0 引 言
低空技术是一种面向1000 m以下空域（部分场景可延伸至2000 m），以“高效利用低空资源、实现特定作业目标”为核心，融合飞行装备、感知探测、智能控制、数据处理等多领域技术的复合型技术集群。低空技术本质是通过技术创新突破低空空域作业的环境限制（如复杂地形、电磁干扰、空域管控等），实现对低空空间的可控、高效、智能利用，为农业、物流、测绘、应急等多领域提供专业化技术解决方案。农业低空技术是以低空飞行器为基础载体，深度融合5G通信、人工智能（Agriculture Intelligence, AI）、物联网等前沿技术，为农业生产提供数据采集、智能分析与决策支持等关键支撑，助力农业从依赖经验性操作的传统模式，逐步向以数据为驱动、AI为核心决策依据的智慧农业转型。农业低空技术体系主要包括低空作业装备技术、低空遥感与识别技术、低空数据处理与分析技术、精准作业与监管技术等［1］。
低空经济是以低空技术为依托，以有人驾驶和无人驾驶航空器的各类低空飞行活动为牵引，辐射带动相关领域融合发展的一种综合性经济形态［2］。农业低空经济作为新型农业经济形态，不仅可以提高农业生产环节的效率与精度，还能有效促进农业与装备制造、航空、物流、信息技术等产业融合，延伸农业产业链，推动农业产业升级。近年来，国家高度重视低空经济发展，已将其纳入国家战略层面进行系统规划和推动，从制度构建与资金供给两方面，为低空技术在农业领域的应用提供有力支撑。为更好地适应低空经济发展的战略布局，2016年，中国将低空空域扩展至真高3 000 m以下。在《无人驾驶航空器飞行管理暂行条例》中明确规定了农用无人驾驶航空器的最大飞行真高不得超过30 m，轻型、小型无人机不超过真高300 m，可在不需要空管批准的情况下自由飞行。2021年2月，中共中央、国务院印发《国家综合立体交通网规划纲要》，首次将低空经济概念写入国家规划，标志着低空经济正式上升为国家战略；2024年，低空经济首次被写入政府工作报告，进一步明确低空经济作为新质生产力典型代表，在推动经济高质量发展中的关键作用。同年，工业和信息化部、科学技术部、财政部、中国民用航空局印发《通用航空装备创新应用实施方案（2024—2030年）》，提出到2030年推动低空经济形成万亿级市场规模的目标。除中央层面的战略部署外，多地政府积极响应，先后出台低空经济专项规划和支持政策，推动低空经济加快产业集聚和创新发展，争当低空经济“第一城”。如广东、四川、江苏、湖南等省已设立低空经济示范区，推动产业集聚、技术创新和应用示范。在政策引导和技术创新的双重推动下，作为新时代经济发展的重要组成部分，低空经济正快速崛起成为万亿级的产业新赛道［3］，成为推动我国现代化经济体系建设和实现高质量发展的重要支撑。而在低空经济的多元应用场景之中，其与农业的深度融合尤为引人瞩目［4］。
本文以农业低空技术为核心，阐述低空技术赋能智慧农业的机制。通过系统梳理低空技术体系，论述低空技术赋能智能农业关键内容。结合智慧果园和生态无人农场两个案例，探讨低空技术与现代农业融合的技术路线，分析低空经济延伸农业产业链与其他产业融合的应用场景，为低空经济跨领域研究提供农业视角的理论补充以及思考，最后提出发展农业低空经济面临的挑战与建议，为智慧农业与低空经济的深度融合提供理论与实践参考，助力农业生产效率提升、资源优化利用及国家粮食安全保障。
1 低空技术赋能智慧农业的作用机制
低空技术对智慧农业的赋能，并非单一技术的简单叠加，而是以数据为主线、协同为核心，通过低空飞行器、传感器、数据链路和智能决策系统的集成应用，构建“感知-决策-执行-反馈”全流程闭环，打通农业生产从信息获取到高效落地的关键链路，重构传统农业“经验驱动”的生产模式，形成“数据驱动”的智慧化运行逻辑。其作用机制深度依托农业低空技术体系的“基础设施层、核心技术层、应用支撑层、场景落地层”，各环节环环相扣、层层递进，具体可拆解为以下四个核心环节。如图1所示。
基础设施是低空技术在农业领域应用的基石，主要由地基传感器平台和通信网络设备构成。其中，4G/5G网络提供了高速、低延迟的数据传输能力，为实时数据的快速处理和响应奠定了基础。精准实时差分定位（Real - Time Kinematic, RTK）服务为无人机和其他移动设备提供了高精度的定位支持，确保了作业的精准性与可靠性。地基传感器集群和无人机起降平台的建设，进一步完善了低空技术的基础设施，使其能够覆盖更广泛的农业区域，并为各类设备的运行提供必要的支持。
数据采集主要依赖于无人机机载传感器和地基物联网设备。无人机搭载的传感器包括高/多光谱、热成像仪、激光雷达和红外等多种类型，这些传感器能够快速、实时、高频次地获取农作物的多维度信息，如生长状况、病虫害情况和营养需求等。地基物联网设备则包括气象站、土壤监测仪、温湿度智能监测设备、水温调控系统等，用于实时监测环境条件和土壤状态等。这些设备的协同工作提供了丰富的多源数据，为后续智能分析和决策提供了坚实的数据基础。
