無人機遙感監測果樹氮素含量研究進展

陳魯威 曾錦 袁全春 潘健 姚鳳騰 呂曉蘭

摘要：氮素是果樹生長發育不可或缺的成分，氮素含量超出正常范圍會影響樹體生長發育，會直接或間接降低果實產量及品質。快速準確掌握果樹氮素含量，可為精準施肥提供技術支撐，從而達到果樹的優質豐產。隨著無人機產業的快速發展，無人機遙感監測以其無損、快速、實時、高效等優點在氮素含量監測中發揮著重要作用。在介紹目前主流無人機的基礎上，梳理數據獲取及后續處理方式，闡述多光譜、高光譜、可見光以及其他類型傳感器實現果樹氮素含量監測研究現狀。可以發現，多光譜和高光譜傳感器對果樹氮素監測效果更佳，且使用機器學習方法構建模型相較于傳統方法具有更高精度。提出無人機遙感監測果樹氮素含量在無人機飛行平臺與傳感器性能、數據獲取與處理、推廣與應用及政策4個方面現階段存在的不足之處和未來精準化、高效化和智能化的發展方向。

關鍵詞：無人機；遙感；果樹；氮素含量；機器學習

中圖分類號：S252

文獻標識碼：A

文章編號：20955553 （2024） 02023509

收稿日期：2022年7月11日 ?修回日期：2022年9月15日

基金項目：國家梨產業技術體系（CARS—28）；江蘇省農業自主創新資金項目（CX（21）2005）；亞夫科技服務項目（KF（22）1014）

第一作者：陳魯威，男，1997年生，江蘇新沂人，碩士研究生；研究方向為智能農業裝備與計算機視覺。Email： justchenlw@163.com

通訊作者：姚鳳騰，男，1966年生，江蘇泗洪人，碩士，副研究員；研究方向為果園管理技術與裝備。Email： 394866267@qq.com

Research progress on monitoring nitrogen content of fruit trees by UAV remote sensing

Chen Luwei1， 2， Zeng Jin1， 3， Yuan Quanchun1， 3， Pan Jian1， 4， Yao Fengteng1， 3， Lü Xiaolan1， 3

（1. Institute of Agricultural Facilities and Equipment， Jiangsu Academy of Agricultural Science， Nanjing， 210014， China;

2. School of Agricultural Engineering， Jiangsu University， Zhenjiang， 212013， China; 3. Key Laboratory of

Horticultural Crops and Agricultural Equipment， Ministry of Agriculture and Rural Areas， Nanjing， 210014， China;

4. School of Mechanical and Electronic Engineering， Nanjing Forestry University， Nanjing， 210037， China）

Abstract：

Nitrogen is an indispensable component for the growth and development of fruit trees. Nitrogen content beyond the normal range will affect the growth and development of trees， and directly or indirectly reduce the yield and quality of fruits. Therefore， rapid and accurate grasp of the nitrogen content of fruit trees can provide technical support for precise fertilization， so as to achieve high quality and high yield of fruit trees. With the rapid development of UAV industry， UAV remote sensing monitoring plays an important role in nitrogen content monitoring because of its advantages of nondestructive， fast， realtime and high efficiency. On the basis of introducing the current mainstream UAVs， this paper combs the data acquisition and subsequent processing?methods， and expounds the monitoring of nitrogen content in fruit trees by multispectral， hyperspectral， visible light and other types of sensors. In general， multispectral and hyperspectral sensors have better effect on nitrogen monitoring of fruit trees， and the model constructed by machine learning method has higher accuracy than traditional methods. Finally， the deficiencies and future development direction of UAV remote sensing monitoring of fruit tree nitrogen content in four aspects of UAV flight platform and sensor performance， data acquisition and processing， promotion and application， and use policy were put forward， so as to provide reference for the accuracy， efficiency and intelligence of UAV remote sensing monitoring of fruit tree nitrogen content in China.

