輕小型無人機遙感在精準農業中的應用及展望

林娜 陳宏 趙健

摘要：近年來，輕小型無人機遙感以其操作簡便、可動態連續監測等獨特優勢，在精準農業領域得到廣泛應用，使農業生產管理具有了實時獲取數據、準確定位及高效率應對的新特點。筆者針對現有的輕小型無人機遙感系統在國內外精準農業領域的主要應用進行闡述，包括農作物識別提取和精細分類、農作物估產及長勢監測分析、農作物病蟲害監測方面，同時對輕小型無人機遙感技術在精準農業應用中未來面臨的挑戰及發展方向進行分析與展望。輕小型無人機遙感設備的改進與更新、遙感信息解析方法的自動化及智能化、多源數據的融合等對精準農業的發展具有重要意義。

關鍵詞：輕小型無人機;遙感;農情監測;精準農田作業

中圖分類號：S127?? 文獻標志碼： A? 文章編號：1002-1302（2020）20-0043-06

近年來，隨著計算機技術、通信技術的迅速發展，農業調查及監測方法向現代化、信息化、精準化方向大力轉變，特別是遙感技術在農業領域中的應用越來越廣泛[1-2]。輕小型無人機遙感技術是在小型化無人機平臺上配備相應的微型傳感器，利用通信技術和定位定姿技術快速準確地獲取關于目標地物的影像及數據，經過后期分析處理，相關產出可用于參數提取或行業具體應用[3-4]?，F有的衛星和地面遙感技術提高了農情信息獲取效率，但衛星遙感技術存在重訪周期長，較易受天氣影響，難以獲得高質量影像等缺點;地面遙感技術費時費力，能監測的范圍小，干擾因素多，難以快速獲取作物信息。輕小型無人機遙感系統具有體積小、質量輕、成本低、操作簡便等一系列優勢，且受天氣、云層覆蓋限制小，飛行高度及飛行時間靈活，能獲取中小尺度范圍內的高時空分辨率的影像數據，有效地彌補了衛星遙感和地面遙感的缺陷，滿足精準農業管理的需求[5-7]。

輕小型無人機遙感技術在精準農業中的應用大大降低了勞動力的投入，加強了農作物的精準管理，提高了農業生產效益。筆者將對現有的輕小型無人機遙感技術在國內外精準農業中的主要應用進行闡述，同時對其未來應用面臨的挑戰及發展方向進行分析與展望，以期為無人機遙感技術在農業中的進一步應用提供參考。

1 輕小型無人機遙感系統的組成及工作流程

輕小型無人機遙感系統主要由無人駕駛飛行平臺、能量系統、遙感傳感器、地面控制系統、數據傳輸系統、影像處理系統等部分組成[8]。無人駕駛飛行器主要分為無人直升機、固定翼無人機、多旋翼無人機、混合翼無人機4種機型[4]。通常所指的輕小型無人機載荷能力在15 kg以內，飛行高度在 3 000 m 以下，最大飛行速度不超過33 m/s[9]。根據不同的應用需求與場景，須在飛行平臺上搭載不同類型的微型傳感器設備，以獲取實時的遙感信息數據。受輕小型無人機平臺穩定性與有效載荷能力的限制，遙感傳感器需滿足體積小、質量輕、功耗低、安全性高等要求。目前，無人機遙感傳感器主要有數碼相機、多光譜和高光譜相機、熱紅外掃描儀及激光雷達等。通過數據傳輸及處理系統可生成載有遙感信息的影像及相關類型的數字模型、光譜指數等遙感產出結果，這些產出結果在農業生產管理中可應用于農作物調查、長勢監測、產量評估等多個方面[10-13]（表1）。

開展輕小型無人機遙感信息獲取工作的流程可以分為前期準備、數據獲取和后期數據處理與解析等階段[14]。在前期階段，準備工作主要包括飛行空域申請，飛行條件判定，調查飛行區域實際地形與周邊環境，設定起降點和飛行路徑，根據影像重疊度、分辨率等的要求設置控制系統參數。在數據獲取階段，執行飛行并實時監控與調整飛行參數。后期數據處理階段主要包括圖像匹配與拼接、正射校正、輻射校正、遙感產品生成等（圖1）。

