無人機遙感在農田信息監測中的應用進展*

紀景純 趙 原 鄒曉娟 宣可凡 王偉鵬 劉建立? 李曉鵬

（1 中國科學院南京土壤研究所，南京 210008）（2 中國科學院大學，北京 100049）（3 山西大學環境與資源學院，太原 030006）

實施精準農作的前提是實時、準確獲取農田信息和作物生長動態［1-2］。無人機遙感（UAV-based remote sensing）是一種基于無人機載遙感傳感器，綜合應用無人駕駛飛行、遙感、遙測遙控和空間定位等技術來獲取空間信息的技術方法［3］。在精準農業領域，無人機遙感可用于監測作物生長參數，如：植被覆蓋度、葉面積指數、株高以及這些參數與產量間的相關性；在輔助農作物決策方面，無人機遙感可用于診斷作物營養狀況和田間墑情信息，對于病蟲害的監控也有較高的準確性；此外，無人機遙感還可快速獲取農田空間位置信息，劃分土地利用類型、定位農田邊界和基礎設施、量算種植面積等的精度遠高于傳統測量方法［4-5］。

與高空遙感相比，無人機遙感具有空間分辨率高、應用成本低、時效性強、可重復使用等特點；與傳統的田間定位監測相比，無人機遙感具有信息采集快捷、空間覆蓋率高等特點。尤其是其監測范圍覆蓋了精準農業所關心的田塊尺度，且可方便地獲取不同階段的作物和土壤信息，在農田信息監測領域有著傳統點位監測、航空和衛星遙感無法比擬的優勢［6］，得到越來越廣泛的研究和應用。

1 無人機飛行平臺與遙感測量技術

無人機遙感以無人駕駛飛機為探測平臺，利用搭載的各種任務負荷（通常是成像光譜儀等非接觸式監測設備）獲取有關農田和作物的遙感數字信息，通過對數據的后期處理、挖掘和建模，來獲取農作物長勢、農田環境等信息。

1.1 無人機飛行平臺

1.2 機載傳感器與測量技術

無人機遙感傳感器種類繁多，感知原理和獲取數據類型也各不相同。農田信息監測領域的傳感技術大體可分為成像光譜和空間構型測量兩大類。

成像光譜技術的原理是不同波段的光波作用于樣本會產生不同的光譜特征，由此可反映作物的生理生化指標，多用于農田作物覆蓋區的識別、葉片色素、養分含量等生物化學指標的預測建模［13-15］。成像光譜的感光方式有棱鏡/光柵色散型、干涉型、濾光片型和計算機層析型等，感知光譜波段包括可見光、可見-近紅外（380～2 500 nm）和熱紅外波段（2.5～14 μm）。根據輸出波段數量與連續性不同，成像光譜又可分為高光譜和多光譜［13，16-18］。目前的研究中，普遍采用高清數碼相機獲取的農田正射影像、多光譜相機獲取的多波段反射率、高光譜儀獲取的連續光譜反射率、熱紅外傳感器獲取的田間溫度信息。

空間構型測量技術獲取的是高精度的農田空間位置信息，常用于識別農田表面的三維構型及其特征，并以此來診斷作物株高、葉面積指數、地上部生物量等生物物理指標［19-21］。根據測量方式和技術差異，又可分為基于激光直接測量的激光探測與測量（Light Detection and Ranging，LiDAR）和基于可見光攝影測量的基于運動的結構（Structure from Motion，SfM）方法。機載LiDAR主動發射脈沖，遇到作物或地表后反射回波，通過時間差計算距離，結合慣性系統（Inertial Navigation System，INS）確定的飛機姿態和全球定位系統（Globe Positioning System，GPS）得到飛機位置，解算農田各處的三維空間坐標［22］。SfM方法以農田遙感影像為數據源，基于像對間的特征匹配，通過迭代光束平差過程( Iterative Bundle Adjustment Procedure) 求解相機方位及場景幾何形態，再通過引入地面控制點坐標 (Ground Control Point, GCP)進行矩陣變換將農田空間點云轉入現實世界坐標系［23-24］。

