植物三维表型结构信息在生物育种和基因组研究中尤为重要。为了能够有效、快速、无损地实现对植物三维表型信息的提取，以玉米为例，提出一种从图像生成的三维点云提取玉米幼苗叶片尺度的三维表型结构信息的方法。首先利用运动恢复结构算法将手机获取的图像重建生成三维点云；然后结合ExGR指数、条件欧氏聚类算法从环境背景中自动提取玉米幼苗，进而采用区域增长算法分割叶片；最后计算玉米幼苗的株高、三维体积、叶片面积和叶片周长等三维表型结构信息，并分析表型信息随时间的动态变化。结果表明，与真实值相比，所提方法计算的株高、叶片面积和叶片周长的均方根误差（RMSE）分别为0.77 cm、1.62 cm²和1.21 cm，平均绝对百分比误差（MAPE）分别为3.23%、8.27%和4.75%，且决定系数R²均达0.98以上。所提方法可以有效地无损提取玉米幼苗三维表型结构信息，并可以拓展到对其他柱状结构植物的表型信息提取方面。

针对道路场景下三维激光点云语义分割精度低的问题,提出了一种基于卷积神经网络并结合几何点云多特征的端到端的语义分割方法。首先,通过球面投影构造出点云距离、相邻夹角及表面曲率等特征图像,以便于应用卷积神经网络;接着,利用卷积神经网络对多特征图像进行语义分割,得到像素级的分割结果。所提方法将传统点云特征融入到卷积神经网络中,提升了语义分割效果。使用KITTI点云数据集进行测试,结果表明:所提三维点云多特征卷积神经网络语义分割方法的效果优于SqueezeSeg V2等没有结合点云特征的语义分割方法;与SqueezeSeg V2网络相比,所提方法对车辆、自行车和行人分割的精确率分别提高了0.3、21.4、14.5个百分点。

牧草生物量的估算对于草地资源合理利用和载畜平衡监测具有重要的意义, 是评价草地生态系统与草地资源可持续发展的关键指标。 基于Landsat遥感技术快速、 无损的大面积植被生物量估算研究已广泛应用, 当前大多基于单一变量或几个常用植被指数构建反演模型, 这些指数往往不能从多方面反映植被理化特征。 归纳了不同Landsat8光谱衍生数据所反映的植被理化特征及它们间的关联方式, 构建了Landsat8光谱衍生数据的分类体系； 在此基础上提出了一种基于随机梯度Boosting(SGB)算法的多变量、 非线性生物量估算模型, 探讨不同类型光谱衍生数据组合对于牧草生物量反演结果的影响。 以青海省海晏县为研究区进行方案可行性探讨。 结果表明常用的Landsat8光谱衍生数据主要从植被的绿度、 黄度、 盖度、 水分含量、 纹理特征以及通过消除大气干扰和土壤背景干扰等7个方面反映植被的理化特征（7个小类）, 可归纳为直接因子（绿度、 黄度、 盖度、 水分含量）、 间接因子（消除大气干扰和消除土壤背景干扰）和空间因子（纹理特征）3大类型。 在牧草生物量反演中, 这些光谱衍生数据类型间具有较好的互补性, 单一的直接因子模型估算结果最差, 引入间接因子和空间因子均能提高模型的估算结果, 而由直接因子（GNDVI, TCW, NDTI, NDSVI, TCD）、 间接因子（SAVI, VARI）和空间因子（Mean_B3, Mean_B6, Hom_Ⅱ, Dis_B5）共同构建的SGB模型估算精度最优, R2达到了0.88； RMSE为141.00 g·m-2。 与5种常用的生物量估算模型结果对比, 该方法具有明显的优势。 较单变量模型, R2提高了42%～60%, RMSE降低47%以上, R2cv提高了31%～53%, RMSEcv降低29%； 较多变量模型, R2提高了29%～42%, RMSE降低35%以上, R2cv提高了2%～18%, RMSEcv降低2%以上。 此外, 所提出方法在消除反演模型过饱和方面也具一定成效。 综上, 利用Landsat8数据从反映植被不同理化特征角度构建反演模型实现了牧草生物量的精准估算, 对于后期牧草生长状况实时监测以及草地资源可持续利用与管理具有重要的指导意义。 研究结果还可以为今后进行大面积区域草地动态监测以及其他农业领域的研究提供参考和借鉴。

