【目的】白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑。【方法】在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回归(MLR)、后向传播神经网络(BP)、随机森林(RF)、极限学习机(ELM)算法将植被指数(VIs)、纹理特征(TFs)和温度特征(T)进行结合,以构建小麦白粉病病情指数的监测模型。【结果】无论是单数据源建模,还是多数据源建模,随机森林(RF)的精度均高于其他模型;3种数据源中植被指数的RF模型(VIs-RF,R~2=0.667,RMSE=5.712,RPD=1.572)更适宜白粉病监测,其次是温度特征(T-RF,R~2=0.559,RMSE=6.563,RPD=1.430),而纹理特征(TFs-RF,R~2=0.495,RMSE=7.014,RPD=1.348)效果最差;多数据源协同建模间比较,RF协同植被指数和纹理特征的模型R~2为0.701(VIs&TFs-RF,R~2=0.701,RMSE=5.308,RPD=1.724),仅比VIs-RF模型R~2提升5.101%,RMSE降低7.073%,RPD提高9.672%,而RF协同植被指数和温度特征模型(VIs&T-RF)以及协同3种数据源模型(VIs&TFs&T-RF)的精度分别为R~2=0.750,RMSE=4.704,RPD=1.912和R~2=0.820,RMSE=4.677,RPD=1.996,较VIs-RF模型R~2分别提升12.453%和23.181%,RMSE分别降低17.640%和18.113%,RPD分别提高21.667%和26.981%。同时对不同模型进行10折交叉验证,进一步证实了RF模型在多数据源融合建模中性能稳定,估算效果最好。【结论】采用多数据源协同建模能够提升小麦白粉病遥感监测精度,研究结果为实现大面积高精度遥感监测作物病害状况提供了思路与方法。

【目的】小麦倒伏严重影响小麦光合及成熟进程，进而造成小麦减产及品质下降。为快速精确获取倒伏信息，评估无人机遥感监测小麦倒伏的能力，构建小麦倒伏监测模式，为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像，经过预处理飞行高度50 m的小麦冠层图像，得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM），从中提取光谱特征、高度特征和光谱纹理共3类特征信息；采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较，使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器；同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价，确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差，“椒盐现象”严重，在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合，小麦倒伏识别的分类准确率最高达91.48%。为减少特征集变量数量，采用3种特征优化方法，与筛选得到的全特征集、Lasso算法、RF-RFE算法相比，基于Boruta算法得到的优化特征子集分类精度更高，整体稳定性更好，从含有DSM的3种特征组合均值来看，总体分类精度和Kappa系数分别提高了0.17%和0.01（全特征集）、2.45%和0.05(Lasso)、2.87%和0.05(RF-RFE)。其中，光谱-纹理-DSM组合效果最好，总体分类精度达92.82%,Kappa系数达0.86。【结论】Boruta算法有效优化光谱-纹理-DSM组合的特征子集数量，让更少的特征参量参与分类，且获得较高的分类精度，确立了精确监测小麦倒伏的多特征组合-Boruta-RFC技术融合模式，为小麦灾情评估及补救措施制定提供参考。