2 輕小型無人機遙感在國內外精準農業中的應用現狀2.1 農作物識別與精細分類

地表農作物的識別提取與精細分類是進行作物面積測算、長勢分析等工作的基礎與關鍵，也是開展精準農田作業的重要數據來源。相對于傳統的地面調查，輕小型無人機遙感識別技術具有實時性和高效性，可節約大量人力;相對于衛星遙感識別技術，無人機在抗干擾性方面具有較大優勢，由于其可提供更為豐富的結構及紋理信息，能更高效地獲取地物分類數據。

國內外開展的基于輕小型無人機獲取的影像數據提取農作物種植信息的研究已經取得了一定的進展，就遙感分類方法而言，大致分為2種：基于像元的分類方法和基于面向對象的分類方法。在基于像元的分類方法方面，田振坤等通過搭載冠層測量相機的無人直升機平臺獲取高空間分辨率遙感影像，分析農作物波譜特征和歸一化植被指數（NDVI）變化閾值，提出了一種農作物快速分類及提取方法[15]。Poblete-Echeverría等使用無人機遙感獲取具有超高空間分辨率的RGB圖像，在垂直網格系統（VSP）訓練上對比運用K-均值、人工神經網絡、隨機森林和光譜指數SI 4種方法提取葡萄園冠層信息的精度及靈敏性[16]。戴建國等基于固定翼無人機遙感獲取的RGB影像，采用ReliefF-Pearson特征降維方法優選紋理和低通濾波特征，并利用支持向量機分類方法對北疆主要農作物棉花、玉米、苜蓿和西葫蘆等進行分類提取[17]。在基于面向對象的分類方法方面，王利民等基于小型無人機航拍影像的光譜特征、幾何特征、紋理特征，運用面向對象分類方法對苜蓿、春玉米、夏玉米和裸土進行分類[18]。Diaz-Varela等基于無人機獲取的正射影像和數字表面模型，利用多尺度面向對象的分類方法對梯田進行自動識別[19]。張超等以旋翼無人機航拍的RGB影像為數據源，基于小波包分解的面向對象分類方法對農場中多種作物類型進行精細識別[20]。李明等基于多旋翼無人機獲取的可見光數字影像，利用面向對象遙感分類方法建立識別水稻地塊的二分類Logistic回歸模型[21]。

2.2 農作物長勢動態監測

利用輕小型無人機遙感動態監測的優勢可實時了解農作物生長狀況、營養水平、水肥脅迫情況等。目前研究者利用遙感反演生長參數時多采用多元線性回歸、偏最小二乘、主成分分析等建模方法，隨著小型化高光譜遙感設備的研發，更多敏感波段可加入分析模型，人工神經網絡、深度學習等建模方法也受到研究者的青睞[22]。在農作物收獲前對其生長過程中出現的問題進行提前診斷，可為精準農業中的作物管理和田間作業提供重要依據，及時準確地調整施肥、田間管理措施，從而保證作物的正常生長，獲得更好的經濟效益。

農作物長勢動態監測主要包括作物生長參數變化及作物元素含量監測等。祝錦霞等通過旋翼式無人機平臺獲取水稻葉片和冠層的數字圖像，研究不同氮素養分程度下水稻葉片和冠層的綜合特征信息，應用于水稻的氮素養分診斷[23]。Chosa等采用無人機平臺獲取的真彩色和近紅外影像監測水稻生長情況，通過計算每個區域的作物生長參數指標，包括綠度和歸一化植被指數，量化不同區域作物的生長變異性，并基于此提出改進種植措施的建議，以達到生產高質量水稻作物的預期效益[24]。Hunt等利用無人機遙感平臺獲取的近紅外、綠色和藍色影像，測試分析2個不同肥力田塊冬小麥的生長參數，結果發現，葉面積指數與綠色歸一化植被指數（GNDVI）之間存在良好的相關關系[25]。劉峰等基于植被與土壤的光譜特征差異，對板栗主要生育期進行監測研究，提出了一種基于無人機多光譜遙感影像的植被覆蓋度快速計算方法，并利用多時相無人機影像數據實現了板栗植被覆蓋度年變化監測[26]。Du等通過基于衛星影像的歸一化植被指數（NDVI）和基于無人機影像的可見光波段差異植被指數（VDVI）分析小麥冠層生長狀態，表明NDVI指數與谷物蛋白質之間存在較大相關性，在小麥生長早期NDVI指數和VDVI指數在分析谷物蛋白質性能上表現出良好的一致性[27]。秦占飛等基于八旋翼無人機高光譜影像，依托不同氮素水平水稻試驗，對比分析光譜指數與偏最小二乘回歸方法預測水稻葉片全氮含量的準確度，結果表明，無人機高光譜影像反演的水稻葉片全氮含量分布范圍與地面調查實際情況較相符[28]。劉建立等利用無人機載可見-近紅外成像光譜儀、高分辨率可見光相機、機載激光雷達等設備，研究建立針對華北地區冬小麥、夏玉米農田的無人機遙感養分診斷模型[29]。

