LiDAR 传感器如何改变精准农业：从作物监测到产量预测

明尼苏达大学的一位小麦育种研究员把 LiDAR 传感器装在地面上，以 2 km/h 的速度穿过试验区。传感器每秒发射 20 万次激光脉冲，为每一行中的每棵植株构建厘米级分辨率的三维模型。15 分钟内，她获得了 500 个基因型的株高、冠层厚度和倒伏程度数据——这些数据如果让研究生用尺子和测量带来采集，需要三天。

这不是实验室实验。这是 2026 年越来越多农业研究者和商业农场使用 LiDAR 的方式。精准农业市场预计到 2032 年将达到 202 亿美元（IMARC Group 数据）。其中 LiDAR 的角色正从一个小众研究工具扩展为实用的田间仪器——推动力来自传感器成本下降、与无人机和地面车辆的更好集成、以及将点云转化为可操作农艺决策的软件。

LiDAR 在田间实际测量什么

LiDAR 不直接测量作物健康。理解这一点很重要。

多光谱相机做的事：捕获作物冠层在各种波长下的反射光，可以转换为 NDVI（归一化植被指数）、LAI（叶面积指数）等健康指标。绿色健康植株反射更多近红外光，受胁迫的植株则不然。

LiDAR做的事：测量物理距离。每个从作物冠层返回的激光脉冲精确告诉你冠层上那个点离传感器有多远。如果你知道传感器的位置和地面高程，就可以计算株高。如果有足够的点，你就能重建冠层的完整三维结构——体积、密度、形状。

这两种数据类型回答不同的问题：

• 多光谱：这片田地是健康还是受胁迫？
• LiDAR：这里的作物有多高？冠层有多密？地面是平坦还是倾斜的？

两者不互相替代。从 LiDAR 中获得最大价值的农场是将它与多光谱影像结合使用。但 LiDAR 的结构数据提供了基于像素的成像无法提供的东西：精确的三维几何信息。

株高与冠层结构

株高是最基本的农艺测量之一，也是最耗时的。传统方法是在田间行走用尺子或测高杆测量，每隔一定距离采样。对于 100 公顷的小麦田，这意味着数千次单独测量，每次都有人为误差。

LiDAR 将这一过程完全自动化。安装在拖拉机、地面机器人或无人机上的传感器扫描田间，生成数字表面模型（DSM）——本质上是田面的三维复制品。减去地面高程（同时测量或使用已有地形模型），你就得到了激光触达每个点的株高。

2025 年发表在 Canadian Journal of Remote Sensing 的一项研究使用安装在地面上车辆上的 LiDAR 估算小麦株高并对倒伏严重程度进行分类，系统在整个试验区内达到了厘米级精度。关键优势不仅是速度——LiDAR 能在倒伏从远处可见之前就检测到（植株弯折或倒伏），从而实现更早的干预。

对于果树（果园、葡萄园、柑橘园），LiDAR 提供了更有价值的东西：完整的冠层体积估算。冠层体积与多年生作物的生物量和产量潜力有很强的相关性。逐行扫描果园后，你构建的详细三维地图能显示哪些树长势不足、哪些过度生长、哪里需要修剪。这种数据很难从其他任何传感器类型获得——相机只能看到冠层顶部但无法穿透，人工测量则需要有人亲自够到每棵树。

产量预测

LiDAR 的株高数据与产量有充分记录的相关性，尤其在谷物作物中。较高的植株通常产生更多生物量，进而产生更多籽粒。2024 年发表在 Nature Scientific Reports 上的一项研究使用深度学习处理 LiDAR 点云来预测蔬菜作物的株高和冠幅——发现这些结构参数是最终产量的强预测因子。

明尼苏达大学开发的作物评估工具结合了冠层反射率（多光谱）和 LiDAR 传感器来远程估算株高并预测产量和品质。LiDAR 提供结构数据（多高、多密），多光谱提供健康数据（NDVI、叶绿素含量）。两者结合的表现超过了单独使用任何一种传感器。

