2024年，瓦赫宁根大学的研究团队在一架无人机上搭载轻量级LiDAR传感器，对荷兰12块麦田进行了扫描。LiDAR点云数据预测小麦产量的准确率达到87%——超过了多光谱NDVI影像（79%）和经验丰富的农艺师目测评分（72%）。
这一个数字说明了为什么精准农业正在接受LiDAR。多光谱传感器告诉你作物"是否"受到胁迫。LiDAR告诉你作物的物理结构"如何"——高度、冠层体积、叶面积和三维生长模式。这些结构数据最终被证明比大多数农场依赖的基于颜色的指数更能预测产量。
LiDAR 在农田中实际测量什么
当LiDAR传感器扫描农田时，每个激光脉冲返回碰到任何物体的距离测量值——叶片、茎秆、行间裸露的土壤和冠层下方的地面。结果是一个包含数百万次测量的3D点云，同时映射作物和地形。
从这些原始点云中，农艺师可以提取几个关键的作物指标：
冠层高度是最直接的指标。LiDAR直接测量传感器到作物冠层最高点和到地面的距离。用地表高程减去冠层顶部高程，就得到厘米级精度的作物高度。多项研究表明，在小麦、玉米、马铃薯和甜菜中，LiDAR推导的作物高度与鲜生物量之间的相关性很强（R² > 0.85）。
叶面积指数（LAI）衡量单位地面面积上的单面叶面积总面积。LAI驱动光合作用、蒸腾作用，并最终影响产量。传统测量需要实际取样叶片——费时、破坏性、无法规模化。LiDAR通过回波信号的垂直分布来估算LAI：冠层密集、LAI高的区域在顶部吸收更多激光能量，地面回波减少。地面回波与冠层回波的比值提供了可靠的LAI代理指标，不需要触碰一片叶子。
冠层体积和结构超越了高度。LiDAR捕捉作物冠层的三维形状——叶片在地表到冠层顶部之间填充的密度、田间生长是否均匀，以及结构性缺口在哪里——稀疏的出苗、虫害损害或灌溉失败。这些体积数据很难或不可能从任何2D传感器获取。
LiDAR 与其他遥感技术的对比
LiDAR不是农业中唯一的遥感工具。关键在于它与多光谱成像和摄影测量相比，在哪里适用、哪里不适用。
LiDAR vs 多光谱成像
多光谱传感器（如MicaSense RedEdge或大疆P4多光谱版）在特定光谱波段捕捉光——通常是红、绿、蓝、近红外和红边。通过计算NDVI（归一化植被指数）等指数，它们可以在肉眼看到症状之前检测到植物胁迫、营养缺乏和病害。
多光谱不擅长的：它无法测量物理结构。两个NDVI值相同的田块可能有完全不同的冠层结构、生物量水平和产量潜力。多光谱看到"绿"，但忽略了"高"和"密"。
LiDAR看到物理结构，但不直接获取光谱信息——它无法告诉你植物是否缺氮或缺水。这就是为什么越来越多研究者建议结合LiDAR和多光谱数据。2025年一项棉花产量预测研究发现，融合无人机LiDAR结构指标和多光谱光谱指数比单一技术提高预测精度12–18%。
LiDAR vs 摄影测量
基于无人机的摄影测量利用重叠照片创建地形和冠层的3D模型。它比LiDAR便宜（一台多光谱相机$3,000–$6,000；一台LiDAR传感器$5,000–$25,000），产出的照片级3D模型更直观。
问题是：摄影测量在处理密集植被时表现很差。该技术依赖在重叠照片中识别匹配的视觉特征，当致密的作物冠层完全覆盖地面时，就没有地面特征可以匹配。摄影测量推导的作物高度往往偏高，因为"地面"实际上是植被层的顶部，不是真正的土壤。
LiDAR不存在这个问题。激光脉冲穿透冠层间隙到达真正的地面，给出真实的地形高程。2023年一项在玉米和小麦上的对比研究发现，基于LiDAR的作物高度测量均方根误差为3.2cm，而摄影测量为11.7cm。
| 参数 | LiDAR | 多光谱 | 摄影测量 |
|---|---|---|---|
| 主要输出 | 3D结构（距离+几何） | 光谱指数（NDVI等） | 基于照片的3D表面模型 |
| 作物高度精度 | ±2–5 cm | 不适用 | ±8–15 cm |
| LAI估算 | 好（穿透比） | 中等（光谱指数） | 差 |
