摘要

无人机遥感技术作为卫星遥感和地面遥感的有效补充，以其灵活机动、高分辨率、可按需获取数据的独特优势，正在成为精准农业发展的重要技术支撑。本文系统介绍了无人机遥感在农业领域的技术体系与应用场景，深入分析了多光谱遥感、热红外遥感、激光雷达等无人机载荷技术在作物长势监测、病虫害识别、精准施肥灌溉中的应用原理与实施方法，并结合时维遥感的技术实践经验，探讨了无人机遥感在精准农业中的典型应用案例与未来发展趋势，为农业企业、种植大户和农业服务组织提供了可操作的技术参考与实施方案。

引言

精准农业是当今世界农业发展的重要方向，其核心理念是通过信息技术与农业生产的深度融合，实现农业生产要素的精准感知、精准决策和精准作业。据国际农业研究磋商组织（CGIAR）预测，到2030年全球精准农业市场规模将超过150亿美元，其中无人机技术是增长最快的细分领域之一。

我国农业正处于从传统农业向现代农业转型的关键时期，面临农业劳动力短缺、生产成本上升、资源利用率低等多重挑战。 无人机遥感技术以其"灵活、高效、精准"的特点，为破解这些难题提供了新的技术路径。据统计，2023年我国农用无人机保有量超过20万台，年作业面积超过30亿亩次，成为全球最大的农用无人机市场。

时维遥感长期致力于无人机遥感技术的研发与应用，在农业遥感领域积累了丰富的项目经验。本文将从技术原理、系统构成、典型应用等维度，全面介绍无人机遥感在精准农业中的应用。

一、无人机遥感技术概述

1.1 技术发展背景

1.1.1 从有人机到无人机

传统航空遥感依赖载人飞机作为飞行平台，存在成本高、审批难、灵活性差等问题。无人机（Unmanned Aerial Vehicle，UAV）技术的发展为遥感数据的获取提供了全新的解决方案。