在核心技术层数据处理与分析方面，传感器采集的多源数据通过边缘计算节点进行初步处理，以减少数据传输的延迟和带宽需求。随后，这些数据被传输到云平台，利用云平台强大的计算能力和存储能力，进行进一步的处理和分析。通过AI模型构建、计算机视觉和时空建模等技术，实现对农作物进行长势分析、参数反演、病虫害防治处方图生成，以及水肥资源需求预测等。例如，在作物成熟度监测方面，无人机搭载高分辨率多光谱相机，可快速覆盖整片农田，通过捕捉作物叶片、果实的光谱特征（如叶绿素含量、糖分积累对应的光谱反射率变化）［5, 6］，结合AI图像识别算法，实时生成“作物成熟度分布图”。针对水稻、小麦等大田作物，无人机能精准区分“完全成熟”“半成熟”“未成熟”的地块区域，农户可依据分布图制定分批次收获计划，避免因大面积统一收割导致“过熟作物落粒”或“未熟作物品质不达标”的问题。智能决策部分是基于数据处理与分析的结果，利用AI大模型及数据挖掘技术，进行无人机路径规划、喷洒灌溉策略制定，以及精准植保任务规划等。这些决策不仅提高了农业生产的效率和精准度，还减少了资源浪费和环境影响。
在应用支撑和执行控制方面，智能决策结果被转化为具体的控制指令，用于指导无人机和其他农业设备的作业。这一层的执行工作是将智能决策转化为实际行动的关键环节，确保了农业生产活动的顺利进行。例如，无人机可以基于RTK和自动驾驶系统，根据规划的路径和作业处方图进行精确喷施、播种和施肥，优化农业生产环节，实现变量作业和精准管理。具体而言，在播种阶段，搭载专用播种机的无人机，通过RTK精准定位，可以严格按照预设的播种方案（如株距、行距、播种深度参数）执行作业，实现“株距均匀、深浅一致、按需播种”的精准效果。同时，播种过程中记录的“播种位置、播种量、地块适配参数”等作业数据，会自动同步至农田管理系统，为后续施肥、灌溉等环节提供“地块-播种”匹配的基础信息，将“精准定位”与“科学播种”深度融合，既提升播种效率与质量，又为后续田间管理积累基础数据，形成“播种作业-数据沉淀”的协同模式。在施肥、灌溉以及病虫害防治环节中，通过无人机遥感技术，结合变量喷施技术，可以提高资源利用率，减少农药残留，降低环境污染。例如，在施肥环节，使用多光谱相机可以获取农田中不同波长的反射率，结合反演模型精准识别作物的叶绿素含量和含氮量，生成变量施肥处方图，之后作业无人机可按不同地块需求自动调节撒肥量，减少农药使用过量；在灌溉环节，使用热成像仪通过红外辐射可以探测土壤墒情，精准识别干旱区域，控制喷灌无人机或自动阀门按需供水，降低水资源消耗；在病虫害防治中，通过遥感技术定位病虫害区域，以及判断病虫害程度，通过比例-积分-微分（Proportional-Integral-Derivative, PID）控制喷洒流量，可以有效减少化学药剂使用，降低农残对环境的污染。在农业收获阶段，凭借无人机“精准感知+灵活作业”的优势，成为提升收获效率、减少损失的关键助力，其应用集中体现在作物成熟度动态监测与农产品短途运输辅助两大场景，有效解决传统收获环节“判断滞后”“运输受阻”等痛点。
最终，在场景落地应用方面，低空技术的应用成果得以体现。应用场景包括农田监测、精准植保、智慧种植、农业风险评估和农产品物流等。如，在农产品运输辅助环节，针对山区、丘陵等地面道路崎岖的区域，无人机搭载小型货运舱（载荷量5~30 kg），可直接将采摘后的农产品从田间输送至集中集货点，摆脱对传统车辆运输的依赖。例如，在山地果园，农户采摘的水果需人力背运至山下集货点，不仅效率低（人均日运输量不足50 kg），还易因颠簸导致果实破损；而货运无人机可沿预设航线低空飞行，单次运输耗时仅需5~10 min，日运输量可达500~800 kg，且货运舱内置缓冲防护结构，果实破损率控制在3%以内。此外，无人机还能配合北斗定位实时反馈运输进度，帮助农户合理调度后续分拣、仓储环节，进一步缓解收获高峰期的运输压力，保障农产品新鲜度。低空技术通过其技术框架的各个组成部分相互协作，不仅提高了农业生产效率和资源配置的合理性，还通过其独特的空中视角促进了农业的可持续发展。通过精准作业、实时监测和智能决策，低空技术为现代农业范式的变革提供了强有力的支持，推动了农业向智能化、绿色化和高效化的方向发展，最终塑造一个“可感知、可分析、可控制、可执行”的全新农业未来场景，实现低空技术赋能智慧农业。
2 农业低空技术体系
如图2所示为农业低空技术体系。
2.1 低空作业装备技术
低空作业装备技术主要包括无人飞行平台、低空作业执行系统和低空作业辅助系统。无人飞行平台涵盖多旋翼无人机、固定翼无人机、无人直升机等适配不同农业场景的机型。针对农田作业需求，重点突破“长续航、大载荷、抗干扰”技术。例如，植保无人机采用电动/油电混动双动力系统，续航时间提升至40~60 min，载荷量达100~300 kg，可适应大规模农田连续作业；同时，通过抗电磁干扰设计，确保在高压线下、树林周边等复杂农田环境稳定飞行，依托北斗/全球定位系统（Global Positioning System, GPS）双模定位，定位误差控制在厘米级。
低空作业执行系统根据不同作业场景（播种、施肥、施药、巡检），研发专用执行模块。如变量喷雾系统可通过流量传感器与AI算法实时调节雾滴大小、施药剂量，适配不同作物高度与病虫害严重程度；精准播种系统集成电动排种器与行距调节机构，实现播种深度0~5 cm可调、株距5~30 cm可控；低空遥感云台搭载三轴增稳技术，确保飞行中相机稳定拍摄，图像清晰度提升40%以上。
