飞在田间的智慧引擎：农业无人机全场景应用指南——从地形测绘到作物生长模拟

传统农业生产长期依赖农户主观经验判断，普遍存在地形勘测效率低下、作物长势监测滞后、水肥药管理粗放、自然灾害应对被动等突出痛点，据《农业工程学报》刊发的精准农业发展调研数据显示，我国传统大田农业的水肥利用率较发达国家低15%-20%，病虫害防控滞后造成的作物减产率可达8%-12%[1]。随着低空无人机技术与数字精准农业的深度融合，农业无人机早已突破“空中打药机”的单一功能标签，升级为贯穿农田规划、种植管理、灾情防控、决策优化全生产流程的核心数据采集入口与智能化作业终端。本文将基于无人机航空测绘的核心技术原理，结合行业权威研究成果，全面拆解农业无人机的全场景落地应用，重点解析其在地形测量、作物长势监测、生长模拟与数学建模领域的核心应用价值与科学支撑依据。

从无人机数据中得到作物生长LAI的计算方法和源代码

基于无人机遥感的作物叶面积指数（LAI）监测及其在小尺度农场的应用

WOFOST 模型的无人机数据采集方法

无人机获取作物生长状态数据

无人机多光谱相机工作原理

无人机：检测叶、茎、根和果实的干物质

无人机植被指数优化作物模型的参数方法

卫星和无人机遥感数据之间的关系和融合

一、先搞懂：农业无人机的核心能力——从“空中相机”到“田间数据中枢”

农业无人机的核心价值，本质是通过高效、非接触式的低空航空作业，完成传统人工巡检、地面测量难以实现的全田空间连续数据采集、高精度三维建模与智能化遥感数据分析，为农业规模化、精细化生产提供可量化、可追溯、可优化的科学数字依据。中国农业大学《农业无人机遥感技术规范》研究指出，无人机遥感弥补了地面监测覆盖不全、卫星遥感时空分辨率不足的短板，成为农田全域数据采集的最优载体[2]。

一套完整的农业无人机作业体系，由专业硬件终端与配套数据处理软件两部分构成，软硬件协同作业是实现全场景精准应用的基础，也是保障数据精度、作业效率的核心前提。

1. 核心硬件：适配不同农业场景的无人机终端

根据农田作业的功能需求、作业面积、地形条件差异，农业场景常用的无人机主要分为测绘专用型与多用途应用型两类，机型均搭载高精度飞控系统与专业级遥感采集传感器，可满足不同场景的作业需求，主流核心机型及应用特性均经过行业实践与学术研究验证[3]：

• • 厘米级测绘专用多旋翼无人机：以大疆Phantom 4 RTK、Matrice 300 RTK为代表，搭载RTK实时动态定位与GNSS卫星导航系统，平面测量精度可达±1.5cm，高程精度可达±2cm，实现厘米级的地形测绘与多光谱数据采集，适配中小型农田、丘陵梯田、灌溉工程的精细化测绘作业，相关精度指标符合《农用无人机测绘技术要求》行业标准[4]，是中小型农田规划与灌溉工程设计的主力机型。
• • 大面积作业固定翼无人机：以Sensefly eBee X为代表，具备长航时、高飞行速度、大覆盖范围的优势，单次续航可达90分钟以上，单日作业可覆盖3000亩以上规模化农田，适配大型国营农场、流域级灌溉项目、全域土地整治的大面积数据采集，《农业遥感技术与应用》期刊研究证实，固定翼无人机的大面积作业效率较多旋翼机型提升3倍以上[5]。
• • 农业专用遥感传感设备：除基础可见光高清相机外，农业无人机可搭载多光谱相机（如Parrot Sequoia、MicaSense RedEdge-MX、大疆Phantom 4 Multispectral配套相机）、热红外相机、高光谱相机等专业传感器，可捕捉人眼无法识别的作物光谱反射特征、冠层温度信息，为作物长势反演、养分胁迫、病虫害早期诊断提供核心遥感数据，这一技术原理已被《遥感学报》刊发的作物遥感监测研究证实[6]。

2. 核心软件：从原始数据到可用成果的自动化处理

无人机采集的原始影像、光谱数据，需通过专业测绘与农业分析软件完成预处理、建模、解译流程，才能转化为可直接指导农业生产的数字成果，目前行业主流的处理软件分为通用测绘建模软件与农业专用分析软件两类，其处理流程与应用效果均有相关学术研究支撑[7]。

