1、浙江大学学报（农业与生命科学版）49（4）：472 483，2023Journal of Zhejiang University(Agric.&Life Sci.)http：/ 杭州 310058；2.浙江大学生物系统工程与食品科学学院，浙江 杭州 310058；3.浙江省农业农村大数据发展中心，浙江 杭州 310020；4.农业农村部光谱检测重点实验室，浙江 杭州 310058）摘要 传统的油料作物田间表型数据采集方法费时费力，工作效率低。低空无人机遥感具有快速便捷、成本低、易操控等优势，提高了在中、小尺度区域遥感观测油料作物的形态学参数和生理生化指标的精细化程度，初步实现了油料作物田间生长
2、信息的快速采集、处理与分析应用。本文综述了近年来国内外低空无人机遥感在油菜、大豆、花生、向日葵、油棕等油料作物表型分析上的研究进展，介绍了当前主流的无人机飞行平台、机载传感器以及作业流程，重点梳理了无人机遥感在油料作物形态学分析、生理生化指标检测、产量估测以及逆境胁迫监测等多方面的应用情况，指出了低空无人机遥感在油料作物监测领域存在的不足和未来的发展趋势，以期为智慧农业的后续发展和精准应用提供理论依据。关键词 无人机；低空遥感；油料作物；表型分析；长势监测中图分类号 S252 文献标志码 A引用格式 孙永祺,陈梦媛,黄倩,等.低空无人机遥感在油料作物表型分析中的应用J.浙江大学学报(农业与生命
3、科学版),2023,49(4):472-483.DOI:10.3785/j.issn.1008-9209.2023.04.201SUN Yongqi,CHEN Mengyuan,HUANG Qian,et al.Application of low-altitude unmanned aerial vehicle remote sensing in the phenotypic analysis of oil cropsJ.Journal of Zhejiang University(Agriculture&Life Sciences),2023,49(4):472-483.Applicati
4、on of low-altitude unmanned aerial vehicle remote sensing in the phenotypic analysis of oil cropsSUN Yongqi1,CHEN Mengyuan2,HUANG Qian1,ZHANG Kangni1,WANG Bing3,LIU Fei2,4,ZHOUWeijun1,4*(1.College of Agriculture and Biotechnology,Zhejiang University,Hangzhou 310058,Zhejiang,China;2.College of Biosys
5、tems Engineering and Food Science,Zhejiang University,Hangzhou 310058,Zhejiang,China;3.Zhejiang Big Data Development Center for Agriculture and Rural Affairs,Hangzhou 310020,Zhejiang,China;4.Key Laboratory of Spectroscopy Sensing,Ministry of Agriculture and Rural Affairs,Hangzhou 310058,Zhejiang,Chi
6、na)Abstract The conventional approach to gathering field phenotypic data for oil crops is characterized by its time-consuming and labor-intensive nature,resulting in low work efficiency.Conversely,low-altitude unmanned aerial vehicle(UAV)remote sensing offers numerous advantages,including rapidity,c
