作物杂志,2020, 第5期: 1–8 doi: 10.16035/j.issn.1001-7283.2020.05.001

• 专题综述 •    下一篇

无人机遥感在作物监测中的应用研究进展

田婷(), 张青, 张海东   

  1. 江苏太湖地区农业科学研究所,215155,江苏苏州
  • 收稿日期:2020-01-20 修回日期:2020-02-08 出版日期:2020-10-15 发布日期:2020-10-12
  • 作者简介:田婷,主要从事作物遥感监测,E-mail: 491016158@qq.com
  • 基金资助:
    苏州市科技计划项目(SNG2018059)

Application Research Progress of Unmanned Aerial Vehicle Remote Sensing in Crop Monitoring

Tian Ting(), Zhang Qing, Zhang Haidong   

  1. Institute of Agricultural Sciences in Taihu Area of Jiangsu, Suzhou 215155, Jiangsu, China
  • Received:2020-01-20 Revised:2020-02-08 Online:2020-10-15 Published:2020-10-12

摘要:

无人机作为新型遥感平台,近年来发展迅速,应用领域不断拓展。无人机遥感技术被广泛用于作物监测,在农田作物长势监测、农作物营养诊断和产量估测等方面有所突破。本文从无人机遥感技术的特点、无人机平台的选择和传感器类型、在作物监测上的主要应用3个方面做了较为详细的综述,对无人机发展的难点进行了讨论,并对无人机遥感技术在作物监测上应用进行了展望。

关键词: 无人机, 遥感, 传感器, 作物监测, 反演

Abstract:

As a new platform of remote sensing, unmanned aerial vehicle (UAV) is developing rapidly in recent years, while its application areas are expanding constantly. UAV remote sensing technology has been widely used in crop monitoring and has made breakthroughs in crop growth monitoring, crop nutrition diagnosis and yield estimation and so on. In this paper, the characteristics of UAV remote sensing technology, the selection of UAV platform, the types of sensors and the main applications in agriculture are reviewed in detail. Finally, the difficulties in the development of UAV were discussed, and the application of UAV remote sensing technology in crop monitoring was prospected.

Key words: Unmanned aerial vehicle, Remote sensing, Sensor, Crop monitoring, Inversion

表1

无人机飞行平台的优劣势分析

无人机Unmanned aerial vehicle 优势Advantage 劣势Disadvantage
固定翼UAV Fixed wing UAV
飞行速度最快,飞行效率高,续航时间长,载荷大
对起降有一定要求,且无法悬停,高速拍摄会导致图片模糊
多旋翼UAV Multi-rotor UAV
飞行器结构简单,具有悬停能力,可使用GPS进行航线飞行,对起降要求较低 飞行速度慢,续航时间短,载荷小
直升机Helicopter
与固定翼相比,具有起降场地要求小和可空中悬停的优势;与多旋翼相比,具有载重能力大和续航时间长的优势 机械结构复杂,维护成本高,在遥感监测中应用较少

表2

高清相机型号及应用

品牌Brand 型号Model 参数Parameter 应用Application
尼康Nikon Nikon D800 3 615万像素,最大分辨率7 360×4 912 油菜苗期株数识别[7]
Nikon D7000 1 620万像素,最大分辨率4 928×3 264 冬小麦和夏玉米氮素营养状态[8]
佳能Canon
Canon PowerShot G16
1 210万像素,最大分辨率4 000×3 000
大豆叶形、叶色[9],小麦株高、叶色、病虫
[10],倒伏面积[11]
Canon PowerShot SX260HS 1 210万像素,最大分辨率4 000×3 000 小麦叶绿素浓度[12]
Canon EOS 5D Mark II 2 110万像素,最大分辨率5 616×3 744 植被识别[13]
Canon EOS Kiss X5 1 800万像素,最大分辨率5 184×3 456 水稻开花穗数[14]
Canon IXUS 125HS 有效像素1 610万,最大分辨率4 608×3 456 农作物分类[15]
Canon S110 1 210万像素,最大分辨率4 000×3 000 提取玉米的垄数[16]
索尼Sony Sony DSC—RX1 有效像素2 430万,最大分辨率6 000×4 000 草地地上生物量估算[17]
Sony ILCE α5100L 有效像素2 430万,最大分辨率6 024×4 024 小麦植株密度[18]
Sony DSC-QX100
有效像素2 020万,最大分辨率5 472×3 648
大豆叶面积[19],冬小麦叶面积[20],甘蔗株高、叶面积指数[21]
理光Richo RicohGXR A12 有效像素1 230万,最大分辨率4 288×2 848 作物面积识别[22]
Ricoh GR Digital III/IV 有效像素1 000万,最大分辨率3 648×2 736 高粱地面覆盖,小麦倒伏[23]
大疆DJI 大疆X5相机 1 600万像素,最大分辨率4 608×3 456 叶绿素含量[24],产量[25],缺苗数[26]
Dajiang DJI 大疆禅思Zenmuse X3 1 240万像素,最大分辨率4 096×2 160 作物种类识别和面积测量[27]
松下Panasonic Panasonic DMC-LX5 有效像素1 010万,最大分辨率3 648×2 736 大麦水分胁迫[28]

