无人机遥感在作物监测中的应用

无人机遥感数据在作物监测中的应用目录农业无人机遥感技术体系与研究现状无人机平台与传感器类型0102无人机遥感农业监测的关键技术与应用03本团队在无人机遥感农业监测中的研究进展0405局限性与未来展望目录农业无人机遥感技术体系与研究现状无人机平台与传感器类型0102无人机遥感农业监测的关键技术与应用03本团队在无人机遥感农业监测中的研究进展0405局限性与未来展望01农业无人机遥感技术体系与研究现状无人机技术赋能智慧农业无人机对智慧农业的赋能，并非单一技术的简单叠加，而是以数据为主线、协同为核心，通过低空飞行器、传感器、数据链路和智能决策系统的集成应用，构建“感知-决策-执行-反馈”全流程闭环。本质上是构建了一个"数字孪生农田"——物理世界的每一块农田在数字空间都有实时映射，每一次飞行都在丰富这个数字孪生体的认知，每一次作业都在验证和优化这个认知。这个闭环一旦跑通，农业将从经验驱动转向数据驱动，从粗放管理转向精准治理，最终实现的不仅是降本增效，更是农业生产方式的范式变革。01农业无人机遥感技术体系与研究现状农业无人机技术体系01农业无人机遥感技术体系与研究现状无人机技术在农业中的应用场景低空无人机技术在农业中的应用场景涵盖生产作业、智慧监测、物流运输及产业延伸等核心应用场景，从而构建出完整的低空智慧农业应用体系。01农业无人机遥感技术体系与研究现状从WOS数据集提取的农业监测无人机遥感相关研究发布趋势探索阶段（2013–2016）：年发表论文量适中，年均不足20篇。爆发阶段（2016–2021）：发表数量迅速激增，2021年达到高峰，发表252篇。平静期（2021年后）：尽管农业监测研究持续增长，但进展已趋缓。文献发布趋势检索结果显示，发表数量呈上升趋势，显示出学术界对无人机遥感应用于农业监测的兴趣日益增长。01农业无人机遥感技术体系与研究现状研究热点与趋势分析按国家和年份论文发布数量中国学者成为农业监测中无人机遥感研究的主要贡献者，紧随其后的是美国学者。01农业无人机遥感技术体系与研究现状研究热点与研究趋势所有关键词共现的文献计量图除了“无人机”和“遥感”之外，“植被指数”一词成为最大的节点，出现了456次，吸引了最高的关注。随后高频术语包括“叶面积指数”和“产量”。

“生物量”、“叶绿素含量”、“氮”和“植株高度”等关键词被集中在作物生长信息下，表明作物生长是主要研究领域之一。01农业无人机遥感技术体系与研究现状不同作物在不同研究领域的分布研究在包括小麦、水稻、玉米、高粱和甘蔗等五大麦田作物的统计分布分别为40.2%、29.1%、24.2%、3.4%和3.1%。目录无人机平台与传感器类型农业无人机遥感技术体系与研究现状0201无人机遥感农业监测的关键技术与应用03本团队在无人机遥感农业监测中的研究进展04局限性与未来展望0502无人机平台与传感器类型常用的无人机飞行平台02无人机平台与传感器类型无人机平台对比02无人机平台与传感器类型商业无人机平台在农业遥感监测中的使用频率02无人机平台与传感器类型无人机传感器类型02无人机平台与传感器类型精准农业中使用的遥感平台质量比较02无人机平台与传感器类型每类传感器数据长什么样？RGB多光谱高光谱热红外LiDAR02无人机平台与传感器类型无人机传感器类型——高清RGB相机02无人机平台与传感器类型无人机传感器类型——多光谱相机多光谱相机是指具有