低空作业辅助系统包括高精度导航定位系统、飞行控制系统，以及感知与避障系统等。高精度导航定位系统搭载北斗、GPS等卫星导航系统以及RTK差分定位技术，可以将实时定位误差控制在厘米级，确保无人机能够准确沿着规定路线进行作业。飞行控制系统作为无人机的大脑，针对各种复杂环境可以实现稳定控制无人机的飞行高度、速度与姿态。避障系统主要通过视觉、红外等传感器，实时感知四周的障碍物（如电线、树木等），并执行绕行或者悬停等。
2.2 低空遥感与识别技术
农田信息的快速获取与解析是开展农业低空作业的前提和基础［7］。
2.2.1 低空遥感技术
低空遥感技术主要是借助使用GPS、地理信息系统（Geographic Information System, GIS），以及差分定位技术的无人机等低空飞行平台搭载不同的传感器设备获取田间的可见光图像、高/多光谱图像、热红外图像和激光雷达（Light Detection and Ranging, LiDAR）点云等数据［8, 9］，通过回归分析、机器学习、深度学习等技术对田间作物的水分、养分、病虫害等进行分析，将遥感数据转换成处方图，用于指导田间管理［10-12］。多光谱传感器可捕捉作物归一化植被指数（Normalized Difference Vegetation Index, NDVI）、比值植被指数（Ratio Vegetation Index, RVI）等关键参数，快速判断作物长势［13, 14］；高光谱传感器则能识别作物叶片的细微光谱变化，精准检测病虫害早期胁迫（如小麦条锈病发病前2~3天即可通过光谱异常识别）、土壤养分含量（如有机质、氮磷钾含量）；热红外传感器可通过地表温度差异，反演土壤墒情与作物水分胁迫情况，为灌溉决策提供数据支撑。在遥感数据的处理中，可以通过组合不同波段的光谱数据，计算出多种植被指数，结合地面实测数据以及相关的反演算法，分析植被指数与作物生理生化之间的关系，进而反映田间作物的生长状况以及病虫害状况［15-17］。也能利用雷达采集的三维点云数据，计算田间作物的三维结构信息，得到作物的株高、叶倾角等信息。
作者团队基于无人机低空遥感进行了小麦叶枯病、花生青枯病、棉花红蜘蛛、棉花水肥、松材线虫监测、自然灾害评估和耕地分类等研究。图3为团队以无人机为遥感平台，结合多光谱遥感影像和神经网络建立冠层氮含量、等效水厚度的反演模型，基于反演结果得到大田的棉花水、氮含量分布图，提出了多知识耦合的棉花水、氮自适应作业处方图生成系统。
2.2.2 AI视觉识别技术
AI视觉识别技术主要借助无人机获取可见光图像，基于深度学习构建视觉检测模型。针对病虫害识别，采用卷积神经网络（Convolutional Neural Network, CNN）、YOLO（You Only Look Once）系列算法，训练常见作物病虫害的识别模型，实现能区分发病前及时预测，发病后定量评估；针对作物长势分析，通过如U-Net、DeepLab等语义分割模型，可以准确提取作物株高、冠层覆盖度等特征，结合长势指数模型，实现作物长势分类，为后续精准管理提供依据；基于Mask RCNN实例分割技术可以进一步分割出植物冠层形态；基于目标检测算法与多目标跟踪算法结合的方式，可以对作物进行时间序列的检测与跟踪［18］。
2.3 低空数据处理与分析技术
低空数据处理与分析技术主要包括多源数据融合技术和农业大数据与AI决策技术两类。
多源数据融合技术整合低空遥感数据（作物长势、病虫害分布）、地面物联网数据（土壤墒情、环境温湿度）、田间管理数据（施肥记录、灌溉时间），通过数据清洗、格式标准化（采用JSON/LD等通用格式），构建统一的农田数据库。例如，将无人机获取的多光谱数据与土壤传感器采集的氮含量数据叠加，生成“长势-养分”关联热力图，为变量施肥提供精准依据。
农业大数据与AI决策技术基于农田数据库，构建系列农业专属模型，如作物生长预测模型（结合积温、光照、水肥数据，预测作物生育期关键节点，误差≤3天）、病虫害扩散模型（根据气象数据、田间病虫害分布，预测7~15天内病虫害扩散范围，准确率≥85%）、产量预估模型（融合作物穗数、粒重、饱满度等数据，预估误差≤5%）。同时，开发智能决策系统，将模型输出转化为可执行的作业方案（如“某地块需追施氮肥225 kg/hm2，分2次施入”），自动推送至低空作业装备。
2.4 精准作业与监管技术
2.4.1 精准作业
在农药的喷洒过程中，雾滴沉积和飘移是影响农药喷施效率的重要因素，植保无人机喷洒的雾滴粒径比其他植保机械要小，容易受到旋翼风场和环境气流的影响，从而导致雾滴沉积区域不稳定、雾滴运动不规律、雾滴易飘移等问题。为深入研究雾滴沉积规律，以及风场对雾滴飘移的影响，作者团队建设了风洞试验环境，如图5所示，搭建了高低速复合风洞（2~52 m/s）、小型低速风洞（2~10 m/s），以及包含粒子图像测速仪、激光粒度仪、高效液相色谱仪、植保无人机测试平台等在内的喷雾测试装置和系统，用于航空喷施雾化机理、环境飘移风险评估等研究。
遥感技术可以帮助航空施药技术更高效地使用农药，航空施药技术为遥感技术提供更好的验证平台，以及应用落脚点。通过高精度的图像分析，遥感技术可以识别田间害虫的分布和作物的健康状况，为精确航空施药提供详细的数据支持，这不仅减少了化学品的总使用量，降低了潜在的环境影响，而且节省了成本，提高了农业生产的经济效益。