表3

多光谱相机型号及应用

品牌
Brand
型号
Model
波段数量
Number of band
波段名称
Name of band
波段
Band (nm)
分辨率
Resolution ratio
应用
Application
MicaSense RedEdge
5 475 1 280×960 大田玉米作物系数估算[29]
绿 560
668
近红外 840
红边 717
Tetracam
ADC-Lite 多光谱传感器
3

520~920
2 048×1 536
大豆长势分级[9]、叶面积[30],水稻产量[31],小麦植被覆盖度[32],玉米产量[33]
绿
近红外
Mini-MCA 多光谱相机 5 450 1 280×1 024 冬小麦地上部生物量、氮素营养诊断[34,35]
绿 550
680
红边 720
近红外 800
mini-MCA-6多光谱相机 6 绿 530 1 280×1 024 玉米早期杂草制图[36]
550
570
670
红边 700
近红外 800
Airinov MultiSPEC 4C 相机 4 绿 550 120万 冬小麦估产[37]
660
红边 735
近红外 790
派诺特Parrot Sequoia多光谱相机 4 绿 550 1 280×960 玉米叶片叶绿素含量[38]
660
红边 735
近红外 790

表4

高光谱成像仪型号及应用

品牌
Brand
型号
Model
波段范围
Band range (nm)
通道数
Number of channels
应用
Application
Cubert

Cubert UHD185 成像光谱仪

450~950

125

棉花叶面积指数、叶绿素含量值[39,40],小麦叶面积指数[41],水稻叶片全氮含量[42],大豆产量[43],大麦叶绿素、叶面积指数、鲜生物量[44]
双利合谱
Dualix Spectral Imaging
Gaiasky-mini机载高光谱仪
400~1 000
1 440
水稻生长信息(生物量、叶绿素、叶面积、氮素)[45]
Senop Rikola高光谱仪 500~900 380 马铃薯叶面积指数、叶绿素含量[46]
Specim SpecimImSpector V10 2/3” 450~900 / 马铃薯叶绿素含量和叶面积指数[47]

表5

热成像相机型号及应用

品牌Brand 型号Model 参数Parameter 应用Application
菲力尔Flir Thermo Vision A40M 320×240像素,光谱范围为7.5~13μm 桃树水分胁迫水平检测[48]
FLIR TAU II 320 324×256像素 葡萄水分状况[49]
FLIR A65 640×512像素 油桃干旱监测[50]
Zenmuse XT 640×512像素,光谱范围为7.5~13.5μm 棉花水分胁迫[51]
B20HSV 320×240像素,绝对精度2℃ 苹果旱情监测[52]
Vue Pro640R 640×512像素 玉米冠层温度[53],土壤含水率[54]
索马泰克Thermoteknix MIRICLE 307 640×480像素,光谱范围为8~12μm 橄榄黄萎病诊断[55],植株冠层色素含量[56],果园旱情监测[57]
欧普士Optris PI 450 382×288像素,测量精度±2% 橄榄园冠层温度和旱情监测[28],玉米冠层温度[58]