2.3 田塊尺度的估產

精確估測農作物的產量及其變化對實施精準農業管理具有重要意義。通過輕小型無人機遙感系統可以獲取農作物詳細的光譜特征，以此可反演出作物的生長信息，建立生長信息與產量間的關系模型，進而預估農作物產量[30]。由于無人機遙感技術可以在合適的生育期對農作物進行實時參數監測，因此所建立的農作物產量預測模型具有更高的精度和通用性。

目前，農作物遙感估產預測模型所使用的參數主要有植被指數、生物量、光譜反射率等。Swain等基于無人機低空遙感平臺獲取的高時空分辨率影像估算水稻產量和總生物量，探討NDVI值估算葉片葉綠素含量的適宜性，并通過統計分析發現，不同氮素水平下的水稻產量和總生物量具有顯著的差異性[31]。Vega等利用無人機搭載多光譜相機獲取不同生長季節的向日葵影像，研究NDVI值與作物狀態相關的幾個指數的關系，并對其產量進行了預測分析，結果表明，NDVI與產量、含氮量及生物量具有很好的線性關系[32]。楊貴軍等基于無人機多光譜影像計算得到的NDVI，結合氮肥優化算法進行小麥潛在產量預測，與實際產量對比分析發現，利用上述方法預測產量的估算精度較高[33]。Zhou等利用搭載Mini-MCA多光譜相機的無人機拍攝的影像進行谷物產量預測，發現最佳產量預測時間位于孕穗期，最佳預測指數可選用NDVI和可見光大氣阻抗植被指數（VARI），且基于多時相的植被指數與預測產量相關性較高[34]。

2.4 病蟲害監測

大面積的病蟲害會造成農作物巨大的生產損失，農作物在受到病蟲害脅迫后，葉片色素及冠層結構會發生變化[35-36]。輕小型無人機遙感可針對葉片色素及冠層變化敏感的波段光譜特征進行動態監測，以此診斷農作物是否受病蟲害侵害及危害程度，進而為精準農業管理中的科學防控作出準確指導，在降低生產損失的同時最大化減少農藥的使用，得到較好的經濟和環境效益。

在無人機病蟲害監測研究方面主要包括病蟲害識別、病害程度評估、病害時空監測等。羅菊花等利用多時相高光譜無人機航空圖像對冬小麥條銹病進行監測，通過建立敏感波段平均光譜反射率與相應病情指數之間的多元線性回歸模型，在掃帚式超光譜成像（PHI）影像上實現了對冬小麥條銹病發生程度與發生范圍的監測[37]。Yang等利用多光譜和高光譜航空影像數據進行了棉花田根腐病的檢測和定位，結果顯示，這2類數據監測結果的精度差別不顯著，表明航空遙感數據具有大范圍病害監測的應用潛力[38]。Zhang等在對蟲害早期監測中采用了包括無人機高光譜在內的多源數據，利用提取的植被指數對葉綠素含量進行反演，為遙感參數在病蟲害預測及早期診斷中的應用提供了參考[39]。Nebiker等利用無人機搭載近紅外多光譜相機獲取的遙感影像，對馬鈴薯和洋蔥栽培中的植物病害進行了定性檢測研究，以此確定病害的原始侵染地點、發生模式，并監測病害的防治效果等[40]。

3 輕小型無人機遙感在精準農業應用中的挑戰及展望? 雖然近來年國內外的研究對輕小型無人機遙感技術作了大量改進與更新，系統硬件與圖像處理技術都得到了快速發展和廣泛應用，但尚存在一些亟需解決的問題。

3.1 輕小型無人機遙感設備改進與更新

傳感器是輕小型無人機遙感系統重要的組成設備之一，而目前國內外大多數研究還集中在搭載多光譜傳感器的輕小型無人機在農業中的應用上，激光雷達、高光譜遙感技術、熱紅外成像儀的應用案例還不多見，主要原因在于這類傳感器設備成本偏貴，加上受輕小型無人機承重力的限制，傳統款式的傳感器設備等難以廣泛應用到無人機遙感系統中[41-42]。