Keywords：

UAV; remote sensing; fruit tree; nitrogen content; machine learning

0 引言

氮素是影響果樹生長發育最重要的元素之一，缺氮時易導致其生長緩慢，莖葉枝果等受到較大影響，果實品質和產量都將下降。而果樹氮素過多時，容易徒長枝葉，部分果樹會貪青，其果實易延遲成熟，產量也容易下降［1］。如何準確、高效和實時地監測果樹氮素含量，最大程度上改善果實品質和提高果樹產量是當前研究的重點問題之一。目前，果樹氮素含量監測主要依靠人工觀測，但是其具有主觀性和局限性。且因人工實地觀測顯現出的覆蓋面積小、耗時長、工作強度高、準確率低和時效性差等問題，使得監測果樹氮素的任務受到較大的限制，而無法及時和準確的監測果樹氮素含量，往往導致大量氮肥的浪費［2］。

遙感技術是指通過衛星、飛機或其他飛行器及地面其他平臺搭載的各種傳感器，非接觸式地獲取目標物輻射特征或者反射出的電磁波信息［3］。在果樹氮素含量監測領域，由于遙感技術的快速、準確、無損和覆蓋度大等優勢，使得其應用越來越廣泛。當前，遙感監測主要通過衛星、飛機和地面監測站等方式實現［4］。衛星監測容易受大氣和云層等環境因素干擾且空間分辨率低，地面監測站監測的區域面積較小、效率較低且成本較高［5］。而無人機（Unmanned Aerial Vehicle， UAV）具有遙感監測覆蓋區域大、效率高、成本較低等優點，根據無人機搭載不同傳感器進行遙感可以獲得不同類型的數據，如搭載高光譜成像儀，可以獲取更多的光譜頻段、更高的光譜分辨率［6］。因此，在果樹氮素含量監測領域中，無人機遙感得以廣泛地應用。現今，智慧農業逐漸成為時代發展的趨勢，無人機與遙感技術結合是促進農業生產精準化和高效化的有效方式，將對農業生產領域產生較為深遠的影響［79］。

本文首先對無人機遙感監測果樹氮素含量的相關背景、數據獲取方式和流程、數據處理流程和方法等方面進行了概述；然后從多光譜、高光譜、可見光以及其他類型傳感器進行闡述，分析了國內外無人機遙感監測氮素含量的研究進展；最后提出了目前無人機遙感監測氮素含量仍然存在的不足之處和未來的發展方向。

1 獲取數據的方式

1.1 無人機飛行平臺的選擇

無人機種類繁多，按照飛行平臺構型分類一般可分為固定翼、單旋翼、多旋翼和混合翼等，根據作業任務的不同，需要選擇的參數也不盡相同［1011］。在使用無人機遙感監測果樹氮素時，一般根據作業任務區域面積、工作負載和精度大小等進行選取不同參數的無人機。表1為多種無人機飛行平臺的相關參數以及優缺點。

綜合考慮飛行區域面積、性能參數及其造價成本，目前多旋翼無人機以其穩定性較高、起降方便和造價成本適中等優勢在遙感監測果樹氮素中應用較多。

1.2 無人機飛行參數對不同傳感器的影響

無人機飛行參數的差異對探測裝置即獲取數據的傳感器具有一定的影響，通常需要關注的飛行參數主要包括飛行高度、飛行速度、飛行時間、最大負載、抗風能力等，表2為無人機飛行參數對不同傳感器的影響。

1.3 無人機遙感搭載傳感器類型及特點

無人機遙感獲取不同類型的數據，需要通過搭載相應類型的傳感器。

目前搭載在無人機上的傳感器主要有可見光成像設備（如：數碼相機）、多光譜儀、高光譜儀、熱成像儀、激光雷達等。不同傳感器獲取的數據類型各有優劣，表3對相關傳感器類型的特點以及應用場景進行闡釋。

2 數據獲取和處理技術

2.1 數據獲取流程

無人機遙感監測果樹氮素含量的數據獲取流程的安全性、規范性和時效性對于獲取數據的數量和質量具有重要意義，其對后續數據的處理及分析有很大的影響，是保證數據處理分析結果可靠的重要前提。目前，國內外無人機遙感監測果樹氮素含量的數據獲取流程較為相似，一般包括飛行計劃制訂、飛行前準備、正式飛行以及飛行結束處理。圖1對該流程進行了較為詳細的闡釋。

2.2 數據處理流程

現階段，利用無人機遙感監測果樹氮素含量的數據處理流程無顯著差異，一般分為數據格式轉換、圖像拼接、圖像裁切、圖像矯正、特征提取、構造模型、精度分析等，如圖2所示。

無人機獲取的遙感影像一般需要經過預處理才能進行后續操作，對于數據格式轉換，一般與機載傳感器配套的軟件使用，而進行拼接和矯正等預處理，需要使用相關的測繪攝影處理軟件如：ENVI、Photo scan、ArcGIS、Pix4D Mapper等。