2

个以上波段通道的相机，通常包括红、绿、红边和近红外波段，可用于

NDVI

等植被指数分析。普通高清RGB相机只能从

R、G、B3

个波段中提取信息，而多光谱相机可从近红外波段和红边波段提取更多的信息，可以更加准确地开展作物估产、长势监测和营养诊断等。02无人机平台与传感器类型无人机传感器类型——高光谱成像仪高光谱成像仪通常具有较强的波段连续性，利用很多很窄的电磁波波段从目标物精准地获取相关光谱信息，在小面积区域研究上有着无可替代的优势，可进一步提高作物生理参数的反演精度。02无人机平台与传感器类型无人机传感器类型——热成像相机热成像相机是利用红外热成像技术将不可见红外能量转变为可见的热图像，具有精度高、获取速度快和反应灵敏等特点。无人机搭载热成像相机主要用于获取作物冠层温度。作物冠层温度是指作物冠层不同高度茎、叶表面温度的平均值，与作物能量平衡和水分胁迫状况密切相关。02无人机平台与传感器类型无人机传感器类型——激光雷达激光雷达具有快速直接获取目标表面模型，距离分辨率、角分辨率和速度分辨率高，抗干扰能力强，可直接获取物体三维空间信息等优点，为植被冠层高度信息提取提供了重要支撑。目前，机载激光雷达系统已成功用于大范围的森林资源清查和精准林业测量，包括森林蓄积量、树高和生物量估算。02无人机平台与传感器类型

精准农业中使用的遥感传感器传感器类型成像/感知原理典型波段范围

/

常见波段核心数据特征空间分辨率光谱分辨率主要优势主要局限典型应用领域

/

果园UAV用途可见光（RGB）相机被动式，感知可见光反射可见光约

400–700

nm；R/G/B

三宽波段彩色图像/视频，最直观，符合人类视觉，纹理细节丰富极高（厘米级）低（3个宽波段）

成本低、易获取、易理解、细节丰富，适合测绘与巡检受光照、阴影和天气影响大；光谱信息少，难做定量生理反演；无法穿透冠层正射影像、三维建模、巡检、灾害评估、果园可视化记录多光谱传感器被动式，感知若干离散窄波段反射常见覆盖

400–2500

nm

中若干波段；蓝

450–520

nm、绿

520–600nm、红

630–690nm、红边

690–740

nm、近红外

760–900nm；部分扩展至

SWIR波段数较少，通常

4–20

个；适合构建植被指数，反映叶绿素、冠层活力、地物差异较高中等（约

4–10个窄波段）数据量适中、处理较简便、成本相对低，适合业务化应用；对植被健康敏感光谱信息不如高光谱丰富；受光照影响；空间分辨率通常略低于RGB植被指数构建、长势监测、氮素/叶绿素估算、果园分区管理、健康诊断、植被分类、环境监测高光谱传感器被动式，感知连续窄波段反射常见

400–1000nm（VNIR）或400–2500nm（VNIR+SWIR）；其中

VNIR：400–1000nm，SWIR1000–2500nm“图谱合一”，形成连续光谱曲线；波段连续、窄带采样，通常

数十到：

数百个波段；可进行“光谱指纹”识别较低极高（数百个连续窄波段）光谱信息丰富；物质成分识别能力强；适合机理分析和精细反演，如叶绿素、水分、氮素、木质素、纤维素等数据量巨大、处理复杂、成本高；对平台稳定性和定标要求高叶片性状反演、胁迫识别、品种区分、生理生化参数估计、病虫害早期预警、目标识别、精细矿产勘探LiDAR（激光雷达）主动式，发射激光脉冲并测量回波时间/距离不以连续波段覆盖为主；常见激光波长：532

nm、905

nm、1064nm、1550nm直接获取三维点云，强调距离与结构信息；可提取树高、冠层高度、冠层体积、叶幕结构、点云几何特征极高（点密度高）无

/

很弱（通常不提供连续光谱信息）不受自然光照影响小；可直接获取三维结构；适合复杂冠层表征；部分场景可穿透植被获取地面高程成本较高；缺少纹理/颜色信息；数据处理门槛较高高精度地形测绘、森林资源调查、电力巡检、果树冠层建模、树高提取、叶幕结构分析、体积估算、结构参数反演热红外传感器被动式，感知物体自身热辐射典型

3000–14000

nm；中波热红外

3000–5000

nm，长波热红外

8000–14000

nm；无人机常用约7500–13500

nm记录表面温度分布（热图）；不强调很多离散波段，而强调热辐射探测窗口；反映温度、热异常、蒸腾状态、水分胁迫较低低（通常

1

个或少数热红外波段）对温度变化敏感；昼夜可用；适合生理状态监测和胁迫诊断；部分场景可穿透烟雾图像细节少；空间分辨率低；温度受发射率、环境和校正影响明显水分胁迫监测、蒸腾估算、病害预警、冠层温度制图、热状况诊断、搜救、火灾监测、电力过热检测、能耗评估SAR（合成孔径雷达）主动式，发射微波并测量散射回波微波波段，常见为

