利用辐射传输模型模拟光谱数据为水稻叶面积指数（leaf area index，LAI）反演模型提升鲁棒性和可解释性是目前相关研究的重要方向。然而，点云数据作为能够直接反映水稻物理结构的数据，相关的研究和应用却不够成熟。针对这一问题，本研究建立了一种融合三维辐射传输模型与无人机激光雷达技术的水稻LAI反演方法。基于LESS三维辐射传输模型构建虚拟水稻冠层场景，生成模拟点云数据；利用无人机激光雷达采集田间实测数据；通过Pearson相关性分析筛选关键特征，构建包含高度特征、垂直分层密度特征和累积密度特征的特征子集。采用岭回归、支持向量回归和随机森林3种机器学习模型，分别在模拟数据集、实测数据集及“模拟—实测”混合数据集上进行训练与验证。研究结果表明，LESS模型生成的模拟数据与实测点云在垂直分布上具有高度一致性，验证了模拟的有效性。特征分析表明，90%分位数高度H90和植被冠层体积VCM与LAI相关性最强。模型比较显示，随机森林在混合数据集上表现最优，验证集R²=0.918，RMSE=0.787，混合数据集策略较实测数据集拟合效果更好，有效增强模型的泛化能力。综上所述，本研究提出的三维辐射传输模型与无人机激光雷达技术融合方法可以快速准确地获取水稻LAI信息，为水稻长势信息精准监测提供了新的技术途径，为农业低空经济中作物表型信息的高通量获取提供了技术支撑。

作物产量的精准定量预测是保障国家粮食安全与制定智慧农业决策的重要基础。在水稻生长周期中，齐穗期是生物量积累最关键的阶段，其冠层光谱特征蕴含着丰富的生化参数与产量潜力信息。本研究探讨了齐穗期多维无人机遥感特征与先进机器学习算法组合在水稻产量预测中的应用优势。研究利用多光谱无人机获取影像，系统构建了可见光（red-green-blue，RGB）、多光谱（multispectral，MS）、重建高光谱（multispectral to hyperspectral，MSTPP）、空间纹理（spatial texture，Texture）、植被指数（vegetation index，VI）及多维融合特征（multi-dimensional fusion，Fusion）在内的6类特征集。算法层面全面评估了8种机器学习算法，重点对比了支持向量回归（support vector regression，SVR）等核方法及多类非线性集成模型。试验结果表明，MS数据在单维特征中展现出突出的预测潜力。融合光谱与纹理信息的策略取得了优异的预测稳定性，其中SVR模型结合多维融合特征实现了理想的拟合效果（决定系数R²为0.828），校准了因齐穗期冠层郁闭而受损的光谱信号，有效修正了单维模型在极端产量区间的系统性估算偏差。此外，本实验通过引入沙普利加和解释（Shapley additive explanations，SHAP）框架验证了绿光归一化植被指数（green normalized difference vegetation index，GNDVI）在产量预测中起到了核心驱动作用，客观揭示了群体长势均衡度对最终产量的保底机理。本研究探索的“多维融合结合非线性算法与归因解析”路径，为构建兼具高鲁棒性与农学解释力的定量估产模型提供了一种可行的思路。

农用无人驾驶航空器作为低空经济在农业农村领域的核心载体，近年来呈现爆发式增长态势，已成为推动农业现代化和乡村振兴的重要技术力量。产业规模的急剧扩张与技术应用的快速迭代，而配套法规与标准建设仍存在滞后性。本文在梳理国内外农用无人驾驶航空器法规与标准发展的基础上，系统分析了空域管理、适航审定、人员资质等法规框架构成，以及国家标准、行业标准、地方标准和团体标准四级标准框架的建设现状。研究表明，我国已初步形成以《无人驾驶航空器飞行管理暂行条例》为上位法的法规框架和以《低空经济标准体系建设指南》为顶层设计的标准架构，但在应用场景覆盖、部件/分系统要求和方法标准配套等方面仍存在短板。面向未来，应推进基于运行风险的分类分级管理、加速标准体系的场景拓展与方法完善、构建数字化智能监管体系，为农业低空经济的高质量发展提供制度保障。

为提高采收时不同部位烟叶成熟度识别准确率，本研究系统收集上、中、下部3个部位烟叶的欠熟、适熟、过熟图像，提出一种基于深度学习的改进VGG-16的烟叶成熟度识别方法。该方法使用迁移学习预训练VGG-16模型作为基础模型，并对其进行微调、卷积层特征融合，以提升模型在烟叶成熟度识别任务上的性能，冻结卷积层及后续层的微调、添加BN层和使用Adam优化器，进一步提高了训练效率、避免过拟合现象产生并增强模型的稳健性和精确度。试验结果表明，改进后的VGG-16模型在烟叶成熟度识别任务中具有高准确度的优势，其测试集识别准确率达到99.7%，优于经典机器学习BP神经网络、支持向量机、原始VGG-16和VGG-19、AlexNet、ResNet50等方法结果。其参数量为14 721 353、模型大小为58.9 M、单张图像识别时间为0.024 9 s，表现出计算和存储资源需求低，识别速度快的高效优势。进一步通过Score-CAM算法对不同成熟度烟叶图像识别结果进行可视化分析，揭示了烟叶主脉中部区域为不同成熟度烟叶核心差异区域，为识别模型提供关键信息，进而可为明确不同部位烟叶成熟过程中化学物质转化规律提供信息。本研究提出的改进VGG-16深度学习模型在不同部位烟叶成熟度识别上具有高准确率和高效率的优势，有望为烟草采收生产提供精准有效的决策支持。未来可进一步探讨不同的特征融合策略和网络结构，以提高不同产地及不同年份间烟叶成熟度识别的泛化能力和稳健性。