7、onvenience,low cost,and ease of manipulation.This technology enhances the precision of morphological parameters and physiological and DOI：10.3785/j.issn.1008-9209.2023.04.201基金项目：浙江省“尖兵”研发攻关计划项目（2023C02002-3）；现代作物生产省部共建协同创新中心项目（CIC-MCP）；浙江省“三农九方”科技协作计划项目（2022SNJF010）。通信作者（Corresponding author）：周伟军（h
8、ttps:/orcid.org/0000-0002-1471-9644），Tel：+86-571-86971194，E-mail：第一作者（First author）：孙永祺（https:/orcid.org/0000-0003-3759-1740），E-mail：yq_收稿日期（Received）：2023-04-20；接受日期（Accepted）：2023-07-18第 4 期孙永祺，等：低空无人机遥感在油料作物表型分析中的应用biochemical indicators of oil crops measured by remote sensing in small-and medium
9、-scale areas,thereby enabling the initial attainment of field growth information for oil crops.Furthermore,it facilitates the swift acquisition,processing,and analysis of such data.This study provided a comprehensive overview of the advancements made in domestic and foreign low-altitude UAV remote s
10、ensing for oil crops,including rape,soybean,peanut,sunflower,and oil palm,and it introduced the prevailing UAV flight platforms,airborne sensors,and operating procedures,and it focused on combing the application of UAV remote sensing in morphological analysis,detection of physiological and biochemic
11、al indicators,yield estimation,and monitoring of adversity stress in recent years.Furthermore,it identified the limitations and future prospects of low-altitude UAV remote sensing in the domain of oil crop monitoring,aiming to provide a theoretical basis for the subsequent development and accurate i
12、mplementation of smart agriculture.Key words unmanned aerial vehicle;low-altitude remote sensing;oil crops;phenotypic analysis;growth monitoring粮食安全是“国之大者”，我国油料产品自给率低，食用油对外依存度高，保障国家粮食安全的一个重要方面就是让“油瓶子”里多装中国油。种业是农业的“芯片”，开展油料作物优良品种选育，离不开对种质资源的分析评价。传统的油料作物种质表型考察主要依靠人力手工测量，这类方法效率低、精度差且破坏性大，是制约功能基因组学研究和作物
13、育种改良进展的关键因素。遥感因具有快速、无破坏、多尺度精细化监测等优点，在作物表型分析领域已展示出独特的优势。然而卫星遥感重访周期长、空间分辨率低，受大气条件影响大，制约其在作物表型精准分析中的应用。近年来，无人机（unmanned aerial vehicle,UAV）遥感因分辨率高、使用成本低、灵活性强等特点，为作物表型分析提供了良好的契机1。随着无人机飞行平台和传感器硬件的不断成熟，人们可以获得不同空间、时间和光谱分辨率的图谱数据，结合以机器学习为代表的数据处理技术，弥补了传统作物种质表型考察过程中存在的缺陷2。低空无人机遥感监测技术已经成为提升种质资源表型评估研究广度和深度的有效手段。
