《Smart Agricultural Technology》：Advances in UAV Remote Sensing for High-Throughput Rice Phenotyping: A Systematic Review
摘要
无人机（UAV）遥感为精准育种和精准农业中的高通量水稻表型分析提供了一种可扩展的解决方案。依据PRISMA 2020规范，研究人员于2026年2月15日在Web of Science和Scopus中检索了无下限发表年份限制的英文文献，共获得2,327条记录；在剔除793条重复记录并对1,534条唯一记录进行标题和摘要筛选后，最终纳入199项研究（2014–2026年）。这些研究涵盖了多旋翼和固定翼平台，搭载RGB、多光谱、高光谱和LiDAR传感器，用于营养状态反演、胁迫检测和产量预测。本结构化综述得出四项主要发现。第一，先进传感、特征集成和建模技术日益支持氮素和叶绿素估算及产量预测，然而数据集、配置、性状和验证方案之间的异质性使得无法得出跨研究结论，即多源传感优于单源传感。第二，轻量级模型和边缘计算系统在选定的倒伏和病害监测任务中显示出实时部署的可行性。第三，跨区域泛化的制约因素被记录的程度不均：环境背景干扰以及地点和品种偏倚是证据最充分的，标准化多环境数据集是间接贡献因素，而网络架构效应被直接量化的程度最低。第四，199项研究中有6项（3.0%）将UAV衍生性状与遗传关联分析联系起来，其中3项采用全基因组关联分析（GWAS）或基于单倍型的GWAS，多数位点尚待独立验证。未进行偏倚风险评估或荟萃分析，因此研究结果仅为指示性趋势。未来工作应优先构建大规模多农业生态区公共数据集，以及融合物理约束与数据驱动方法的可解释模型，以支持循证水稻育种和精准农业。
- 1.
引言
1.1. 背景与意义
全球粮食安全面临日益严峻的压力。联合国粮食及农业组织预测，2050年全球农业生产和消费量将比2005–2007年高出约60%，而届时全球人口预计约为91.5亿。水稻是全球超过一半人口的主粮。其生产日益受到气候变化、耕地有限以及生物和非生物胁迫的挑战。据估计，全球水稻产量每因平均温度升高1°C而下降约3.2%。
这些压力使得更快、更可靠的表型分析对于改良育种和作物管理至关重要。传统方法依赖人工田间调查、破坏性取样以及时空分辨率有限的遥感手段。人工调查劳动密集且主观性强，每公顷约需200–500工时，且无法高效捕捉生长动态。破坏性取样同样无法进行重复的非破坏性监测。卫星遥感受云层覆盖、至少五天的重访周期以及10–30 m空间分辨率的制约，往往不足以满足0.01–0.1 m的田间尺度需求。这些限制共同阻碍了在大规模育种群体中进行快速、小区尺度的评估以及在关键生长阶段进行重复观测。无人机（UAV）弥合了卫星遥感与点状近地测量之间的观测空白。无人机能够快速获取田间小区的厘米级影像，并可搭载RGB、多光谱、高光谱和激光雷达（LiDAR）传感器。重复飞行支持多时相监测，而灵活的传感器配置支持结构和生理性状反演。应用包括氮素利用效率、叶绿素动态、倒伏抗性、病害抗性和产量潜力。因此，UAV表型分析可加速种质筛选，并为变量施肥、精准灌溉和病虫害防治提供空间显式信息。其价值不仅在于采集速度，还在于将高分辨率、可重复的观测与育种选择和田间管理决策联系起来。在此背景下，本系统综述综合了UAV遥感用于高通量水稻表型分析的证据，在集成平台–传感器–任务框架内整合主要表型分析任务，并识别当前制约多源数据融合、边缘部署、跨区域泛化和育种导向应用的关键挑战。