2 無人機遙感數據處理與建模方法

成像光譜與空間構型數據在處理流程、建模方法和結果應用上均不相同，前者以提取特征信息建立參數反演模型為目的，后者則能夠建立測區三維空間結構模型。成像光譜數據中的高光譜獲取的是不限波段范圍的窄間隔連續光譜數據，因此數據量大，波段提取和信息壓縮是高光譜數據處理的首要任務。熱紅外獲取的是2.5～14 μm波段的數據，包括連續和非連續的數據。由于該波段與溫度關系密切，數據處理也以提取溫度信息為主要目標?？臻g構型數據中，SfM方法基于可見光攝影測量，解算后的數據是帶有色彩信息的三維空間坐標，基于激光直接測量的LiDAR技術獲取的則僅有空間位置信息。

2.1 成像光譜數據處理與建模

成像光譜技術中使用可見光成像和多光譜數據的通常直接選取特征波段或計算植被指數，將主成分提取后的光譜特征信息與作物的各項生理生化指標建立反演模型。

高光譜因為波段密集，數據量大，需要先選擇與農田信息密切相關的特征波段。信息量、投影、相似度計算及小波分解法均可作為特征波段選擇的依據［25］?；谛畔⒘康牟ǘ芜x擇，可將高光譜影像灰度值（Digital Number，DN）的標準差，可以看作最簡單的信息量度量［26］，信息熵，波段熵值高則信息量豐富；基于投影的選擇包括主成分分析法、獨立成分分析法等，以壓縮波段，降低維數為目的；相似度計算中波段的空間自相關程度高則包含的信息量大而相關程度高的波段間存在信息冗余；小波分解法目前已有很多小波基可供選擇（雙正交樣條、Harar、Daubechies、高斯、Symlet、Meyer、Colilet小波等），選擇某一小波基后，即可對一維或二維信號進行離散或連續的小波變換［25］。

提取出特征波段后的高光譜數據處理過程與可見光成像和多光譜類似，可直接計算波段反射率，或計算各項植被指數后，采用一元回歸和多元回歸等方法建立其與作物生長參量間的線性、對數、二次、冪函數等模型；也可根據如植被光學輻射傳輸等模型，通過全局敏感性分析法（Sobol法、二叉樹遍歷法、GLUE法、FAST法）評價非線性模型中作物目標生長參數對于光譜信息的影響及相應的敏感波段，通過查找表法、數值優化法、人工神經網絡法等方法反演作物生長信息；或者基于機器學習（基于神經網絡、高斯過程回歸、核嶺回歸、隨機森林等）對農田信息反演建模［25］。

因此，為解決房屋拆遷測繪系統中存在的這些問題，本研究設計并開發了深圳拆遷報告系統V2.1。在進行深圳房屋拆遷測繪系統設計的過程中，主要遵循了以下兩個原則，即遵循“準確”“高效”“真實”原則，增加二維或者三維的圖形等內容。本研究設計的房屋拆遷測繪技術，其不僅是對現有測繪技術的一種豐富，更提高了房屋拆遷的測繪效率。深圳拆遷報告系統V2.1，如圖1所示。

熱紅外波段反演地溫的方法主要有單窗算法、劈窗算法、多通道和多角度算法。單窗算法利用一個熱紅外波段反演地表溫度，劈窗算法利用相鄰兩個熱紅外波段，是目前最為成熟的反演算法。研究者對熱溫數據分析處理通常使用相對熱溫指數，包括目標器官或組織之間的熱溫差或熱溫比值，目標區域監測員手指之間的指溫差指數和指溫比指數增加不同熱像中熱溫數據的可比性［27］。如林業中常用的邊心溫比就是伐樁橫截面的邊材與心材熱溫比值。由于紅外輻射的衍射效應較可見光強，所以圖像對比度較弱，邊緣模糊，目標區域分割邊緣提取是一項難點。目前圖像邊緣檢測一般利用圖像邊緣的一階和二階導數信息，例如：梯度法，模板算子法等，被廣泛使用的模板算子有Sobel算子、Prewitt算子和Laplacain算子等［28］。

2.2 空間構型數據處理與建模

SfM方法首先要對原始圖像進行無畸變處理，校正由相機鏡頭引起的失真，獲取無畸變圖像序列［29］，相對定向過程選擇匹配特征點多且居于飛行區域中央的兩張影像作為初始像對，通過特征匹配、前后方交會解算初始像對兩幅影像的相機參數及同名坐標點初始值，再利用光束法平差優化結果；添加新影像，利用已求得的三維點坐標，及影像間的匹配特征點，空間后方交會估算新添加影像的相機參數、對應特征點坐標，再次平差優化直到完成所有影像的添加；最終完成由農田航拍影像到三維點云的構建［30］。此過程生成的點云是離散的，利用點云內插方法得到數字高程模型（Digital Elevation Model，DEM）后能覆蓋整個測區［31］。