14、本文围绕低空无人机遥感在油料作物表型分析中的研究，梳理目前常用于作物表型分析的无人机飞行平台和机载传感器，阐述无人机作物表型数据处理流程及分析方法，围绕大豆、油菜、花生、向日葵、油棕、橄榄等草本和木本油料作物，从作物形态学分析、生理生化指标检测、产量估测和逆境胁迫分析等方面，综述无人机遥感用于油料作物表型分析的国内外研究方法与进展，最后提出无人机遥感在油料作物中尚未解决的关键技术问题与未来的发展方向。1 无人机遥感表型平台1.1 无人机飞行平台无人机是“无人驾驶飞行器”的简称，是指利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器，按照机型可以分为多旋翼、固定翼、单旋翼和混合翼无人机等。
15、在农作物表型参数获取过程中，影响选择无人机的因素主要有载荷、续航时间、作业高度和速度。固定翼无人机飞行高度高、续航时间长、飞行速度快，但操作较为复杂，同时需要滑行跑道，不适合在茂密的农田中使用。多旋翼无人机商业产品较为成熟、操作简单、起降灵活，而且能低空悬停，适合获取丰富的植被信息，因而在农田遥感中应用广泛3。1.2 机载传感器根据实验目的需要，无人机飞行平台可以搭载多种传感器，主要包括数码相机（图1A）、多光谱相机（图1B）、高光谱相机（图1C）、热红外相机（图1D）和激光雷达（图1E）等。数码相机可获取实验区域内高分辨率可见光RGB（red,green,blue）影像，即利用图像特征提取作
16、物的颜色、纹理、几何轮廓等信息，以监测实验区域内农情和进行作物形态学分析。无人机搭载的多光谱相机通常具有5个及以上通道，包括红、绿、蓝、红边、近红外波段等，利用多光谱数据可以进行植被指数（vegetation index,VI）计算，以帮助人们更加准确地开展作物估产、长势监测和营养诊断4-5研究。高光谱相机可利用连续性窄电磁波段从目标物精准地获取相关光谱信息，进一步提高作物473第 49 卷浙 江 大 学 学 报（农业与生命科学版）生理参数的反演精度。以叶绿素荧光动力学技术为依据的叶绿素荧光成像系统与多旋翼无人机系统相结合，能够快速获取目标区域作物的叶绿素荧光参数，从生理参数层面解析作物受到水
17、分、温度等胁迫后发生的动态变化6-7。热红外相机主要用于获取作物冠层温度，可用来监测作物是否受到非生物胁迫或病害等不利因素的影响8。激光雷达能够发射激光脉冲以获取目标物表面的结构信息，可用于监测作物不同生长阶段的株高、叶面积指数（leaf area index,LAI）、植株分形特征等参数9。面对大规模的实验区域，多旋翼无人机利用其飞行载荷大的优势，可以实现定位测姿系统（position and orientation system,POS）记录仪、数码相机、多光谱仪、热成像仪、叶绿素荧光成像系统等多载荷传感器集成，将田间遥感数据快速、精准地定位到地面位置点，便于获取作物田间表型信息，实现遥感
18、辅助作物育种。1.3 数据获取流程由于无人机属于航空器，具有高风险性，不规范使用下极有可能造成较大的经济损失，甚至造成人身伤害。因此，制定合理的数据获取流程，可以在保证每次飞行安全的同时获取高质量的实验数据。图2展示了自主作业模式下无人机遥感的实验数据获取流程。1.4 数据处理方法从无人机遥感获取大量数据，到作物表型特征的高效提取，数据处理流程的效率决定了遥感数据的时效性和结果的准确性。目前，无人机遥感数据处理的主要流程如图3所示，主要包括影像格式调整、数据清洗、预处理、特征提取、特征选择、模型方法设计、模型调优与评价等。对无人机数据的校正一般使用机载传感器配套软件和数据进行处理，通常使用 M
19、etashape、PIX4Dmapper、DJI Terra 等软件对遥感影像完成拼接。现阶段，无人机遥感获取的油料作物田间表型数据分析方法大致可分为统计分析、机理模型构建和机器学习这3类。统计分析包括相关分析、回归 P1 A MicaSense RedEdgeMX B Resonon Pika XC2C H20TD L1 E图1无人机遥感机载传感器Fig.1Airborne sensors for UAV remote sensing 图2无人机遥感数据获取流程图Fig.2Data acquisition flowchart of UAV remote sensing图3无人机遥感数据处理流
