EN中文

地理科学进展 >

2021 , Vol. 40 >Issue 9: 1550 - 1569

DOI: https://doi.org/10.18306/dlkxjz.2021.09.010

无人机行业应用

轻小型无人机遥感及其行业应用进展

  • 郭庆华 , 1, 2 ,
  • 胡天宇 3, 4 ,
  • 刘瑾 3, 4 ,
  • 金时超 5 ,
  • 肖青 2, 4, 6 ,
  • 杨贵军 7 ,
  • 高显连 8 ,
  • 许强 9 ,
  • 谢品华 10, 11, 12 ,
  • 彭炽刚 13 ,
  • 闫利 14
展开
  • 1.北京大学城市与环境学院,北京 100871
  • 2.中国科学院无人机应用与管控研究中心,北京 100101
  • 3.中国科学院植物研究所,北京 100093
  • 4.中国科学院大学,北京 100049
  • 5.南京农业大学前沿交叉研究院/作物表型组学交叉研究中心,南京 210095
  • 6.中国科学院空天信息创新研究院,北京 100094
  • 7.北京农业信息技术研究中心农业部农业遥感机理与定量遥感重点实验室,北京 100097
  • 8.国家林业和草原局调查规划设计院,北京 100714
  • 9.成都理工大学地质灾害防治与地质环境保护国家重点实验室,成都 610059
  • 10.中国科学院安徽光学精密机械研究所环境光学与技术重点实验室,合肥 230031
  • 11.中国科学技术大学,合肥 230026
  • 12.中国科学院区域大气环境研究卓越创新中心,福建 厦门 361021
  • 13.广东电网有限责任公司机巡作业中心,广州 510600
  • 14.武汉大学测绘学院,武汉 430079

郭庆华(1973— ),男,广东潮阳人,教授,主要从事激光雷达生态遥感研究。E-mail:

收稿日期: 2021-01-14

  修回日期: 2021-06-30

  网络出版日期: 2021-11-28

基金资助

国家重点研发计划项目(2016YFC0500202)

国家重点研发计划项目(2017YFC0503905)

国家自然科学基金项目(31971575)

国家自然科学基金项目(41771388)

内蒙古自治区科技计划项目(2019GG009)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Advances in light weight unmanned aerial vehicle remote sensing and major industrial applications

  • GUO Qinghua , 1, 2 ,
  • HU Tianyu 3, 4 ,
  • LIU Jin 3, 4 ,
  • JIN Shichao 5 ,
  • XIAO Qing 2, 4, 6 ,
  • YANG Guijun 7 ,
  • GAO Xianlian 8 ,
  • XU Qiang 9 ,
  • XIE Pinhua 10, 11, 12 ,
  • PENG Chigang 13 ,
  • YAN Li 14
Expand
  • 1. College of Urban and Environmental Sciences, Peking University, Beijing 100871, China
  • 2. Research Center for UAV Application and Control, CAS, Beijing 100101, China
  • 3. Institute of Botany, CAS, Beijing 100093, China
  • 4. University of Chinese Academy of Sciences, Beijing 100049, China
  • 5. Plant Phenomics Research Centre, Nanjing Agricultural University, Nanjing 210095, China
  • 6. Aerospace Information Research Institute, CAS, Beijing 100094, China
  • 7. Beijing Research Center for Information Technology in Agriculture / Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture, Beijing 100097, China
  • 8. Investigation Planning and Design Institute of State Forestry and Grassland Administration, Beijing 100714, China
  • 9. State Key Laboratory of Geohazards Prevention and Geoenvironment Protection, Chengdu University of Technology, Chengdu 610059, China
  • 10. Key Laboratory of Environmental Optics and Technology, Anhui Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Hefei 230031, China
  • 11. University of Science and Technology of China, Hefei 230026, China
  • 12. CAS Center for Excellence in Regional Atmospheric Environment, Xiamen 361021, Fujian, China
  • 13. Patrol Operation Center of Guangdong Power Grid Co Ltd, Guangzhou 510600, China
  • 14. School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China

Received date: 2021-01-14

  Revised date: 2021-06-30

  Online published: 2021-11-28

Supported by

National Key Research and Development Program of China(2016YFC0500202)

National Key Research and Development Program of China(2017YFC0503905)

National Natural Science Foundation of China(31971575)

National Natural Science Foundation of China(41771388)

The Inner Mongolia Science and Technology Plan(2019GG009)

Copyright

Copyright reserved © 2021
Fold

摘要

无人机是低空领域准确、灵活、高效获取多种类型高分辨率遥感数据的重要载体,无人机遥感技术在行业应用创新和管理部门科学决策之间构筑起信息沟通的关键桥梁。随着科技的进步、大数据时代的来临,无人机遥感系统的硬件设备、信息提取方法都取得了飞速的发展;同时其在国民经济主要行业领域的应用也面临着前所未有的机遇和挑战。论文首先介绍了无人机遥感系统的硬件研发进展,并指出轻小型、高精度、标准化与集成化是未来无人机遥感系统发展的总体趋势。其次,详细介绍了目前轻小型无人机遥感应用在农业、林草业、电力、测绘、大气探测和地质灾害等行业的应用现状,指出实现无人机多源遥感数据获取、融合、分析和提取的综合平台是未来轻小型无人机在民用领域行业应用创新的关键所在。最后,针对载荷与飞行平台的一体化集成应用、无人机组网作业、海量数据管理和信息自动化提取等发展趋势提出了几点思考。轻小型无人机遥感在国民经济各行业应用的普及化和标准化,将有助于国家和区域社会经济的健康发展。

关键词： 数据融合; 多传感器集成; 智能化飞行; 无人机组网; 深度学习

本文引用格式

郭庆华 , 胡天宇 , 刘瑾 , 金时超 , 肖青 , 杨贵军 , 高显连 , 许强 , 谢品华 , 彭炽刚 , 闫利 . 轻小型无人机遥感及其行业应用进展[J]. 地理科学进展, 2021 , 40(9) : 1550 -1569 . DOI: 10.18306/dlkxjz.2021.09.010

Abstract

Unmanned aerial vehicle (UAV) is a flexible and efficient platform to accurately obtain high-resolution and multi-source remote sensing data in low altitude airspace. It can provide important information for industrial applications and management decisions. With the arrival of the big-data era, both the hardware and software for acquiring and processing UAV remote sensing data stepped into a fast lane. The enormous amount of data has brought unprecedented opportunities and challenges for UAV remote sensing and industrial applications. In this article, we introduced the history and advances in UAV remote sensing hardware development. The UAVs mounted with lightweight, high-precision, standardized, and integrated sensors would be the future direction of UAV remote sensing hardware development. Then, we summarized the current status of applications in agriculture, forestry and prataculture, surveying, geological hazard monitoring and disaster management, electricity sector, and atmospheric monitoring using UAV remote sensing. The integrated UAV remote sensing platforms equipped with multi-sensors are one of the keys for such applications. Finally, we discussed the intelligent UAV hardware, network operation potential, massive data processing capability, automatic information extraction technique, and future directions in UAV remote sensing. The popularization and standardization of UAV remote sensing application in various industries will largely improve and accelerate national and regional social and economic development.

Key words： data fusion; multi-sensor integration; intelligent self-flying; UAV network; deep learning

无人机(unmanned aerial vehicle, UAV)遥感是集无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、无线通信技术、定位定姿技术、卫星定位技术于一体,以无人驾驶的飞行器作为平台搭载不同类型传感器,快速采集高时空分辨率空间遥感信息继而完成数据处理、建模和应用分析的一项新兴航空遥感综合技术[1,2,3]。作为传统航天(卫星平台)和航空(载人飞机平台)遥感的有力补充,无人机开启了第三代遥感平台(近地面遥感),并在各行业中广泛应用[4]。无人机遥感诞生于20世纪初,其核心技术主要掌握在欧美国家手中,并主要应用于军事遥感领域。进入21世纪后,无人机遥感进入了飞速发展时期并逐渐走向民用化,而且中国无人机制造技术也逐渐涌现并迈入世界前列[2],尤其是轻小型无人机(定义参考民航局2019年最新发布的《轻小无人机运行规定》,即可在视距内或超视距操作的、空机重量小于等于116 kg或起飞全重不大于150 kg的无人机)。2012年,深圳市大疆创新科技有限公司(下文简称大疆)推出世界首款到手即飞航拍一体机“大疆精灵Phantom1”降低了无人机使用门槛,将无人机遥感带入到了大众消费领域,并拉开了无人机遥感获取众源地理数据序幕[3,5]。
目前,中国乃至世界各地,诸多领域已显示出“无人机遥感+行业应用”的现象,无人机遥感在各行业领域的应用研究也正处于快速上升期(图1)。在ISI Web of Science数据库以无人机并组合农业、林草业、电力、测绘、大气探测和地质等行业关键词对自2000年以来发表的文章进行检索发现:截至2020年12月,除地质、林草业、电力行业外,本文重点关注的无人机遥感应用行业的发文数量基本呈现指数级增长趋势;尤其是2014年后,无人机在相关行业应用的研究数量较前10 a有明显增加;文献数量也间接反映出无人机遥感在测绘、农业和电力行业的应用较为集中,而地质行业的应用相对较少(图1)。
图1 无人机遥感行业应用年发文量变化趋势(2000—2020年)

Fig.1 Annual number of published papers in UAV remote sensing, 2000-2020

近年来,虽然各领域均陆续有无人机遥感的综述文章发表,但都是有关单一类型传感器或宽泛的无人机遥感针对某一学科或行业应用的讨论,如冰川学[6]、摄影测量学[1]、农业[7]、林业[8]、测绘[9],或者针对某一特定无人机遥感数据处理技术问题的探讨[10,11,12,13]。随着近年来科学技术的发展以及无人机公司的涌现,无人机遥感系统的无人机和传感器技术进入快速迭代的时期。但是,近期文献中鲜少看到涵盖多源载荷类型、关注遥感信息提取关键技术、探讨无人机的行业应用现状,仅有Xiang等[14]针对轻小型无人机遥感技术面向新兴应用领域开展了探讨。为此,本文将综述轻小型无人机遥感硬件设备研发进展,阐述无人机遥感信息提取关键技术现状,分析轻小型无人机在目前国民经济主流行业应用进展和面临的问题,并提出轻小型无人机遥感软硬件发展以及拓展行业应用的发展方向。