光谱二值和多值编码技术能够实现目标光谱的快速匹配、 识别和分类等应用, 但这类量化编码方法会损失大量的光谱细节信息, 且不能解码出与原始光谱近似的重构光谱, 应用有限。 为了解决上述问题, 提出一种高阶残差量化的光谱编码新方法HOBC(high-order binary coding)。 首先, 对光谱向量进行去均值的规范化处理, 得到值域为(-1, 1)的光谱序列; 然后, 求解规范化光谱的±1编码、 编码系数和残差(即一阶残差); 基于一阶残差, 逐阶解算2至K阶残差的±1编码及其系数; 最后得到K个编码序列及其系数, 即为HOBC的编码结果。 选择典型波谱库数据集, 对比光谱0/1二值编码BC01(binary coding with 0 and 1)、 光谱分析编码SPAM(spectral analysis manager)、 二值/四值混合编码SDFC(spectral derivative feature coding)和DNA四值编码等4种方法, 进行了光谱量化编码和解码重构实验, 分别统计了光谱形状特征和斜率特征编码的信息熵和存储量、 光谱形状特征编码与原始光谱之间的光谱矢量距离SVD (spectral vector distance)、 谱间Pearson相关系数SCC (spectral correlation coefficient)和光谱角SAM (spectral angle mapping)。 结果表明, 在编码存储量上, HOBC的1～4阶编码分别与以上4种编码相等; 在编码信息熵上, HOBC的1～2阶编码分别与BC01和SPAM相等, 而HOBC的3～4阶编码分别高于SDFC和DNA编码; 在SCC上, HOBC1阶编码与BC01相等, 而2～4阶编码均分别优于SPAM, SDFC和DNA编码; 在SAM方面, HOBC 1～4阶编码均分别明显优于4种对比方法; 4种对比方法不能明确解码重构, 而HOBC可简便重构出与原始光谱近似的解码序列, 且SVD逐阶递减。 进一步, 基于临泽草地试验站公开光谱数据集, 进行了10类地物目标的光谱编码和监督分类实验, 实验结果表明, 在Kappa系数, 总体分类精度和平均分类精度等3种性能评价指标上, HOBC均明显优于4种对比方法, 尤其是, HOBC 4阶编码优于原始光谱的分类性能; 对样本数量较少且类间相似性较高的难分类地物, HOBC亦具有优于其他算法的鲁棒性。 说明HOBC编码在大幅压缩数据量的同时, 其编码序列能保留较高的信息量, 且具有较高的光谱可分性, 可用于光谱高精度快速识别和分类; 其解码重构序列与原始光谱序列具有较高的相似性, 理论上可适用于目标识别和分类等应用。

斜模成像是一种从采样模式上提高影像空间分辨率的方法, 斜模成像角度的大小与成像质量密切相关。着重分析了斜模超分成像角度与斜模影像的有效分辨率、混叠、模糊以及噪声的关系, 并确定斜模超分辨率最佳成像角度。首先, 模拟分析了成像角度为1°~90°的混叠指数、视场幅宽以及有效分辨率, 并提出了用交叉复原方法对影像的分辨率、混叠、模糊以及噪声进行定量评估; 然后, 利用调制传递函数(MTF)结合倒易晶胞的方法对斜模影像复原, 最终确定了最佳成像角度为72°; 最后, 用实际实验验证分析结果表明, 当斜模成像角度为72°时影像的分辨率提升约1.41倍。

为了解决地物分类的机载激光雷达(LiDAR)与高光谱特征构造中存在的特征维数过高的问题,提出了一种基于XGBoost与皮尔逊相关系数相结合的特征选择算法——XGB-PCCS,同时设计了XGBoost与序列后向选择相结合的特征选择算法——XGB-SBS与之对比。采用真实数据验证所设计的两种算法,结果表明:两种算法均可在保证分类结果准确率的基础上有效地减小特征集维数;XGB-SBS算法保留的特征维度为33,得到的总体分类精度为95.63%,Kappa系数为0.943;XGB-PCCS算法保留的特征维度为25,总体分类精度为95.55%,Kappa系数为0.942。XGB-PCCS算法的人为干预程度较低,运行时间较短,保留的特征集更精简。此外,对比了两种算法得到的特征子集,并总结了LiDAR点云与高光谱影像多模态特征构造中重要程度较高的24种特征。