20、程图Fig.3Data processing flowchart of UAV remote sensing474第 4 期孙永祺，等：低空无人机遥感在油料作物表型分析中的应用分析、判别分析、方差分析、聚类分析等方法，主要是指将作物的全波段原始光谱或由光谱计算得到的各种植被指数作为输入，田间实测指标作为输出，随后采用一系列建模方法描述输入与输出之间的线性或非线性关系的过程，该方法可以用于作物上非生物胁迫和生物胁迫的监测。机理模型构建是指利用遥感数据反演作物的生理生化参数，目前最常用的是光辐射传输模型，且在油菜叶片到冠层尺度已有相关报道10，可以揭示油菜叶片生化指标和冠层结构参数与产量综合性状之
21、间的关系。当前，机器学习是无人机遥感数据分析中的主流方法。传统的机器学习算法包括决策树、贝叶斯分类、随机森林、支持向量机、k近邻算法等。从学习方法上划分，机器学习可以分为有监督学习、无监督学习、半监督学习、集成学习、深度学习、强化学习等。在使用传统的机器学习算法过程中，最关键的是通过遥感数据最大限度地提取有用的特征以供算法使用。不同品种、不同处理下作物的外部形态与内部生理反应表现均有差异，常通过无人机遥感获取图像光谱信息，如提取颜色熵、颜色矩、颜色聚合向量等颜色特征，获取灰度直方图、灰度共生矩阵等纹理特征以及叶片、冠层的形状特征，同时结合田间测得的株高、叶面积、生物量等各项指标，将其作为特征输
22、入，用以构建模型。机器学习中的深度学习方法是模仿人类神经元的构架，通过对大量数据的特征学习而总结出数据特征中的高级抽象规律，以实现在不同领域中的应用。随着算力的增强、算法的完善，深度学习方法逐渐在无人机作物表型分析领域得到大量应用11。使用传统的机器学习方法提取特征往往需要进行手工提取或标注，而借助深度学习方法在特征提取上的优势，能够在作物特定形态结构的分类与识别上表现出较高的精度与稳健性，如可以通过深度学习算法，利用叶脉纹理特征将豆科作物不同品种的识别率提高到96.9%12。不过，深度学习方法需要大量训练数据和高性能计算机硬件的支持。尽管如此，深度学习方法在作物提取分类、目标识别计数、复杂背
23、景下目标分割等应用场景中有着无可替代的优越性。随着机载传感器和深度学习技术的不断发展，利用深度学习方法可以充分挖掘表型、基因与环境间的耦合关系，拓宽人工智能与农业生产间协同发展的前景，助力智慧农业的发展。2 无人机遥感在监测油料作物表型性状中的应用近年来，无人机遥感在油菜、大豆、花生、向日葵、油棕、橄榄等油料作物表型分析中应用较多，下面分别从油料作物形态学特征分析、生理生化指标检测、产量估测和逆境胁迫表型分析等几方面进行阐述。2.1 油料作物形态学特征分析2.1.1 作物识别与计数油料作物品种繁多，不同类型作物的产量、抗性等有所差异。随着精准农业的发展，快速、准确地获取作物田间种植空间分布特征
24、的需求越来越多，因为作物分布调查是评估田间苗情的前提，也是分析作物农情、管理和决策各种农事作业的基础，对油料作物种植规划及生产管理措施制定具有重要意义。长期以来，中国油料作物种植面积、早期苗情、品种分布等重要农业数据统计工作，主要通过人工统计等传统方法完成，存在调查工作量庞大、财力和物力耗费高、调查周期长等不足。无人机遥感的快速发展为小范围的农作物精细监测提供了技术支撑，在油料作物精细识别中具有重要作用。杨玉莹13基于200 m高度下无人机可见光影像，探讨了深度学习方法UNet网络在大豆种植区域提取中的应用。ZHAO等14结合田间调查数据，采用逐步回归分析方法，利用无人机超高分辨率（0.18
25、cm/像素）图像，实现了油菜机械直播出苗株数的有效统计。ZHANG等15提出了一种利用高分辨率无人机可见光图像的田间油菜计数框架，最佳窗口期为油菜46叶期，其中卷积神经网络（convolutional neural network,CNN）算法用于识别油菜叶片和计数，并结合LOOCV方法优化了幼苗计数与油菜叶片数之间的关系。宋志双16基于植被指数结合深度语义分割模型，提出了一种基于无人机多光谱影像数据的向日葵种植区域识别方法。李婕等17构建了注意力机制引导的卷积神经网络，搭建的油菜品种识别网络模型的准确率和Kappa系数分别达到了89.60%和0.89。LIN等18结合改进的YOLO-V5s目