1 无人机遥感硬件系统研发进展

无人机遥感系统的硬件组成可分为4个部分(图2):无人飞行器载体平台(即无人机)、无人机载传感器(即无人机载荷)、地面控制站和通信数据链[15]。随着飞控技术和数据传输系统的完善和简化,在各行业领域实际应用过程中,使用人员更关注的是无人机和传感器的硬件系统,因此本节重点讨论这2个部分的研发进展。
图2 无人机遥感系统的硬件组成

Fig.2 Hardware components of UAV remote sensing system

1.1 无人机研发进展

自1918年美国军方的“Kettering Bug”问世以来[16],无人机的研发历史已逾百年。但就应用而言,直至20世纪90年代初其仍局限于军事领域。一方面,从90年代中后期开始无人机民用研究投入规模稳步增长;另一方面,也得益于飞行控制技术取得的较大突破,以及复合材料、动力系统、传感器等新技术的投入使用,短短10余年间无人机遥感硬件设备得到飞速发展,针对民用领域的不同用途涌现出了上百种机型[17]。
根据机械结构组成和飞行原理,无人机可划分为固定翼和旋翼2类机型。固定翼无人机的特点是在飞行载荷、飞行距离以及航速方面具备优势,因此在执行快速、大面积遥感信息采集任务时应用较多。固定翼无人机主要采用跑道滑行、弹射、车载助跑、火箭助推、飞机投放和人工投掷等方式起飞。目前大多数固定翼无人机的翼展为1~8 m,有效载荷能力为0.5~10 kg,巡航速度为60~240 km/h,升限4000~5000 m,续航时间1~6 h[18]。普遍而言,由燃油发动机驱动的固定翼无人机载荷能力、续航时间要优于由电机驱动的固定翼无人机。
旋翼类无人机可以做到无需跑道便利起降,且在执行任务过程中可以定点悬停、灵活操纵飞行姿态、清晰稳定传输实时动态影像,所以在注重任务细节和质量的行业得到越来越多用户的青睐。相较固定翼无人机而言,旋翼类无人机的硬件结构比较复杂,系统稳定性和抗风能力逊于固定翼无人机,而且其对操控者的技术水平要求也较高。根据旋翼数量和结构的不同,旋翼类无人机大致可分为3类:常规单旋翼式、共轴双旋翼式和多旋翼式。常规单旋翼式和共轴双旋翼式无人机有时也被统称为无人直升机。目前,行业应用中以多旋翼无人机较为普遍,如四旋翼、六旋翼、八旋翼无人机。多旋翼无人机结构紧凑轻便,运输便携,机身翼展尺寸大小介于9~245 cm之间[19],载荷小于20 kg。如果是以锂电池作为能源动力,其续航时间一般在5~30 min之内;如果是油电混动多旋翼无人机,续航时间可以达到小时级,具体的续航时长视载荷大小以及油箱尺度而定。
从无人机的研发趋势来看,无人机正朝着多样化和轻量化的方向发展。例如,近年来兴起的垂直起降固定翼无人机,如成都纵横自动化技术股份有限公司的大鹏系列无人机,这类无人机通过整合固定翼和旋翼类无人机的优势,利用旋翼无人机垂直起降的功能解决了传统固定翼无人机起降限制,同时还保留了固定翼无人机航时长、速度快、距离远的特点。大疆面向行业应用推出了经纬M300系列,其具备体积小而且可以搭配各种专业传感器,续航也达到55 min。然而,续航仍是限制无人机遥感作业效率的最大因素。油动无人机虽然能够大幅提升续航能力,但考虑到其在林区坠机后存在引发森林火灾的风险,部分行业中无法使用此类动力源的无人机。从改善无人机的航时角度而言,研发以太阳能、燃料电池、液氢燃料系统等新型能源为动力源的无人机是未来研发方向之一[20]。此外,目前大多数无人机应用均采用单机作业,整体作业效率有限。随着无人机成本的下降,如何实现集群化、自动化、协同化的无人机作业也是无人机硬件发展的趋势[21]。

1.2 无人机载荷研发进展

无人机传感器是无人机获取遥感数据开展行业应用的基础。目前,行业应用的无人机传感器主要包括以下几类:光学相机、多/高光谱成像仪、激光雷达扫描仪、热红外成像仪和合成孔径雷达(synthetic aperture radar, SAR)[1-2,22]。受限于轻小型无人机的载重能力和机舱空间,搭载的传感器需要具备体积小、重量轻以及功耗低等特性。随着微电子、微机电系统(micro-electro-mechanical system, MEMS)、纳机电系统(nano-electromechanical system, NEMS)等技术的快速发展,大量小型化传感器被研发出现,为无人机行业应用提供了各种可选载荷。例如,美国ImSAR公司设计的NanoSAR系统,是目前世界上最轻最小的SAR系统,工作在X和Ku波段,总质量约1.5 kg。武汉高德红外自主研发的全球首款单片式红外机芯产品“一元红外机芯”COIN系列,集高芯自产晶圆级封装探测器、专用成像处理芯片、微动电磁阈快门及通用光学接口于一体,体积为25.4 mm×25.4 mm×32.6 mm,重量不到20 g。德国Cubert公司研制成功的全画幅、非扫描、实时成像高光谱仪UHD185,仪器总质量仅为470 g。
虽然轻小型无人机传感器类型多样,从实际使用情况来看,光学相机仍是目前获取数据的主要手段。其中,用于无人机遥感的相机以日本品牌——索尼、佳能、尼康、富士的产品为主;得益于大疆无人机的崛起,大疆自研的相机也被广泛用于遥感信息获取中。随着消费级相机在成像、像素质量方面指标的提升,拼装3镜头、5镜头、9镜头构成多角度相机在摄影测量三维建模领域日益受到重视和青睐。目前,倾斜摄影中常见的中国国产相机品牌型号有:四维远见SWDC-5倾斜相机、中测新图TOPDC-5系轻小型倾斜航摄仪、红鹏小金牛AP3400R倾斜相机等。这些产品设备轻便、操控简单、使用安全、性价比高,适合在70~300 m的高度摄影飞行作业完成5 km2以内的航空摄影任务,尤其适用于大比例尺测绘工程。多光谱/高光谱传感器在无人机应用的使用也较多,其中使用最为广泛的是美国MicaSense RedEdge系列多光谱相机。相较于国外的多光谱和高光谱研发厂商,国内自主研制多/高光谱成像设备的厂商较少,尤其是高光谱传感器[23]。受益于无人驾驶行业对小型激光雷达激增的需求,国内外研发激光雷达的厂商不断涌现,各种轻小型激光雷达传感器产品开始商业化并被用于无人机上。例如,上海禾赛科技有限公司推出的Pander系列激光雷达系统并被集成用于电力巡线、林业调查等行业应用;大疆推出的Livox系列传感器并将激光雷达传感器价格拉低到4000元,而且能够满足部分地形测绘和林业调查需求,极大地降低了激光雷达系统的使用门槛[24]。轻小型无人机上使用合成孔径雷达系统还相对较少,主要是低于5 kg的微小型无人机载SAR系统较少。与其他传感器类似,欧美国家在微型SAR传感器的研发也领先于国内。中国科学院电子学研究所、西安电子科技大学、中国电子科技集团公司第14研究所等多家科研单位近年来对微型SAR技术进行了较为深入的研究。从国内微型SAR发展水平上看,雷达分辨率和作用距离等性能指标已达到国际先进水平,与国外最先进的NanoSAR相当,但在质量和功耗上与国外先进系统相比仍有提升空间[25]。
单一数据源难以满足行业应用中的信息需求,无人机传感器的设计正在向多任务、标准化、模块化、开放式架构发展。多类型遥感载荷集成、协同工作是未来轻小型传感器发展方向之一,比如光学相机、成像光谱仪、激光雷达的集成等。大部分厂商只是关注单个传感器的研发,并未考虑多个设备集成以及如何在无人机平台上使用。例如,美国Velodyne只是专注激光雷达传感器的研发,这些传感器在行业应用还需要专注设备集成的厂商,如北京数字绿土科技有限公司、英国GeoSLAM等公司。类似于大疆能够实现平台—传感器一体化研发的厂商比较少,这也是未来实现智能传感器研发的主要基础,也是今后轻小型传感器的发展方向。新型的智能传感器通常内置多个微处理器,具备傅里叶变换、小波变换等先进数字信号处理或补偿功能,自诊断功能,双向数字通信等功能,使得传感器的稳定性、可靠性、信噪比、便利性等性能大大提高。集软硬件一体化的智能载荷不仅仅是“信息收集者”,其还将成为“信息理解者”,协助无人机遥感系统获取数据,例如基于激光雷达系统的实时避障和仿地飞行。
总体来说,中国无人机遥感载荷研制的水平还远不能满足空间探测、多行业应用的需求,在功能多样化、产品系列化、接口标准化、价格亲民化方面离成熟的主流行业应用需求尚有一定距离。虽然国内部分科研院所和公司企业具备无人传感器设备集成设计能力,但是,传感器的关键核心组件仍依赖于进口,而且部分芯片技术和加工工艺等尚未拥有自主知识产权,中国轻小型无人机遥感载荷的完全本土研制和产业化道路仍需要经历一段发展时期。

2 无人机遥感信息提取技术研究现状

解析无人机遥感数据并提取行业应用所需的信息是决定无人机遥感技术能否在各研究领域广泛应用的关键。目前,无人机遥感数据预处理基本上是参照航空遥感的方法进行或在其基础上进行改进,主要采用统计回归、机理模型反演、机器学习、深度学习等算法从预处理后的数据中提取行业应用所需信息。由于无人机使用的传感器种类繁多且易受环境干扰,在实际预处理和信息提取过程中会出现无人机平台特有的问题。相对于激光雷达、合成孔径雷达等主动遥感技术,被动光学遥感技术(光学相机、多/高光谱等)在实际作业过程中更容易受到外界环境的干扰,从而增加数据处理和信息提取的难度。为此,本节将重点探讨无人机光学遥感数据预处理以及多种遥感数据在信息解析的研究进展。