1.2. 研究现状与现存挑战
尽管潜力巨大，UAV表型分析的采用仍受到技术、环境和数据相关挑战的交互制约。在传感器层面，RGB、多光谱、高光谱和LiDAR系统在空间、光谱和时间分辨率上存在差异，使空间配准、时间对齐和特征融合复杂化。尽管已提出众多融合方法，标准化采集和处理协议仍然稀缺。高光谱数据引入高维冗余，而LiDAR的成本限制了大规模应用。因此，传感器选择、校准和融合仍与目标性状、观测尺度和可用计算资源密切相关。
环境异质性进一步降低了信号一致性。土壤背景、灌溉差异和杂草干扰冠层提取，而云层、风力和太阳角度影响光谱稳定性和时间序列分析。密集的三维水稻冠层和叶片相互遮挡也增加了器官分割和性状反演的难度。由于这些效应随生长阶段和管理条件而变化，在一个田间条件下校准的模型在未经额外校正或本地数据的情况下难以迁移至另一条件。
数据限制加剧了上述技术和环境约束。涵盖多个品种、农业生态区、年份和管理制度的高质量标注数据集仍然稀缺。基于有限样本训练的模型因此容易过拟合，并在应用于新的区域、年度或管理条件时出现性能下降。碎片化的任务定义，加上采集、预处理、模型训练和验证标准的不一致，进一步降低了可比性和可迁移性。因此，高效多源融合、稳健建模和跨区域泛化仍是基于UAV的水稻表型分析的核心挑战。
如表1所示，以往综述通常提供跨作物的广泛视角，或聚焦于水稻产量估算、冠层氮素监测或病害诊断等单一任务。尽管这些贡献提供了重要基础，但没有一篇综述将主要水稻表型分析任务与平台和传感器选择、多源融合、边缘部署、跨区域验证和育种导向应用整合起来。本综述通过涵盖199项研究的水稻特异性平台–传感器–任务框架弥补了这一空白，同时明确承认定性综合、英文覆盖范围和异质跨研究基准的局限性。
1.3. 本综述的目标与创新
针对这些挑战，系统整合现有知识并严格综合技术证据已成为迫切需求。本综述做出四项主要贡献。
第一，综合了单源和多源传感及建模策略的代表性研究，强调其应用、提供的互补信息及其局限性，同时避免因数据集、传感器、目标性状、生长阶段、建模框架和验证方案的显著差异而进行直接跨研究精度比较。
第二，评估轻量级模型在边缘计算中的可行性，综合了倒伏评估和病害检测等任务的实时田间部署代表性近期研究。专门的证据表汇编了其架构、参数量、计算成本、延迟、目标硬件以及与全尺寸基线相比的精度权衡。
第三，识别制约跨区域泛化的主要因素，并按定量证据支持的直接程度排序：环境背景干扰以及地点和品种偏倚是最有据可查的原因；缺乏标准化多环境数据集是间接但重要的贡献因素；网络架构效应被直接量化的程度最低。
第四，量化表型–基因型整合的当前规模：199项纳入研究中有6项将UAV衍生性状与遗传关联分析联系起来（3项基于GWAS，3项基于QTL定位），并评估所报道位点是否已得到验证。
本综述系统综合了2014年至2026年间发表的199篇符合条件的同行评审期刊论文。它追溯了UAV平台、多传感器系统、数据处理方法和农艺应用在水稻种植中的演变。目标是向水稻育种家、农艺学家和研究人员提供评估该技术的循证框架，并阐明UAV表型分析从学术研究转化为农业实践的条件。
- 2.