【目的】生物量是表征植被生命活动的重要参数,对植被长势监测、产量预测有重要意义。以无人机为平台的高光谱遥感技术,具有机动灵活、成本低、空间覆盖广的优势,能够及时准确地估测植被生物量,已成为遥感估算研究的热点之一。由于光谱特征反演生物量存在饱和问题,因此,本研究尝试结合纹理特征与植被指数构建一种"图-谱"融合指标,探究"图-谱"融合指标的抗饱和能力及生物量估测能力。【方法】首先,利用无人机高光谱影像,提取其光谱信息和纹理信息,分别基于植被指数和纹理特征构建生物量模型。其次,针对光谱特征存在的饱和问题,将植被指数与对生物量敏感的纹理指标相乘或相除两种形式构建"图-谱"融合指标,分析"图-谱"融合指标的饱和性,并基于"图-谱"融合指标构建生物量估算模型。最后,对比不同指标构建的生物量模型的估测效果,来分析"图-谱"融合指标估测生物量的能力。【结果】(1)植被指数多在LAI=5时出现饱和现象,而"图-谱"融合指标VI×sm658,VI/ent658,VI/dis658,VI/con658,VI/dis514,VI/con514,VI/var514,VI×con802,VI×dis802均在LAI>5时才出现饱和现象,相比之下,这些"图-谱"融合指标一定程度上改善了饱和问题;(2)与植被指数相比(除了GNDVI、NDVI之外),抗饱和能力提高的"图-谱"融合指标VI×sm658、VI/ent658、VI/dis658、VI/con658、VI/dis514、VI/con514、VI/var514、VI×con802、VI×dis802,其与生物量的相关性也相对提高,所构建的生物量模型精度较高(R2=0.81,RMSE=826.02 kg·hm-2)。(3)对比单一植被指数、纹理特征,将纹理特征与光谱特征相结合的"图-谱"融合指标估算小麦生物量的能力相对最强,模型精度明显高于单一植被指数(R2=0.69)和单一纹理特征(R2=0.71)构建的生物量模型。【结论】"图-谱"融合指标的抗饱和能力明显提高,其构建的生物量模型精度也有效提高,实现了结合光谱信息和纹理信息的冬小麦生物量遥感估测,为生物量定量反演提供一种新思路。

【目的】森林火灾监测多采用卫星和低空热红外遥感对林火进行识别，准确率高，但受限于硬件性能和成本，对基于无人机的多光谱遥感及不同图像传感器比较的林火监测研究较少。【方法】选定山地树林作为试验对象，根据起火点的明火和阴燃两种状态，结合树冠状态，分为明火有遮挡、明火无遮挡、阴燃有遮挡、阴燃无遮挡等4种林火状态，以无火场景作为对照，开展森林火灾监测试验，利用无人机分别搭载热红外、多光谱、可见光等图像传感器采集林火图像，分别基于随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BP）3种机器学习算法建立林火监测模型，通过准确率（Accuracy）、精度（Precision）、召回率（Recall）和F1-score进行监测模型性能评估。【结果】综合分析，热红外相机和可见光相机基于支持向量机（SVM）的监测模型准确率最高，多光谱相机基于随机森林（RF）的监测模型准确率最高。热红外相机监测准确率高达100%，多光谱相机接近100%，可见光相机达到85%。综合分析，热红外相机监测准确率最高，多光谱相机次之，可见光相机监测性能最差。多光谱相机可在不同林火状态下较好地替代热红外相机进行监测，可见光相机在不同林火状态下均表现出较差的监测效果。【结论】通过使用机器学习算法进行优化，多光谱相机可在林火监测中有效替代热红外相机，可以显著降低监测成本和丰富林火监测技术手段。

【目的】作物氮素营养状况是表征玉米冠层绿色程度和健康状态的关键指标，为比较玉米氮素营养估测模型中单一光谱指数模型与融合纹理信息模型精度的差异，探究基于无人机多光谱与纹理信息融合的玉米氮素营养估测模型的精准性与可靠性。【方法】采用Matrice 300 RTK多旋翼飞行器搭载MS600 Pro多光谱传感器，获取2年间6个氮素水平下玉米抽雄-吐丝期的多光谱影像数据，提取植被指数和纹理特征信息，综合分析植被指数、单纹理特征、组合纹理指数及植被指数和纹理指数融合的相关性，优选信息量最大的植被指数、归一化差值纹理指数（NDTI）及其组合信息，利用多元逐步回归（MSR）、随机森林（RF）、支持向量机（SVM）和灰狼优化的卷积神经网络（GWO-CNN）对比估测玉米叶片氮含量（LNC）、植株氮含量（PNC）、叶片氮积累（LNA）和植株氮积累（PNA）4个氮素营养参数。【结果】（1）不同氮素处理下玉米原始光谱反射率之间存在差异，红波段R（660 nm）、蓝波段B（450 nm）和近红外波段NIR（840 nm）波段差异较为显著。（2）基于无人机多光谱影像提取的植被指数（EVI、GARI、REOSAVI、SIPI和MCARI）、单纹理特征(var₄₅₀、var₆₆₀、mean₈₄₀、dis₇₂₀和hom₈₄₀)和组合纹理指数NDTI均可用于VT-R1阶段玉米LNC、PNC、LNA及PNA估测，其中基于植被指数的GWO-CNN模型对LNC、PNC、LNA和PNA的估测效果优于单纹理特征和纹理指数模型，R²分别为0.831、0.761、0.826和0.770。（3）融合植被指数和纹理指数的GWO-CNN模型对LNC、PNC、LNA和PNA估测精度明显高于植被指数和纹理指数，R²分别为0.921、0.901、0.917和0.892，较单一光谱信息最优估测模型精度R ²分别提高了9.77%、15.54%、9.92%和13.68%。【结论】融合多光谱的植被指数和纹理指数能够有效提高玉米氮素营养估测精度，较好地评估玉米氮素分布情况，为田块尺度下基于无人机平台的玉米氮肥精准管理提供新思路。