由于無人機遙感監測需要處理的數據量龐大，以往的通訊技術難以為在線監測與數據處理提供通訊保障。近年來，隨著5G技術的發展，為數據在線處理與監測提供了技術支撐，圖3為無人機遙感在線監測與數據處理流程及方法。

2.3 數據處理方法

無人機遙感監測果樹氮素含量的原始數據完成預處理后，后續需要進行的步驟一般為特征信息提取和模型構建。

2.3.1 數據的特征信息提取

與正常果樹相比，果樹缺氮時其顏色特征、光譜特征、紋理特征、空間特征等都可能會表現出差異［16］，基于這些特征差異進行數據處理是無人機遙感監測氮素含量的重要前提。

目前，在遙感監測果樹氮素的數據特征信息提取方面，常用的特征主要為光譜特征和顏色特征。如表4所示，為上述兩種特征信息提取的方式及優缺點。光譜特征一般通過無人機搭載多光譜或者高光譜傳感器獲取果樹的光譜反射率。果樹缺氮時，其葉片的蛋白質、葉綠素相比正常果樹具有明顯差異，根據缺氮程度的不同，此時果樹光譜反射率也會發生不同的變化［17］。想要研究出氮素含量與光譜特征之間的變化關系，通常采用篩選敏感波段、波段組合以及構建植被指數（Vegetation Index，VI）等方法降低特征提取的誤差，以提升氮素監測模型的精度。顏色特征主要通過無人機搭載數碼相機拍攝果樹圖片獲取。果樹缺氮后其蛋白質和葉綠素含量往往會降低，導致其表型顏色特征發生變化。通常將獲取到的顏色圖像RGB分量進行數學運算得到不同的顏色指數，再將不同的顏色指數進行分別構建模型對比，以分析出對該果樹最敏感的顏色指數，從而提高果樹氮素監測準確率。

在數據特征提取分析方面，光譜波段較多時主要采用主成分分析（Principal Component Analysis，PCA）和連續投影算法（Successive Projections Algorithm，SPA）等方法。波段較少時，往往通過波段進行組合運算的方法構建VI。而紅外熱成像儀和激光雷達等傳感器獲取的數據類型單一，可以直接獲取果樹的特征信息數據。

2.3.2 模型構建

氮素監測模型質量的差異直接決定了監測果樹氮素含量的準確性，而在相同數據的前提下，采用不同方法構建出的模型，其效果往往有所差異。目前，構建監測氮素含量的模型一般包括傳統的統計分析方法和機器學習方法。表5為三類構建模型方法的主要特點。

利用傳統的統計分析方法進行構建模型經常采用線性回歸方法。機器學習方法構建的氮素監測模型主要采用傳統的機器學習和深度學習方法，傳統的機器學習方法主要包含隨機森林（Random forest，RF）、支持向量機（Support Vector Machine， SVM）、決策樹（Decision Tree）、k-近鄰（kNearest Neighbor，KNN）等，常用的深度學習方法主要為深度神經網絡（Deep Neural Networks，DNN）、卷積神經網絡（Convolutional Neural Networks，CNN）和反向傳播神經網絡（Backpropagation Neural Network，BPNN）等。近年來，隨著人工智能的快速發展、數據量的大幅增加和算力的逐年遞增，無人機遙感監測氮素含量的模型構建使用傳統的統計分析方法和傳統的機器學習方法應用研究逐漸減少，而使用深度學習方法越來越廣泛。