此外，當前輕小型無人機普遍存在續航時較短的問題，單次飛行路徑無法實現大范圍的農業應用作業，加上平衡控制系統及路徑算法的不精確，導致飛行不穩定、重拍漏拍現象嚴重，使得獲取的影像存在質量問題。輕小型無人機遙感系統的穩定性、抗風險性、載荷能力、續航時間、路徑算法等問題仍然是目前制約其發展的瓶頸[43-44]。

因此，輕小型無人機遙感系統的發展亟需設計開發出成本低、微型化、通用性強、質量輕的無人機遙感設備，力求安全性及長時性，減少設備產生的誤差，優化飛行算法，改進傳輸模式，最大程度提高作業效率，獲得更高質量的影像，提升輕小型無人機在精準農業應用中的實用性。

3.2 輕小型無人機遙感信息處理自動化及智能化

輕小型無人機遙感系統獲取的影像普遍存在幅寬小、數量多、傾角及重疊度不一致等問題，增加了影像匹配、拼接、校正的難度，實現輕小型無人機影像預處理自動化，獲得高質量的遙感影像是輕小型無人機遙感技術發展的重要環節。

此外，目前國內外關于輕小型無人機遙感在農業中的應用研究仍基于簡單的遙感獲取信息，大部分集中在通過光譜特征反演農作物生長參數的研究上，需要通過分析建立遙感信息與作物生長相關參數之間的關系，受限于模型的精確性與魯棒性，限制了輕小型無人機遙感在精準農業上的應用范圍。如何深入結合農作物生理生態過程，針對不同類型的農業應用，進一步挖掘遙感信息與農作物各生理參數間的深層關系，提高遙感解析模型的精確度與通用性，如何將遙感產出結果直接應用于農業變量作業管理等是輕小型無人機遙感系統在精準農業應用上的一大挑戰[45-46]。

因此，在后續的研發中可關注輕小型無人機遙感信息后處理方法的自動化與智能化，包括無人機遙感數據的自動拼接及校正算法、結合人工智能的作物分類及識別提取、作物生長信息快速解析方法、作物精準管理變量決策優化算法等[47]。輕小型無人機遙感信息獲取技術及解析技術的發展，可以為精準農業智能化轉型升級提供新思路，為農田作業、生產管理提供實時精確的決策依據。

3.3 多來源數據在精準農業中的融合應用

我國農作物類型多樣、影響因素復雜，輕小型無人機遙感在精準農業中的應用可以在農田精細尺度和動態連續監測方面發揮極大作用。但高密度的農作物遙感信息獲取后，融合應用這些不同角度的作物信息，推出一整套具有可實施性的農業精準管理措施，對精準農業發展具有重要現實意義[48]。輕小型無人機遙感在精準農業中的應用涉及了農學、光學、計算機科學、生態學等多個學科知識，結合多源遙感數據、地面調查數據、氣象數據、地理數據等進行多角度的融合研究也是今后發展的方向之一。

4 結語

輕小型無人機遙感技術作為調查及監測的有力工具，能及時獲取精準農業生產管理中所需的各種數據信息，在國內外研究及應用中被廣泛使用，促進了農業生產過程向信息化、智能化、精準化方向的發展。筆者詳細介紹國內外輕小型無人機遙感技術在精準農業方面的研究及應用現狀，指出了輕小型無人機目前在精準農業應用中面臨的挑戰及今后發展方向。隨著計算機技術的進一步發展，輕小型無人機將會被越來越廣泛及深入地應用到精準農業中，不僅僅局限于農情監測方面，在其他農業方面的應用，如農場管理規劃、農業設施管理也能發揮極大作用。為此進一步開發高穩定性、強載荷能力、長續航時間、高圖像質量的輕小型無人機智能化遙感系統，并將其應用于快速準確獲取農田作物信息以及融合多源數據指導田間精準作業，具有重要的研究意義和實際應用價值。

參考文獻：

[1]吳炳方，蒙繼華，李強子. 國外農情遙感監測系統現狀與啟示[J]. 地球科學進展，2010，25（10）：1003-1012.

[2]吳炳方. 中國農情遙感速報系統[J]. 遙感學報，2004，8（6）：481-497.