26、标检测和DeepSort目标跟踪算法，搭建了基于无人机视频流的实时计数平台，用于统计花生苗的数量，实现了花生苗和杂草475第 49 卷浙 江 大 学 学 报（农业与生命科学版）的精准区分。近年来，低空无人机遥感对油料作物识别与计数的研究主要体现在：1）建立无人机遥感与实验区域实地调查相结合的方法，实现对作物种植区域的识别分割；2）结合机器视觉和深度学习方法，解决田间株数人工统计效率低且准确率不稳定的问题，实现田间株数自动化统计。无人机遥感在油料作物空间分布调查中的应用详见表1。2.1.2 株高测量与倒伏识别倒伏是限制油料作物高产、稳产、优质的主要因素；株高是衡量油料作物抗倒伏能力的重要指标，在
27、长势监测和新品种选育中作为主要目标性状，也是预测生物量、产量和判断作物生存环境、生育期的重要因素。作物株高的直接测量通常为人工使用卷尺或塔尺测量，直接测量方法精度高，但效率低且耗时长。基于无人机影像建立数字表面模型（digital surface model,DSM）和数字高程模型（digital elevation model,DEM），通过搭载激光雷达快速获取作物结构参数，可有效避免因直接测量对实验区域造成的扰动而带来的干扰，实现油料作物株高的精确提取。张建等26通过作物表面模型（crop surface model,CSM）影像与裸土高程的差值来获取油菜株高，且无人机拍摄的RGB图像生成
28、的数字表面模型可用于估算花生冠层高度，其准确率在可接受的范围（85%90%）内27。TEODORO 等28利用多光谱遥感计算植被指数，所建立的随机森林回归模型对大豆株高表现出很强的预测能力。AVTAR等29利用无人机 RGB 遥感平台生成数字冠层高度模型（canopy height model,CHM），当作业高度为 60 m时，模型对油棕的株高预测精度较高。SONG等30将无人机多光谱影像与高分辨率可见光图像融合，采用改进的SegNet深度语义分割模型实现了向日葵倒伏识别。章凌翔31基于无人机多光谱影像预测油菜的倒伏指数，发现利用随机森林回归模型预测效果最好，其R2=0.82，同时发现相较于
29、正常生长的油菜植株，倒伏油菜植株各波段的反射率均增加，且近红外波段的反射率增加的幅度最大。总体看来，结合实验样方数据和无人机遥感，随着低空无人机载荷种类的丰富，激光雷达、多光谱影像逐渐被应用于油料作物株高的估测和倒伏性状的筛选。2.1.3 叶面积指数测定叶面积指数（LAI）是指单位土地面积上植物叶片总面积与土地面积的比值，是生态学、大气和生态交互系统、全球气候变化研究中的重要结构参数。LAI反映农作物生理生化参数与植物的生长状态，是农作物水肥调控、长势监测以及产量评估的重要指标。ZHANG等32通过融合高光谱和多光谱数据，利用XGBoost算法对大豆开花期的LAI实现精准预测。CHAKHVAS
30、HVILI等33比较了不同飞行高度分辨率（0.0150.48 m/像素）下无人机多光谱遥感对大豆LAI的反演效果。MAIMAITIJIANG等34利表1 无人机遥感在油料作物空间分布调查中的应用Table 1 Application of UAV remote sensing in the spatial distribution survey of oil crops研究对象Object油菜Rape大豆Soybean向日葵Sunflower花生Peanut油棕Oil palm传感器 Sensor类型 TypeRGBRGBRGB+多光谱RGB+多光谱高光谱多光谱RGBRGB多光谱型号 Mode
31、l大疆经纬M600+Nikon D800大疆精灵4 RTKSony NEX-7；XIMEA MQ022MG-CM大疆精灵4 ProLeica Aibot X6+Headwall Nano-Hyperspec大疆S900+MicaSense RedEdge-MX大疆经纬M600+Sony ILCE-7R；Sony ILCE-5100L；大疆FC6310大疆Air 2S大疆精灵3+Parrot Sequoia飞行高度Flight altitude/m2022520025010020383.03.51050研究内容Research content幼苗识别计数13杂交油菜父本识别19植被覆盖率20种植
