【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】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。

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。

为了快速获取夏季玉米四叶期、拔节期和抽穗期的植被覆盖度信息,以无人机拍摄的夏季玉米3个时期的可见光图像为研究对象,通过计算获取可见光波段的差异植被指数、过绿指数和归一化绿蓝差异指数.利用上述3种植被指数,通过时序交点阈值法和最大熵阈值法提取玉米3个生长时期的植被覆盖度信息,将监督分类结果作为真值对上述两种方法的提取效果进行评价.结果表明,与时序交点阈值法相比,利用最大熵阈值法确定的阈值提取玉米植被覆盖度精度较高,玉米3个生长时期的可见光波段差异(VDVI)植被指数的提取误差分别为4.66%、3.42%和5.81%.

为精确识别和定位玉米行间杂草,满足基于机器视觉的变量施药系统喷施要求,提出了一种基于行宽的多行玉米行间杂草识别算法。该算法以垂直拍摄的3叶期3行玉米田间图像为研究对象,利用YIQ颜色空间中的Q分量灰度化田间彩色图像,以降低自然光源对图像的影响;通过建立实际田间玉米行宽与图像玉米行宽的映射关系,将3叶期玉米行的宽度映射到对应图像中,并确定基于识别率和运算速度的覆盖范围;以具有一定宽度的玉米行作为识别基准,减小未连通叶片区域的误识别率,提高对杂草识别的精度。从识别精度和速度2方面与基于作物行中心线识别算法进行了对比。研究结果表明,对于3叶期3行玉米田间图像,杂草正确识别率可达89.2%,速度为19...

【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。

植被地上生物量可作为评价矿山生态修复地生态功能的重要指标，为实现对修复地地上植被生物量快速、准确的预测，以安徽省铜陵市铜官山矿区草本植物地上生物量为研究对象，将无人机高分辨率多光谱影像作为数据源，提取了单波段光谱反射率、植被指数两种光谱特征以及各波段纹理特征变量，并利用高精度DEM (digital elevation model)生成地形特征，再先后使用灰色关联法和熵权法对光谱特征和纹理特征分别进行筛选，进而将筛选出的特征变量和地形特征变量分为光谱特征组和多特征组。采用反向传播神经网络(back propagation neural network,BPNN)、卷积神经网络(convolutional neural network, CNN)以及Elman神经网络3种机器学习算法分别构建基于光谱特征组和多特征组的生物量预测模型，比选精度较高的矿区草本植物地上生物量反演模型。结果表明，在光谱特征基础上引入纹理特征和地形特征后3种反演模型精度都有相应程度提高，其中，基于多特征组构建的BPNN模型表现出最优性能，其决定系数(R2)为0.841，均方根误差为11.813 g·m-2，并同时对3种模型进行交叉验证，进一步证明了基于多特征组的BPNN模型更加稳定，反演精度最优。然后，采用最优反演模型对研究区域内植被生物量进行分级评估，结果显示区内生物量集中于20～40 g·m-2，研究区域内植被生物量整体偏低。研究结果可为矿区草本植物生物量反演研究提供理论支持。

【目的】以无人机可见光遥感影像为数据源实现竹林、针叶林和阔叶林的分类识别,扩展无人机可见光遥感数据在森林资源调查中的应用范围。【方法】利用无人机获取仅包含红、绿、蓝3个波段光谱信息的航拍影像,经预处理生成空间分辨率为0.1 m的数字正射影像图(DOM)和数字表面模型(DSM),从DSM和DOM中提取包括高度特征、光谱特征、常见的可见光植被指数、HSV颜色分量、HSV颜色分量基础上提取的纹理特征以及扩展的形态学多属性剖面(EMAPs) 6类特征;采用递归特征消除随机森林算法(RF_RFE)优选特征子集,根据不同类型特征和优选特征子集设置8组试验,使用随机森林分类器(RFC)进行林分类型分类,运用目视解译获得的地面真实影像建立混淆矩阵评价分类结果。【结果】1)单独利用光谱特征进行林分类型分类效果不理想,总体精度为65.68%,Kappa系数为0.53;以光谱特征为基础单独引入其他特征进行林分类型分类,除植被指数外,其他特征均可提高总体分类精度; 2)采用递归特征消除随机森林算法优选出11个特征,包括5个EMAPs特征、3个HSV纹理特征、1个高度特征、1个植被指数和1个HSV颜色分量,11个特征组合获得8组试验中最高分类精度,总体精度为81.05%,Kappa系数为0.73; 3)将多特征优选方法应用于不同分辨率的可见光无人机影像上均取得较好分类结果,其中分辨率为0.3 m时分类精度最高,总体精度为82.46%,Kappa系数为0.75。【结论】递归特征消除随机森林算法综合多类型特征中最有利于林分类型分类的特征,从而提高分类精度,研究结果可为无人机可见光遥感数据在森林资源调查中林分类型信息的提取提供参考。

