饲草作物无人机遥感监测是通过无人机搭载各类传感器获取遥感影像，利用图像处理软件提取作物的特征信息，根据光谱特征、纹理特征及作物机理等对作物长势、产量、品质等进行快速、高效、大范围地监测。本节从无人机数据获取、无人机数据处理和饲草作物生长监测关键技术三个方面对饲草作物无人机遥感监测方法进行概述。

1　数据获取

无人机获取数据质量的好坏会直接影响正射影像质量，很大程度上决定作物生长监测结果。按照特定的作物生长监测指标选择合适的无人机飞行平台及传感器，根据实际航飞要求合理设置飞行参数是无人机遥感数据获取的基础。

1.1　飞行平台

无人机遥感系统通常由无人机遥感平台、传感器以及地面站系统构成。无人机遥感平台按不同形态可分为多旋翼无人机、固定翼无人机和垂直起降固定翼无人机，其他如单旋翼无人机、扑翼无人机和无人飞船等在作物生长监测中应用较少。三类主流无人机的作业场景、优势、局限性等指标如 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、飞行时间等指标较为均衡，是目前应用最广的无人机遥感平台。

表1 不同类型无人机概况

Table 1 Overview of different types of unmanned aerial vehicle （UAV）

饲草作物遥感监测中使用的无人机飞行平台以固定翼和多旋翼为主。固定翼无人机中使用较多的是SenseFly公司生产的eBee小型无人机。多旋翼无人机中使用较多的是大疆公司生产的精灵Phantom系列四旋翼无人机，而在需要更大载荷的应用场景中，使用较多的是大疆公司生产的经纬M600系列六旋翼无人机、S1000八旋翼无人机和Scheveningen公司生产的AT8八旋翼无人机。

1.2　传感器

传感器是无人机开展遥感监测的核心设备。常用的传感器主要有可见光相机、多光谱相机、高光谱相机、热红外相机和激光雷达等。 表2 为各传感器应用于无人机监测的范围、优势和局限性。

表2 不同机载传感器的应用与比较

Table 2 Application and comparison of different airborne sensors

无人机遥感在饲草作物生长监测应用时，需要根据应用范围、作业成本等因素选择合适的传感器。可见光传感器在饲草作物生长监测应用最广泛，常用的型号包括索尼α 6000、佳能S110等，其主要区别在于传感器视场角度、像幅大小等。多光谱传感器中具有代表性的有MicaSense公司生产的RedEdge系列、Parrot公司生产的Sequoia等，其主要区别是波段数和波长。与可见光和多光谱传感器相比，高光谱、热红外和激光雷达传感器在饲草作物监测中研究应用较少，高光谱中常用型号有推扫式成像的Headwall Nano-Hyperspec和画幅式成像的Cubert FireflEYE 185，热红外中常用的型号为OPTRIS公司生产的PI系列传感器，激光雷达中应用较多的为GreenValley公司生产的RIEGL VUX-1。

1.3　飞行参数

为确保无人机遥感系统获取高质量数据，数据采集前需要设置飞行高度、飞行速度、航线重叠度和拍摄间隔等飞行参数。对于小范围的作物生长监测作业，通常将飞行高度设置在100 m以下，而大范围作业则设置在100 m以上。在相同分辨率下，图像拼接质量随着重叠度的增大而提高，一般情况下，航向和旁向重叠度不低于75%，而在灾害调查、应急救援等时效性要求较高的场合可适当降低重叠度。在飞行作业中，提高飞行速度、缩短拍摄间隔有助于缩减作业时长，但飞行速度过快容易造成影像模糊。因此，需要针对不同的作业要求、作业环境、传感器等合理设置飞行参数。

针对饲草作物生长监测的应用，无人机飞行高度普遍设定在120 m以内，以研究小范围内的遥感指标与作物参数之间关系为主，少部分应用于较大尺度的模型验证或应用，如将飞行高度设置为191 m或850 m。在飞行航线重叠度方面，大多数研究的航向和旁向重叠度均达到75%以上。

2　数据处理

无人机搭载各类传感器能够获取海量的遥感数据，相较于卫星遥感具有更高的空间分辨率，可为作物生长监测提供更全面和准确的数据支持，然而高分辨率的遥感影像也给数据处理带来了挑战，海量数据处理与多源遥感数据配准是低空遥感数据处理技术的关注重点。

2.1　数据预处理

可见光、多光谱、高光谱和热红外传感器在数据预处理时涉及辐射校正、影像拼接、几何校正和地理配准几个步骤。其中辐射校正将传感器的像素值转为辐射亮度值，减少太阳角度、云的阴影、相机增益及曝光等因素的影响，如MicaSense公司生产的RedEdge多光谱传感器、Cubert公司生产的FireflEYE 185高光谱传感器均可使用厂商配备的辐射校正板进行校正，热红外传感器如大疆公司生产的禅思XT系列可通过辐射校正软件结合气象参数进行校正。此外基于地物实测反射率的经验线性法、伪标准地物辐射纠正法等也是常用的辐射校正方法。影像拼接将一系列重叠度较高的遥感影像借助地理坐标信息进行特征识别和匹配，而几何校正用于纠正由飞行姿态变化引起的成像畸变。影像拼接与几何校正通常采用PhotoScan、Pix4D Mapper等商业软件进行自动化处理。地理配准则使用高精度全球导航卫星系统（Global Navigation Satellite System，GNSS）接收机精确测量地面控制点坐标，在Pix4D Mapper、ArcGIS、QGIS等软件中实现。