3 不同傳感器監測果樹氮素含量方法

目前，無人機遙感監測果樹氮素含量主要通過搭載多光譜、高光譜及可見光成像設備等傳感器獲取數據。

3.1 多光譜遙感的監測方法

無人機多光譜數據的獲取依靠兩個以上的波譜通道傳感器，將拍攝的目標劃分為多個光譜波段的影像進行多次提取。現階段，利用無人機遙感監測氮素含量使用的多光譜傳感器多為2～5個波段，較常用的5個波段分別為紅邊、近紅外、紅光、綠光和藍光。在對果樹進行氮素監測模型反演時常常將不同波段進行數學運算得到不同的VI，再將VI與地面人工獲取的氮素實際值進行反演從而預測出果樹氮素含量。目前，在氮素監測方面運用較多的VI如表6所示。在進行統計分析時，基于多種VI，主要通過指數統計相關性、方差分析、線性回歸等方法分別在不同時期找出最為敏感的相關VI，并通過一元或多元線性回歸等反演模型構建方法，較為準確地完成了對于荔枝［18］、柑橘［19］、梨樹［20］等果樹的氮素含量監測。但是，線性回歸方法往往具有一定的局限性，對于數據復雜，或者多項式回歸難以完成模型構建。因此，采用機器學習的方法建模研究和應用得以廣泛使用。有部分專家學者通過建立或優化不同的機器學習方法如RF、SVM、XGBoost、二次判別分析（Quadratic Discriminant Analysis，QDA）等進行葡萄、柑橘等果樹氮素含量監測的反演模型構建。同一種機器學習方法對于不同果樹或者果樹的不同時期表現出來的差異較大，如Prado等［21］采用多種機器學習方法對柑橘樹進行氮素含量預測，發現采用RF方法構建的模型具有更高的精度。而Moghimi等［22］使用多種機器學習方法對葡萄藤進行氮素含量預測，發現XGBoost具有更佳的效果。也有部分研究者將傳統的回歸方法、傳統的機器學習方法和機器學習中的深度學習等方法進行對比分析，發現機器學習中的深度學習方法常常擁有更好的效果。如Noguera等［23］利用偏最小二乘（Partial least squares regression，PLS）回歸、高斯過程回歸（Gaussian Process Regression， GPR）、SVM和人工神經網絡（Artificial Neural Network，ANN）等多種方法對橄欖氮素含量進行建模分析，發現ANN的方法獲得了最好的結果。綜上所述，基于機器學習方法構建的氮素監測模型相較于傳統的回歸模型普遍具有更小的誤差和更高的精度。

3.2 高光譜遙感的監測方法

無人機高光譜的波段數量遠多于多光譜，其原理如圖4所示，并且波段連續，分辨率高，其擁有的豐富數據信息為篩選出更多的特征波段提供了可能［2425］。現階段，用于監測氮素含量的高光譜波段范圍主要為400～1 000 nm，由于可選波段數量較多，依據特征波段構造的VI也就更加豐富，針對不同果樹和不同時期的光譜敏感波段的差異化具有更強的普適性。如表7所示，為高光譜不同數據源構建模型的方法及優缺點。由于高光譜波段數量較多，直接將敏感波段的光譜反射率和氮素含量關聯進行構建模型。

楊福芹等［26］直接利用原始的敏感波段光譜反射率對蘋果氮素含量進行建模，建模效果較好，但驗證效果很差，隨后利用敏感波段的光譜反射率的一階微分進行建模，發現預測模型效果更好。相較于多光譜，高光譜擁有的連續且豐富的波段可以進行重構相關VI來提高氮素含量監測準確率。如王鑫梅等［27］通過無人機高光譜篩選出9種對于核桃冠層氮素含量敏感的光譜參數，并以重構的NDVI（986.4 nm和697 nm）監測核桃林地冠層氮素含量，發現其精度更高。在構建氮素監測模型的方法上，常用的有多元線性逐步回歸、PLS回歸、RF、SVM、BPNN等，較多研究者發現基于機器學習算法構建的氮素監測模型往往優于傳統的方法。如田中宇等［28］利用無人機高光譜遙感對蘋果樹冠層氮素含量預測，基于敏感波段和VI分別使用多元線性回歸、RF和SVM算法進行模型構建，發現基于VI，且采用RF算法進行構造模型具有更高的精度。

3.3 可見光成像遙感的監測方法

可見光成像的波段分為紅、綠和藍三種波段，相較于多光譜和高光譜，波段更少，可提供的數據信息較少。現階段，無人機搭載可見光傳感器如數碼相機和RGB傳感器進行可見光遙感監測氮素已有一些研究。由于成像數據僅有紅、綠、藍三種波段，所以其成本低、成像快且處理方便，但是由于波段數量的限制，僅可以將圖像的RGB三個波段進行組合數學運算，難以將多種波段進行組合運算形成各種VI，進行對比分析，其建模精度可能存在一定影響。表8所示為常見的顏色指數，其中Rblue為藍波段。然而，無人機遙感搭載可見光傳感器在一些果樹上進行氮素含量監測依然取得了較好的效果。如權澤堃等［29］使用無人機搭載數碼相機拍攝多個時期的蘋果樹冠層進行氮含量檢測，提取蘋果樹冠的色彩特征和新梢葉片圖像的形態特征，并使用多項式回歸、SVM和ANN方法構建模型，發現模型預測的準確性較好。然而，無人機遙感搭載可見光設備監測果樹氮素含量的相關研究較少，對于其他果樹氮素含量監測的準確性有待進一步研究和驗證。