• • 通用测绘建模软件PIX4D Mapper：可将无人机采集的离散影像数据自动转化为高精度三维地形图、数字高程模型（DEM）与正射影像图，全程实现自动化处理，支持几何校正、点云生成、辐射校正、拼接匀色等全流程处理，处理精度符合农田测绘行业要求，是农田地形测绘、灌溉工程规划、土地平整的核心工具，相关应用成果收录于《测绘科学》农田低空测绘专项研究[8]。
• • 农业专用分析软件PIX4D Fields：专为农田作物监测场景设计，可基于无人机多光谱影像自动生成标准化植被指数地图、作物长势分级热力图，同时同步输出精准施肥、变量灌溉处方图，打通无人机遥感数据与田间精准作业的衔接环节，是连接无人机数据采集与田间管理决策的核心桥梁，其数据分析精度经大田试验验证误差低于5%[9]。

从无人机原始影像到可落地的农业数字成果，核心处理流程可标准化概括为7步：影像数据采集→数据预处理（几何校正、镜头去畸变、辐射定标）→地面特征点提取→高密度点云数据生成→点云滤波与空间配准→三角网格化建模→DEM数字高程模型/正射影像图生成，这一标准化流程是农业无人机全场景应用的通用技术基础，被纳入《农用无人机数据处理技术规范》[10]。

请扫二维码，从书籍中获取更多的灌溉基础知识！

在哪里可以阅读到电子书《现代高效节水灌溉技术》：灌溉行业电子新书📚前沿技术，辅助教学，员工培训，一书搞定。

请下载“微信读书 APP”去，阅读电子书《现代高效节水灌溉技术》（搜索书名）！

二、核心场景1：农田地形测绘——灌溉工程与农田建设的“数字底座”

农田地形、高程、坡度等空间数据，是高标准农田建设、现代化灌溉工程规划、土地整治的核心基础资料，传统人工测量方式难以满足现代农业的精度与效率要求，而无人机低空测绘技术，彻底解决了传统人工测量“效率低、精度差、复杂地形难以全覆盖”的行业痛点，相关应用成效已在全国高标准农田建设项目中得到验证[11]。

1. 传统农田测绘的核心痛点

传统的人工水准测量、全站仪测量等地面测绘方式，单人单日仅能完成30-50亩农田的基础地形勘测，对于丘陵、山地梯田、不规则零散地块，不仅作业效率极低，还极易出现人为读数、操作误差；同时，地面人工测量只能获取离散的点位高程数据，无法完整还原地块的连续三维地形特征，导致灌溉管网设计、土地平整方案与田间实际地形脱节，极易出现“高岗地灌溉不足、低洼地积水内涝”的问题，据农田水利工程调研数据，此类问题造成的灌溉水浪费率可达25%以上[12]。

2. 无人机测绘在灌溉工程中的全流程应用

无人机测绘可在2-4小时内完成上千亩农田的全域数据采集，生成厘米级精度的数字高程模型（DEM），完整还原地块的坡度、坡向、高程差、汇水路径、沟渠走向等全部地形特征，为灌溉工程规划、施工、运维全周期提供精准数字支撑，相关应用成果收录于《中国农村水利水电》核心期刊研究[13]。

• • 前期规划阶段：基于高精度DEM地形数据，可精准设计灌排管网的最优铺设走向，根据田间高程差优化管道管径、水泵扬程与压力补偿方案，有效减少水头损失与输水能耗；同时可借助水文分析模型，模拟不同降雨强度下的地块汇水、积水情况，提前科学设计防洪排涝体系，从源头规避田间内涝风险。
• • 工程施工阶段：通过无人机生成的高精度地形图与土方量计算模型，可实现土地平整的精准施工，精准核算土方开挖、回填、转运量，大幅降低施工物料成本与人工成本；同时可对管网铺设、泵站建设、田间道路修筑的施工进度与工程质量进行全程可视化监测，确保工程施工严格贴合设计标准。
• • 后期运维阶段：通过定期开展无人机复测，可精准监测灌溉工程设施的沉降、破损、堵塞情况，同时结合地块地形微小变化，持续优化灌溉分区与轮灌作业方案，进一步提升灌溉水利用效率，延长灌溉工程使用寿命。

三、核心场景2：作物全周期监测——田间的“全科巡田医生”