（2）无人机播撒作业技术。农用无人机技术的持续迭代升级，有力地推动了播撒研究的显著进展。目前，该技术已广泛应用于大田播种、施肥等诸多领域，其应用广度与深度不断扩展与深化，现已成为农业航空体系的关键组成部分。
在应用技术方面，从最初采用简易离心盘抛撒到优化结构、加装离心罩提升沉积均匀性，再到气力吹送式的播撒增加播撒幅宽。播撒无人机实现从小规模无序撒播到大规模有序条播，从简易加装播撒装置到无人机集成模块一体化、参数化的技术升级，极大地促进了精准农业高效化和可持续化的发展。在播种方面，无人机可以精确控制垄间距和每平方米落种数量和均匀度，避免传统播种过密或者过疏的问题，为作物后期长势提供有效的生长空间。值得注意的是，无人机播撒属于一种低空高速作业，飞行任务参数直接影响播撒效果。为此，学者针对排料、播撒结构和作业参数做了大量的研究。如针对圆盘转速结构参数方面，吴辉等［26］采用沉积曲线测定横向和纵向不同的转速来确定肥料均匀性参数。飞播作业与飞行高度、速度、播种量、飞行路径等作业参数因素密切相关，同时还需要考虑实际飞行成本任务。毕银丽等［27］研究表明，当无人机飞行高度增加，种子播撒分布均匀性就会变差。随着有效幅宽和飞行速度增加，有效播撒率呈现下降趋势。颗粒质量流量检测技术主要分为两大类：（1）基于传感器测量，通过发射和接收端的传感器实现颗粒实时检测；（2）通过排料控制器间接测量，统一电机转速、播撒角度和离心盘水平挡板开度实现间接测量。总的来说，无人机播撒不仅仅是工具的简单替换，而且是一场农业生产模式的革新。未来随着无人机飞播的配套，农业逐步升级将会极大提升播撒效率，降低作业成本，进一步提升农业生产效率和智能化决策能力。
2.4.2 无人机精准监测技术
无人机精准监测是一个多维度的体系，通过获取到的作物的表型信息，进行作物实时长势监测、病害灾害识别、养分评估。高精度传感器的日益普及，提供了高质量的时空分辨率数据，使得作物冠层生理与反射率之间的规律得以被揭示。前人基于此进行了以下几个主要方面的研究：（1）作物养分评估，通过植被指数和反射率的动态变化来反演作物营养状况；（2）灾害和多胁迫诊断，通过时序光谱反射率、纹理和形态学特征变化构建作物胁迫水平监测；（3）作物表型分析，通过图像分割和目标检测来追踪作物表型长势。在这些研究中，前人开发了大量的机器学习范式，通过将计算机科学和农学相结合的方式完成了从海量、多源遥感数据到精准农情信息的智能解析与决策转化。如封润泽等［28］基于高光谱和卷积长短期记忆神经网络（Convolutional Long Short-Term Memory Neural Network, CNN-LSTM）对白菜叶片铜胁迫进行了分析；李新龙等［29］基于改进YOLOv10n的自然场景下对芒果果实与果梗进行了检测；于海琳等［30］通过搭载多光谱、雷达传感器无人机使用多种特征筛选方法构建了反演向日葵叶面积指数（Leaf Area Index, LAI）的机器学习模型。除上述方法之外，也有一些学者通过开发一些物理、半经验和混合的模型应用于无人机遥感精准监测任务中。如Xiang等［31］使用一种融合真实叶片结构的PROSPECT物理模型用于水稻叶绿素、等效水厚度的反演；钱凤魁等［32］使用数据同化技术，基于WOFOST（World Food Studies）模型与遥感数据同化的方式对县级尺度下玉米进行估产任务。
总之，无人机遥感精准监测的核心价值，在于它构建了一座连接农学与数字世界的“桥梁”。通过将作物的生理生化过程转化为可量化的光谱信号与模型参数，将农学从一门依赖经验的技艺，提升为一门基于数据的精准科学。使得研究以更精细的尺度洞察作物需求，以更前瞻的视野管理农业生产，真正实现了从“宏观田块”到“微观叶片”的全维度精准管理。
2.4.3 灾害评估
无人机通过搭载高清相机、多光谱传感器等设备，能够快速捕捉田间灾情的高分辨率影像与多维数据。结合灾害评估分析模型，可实现灾害影响的自动识别、精细分类与定量统计，为灾后恢复生产提供可靠依据［33-35］。在病虫害管理中，无人机采集作物冠层的叶片纹理与光谱反射特征等关键数据，通过集成图像识别算法（如基于CNN的语义分割技术）进行解析，自动提取叶片缺刻程度、虫害分布密度等关键指标，准确区分“健康植株”“轻度受害”与“重度受害”类型。进一步统计不同受害等级植株的分布情况，生成虫害空间热力图，清晰标识高风险区域与受害程度，可为后续精准施药提供支持。如在重度区域可适当提高药剂浓度与施药频次，轻度区域采用减量用药，健康区域则无需处理，在保障防治效果的同时，有效减少农药滥用带来的环境压力与经济成本。例如，Zuo等［36］针对玉米螟危害玉米产量安全却缺乏精确风险评估的问题，构建了基于Borderline-SMOTE改进的遗传算法–随机森林（GA-RF）特征优化模型，用于解决样本类别不平衡问题；并进一步引入加权聚类算法思想，构建农业病虫害风险评估模型。结合灾害风险理论量化其风险时空分布并完成区划，为农业灾害评估提供新方法，也为山东玉米螟防控提供决策支持。