3.4 其他傳感器遙感的監測方法

目前，無人機遙感監測搭載的其他傳感器主要為激光雷達和紅外熱成像儀。然而紅外熱成像儀對于果樹的溫度差異敏感性高［30］，在其他方面具有局限性，在通過無人機搭載紅外熱成像傳感器監測氮素方面鮮有報道。激光雷達可以提取各種果樹的冠層信息，如果樹的密度、高度和生物量等信息［3132］。但是由于激光雷達的模型構建也存在一定的局限性，使用此類傳感器進行果樹氮素含量監測的相關研究較少，監測模型的準確率有待改進。但是也有研究者發現使用激光雷達和其他傳感器相比各有優劣，如Shendryk等［33］使用無人機遙感搭載激光雷達和多光譜傳感器監測甘蔗葉片氮素含量，通過對比兩種傳感器對于甘蔗葉片氮素含量預測的準確性，發現在不同時期多光譜和激光雷達的準確率各有優勢。目前，采用激光雷達監測果樹氮素含量取得的成果較少，多種果樹尚無研究，相關的模型準確率有待進一步探究。

4 展望

現階段，無人機遙感監測果樹氮素含量的相關研究與應用尚未成熟，在無人機飛行平臺與傳感器的性能、數據獲取與處理、推廣與應用和使用政策上仍有許多的不足之處和發展空間。

4.1 無人機飛行平臺與傳感器性能

現階段，無人機遙感監測飛行平臺在空中作業時容易受到外界環境如風力因素的干擾，造成飛行或懸停不穩定，這將導致成像質量受到較大的影響。除此以外，由于無人機飛行平臺需要搭載傳感器獲取數據，而傳感器重量較大、拍攝單張光譜圖像時間長如搭載高光譜儀將會導致空中作業續航時間大大縮短。未來，開發出飛行穩定、抗風能力強、負載能力高、續航時間長的無人機和重量較輕的、獲取光譜圖像更快的傳感器對于獲取高質量的數據具有重要意義。

4.2 數據獲取與處理

獲取原始數據的困難之處主要是對于天氣條件要求較高，一般需要微風和晴朗的天氣及合適的太陽高度角，想要在不同日期連續且多次地獲取數據將受到較大的限制［34］。除此以外，為了獲取的原始數據更加準確，需要將反射校準板等校準設備一并攜帶。野外環境復雜，校準板容易受到污染，這對于校準板的使用將受到較大的挑戰，且因校準板的誤差可能導致數據獲取準確性下降。另外，現階段無人機負載能力一般且傳感器的質量較大，往往只能攜帶單一的傳感器，這就導致數據源比較單一，獲取數據信息不夠豐富。未來，減小數據獲取的難度、增加數據獲取的準確性和提高數據種類的多樣性將使得無人機遙感監測氮素含量應用越來越廣泛。

無人機遙感數據的處理步驟較為煩瑣，需要借助特定軟件和算法處理。由于數據量較大，不同的處理步驟需要切換各種軟件，而軟件對于數據的兼容存在一定問題，且沒有批量化自動處理的功能，處理數據需要耗費大量的時間，獲取的數據無法及時處理完畢，處理數據的滯后性致使無法及時獲取果樹的氮素含量信息，對于果樹及時地精準施肥造成了一定的影響，可能會導致果實的產量和品質降低。未來，開發出兼容性更高、功能體系齊全、批量化自動處理和基于5G通訊網絡無線傳輸的軟件及算法，對于無人機遙感監測氮素含量的及時性和高效性具有重要的意義。

4.3 推廣與應用

現階段無人機及傳感器價格較高，操作無人機及相關的數據處理較為煩瑣，對無人機飛行環境具有較高的要求，模型時效性和普適性較差，導致無人機遙感監測果樹氮素含量難以進行推廣與應用。未來減小無人機及傳感器成本，無人機飛行及數據處理實現自動化和智能化，且構建出不同果樹的多個時期的模型以增加其普適性，將使得無人機遙感監測果樹氮素含量的推廣與應用成為可能。

4.4 使用政策

當前，我國的空域是受到管制的，包括民航航線也都是由空軍給與劃撥的，所以無人機在飛行之前需要進行報備申請空域，且飛手需要通過無人機執照考試，通過審批后才能進行無人機飛行作業。飛行前準備流程較多可能會耽擱最佳飛行時間，導致無法獲取高質量數據。未來簡化飛行前報備流程，對于無人機獲取數據的時效性和準確性具有一定的意義。

參 考 文 獻

［1］趙靜， 韓甜甜， 張鮮鮮， 等. 應用數碼圖像技術對梨樹葉片營養診斷的初探［J］. 中國農學通報， 2011， 27（13）：272-276.