2.1 无人机光学遥感数据预处理

无人机光学遥感数据的预处理主要包括辐射校正、几何校正和图像拼接。由于轻小型无人机遥感系统飞行高度低,地表至传感器之间的大气对于传感器镜头处辐照亮度的影响微弱[26],大气对辐射传输的影响可以忽略,因而无人机光学遥感通常只需要进行辐射校正。目前,无人机影像基本上沿用传统的遥感辐射校正方法,主要采用经验线性方法、图像回归法、伪不变特征法、暗集亮集法、未变化集辐射归一法等[27]。上述方法均需要人工选取样本建立样本集,而且样本集质量的好坏直接影响到相对辐射校正结果,而且在消除图像间辐射差异的同时,也消除了部分地物的变化信息[28]。针对此问题,近年来有学者将傅里叶变换、小波变换以及Contourlet变换等频率域变换方法引入相对辐射校正,将辐射亮度引起的图像差异的低频部分与地物本身发生变化的高频部分进行分离,仅对低频部分进行相对辐射校正,有效提高了辐射校正效果和变化检测精度[29,30]。除此之外,由于无人机在作业范围较大时需要多个架次才能完成,由于光照的变化导致多架次的影像曝光明暗不一致,而且无人机飞行高度较低,容易因地形以及拍摄角度等原因导致同一地物在不同照片中的颜色出现差异,虽然很多软件提供曝光修正或匀光匀色功能,但效果并不明显。因此,上述问题仍是无人机光学遥感数据处理的障碍,需要进行更深入的研究,尤其是大范围的无人机作业。
常用的无人机影像几何校正方法有2种:共线方程法和多项式法。共线方程法理论严密、精度高,但因对测区地形数据要求较高而难以广泛应用;多项式法适用于地形平坦地区和动态传感器影像的校正,能够较好地处理由于使用非专业摄像镜头而引起的非线性畸变、无人机飞行姿态变化引起的传感器外方位元素的不稳定以及地形复杂等情况引起的几何变形[26]。但在高精度控制点不足的情况下,常规几何校正方法会产生较大的几何误差,而这也是无人机遥感在实际应用中常常遇到的问题。针对此情况,国际上经常使用高阶INS(inertial navigation system)误差模型的GNSS(global navigation satellite system)/INS组合定位方法获取成像瞬间的传感器外方位元素,并结合少量地面控制点实现图像位置的快速精密求解[31]。例如,国内学者根据无人机提供的方位角、拍摄高度和GNSS定位参数等特征设计了一套不需要地面控制点的自动纠正模型,以Matlab中现有的实际图形进行试验比较,用具体数据来确定图像纠正的精度和时间复杂度,自动化程度高且模型速度快、精度也高,最为关键的是无需地面控制点信息,符合无人机遥感图像的实时批处理需求[32]。
受飞行稳定性和载荷量限制,无人机遥感系统获取的图像往往具有像幅较小、倾角较大、数量较多、图像重叠度变化幅度大等特点,极大地增加了图像拼接的难度。拼接的基本流程包括去噪、配准、融合。其中,图像配准是拼接的核心步骤,配准精度直接影响了图像拼接的质量和效率。目前采用的图像配准算法主要包括基于灰度的、基于变换域的和基于特征的图像配准等几类方法。基于灰度的图像配准方法以图像灰度来度量待匹配图像与参考图像局部之间的相似性,利用搜索算法寻找相似度最大的匹配区域,代表算法有绝对差算法[33]、序贯相似性检测算法[34]、快速模板匹配算法[35]等。基于图像特征的配准方法主要通过对图像轮廓线、边缘等特征的提取,依托构造方程、数值计算等操作获取图像变换参数,再开展图像匹配。在该方法的发展过程中,学界逐步提出了Harris脚点监测算法、FAST算法、SIFT(尺度不变特征变换)算法、SURF(加速鲁棒)算法、ORB算法等[36]。随着图像处理单元GPU(graphic processing unit)通用性和可编程性的增强,利用GPU可以实现SIFT和SURF并行加速算法[37]。近年来,深度学习的快速发展使其在图像匹配领域的应用成为现实,时间不变特征检测器、Quad-net-work、深度卷积特征点描述符、基于学习的不变特征变换等算法相继被提出[36]。随着国内外无人机数据处理软件产品的蓬勃兴起,如 LiMapper(北京数字绿土科技有限公司)、Pixelgrid(中国测绘科学研究院)、Photogrammetry(美国鹰图公司)、UASMaster(美国Trimble公司)、Inpho(德国Inpho公司)、Aerail Photo Survey(意大利Menci公司)、Pix4 Mapper(瑞士Pix4D公司)、PhotoScan(俄罗斯AGISOFT公司)等,降低了对于行业应用人员的准入门槛。虽然有各种专业软件的加持,但当航摄范围增大、图片数据增多时,无人机影像拼接效率低下的问题仍很突出。此外,针对落叶后的林区以及地物特征不明显的草原区域,无人机影像拼接的成功率仍较低,需要研发特定的匹配算法。

2.2 无人机遥感信息提取

无人机能通过搭载多种传感器获取多源遥感数据,与其他遥感平台相比,其能够提供厘米级超高空间分辨率数据,并能从中解析更准确、精细的信息,用于辅助行业应用与决策。但是,超高分辨率的遥感数据也给信息解析带来了新的挑战,如光学影像中几何结构细节化、纹理特征丰富化、光谱信息精细化、地物目标多尺度化等[38],以及如何从更高点密度的激光雷达数据中提取更丰富的林内和林下信息。
无人机遥感提供的更加优质、快捷与低价的数据源,能够为不同行业应用提供更丰富、更精细的特征参数。在农业应用中,厘米级分辨率的无人机图像结合地面观测数据可以提取叶片和冠层尺度的生化组分[39],能够为农田精细管理提供数据支持。无人机获取的点云和多光谱影像能够为森林监测提供单木尺度树高、冠幅、树种等信息[40],而且对于密度较低、林型简单的森林,还能通过降低无人机高度或者在林下飞行来提取树木的胸径[41]。无人机通过轻量型传感器可以进行气溶胶颗粒浓度、温度、相对湿度和大气压力等要素信息的采样[42],实现快速定点地获取不同高度层的大气环境参数用于空气质量评估与建模。无人机搭载热红外传感器可以观测米级/亚米级的地表温度分布,可用于分析不同卫星平台像元温度的异质性和评估不同卫星在地表能量收支中的不确定性[43],还可用于辅助农田墒情探测,实现田块尺度水分精准管理。
超高分辨率无人机遥感数据为遥感机理研究、行业信息和应用建模提供了新的观测数据,使得各种物理模型更准确地模拟真实世界,更好地服务于行业应用。无人机提供的景观尺度、精细的热红外观测数据对于大气、水和生态模型的准确反演非常重要。例如,Hoffmann等[44]基于无人机获取的高分辨率地面温度分别用双源能量平衡模型和双温度差模型算法计算地表的蒸散发,发现结果与地面测量具有很好的一致性。Webster等[45]基于无人机同步获取RGB与热红外影像,合并形成RGB与热红外点云,获取森林冠层温度的三维空间分布。此外,高时间分辨率的无人机遥感数据为植被生长等时序分析研究提供了数据保障,有利于模型的时空扩展。如Yu等[46]开发了无人机双摄像机高通量表型平台,采集了大规模大豆育种试验的时序多光谱图像,结果表明时序多光谱数据可以提高产量估计的精度。Park等[47]利用多时序的无人机影像实现了热带雨林中不同树种物候期的观测。
受益于无人机遥感的机动灵活性和数据处理能力的提升,行业应用信息提取加快,使得在短时间内完成建模、验证、分析、决策成为可能,促进行业应用的快速迭代。例如,Hsu等[48]使用无人机搭载数码相机来获取山区的正射影像并构建3D模型,节省了山区规划设计所需的人力和时间,并最大程度地降低了人员出现意外伤害的风险。Li等[49]提出了一种基于无人机的大型光伏系统的资产评估与缺陷检测的技术,认为该技术能够以自主或监督的方式实现大范围光伏系统的检查和状态监测任务,与传统方法相比极大地提高了效率。Puliti等[50]探讨了现有的无人机激光雷达遥感观测技术是否能够替代传统方法,以用于大范围的森林蓄积量估算,从而改变现有林业调查费时费力的现状。
总体来讲,无人机遥感信息已经被广泛使用,但其主要还是沿用传统航空遥感的解析方法,虽然在实际行业应用中有专门针对无人机开发的算法,但还未针对无人机遥感的特性单独开发完整解析体系。例如,激光雷达数据滤波和单木分割算法仍是源自低密度点云的机载平台,高密度的无人机点云数据是否有更合适的方法,仍需开展深入研究。当前,无人机数据解译很大程度上还是依赖于人工操作,该方式受限于解译人员的专业经验,工作量大、效率较低,难以实现无人机遥感技术的业务化监测和管理。因此,发展针对无人机遥感数据特性的行业应用信息提取和分析软件非常必要。例如,构建行业通用的样本标记库用于行业应用中各类模型的构建与对比。另外,多源数据融合在行业信息的挖掘中具有重要的意义,但是对从业人员技术要求较高,开发易用的信息融合方法和工具也是无人机遥感数据处理的研究热点和难点。

3 无人机遥感的行业应用现状

无人机遥感技术是以行业需求为牵引并在应用实践中逐渐发展的[38]。虽然学界早在20世纪70年代末期就意识到无人机平台在摄影制图方面存在潜力,但由于缺乏稳定、廉价、易操控的无人机平台,无人机遥感未能被广泛使用[1]。伴随着微电子技术、计算机技术、通信技术的发展以及各种数字化、重量轻、体积小、探测精度高的新型传感器的不断问世,无人机遥感技术逐渐成熟并被广泛应用于各个行业领域。无人机遥感最早的行业应用始于测绘领域,基于摄影测量和计算机图形学等方法形成了地形产品生成、土地覆盖分类、变化检测等系列算法,并为后续的农业、林草业、地质灾害防治行业的应用奠定了基础。据国际无人机协会推算,2015—2025年无人机在民用领域的应用将为美国经济贡献821亿美元,其中超过80%将直接来自农业。相较而言,虽然电力行业相对测绘和农业的行业应用起步较晚,但是它的发展势头最为强劲,且对于整体行业传统业务的替代升级效益最为显著。

3.1 农业

无人机在农业领域的应用可以分为无人机作业与无人机遥感监测2大部分。无人机遥感在农业领域的应用研究则集中在精准农业生产[51]、作物表型辅助育种[52]、农业资源调查和灾害监测评估等4个方面(图3)。
图3 无人机遥感在农业领域中的主要应用