X

/

C

/

L

/

P

波段（表中未细分）全天候、全天时；对表面粗糙度、含水量相关介电特性敏感；具有一定穿透能力中等低（微波波段）不受天气和光照影响，适合大范围连续监测图像不直观、处理复杂；精细目标识别常需较强专业能力灾害监测（洪水/滑坡）、海洋监测、军事侦察；也可用于土壤湿度、地表形变等监测RGB和多光谱传感器使用最广泛，适用于几乎所有参数，而高光谱传感器和激光雷达主要应用于高精度或结构信息分析。热成像和合成孔径回收主要用于产量估算以及病虫害评估。在飞行高度方面，RGB和多光谱无人机通常在低空（10–100米）运行，高光谱传感器和激光雷达覆盖更广范围（20–200米），热成像和合成孔径回收（SAR）大多在中高空（50–150米）运行。02无人机平台与传感器类型农田长势监测方面从方法学角度看，传统回归仍是基础方法，但机器学习和深度学习的应用日益增多。高光谱数据常与物理或混合模型结合，多源数据融合日益普及。目录无人机遥感农业监测的关键技术与应用农业无人机遥感技术体系与研究现状0301无人机平台与传感器类型02本团队在无人机遥感农业监测中的研究进展04局限性与未来展望0503无人机遥感农业监测的关键技术与应用03无人机遥感农业监测的关键技术与应用遥感进入精细尺度：分类与反演的范式变革随着遥感观测由中低分辨率向高分辨率发展，研究方法的范式正由以像元为中心的统计分析，逐步转向以对象为中心的精细表征；研究重点也由宏观地物分类扩展到个体识别、状态诊断和结构解析，并朝着多维特征融合与机理约束相结合的方向发展。03无人机遥感农业监测的关键技术与应用无人机遥感带来的范式变化03无人机遥感农业监测的关键技术与应用精细尺度下的核心挑战与对策发展阶段年份技术特征关键定量指标参考文献OBIA传统方法2015自动阈值分割+对象分析GSD:

3-5cm

精度:93.58%行检测率Torres-Sánchezetal.(2015)"ComputersandElectronicsinAgriculture2018RF-OBIA自动算法融合DSM无需人工训练样本IoU>70%DeCastroetal.

(2018)Remote

Sensing,CNN初期2019-2020CRowNetCNN+Hough变换作物行检测率:

93.58%

IoU>70%Bahetal.(2020/2019),IEEE

Access2020DL

vsOBIA对比DL精度未完全超越OBIAHuangetal.(2020)，InternationalJournalofRemote

SensingYOLO时代2021YOLOv4+注意力机制mAP:

86.69%

速度:57.33

FPSPeietal.

(2021/2022)，Agriculture2021MaskR-CNNvs

OBIA单株卷心菜检测F1-score:0.91(DL)vs0.88

(OBIA)速度提升3.74倍Maetal.(2021)，ComputersandElectronicsinAgriculture2023YOLOv7真实数据集比YOLOv5提升10%Galloetal.(2023)，Remote

Sensing2023YOLOWeeds基准面向棉田常见杂草的

12

类图像数据集，共包含

9370个边界框标注25种YOLO模型基准测试

+

数据增强建立

25

种

YOLO

模型

的系统基准测试覆盖

YOLOv3、YOLOv4、Scaled-YOLOv4、YOLOR、YOLOv5、YOLOv6、YOLOv7

采用

5

次重复

MonteCarlo

交叉验证结果显示：mAP@0.5mAP@0.5：88.14%–95.22%

mAP@[0.5:0.95]mAP@[0.5:0.95]：68.18%–89.72%Dangetal.(2023)，

ComputersandElectronicsinAgricultureTransformer时代2022ViT

+

数据增强

+

迁移学习覆盖甜菜、欧芹和菠菜田块；在小样本标注数据条件下，ViT

优于

EfficientNet

和

ResNetReedhaetal.(2022),RemoteSensing,14(3),592.DOI:

10.3390/rs140305922024WeedDETR结构重参数化，无人机影像小目标杂草检测的实时端到端模型

WeedDETRWeedDETR在杂草和小白菜类别上的

AP0.5AP0.5

分别达到

73.9%

和

91.8%，推理速度达到76.28

FPS。与

YOLOv5-L、YOLOv6-M

和

YOLOv8-L相比，WeedDETR

在杂草类别上的AP0.5AP0.5

分别提高了

3.5%、6.3%和

3.6%，同时

FPS

分别提升了

14.9%、12.9%

和

1.4%。Yangetal.(2025),Weed

Science2024UC-HSI高光谱数据集+

ConvTransformer10类作物:

