无人机遥感在饲草作物生长监测中的应用研究进展

2022 年 12 月 第 4 卷 第 4 期 智慧农业 （中英文） Smart Agriculture Dec. 2022 Vol. 4, No. 4
doi： 10.12133/j.smartag.SA202206004
无 人 机 遥 感 在 饲 草 作 物 生 长 监 测 中 的 应 用 研 究 进 展

1 1， 2 1， 3 4
卓 越 ， 丁 峰 ， 严 海 军 ， 徐 婧
（1. 中国农业大学 水利与土木工程学院， 北京 100083； 2. 新疆农业科学院土壤肥料与农业节水研究所， 新疆乌鲁
木齐 830091； 3. 农业节水与水资源教育部工程研究中心， 北京 100083； 4. 沧州市农林科学院， 河北沧州 061001）
摘 要 ： 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。无人机遥感分辨率高、
灵活性强、成本低，近年来在饲草作物生长监测领域发展迅速，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，本文首先从数据获取、数据处理和饲草作物生长监测关键
技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光
谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对
研究应用中尚未解决的关键技术问题展望了未来的发展方向，提出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。
关 键 词 ： 无人机；遥感；饲草作物；生长监测；传感器；生物量
中 图 分 类 号 ： TP79 ； S512.6 文 献 标 志 码 ： A 文 章 编 号 ： SA202206004
引用格式： 卓越, 丁峰, 严海军, 徐婧 . 无人机遥感在饲草作物生长监测中的应用研究进展[J]. 智慧农业(中英
文), 2022, 4(4): 35-48.
ZHUO Yue, DING Feng, YAN Haijun, XU Jing. Advances in forage crop growth monitoring by UAV remote sens‐
ing[J]. Smart Agriculture, 2022, 4(4): 35-48. (in Chinese with English abstract)
年来，随着无人机飞行平台、传感器等硬件技术
1 引 言
不断完善，无人机遥感监测技术已被广泛应用于
传统获取大田作物生长状态指标以人工田间
［2］ ［3］ ［4］
作物病虫害识别 、长势监测 、产量估测 、
采样为主，采样费时费力、时效性差、具有破坏
［5］
作物倒伏判断 等方面，为作物生长监测提供
性，且效率低下。卫星遥感能够快速、无损、大
了全新手段。
面积获取作物信息，实现由点到面的转变，但存
［1］
饲草产业是现代农业的重要组成部分，是调
在时空分辨率低、易受云层遮挡等问题 。使用
整优化农业结构的重要着力点。随着中国种植业
无人机搭载如可见光、多光谱、热红外等传感器
结构的不断调整， “粮经饲”协调发展的作物结
对作物进行遥感监测具有成本较低、机动灵活、
［6］
操作难度低、时空分辨率高、可重复等优点。近 构正在逐步形成 。 “十三五”以来，中国相继
收稿日期：2022-10-06
基金项目 ： 国 家 重 点 研 发 计 划 项 目 （2022YFD1300804）； 河 北 省 现 代 农 业 产 业 体 系 草 业 创 新 团 队 专 项 资 金 资 助 项 目
（HBCT2018160202） ；自治区区域协同创新专项 （科技援疆计划）（2021E02056） ；国家牧草产业技术体系 （CARS-34） ；河北省重点
研发计划项目 （21327406D）
作者简介：卓 越 （1997－） ，男，硕士，研究方向为精准灌溉与信息化技术研究。E-mail：[e-mail]

通信作者：严海军 （1974－） ，男，博士，教授，研究方向为节水灌溉技术与装备研究。E-mail：[e-mail]智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
36
实施“草原生态保护补助奖励” “粮改饲” “振兴 各类传感器获取遥感影像，利用图像处理软件提
奶业苜蓿发展行动”等政策措施，饲草作物正处 取作物的特征信息，根据光谱特征、纹理特征及
作物机理等对作物长势、产量、品质等进行快
于蓬勃发展态势。2020 年中国种植的饲草作物主
速、高效、大范围地监测。本节从无人机数据获
要包括青贮玉米、饲用燕麦、多花黑麦草和紫花
取、无人机数据处理和饲草作物生长监测关键技
苜蓿等，耕地种植面积近 540 万公顷，产量干重
［7］
术三个方面对饲草作物无人机遥感监测方法进行
约 7160 万吨，比 2015 年增长 2400 万吨 。
概述。
饲草作物生长状况的实时监测能为生产者提
供必要信息，从而提高田间种植管理水平。无人
2.1 　 数 据 获 取 　
机遥感在饲草作物生长监测中的应用日益广泛，
无人机获取数据质量的好坏会直接影响正射
为系统了解该技术应用现状，分析行业应用进展
影像质量，很大程度上决定作物生长监测结果。
和面临的问题，本文重点围绕数据获取、数据处
按照特定的作物生长监测指标选择合适的无人机
理以及饲草作物生长监测关键技术，梳理了无人
飞行平台及传感器，根据实际航飞要求合理设置
机遥感在饲草作物监测方面的基本研究方法，总
飞行参数是无人机遥感数据获取的基础。
结了饲草作物冠层结构信息提取、光谱重建与优
2.1.1 　 飞 行 平 台 　
化和饲草生物量估算 3 项关键技术，分析了近年
无人机遥感系统通常由无人机遥感平台、传
来相关研究的发展态势，从无人机搭载可见光、 ［2］
感器以及地面站系统构成 。无人机遥感平台按
多光谱、高光谱、热红外和激光雷达 5 类传感器
不同形态可分为多旋翼无人机、固定翼无人机和
的角度总结了国内外无人机遥感饲草作物生长监
垂直起降固定翼无人机，其他如单旋翼无人机、
测的研究进展，最后提出了本领域当前面临的问
扑翼无人机和无人飞船等在作物生长监测中应用
［8］
题与挑战，并针对尚未解决的关键技术问题展望
较少 。三类主流无人机的作业场景、优势、局
了未来的发展方向。
限性等指标如表 1 所示，其中多旋翼无人机具有
较高的灵活性和适用性，载荷能力、飞行时间等
2 饲 草 作 物 无 人 机 遥 感 监 测 方 法
指标较为均衡，是目前应用最广的无人机遥感
饲草作物无人机遥感监测是通过无人机搭载 平台。
表 1 不 同 类 型 无 人 机 概 况
Table 1 Overview of different types of unmanned aerial vehicle（ UAV）
飞行速
无人机类型 有效载荷/kg 续航时间/min 飞行高度/m 常见作业场景 优势 局限性
-1
度（ / km·h ）
中小范围的农情监测 性价比高， 起降便利，续航时间较短、
多旋翼 小于 50 10 ~90 36 ~80 约 500
与农事操作 具备悬停能力 作业范围有限
大范围农情监测与农 飞行速度快， 续航时 起降不便， 不具
固定翼 小于 40 60 ~360 90 ~170 120 ~6000
事操作 间长， 作业效率高 备悬停能力
垂直起降固 大范围农情监测与农 兼顾起降灵活性与作 价格较高， 维护
小于 75 60 ~480 90 ~140 3000 ~6000
定翼 事操作 业高效性 复杂
注： 数据来源于网络
［11,12］
饲草作物遥感监测中使用的无人机飞行平台 生产的精灵 Phantom 系列四旋翼无人机 ，而
以固定翼和多旋翼为主。固定翼无人机中使用较 在需要更大载荷的应用场景中，使用较多的是大
［13,14］
多 的 是 SenseFly 公 司 生 产 的 eBee 小 型 无 人 疆公司生产的经纬 M600 系列六旋翼无人机 、
［9,10］ ［15,16］
机 。多旋翼无人机中使用较多的是大疆公司 S1000 八旋翼无人机 和 Scheveningen 公司生Vol. 4, No. 4 卓 越等：无人机遥感在饲草作物生长监测中的应用研究进展
37
［17,18］ ［19］
产的 AT8 八旋翼无人机 。 高光谱相机、热红外相机和激光雷达等 。表 2
2.1.2 　 传 感 器 　 为各传感器应用于无人机监测的范围、优势和局
传感器是无人机开展遥感监测的核心设备。
限性。
常用的传感器主要有可见光相机、多光谱相机、
表 2 不 同 机 载 传 感 器 的 应 用 与 比 较
Table 2 Application and comparison of different airborne sensors
传感器 应用范围 优势 局限性
作物高度、 冠层覆盖度、 倒伏率、 生物量、 影像分辨率高， 成本低， 图像直
可见光相机 波段数少， 影像所含信息较少
产量等 观， 数据处理简单
营养元素诊断、 冠层覆盖度、 病虫害诊 成本较低， 能获取近红外光谱
多光谱相机 波段数有限， 影像分辨率较低
