农业科研：无人机遥感饲草作物生长监测研究进展

饲草作物生长的动态监测与定量估算，对于饲草规模化生产具有重要意义，为了获取饲草作物生长信息，中国农业大学水利与土木工程学院联合新疆农业科学院土壤肥料与农业节水研究所、农业节水与水资源教育部工程研究中心、沧州市农林科学院等科研院所，组成研究团队。充分利用无人机遥感分辨率高、灵活性强、成本低等特性,应用场景不断拓展。

为了掌握无人机在饲草监测的国内外应用现状,确定重点发展方向。

一、无人机遥感饲草作物监测研究态势

2012—2021年无人机遥感饲草作物监测的论文发表数量整体呈现从无到有且快速增长的趋势。其中，2012—2017年间的论文发表数量较少，总计不足30篇。自2018年起，越来越多的研究论文开始使用机器学习、SFM等技术方法，饲草作物的监测指标也逐渐扩展至氮浓度含量、品质、叶面积指数等。这些论文表明随着计算机信息技术、遥感技术的迅速发展，无人机遥感在饲草作物监测领域中的应用潜力得到了相应的挖掘。

近10年全球主要国家无人机遥感饲草作物监测论文发表数量。其中中国在本领域的研究起步较晚，2015年前尚未发表相关论文。而随着2012年开始实施的“振兴奶业苜蓿发展行动”与2015年起实施的“粮改饲”等政策，中国饲草产业进入蓬勃发展的时期，甘肃河西走廊、宁夏河套灌区、毛乌素沙区等地充分利用产区气候干燥少雨、利于干草生产的有利因素，成为优质苜蓿的主产区。随着饲草生产区域的不断扩大，越来越多的研究者加大了对饲草作物的研究投入，中国研究者在2016—2021年间共发表相关论文38篇，位于世界首位。

美国牧草生产历史悠久，全国近14%的农田种植牧草，种植面积约为2470万公顷，种植的紫花苜蓿和玉米、大豆、小麦进行豆禾轮作，对饲草作物的研究较深入，自2013年起至今共计发表相关论文34篇。其他国家如德国、澳大利亚、英国等也在近年间相继发表了研究论文。通过这些数据表明，全球众多国家已经开展了无人机遥感在饲草作物生长监测中的应用研究，并取得了一定的进展。但根据论文发表数量及发表趋势判断，总体来说，此领域目前并非研究者关注热点领域。

二、无人机遥感饲草作物监测研究现状

本节主要围绕近年来无人机遥感监测在饲草作物中的研究应用现状，从可见光、多光谱、高光谱、热红外和激光雷达传感器5个方面进行总结和评述。

1、可见光遥感

可见光传感器具有成像分辨率高、数据处理简单、成本低等优势，目前在饲草作物的覆盖度、生物量监测中应用最广。在植被覆盖度的研究中，证实过绿指数在估算饲草作物植被覆盖度的可行性。采用监督分类结合植被指数直方图分析了6种可见光植被指数对草地的识别效果，结果表明归一化红绿差异指数提取植被覆盖度的精度最高。植被因子指数和EXG估测草地覆盖度的效果较好，平均精确度均在93%以上。

使用敏感植被指数与生物量直接构建线性或非线性模型是饲草作物生物量监测的方法之一。使用NGRDI构建的亚高山草甸的生物量指数回归模型，以及使用红绿蓝植被指数构建的青藏高原地区放牧草地的生物量模型，均取得了较好的结果。

近年来众多研究发现数字表面模型特征所包含的绝对高度信息能为饲草作物的生物量提供重要参照，可以弥补可见光影像中波段少光谱信息量低的不足，提高模型的预测精度。除此之外，基于AlexNet深度学习网络成功预测了不同基因型大黍的生物量，预测值与实际值相关系数r达到0.88。探究不同飞行高度和拍摄角度对紫花苜蓿生物量建模精度的影响，明确了飞行高度为50 m，拍摄角度为75°时构建的生物量模型精度最高。对比了30、40、50 m飞行高度下构建的草地生物量模型，模型的决定系数R 2分别为0.65、0.63、0.63，表明飞行高度对结果的影响不显著。

深入挖掘分析高分辨率的可见光遥感信息，通过回归分析、机器学习、SFM等方法在植被覆盖度、株高和生物量等方面展开研究，取得了令人满意的结果。相比于多光谱相机，可见光相机的波段数较少，尤其是缺乏红边、近红外波段的信息，为营养价值估算、倒伏判断、含氮量监测等方面研究带来了挑战。然而可见光传感器成本低于多光谱、高光谱等传感器，具有良好的经济适用性，是无人机遥感监测推广普及的首选方案。

2、多光谱遥感

普通的可见光传感器只包括R、G、B三个波段，而多光谱相机包含的红边、近红外等波段能够更好地捕捉作物整个生育期内的光谱反射特征，使用基于红边、近红外波段构建的植被指数可以准确地开展生物量估算、营养指标监测等工作。常用的多光谱植被指数包括归一化植被指数、绿色归一化植被指数、归一化红边指数等。

在育种表型参数解析方面，使用NDVI指数与覆盖度计算苜蓿干草质量并与实测值进行相关性分析，评估了不同品种苜蓿的生产力。分析NDVI、NDRE、GNDVI和绿红比值植被指数四种多光谱植被指数与苜蓿生物量的相关性，成功提高了饲草作物育种试验的效率与准确性。