95.26%

GSD:0.2cmSankararaoetal.,2024,IEEE

GeoscienceandRemoteSensing

Letters03无人机遥感农业监测的关键技术与应用预测农业用地地块边界的工作流基于无人机遥感的土地地块识别与分类准确的土地地块识别在农业生产中至关重要，有助于区分不同作物的种植区03无人机遥感农业监测的关键技术与应用基于无人机遥感的土地地块识别与分类划定农业用地块的方法总结(Bhomi

et

al.,

2023)利用无人机影像在ENVI平台上的边缘检测算法也已成功用于划定农业地块。这些算法使用预编程算法，通过平滑多边形和线矢量来清洁和细化显示的田地边界，从而自动检测和描绘田地边界。（见左图）03无人机遥感农业监测的关键技术与应用农业监测中常用的遥感指数早期研究主要采用VI与测量LAI之间的实证关系估算LAI。然而，在高LAI水平下，VI容易出现饱和效应。为增强预测性能，一些研究结合了VI、纹理特征和结构参数，同时捕捉叶绿素含量、空间结构和树冠几何等信息。03无人机遥感农业监测的关键技术与应用作物生长监测的关键参数——LAI辐射传递模型（RTM）模拟光在树冠层中的传播，从而更准确地表征树冠结构和光谱特性基于无人机-RS的LAI估计方法03无人机遥感农业监测的关键技术与应用作物生长监测的关键参数——PH通过从作物表面模型（CSM）中减去数字高程模型（DEM）计算作物高度模型（CHM）的方法论流程图；提取作物高度示意图；基于图像的点云横断面视图，展示作物图上使用高度百分位数计算作物高度的方法。03无人机遥感农业监测的关键技术与应用作物生长监测的关键参数——氮营养状况表中总结了近期利用无人机遥感技术评估作物养分状况和生理参数的代表性研究。成本按传感器类型和地面采样强度分为低（L）、中（M）或高（H）。03无人机遥感农业监测的关键技术与应用作物生长监测的关键参数——氮营养状况基于上表的分析，氮监测方法需要在准确性和成本之间取得平衡。传统的机器学习方法，如随机森林和支持向量回归，在表现稳定下R²大约0.8。其成本适中，适合实际应用。深度学习和混合模型可以实现更高的精度，使用

R2最高可达0.95。然而，它们对样本量、频谱冗余和模型复杂性非常敏感。未来的研究应优化样本设计和多时段数据收集。在准确性、成本和可解释性之间取得平衡，将提升这些方法的可靠性和适用性。03无人机遥感农业监测的关键技术与应用作物生长监测的关键参数——AGB基于不同参数的AGB估计方法总结03无人机遥感农业监测的关键技术与应用作物产量估算在无人机遥感用于作物产量估算中，光谱和激光传感器常被用来捕捉不同光谱带上的特定信息，直接影响基于植被生长分析的产量预测。此外，热红外传感器能够绘制作物间的热分布，为土壤湿度提供宝贵的洞察，从而提升产量预测。03无人机遥感农业监测的关键技术与应用作物产量估算强调了深度学习模型（如深度神经网络）在处理无人机获得的高分辨率图像数据中，开发有效的分类模型以更准确地估算产率。此外，时间序列数据的融合已被证明在提升预测准确性和更新技术方面具有有效效果。作物产量估算的未来在于作物生长模型与深度学习的协同，利用模拟作物生长条件推动复杂环境下的深度学习模型。03无人机遥感农业监测的关键技术与应用作物的病虫害监测（a）真菌病害 (b)细菌病害 （c）病毒性疾病这些病害通常会导致植物叶片变色、斑点或腐烂，可以通过分析受感染植物的光谱特征快速检测和识别。亚分米级无人机光学影像提供了关于光谱变化的敏感数据，这对于研究作物性状早期检测和评估变化至关重要。03无人机遥感农业监测的关键技术与应用不同病害程度小麦在（a）叶片尺度和（b）冠层尺度下的作物病害（白粉病）光谱曲线作物的病虫害监测以小麦穗样品为例，光谱反射曲线与病害严重程度相关，显示了病害严重程度不同小麦穗样本在光谱反射率上的显著差异。03无人机遥感农业监测的关键技术与应用当前研究中涉及的病虫害类型作物的病虫害监测目前，作物病虫害和病害检测的研究主要集中在区分健康和病害作物。输入数据通常由单一类型的传感器得出。害虫和病害主要集中在穗、茎和叶片中传统的害虫和病害研究通过整合UAV-RS图像中的颜色、纹理和光谱特征与机器学习来构建监测模型03无人机遥感农业监测的关键技术与应用作物的病虫害监测虫害从哪来到哪去？病害何时出怎么治？虫害从哪来到哪去布局无人机遥感组网，利用AI全自动监测识别早期虫害信号；发展阶段时间技术特征关键方法/模型典型性能指标典型应用场景参考文献植被指数与光谱分析2017-2020基于光谱特征和传统植被指数（NDVI、GNDVI等）阈值分割+统计分析多光谱/高光谱相机RF、SVM分类光谱角映射(SAM)简单比值指数准确率:

