無人機高光譜影像在農業長勢監測中的應用

中圖分類號：S25 文獻標志碼：A 文章編號：2096-9902（2025）14-0037-04

Abstract：ThisstudyisbasedonUAVhyperspectralimagingtechnologyandexploresitsapplicationinagriculturalgrowth monitoring.Amodelofcropgrowthwasconstructedandhyperspectralimagedatawasusedtoconductin-depthanalysisofchanges inkeyidicatossuchsopalthindex（H，hrophylloncentration（Ch）soilmoisture（S）ndoheight（Hilation resultsshowedthatthecrophealthindex（H）increasedfromOOtoO.86，thechlorophyllcontent（Cl） increasedfromO.45to0.52 andsoilmoisture（SM）andcropheight（H）alsoshowedstableincreasingtrendsrespectively.Thesechangesreflectthecontiuous improvementofcropgrowthconditions，indicatingthattheoptimizationofenvironmentalconditionsplaysanimportantrolein promotingcropgrowthinagriculturalproduction.Thenumericalsimulationandon-sitemonitoringdatawerecomparedtofurther prove the efectiveness and accuracy of UAV hyperspectral imaging technology in monitoring agricultural growth.

Keywords： UAV; UAV image; hyperspectral image; agricultural growth monitoring;precision agriculture

隨著現代農業對精確監控與管理要求的日益提高，傳統農業監測手段已經不能適應高效、實時的要求了。無人機高光譜影像技術是近年來興起的遙感技術之一，由于其具有高空間分辨率、多光譜信息采集等特點，使其在農業長勢監測等方面顯示出了極大的潛力。該技術利用攜帶高光譜傳感器的無人機在更短的時間內獲取大面積農田高精度影像數據，同時利用不同波段反射率信息為作物生長、土壤濕度和葉綠素含量等重要指標提供詳實的信息。這些信息幫助農業管理者對作物生長狀態進行實時監控，預先發現存在的病蟲害風險或者水分不足，以便更準確地進行管理決策。研究目的在于探索利用無人機高光譜影像監測農業長勢的方法，并分析其中存在的優勢和挑戰，尤其是如何利用數值模擬和現場數據對這些問題進行有效驗證，進一步驗證了其應用于農業精準管理的可行性與有效性。

1無人機高光譜影像技術概況

1.1 無人機技術條件

無人機技術被廣泛運用于農業長勢監測，這主要是因為其具有高度靈活性與可操作性。無人機飛行控制系統可實現平穩定點飛行并保證影像準確獲取。當代的農業無人機往往搭載了高度精確的導航系統，這包括全球定位系統（GPS）和慣性測量單元（IMU），確保它們在復雜的農業場景中能夠獨立飛行。無人機飛行高度、速度及航向都按需調節，從而在各種環境情況下完成多樣化監測任務。為提升數據采集效率與覆蓋范圍，普通農業無人機也具有長續航能力與大載重能力等特點，可攜帶各種傳感器與裝備，光學相機和激光雷達（LiDAR）滿足高光譜影像的各種需求[1]。

1.2高光譜影像技術條件

高光譜影像技術是一種準確地捕獲對象光譜特征的技術，它從許多窄光譜波段中獲得影像信息。這些性狀能反映植物生長狀態、健康狀況及土壤、水分等環境因素。相比傳統的可見光或多光譜影像，高光譜影像的優勢在于其能夠在300多個波段進行細致的光譜信息采集，提供更為豐富的數據支持。高光譜影像技術為農業生長監測提供了一個高效的手段，準確地獲取作物的生物物理數據，葉綠素、水分和氮的含量，這為農田的管理工作提供了有力的數據支持。在傳感器技術不斷進步的背景下，原有高光譜相機及影像采集設備在提高空間分辨率的同時，還顯著改善了數據處理精度，從而為農業精準監測打下技術基礎。

2主要影響及關鍵措施

2.1 主要影響

使用無人機高光譜影像監測農業長勢，面臨著很多的挑戰與限制。天氣、環境條件顯著影響影像數據的質量。大風、雨雪或者陽光過強等極端天氣都會對無人機飛行穩定性造成影響，進而造成影像模糊或者畸變，影響監測結果精度。作物生長特征、地形地貌及土壤類型多樣等因素也使資料更加復雜，造成分析過程更加困難。不同區域農田環境差異，使影像數據處理與解譯較為煩瑣。在對高光譜影像數據進行分析與處理過程中，需要有較強的技術支持，特別是數據量大的情況下，其存儲、傳輸與處理速度就成了制約其實時性與處理效率的瓶頸問題。因此在實踐中如何提高數據處理效率、攻克環境與技術難點仍然是將無人機高光譜影像廣泛用于農業長勢監測的重點問題。這些制約因素都有待于技術創新，多源數據融合等手段加以解決]。