作物从播种出苗到成熟收获的全生长周期，长势状态、健康状况、水肥养分需求始终处于动态变化之中，传统人工巡田仅能实现随机抽样检查，无法掌握全田作物的长势空间差异，极易出现“病虫害发现滞后、水肥管理一刀切”的粗放管理问题。而农业无人机可通过高频次、全覆盖、非接触式的低空遥感监测，实时掌握全田作物的生长动态，推动农业田间管理从“经验粗放型”向“数据精准型”转型升级，这一转变效果经大田对比试验得到证实[14]。

1. 作物长势与营养状况监测

这是农业无人机最成熟、应用最广泛的核心场景，核心依托多光谱相机采集的作物冠层光谱反射数据，通过标准化植被指数量化作物长势与养分亏缺状况。其中农业领域最常用、最经典的指标为归一化植被指数（NDVI），其核心计算公式被全球农业遥感领域广泛采用，收录于FAO（联合国粮食及农业组织）农业遥感监测手册[15]：

NDVI = (近红外波段反射率 - 红光波段反射率) / (近红外波段反射率 + 红光波段反射率)

健康旺盛的作物叶片叶绿素含量高，会大量反射近红外光、吸收红光，NDVI数值趋近于1；而长势衰弱、缺肥缺水、发生病害的作物，叶绿素含量下降，红光反射率升高、近红外反射率降低，NDVI数值会显著下降，甚至趋近于0，二者的数值差异可精准反映作物的健康程度，这一光谱响应规律已被多项作物遥感研究证实[16]。

通过PIX4D Fields、AgriSoft等专业农业遥感软件，可自动将无人机采集的多光谱影像转化为NDVI长势热力图，全田作物的长势强弱、养分差异一目了然，同时可基于NDVI数值反演作物的氮素等营养状况，精准识别缺肥、缺水的胁迫区域，替代传统整块农田统一撒肥的粗放模式，为变量施肥作业提供精准数据依据，在减少化肥施用量10%-15%的同时，提升肥料利用率20%以上[17]。

除了基础NDVI指数，无人机还可通过红边波段、热红外波段采集数据，生成NDRE（归一化红边指数）、冠层温度指数、叶面积指数等专项指标，其中NDRE指数更适配作物封垄后的中后期长势监测，冠层温度指数可精准诊断作物水分胁迫，实现作物全生育期的全覆盖、精细化长势监测[18]。

2. 病虫害早期预警与精准防控

作物病虫害的绿色防控核心在于“早发现、早防治、小范围管控”，多数病虫害发生初期，作物尚未出现肉眼可见的枯叶、虫蛀、病斑等症状时，其内部生理结构、叶绿素含量、光谱反射特征已经发生细微变化。无人机多光谱与热红外相机，可精准捕捉这种人眼无法识别的细微光谱差异，提前3-5天识别病虫害的初发区域，实现“点片发生、点片精准施药防治”，避免病虫害大面积扩散蔓延，同时大幅减少农药使用量，降低农药残留与环境污染风险，相关预警精度经大田试验可达85%以上[19]。

3. 产量预估与采收规划

在作物灌浆期、成熟前期，通过无人机采集的冠层光谱、株高、冠层覆盖度等多维度数据，结合大田实测产量数据构建机器学习产量预估模型，可提前2-3个月精准预测地块的总产量与空间分布差异，不仅可为粮食仓储调度、市场销售规划预留充足准备时间，还可针对不同产量等级的区域制定差异化的机械化采收方案，提升采收作业效率，减少田间收获损失，该预估方法的误差可控制在8%以内[20]。

四、核心场景3：无人机数据赋能作物生长模拟与数学模型——从“事后补救”到“事前预判”

如果说地形测绘与作物长势监测，是无人机对农业生产当前状态的精准还原，那么作物生长模拟与数学模型，就是无人机遥感数据对农业生产未来长势、产量的科学预判，这也是数字精准农业从被动管理向主动预判升级的核心方向，相关研究已成为农业信息化领域的热点课题[21]。

1. 什么是作物生长模拟与数学模型？

作物生长数学模型，是通过一系列标准化数学公式，量化模拟作物从播种出苗到成熟收获的全生长发育过程，涵盖光合作用、呼吸消耗、水分吸收转运、养分吸收转化、干物质积累分配、产量形成等核心生理过程，同时耦合气象条件、土壤肥力、作物品种特性等环境参数，最终精准预测作物的生物量、最终产量，以及干旱、缺肥、病虫害等胁迫因素对作物生长的影响程度[22]。

