作物胁迫的检测和监测对于确保充足和可持续的作物生产至关重要。无人机(UAV)技术的最新进展为绘制指示胁迫的作物关键性状提供了一种有前途的方法。虽然使用安装在无人机上的单个光学传感器在一般意义上足以监测作物状态，但实现覆盖各种光谱光学域的多个传感器可以更精确地表征作物与生物或非生物胁迫源之间的相互作用。鉴于作物胁迫检测的协同传感器技术的新颖性，目前缺乏概述其最佳使用的标准化程序。本研究探讨了获取高质量多传感器数据的关键方面，包括任务规划、传感器特性和辅助数据的重要性。它还详细介绍了基本的数据预处理步骤，如大气校正，并强调了数据融合和质量控制的最佳实践。成功的多传感器数据采集取决于最佳时机、适当的传感器校准以及辅助数据(如地面控制点和气象站信息)的使用。当融合不同的传感器数据时，应在物理单位水平上进行，并使用质量标志来排除不稳定或有偏差的测量。本文强调了使用检查清单、考虑光照条件和进行测试飞行以发现潜在隐患的重要性。本文提供了如何结合不同无人机安装的光学传感器的实用信息，并讨论了在作物应力监测背景下图像数据采集和后处理的成熟科学实践。

图1  光学传感器对胁迫检测的协同作用：根据植物开始承受胁迫的时间，不同的传感器组合有助于估计不同的植物性状。当植物性状仍然可以测量，但相关性不如以前时，使用褪色的颜色。ETR电子传递率、ALIA平均叶片倾角、Cab叶片叶绿素a和b含量、Car叶片类胡萝卜素含量、LWC叶片含水量、LAI叶面积指数、RGB红、绿、蓝、VIS可见、NIR近红外、MS多光谱、HS高光谱、SWIR短波红外、SIF太阳诱导荧光。

图2  多传感器无人机战役数据采集过程中注意点概述。

图3  德国Hamerstorf地区作物水分胁迫指数与土壤湿度线性模型的Pearson相关系数(r)日变化及斜率和截距(Lat: 52.91◦，Long: 10.46◦) 。数据来自2019年在水分胁迫期间对一个试验马铃薯田的冠层温度和土壤湿度的地面测量。水分胁迫期分别为:DOY 158 ~ 160、181 ~ 185、208 ~ 210、224 ~ 225(共13 d)，统计量n = 39。在午后早期至中午(12-15 h)，相关性最强，线性模型参数达到相对稳定的值，表明热红外测量值与土壤水分有效性之间存在较强的相关性。这说明了在作物胁迫应用中，在下午早些时候获得TIR测量值的典型建议。

图4  2019年6月HyPlant活动中与760 nm处SIF日测量相关的相对不确定性。研究区域(Lat: 50.6◦，Long: 6.9◦)包括夏季和冬季品种的小麦和大麦，以及甜菜和冬季油菜籽。相对不确定度是SIF检索的不确定度以及与数据预处理和传感器测量本身相关的不确定度的组合。

图5  在同一架无人机在葡萄栽培上空飞行期间获得的MS (a)和TIR (b)传感器数据之间不同视场的示例。

图6 多光谱域无人机数据前后处理的考虑点CRS坐标参考系，RTM辐射传输模型，VI植被指数，ET蒸散，CGM作物生长模型。

图7  不同光谱域标记物的可见性。黄色圆圈表示由铝箔制成的面板，而蓝色圆圈表示带有标记(即带有几何图案的白色正方形)打印输出的面板。在RGB(左)中，两种标记类型都很容易被发现，而标准面板的可见性在热图像(右)中明显受到限制(在线彩色图)。

图8  2020年夏天，在以色列进行的一次番茄加工实验中，无人机在不同的两天观测到的地表温度和NDVI。该图显示了两种不同处理的试验区:右侧区域为充分灌溉(即最佳实践灌溉，对照处理)，左侧区域为充分灌溉的50%。每个地块包括三行作物(外箱)，但灌溉效果仅对中间行(内箱)进行了测量，因为外部行是相邻处理的缓冲。如果在成像之前或期间进行冲洗，与在冲洗之前进行热测量相比，冲洗处理之间的差异可能不那么明显。