注:植保无人机原图引自大疆官网(https://www.dji.com/cn)。

Fig.3 Applications of UAV remote sensing in agriculture

在精准农业生产方面,无人机遥感通过对作物、土壤和杂草等信息的快速获取,实现作物长势、生物胁迫与非生物胁迫等的定量监测,支撑农田施肥、施药、灌溉和播种等生产管理的精准化决策,以期提升投入品利用效率,实现更少的投入获得更好的产量和品质。① 作物养分:作物的光谱反射率主要受到作物色素、细胞结构和含水率的影响,作物氮素亏缺将导致光谱特征变化。Liu等[53]利用无人机成像高光谱图像,估计了小麦叶片的氮素含量;Yue等[54]基于不同氮素处理的实验,发展了无人机高光谱影像估测小麦生物量的模型,为作物养分的定量诊断与决策提供了基础。② 作物病虫害。Zhang等[55]基于无人机成像高光谱影像,利用空谱分类实现单木冠幅的分割,提取虫害识别敏感波段,构建虫口密度到失叶率遥感定量化反演框架,实现了油松毛虫的定量监测。③ 作物水分胁迫:作物水分胁迫将影响作物的蒸腾速率,从而使气孔导度降低,叶片开始卷曲,冠层温度升高。因此,无人机热红外影像获取作物冠层温度可用于分析作物水分胁迫状况,为合理灌溉提供数据支撑[56];Zarco-Tejada等[57]基于无人机平台获取柑橘园高分辨率的宽波段热红外和窄波段可见光/近红外影像,分析了叶片尺度的叶绿素荧光、光化学指数和温度与地表水势之间关系,发现冠层温度、蓝绿指数和叶绿素荧光含量可较好用于果园水分胁迫检测。④ 作物苗情与杂草管理:无人机遥感通过农作物植株密度、成苗率等数量统计,可以确定重新栽种方案,如Peña等[58]基于无人机影像利用面向对象的方法进行了早期玉米地的杂草制图研究;Zhou等[59]统计了苗期玉米的出苗率与向光性,为玉米苗期质量管理提供了依据。⑤ 土壤墒情与耕地质量:土壤反射率受土壤有机质、土壤水分、氧化铁等成分的影响。根据无人机遥感监测土壤质地与有机质等,生成土壤水分与营养元素图,进而为作物生长过程中调节对作物的要素投入服务。
相对于无人机植保应用,无人机农业遥感监测才刚起步,离产业化应用还有较大的距离。从技术角度而言:① 信息提取能力亟待提高,无人机遥感大规模应用还有待于模型的普适性和稳定性、监测精度、对地面数据的依赖、标准化处理等问题的解决;② 与农业行业应用的融合亟待加深,如与农艺和育种的深度融合,无人机遥感监测得到的信息还需要与农业模型链接和交叉融合,才能转化为解决农业问题的知识。

3.2 林草业

在林业和草牧业行业,无人机遥感主要应用在林草资源调查、森林草原巡护、灾害监测预警等方面[60](图4)。无人机光学影像具备分辨率高、纹理信息丰富等特性,基于先验知识的人工目视解译能够实现对地类和主要树种的识别[8]。无人机激光雷达能够穿透植被冠层获取森林三维点云,利用分类后点云构建植被冠层高度模型(canopy height model,CHM)在估测森林和草原植物高度及生物量和监测长势动态方面有很好的效果[61]。
图4 无人机搭载多元传感器用于林草业定性和定量产品生产与决策

Fig.4 Generating qualitative and quantitative products and decision making in the forestry and grassland industries by UAV with multi-sensors

微型无人机搭载数码相机能够快速获取不可或难以到达点的照片或视频资料,基本可代替人力完成小范围的“空中踏查”,同时可以作为存档和物证,在森林和草地管理监督、林业和草原案件查办等业务实践中广泛应用。在营造林核查验收中,一般选择固定翼无人机搭载普通数码相机获取航片,生成造林区域高分辨率正射影像,采用普查或抽样的方式,提取造林面积、造林株数等信息,统计得到造林成活率/保存率等指标。
无人机系统的机动灵活、实时快速采集的优势在森林草原灾害探测、科学指挥救助及灾情评估等工作中发挥重要作用。无人机获取的高空间分辨率草原影像,精确解译鼠洞的数量和空间分布,结合地形等因素,分析建立模型预测鼠害蔓延趋势、危害等级,进而科学规划鼠害治理方案[62]。无人机搭载红外设备对病害草场进行扫描后,通过蝗虫红外数字模型,可分析出蝗虫数量和密度分布图[63]。无人机高空间分辨率遥感影像是监测森林火灾的重要工具,研究表明,其对森林火灾的检测率可达87.7%,识别率达到89.2%[64]。当前传感器成本、续航、传输信号、模型精度是限制当前无人机在林业灾害监测中广泛使用的主要因素,后续需要加强上述领域的研究[65]。
目前,无人机遥感在林草业的应用倾向于联合发挥无人机影像和激光点云的各自优势,将二者集成在同一无人机平台上(如北京数字绿土有限公司的LiHawk固定翼激光雷达扫描系统和LiAir部分系列多旋翼激光雷达扫描系统),以大幅提高林草生态系统参数反演精度和效率。此外,全国林草业系统还缺少复杂地形条件下软、硬件一体化的完整飞行平台,应用基本上处于零星开展状态,并未形成业务化系统,而且相关规程规范还是空白,仅国家林业和草原局调查规划设计院等单位针对无人机遥感技术在森林资源调查、营造林核查、林业执法、灾后调查等方面开展了部分小区域应用实验。相对于林业应用,无人机遥感在草地的应用相对落后,需要进一步投入研究。以激光雷达为例,在林草业应用的绝大部分研究均集中在森林,草地由于研究对象更小,对传感器精度和数据采集要求更高,以往在森林中适用的算法需要进行改进或重新开发才能适用于草地。中国正处于林草业信息化建设快速发展的新阶段,要将无人机遥感技术切实可行地应用于林草业生产实践工作中,还需要进一步加强这一领域的基础研究,才能满足林草业生产和现代化管理发展需求。

3.3 电力行业

近年来,无人机被广泛用于电力行业的线路巡检工作,为电力企业掌握线路运行状态并及时排除隐患节省了大量的人力和物力,极大地提高了线路巡视效率和质量[66](图5)。目前,无人机巡检技术利用高分相机、红外热成像仪和激光雷达传感器获取输电线路设备和周边环境的相关信息,利用无线通信技术传输到地面站系统并进行分析检测,识别线路设备缺陷以及潜在的危险源点[67,68]。相比于人工巡检,无人机巡检展现了卓越的性能优势:多角度、定点的高清照片能够提供细节信息,帮助发现地面人员难以发现的隐蔽性缺陷[69];受地理和环境条件限制小,节省人力作业时间并有效降低人身危险;搭载红外设备进行高空红外测温对于电网高温大负荷期间的线路巡检减负意义重大;激光雷达技术能够检测线路走廊超高树木、超高违章构筑物等危及线路安全运行的事物,有效规避线路障碍物风险[70]。
图5 无人机遥感检测电力线危险点源和隐蔽性设备缺陷

Fig.5 Using UAV remote sensing to detect dangerous point sources and concealed equipment defects on power lines

早在2009年,国家电网和南方电网分别提出“无人机巡线”的设想,但由于当时无人机系统稳定性问题,一直未被广泛使用。随着飞控系统的稳定性增加,南方电网逐渐将无人机融入巡线业务,成为国内电力巡线最突出的公司并在2015年组建了全国首个机巡专业机构——广东电网公司机巡作业中心。受限于当前的无人机平台,无人机电力巡检仍旧存在一些问题,如续航时间短、遥控范围较小;巡检过程不稳定、故障较多;负载能力不足,缺乏精确测距手段;自动化水平较低;特种作业能力缺乏;空域管理水平较低;海量的机巡数据难以充分挖掘运用等问题,制约了其规模化应用推广。近年来,大量服务于电力巡线的无人机公司不断涌现,如国内的易瓦特科技股份公司、北京中飞艾维航空科技有限公司、深圳市科比特航空科技有限公司、北方天途航空技术发展(北京)有限公司等,国外的德国Microdrones、法国Delair-Tech等,并为无人机巡线开发了大量专用设备和算法。例如,大疆推出的经纬M300 RTK无人机与禅思H20云台通过提供广角长焦切换、目标跟拍等功能实现精细巡检;北京数字绿土开发了LiPowerLine软件系统提取无人机激光雷达获取的三维信息用于电力巡检。目前,无人机电力巡线逐渐替代传统巡线方法,极大地降低了电网运行风险,为电力公司创造了大量经济价值。在今后的应用过程中,无人机巡检还需要在起降技术、定位技术、像控技术、远程操控技术、自动驾驶技术、数据处理技术等方面进行改造和优化,为全国范围的无人机巡线工作业务化运行积累经验。

3.4 测绘行业

中国自主研发的无人机测量技术发展迅猛,已能在多种复杂的地形与气候条件下获取精准的地理信息数据。无人机测量技术目前已成为传统航空摄影测量手段的有力补充,部分技术指标已经达到国际领先水平,完全能够满足基础测绘工作的需要。目前,无人机测绘在大比例尺测图、应急测绘、三维建模、地理国情监测等方面实现了规模化应用,也已经成为自然资源调查监测、数字城市建设、地质灾害、矿山监测、环境变化监测、工程建设等行业领域的重要测绘保障技术[71]。
在测绘领域,目前主要采用的技术手段为以下3类:立体摄影测量、倾斜摄影测量和激光雷达测量。另外,得益于小型化、轻量化微波合成孔径雷达系统的发展,无人机SAR测绘技术也处于快速发展之中[25]。无人机航摄系统具有机动灵活、影像分辨率高、云下航摄等特点,被广泛应用于1:500~ 1:2000比例尺数字线划图、数字正射影像、数字高程模型的生产,基于POS(position and orientation system)辅助的空中三角网测量技术,可达到无控 1:500航测成图要求。无人机倾斜摄影测量已经成为城市三维重建的主要数据源[72],相对于传统垂直立体航测,无人机倾斜摄影测量可显著提高高程测量精度,因此可用于高精度城市测绘、公路测绘等高精度工程测量。近年来,搭载激光雷达传感器的无人机系统也得到了迅速的发展,并被广泛应用于高精度测绘中,尤其是森林覆盖区的山地测绘 (图6)。国际主流数据采集系统供应商发展了众多系统平台,如奥地利RIEGL公司发展的八旋翼RiCOPTER无人机激光雷达系统;国内无人机激光雷达技术发展迅速,大量无人机激光雷达系统已经量产并投入生产实用,如上海华测导航技术股份有限公司AS-900HL多平台激光雷达测量系统、北京数字绿土LiAir系列无人机激光雷达测量系统。
图6 无人机激光雷达点云数据(a)生成的数字高程模型(b)和等高线(c)