【目的】探索如何利用多光谱遥感对云南切梢小蠹的危害状况进行快速准确的监测。【方法】基于多光谱无人机获取研究区影像结合实地采集样方数据,应用DNN深度学习模型定量反演研究区云南切梢小蠹危害信息,分析虫害等级光谱图像发现GNRE指数和NDVI指数对虫害造成的枯稍率的相关性。【结果】将两指数应用于模型拟合,对比结果发现植被指数NDVI与云南切梢小蠹危害的枯梢率相关性为R~2=0.67696,高于GNRE的R~2=0.45331,且危害等级分类总体分类精度为71.11%,Kappa系数为0.6751,危害等级由高到低的面积占比分别为1.18%、8.60%、73.73%、16.47%。【结论】利用无人机影像结合深度学习技术,可准确得到切梢小蠹分布信息,且危害等级分布呈现出由道路以及树林密度较小区域向密度较大区域其危害性逐渐减小,可为后续大范围切梢小蠹危害云南松的监测与防治提供参考。

[目的]本研究旨在解决人工监测棉花脱叶催熟效果耗时、费力等问题。[方法]利用四旋翼无人机获取喷施棉花脱叶剂前后4次多光谱图像，采用Pix4Dmapper软件拼接无人机图像，计算SAVI、RVI、DVI和NDVI四种植被指数，利用最大熵阈值法和植被指数阈值法提取棉叶覆盖信息。利用支持向量机对喷施脱叶剂的棉花进行监督分类，对4次采集的多光谱图像总体分类精度均大于97%，Kappa系数均大于0.95，因此将支持向量机分类结果作为真值，对最大熵阈值法和基于植被指数阈值法提取的棉花脱叶信息进行验证。将最佳提取方法用于建立棉花脱叶效果监测模型，代替人工监测棉花脱叶效果。根据最佳脱叶效果监测模型制作第二次脱叶剂施药处方图，指导第2次脱叶剂的变量喷施。[结果]结果表明，在整个棉花脱叶过程中，基于SAVI_(840)植被指数阈值法监测棉花脱叶效果优于基于RVI_(940)最大熵阈值法，前者为最优监测棉花脱叶效果的模型，将最优监测模型提取的结果与田间调查棉叶数拟合，对数模型的R~(2)最高，为0.96，说明无人机遥感监测棉花脱叶效果可行；根据最优监测模型提取棉叶信息制作变量喷施处方图进行施药并验证，结果表明施药效果较好，与常规定量施药相比，可节约农药7.39%，最高节药率达14.61%。[结论]无人机遥感监测技术可以代替人工大面积、快速和准确地监测棉花脱叶效果，利用本文得出的遥感监测结果生成的变量施药处方图进行变量喷施，可实现减药增效。

