[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】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】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。

无人机遥感作为卫星和航空遥感平台的有力补充,在低空遥感观测领域发挥越来越重要的作用.对于农作物长势监测而言,选择合适的光谱波段有利于更加准确地反映作物长势情况.该研究借助水稻—油菜氮素养分试验,针对其油菜季开展基于无人机遥感的消费级相机油菜苗期长势监测最优波段选取问题研究.试验采用经红外改造后的消费级相机,逐次搭配lp680、lp720、lp850 3种近红外长通滤波片和RGB红外截止滤波片来获取不同光谱位置的近红外波段影像和可见光波段影像.在此基础上计算多波段影像的多种植被指数,同时结合油菜地面冠层高光谱数据和滤波片光谱响应特性模拟计算相同的植被指数.结果表明,使用可见光波段影像计算的归一化差指数(NDI)与地面实测归一化差植被指数(NDVI)之间的相关性最高,其R2达到0.945,该结果与基于油菜地面冠层高光谱数据所得结果呈现出较好的一致性.同时该NDI值与油菜氮素养分试验中不同氮素施用水平之间的相关性也较好,其R2达0.963.该研究结果表明选取常规消费级相机可见光波段也能准确地获取作物长势信息,为其用于作物长势监测提供了科学依据.

提出了通过交换树脂和数码相机来获取土壤肥力及作物长势、长相参数的方法。结果表明,树脂袋解吸出的速效N与土壤中的速效N间有较好的相关性;数码技术采集的作物生长发育信息(叶色指数)与土壤速效氮含量之间也有良好的相关性;结果还表明,水稻产量在一定范围内和生长发育信息成正相关。

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。

通过无人机搭载监测设备飞抵船舶上空进行近距离监测目前已经成为一种十分有效的船舶尾气监测手段。在相关实际场景中，船舶处于移动状态且无人机有着续航能力的限制，且由于缺乏对应的调度算法，无人机存在着监测目标选择随机性高，飞行路径不精确，电量规划不合理等问题。同时现有的求解方法存在面向大量数据时求解效率低的问题。基于上述问题，针对面向船舶尾气监测的无人机调度问题展开了研究。将上述调度问题转化为了一个可通过蚁群算法求解的模型，并提出了基于信息素分级的蚁群算法对上述调度问题进行求解。通过实验验证与对比，证明了提出的基于信息素分级策略的蚁群算法能够取得良好的规划效果。

【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]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。

分析了返回式卫星搭载两个品种SP2 的若干性状变异 ,同时选出了几个优于对照的新品系 ,表明高空条件下可以诱变作物有利性状

为探索林火监测的新手段,提高森林安全管理水平,将实时视频传输和计算机技术相结合,研制了林火监测任务设备,并与无人机飞行平台共同构成了微型无人机林火监测系统。以林区火场影像为样本,像素RGB值为分类依据,使用统计产品与服务解决方案软件进行聚类分析,得到基于颜色特征的烟雾识别模型。该模型经过光谱特性改进和消噪处理后,对于试验影像的烟雾识别率在77%以上。利用该模型,系统可在飞行中实时完成对地面火情的探测并给出报警提示。在飞行试验的基础上,提出无人机林火监测系统的飞行作业流程,并讨论了系统运行的经济性和目前存在的问题。无人机林火监测系统同样可用于林区气象探测、可燃物和病虫害调查等方面,切实提高林区管...

【目的】强化冬小麦长势遥感监测机制,为田间生产管理提供信息支撑。【方法】以2007—2009年试验实测数据为基础,以Landsat TM影像为数据源,分析试验样点拔节期冬小麦主要长势参数与品质、产量以及卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦拔节期叶面积指数(LAI)、生物量、SPAD值和叶片氮含量(LNC)的模型。【结果】冬小麦拔节期,选用中红外波段的反射率(B5)、归一化植被指数(NDVI)、DSW5和绿波段的反射率(B2)等遥感变量分别反演冬小麦的SPAD值、生物量、LAI和LNC是可行的;SPAD值、生物量、LAI和LNC遥感监测模型的精度较高,以此为基础,制...

【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。

论文结合民用机场净空保护需求,针对无人机监测系统在民用机场的应用可行性和有效性进行定量评估。首先,深入分析了无人机监测系统的多维度评价指标,从系统的功能、性能、可靠性、安全性、可部署性5个评价维度设计了10个方面的系统特征,包括监测覆盖区域、有效探测距离、空间定位精度、俯仰精度、目标跟踪能力、即时性度量、报警提示置信程度、目标识别能力、可靠性度量、信息安全和可部署性度量等。然后,结合这10个系统评价特征,建立基于模糊集和模糊测度的综合评估模型,设计多类无人机监测设备在机场真实场景的实验验证。实验结果表明,该方法可有效度量无人机监测系统对民用机场的适用性和有效性等,对不同类型的技术具有较好的兼容性,评价结果对民用机场无人机监测系统选择具有较高的参考价值。

[目的]土壤背景在无人机遥感监测中存在干扰作用，但目前还未有针对烟草长势和品质无人机高光谱监测进行去土壤效应的研究。[方法]本研究通过实施2个品种、4个施氮水平互作处理的烤烟田间试验，利用无人机平台搭载的高光谱相机获取大田关键生育期的烤烟冠层反射光谱数据，分别使用土壤植被组分光谱分解(3SV)算法与植被指数阈值法去除土壤效应后的各小区平均光谱，利用植被指数优化算法进行全生育期烤烟叶面积指数和烟碱含量的高光谱监测模型构建。[结果]在使用3SV算法后，波段组合与烟叶烟碱相关关系较高的区域分布在λ1：450～500 nm和λ2：580～660 nm组合以及λ1：630～670 nm和λ2：680～700 nm；波段组合与叶面积指数相关关系较高的区域分布于λ1：730～770 nm和λ2：750～800 nm组合以及λ1：510～600 nm和λ2：680～700 nm。基于3SV算法的烟叶烟碱含量与叶面积指数监测模型验证精度均较植被指数阈值算法处理后有不同程度的提升，‘云烟87’烟碱的模型验证决定系数R~(2)从0.64提升到0.88，RMSE从0.71 %降低至0.29 %，效果最为明显。利用3SV算法与波段优化算法，筛选出与‘云烟87’叶面积指数关系最佳的指数为NDLI_(515，691)，与‘K326’品种叶面积指数关系最佳的指数为NDLI_(764，799)；与‘云烟87’烟碱含量关系最佳的指数为NDNI_(450，658)，与‘K326’品种烟碱含量关系最佳的指数为NDNI_(456，654)，并建立了无人机平台适用于监测整个大田生育时期的通用叶面积指数与烟碱的模型。[结论]通过比较不同去除土壤背景算法，3SV算法提升了烟草叶面积指数与烟碱监测模型的精度，为无人机高光谱大面积监测烟草长势与品质提供了技术支持。