Fig.6 Basic products of UAV lidar (a) point cloud, (b) digital elevation model, and (c) contour line

3.5 大气探测行业

在大气探测领域,主要利用无人机平台通过走航或者定点的方式快速获取大气成分和大气环境信息,其传感器根据原理可分为2大类:基于光学遥感的光谱遥测技术(如差分吸收光谱技术(differential optical absorption spectroscopy, DOAS)、傅里叶红外变换光谱技术等)和基于泵吸式点状的采样监测技术(如电化学传感器、非色散红外技术(non-dispersive infrared, NDIR)等[73]。差分吸收光谱技术以天空散射光为光源,利用气体在紫外/可见波段特征吸收来进行定性、定量分析,具有实时、快速及多组分(NOx、HCHO、BrO、SO2等)的特点。傅里叶红外光谱技术主要通过测量干涉图和对干涉图进行傅里叶变换光谱的方法来测定红外光谱,具有信噪比高、重现性好等特点。电化学传感器是以离子导电为基础制成,通过与被测气体发生反应并产生与气体浓度成正比的电信号来工作,具有原理简单、体积小,便携性高等特点,主要包括NO2气体传感器、SO2传感器、H2S气体传感器等。非色散红外技术是一种由红外光源、红外探测器等组成的光学气体传感器。上述不同类型的载荷探测技术均已取得了成功的应用案例。2012年NOAA利用NDIR技术长时间监测了阿拉斯加地区的温室气体浓度[74]。2014年9月27日,日本Ontake火山喷发期间,Mori等[75]使用多旋翼无人机搭载DOAS系统对火山烟羽进行了遥测,阐明了海拔3000 m以上火山烟羽的状况。2016年,昆士兰科技大学Villa等[76]通过无人机气体传感器实验对近污染源处的CO2、CO、NO2和NO进行评估。2018年比利时皇家航空航天研究所的Merlaud等[77]将扫描成像差分吸收光谱仪搭载在无人机上,对Turceni大型发电厂进行了遥测。
国内外研究应用较多的方向是DOAS技术,其载荷通常分为2种:① 机载扫描多轴DOAS(MAX-DOAS)技术,以多角度观测来自大气散射的太阳光,结合大气辐射传输模型反演出不同方向的痕量气体分布,如NO2;② 机载成像DOAS技术,该技术采用高分辨率的成像光谱仪,同时满足高光谱和高空间分辨率的要求。中国科学院安徽光学精密机械研究所掌握了具有自主知识产权的机载多轴DOAS和成像DOAS软硬件核心技术,率先开展了基于有人机和无人机的DOAS载荷测量研究,研制了可以搭载于固定翼无人飞机平台的多轴DOAS和成像DOAS探测系统。图7示意了机载成像DOAS测量工业源排放NO2的分布。国际上机载DOAS技术也发展迅速,加州大学Andrews等[78]设计了一种新的扫描差分光学吸收光谱仪器,结合美国宇航航天局的全球鹰无人机系统,在空中热带对流层顶实验期间实现了对BrO和NO2的柱浓度和垂直分布的准确测量。
图7 无人机载成像DOAS测量工业源排放NO2分布

Fig.7 Distribution of industrial NO2 emissions measured by DOAS carried by UAV

目前,无人机通过气体传感器可以实现大气成分的动态监测,但由于监测数据没有标准可依,只能停留在科学研究和监测展示阶段,无法用于实际环保执法过程中溯源。由于大气环流过程复杂,如何结合现有模型和无人机监测的大气成分,服务于大气环境监测、预报和执法,也是该领域的研究前沿。

3.6 地质灾害防治行业

地质灾害往往多发生于高山峡谷的山区,地形复杂且相对高差较大,人工现场调查存在效率低、高陡区域难以企及且存在人身安全风险,获取的数据资料分散而不连续,传统的卫星和航空摄影数据采集周期长、分辨率较低、易受云雾遮挡,因时相、分辨率等因素使数据的准确性和成像质量往往不能完全满足地质调查工作的需要。由此,无人机遥感技术在地质灾害调查与预警领域中的应用日益广泛,随着科技飞速发展,无人机地质灾害遥感载荷如光学相机、高光谱和多光谱相机、激光雷达、合成孔径雷达的应用也不断丰富和完善[17]。
在自然灾害等突发事件处理中,由于危险性、时间性等因素,无人机遥感具有更独特的优势,在近年来国内外发生的多次地震、海啸、火山喷发以及崩塌、滑坡、泥石流等大型地质灾害的抢险救灾工作中都发挥了重要作用[79,80,81];在山区地质灾害调查中,无人机遥感技术在泥石流物源判定、地裂缝搜索、滑坡边界分析、崩塌岩体结构调查、体积测量等方面普遍应用,在高植被区域的激光雷达应用更是突飞猛进,利用激光多回波特性获取植被茂密区域真实地面形态,为灾害识别分析提供依据[82,83,84,85];无人机遥感技术获取的高精度、高分辨率空间地形数据也被大量应用于灾害风险评估的数字地形分析研究中,而且高分辨率空间地形影像特征在判断构造断裂时更为准确;利用无人机遥感多时序、高频空间数据资料,可以对地质灾害体进行大范围的形变的跟踪监测分析,获取滑坡、崩塌等灾害体空间演变特征及泥石流固体物质的运移过程[86,87,88,89],可以实现重大灾害的早期识别与监测预警(图8)。
图8 基于无人机遥感技术的滑坡形变信息提取。

注:(a) 滑坡前影像; (b) 滑坡后影像; (c) 滑坡前激光雷达影像; (d) 滑坡后激光雷达影像; (e) 滑坡发生前后的高程变化。

Fig.8 Landslide information extraction using UAV remote sensing

总体来说,无人机遥感技术在灾害调查领域有着广泛的应用空间,其数据成果是传统地质调查的有益补充,随着遥感技术不断进步,空、天、地、内协同观测模式是地质灾害调查与监测技术的发展趋势[90],地质灾害调查和监测预警等技术亟待突破创新,地质灾害多源数据采集、信息融合、快速处理等关键技术还有待提高和完善。

4 无人机遥感行业应用的技术研发方向

由于轻小型无人机方便快捷,能够获取高时效、高精度的遥感数据,目前已经被广泛应用于各行业领域,在小区域应急救灾、油气、电力、光伏设施、农业植保等细化领域内无人机已经进入规模化和商业化阶段,并产生了巨大的价值。在政府部门业务中,如森林监测、环保督查,无人机经历了一系列的试验,也被逐步纳入各级职能部门的业务体系中。但是,轻小型无人机因其自身的特点在实际应用中仍存在一定的局限:① 无人机自身稳定性,易受天气影响,导致采集数据质量不足;② 当作业面积增大时,无人机效率有限;③ 小型化传感器的定量精度不足;④ 海量数据处理效率问题。鉴于上述问题,本文从硬件研发、数据算法和作业管理3个方面提出无人机遥感的技术研发方向,以期拓展这项技术行业应用的范围和深度。

4.1 载荷与飞行平台的一体化集成应用

轻小型、高精度、标准化与集成化应用,是未来无人机遥感载荷与飞行平台发展的总体趋势。随着轻小型无人机载荷的研发成功,以及多源数据需求的牵引,无人机载荷的设计正在向多任务、标准化、模块化、开放式架构发展。载荷内部集成大容量存储,并与GNSS、INS等设备高度集成;多类型遥感载荷集成,实现多类型载荷的协同工作,如光学相机、成像光谱仪、激光雷达的集成等;多载荷高精度检校与定标、多载荷的共同参数检校与定标会大幅度提高遥感数据的精度和定量分析。
载荷与飞行平台的一体化是轻小型无人机系统从专业用户向普通用户转化的一个重要渠道[17]。轻小型无人机平台在遥感领域所能体现的真正价值在于能够搭载何种载荷进行遥感应用。在初期阶段,轻小型无人机遥感是依据无人机的载荷能力、供电和自主控制能力寻找能用的载荷,数据获取能力和质量受无人机平台限制。无人机平台与传感器之间互相独立,无法实时沟通,传感器获取的大量有效信息无法用于辅助无人飞行。以激光雷达平台为例,传感器获取的地物高程信息可以用于无人机避障,实时获取的高度信息也用于辅助无人机进行仿地飞行,确保各个区域获取的数据质量一致。
轻小型遥感载荷与无人机平台的一体化设计将是未来轻小型无人机遥感技术的发展趋势。新型复合载荷的出现对无人机系统的载荷能力、安全性、供电能力以及通信和数传等都提出了较高要求。以植保类无人机为例,无人机集成新型复合传感器能够快速获取田间农情遥感信息,形成虫害、水肥亏损的处方图,此数据回传到信息决策功能模块,在短时间内迅捷规划合理的作业航线,执行精准的农药或水肥喷洒方案,将遥感动态观测、实时决策与执行能力融为一体。这对系统内部各个功能模块的实时信号处理以及数据交互控制有相当高的要求,需要在系统运控管理下通过对系统软/硬件在线重构复用,低耗、高效地实现系统内部各功能模块单元的无缝切换运行和冗余备份。载荷与平台的一体化设计需要各厂商针对遥感技术制定行业通用接口,使得无人机平台制造商和传感器制造商形成互通,构建统一的轻小型无人机遥感生态系统。在此基础上,才能实现无人机智能航摄与数据快速智能处理。对用户而言,载荷与平台的一体化设计将是一套高度集成的轻小型遥感系统,包含整套的硬件和信息提取软件,让用户不再受复杂的系统集成和数据后处理问题困扰。