文献筛选与常用关键词
2.1. 文献检索策略
本系统综述依据PRISMA 2020规范报告。检索了Scopus和Web of Science核心合集截至2026年2月15日的英文文献。数据库检索未设置发表年份下限；然而，应用预定资格标准后，最终Core-199语料库中保留的最早研究发表于2014年。完整检索式为：''(UAV* OR drone* OR unmanned aerial vehicle) AND (rice OR paddy rice) AND (phenotype OR phenotyping OR monitor* OR remote sensing)''。
检索共识别出2,327条记录：Scopus 1,420条，Web of Science核心合集907条。剔除793条重复记录后，剩余1,534条唯一记录进行标题和摘要筛选。主要研究选择过程总结于图1。
补充检索在电气与电子工程师协会（IEEE）Xplore和中国知网（CNKI）数据库中进行，以评估数据库和语言覆盖对证据基础的影响。这些检索仅作为覆盖评估，不构成导致199项研究综合的主要研究选择路径的一部分。
2.2. 资格标准
资格采用人群–概念–情境（PCC）框架定义。人群包括在田间或田间相关实验条件下栽培的水稻（Oryza sativa L.）。概念涉及基于UAV的表型、生理、结构、营养、胁迫相关、病害相关、倒伏相关或产量相关性状的遥感。情境包括使用UAV机载传感进行作物监测或性状反演的水稻生产和田间表型分析研究。
纳入标准包括：（1）聚焦水稻；（2）采用UAV或无人机作为遥感平台；（3）使用UAV衍生的RGB、多光谱、高光谱、LiDAR、点云、热红外或可比遥感数据；（4）研究至少一个相关水稻表型、生理、结构、营养、胁迫相关、病害相关、倒伏相关或产量相关性状；（5）提供充分的方法学或分析信息；（6）以英文发表；（7）是报告原始实证或方法学研究的原创同行评审期刊论文。
排除标准包括：非水稻作物；不涉及UAV遥感；仅涉及UAV硬件、导航、通信或飞行控制而未直接应用于水稻表型分析或农艺监测；未评估相关表型、生理、农艺、胁迫相关或产量相关特征；以及综述、社论、会议摘要或论文集、书籍章节或其他非原创或非期刊出版物。
2.3. 研究选择过程
主要综述语料库的研究选择在去重后分两个连续阶段进行。首先，对1,534条唯一记录按语言、标题和摘要相关性进行筛选。此阶段排除489条记录，剩余1,045篇论文进行全文评估。其次，对剩余1,045篇论文的全文依据预定资格标准进行评估。共排除846篇论文，最终199项研究符合资格标准，纳入主要叙述性综合和文献计量分析。
2.4. 补充数据库与语言覆盖评估
为量化数据库和语言覆盖的可能影响，补充检索从IEEE Xplore获得161条初始记录，从CNKI获得621条。这些检索独立于主要PRISMA研究选择路径，旨在估算Core-199语料库中未代表的潜在相关文献量。总体而言，补充检索识别出119条与UAV水稻表型分析直接相关的额外记录，这些记录未包含在Core-199语料库中。将主要综合限制在Scopus和Web of Science索引的英文研究可能遗漏大量相关工程导向和区域索引文献。
2.5. 协议与注册
本综述未进行前瞻性注册。文献检索策略、资格标准、研究选择过程、补充数据库覆盖评估和综合方法均在本文中透明报告。
2.6. 文献计量分析与主题分类
使用VOSviewer 1.6.20对Core-199语料库的文献信息进行关键词共现分析。在6,295个术语中，72个达到14的最低出现阈值，保留相关性前60%的43个关键词。识别出四个聚类：（1）UAV图像特征与机器学习（ML）反演；（2）水稻产量预测与粮食安全应用；（3）生物量估算、植被指数与精准农业；（4）水稻冠层光谱分析与模型评估。叠加图显示近期从图像特征和ML研究向产量预测、品种分析和粮食安全应用转变。
按发表年份和传感模态分析时间趋势。传感器分为五类：RGB/可见光、多光谱/离散波段、高光谱、其他光学以及热红外/LiDAR/其他主动传感。
- 3.