断、 叶绿素含量、 生物量、 产量等 信息
营养元素诊断、 作物水分状态、 叶绿素含 波段数多， 光谱分辨率高， 包含
高光谱相机 数据处理复杂， 成本较高
量、 叶面积指数、 生物量、 产量等 光谱信息多
冠层温度、 气孔导度、 作物水分状态、 生 能够快速、 大范围获取冠层温 图像分辨率低， 易受外界环境影响，
热红外相机
物量、 产量等 度信息 对小幅度温度变化不敏感
能够快速、 大范围获取冠层高 成本高， 数据量大， 数据处理复杂， 易
激光雷达 作物高度、 生物量等
度信息， 分辨率高 受水面干扰
无人机遥感在饲草作物生长监测应用时，需 在相同分辨率下，图像拼接质量随着重叠度的增
［31］
大而提高 ，一般情况下，航向和旁向重叠度
要根据应用范围、作业成本等因素选择合适的传
不低于 75%，而在灾害调查、应急救援等时效性
感器。可见光传感器在饲草作物生长监测应用最
［32］
［20］
要求较高的场合可适当降低重叠度 。在飞行
广 泛 ， 常 用 的 型 号 包 括 索 尼 α 6000 、 佳 能
［10］
作业中，提高飞行速度、缩短拍摄间隔有助于缩
S110 等，其主要区别在于传感器视场角度、
减作业时长，但飞行速度过快容易造成影像模
像幅大小等。多光谱传感器中具有代表性的有
［21］ 糊。因此，需要针对不同的作业要求、作业环
MicaSense 公 司 生 产 的 RedEdge 系 列 、Parrot
境、传感器等合理设置飞行参数。
［22］
公司生产的 Sequoia 等，其主要区别是波段数
针对饲草作物生长监测的应用，无人机飞行
和波长。与可见光和多光谱传感器相比，高光
高度普遍设定在 120 m 以内，以研究小范围内的
谱、热红外和激光雷达传感器在饲草作物监测中
遥感指标与作物参数之间关系为主，少部分应用
研究应用较少，高光谱中常用型号有推扫式成像
于较大尺度的模型验证或应用，如将飞行高度设
［23］
的 Headwall Nano-Hyperspec 和画幅式成像的
［33］ ［34］
置为 191 m 或 850 m 。在飞行航线重叠度方
［24］
Cubert FireflEYE 185 ，热红外中常用的型号为
面，大多数研究的航向和旁向重叠度均达到 75%
［25］
OPTRIS 公司生产的 PI 系列传感器 ，激光雷达
以上。
中应用较多的为 GreenValley 公司生产的 RIEGL
［26］ 2.2 　 数 据 处 理 　
VUX-1 。
2.1.3 　 飞 行 参 数 　
无人机搭载各类传感器能够获取海量的遥感
为确保无人机遥感系统获取高质量数据，数
数据，相较于卫星遥感具有更高的空间分辨率，
据采集前需要设置飞行高度、飞行速度、航线重
可为作物生长监测提供更全面和准确的数据支
叠度和拍摄间隔等飞行参数。对于小范围的作物
持，然而高分辨率的遥感影像也给数据处理带来
生长监测作业，通常将飞行高度设置在 100 m 以
了挑战，海量数据处理与多源遥感数据配准是低
［27,28］ ［29,30］
下 ，而大范围作业则设置在 100 m 以上 。 空遥感数据处理技术的关注重点。智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
38
2.2.1 　 数 据 预 处 理 　 征的内在联系。常用的模型可以概括为两大类：
可见光、多光谱、高光谱和热红外传感器在
一是经验统计模型，二是冠层辐射传输模型。
数据预处理时涉及辐射校正、影像拼接、几何校 经验统计模型指利用敏感波段反射率、光谱
［35］
正和地理配准几个步骤 。其中辐射校正将传 指数等参数与作物生长指标构建线性或非线性模
型。经验统计模型中，常用方法有相关性分析、
感器的像素值转为辐射亮度值，减少太阳角度、
［2］
主成分分析和多元回归分析等，近年来也有研究
云的阴影、相机增益及曝光等因素的影响 ，如
者使用如支持向量回归 （Support Vector Regres‐
MicaSense 公司生产的 RedEdge 多光谱传感器、
［36］
sion， SVR） 、 随 机 森 林 （Random Forest，
Cubert 公司生产的 FireflEYE 185 高光谱传感器均
［41］
RF） 和 人 工 神 经 网 络 （Artificial Neural Net‐
可使用厂商配备的辐射校正板进行校正，热红外
［42］
work，ANN） 等机器学习算法进行非线性拟
传感器如大疆公司生产的禅思 XT 系列可通过辐
合以提高模型反演精度。经验统计模型结构简
射校正软件结合气象参数进行校正。此外基于地
［36］
单、计算效率高，便于快速反演应用，然而对作
物实测反射率的经验线性法 、伪标准地物辐
［37］ 物类型、生长环境较为敏感，需要大量实测样本
射纠正法 等也是常用的辐射校正方法。影像
数据，普适性较低。
拼接将一系列重叠度较高的遥感影像借助地理坐
辐射传输模型以物理光学为基础，通过冠层
标信息进行特征识别和匹配，而几何校正用于纠
光谱反射率与作物生长指标之间明确的物理关系
［38］
正由飞行姿态变化引起的成像畸变 。影像拼
反演得到生长指标，受到作物类型和环境变化的
接与几何校正通常采用 PhotoScan、Pix4D Map‐
影响较小，具有良好的通用性，但辐射传输模型
［39］
per 等商业软件进行自动化处理 。地理配准则
需要输入参数较多，反演过程较为复杂，模型精
使用高精度全球导航卫星系统 （Global Naviga‐
［43］
度受“维数灾难”和“病态反演”问题制约 。
tion Satellite System，GNSS） 接收机精确测量地
目 前 常 用 的 辐 射 传 输 模 型 有 PROSAIL 模 型 、
面 控 制 点 坐 标 ， 在 Pix4D Mapper、 ArcGIS、
GeoSail 模型和双冠层反射率模型 （A Two-Layer
QGIS 等软件中实现。
Canopy Reflectance Model， ACRM） 等 ， 其 中
激光雷达成像机理不同于上述四种传感器，
［44］
PROSAIL 模型应用最多 。
能够获取植被形状、结构、位置等三维信息。激
2.3 　 饲 草 作 物 生 长 监 测 关 键 技 术 　
光雷达传感器数据的预处理主要包括点云去噪、
地面点分类和归一化等步骤。因受到传感器本身
提取并解析饲草作物生长的遥感数据是决定
影响及现场环境干扰，激光雷达点云中会不可避
无人机遥感技术能否广泛应用的关键。在饲草作
免的存在噪声点，为提升点云数据质量，首先需
物生长监测的技术方法中，冠层结构信息提取、
要去噪处理，随后对点云数据进行滤波分类，划
光谱重建与优化和饲草生物量估算是其中的重点
分地面点和非地面点，最后通过归一化处理消去
和难点，本节围绕上述 3 个关键技术展开介绍。
地 形 起 伏 对 点 云 高 程 的 影 响 。 目 前 Li‐
2.3.1 　 冠 层 结 构 信 息 提 取 　
［26］ ［40］
DAR360 、TerraScan 等软件已经能够实现
冠层结构包括株高、冠层体积和叶面积等，
激光雷达数据的全流程预处理，为操作人员的使
反映了作物的生长状态。对于以获取植株为目的
用提供了便利。 饲草作物，冠层不仅是光合作用、蒸腾作用的载
［45,46］
2.2.2 　 生 长 监 测 模 型 构 建 　 体，其变化同时反映了干物质的累积过程 。
目前，无人机遥感技术已广泛用于作物生长
如何高效、大面积地提取饲草作物冠层结构特征
监测，如叶面积指数、叶绿素、株高、生物量等
及其时空变化规律具有重要意义。通过机载激光
指标，其根本依据是作物特征与冠层光谱反射特 雷达传感器获取冠层结构信息的方法，已成功应Vol. 4, No. 4 卓 越等：无人机遥感在饲草作物生长监测中的应用研究进展
39
［47］ ［40］ ［53］
用于柳枝稷 和天然草地 的表型分析。此 春丽等 结合无人机高光谱遥感数据和地面实
外，常用方法还有基于运动推断结构 （Structure 测资料，使用机器学习算法建立了高寒天然草地
［54］
From Motion，SFM） 的作物三维模型重构法， 的生物量估测模型。Viljanen 等 使用无人机搭
载可见光相机和高光谱相机，结合作物表面模型
该方法从重叠度较高的遥感影像中提取特征点并
和光谱指数构建了梯牧草-草甸羊茅混播草地的
进行匹配，随后通过三角量测法生成点云从而得
［48］
生物量模型。在生物量估算的基础上，汪传建
到作物的冠层结构模型。Grüner 等 研究明确
［16］
了该方法能实现红车轴草-紫花苜蓿混合草地冠 等 利用 GPS 轨迹数据获得畜群行为的时空演
变模式，将采食强度与天然草地生物量进行融
层高度的快速准确提取，Batistoti 和 Forsmoo 等
［49］
合，得到了天然草地利用情况。通过无人机对饲
也先后印证了 SFM 算法在提取大黍 、黑麦草-
［50］
草生物量进行估算，进而确定合理的载畜量，既
红车轴草混合草地 、黑麦草-狼尾草混合草
［12］
对天然草地进行保护，又能使单位面积的生产水
地 的冠层结构信息时具有较好效果。
［55］
平达到最高 ，实现了草地生态系统的可持续
2.3.2 　 光 谱 重 建 与 优 化 　