32、区域分割21种植区域分割22种植区域识别分割23植株识别24出苗检测18植株识别25最优效果Best performanceR2=0.87准确率为98%R2=0.79Kappa系数为0.94准确率为99.13%准确率为96.57%R2=0.89准确率为91.2%准确率为98.3%476第 4 期孙永祺，等：低空无人机遥感在油料作物表型分析中的应用用无人机集成RGB相机、多光谱相机、热红外相机等多个传感器，同步获取大豆的叶片颜色、植被指数和温度信息，利用融合的数据在大豆LAI预测上取得了较好的结果。SARKAR等35利用不同年份、不同基因型花生的无人机可见光图像，比较了蓝绿指数（blue gre
33、en index,BGI）、植物色素比率（plant pigment ratio,PPR）、归一化植物色素比率（normalized plant pigment ratio,NPPR）指数、归一化绿红差异指数（normalized green red difference index,NGRDI）和归一化叶绿素色素比率指数（normalized chlorophyll pigment index,NCPI）等植被指数反演LAI的效果；QI等36采集了8个种植密度下2个花生品种的无人机多光谱数据，选择对绿色植物LAI敏感的波段建立植被指数，构建简单回归和反向传播神经网络模型，可实现对花生 LAI
34、 的快速、准确、无损预测。PENG等37提出了一种基于无人机多光谱遥感预测不同种植密度和不同氮肥条件下油菜LAI的方法，发现红边叶绿素指数（red edge chlorophyll index,CIred edge）能够准确估算LAI，且误差低于15%。随着多光谱和高光谱传感器的加入，得到的植被指数的类型越来越丰富，利用统计方法分析不同植被指数和LAI的内在联系与相关性，可以探索适用于不同油料作物LAI估测的最佳方法。2.2 生理生化指标检测无人机遥感反演作物的生理生化指标，主要通过多光谱、高光谱传感器获得作物叶片和冠层在电磁波谱上的反射、透射和吸收特性，再利用激光雷达传感器获得高精度的垂直结
35、构信息，接着对光谱信息进行处理，最后通过构建大量的植被指数或多光谱指数以及孔隙度模型来评价作物生理生化特性。下面主要介绍叶绿素含量的检测、营养元素的诊断和生物量的检测。2.2.1 叶绿素含量检测油料作物的叶绿素含量与植被的光合能力、生长发育及氮素含量有较好的相关性，是反映农作物长势和营养状况的重要生化指标。无人机遥感能对油料作物的生长特征进行动态监测，及时、准确地获取作物叶绿素含量信息，这对于监测作物长势和病虫害动态以及预测作物成熟期和产量有重要意义。QI等38通过无人机多光谱结合BP神经网络，比较了不同种植密度下和不同种植品种间花生苗期、花期和结荚期的叶绿素相对含量（SPAD值）的差异。刘仕
36、元等39利用深度神经网络和卷积神经网络，建立了不同生育期花生叶片可见光图像与叶绿素含量的关系模型。MAO等40利用倾斜摄影比较了不同观测角度下高光谱相机生成的植被指数对大豆冠层SPAD值反演的影响，结果发现，不同观测角度对SPAD值反演精度影响不大，然而选择合适的植被指数对于提高预测模型的精度更为重要。HUANG等41利用越冬期甘蓝型油菜图像颜色特征，构建了油菜叶片的SPAD值随机森林回归模型，发现基于B/（R+G）颜色特征组合的预测效果最好。此外，叶绿素荧光动力学技术是了解作物光合功能、生理时空动态变化的一种有效、便捷的方法，刘源等42自主搭建了一套基于无人机平台的叶绿素荧光参数检测系统，用
37、于分析作物叶绿素含量，预测效果良好。传统的作物田间叶绿素含量测定以人工手持叶绿素仪测量最为广泛，该方法测量过程烦琐，测定面积有限，远不能满足大面积监测的需求。随着无人机遥感技术的发展，油料作物田间叶绿素含量测定逐渐实现实时、动态、宏观的监测。2.2.2 营养元素诊断植株营养丰缺状况是土壤养分供应能力、作物养分需求和作物养分吸收能力的综合反映。因此，可以通过测定植株体内养分含量的方法来评价作物当时的营养状况，以作为施肥推荐的依据。作物营养元素传统诊断方法通常需要进行破坏性取样，并将样品带回实验室进行进一步分析，该过程中工序烦琐，存在耗时、费力且时效性差等弊端，较难在生产实践中大面积推广。随着遥感