2.2 關鍵措施

為了提升無人機高光譜影像對農業長勢監測的作用，要采取系列重點措施。本實用新型提高了無人機飛行系統運行穩定性，保證了不同天氣情況下運行安全性及數據采集質量。同時對高光譜傳感器進行了性能優化，加強了傳感器適應環境變化能力，提升了數據準確性與穩定性。利用先進數據處理算法并結合多源數據融合技術增強了圖像的分析效果和解譯精度。加大農田環境綜合監測力度，采用地面實測和遙感數據相結合的方法，促進模型準確可靠運行。這些舉措將對無人機高光譜影像廣泛應用于農業長勢監測提供技術保證。

3無人機高光譜影像應用模擬分析確定

3.1 仿真模型

為高效地使用無人機高光譜影像模擬農業長勢監測，該研究使用基于作物生長模型分析方法。該模型將遙感數據與關鍵作物生長參數（例如葉綠素含量、土壤濕度、作物高度及NDVI值等）相結合，通過線性回歸模型對作物健康指數進行預測。該模型通過對農作物生長過程中生物物理參數與影像數據間關系進行擬合獲得農作物健康狀況動態變化規律。輸入參數為作物種類、土壤類型、氣候條件和利用無人機高光譜影像采集的詳細資料。該模型輸出是對作物長勢進行監測，能正確地反映其生長狀態。該仿真方法既能為大面積農田實時監測提供有效數據支持，又能為農業決策提供準確依據，有利于農戶及農業管理者進行作物優化管理，提高農業生產效率。這一模式的運用可以促進精準農業發展，促使農業生產朝著智能化、可持續化的方向邁進。

3.2數值模擬參數

在模型的仿真過程中選用了以下數值模擬參數。

1）作物葉綠素含量（Chl）： Chl=0.1×NDVI+0.2 0

2）土壤濕度（SM） ：SM=0.5×NDWI-0.1， 0

3）作物高度（H）： _;H=0.8×EVI+1.5 0

4）作物健康指數 （HI）：HI=0.3×Chl+0.4×SM+0.3×H°

3.3 技術階段劃分

數值模擬分析中，把技術過程分成3個階段。在數據采集和預處理階段，利用無人機獲取高光譜影像數據，利用圖像處理軟件完成噪聲去除、幾何校正和光譜融合預處理工作。在模型建立和仿真階段，以處理過的影像數據和作物生長模型為基礎，采用算法對生長指數和遙感數據建立定量關系并模擬分析。在結果驗證和優化階段，利用實際農田數據驗證了仿真結果，并依據對比結果對模型參數進行了調整，從而提高了預測精度與可靠性。通過上述3個階段技術流程保證了該模式的高效性與適用性3]。

3.4 數值模擬分析

為了驗證無人機高光譜影像對農業長勢監測的效果，該研究對所選農業區域開展實地監測工作，采集不同時點相關資料。這批數據涵蓋了作物健康指數（HI）、作物葉綠素含量（ChI）土壤濕度（SM）及作物高度（H）這4個核心指標，目的是全方位地展示作物的生長狀態及環境變量對其生長過程的影響。更明確地說，作物健康指數（HI）揭示了作物的總體健康狀況，而作物葉綠素含量（Chl）與作物的光合效率有著緊密的聯系，土壤濕度（SM）會對水分供給產生影響，而作物高度（H）則是決定作物生長的關鍵物理指標。通過對上述數據進行監測和分析（表1和圖1），本研究可以有效地驗證無人機高光譜影像技術應用于農業長勢實時監測數據的可靠性和精確性。現場數據也為后續遙感數據處理算法的優化及農田管理決策的制定提供現實依據。這些實地監測結果，為無人機高光譜影像技術在現實中的應用，提供了有力的依據支撐。

表1不同區域農業長勢監測數據

圖1不同區域農業長勢監測數據變化趨勢

4關鍵技術

4.1無人機影像采集技術

無人機影像采集技術是農業長勢監測的一項核心技術。該項技術通過高分辨率遙感傳感器可準確獲取農田高光譜影像數據?，F代農業無人機一般都裝備有高精度導航與控制系統以保證飛行穩定性與精準定位。影像采集時飛行高度與傳感器設置非常關鍵，一般選用較小的飛行高度來提高圖像空間分辨率并保證細節清晰。無人機也可根據農田實際需要對飛行路線和速度進行靈活調節，從而使數據采集覆蓋更廣。與實時飛行控制技術相結合，無人機影像采集可為農業監測和控制提供及時而全面的資料支撐4。

4.2 高光譜數據處理技術

高光譜數據處理技術對農業長勢監測具有重要作用。高光譜影像為我們提供了大量的波段信息，這有助于深入了解植物的生物物理特性，例如葉綠素的含量、水分的含量和土壤的濕度等核心參數。數據處理技術核心環節有輻射校正、幾何校正、噪聲去除和光譜特征提取等。輻射校正可以有效地去除光照變化和傳感器噪聲的影響，保證影像數據精度；幾何校正的方法是通過調整圖像的幾何定位，確保其與地面的實際狀況相匹配，進而增強空間的分辨能力和定位的準確性；光譜特征提取技術利用高光譜數據提取作物關鍵健康指數、土壤濕度及葉綠素含量，從而為農業長勢后續分析提供可靠的基礎數據。綜合運用這些數據處理技術，在提高監測數據質量的同時還能為精準農業的發展提供更準確的決策支撐，促進農業管理智能化和精細化發展。