随着农业的发展，重大病虫害对农林业造成的经济损失和食品安全威胁日益严重。2024年中国主要粮食作物面临22种病虫害的挑战，预计影响面积达155 411 khm²次，产量损失超1.5×10¹¹ t。综述了农作物病虫害预警与应急防控技术的现状，其中病虫害预警技术包括物联网、遥感技术和计算机视觉识别技术；应急防控技术涵盖了化学通信机制的理解以开发新药剂和装备、物理消杀和智能防控产品的创新、生物防治资源的利用与产品创新、害虫致害性变异机制的研究以及植物抗性品种的可持续利用技术、害虫抗药性机制的研究与治理技术的开发，以及病虫害生态调控机理的研究与应用技术，旨在通过多学科交叉合作，实现对病虫害的有效控制，同时减少对环境的影响，促进农业的可持续发展。并探讨了病虫害预警与应急防控技术在农业领域的应用，分析了其在农业科技发展中的重要作用，并概括了各领域面临的挑战，例如无人机遥感监测技术精度不够，病虫害图像自动识别技术样本采集困难，化学防治未能实现精准施药，绿色制剂的生产工艺和市场化推广较为滞后以及病虫害预警系统的建设尚不完善等问题。未来，应加快物联网技术应用于病虫害预警，推动智慧农业与病虫害预警系统建设，研究无人机遥感监测技术、病虫害图像自动识别技术与化学防治技术生物防治技术。

中国核桃仁分级大多依靠机械和人工，经济成本高、效率低、精度差，严重影响核桃仁产品的标准化和经济价值。为实现核桃仁分级的自动化与智能化，本研究提出基于深度学习的核桃仁智能分级方法。利用图像采集装置采集纯白、淡绿与传送带3种不同颜色背景下的6个等级的核桃仁图像，使用Python的OpenCV库对图像进行数据增强扩充数据集，建立VOC格式数据集12 246张，其中训练集、测试集与验证集的比例设置为8：1：1。为选取更适合完成核桃仁分级的模型，分别基于目标检测网络YOLOv5和YOLOv7构建核桃仁分级模型，采用加载预训练权重的方式训练模型，得到YOLOv5和YOLOv7模型核桃仁分级的平均准确率分别为87.83%和91.16%。在验证过程中YOLOv7预测到了错误的对象，引入两种注意力机制ECANet与CBAM对YOLOv7进行改进，改进后的两种模型的训练效果均有所提升，其中YOLOv7+CBAM模型效果更好，平均准确率为94.5%、F1评分为90.2%。改进后的YOLOv7核桃仁分类平均准确率和F1评分比YOLOv7高出3.34%和5.9%，并且推理时间比YOLOv7仅增加2 ms。为验证模型的可行性，搭建识别系统平台进行核桃仁等级识别分类测试，设置6种等级的核桃仁各20个，共120个核桃仁为一组，共4组试验。得到YOLOv7+CBAM模型的核桃仁平均识别正确率为91.63%。改进后的YOLOv7+CBAM模型可以实现对核桃仁外观品质的良好分级。本研究可为核桃仁智能化分级提供参考。

针对光伏电站中污渍积累导致发电效率降低，以及清洗无人机受限于边缘算力和复杂背景干扰难以精准定位的问题，提出一种基于Jetson Orin Nano边缘计算平台的清洗无人机解决方案。在YOLO11n模型框架下，提出一种基于GOP-YOLO11n的轻量化光伏板污渍检测算法。引入GroupDC结构，并对骨干网络中的C3k2模块进行轻量化重构，在降低模型计算开销的同时增强复杂背景下小目标特征的表达能力。在特征融合网络中加入OptimizedDC多尺度特征提取模块以提升对多尺度目标（微小鸟粪、长条水渍）的感知能力。检测头通过上采样和特征聚合块UP-Block，强化多像素图形聚合能力。试验采用无人机采集的光伏板可见光图像构建数据集，共获得4 190张有效图像，并按照8∶1∶1划分训练集、验证集和测试集，输入图像统一调整为960像素×960像素。在相同训练与测试条件下，GOP-YOLO11n的准确率、召回率、mAP@50和mAP@50：0.95分别达到91.1%、85.8%、92.5%和76.8%，较YOLO11n基线模型分别提高2.9、3.4、1.8和4.4个百分点。模型参数量由2.582 M降至2.068 M，浮点运算量为6.7×10⁹。进一步在Jetson Orin Nano Super 8G平台上进行TensorRT FP16部署测试，模型推理速度达到114.7帧/s，单帧延时为8.7 ms，显存占用为1 685 MB。结果表明，该方法在提升复杂背景下多尺度污渍检测精度的同时，兼顾模型轻量化与边缘端实时推理需求，可为光伏清洗无人机的污渍识别、区域化清洗决策和智能运维提供视觉感知支撑。