对于干豆，2025 年 PMC 发表的一项研究比较了基于无人机的 LiDAR 与多光谱成像在估算株高、倒伏和种子产量方面的表现。LiDAR 在结构参数（株高、倒伏、数字生物量）上优于多光谱，在产量预测方面也具有竞争力。

实际意义：农民可以在关键生长期（分蘖、开花、收获前）用搭载 LiDAR 的无人机飞越田间，生成产量估算地图，并据此规划收获物流、仓储分配和收获前的销售合同。对于大宗商品作物，价格波动直接影响利润时，提前几周知道预期产量具有直接的财务价值。

土壤与地形测绘

任何作物种下去之前，首先是土地本身。LiDAR 产生厘米级精度地形模型的能力使其在完全不涉及植物的田间准备任务中同样有用。

排水规划：水不会沿直线流过田间——它跟随微地形。一个肉眼不可见的 5 厘米洼地可以积水，造成厌氧土壤条件，杀死幼苗。LiDAR 地形图揭示了这些微洼地，使农民可以在种植前规划排水修正。

变量施肥：田间的地形影响水、肥料和农药的分布。坡面侵蚀更快。低洼区积累更多水分。LiDAR 衍生的地形数据输入到变量施肥（VRA）系统中，根据田间位置调整投入量。USGS 3D 高程计划明确将精准农业列为 LiDAR 地形数据的关键应用。

土壤分类：通过结合 LiDAR 高程数据和土壤样本，研究人员开发了数字土壤地图，无需对每平方米进行采样就能预测整个田间的土壤类型和质量。LiDAR 捕获的地形特征——坡度、坡向、曲率——与土壤形成过程相关，可以作为土壤性质的代理指标。

LiDAR 的搭载平台选择

同一个 LiDAR 传感器放在不同位置，结果差异很大。农业中主要有三种部署平台：

地面搭载（拖拉机或机器人）

• 更高的点密度：传感器离作物更近（1-3 米 vs. 无人机的 10-50 米），每平方米冠层获得更多激光点。这意味着更好的分辨率，可以检测精细结构特征——单株茎秆、叶片角度、果实位置。
• 全天候运行：不受风速或降雨限制。只要拖拉机能动，就能扫描。
• 成本更低：不需要无人机执照、没有空域限制，传感器可以直接从车辆电气系统供电（Livox M360 支持 12-32V DC）。

缺点是速度。拖拉机速度约 5-10 km/h，且田间作业要争夺拖拉机使用时间。自主地面机器人解决了人力问题但移动更慢——明尼苏达的例子中速度为 2 km/h。

无人机搭载（UAV）

无人机 LiDAR 用点密度换取速度和覆盖面积。搭载 LiDAR 的无人机每天可以覆盖 10-50 公顷，具体取决于飞行高度、速度和重叠要求。这使得无人机成为大规模田间调查的实际选择。

代价是更高的飞行高度意味着更低的点密度和更粗的分辨率。30 米高度的无人机产生的点间距比 2 米高度的地面上机器人更大。对于株高测绘和地形调查，无人机 LiDAR 的精度足够。对于精细尺度的表型分析（单株植物结构），地面搭载更好。

背包或手持

对于小地块、研究站和特种作物（苗圃树苗、浆果灌木），手持或背包 LiDAR 系统运行良好。操作者在作物间行走，传感器随之构建三维模型。技术含量不高，但在相应尺度上效果很好。

LiDAR 与摄影测量的对比

摄影测量——通过重叠照片创建三维模型——是农业测绘中更便宜的替代方案。搭载好相机的无人机成本远低于搭载 LiDAR 的无人机。Pix4D、Agisoft Metashape、DroneDeploy 等软件可以将照片转换为三维模型和表面地图。