38、技术和机器视觉处理方法的不断发展，营养元素监测的手段已由传统的实验室常规测试向田间无损监测方向发展。梁晋等43利用无人机搭载的可见光相机来获取花生在不同生育期的可见光影像，以不同植被指数作为输入量，运用深度神经网络和卷积神经网络算法构建了花生叶片数字图像彩色信息与叶片氮含量的关系模型。高开秀等44采用无人机多光谱影像对不同施氮水平下的冬油菜进行氮素诊断，发现8叶期、10叶期、12叶期和蕾薹期的油菜宽波段植被指数与氮素营养指标极显著相关。ABDALLA等45利用无人机可见光图像结合卷积神经网络和长短期记忆算法，对不同氮、磷、钾含量处理下各个生长阶段的油菜缺素状况进行了精准分类。SANTANA等4
39、6利477第 49 卷浙 江 大 学 学 报（农业与生命科学版）用无人机光谱数据结合机器学习量化了103份大豆样品的氮、磷、钾含量，其中决策树算法和支持向量机算法的拟合效果最好。AMIRRUDDIN等47利用SMOTE、LMT和AdaBoost组合算法并结合无人机多光谱数据，在冠层尺度实现了对油棕氮、磷、钾、镁、钙等营养元素含量的检测。NOGUERA等48从多光谱正射镶嵌中提取反射率作为输入，并评估PLSR、ANN、SVR、GPR算法对橄榄树叶片氮、磷、钾含量的反演效果，发现利用ANN算法得到的数据精度最佳（其中，氮R2=0.63，磷R2=0.89，钾R2=0.93）。多光谱传感器的电磁波谱主
40、要在可见近红外波段，而高光谱传感器的波段信息更为丰富，有些包含紫外、中红外波段的电磁波，它们之间的主要区别在于波段的数量及宽度。目前，在油料作物的营养元素检测方面，基于高光谱的研究要少于可见光、多光谱遥感研究。在未来，应根据不同作物的特征，充分利用高光谱遥感的光谱分辨率高、处理信息量大的特点，进一步提升营养元素诊断效果。2.2.3 地上部生物量检测作物地上部生物量是重要的农艺性状，定义为单位面积内地上有机物质的总量，与作物产量密切相关。在农业生产中，高效、准确地估算油料作物地上部生物量是监测油料作物生长状况和加强特定农艺措施的先决条件，对保障食用油和生物燃料供应具有重要意义。张建等26利用无人
41、机搭载五镜头倾斜摄影相机，同时从多个角度获取了油菜终花期的可见光图像，评估和对比了倾斜摄影和正射成像这2种方式下的油菜生物量预测数据，结果发现倾斜摄影与正射成像在油菜生物量估测精度上没有显著差异，且两者均在40 m高度下具有最好的生物量预测效果，相关系数（r）分别为 0.772 和 0.742。MAIMAITIJIANG等49发现，可利用RGB图像衍生的光谱、结构和体积信息的潜力，以及提出的植被指数加权冠层体积模型（vegetation index weighted canopy volume model,CVMVI）估算大豆地上部生物量，并取得了很好的预测结果（R2=0.893）。MOREI
42、RA等50利用无人机采集的多光谱和可见光图像对大豆群体（383份材料）的全生育期生物量进行了预测。WAN等51基于无人机604872 nm多光谱图像与PROSAIL模型实现了对油菜生物量的估测。LIU等52评估了无人机多光谱图像预测冬油菜生物量的可行性，他们对2年的实验数据集使用偏最小二乘回归和随机森林回归模型进行了训练，结果表明，随机森林回归模型在将植被指数和纹理特征相结合来评估油菜生物量方面具有巨大潜力。有研究显示，单个植被指数在高密度种植环境下或作物生长后期容易出现饱和状态53，不利于模型的分析。而油料作物通常是高密度种植的作物，因此通过多源数据融合，选用先进的算法模型来增加预测模型的准
43、确性和鲁棒性尤为重要。2.3 油料作物产量估测产量是作物科学研究的核心内容，作物产量与作物的生长发育和分化，以及光合产物的分布和积累密切相关。在油料作物生长季，利用作物生育期、冠层结构、叶绿素含量、LAI、生物量等表型参数，再结合无人机遥感提取的图像特征、光谱反射率和植被指数，可对作物产量进行合理地预计和估测（表2），对农业生产者合理有效开展种植、育种、生产和销售活动均具有指导意义。朱红艳4基于无人机平台搭载的高光谱成像系统采集油菜角果期遥感影像，利用选出的特征波长构建多个植被指数，并结合极限学习机、支持向量机等算法建立了油菜估产模型。LUKAS等54利用油菜花期获得的多光谱数据构建了归一化植
44、被指数（normalized difference vegetation index,NDVI）、蓝色归一化植被指数（blue normalized difference vegetation index,BNDVI）和 归 一 化 黄 色 指 数（normalized difference yellowness index,NDYI），其中使用BNDVI和NDYI实现了对油菜产量的高精度预测。MAIMAITIJIANG等55将可见光、多光谱和热红外多源数据融合于深度神经网络框架内估算大豆产量。DA SILVA等56利用固定翼无人机搭载多光谱传感器讨论了大豆产量与不同植被指数之间的相关性。通常
