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。

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。

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。

低空飞行农业装备作为低空经济与农业农村融合发展的关键载体，对打造农业新质生产力、构建现代农业生产体系、保障国家粮食安全具有重要战略意义。系统梳理低空飞行农业装备在四川丘陵山区的应用场景与存在问题，阐述四川丘陵山区多种低空农业装备及其配套动力、智能控制与管理技术体系，分析智能植保与精准施药、低空遥感与农情监测、农资与农产品转运、播种施肥与授粉作业、应急保障与物流配送等应用场景，重点剖析其在丘陵山区装备研发制造、智能化作业技术、作业运维等3方面所面临的问题与挑战。从关键技术攻关层面，提出开展全程机械化、智能化作业体系模式与成套装备作业平台集成验证，创制“空天地”一体丘陵山区农机协同作业系统试验验证方法；从智能、绿色、安全3个方面进一步明确低空飞行农业装备技术的发展要求；从优化创新生态体系层面，提出健全人才引进培养机制，构建“平台支撑—人才保障—产业协同”三位一体的产学研发展体系，形成良性循环的低空农业装备产业创新体系，全面提升丘陵山区农机装备科技水平和产业竞争力。通过在四川等典型丘陵山区布局建立全程机械化示范区，开展装备试验验证与技术熟化，加强基层操作人员培训，为形成可复制推广的丘陵山区农业机械化整体解决方案提供方向指南。

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。

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。

水稻生产中无人机施肥应用日益广泛，但施肥处方多依赖经验，缺乏基于作物生长实况养分状态的决策支持；同时，高光谱反演在数据处理与模型构建方面仍存在局限，难以实现寒地水稻叶绿素水平的高精度估测，从而制约变量施肥的精准实施。针对上述问题，本研究在多种光谱预处理方法的基础上，结合UVE、CARS、IRIV和VISSA等特征变量筛选方法进行关键波段提取，构建LSSVR、PSO-LSSVR、PLSR及深度学习1DCNN-WN模型对水稻叶绿素含量进行反演，并进一步基于反演结果生成氮素施肥处方图，以指导分蘖期无人机变量施肥作业。结果表明：在各模型最优预处理与特征筛选组合下，SNV-IRIV-1DCNN-WN模型反演精度最高，R²为0.687，较SNV-UVE-LSSVR、NL-VISSA-PSO-LSSVR和MSC-IRIV-PLSR分别提高0.047、0.031和0.027，RMSE分别降低0.281、0.147和0.107。基于施肥决策模型生成的处方图用于指导无人机变量施肥作业时，不施肥（N0）、少施肥（N1）、标准施肥（N2）和过量施肥（N3）处理的变异系数分别为6.08%、4.16%、3.42%和3.07%，施肥均匀性良好。研究结果可为寒地水稻高光谱特征解析及其生长信息的快速无损监测与精准施肥提供理论依据和技术支撑。

叶面积指数（leaf area index，LAI）是表征冬小麦冠层结构特征与生长状态的关键生物物理参数，在精准农业监测与作物长势评估中具有重要作用。然而，现有反演方法在不同飞行高度下存在精度不稳定、模型泛化能力不足的问题，为提升冬小麦LAI的反演精度与泛化能力，本研究基于多高度无人机多光谱数据结合集成学习模型与多种机器学习方法，构建LAI反演模型。采用ANOVA分析飞行高度对反射率及纹理特征的影响机制，基于多光谱数据提取植被与纹理指数，并通过皮尔逊和斯皮尔曼相关性分析筛选LAI敏感指数用于建模，构建XGBoost、RF、XGBoost-EN和RF-Ridge 4种模型，开展多高度、多特征条件下的LAI反演及精度对比分析。结果表明：无人机飞行高度对反射率与纹理特征存在明显尺度效应，80 m为反射率影响临界值；单特征与混合特征输入下模型在多高度LAI反演中均表现为20 m高度反演精度最高、效果最佳，R²最高达0.745，RMSE最低为0.699，MAE最低为0.507；XGB-EN、RF-Ridge集成模型在LAI反演中的精度均高于其余特征模型，表现出更优的反演效果，R²最高达0.802，RMSE最低为0.592，MAE最低为0.421，具有优异的拟合精度和稳定性。综合来看，XGBoost-EN是LAI反演任务中最具优势的模型。研究验证了多高度下集成学习模型与机器学习方法在LAI高精度反演中的可行性，为遥感驱动的作物生长监测提供了理论基础与技术路径。

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。

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。