Application of UAV Remote Sensing in Crop Detection

方法

归纳多光谱、高光谱、热红外、可见光和激光雷达等传感器及物理模型与机器学习反演方法

发现

多源传感器融合与机器学习显著提升检测精度，但模型泛化差、成本高、数据处理复杂。

机会点

可探索低成本多源传感器融合与跨区域泛化模型，并构建无人机—卫星—航空多尺度全天候监测体系。

无人机（Unmanned Aerial Vehicle，UAV）遥感凭借高时空分辨率、灵活性和成本可控等优势，已成为作物精准检测的重要手段。本文系统梳理了无人机遥感在作物检测中的研究进展。首先，总结了多光谱、高光谱、热红外、可见光和激光雷达等主流传感器的原理及其在农业监测中的应用特点；其次，围绕病虫害识别、倒伏监测、杂草检测和土壤水分监测等主要任务，梳理了基于不同传感器的反演方法；在此基础上，比较了物理模型与机器学习反演模型的优缺点及适用范围。研究表明，多源传感器融合与机器学习模型的结合显著提高了检测精度，但仍面临模型泛化能力差、传感器成本高和数据处理复杂等挑战。未来应推动无人机遥感与卫星、航空遥感的协同发展，构建多尺度、全天候的农业监测体系。