，et al.Rapeseed seedling stand counting and seeding performance evaluation at two early growth stages based on unmanned aerial vehicle imagery［J］.Front Plant Sci，2018，9：1-17.

［17］ 戴建國，張國順，郭鵬，等.基于無人機遙感可見光影像的北疆主要農作物分類方法［J］.農業工程學報，2018，34（18）：122-129.

［18］ LIN Y D，CHEN T T，LIU S Y，et al.Quick and accurate monitoring peanut seedlings emergence rate through UAV video and deep learning［J］.Comput Electron Agric， 2022，197：1-11.

［19］ 李婕，李毅，張瑞杰，等.無人機遙感影像在油菜品種識別中的應用［J］.江蘇農業學報，2022，38（3）：675-684.

［20］ 王利民，劉佳，楊玲波，等.基于無人機影像的農情遙感監測應用［J］.農業工程學報，2013，29（18）：136-145.

［21］ 張超，劉佳佳，蘇偉，等.基于小波包變換的農作物分類無人機遙感影像適宜尺度篩選［J］.農業工程學報，2016，32（21）：95-101.

［22］ 李剛勇，陳春波，李均力，等.低空無人機遙感在草原監測評價中的應用進展［J］.生態學報，2023，43（16）：6889-6901.

［23］ 田婷，張青，張海東.無人機遙感在作物監測中的應用研究進展［J］.作物雜志，2020（5）：1-8.

［24］ 祝錦霞，陳祝爐，石媛媛，等.基于無人機和地面數字影像的水稻氮素營養診斷研究［J］.浙江大學學報（農業與生命科學版），2010，36（1）：78-83.

［25］ 楊楠，周萌，陳歡，等.基于無人機RGB影像的小麥葉面積指數與產量估算研究［J］.麥類作物學報，2023，43（7）：920-932.

［26］ CHOSA T，MIYAGAWA K，TAMURA S，et al.Monitoring rice growth over a production region using an unmanned aerial vehicle：Preliminary trial for establishing a regional rice strain［J］.IFAC Proc Vol，2010，43（26）：178-183.

［27］ HUNT E R，HIVELY W D，FUJIKAWA S J，et al.Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring［J］.Remote sensing，2010，2（1）：290-305.

［28］ 裴浩杰，馮海寬，李長春，等.基于綜合指標的冬小麥長勢無人機遙感監測［J］.農業工程學報，2017，33（20）：74-82.

［29］ 許童羽，白駒馳，郭忠輝，等.基于無人機高光譜遙感的水稻氮營養診斷方法［J］.農業機械學報，2023，54（2）：189-197，222.

［30］ 魏鵬飛，徐新剛，李中元，等.基于無人機多光譜影像的夏玉米葉片氮含量遙感估測［J］.農業工程學報，2019，35（8）：126-133，335.

［31］ 馮帥，許童羽，于豐華，等.基于無人機高光譜遙感的東北粳稻冠層葉片氮素含量反演方法研究［J］.光譜學與光譜分析，2019，39（10）：3281-3287.

［32］ 秦占飛，常慶瑞，謝寶妮，等.基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測［J］.農業工程學報，2016，32（23）：77-85.

［33］ 趙小敏，孫小香，王芳東，等.水稻高光譜遙感監測研究綜述［J］.江西農業大學學報，2019，41（1）：1-12.

［34］ 王浩淼，宋苗語，李翔，等.無人機高光譜遙感監測葡萄長勢與缺株定位［J］.園藝學報，2021，48（8）：1626-1634.

［35］ ABDEL-RAHMAN E M，AHMED F B，VAN DEN BERG M.Estimation of sugarcane leaf nitrogen concentration using in situ spectroscopy［J］.Int J Appl Earth Obs Geoinf，2010，12：S52-S57.

［36］ DUAN D D，ZHAO C J，LI Z H，et al.Estimating total leaf nitrogen concentration in winter wheat by canopy hyperspectral data and nitrogen vertical distribution［J］.J Integr Agric，2019，18（7）：1562-1570.

［37］ 沈文穎，李映雪，馮偉，等.基于因子分析-BP神經網絡的小麥葉片白粉病反演模型［J］.農業工程學報，2015，31（22）：183-190.

［38］ 李欣庭.高光譜圖像特征融合實現馬鈴薯早疫病和晚疫病分類識別［D］.昆明：云南師范大學，2020.

［39］ 羅菊花，黃文江，顧曉鶴，等.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（1）：184-187.

［40］ 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.

［41］ 魯軍景，黃文江，張競成，等.基于小波特征的小麥白粉病與條銹病的定量識別［J］.光譜學與光譜分析，2016，36（6）：1854-1858.

［42］ BACKOULOU G F，ELLIOTT N C，GILES K，et al.Spatially discriminating Russian wheat aphid induced plant stress from other wheat stressing factors［J］.Comput Electron Agric，2011，78（2）：123-129.

［43］ YAO Q，GUAN Z X，ZHOU Y F，et al.Application of support vector machine for detecting rice diseases using shape and color texture features［C］//Proceedings of international conference on engineering computation.Hong Kong，China：IEEE Computer Society，2009.

［44］ 向友珍，安嘉琪，趙笑，等.基于無人機多光譜遙感的大豆生長參數和產量估算［J］.農業機械學報，2023，54（8）：230-239.

［45］ 田婷，張青，張海東，等.基于無人機遙感的水稻產量估測［J］.中國稻米，2022，28（1）：67-71，77.

［46］ SWAIN K C，THOMSON S J，JAYASURIYA H P W.Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop［J］.Trans ASABE，2010，53（1）：21-27.

［47］ ZHOU X，ZHENG H B，XU X Q，et al.Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery［J］.ISPRS J Photogramm Remote Sens，2017，130：246-255.

［48］ 陶惠林，馮海寬，楊貴軍，等.基于無人機數碼影像和高光譜數據的冬小麥產量估算對比［J］.農業工程學報，2019，35（23）：111-118.

［49］ TEDESCO D，DE ALMEIDA MOREIRA B R，BARBOSA M R JR，et al.Predicting on multi-target regression for the yield of sweet potato by the market class of its roots upon vegetation indices［J］.Comput Electron Agric，2021，191：1-8.

［50］ 趙炳宇.基于并行算法的遙感與作物生長模型同化的大尺度水稻長勢動態監測［D］.北京：中國地質大學（北京），2019.

［51］ 段丁丁.基于遙感信息和DSSAT-SUBSTOR模型數據同化的區域馬鈴薯產量估算［D］.北京：中國農業科學院，2019.

［52］ 紀景純，趙原，鄒曉娟，等.無人機遙感在農田信息監測中的應用進展［J］.土壤學報，2019，56（4）：773-784.

［53］ 鄭倩，李鵬云，周迪.基于文獻計量學的智慧農業研究現狀及趨勢分析［J］.華中農業大學學報，2023，42（3）：29-38.