LiDAR數據處理的首要工作是去除和平滑由于系統誤差、目標物表面過亮或偶然因素導致的噪聲點。隨后，修復點云漏洞及缺失部分，在完整的點云基礎上完成農田精細建模［32］。

3 無人機遙感在農田信息監測中的應用

無人機可搭載的遙感傳感器多種多樣，可以獲取多維度、高精度的農田信息，實現多類農田信息的動態監測。這些信息主要包括作物空間分布信息（農田定位、作物種類識別、面積估算及變化動態監測、田間基礎設施提?。?、作物生長信息（作物表型參數、營養指標、產量），以及作物生長脅迫因子（田間墑情、病蟲害）動態等。

3.1 農田空間信息

農田空間位置信息包括田塊的地理坐標及通過目視判別或機器識別得到的作物分類。通過地理坐標識別出田塊邊界還可以實現種植面積的估算。傳統的方法通過以地形圖作為底圖進行數字化開展區域規劃和面積測算，時效性差，邊界位置與實際情況差異巨大且缺乏直觀性，不利于精準農業的實施。無人機遙感可以實時獲取全面的農田空間位置信息，具有傳統方法無可比擬的優勢。高清數碼相機的航拍影像即可實現農田基本空間信息的識別和判定，如白由路等［8］在上海將鳳農場僅以數碼相機即實現了作物種類的識別和地塊面積的量算?？臻g構型技術的發展提高了農田位置信息研究的精度與深度，在引入高程信息的同時提升了空間分辨率，可實現更精細的農田空間信息監測。如張宏鳴等［33］將無人機DEM數據用于農田灌溉渠系的提取，渠系提取的完整度達85.61%。

3.2 作物生長信息

作物生長狀況可以通過表型參數、營養指標以及產量等信息來表征。表型參數包括植被覆蓋度、葉面積指數、生物量、株高等。這些參數相互關聯、共同表征了作物的長勢情況，與最終產量直接相關。在農田信息監測研究中占有主導地位，已經開展的研究相對較多。

3.2.1 作物表型參數 葉面積指數（Leaf Area Index，LAI）是指單位地表面積上單面綠葉面積的總和［34］，可較好地表征作物對光能的吸收利用，與作物的物質積累和最終產量關系密切。葉面積指數是目前無人機遙感監測的主要作物生長參數之一。以多光譜數據計算植被指數（比值植被指數、歸一化植被指數、土壤調節植被指數、差值植被指數等）與地面實測數據建立回歸模型是反演表型參數較為成熟的方法。高林等［35］通過對多個生育期、多種植被指數和不同模型的比較，選擇鼓粒期（大豆主莖最上部4個具有充分生長葉片著生的節中,任何一個節位上豆莢內綠色種子充滿莢皮的時期）歸一化差分植被指數（Normalized Difference Vegetation Index，NDVI）的線性回歸模型反演大豆LAI，決定系數R2=0.829，均方根誤差RMSE=0.301，估測精度EA=85.4%。也有利用可見光圖像估測LAI的研究，如高林等［36］構建了基于可見光大氣阻抗植被指數（Visible Atmospherically Resistant Index，VARI）原理的數字圖像特征參數（UAV-based VARIRGB）的指數模型，R2也達到0.71。高光譜的高分辨率優勢為研究者提供了更豐富和連續的數據。隨著高光譜傳感器的推廣和高階數據處理方法的發展，應用高光譜估算LAI的研究逐漸增多。已有研究證實，攜式地物光譜儀（Analytica Spectra Devices，ASD）獲取的地面高光譜比值植被指數（Ratio Vegetation Index，RVI）對數模型的LAI預測能力優于無人機多光譜的NDVI線性模型［37］；Cubert UHD 185-Firefly (UHD185)是新型的無人機載高光譜傳感器，研究者通過對冬小麥孕穗、開花、灌漿期的 UHD185高光譜影像與冠層ASD反射率的比較發現，其在第3波段～第96波段（458～830nm）具有較好的光譜質量。采用偏最小二乘回歸法（Partial Least Squares Regression，PLSR）與紅邊參數結合估算葉面積指數，獨立驗證R2=0.757，R M S E=0.7 3 2；交叉驗證R2=0.7 5 5，R M S E=0.762［38］。田明璐等［39］針對傳統固定波段植被指數存在的波段范圍問題，通過動態搜索植被指數，將波段范圍內的反射率極值定義為極值植被指數，提高了棉花LAI的估測精度（驗證R2最大提高了0.11）。