问题在于摄影测量的精度是否满足你的应用需求。

摄影测量够用的场景：大规模地形测绘、田块边界划定、一般株高估算和视觉作物健康评估。

LiDAR 值得额外投入的场景：

• 冠层下方穿透：摄影测量只能看到冠层顶部。LiDAR 脉冲能穿透叶片间的间隙，返回来自下层冠层甚至冠层下方地面的点。
• 直接测量：摄影测量通过比较重叠图像计算视差来估算高度——间接测量。LiDAR 用激光脉冲直接测量距离。结果更准确、更一致。
• 穿透植被的地面：如果你需要植被下的裸地地形模型，LiDAR（尤其是 Livox M360-D 等双回波传感器）明显优于摄影测量。
• 主动传感：摄影测量需要充足的光照和对比度。LiDAR 在黎明、黄昏和阴天条件下也能工作。

实际局限性

LiDAR 在农业中并非没有实际问题。

成本：农业用 LiDAR 传感器价格 1000-15000 美元不等，取决于探测距离和精度。加上无人机或地面车辆、处理软件和培训，系统总成本在 5000-50000 美元以上。对于大型商业农场，一个季节内通过减少投入和优化产量就能回本。对小农户来说，说服力较弱。

数据处理负担：LiDAR 生成大型数据集。一次 20 公顷的无人机飞行可以产生 5-20 GB 的原始点云数据。将其处理为可用地图——过滤噪声、分类地面与植被、生成高度图——需要软件和一定的技术能力。

植被穿透限制：虽然 LiDAR 比摄影测量更能穿透冠层，但它不能穿透固体物体。没有叶片间隙的非常密集的作物会将大多数激光脉冲从冠层顶部反射回来。

无人机法规障碍：在许多国家，将无人机用于商业农业目的需要执照、飞行计划和高度及空域合规。

农业应用选型要点

如果你在评估农业用 LiDAR，关注以下参数：

• 10%反射率下的探测距离：大多数农业目标反射率低。Livox M360 在 10%反射率下探测 0.1-25m——适合地面表型分析和近距离扫描。
• 点云速率：越高越好，特别是快速移动平台。200 kHz（每秒 20 万个点）在中速下提供良好的密度。
• 垂直视场角：地面扫描时，宽垂直视场角意味着传感器可以一次通过同时捕获冠层和地面。M360 的 70° 垂直视场角（-10° 至 +60°）从单一安装位置即可覆盖地面到头顶。
• 防护等级：农业环境多尘、潮湿且暴露。IP67 是田间部署的最低实用标准。
• 供电兼容性：如果装在拖拉机或喷雾机上，12-32V DC 兼容性（如 M360）可以直接从车辆电气系统供电。
• 重量：无人机搭载时，每克都很重要。M360 重量 408g——轻到不会对大多数农业无人机造成明显的载荷影响。

关于 Livox M360 与同级别竞品的详细参数对比，请参阅我们的 M360 vs MID-360 对比页面。

实操建议：入门路径

对于考虑使用 LiDAR 的农场或研究机构，以下是切实可行的起步路径：

1. 明确具体问题："更好的作物数据"太模糊。"我需要在小麦生长季节三次获取 50 公顷范围内厘米级精度的株高测量数据"——这才足够具体。
2. 选择平台：地面机器人用于表型分析和逐行精细扫描。无人机用于大面积调查和地形测绘。让平台匹配问题，而非相反。
3. 选择合适探测距离的传感器：地面工作不需要长距传感器。大多数地面农业扫描中，25m 探测距离（10%反射率）就足够了。
4. 规划数据处理流程：你将如何处理点云？谁来处理？用什么软件？在首次扫描之前就确定这些。CloudCompare 免费且能处理基本操作。
5. 从小规模开始，验证，再扩展：在一个田块或一种作物上运行试点。将 LiDAR 测量值与人工测量值对比。在验证准确度后再投入更大规模的部署。

市场数据来源：IMARC Group（精准农业市场，2032 年预测）。学术参考文献来自 Nature Scientific Reports（2024）、Canadian Journal of Remote Sensing（2025）、PMC（2025）及 MDPI Sensors（2024）。Livox M360 产品规格基于官方产品手册 Ver 1.4（2026-02-27）。

© 2026 SmartBotParts. All rights reserved.