多源数据融合技术的引入，进一步提升了农业灾害评估的准确性与系统性。通过整合无人机低空采集的高分辨率数据、卫星遥感宏观信息与地面实地观测资料，构建“微观—中观—宏观”三层评估体系，实现对灾情的立体化研判。无人机聚焦田块尺度，捕捉作物受损细节，如叶片破损与茎秆倒伏情况；卫星遥感（如Sentinel-2、Landsat系列）覆盖区域尺度，反映灾害整体分布与影响范围；地面观测数据（包括土壤湿度记录、作物生育期档案与人工勘查结果）则用于验证与补充，修正评估误差。以冰雹灾害后的农田评估为例，灾后无人机迅速对受灾区域进行全面扫描，获取作物外观损伤与冠层结构等低空数据；农业专家结合实地勘查经验，对重点区域影像进行细致标注，确立“轻度受损”“中度受损”与“重度受损”的分级标准，并将标注样本用于优化模型分类性能。进一步融合卫星遥感提取的全田归一化植被指数（Normalized Difference Vegetation Index, NDVI）分布数据，通过空间插值生成灾害程度热力图，以热力图的形式直观呈现不同区域受损差异。这种融合评估方法不仅实现全域精准定损，也为灾后生产恢复提供了分类指导——重度区域及时补种短季作物，中度区域加强水肥与病害防控，轻度区域实施针对性养护，从而系统降低灾害带来的总体损失。
2.4.4 产量与品质预估
无人机通过搭载传感设备，能够高效获取田间作物的高分辨率空间影像与多维生理信息。具体包括作物冠层在不同波段的光谱反射特征（如650—700 nm红边与近红外波段反射率，与水稻直链淀粉、大豆蛋白质含量密切相关）、株高与冠层三维结构参数（基于LiDAR或摄影测量点云数据，可计算有效分蘖数、结实层高度等），以及叶片纹理信息（如基于灰度共生矩阵提取的纹理指标，用于表征作物健康状况）。通过融合多源数据并构建“产量-品质”一体化预估模型，可实现作物生物量动态监测、产量潜力评估、关键品质指标（如直链淀粉与蛋白质含量）分级，以及全生育期生长状态的系统追踪，从而为田间精准水肥调控、分区收获规划与市场优质优价策略提供可靠依据。该技术体系依托“高光谱遥感+产量预估模型”，实现全生育期产量预测与品质分级，推动“按质定价”机制落地，据实践统计，产品附加值可提升10%~15%［37］。
以水稻产量与品质预估为例，利用无人机搭载多光谱与高光谱传感器，在拔节期、孕穗期和灌浆期等关键生育阶段采集数据。拔节期通过计算归一化植被指数、绿色叶绿素指数（Green Chlorophyll Index, GCI）等植被指数，评估作物营养积累潜力；孕穗期重点获取720 nm红边波段反射率，预判蛋白质合成趋势；灌浆期则结合LiDAR获取的冠层三维点云，提取有效分蘖数与穗粒密度等结构参数。基于全生育期获取的光谱特征与结构参数，可进一步构建“光谱-结构-产量-品质”关联模型，实现对水稻产量与品质的精准预估［38］。在大豆产量与品质预估中，无人机搭载高光谱传感器与RGB相机，于开花期、结荚期与鼓粒期分别采集数据。开花期通过NDVI与绿光归一化植被指数（Green Normalized Difference Vegetation Index, GNDVI）监测冠层光合效率，评估生物量积累趋势；结荚期捕捉820 nm近红外波段反射率，关联豆荚发育状态；鼓粒期则结合RGB影像分析单株结荚数与荚粒饱满度。基于多时期数据构建的预估模型，可支持大豆产量形成过程模拟与蛋白质含量分级，为生产管理与市场流通提供决策依据［39］。
2.4.5 生态管理
低空技术体系的建立与完善，为农业绿色可持续发展提供了重要的技术手段。目前已逐步建立了农田生态监管、水源污染防控与资源高效利用的生态监测链，为推进环境友好型农业转型探索出新的实践路径［40］。
在生态监管实践中，低空巡检无人机结合专业评估模型，构成实现农田系统精细化管理的有效手段。无人机搭载传感器采集田间数据，结合图像识别与模式分析算法，可实时获取作物长势、杂草状况、土壤性状及区域环境参数等信息。这些数据为秸秆禁烧监管、农药污染溯源等环境治理任务提供了关键依据［41］。
通过将无人机遥感数据与地面物联网传感信息进行融合处理，可以实现空地协同的立体化监测，对农田生态环境与基础设施状态进行更加精准的监测。农业生产管理者能够准确判断生态状况变化趋势，科学制定调控策略，实现水、肥、药等农业投入品的精准调配，从而有效降低面源污染风险，推动农业生产向精准化、绿色化方向纵深发展。
在污染监测方面，低空技术同样展现出良好的适用性。以农药残留引起的水体污染为例，搭载多光谱传感器的无人机可通过捕捉水体在特征波段的反射光谱变化，识别水体中污染物浓度、色度等关键水质指标异常。通过建立光谱指数与水体污染定量反演模型，能够实现对农药残留的快速辨识与定量评估，明确污染范围与程度，为后续开展针对性治理与生态修复提供可靠决策支持。例如，Pichhika和Yerra［42］提出了一种多模态特征提取模块，整合无人机进行自主数据收集和污染物分类。Berka等［43］的研究证实，遥感方法作为一种更快、更具成本效益的工具，在评估受露天煤矿影响的地表水质量方面是有效的，并且发现与卫星图像相比，无人机具有更高的空间分辨率，更适合监测较小的区域。
3 低空技术赋能智慧农业的应用场景
3.1 应用场景分析
低空技术在农业中的应用场景涵盖生产作业、智慧监测、物流运输及产业延伸等核心应用场景，从而构建出完整的低空智慧农业应用体系。图6所示为低空经济在农业中的核心应用场景。