无人机遥感影像数据量庞大，进行数据处理 发展。
特别是高光谱数据处理时，超大数据量不利于传
3 无 人 机 遥 感 饲 草 作 物 生 长 监 测 研
输、分析和存储，也不利于模型的应用推广。为
究 进 展
了兼顾模型精度和光谱的数据量，通常对光谱数
据进行重建与优化。相关性分析法能够挖掘遥感
3.1 　 无 人 机 遥 感 饲 草 作 物 监 测 研 究 态 势 　
数据与关键监测指标的相关性并给出特征选择，
［13］
目前应用较为广泛。Gao 等 使用相关系数法
为掌握无人机遥感在饲草作物生长监测方面
筛选出与天然草地营养指标敏感的遥感变量，结
的研究态势，在“Web of Science 核心合集”平
果表明地面叶绿素指数 （MERIS Terrestrial Chlo‐
台检索已发表的相关学术论文，检索式为：TS=
rophyll Index，MTCI） 与粗蛋白含量的相关性最 （UAV or UAS or unmanned aerial vehicle） AND
［11］
高。Lussem 等 使用皮尔逊相关系数优选植被 TS= （grassland or herbage or forage） AND TS=
指数用于生物量统计建模，发现归一化红绿差异 （height or lodging or biomass or yield or LAI or ni‐
指 数 （Normalized Green-Red Difference Index，
trogen or water stress or evapotranspiration or phe‐
NGRDI） 与生物量干重的相关性最高。在高光 notyping or quality or nutrition or vegetation param‐
［51］
谱数据处理中，康孝岩等 提出了一种基于特 eters or feed values or drought tolerance or diseases
征参量化的光谱重建与优化方法，大幅降低高光 or pests or chlorophyll） ，结果如图 1 所示。
2012—2021 年无人机遥感饲草作物监测的论
谱影像数据量，同时具有与原始光谱数据相当的
［52］
文发表数量整体呈现从无到有且快速增长的趋
牧草生物量估算精度。Feng 等 从原始高光谱
势。其中，2012—2017 年间的论文发表数量较
数据中提取窄带光谱指数，并采用递归特征消除
法得到了各光谱指数的特征重要性排名。 少，总计不足 30 篇。自 2018 年起，越来越多的
［41］ ［56］
研究论文开始使用机器学习 、SFM 等技术
2.3.3 　 饲 草 生 物 量 估 算 　
生物量是饲草作物的重要监测指标，借助无 方法，饲草作物的监测指标也逐渐扩展至氮浓度
［9］ ［57］ ［58］
人机遥感技术对饲草作物生物量进行及时准确地 含量 、品质 、叶面积指数 等。这些论文
评估能够确保饲草资源的合理利用，也为畜牧管 表明随着计算机信息技术、遥感技术的迅速发
理部门实施牧场建设提供了决策依据。当前已经
展，无人机遥感在饲草作物监测领域中的应用潜
有众多研究者围绕饲草生物量估算展开研究，苗 力得到了相应的挖掘。智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
40
图 1 　 2012 —2021 年 无 人 机 遥 感 饲 草 作 物 监 测 相 关
图 2 　 2012 —2021 年 全 球 主 要 国 家 无 人 机 遥 感 饲 草 作 物 监
论 文 数 量
测 论 文 数 量
Fig.1 Numbers of scientific papers on forage crop monitor‐
Fig.2 Numbers of scientific papers on forage crop monitor‐
ing by UAV remote sensing during 2012－2021
ing by UAV remote sensing in major countries during
图 2 统计了近 10 年全球主要国家无人机遥感
2012－2021
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。
3.2 　 无 人 机 遥 感 饲 草 作 物 监 测 研 究 现 状 　
而随着 2012 年开始实施的“振兴奶业苜蓿发展
本节主要围绕近年来无人机遥感监测在饲草
行动”与 2015 年起实施的“粮改饲”等政策，
作物中的研究应用现状，从可见光、多光谱、高
中国饲草产业进入蓬勃发展的时期，甘肃河西走
光谱、热红外和激光雷达传感器 5 个方面进行总
廊、宁夏河套灌区、毛乌素沙区等地充分利用产
结和评述。
区气候干燥少雨、利于干草生产的有利因素，成
3.2.1 　 可 见 光 遥 感 　
［59］
为优质苜蓿的主产区 。随着饲草生产区域的
可见光传感器具有成像分辨率高、数据处理
不断扩大，越来越多的研究者加大了对饲草作物
简单、成本低等优势，目前在饲草作物的覆盖
的研究投入，中国研究者在 2016—2021 年间共
度、生物量监测中应用最广。在植被覆盖度的研
发表相关论文 38 篇，位于世界首位。 ［61］ ［42］
究中，刘艳慧等 、赵健赟等 证实了过绿指
美国牧草生产历史悠久，全国近 14% 的农田
数 （Excess Green Index，EXG） 在估算饲草作物
［60］
［62］
种植牧草，种植面积约为 2470 万公顷 ，种植
植被覆盖度的可行性。于惠等 采用监督分类
的紫花苜蓿和玉米、大豆、小麦进行豆禾轮作，
结合植被指数直方图分析了 6 种可见光植被指数
对饲草作物的研究较深入，自 2013 年起至今共
对草地的识别效果，结果表明归一化红绿差异指
计发表相关论文 34 篇。其他国家如德国、澳大
数 （Normalized Green-Red Difference Index，
利亚、英国等也在近年间相继发表了研究论文。
NGRDI） 提 取 植 被 覆 盖 度 的 精 度 最 高 。 伏 帅
［63］
通过这些数据表明，全球众多国家已经开展了无
等 指 出 植 被 因 子 指 数 （Vegetative Index，
人机遥感在饲草作物生长监测中的应用研究，并
VEG） 和 EXG 估测草地覆盖度的效果较好，平
取得了一定的进展。但根据论文发表数量及发表 均精确度均在 93% 以上。
趋势判断，总体来说，此领域目前并非研究者关
使用敏感植被指数与生物量直接构建线性或
注热点领域。 非线性模型是饲草作物生物量监测的方法之一。Vol. 4, No. 4 卓 越等：无人机遥感在饲草作物生长监测中的应用研究进展
41
［34］
张正健等 使用 NGRDI 构建的亚高山草甸的生 ized Difference Vegetation Index，GNDVI） 、归一
［64］
物量指数回归模型，以及 Shi 等 使用红绿蓝植 化红边指数 （Normalized Difference Red-Edge In‐
［70］
被指数 （Red Green Blue Vegetation Index，RGB‐ dex，NDRE） 等。
［71］
VI） 构建的青藏高原地区放牧草地的生物量模 在育种表型参数解析方面，Cazenave 等
型，均取得了较好的结果。近年来众多研究发现 使用 NDVI 指数与覆盖度计算苜蓿干草质量并与
数字表面模型 （Digital Surface Model，DSM） 特 实测值进行相关性分析，评估了不同品种苜蓿的
［72］
征所包含的绝对高度信息能为饲草作物的生物量 生 产 力 。 Biswas 等 分 析 了 NDVI、 NDRE、
提供重要参照，可以弥补可见光影像中波段少光 GNDVI 和绿红比值植被指数 （Green and Red ra‐
［11,48-50］
谱信息量低的不足，提高模型的预测精度 。 tio Vegetation Index，GRVI） 四种多光谱植被指
［65］
除此之外，Castro 等 基于 AlexNet 深度学习网 数与苜蓿生物量的相关性，成功提高了饲草作物
络成功预测了不同基因型大黍的生物量，预测值 育种试验的效率与准确性。在氮素监测研究中，
［66］ ［9］
与实际值相关系数 r 达到 0.88。Minch 等 探究 Wang 等 基于多光谱遥感数据构建了红羊茅草-
不同飞行高度和拍摄角度对紫花苜蓿生物量建 黑麦草混合草地氮浓度、氮吸收、生物量和氮营
模精度的影响，明确了飞行高度为 50 m，拍摄 养 指 数 （N Nutrition Index， NNI） 反 演 模 型 。
［33］
角 度 为 75° 时 构 建 的 生 物 量 模 型 精 度 最 高 。 López-Calderón 等 使用 RF 算法构建了基于 5
［67］
DiMaggio 等 对比了 30、40、50 m 飞行高度下 种多光谱植被指数的青贮玉米含氮量反演模型。
2
构建的草地生物量模型，模型的决定系数 R 分别 大量研究证实了使用多光谱植被指数能够预测饲
［15,16,73］ ［74］
为 0.65、0.63、0.63，表明飞行高度对结果的影 草作物的产量 ，在此基础上，Théau 等