4.3農業長勢監測技術

農業長勢監測技術以高光譜影像數據為基礎，能夠實時準確地評價作物生長狀態。常用的監測方法包括基于植被指數（如NDVI、EVI）和生物物理特征分析的技術。NDVI（歸一化植被指數）能夠揭示作物的綠色狀況，并間接表示植物的健康水平。將遙感技術和生物物理模型相結合可實現對作物氮含量、水分含量和葉綠素含量的精確估計。農業長勢監測技術又包含了數據融合和多時相分析等技術，通過對比不同時相影像數據來實時跟蹤作物生長變化情況，從而為農田管理工作提供決策支持。這些技術的運用不僅提升了監測精度，更為精準農業提供數據基礎[5-]。

5控制措施實施效果

5.1現場監測數據

為驗證無人機高光譜影像用于農業長勢監測的有效性，本研究對所選地區進行現場監測并收集不同時點相關資料。以下是一組實地監測的數據集，包括作物健康指數（HI）作物葉綠素含量（ChI）、土壤濕度（SM）及作物高度（H）這4項關鍵指標。

根據現場監測數據（表2）可知，區域1在不同時間節點下，作物健康指數（HI）、作物葉綠素含量（Chl）、土壤濕度（SM）和作物高度（H）4項指標都表現出顯著增加趨勢。從2023年6月1日至7月15日，作物健康指數（HI）從0.80上升至0.86，作物葉綠素含量（Chl）從0.45增長至0.52，土壤濕度（SM）從0.34增加到0.40，而作物高度（H）從0.72上升到0.80。這種趨勢變化顯示，在這段時間里，作物的生長情況得到了持續的優化，其健康狀況也逐步上升。作物葉綠素含量提高體現了作物光合作用加強，而土壤濕度變化表明適宜水分條件支撐了作物生長，并與上述數據進行比對，對無人機高光譜影像技術應用于農業長勢監測的效果進行驗證，表明該技術為精準農業的發展提供可靠數據支撐。

表2區域1農業長勢監測現場數據

5.2 實施效果評價

依據5.1節所給出的實地監測資料，觀察到隨著時間的流逝，作物健康指數（HI）、作物葉綠素含量（Chl）、土壤濕度（SM）及作物高度（H）都呈現出明顯的上升趨勢。2023年6月初，區域1的HI值從0.80上升到7月中旬的0.86，這意味著農作物的健康狀況得到了一定的提升；作物葉綠素含量（Chl）亦由0.45上升到0.52，體現作物光合作用活躍度提高；土壤濕度（SM）及作物高度（H）亦呈平穩增加之勢，驗證環境條件對作物生長的正向關系。從這些變化中可看出，無人機高光譜影像數據具有準確性和時效性，有效地支撐農業長勢監測工作，并為農業管理決策的制定提供科學依據[7-8]。

6 結論

本研究將無人機高光譜影像和農業長勢監測技術相結合，提出一種利用高光譜數據對作物生長狀態進行評價。在收集分析不同地區農業長勢相關數據的基礎上，建立了以作物葉綠素含量、土壤濕度、作物高度及作物健康指數為監測目標的農業長勢監測模型。無人機高光譜影像技術能準確地反映作物生長過程中關鍵參數的變化情況，為農業生產管理實時提供數據支撐。通過對現場監測數據的深入分析，發現隨著時間的流逝，作物健康指數（HI）、作物葉綠素含量（ChI）、土壤濕度（SM）及作物高度（H）都呈現出穩定的增長趨勢，表明農業生態環境條件的改善和作物的生長是互相促進的。通過對數據處理及分析算法的進一步優化，使遙感數據更加準確可靠，使農業長勢監測精度得到有效增強。這些研究結果為精準農業推廣應用提供了強有力的技術支持和科學的農業決策。

參考文獻：

[1]李浩.無人機遙感技術在農業氣象監測中的應用[J].農業工程技術，2023，43（35）：47-48.

[2]周伊伊.基于無人機遙感技術的設施農業用地監測研究[J].現代化農業，2023（2）：47-50.

[3]胡彬彬.無人機載多源遙感技術在小麥生長參數監測中的應用[J].電子技術，2022，51（11）：274-275.

[4]杜芳芳，何曉平，陳曉明，等.無人機技術在農業監測中的應用及優劣勢[J].現代農業科技，2020（13）：172-174.

[5]孫月，侯效春，李輕言.無人機與多傳感器的精準農業系統研究[J]單片機與嵌入式系統應用，2020，20（6）：53-55.

[6]黃勇.基于多源遙感數據的關中地區冬小麥長勢監測[D].楊凌：西北農林科技大學，2022.

[7]韓少宇.基于多平臺遙感數據的冬小麥長勢監測和產量預測[D].鄭州：河南農業大學，2023.

[8]齊允正.基于無人機多光譜遙感的冬小麥長勢監測及產量估測[D].泰安：山東農業大學，2023.