目前全球农业领域主流的作物生长模型，包括WOFOST模型、DSSAT模型、APSIM模型，以及用于作物需水量精准计算的FAO Penman-Monteith公式、用于作物养分吸收模拟的QUEFTS模型等，均为农业领域经典的成熟模型。但长期以来，这类模型的田间落地应用面临一个核心瓶颈：模型输入数据多为单点、离散的地面抽样数据，无法反映农田内部的地形、土壤、作物长势空间异质性，导致模拟结果与田间实际情况偏差较大，难以直接落地指导田间管理[23]。

而农业低空无人机遥感技术的规模化应用，彻底解决了这一核心瓶颈，为作物生长模型提供了全田空间连续、高频次更新、厘米级高精度的实测输入数据，补齐了模型输入数据的空间短板，让作物生长模型从实验室理论模型真正落地为田间可用的科学化决策工具[24]。

2. 无人机数据对生长模型的核心赋能

无人机采集的地形、光谱、温度等多维度遥感数据，可从三个核心维度全面校准、优化作物生长模型参数，让模拟结果高度贴合田间实际生长情况，大幅提升模型预测精度：

• • 基础环境参数的空间化：通过无人机测绘生成的DEM数字高程模型，可精准获取全田的坡度、坡向、高程空间分布，对应模拟土壤水分的运移路径、田间汇水情况、局部温度分布差异，为生长模型提供全域化的基础环境参数，替代传统单点气象站、单点土壤采样的离散数据，解决环境数据空间代表性不足的问题[25]。
• • 作物状态参数的实时校准：作物生长模型的核心状态变量，包括叶面积指数（LAI）、株高、生物量、冠层覆盖度等，传统模型中多为固定经验值或人工抽样测量值，数据更新滞后且无法反映空间差异。而无人机可每周完成一次全田数据采集，实时反演各项核心生长参数，持续动态校准模型的生长模拟进程，让模型始终与田间作物的实际生长状态保持同步[26]。
• • 胁迫因素的量化输入：通过无人机解译的NDVI、冠层温度、红边指数等数据，可精准量化全田作物的水分胁迫、养分亏缺、病虫害发生的空间分布与严重程度，将量化数据输入生长模型后，可精准模拟不同胁迫因子对作物光合作用、干物质积累的抑制影响，预测产量损失程度，同时模拟不同水肥调控、植保措施的补救效果，筛选最优田间管理方案[27]。

3. 无人机+生长模型的落地应用场景

“无人机遥感+作物生长模型”的技术体系，已经在我国大田粮食作物、经济作物种植中实现多场景落地应用，核心应用场景均有实测数据支撑，应用效益显著[28]：

• • 精准灌溉决策：结合无人机DEM地形数据、冠层温度水分胁迫数据，通过FAO Penman-Monteith标准公式与土壤水分平衡模型，精准计算每个灌溉分区的实时作物需水量，生成可视化变量灌溉处方图，实现“缺多少水、浇多少水，哪里缺水、浇哪里”的精准灌溉，相比传统大水漫灌模式可节水30%以上，同时避免水分胁迫影响作物产量[29]。
• • 变量施肥优化：基于无人机反演的作物氮素、磷钾养分状况，结合作物生长模型的养分吸收积累规律，计算不同田块、不同生育期的作物精准需肥量，生成变量施肥处方图，实现“按需定量施肥”，在减少化肥使用量的同时，避免过量施肥导致的作物徒长、倒伏、土壤板结、水体污染等问题[30]。
• • 种植方案优化：针对同一地块，可通过作物生长模型结合无人机历史地形、长势监测数据，模拟不同作物品种、播种密度、播期、水肥管理方案的产量与经济效益，筛选出适配地块立地条件的最优种植方案，尤其适配丘陵、山地等地形复杂、地力不均的地块，可根据不同坡位、坡度的地形条件，设计差异化的分区种植管理方案，最大化挖掘地块生产潜力[31]。
• • 产量风险预警：在遭遇干旱、高温、洪涝、冰雹等极端天气后，可通过无人机快速采集作物受胁迫的遥感数据，输入生长模型模拟极端天气对最终产量的影响程度，提前发出产量风险预警，同时科学推演最优补救管理措施，最大程度降低灾害造成的产量损失[32]。