UAV遥感在水稻表型监测中的应用进展
UAV遥感用于水稻表型监测已从早期单一平台、单一传感器方法演变为由平台配置、传感器能力、算法进步和性状解释塑造的集成系统。当前集成UAV框架将硬件与处理流程紧密耦合，包括摄影测量和深度学习（DL），以提取农艺相关性状。这种集成实现了从原始冠层影像到目标田间决策的直接过渡，特别是在种植面积识别、幼苗建立和缺株评估、生长动态跟踪、冠层结构反演、胁迫监测和产量预测方面。
3.1. UAV表型监测的基础
UAV平台性能直接影响数据采集效率、精度和覆盖范围。水稻表型分析主要依赖多旋翼和固定翼UAV。多旋翼UAV因起降空间要求低、可稳定悬停并支持精确灵活的低空作业而占主导地位，适合地形复杂、观测单元小且空间细节要求高的分散稻田。固定翼UAV提供更高巡航速度、续航和载荷能力，适合大面积连片稻田的快速调查，但需要跑道或专用发射回收系统，且无法悬停，限制了其在可达性差的稻田中的应用。UAV遥感占据卫星、UAV和近地传感多尺度观测连续体的中间层级。卫星提供最广泛的覆盖和最低的单位面积成本，但像素比小区级表型分析所需的0.01–0.1 m细节粗1–3个数量级。近地仪器提供高保真点测量，是地面真值采集、模型校准和验证所必需的，但无法高效绘制大面积或难以到达区域的空间变异。UAV结合厘米级分辨率、用户控制的重访和灵活的多传感器配置，最适合需要亚分米细节的性状。
3.2. UAV传感器系统与水稻表型分析感知能力
UAV水稻表型分析依赖机载传感器捕捉冠层结构、生理状态和环境响应。主要传感器类型为RGB、多光谱、高光谱、LiDAR和热红外（TIR）系统。RGB相机因低成本、易获取和高空间分辨率而广泛使用，支持冠层覆盖提取、株高估算、叶角测量、穗识别和杂草分割。多光谱相机提供目标性绿、红、红边和近红外观测，支持叶面积指数（LAI）反演、相对叶绿素含量、氮素营养指数、倒伏状态、水稻病害和产量预测。高光谱相机获取可见光至短波红外区域的众多窄波段，可检测与基因型、早期胁迫和营养缺乏相关的细微响应，但高维度、冗余、噪声处理需求和设备成本制约其操作使用。三维感知日益重要，运动恢复结构重建和LiDAR是主要方法，神经辐射场和三维高斯泼溅将重建扩展到更精细的植株、穗和籽粒尺度。热红外成像增加了生理维度，冠层温度反映气孔导度和蒸腾作用，支持水分状态评估和灌溉调度，但在纳入研究的199项中仅2项使用TIR。
3.3. 数据采集与处理流程
UAV水稻表型分析通常遵循四个阶段：飞行规划、采集、预处理和特征提取。水稻特异性条件使采集复杂化：密集冠层、积水和高湿度影响反射率校准和背景分离。飞行计划应确保足够的影像重叠（通常≥80%）以及带地面控制点和差分GPS的精确地理配准。预处理包括辐射和几何校正、影像对齐、正射镶嵌生成和数字表面模型构建。
3.4. 氮素营养诊断
氮素调节冠层发育、叶绿素合成、光合作用和籽粒形成，是UAV水稻表型分析中广泛研究的性状。纳入研究估算生理上不同的性状：叶片氮浓度（LNC）和植株氮浓度（PNC）是基于质量的浓度；叶片氮积累量（LNA）、植株氮积累量（PNA）和冠层氮密度（CND）是基于面积的库；氮素营养指数（NNI）表示相对于临界稀释曲线的氮素充足度。早期氮素评估集中于红边敏感植被指数。后期工作从单一指数回归转向多特征和多源建模。神经网络也已应用于多光谱影像。田间尺度证据仍然有限，一项基于主动冠层传感的ML精准施氮策略相比农户实践使产量提高7–15%，经济效益提高4–16%。
3.5. 钾素营养诊断
钾是参与水稻光合产物运输、酶激活、渗透调节和胁迫响应的大量营养元素。UAV钾素评估主要针对植株钾积累量（PKA）和叶片钾含量（LKC）。混合像元分解标志着方法论上的重大转变，通过非负矩阵分解结合偏最小二乘回归，PKA估算R2为0.76。后续工作集成光谱和纹理信息，多光谱模型实现PKA估算R2为0.80。当前研究日益聚焦于利用高光谱观测进行高维特征选择，LKC估算中1400 nm附近短波红外反射率及相关植被指数与钾状态关系最强，ML模型在验证数据集上实现R2为0.78。
3.6. 叶绿素监测