无人机遥感系统具有以下显著优势：

部署灵活：垂直起降无人机无需跑道，田间地头即可起飞

成本低廉：单次飞行成本仅为有人机的1/10以下

按需获取：可根据需要随时执行任务，不受空域限制

分辨率高：飞行高度可低至50米，获取厘米级影像

安全性好：危险区域作业无需人员实地踏勘

1.1.2 技术发展历程

无人机遥感在农业领域的应用经历了三个发展阶段：

第一阶段（2010-2015年）：技术探索期

以消费级多旋翼无人机为主

主要搭载可见光相机

应用以航拍和基础测量为主

第二阶段（2016-2020年）：技术成熟期

农业专用无人机定型量产

多光谱、热红外等传感器普及

植保作业与遥感监测融合发展

第三阶段（2021年至今）：智能化发展期

AI技术深度融入无人机系统

集群作业能力提升

天地一体化监测体系形成

1.2 无人机平台类型

1.2.1 多旋翼无人机

多旋翼无人机是目前农业遥感应用最广泛的平台类型。

特点 说明

飞行原理 通过调节多个旋翼转速实现飞行控制

典型载荷 5-15公斤

续航时间 20-60分钟

作业效率 60-150亩/架次

适用场景 小面积精细作业、地形复杂区域

代表机型 大疆M300 RTK、极飞P80

多旋翼无人机的优势在于悬停能力强、操控灵活、对起降场地要求低，特别适合地块分散、地形起伏的南方丘陵地区。

1.2.2 固定翼无人机

固定翼无人机适合大面积、长航时的遥感作业。

特点 说明

飞行原理 与飞机类似，依靠机翼产生升力

典型载荷 5-50公斤

续航时间 1-4小时

作业效率 500-3000亩/架次

适用场景 大面积农田普查、平原地区监测

代表机型 垂直起降固定翼、弹射起飞型

固定翼无人机的优势在于续航时间长、作业效率高，适合东北、西北等大面积粮食产区的遥感监测。

1.2.3 无人直升机

无人直升机在农业遥感中应用相对较少，但在特定场景下具有独特优势。

特点 说明

飞行原理 依靠主旋翼和控制尾桨实现飞行控制

典型载荷 10-50公斤

续航时间 1-2小时

抗风能力 较强（5-6级风仍可作业）

适用场景 大风区域、特殊地形

二、无人机遥感载荷技术

2.1 可见光相机

2.1.1 技术原理

可见光相机是最基础的无人机遥感载荷，可获取目标的色彩和纹理信息。

可见光相机的工作波段为0.38-0.76μm，涵盖人眼可见的全部光谱范围。传感器记录的数码信息（DN值）经过处理后可生成正射影像、数字高程模型（DEM）等产品。

2.1.2 农业应用

可见光相机在农业领域的主要应用包括：

农田基础设施调查：道路、沟渠、大棚的空间分布

作物倒伏监测：台风暴雨后作物倒伏范围识别

土地边界核查：确权登记、流转监管

苗情监测：出苗率、缺苗断垄调查

生长季影像记录：田间管理过程追溯

2.1.3 技术参数

参数类型 消费级 专业级 测量级

传感器尺寸 1/2.3" 1" APS-C/全画幅

有效像素 1200-2000万 2000-4000万 4000万以上

地面分辨率 2-5厘米 1-3厘米 <1厘米

辐射标定 无 可选 必须

典型价格 3000-10000元 20000-80000元 >150000元

2.2 多光谱相机

2.2.1 技术原理

多光谱相机可同时获取多个光谱波段的影像，是农业遥感最重要的载荷类型。

多光谱相机通常包含3-10个光谱通道，覆盖可见光、红边和近红外波段。通过分析不同波段的光谱组合，可以提取植被健康状况、营养水平、水分状态等信息。

2.2.2 核心波段与植被指数

多光谱遥感农业应用的核心波段：

波段名称 波长范围 主要用途

蓝光（Blue） 0.45-0.52μm 大气校正、云检测

绿光（Green） 0.52-0.60μm 植被健康、绿度评估

红光（Red） 0.63-0.69μm 色素吸收、叶绿素含量

红边（Red Edge） 0.69-0.75μm 作物长势、病虫害

近红外（NIR） 0.76-1.00μm 植被反射、水分吸收

基于多光谱数据可计算多种植被指数：

植被指数 计算公式 主要应用

NDVI (NIR-Red)/(NIR+Red) 植被覆盖度、生物量

GNDVI (NIR-Green)/(NIR+Green) 叶绿素含量

NDRE (NIR-RedEdge)/(NIR+RedEdge) 氮素营养状况

OSAVI (1+0.16)(NIR-Red)/(NIR+Red+0.16) 高背景植被区

2.2.3 农业应用场景

多光谱无人机遥感在精准农业中有广泛的应用场景：

作物营养诊断：通过NDRE指数评估小麦、玉米等作物的氮素营养状况，指导精准施肥

病虫害早期识别：病虫害发生初期，植被指数即出现异常，可实现早期预警

灌溉决策支持：结合植被指数与土壤水分数据，优化灌溉策略

产量预估：基于植被指数与产量关系的回归模型，预估收获期产量

杂草识别：区分作物与杂草，指导精准除草作业

2.3 热红外相机

2.3.1 技术原理

热红外相机探测目标的热辐射信息，获取物体表面温度分布。

任何温度高于绝对零度（-273.15℃）的物体都会发出热辐射，其辐射强度与物体表面温度的四次方成正比。热红外相机的工作波段通常为8-14μm，可将红外辐射能量转换为可视化的温度图像。

