具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林， 我国是世界上油茶树分布最广的国家。 提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。 以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区， 该区域分布有大量农田和森林， 且部分植被季节变化较大， 对油茶的遥感提取带来了很大挑战。 提出了基于春夏秋三期的GF-2号高分辨率卫星影像， 综合植被指数、 纹理特征、 PCA主成分3种特征， 以及春夏、 春秋、 夏秋、 春夏秋四种不同时序组合和随机森林（RF）算法共构建了17种分类场景（S1—S17）， 运用随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）三种不同分类算法开展油茶遥感提取实验， 筛选出最优特征组合、 最佳分类季节与最优时序组合、 最优分类方法。 结果表明: 仅基于光谱信息分类精度低， 纹理特征的加入可大幅提升精度， 而PCA对于精度的提升效果微弱; 通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季， 夏季单时期影像在最优特征组合(S8)中油茶生产者精度（PA）为94.06%， 油茶用户精度（UA）为92.57%; 在分类场景S10—S17中实验发现， 采用时序信息要比单时期影像有明显的精度提升， 时序组合分类精度由高到低依次为: 春夏秋、 春夏、 春秋、 夏秋; 综合光谱、 纹理、 时序信息通过随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）进行油茶提取， 随机森林算法分类精度总体表现最好。 采用春夏秋多时相遥感植被指数、 纹理、 PCA的随机森林方法(S17)是分类精度最高的方案， 总体精度（OA）和Kappa系数分别为96.85%和0.961 0， 油茶生产者精度（PA）为98.31%， 油茶用户精度（UA）为94.33%; 采用春夏时相遥感植被指数、 纹理的随机森林方法（S10）为兼顾计算效率与精度的最优方案， 总体精度（OA）和Kappa系数分别为95.62%和0.9458， 油茶生产者精度（PA）为96.93%， 油茶用户精度（UA）为95.09%。 所提出的最佳油茶遥感提取方案能够为亚热带地区油茶及其他经济林的遥感监测提供参考。

无人机（UAV）的姿态角参数是衡量无人机飞行性能的重要参数。传统测量方法中UAV装置的各类传感器受UAV本身影响会产生较大数据误差，现有的视觉测量方法受光线影响，对标记点的识别精度有限，因而提出了一种基于激光投射和视觉的UAV姿态角测量方法。通过全站仪数据确定标记点在世界坐标系下的三维位置，并由搭载于UAV的激光发射器向前侧及左右两侧的幕布发射激光，相机实时捕捉并解算幕布上激光点的位移信息，通过激光点与标记点的几何关系及Rodrigues旋转公式求解UAV姿态角。实验结果表明，所提方法的姿态角解算误差在0.2°以下，可满足UAV姿态角度测量的精度要求。

小麦条锈病是影响我国小麦产量的主要病害之一, 在小麦受到条锈病菌侵染初期探测到病害信息, 对小麦条锈病的防控以及产量和品质的提高具有更为重要的意义。 反射率光谱主要反映植被生化组分的浓度信息, 而日光诱导叶绿素荧光则对植物光合生理变化响应灵敏。 为了更好地实现小麦条锈病病情严重度的遥感探测, 尤其是条锈病的早期探测, 对日光诱导叶绿素荧光和反射率光谱数据监测小麦条锈病病情严重度的敏感性进行了对比分析。 首先利用地物光谱仪测定了不同病情严重度的小麦冠层光谱数据, 基于夫琅和费暗线原理利用3FLD(three-band Fraunhofer Line Discrimination)方法提取了小麦条锈病不同病情严重度下的日光诱导叶绿素荧光数据, 然后分别利用反射率光谱数据和日光诱导叶绿素荧光数据构建小麦条锈病不同发病状态下的遥感探测模型, 并通过保留样本交叉检验方式对预测模型精度进行了评价。 结果表明: （1）当小麦条锈病病情指数低于20%时, 日光诱导叶绿素荧光对小麦条锈病病害信息的响应比反射率光谱数据更为敏感, 以日光诱导叶绿素荧光为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平, 能够在植被叶绿素含量或叶面积指数发生变化之前探测到植物的胁迫状态, 实现作物病害的早期诊断, 而反射率光谱数据则难以探测到条锈病病害信息; （2）在小麦条锈病病情严重度处于中度发病(20%＜DI≤45%)状态时, 虽然日光诱导叶绿素荧光和反射率光谱数据均能实现小麦条锈病病情严重度的遥感探测, 但利用日光诱导叶绿素荧光数据构建的预测模型优于反射率光谱数据; （3）当小麦条锈病病情严重度达到重度水平(DI＞45%)时, 利用反射率光谱数据和日光诱导叶绿素荧光数据构建的小麦条锈病病情严重度预测模型均达到了极显著性水平, 两种数据均能够较好地实现小麦条锈病病情严重度的遥感探测。 该研究结果对提高小麦条锈病的遥感探测精度具有重要的意义, 为利用TanSat等卫星的荧光数据进行小麦条锈病的早期探测提供了参考依据。

小麦蛋白质含量是衡量小麦价格的一项重要指标。 本文使用三年冬小麦蛋白质含量和光谱指数数据, 用2008/2009和2009/2010年数据构建新的比率指数和乘积指数, 并将灰色关联算法-偏最小二乘法(GRA-PLS)进行整合, 尝试提高对冬小麦蛋白质含量估算的精度, 用2011年/2012年数据进行验证。 研究结果表明: 比率指数与冬小麦蛋白质含量的相关系数要优于单一指数, 单一指数和比率指数最高相关系数(r)分别为0.726和0.751, 乘积指数也可改善部分单一指数的相关系数。 通过GRA-PLS方法可以提高对冬小麦蛋白质含量的估算精度, 单一指数、 比率指数和乘积指数的决定系数(R2)分别为0.537, 0.631和0.521, 对应的均方根误差(RMSE)分别为0.665%, 0.564%和0.574%。 结果说明用新构建的比率指数和乘积指数, 并使用GRA-PLS方法对冬小麦蛋白质含量估算是可行的。