表6

激光雷达型号及应用

品牌Brand 型号Model 参数Parameter 应用Application
瑞格Riegl
VUX-1
激光波速发散角0.5mrad,波长1 550nm,脉冲发射频率550kHz,激光脉冲长度3.0ns,扫描角±40° 玉米冠层高度[59],棉花叶面积指数[60],冬小麦生物量[61]
威力登Velodyne
/ 激光波长903nm,激光扫描仪扫描角±30°,发散度3mrad,光斑直径18cm,脉冲发射频率21.7kHz 植被叶面积指数[62]
HDL-32E 激光波长903nm,32通道,2cm精度,139万点/s 植被物种识别,三维特征描述[63]
西克Sick / 最大4cm×4cm×4cm的地面扫描分辨率,1.95万点/s 植被叶面积指数[64]
[1] 金伟, 葛宏立, 杜华强, 等. 无人机遥感发展与应用概况. 遥感信息, 2009(1):88-92.
[2] Watts A C, Ambrosia V G, Hinkley E A. Unmanned aircraft systems in remote sensing and scientific research: Classification and considerations of use. Remote Sensing, 2012,4(6):1671-1692.
doi: 10.3390/rs4061671
[3] 张正健, 李爱农, 边金虎, 等. 基于无人机的山地遥感观测平台及可靠性分析——以若尔盖试验为例. 遥感技术与应用, 2016,31(3):417-429.
doi: 10.11873/j.issn.1004-0323.2016.3.0417
[4] 胡健波, 张健. 无人机遥感在生态学中的应用进展. 生态学报, 2018,38(1) : 20-30.
doi: 10.5846/stxb201612092538
[5] 李勇志, 支晓栋, 唐海龙, 等. 无人机遥感技术在农业中的发展与应用. 安徽农业科学, 2015,43(25):350-351.
[6] 刘建刚, 赵春江, 杨贵军, 等. 无人机遥感解析田间作物表型信息研究进展. 农业工程学报, 2016,32(24):98-106.
[7] 赵必权, 丁幼春, 蔡晓斌, 等. 基于低空无人机遥感技术的油菜机械直播苗期株数识别. 农业工程学报, 2017,33(19):115-123.
[8] 李红军, 李佳珍, 雷玉平, 等. 无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究. 中国生态农业学报, 2017,25(12):1832-1841.
[9] 陈晨. 基于多旋翼无人机的大豆育种遥感监测应用研究. 科学技术创新, 2016(5):140-141.
[10] 陆国政, 李长春, 杨贵军, 等. 基于无人机搭载数码相机的小麦育种表型信息解析. 中国种业, 2016(8):60-63.
[11] 董锦绘, 杨小冬, 高林, 等. 基于无人机遥感影像的冬小麦倒伏面积信息提取. 黑龙江农业科学, 2016(10):147-152.
[12] Mozgeris G, Jonikavičius D, Jovarauskas D, et al. Imaging from manned ultra-light and unmanned aerial vehicles for estimating properties of spring wheat. Precision Agriculture, 2018,19(10):1-19.
[13] 丁雷龙, 李强子, 杜鑫, 等. 基于无人机图像颜色指数的植被识别. 国土资源遥感, 2016,28(1):78-86.
doi: 10.6046/gtzyyg.2016.01.12
[14] Guo W, Fukatsu T, Ninomiya S. Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images. Plant Methods, 2015,11(1):1-15.
doi: 10.1186/s13007-015-0043-0 pmid: 25649124
[15] Böhler J, Schaepman M, Kneubühler M. Crop classification in a heterogeneous arable landscape using uncalibrated UAV data. Remote Sensing, 2018,10(8):1282-1302.
doi: 10.3390/rs10081282
[16] 苏伟, 蒋坤萍, 闫安, 等. 基于无人机遥感影像的育种玉米垄数统计监测. 农业工程学报, 2018,34(10):92-98.
[17] 张正健, 李爱农, 边金虎, 等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究. 遥感技术与应用, 2016,31(1):51-62.
doi: 10.11873/j.issn.1004-0323.2016.1.0051
[18] Jin X L, Liu S Y, Baret F, et al. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery. Remote Sensing of Environment, 2017,198:105-114.
doi: 10.1016/j.rse.2017.06.007
[19] 李长春, 牛庆林, 杨贵军, 等. 基于无人机数码影像的大豆育种材料叶面积指数估测. 农业机械学报, 2017,48(8):147-158.
[20] 高林, 杨贵军, 李红军, 等. 基于无人机数码影像的冬小麦叶面积指数探测研究. 中国生态农业学报, 2016,24(9):1254-1264.
[21] 杨琦, 叶豪, 黄凯, 等. 利用无人机影像构建作物表面模型估测甘蔗LAI. 农业工程学报, 2017,33(8):104-111.
[22] 王利民, 刘佳, 杨玲波, 等. 基于无人机影像的农情遥感监测应用. 农业工程学报, 2013,29(18):136-145.