在生产作业场景中，凭借无人机高效、精准、灵活且不受地形限制的特点，通过搭载喷洒灌溉系统，可以实现农药、化肥的均匀喷洒。大疆《2023—2024农业无人机行业白皮书》报告显示，截至2024年6月，农业无人机全球累计作业面积突破75亿亩次，覆盖中国1/3的农业土地面积，累计培训6 000名教员、30万名农业无人机飞手。可累计节约用水2.1亿吨，相当于3.9亿居民一年的饮水量；减少2 572万吨碳排量，相当于12亿棵树一年的固碳量；减少农药（折百）使用量4.7万吨。在智慧监测场景中，通过无人机搭载的多光谱、高光谱、热红外等各类传感器，可以及时获取作物的生长信息、土壤养分等状况，实现作物全生长周期的信息监测。在物流运输场景中，低空物流相较于传统物流在速度方面有极大的提升，实现农资从储存中心到田间地头的快速配送，缓解了农忙时节农资运输的难题，也保障了农产品和销售之间的效益。例如，在浙江温州的杨梅产区，与传统的陆路运输相比，采用顺丰无人机配送可将运输时间从2小时大幅缩短至8分钟。近年来，农业观光旅游因其独特的乡村风光、农事体验和休闲娱乐价值受到大众青睐，成为旅游市场中的热门领域，各地农业观光园不断涌现，客流量与旅游收入攀升，为农业转型和乡村发展注入新活力。农业低空经济延伸的农业观光旅游为农业观光开辟了新的视角和空间，通过空中游览设计，游客可以俯瞰农事和田园美景，延长农业产业链，增加农户收入。
3.2 低空技术在智慧果园中的应用
在全生长周期长势监测环节，通过无人机搭载多光谱、高光谱或热红外传感器，可定期获取果树不同生育期的生长数据，如高分辨率图像、冠层温度和高光谱数据等［46］。结合时序遥感影像分析，可动态评估果树长势，识别生长异常区域，为精准水肥管理提供决策依据［47, 48］。例如，基于可变焦高分辨率RGB无人机的深度学习模型可以精准实现单木尺度的果树冠分割，为精准变量喷施管理提供空间依据［49, 50］。在病虫害及产量预测环节：基于无人机遥感影像可以识别早期病虫害症状（如叶片黄化、病斑大小等［51］），并结合气象数据和AI大模型构建预测模型，提前预警病虫害爆发风险［52］。此外，基于无人机遥感的衍生数据，还可以构建相应的敏感光谱波段、优化植被指数并与机器学习算法相结合，克服传统监测方法在时空间分辨率方面的限制，实现病虫害的精确识别和空间定位，为果园生态系统的精准管理提供可靠的技术支持［53］。同时通过使用无人机高通量表型数据分析花果数量、冠结构等特征，可建立产量估算模型，辅助果园管理者优化运输采收计划［54］。在变量喷施环节，智能植保无人机结合高精度导航与变量喷洒技术，能够根据果树长势和病虫害分布情况，自动调整施药量，实现精准靶向喷施［55］。相较于传统均匀喷洒模式，该技术可减少农药使用量30%以上，有效降低环境污染，提高了病害的防治效果。
如图7所示为由华南农业大学国家精准农业航空施药技术国际联合中心联合广州市健坤网络科技发展有限公司和深圳现代农业装备研究院共同研发的“华农智巡”系统和专为荔枝产业打造的垂直领域大语言模型荔枝AI大模型“荔知君”，通过技术赋能荔枝产业，推动传统荔枝产业向精准化、智能化转型升级。“华农智巡”系统通过无人机、地基等感知传感器［58］采集果园全生长周期和环境信息［59］，并将其数据存储、统计、分析集成一体，实时监测果树长势、气象等信息，实现荔枝果园的精准智能化感知。“荔知君”基于多模态数据训练，融合了荔枝栽培、病虫害防治、全物候期管理等专业知识。通过权威知识库能够基于本地化种植数据库精细化调整模型参数，为不同品种、物候期定制方案，智能交互系统能够支持文字、图片双模态输入，可以精准识别荔枝状况（如叶褪色、果成熟等），并推荐防治方案对症下药，动态决策系统能够结合无人机遥感数据实时优化建议，持续学习适配果园需求，提供差异化农事指导。“华农智巡”融合“荔知君”AI大模型，结合往期荔枝栽培经验、全物候期生长规律以及千万级病虫害图谱，可以提前2~3周预测病虫害的爆发概率，结合花量、坐果情况及环境因素进行产量预估，实现荔枝果园的智慧化监测，为果园管理提供科学依据。
综上，低空技术已然成为贯穿果园全生命周期的“数字基础设施”，集星-机-地多源传感器实时“感知”单木尺度的长势、病虫与产量；垂直大模型即时“诊断”，早期预警并生成精准处方图；云端算法自动“决策”变量施肥、施药、授粉及冷链运输路线，指导无人机与无人车的精准作业，形成“感知-诊断-决策-执行”闭环。
3.3 低空技术在生态无人农场中的应用
无人化智慧农场正引领全球农业向智能化和精准化的方向转型升级［60］。无人农场具有三大功能，即农田信息的自动采集和处理、科学决策以及无人农机的远程控制。生态无人农场是生态农业与无人农场的深度融合。低空技术在生态无人农场的建设与运行中发挥着关键支撑作用。
（1）农情信息的精准获取：搭载多光谱、热成像等传感器的农用无人机可在低空快速获取农田作物长势、病虫害分布、土壤墒情等多维信息，实现高时空分辨率的动态监测。与地面传感器、卫星遥感数据融合，可构建“天-空-地”一体化农情监测体系，为决策模型提供精准、实时的输入数据。
（2）精准作业：低空平台可承担播种、施肥、灌溉、植保等多类精准作业任务。基于RTK定位与处方图，无人机可实现变量施药和定量播撒，减少化肥和农药使用量，降低环境污染。在特殊地形、灾后恢复等场景中，低空装备可快速进入作业区域，提升作业效率与农田可达性。
