综述：基于无人机的农作物病虫害监测：多源传感与智能方法综述

《Computers and Electronics in Agriculture》：UAV-based crop pest and disease monitoring: A review of multi-source sensing and intelligent methods

　　郭杰|李金海|董乐|王顺宇|吴光月|张宇鹏|陶长勇|高峰德华|杨淑明|王玉坦
宁夏大学，宁夏银川 750021，中国

**摘要**
农作物病虫害对全球粮食安全构成了持续威胁，因此需要高效且精确的监测解决方案。本研究利用了2008年至2025年间发表的7,445篇文献，进行了全面的文献计量学和主题分析，以阐明基于无人机（UAV）的多源 sensing 和智能方法在农作物病虫害监测中的协同进化。研究结果确定了一个三阶段的发展轨迹：从最初的平台验证到传感器-算法的协同开发，再到系统集成的智能监测。分析进一步表明，作物的结构特征是塑造监测范式的基本决定因素；从离散的果园冠层到连续的田间作物系统，结构变化直接影响观测单元的定义和分析策略的选择，从而导致不同的方法路径。从技术角度来看，研究已从依赖单一来源的红色-绿色-蓝色（RGB）图像转向整合多光谱、高光谱、热红外（TIR）和光检测与测距（LiDAR）数据的多模态框架。同时，方法论发展也从传统的机器学习（ML）转向以应用为导向的深度学习（DL）和视觉语言模型（VLMs）。此外，越来越多的关注集中在基于处方图的闭环框架上，其中诊断输出被转化为针对可变施药量的空间明确干预策略。尽管取得了这些进展，但在模型泛化、数据集偏差和跨平台标准化方面仍存在挑战。本研究为开发可扩展的、具有生理感知和结构感知能力的智能监测解决方案提供了系统性的视角，为精准农业的发展做出了贡献。

**引言**
全球粮食安全和可持续农业生产面临着日益严峻的挑战。联合国粮食及农业组织（FAO）报告称，预计到2050年全球人口将超过97亿；要满足未来的粮食需求，产量需要增加约70%（FAO等，2025年）。同时，气候变化和生态系统失衡加剧了农作物病虫害的频率、传播动态和地理扩散，对农业可持续性构成了严重威胁（Khan等，2025年；IPCC，2022年）。植物病原体和昆虫害虫是全球农作物产量损失的主要原因，估计损失率为20%–40%，在发展中国家影响更为显著（Hussain等，2025年；Rahman等，2025年）。因此，对农作物病虫害进行早期、准确和大规模的监测已成为农业科学和技术中的关键优先事项。

在这种背景下，基于无人机的遥感技术因其成本效益、高机动性和灵活部署性而成为病虫害诊断的有效解决方案。无人机在低空（通常为数十至数百米）飞行，获取厘米级的空间分辨率图像，能够从单个田地到数千公顷的范围提取详细的冠层信息（Kaivosoja等，2021年）。以往的研究表明，整合红色-绿色-蓝色（RGB）和多光谱（MSI）图像可以通过检测与病害发生相关的微妙冠层反射变化来提高早期疾病识别能力（Franceschini等，2019年）。此外，通过结合使用热红外（TIR）成像和生理分析，已经表征了病害引起的植物水分状态和代谢活动的变化（Francesconi等，2021年）。高光谱（HSI）的加入进一步扩展了监测能力；连续的窄带光谱信息允许在不同病害阶段表征植物的生理反应（Jing等，2025年）。然而，高数据复杂性和传感器成本仍然是大规模应用的障碍，特别是对于经济价值较低的作物（Matese等，2024年）。在害虫监测中，多源无人机数据通过机器学习（ML）方法进行融合和建模，以支持田间尺度的虫害评估。例如，通过Gram-Schmidt变换融合的数据并用梯度提升决策树（GBDT）建模可以估计复杂田间条件下的棉蚜虫害严重程度（Ren等，2025年）。同样，无人机获取的MSI与深度学习（DL）分割技术结合使用，全卷积网络（FCNs）在甘蔗中的兵蝇虫害检测中实现了高达0.95的F1分数（Amarasingam等，2025年）。对于水稻、玉米和小麦等主要粮食作物，安装在无人机上的多光谱和热传感器与基于卷积神经网络（CNN）的模型结合使用，可以通过捕捉颜色、纹理和光谱反应的变化来实现快速害虫检测（Zhu等，2024年）。相比之下，HSI更多地应用于精细的生理胁迫分析。在枣椰树中，窄带植被指数（如归一化差异植被指数NDVI和光化学反射指数PRI）已被用来检测害虫引起的胁迫，支持早期干预决策（Alsadik等，2024年）。尽管取得了这些进展，但复杂的田间环境和异质背景仍会降低检测精度。此外，缺乏标准化的传感器配置和处理工作流程限制了模型在不同地区和生长季节的泛化能力（Ahmed等，2026年）。解决这些问题需要系统地研究传感器配置、特征提取和多源数据融合，以建立整合监测和处方生成的闭环框架。为了提供严谨的基础，本综述阐明了多源 sensing 和多模态融合之间的区别。多源 sensing 指的是利用包括RGB、MSI、HSI和光检测与测距（LiDAR）在内的多种传感器在不同平台上进行物理采集的过程，以确保全面的光谱和空间覆盖。相反，多模态融合是指这些异构数据集的算法集成。这包括数据级、特征级和决策级架构，以及新兴的视觉语言模型（VLMs），旨在提取超出任何单一模态能力的协同信息，从而提高诊断的鲁棒性和推断精度。

