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】叶面积指数（leaf area index,LAI）是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型，明确不同生育期间棉花LAI估测模型变化规律，为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数（NDVI）、绿度归一化差植被指数（GNDVI）、归一化差红边指数（NDRE）、叶片叶绿素指数（LCI）、优化的土壤调节植被指数（OSAVI）5种多光谱指数和修正红绿植被指数（MGRVI）、红绿植被指数（GRVI）、绿叶指数（GLA）、超红指数（EXR）、大气阻抗植被指数（VARI）5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合，结合打孔法获取地面LAI实测数据，使用机器学习算法中偏最小二乘（PLSR）、岭回归（RR）、随机森林（RF）、支持向量机（SVM）、神经网络（BP）构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势，现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧（P<0.05）；选择的指数在各时期彼此间均呈显著相关（P<0.05），总体而言，多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势，选择的指数在各时期均与棉花LAI相关性显著（P<0.05），多光谱指数相关系数介于0.35—0.85，颜色指数相关系数介于0.49—0.71，相关系数绝对值较大的指数多为多光谱指数，颜色指数与棉花LAI的相关系数绝对值较小；估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数，且各指数模型预测性能随着生育期的变化呈现一定规律性，NDVI是预测棉花LAI的最优指数。从模型结果上看，RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高，最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中，RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好，是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降，最优指数为GNDVI，最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

【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。

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。

草地非生长季植被是牲畜在冬春季节的主要饲料来源,研究非生长季植被对估算当地牧场载畜量有重要意义。本文以甘南州为研究区,通过小型无人机搭载相机获得60 m×60 m的草地非生长季植被数码照片,通过监督分类得到样地非生长季植被覆盖度数据。利用MODIS/Terra+Aqua双向反射分布函数和半球反射率产品MCD43A4,以及Landsat8 OLI影像数据,分别计算土壤耕作指数(soil tillage index,STI)、干枯燃料指数(dead fuel index,DFI)、归一化差异耕作指数(normalized difference tillage index,NDTI)等9种植被指数,通过分析不同植被指数与非生长季植被覆盖度之间的相关性,建立草地非生长季植被覆盖度回归模型,通过评价模型的精度来对比不同数据源估算草地非生长季植被覆盖度的能力,并筛选出甘南州草地非生长季植被覆盖度的最优反演模型,分析其空间分布特征。结果表明:1) Landsat8 OLI数据比MODIS数据更适合于甘南地区的草地非生长季植被覆盖度的反演;2)草地非生长季植被覆盖度估测的最优指数是NDTI,其线性模型为y=1 432.074x–166.855 (R2=0.407),是草地非生长季植被覆盖度最优反演模型;3)甘南州2018年4月–5月草地植被覆盖度总体西部高、东部低,大部分地区覆盖度介于20%～50%,仅有夏河北部、合作中部以及玛曲东南部少部分区域覆盖度小于20%,玛曲西北部覆盖度大于60%。本研究结果可为甘南州季节载畜量计算提供依据。

【目的】为提高土壤盐分信息定量遥感提取精度,准确掌握土壤盐渍化程度与分布。【方法】选择垦利区黄河口镇集中连片的重度盐渍土区域为试验区,于2018年4月26日—28日采用搭载Sequoia多光谱相机的无人机进行试验区近地遥感图像采集,并进行图像拼接、辐射校正、正射校正和几何校正等预处理;然后基于相关性分析、灰色关联度分析筛选土壤盐分的敏感波段,构建并筛选光谱参量;进而分别采用多元线性回归(multivariable linear regression,MLR)、支持向量机(support vector machine,SVM)及偏最小二乘(partial least square,PLS)方法构建土壤盐分定量反演模型,并进行验证与评价;最后基于最佳模型进行试验区土壤盐分的分布反演与分析,并与反距离加权插值结果进行精度比较。【结果】相较相关性分析,通过灰色关联度分析的反演模型精度及显著性均有所提高;对比3种建模方法,SVM模型精度最高,PLS模型次之,MLR模型最低,最佳模型为基于灰色关联度分析筛选变量的支持向量机模型,其建模R~2、RMSE分别为0.820、3.626,验证R~2、RMSE、RPD分别为0.773、4.960、2.200;据此模型反演得到该区域土壤盐分含量为0.323—21.210 g·kg~(-1),平均值为6.871 g·kg~(-1),重度盐渍土占58.094%,与实地调查结果较为一致;反演结果与反距离加权插值结果的误差80%控制在样本盐分含量平均值的20%以内,亦较为相近。【结论】基于无人机多光谱可实现重度盐渍土盐分信息的准确提取。

