无人机（unmanned aerial vehicle，UAV）是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器，国外也称作“drone”。无人机的发展经历了多个应用阶段，主要分为作战无人机、植保无人机、遥感无人机（图1）。最早要追溯到20世纪初，1903年西班牙工程师Leonardo Victor设计了一款无线电飞行控制系统，用于飞艇测试。随后，无人机在战争中逐渐应用起来，并趋于成熟。直到20世纪90年代，一家日本公司发明了植保无人机，无人机才开始在农业中应用。直到21世纪初，无人机遥感技术才开始应用于农业监测。自2012年，以大疆Phantom系列无人机为代表的消费级无人机产品进入人们的视野，无人机迅猛发展起来。目前无人机遥感技术在农业生产上已经广泛应用，如作物长势监测、病虫害监测、产量品质预测、表型监测等。

图1 无人机发展时间轴

近年来，无人机平台发展迅速，种类多样，囊括了滑翔机、汽艇、直升机、固定翼飞机和旋翼飞机等，用户可根据自己的需求选择合适的机型。

表1 不同无人机平台的特点

汽艇可水平悬停、垂直升降，拥有较大的载荷，但体积较大、移动速度慢，在有风的情况下稳定性相对较差，较难获取到理想的数据。直升机能够垂直升降、悬停，且载荷较大，但操作复杂，维修护理费高昂，震动较大。多旋翼无人机可以原地起飞和降落，可自由悬停，但载荷有限。固定翼无人机飞行速度快、续航时间长，但无法悬停，因此拍到的影像易模糊，需要使用高快门速度的摄影装备。目前多旋翼和固定翼无人机的应用最为广泛（图2）。

图2 用于作物估产的无人机

由于无人机遥感平台载荷有限，因此无人机传感器需满足高精度、轻质量和小尺寸的要求，常用于作物估产的无人机传感器有数码相机、近红外相机、多光谱相机、高光谱相机、热红外相机、激光雷达等（表2），而荧光传感器、合成孔径雷达（synthetic aperture radar，SAR）传感器未在无人机遥感估产研究中应用。不同传感器存在一定的性能差异，获取的数据形式也差异较大，各有优缺点，用户需根据需求选择合适的传感器。

表2 无人机遥感估产常用传感器

2.1 数码相机

数码相机主要获取可见光区域的3个波段（红、绿、蓝），且这类相机具有价格低、操作简单等优势（表3）。由于数码相机可以获取高时空分辨率的影像，因此广泛应用于农作物估产。目前，最常用的数码相机是大疆无人机自带的RGB镜头，及佳能系列、索尼系列相机等，最受欢迎的是大疆RGB镜头，近百篇论文中有约70%的研究使用该款相机（图3）。

表3 常用于作物无人机遥感估产的 RGB 相机

图3 用于作物估产的 RGB 相机类型占比

Zhou等利用多旋翼无人机获取多时相RGB影像，系统分析了不同颜色指数在水稻产量估测上的表现，最终提出利用累积颜色指数估测水稻产量的最优方案。杨楠等基于无人机RGB高时空分辨率影像提取的光谱与纹理特征以及时期特征，构建了可靠的小麦产量估测模型。Paul等融合了无人机RGB影像提取的颜色植被指数、株高和覆盖度信息进行大麦育种材料的产量估测。然而，由于RGB相机只能提供可见光3个波段的光谱信息，限制了RGB影像在作物估产上的精度。因此，有学者将RGB相机中的一个通道替换成近红外波段进行作物估产，有效提高了产量估测精度。鉴于数码影像的高空间分辨率，数码影像常用来直接识别产量相关性状，如穗子，进而达到估产的目的。同时，基于运动恢复模型（Structure from Motion）重构作物表面模型，提取株高、茎蘖数等性状，从而间接估产。另外，数码影像处理的门槛较低，通常商业化软件（如Photoscan、Pix4D等）就能完成数码影像处理，初学者可以较快掌握。由此可见，数码相机除了高性价比的优势外，还可以获取丰富的数据源以及便捷的数据处理流程，因此未来在估产应用上仍具有广阔的前景。

