针对传统算法提取遥感图像分类特征不全，及识别农作物分类准确率不高的问题，以无人机遥感图像为数据源，提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理，并进行数据集标注与增强；其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块，多级多尺度特征聚合金字塔方法等对算进行法改进，构建改进的U-Net算法，最后进行模型训练与改进修正。实验结果表明：总体分类精度OA达到88.83%，均交并比MIoU达到0.52，较传统U-Net模型、FCN模型和SegNet模，在分类指标和精度上都有明显的提升。

目前, 无人机获取的多光谱遥感数据已被广泛应用于农业、 林业、 环境等领域的定量监测中。 然而, 现有的将多光谱遥感数据转换为地表反射率的方法, 仍然存在一定的缺陷, 如需要依赖地面参考板、 无法适应光照条件变化、 得到的结果不准确等, 从而影响了多光谱遥感数据定量化应用的效果。 为了解决该问题, 提出了一种可以利用无人机搭载的多光谱相机, 直接对地表反射率进行测量的新方法。 该方法具有非常强的适应能力, 即使在环境光照强度变化的条件下, 仍然能够得到准确的地表反射率。 其中, 如何利用倾斜状态下的光强传感器获取准确的太阳辐照度, 是需要解决的关键问题。 对此, 提出了一种利用两个或者更多朝向不同方向的光强传感器, 实现太阳直射和散射辐照度测量的新方法。 利用此方法即可将相机记录的数字量化(DN)值直接转换为地表反射率。 为了验证本方法的实际效果, 设计了具体的实验验证方案, 对不同日期不同光照条件下获取的无人机遥感数据进行验证。 实际测试结果表明: 利用该方法, 得到黑、 灰、 白三张参考板的反射率在5个多光谱(蓝、 绿、 红、 红边和近红外)波段中最大的平均绝对误差为3.34%, 其对应的标准差为2.11%; 三张参考板在所有波段中最大的平均绝对误差为2.94%, 其对应的标准差为1.84%。 由此可见, 在光照强度变化的条件下, 利用该方法实现地表反射率的准确测量是可行性的。 该方法极大地简化了无人机遥感数据转换为地表反射率的过程。 对多光谱无人机的设计, 以及无人机遥感数据的定量化应用, 都具有重要的参考价值。

针对新疆棉田传统螨害监测方法耗时低效的问题, 提出了一种基于冠层高光谱、 近地多光谱、 环境数据与地面调查相结合的多源数据棉田螨害大范围监测方法。 首先, 分别采集地面尺度的棉花冠层350~2 500 nm高光谱遥感数据和不同时期低空尺度的棉田无人机多光谱遥感影像数据, 通过分析高光谱的原始光谱和一阶微分光谱特征, 提取出了4个螨害敏感波段, 分别为: 绿光波段553 nm附近、 红光波段680 nm附近、 红边波段680~750 nm、 近红外波段760~1 350 nm, 这几个波段同时包含在无人机搭载的多光谱传感器波段范围内, 验证了低空尺度下无人机遥感螨害监测的可行性。 其次, 初选23种植被指数和13种田间环境数据, 结合地面调查的螨害发生情况做相关性分析。 其中, SAVI、 OSAVI、 TVI、 NDGI、 平均湿度、 温湿系数和10 cm土壤平均温度均与螨害发生达到极显著相关水平(sig≤0.01); RDVI、 RVI、 MSR、 最高温度、 平均温度、 积温、 10 cm土壤最高温度和10 cm土壤平均湿度均与螨害发生达到显著相关水平(sig≤0.05)。 选取sig值在0.05以下的15种特征值, 分别建立基于单一环境数据、 单一植被指数、 环境数据与植被指数相结合的3种支持向量机(SVM)棉田螨害发生监测模型。 最后, 根据评价效果最优的监测模型, 绘制不同时期的螨害遥感监测空间分布图, 通过统计分布图中螨害和健康像元数计算出螨害面积占比, 将螨害占比与同时期田间环境数据进行相关性分析, 筛选出显著特征值, 再通过多元逐步回归分析法确定出与螨害面积值关系最密切的环境因子, 建立棉田螨害面积预测模型。 结果表明: 基于单一环境数据的棉田螨害发生监测模型准确率为62.22%, 基于单一植被指数的棉田螨害发生监测模型准确率为75.56%, 基于环境数据与植被指数相结合的棉田螨害发生监测模型效果最优, 准确率为80%。 螨害面积预测模型的决定系数R²=0.848, 模型拟合度较好。 本研究基于多源数据建立的棉田螨害发生监测模型和螨害面积预测模型, 可以为新疆地区棉田螨害的大范围监测和趋势预警提供参考。