从「看得见」到「管得住」：三层断层
我国以全球不到 10% 的耕地养活世界近 20% 的人口，叠加城镇化推进、农村劳动力流出与极端气候频发，依赖人工巡田的经验种植模式难以为继。卫星遥感虽提供空间连续监测，却受制于云雨缺失、分辨率不足与近地校正缺位；无人机遥感补足了田间尺度感知，但研究总体仍停留在数据感知与信息识别层面。要真正服务农业生产，必须跨越感知、理解与决策之间的三道断层。
有限飞力下的数据感知
无人机是主动感知手段，却受飞行时间、覆盖范围与作业成本直接约束，需要回答「飞哪里、何时飞、怎么飞」。同一农场内部因小气候与土壤差异，作物生长节奏呈「快、中、慢」不均衡；出苗整齐度、抽穗开花、病虫害初发等关键农情往往只有数天窗口；不同任务对高度、视角、重叠率、传感器组合要求差异极大。此外冠层上方观测对根系、茎基部、叶背及地下生理变化难以直接获取，破碎小地块（如华南丘陵）覆盖能力仍有限。
从遥感识别到农情理解
遥感特征与作物生理过程之间存在显著多解性：叶片黄化既可能由缺氮引起，也可能源于缺水、病害、根系受损或生育后期自然衰退；地块间光谱差异既可能是营养失衡，也可能只是品种、播期、管理措施或背景条件不同。现有结果多面向现状描述，缺乏对农情演变过程的连续理解，未能嵌入物候节律、农学经验与管理行为，因而难以直接触发灌溉、施肥、植保与采收决策。
从农情信息到农事决策
大模型决策常缺乏真实数据约束与本地化经验：同样是长势偏弱，有的地块需补水、有的需追肥、有的需改土。农业管理并非单项技术叠加，而是伴随作物全生命周期的连续复杂决策过程，需要本地经验长期积累、历史行为持续记录与执行效果不断反馈。当前决策体系仍停留在知识陈述与经验推荐层面，尚未形成可检验、可优化、可执行的「最后一公里」闭环。
可见光 / 多光谱高光谱 / LiDAR / 热红外
感知 · 理解 · 决策
进展梳理与对比分析基础
感知-预测-决策-复核-再优化
智慧种植决策大脑：四段式技术链路
本文提出的核心主张是——遥感真正服务农业生产，关键不只是「看得更准」，更在于让监测结果支撑管理决策。智慧种植决策大脑由此被设计为贯通「主动感知 → 农情预测 → 决策生成 → 复核优化」的全链条协同系统：由农事管理需求反向驱动观测组织，而非沿用「先获取数据、再分析数据」的正向流程。
「空-天-地-人」协同的主动感知
建立多源感知的分工协同体系：卫星覆盖广、连续性强，负责区域背景与时序异常筛查；无人机兼具厘米级—分米级分辨率与灵活调度能力，承担精细核查与按需复查；地面传感器连续记录环境变化；人工巡查在冠层以下信息、复杂症状与管理细节上不可替代。决策端提出「何时、何地、需要感知何种数据」的观测需求，组织多源感知按需调度与主动响应。
环境因子嵌入的农情动态预测
先建立物候预测模型，实现关键发育节点精准预判，将发育阶段与农事作业程序自动对齐（如水稻返青期追氮促蘖、分蘖期—破口期—齐穗期病虫防治）；再建立干旱、高温、洪涝与病虫害风险预警模型。把积温、水分、光照、土壤、地形等环境约束，与作物发育规律、区域历史先验共同嵌入，形成知识驱动、过程可解释的预测框架，并进一步发展跨平台的农情监测与预测基础大模型。
面向农事作业的决策生成
将农情态势映射为可执行任务：灌溉、施肥、植保、采收与清园剪枝等，并依据作物类型、生育阶段、异常程度与管理目标差异化排布。以水稻苗期为例，管理首关是出苗整齐度与缺株断垄，需大范围正射观测形成苗情底图以判断补苗；病虫监测则需在发现异常后主动扩展观察范围，采用低空悬停、近距离多角度成像识别发生中心与蔓延趋势，支撑分级防治。
农事复核验证的闭环再优化
系统生成无人机主动回访飞巡任务，复核农事措施实施后的实际效果，并写入农场数字化档案与农事成效档案：追肥后长势是否按预期改善、灌溉后胁迫是否缓解、防治后虫口密度是否下降，均成为模型校正与先验迭代的依据。受脑科学自由能原理、主动推断与奖赏预测误差理论启发，决策不是系统输出的终点，而是下一轮大脑更新的起点。
农事分类驱动的感知需求体系
先建立包含标准管理（肥料营养、早期防治、生长调节、灌溉管理）、气象风险（环境预警与胁迫）、异常响应（病虫害与生长异常）的农事分类体系，据此生成具有空间、时间与任务差异的感知需求，再匹配低空飞巡航线与成像参数。随着作物生长进程与前次监测结果变化，观测任务同步调整——无人机不再是固定周期的数据采集器，而是决策驱动的主动观测节点。
从人工特征到大模型表征
可见光影像处理由早期颜色指数、纹理与形状特征，演进至卷积神经网络、Transformer 等深度学习方法，可直接迁移单木分割、田块提取、果实计数、病斑与杂草检测等任务；光谱分析由植被指数与辐射传输模型、PCA 降维去噪，发展为空谱特征融合的深度反演。未来方向是统一表征跨平台、跨尺度、跨时序多模态信息的基础大模型。