响不显著。 指出使用多光谱指数融合冠层结构信息能够避免
上述研究均是深入挖掘分析高分辨率的可见 光谱指数模型在产量高值区出现饱和，研究者们
［22,75,76］ ［77］
光遥感信息，通过回归分析、机器学习、SFM 等 在黑麦草 、白车轴草-黑麦草混播草地
［21］
方法在植被覆盖度、株高和生物量等方面展开研 和紫花苜蓿 的产量预测模型中加入作物冠层
究，取得了令人满意的结果。相比于多光谱相 结构信息，均获得了更好的预测效果。
机，可见光相机的波段数较少，尤其是缺乏红 与可见光遥感相比，多光谱遥感获取的近红
［57］
边、近红外波段的信息，为营养价值估算 、 外波段能够为作物信息反演提供更多的支持，也
［10］ ［68］
倒伏判断 、含氮量监测 等方面研究带来了 使数据处理和模型构建具有更大的操作空间，然
挑战。然而可见光传感器成本低于多光谱、高光 而当前的研究主要围绕简单的波段组合展开，尚
谱等传感器，具有良好的经济适用性，是无人机 未体现饲草作物在连续波段范围的吸收过程。总
遥感监测推广普及的首选方案。 体而言，多光谱遥感的综合应用价值较大，是一
3.2.2 　 多 光 谱 遥 感 　 种较为成熟、适合推广应用的遥感监测手段。
普通的可见光传感器只包括 R、G、B 三个
3.2.3 　 高 光 谱 遥 感 　
波段，而多光谱相机包含的红边、近红外等波段 高光谱传感器相较于多光谱传感器可以提供
能够更好地捕捉作物整个生育期内的光谱反射特 更丰富的光谱信息，从而敏感地捕获植被正常或
［78］
征，使用基于红边、近红外波段构建的植被指数 胁迫生长引起的光谱反射率变化 。在高光谱
［41］
可以准确地开展生物量估算、营养指标监测等工 的研究中，N?si 等 对比了可见光与高光谱影
作。常用的多光谱植被指数包括归一化植被指数 像估算草地生物量、含氮量的效果，证实了高光
（Normalized Difference Vegetation Index， ND‐ 谱植被指数在草地含氮量的估算中优于可见光。
［69］ ［52］
VI） 、 绿 色 归 一 化 植 被 指 数 （Green Normal‐ Feng 等 通过无人机搭载高光谱相机获取苜蓿智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
42
冠层植被指数，结合 RF、SVR 和 K 近邻算法 3 的非线性调整指数 （Modified Non-Linear Index，
种机器学习算法，构建了基于集成机器学习算法 MNLI） 构建了紫花苜蓿的产量预测模型，其中
2
的苜蓿产量预测模型，结果表明集成模型优于基 使用多元线性回归法构建的模型 R 为 0.64。Loo‐
2 ［17］
础学习算法模型，最优模型的 R 为 0.87。在产量 tens 等 使用可见光植被指数与冠层温度判断
［23］
预测的基础上，Feng 等 首次将多任务模型 羊茅草、黑麦草的耐旱性，将育种专家给出的视
（Multi Task Learning，MTL） 用于作物营养价值 觉评分与无人机遥感数据进行对比分析，结果表
估算，使用基于长短期记忆 （Long Short Term 明基于逐步回归算法构建的模型能够准确估算牧
［18］
Memory，LSTM） 和 ANN 的多任务学习模型估 草的耐旱分数。De Swaef 等 的研究同样表明
算了苜蓿品质，结果表明多任务模型在估算苜蓿 植被指数与育种专家给出的视觉评分具有较高的
［24］
品质方面优于其他模型。Wijesingha 等 同样 相关性，使用热红外遥感得到的 CWSI 可用于分
研究了不同算法对牧草品质的估算效果，结果表 析不同品种黑麦草的生理生态差异。
明 基 于 SVR 的 粗 蛋 白 模 型 精 度 最 高 ， 而 基 于 上述研究证实了热红外传感器在饲草作物监
Cubist 回归的酸性洗涤纤维模型精度最高。 测中的可行性，然而传感器本身较低的分辨率和
已有研究结果表明，高光谱遥感在饲草作物 复杂的外界环境为热红外成像技术带来了挑战，
含氮量、产量和营养价值监测等方面具有较高可 在今后的研究中需要关注研发适用性更强的热红
行性。目前，基于高光谱遥感发表的研究论文数 外传感器，以达到准确、经济、实用等目的。
量要少于可见光、多光谱遥感，在未来研究中， 3.2.5 　 激 光 雷 达 遥 感 　
激光雷达 （Light Detection and Ranging，Li‐
应根据不同作物的特征，充分利用高光谱遥感的
DAR） 与光学成像遥感成像原理不同，其通过主
光谱分辨率高、信息量大的特点，进一步提升饲
动发射激光脉冲获取目标空间数据，具有点密度
草作物的监测效果。
高、空间分辨率高、低空探测性能好等优势。郝
3.2.4 　 热 红 外 遥 感 　
［83］
热 红 外 遥 感 因 其 独 特 的 波 段 范 围 （0.76 ~ 鑫等 结合机载激光雷达数据与地表高程点构
1000 μm） ，在冠层温度、土壤含水和蒸散发方面 建了锡林浩特地区草地的 DSM，通过空间坐标
［79］
取得了较好的表现。张伟等 在青藏高原地区 匹 配 叠 加 及 数 值 解 获 得 草 地 冠 层 高 度 模 型 。
［84］
开展研究，研究结果表明无人机热红外遥感技术 Wang 等 探究了无人机搭载离散回波激光雷达
可以快速、精准获取地表温度数据，为高寒草甸 对呼伦贝尔草原生态系统冠层高度和覆盖率建模
［80］
干旱监测提供数据支持。Hassan-Esfahani 等 的能力，结果表明平均冠层高度是草地生物量的
2
使用无人机搭载热红外相机结合地面采样数据， 最佳估算指标，模型的均方根误差为 81.89 g/m 。
准确估算了紫花苜蓿与燕麦的土壤含水率空间分 激光雷达相较光学传感器有更强的抗干扰能
2
布，模型 R 为 0.77。基于地表能量平衡的蒸散发 力，但不合理的飞行参数仍会导致点云信息缺
［40］
模型是获取冠层蒸散发的重要手段之一。相较于 失。Zhang 等 探究了不同飞行高度下激光雷
卫星遥感数据，使用无人机热红外数据进行蒸散 达估算呼伦贝尔牧区草地冠层高度与植被覆盖度
［25,81］
发估算更适合中小型地块的田间监测 。 的效果，证实了数据采集高度对覆盖度的估算有
［26］
现阶段热红外传感器图像分辨率普遍较低， 显著影响。Zhao 等 对比了机载与近地测量的
研究者们通常将热红外与多光谱、可见光遥感数 激光雷达数据，建议在数据采集过程中降低飞行
［82］
据融合以提升遥感监测效果。Chandel 等 使用 速度并采用地形跟随的方式保证数据质量。
［85］
热红外传感器获得的作物水分胁迫指数 （Crop 激光雷达传感器测量精度更高 ，但数据
Water Stress Index，CWSI） 和多光谱传感器获得 处理难度大，而且价格较高，目前在饲草作物生Vol. 4, No. 4 卓 越等：无人机遥感在饲草作物生长监测中的应用研究进展
43
长监测研究中鲜有使用。在未来研究中，激光雷 期和不同生长年的形态特征，逐步实现单生育时
达遥感可重点着眼于低成本传感器的研发和配套 期向多时相模型的转变。在空间尺度上围绕具有
算法模型的开发。
代表性的研究地区开展饲草作物无人机监测，增
加样本数据量，进一步提高模型适用范围。
4 面 临 的 挑 战 与 展 望
（2） 普及高光谱、热红外和激光雷达传感器
在饲草作物监测中的使用，加快多传感器融合技
4.1 　 面 临 的 挑 战 　
术发展，建立无人机遥感多源数据库，并结合卫
尽管近年来无人机遥感饲草作物生长监测研
星遥感数据、历史产量、土壤电导率等数据开展
究取得了一定进展，但在模型精度、模型普适
空天地一体化协同监测。应用光谱成像技术、遥
性、数据处理时效性等方面仍面临较大的挑战，
感图像处理技术、深度学习等技术在饲草作物领
亟待解决的主要问题如下。
域继续深入研究，提高生长监测模型的精度和
（1） 现阶段饲草作物生长监测取得的成果大
广度。
多是基于当次或时间序列接近的遥感影像，未考
（3） 开发智能化、人性化的无人机遥感全流
虑作物不同生育时期冠层形态结构的差异，难以
程数据分析系统。简化操作流程和数据处理步
反映全生育期的变化趋势。此外，不同饲草作
骤，引入语音、图像、文字等智能交互方式，提
［86］
物、不同地区同种饲草、以及多年生饲草作物年
高软件易用性 。使用 5G 通讯网络、边缘计算
际间的遥感影像存在差异性，目前已构建的饲草 ［87］
设备以解决数据传输与数据实时处理问题 ，
作物遥感指标与作物参数之间的模型无法大面积
及时、精准地监测饲草作物的生长状况。
推广应用。
总之，无人机遥感在饲草作物生长监测方面
（2） 现阶段饲草作物使用的无人机飞行平台
的研究仍处于起步阶段，与实际生产应用仍存在
多为轻小型无人机搭配可见光、多光谱传感器，
较大距离。随着计算机信息技术、传感器技术、
多数研究仍限于机载传感器的数据融合，尚未建
地理信息系统、通信技术等快速发展，无人机遥
立无人机与地面、卫星遥感数据的联系，数据获
感技术及其在饲草作物生长监测应用将进一步走
取手段较为单一，限制了生长监测模型的完善和
向成熟，并真正服务于农业生产。
遥感尺度的进一步扩展。
（3） 当前无人机遥感数据处理软件分散、系
