2、无人机数据采集基础：无人机类型、传感器及数据特点

无人机数据采集是遥感与测绘技术向低成本、高频次、高分辨率方向演进的重要分支。理解不同无人机平台的结构特性、各类传感器的物理原理以及最终数据的格式与精度特征，是进行工具选型与后续分析的前提。本章将围绕“平台—载荷—数据”三条主线展开，帮助学员建立从任务需求到数据获取的完整认知框架。

2.1 无人机平台类型与选型逻辑

2.1.1 三类主流平台的核心原理

多旋翼无人机依靠多个旋翼产生的升力差实现飞行控制，典型构型为四旋翼、六旋翼和八旋翼。其核心优势在于垂直起降、空中悬停和低速机动能力，适合对单一目标进行多角度、多高度的精细采集。但受限于电池能量密度，多旋翼的续航时间普遍在15至40分钟之间，单架次覆盖面积有限。

固定翼无人机通过机翼产生升力，依靠前进速度维持飞行，气动效率远高于旋翼机型。在同等电池或燃油条件下，固定翼的航时可达1至3小时，巡航速度通常在60至120 km/h，单架次可覆盖数十平方公里。其代价是需要跑道或弹射/伞降等辅助起降方式，且无法悬停。

垂直起降固定翼（VTOL）融合了两者优势：起飞和降落阶段使用旋翼提供升力，巡航阶段切换至固定翼模式。这种构型既解决了固定翼对跑道的依赖，又保留了长航时、大范围的作业能力，是目前大面积测绘和巡检任务的主流选择。

2.1.2 平台选型的判断流程

在实际项目中，平台选型应遵循“任务需求→环境约束→载荷匹配→成本核算”的四步判断法：

1. 明确任务面积与精度要求：若单次任务面积小于2 km²且需要高重叠率精细建模，优先考虑多旋翼；若面积超过5 km²且精度要求为常规正射级别，固定翼或VTOL更合适。
2. 评估起降场地与空域环境：城市峡谷、林地、山区等复杂地形建议选择多旋翼或VTOL；开阔平原且具备跑道条件时可选用固定翼。
3. 匹配传感器重量与供电需求：LiDAR系统通常重1.5~4 kg，需搭配六轴以上多旋翼或大型固定翼；轻量级RGB相机（<300g）则可适配绝大多数平台。
4. 核算综合成本：包括机体价格、维护费用、电池/燃油消耗、保险与培训成本。固定翼的初期投入较高，但单位面积作业成本更低。

2.1.3 实战场景：某农业植保公司的平台选型

某农业科技公司需要为5000亩农田提供每周一次的作物长势监测服务。初始方案采用多旋翼+多光谱相机，单架次飞行15分钟覆盖约200亩，完成全部农田需要25架次，耗时2天且电池更换频繁。后改用垂直起降固定翼搭载同款多光谱传感器，单架次飞行50分钟覆盖1200亩，仅需5架次即可完成全部作业，时间缩短至半天。虽然VTOL单机成本高出约60%，但考虑到人工成本、时间窗口和电池损耗，综合成本反而降低了约35%。

2.2 传感器类型与数据特征

2.2.1 可见光传感器（RGB）

可见光传感器模拟人眼感知，获取红、绿、蓝三个波段的反射光强度，输出真彩色影像。其核心价值在于提供高空间分辨率的纹理信息，是三维重建、目标识别和变化检测的基础数据源。消费级相机（如DJI P1、索尼A7R系列）像素可达4500万以上，配合高重叠率航拍，可生成分辨率优于2 cm的正射影像和实景三维模型。

可见光数据的处理重点在于色彩一致性和几何精度。不同架次、不同光照条件下获取的影像存在色差，需要通过匀色处理消除；几何精度则依赖POS数据（位置与姿态系统）和地面控制点进行联合平差。

2.2.2 多光谱传感器

多光谱传感器在可见光基础上增加了红边和近红外波段，典型配置为5~10个窄波段（带宽10~50 nm）。其物理基础是植被叶绿素在红光波段强吸收、在近红外波段高反射的特性。通过计算归一化植被指数（NDVI）、增强型植被指数（EVI）等，可以定量反演作物长势、叶面积指数和生物量。

多光谱数据采集对环境光照变化极为敏感，作业时需满足以下条件：

• 太阳高度角大于30°，避免低角度光照造成的阴影干扰；
• 天气晴朗无云或薄云，光照变化小于10%；
• 飞行前需采集白板校准数据，用于辐射定标；
• 同一任务尽量在2小时内完成，减少太阳角度变化影响。