土壤氮元素是土壤肥力的一个重要指标，掌握土壤氮元素含量的变化是观测农作物的发育状况及时空变化规律等的基础。利用高光谱对土壤氮元素进行反演，可为精准农业地表土壤元素快速测定提供参考。为实现对土壤中氮元素含量的快速测定，以沈阳农业大学海城试验田为例，对土壤原始反射率进行了一阶导数变换，运用等距特征映射算法（isometric feature mapping,lsomap）、竞争性自适应重加权采样法（competitive adapative reweighted sampling, CARS）对一阶导数光谱数据进行降维并提取出相关特征。运用BP神经网络（back propagation neural network,BPNN）、GA优化（GA-BPNN）以及经过NSGA-Ⅲ优化后的BP神经网络（NSGA-Ⅲ-BPNN）3种分析方法建立土壤全氮的高光谱反演模型，并利用决定系数（R~2）和均方根误差（root mean square error,RMSE）对反演模型进行评价。结果表明：经过ISOMAP进行的降维相对于CARS能有效的对特征进行提取。优化后的神经网络模型建立的土壤养分含量预测模型优于未优化的神经网络，能极好地预测土壤中的氮元素含量。基于Isomap降维后的NSGA-Ⅲ-BPNN的模型的反演模型预测效果最好，最终预测土壤全氮含量训练集为R~2=0.842、RMSE=0.077，测试集R~2=0.826、RMSE=0.089。反演精度高于GA-BPNN和BPNN的模型反演精度，与其他模型组合相比，该组合可以为土壤氮元素含量的反演研究提出一种新的方法。

【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】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】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5—V6,V11,R1—R2等生育期(Ritchie生育期)进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。

以水稻叶片光谱和光合入射有效辐射(PARin)为数据源,分别使用8种叶绿素相关植被指数和其与PARin的乘积对珞优9348和丰两优4号品种水稻叶片在3种氮肥浓度下的净光合速率进行反演,建立不同氮肥水平下,品种无关的水稻叶片净光合速率估算模型,并验证精度。结果表明:1)仅基于叶绿素相关植被指数反演叶片净光合速率是不可行的,模型R~2均0.75,RMSE不超过1.85μmol/(m~2·s);3)区分高、低氮水平进行反演,基于CI的模型R~2分别为0.80和0.89,RMSE分别为1.25和1.37μmol/(m~2·s),可满足反演需求。因此,基于叶绿素植被指数CI的模型可适用于不同品种的水稻叶片净光合速率统一反演。

近几年，无人机遥感技术在水稻理化参量反演上得到了广泛应用，并逐渐发展成为水稻田块尺度遥感信息获取的主要途径之一。深入分析基于无人机遥感的水稻农学理化参量（指在农业领域中可确定某种物理、化学性质的参量）反演研究现状及存在问题，有利于更好地把握水稻无人机遥感未来发展趋势。综述无人机遥感技术在反演生化组分含量、结构参量、生产力等方面的研究现状，其中生化组分含量的反演研究主要集中在氮素和叶绿素方向且目前仍然以数据驱动的方法为主，例如用于反演氮素的窄波段植被指数NDRE，通过对极限学习机与偏最小二乘回归耦合对水稻叶绿素含量的反演等，而基于物理模型的反演方法较少；结构参量的反演研究主要包括叶面积指数、生物量等，方法有用于反演叶面积指数的辐射传输机理模型PROSAIL，用于反演生物量的基于冠层光谱特征的优化高斯过程回归方法；生产力的遥感重点在水稻的产量估算、病害和倒伏检测，方法有用于水稻估算的利用RGB影像使用K-Means与核相关滤波算法融合。对无人机遥感平台、设备、方法进行了总结，梳理近10年水稻农学理化参量无人机遥感反演的研究进展和成果。最后综合国内外的研究现状进行水稻无人机定量遥感讨论分析与展望，以期为今后无人机遥感技术在水稻定量遥感研究中提供参考。

【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

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。

【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。