于丰华，张鸿刚，金忠煜，白驹驰，郭忠辉，许童羽
（沈阳农业大学信息与电气工程学院/辽宁省智慧农业技术重点实验室，沈阳 110161）
我国水稻产量约占粮食产量的1/3，全国有2/3人口以稻米为主食，水稻稳定生产对保障国家粮食安全具有举足轻重的作用[1]。近年来水稻生产集约化，规模化的趋势愈发明显。利用无人机遥感技术可及时掌握水稻生育期内营养、病虫害等长势关键信息，能够为水稻田间管理、品种选育等提供可靠的数据支撑。促进了大规模农作物的检测和精准施肥，有助于提升农业生产力、降低环境污染和实现可持续性发展。
水稻田间长势信息获取方式主要有：人工地面采集、卫星遥感采集和无人机遥感采集。其中人工地面采集方式更多是选择一定数量的水稻植株进行测量，主要包括病害等级分类[2]、叶绿素含量[3]、氮素含量[4]、光合速率[5]等信息的获取。这样的方法受限于测量效率、人工成本等因素，很难适用于水稻规模化生产和商业化育种。卫星遥感采集方式，受限于当前光学卫星的空间分辨率、回访周期、成本等多因素限制，更多适用于开展省级或者全国尺度的水稻产量估测[6]、种植面积提取[7]、灾害评价、物候分析[8]、品种分类[9]等领域的研究，难以针对田块尺度的水稻长势进行精准监测。与此相比无人机遥感采集具有响应能力快；
图像分辨率高；
应用拓展能力强，可根据实际需求更换多种小型遥感传感器；
运营成本低的优势，非常适合对田块尺度的水稻长势进行精准监测[10]。
本研究以无人机遥感在水稻理化参数反演中的相关研究成果为综述对象，梳理并总结了当前该领域的国内外研究进展与前沿方向，以期为今后基于无人机遥感手段的水稻无人机定量遥感研究提供相关的理论基础与技术支持。
无人机遥感平台是开展水稻定量遥感研究所必须的仪器设备，主要包括无人机飞行平台和遥感载荷两个部分，不同的飞行平台对应不同的水稻生产规模，遥感载荷主要决定了获取水稻遥感数据的类别。
1.1 无人机飞行平台概况
目前在农业无人机遥感研究和应用方面更多采用的是以电动无人机平台为主[11-12]。根据其机翼和飞行方式的不同无人机飞行平台可分为多旋翼、固定翼和复合飞行平台。多旋翼可以在空中悬停，方便进行拍摄和监测任务。多旋翼的优点是机动性好，悬停时间长，易于操控。但是它们的续航能力比较差。固定翼的优点是能够长时间在空中飞行，续航能力强，速度快，适合长距离的监测和侦察任务。但是，它们的机动性较差。复合飞行平台结合了多旋翼和固定翼的优点，具有垂直起降和长时间在空中飞行的能力。其优点是能够在狭小的空间内起降和操作，同时又能够长时间在空中飞行，适合于监测和侦察任务。但是，由于复合飞行平台的结构和复杂性，造价较高。总的来说，选择不同类型的无人机取决于任务需求和环境条件。水稻无人机遥感领域常用飞行平台如表1。
表1 水稻定量遥感常用的飞行平台Table 1 Common flight platforms for quantitative remote sensing of rice
表2 主要的无人机农业遥感载荷Table 2 Main UAV Agricultural Remote Sensing Loads
无人机低空遥感平台经过不断的技术升级，已极大程度地简化了飞行操控难度，特别是在面向小面积的多旋翼的飞行平台的操控上，已实现自主飞行获取遥感数据，使得无人机遥感数据获取能够流程化、标准化进行。
1.2 农业无人机遥感常用载荷
遥感载荷是搭载到无人机飞行平台获取水稻遥感信息的主要仪器设备，根据数据获取类型主要包括：数码相机、多光谱相机、高光谱成像仪、热成像仪、激光雷达、日光诱导叶绿素荧光仪等。
数码相机能够获取水稻冠层高分辨率的RGB 可见光影像，也是无人机遥感中最常见、成本相对较低的一种无人机遥感载荷，有效像素可达千万级别。
多光谱相机也称为多通道光谱仪，是由特定波长构成的遥感影像采集设备，多光谱影像相比可见光影像主要是增加了对农作物长势变化敏感的近红外波段与红边波段信息。