（3）生态管理：通过低空监测与数据分析，可实时评估作物健康、病虫害风险及农田生态环境变化，支持绿色防控与精准干预，减少化学投入，实现生态保护与产量稳定的双重目标。
（4）空地协同作业：在生态无人农场中，低空无人机与地面自动驾驶农机可实现多模协同。例如，在收获阶段，低空平台可实时反馈作物成熟度与收割进度，指导地面机械优化路径与作业顺序。
作者团队在山东省淄博市建设了图8所示的生态无人农场，是融合低空农业技术的典型实践。该农场在耕、种、管、收全链条中嵌入低空技术，通过农用无人机、物联网、大数据、云平台等技术，实现了小麦和玉米两种作物从播种至收获全过程的无人化管理，以及农田管理高效率、低投入与绿色化的目标，为低空经济与智慧农业的深度融合提供了可复制的范例。
4 发展农业低空技术面临的挑战
智慧农业通过数字化、智能化手段，可实现精准作业、资源高效利用，满足农业可持续发展需求。传统农业向智慧农业的转型，不仅是应对资源约束与劳动力短缺的选择，更是通过技术赋能实现“降本、增效、提质、生态”多重目标，是农业现代化发展的必然路径。在这一过程中，低空技术能够直接赋能智慧农业转型。但低空技术在智慧农业领域规模化的建设与推广应用仍面临着技术、成本、标准、生态以及政策、人才等方面的制约。
4.1 高端传感器“卡脖子”、地形喷施复杂、落地应用难
低空技术在智慧农业的应用存在数据精准采集与分析、决策模型构建、多技术协同应用难题。农业环境的复杂性对传感设备的精度和环境适应能力有着极高的要求。例如多光谱相机在阴雨天气或植被覆盖密集区域无法正确采集到光谱反射率。当植被郁闭度>0.8时，光谱反射率重建平均误差12.7%，阴雨天下可见光波段信噪比下降50%，除此之外，田间传感器长时间暴露在户外会因雨水、暴晒等导致故障。高端传感器芯片仍是依赖国外进口，自研芯片仍需要进一步投入，在可靠性、精度和效率方面与发达国家相比仍有差距。农业场景的特殊性要求图像识别、决策预测等模型具有极高的时空迁移鲁棒性。不同作物和不同生长周期的作物生长形态迥异，农情分析决策模型需独立开发，数据标注成本高且复用率低，制约了技术的规模化应用。无人机通用作业处方图的生成技术尚未成熟，无人机施药作业还未实现真正的变量喷施。低空技术应用于山地农业时，由于地形复杂，果园中果树行间树冠高度起伏大，对无人机的自主导航和仿形飞行提出了更高的要求。果园单木识别和信息提取精度有待提高。丘陵山地区域无人机作业受三维运动特点和能源消耗影响，路径规划更复杂［61］。复杂场景下，如喀斯特山区，地形崎岖且地表生境复杂，不同的地物和地形的组合往往会带来或强或弱的干扰，影响作物识别精度［62］。
4.2 成本“枷锁”限制基础设施建设
智慧农业设备与服务成本较高，高成本投入贯穿了智慧农业的整个建设过程。基础设施不够完善。在智慧农业的建设过程中，硬件设备的投入成本高昂体现在“耕、种、管、收”各个过程中。设备置办后，传感器更换、数据平台建设、设备维修等需要大量的运营和维护投入。据《求是》报道，133.33 hm2规模的农场仅“耕-种-管-收”感知+控制硬件就需35万元，合2 625元/hm2；若再配水肥一体机，平原区单套1.2~3万元，丘陵因管网开挖人工上浮40%~60%，亩均追加500~1 500元。而低空经济的产业化和规模化发展，显著降低了农业智能化、现代化的成本。随着无人机产业链的成熟和政策扶持力度的增强，设备单价会有所下降，设备运维的服务以及区域会更加普及，从而降低农业生产转型智慧农业的成本压力。农用无人机在乡镇农村的使用率较低、设备故障维修难且周期长，基础设施建设不足。
4.3 生态标准不一、数据难通、互操作性差
智慧农业需要融合物联网技术、通信技术、智能装备、AI算法等多领域技术，但当前各个技术模块间存在数据传输不统一、不协调、兼容性差的问题，严重限制了技术的推广和应用效果。在国际上，由于不同国家地区的技术水平和应用情况存在差异，导致了不同国家地区所采用的传感器、飞行平台，以及数据处理的算法也各不相同。多年以来，虽然各个国家和地区的研究人员采集了大量的研究数据，数据覆盖范围遍布全球，但因为各自应用的目标、采集的标准、使用的传感器和采集的平台都不尽相同，不同平台之间、不同传感器之间的数据格式，以及使用方式也不尽相同，甚至各地区对待数据的政策也不同，导致了采集的数据难以兼容和共享，严重阻碍了精准农业航空技术在全球范围内的推广与协同发展，也限制了低空经济产业生态的完善。适应农业人工智能发展的基础设施如农业物联网、政策法规如农业数据共享机制、标准体系如农事作业标准等方面亟待建设和完善。
4.4 复合型人才供需不足，出现农事作业断层
智慧农业需要既懂农业又懂技术的复合型人才，但当前人才供给与产业需求严重失衡。传统农业从业者缺乏专业的现代技术知识，而计算机、通信等领域的技术人才虽掌握算法开发、硬件集成技能，但普遍缺乏农业生产实践经验。低空作业平台的操作更加智能化后，可以降低使用门槛。并且，基于低空经济的农事服务体系可以通过培训与服务外包模式，帮助农业生产者以更低的成本使用低空技术，使得基层的低空作业无需完全依赖高水平复合型人才，降低农业人才压力。同时，低空经济的快速发展，一方面吸引大量技术人才主动学习农业知识，投入到农业低空经济中，另一方面也会吸引部分从事传统农业工作的人才学习低空技术，从而为农业低空经济引入既懂农业又懂技术的复合型人才。
5 促进低空技术发展的建议
