[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】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。

【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。

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】揭示棉花产量与冠层光谱植被指数相关关系,建立棉花高光谱估算模型,促进高光谱技术在棉花长势监测和估产中应用。【方法】结合棉花生长发育规律,对棉花各时期冠层进行高光谱反射率测定,根据光谱曲线特征构建高光谱植被指数,基于棉花盛蕾期至吐絮后期7次地面光谱和产量测定,对光谱反射率与产量进行统计分析。【结果】各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量间分别达显著负相关、显著正相关与显著负相关水平。根据棉花冠层光谱波形特征,利用植被红边波段560nm反射峰、670nm吸收谷、近红外波段890nm反射峰、980nm和1210nm两个弱水汽吸收谷、短波红外1650nm和2200nm反射...

【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】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】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。

【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】碳氮代谢反映植株生理状况和生长活力,是小麦籽粒产量与品质形成的生理基础,因而叶片糖氮比的实时无损监测对小麦生长诊断和氮素管理具有重要意义。本研究的主要目的是通过分析小麦叶片糖氮比与冠层高光谱参数的定量关系,确立小麦叶片糖氮比的定量监测模型。【方法】采用不同蛋白质含量的小麦品种在不同施氮水平下进行了连续3年大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定叶片糖氮比值,进而分析建立冠层高光谱参数与叶片糖氮比的回归模型。【结果】小麦叶片糖氮比随施氮水平的提高而下降,随生育进程呈"高-低-高"动态变化模式。利用高光谱对叶片糖氮比进行监测的适宜时期为拔节期至灌浆中期,其中开花期最好。水分特...

为实现淀山湖水体叶绿素a的快速监测,于2006年春季对淀山湖进行了现场光谱测量和同步的采样、实验室分析,通过分析叶绿素a和光谱数据之间的关系,建立了多个基于高光谱数据的叶绿素a浓度的估算模型。结果表明:利用归一化反射率建立的模型中精度最高的是采用708 nm反射率的一元二次模型,R2为0.608;利用R710nm/R667nm反射比建立模型精度得到提高,R2接近0.68;利用695.5 nm一阶微分建立的指数模型精度进一步提高,其R2达到了0.76;分别利用708 nm和667 nm的归一化反射率对数作自变量进行多元回归得到的模型精度最高,R2接近0.8,可以用来实现对叶绿素a的定量估算,实现...

【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。

利用ASD地面非成像光谱仪对小麦条锈病进行了单片病叶及冠层的光谱特征研究。结果表明,健康、发病及处于潜育期的小麦植株在某些特定波段的光谱反射率存在显著差异;并且不同孢子堆密度的小麦单片病叶的反射光谱曲线也存在相应差异;对小麦条锈病冠层光谱的研究发现,在930nm附近,病情指数(y)与冠层光谱反射率(x)的相关性达到了极显著水平,二者之间的回归模型为:y=-2.5173x+1.2217(R2=0.9484)。

为提高棉花叶片各生育时期氮素估测模型的准确性和普适性,以2019年不同施氮水平(0,75,150,300kg·hm~(-2))的棉花叶片为研究对象,利用高光谱成像仪获取棉花叶片苗期、蕾期、初花期、盛花期和结铃期光谱反射特征,对原始光谱进行卷积平滑(SG)处理,并在此基础上进行多元散射校正(SG-MSC)、标准正交变换和去趋势算法联合应用(SG-SNV-Detrending)、区域归一化(Area-normalize)、倒数二阶微分(1/SG)"和对数二阶微分[lg(SG)]"5种预处理,基于连续投影算法(successive projections algorithm,SPA)选取原始光谱和不同预处理的氮素特征波段,构建偏最小二乘回归(partial least squares regression,PLSR)和主成分回归(principal components regression,PCR)氮素估测模型,并对模型进行年际间的精度检验。结果表明:基于SPA筛选的氮素含量特征波段减少共线性和冗余信息,原始光谱反射特征经不同预处理,相关性均得到提高,5种预处理以(1/SG)"变换最优,最大相关系数出现在1114nm处,为0.522;基于PLSR和PCR构建的氮素特征波段估测模型精度均高于全波段估测模型,且PLSR方法对棉花叶片氮素含量的估算精度优于PCR方法。棉花不同生育时期光谱氮素估测精度存在差异,盛花期的(1/SG)"光谱变换的精度最高,R_p~2为0.967,RMSE_p为1.222,RPD为4.590,全生育期为SG-MSC光谱变换估算精度最高,R_p~2为0.895,RMSE_p为2.148,RPD为4.344。利用2020年棉花样本数据验证模型精度,其中盛花期的模型精度和稳定性最好,R~2高达0.783,RMSE为0.035,苗期的模型精度最低,R~2仅为0.541,RMSE为0.057。因此,对地物原始光谱反射率进行数据变换和提取特征波段是提高棉花叶片氮素含量估测模型精度的有效方式。