高光谱成像仪能够获取一定波长范围内连续波段的反射率信息，农业遥感领域，机载高光谱成像仪主要波段范围为400～1 000 nm。由于高光谱成像仪能够获取水稻冠层高维度的反射率信息，相比于可见光和多光谱的信息维度，具有明显优势。但其不足在于无人机飞行高度相同情况下，高光谱影像的空间分辨率要显著低于可见光和多光谱的遥感影像。
热红外成像仪其主要工作原理是利用红外探测器和光学成像镜接受被测目标红外辐射能量，经过红外光学系统红外探测器的光敏源利用电子扫描电路对被测物的红外热像进行扫描转换成电信号并通过标定算法将其转换为温度，在此基础上将每一个像素点的温度转变为灰度数字矩阵，并添加伪彩处理形成无人机热红外遥感图像[18]。
激光雷达(LiDAR)是一种主动遥感技术，主要利用了光遇到障碍物反射这一原理，通过机载LiDAR 系统发射激光，在遇到地面物体后反射回来被LiDAR系统中CMOS传感器接收，通过时间差计算无人机到地物的距离。
日光诱导叶绿素荧光（SIF）是植物在太阳光照条件下，由光合中心发射出的光谱信号，具有红光和近红外两个波峰，能直接反映植物实际光合作用的动态变化。SIF 遥感是近年迅速发展起来的植被遥感技术，弥补了当前植被遥感观测的不足。
1.3 无人机遥感数据处理软件及预处理方法
无人机飞行平台和遥感载荷是开展水稻无人机定量遥感的硬件基础，而获取高质量的稻田无人机遥感数据进行定量分析则需要软件的支持。目前无人机飞行平台均自带自主飞行控制软件，能够保证按照标准化的航线对所要分析区域进行遥感数据采集，也存在一部分高集成的载荷如Sequioa、RedEdge 等可自主获取影像。获取遥感影像原始数据之后，通常需要进行遥感影像的拼接与预处理，常用的数据拼接软件包括：PIX4Dmapper、Agisoft PhotoScan、RockyMapper、DJI Terra 等。完成无人机遥感影像拼接之后，需要对其进行包括几何校正、辐射定标、裁剪等一系列的遥感影像预处理，常用软件包括ENVI、PIE 等。预处理之后的遥感影像可以通过提取感兴趣区等进行遥感反演建模，在建模过程中，主要包括分类识别和定量反演。主要用到深度学习、机器学习、统计分析等方法，主流工具软件及平台包括：Matlab、SPSS、Paddle、Pycharm 等。在完成建模之后，往往需要对遥感结果进行可视化处理，常用软件包括ArcGIS、SuperMap等地理信息处理软件。
图1 水稻无人机遥感数据处理流程Figure 1 Remote sensing data processing flow of rice UAV
2.1 水稻氮素含量无人机遥感反演
氮素是影响水稻生长发育和最终产量的最主要元素，氮含量的变化会影响光合作用、蛋白质合成，以及碳氮代谢，因此水稻氮素是表征水稻长势情况的重要信息，通过氮素水平精准施肥可提高水稻生产率，同时也是目前水稻无人机遥感领域开展研究较多的方向之一。其中，利用无人机光学遥感构建光谱指数建立统计回归反演模型，是水稻氮素含量反演最常用的方法。基于传统的宽波段植被指数，归一化植被指数（normalized difference vegetation index，NDVI）、比值植被指数（relative volatility index，RVI）等，反演水稻氮素含量的精度并不很高，这主要是由于这些植被指数只能大致描述水稻的总体长势，而无法针对具体的生化组分含量信息做出准确预测。部分研究人员利用高光谱信息维度优势构建窄波段植被指数来提升水稻氮素含量反演精度[36]，植被指数构建形式上大多借鉴了传统NDVI、增强植被指数（enhanced vegetation index，EVI）等植被指数的方式，ZHENG等[37]通过无人机高光谱遥感数据，构建了窄波段植被指数NDRE，并采用回归分析方法反演水稻氮素含量，结果表明，利用NDRE的反演效果要优于传统宽波段植被指数的反演效果。