为了应对上述困难，从以下方面提出发展低空技术、促进低空经济发展的建议。
5.1 打造垂直整合、水平扩展、时空协同“三维一体”技术体系
（1）基于垂直整合的传感器-飞行平台-算法全栈研发。传感器是获取农业信息的重要途径，通过传感器可以有效获取田间作物的光谱信息和三维信息，进而反演出作物的生长状况、病虫害和土壤信息。进一步加强核心芯片研发投入，提升自主可靠性、精度和效率，降低生产成本，促进实际应用，解决“卡脖子”难题。无人机可以为传感器提供稳定的挂载平台，同时也是精准航空农业作业的依托，是实现多种航空作业的主要设备。开发稳定、长续航、强负载能力并具备智能自主飞行功能的无人机平台可以为精准农业航空作业提供可信赖的作业平台。结合机器学习、深度学习、回归反演等算法技术，处理分析传感器获取的农田数据，改进作物分割算法，提升在密植和复杂背景下的识别精度，为精准作业提供决策支持，实现精准施药、施肥和灌溉等操作。结合多源传感器数据（如热红外、高光谱、多光谱无人机遥感等），开发更通用的农情分析模型，提高无人机作业处方图的生成精度，提升农情感知和分析能力。通过垂直整合，实现传感器、飞行平台、算法全栈研发，确保各部分之间更好地协同工作，提高系统整体性能。利用深度学习等人工智能技术。大力发展农业物联网技术，建设农业数据共享平台。
（2）基于水平扩展的园-大田-温室场景通用技术组件的研发。农业生产场景复杂多样，包括果园、大田、温室等，不同场景对精准农业航空技术的需求存在差异。现有的许多作业装备只能针对某一个作物、某一种应用场景，智能算法也只能针对某一地区或某一种种植场景。研发通用的技术组件可以降低技术的使用成本并提高应用效率。
研究基于视觉、激光雷达等多传感器的融合导航技术，攻克复杂地形下的自主导航和仿形飞行技术，实现无人机在山地果园等复杂环境下的稳定飞行和精准作业。
（3）基于时空协同的“星-空-地”多源数据融合。在遥感领域中，卫星遥感数据可以提供大面积、宏观的农业信息，无人机遥感数据能获取高分辨率、局部区域的实时信息，地面监测站数据则能对特定地点进行精准监测。通过融合不同时空尺度的数据，可相互弥补不同数据源的缺点，实现对农业生产的全方位、实时监测和精准管理。如融合“星-空-地”数据，利用卫星遥感发现大面积作物异常，配合无人机进行详细调查，结合地面监测站数据进行综合分析，可以为农业生产提供更准确的决策依据，提高农业生产的精准性和科学性。进一步发展农业大数据分析技术，加强多时相遥感数据挖掘技术研究，实现更精准的农作物生长预测。深入研究和采集细化数据，将数据科学转化为实际生产的指导策略，开发更智能化的数字管理平台，主动、精准地指导农事活动。
5.2 完善技术标准，构建全链条融合的农业低空产业生态
不同国家和地区之间缺乏统一标准，影响了技术推广和设备兼容性。因此需要制定涵盖传感器校准、数据格式、飞行安全等方面的统一技术标准，确保不同设备和系统间的兼容性和互操作性，扩展数据的时空延展性。同时，加强产学研合作，促进技术创新和成果转化，建立产业联盟，整合各方资源，推动技术应用和市场拓展，完善产业生态。制定适用于农业低空作业的作业规范、数据接口标准、空域管理和信息安全制度，确保多平台协同的安全与互通，建设农业低空经济生态建设的标准和安全体系。
将农业低空基础设施，包括低空通信基站、起降点、充换电站等纳入乡村振兴专项规划，形成覆盖主要农区的低空作业与物流网络，建设农业低空经济的基础生态，建立开放式农业低空作业平台，实现多类无人机与地面农机协同，推动监测、植保、运输等环节的数据和任务在统一系统中调度，实现农业低空经济生态建设的技术集成以及平台化运营。
5.3 强化政策引领与人才培育，激活农业低空经济新动能
农业低空经济的发展需要完善的政策体系与高水平的人才支撑。在政策方面，当前中国低空空域管理仍以“管制为主”，农用空域与其他低空活动如通用航空、无人机娱乐的管理方案未明确划分，空域审批流程复杂。部分地区因没有明确的可参考政策而限制农业低空作业的空域使用，严重阻碍了农业低空经济的落地应用以及推广。商用、农用、民用无人机在管理上并不明确，许多禁飞区域把所有无人机一视同仁，导致农业无人机在重要的农事时期无法及时执行任务，失去了该有的监测与管理功能。应当完善低空飞行管理政策，明确“农用空域使用管理制度”，细化空域划分、飞行规则、责任界定等飞行管理法规与标准，逐渐开放低空空域。同时，还需要加强农业航空政策扶持。为农事服务、技术研发等设备购买或升级需求提供补贴与优惠政策，鼓励低空经济项目落地，并建立完善的农业航空作业资质认证与监管体系。
在人才方面，农业低空经济需要懂农业还要懂技术的复合型人才。一方面需要高校大力培养面向农业领域的科技人才，促进农业低空经济技术与装备研发，鼓励农业院校与理工科技院校联合培养复合型人才。对基层的农业从业者进行“短期+长期”的定向培训。利用短期培训帮助农业从事者能够快速上手掌握低空农业设备，缓解人才短缺的压力。同时结合长期培训学习，系统提升农业从事者的知识素养。
通过完善空域管理、强化政策扶持、健全监管体系，可以促进技术应用落地；通过交叉学科培养、现代农事职业培训、基层人才激励等人才培养政策，可为农业产业发展提供人才支持。二者协同发力，为农业低空经济发展提供更多的技术与人才，可以有效推动农业低空经济蓬勃发展。