2.3.2 农业应用

热红外无人机遥感在农业领域的主要应用：

应用领域 技术原理 应用价值

作物水分监测 干旱胁迫作物冠层温度升高 指导精准灌溉

病虫害检测 病虫害区域温度异常 病虫害早期识别

灌溉效果评估 灌溉前后温度变化 评估灌溉均匀性

大棚温度监测 棚内温度分布监测 温室环境调控

霜冻灾害评估 冻害区域温度特征 灾后损失评估

2.3.3 技术指标

农业用热红外无人机相机的关键技术指标：

参数类型 技术要求 说明

温度分辨率 ≤0.05℃ 确保微小温差检测能力

空间分辨率 5-30厘米 满足田块级监测需求

辐射标定精度 ±2℃ 确保数据可用性

实时测温范围 -20℃至150℃ 覆盖农业环境温度范围

2.4 激光雷达（LiDAR）

2.4.1 技术原理

激光雷达通过发射激光脉冲并接收回波信号，获取目标的三维空间信息。

激光雷达可穿透植被冠层，获取地表高程数据，形成数字表面模型（DSM）和数字地形模型（DTM）。通过两者的差值可提取植被高度、郁闭度等结构参数。

2.4.2 农业应用

激光雷达无人机在精准农业中的应用：

应用领域 技术方法 应用价值

作物高度测量 DSM-DTM差值 评估作物生长状况

生物量估算 植被体积×密度系数 产量预估

倒伏检测 高程突变识别 灾害评估

地形测绘 高精度DEM生成 精准平地设计

果树结构分析 单木分割与参数提取 果树修剪管理

三、无人机遥感数据处理流程

3.1 外业数据采集

3.1.1 飞行计划制定

一次成功的无人机遥感作业需要精心制定飞行计划。

航线规划要素：

飞行高度：根据所需地面分辨率确定，一般为60-120米

航向重叠率：建议80%以上，确保立体匹配精度

旁向重叠率：建议60-70%，确保无缝覆盖

地面控制点：大范围作业需布设GCP用于精度校正

飞行参数计算公式：

地面分辨率（GSD）= 飞行高度（米）× 像素尺寸（μm）/ 焦距（mm）

影像数量 = 航线条数 × 每条航线影像数

作业面积 = 单架次作业时间 × 日作业架次 × 单架次面积

3.1.2 质量控制要点

外业数据采集需关注以下质量控制要点：

天气条件：选择晴朗无风天气，风速超过4级需谨慎作业

时间窗口：最佳航拍时间为上午10点至下午2点，避免太阳高度角过低

太阳高度角：太阳高度角应大于30°，确保光照条件一致

像控点精度：GCP坐标精度应优于5厘米，高程精度优于10厘米

数据备份：飞行结束后立即备份原始数据，建议双备份

3.2 数据预处理

3.2.1 影像预处理流程

原始无人机影像需要经过一系列预处理才能用于农业分析：

第一步：影像质量检查

检查影像清晰度、曝光是否正常

剔除云遮挡、运动模糊等不合格影像

检查航线覆盖完整性

第二步：辐射校正

利用标定板数据或暗电流进行辐射定标

转换为地表反射率或亮度温度

第三步：几何校正

利用POS数据或GCP进行几何精纠正

生成正射影像（DOM）和数字表面模型（DSM）

第四步：影像拼接

利用SIFT、SUPERGlue等算法进行影像匹配

生成无缝拼接影像

3.2.2 多光谱数据处理

多光谱数据处理需特别注意波段配准：

不同波段传感器位置存在微小差异，需进行配准校正

配准精度应优于0.5个像素

生成多波段合成的标准假彩色影像

3.3 专题产品生成

3.3.1 植被指数计算

基于预处理后的多光谱数据计算植被指数：

plaintext

NDVI = (Band_NIR - Band_Red) / (Band_NIR + Band_Red)

NDRE = (Band_NIR - Band_RedEdge) / (Band_NIR + Band_RedEdge)

