《Information Processing in Agriculture》:A review of UAV remote sensing technology applications in common gramineous crops
编辑推荐:
近年来,无人机遥感技术(UAV-RS)在农业监测中得到了广泛应用,特别是在禾本科作物管理方面。禾本科作物如小麦、水稻、玉米、高粱和甘蔗是全球重要的粮食和能源来源,对粮食安全和农业经济至关重要。UAV-RS与计算机视觉(CV)、机器学习(ML)和深度学习(DL)
近年来,无人机遥感技术(UAV-RS)在农业监测中得到了广泛应用,特别是在禾本科作物管理方面。禾本科作物如小麦、水稻、玉米、高粱和甘蔗是全球重要的粮食和能源来源,对粮食安全和农业经济至关重要。UAV-RS与计算机视觉(CV)、机器学习(ML)和深度学习(DL)的集成使得在不同生长阶段对这些作物进行精确监测成为可能。值得注意的是,研究人员在监测关键农学参数如株高(PH)、叶面积指数(LAI)、氮营养状况、地上生物量(AGB)以及作物生长状态指标如倒伏、植株检测、产量预测和病虫害监测方面取得了显著进展。本研究系统综述了2020年以来UAV-RS在小麦、水稻、玉米、高粱和甘蔗种植中农业信息监测应用的最新进展,重点总结了监测各种农学参数和作物生长状态的遥感方法,并讨论了这些监测参数之间的相互关系,为开发综合监测模型提供了理论基础。通过考虑不同作物的物候特征,本研究还确定了监测关键参数的最佳时机,为优化监测策略提供了科学指导。最后,研究人员指出了当前研究的局限性并提出了未来的研究方向。
2. 文献计量分析
2.1. 数据来源
为分析UAV-RS在农业信息监测中的发展动态与趋势,本研究以Web of Science(WOS)数据库作为主要数据源,收集了2020年至2025年间UAV-RS在禾本科作物监测中应用的相关文献。通过在WOS数据库的主题、标题和摘要字段中进行精确检索,使用预设关键词如“UAV”、“UAS”、“农学参数”、“作物生长状态”、“小麦”、“水稻”、“玉米”、“高粱”和“甘蔗”,将检索范围限定在2020年1月1日至2025年12月31日发表的期刊论文、会议论文和综述文章,最终选定1905篇文章作为文献计量分析的基础。
2.2. 质量评估
为确保综述的科学严谨性和可靠性,研究人员对纳入文献进行了系统质量评估。基于偏倚风险评估方法并结合计算机科学研究的特点,构建了涵盖五个关键维度的定制化质量评估框架:数据集代表性、实验验证的严谨性、可重复性与透明度、比较的公平性、结果报告的完整性。根据这些标准,文献被分为高、中、低三个等级,高质量研究被重点讨论,其他文献作为补充参考。
2.3. 文献分析
出版数量有效反映了研究趋势和新兴热点。检索结果显示,近年来UAV-RS用于农业监测和作物状况评估的研究数量稳步增长,表明该领域持续受到研究者和机构的关注。通过更具体的关键词进一步细化检索范围,最终关键词包括“株高(PH)”、“叶面积指数(LAI)”、“氮营养状况”、“地上生物量(AGB)”、“倒伏”、“植株检测”、“产量预测”和“病虫害监测”,筛选出391篇相关研究。这五种主要禾本科作物(小麦、水稻、玉米、高粱和甘蔗)的研究分布比例分别为40.2%、29.1%、24.2%、3.4%和3.1%。通过对收集文献的关键词进行共现分析,揭示了多个显著的研究方向:红色聚类与小麦、检测和深度学习相关,涵盖产量估算、植株计数和基于图像的检测方法;绿色聚类强调氮、随机森林和冠层结构,突出氮监测、植被指数和机器学习参数估计研究;蓝色聚类聚焦于LAI、PH和高光谱数据,处理结构性状、生长监测及光谱与纹理特征的整合;黄色聚类将叶绿素与光谱特征联系起来,反映生化参数检测研究。这些模式表明,将先进传感技术与机器学习和深度学习相结合以获取结构和生化植物性状的趋势日益增长。各国出版分布大致反映了这些作物的全球种植格局:中国和美国出版量较高,而高粱和甘蔗的研究集中在巴西、印度和非洲部分地区,出版量相对较少。