作物生長后期地上部生物量與產量和品質的關系均很密切［40-41］。目前農業上用無人機遙感進行生物量估測仍多使用多光譜數據，提取光譜參數、計算植被指數進行建模；空間構型技術在生物量的估算方面有一定優勢，如王東亮［42］以呼倫貝爾草地為研究對象，提出基于無人機LiDAR技術的草層高和蓋度提取方法，并用這兩項參數反演了地上生物量（R2=0.784，RMSE=108.9 g·m-2）。該研究還探討了無人機飛行高度對草層高度和蓋度提取結果的影響，并應用鑲嵌算法提升了圖像拼接的效率和效果，對于農田作物生物量的估算具有參考意義。Bendig等［43］利用SfM算法獲取作物表面模型（Crop Surface Models，CSM）提取作物冠層高度，結合3種可見光區植被指數來估算大麥生物量，發現該方法在抽穗前期可靠，但生長后期預測效果不佳。可見生育期對于建模參數的選擇有很大影響。陸國政等［44］在對大豆生物量的反演過程中，采取了分段建模的方式。在開花結莢期以NDVI705和優化土壤調節植被指數（Optimization of Soil Adjusted Vegetation Index，OSAVI），紅邊位置輔以株高為自變量通過最小二乘法建立多元線性回歸模型，獨立驗證R2=0.727， RMSE為0.145；交叉驗證R2為0.714，RMSE為0.393；在生長后期（即鼓粒成熟期），由于株高穩定、對生物量影響小，不再作為建模參數，以4種高光譜植被指數建立的生物量回歸模型，獨立驗證R2為0.698，RMSE為0.238；交叉驗證R2為.697，RMSE為0.386。

3.2.2 作物營養指標 傳統的作物營養狀態監測需要通過田間取樣、室內化學分析，以診斷營養物質或指標（葉綠素、氮素等）的含量，而無人機遙感則依據不同物質具有特異的光譜反射吸收特征進行診斷。葉綠素的監測依據是其在可見光波段有兩個強吸收區，即640～663 nm的紅光部分和430～460 nm的藍紫光部分，而在550 nm處吸收很弱［45］。作物缺素時，葉片顏色、紋理特征均會變化，發掘不同缺素情況對應的顏色和紋理的統計特征及相關特性是營養監測的關鍵［46］。與生長參數監測類似，特征波段、植被指數和預測模型的選擇依舊是研究的主要內容。肖宇釗［47］對多光譜植被指數、紋理特征建立不同葉綠素的相對含量值(Soil and Plant Analyzer Development，SPAD)預測模型，比較得出紋理特征易受成像質量影響，穩定性差于優選植被指數；該研究還發現延后采集時間、增加采集高度、降低飛行速度均能提高模型預測精度。在高值經濟作物研究中，Arai等［48］利用無人機近紅外影像監測茶樹葉片氮含量，優化茶葉采摘時間，在保持茶葉口感的同時提高收獲量，顯著提高了經濟效益。植被輻射傳輸機理模型可描述光在作物葉片和冠層吸收、反射的物理過程，模型以作物生理信息為輸入參數，輸出模擬的冠層光譜信息。通過查找表法、數值優化法、人工神經網絡等方法可以反演作物的生長信息。高精度植被輻射傳輸機理模型被越來越多的研究者所使用［25］。

3.2.3 作物產量 提高農作物產量是農業活動的主要目標，準確估測產量對農業生產和管理決策部門均有重要意義。眾多研究者通過多因素分析試圖建立更高預測精度的估產模型。如許童羽等［49］從監測時間頻率入手，利用二元定距變量方法對單天、各旬、各月冠層NDVI與產量進行相關性分析；相關性最優的五個時間范圍內的數據，用線性回歸、二次、三次曲線分別與產量建模，比較獨立建模與組合建模的結果，得到了預測最優水稻產量的模型是6月中旬和8月上旬的組合模型，其R2=0.771，相對誤差為4.06%， RMSE為0.474 t·hm-2，對應的北方粳稻生育期為分蘗盛期和抽穗期。趙曉慶等［14］的研究則著眼于監測的采樣范圍，基于不同空間尺度提取的高光譜數據，采用偏最小二乘回歸構建植被指數與產量模型，通過模型方程估算精度的曲線變化趨勢，分析最優空間尺度面積及采樣小區的長寬比，最終確定采樣空間長寬與種植小區長寬比例介于4.25∶5和4.5∶5時，估算模型最為準確（r=0.8117）。