4.2 多源数据融合与深度学习

多源数据融合是行业应用的基础和发展方向,能够解决单一数据源难以系统地获取目标信息的问题,促进不同时空尺度和交叉领域的新发现。硬件层的融合是未来实现无人机多源数据遥感的主要途径,主要通过传感器之间的固连关系和观测机理实现数据的匹配。当前由于无人机载重有限,同一地区获取多种数据源时往往需要通过多次飞行实现,不同数据之间的地理位置精度差异无法进行像元级别数据融合。在无人机遥感领域,多源数据融合存在以下几点挑战:① 不同空间分辨率的数据融合,如厘米级无人机数据与米级和公里级卫星数据融合;② 不同时间分辨率数据融合,如无人机数据与地面实时观测数据的融合等;③ 不同维度数据的融合,如三维激光雷达点云数据与二维光学图像的融合。多源数据的融合将实现无人机遥感数据的时空优化问题,实现优势互补。已有的数据融合方法,如高通滤波、成分替换、半经验数据模型融合和小波变换等,存在融合规则需要人为选择、在海量高维数据处理上表现出效率低和精度低等局限性。
深度学习,作为机器学习的一个新兴分支,能够自动地从海量高维数据中提取复杂非线性特征,在文本分类、语音识别、图像处理和视频分析等领域取得了一系列突破[91]。近年来,深度学习对遥感影像的处理(如几何配准和语义制图)也造成了一定的冲击和促进[92]。在无人机遥感影像获取的多源异构数据融合方面,深度学习的机遇主要有:1) 使用卷积神经网络代替传统数据融合方法的特征提取过程(如三次卷积)[93];2) 使用迁移学习在RGB图像上进行不同分辨率图像之间的关系学习,将预训练的模型转移到高光谱图像对其进行不同分辨率之间的转换,最终实现不同数据源的融合[94];3) 通过深度自编码无监督学习的方式提取全色影像和多光谱影像之间的对应关系,自动实现低分辨率光谱影像分辨率的提升,实现数据层面的融合[95];4) 通过多任务学习的方式,对不同时期、不同来源和不同维度的数据进行特征学习,在特征和决策层面进行融合应用[96]。
除数据融合外,深度学习技术也被广泛应用于无人机遥感数据信息提取中,如野生动物识别、虫害识别等,部分技术也被应用到实际业务中,如巡检图像电力小部件识别等。目前,大量行业应用中的无人机遥感数据仍是人工手动处理,缺少自动化和智能化。随着数据采集门槛降低,无人机遥感数据呈现井喷趋势,但受限于分析能力,大量数据被采集后却未被充分分析挖掘。深度学习技术是解决当前困境的可靠途径,但其使用前提是需要大量样本数据。如何构建可靠的标准样本集是未来无人机遥感数据智能化处理和行业信息自动化提取的基础。与卫星遥感相比,无人机平台构建适用于深度学习的标准样本集具有更大的挑战性:① 无人机自身稳定性,易受天气影响,导致采集数据标准样本集如何权衡多样化的传感器,例如,不同厂商的同类传感器的数据质量差异;② 标准样本集如何适用于不同飞行条件下获取的数据,由于地形环境原因,各地区无人机采集数据时飞行高度差异很大,从而导致数据的分辨率不一。众源异构的无人机遥感是未来行业应用的发展趋势,深度学习技术如何适应数据源的多样化,是重要的议题。

4.3 无人机组网作业与海量数据管理

无人机行业应用展现出了巨大的价值,但单打独斗的无人机在许多领域特别是遥感应用上可发挥的作用仍然有限,无法满足日益增长的应用需求。随着无人机遥感应用的大众化趋势,遥感无人机拥有者和使用者越来越多。通过众多的遥感无人机区域组网协同,可以完成高频次、迅捷、大范围超高分辨率对地观测数据获取,服务常态化监测和应急救援的需求(图9)。多机组网不是简单的加法,是通过多机融合带来智能迅捷响应和大范围同步的“聚变能”,是未来无人机遥感应用发展的重要方向。因此,突破多元平台组网关键技术,解决个体之间组网协同和智能化运行,将成为未来无人航空器及其应用领域科研突破点。这个研究方向已经得到国家立项支持,包括依托全国分布的无人航空器空港的组网观测体系,研发集成组网观测硬件设备系统和规划调度与安全管控系统,实现全国范围内无人航空器遥感资源优化、规划调度、产品和服务等协同一体的区域组网体系和平台[91]。组网无人机海量遥感数据的及时和智能化处理也是另一重要的方向。组网化将实现“滴水成海、汇流成川”式的数据汇集,存量遥感数据可以得到多次利用、增量数据可按需高效获取。未来将出现通过国家、行业或者社会力量建设全国无人机遥感数据汇聚和分享网络(无人机遥感数据航母),单一的遥感无人机可以有一个或者多个数据“航母”停靠。无人机遥感数据航母具备高的商业价值和巨大应用潜力。
图9 无人机组网示意图

Fig.9 Illustration of the UAV networks

构建遥感无人机组网体系和遥感数据航母需要解决诸多关键技术,主要包括:1) 解决多类别无人航空器高速高带宽组网协同关键技术,包括基于GIS技术和AI技术相结合的地理位置超精准定位、周边环境快速识别和智能组网任务协同的能力,也包括通信协议、通信制式、频谱资源等研究;2) 海量分布多源异构无人机遥感数据虚拟汇聚、储存、访问技术;3)分布式高精度自动平差技术、时空基准统一技术,快速拼接、匀光匀色、自动滤波、镶嵌、拼接、融合、信息提取、专题分析及在线可视化技术等。

5 结语

民用无人机行业的迅速发展和更新,正成为认识世界和改变世界的新工具,已经在农林植保、电力及石油管线巡查、应急通信、气象监测等领域取得了非常显著的技术效果和经济效益。无人机与信息技术的跨界融合需求和趋势已经有目共睹,无人机5G应用的产业生态从无人机应用场景和通信需求、终端通信能力、无线技术等方面也初步成熟。随着5G时代的到来,未来无人机遥感的市场将会更加繁荣,通过无人机5G应用领域的持续创新,提升无人机遥感在各行各业的业务体验,分阶段实施无人机行业应用的“网联化”、“实时化”、“智能化”,推进无人机在农业、林草业、电力行业、测绘服务业、大气探测行业、地质灾害防治行业等场景应用的自主作业能力建设,能够进一步解放生产力,并避免高危作业过程中的人员伤害。加速推广无人机遥感在国民经济各行业中的应用,对于解决相关行业发展过程中遇到的问题和困难大有裨益。随着各种无人机遥感关键技术的突破,计算机技术、网络技术和光电技术的不断迭代,无人机遥感技术将以其卓越的信息获取性能深入更多领域发挥重要作用,产生创新性应用效益,为各行业实现绿色发展带来质和量的飞跃。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 92:79-97.

DOI

[2]
李德仁, 李明. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报(信息科学版), 2014, 39(5):505-513, 540.

[ Li Deren, Li Ming. Research advance and application prospect of unmanned aerial vehicle remote sensing system. Geomatics and Information Science of Wuhan University, 2014, 39(5):505-513, 540. ]

[3]
廖小罕, 肖青, 张颢. 无人机遥感: 大众化与拓展应用发展趋势[J]. 遥感学报, 2019, 23(6):1046-1052.

[ Liao Xiaohan, Xiao Qing, Zhang Hao. UAV remote sensing: Popularization and expand application development trend. Journal of Remote Sensing, 2019, 23(6):1046-1052. ]

[4]
Simic Milas A, Cracknell A P, Warner T A. Drones: The third generation source of remote sensing data[J]. International Journal of Remote Sensing, 2018, 39(21):7125-7137.

DOI

[5]
单杰, 秦昆, 黄长青, 等. 众源地理数据处理与分析方法探讨[J]. 武汉大学学报(信息科学版), 2014, 39(4):390-396.

[ Shan Jie, Qin Kun, Huang Changqing, et al. Methods of crowd sourcing geographic data processing and analysis. Geomatics and Information Science of Wuhan University, 2014, 39(4):390-396. ]

[6]
Bhardwaj A, Sam L, Akanksha, et al. UAVs as remote sensing platform in glaciology: Present applications and future prospects[J]. Remote Sensing of Environment, 2016, 175:196-204.

DOI

[7]
Tsouros D C, Bibi S, Sarigiannidis P G. A review on UAV-based applications for precision agriculture[J]. Information, 2019, 10(11):349. doi: 10.3390/info10110349.

DOI

[8]
Guimarães N, Pádua L, Marques P, et al. Forestry remote sensing from unmanned aerial vehicles: A review focusing on the data, processing and potentialities[J]. Remote Sensing, 2020, 12(6):1046. doi: 10.3390/rs12061046.

DOI

[9]
Nex F, Remondino F. UAV for 3D mapping applications: A review[J]. Applied Geomatics, 2014, 6(1):1-15.

DOI

[10]
Crommelinck S, Bennett R, Gerke M, et al. Review of automatic feature extraction from high-resolution optical sensor data for UAV-based cadastral mapping[J]. Remote Sensing, 2016, 8(8):689. doi: 10.3390/rs8080689.

DOI

[11]
Kaneko K, Nohara S. Review of effective vegetation mapping using the UAV (unmanned aerial vehicle) method[J]. Journal of Geographic Information System, 2014, 6(6):733-742.

DOI

[12]
Kerle N, Nex F, Gerke M, et al. UAV-based structural damage mapping: A review[J]. ISPRS International Journal of Geo-Information, 2020, 9(1):14. doi: 10.3390/ijgi9010014.

DOI

[13]
Zhong Y F, Wang X Y, Xu Y, et al. Mini-UAV borne hyperspectral remote sensing: A review[C]// 2017 IEEE international geoscience and remote sensing symposium (IGARSS). Fort Worth, USA: IEEE, 2017: 5908-5911.

[14]
Xiang T Z, Xia G S, Zhang L P. Mini-unmanned aerial vehicle-based remote sensing: Techniques, applications, and prospects[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(3):29-63.

DOI

[15]
Watts A C, Ambrosia V G, Hinkley E A. Unmanned aircraft systems in remote sensing and scientific research: Classification and considerations of use[J]. Remote Sensing, 2012, 4(6):1671-1692.

DOI

[16]
Keane J F, Carr S S. A brief history of early unmanned aircraft[J]. Johns Hopkins APL Technical Digest, 2013, 32(3):558-571.