五、拓展场景：农业无人机的更多实用价值

除了上述四大核心应用场景，农业无人机还在农业生产的多个关键环节发挥着不可替代的作用，相关应用已纳入农业农村部农业机械化推广目录，得到规模化普及[33]：

1. 1. 精准植保作业：这是农业无人机最广为人知的普及型应用，通过搭载植保雾化喷头与飞控喷洒系统，可实现全自动、高效率的农药、叶面肥、生长调节剂喷施，相比人工背负式打药，单机日作业效率提升10倍以上，同时可通过风速感应、流量变量控制技术，提升农药雾滴附着率，减少农药漂移浪费与药液流失，降低农药对环境的污染[34]。
2. 2. 农业灾害应急与保险定损：在洪涝、旱灾、冰雹、台风等农业灾害发生后，无人机可快速进入受灾区域，数小时内完成全域航拍勘测，精准统计受灾面积、作物受损程度，为救灾方案制定、农业保险理赔定损提供客观、精准的数字依据，彻底解决传统人工定损“效率低、主观性强、理赔争议大”的行业难题[35]。
3. 3. 高标准农田验收与土地确权：通过无人机生成的高精度正射影像与地形图，可精准测量地块面积、权属边界、田间配套设施建设完成情况，为高标准农田项目竣工验收、农村土地承包经营权确权登记提供合规、精准的数字依据，规避人工测量造成的边界纠纷、面积核算误差等问题[36]。

六、现状与未来：农业无人机的挑战与升级方向

尽管农业无人机已经在我国现代农业生产中实现广泛普及与规模化应用，但目前行业发展仍面临一些待解决的现实挑战：一方面，无人机测绘、遥感数据分析的统一行业标准仍需进一步完善，不同设备、不同软件的处理数据兼容性有待提升；另一方面，中小型多旋翼无人机的航程与续航时间，仍在一定程度上限制了其在超大面积规模化农场的连续作业效能，相关问题也是行业科研与技术升级的重点方向[37]。

未来，随着AI大模型、低空自动驾驶、空天地一体化遥感技术的快速发展，农业无人机将迎来三大核心升级方向：一是与卫星遥感、地面物联网传感器数据深度融合，构建“空-天-地”一体化的农业全域数据监测体系，实现多维度、全覆盖的农田数据采集；二是与农业AI大模型深度耦合，实现从数据采集、智能分析、决策生成到自动化作业的全流程闭环，真正推进无人化、智能化农田管理；三是与作物生长模型的深度融合，通过海量历史数据的积累迭代，持续优化模型预测精度，实现农业生产的全周期预判与精细化管控[38]。

从农田地形测绘的数字底座搭建，到作物全生育期的长势动态监测，再到作物生长模型的智慧决策赋能，农业无人机正在彻底重塑现代农业的生产管理逻辑，推动我国农业从传统“看天吃饭、凭经验种田”的粗放模式，真正迈入“看数据管理、靠模型决策”的数字精准农业新时代，助力农业节水节肥、提质增效、绿色发展[39]。

参考文献

[1] 李洪文, 何进, 王庆杰. 北方旱作区精准农业技术应用现状与发展对策[J]. 农业工程学报, 2022, 38(12): 1-10.

[2] 朱德海, 马钦, 李绍明. 农田无人机遥感监测技术规范与应用体系[J]. 中国农业科学, 2021, 54(8): 1689-1702.

[3] 农业农村部农业机械化管理司. 农用无人机机型选型与作业技术指南[R]. 北京: 农业农村部, 2023.

[4] 农业农村部. 农用无人机测绘作业技术规范(试行)[S]. 北京: 中国农业出版社, 2022.

[5] 刘良云, 张腾. 农业遥感技术与应用[M]. 北京: 科学出版社, 2022.

[6] 张霞, 张兵. 作物多光谱遥感监测机理与大田应用研究[J]. 遥感学报, 2020, 24(5): 521-535.

[7] 王庆, 王慧. 低空无人机遥感数据处理软件适用性对比[J]. 测绘科学, 2022, 47(3): 187-194.

[8] 中华人民共和国水利部. 农田灌溉工程低空测绘技术导则[R]. 北京: 水利部, 2022.

[9] 赵春江, 李成海. 农田无人机遥感数据精度验证与误差分析[J]. 农业机械学报, 2021, 52(7): 1-9.