随着低空经济被纳入国家战略性新兴产业，农业低空技术与装备在农业生产中的应用不断深化，已成为推动农业现代化与智慧农业发展的重要支撑。研究围绕农业低空技术与装备的发展现状与趋势，系统梳理我国在政策体系、关键技术及典型应用场景方面的研究进展。首先，从低空飞行平台与智能控制技术角度，总结多旋翼、单旋翼及复合翼无人机的发展现状及其在动力系统、飞控算法与导航定位等方面的关键技术演进，围绕低空通信、云端管控与多机协同，归纳农业低空智能管控技术的发展现状；其次，围绕农业低空感知与精准作业技术，重点分析无人机低空遥感在作物监测中的应用，以及精准施药与精准撒播技术的发展路径与核心技术体系，指出变量作业、智能控制已成为精准作业研究的关键方向。结合农业低空装备检测评价与标准体系建设，分析当前在作业规范、质量评价及系统化标准方面存在的不足。研究表明，农业低空技术虽在作业效率与资源利用方面展现出显著优势，但仍面临装备适配性不足、复杂环境下作业稳定性不高、多源信息融合与智能决策能力有待提升以及标准体系尚不完善等问题。未来，应重点加强多源感知融合、智能控制与数据驱动决策技术研究，完善标准与评价体系，推动农业低空技术向精准化、智能化与规模化方向发展。研究可为农业低空技术研究、装备研发及政策制定提供参考。

低空经济发展正在重塑农用航空器的技术功能、组织形态与监管需求。以农业无人机为代表的农用航空器已由季节性植保装备演进为兼具生产作业、农情感知、灾害应急与社会化服务功能的低空生产单元。随着应用边界持续拓展，农业低空运行风险也由传统飞行安全问题扩展为飞行安全、作业质量、环境外部性与责任追溯相互耦合的综合治理问题。本文围绕“空域可用性—运行许可—可监管性—作业合规—执法追溯”构建比较分析框架，对中国、美国、欧盟及澳大利亚、新西兰等主要法域的农业低空治理制度进行系统梳理，并引入法规发布密度指标以及注册主体、注册无人机和操控员规模等公开数据，比较不同制度供给与规模化运行能力之间的关系。研究表明主要法域已形成强底座型、高效率授权型与风险评估服务型3类治理路径；面向农业场景的制度有效性，并不取决于单项规则数量，而取决于空域接入、数字识别、作业监管与证据留存能否形成可执行、可核验的工程化闭环；生产作业、遥感监测、应急保障与跨区社会化服务等常见应用的并行扩张，进一步强化了对差异化授权、载荷释放分级监管与跨区域协同监管的需求。基于此，提出面向任务分类、授权留痕耦合、载荷释放分级控制与农业化持续适航管理的工程化合规路径。研究结果可为我国农业低空经济治理体系完善及农业无人机规范化应用提供参考。

实时且精准地监测冬小麦氮营养指数（nitrogen nutrition index，NNI）对优化大田水肥管理与降低农业面源污染具有重要意义。针对现有深度网络在处理多源无人机遥感数据时易引发模态干扰，以及在时序建模中易丢失二维空间拓扑信息的问题，研究提出一种双分支多源特征融合记忆网络（DMFM-Net）。该方法利用无人机获取冬小麦分蘖期、拔节期和孕穗期的多光谱影像与冠层结构数据，首先通过改进的CBAM-ResNet50双分支骨干网络独立提取光谱特征与冠层结构特征，随后将保留了空间维度的特征张量直接输入卷积长短期记忆网络（ConvLSTM）进行时序建模。结果表明：（1）相比于传统的串行网络（CBAM-ResNet-LSTM）与单分支网络（CBAM-ResNet-ConvLSTM），DMFM-Net有效克服多模态异构数据的噪声干扰，在各关键生育期均展现出最优的反演性能，模型在分蘖期、拔节期和孕穗期的决定系数（R²）分别达0.76、0.86和0.82，均方根误差（RMSE）低至0.11、0.10和0.14。（2）消融试验进一步证实所提架构设计的必要性与科学性。缺乏深层空间编码器的ConvLSTM模型R²显著下降0.21~0.24；而相比3D-ResNet的静态时空特征提取，DMFM-Net凭借ConvLSTM模块覆盖全生育期的长程动态记忆机制，使各时期反演模型R²提升了0.07~0.16。（3）基于最优模型生成的田块尺度空间分布图，精准还原不同施氮梯度下冬小麦氮素营养状态的局部空间异质性及其时间演变规律。综上所述，研究结果为复杂大田环境下作物营养状态的多模态时序动态监测提供了全新的理论范式与技术支撑。