📚 课程目录第2章农业无人机数据基础

2、农业无人机数据基础：多光谱、RGB、热红外、LiDAR等传感器原理与数据特点，常见数据格式（TIFF、JPEG、LAS等）与坐标系

农业无人机作业的最终产出并非飞行本身，而是可被分析、建模与决策的数据。理解不同传感器的成像原理、数据格式与坐标系，是进行作物长势反演、病虫害识别、产量预测及变量作业的基础。本章将系统拆解多光谱、RGB、热红外与LiDAR四种主流传感器的物理原理、数据特性、典型应用场景及其在农业中的局限，并梳理常见数据格式与坐标系的底层逻辑。

2.1 多光谱传感器：作物生理生化反演的核心工具

核心原理

多光谱传感器通过滤光片或分光元件，将入射光分解为多个窄波段（带宽通常为10-50nm），分别记录蓝光（450nm）、绿光（560nm）、红光（660nm）、红边（730nm）和近红外（840nm）等波段的反射率。其物理基础在于：植物叶绿素在红光波段强吸收、在近红外波段高反射，红边波段对叶绿素含量和物候变化极为敏感。因此，多光谱数据能够直接计算NDVI、NDRE、GNDVI等植被指数，用于反演叶面积指数、叶绿素含量、氮素营养状况等关键农学参数。

判断方法与操作流程

波段选择：根据作物类型和生育期选择合适波段组合。例如，水稻分蘖期关注NDVI，而抽穗期更需NDRE（红边指数）来监测氮素。
辐射定标：使用反射率靶标（如MicaSense的反射率校准板）在飞行前后各拍摄一次，将DN值转换为反射率，消除光照变化影响。
影像拼接：使用Pix4Dmapper或Agisoft Metashape进行空中三角测量和正射拼接，生成带地理坐标的正射影像（DOM）。

波段名称	中心波长	带宽	主要农业应用
蓝光	475nm	20nm	大气校正、水体识别
绿光	560nm	20nm	叶绿素敏感性辅助
红光	668nm	10nm	叶绿素吸收、NDVI计算
红边	717nm	10nm	氮素监测、物候识别
近红外	842nm	40nm	生物量估算、冠层结构

实战提示：多光谱数据务必保存为16bit TIFF格式，避免8bit JPEG带来的反射率精度损失。飞行时保持云下光照稳定，尽量在正午前后2小时内采集，减少太阳高度角变化带来的误差。

2.2 RGB可见光相机：低成本高分辨率的表型获取

核心原理

RGB相机模拟人眼感知，通过拜耳阵列滤色器获取红、绿、蓝三个通道的强度信息。其空间分辨率远高于多光谱传感器（同等飞行高度下，RGB可达2cm/像素，而多光谱通常为5-10cm/像素）。在农业中，RGB影像主要用于构建高精度数字表面模型（DSM）、识别行垄结构、检测倒伏区域、统计出苗率以及进行果实计数等。

操作流程与关键参数

重叠率设置：航向重叠率≥80%，旁向重叠率≥60%，确保特征点匹配充足。
快门优先：设置快门速度≥1/1000s，避免运动模糊；ISO控制在100-400之间，降低噪点。
畸变校正：使用相机标定文件（如Lens Profile）进行镜头畸变校正，保证拼接精度。

  案例拆解：某柑橘园使用大疆P4 Multispectral（含RGB镜头）进行果树计数。初始方案仅用RGB影像，因树冠重叠严重导致计数误差达15%。后引入多光谱NDVI进行树冠分割，将RGB影像与NDVI掩膜叠加，误差降至3%以内。关键操作：先对RGB影像进行SfM重建生成DSM，再以NDVI>0.4为阈值提取植被区域，最后结合分水岭算法分离粘连树冠。

2.3 热红外传感器：水分胁迫与灌溉决策的依据

核心原理

热红外传感器（通常为微测辐射热计）探测物体发射的8-14μm长波红外辐射，将其转换为温度值。植物冠层温度受蒸腾作用调控：当水分充足时，蒸腾带走热量使冠层温度低于气温；当水分亏缺时，气孔关闭，冠层温度升高。因此，冠层温度与气温的差值（CTD）是判断作物水分胁迫状态的重要指标。

数据特点与处理要点

辐射定标：热红外数据需通过黑体校准和发射率校正（作物发射率通常设为0.95-0.98）转换为真实温度。
环境干扰：土壤背景温度远高于冠层，需结合RGB或多光谱影像剔除土壤像元。
时间同步：热红外传感器帧率较低（通常9-30Hz），需与GNSS/IMU时间戳严格同步，否则会造成温度定位偏移。

常见误区：不要直接使用热红外相机输出的“温度”进行跨日比较。不同时间、不同太阳辐射下的温度差异大，应使用温度差（冠层-空气）或温度胁迫指数（CWSI）进行归一化处理。