45、情况下，大面积的作物田间产量估测可以通过地面样地监测与卫星遥感估算结合进行，然而，卫星遥感经常受到气象变化的干扰，同时，卫星影像的分辨率过低，导致卫星遥感测产模型的准确率不高。在中、小尺度范围内，低空无人机遥感克服了人工调查效率低、卫星遥感分辨率不高以及云层干扰等外界条件的限制，通过多种传感器获取光谱、空间结构信息，并结合机器学习等方法能客观估测油料作物的产量。478第 4 期孙永祺，等：低空无人机遥感在油料作物表型分析中的应用2.4 油料作物逆境胁迫表型分析2.4.1 非生物胁迫检测自然界中对植物生长发育不利的各种环境因素称为逆境或胁迫，非生物胁迫主要包括水分、温度、化学因素、辐射、风雪、冰
46、雹等类型。由于各种胁迫严重影响作物生长发育，可导致作物产量减少，因此提前识别对作物产生胁迫的因素，并采取适当的防御手段，是实现农业可持续发展的重要环节。无人机遥感因时空分辨率高等优点，在作物非生物胁迫监测方面得到了越来越多的应用。LI等60利用无人机平台采集了渍水胁迫下甘蓝型油菜重测序群体（505份）的形态指标和光谱指标，结合全基因组关联分析对该群体多个时期的表型与内在遗传基础的响应动态进行了分析，预测到一个响应非生物胁迫的基因BnaA4.DRIP2，并对其进行了功能验证。安谈洲等61用无人机搭载RGB相机采集了2 052份油菜育种材料的越冬期图像数据，并从中提取油菜冻害表型特征，利用卷积神经
47、网络对油菜是否发生冻害进行识别，发现对油菜冻害的整体识别精度达98.13%。ZHOU等利用由RGB相机、热红外和多光谱相机组成的无人机成像系统，量化了干旱胁迫下大豆冠层萎蔫表型性状62，基于无人机多光谱和红外图像、深度学习方法鉴定了大豆对渍水胁迫的反应，提取了冠层温度，植被指数，冠层面积、宽度和长度等表型参数，并发现在20 m高度处采集到的数据分类效果最好63。当前，气候变化在全球范围内造成了规模空前的影响，天气模式改变以及自然灾害频繁发生导致农作物生产面临严重威胁。低空无人机遥感能够定量评估区域作物在灾害胁迫下的时空变化，与气象数据、历史数据结合分析能起到预测预报的作用。2.4.2 生物胁迫
48、检测病害和杂草是作物生产中面临的主要生物胁迫。及时获取病害在油料作物田间的空间分布与发展趋势，识别小尺度区域内的杂草分布，是病虫草害防治的关键。CHEN等64利用无人机高光谱数据实现了花生早期青枯病的检测；SHAHI等65利用多光谱数据检测到了花生叶斑病的发生；HATTON等66利用无人机多光谱平台量化了大豆猝死综合征在160份大豆中发生的严重程度；KURIHARA等67使用机器学习算法结合无人机高光谱成像对感染茎腐病的油棕进行了有效分类；RAZFAR等68探索了多种深度学习算法对无人机图像中大豆田间杂草检测的性能，发现利用卷积神经网络算法对杂草识别的准确率高达97.7%。目前，在油料作物病害
49、的识别中，当无人机遥感观测到时油料作物已处于发病的中后期，因此，实现早期有效监测、及时用药防治，对田间实际生产具有重要意义。3 问题与展望田间油料作物表型分析的难点在于及时、有效、准确地获取并分析和挖掘小尺度区域内作物长势信息。无人机在低空遥感领域发展迅猛，目前在田间作物表型的获取与分析中发挥了重要作用，在精准农业领域有着独特的优势，然而其在实际应用中仍存在一些局限性。3.1 无人机性能待优化在复杂的田间环境中，无人机平台存在续航时间短、受外界干扰影响大和载荷不足等问题。天气表2 无人机遥感在油料作物产量估测中的应用Table 2 Application of UAV remote sensi
50、ng in yield estimation of oil crops研究对象Object大豆Soybean油菜Rape橄榄Olive传感器 Sensor类型 TypeRGB+多光谱RGB+多光谱多光谱多光谱RGB型号 ModelsenseFly eBee X+Parrot Sequoia大疆经纬M600+GoPro；MicaSenseRedEdge大疆经纬M600+MicaSense Altum大疆经纬S1000+Mini-MCA大疆经纬Spark特征Feature冠层纹理信息+植被指数57图像特征+植被指数20植被指数54植被指数+地面高光谱58冠层半径59最优模型Best modelCu