[17]
廖小罕, 周成虎. 轻小型无人机遥感发展报告[M]. 北京: 科学出版社, 2016.

[ Liao Xiaohan, Zhou Chenghu. Remote sensing development report of light and small UAV. Beijing, China: Science Press, 2016. ]

[18]
崔志强, 胥值礼, 李军峰, 等. 无人机航空物探技术研发应用现状与展望[J]. 物探化探计算技术, 2016, 38(6):740-745.

[ Cui Zhiqiang, Xu Zhili, Li Junfeng, et al. The R & D application of UAV airborne geophysical survey and its development trend. Computing Techniques for Geophysical and Geochemical Exploration, 2016, 38(6):740-745. ]

[19]
周帅. 无人直升机在民用行业的应用与发展[J]. 舰船电子对抗, 2013, 36(1):117-120.

[ Zhou Shuai. Application and development of unmanned helicopter in civil industry. Shipborad Electronic Countermeasure, 2013, 36(1):117-120. ]

[20]
刘莉, 杜孟尧, 张晓辉, 等. 太阳能/氢能无人机总体设计与能源管理策略研究[J]. 航空学报, 2016, 37(1):144-162.

[ Liu Li, Du Mengyao, Zhang Xiaohui, et al. Conceptual design and energy management strategy for UAV with hybrid solar and hydrogen energy. Acta Aeronautica et Astronautica Sinica, 2016, 37(1):144-162. ]

[21]
Wang J J, Jiang C X, Han Z, et al. Taking drones to the next level: Cooperative distributed unmanned-aerial-vehicular networks for small and mini drones[J]. IEEE Vehicular Technology Magazine, 2017, 12(3):73-82.

DOI

[22]
孙杰, 林宗坚, 崔红霞. 无人机低空遥感监测系统[J]. 遥感信息, 2003, 18(1):49-50, 27.

[ Sun Jie, Lin Zongjian, Cui Hongxia, et al. Low-altitide UAV remote sensing monitoring system. Remote Sensing Information, 2003, 18(1):49-50, 27. ]

[23]
李月, 杨灿坤, 周春平, 等. 无人机载高光谱成像设备研究及应用进展[J]. 测绘通报, 2019(9):1-6, 17.

[ Li Yue, Yang Cankun, Zhou Chunping, et al. Advance and application of UAV hyperspectral imaging equipment. Bulletin of Surveying and Mapping, 2019(9):1-6, 17. ]

[24]
Hu T, Sun X L, Su Y J, et al. Development and performance evaluation of a very low-cost UAV-lidar system for forestry applications[J]. Remote Sensing, 2021, 13(1):77. doi: 10.3390/rs13010077.

DOI

[25]
王岩飞, 刘畅, 詹学丽, 等. 无人机载合成孔径雷达系统技术与应用[J]. 雷达学报, 2016, 5(4):333-349.

[ Wang Yanfei, Liu Chang, Zhan Xueli, et al. Technology and applications of UAV synthetic aperture radar system. Journal of Radars, 2016, 5(4):333-349. ]

[26]
汪沛, 罗锡文, 周志艳, 等. 基于微小型无人机的遥感信息获取关键技术综述[J]. 农业工程学报, 2014, 30(18):1-12.

[ Wang Pei, Luo Xiwen, Zhou Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV. Transactions of the CSAE, 2014, 30(18):1-12. ]

[27]
丁丽霞, 周斌, 王人潮. 遥感监测中 5 种相对辐射校正方法研究[J]. 浙江大学学报(农业与生命科学版), 2005, 31(3):269-276.

[ Ding Lixia, Zhou Bin, Wang Renchao. Comparison of five relative radiometric normalization techniques for remote sensing monitoring. Journal of Zhejiang University (Agriculture and Life Sciences), 2005, 31(3):269-276. ]

[28]
邢宇. 小波变换在遥感图像相对辐射校正中的应用[J]. 测绘与空间地理信息, 2015, 38(6):13-14, 31.

[ Xing Yu. Application of wavelet transform in relative radiometric correction of remote sensing image. Geomatics & Spatial Information Technology, 2015, 38(6):13-14, 31. ]

[29]
Gore Biday S, Bhosle U. Relative radiometric correction of multitemporal satellite imagery using Fourier and wavelet transform[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(2):201-213.

DOI

[30]
Li W Z, Sun K M, Li D R, et al. Algorithm for automatic image dodging of unmanned aerial vehicle images using two-dimensional radiometric spatial attributes[J]. Journal of Applied Remote Sensing, 2016, 10(3):036023. doi: 10.1117/1.JRS.10.036023.

DOI

[31]
李德仁, 童庆禧, 李荣兴, 等. 高分辨率对地观测的若干前沿科学问题[J]. 中国科学: 地球科学, 2012, 42(6):805-813.

[ Li Deren, Tong Qingxi, Li Rongxing, et al. Some frontier scientific questions on high-resolution Earth observation. Scientia Sinica Terrae, 2012, 42(6):805-813. ]

[32]
李焱. 无人机遥感摄影图像处理[D]. 上海: 华东师范大学, 2009.

[ Li Yan. Image processing of unmanned helicopter remote sensing. Shanghai, China: East China Normal University, 2009. ]

[33]
Leese J A, Novak C S, Clark B B. An automated technique for obtaining cloud motion from geosynchronous satellite data using cross correlation[J]. Journal of Applied Meteorology and Climatology, 1971, 10(1):118-132.

[34]
Barnea D I, Silverman H F. A class of algorithms for fast digital image registration[J]. IEEE Transactions on Computers, 1972, 100(2):179-186.

[35]
Mohammed H M, El-Sheimy N. A descriptor-less well-distributed feature matching method using geometrical constraints and template matching[J]. Remote Sensing, 2018, 10(5):747. doi: 10.3390/rs10050747.

DOI

[36]
贾迪, 朱宁丹, 杨宁华, 等. 图像匹配方法研究综述[J]. 中国图象图形学报, 2019, 24(5):677-699.

[ Jia Di, Zhu Ningdan, Yang Ninghua, et al. Image matching methods. Journal of Image and Graphics, 2019, 24(5):677-699. ]

[37]
付波. 基于GPU 的 SIFT 和 SURF 算法的研究与实现[D]. 广州: 广东工业大学, 2014.

[ Fu Bo. Research and realization on SIFT and SURF algorithm based on GPU. Guangzhou, China: Guangdong University of Technology, 2014. ]

[38]
Yao H, Qin R J, Chen X Y. Unmanned aerial vehicle for remote sensing applications: A review[J]. Remote Sensing, 2019, 11(12):1443. doi: 10.3390/rs11121443.

DOI

[39]
Jay S, Maupas F, Bendoula R, et al. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping[J]. Field Crops Research, 2017, 210:33-46.

DOI

[40]
Xu Z, Shen X, Cao L, et al. Tree species classification using UAS-based digital aerial photogrammetry point clouds and multispectral imageries in subtropical natural forests[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 92:102173. doi: 10.1016/j.jag.2020.102173.

DOI

[41]
Hyyppä E, Hyyppä J, Hakala T, et al. Under-canopy UAV laser scanning for accurate forest field measurements[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 164:41-60.

DOI

[42]
Yu F J, Liu Y F, Fan L Q, et al. Design and implementation of atmospheric multi-parameter sensor for UAV-based aerosol distribution detection[J]. Sensor Review, 2017, 37(2):196-210.

DOI

[43]
García-Santos V, Cuxart J, Jiménez MA, et al. Study of temperature heterogeneities at sub-kilometric scales and influence on surface: Atmosphere energy interactions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 57(2):640-654.

DOI

[44]
Hoffmann H, Nieto H, Jensen R, et al. Estimating evaporation with thermal UAV data and two-source energy balance models[J]. Hydrology and Earth System Sciences, 2016, 20(2):697-713.

DOI

[45]
Webster C, Westoby M, Rutter N, et al. Three-dimensional thermal characterization of forest canopies using UAV photogrammetry[J]. Remote Sensing of Environment, 2018, 209:835-847.

DOI

[46]
Yu N, Li L J, Schmitz N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187:91-101.

DOI

[47]
Park J Y, Muller-Landau H C, Lichstein J W, et al. Quantifying leaf phenology of individual trees and species in a tropical forest using unmanned aerial vehicle (UAV) images[J]. Remote Sensing, 2019, 11(13):1534. doi: 10.3390/rs11131534.

DOI

[48]
Hsu W L, Jhuang J Y, Chen Y S, et al. Use of unmanned aerial vehicle to execute water conservation design for hillsides[J]. Sensors and Materials, 2019, 31(1):221-232.

DOI

[49]
Li X X, Yang Q, Chen Z B, et al. Visible defects detection based on UAV-based inspection in large-scale photovoltaic systems[J]. IET Renewable Power Generation, 2017, 11(10):1234-1244.

DOI

[50]
Puliti S, Breidenbach J, Astrup R. Estimation of forest growing stock volume with UAV laser scanning data: Can it be done without field data?[J]. Remote Sensing, 2020, 12(8):1245. doi: 10.3390/rs12081245.

DOI

[51]
Maes W H, Steppe K. Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture[J]. Trends in Plant Science, 2019, 24(2):152-164.

DOI

[52]
Yang G J, Liu J G, Zhao C J, et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: Current status and perspectives[J]. Frontiers in Plant Science, 2017, 8:1111. doi: 10.3389/fpls.2017.01111.

DOI

[53]
Liu H Y, Zhu H C, Wang P. Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyperspectral data[J]. International Journal of Remote Sensing, 2017, 38:2117-2134.

DOI

[54]
Yue J, Feng H, Jin X, et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera[J]. Remote Sensing, 2018, 10(7):1138. doi: 10.3390/rs10071138.

DOI

[55]
Zhang N, Zhang X L, Yang G J, et al. Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images[J]. Remote Sensing of Environment, 2018, 217:323-339.

DOI

[56]
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[J]. 农业工程学报, 2018, 34(17):68-75, 301.

[ Yang Wenpan, Li Changchun, Yang Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery. Transactions of the CSAE, 2018, 34(17):68-75, 301. ]

[57]
Zarco-Tejada P J, González-Dugo V, Berni J A J. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera[J]. Remote Sensing of Environment, 2012, 117:322-337.