3. 无人机系统遥感在农业监测中的当前应用
3.1. 农学参数
3.1.1. 株高(PH)
PH是评估作物生长和产量潜力的关键农学参数。通过从数字表面模型(DSM)中减去数字地形模型(DTM)可估算UAV-RS影像获取的PH,结果通常由作物表面模型(CSM)表示。DTM的有效生成可结合点云高度百分位数与地面点滤波算法,但易受点云重建误差和局部区域点密度不足影响。一些研究采用出苗前DTM作为后期生长阶段的参考,但时间滞后和土壤扰动可能引入系统偏差;其他研究通过插值已知地面点重构DTM,但受冠层结构复杂性限制;部分研究使用已知地面点的平均高度作为DTM的代理,但无法充分捕捉地形空间变异性。此外,ML技术被用于建立植被指数(VIs)与实测PH之间的关系,提供了更高效的作物高度估算方法,但其准确性受作物品种、田间管理实践和物候期VIs敏感性变化的影响。禾本科作物的PH估算通常在营养生长阶段(特别是开花和抽穗期)进行,此时生长相对稳定;后期由于VIs饱和,准确估算更具挑战性。
3.1.2. 叶面积指数(LAI)
LAI与PH通常呈正相关,是量化作物叶表面积与地面面积之比的农学参数,指示光合潜力和光能利用效率。LAI还广泛用于评估作物水分胁迫,近年来的研究已实现单株水平的LAI预测。LAI的遥感估算方法主要包括基于植被指数的经验反演、基于辐射传输模型(RTM)的物理反演以及混合方法。早期研究使用经验方法,但高LAI时VIs易饱和;后续研究结合VIs、纹理特征(TIs)和结构参数(如冠层高度(CH)、冠层覆盖度(CC)、PH)以提高准确性,但复杂冠层结构、背景和光照条件、数据分辨率等因素会引入误差。RTM通过模拟冠层内光的传播来更准确地表征冠层结构和光谱特性,常与ML、DL或查找表(LUT)结合以提高计算效率,但模拟数据在捕捉真实环境复杂性方面存在局限性。混合模型整合RTM模拟数据与观测光谱数据,采用参数或非参数回归技术,平衡了简单性和准确性,但误差主要源于模拟数据与观测数据之间的不一致以及田间样本量有限。此外,去除土壤背景可显著提高早期LAI预测精度;跨生长阶段研究中的冠层结构差异是LAI估算的重要误差来源。
3.1.3. 氮营养状况
氮营养状况调节叶片生长并影响LAI变化,评估氮含量对于优化施肥策略和预测种子品质至关重要。常用指标包括叶片氮含量(LNC)、植株氮浓度(PNC)、叶片氮积累量(LNA)、植株氮积累量(PNA)和氮营养指数(NNI)。评估通常建立UAV-RS影像特征与氮状态指标之间的回归关系,输入特征包括光谱反射指数(SRs)和VIs。为提高精度,采用多传感器数据融合、光谱波段选择、光谱分解和DL等方法。在特征提取前进行作物-背景分离可减轻田间背景影响;通过整合VIs与植被覆盖度或使用丰度调整植被指数(AAVI)可减少土壤背景干扰。氮营养状况与其他农学参数(如SPAD值、PH、冠层覆盖度、LAI、叶绿素含量(LCC)和AGB)存在强相关性,可用于间接诊断。混合方法也用于氮营养评估,展现出更高的精度和鲁棒性。表1总结了近期的代表性研究,按传感器类型和采样强度将成本分为低、中、高三个等级。
3.1.4. 地上生物量(AGB)
AGB指作物地上部分的总生物量,包括茎、叶、花和果实的干重,通常随PH和LAI增加而增加,充足的氮供应进一步促进AGB积累。基于UAV-RS影像的AGB估算模型准确性取决于数据类型和模型性能。广泛使用的数据包括VIs,此外还有纹理特征(TFs)、SRs和结构特征。纹理特征有效捕捉冠层结构细节,适用于冠层结构不稳定的时期(如分蘖和抽穗期);光谱和结构特征反映生长状态和生物量,适用于分蘖至乳熟期的快速生长阶段。整合土壤特征、物候信息、地形变量、时间因素和植株营养参数可显著提高AGB估算精度。数据数量和质量是关键因素,摄影技术(如倾斜摄影和交叉周向倾斜成像)可提升数据质量;贝叶斯模型平均(BMA)和混合建模方法可减少模型选择的不确定性。源自UAV-RS影像的农学参数(如PH和LAI)也广泛用于AGB估算,结合PH和LAI在早期生长阶段特别有效;时间序列CH数据可促进多时相AGB估算;整合LAI与净同化率(NAR)可有效估算全生育期水稻AGB。表2总结了不同数据类型的AGB估算方法。