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息，在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源，探索森林蓄积量的遥感估测模型，以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象，利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等，计算各特征变量的标准地均值；筛选与云南松林蓄积量相关性显著的特征变量，采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型，以决定系数(R~2)、平均绝对误差(EMA)、均方根误差(ERMS)、平均相对误差(EMR)评价模型精度。【结果】(1) 3种模型中，随机森林的精度最高(R~2=0.89,EMA=4.69m~3·hm~(-2), ERMS=5.45m~3·hm~(-2), EMR=14.5%)，其次为支持向量机(R~2=0.74, EMA=5.27m~3·hm~(-2), ERMS=8.31m~3·hm~(-2),EMR=13.1%)，最低为多元线性回归模型(R~2=0.35,EMA=10.12 m~3·hm~(-2),ERMS=12.85 m~3·hm~(-2),EMR=28.1%);3种模型在测试集上的估测精度均有所降低，随机森林的模型表现最好，支持向量机次之，多元线性最差。(2) 3种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。(3)基于无人机多光谱影像估测云南松林蓄积量，纹理特征仍是不可忽视的重要因子。【结论】基于无人机多光谱影像，在不进行单木分割的情景下，提取标准地的单波段反射率、植被指数、纹理特征均值，筛选适用于蓄积量估算的变量构建估测模型。通过对3种模型进行精度评价，随机森林为云南松林蓄积量估测的最佳模型。图2表5参27

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。

[目的]本文旨在探究消费级无人机搭载数码相机更好地用于小麦长势快速监测。[方法]于2015—2017年开展涉及2个小麦品种和4个施氮水平处理的田间小区试验,在小麦关键生育期采用大疆精灵3专业版无人机自带的数码相机获取试验区数码影像,并提取6种颜色指数,同步取样并测定叶面积指数、叶片干物质量及叶片氮积累量等小麦长势信息,在小麦抽穗前、后及全生育期分别运用指数函数和随机森林算法定量分析长势信息与颜色指数的关系。[结果]在小麦各生长阶段,指数函数模型表现较好,可见光大气阻抗指数(visible atmospherically resistant index,VARI)、超红指数(excess red index,ExR)和归一化绿减红差值指数(normalized green minus red difference index,NGRDI)与叶面积指数、叶片干物质量和叶片氮积累量的相关性均表现较好,继而分别建立了基于VARI、ExR和NGRDI的叶面积指数(R~2=0.71～0.82)、叶片干物质量(R~2=0.42～0.71)和叶片氮积累量(R~2=0.52～0.76)的指数函数监测模型。独立试验数据的检验结果表明:在抽穗前及全生育期,ExR(R~2=0.45～0.70和0.42～0.62)监测模型估测的叶面积指数、叶片干物质量和叶片氮积累量与实测值拟合性更好,在抽穗后期,VARI(R~2=0.68～0.72)监测模型估测效果更好。[结论]结合小麦各生长阶段指数函数监测模型,利用无人机搭载数码相机可以快速无损监测小麦长势状况。