[3]Marris E. Drones in science：fly，and bring me data[J]. Nature，2013，498（7453）：156-158.

[4]孫 剛，黃文江，陳鵬飛，等. 輕小型無人機多光譜遙感技術應用進展[J]. 農業機械學報，2018，49（3）：1-17.

[5]Zhang C H，Kovacs J M. The application of small unmanned aerial systems for precision agriculture：a review[J]. Precision Agriculture，2012，13（6）：693-712.

[6]李 冰，劉镕源，劉素紅，等. 基于低空無人機遙感的冬小麥覆蓋度變化監測[J]. 農業工程學報，2012，28（13）：160-165.

[7]Sankaran S，Khot L R，Espinoza C Z，et al. Low-altitude，high-resolution aerial imaging systems for row and field crop phenotyping：a review[J]. European Journal of Agronomy，2015，70：112-123.

[8]汪 沛，羅錫文，周志艷，等. 基于微小型無人機的遙感信息獲取關鍵技術綜述[J]. 農業工程學報，2014，30（18）：1-12.

[9]Yang G，Liu J，Zhao C，et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping：current status and perspectives[J]. Frontiers in Plant Science，2017，8：1111.

[10]戴建國，張國順，郭 鵬，等. 基于無人機遙感多光譜影像的棉花倒伏信息提取[J]. 農業工程學報，2019，35（2）：63-70.

[11]葛 靜，孟寶平，楊淑霞，等. 基于UAV技術和MODIS遙感數據的高寒草地蓋度動態變化監測研究——以黃河源東部地區為例[J]. 草業學報，2017，26（3）：1-12.

[12]Gevaert C M，Suomalainen J，Tang J，et al. Generation of spectral-temporal response surfaces by combining multispectral satellite and hyperspectral UAV imagery for precision agriculture applications[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8（6）：3140-3146.

[13]甘 平，董燕生，孫 林，等. 基于無人機載LiDAR數據的玉米澇災災情評估[J]. 中國農業科學，2017，50（15）：2983-2992.

[14]胡健波，張 健. 無人機遙感在生態學中的應用進展[J]. 生態學報，2018，38（1）：20-30.

[15]田振坤，傅鶯鶯，劉素紅，等. 基于無人機低空遙感的農作物快速分類方法[J]. 農業工程學報，2013，29（7）：109-116.

[16]Poblete-Echeverría C，Olmedo G F，Ingram B，et al. Detection and segmentation of vine canopy in ultra-high spatial resolution RGB imagery obtained from unmanned aerial vehicle （UAV）：a case study in a commercial vineyard[J]. Remote Sensing，2017，9（3）：268.

[17]戴建國，張國順，郭鵬，等. 基于無人機遙感可見光影像的北疆主要農作物分類方法[J]. 農業工程學報，2018，34（18）：122-129.

[18]王利民，劉 佳，楊玲波，等. 基于無人機影像的農情遙感監測應用[J]. 農業工程學報，2013，29（18）：136-145.

[19]Diaz-Varela R A，Zarco-Tejada P J，Angileri V，et al. Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle[J]. Journal of Environmental Management，2014，134：117-126.

[20]張 超，劉佳佳，蘇 偉，等. 基于小波包變換的農作物分類無人機遙感影像適宜尺度篩選[J]. 農業工程學報，2016，32（21）：95-101.

[21]李 明，黃愉淇，李緒孟，等. 基于無人機遙感影像的水稻種植信息提取[J]. 農業工程學報，2018，34（4）：108-114.

[22]Ma B L，Lianne M D，Costa C，et al. Early prediction of soybean yield from canopy reflectance measurements[J]. Agronomy Journal，2001，93（6）：1227-1234.

[23]祝錦霞，陳祝爐，石媛媛，等. 基于無人機和地面數字影像的水稻氮素營養診斷研究[J]. 浙江大學學報（農業與生命科學版），2010，36（1）：78-83.

[24]Chosa T，Miyagawa K，Tamura S，et al. Monitoring rice growth over a production region using an unmanned aerial vehicle：preliminary trial for establishing a regional rice strain[J]. IFAC Proceedings Volumes，2010，43（26）：178-183.

[25]Hunt J，Hively W D，Fujikawa S J，et al. Acquisition of NIR-Green-Blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing，2010，2（1）：290-305.

[26]劉峰，劉素紅，向陽.園地植被覆蓋度的無人機遙感監測研究[J]. 農業機械學報，2014，45（11）：250-257.