参 参考 考文 文献 献：
统性较差，遥感影像拼接、预处理、作业处方图
[ 1 ] KAYAD A G, AL-GAADI K A, TOLA E, et al. Assess‐
生成等需要在不同的软件环境中进行，对操作人
ing the spatial variability of alfalfa yield using satellite
imagery and ground-based data[J]. PLoS One, 2016, 11
员的专业性要求较高。此外，随着饲草作物种植
(6): ID e0157166.
面积的增大与遥感影像分辨率的增加，无人机遥
[ 2 ] 孙刚, 黄文江, 陈鹏飞, 等 . 轻小型无人机多光谱遥感
技术应用进展[J]. 农业机械学报, 2018, 49(3): 1-17.
感影像的数据量过大，无法实时传输至地面站，
SUN G, HUANG W, CHEN P, et al. Advances in UAV-
滞后的遥感数据解译限制了饲草作物生长状态的
based multispectral remote sensing applications[J].
及时反馈。
Transactions of the CSAM, 2018, 49(3): 1-17.
[ 3 ] 刘忠, 万炜, 黄晋宇, 等 . 基于无人机遥感的农作物长
4.2 　 展 望 　
势关键参数反演研究进展[J]. 农业工程学报, 2018,
34(24): 60-71.
针对目前无人机饲草作物生长监测面临的多
LIU Z, WAN W, HUANG J, et al. Progress on key pa‐
rameters inversion of crop growth based on unmanned
种挑战，建议未来有关模型构建、数据融合、系
aerial vehicle remote sensing[J]. Transactions of the
统开发的研究从以下几方面展开：
CSAE, 2018, 34(24): 60-71.
（1） 在时间尺度上根据饲草作物不同生育时 [ 4 ] 陈鹏飞 . 无人机在农业中的应用现状与展望[J]. 浙江智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
44
大学学报(农业与生命科学版), 2018, 44(4): 399-406. spectral data using radiative transfer modelling and ma‐
CHEN P. Applications and trends of unmanned aerial chine learning[J]. International Journal of Applied
vehicle in agriculture[J]. Journal of Zhejiang Universi‐ Earth Observation and Geoinformation, 2022, 110: ID
ty (Agriculture and Life Sciences), 2018, 44(4): 102817.
399-406. [15] 孙世泽, 汪传建, 尹小君, 等 . 无人机多光谱影像的天
[ 5 ] 李宗南, 陈仲新, 王利民, 等 . 基于小型无人机遥感的 然 草 地 生 物 量 估 算 [J]. 遥 感 学 报 , 2018, 22(5):
玉米倒伏面积提取[J]. 农业工程学报, 2014, 30(19): 848-856.
207-213. SUN S, WANG C, YIN X, et al. Estimating aboveg‐
LI Z, CHEN Z, WANG L, et al. Area extraction of round biomass of natural grassland based on multispec‐
maize lodging based on remote sensing by small un‐ tral images of unmanned aerial vehicles[J]. Journal of
manned aerial vehicle[J]. Transactions of the CSAE, Remote Sensing, 2018, 22(5): 848-856.
2014, 30(19): 207-213. [16] 汪传建, 江红红, 尹小君, 等 . 基于 GPS 与无人机遥感
[ 6 ] 梁启章, 齐清文, 姜莉莉, 等 . "粮经饲"种植结构优化 反演草地生物量的放牧场利用强度评估[J]. 农业工
方法与对弈式操作策略[J]. 中国农业信息, 2019, 31 程学报, 2018, 34(19): 82-87.
(2): 84-97. WANG C, JIANG H, YIN X, et al. Evaluation for natu‐
LIANG Q, QI Q, JIANG L, et al. Optimization method ral grassland utilization intensity based on GPS and
of planting structure of "grain & economic & feed UAV remote sensing for grassland biomass inver‐
crop" and playing chess operation strategy of software sion[J]. Transactions of the CSAE, 2018, 34(19):
platform[J]. China Agricultural Informatics, 2019, 31 82-87.
(2): 84-97. [17] LOOTENS P, MAES W H, DE SWAEF T, et al. UAV-
[ 7 ] 中华人民共和国农业农村部 . "十四五"全国饲草产 Based remote sensing for evaluation of drought toler‐
业发展规划[R]. 2022. ance in forage grasses[C]// Breeding in a World of
[ 8 ] 王磊, 周建平, 许燕, 等 . 农用无人机的应用现状与展 Scarcity. Cham, German: Springer International Pub‐
望[J]. 农药, 2019, 58(9): 625-630, 634. lishing, 2016: 111-116.
WANG L, ZHOU J, XU Y, et.al. Application status and [18] DE SWAEF T, MAES W H, APER J, et al. Applying
prospect of agricultural UAV[J]. Agrochemicals, 2019, RGB-and thermal-based vegetation indices from UAVs
58(9): 625-630, 534. for high-throughput field phenotyping of drought toler‐
[ 9 ] WANG H, MORTENSEN A K, MAO P, et al. Estimat‐ ance in forage grasses[J]. Remote Sensing, 2021, 13
ing the nitrogen nutrition index in grass seed crops us‐ (1): ID 147.
ing a UAV-mounted multispectral camera[J]. Interna‐ [19] 兰玉彬, 邓小玲, 曾国亮 . 无人机农业遥感在农作物
tional Journal of Remote Sensing, 2019, 40(7): 2467- 病虫草害诊断应用研究进展[J]. 智慧农业(中英文),
2482. 2019, 1(2): 1-19.
[10] TAN S, MORTENSEN A K, MA X, et al. Assessment LAN Y, DENG X, ZENG G, et al. Advances in diagno‐
of grass lodging using texture and canopy height dis‐ sis of crop diseases, pests and weeds by UAV remote
tribution features derived from UAV visual-band im‐ sensing[J] Smart Agriculture, 2019, 1(2): 1-19.
ages[J]. Agricultural and Forest Meteorology, 2021, [20] BORRA-SERRANO I, DE SWAEF T, APER J, et al.