Zhao Jing， Han Tiantian， Zhang Xianxian， et al. Preliminary study of whangkeumbae leaf nutrients status diagnosis by using digital image processing technique ［J］. Chinese Agricultural Science Bulletin， 2011， 27（13）： 272-276.

［2］王棟. 冀中桃園優質高產的營養診斷技術研究［D］. 保定： 河北農業大學， 2021.

Wang Dong. Study on nutrition diagnosis technology for high quality and yield of peach ［D］. Baoding： Hebei Agricultural University， 2021.

［3］魏麗紅， 翟秋喜. 獼猴桃缺素癥葉片診斷［J］. 北方園藝， 2015（2）： 170-174.

Wei Lihong， Zhai Qiuxi. Leaf diagnosis for kiwifruit deficiency disease ［J］. Northern Horticulture， 2015（2）： 170-174.

［4］李俊豪， 解斌， 李六林. 桃氮素營養及高效利用技術研究進展［J］. 中國果樹， 2020（5）： 8-12.

Li Junhao， Xie Bin， Li Liulin. Research advance in nitrogen nutrition and efficient utilization of peach ［J］. China Fruits， 2020（5）： 8-12.

［5］何雪菲， 黃戰， 馬澤躍， 等. 庫爾勒香梨樹在不同生育期的氮肥利用率［J］. 經濟林研究， 2020， 38（4）： 134-142.

He Xuefei， Huang Zhan， Ma Zeyue， et al. Nitrogen utilization rate of Korla fragrant pear trees in different growth periods ［J］. Nonwood Forest Research， 2020， 38（4）： 134-142.

［2］李佳佳， 楊再強. 高溫脅迫下番茄臨界氮模型的建立及氮素營養診斷［J］. 中國農業氣象， 2021， 42（1）： 44-55.

Li Jiajia， Yang Zaiqiang. Establishment of critical nitrogen model and nitrogen nutrition diagnosis of tomato under high temperature stress ［J］. Chinese Journal of Agrometeorology， 2021， 42（1）： 44-55.

［3］郭靜霞， 張明旭， 王聰聰， 等. 遙感技術在藥用植物資源中的應用研究［J］. 中國中藥雜志， 2021， 46（18）： 4689-4696.

Guo Jingxia， Zhang Mingxu， Wang Congcong， et al. Application of remote sensing technology in medicinal plant resources ［J］. China Journal of Chinese Materia Medica， 2021， 46（18）： 4689-4696.

［4］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.

Sun Zhongyu， Chen Yanqiao， Yang Long， et al. Small unmanned aerial vehicles for lowaltitude remote sensing and its application progress in ecology ［J］. Chinese Journal of Applied Ecology， 2017， 28（2）： 528-536.

［5］Weiss M， Jacob F， Duveiller G. Remote sensing for agricultural applications： A metareview ［J］. Remote Sensing of Environment， 2020， 236： 111402.

［6］Osco L P， Marcato J， Ramos A P M， et al. A review on deep learning in UAV remote sensing ［J］. International Journal of Applied Earth Observation and Geoinformation， 2021， 102： 102456.

［11］金偉， 葛宏立， 杜華強， 等. 無人機遙感發展與應用概況［J］. 遙感信息， 2009（1）： 88-92.

Jing Wei， Ge Jinli， Du Huaqiang， et al. A review on unmanned aerial vehicle remote sensing and Its application ［J］. Remote Sensing Information， 2009（1）： 88-92.

［7］尹欣繁， 車兵輝， 章貴川， 等. 小型旋翼無人機建模及航線控制研究［J］. 火力與指揮控制， 2022， 47（2）： 140-145.

Yin Xinfan， Che Binghui， Zhang Guichuan， et al. Research on modeling and route control of smallscale rotor UAV ［J］. Fire Control & Command Control， 2022， 47（2）： 140-145.

［13］何勇， 張艷超. 農用無人機現狀與發展趨勢［J］. 現代農機， 2014（1）： 1-5.