DOI

[58]
Peña J M, Torres-Sánchez J, de Castro A I, et al. Weed mapping in early-season maize fields using object-based analysis of unmanned aerial vehicle (UAV) images[J]. PLoS One, 2013, 8(10):e77151. doi: 10.1371/journal.pone.0077151.

DOI

[59]
Zhou C Q, Yang G J, Liang D, et al. An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8):4618-4632.

DOI

[60]
赵国帅. 无人机遥感在林业中的应用与需求分析[J]. 福建林业科技, 2017, 44(1):136-140.

[ Zhao Guoshuai. Application and demand analysis of unmanned aerial vehicle remote sensing in forestry. Journal of Fujian Forestry Science and Technology, 2017, 44(1):136-140. ]

[61]
郭庆华, 刘瑾, 陶胜利, 等. 激光雷达在森林生态系统监测模拟中的应用现状与展望[J]. 科学通报, 2014, 59(6):459-478.

[ Guo Qinghua, Liu Jin, Tao Shengli, et al. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling. Chinese Science Bulletin, 2014, 59(6):459-478. ]

[62]
轩俊伟, 郑江华, 倪亦非, 等. 基于动力三角翼平台的草原鼠害遥感监测研究[J]. 中国植保导刊, 2015, 35(2):52-55.

[ Xuan Junwei, Zheng Jianghua, Ni Yifei, et al. Research on remote sensing monitoring of grassland rodents based on power delta wing platform. China Plant Protection, 2015, 35(2):52-55. ]

[63]
李风贤. 无人机技术在草原生态遥感监测中的应用与探讨[J]. 测绘通报, 2017(7):99-102, 107.

[ Li Fengxian. Application and discussion of UAV technology in ecological remote sensing monitoring of grassland. Bulletin of Surveying and Mapping, 2017(7):99-102, 107. ]

[64]
张增, 王兵, 伍小洁, 等. 无人机森林火灾监测中火情检测方法研究[J]. 遥感信息, 2015, 30(1):107-110, 124.

[ Zhang Zeng, Wang Bing, Wu Xiaojie, et al. An algorithm of forest fire detection based on UAV remote sensing. Remote Sensing Information, 2015, 30(1):107-110, 124. ]

[65]
张严风, 赵璠, 寇卫利, 等. 无人机在林业灾害监测中的应用[J]. 世界林业研究, 2020, 33(2):62-67.

[ Zhao Yanfeng, Zhao Fan, Kou Weili, et al. Application of UAV to forestry disaster monitoring. World Forestry Research, 2020, 33(2):62-67. ]

[66]
Zhang Y, Yuan X X, Li W Z, et al. Automatic power line inspection using UAV images[J]. Remote Sensing, 2017, 9(8):824. doi: 10.3390/rs9080824.

DOI

[67]
Menéndez O, Pérez M, Auat Cheein F. Visual-based positioning of aerial maintenance platforms on overhead transmission lines[J]. Applied Sciences, 2019, 9(1):165. doi: 10.3390/app9010165.

DOI

[68]
Yang J T, Kang Z Z. Voxel-based extraction of transmission lines from airborne LiDAR point cloud data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(10):3892-3904.

DOI

[69]
Jiang S, Jiang W S, Huang W, et al. UAV-based oblique photogrammetry for outdoor data acquisition and offsite visual inspection of transmission line[J]. Remote Sensing, 2017, 9(3):278. doi: 10.3390/rs9030278.

DOI

[70]
Chen C, Yang B, Song S, et al. Automatic clearance anomaly detection for transmission line corridors utilizing UAV-borne LIDAR data[J]. Remote Sensing, 2018, 10(4):613. doi: 10.3390/rs10040613.

DOI

[71]
王柯, 付怡然, 彭向阳, 等. 无人机低空遥感技术进展及典型行业应用综述[J]. 测绘通报, 2017(S1):79-83.

[ Wang Ke, Fu Yiran, Peng Xiangyang, et al. Overview of UAV low altitude remote sensing technology and application in typical industries. Bulletin of Surveying and Mapping, 2017(S1):79-83. ]

[72]
韩宇. 基于旋翼无人机倾斜摄影测量的城市三维实景建模研究[J]. 测绘与空间地理信息, 2019, 42(4):175-178.

[ Han Yu. Research of 3D city modeling based on unmanned gyroplane's oblique photogrammetry. Geomatics & Spatial Information Technology, 2019, 42(4):175-178. ]

[73]
刘文清, 谢品华, 胡肇焜, 等. 大气环境高灵敏光谱探测技术[J]. 环境监控与预警, 2019, 11(5):1-7.

[ Liu Wen-qing, Xie Pinhua, Hu Zhaokun, et al. High-sensitivity spectroscopic techniques for atmospheric environment monitoring. Environmental Monitoring and Forewarning, 2019, 11(5):1-7. ]

[74]
Karion A, Sweeney C, Wolter S, et al. Long-term greenhouse gas measurements from aircraft[J]. Atmospheric Measurement Techniques, 2013, 6(3):511-526.

DOI

[75]
Mori T, Hashimoto T, Terada A, et al. Volcanic plume measurements using a UAV for the 2014 Mt. Ontake eruption[J]. Earth, Planets and Space, 2016, 68(1):49. doi: 10.1186/s40623-016-0418-0.

DOI

[76]
Villa T F, Salimi F, Morton K, et al. Development and validation of a UAV based system for air pollution measurements. Sensors, 2016, 16(12):2202. doi: 10.3390/s16122202.

DOI

[77]
Merlaud A, Tack F, Constantin D, et al. The small whiskbroom imager for atmospheric compositioN monitorinG (SWING) and its operations from an unmanned aerial vehicle (UAV) during the AROMAT campaign[J]. Atmospheric Measurement Techniques, 2018, 11(1):551-567.

DOI

[78]
Andrews S J, Carpenter L J, Apel E C, et al. A comparison of very short lived halocarbon (VSLS) and DMS aircraft measurements in the tropical west Pacific from CAST, ATTREX and CONTRAST[J]. Atmospheric Measurement Techniques, 2016, 9(10):5213-5225.

DOI

[79]
Fan X M, Xu Q, Scaringi G, et al. The "long" runout rock avalanche in Pusa, China, on August 28, 2017: A preliminary report[J]. Landslides, 2019, 16(1):139-154.

DOI

[80]
Fan X M, Xu Q, Alonso-Rodriguez A, et al. Successive landsliding and damming of the Jinsha River in eastern Tibet, China: Prime investigation, early warning, and emergency response[J]. Landslides, 2019, 16(5):1003-1020.

DOI

[81]
程多祥. 无人机移动测量数据快速获取与处理[M]. 北京: 测绘出版社, 2015.

[ Cheng Duoxiang. Fast acquisition and processing of UAV aerial photogrammetry data. Beijing, China: Surveying and Mapping Publishing House, 2015. ]

[82]
Fan X M, Scaringi G, Korup O, et al. Earthquake‐induced chains of geologic hazards: Patterns, mechanisms, and impacts[J]. Reviews of Geophysics, 2019, 57(2):421-503.

DOI

[83]
Matasci B, Stock G M, Jaboyedoff M, et al. Assessing rockfall susceptibility in steep and overhanging slopes using three-dimensional analysis of failure mechanisms[J]. Landslides, 2018, 15(5):859-878.

DOI

[84]
Shi W Z, Deng S S, Xu W B. Extraction of multi-scale landslide morphological features based on local Gi* using airborne LiDAR-derived DEM[J]. Geomorphology, 2018, 303:229-242.

DOI

[85]
Zhang Y C, Yue P, Zhang G K, et al. Augmented reality mapping of rock mass discontinuities and rockfall susceptibility based on unmanned aerial vehicle photogrammetry[J]. Remote Sensing, 2019, 11(11):1311. doi: 10.3390/rs11111311.

DOI

[86]
Fernández T, Pérez J L, Cardenal J, et al. Analysis of landslide evolution affecting olive groves using UAV and photogrammetric techniques[J]. Remote Sensing, 2016, 8(10):837. doi: 10.3390/rs8100837.

DOI

[87]
Li M H, Zhang L, Dong J, et al. Characterization of pre-and post-failure displacements of the Huangnibazi landslide in Li County with multi-source satellite observations[J]. Engineering Geology, 2019, 257:105140. doi: 10.1016/j.enggeo.2019.05.017.

DOI

[88]
Scaioni M, Longoni L, Melillo V, et al. Remote sensing for landslide investigations: An overview of recent achievements and perspectives[J]. Remote Sensing, 2014, 6(10):9600-9652.

DOI

[89]
Turner D, Lucieer A, de Jong S. Time series analysis of landslide dynamics using an unmanned aerial vehicle (UAV)[J]. Remote Sensing, 2015, 7:1736-1757.

DOI

[90]
许强, 董秀军, 李为乐. 基于天—空—地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报(信息科学版), 2019, 44(7):957-966.

[ Xu Qiang, Dong Xiujun, Li Weile. Integrated space-air-ground early detection, monitoring and warning systerm for potential catastrophic geohazards. Geomatics and Information Science of Wuhan University, 2019, 44(7):957-966. ]

[91]
Liao X H, Zhang Y, Su F Z, et al. UAVs surpassing satellites and aircraft in remote sensing over China[J]. International Journal of Remote Sensing, 2018, 39(21):7138-7153.

DOI

[92]
龚健雅, 季顺平. 摄影测量与深度学习[J]. 测绘学报, 2018, 47(6):693-704.

[ Gong Jianya, Ji Shunping. Photogrammetry and deep learning. Acta Geodaetica et Cartographica Sinica, 2018, 47(6):693-704. ]

[93]
Zhong J Y, Yang B, Huang G Y, et al. Remote sensing image fusion with convolutional neural network[J]. Sensing and Imaging, 2016, 17(1):10. doi: 0.1007/s11220-016-0135-6.

DOI

[94]
Yuan Y, Zheng X T, Lu X Q. Hyperspectral image superresolution by transfer learning[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(5):1963-1974.

DOI

[95]
Huang W, Xiao L, Wei Z H, et al. A new pan-sharpening method with deep neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(5):1037-1041.

DOI

[96]
Vetrivel A, Gerke M, Kerle N, et al. Disaster damage detection through synergistic use of deep learning and 3D point cloud features derived from very high resolution oblique aerial images, and multiple-kernel-learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 140:45-59.

DOI

Options
文章导航

/

〈 〉