308: ID 108541. Towards an objective evaluation of persistency of Loli‐
[11] LUSSEM U, BOLTEN A, MENNE J, et al. Estimating um perenne swards using UAV imagery[J]. Euphytica,
biomass in temperate grassland with high resolution 2018, 214(8): 1-18.
canopy surface models from UAV-based RGB images [21] 严海军, 卓越, 李茂娜, 等 . 基于机器学习和无人机多
and vegetation indices[J]. Journal of Applied Remote 光谱遥感的苜蓿产量预测[J]. 农业工程学报, 2022,
Sensing, 2019, 13(3): ID 034525. 38(11): 64-71.
[12] SINDE-GONZáLEZ I, GIL-DOCAMPO M, ARZA- YAN H, ZHUO Y, LI M, et al. Alfalfa yield prediction
GARCíA M, et al. Biomass estimation of pasture plots using machine learning and UAV multispectral remote
with multitemporal UAV-based photogrammetric sur‐ sensing[J]. Transactions of the CSAE, 2022, 38(11):
veys[J]. International Journal of Applied Earth Obser‐ 64-71.
vation and Geoinformation, 2021, 101: ID 102355. [22] GEBREMEDHIN A, BADENHORST P, WANG J, et
[13] GAO R, KONG Q, WANG H, et al. Diagnostic feed al. Development and validation of a model to combine
values of natural grasslands based on multispectral im‐ NDVI and plant height for high-throughput phenotyp‐
ages acquired by small unmanned aerial vehicle[J]. ing of herbage yield in a perennial ryegrass breeding
Rangeland Ecology & Management, 2019, 72(6): program[J]. Remote Sensing, 2019, 11(21): ID 2494.
916-922. [23] FENG L, ZHANG Z, MA Y, et al. Multitask learning
[14] D?PPER V, ROCHA A D, BERGER K, et al. Estimat‐ of alfalfa nutritive value from UAV-based hyperspec‐
ing soil moisture content under grassland with hyper‐ tral images[J]. IEEE Geoscience and Remote Sensing Vol. 4, No. 4 卓 越等：无人机遥感在饲草作物生长监测中的应用研究进展
45
Letters, 2021, 19: 1-5. riculture, 2020, 10(10): ID 451.
[24] WIJESINGHA J, ASTOR T, SCHULZE-BRüNING‐ [34] 张正健, 李爱农, 边金虎, 等 . 基于无人机影像可见光
HOFF D, et al. Predicting forage quality of grasslands 植被指数的若尔盖草地地上生物量估算研究[J]. 遥
using UAV-borne imaging spectroscopy[J]. Remote 感技术与应用, 2016, 31(1): 51-62.
Sensing, 2020, 12(1): ID 126. ZHANG Z, LI A, BIAN J, et al. Estimating aboveg‐
[25] BRENNER C, ZEEMAN M, BERNHARDT M, et al. round biomass of grassland in Zoige by visible vege‐
Estimation of evapotranspiration of temperate grass‐ tation index derived from unmanned aerial vehicle
land based on high-resolution thermal and visible image[J]. Remote Sensing Technology and Applica‐
range imagery from unmanned aerial systems[J]. Inter‐ tion, 2016, 31(1): 51-62.
national Journal of Remote Sensing, 2018, 39(15-16): [35] 郭庆华, 吴芳芳, 胡天宇, 等 . 无人机在生物多样性遥
5141-5174. 感监测中的应用现状与展望[J]. 生物多样性, 2016,
[26] ZHAO X, SU Y, HU T, et al. Analysis of UAV lidar in‐ 24(11): 1267-1278.
formation loss and its influence on the estimation accu‐ GUO Q, WU F, HU T, et al. Perspectives and prospects
racy of structural and functional traits in a meadow of unmanned aerial vehicle in remote sensing monitor‐
steppe[J]. Ecological Indicators, 2022, 135: ID 108515. ing of biodiversity[J]. Biodiversity Science, 2016, 24
[27] 万亮, 岑海燕, 朱姜蓬, 等 . 基于纹理特征与植被指数 (11):1267-1278.
融合的水稻含水量无人机遥感监测[J]. 智慧农业(中 [36] ALVAREZ-HESS P, THOMSON A, KARUNARA‐
英文), 2020, 2(1): 58-67. TNE S, et al. Using multispectral data from an un‐
WAN L, CEN H, ZHU J, et al. Using fusion of texture manned aerial system to estimate pasture depletion dur‐
features and vegetation indices from water concentra‐ ing grazing[J]. Animal Feed Science and Technology,
tion in rice crop to UAV remote sensing monitor[J]. 2021, 275: ID 114880.
Smart Agriculture, 2020, 2(1): 58-67. [37] 高林, 杨贵军, 王宝山, 等 . 基于无人机遥感影像的大
[28] 韩文霆, 彭星硕, 张立元, 等 . 基于多时相无人机遥感 豆 叶 面 积 指 数 反 演 研 究 [J]. 中 国 生 态 农 业 学 报 ,
植 被 指 数 的 夏 玉 米 产 量 估 算 [J]. 农 业 机 械 学 报 , 2015, 23(7): 868-876.
2020, 51(1): 148-155. GAO L, YANG G, WANG B, et al. Soybean leaf area
HAN W, PENG X, ZHANG L, et al. Summer maize index retrieval with UAV (unmanned aerial vehicle) re‐
yield estimation based on vegetation index derived mote sensing imagery[J]. Chinese Journal of Eco-Agri‐
from multi-temporal UAV remote sensing[J]. Transac‐ culture, 2015, 23(7): 868-876.
tions of the CSAM, 2020, 51(1): 148-155. [38] 郭庆华, 胡天宇, 刘瑾, 等 . 轻小型无人机遥感及其行
[29] YANG Q, SHI L, HAN J, et al. Deep convolutional 业 应 用 进 展 [J]. 地 理 科 学 进 展 , 2021, 40(9): 1550-
neural networks for rice grain yield estimation at the 1569.
ripening stage using UAV-based remotely sensed imag‐ GUO Q, HU T, LIU J, et al. Advances in light weight
es[J]. Field Crops Research, 2019, 235: 142-153. unmanned aerial vehicle remote sensing and major in‐
[30] SONG Z, ZHANG Z, YANG S, et al. Identifying sun‐ dustrial applications[J]. Progress in Geography, 2021,
flower lodging based on image fusion and deep seman‐ 40(9): 1550-1569.
tic segmentation with UAV remote sensing imaging[J]. [39] 陈鹏飞, 徐新刚 . 无人机影像拼接软件在农业中应用
Computers and Electronics in Agriculture, 2020, 179: 的比较研究[J]. 作物学报, 2020, 46(7): 1112-1119.
ID 105812. CHEN P, XU X. A comparison of photogrammetric
[31] 于堃, 单捷, 王志明, 等 . 无人机遥感技术在小尺度土 software packages for mosaicking unmanned aerial ve‐
地利用现状动态监测中的应用[J]. 江苏农业学报, hicle (UAV) images in agricultural application[J]. Acta
2019, 35(4): 853-859. Agronomica Sinica, 2020, 46(7): 1112-1119.
YU K, SHAN J, WANG Z, et al. Land use status moni‐ [40] ZHANG X, BAO Y, WANG D, et al. Using UAV Li‐
toring in small scale by unmanned aerial vehicles DAR to extract vegetation parameters of inner mongo‐
(UAVs) observations[J]. Jiangsu Journal of Agricultur‐ lian grassland[J]. Remote Sensing, 2021, 13(4): ID 656.
al Sciences, 2019, 35(4): 853-859. [41] N?SI R, VILJANEN N, KAIVOSOJA J, et al. Estimat‐
[32] 韩峰, 刘昭, 刘伟, 等 . 重叠度对无人机图像拼接效率 ing biomass and nitrogen amount of barley and grass
的影响[J]. 江苏农业科学, 2017, 45(12): 182-187. using UAV and aircraft based spectral and photogram‐
HAN F, LIU Z, LIU W, et al. Effect of overlap on im‐ metric 3D features[J]. Remote Sensing, 2018, 10(7):
age mosaic efficiency of UAV[J]. Jiangsu Agricultural ID 1082.
Sciences, 2017, 45(12): 182-187. [42] 赵健赟, 丁圆圆, 杜梅, 等 . 基于无人机与机器学习的
[33] LóPEZ-CALDERóN M J, ESTRADA- áVALOS J, 黄河源高寒草地植被覆盖度反演技术[J]. 科学技术
RODRíGUEZ-MORENO V M, et al. Estimation of to‐ 与工程, 2021, 21(24): 10209-10214.
tal nitrogen content in forage maize (Zea mays L.) us‐ ZHAO J, DING Y, DU M, et al. Vegetation coverage
ing spectral indices: Analysis by random forest[J]. Ag‐ inversion of alpine grassland in the source of the Yel‐智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
46
low River based on unmanned aerial vehicle and ma‐ semble learning[J]. Remote Sensing, 2020, 12(12): ID
chine learning[J]. Science Technology and Engineer‐ 2028.
ing, 2021, 21(24): 10209-10214. [53] 苗春丽, 伏帅, 刘洁, 等 . 基于 UAV 成像高光谱图像
[43] 刘轲, 周清波, 吴文斌, 等 . 基于多光谱与高光谱遥感 的高寒草甸地上生物量——以海北试验区为例[J].