［8］馬梁， 茍于濤， 雷濤， 等. 基于多尺度特征融合的遙感圖像小目標檢測［J］. 光電工程， 2022， 49（4）： 49-65.

Ma Liang， Gou Yutao， Lei Tao， et al. Small object detection based on multiscale feature fusion using remote sensing images ［J］. OptoElectronic Engineering， 2022， 49（4）： 49-65.

［15］劉光輝. 低空無人機探測技術的發展前景與趨勢［J］. 現代雷達， 2022， 44（4）： 99-100.

［9］雷劍. 輕小型無人機遙感在精準農業中的應用研究［J］. 農業與技術， 2022， 42（3）： 41-43.

［10］劉琳， 鄭興明， 姜濤， 等. 無人機遙感植被覆蓋度提取方法研究綜述［J］. 東北師大學報（自然科學版）， 2021， 53（4）： 151-160.

Liu Lin， Zheng Xingming， Jiang Tao， et al. Extraction method of fractional vegetation cover from unmanned aerial vehicle remote sensing： A review ［J］. Journal of Northeast Normal University（Natural Science Edition）， 2021， 53（4）： 151-160.

［11］王娟， 陳永富， 陳巧， 等. 基于無人機遙感的森林參數信息提取研究進展［J］. 林業資源管理， 2020（5）： 144-151.

Wang Juan， Chen Yongfu， Chen Qiao， et al. Research on forest parameter information extraction progress driven by UAV remote sensing technology ［J］. Forest Resources Management， 2020（5）： 144-151.

［12］王彥宇. 基于固定翼無人機的水稻長勢無損監測研究［D］. 南京： 南京農業大學， 2019.

Wang Yanyu. Rice growth monitoring based on a fixedwing unmanned aerial vehicle platform ［D］. Nanjing： Nanjing Agricultural University， 2019.

［13］Sugiura R， Noguchi N， Ishii K. Remotesensing technology for vegetation monitoring using an unmanned helicopter ［J］. Biosystems Engineering， 2005， 90（4）： 369-379.

［14］趙靜， 龍騰， 蘭玉彬， 等. 多旋翼無人機近地遙感光譜成像裝置研制［J］. 農業工程學報， 2020， 36（3）： 78-85.

Zhao Jing， Long Teng， Lan Yubin， et al. Development of nearearth remote sensing spectral imaging device based on multirotor UAV ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（3）： 78-85.

［15］Corcoles J I， Ortega J F， Hernandez D， et al. Estimation of leaf area index in onion （Allium cepa L.） using an unmanned aerial vehicle ［J］. Biosystems Engineering， 2013， 115（1）： 31-42.

［16］Xie C Q， Yang C. A review on plant highthroughput phenotyping traits using UAVbased sensors ［J］. Computers and Electronics in Agriculture， 2020， 178： 105731.

［17］許童羽， 郭忠輝， 于豐華， 等. 采用GAELM的寒地水稻缺氮量診斷方法［J］. 農業工程學報， 2020， 36（2）： 209-218.

Xu Tongyu， Guo Zhonghui， Yu Fenghua， et al. Genetic algorithm combined with extreme learning machine to diagnose nitrogen deficiency in rice in cold region ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（2）： 209-218.

［18］周慧， 蘇有勇， 王重洋， 等. 利用無人機的多光譜參數預測荔枝葉片養分質量分數［J］. 熱帶地理， 2019， 39（4）： 562-570.

Zhou Hui， Su Youyong， Wang Chongyang， et al. Prediction of nutrient content in litchi leaves by UAV multispectral parameters ［J］. Tropical Geography， 2019， 39（4）： 562-570.

［19］束美艷， 李世林， 魏家璽， 等. 基于無人機平臺的柑橘樹冠信息提取［J］. 農業工程學報， 2021， 37（1）： 68-76.

Shu Meiyan， Li Shilin， Wei Jiaxi， et al. Extraction of citrus crown parameters using UAV platform ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（1）： 68-76.

［20］Perry E M， Goodwin I， Cornwall D. Remote sensing using canopy and leaf reflectance for estimating nitrogen status in redblush pears ［J］. Hortscience， 2018， 53（1）： 78-83.

［21］Prado Osco L， Marques Ramos A P， Roberto Pereira D， et al. Predicting canopy nitrogen content in citrustrees using random forest algorithm associated to spectral vegetation indices from UAVimagery ［J］. Remote Sensing， 2019， 11（24）： 2925.