3.3 作物生長脅迫因子

3.3.1 農田墑情 農田墑情常通過熱紅外法進行監測。植被高度覆蓋區，因葉片氣孔的關閉可降低因蒸騰造成的水分損失，使地表潛熱通量降低，地表感熱通量增加，進而引起冠層溫度升高，地表溫度可認為是植物冠層溫度。由于反映作物能量平衡的水分脅迫指數可量化作物含水量與冠層溫度的關系，因此通過熱紅外傳感器獲取的冠層溫度即可反映農田水分狀況；裸土或植被覆蓋度小的地區，可以用下墊面溫度間接反演土壤水分，其原理是：水的比熱大，受熱溫度變化慢，因此白天下墊面溫度的空間分布可間接反映土壤水分的分布。在對冠層溫度的監測中，裸露的土壤是重要的干擾因素。有研究者對裸土溫度與作物地表覆蓋度的關系進行了研究，明確了由裸土導致的冠層溫度測量值與真值間的差距，將修正結果用于農田水分的監測，提高了監測結果的精度。在實際農田生產管理中，田間水分滲漏情況也是被關注的重點，已有研究利用紅外成像儀監測灌溉渠道水分滲漏，精度可達93%［50-52］。

3.3.2 病蟲害 利用近紅外光譜反射率監測植物病蟲害，其依據是：葉片在近紅外區的反射受海綿組織和柵欄組織控制，健康植物這兩種組織間隙充滿水分而膨脹，是各種輻射良好的反射體；當植物受害，葉片遭到破壞，組織萎蔫，水分隨之減少，紅外反射減少直到喪失。

熱紅外監測的溫度也是反映作物病蟲害的重要指標。植株在健康條件下，主要通過控制葉片氣孔開閉進行蒸騰作用的調節，維持自身溫度的穩定；在遭受病害后，會發生病理變化，病原物-寄主互作中病原物對植物的影響，特別是對蒸騰有關方面的影響會決定侵染部分溫度的升降。一般而言，植物受感會導致氣孔的開張調節失調，因而病變區域的蒸騰作用高于健康區域，旺盛的蒸騰作用會導致感染區域溫度的下降，葉面溫差較正常葉片高，直到葉片表面出現壞死斑點。壞死部位的細胞完全死亡，該部分的蒸騰作用完全喪失，溫度開始升高，但是由于葉片其他部分開始感染，所以葉面溫差始終高于健康植株［53-54］。

美國農業部使用機載MS4100多光譜相機獲取棉花影像，采用多元線性回歸和統計學方法分析、處理生成處方圖，暗紫色和藍色區域棉花長勢良好，粉紅色和紅色區域棉花生病或者死亡，監測結果直觀，可以快速投入應用輔助農藝管理，如根據棉田病害處方圖進行噴藥管理［55］。

3.4 其他信息

在農田信息監測領域，無人機遙感數據還有更廣泛的應用。如：利用多項紋理特征提取玉米倒伏面積［56］；利用NDVI指數反映棉花成熟期葉片老熟程度，生成的脫落酸施用處方圖可有效指導棉花脫落酸的噴施，避免農藥過度施用等［57］。根據農田監測與管理的需求，不斷挖掘無人機遙感數據信息、拓展其應用領域，是未來信息化、數字化農業發展的必然趨勢。

4 存在問題與發展方向

目前利用無人機監測農田信息還處于起步階段，不僅在飛行平臺的研發、應用和管理方面存在不少問題，而且在遙測數據的挖掘、處理、和綜合應用方面也具有極大的提升空間。首先，無人機的一次性投入成本較高，飛行穩定性受氣象條件、操控人員能力、甚至飛行政策等因素的制約，真正投入生產實踐的案例還比較少；針對大田作物生長的階段性特點，現有的研究對于周期性的農田信息獲取仍急需完善；多載荷無人機雖然已經投入使用，但獲取的數據尚未充分實現多源數據的綜合應用；由于獲取遙感數據缺少快速的處理方法和管理技術指導平臺，高精度、高階數據的有效信息未能完全發掘。