INOUE等[38]使用机载光谱仪构建高光谱植被指数RSI，在区域尺度上反演水稻氮素含量获得了较好的精度。无人机植被指数作为输入量反演水稻氮素含量的优势在于简单可操作，但由于氮素含量对光谱的影响机理较为复杂，单纯利用植被指数往往难以描述这种复杂关系，这也导致利用植被指数反演氮素含量精度容易受到不同程度的干扰。为了更好的发挥高光谱的数据维度的优势，研究人员通过特征提取方法对无人机获取的高光谱反射率进行降维，提取高光谱特征，再结合机器学习算法建立水稻氮素含量无人机遥感反演模型。杨红云等[39]运用主成分分析法(principal component analysis,PCA)和连续投影算法(successive projections algorithm,SPA)对水稻高光谱反射率进行特征提取，基于光谱特征建立的水稻氮素机器学习诊断模型在训练集和预测集上的准确率均超过95%。在水稻氮素含量无人机遥感建模方法上，基于物理模型的反演方法较少，目前仍然以数据驱动的方法为主。水稻氮素含量无人机遥感反演常用的机器学习模型包括：GPR[40]、PLSR[41]、RF[42]、NN[43]等，如何提升水稻氮素含量无人机遥感反演的机理性是水稻氮素含量无人机遥感反演的重点。
2.2 水稻叶绿素含量无人机遥感反演
水稻叶片色素含量主要包括叶绿素和类胡萝卜素，其中叶绿素含量能够直观反映水稻的营养状况,与水稻叶片光合作用密切相关[44]。水稻叶绿素含量无人机遥感建模研究主要包括：数据驱动、机理模型驱动两种方法。曹英丽等[45]针对东北水稻叶绿素含量无人机高光谱反演中红边位置特征不明确的问题，分析了水稻叶绿素含量红边光谱响应特性，采用五种机器学习方法分别建立了水稻叶绿素含量无人机遥感反演模型，为水稻冠层叶绿素含量高效监测提供了参考。XU等[46]结合作物辐射传输机理PROSAIL模型,优化贝叶斯网络模型结构，改善了水稻叶绿素含量无人机遥感病态反演问题，提升了反演精度。LIU 等[47]运用自适应蚁群优化算法（AU-ACO）提取水稻无人机高光谱特征，并通过极限学习机（ELM）与偏最小二乘回归（PLSR）耦合，构建了水稻叶绿素含量反演模型，提升了水稻叶绿素含量无人机遥感预测能力。
2.3 水稻其他组分含量无人机遥感反演
除氮素、叶绿素外，利用无人机遥感技术在水稻其他养分含量反演上，国内外研究人员也开展了相关研究。班松涛等[48]采用连续投影法提取了与水稻叶片磷素相关性较高的无人机高光谱特征波段，运用四种机器学习方法分别构建磷含量的反演模型。LU 等[49]基于无人机遥感研究了不同光谱指数和纹理特征反演水稻钾含量的可行性，构建了融合纹理特征和植被指数的水稻钾含量反演模型。
3.1 水稻LAI无人机遥感反演
叶面积指数（leaf area index,LAI）是水稻重要的结构参量之一，LAI是描述冠层结构的无量纲变量，与植被光合活性和植物健康有关。它可以被视为作物生物量、收获指数和谷物产量的潜在代表,对于评价水稻长势、预估最终长势以及水稻农业生产均具有重要意义。采用传统农学方法计算水稻LAI 虽然计算结果较为精准，但需要进行破坏性采样，且单点尺度上的LAI 往往难以表征水稻的群体状态。无人机低空遥感手段能够通过搭载多种光学传感器，利用数据驱动、物理模型驱动、数据同化等多种方法反演水稻田块尺度LAI。YAN 等[50]针对48 个不同的水稻品种，运用无人机多光谱遥感影像计算植被指数，采用统计分析方法建立水稻LAI 反演模型，研究结果表明，整个生育期内植被指数与LAI 的相关性较弱，特别是抽穗前与抽穗后的植被指数与LAI的关系均存在显著的滞后，利用植被指数与冠层高度融合可提高反演精度。杭红艳等[51]通过不同纹理组合方式优选纹理指数，分别以光谱特征、纹理指数和覆盖度作为输入量建立了多指标融合的水稻LAI无人机遥感反演模型，模型均方根误差为0.3。采用数据驱动方法建立无人机遥感水稻LAI反演模型，反演结果与试验条件、数据采集方式有较强的相关性，模型的普适性存在不足。LI等[52]采用辐射传输机理模型PROSAIL，利用无人机高光谱遥感影像通过建立查找表反演水稻LAI，有效改善了水稻分蘖期LAI反演被高估的情况。