3.2. 作物生长状态
3.2.1. 倒伏
倒伏主要发生在小麦和水稻的开花至成熟期、玉米的发育和成熟期、高粱和甘蔗的生长后期。研究分为识别倒伏作物和评估倒伏严重程度两方面。识别技术基于监督分类或语义分割,需要田间调查以分类倒伏作物,增加了人工和时间成本。研究利用VIs、TFs和SRs识别倒伏区域,并结合结构参数(如CH、PH、倒伏角度)补充特征,但过多特征可能引入冗余,需进行特征选择。语义分割方法实现像素级分类,但计算量大,近年来研究聚焦于提高计算效率和发展轻量化模型以实现机载处理。倒伏严重程度评估基于受灾面积和倒伏角度(如茎秆倒伏角度θ1、根部倒伏角度θ2),可通过整合CH、PH和SPAD值等农学参数开发新型指标。表3总结了不同作物倒伏分类方案。UAV-RS影像通常在极端天气事件后获取,数据量可能有限,可采用数据增强或迁移学习扩充数据集,或通过人为诱导模拟倒伏获取更多数据。
3.2.2. 植株检测
植株检测主要关注作物计数以及麦穗、稻穗、玉米穗和高粱穗的检测,对评估作物生长和预测产量至关重要。一般有三种方法:第一,提取颜色、纹理和形状特征后使用分类器分类(包括密度图方法和点回归方法),主要用于穗计数和定位;第二,基于计算机视觉(CV)提取植株轮廓,使用阈值分割和形态学分析分离目标,但受光照条件影响;第三,利用深度学习(DL)进行目标检测和图像分割,即使在遮蔽环境下表现良好,但通常需要大量标注数据,可通过半监督学习和无监督方法减少人工标注。实时计数是未来研究的重要方向,模型轻量化起关键作用;选择最佳UAV飞行高度可平衡图像分辨率和计算资源。准确检测幼苗的数量、位置和间距有助于提取出苗均匀性和种植密度等农学参数。表4总结了UAV作物计数和空间分布方法,显示回归方法计数误差较低,检测方法在个体识别和定位方面优势明显,融合和轻量化方法在跨数据集和区域中稳定性更好。
3.2.3. 产量预测
作物产量是品种选择和育种的关键参考指标,早期产量预测有助于制定市场政策。通常采用UAV-RS影像分析和作物生长模型两种方法。使用UAV-RS影像计算VIs并结合回归模型、ML或DL可有效预测产量,基于近红外波段的VIs广泛使用,但单一VIs难以全面捕捉作物复杂性,需整合缨帽变换(TCT)、光谱混合分析(SMA)、荧光光谱指数、叶温和灌溉管理信息等,融合气候因素、作物物理参数、土壤特性、太阳辐射和时间变量可显著提高精度。整合AGB、PH、LAI、LCC等农学参数进一步增强了水稻、小麦、玉米和高粱的产量预测,对于甘蔗,PH、茎粗和密度与产量密切相关。常用的作物生长模型包括CERES、WOFOST、SAFY、Wondercane(专为甘蔗设计)、SWAP、AquaCrop等,此外还有基于合成孔径雷达(SAR)数据的统计模型,但这些模型需要大量地面数据,耗时且成本高。没有单一模型能在所有条件下准确预测产量,作物产量模型通常需要针对特定地点开发和验证。
3.2.4. 病虫害监测
病虫害检测研究主要聚焦于区分健康作物和患病作物,输入数据通常来自单一传感器,病虫害主要集中在穗、茎和叶。传统研究通过整合UAV-RS影像的颜色、纹理和光谱特征与ML构建监测模型,红边和近红外光谱波段是区分健康和患病作物的关键指标。SPAD值广泛用于水稻病害识别,但受时空因素影响。DL方法通过目标检测和图像分类进行监测,研究聚焦于利用混合模型、堆叠模型、迁移学习和轻量化网络提升模型性能。UAV-RS在病害评估和区域病害分区中展示了新应用,常用病害指数(DI)量化严重程度。早期检测仍面临挑战,优化输入参数可提高早期症状阶段检测能力,空间分辨率对VIs模型影响较小但对TFs模型影响显著。当前UAV光谱方法多局限于单一地点或小规模试验以及特定生长季的特定品种,限制了模型的泛化能力;迁移学习、时空数据融合和环境参数校准可在一定程度上解决变化,但仍需多站点、多品种和大规模验证。