[23] Chapman S, Merz T, Chan A, et al. Pheno-copter: A low-altitude,autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping. Agronomy, 2015,4(2):279-301.
doi: 10.3390/agronomy4020279
[24] 马明洋, 许童羽, 周云成, 等. 东北粳稻叶绿素相对含量的无人机高清影像检测方法. 沈阳农业大学学报, 2017,48(6):757-762.
[25] 李昂, 王洋, 曹英丽, 等. 基于无人机高清数码影像的水稻产量估算. 沈阳农业大学学报, 2017,48(5):629-635.
[26] 李晓鹏, 胡鹏程, 徐照丽, 等. 基于四旋翼无人机快速获取大田植株图像的方法及其应用. 中国农业大学学报, 2017,22(12):131-137.
[27] 闵文芳, 江朝晖, 李想, 等. 基于无人机平台和图像分析的田间作物检测. 湖南农业大学学报(自然科学版), 2017,43(2):212-216.
[28] Hoffmann H, Jensen R, Thomsen A, et al. Crop water stress maps for an entire growing season from visible and thermal UAV imagery. Biogeosciences, 2016,13(24):6545-6563.
doi: 10.5194/bg-13-6545-2016
[29] 韩文霆, 邵国敏, 马代健, 等. 大田玉米作物系数无人机多光谱遥感估算方法. 农业机械学报, 2018,49(7):134-143.
[30] 高林, 李长春, 王宝山, 等. 基于多源遥感数据的大豆叶面积指数估测精度对比. 应用生态学报, 2016,27(1):191-200.
[31] 许童羽, 洪雪, 陈春玲, 等. 基于冠层NDVI数据的北方粳稻产量模型研究. 浙江农业学报, 2016,28(10):1790-1795.
doi: 10.3969/j.issn.1004-1524.2016.10.22
[32] 牛亚晓, 张立元, 韩文霆, 等. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法. 农业机械学报, 2018,49(4):212-221.
[33] Zaman-Allah M, Vergara O, ArausJ L, et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods, 2015,11(1):1-10.
doi: 10.1186/s13007-015-0043-0 pmid: 25649124
[34] 刘昌华, 马文玉, 陈志超, 等. 基于无人机遥感的冬小麦氮素营养诊断. 河南理工大学学报(自然科学版), 2018,37(3):45-53.
[35] 刘昌华, 王哲, 陈志超, 等. 基于无人机遥感影像的冬小麦氮素监测. 农业机械学报, 2018,49(6):207-214.
[36] Pena J M, Torres-Sanchez J, de Castro A I, et al. Weed mapping in early-season maize fields using object-based analysis of unmanned aerial vehicle (UAV) images. PLoS ONE, 2013,8(10):e77151.
doi: 10.1371/journal.pone.0077151 pmid: 24146963
[37] 朱婉雪, 李仕冀, 张旭博, 等. 基于无人机遥感植被指数优选的田块尺度冬小麦估产. 农业工程学报, 2018,34(11):78-86.
[38] 毛智慧, 邓磊, 孙杰, 等. 无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究. 光谱学与光谱分析, 2018,38(9):2923-2931.
[39] 田明璐, 班松涛, 常庆瑞, 等. 基于低空无人机成像光谱仪影像估算棉花叶面积指数. 农业工程学报, 2016,32(21):102-108.
[40] 田明璐, 班松涛, 常庆瑞, 等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演. 农业机械学报, 2016,47(11):285-293.
[41] 高林, 杨贵军, 李长春, 等. 基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用. 作物学报, 2017,43(4):549-557.
[42] 秦占飞, 常庆瑞, 谢宝妮, 等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测. 农业工程学报, 2016,32(23):77-85.
[43] 赵晓庆, 杨贵军, 刘建刚, 等. 基于无人机载高光谱空间尺度优化的大豆育种产量估算. 农业工程学报, 2017,33(1):110-116.
[44] Aasen H, Burkart A, Bolten A, et al. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,108(5):245-259.
doi: 10.1016/j.isprsjprs.2015.08.002
[45] 于丰华. 基于无人机高光谱遥感的东北粳稻生长信息反演建模研究. 沈阳:沈阳农业大学, 2017.
[46] Roosjen P P J, Brede B, Suomalainen J M, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data-potential of unmanned aerial vehicle imagery. International Journal of Applied Earth Observation and Geoinformation, 2018,66:14-26.