85-92%早期病害检测率低(<70%)大范围胁迫监测成熟病害识别Prakashetal.(2017)Zhangetal.

(2019)CNN语义分割初期2018-2021像素级分类特征自动提取端到端学习SegNetU-NetMask

R-CNNVGG/ResNet骨干mIoU:

0.75-0.85准确率:

88-94%小目标漏检率高作物-杂草分割病斑区域提取Jiangetal.

(2022)Omaretal.

(2019)目标检测与实例分割2020-2024实时检测边界框定位单阶段检测器YOLOv3/v4/v5YOLOv7/v8Faster

R-CNNEfficientDetmAP@0.5:

71-96%FPS:

30-120F1:

0.89-0.96实时病害定位单病斑检测田间巡检机器人Peietal.(2021)Galloetal.

(2023)Barbedo

(2024)多模态数据融合2021-2024RGB+多光谱+高光谱+热红外+LiDAR时序分析特征级/决策级融合多模态CNNLate

Fusion3D卷积注意力机制融合后精度提升:

5-15%早期病害检测率:

>90%早期胁迫识别多类型病害同时检测生理病害区分Maimaitijianget

al.(2020)Zhangetal.

(2024)Transformer与轻量化2022-2025全局注意力机制实时轻量部署边缘计算ViT/DeiTMobileViTWeedDETRYOLOv8/v9RepViTFPS:60-200+参数量:

2M-20MmAP:

90-96%机载实时处理多机协同巡检低功耗边缘设备Zhaoetal.(2024)Wangetal.

(2024)03无人机遥感农业监测的关键技术与应用作物的倒伏监测无人机遥感技术可以通过拍摄高分辨率图像捕捉作物倒伏的细微变化。数据通过多光谱相机计算植被指数以进行倒伏检测，或通过图像处理和卷积神经网络改进不同模型。这些模型基于作物倒伏特征进行训练，采用语义分割和目标检测算法等技术，以实现准确的自动监测。03无人机遥感农业监测的关键技术与应用倒伏角倒伏反演模型的示意图（α表示植株倒伏后倾角的值，a表示正常玉米的树冠高度，b表示倒伏后玉米的树冠高度）作物的倒伏监测倒伏的作物高度会发生变化，使得LiDAR传感器更适合监测作物倒伏情况。例如,（Hu

et

al.,

2023）在玉米田中基于作物三维结构数据的方法发现可以准确且定量地监测玉米倒伏的严重程度。该研究提出了一个角度反演模型，用于计算测试样本图中玉米的倒伏角（见下图）。03无人机遥感农业监测的关键技术与应用作物环境胁迫通过PDI（垂直干旱指数）进行土壤水分反演的流程图环境胁迫因素显著影响作物生长，包括极端天气条件、土壤盐碱度和土壤湿度。定期的植被水分含量遥感评估有助于实时监测和对植被干旱应力的诊断评估。03无人机遥感农业监测的关键技术与应用无人机在智慧果园中的应用图(a)所示为由华南农业大学国家精准农业航空施药技术国际联合中心联合广州市健坤网络科技发展有限公司和深圳现代农业装备研究院共同研发的“华农智巡”系统图（b）专为荔枝产业打造的垂直领域大语言模型荔枝