数据的冬小麦叶面积指数反演比较[J]. 农业工程学 草业科学, 2022, 39(10): 1992-2004.
报, 2016, 32(3): 155-162. MIAO C, FU S, LIU J, et al. Aboveground biomass
LIU K, ZHOU Q, WU W, et al. Comparison between analysis of an alpine meadow based on unmanned aeri‐
multispectral and hyperspectral remote sensing for LAI al vehicle hyperspectral images in the Haibei pilot ar‐
estimation[J]. Transactions of the CSAE, 2016, 32(3): ea[J]. Pratacultural Science, 2022, 39(10):1992-2004.
155-162. [54] VILJANEN N, HONKAVAARA E, N?SI R, et al. A
[44] 江海英, 柴琳娜, 贾坤, 等 . 联合 PROSAIL 模型和植 novel machine learning method for estimating biomass
被水分指数的低矮植被含水量估算[J]. 遥感学报, of grass swards using a photogrammetric canopy
2021, 25(4): 1025-1036. height model, images and vegetation indices captured
JIANG H, CHAI L, JIA K, et al. Estimation of water by a drone[J]. Agriculture, 2018, 8(5): ID 70.
content for short vegetation based on PROSAIL model [55] 刘兴元, 冯琦胜, 梁天刚, 等 . 甘南牧区草地生产力与
and vegetation water indices[J]. National Remote Sens‐ 载畜量时空动态平衡研究[J]. 中国草地学报, 2010,
ing Bulletin, 2021, 25(4): 1025-1036. 32(1): 99-106.
[45] 雷莉, 徐伟洲, 贾雨真, 等 . 氮、磷、钾配施对榆林沙 LIU X, FENG Q, LIANG T, et al. Spatial-temporal dy‐
地紫花苜蓿性状、产量和营养品质的影响[J]. 饲料 namic balance between livestock carrying capacity and
研究, 2021, 44(19): 116-120. productivity of rangeland in Gannan of Gansu prov‐
LEI L, XU W, JIA Y, et al. Effects of nitrogen, phos‐ ince, China[J]. Chinese Journal of Grassland, 2010, 32
phorus and potassium combined application on charac‐ (1): 99-106.
ter, yield and nutritional quality of alfalfa in Yulin san‐ [56] BARETH G, SCHELLBERG J. Replacing manual ris‐
dy land[J]. Feed Research, 2021, 44(19): 116-120. ing plate meter measurements with low-cost UAV-de‐
[46] FRICKE T, WACHENDORF M. Combining ultrasonic rived sward height data in grasslands for spatial moni‐
sward height and spectral signatures to assess the bio‐ toring[J]. PFG-Journal of Photogrammetry, Remote
mass of legume-grass swards[J]. Computers and Elec‐ Sensing and Geoinformation Science, 2018, 86(3):
tronics in Agriculture, 2013, 99: 236-247. 157-168.
[47] LI F, PIASECKI C, MILLWOOD R J, et al. High- [57] DVORAK J S, PAMPOLINI L F, JACKSON J J, et al.
throughput switchgrass phenotyping and biomass mod‐ Predicting quality and yield of growing alfalfa from a
eling by UAV[J]. Frontiers in Plant Science, 2020, 11: UAV[J]. Transactions of the ASABE, 2021, 64(1):
ID 574073. 63-72.
[48] GRüNER E, ASTOR T, WACHENDORF M. Biomass [58] FAN X, KAWAMURA K, XUAN T D, et al. Low‐cost
prediction of heterogeneous temperate grasslands using visible and near‐infrared camera on an unmanned aeri‐
an SFM approach based on UAV imaging[J]. Agrono‐ al vehicle for assessing the herbage biomass and leaf
my, 2019, 9(2): ID 54. area index in an Italian ryegrass field[J]. Grassland Sci‐
[49] BATISTOTI J, MARCATO JUNIOR J, íTAVO L, et ence, 2018, 64(2): 145-150.
al. Estimating pasture biomass and canopy height in [59] 卢欣石 . 2020 我国饲草商品生产形势分析与 2021 年
Brazilian savanna using UAV photogrammetry[J]. Re‐ 展望[J]. 畜牧产业, 2021, (3): 31-36.
mote Sensing, 2019, 11(20): ID 2447. LU X. Analysis of the forage commodity production
[50] FORSMOO J, ANDERSON K, MACLEOD C J, et al. situation in China in 2020 and outlook for 2021[J]. Ani‐
Drone-based structure-from-motion photogrammetry mal Agriculture, 2021, (3): 31-36.
captures grassland sward height variability[J]. Journal [60] 张英俊 . 我国饲草作物的产业发展[J]. 中国乳业,
of Applied Ecology, 2018, 55(6): 2587-2599. 2019, (4): 3-9.
[51] 康孝岩, 张爱武, 庞海洋 . 基于光谱重建优化的无人 ZHANG Y. Industrial development of forage crops in
机高光谱影像估算牧草生物量[J]. 光谱学与光谱分 China[J]. China Dairy, 2019, (4): 3-9.
析, 2021, 41(1): 250-256. [61] 刘艳慧, 蔡宗磊, 包妮沙, 等 . 基于无人机大样方草地
KANG X, ZHANG A, PANG H. Estimation of grass‐ 植被覆盖度及生物量估算方法研究[J]. 生态环境学
land aboveground biomass from uav-mounted hyper‐ 报, 2018, 27(11): 2023-2032.
spectral image by optimized spectral reconstruction[J]. LIU Y, CAI Z, BAO N, et al. Research of grassland
Spectroscopy and Spectral Analysis, 2021, 41(1): vegetation coverage and biomass estimation method
250-256. based on major quadrat from UAV photogrammetry[J].
[52] FENG L, ZHANG Z, MA Y, et al. Alfalfa yield predic‐ Ecology and Environmental Sciences, 2018, 27(11):
tion using UAV-based hyperspectral imagery and en‐ 2023-2032.Vol. 4, No. 4 卓 越等：无人机遥感在饲草作物生长监测中的应用研究进展
47
[62] 于惠, 吴玉锋, 牛莉婷 . 基于无人机可见光图像的荒 area index in an Italian ryegrass field[J]. Grassland Sci‐
漠草地覆盖度估算[J]. 草业科学, 2021, 38(8): 1432- ence, 2018, 64(2): 145-150.
1438. [74] THéAU J, LAUZIER-HUDON é, AUBé L, et al. Esti‐
YU H, WU Y, NIU L. Estimation of vegetation cover‐ mation of forage biomass and vegetation cover in
age of desert grassland based on images from an un‐ grasslands using UAV imagery[J]. PLoS One, 2021, 16
manned aerial vehicle[J]. Pratacultural Science, 2021, (1): ID e0245784.
38(8): 1432-1438. [75] KARUNARATNE S, THOMSON A, MORSE-
[63] 伏帅, 张勇辉, 李佳吕, 等 . 不同植被指数和无人机航 MCNABB E, et al. The fusion of spectral and structur‐
高对草地盖度估测精度的影响[J]. 草业科学, 2021, al datasets derived from an airborne multispectral sen‐
38(1): 11-19. sor for estimation of pasture dry matter yield at pad‐
FU S, ZHANG Y, LI J, et al. Influence of different veg‐ dock scale with time[J]. Remote Sensing, 2020, 12
etation indices and heights of UAVs on the accuracy of (12): ID 2017.
grassland coverage estimation[J]. Pratacultural Sci‐ [76] PRANGA J, BORRA-SERRANO I, APER J, et al. Im‐
ence, 2021, 38(1): 11-19. proving accuracy of herbage yield predictions in peren‐
[64] SHI Y, GAO J, LI X, et al. Improved estimation of nial ryegrass with uav-based structural and spectral da‐
aboveground biomass of disturbed grassland through ta fusion and machine learning[J]. Remote Sensing,
including bare ground and grazing intensity[J]. Remote 2021, 13(17): ID 3459.