计算完成后，将NDVI等指数按0-255范围进行拉伸，生成可视化的植被指数专题图。

3.3.2 专题图制作

将植被指数计算结果与土地利用数据叠加，生成面向农业应用的专题产品：

长势分布图：按NDVI等级划分为优、良、中、差四个等级

变化分析图：对比不同时期的NDVI分布，直观展示长势变化

施肥处方图：基于NDRE与产量目标关系生成变量施肥处方

病虫害分布图：标识植被指数异常区域，提示病虫害风险

四、典型应用场景

4.1 作物营养诊断与精准施肥

4.1.1 技术原理

作物氮素营养状况与植被指数存在显著相关关系。

当作物缺氮时，叶片叶绿素含量下降，导致可见光红光吸收减少、近红外反射降低。通过监测NDRE（红边归一化植被指数）可快速评估作物氮素营养状况。

研究数据表明，小麦NDRE与植株氮浓度的相关系数可达0.85以上。

4.1.2 实施流程

基于无人机遥感的精准施肥技术流程：

第一步：基础数据采集

无人机获取小麦拔节期多光谱影像

同步采集植株样品进行氮含量化验

第二步：模型建立

建立NDRE与植株氮浓度的回归模型

结合产量目标确定氮肥需求量

第三步：处方图生成

将田块划分为不同施肥区块

生成变量施肥处方图

第四步：精准施肥作业

将处方图导入变量施肥机

按处方进行差异化施肥

4.1.3 应用效果

实际应用表明，精准施肥可带来显著的经济和环境效益：

指标 传统施肥 精准施肥 改善幅度

氮肥用量 280 kg/hm² 210 kg/hm² 减少25%

产量水平 7500 kg/hm² 7800 kg/hm² 提高4%

氮肥利用率 35% 48% 提高13个百分点

环境氮流失 高 低 显著降低

4.2 病虫害早期识别

4.2.1 技术原理

病虫害发生初期，作物叶片出现退绿、坏死等病斑，导致光谱特征异常。

主要光谱响应特征：

可见光绿光波段反射率升高（叶绿素降解）

可见光红光波段反射率升高（色素损失）

红边位置向短波方向移动（"蓝移"现象）

近红外波段反射率下降（细胞结构破坏）

4.2.2 识别方法

基于无人机遥感的病虫害识别方法：

识别方法 技术要点 适用场景

阈值法 设置NDVI阈值，低于阈值判定为发病 发病面积较大

时序对比法 与健康时期对比，识别异常区域 已知发病时间

机器学习法 训练样本学习，分类识别 复杂场景

深度学习法 CNN自动特征提取与分类 高精度需求

4.2.3 应用案例

时维遥感在某小麦产区的条锈病监测应用：

监测时间：小麦孕穗期

监测面积：5000亩

发现病点：23个，面积合计约85亩

早发现时间：比人工踏查提前7天

挽回损失：避免传播面积约600亩

4.3 精准灌溉决策

4.3.1 技术原理

作物水分胁迫会导致叶面气孔关闭、蒸腾作用减弱，冠层温度升高。

基于热红外遥感的作物水分监测原理：

充分灌溉的作物冠层温度接近或低于气温

干旱胁迫的作物冠层温度高于气温3-10℃

通过冠层温度与气温的差值评估水分状态

4.3.2 指标体系

常用灌溉决策指标：

指标名称 计算方法 灌溉阈值

CWSI (Tc-Ta)/(Td-Ta) >0.4需灌溉

Tc-Ta 冠层温度减气温 >3℃需灌溉

TIR-NDVI 综合温度与植被 阈值因作物而异

4.3.3 应用流程

精准灌溉决策流程：

无人机热红外航拍：获取田块温度分布图

分区处理：按温度差异划分为不同灌溉需求区

灌溉决策：结合气象预报和土壤墒情确定灌溉方案

效果验证：灌溉后再次航拍验证灌溉效果

4.4 产量预估

4.4.1 技术原理

作物产量与植被指数、生物量、穗密度等参数存在显著相关关系。

产量预估模型：

plaintext

Yield = f(NDVI, LAI, Height, Weather)

常用的遥感产量估算模型包括：

统计模型：建立NDVI与实测产量的回归方程

光合生产模型：基于光能利用率估算干物质积累

机器学习模型：利用随机森林、XGBoost等算法

4.4.2 实施方法

基于无人机遥感的产量预估流程：

关键生育期监测：在抽穗-灌浆期获取多期影像

参数提取：计算NDVI、DVI、LAI等参数

模型估算：代入产量模型估算产量

精度验证：与实测产量对比验证精度

4.4.3 预估精度

研究表明，基于无人机遥感的产量预估精度：

作物类型 预估精度（R²） 误差范围

小麦 0.75-0.90 ±8%

水稻 0.70-0.85 ±10%

玉米 0.65-0.80 ±12%

大豆 0.60-0.75 ±15%

五、实施建议与展望

5.1 实施建议

5.1.1 设备选型建议

根据应用场景选择合适的无人机系统：

应用场景 推荐机型 载荷配置 预算范围

小农户自用 消费级多旋翼 单摄像头 1-3万元

合作社/种植大户 农业专用无人机 多光谱+RTK 5-15万元

农业服务组织 旗舰级多旋翼 全套载荷 20-50万元

大面积普查 固定翼无人机 多光谱+热红外 30-100万元

5.1.2 运营模式建议

无人机遥感服务可采用多种运营模式：

模式 适用对象 特点 优劣势

自有自用 规模化农业企业 一次投资，长期使用 成本高，专业性强

购买服务 中小农户 按需付费，专业服务 灵活性高，单次成本较高

共享租赁 合作社/服务组织 设备共享，分摊成本 协调难度大

政府补贴 小农户 纳入农机补贴范围 需符合补贴条件

5.2 技术发展趋势

5.2.1 载荷智能化

无人机载荷正向智能化方向发展：

实时处理：边缘计算芯片实现飞行中实时分析

自动对焦：AI辅助对焦系统适应复杂环境

自适应曝光：根据场景自动优化参数

5.2.2 作业自动化

无人机作业自动化水平持续提升：

自主避障：毫米波雷达+视觉避障系统

自主航线：AI辅助航线规划，自动优化覆盖

集群作业：多机协同作业，效率倍增

5.2.3 数据融合化

多源数据融合成为趋势：

天空地一体化：卫星+无人机+地面传感器的数据整合

时序数据挖掘：长时序数据的深度分析

知识图谱：融合专家知识与数据驱动的决策支持

5.3 市场前景

无人机遥感在精准农业领域的市场前景广阔：

细分市场 2023年规模 2030年预测 年均增速

设备销售 80亿元 200亿元 15%

服务市场 50亿元 150亿元 20%

软件平台 20亿元 80亿元 25%

合计 150亿元 430亿元 18%

总结

无人机遥感技术以其灵活机动、高分辨率、可按需获取数据的独特优势，正在成为精准农业发展的重要技术支撑。 本文系统介绍了多光谱遥感、热红外遥感、激光雷达等无人机载荷技术在作物营养诊断、病虫害识别、精准灌溉、产量预估等领域的应用原理与实施方法。

时维遥感的技术实践证明，无人机遥感可有效提升农业生产管理的精准度和效率，降低生产成本，减少环境负担。随着技术的持续进步和成本的不断降低，无人机遥感将在更多农业场景中得到应用，为推动我国农业现代化发展贡献力量。

精准农业是农业发展的必然方向，无人机遥感技术是实现精准农业的关键技术手段之一。从"凭经验种地"到"凭数据种地"，无人机遥感正在深刻改变传统农业生产方式，引领农业进入数字化、智能化发展的新时代。