| 冠层穿透能力 | 穿透到地面 | 仅表面 | 有限（冠层下无地面特征） |
| 作物健康检测 | 无（无光谱数据） | 强（NDVI、NDRE） | 中等（仅视觉症状） |
| 产量预测准确率 | 75–90% | 65–85% | 60–80% |
| 单台传感器成本 | $5,000–$25,000 | $3,000–$6,000 | $1,000–$3,000 |
实际应用场景
产量预测
瓦赫宁根的小麦研究是越来越多证据的一部分。2019年一项关于无人机LiDAR在马铃薯、甜菜和玉米上应用的研究发现，LiDAR推导的冠层高度指标解释了三种作物产量变异的73–88%。2025年的棉花研究表明，LiDAR+多光谱融合模型的产量预测R²达到0.91——接近手工取样参考数据的精度。
灌溉管理
LiDAR冠层体积图揭示水分吸收的空间差异。冠层体积较低的区域通常表明灌溉不足或土壤保水能力差。通过将LiDAR结构数据与土壤湿度传感器结合，种植者可以创建精确的灌溉处方，精准补灌薄弱区域而不过度灌溉健康区域。
品种选育与表型分析
作物育种者需要快速评估成千上万个试验小区。手动测量植株高度、叶角和冠层密度在数百个品系间是劳动密集型且低通量的。无人机LiDAR可以在一次飞行中完成整个育种试验的表型分析，同时捕捉每个小区的结构性状。一些育种项目通过从手动测量转向LiDAR测量，表型分析时间缩短了80%。
病虫害早期发现
LiDAR不直接检测病害，但结构性异常往往先于可见症状出现。冠层中突然出现高度下降的区域可能表明根部病害、倒伏或虫害损害，而这些尚未改变叶片颜色。当LiDAR定期飞行（生长季每周一次）时，冠层高度地图的时间序列比较能及早发现这些变化。
无人机部署实践
目前大多数农业LiDAR搭载在无人机上。传感器的重量和功耗要求很重要。
Livox M360重量仅408g，功耗低于4.5W——对于大多数农业无人机来说足够轻巧和高效。其12–32V直流输入范围匹配标准无人机电源系统。360°水平视野加70°垂直视野意味着即使在不平坦的地形上也能在一次通过中同时捕捉冠层顶部和地面。IP67防护等级应对田间作业中常见的粉尘和短暂降雨。
无人机部署的关键权衡是飞行高度 vs 点云密度。飞得低产生更密集的点云但单次飞行覆盖面积更小。大多数农业应用的最佳点在30–50m高度，飞行速度3–6 m/s，每平方米产生200–500个点——足以进行可靠的作物高度和LAI估算。
成本效益：什么时候值得
农业LiDAR不便宜。一套LiDAR无人机系统（传感器+无人机+处理软件）通常需要$15,000–$40,000。这对农场来说是一笔不小的投资。
经济上合理的情况：
- 高价值作物：葡萄、果树和特种蔬菜，单位面积产量差异对应显著收入差距
- 育种项目：管理数百到数千个试验小区的组织
- 大型行播作物种植：500公顷以上的农场，基于田间变异性的精准管理决策有实际价值
不太容易证明合理性的情况：
- 50公顷以下的小型农场
- 均匀条件下种植的作物，田间变异小
- 只需要作物健康监测的场景，多光谱NDVI单独就够用了
未来：多技术融合
最有成效的路径不是选择一种技术而排斥其他。而是将它们结合起来。
一个配置完善的精准农业项目通常使用多光谱传感器进行每周作物健康监测（便宜、快速、适合胁迫检测），LiDAR进行阶段性结构评估（关键生长阶段每月一次），地面传感器（土壤湿度、气象站）提供持续的环境数据。
当这些数据流结合在一起，就构成了一个没有任何单一技术能提供的三维作物性能画像。多光谱告诉你作物受到胁迫。LiDAR告诉你胁迫如何影响物理生长。地面传感器告诉你导致胁迫的环境条件。三者结合，使农艺师能够更快诊断问题并更精准地开出处方。
本文引用的研究和市场数据基于截至2026年7月的公开来源。实际性能因作物类型、传感器配置、飞行参数和处理方法而异。请咨询农业技术供应商获取特定作物的建议。
© 2026 SmartBotParts. All rights reserved.