[27]Du M M，Noguchi N. Multi-temporal monitoring of wheat growth through correlation analysis of satellite images，unmanned aerial vehicle images with ground variable[J]. IFAC-PapersOnLine，2016，49（16）：5-9.

[28]秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測[J]. 農業工程學報，2016，32（23）：77-85.

[29]劉建立，李曉鵬. 基于無人機低空高精度遙感的冬小麥和夏玉米變量施肥管理模型“進展[J]. 浙江大學學報（農業與生命科學版），2018，44（4）：37.

[30]vergaard S I，Isaksson T，Kvaal K，et al. Comparisons of two Hand-Held，multispectral field radiometers and a hyperspectral airborne imager in terms of predicting spring wheat grain yield and quality by means of powered partial least squares regression[J]. Journal of Near Infrared Spectroscopy，2010，18（4）：247-261.

[31]Swain K C，Thomson S J，Jayasuriya H P W. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop[J]. Transactions of the ASABE，2010，53（1）：21-27.

[32]Vega F A，Ramirez F C，Saiz M P，et al. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop[J]. Biosystems Engineering，2015，132：19-27.

[33]楊貴軍，李長春，于海洋，等. 農用無人機多傳感器遙感輔助小麥育種信息獲取[J]. 農業工程學報，2015，31（21）：184-190.

[34]Zhou X，Zheng H B，Xu X Q，et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：246-255.

[35]Zhang J，Pu R，Huang W，et al. Using in-situ hyperspectral data for detecting and discriminating yellow rust disease from nutrient stresses[J]. Field Crops Research，2012，134：165-174.

[36]Pontius J，Martin M，Plourde L，et al. Ash decline assessment in emerald ash borer-infested regions：a test of tree-level，hyperspectral technologies[J]. Remote Sensing of Environment，2008，112（5）：2665-2676.

[37]羅菊花，黃文江，顧曉鶴，等. 基于PHI影像敏感波段組合的冬小麥條銹病遙感監測研究[J]. 光譜學與光譜分析，2010，30（1）：184-187.

[38]Yang C，Everitt J H，Fernandez C J. Comparison of airborne multispectral and hyperspectral imagery for mapping cotton root rot[J]. Biosystems Engineering，2010，107（2）：131-139.

[39]Zhang K，Hu B，Robinson J. Early detection of emerald ash borer infestation using multisourced data：a case study in the town of Oakville，Ontario，Canada[J]. Journal of Applied Remote Sensing，2014，8（1）：083602.

[40]Nebiker S，Lack N，Abcherli M，et al. Light-weight multispectral uav sensors and their capabilities for predicting grain yield and detecting plant diseases[J]. ISPRS-International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2016：963-970.

[41]Chapman S，Merz T，Chan A，et al. Pheno-Copter：a low-altitude，autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping[J]. Agronomy，2014，4（2）：279-301.

[42]Gilad W，Itamar M L，Noam L. Using ground observations of a digital camera in the VIS-NIR range for quantifying the phenology of Mediterranean woody species[J]. International Journal of Applied Earth Observation and Geoinformation，2017，62：88-101.

[43]孫中宇，陳燕喬，楊 龍，等. 輕小型無人機低空遙感及其在生態學中的應用進展[J]. 應用生態學報，2017，28（2）：528-536.

[44]Ballesteros R，Ortega J F，Hernández D，et al. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part I：description of image acquisition and processing[J]. Precision Agriculture，2014，15（6）：579-592.

[45]白由路，金繼運，楊俐蘋，等. 低空遙感技術及其在精準農業中的應用[J]. 土壤肥料，2004（1）：3-6.

[46]趙春江，薛緒掌，王 秀，等. 精準農業技術體系的研究進展與展望[J]. 農業工程學報，2003，19（4）：7-12.

[47]于 堃，單 捷，王志明，等. 無人機遙感技術在小尺度土地利用現狀動態監測中的應用[J]. 江蘇農業學報，2019，35（4）：853-859.

[48]趙春江. 對我國未來精準農業發展的思考[J]. 農業網絡信息，2010（4）：5-8.李星坤，潘 慧，李 攀，等. 基于CRISPR/Cas9系統的擬南芥ugt84a1/ugt84a2雙突變體制作及突變位點分析[J]. 江蘇農業科學，2020，48（20）：49-55.