2.2.3 热红外传感器

热红外传感器探测物体发射的长波红外辐射（通常为8~14 μm），将其转换为温度值。无人机搭载的热像仪分辨率较低（通常为640×512或384×288像素），但配合低空飞行（30~80 m）仍可获得厘米级空间分辨率的温度分布图。典型应用包括：建筑能耗检测、光伏组件热斑排查、山火监测、水体热污染调查等。

热红外数据处理的特殊之处在于发射率校正和大气衰减补偿。不同材质（金属、混凝土、植被、水体）的发射率差异显著，直接读取的温度值可能偏差5~10°C，必须结合实测地表温度进行校正。

2.2.4 LiDAR传感器

LiDAR（激光雷达）通过发射激光脉冲并测量回波时间来计算目标距离，生成三维点云。无人机LiDAR系统通常采用1064 nm近红外激光，具备多次回波记录能力，可穿透植被冠层获取地面点。其核心优势在于直接获取高精度三维坐标，无需依赖影像匹配，尤其适合茂密植被覆盖区的地形测绘、电力线巡检和矿山测量。

LiDAR数据的关键质量指标包括：

• 点密度：每平方米点数（pts/m²），地形测绘一般要求≥10 pts/m²；
• 高程精度：典型值为5~15 cm（含POS误差）；
• 回波次数：单回波/多次回波，多次回波对植被穿透至关重要；
• 强度值：记录目标反射率，可用于地物分类辅助。

2.3 数据特点与质量评估

2.3.1 无人机数据的共性特征

与卫星遥感或有人机航测相比，无人机数据具有三个显著特征：高空间分辨率（厘米级）、高时间灵活性（按需采集）、高数据冗余度（影像重叠率通常达70%~90%）。这些特征带来了更丰富的信息量，但也对数据存储、处理算力和算法鲁棒性提出了更高要求。

以1 km²区域、5 cm GSD的正射采集为例，约需拍摄600~800张影像，原始数据量达50~100 GB，处理后的正射影像和DSM数据约为2~5 GB。若采用LiDAR采集，点云数据量可达1~3亿点，LAS文件约5~15 GB。

2.3.2 数据质量评估的关键指标

在数据采集完成后、进入分析流程之前，必须进行严格的质量检查。以下是五项核心指标：

1. 地面分辨率（GSD）：GSD = 飞行高度 × 传感器像元尺寸 / 镜头焦距。GSD应满足任务精度要求，例如1:500地形图要求GSD≤5 cm。
2. 影像重叠率：航向重叠率应≥75%，旁向重叠率应≥60%。重叠率不足会导致空三失败或模型空洞。
3. POS精度：RTK/PPK模式下定位精度应优于5 cm，姿态精度优于0.02°。若使用非RTK无人机，需布设足够的地面控制点。
4. 辐射质量：影像不应出现过曝、欠曝或明显色偏，多光谱数据需检查各波段直方图分布。
5. 点云密度与覆盖：LiDAR点云应无大面积空洞，地面点密度满足规范要求。

2.3.3 案例拆解：某光伏电站的热红外巡检数据问题

某光伏电站使用多旋翼搭载热红外相机进行组件热斑检测，飞行高度设定为60 m，热像仪分辨率为640×512，视场角40°。首轮采集后发现：部分组件的温度数据明显异常，同一组件在不同架次中的温度差高达8°C。

分析过程：首先检查飞行记录，发现两架次飞行时间分别为上午10:00和下午14:00，太阳辐照度差异导致组件温度自然变化。其次，检查热像仪定标状态，发现未进行非均匀性校正（NUC），导致图像存在固定图案噪声。最后，对比地面实测温度，发现热像仪默认发射率设为0.95，而光伏玻璃的实际发射率约为0.85，造成系统性温度低估。

解决方案：将飞行时间统一安排在正午前后1小时内；起飞前执行NUC校正；将发射率参数修改为0.85并重新处理原始数据。处理后温度偏差从8°C降至1.5°C以内，满足热斑检测的精度要求。

复盘经验：热红外数据采集的误差来源具有叠加性，环境因素、传感器状态和目标物性三者必须同时控制。建议每次任务前记录环境温度、风速、太阳辐照度，并携带一个已知发射率的参考目标（如黑色胶带）用于现场校正。

2.4 常见误区与选型总结

本章总结：无人机数据采集的选型决策应遵循“任务定义→平台选择→传感器匹配→数据质量验证”的完整链路。多旋翼适合精细小范围作业，固定翼适合大范围快速巡查，VTOL是两者的折中方案。可见光提供纹理与几何信息，多光谱提供植被生理信息，热红外提供温度信息，LiDAR提供三维结构信息。理解各类数据的物理意义和精度边界，是后续选择分析工具和算法的基础。建议学员在完成本章学习后，结合自身业务场景，绘制一张“任务需求—平台—传感器—数据产品”的映射表，作为项目启动时的快速参考工具。