AI大模型“荔知君”，通过技术赋能荔枝产业，推动传统荔枝产业向精准化、智能化转型升级。03无人机遥感农业监测的关键技术与应用基于无人机遥感监测作物水分和养分状况的研究进展框架03无人机遥感农业监测的关键技术与应用多知识耦合的水、氮自适应作业处方图Lan等以无人机为遥感平台，结合多光谱遥感影像和神经网络建立冠层氮含量、等效水厚度的反演模型，基于反演结果得到大田的棉花水、氮含量分布图，提出了多知识耦合的棉花水、氮自适应作业处方图生成系统。03无人机遥感农业监测的关键技术与应用AI视觉识别技术Lan等通过无人机的视觉传感器以及布置在冠层枝干末梢的姿态传感器收集了无人机旋翼风场引起的荔枝树冠扰动数据，采用DeepSort捕捉植保无人机飞行状态信息，采用改进后的帧差法捕捉冠层扰动信息，并通过

DBSCAN

算法提取有效扰动特征位点对产生扰动的树冠进行识别和跟踪，实现了无人空中喷雾系统中风场对荔枝树冠扰动预测的时间序列模型荔枝树冠扰动预测的时间序列模型03无人机遥感农业监测的关键技术与应用Gitelson(2004)J.Plant

Phys植被指数敏感性的丧失主要是由于红波段的饱和，红光波段相对较快地达到饱和。当红光开始饱和时，NDVI也开始饱和。影响高密度植被生物量估算。Mutangaetal.,2023,

ISPRS当前挑战：高密度植被下的光谱饱和现象单一光谱指数在作物生长中后期会失效Biomass<130Mg/ha(Zhaoetal.,2016)03无人机遥感农业监测的关键技术与应用引入纹理特征克服饱和瓶颈(Wangetal.,

2022)利用无人机的高空间分辨率优势，用“纹理”弥补“光谱”的不足这证明了无人机影像的空间纹理信息可以有效缓解光谱饱和问题，是解决高密度植被监测的关键手段。03无人机遥感农业监测的关键技术与应用飞行高度对纹理监测精度的影响(Zhangetal.,2021,Computers&Electronicsin

Agriculture)纹理特征对空间分辨率敏感03无人机遥感农业监测的关键技术与应用图谱融合与波段优化建模(Liuetal.,2024,Computers&ElectronicsinAgriculture)当前无人机遥感监测的主流技术路线——多源特征融合与智能化建模三维辐射传输模型（3D

RTM）与无人机（UAV）多光谱影像，解析了单株苹果树冠层光谱与阴影之间的响应关系，评估了一系列植被指数（VIs）对阴影的抗干扰能力，并进一步构建了一个能够抵抗阴影干扰的混合反演模型（1）单株树冠阴影比例随时间变化呈抛物线趋势，并在中午达到最小值。与之对应，可见光波段反射率随着冠层阴影比例的增加而降低，并在中午达到最大值；而近红外波段反射率的变化规律则与可见光波段相反。不同植被指数在不同冠层阴影比例下对叶绿素含量的估算精度存在差异。其中，对冠层阴影比例变化抗干扰能力最强的前五个植被指数分别为：NDVI-RE、Cire、Cigreen、TVI

和GNDVI。对于所构建的

3D

RTM

+GPR

混合反演模型，仅需输入NDVI-RE、Cire、Cigreen

和

TVI这

4

个植被指数，即可获得最佳反演精度。Zhangetal.,2025,Plant

PhenomicsHealth

Index

2014（HI2014）

和Water

Band

Index

in

SWIR（WBISWIR）

分别是监测苹果褐斑病（AMB）和苹果花叶病（MD）表现最优的指数。WBISWIR

在两种病害监测中均表现出最高的监测效能。在所有指数中，Normalized

PRI（PRIn）

对树形变化和病害分布差异表现出最强的稳健性。此外，WBISWIR

在多种观测几何条件下也表现良好。在比较三类因素对植被指数性能的相对影响时发现，树形和病害分布的影响均大于观测几何。研究结果揭示了植被指数与多种混杂因素之间的复杂相互作用，强调了在应用病害相关植被指数时应保持谨慎，并主张在指数选择过程中，应综合考虑树形和胁迫分布的影响，尤其是在病害早期检测中更应如此。