4. UAV监测的技术方面
本章介绍了使用的传感器、UAV飞行高度和监测方法。传感器选择影响数据精度和可靠性,飞行高度影响分辨率、覆盖范围和效率。表5总结了监测关键农学参数的UAV传感器、典型飞行高度和主要分析方法。RGB和多光谱传感器应用最广泛,适用于几乎所有参数;高光谱传感器和LiDAR主要用于高精度或结构信息分析;热成像和SAR主要用于产量估算和病虫害评估。飞行高度方面,RGB和多光谱UAV通常低空(10-100 m)飞行;高光谱传感器和LiDAR覆盖更广范围(20-200 m);热成像和SAR多在中高空(50-150 m)。方法上,传统回归仍为基础方法,ML和DL应用日益增多,多源数据融合越来越普遍。图10展示了所评文献中商业UAV平台的使用频率,大疆Phantom和Matrice系列占主导地位,Phantom和Mavic系列主要用于PH、倒伏和病害监测,Matrice系列适用于搭载高光谱相机和LiDAR进行定量估算,固定翼eBee系列长续航和大覆盖范围利于产量预测和大规模监测。
5. 作物生长过程中的监测参数
不同作物的监测指标呈现阶段性特征。玉米从出苗至早期叶片发育(V1-V4阶段)主要监测PH、LAI、LNC及种植密度和均匀性;茎伸长至拔节期(V5-V10)监测PH、LAI、LNC和AGB;抽穗至吐丝(V12-VT)和灌浆至成熟期(R1-R6)LAI、PH、LNC和AGB为核心指标。水稻分蘖至茎伸长期监测LAI、LNC、NNI和密度/均匀性;拔节至穗分化期监测LAI、PH、AGB和叶片氮指标;穗分化至开花期LAI、LNC、SPAD值和LCC反映营养状态;灌浆至成熟期LAI、AGB和PH用于产量评估。小麦出苗至分蘖期监测LAI、PH和CC;茎伸长至孕穗期和孕穗至开花期LAI、PH、SPAD和AGB为核心;灌浆至成熟期监测LAI、AGB和穗数。高粱出苗至开花和成熟期主要监测PH、LAI和AGB;甘蔗分蘖、营养生长早期和晚期以及成熟期通过PH监测生长趋势,以AGB和产量预测评估产量潜力。倒伏监测通常在生长中后期进行,病虫害监测需在发生后及时进行。图11说明了PH、LAI、氮状态、AGB、产量与倒伏/病害之间的关系:PH、LAI和氮状态共同为监测作物生长、估算AGB和预测产量提供框架;LAI测量同时捕捉生物量和氮营养;PH和种植密度可靠指示AGB水平。同时,这些性状与倒伏和病害密切相关,过量氮或过高PH削弱抗倒伏性,LAI变化反映与倒伏风险相关的冠层条件,倒伏减少光合作用并增加病害流行,加剧产量损失。因此,结合PH、LAI和氮信息不仅加强产量预测,还支持主动管理倒伏和病害。
6. 结论
UAV-RS已成为农业信息监测的关键工具,在PH、LAI、氮营养状况和AGB等关键农学参数,以及倒伏、植株检测、产量预测和病虫害监测等作物生长指标方面取得了实质性进展。CV、ML和DL的集成进一步提高了监测效率和准确性。本综述系统总结了UAV-RS在全生育期监测中的应用,突出了不同生长阶段的数据获取策略、关键农学指标估算和风险评估方法,为建立全面的全生育期农业监测系统提供了参考。然而,当前研究主要集中在小麦、水稻和玉米,高粱和甘蔗的证据有限,限制了研究结果的适用性。未来对高粱和甘蔗实施系统化的全生育期监测和模型验证将有助于提高UAV-RS方法在不同作物类型上的泛化能力。展望未来,数据处理技术和田间调查方法的持续进步有望使基于UAV的农业监测日益精确和高效,实现作物全生长周期的连续监测,为精准农业和数据驱动决策提供有力支持。