3.2 水稻生物量无人机遥感反演
水稻地上生物量是评价水稻生长的关键参量之一，通过遥感的方式估测作物生物量，其中光学遥感和激光雷达传感是水稻生物量估算主要的遥感数据来源，而其中以光学遥感反演最为广泛[53]。XU 等[54]基于无人机获取了稻田冠层光谱、纹理等特征，通过优化高斯过程回归方法建立了水稻生物量反演模型，改善了水稻生物量较高时模型反演饱和问题。DAISUKE 等[55]结合无人机低空遥感数据获取水稻覆盖度，建立了无人机遥感影像、水稻生物量、数量性状位点（quantitative trait locus,QTLs）三者之间的模型关系，提升了无人机高通量表型获取在水稻辅助育种中的应用效果。
3.3 水稻其他结构参量无人机遥感检测
除水稻LAI、生物量等主要结构参量外，利用无人机遥感技术在水稻株高、稻穗等结构参量的检测上已有研究人员开展了相关研究。LU 等[56]通过获取水稻多光谱与可见光遥感影像提取稻田NDVI 和植被覆盖度，采用多元线性回归方法建立的水稻株高监测模型，模型R2为0.838。
4.1 水稻产量无人机遥感估算
水稻产量的遥感精准估测，对于水稻品种选育、保险定损、生产管理等均具有重要意义。常用的无人机遥感估产方法是建立多个生育期植被指数与产量之间的统计模型，该方法由于具有简单、高效等优点而被广为应用[57-58]。但不同时间点获取的光谱信息其自然条件必然存在差异，提取的植被指数也必然存在着一定误差，影响产量反演精度[59]。已有研究采用“相对光谱变量”和“相对产量”的概念开展多时相无人机水稻产量遥感估算，平均相对误差绝对值达小于5%[60]。DUAN等[61]针对不同物候条件下的水稻，采用无人机遥感构建增强型植被指数，通过多时相反演方法反演了不同地区、不同品种的水稻产量，误差精度在7%以内，研究结果表明利用无人机多时相遥感能够有效反演水稻产量。除采用植被指数进行产量监测外，部分研究人员也采用基于图像分析方法估算水稻产量，REZA 等[62]利用水稻无人机低空RGB 影像，提出了一种基于K-Means 与核相关滤波（kernel correlation filter，KCF）算法融合的方法分割水稻穗，再利用农学公式估算水稻产量，为低成本水稻估产提供了一种新的方法。同时部分研究人员采用高光谱信息与纹理特征相融合的方式构建面向水稻育种小区的无人机遥感产量估算模型，改善了传统机器学习方法估算水稻产量的精度[63-64]。HAYAT 等[65]提出了一种基于无监督贝叶斯学习方法的多元高斯混合模型(gaussian mixture model，GMM)，用于识别水稻无人机遥感影像中的稻穗数量，稻穗识别的精度在90%以上，能够为水稻育种、产量估算提供决策依据。OGAWA 等[66]设计了一种可利用低成本无人机可见光相机能够准确识别稻田中水稻穗位的深度学习方法，辅助开展水稻品种选育和产量的评估。
4.2 水稻病害无人机遥感监测
水稻病害无人机遥感监测对于提供水稻田间植保管理决策、保障水稻产量和品质均具有十分重要的意义。AN等[67]采用无人机多时相高光谱数据，采用光谱特征与时间特征耦合的方法建立了水稻稻曲病病害检测模型，识别准确率为85%。肖文等[68]采用分窗Gram-Schmidt变化对无人机稻田高光谱遥感影像进行特征提取，并运用PSO-SVR 算法建立了水稻纹枯病病情指数检测模型。孔繁昌等[69]利用无人机高光谱平台获取不同病害等级的水稻穗颈瘟冠层数据，使用随机森林建立识别模型，并结合水稻生理参数对各输入量的特征关联加以解释，预测集精度达到90%，能够解释穗颈瘟所引起的植株整体生理参数综合变化过程。
4.3 水稻倒伏无人机遥感识别