2.2 多光谱相机

多光谱相机可以获取3-12个波段的影像，包含红、绿、蓝、红边和近红外波段，因其波段选择多、价格适中而被广泛应用（表4）。市场上可供选择的机载多光谱相机也很多，最受欢迎的是RedEdge系列多光谱相机（包含RedEdge、RedEdge-M、RedEdge-MX等），近百篇论文中有约60%的研究使用该款相机（图4）。多光谱影像可用来计算多种植被指数，如可见光、红边、近红外植被指数，为作物估产提供了丰富的光谱信息。人们通常利用植被指数和产量的相关性分析进行植被指数筛选，从而确定适宜估产的植被指数。Zhou等对比了无人机多光谱影像计算的多个植被指数在水稻产量估测上的表现，确定了NDVI（800, 720）为产量估测的最佳植被指数。Zheng等对比分析了无人机多光谱影像计算的植被指数和纹理指数在水稻孕穗期和灌浆期的估产效果，发现纹理指数的估产精度要优于植被指数。Paul等利用多时相无人机多光谱影像提取的多个植被指数，结合机器学习算法构建了较为稳定的大麦产量估测模型。Kumar等利用无人机多光谱影像计算的植被指数与最先进的机器学习模型相结合，在训练样本数量有限的情况下，成功实现了玉米产量的估测。

表4 常用于作物无人机遥感估产的多光谱相机

图4 用于作物估产的多光谱相机类型占比

目前，作物估产最常用的多光谱相机是美国Micasense公司生产的RedEdge相机，国产大疆系列多光谱相机也逐渐占领市场。不同的多光谱相机在配置和参数上有较大的差异，用户可根据需求选择合适的多光谱相机。然而，由于多光谱影像的波段有限、光谱分辨率较低，而且影像也需要进行严格的辐射校正，严重限制了其在作物估产研究中的应用，尤其是在胁迫条件下的产量预测。

2.3 高光谱相机

高光谱相机可以用来获取大量连续窄波段的影像，波段范围一般在400–1300 nm（表5）。人们通常利用高光谱影像提取的反射率进行产量敏感植被指数筛选或者构建新的估产指数。Feng等利用无人机高光谱数据获得的冠层反射率计算出不同的植被指数和红边参数，然后利用偏最小二乘回归（PLSR）和人工神经网络（ANN）方法成功估算冬小麦的产量。Fan等利用多时相高光谱图像，对全波段反射率使用岭回归实现了玉米育种系产量高精度估测。Wang等结合无人机高光谱影像的光谱和纹理信息构建了高精度水稻估产模型。虽然高光谱影像可以获取较高的估产精度，但由于传感器价格昂贵、数据获取效率低、影像处理复杂等问题，导致高光谱相机难以大范围推广，且市面上可供选择的型号较为有限。

表5 常用于作物无人机遥感估产的高光谱相机

2.4 热红外相机

热红外相机可以用来获取作物冠层的温度信息，而作物冠层温度受生育期、胁迫、病害等因素影响，这些因素又进一步影响作物最终产量，因此热红外相机也是估产的常用传感器之一（表6）。

表6 常用于作物无人机遥感估产的热红外相机

Shen等以多生育期的植被指数VIs和冠层水分胁迫指数CWSI为估测因子来估测小麦产量，R²达到0.78。此外，热红外影像也可作为多光谱影像的补充数据源，利用数据融合算法进一步提高作物估产精度。热红外相机在获取影像时易受环境影响，需在天气晴朗、无风或者微风的条件下进行，且冠层温度随着影像获取时间变化差异较大，因此需结合研究目标选择最佳的测试时间。

2.5 其他传感器

激光雷达（light detection and ranging，LiDAR）是以发射激光束探测目标位置、速度等特征量的雷达系统，具有抗干扰能力强、穿透性好等优势，可以快速获取高精度的水平和垂直作物冠层结构参数，但由于价格较高，数据处理量较大，目前在作物估产研究中鲜有应用，仅少数地基雷达用于估产研究。叶绿素荧光仪可以间接探测作物光合状态，广泛应用于研究胁迫对作物光合作用的影响，但由于叶绿素荧光传感器多针对单一植株进行测定，且设备大而沉重，因此机载叶绿素荧光仪尚处于研发状态。

综上所述，无人机以其操作简便、轻巧灵活、数据时空分辨率高等优势，通过搭载多传感器成为作物估产的重要手段。然而，由于各传感器获取的数据有限，要使无人机遥感平台更好应用于作物估产研究中，需多传感器协同使用，通过数据融合的方式实现作物高精度估产。

作者信息

免责声明：文章所引图文来自农业科技侠数字与智慧农业，仅供学习参考，若涉及侵犯版权请告知，我们将及时删除。