四类载荷能力边界与技术特征对比
作为一篇综述与展望型论文，本部分以「技术特征对比」替代实验指标：横向比较无人机可搭载的四类典型传感器在观测维度、典型应用与核心局限上的差异，并提炼体系架构层面的三项关键转变。
空 - 天 - 地 - 人
感知层 / 预测层 / 决策层
灌溉 施肥 植保 采收 修剪
物候预测 + 风险预警
| 遥感载荷 | 观测维度 | 典型应用场景 | 核心局限 |
|---|---|---|---|
| 可见光 RGB | 红绿蓝波段反射；冠层颜色、纹理与空间分布 | 农田底图与田块边界提取、果树单木分割、大田作物计数、物候识别、缺株断垄与倒伏监测、病斑与杂草检测 | 仅反映外部表观特征，对内部生理过程响应有限；胁迫尚未显色 / 变形时难以及时识别早期异常 |
| 多光谱 / 高光谱 | 可见光—红边—近红外—短波红外宽波段反射特征 | 长势与活力监测、叶绿素与氮素等理化参数估算、叶面积指数与地上生物量反演、缺素缺水与早期病害、成熟度与产量估算 | 光谱—生理多解性强（品种 / 生育期 / 环境 / 管理共同作用）；需频繁辐射与光谱校正；设备贵、数据量大、处理复杂 |
| 激光雷达 LiDAR | 主动激光回波测距；三维点云、冠层高度与结构层次 | 株高测量、冠层体积估算、株型结构评估、倒伏识别、果园树体形态建模、修剪分析与三维重建数字孪生 | 对生理状态与营养状况表达弱，需与其他传感器配合；设备成本高，对平台负载与后处理能力要求高 |
| 热红外 | 目标表面热辐射；冠层温度分布与热环境 | 水分胁迫识别、蒸散发估算、旱情诊断、高温热害监测、病害预警、灌溉管理评估与局部热环境分析 | 温度异常同样多解（缺水 / 病害 / 局地环境差异均可致）；受观测时刻与大气条件影响显著 |
由被动接收转向按需观测
传统遥感按既定流程「先获取数据、再分析数据」，易出现基础数据冗余而关键数据缺失。决策大脑以农事管理为驱动反向组织观测，当卫星遥感、地面监测或作物模型推断出高不确定性区域、异常斑块或风险中心后，无人机迅速开展高分辨率补充观测，实现按需观测、及时复查与动态响应。
由状态识别转向态势预判
检测到异常往往只能「亡羊补牢」。农情理解的关键在于由图像 / 光谱识别转向农情预测：引入时序信息、物候规律、环境背景与农学知识，增强对演变机理的解释能力，把当前时相的指标识别升级为面向未来的长势预测与风险预警，回答「接下来会怎样、是否需要干预、何时干预最合适」。
由一次性建议转向持续进化
随着农场数字档案积累，系统能够「记忆」本地作物常态节律、环境适应性与胁迫阈值、不同管理措施下的实际响应，逐步「反思」识别偏差来源并修正感知先验与管理规则。依托实景三维与数字孪生底座，逐步演进为融合大模型与农业知识图谱的动态认知系统。
遥感真正服务农业生产，关键不只是「看得更准」，更在于让监测结果能够支撑管理决策。无人机遥感不能仅停留在观察工具的角色，而必须进化为能够贯穿农业生产全过程的服务载体。
三大贡献、应用价值与未来议程
本文立足农业智能化转型的迫切需求，以无人机多源遥感为载体，完成「进展梳理—挑战凝练—框架提出」的闭环论证，并指向多学科深度交叉融合与全链条智能决策的发展方向。
系统梳理四类载荷进展
按可见光、多光谱与高光谱、激光雷达、热红外四条线，梳理技术原理、发展脉络与方法演进（人工特征 → 深度学习 → 大模型表征），并逐一点明各自的能力边界与固有局限。
凝练三大核心挑战
将制约落地的问题收敛为：有限飞力约束下的观测资源最优配置；突破现象识别、升华为作物生理生态机理理解并具备态势预判；打通从农情信息到可执行决策的「最后一公里」。
提出三层一体框架
感知层建立「空-天-地-人」协同主动感知实现范式转变；预测层构建环境因子嵌入的农情动态模型提升可解释性与泛化性；决策层引入复核验证的闭环优化机制，赋予本地场景持续学习与自我迭代能力。
应用价值
为防灾减损、提质增产与资源优化配置提供技术保障：支撑精准化、智能化与可持续的现代农业管理，服务农业高质量发展与乡村振兴战略。作者团队横跨高校（中山大学地理科学与规划学院）、保险机构（人保财险广东省分公司）与科技企业（至源拓土科技集团），框架具备面向农业保险核保理赔、农事托管服务等场景的延伸潜力。
局限与未来
当前仍缺少系统性多源信息联动交互机制：如何以遥感背景信息约束无人机飞巡参数动态配置、以无人机与地面观测实时优化遥感结果，尚待深入。未来需在遥感科学、农学、地学与人工智能交叉领域，探索多模态数据驱动的农情预测与决策基础大模型，并以长期农场数字档案与农事成效反馈持续强化本地化适应能力。