为进一步推进智慧农业数据采集标准化与科研协同，9月27日至30日，何勇军组织农业数字化种植与智能决策项目组团队，共赴黑龙江省建三江管理局七星农场，开展了多项作物监测数据采集任务。本次外业工作以无人机多源数据采集为核心，结合地面精细测量，全面提升了科研团队在作物表型监测、农机作业质量分析等方面的技术应用能力。
数据采集队伍成员合影
（一）无人机与表型测量培训
培训环节重点围绕无人机航线规划、多光谱影像采集、设备标定及数据安全操作展开。团队成员结合当地种植环境，详细讲解飞行任务设计、数据获取规范及设备维护要点，并现场指导团队成员使用多光谱无人机、手持叶绿素仪、RTK 定位系统和植株测量设备开展实操演练。通过理论与实践结合的培训方式，各小组成员系统掌握了从航测规划、设备调试到数据导出与初步分析的完整流程，为后续大规模表型数据采集提供了技术保障。
团队组织无人机飞行实操培训现场
（二）成熟度监测任务
在成熟度监测环节，团队采用“地面实测 + 空中遥感”结合方式，利用手持叶绿素仪精确测定稻叶叶绿素含量，结合 RTK 定位技术记录样点位置，确保数据空间精度一致。同时，使用无人机获取不同地块的高分辨率航拍影像，分析光谱反射特征与叶绿素含量的相关性，并测量植株高度及多角度冠层图像。该任务构建了叶绿素含量与影像特征的映射关系，为水稻成熟度判定与收获时机预测提供了科学依据。
团队成员田间实操：测量并记录植株高度与叶绿素含量
（三）产量预测任务
在产量预测任务中，团队重点聚焦稻穗计数这一关键指标。通过无人机航拍获取高分辨率影像，并利用 RTK 定位实现地块坐标精确配准，团队同步开展地面样点稻穗人工计数与影像校准，建立了稻穗识别与计数模型。
无人机航拍：团队成员现场实操
后续结合深度学习算法，可实现稻穗自动识别与数量估算。该任务为遥感产量预测模型提供了高精度训练数据，也为实现作物产量自动化评估奠定了数据基础。
（四）倒伏检测任务
倒伏检测环节中，团队采用无人机倾斜摄影与正射影像结合技术，获取不同角度的稻田冠层图像。通过影像纹理和光谱信息分析，识别并分级倒伏区域。同时，地面采样组利用测角仪测量茎基倾角与倒伏比例，对影像分析结果进行验证。多源数据融合后，能够实现从小尺度样点识别到整地块倒伏面积的精准评估，为水稻抗倒伏品种筛选、灾害监测与农情评估提供了关键数据支撑。
采集任务启动：无人机待飞就绪
（五）农机作业质量监测任务
在农机作业质量监测任务中，团队将传感技术与智能分析结合，重点关注收割机作业振动信号与作物损失率之间的关系。通过在机械关键部位安装振动传感器，实时记录作业状态数据。地面样本采集组同步开展残留物收集与损失率计算，形成“振动信号—作业质量”双向验证体系。该研究为智能农机作业监控与性能优化提供了技术依据，也为农业机械化智能评估提供了实验支撑。
团队成员现场调试振动传感器设备
在监测任务执行过程中，七星农场孟主任亲临现场，为参与测试的同学详细讲解农机工作原理，并结合设备结构提出传感器安装位置与数据采集布点的优化建议。
七星农场管理人员孟主任为团队提供指导
同时，孟主任还介绍了农场在实际作业中的管理需求与质量评价标准，使科研任务更贴合生产实际。
结语
此次数据采集工作实现了“技术共享、数据共建、科研协同”的目标，既强化了科研团队的实地操作能力，也为后续叶绿素反演、产量预测、倒伏识别及农机智能监测模型的研究提供了丰富的数据资源。未来，团队将持续推动智慧农业监测体系建设，助力农业生产数字化、智能化、高效化发展。
傍晚，无人机与无人农机在田间协同作业