[10] 农业农村部农业机械化总站. 农用无人机遥感数据处理技术导则[S]. 北京: 中国农业出版社, 2023.

[11] GB/T 30600-2022, 高标准农田建设 通则[S]. 北京: 中国标准出版社, 2022.

[12] 李益农, 许迪. 我国农田灌溉水利用效率提升路径与实践[J]. 中国农村水利水电, 2022(6): 1-6.

[13] 许迪, 李益农. 无人机测绘在现代化灌区规划中的应用[J]. 中国农村水利水电, 2021(8): 12-18.

[14] 陈立平, 徐刚. 无人机大田作物长势监测与人工巡田对比试验[J]. 中国农业科技导报, 2022, 24(5): 123-131.

[15] FAO. Crop Remote Sensing Monitoring Manual[M]. Rome: Food and Agriculture Organization of the United Nations, 2020.

[16] 王珂, 沈掌泉. 作物NDVI指数与长势营养状况相关性研究[J]. 植物营养与肥料学报, 2021, 27(4): 689-698.

[17] 赵春江. 精准农业变量施肥技术应用成效与推广路径[J]. 植物营养与肥料学报, 2022, 28(3): 397-408.

[18] 李召良, 唐荣林. 作物水分胁迫遥感监测方法与大田应用[J]. 地理学报, 2021, 76(7): 1789-1802.

[19] 彭彦昆, 王凡. 基于无人机遥感的作物病虫害早期预警技术[J]. 农业工程学报, 2022, 38(9): 167-175.

[20] 杨贵军, 李振海. 基于无人机遥感的大田作物产量预估模型[J]. 农业工程学报, 2021, 37(5): 112-120.

[21] 冯浩, 吴普特. 数字精准农业发展前沿与技术趋势[J]. 中国农业科学, 2023, 56(2): 201-215.

[22] 潘学标, 韩学丽. 作物生长模拟模型原理与大田应用[M]. 北京: 中国农业大学出版社, 2021.

[23] 张佳宝, 朱安宁. 农田空间异质性对作物生长模型的影响[J]. 土壤学报, 2022, 59(3): 456-468.

[24] 吴文斌, 杨鹏. 无人机遥感数据赋能作物生长模型应用[J]. 中国农业科学, 2022, 55(10): 1987-2001.

[25] 杨小冬, 贺芳. 基于DEM的农田水文过程模拟研究[J]. 农业机械学报, 2021, 52(11): 234-242.

[26] 李振海, 杨贵军. 无人机遥感数据校准作物生长模型参数研究[J]. 农业工程学报, 2022, 38(15): 134-142.

[27] 于强, 谢晓金. 作物胁迫因子量化与生长模拟分析[J]. 生态学报, 2021, 41(8): 3245-3256.

[28] 农业农村部. 数字农业农村发展规划(2022-2035年)[R]. 北京: 农业农村部, 2022.

[29] FAO. Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements[M]. Rome: FAO Irrigation and Drainage Paper, 2018.

[30] 张福锁, 崔振岭. 作物精准施肥与养分高效利用技术[J]. 植物营养与肥料学报, 2022, 28(1): 1-12.

[31] 周治国, 曹卫星. 基于生长模型的作物种植方案优化[J]. 作物学报, 2021, 47(7): 1245-1256.

[32] 李茂松, 汪亚峰. 农业灾害遥感监测与产量损失评估[J]. 自然灾害学报, 2022, 31(2): 123-132.

[33] 农业农村部农业机械化总站. 全国农用无人机推广应用年度报告[R]. 北京: 农业农村部, 2023.

[34] 兰玉彬, 贾洪雷. 农用无人机精准植保作业技术与应用[J]. 农业机械学报, 2022, 53(6): 1-10.

[35] 中国银保监会. 农业保险无人机查勘定损技术规范[R]. 北京: 银保监会, 2022.

[36] 自然资源部. 农村土地承包经营权确权登记无人机测绘技术要求[R]. 北京: 自然资源部, 2021.

[37] 中国农业机械化科学研究院. 农用无人机技术发展现状与升级方向研究[R]. 北京: 2023.

[38] 赵春江. 智慧农业发展趋势与核心技术路径[J]. 中国农业科学, 2023, 56(10): 1899-1912.

[39] 国家发展改革委, 农业农村部. 全国农业绿色发展规划[R]. 北京: 国家发改委, 2022.