[目的]高光谱成像技术在卫星遥感平台上由于飞行高度与技术限制等原因无法满足当前对于智慧农业与精准农业的需求,无人机平台的出现可以有效地弥补这一问题,给精细化、定量化研究农田信息提供数据支持。受平台稳定性,荷载能力等因素的制约,传统的推扫式高光谱成像仪不适用于无人机平台,而框幅式成像仪的应用前景较为广泛。但此类成像仪由于成像原理等因素的影响,获取的波段图像间存在姿态与位置差异,无法直接投入到后期应用中,在投入使用前需要进行波段配准。[方法]结合传统基于特征点的配准方法针对波段配准展开研究,对图像间灰度与位置

高光谱数据波段多、波段之间相关性强,导致信息冗余严重,增加了数据处理的工作量,有效准确地在众多波段中选择具有代表性的波段尤为重要。首先用Wilks'Lambda(WL),随机森林(random forest,RF)与自适应波段选择(adaptive band selection,ABS)这3种方法对高光谱数据进行降维处理。然后提出了基于曲线误差指数的评价方法,用此指数的趋势来确定每种降维方法所要选择的合适波段数量,同时用指数的大小评价不同降维方法的优劣,并用分类方法对评价结果加以验证。结果显示:Wilks

【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】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】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】应用多光谱影像和光谱指数法准确估算作物叶绿素含量。【方法】使用4个生长期玉米冠层高光谱反射率及叶绿素含量建立单红边波段叶绿素指数(SRCI)的叶绿素含量估算模型:首先由高光谱反射率和光谱响应函数计算得到等效的Worldview-2多光谱反射率,以等效反射率计算SRCI;然后根据SRCI与叶片叶绿素含量(LCC)、冠层叶绿素密度(CCD)的线性关系,分别建立LCC和CCD的一元线性回归模型。使用2012年9月14日获取的Worldview-2多光谱遥感影像计算得到的SRCI作为输入,估算LCC和CCD。【结果】Worldview-2 SRCI估算叶片叶绿素含量的偏差均方根为4.70μg/cm~2,相对误差平均为7.0%;估算冠层叶绿素密度的偏差均方根为1.63 g/m~2,相对误差平均为6.4%。【结论】多光谱卫星遥感的红边光谱指数能准确估算玉米叶绿素含量。

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]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。

【目的】探索基于背负式激光雷达(BLS)和无人机机载激光雷达(ULS)技术获取林分三维点云的优势，利用Li DAR360 MLS和LiDAR360软件实现单木胸径和树高的精准测量，确定效果较优的单木分割和提取方法。【方法】以云南省富民县罗免乡6个半径为15.0 m的圆形云南松Pinus yunnanensis天然纯林样地为例，采用最近迭代点算法(ICP)融合BLS和ULS点云，利用LiDAR360 MLS和LiDAR360软件对点云数据进行去噪、点云分类、归一化和单木分割，并提取单木胸径和树高，利用线性拟合方法建立实测值与估测参数的相关关系，评价胸径和树高的估测效果。【结果】LiDAR360 MLS基于深度学习分类相较于LiDAR360基于高程信息分类，提取的株数信息更符合实际，BLS和融合点云单木提取株数一致，召回率均达到100%。ULS通过种子点进行单木分割，效果较好，准确度、召回率和F测度分别为94.59%、88.98%、91.70%，但受冠层连通性影响，仍存在一定的欠分割和过分割情况；基于BLS胸径提取的决定系数(R~2)和均方根误差(E_(RMSE))分别达0.904和2.046 cm，基于BLS树高提取的R~2和E_(RMSE)分别为0.791、1.173 m。融合点云受树干周围离散点的影响，胸径提取效果相对BLS效果较差，R~2和E_(RMSE)分别为0.881和2.284 cm，但融合点云冠层和林下信息较完整，树高的估测精度较BLS高，R~2和E_(RMSE)分别为0.933、0.812 m。【结论】由于工作原理上的差异，ULS和BLS技术分别在获取冠上和林下点云方面各具优势，融合两者可达到互补的效果，能够更加精细地反映森林空间结构，实现胸径和树高的高精度提取。图5表3参28

【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】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。

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】基于无人机平台的遥感技术是目前研究的热点,也是推动现代化农业快速发展的主要力量之一。笔者欲通过分析涝灾研究区激光雷达点云数据反演的玉米冠层高度,快速准确实现玉米涝灾受灾范围监测和灾情评估,为防灾减灾、高产稳产、农业保险理赔等提供依据。拓展无人机载LiDAR数据在农业领域的应用价值,为农业等相关部门快速有效掌握农情信息提供保障。【方法】2016年7月19—20日,以因大暴雨导致涝灾的北京市昌平区一块玉米大田作为研究区,基于无人机平台获取研究区激光雷达数据。通过冠层高度模型(canopy height

【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。