doi: 10.1016/j.jag.2017.10.012
[47] 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. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017,8(6):3140-3146.
doi: 10.1109/JSTARS.2015.2406339
[48] Berni J A J, Zarco-Tejada P J, Suarez L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(3):722-738.
doi: 10.1109/TGRS.2008.2010457
[49] Santesteban L G, Gennaro S F D, Herrero-Langreo A, et al. High-resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard. Agricultural Water Management, 2016,18(3):49-59.
doi: 10.1016/0378-3774(90)90035-W
[50] Park S, Ryu D, Fuentes S, et al. Adaptive estimation of crop water stress in nectarine and peach orchards using high-resolution imagery from an unmanned aerial vehicle (UAV). Remote Sensing, 2017,9(8):828.
doi: 10.3390/rs9080828
[51] Bian J, Zhang Z T, Chen J Y, et al. Simplified evaluation of cotton water stress using high resolution unmanned aerial vehicle thermal imagery. Remote Sensing, 2019,11(3):1-17.
doi: 10.3390/rs11010001
[52] Virlet N, Gómez-Candón D, Lebourgeois V, et al. Contribution of high-resolution remotely sensed thermal-infrared imagery to high-throughput field phenotyping of an apple progeny submitted to water constraints. Acta Horticulturae, 2016,1127:243-250.
[53] 张宏鸣, 王佳佳, 韩文霆, 等. 基于热红外遥感影像的作物冠层温度提取. 农业机械学报, 2019,50(4):210-217.
[54] 张智韬, 许崇豪, 谭丞轩, 等. 覆盖度对无人机热红外遥感反演玉米土壤含水率的影响. 农业机械学报, 2019,50(8):213-225.
[55] Calderon R, Navas-Cortes J A, Lucena C, et al. High-reselution airborne hyperspectral and thermal imagery for early detection of verticillium wilt of olive using fluorescence,temperature and narrow-band spectral indices. Remote Sensing of Environment, 2013,139:231-245.
[56] Zarco-Tejada P J, Gonzalez-Dugo V, Williams L E, et al. A PRI-based water stress index combining structural and chlorophyll effects:assessment using diurnal narrow-band airborne imagery and the CWSI thermal index. Remote Sensing of Environment, 2013,138:38-50.
doi: 10.1016/j.rse.2013.07.024
[57] Gomez-Candon D, Virlet N, Labbe S, et al. Field phenotyping of water stress at tree scale by UAV-sensed imagery: new insights for thermal acquisition and calibration. Precision Agriculture, 2016,17(6):1-15.
doi: 10.1007/s11119-015-9403-z
[58] 杨文攀, 李长春, 杨浩, 等. 基于无人机热红外与数码影像的玉米冠层温度监测. 农业工程学报, 2018,34(17):68-75.
[59] 甘平, 董燕生, 孙林, 等. 基于无人机载LiDAR数据的玉米涝灾灾情评估. 中国农业科学, 2017,50(15):2983-2992.
doi: 10.3864/j.issn.0578-1752.2017.15.012
[60] 陈洪. 基于机载LiDAR和多光谱遥感的作物LAI反演方法研究. 石河子:石河子大学, 2018.
[61] 杨凡. 基于无人机激光雷达和高光谱的冬小麦生物量反演研究. 西安:西安科技大学, 2017.
[62] 吴项乾. 基于无人机激光雷达的银杏人工林有效叶面积指数及郁闭度估测研究. 南京:南京林业大学, 2018.
