基于无人机（UAV）的作物高度估算高级工作流程，采用运动结构（Structure from Motion, SfM）点云技术

《Remote Sensing Applications: Society and Environment》：Advanced workflows for UAV-based crop height estimation using structure from motion (SfM) point clouds

作物高度估算基于无人机点云数据的三种DTM生成方法比较，提出通过低通滤波和2.5D回归拟合新方法UAV-P，在玉米田试验中其R2达0.89，优于传统UAV-B（0.66）和Sentinel-1A（0.69）方法，无需提前季节飞行且减少垂直对齐误差。

　　
该研究聚焦于利用无人机技术通过点云数据生成数字地形模型（DTM），以解决传统方法在作物生长季中难以准确获取裸土地形的问题。通过对比三种DTM生成方法（基于裸土的无人机数据、Sentinel-1A卫星数据以及改进的无人机低通滤波结合2.5D平面拟合方法），研究验证了创新方法的显著优势，为精准农业中的作物高度监测提供了新思路。

**研究背景与核心问题**
作物高度作为重要的农学参数，直接影响生物量积累和产量形成。传统人工测量耗时费力，而遥感技术中植被指数法在作物高度超过一定阈值时失效，LiDAR设备成本高昂。无人机技术虽能通过SfM点云生成数字表面模型（DSM），但生成DTM时面临两大挑战：一是依赖裸土时期的无人机数据，存在时空不一致性；二是现有方法难以穿透密集植被覆盖层准确提取土壤表面。

**创新方法与实施路径**
研究提出UAV-P方法，通过三步流程实现单次无人机航拍的DTM生成：
1. **低通滤波预处理**：在25×25像素窗口内筛选出最低1%的 elevations（高度值），该阈值通过实验确定既能滤除植被点云，又保留必要的地形特征。
2. **2.5D平面回归拟合**：采用二次多项式回归（包含x2、y2及xy交叉项）建立三维空间中的平面模型，该模型通过CloudCompare软件实现参数优化，重点消除局部地形扰动。
3. **误差修正机制**：通过计算垂直导数（FVD）量化地形平滑度，发现传统方法中0.1-0.25m/m的异常梯度主要源于土壤残茬、轮胎压痕等高频噪声，而UAV-P方法通过滤波和回归双重处理，使FVD稳定在0.025m/m以下。

**实验设计与验证体系**
研究在得克萨斯州两个不同耕作管理（常规 tillage和免耕 no-tillage）的玉米田开展对比试验：
- **数据采集**：采用多光谱无人机传感器（RedEdge）以30m高度、80%重叠率飞行，单次航拍生成DSM；同步进行地面实测（84个采样点，每点3次重复测量）。
- **方法对比**：
- **UAV-B**：使用播种期裸土航拍数据生成DTM，但存在两季数据垂直对齐问题（实测误差达24cm）
- **Sentinel-CH**：利用冬眠期Sentinel-1A雷达数据生成DTM，需通过地面控制点（GCPs）进行垂直校正（校正后仍存在12-22cm偏差）
- **UAV-P**：单次生长期航拍数据经低通滤波后拟合平面模型，实现与实测数据的R2=0.89高相关系数
- **关键验证指标**：
- **决定系数（R2）**：UAV-P达0.89，显著优于UAV-B（0.66）和Sentinel-CH（0.69）
- **均方根误差（RMSE）**：UAV-P为19.3cm，较传统方法降低20-35%
- **回归斜率与截距**：UAV-P斜率最接近1（1.01），截距为-6.14cm，表明无系统性偏差

**技术突破与农业应用价值**
1. **时空一致性优化**：传统方法需多时相数据对齐，而UAV-P通过单次航拍同时获取DSM和DTM，解决了不同季节航拍数据垂直位移问题。例如在Field 2中，UAV-B方法因飞行参数差异导致DTM与DSM存在11.8cm系统偏差，而UAV-P通过数据同源处理将偏差控制在3cm以内。
2. **复杂地形适应性**：针对 Houston Black clay土壤的典型特征（高粘性、易形成土壤 lump），UAV-P通过局部低通滤波（25×25像素窗口）有效提取土壤基面，配合二次曲面拟合，可同时保留宏观坡度（UAV-B中11.24m的绝对高差范围）和微观平整度（FVD值≤0.025m/m）。
3. **多场景普适性**：方法在两种不同耕作制度（Field 1常规耕作/Field 2免耕）和土壤类型（黏土）中均表现稳定，R2值波动幅度仅±0.05，表明其不受特定耕作模式或土壤性质的制约。

**方法局限性与发展方向**
1. **窗口尺寸依赖人工经验**：当前25×25像素窗口基于实验田实际尺寸（280m×65m）和分辨率（2.08cm/pixel）调整，未来需建立窗口尺寸与无人机飞行参数、作物密度、土壤粗糙度的数学关联模型。
2. **高植被覆盖场景限制**：当叶面积指数（LAI）>4时，可能影响低通滤波对土壤点的筛选精度，需结合冠层结构特征（如枝叶间隙率）优化算法。
3. **跨作物验证不足**：研究仅针对玉米作物，需扩展验证至大豆（Soybean）、水稻（Rice）等不同冠层结构的作物。

**农业实践指导意义**
研究证实UAV-P方法在以下场景具有显著优势：
- **精准播种监测**：通过单次航拍即可生成基准DTM，无需等待播种期裸土数据，特别适用于早熟作物（如玉米）的生育期监测。
- **水肥精准调控**：结合高精度DTM可计算地表径流系数（OCR）和土壤蓄水量变化，指导灌溉和施肥决策。
- **灾害评估效率提升**：在洪涝或风灾后，无需等待裸土期即可快速获取地形基准，结合DSM可准确计算倒伏面积（误差<5%）和根系分布。

**研究启示与后续方向**
1. **方法融合潜力**：将UAV-P与Sentinel-1A数据融合（如采用DTM差异分析补偿卫星分辨率不足），可提升大区域监测的时空覆盖能力。
2. **自动化参数优化**：建议开发基于机器学习的窗口尺寸自适应调整系统，输入参数包括作物生长阶段（如V3/V6/V10）、土壤类型（砂土/黏土）、冠层密度等。
3. **多光谱数据辅助**：在低通滤波阶段引入多光谱波段阈值（如NDVI<0.2为裸土点），可进一步提升复杂植被覆盖下的土壤点识别准确率。

该研究为无人机遥感在精准农业中的应用开辟了新路径，其核心贡献在于建立了“单次航拍-滤波-回归”三位一体的DTM生成框架，有效解决了传统方法中时空不一致性和局部地形失真两大瓶颈问题。方法所需的计算资源仅为传统插值法的1/3（实测处理时间从120分钟缩短至40分钟），特别适合大规模农田的实时监测需求。未来研究可结合边缘计算技术，开发适用于田间边缘的轻量化DTM生成算法，进一步提升实时决策能力。