综述：基于无人机的遥感技术对不同作物地上生物量的估算：综述

《International Journal of Applied Earth Observation and Geoinformation》：UAV-based remote sensing estimation of above-ground biomass in different crops: A review

作物冠层生物量（AGB）估算的无人机遥感技术综述。涵盖无人机平台分类、传感器类型（多光谱、LiDAR、热红外）、特征提取方法（光谱、图像、点云及融合特征）及统计、机器学习和深度学习方法。分析了不同传感器的优缺点及挑战，提出未来发展方向，为精准农业提供理论支持。

　　在现代农业中，农作物地上生物量（AGB）是衡量作物生长状况和预测产量的重要指标。随着科技的发展，利用无人机遥感技术进行AGB的非破坏性、快速和准确的估算，成为农业研究的重要方向。无人机遥感技术因其高灵活性、低成本和高效的数据采集与处理能力，正逐步成为农作物生物量估算的关键工具。本文系统地综述了基于无人机的AGB估算方法，涵盖了无人机监测机制、平台类型、传感器、特征提取、估算方法及未来发展方向。此外，还对不同传感器、特征和估算方法的功能和局限性进行了主观评估，并探讨了其在农业领域的应用前景。

从农业管理的角度来看，AGB的准确估算对于优化田间管理、提高施肥效率和促进精准农业的发展至关重要。传统的破坏性采样方法虽然能够提供精确的AGB数据，但成本高、耗时长且不适用于大规模监测。相比之下，无人机遥感技术能够以较低的成本和较高的时空分辨率对大面积农田进行实时监测，为AGB的估算提供了更加灵活和高效的解决方案。在特定的作物生长阶段，卫星遥感技术虽然在大范围的AGB制图方面具有优势，但其受云层干扰和重复观测周期的限制，无法实时捕捉作物的动态变化，这导致了对关键生长阶段的监测不足。而无人机由于其机动性和灵活性，能够更好地适应复杂地形和局部区域的监测需求，为精准农业提供了更全面的数据支持。

无人机平台的多样性为AGB估算提供了不同的选择。固定翼无人机因其较大的载重能力和较长的飞行时间，适合用于大规模农田数据的采集；而旋翼无人机因其能够悬停、灵活调整飞行角度，适合用于小规模农田的作物生长监测。此外，无人气体直升机虽然在飞行效率上具有优势，但其成本较高，限制了其在农业中的广泛应用。因此，旋翼无人机在目前的AGB估算中成为主要的工具之一。然而，不同类型的无人机平台在实际应用中也存在一定的局限性，如固定翼无人机的机动性较差，旋翼无人机的续航能力有限等。

在传感器方面，无人机通常搭载多种类型的传感器，如光谱相机、热红外传感器和激光雷达（LiDAR）。光谱传感器可以提供丰富的光谱信息，包括可见光、多光谱和高光谱数据。这些传感器能够捕捉作物冠层的反射特性，从而为AGB的估算提供重要的输入参数。然而，光谱传感器在处理复杂冠层结构时可能会受到土壤背景的影响，且在高覆盖度下容易出现光谱饱和现象，影响估算的准确性。热红外传感器能够监测作物冠层的温度变化，间接反映作物的水分状况和生理活动。虽然热红外传感器能够提供有价值的信息，但其数据获取受到环境条件的限制，且单独使用时可能无法全面反映作物的生长状态。LiDAR传感器能够穿透冠层，获取作物的三维结构信息，如冠层高度、冠层体积等。其优势在于能够提供精确的结构数据，但同时也存在数据处理复杂、成本较高等问题。不同传感器在AGB估算中的应用效果存在差异，因此需要根据具体需求选择合适的传感器组合。

在AGB估算的特征提取方面，研究人员主要关注光谱特征、图像和点云特征以及融合特征。光谱特征通过分析作物冠层的反射特性，能够反映作物的生理状态和生长情况。例如，多光谱数据中的红边波段和近红外波段能够捕捉与作物生长相关的光谱信息，如叶绿素含量和冠层活力。图像和点云特征则能够提供作物冠层的结构信息，如冠层高度、冠层覆盖率和冠层体积。这些特征能够反映作物的生长动态和空间分布情况，为AGB的估算提供更全面的信息。融合特征则是将不同传感器的数据进行整合，以提高估算的准确性。例如，将光谱数据与冠层温度、气象数据和作物生长阶段等信息进行融合，可以更全面地反映作物的生长状态和AGB的变化。

在估算方法上，研究人员采用了多种技术，包括统计方法、基于辐射传输模型的方法、基于深度学习和迁移学习的方法，以及作物生长模型。统计方法，如线性回归、非线性回归和部分最小二乘法，能够提供快速的估算结果，但其对数据的依赖性较强，且难以处理复杂的非线性关系。基于辐射传输模型的方法通过模拟作物冠层的光谱反射特性，能够提供更精确的估算，但其计算过程较为复杂，且需要大量的输入参数。深度学习和迁移学习方法能够自动提取特征，处理非线性关系，但需要大量的训练数据，且模型的复杂性较高。作物生长模型则通过模拟作物的生长过程和生物量积累，能够提供时间序列上的估算结果，但其对输入数据的要求较高，且在大规模应用中存在一定的局限性。

在实际应用中，无人机遥感技术的AGB估算面临诸多挑战。首先，数据采集和处理的质量直接影响估算的准确性。例如，光谱数据的校准、大气条件的影响以及观测角度的差异都可能对数据质量产生影响。其次，不同作物的生长特性存在差异，导致估算方法的适用性受到限制。例如，高光谱数据在估算某些作物的AGB时表现出较高的准确性，但在其他作物中可能效果不佳。此外，不同生长阶段的作物具有不同的生理和结构特征，这也对估算方法提出了更高的要求。最后，数据融合和模型优化仍然是提高AGB估算精度的重要方向。

为了提高AGB估算的准确性和实用性，未来的研究应着重于以下几个方面：首先，开发更加高效的数据融合技术，将多种传感器的数据进行整合，以提高估算的全面性和准确性。其次，优化模型结构，提高其在不同作物和环境条件下的适用性。此外，结合先进的算法，如深度学习和迁移学习，能够提高模型的泛化能力和估算效率。最后，提高数据采集和处理的自动化水平，减少人工干预，提高估算的实时性和可操作性。

综上所述，无人机遥感技术在农作物地上生物量估算中展现出巨大的潜力。通过合理选择传感器、优化特征提取方法和改进估算模型，可以提高AGB估算的准确性和适用性。未来的研究应进一步探索多源数据融合和模型优化，以适应不同作物和生长环境的需求，从而为精准农业的发展提供更加全面的技术支持。