综述：无人机在农业中的应用：遥感传感器、图像处理及其应用综述

这篇综述系统阐述了无人机(UAV)技术在精准农业中的多维度应用，重点分析了多旋翼/固定翼无人机搭载RGB/多光谱/高光谱/热成像/LiDAR等传感器，通过机器学习(ML)、深度学习(DL)和植被指数(NDVI/NDRE等)处理数据，实现作物监测、杂草识别、精准施药、灌溉管理和牲畜管理等核心功能，为应对205年全球90亿人口的粮食需求提供了创新解决方案。

　　

无人机技术重塑现代农业图景

ABSTRACT
作物生产高度依赖对作物和土壤特性的精准管理。温度、结构和电阻率等因素直接影响农业产出。无人机技术已成为最有效的解决方案，支持化学喷洒、施肥、灌溉管理、杂草检测和土壤分析等任务，通过早期发现问题显著提升生产力。

Type of Drones
农业无人机主要分为多旋翼（如四轴飞行器）、固定翼、混合VTOL等类型。多旋翼无人机凭借稳定性成为田间监测首选，而固定翼机型更适合大范围测绘。表1详细对比了各类无人机的载荷能力（10-80+ kg）和作业范围（1-100 km）。

Components of Drone
无人机的核心组件包括：

• 框架：承载传感器和喷雾罐
• 无刷电机(BLDC)：提供升力
• 电子调速器(ESC)：实时控制电机转速
• 飞行控制器(FC)：集成GPS实现自主导航
• 多光谱相机：采集植被反射光谱数据

Cameras and Sensors
表3列举了7类关键传感器：

1. RGB相机：成本低，用于3D建模
2. 多光谱相机（5-12波段）：估算水稻氮积累
3. 高光谱相机（数百波段）：评估氮状态
4. 热传感器（DJI Zenmuse XT）：分析作物水分胁迫
5. LiDAR（LeddarTech M16）：构建地形模型
6. 光谱辐射计：测量植被反射率
7. 红外辐射计：检测热辐射

Data Processing Methods
机器学习应用
CNN算法通过卷积层提取图像特征（图5），在冬小麦产量预测中，1D-CNN模型表现优于传统方法。ANN则模拟人脑神经网络，在棉花产量预测中达到R²=0.89。

植被指数分析
表4显示NDVI=(NIR-Red)/(NIR+Red)等指数可区分植被与土壤。在冬小麦关键生长期，16种敏感指数（如SARVI）能准确预测产量。图6展示NDRE指数确定最佳收获窗口。

摄影测量技术
通过重叠影像生成数字高程模型(DEM)，西班牙研究团队用55米航高的无人机，构建了开心果园的3D点云模型（精度达厘米级）。

Application of Drone
作物监测
多光谱成像识别马铃薯晚疫病准确率达92%（表5）。水稻田的NDVI与产量相关性R²达0.82。

精准施药
六旋翼无人机下洗气流使红gram叶片农药渗透率提升30%（表7）。在柑橘园，1米飞行高度可实现最佳雾滴覆盖。

创新应用
日本开发出AI授粉无人机，通过时间飞行(ToF)传感器定位番茄花朵（表8）。热成像技术能在牧场快速识别发热的患病牲畜（表11）。

Challenges
当前面临续航短（多数<1小时）、数据处理复杂等挑战。印度2021年无人机法规要求所有>250g设备必须注册，且限白天视距内飞行。表12提出建立共享服务中心等解决方案。

这项技术革命正推动农业向数字化迈进，未来需加强农民培训并优化传感器融合算法，以充分发挥无人机在应对粮食安全挑战中的潜力。