UAV remote sensing for crop lodging monitoring: A comprehensive review

方法

系统综述RGB、多光谱、高光谱、热红外、LiDAR、SAR及机器学习深度学习方法

发现

多模态遥感结合深度学习可实现倒伏程度、类型与面积的精准量化。

机会点

多源数据融合与实时轻量化模型是倒伏监测的潜在突破方向。

全球农业正面临日益增大的压力，既要提高生产力，又要尽量减少极端气候事件造成的损失。作物倒伏通过降低作物产量、恶化籽粒品质并增加收获成本，对粮食安全构成重大威胁。作为一种灵活的高分辨率遥感平台，无人机（UAV）已成为弥合劳动密集型地面调查与低分辨率卫星观测之间差距的有效解决方案。本文通过系统分析同行评议文献，全面综述了基于无人机的作物倒伏监测研究现状，涵盖从倒伏机理到倒伏量化的完整技术流程。系统评估了多种传感模态的能力，包括RGB影像、多光谱影像（MSI）、高光谱影像（HSI）、热红外（TIR）、激光雷达（LiDAR）和合成孔径雷达（SAR），用于检测倒伏引起的颜色、纹理、光谱特征、冠层温度、结构属性和雷达后向散射变化。此外，综述了分析方法的最新进展，涵盖传统统计分析、机器学习技术和前沿深度学习模型。同时，本文总结了针对多种作物类型的基于无人机的倒伏评估研究，并探讨了关键倒伏参数的量化方法，包括倒伏严重程度、倒伏类型和受影响面积。通过识别当前研究空白和新兴机遇，本文展望了未来研究方向，为推进智慧农业中准确、高效、实时的作物倒伏监测提供了有价值的指导。