［22］Moghimi A， Pourreza A， ZunigaRamirez G， et al. A novel machine learning approach to estimate grapevine leaf nitrogen concentration using aerial multispectral imagery ［J］. Remote Sensing， 2020， 12（21）： 3515.

［23］Noguera M， Aquino A， Ponce J M， et al. Nutritional status assessment of olive crops by means of the analysis and modelling of multispectral images taken with UAVs ［J］. Biosystems Engineering， 2021， 211： 1-18.

［24］房賢一. 不同物候期的蘋果樹冠層氮素含量高光譜估測研究［D］. 泰安： 山東農業大學， 2015.

Fang Xianyi. Hyperspectral estimation of apple tree canopy nitrogen contents at different phenological phases ［D］. Taian： Shandong Agricultural University， 2015.

［25］陳瀾. 基于高光譜遙感的蘋果生化參數估算模型研究［D］. 楊凌： 西北農林科技大學， 2020.

Chen Lan. Study on the estimation model of Apple biochemical parameters based on hyperspectral remote sensing ［D］. Yangling： Northwest A & F University， 2020.

［26］楊福芹， 馮海寬， 李振海， 等. 蘋果葉片氮含量高光譜反演方法對比［J］. 遙感技術與應用， 2021， 36（2）： 353-361.

Yang Fuqin， Feng Haikuan， Li Zhenhai， et al. Comparison of hyperspectral remote sensing inversion methods for apple leaf nitrogen content ［J］. Remote Sensing Technology and Application， 2021， 36（2）： 353-361.

［27］王鑫梅， 張勁松， 孟平， 等. 基于無人機遙感影像的核桃冠層氮素含量估算［J］. 農業機械學報， 2021， 52（2）： 178-187.

Wang Xinmei， Zhang Jinsong， Meng Ping， et al. Estimation of nitrogen content in walnut canopy based on UAV remote sensing image ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（2）： 178-187.

［28］田中宇. 蘋果樹冠層氮素含量遙感診斷與施肥模型研究［D］. 泰安： 山東農業大學， 2021.

Tian Zhongyu. Remote sensing diagnosis of nitrogen content in apple canopies and fertilization model of apple trees ［D］. Taian： Shandong Agricultural University， 2021.

［29］權澤堃， 王金星， 劉雙喜， 等. 基于圖像處理的蘋果樹葉片氮含量檢測［J］. 現代農業裝備， 2021， 42（3）： 40-48.

Quan Zekun， Wang Jinxing， Liu Shuangxi， et al. Detection of nitrogen content in apple tree leaves based on image processing ［J］. Modern Agricultural Equipment， 2021， 42（3）： 40-48.

［30］馮璐， 邢芳芳， 楊北方， 等. 基于紅外熱成像的棉花葉片溫度分布量化方法研究［J］. 棉花學報， 2020， 32（6）： 569-576.

Feng Lu， Xing Fangfang， Yang Beifang， et al. The quantitative method for temperature distribution of cotton leaves based on infrared thermal images ［J］. Cotton Science， 2020， 32（6）： 569-576.

［31］苗艷龍， 彭程， 高陽， 等. 基于地基激光雷達的玉米株高與莖粗自動測量研究［J］. 農業機械學報， 2021， 52（S1）： 43-50.

Miao Yanlong， Peng Cheng， Gao Yang， et al. Automatic measurement of plant height and stem thickness of maize based on terrestrial laser scanning ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 43-50.

［32］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.

Gan Ping， Dong Yansheng， Sun Li， et al. Evaluation of maize waterlogging disaster using UAV LiDAR data ［J］. Scientia Agricultura Sinica， 2017， 50（15）： 2983-2992.

［33］Shendryk Y， Sofonia J， Garrard R， et al. Finescale prediction of biomass and leaf nitrogen content in sugarcane using UAV LiDAR and multispectral imaging ［J］. International Journal of Applied Earth Observation and Geoinformation， 2020， 92： 14.

［34］井宇航， 郭燕， 張會芳， 等. 無人機飛行高度對冬小麥植株氮積累量預測模型的影響［J］. 河南農業科學， 2022， 51（2）： 147-158.

Jing Yuhang， Guo Yan， Zhang Huifang， et al. Effects of UAV flight height on prediction model of plant nitrogen accumulation in winter wheat ［J］. Journal of Henan Agricultural Sciences， 2022， 51（2）： 147-158.