在氮素监测研究中，基于多光谱遥感数据构建了红羊茅草-黑麦草混合草地氮浓度、氮吸收、生物量和氮营养指数反演模型。使用RF算法构建了基于5种多光谱植被指数的青贮玉米含氮量反演模型。大量研究证实了使用多光谱植被指数能够预测饲草作物的产量，在此基础上，使用多光谱指数融合冠层结构信息能够避免光谱指数模型在产量高值区出现饱和，在黑麦草、白车轴草-黑麦草混播草地和紫花苜蓿的产量预测模型中加入作物冠层结构信息，均获得了更好的预测效果。

与可见光遥感相比，多光谱遥感获取的近红外波段能够为作物信息反演提供更多的支持，也使数据处理和模型构建具有更大的操作空间，然而当前的研究主要围绕简单的波段组合展开，尚未体现饲草作物在连续波段范围的吸收过程。总体而言，多光谱遥感的综合应用价值较大，是一种较为成熟、适合推广应用的遥感监测手段。

3、高光谱遥感

高光谱传感器相较于多光谱传感器可以提供更丰富的光谱信息，从而敏感地捕获植被正常或胁迫生长引起的光谱反射率变化。在高光谱的研究中，对比了可见光与高光谱影像估算草地生物量、含氮量的效果，证实了高光谱植被指数在草地含氮量的估算中优于可见光。通过无人机搭载高光谱相机获取苜蓿冠层植被指数，结合RF、SVR和K近邻算法3种机器学习算法，构建了基于集成机器学习算法的苜蓿产量预测模型，结果表明集成模型优于基础学习算法模型，最优模型的R2为0.87。在产量预测的基础上，首次将多任务模型用于作物营养价值估算，使用基于长短期记忆和ANN的多任务学习模型估算了苜蓿品质，结果表明多任务模型在估算苜蓿品质方面优于其他模型。研究不同算法对牧草品质的估算效果，结果表明基于SVR的粗蛋白模型精度最高，而基于Cubist回归的酸性洗涤纤维模型精度最高。

已有研究结果表明，高光谱遥感在饲草作物含氮量、产量和营养价值监测等方面具有较高可行性。目前，基于高光谱遥感发表的研究论文数量要少于可见光、多光谱遥感，在未来研究中，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、信息量大的特点，进一步提升饲草作物的监测效果。

4、热红外遥感

热红外遥感因其独特的波段范围(0.76~1000 μm)，在冠层温度、土壤含水和蒸散发方面取得了较好的表现。在青藏高原地区开展研究，研究结果表明无人机热红外遥感技术可以快速、精准获取地表温度数据，为高寒草甸干旱监测提供数据支持。使用无人机搭载热红外相机结合地面采样数据，准确估算了紫花苜蓿与燕麦的土壤含水率空间分布，模型R2为0.77。基于地表能量平衡的蒸散发模型是获取冠层蒸散发的重要手段之一。相较于卫星遥感数据，使用无人机热红外数据进行蒸散发估算更适合中小型地块的田间监测。

现阶段热红外传感器图像分辨率普遍较低，通常将热红外与多光谱、可见光遥感数据融合以提升遥感监测效果。使用热红外传感器获得的作物水分胁迫指数(Crop Water Stress Index，CWSI)和多光谱传感器获得的非线性调整指数构建了紫花苜蓿的产量预测模型，其中使用多元线性回归法构建的模型R2为0.64。使用可见光植被指数与冠层温度判断羊茅草、黑麦草的耐旱性，将育种专家给出的视觉评分与无人机遥感数据进行对比分析，结果表明基于逐步回归算法构建的模型能够准确估算牧草的耐旱分数。研究同样表明植被指数与育种专家给出的视觉评分具有较高的相关性，使用热红外遥感得到的CWSI可用于分析不同品种黑麦草的生理生态差异。

上述研究证实了热红外传感器在饲草作物监测中的可行性，然而传感器本身较低的分辨率和复杂的外界环境为热红外成像技术带来了挑战，在今后的研究中需要关注研发适用性更强的热红外传感器，以达到准确、经济、实用等目的。

5、激光雷达遥感

激光雷达与光学成像遥感成像原理不同，其通过主动发射激光脉冲获取目标空间数据，具有点密度高、空间分辨率高、低空探测性能好等优势。结合机载激光雷达数据与地表高程点构建了锡林浩特地区草地的DSM，通过空间坐标匹配叠加及数值解获得草地冠层高度模型。探究无人机搭载离散回波激光雷达对呼伦贝尔草原生态系统冠层高度和覆盖率建模的能力，结果表明平均冠层高度是草地生物量的最佳估算指标，模型的均方根误差为81.89 g/m2。

激光雷达相较光学传感器有更强的抗干扰能力，但不合理的飞行参数仍会导致点云信息缺失。探究不同飞行高度下激光雷达估算呼伦贝尔牧区草地冠层高度与植被覆盖度的效果，证实了数据采集高度对覆盖度的估算有显著影响。对比了机载与近地测量的激光雷达数据，建议在数据采集过程中降低飞行速度并采用地形跟随的方式保证数据质量。

激光雷达传感器测量精度更高，但数据处理难度大，而且价格较高，目前在饲草作物生长监测研究中鲜有使用。在未来研究中，激光雷达遥感可重点着眼于低成本传感器的研发和配套算法模型的开发。

融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。

审核编辑 黄宇