4.1 簡單易用、低成本的無人機遙感平臺

穩定的無人機平臺與協調的傳感器配置對于提高農田信息監測水平意義重大，但是目前無人機存在成本過高、穩定性較差、受大風、陰雨等惡劣天氣的限制等問題；遙感平臺的操作復雜，且過度依賴于人工設置，制約了無人機遙感在農田監測管理中的廣泛應用。目前的研究表明，無人機穩定性受到陣風的影響最大，在飛行控制中也均考慮了風場擾動。滑模變結構控制和基于自抗干擾的飛行控制均取得了一定進展。商用無人機也通過改進自穩系統和航線規劃算法簡化了無人機的操作［58-59］。目前，我國對于7 kg以下、飛行半徑500 m范圍內、高度120 m以下的無人機未作明確規定，但飛行器的飛行空域依然要接受相關部門的監管。隨著無人機的普及，相關政策也有待明確。

4.2 作物生長情況的周期性動態監測

對于農田信息監測缺少周期性和連續性，是當前研究存在的普遍問題。由于作物生長情況處于動態變化中，每一生長階段的生長參數與遙感信息間的關系均不相同，單一或少數幾個生育期的作物生長模型不具有普適性和代表性。例如，由于不同生育期的適用模型不同，有大豆的鮮生物量的研究只能采取分段建模的方式［44］。而且，對于同一生長參數，不同時期監測的準確性也存在較大差異，因此對于作物生長狀態的連續監測，探尋同一生長參數不同生育期的變化趨勢并構建適用于多生育期的普適模型十分必要［38］。

4.3 多源數據的綜合應用

單一來源的遙感數據難以全面反應農田信息。隨著傳感器的輕型化和無人機載重及續航時間的增加，已經實現多源數據同步監測農田信息。如何將不同遙感信息綜合使用，提高監測精度，拓展監測范圍是需要進一步思考的內容。目前，已有以激光雷達為核心, 集成高分辨率相機、熱成像儀、高光譜成像儀等傳感器的Crop3D平臺，實現株高、株幅、葉長、葉寬、葉傾角及葉面積等作物各生長時期多源表型數據的提取，實現高通量作物表型的測量，為基因組學和生物學分析提供數據支持［32］。也有將高清數碼影像與高光譜數據結合，提取株高和光譜參數，綜合應用于生物量估算的案例［35］。但多源數據綜合應用的方法和范圍還很局限，如何實現空間構型數據與成像光譜數據的融合；無人機遙感數據與地面、衛星遙感數據的融合，仍是需要深入研究的問題。

4.4 高精度高階數據實時處理與管理指導技術

相比于整個田塊，農田中植被覆蓋區的遙感信息與作物狀態的相關性更高?；谥脖恢笖档倪b感處理方法，并未充分利用無人機遙感超高的空間分辨率。因此，利用高空間分辨率的優點，在田塊內精細區分作物、壟間裸土，獲取單純植物覆蓋區的遙感信息，對于提升作物模型的預測水平有實際意義。目前，雖然基于可見光或光譜數據即可實現物體識別與分類，但由于其受陰影等影響，實際應用中存在不少問題。特別是作物生長前期由于地表覆蓋度低，遙感數據易受土壤介質的影響，生長后期易受陰影等因素干擾，將物體的空間特征也同時應用于農田物體識別分類，將會有助于提高無人機遙感對作物的分辨能力，實現對農田區域更精準的分割［15, 60-61］。

如何處理無人機遙感獲取的海量數據也是亟待解決的問題。無法實現即時的數據解譯，指導農藝操作，無人機遙感將喪失實時性的優勢。因此無人機數據處理平臺的開發尤為必要，生成相應的農業管理措施，更好地指導農業生產。

5 結 語

無人機遙感作為一種新型的高空間、時間分辨率的信息監測技術，在農田信息監測中的研究和應用方興未艾，目前尚存在不少的問題。但與傳統地面定點監測和高空遙感監測相比，無人機遙感監測的空間尺度和精度優勢顯著，尤其適合中尺度農田的數字信息快速獲取。在可以預見的未來，通過無人機飛行平臺、機載多源信息采集技術、數據挖掘和建模技術、決策支持技術平臺等方面的發展完善，無人機遙感技術有望在農業和相關領域中得到更廣泛、更深入的應用。