叶绿素含量与水稻光合能力、氮素状态、冠层状况和产量形成密切相关。UAV研究主要从多光谱和高光谱观测估算SPAD值以及叶片或冠层叶绿素含量。叶绿素反演最初利用红边敏感指数和关键波段选择开发。后期工作转向多特征、多源和ML模型。近期方法纳入时间信息、非线性特征提取和物理约束。PROSAIL反演实现叶片叶绿素含量R2为0.833，水稻特异性冠层辐射传输模型相比PROSAIL将光谱模拟RMSE降低0.0359。育种尺度应用证据仍然有限，216个杂交水稻品种上提升回归树模型实现叶片叶绿素估算R2为0.712。
3.7. 倒伏监测
水稻倒伏降低籽粒产量和品质，阻碍机械化收获，并可能增加病害易感性。UAV倒伏评估主要聚焦三个输出：倒伏与直立冠层的判别、倒伏区域的像素级描绘以及快速田间尺度制图。基础性倒伏研究利用手工制作的光谱、纹理和结构特征建立检测方法。语义分割实现倒伏水稻区域的像素级描绘。当前研究日益强调轻量级推理和边缘处理。紧凑型语义分割框架在640×480像素输入分辨率下实现mIoU为90.52%和每秒50帧的处理速度。边缘计算工作流在Nvidia Jetson Xavier NX上以0.1 m地面分辨率处理影像，速度达14,417.9 m2·s?1，对应80分钟飞行覆盖约10 km2。
3.8. 病害监测与抗性评估
水稻病害监测和抗性评估是UAV遥感的重要应用领域。研究利用多光谱、高光谱和热红外传感器检测稻瘟病、稻曲病等病害，并评估品种抗性。热光融合使病害识别比可见病斑提前72小时。轻量级模型和边缘部署在病害检测中显示出实时可行性，改进的YOLOv12n模型参数量减少25%，模型体积缩小21%。
3.9. 产量预测
产量预测是UAV水稻表型分析的重要应用。研究利用多时相UAV影像结合植被指数、结构特征和ML/DL模型预测水稻产量。产量预测模型涵盖经验模型、过程模型和半经验模型。多源数据融合和深度学习模型在产量预测中显示出潜力，但跨区域泛化仍受数据异质性和验证协议差异的制约。
- 4.
讨论
4.1. 多源传感融合的现状与局限
多源传感融合在UAV水稻表型分析中日益受到关注。RGB、多光谱、高光谱、LiDAR和热红外传感器提供互补信息，理论上可提升性状反演精度。然而，由于数据集、传感器配置、目标性状、生长阶段、建模框架和验证协议的显著差异，无法得出跨研究结论，即多源传感普遍优于单源传感。融合效益只能在相同条件下通过研究内比较来推断。
4.2. 轻量级模型与边缘部署
轻量级模型和边缘计算系统在倒伏评估和病害检测等任务中显示出实时部署的可行性。紧凑型语义分割框架、知识蒸馏和FPGA实现展示了在资源受限硬件上的高效推理能力。然而，现有设备端证据仅限于Nvidia Jetson Xavier NX和FPGA实现，且多数研究未报告与全尺寸基线的直接精度比较。
4.3. 跨区域泛化的制约因素
跨区域泛化的制约因素按定量证据支持的直接程度排序：环境背景干扰以及地点和品种偏倚是最有据可查的原因；缺乏标准化多环境数据集是间接但重要的贡献因素；网络架构效应被直接量化的程度最低。环境异质性、土壤背景、灌溉差异和杂草干扰冠层提取，而云层、风力和太阳角度影响光谱稳定性。
4.4. 表型–基因型整合
199项纳入研究中有6项将UAV衍生性状与遗传关联分析联系起来，其中3项采用全基因组关联分析（GWAS）或基于单倍型的GWAS，3项采用QTL定位。多数位点尚待独立验证。这反映了UAV表型分析在育种应用中的早期阶段，未来需要更大规模的表型–基因型整合研究。
- 5.
结论与未来展望
本系统综述综合了199项2014–2026年发表的同行评审研究，在平台–传感器–任务框架内整合了UAV水稻表型分析的主要任务。四项主要发现：第一，先进传感、特征集成和建模日益支持氮素和叶绿素估算及产量预测，但数据异质性阻止了多源传感优于单源传感的跨研究结论；第二，轻量级模型和边缘计算在倒伏和病害监测中显示出实时部署可行性；第三，跨区域泛化制约因素中，环境背景干扰和地点/品种偏倚证据最充分，标准化多环境数据集贡献间接，网络架构效应量化最少；第四，仅6项研究将UAV衍生性状与遗传关联分析联系，多数位点待验证。未来工作应优先构建大规模多农业生态区公共数据集和融合物理约束与数据驱动方法的可解释模型，以支持循证水稻育种和精准农业。