Sensing, 2021, 13(11): ID 2105. [77] MICHEZ A, LEJEUNE P, BAUWENS S, et al. Map‐
[65] CASTRO W, MARCATO JUNIOR J, POLIDORO C, ping and monitoring of biomass and grazing in pasture
et al. Deep learning applied to phenotyping of biomass with an unmanned aerial system[J]. Remote Sensing,
in forages with UAV-based RGB imagery[J]. Sensors, 2019, 11(5): 473.
2020, 20(17): ID 4802. [78] 方红亮, 田庆久 . 高光谱遥感在植被监测中的研究综
[66] MINCH C, DVORAK J S, JACKSON J, et al. Creat‐ 述[J]. 遥感技术与应用, 1998(1): 65-72.
ing a field-wide forage canopy model using UAVs and FANG H, TIAN Q. A review of hyperspectral remote
photogrammetry processing[J]. Remote Sensing, 2021, sensing in vegetation monitoring[J]. Remote Sensing
13(13): ID 2487. Technology and Application, 1998(1): 65-72.
[67] DIMAGGIO A M, PEROTTO-BALDIVIESO H L, [79] 张伟, 宜树华, 秦彧, 等 . 基于无人机的高寒草甸地表
WALTHER C, et al. A pilot study to estimate forage 温度监测及影响因素研究[J]. 草业学报, 2021, 30(3):
mass from unmanned aerial vehicles in a semi-arid 15-27.
rangeland[J]. Remote Sensing, 2020, 12(15): ID 2431. ZHANG W, YI S, QIN Y, et al. Analysis of features
[68] CATUREGLI L, GAETANI M, VOLTERRANI M, et and influencing factors of alpine meadow surface tem‐
al. Normalized difference vegetation index versus dark perature based on UAV thermal thermography[J]. Acta
green colour index to estimate nitrogen status on ber‐ Prataculturae Sinica, 2021, 30(3): 15-27.
mudagrass hybrid and tall fescue[J]. International Jour‐ [80] HASSAN-ESFAHANI L, TORRES-RUA A, JENSEN
nal of Remote Sensing, 2020, 41(2): 455-470. A, et al. Assessment of surface soil moisture using
[69] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitor‐ high-resolution multi-spectral imagery and artificial
ing the vernal advancement of retrogradation of natural neural networks[J]. Remote Sensing, 2015, 7(3): 2627-
vegetation[R]. NASA/GSFC Type III Final Report, 2646.
Greenbelt, MD, 1973. [81] PINTéR K, NAGY Z. Building a UAV based system
[70] GITELSON A A, KAUFMAN Y J, MERZLYAK M N. to acquire high spatial resolution thermal imagery for
Use of a green channel in remote sensing of global veg‐ energy balance modelling[J]. Sensors, 2022, 22(9): ID
etation from EOS-MODIS[J]. Remote Sensing of Envi‐ 3251.
ronment, 1996, 58(3): 289-298. [82] CHANDEL A K, KHOT L R, YU L-X. Alfalfa (Medi ‐
[71] CAZENAVE A, SHAH K, TRAMMELL T, et al. High- cago sativa L.) crop vigor and yield characterization
throughput approaches for phenotyping alfalfa germ‐ using high-resolution aerial multispectral and thermal
plasm under abiotic stress in the field[J]. The Plant infrared imaging technique[J]. Computers and Elec‐
Phenome Journal, 2019, 2(1): 1-13. tronics in Agriculture, 2021, 182: ID 105999.
[72] BISWAS A, ANDRADE M H M L, ACHARYA J P, et [83] 郝鑫, 黄平平, 郭利彪, 等 . 结合地形测绘数据的机载
al. Phenomics-Assisted selection for herbage accumula‐ LiDAR 草原植被冠层高度反演方法研究[J]. 内蒙古
tion in alfalfa (Medicago sativa L.) [J]. Frontiers in 师 范 大 学 学 报 ( 自 然 科 学 汉 文 版), 2021, 50(4):
Plant Science, 2021, 12: ID 756768. 299-307.
[73] FAN X, KAWAMURA K, XUAN T D, et al. Low-cost HAO X, HUANG P, GUO L, et al. Research on the in‐
visible and near-infrared camera on an unmanned aeri‐ version method of airborne LiDAR grassland vegeta‐
al vehicle for assessing the herbage biomass and leaf tion canopy height combined with topographic survey‐智慧农业 （中英文） Smart Agriculture Vol. 4, No. 4
48
ing and mapping data[J]. Journal of Inner Mongolia (3): 178-184.
Normal University (Natural Science Edition), 2021, 50 [86] 赵立新, 李繁茂, 李彦, 等 . 基于无人机平台的直立作
(4): 299-307. 物倒伏监测研究展望[J]. 中国农机化学报, 2019, 40
[84] WANG D, XIN X, SHAO Q, et al. Modeling aboveg‐ (11): 67-72.
round biomass in Hulunber grassland ecosystem by us‐ ZHAO L, LI F, LI Y, et al. Application prospect of crop
ing unmanned aerial vehicle discrete LiDAR[J]. Sen‐ lodging monitoring based on UAV platform [J]. Jour‐
sors, 2017, 17(1): ID 180. nal of Chinese Agricultural Mechanization, 2019, 40
[85] 王庆, 车荧璞, 柴宏红, 等 . 基于无人机可见光与激光 (11): 67-72.
雷达的甜菜株高定量评估[J]. 农业机械学报, 2021, [87] TANG Y, DANANJAYAN S, HOU C, et al. A survey
52(3): 178-184. on the 5G network and its impact on agriculture: Chal‐
WANG Q, CHE Y, CHAI H, et al. Quantitative evalua‐ lenges and opportunities[J]. Computers and Electronics
tion of sugar beet plant height based on UAV-RGB and in Agriculture, 2021, 180: ID 105895.
UAV-LiDAR[J]. Transactions of the CSAM, 2021, 52
Advances in Forage Crop Growth Monitoring by UAV
Remote Sensing
1 1,2 1,3 4
ZHUO Yue , DING Feng , YAN Haijun , XU Jing
（1. College of Water Resources and Civil Engineering, China Agricultural University, Beijing 100083, China;
2. Research Institute of Soil, Fertilizer and Agricultural Water Conservation, Xinjiang Academy of Agricultural Sciences,
Urumqi 830091, China; 3. Engineering Research Center of Agricultural Water-Saving and Water Resources, Ministry of Ed ‐
ucation, Beijing 100083, China; 4. Cangzhou Academy of Agriculture and Forestry Sciences, Cangzhou 061001, China）
Abstract: Dynamic monitoring and quantitative estimation of forage crop growth are of great importance to the large-scale pro‐
duction of forage crop. UAV remote sensing has the advantages of high resolution, strong flexibility and low cost. In recent
years, it has developed rapidly in the field of forage crop growth monitoring. In order to clarify the development status of forage
crop growth monitoring and find the development direction, first, methods of UAV crop remote sensing monitoring were briefly
described from two aspects of data acquisition and processing. Second, three key technologies of forage crop including canopy
information extraction, spectral feature optimization and forage biomass estimation were described. Then the development trend
of related research in recent years was analyzed, and it was pointed out that the number of papers published on UAV remote
sensing forage crop monitoring showed an overall trend of rapidly increasing. With the rapid development of computer informa‐
tion technology and remote sensing technology, the application potential of UAV in the field of forage crop monitoring has been
fully explored. Then, the research progress of UAV remote sensing in forage crop growth monitoring was described in five parts
according to sensor types, i.e., visible, multispectral, hyperspectral, thermal infrared and LiDAR, and the research of each type
of sensor were summarized and reviewed, pointing out that the current researches of hyperspectral, thermal infrared and LiDAR
sensors in forage crop monitoring were less than that of visible and multispectral sensors. Finally, the future development direc‐
tions were clarified according to the key technical problems that have not been solved in the research and application of UAV re‐
mote sensing forage crop growth monitoring: (1) Build a multi-temporal growth monitoring model based on the characteristics
of different growth stages and different growth years of forage crops, carry out UAV remote sensing monitoring of forage crops
around representative research areas to further improve the scope of application of the model. (2) Establish a multi-source data‐
base of UAV remote sensing, and carry out integrated collaborative monitoring combined with satellite remote sensing data, his‐
torical yield, soil conductivity and other data. (3) Develop an intelligent and user-friendly UAV remote sensing data analysis sys‐
tem, and shorten the data processing time through 5G communication network and edge computing devices. This paper could
provide relevant technical references and directional guidelines for researchers in the field of forage crops and further promote
the application and development of precision agriculture technology.
Key words: UAV; remote sensing; forage crop; growth monitoring; sensor; biomass
（登陆 www.smartag.net.cn 免费获取电子版全文）