总体而言，基于无人机的遥感技术越来越多地应用于害虫管理的各个阶段，从早期检测到可变施药量的处方生成。深度学习和多源 sensing 配置的最新进展使得时空监测的准确性得到提高，增强了精准管理能力。同时，人工智能驱动的可变施药系统促进了农药使用的减少，加速了向可持续害虫管理的转变。本综述采用文献计量学分析方法识别全球热点和新兴趋势，强调数据预处理、传感器配置、智能算法和以处方为导向的控制。还讨论了多模态整合、边缘计算和VLMs等新兴方向，为智能基于无人机的作物保护提供了系统性的参考。为便于参考，本文使用的缩写列表见补充表S1。

**文献检索方法和宏观文献计量综合**
Web of Science Core Collection（WoSCC）是文献计量分析的主要数据来源。文献检索于2026年2月28日进行，根据文章的最终发表年份进行检索，以确保时间一致性。检索范围为2008年1月1日至2025年12月31日；2026年发表的记录被排除在外。采用了涵盖标题、摘要、作者关键词和Keywords Plus的基于主题的搜索策略。

**无人机数据采集和预处理**
高质量的数据采集和标准化预处理是基于无人机进行农作物病虫害监测的基础，因为它们直接决定了诊断的准确性和模型的鲁棒性。尽管无人机图像具有高空间分辨率、部署灵活性和丰富的信息内容，但其对环境干扰（包括光照变化、风和背景异质性）非常敏感，这影响了数据采集的准确性。

**基于无人机的监测的传感和光谱成像技术**
传感和光谱成像技术是基于无人机的病虫害监测的核心，因为传感器性能直接影响数据质量、检测灵敏度和实际应用能力。轻量化和多功能硬件的最新进展扩展了无人机搭载的传感系统，包括MSI、HSI、TIR和基于荧光的模式（Maes和Steppe，2019年）。

**从传统机器学习到深度学习驱动的检测**
基于无人机的遥感的快速发展重塑了农作物病虫害监测的方式，使实践从地面侦察转向空中传感和智能识别。随着无人机平台的成熟，研究重点逐渐从数据采集转向数据解释、模式识别和智能决策。因此，ML和DL已成为基于无人机的病虫害检测系统的核心使能技术。

**基于多模态融合的诊断框架**
多模态融合越来越多地用于通过结合光谱、结构和生理维度中的互补线索来增强基于无人机的病虫害监测。如综合闭环框架（图5）所示，这一过程通常遵循分层方案：在数据级或特征级进行融合以改进早期诊断的区分能力，而在决策级融合则汇总模型输出以提高不同条件下的鲁棒性。

**主要挑战**
尽管多源 sensing 和数据驱动建模取得了显著进展，但基于无人机的农作物病虫害监测仍受到一系列结构因素的限制，这些因素制约了操作的鲁棒性和大规模部署。这些限制源于环境异质性、模型可靠性和可转移性的限制、数据资源的有限和不均匀分布、日益增加的数据处理负担以及传感、诊断和技术标准的不统一。

**结论**
基于无人机的农作物病虫害监测已经从早期的RGB症状识别发展到更加综合的模式，其特征是多源 sensing、数据驱动的建模和以处方为导向的决策支持。基于文献计量综合和主题分析，本综述检查了传感配置、学习范式、结构监测策略和系统级集成模式的演变。总体发展轨迹表明了一个从...

**作者贡献声明**
郭杰：撰写——原始草稿、方法论、研究、数据管理。
李金海：撰写——审阅与编辑、资金获取。
董乐：可视化、验证。
王顺宇：软件。
吴光月：撰写——审阅与编辑、可视化。
张宇鹏：概念化。
陶长勇：监督。
高峰德华：资源。
杨淑明：形式分析。
王玉坦：项目管理。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。