提出新的作物冠层叶片氮含量(LNC)高光谱遥感监测方法，以对氮素要求较高的大麦LNC监测为例，利用田间实测数据，从可见光－近红外区域的高光谱反射曲线中提取包含丰富多波段信息的斜率、夹角等新型特征参数，应用组合预测领域中的权重最优组合原理及其算法，实现对作物LNC的高光谱监测.研究表明，提出的高光谱反射曲线斜率和夹角等新型特征参数与作物LNC显著相关，并具有较好的定量响应关系，其中关键斜率参数(Kre/Kpb)和Kpb以及夹角参数(Aδ/Aα)和(Aδ/Aθ)较好地描述了LNC的动态变化; 而权重最优组合分析则表明(Kre/Kpb)和Knir1两个参数的组合最能响应LNC的光谱信息，有助于增强监测的稳定性并提高估测的精度.

定量遥感是当前遥感发展的前沿， 作物组分信息解析是农业定量遥感的研究热点， 而成像高光谱技术为解决微观尺度的作物组分信息探测研究提供了强有力的手段。 利用成像光谱仪(pushbroom imaging spectrometer， PIS)与地物光谱仪(FieldSpec ProFR2500， ASD)同步收集冬小麦、 玉米不同生育期叶片的反射光谱， 通过不同算法提取PIS与ASD数据的红边位置， 验证成像光谱数据的精度。 结果表明: (1)PIS与ASD原始光谱数据在红边区间(670～740 nm)有很高的吻合度； (2)从室内光谱(玉米叶片)红边位置的提取结果看， 两仪器提取的红边位置都集中在700～720 nm； (3)从室外光谱(小麦叶片)红边位置的提取结果看， PIS与ASD数据提取结果有差异， PIS数据的红边位置在760 nm处， 而ASD数据的红边位置在720 nm处， 这种差异主要是成像光谱数据受氧气吸收的影响较大所致； (4)PIS与ASD的红边变幅不同， 但趋势相同。 以上结论为成像光谱数据的深入应用提供了参考。

针对叶面积指数(LAI)经典统计反演模型存在估算效果不理想以及反演效率低等问题, 提出了一种基于农学物候的数据分割与主成分分析结合的遥感估算方法.综合了原始光谱和微分(或差分)光谱主成分信息作为自变量, 融入了以农学物候为先验的数据分割思想, 并引入了多尺度建模方式参与反演过程.以冬小麦为实验对象, 进行数值模拟和比较分析.结果显示, 该方法既能有效地提高整体估算精度, 又能显著地改善数据饱和问题, 且在全样本遍历时体现了稳定鲁棒性.

利用高光谱信息检测作物叶绿素含量信息是田间作物长势诊断的重要研究内容。 利用水稻光谱和叶绿素含量田间实测数据, 从作物叶绿素含量不同, 光谱曲线峰谷波形有“高矮胖瘦”形态变化的观点出发, 提出光谱曲线峰谷波形中特征边的上升、 下降速率以及组成峰谷波形两边的夹角等新型特征量, 利用归一化光谱信息, 分析了这些变量与水稻叶绿素含量间的相关关系。 研究结果显示: (1）可见光波段范围520～740 nm之间的归一化光谱反射率与叶绿素含量间呈良好的负相关关系; (2）绿峰反射光谱曲线特征边的变化速率及绿峰两边的夹角等变量与水稻叶绿素含量具有较好的相关性, 表明利用这些新型变量开展叶绿素含量高光谱无损监测成为可能, 这将为利用高光谱信息开展作物长势与营养诊断提供新的思路和方法。

大气纠正的目的是从遥感影像中去除大气影响，并反演获取地物真实反射率。介绍了一种逐像元对遥感影像进行大气纠正的算法，该算法基于6S(Second Simulation of the Satellite Signal in the Solar Spectrum)大气辐射传输模型计算建立的查找表(look－up table)，并利用地面暗目标(dark object)进行陆地气溶胶光学厚度的自动反演，由于气溶胶的分布具有空间连续性，在获取地面暗目标气溶胶光学厚度值后，通过空间插值的方法计算影像中非暗目标像元的气溶胶光学厚度值，经过查找表二次插值计算，逐像元进行大气纠正并获取像元地表反射率值。以Landsat5遥感影像为例，介绍了算法流程，展示了大气纠正的结果。结果显示，利用查找表逐像元大气纠正的算法，能够在一定程度上去除云雾对影像的影响，更加精确的对遥感影像进行大气纠正并获取地物的真实反射率。

去云处理是遥感图像处理以及大气纠正的重要步骤。常规的去云处理算法会随云的覆盖类型的不同而不同，如同态滤波或时间平均法，这些算法在去除云对影像影响的同时，往往会伴随地物信息的丢失。提出了基于单景遥感影像的去云处理算法——基于遥感影像分类结果及云检测结果的去云处理算法，目的是去除影像中云的散射影响，恢复地物的光谱信息。算法是针对局部有云的单景Landsat7 ETM+影像进行的。根据Landsat7 ETM+波段4，5，7对影像进行聚类分析，确定不同地物的覆盖类型；利用波段1，2，3及波段6划分出影像中的无云区以及不同覆盖厚度的云层；按照相同地物覆盖类型对非云区与不同云区进行平均反射率匹配，以达到去云的效果。结果表明，经过去云处理的影像，在分类运算中能够明显地提高分类精度，能够很好地恢复地物的光谱信息。