综述：无人机多光谱遥感技术在精准农业中的应用综述

本综述系统梳理了无人机多光谱遥感（UAV multispectral remote sensing）在精准农业中的应用进展，重点涵盖作物生长监测、病虫害识别（pest and disease identification）、营养状况评估（nutrient status assessment）和产量预测（yield prediction）四大领域。文章深入分析了传统植被指数（如NDVI、GNDVI、SAVI）与新兴指数（如TCARI、RDVI、OSAVI）结合智能算法（ML/DL）的应用成效，并指出未来研究应聚焦算法优化、数据处理流程改进及多学科交叉融合，以推动该技术迈向智能化、实用化新阶段。

　　

无人机多光谱遥感技术正以其高时空分辨率、实时监测能力和成本效益优势，成为精准农业管理中不可或缺的工具。这项技术通过搭载多光谱传感器的无人机平台，实现对农田的高频次、高精度观测，为作物生长监测、病虫害防控、营养状况评估和产量预测提供了数据支撑。

作物生长监测与健康评估

在生长活力评估方面，多光谱遥感可量化叶面积指数（LAI）、叶绿素含量、生物量等关键生理参数。研究表明，归一化植被指数（NDVI）与作物生物量呈现显著相关性（R² = 0.72–0.85），但在高植被覆盖区易出现饱和现象。绿度归一化植被指数（GNDVI）通过替换红光波段为绿光波段，有效缓解饱和问题，在花生叶绿素估算中达到R² = 0.89的精度。土壤调节植被指数（SAVI）引入土壤调节因子L，显著提升了稀疏植被环境下的监测精度。

病虫害精准识别

在病虫害识别领域，多光谱数据通过捕捉病害导致的光谱反射特征变化，实现了对小麦条锈病、香蕉枯萎病、马铃薯晚疫病等病害的早期诊断。例如，结合红边波段的植被指数（如OSAVI）对香蕉枯萎病的识别准确率达到91.7%，显著优于传统指数。机器学习方法如随机森林（RF）和支持向量机（SVM）在病害分类中表现优异，而深度学习模型（如U-Net、Mask R-CNN）在病害区域分割和定位方面展现出更高精度，其中小麦条锈病病灶分割精度达96.93%。

营养状况动态监测

作物营养状态监测主要针对氮、磷、钾等关键元素。研究发现，红边指数（如NDRE）与叶片氮含量高度相关（r = 0.80），而TCARI/OSAVI组合指数在玉米全氮估算中达到R² = 0.76。通过融合多光谱特征与机器学习模型（如XGBoost、RF），氮积累量预测精度可达R² = 0.83。此外，光化学反射指数（PRI）和改良归一化水分指数（NDWI）被用于水分胁迫监测，为灌溉优化提供依据。

产量预测与环境资源管理

在产量预测方面，植被指数与机器学习算法结合，实现了对水稻、小麦、玉米等作物的产量估算（R²可达0.75–0.96）。同时，多光谱技术还被应用于土壤水分、盐分、杂草分布等环境资源的监测。例如，通过纹理增强的植被指数与深度学习分类器，田间杂草识别精度超过85%。

方法学进展与挑战

在方法论层面，研究涵盖了传统机器学习（如SVM、KNN）、集成学习（如RF、XGBoost）和深度学习（如CNN、Transformer）等多种算法。集成学习在中小样本场景下表现稳健，而深度学习在像素级解析任务中优势明显。然而，该技术仍面临标注数据稀缺、模型泛化能力不足、多源数据融合复杂等挑战。未来需通过迁移学习、多模态数据协同和轻量化模型设计提升实用性。

未来展望

无人机多光谱遥感技术的未来发展应注重算法优化、数据处理流程标准化和多学科协同创新。通过深度融合农学知识与遥感技术，构建跨作物、跨传感器的预训练模型库，推动精准农业向智能化、高效化方向迈进。