Zhanget

al.,

2025,

RemoteSensingof植被指数的饱和效应和植株叶绿素的垂直异质性拐点（Inf.）：表示

VI

与

CND

的关系开始由稳定线性转向脆弱的临界点饱和点（Sat.）：表示

VI

对

CND

增长几乎不再敏感，进入平台期的位置。表征冠层垂直方向上的氮素异质性，研究采用了钟形分布模型（bell-shaped

model），并引入系数

ω，用于在不同冠层结构条件下建立拐点处冠层氮密度与整体冠层氮密度之间的联系。提高无人机尺度，冠层氮密度反演精度。Yangetal.,2026，ComputerandElectronicsin

Agriculture研究采用了一种序贯切分方法，即阈值优化法（thresholdvalueoptimization,

TVO），根据植被指数分布计算阈值，并据此逐步去除土壤背景像元。随后，评估了各植被指数在不同分割条件下的预测性能。结果表明，NDVI、MSAVI

和

NDRE

能够较好地利用无人机传感器数据预测小麦相关性状。研究提出的最优阈值范围为

0.1–0.3，具体取值取决于植被指数类型及目标小麦性状。TVO

方法在茎伸长期（GS32）提高了对产量和氮输出的估算精度；然而，在开花期（GS65），该方法对蛋白质含量估算精度的提升较为有限。Almeida-˜Nau˜nayetal.(2023)，ComputerandElectronicsin

Agriculture03无人机遥感农业监测的关键技术与应用农业无人机应用的核心，不是“用了无人机就先进”，而是围绕农业问题，获取合适数据，形成可执行决策，最终服务田间管理。目录本团队在无人机遥感农业监测中的研究进展农业无人机遥感技术体系与研究现状0401无人机平台与传感器类型02无人机遥感农业监测的关键技术与应用03局限性与未来展望0504本团队在无人机遥感农业监测中的研究进展无人机+地面实测

反演甘蔗表型参数甘蔗早期估产模型苗期估产有效茎糖锤度模型有效茎，糖锤度，成熟期-SVR产量，出苗期-SVR04本团队在无人机遥感农业监测中的研究进展无人机+高光谱、热红外、LiDAR

反演甘蔗LAI04本团队在无人机遥感农业监测中的研究进展农情信息感知：土壤肥力评估无人机高光谱数据的甘蔗出苗期叶片生长参数制图无人机高光谱数据蔗田土壤地力指标制图04本团队在无人机遥感农业监测中的研究进展玉米表型参数反演56 13 2 81415 104 3 9 12 1 11 7 168 7 6 15

11

12 4 12395 10

13

16 14414 6 31210161115 91371 8 252148 10

15 49 13 137 5 1161612采用完全随机区组设计，重复4次。两种施肥方式：1、在播种期实施梯度施氮处理，共设8个施氮水平，施氮量范围为0至280ha-1，梯度增量为40kg

ha-1；2、采用分次施肥法，在种植时进行表面撒施氮肥40kg

ha-1作为基肥，其余氮肥于玉米生育期V9阶段进行追施，梯度增量同为40kg

ha-1。小区面积：3×5m；玉米品种：先锋；种植密度：86000株

hm-2；IA-Lewis：64组数据多光谱相机；R、G、B、N四个波段；空间分辨率为25cm；飞行高度为20~150m；晴朗天气04本团队在无人机遥感农业监测中的研究进展玉米表型参数反演种植日期获取影像日期生长期2015/06/16V72015/06/27V102015/07/03V122015/04/152015/07/13V18662015/07/192015/08/042015/08/09VTR1R1~R2表1

2015年Lewis地区玉米生长阶段和影像获取日期玉米产量：干重无人机时序影像数据64组数据留一交叉验证04本团队在无人机遥感农业监测中的研究进展玉米表型参数反演高分辨率遥感影像（反射率信息、纹理信息）V767V10 V12V18VTR1R1~R204本团队在无人机遥感农业监测中的研究进展玉米表型参数反演Sum

Average(SA)是灰度共生矩阵(GLCM)的灰度值总和的平均值，反映纹理特征中的灰度分布中心。�A

= �∙

�(�)kk:

灰度值总和;

P(k):灰度总和的概率分布。Sum

Variance(SV)是灰度共生矩阵(GLCM)中灰度值总和的方差，反映了灰度分布的离散程度。𝑆=k(�−𝑆)2∙

�(�)N:

像素的总数;

�i:

第

i个像素的灰度值; �:整个影像的平均灰度值。6804本团队在无人机遥感农业监测中的研究进展玉米表型参数反演6904本团队在无人机遥感农业监测中的研究进展玉米表型参数反演7004本团