【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。

目前，我国的林业发展仍存在资源总体分布不均、整体质量不高等问题，制约着林业发展从注重数量增长向质量提升的转型。面对国家生态安全、木材安全、粮油安全和“双碳”目标等重大战略需求，迫切需要实现林木表型性状的精准监测，从而实现选育优异种质资源、缩短育种周期、提升林木抗逆性和木材品质等目标。传统的林木表型监测获取的样本少、效率低、精度差且有时还具有一定的破坏性，制约了林木良种选育的效率和质量。缺乏高效精准的高通量表型信息采集方法与分析技术，已成为阻碍林木遗传分析、良种选育等的主要瓶颈之一。现代无人机遥感技术能够智能、快速、精准地获取多尺度林木表型性状动态变化信息，对突破上述林木表型监测瓶颈具有重要意义。借助无人机所获取的高分辨率主被动遥感数据及深度学习、机器学习和数据挖掘等智能分析算法，可精准提取多尺度林木表型性状，为揭示“基因—表型—环境”三者之间的响应关系提供多时相定量数据保障，从而进一步实现优异种质资源筛选、精准栽培、识别和量化胁迫以及抗逆育种等目的。本研究首先介绍了林木表型监测中主要的无人机遥感传感器的应用现状。然后，重点介绍了无人机遥感技术在林木形态结构性状、生理功能性状和生化组分含量提取上的应用进展。最后，从林木表型性状多时相周期性动态监测、无人机多源表型性状数据整合、天空地不同平台遥感数据融合协同监测和林木表型多组学联合分析四方面对无人机林木表型监测遥感技术的未来发展趋势进行了展望。

采用高光谱近地遥感技术，获取不同氮素水平下的玉米冠层高光谱数据，通过相关性、线性和非线性的分析方法，探讨玉米整个生育期中各营养器官的全氮含量与多种高光谱参数的相关关系，建立全氮含量的定量估测模型，并利用第２年的数据进行精度检验。结果表明：玉米冠层高光谱数据经过微分、倒数、对数处理后与玉米全氮含量的相关性均有所提高，所选波段基本在可见光波段范围内变化，其中微分处理可以显著提高数据间相关性；在１０种植被指数中，玉米叶片全氮含量与植被指数ＲＤＶＩ（８１１，７４３）、ＤＶＩ（８１１，７５４）、ＭＳＡＶＩ（８１１，７５４）相关性都达０．９２＊＊以上，玉米叶鞘、茎秆全氮含量分别与ＲＤＶＩ（９５２，７５１）．．．

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。

针对传统水稻倒伏监测方法以人工进行现场测量耗时耗力且受主观影响较大的问题,利用无人机成本低廉、操作简单以及分辨率高的优势,以黑龙江省佳木斯市七星农场水稻种植基地的水稻倒伏区域为研究对象,对无人机遥感图像结合改进DeepLabV3+模型的水稻倒伏识别方法进行研究。结果表明:1)与其他方法相比,改进DeepLabV3+网络模型取得了更高的准确率和更快的识别速度;2)改进DeepLabV3+网络模型对水稻倒伏图像测试集的准确率为0.99,Kappa系数为0.98,像素准确率0.99;召回率0.99;平衡F分数为0.99;水稻完全倒伏状态识别的交并比为0.96,3种水稻不同倒伏状态识别的平均交并比为0.97。无人机搭载RGB相机载荷平台拍摄遥感图像结合改进DeepLabV3+深度学习模型可以精确地对水稻倒伏进行识别,为大面积、高效率、低成本水稻倒伏监测识别研究提供了一种方法。

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。