2.4 LiDAR激光雷达：三维结构与生物量估算

核心原理

LiDAR通过发射近红外激光脉冲（通常为905nm或1550nm），测量脉冲从发射到接收的时间差来计算目标距离。多次回波技术可同时记录冠层顶部、中层和地面的反射信号，从而获取植被垂直结构信息。在农业中，LiDAR主要用于树高测量、冠层体积估算、生物量反演以及地形测绘（去除植被后的数字高程模型DEM）。

数据格式与处理流程

# LiDAR点云处理典型流程（使用LAStools）
lasinfo input.las          # 查看点云基本信息
lasground -i input.las -o ground.las   # 地面点分类
lasheight -i input.las -o height.las   # 计算点云高度
las2dem -i ground.las -o dem.tif       # 生成DEM
las2dem -i height.las -o chm.tif       # 生成冠层高度模型

数据格式	压缩率	适用场景	注意事项
LAS	无压缩	原始点云分析	文件体积大，单架次可达2-5GB
LAZ	约10:1	存储与传输	需LASzip库支持
GeoTIFF	—	栅格化产品（CHM/DSM）	需指定像元大小和插值方法

2.5 坐标系与地理配准：数据融合的基石

核心原理

农业无人机数据必须具有统一的空间参考才能进行多源数据融合和时序对比。常用坐标系包括：WGS84（GPS原生坐标系，经纬度表示）、UTM（通用横轴墨卡托投影，以米为单位，便于面积计算）、CGCS2000（中国国家大地坐标系，与WGS84差异极小）。

坐标系转换与配准流程

原始数据定位：无人机POS系统记录每张影像的外方位元素（X,Y,Z,ω,φ,κ），基于WGS84坐标系。
投影转换：在Pix4D或QGIS中将WGS84经纬度转换为UTM投影坐标，确保距离和面积计算准确。
地面控制点（GCP）校正：布设4-6个GCP（使用RTK测量），将拼接影像的精度提升至厘米级。
多源数据配准：将多光谱、热红外、LiDAR数据统一重采样到同一分辨率（如5cm）和同一投影坐标系。

  实战案例：某小麦育种试验田需融合多光谱NDVI与LiDAR株高数据进行产量预测。初始数据：多光谱影像为WGS84经纬度坐标，LiDAR点云为UTM 50N投影。处理步骤：①在QGIS中将多光谱影像使用GDAL的gdalwarp工具重投影至UTM 50N；②将LiDAR点云栅格化为5cm分辨率CHM；③使用最近邻法将NDVI重采样至5cm；④逐像元提取NDVI和株高值，构建回归模型。结果：融合后模型R²=0.78，较单一数据源提升0.15。关键教训：必须确保两种数据的地面控制点一致，否则会出现空间错位。

风险提示：不同来源的DEM（如SRTM、ASTER）与无人机LiDAR DEM之间存在系统性垂直偏差，进行地形校正时务必使用同一基准面（如EGM96大地水准面）。

2.6 常见数据格式对比与选型建议

格式	位深	压缩	地理参考	适用场景	推荐工具
GeoTIFF	16bit	无损/有损	内嵌	多光谱反射率、指数图	QGIS、GDAL
JPEG	8bit	有损	需外部文件	快速浏览、报告展示	Pix4D、DJI Terra
LAS/LAZ	32bit浮点	LAZ有损	内嵌	LiDAR点云分析	CloudCompare、LAStools
R-JPEG	16bit	有损	需外部文件	热红外温度矩阵	FLIR Tools、MATLAB

选型建议：用于科学分析和建模的数据一律使用GeoTIFF（16bit）或LAS原始格式；用于客户汇报和移动端展示可使用JPEG（质量90%以上）；热红外数据优先保存R-JPEG或TIFF，避免二次压缩丢失温度精度。

2.7 总结复盘与常见误区

误区一：认为RGB影像可以替代多光谱进行植被指数计算。实际上，RGB只能计算可见光指数（如EXG、VARI），对氮素和叶绿素敏感性远低于红边/近红外波段。
误区二：忽略坐标系一致性。不同架次、不同传感器数据若坐标系不统一，后续分析将产生系统性偏差。
误区三：热红外数据直接使用未定标的温度值。必须进行发射率校正和大气补偿。
复盘要点：每次飞行前进行传感器校准（多光谱反射率板、热红外黑体）、飞行中记录光照变化、飞行后检查数据完整性（影像数量、POS精度），形成标准化数据采集SOP。

  核心结论：农业无人机数据质量的决定因素依次为：传感器辐射定标精度 > 空间分辨率 > 坐标系一致性 > 时间同步精度。掌握各传感器的物理原理和数据格式特性，是进行后续高级分析（如AI病虫害识别、产量预测模型）的前提条件。