水稻倒伏对水稻产量和收获以及后期的保险定损均具有重要的意义，由于倒伏的水稻与正常水稻在株型结构上具有较大差异，因此常采用图像分类方法进行识别。YANG 等[70]结合无人机遥感数据采用轻量化深度学习模型EDANet，实现了稻田水稻倒伏的精准识别，识别精度超过90%。TIAN 等[71]对无人机获取的多光谱影像构建纹理特征指数，所建立的倒伏检测模型比相应的图像识别模型更准确。
基于无人机遥感的水稻理化参量反演研究，目前已取得了一定的研究成果，通过对相关研究进行总结，现阶段水稻无人机遥感领域研究存在的难点及发展建议如下：
水稻理化参量无人机遥感反演大多以数据驱动方法为主，反演模型的物理意义仍然存在不足。机器学习、深度学习等算法的近年来得到了快速发展，采用数据驱动建立无人机遥感信息与水稻理化参量之前的对应关系，很大程度上简化了建模难度，仅需要获取大量样本的数据集即可完成建模，提高了模型效率，但数据驱动方法对于数据采集条件、数据样本量均有较高需求，同时模型的限定条件较多，反演模型的普适性不足[72]。作物辐射传输利用物理方法准确描述太阳辐射与作物光谱之间的响应机理，是利用无人机遥感开展水稻定量遥感重要的理论基础，其中PROSPECT模型是目前用来描述水稻叶片最为常用的辐射传输机理模型，能够模拟作物叶片400～2 500 nm 的光学特性[73-74]，2021年PROSPECT 模型的最新升级PROSPECT-PRO 模型将蛋白质从纤维素、木质素、半纤维素和淀粉中分离出来，优化了叶片辐射传输模拟过程，为通过光谱信息反演作物的碳氮含量提供了一定的基础[75]。而辐射传输模型虽然能够在模型物理意义上具有一定优势，但其反演的水稻参量仅限于辐射传输模型的输入参量，在反演方法上主要以查找表法、数值优化法为主[76]，存在反演效率不高的问题。
水稻氮素含量、病害等级等参量是目前水稻无人机遥感主要的农学参量，但如何利用无人机遥感指导水稻田间追肥、施药形成精准作业处方图在生产实际应用中仍然存在不足，其中缺少用于决策的参考遥感信息是问题的关键之一。部分研究通过最优栽培模式构建水稻标准生田，获取对应的无人机遥感信息作为标准参考遥感信息，与田间实测的无人机遥感数据比较，形成处方图[77-78]。而水稻标准田的构建仍然存在较多的限制因素，包括品种、物候、栽培模式等限制，而引入水稻生长模型作为决策参考依据是未来利用无人机遥感开展水稻田间管理决策的重要方法[79-80]。
水稻无人机遥感大数据存在不足并且水稻的研究集中在亚洲，全球关注度不够。人工智能近年来的得到了快速发展，已在互联网领域得到了广泛应用，其中海量数据是开展人工智能研究的前提。目前，水稻理化参量、无人机遥感数据的获取主要还是依靠每个科研团队的独立采集，难以真正建立水稻无人机遥感大数据集。因此如何在全国范围内建立一种水稻无人机遥感数据采集规范与共享机制，对于促进科研人员突破水稻无人机定量遥感关键技术具有重要意义。
猜你喜欢 植被指数氮素反演 反演对称变换在解决平面几何问题中的应用中等数学(2022年5期)2022-08-29基于植被指数选择算法和决策树的生态系统识别农业机械学报(2019年6期)2019-06-27AMSR_2微波植被指数在黄河流域的适用性对比与分析水土保持研究(2018年5期)2018-10-12河南省冬小麦产量遥感监测精度比较研究中国农业信息(2018年2期)2018-07-28基于低频软约束的叠前AVA稀疏层反演石油地球物理勘探(2017年4期)2017-12-18基于自适应遗传算法的CSAMT一维反演石油地球物理勘探(2017年2期)2017-11-23主要植被指数在生态环评中的作用西藏科技(2015年1期)2015-09-26叠前同步反演在港中油田的应用长江大学学报(自科版)(2014年2期)2014-03-20楸树无性系苗期氮素分配和氮素效率差异植物营养与肥料学报(2011年5期)2011-11-06基于光谱分析的玉米氮素营养诊断植物营养与肥料学报(2011年2期)2011-10-26