【目的】探索无人机遥感在氮效率分类识别中的潜力，构建小麦品种氮效率分类方法，为氮高效品种筛选提供理论依据和技术支持。【方法】通过6个成熟期与氮效率密切相关的农学指标（产量、植株氮积累、氮素生理利用效率、植株干生物量、籽粒总吸氮量、N收获指数）构建主成分综合值，并对其进行K-Means聚类分析，将121个小麦品种划分为氮高效型、氮中效型和氮低效型3种类型。利用无人机遥感平台搭载多光谱相机，在小麦拔节期、孕穗期和开花期获取无人机遥感影像，并提取34种植被指数，分析植被指数与氮效率综合值的相关性；对比支持向量机（SVM）、随机森林（RF）和K最近邻（KNN）分类方法的氮效率分类模型精度，使用总体分类精度（OA）和Kappa系数比较不同生育时期下小麦品种氮效率分类识别的能力；并使用3种不同的特征集筛选方法（ReliefF算法、Boruta算法和RF-RFE算法）对优化的特征子集进行综合评价，确立适宜的小麦品种氮效率分类识别方法。【结果】随着小麦生育时期的不断推进，植被指数与氮效率综合值的相关性逐渐提高，开花期最高（r=0.502）；利用植被指数全特征集对小麦品种氮效率进行分类，对于单生育时期数据而言，以开花期的SVM模型分类效果最好（OA=77.1%,Kappa=0.591），拔节期最差（OA=65.6%,Kappa=0.406）；总体而言，多生育时期数据融合的品种氮效率分类精度高于单生育时期，其中以拔节期+孕穗期+开花期3个生育时期数据融合的SVM模型的分类效果最优（OA=80.6%,Kappa=0.669）。为减少多生育时期数据融合的特征集变量数量，比较分析RF-RFE、Boruta和ReliefF 3种算法的特征优化效果，基于RF-RFE算法得到的优化特征子集分类精度最高，其OA和Kappa系数比全特征集分类模型分别提高了4.0%和10.1%，其中，以3个生育时期数据融合的分类效果最好（OA=85.4%,Kappa=0.749）。【结论】确立6个氮效率指标—主成分分析—K-Means氮效率评价方法；RF-RFE算法有效优化多生育时期组合的特征子集数量，且获得较高的分类精度，确立基于多生育时期组合—RF-RFE—SVM技术融合的小麦品种氮效率分类模型，为小麦氮高效品种的快速准确分类鉴定提供理论依据和技术支撑。

为比较和验证不同叶面积指数(LAI)机器学习模型迁移后的稳定性,以无人机获取的湖北鄂州与海南水稻田的多光谱影像数据为研究对象,使用8种植被指数经验模型与3种机器学习方法对鄂州试验田的水稻LAI进行反演,并推广至海南试验区。结果表明:1)非线性模型在鄂州试验数据的建模集测试中精确度较优,其中归一化红边差值(NDRE)非线性模型验证的变异系数(CV)=31.05%,但推广至海南试验区后精确度下降严重(验证集CV=74.90%),可移植性差;2)线性模型和机器学习模型在模型移植后表现出较优的稳定性,其中梯度提升回归(GBR)二波段模型在鄂州数据建模集CV=28.91%,在海南数据验证集CV=26.58%;3)增强植被指数(EVI2)线性拟合模型在鄂州数据建模集CV=33.78%,在海南数据验证集CV=27.90%。最后使用EVI2构建的经验模型,对各生育时期2种不同水稻(珞优9348和丰两优4号)的LAI进行预测,结果表明在相同氮水平下,珞优9348表现为氮高效品种。

【目的】森林火灾对生态环境的破坏巨大，各种火灾探测方法近年来备受关注，但不同的检测载体与检测数据在森林火灾检测的应用中仍具有各自的局限性。为此，提出一种基于深度学习与无人机红外影像的森林火灾燃烧点检测模型，旨在减少无人机森林火灾检测的延迟和丢失，提升森林火灾检测效率和检测能力。【方法】采集中国北部亚干旱地区森林火灾巡护数据，增加北亚利桑那大学无人机森林燃点数据提升模型的学习范围，同时对数据进行数据增广，提升模型学习的数据量。利用红外影像的成像特点对森林火灾燃烧点进行特征放大，降低检测数据的复杂度。引入计算量适当的目标检测算法，减少无人机森林火灾检测系统的检测时延。【结果】1）红外影像下的森林火灾燃烧点检测模型在非极大抑制IoU阈值为0.3的条件下，其检测AP(Average precision)值达到了0.961 6，检测精度（Precision）达到了0.929 3。2）红外影像森林火灾检测模型在40 fps的实时视频中的检测速度平均达到了31 fps。3）在图像翻转、图像旋转与图像仿射变换3种数据增广模式下，模型的检测性能达到最高。【结论】基于红外影像的森林火灾燃烧点检测模型对森林火灾更敏感，减少了森林火灾检测的计算量，减轻了地面站计算机的计算负担。图像的色域变换对红外数据下的森林火灾燃烧点检测模型提升效果不明显。

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。