[63] Sankey T T, Mcvay J, Swetnam T L, et al. UAV hyperspectral and lidar data and their fusion for arid and semi-arid land vegetation monitoring. Remote Sensing in Ecology and Conservation, 2017,4(1):20-33.
doi: 10.1002/rse2.2018.4.issue-1
[64] 吴剑, 陈鹏, 傅世锋, 等. 基于无人机多源遥感数据海岛植被叶面积指数协同反演研究. 海洋技术学报, 2019,38(6):1-8.
[65] 顾婷, 高晓雯, 孙成明, 等. 基于无人机图像的水稻拔节期叶面积指数估算. 农业网络信息, 2015(12):63-65.
[66] 李剑剑, 朱小华, 马灵玲, 等. 基于无人机高光谱数据的多类型混合作物LAI反演及尺度效应分析. 遥感技术与应用, 2017,32(3):427-434.
[67] 褚洪亮, 肖青, 柏军华, 等. 基于无人机遥感的叶面积指数反演. 遥感技术与应用, 2017,32(1):140-148.
[68] 杜雅刚, 武洪峰. 基于微小型无人机平台的农作物养分信息遥感解析关键技术研究. 现代化农业, 2014(4):60-62.
[69] 祝锦霞, 陈祝炉, 石媛媛, 等. 基于无人机和地面数字影像的水稻氮素营养诊断研究. 浙江大学学报(农业与生命科学版), 2010,36(1):78-83.
[70] 李静, 王建军, 朱安. 基于低成本无人机的水稻叶片SPAD值遥感估测. 吉林农业, 2017(18):68.
[71] 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. Transactions of the ASABE, 2010,53(1):21-27.
doi: 10.13031/2013.29493
[72] Honkavaara E, Saari H, Kaivosoja J, et al. Processing and assessment of spectrometric,stereoscopic imagery collected using a lightweight UAV spectral camera for precision agriculture. Remote Sensing, 2013,5(10):5006-5039.
doi: 10.3390/rs5105006
[73] 郭斌, 吴亚颜, 周嘉耀, 等. 基于无人机影像数据的苹果产量模拟——以洛川县为例. 西安科技大学学报, 2017,37(3):450-454.
[74] Wang X P, Zhao C Y, Guo N, et al. Determining the canopy water stress for spring wheat using canopy hyperspectral reflectance data in loess plateau semiarid regions. Spectroscopy Letters, 2015,48(7):492-498.
doi: 10.1080/00387010.2014.909495
[75] 黄耀欢, 李中华, 朱海涛. 作物胁迫无人机遥感监测研究评述. 地球信息科学学报, 2019,21(4):512-523.
doi: 10.12082/dqxxkx.2019.180397
[76] 王海华, 朱梦婷, 李莉, 等. 基于剪切波变换和无人机麦田图像的区域杂草识别方法. 农业工程学报, 2017,33(S1):99-106.
[77] 刘欣. 基于无人机遥感平台的蝗虫灾害检测技术研究. 长春:吉林农业大学, 2017.
[78] 付巍. 小麦全蚀病无人机遥感监测研究. 郑州:河南农业大学, 2015.
[79] 刘伟. 基于无人机航拍数字图像的小麦白粉病监测和产量估计研究. 中国植物保护学会.绿色生态可持续发展与植物保护——中国植物保护学会第十二次全国会员代表大会暨学术年会论文集. 中国植物保护学会:中国植物保护学会, 2017: 1.
[80] 刘帅兵, 杨贵军, 周成全, 等. 基于无人机遥感影像的玉米苗期株数信息提取. 农业工程学报, 2018,34(22):69-77.
[81] 雷亚平, 韩迎春, 王国平, 等. 无人机低空数字图像诊断棉花苗情技术. 中国棉花, 2017,44(5):23-25.
doi: 10.11963/1000-632X.lyplyb.20170426
[82] 陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望. 遥感学报, 2016,20(5):748-767.
[83] 周超, 向绪友, 钟旭, 等. 无人机在农业中的应用及展望. 湖南农业科学, 2017(11):80-82.
[84] 李德仁, 李明. 无人机遥感系统的研究进展与应用前景. 武汉大学学报(信息科学版), 2014,39(5):505-513.
doi: 10.13203/j.whugis20140045
[85] 刘忠, 万炜, 黄晋宇, 等. 基于无人机遥感的农作物长势关键参数反演研究进展. 农业工程学报, 2018,34(24):60-71.
[86] 邹长慧, 谢晓尧, 周忠发. 无人机低空航拍遥感系统在贵州高原山区的应用前景探讨. 贵州师范大学学报(自然科学版), 2011,29(2):24-28.
[87] 李宁, 付晓晨, 于涵. 无人机遥感在农业中的运用浅析. 现代化农业, 2015(9):59-60.
[1] 王猛, 隋学艳, 梁守真, 侯学会, 梁永全. 利用无人机遥感技术提取农作物植被覆盖度方法研究[J]. 作物杂志, 2020, (3): 177–183
[2] 李琪,孙晓宇,王连喜,缪淼,吴东丽. 基于不同植被指数的VSWI在河南省春季干旱监测中的应用分析[J]. 作物杂志, 2016, (1): 162–168
[3] 高圆圆, 张玉涛, 张宁, 等. 小型无人机低空喷洒在小麦田的雾滴沉积分布及对小麦吸浆虫的防治效果初探[J]. 作物杂志, 2013, (2): 139–142
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!