农业遥感无人机高频术语词典：从多光谱到NDVI

农业遥感无人机正成为精准农业的“空中之眼”，但多光谱、NDVI、GSD等术语常让人摸不着头脑。下面用场景化方式拆解这些高频名词。

传感器与数据采集层

多光谱相机

多光谱相机是农业遥感最常用载荷，它同时捕捉红、绿、蓝、红边、近红外等多个窄波段的光谱信息。不同于普通RGB相机只拍“颜色”，多光谱能记录作物对特定波长的反射差异——比如健康叶片在近红外波段反射率高，而缺水或病害叶片反射率明显下降。2026年主流的多光谱相机普遍自带光强校正模块，减少光照变化对数据的影响。实际作业时，一块田的飞行高度决定了每个像素对应的地面大小（GSD），典型值在2-10厘米/像素。选型时要看波段数量（常见4-6个）、是否输出RAW格式、存储方式（SD卡或机载固态）。

热红外相机

热红外相机探测地表物体的热辐射差异，常用来判断作物水分胁迫或土壤湿度不均。作物气孔关闭时叶片温度会升高，热红外图像上呈现明显温差。2026年消费级热红外相机分辨率已可达640×512像素，配合无人机可生成高精度温度分布图。但注意其易受环境风速、太阳辐射干扰，较好在清晨或傍晚航拍，并配合地面温度校验点。

激光雷达（LiDAR）

LiDAR通过发射激光脉冲获取高精度三维点云，常用于地形测绘、作物高度测量及冠层结构分析。农业场景中，LiDAR可精确计算植株高度变异、倒伏面积，甚至估算生物量。但LiDAR成本高、数据量大，一台入门级LiDAR无人机售价往往超过10万元。2026年，部分厂商推出低线束（16线）轻量化LiDAR，性价比有所提升，但仍需搭配高精度RTK定位才能发挥优势。

数据处理与分析层

归一化植被指数（NDVI）

NDVI是应用最广的植被指数，公式为（近红外-红）/（近红外+红）。其值在-1到1之间，健康密集植被通常大于0.6，裸土或衰亡植被趋近0。农业遥感中，NDVI常用于监测长势、估算叶面积指数、诊断氮肥需求。但要注意，NDVI容易饱和——当叶片覆盖完全后，指数不再随生物量增加而明显上升。这时可改用红边指数（如NDRE）来克服饱和问题。

正射影像与数字表面模型（DSM）

无人机拍摄的照片通过摄影测量软件拼接成整个田块的平面正射影像，每个像素都带有地理坐标。同时生成DSM记录地面及作物顶部高度。结合高精度地面控制点，正射影像精度可达厘米级。2026年，多数农业遥感服务平台支持一键生成正射影像并自动计算面积、垄间距等参数。但复杂地形（如梯田）下拼接可能出现拉花变形，需要合理设计航拍重叠率（航向80%、旁向60%以上）。

人工智能（AI）识别

AI在农业遥感中的典型应用包括虫害斑块分割、杂草识别、产量预测等。例如，用卷积神经网络从正射影像中自动圈出病害区域，准确率已达80%-90%。但AI模型依赖大量标注样本，跨区域迁移时精度可能下降。实际使用时，建议先收集本地上百个病害样本进行迁移学习。2026年，部分软件提供“小样本训练”功能，仅需几十个标注框即可启动识别。

作业规划与实施层

航点规划与地面分辨率（GSD）

航点规划决定了无人机飞行路径、高度、速度及相机触发位置。地面分辨率GSD = 飞行高度×传感器像元尺寸/焦距。规划时先确所需要的GSD：查灾情用5-10厘米/像素，精细施肥用2-3厘米/像素。对应调整飞行高度，同时计算电池续航能否覆盖全田。2026年主流飞控软件支持一键生成“仿地飞行”航线，让无人机贴地面起伏飞行，确保全田GSD一致。

实时差分定位（RTK）

RTK让无人机厘米级精准定位，避免图像拼接时出现重影或位置偏差。没有RTK时，无人机依靠普通GPS，水平误差可达1-2米，正射影像可能出现“错位”甚至无法拼接。2026年，多数农业遥感无人机标配RTK模块，部分方案还支持网络RTK（无需自建基站）。但RTK信号在山区或高建筑区容易丢失，需提前确认覆盖。

数据后处理与报告

飞行结束后，影像数据需经过拼接、校正、指数计算等流程。常用软件有Pix4D、Agisoft、大疆智图等。输出结果包括NDVI分布图、处方图（变量施肥/施药依据）、长势差异统计等。2026年，云端平台可直接在线处理，生成带地理坐标的PDF报告。但数据量大（100亩地原始照片可能超过2GB），建议使用高性能台式机或租用云服务器。

常见问题