激光雷达成像机理不同于上述四种传感器，能够获取植被形状、结构、位置等三维信息。激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。因受到传感器本身影响及现场环境干扰，激光雷达点云中会不可避免的存在噪声点，为提升点云数据质量，首先需要去噪处理，随后对点云数据进行滤波分类，划分地面点和非地面点，最后通过归一化处理消去地形起伏对点云高程的影响。目前LiDAR360、TerraScan等软件已经能够实现激光雷达数据的全流程预处理，为操作人员的使用提供了便利。

2.2　生长监测模型构建

目前，无人机遥感技术已广泛用于作物生长监测，如叶面积指数、叶绿素、株高、生物量等指标，其根本依据是作物特征与冠层光谱反射特征的内在联系。常用的模型可以概括为两大类：一是经验统计模型，二是冠层辐射传输模型。

经验统计模型指利用敏感波段反射率、光谱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、主成分分析和多元回归分析等，近年来也有研究者使用如支持向量回归（Support Vector Regression，SVR）、随机森林（Random Forest，RF）和人工神经网络（Artificial Neural Network，ANN）等机器学习算法进行非线性拟合以提高模型反演精度。经验统计模型结构简单、计算效率高，便于快速反演应用，然而对作物类型、生长环境较为敏感，需要大量实测样本数据，普适性较低。

辐射传输模型以物理光学为基础，通过冠层光谱反射率与作物生长指标之间明确的物理关系反演得到生长指标，受到作物类型和环境变化的影响较小，具有良好的通用性，但辐射传输模型需要输入参数较多，反演过程较为复杂，模型精度受“维数灾难”和“病态反演”问题制约。目前常用的辐射传输模型有PROSAIL模型、GeoSail模型和双冠层反射率模型（A Two-Layer Canopy Reflectance Model，ACRM）等，其中PROSAIL模型应用最多。

3　饲草作物生长监测关键技术

提取并解析饲草作物生长的遥感数据是决定无人机遥感技术能否广泛应用的关键。在饲草作物生长监测的技术方法中，冠层结构信息提取、光谱重建与优化和饲草生物量估算是其中的重点和难点，本节围绕上述3个关键技术展开介绍。

3.1　冠层结构信息提取

冠层结构包括株高、冠层体积和叶面积等，反映了作物的生长状态。对于以获取植株为目的饲草作物，冠层不仅是光合作用、蒸腾作用的载体，其变化同时反映了干物质的累积过程。如何高效、大面积地提取饲草作物冠层结构特征及其时空变化规律具有重要意义。通过机载激光雷达传感器获取冠层结构信息的方法，已成功应用于柳枝稷和天然草地的表型分析。此外，常用方法还有基于运动推断结构（Structure From Motion，SFM）的作物三维模型重构法，该方法从重叠度较高的遥感影像中提取特征点并进行匹配，随后通过三角量测法生成点云从而得到作物的冠层结构模型。Grüner等研究明确了该方法能实现红车轴草-紫花苜蓿混合草地冠层高度的快速准确提取，Batistoti和Forsmoo等也先后印证了SFM算法在提取大黍、黑麦草-红车轴草混合草地、黑麦草-狼尾草混合草地的冠层结构信息时具有较好效果。

3.2　光谱重建与优化

无人机遥感影像数据量庞大，进行数据处理特别是高光谱数据处理时，超大数据量不利于传输、分析和存储，也不利于模型的应用推广。为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数据与关键监测指标的相关性并给出特征选择，目前应用较为广泛。Gao等使用相关系数法筛选出与天然草地营养指标敏感的遥感变量，结果表明地面叶绿素指数（MERIS Terrestrial Chlorophyll Index，MTCI）与粗蛋白含量的相关性最高。Lussem等使用皮尔逊相关系数优选植被指数用于生物量统计建模，发现归一化红绿差异指数（Normalized Green-Red Difference Index，NGRDI）与生物量干重的相关性最高。在高光谱数据处理中，康孝岩等提出了一种基于特征参量化的光谱重建与优化方法，大幅降低高光谱影像数据量，同时具有与原始光谱数据相当的牧草生物量估算精度。Feng等从原始高光谱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。

3.3　饲草生物量估算

生物量是饲草作物的重要监测指标，借助无人机遥感技术对饲草作物生物量进行及时准确地评估能够确保饲草资源的合理利用，也为畜牧管理部门实施牧场建设提供了决策依据。当前已经有众多研究者围绕饲草生物量估算展开研究，苗春丽等结合无人机高光谱遥感数据和地面实测资料，使用机器学习算法建立了高寒天然草地的生物量估测模型。Viljanen等使用无人机搭载可见光相机和高光谱相机，结合作物表面模型和光谱指数构建了梯牧草-草甸羊茅混播草地的生物量模型。在生物量估算的基础上，汪传建等利用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合，得到了天然草地利用情况。通过无人机对饲草生物量进行估算，进而确定合理的载畜量，既对天然草地进行保护，又能使单位面积的生产水平达到最高，实现了草地生态系统的可持续发展。