传统去噪去混叠算法大多针对单波段图像, 针对于高光谱影像的特点以及噪声、混叠对于图像的影响, 提出了一种结合张量与倒易晶胞的多维滤波算法, 并将其应用在高光谱影像的去噪和去混叠中。该方法引入张量, 将高光谱影像数据视为三阶的张量表达, 以倒易晶胞获取影像混叠和噪声较小的频谱覆盖, 从最小均方误差的角度交替迭代求解三个方向的滤波器, 最终完成影像滤波, 在保证影像空间和光谱信息一致性的前提下, 有效地减少影像混叠和噪声, 提高图像的质量。通过与二维维纳滤波算法、张量多维去噪算法的多组高光谱数据对比实验, 证明了文中算法的有效性。

近年来, p值统计量的使用规范引起了统计学界的极大关注和集中讨论, 广泛认为, p值统计量可表达观测数据与备择假设之间的不相容程度。为探究高光谱图像波段的相关分析p值与其样本独立性的联系, 进行了演绎推理和实例验证, 研究表明, 与相关系数r统计量相比, 相关分析p统计量可直接表达波段样本的独立性, 且p值矩阵具有高水平的自稀疏性, 便于建模和计算。进而, 对相关性p值矩阵进行直方图频数统计, 提出一种基于p值的高光谱自适应波段选择方法pSMBS。选取典型数据进行了监督分类实验, 结果表明, 在Kappa系数、总体精度(OA)和平均精度(AA)上, pSMBS均优于同类方法ABS、InfFS和LSFS。说明pSMBS在高光谱波段选择方面具有突出的有效性, 这也佐证了相关性p值对波段独立性的强表征能力。

叶绿素含量是植物生长中的重要参数, 与农作物产量密切相关。 无人机遥感技术作为一种新的数据获取手段, 在农业中已得到广泛应用。 以玉米为目标作物, 将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia), 同时搭载在六旋翼无人机上, 获取不同氮肥水平下大田玉米花期的多光谱影像。 利用无人机影像空间分辨率高的特点, 在小区尺度上, 分别计算了基于两种多光谱传感器的各26种植被指数, 并将其与地面实测的叶绿素含量(SPAD)值进行回归分析, 研究不同波段反射率对SPAD值的敏感性, 利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。 结果表明, 对于具有较宽波段的Sequoia, 在550 nm(绿波段)、 735 nm(红边波段)的反射率对SPAD值的变化较敏感, 其中, 550 nm与SPAD值的相关系数最大(R2=0.802 9)。 而对于较窄波段的MCA, 720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8), 550 nm(绿波段)次之。 此外, 由于两传感器红波段的中心波长和波段宽度不同, 660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6, 而680 nm(MCA)反射率与SPAD值的相关性较小, 仅为0.488 6。 利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高, 但对于不同的多光谱传感器而言, 同一植被指数却表现出较大的差异, 其中, 红波段和近红外波段组合构造的植被指数RVI, NDVI, PVI和MSR差异较大, 具有较宽波段的Sequoia传感器优于窄波段的MCA; 此外, 对于Sequoia相机, GNDVI与RENDVI预测SPAD值的精度较高, RMSE分别为3.699和3.691; 对于MCA相机, RENDVI预测精度最高(RMSE=3.742), GNDVI预测精度低于RENDVI(RMSE=3.912); 两传感器中MCARI/OSAVI预测SPAD值精度均较低, RMSE分别为7.389(Sequoia)和7.361(MCA)。 在所有的植被指数中, 利用绿波段和近红外波构造的植被指数(G类), 以及用红边波段和近红外波段构造的植被指数(RE类), 预测SPAD值精度更高, 均高于红外和近红外波段构造的植被指数; 利用更多波段(三个及以上)组合构造的复杂植被指数, 并不能显著提高预测精度。 就预测模型而言, MCARI1更适用于对数模型, 可有效提高预测精度, 而其他植被指数变化不显著。 研究还发现, 在小区水平SPAD值的预测方面, 除NDVI和TVI, Sequoia相机对于不同氮肥条件下植被覆盖度、 阴影和裸露土壤等环境背景因素具有较强的抗干扰能力; 而对于MCA相机来说, TVI, DVI, MSAVI2, RDVI和MSAVI对环境背景因素非常敏感, 预测SPAD精度低; 此外, 去除环境背景因素并不总是能够提高SPAD值的预测精度。 本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义, 对于精准农业的推广和应用具有一定的借鉴价值。