近年来,随着光谱技术和遥感技术的发展,利用各类遥感数据进行病害信息提取和监测,成为农作物病虫害区分识别的重要而又有效的手段。特别是无人机遥感因其高效、灵活、低成本和高分辨率等特点,成为农作物病虫害监控的一种新型遥感技术手段,弥补了卫星遥感数据由于射程远而导致的精度不高和因为重访周期长而不能达到实时监测的缺点,为进行区域尺度的遥感监测提供了很好的技术支撑。然而,如何选用合适的方法,在海量遥感数据中提取有用的病害信息,用于农作物病虫害的区分识别是一个重要的课题。本论文研究以国家“863”项目“微小型无人机遥感信息获取与作物养分管理技术”和黑龙江省重大科技研发项目“基于多尺度遥感的农情综合遥感监测技术研究与应用”为支撑。研究以北方水稻稻瘟病为研究对象,以稻瘟病和缺氮、健康水稻的区分为目标,以室内成像高光谱、近地成像高光谱和无人机航空多光谱数据为基础,从叶片、冠层和区域三个尺度对稻瘟病害和缺氮水稻的光谱特征提取和判别方法展开研究。具体研究内容如下:(1)叶片尺度上,在对缺氮、轻度感病、重度感病与健康水稻叶片反射率光谱对比分析基础之上,采用不同的预处理方法消除噪音影响,然后分别使用偏最小二乘结合判别分析方法建立PLS-DA判别模型和主成分分析法结合支持向量机建立PCA-SVM模型,多个模型预测分类准确率达到98.4%,其中SNV-PLS-DA模型的建模集验证和预测识别正确率都达到100%,分类效果最好。用连续投影算法提取特征波长结合判别分析和最小二乘支持向量机建立分类模型,用9个特征波长建立的S.G-SPA-SVM模型和S.G-SPA-LDA模型预测正确率都为98.4%。同时为了与冠层尺度和区域尺度相衔接,研究还利用植被指数法构建光谱特征,通过两两比较方差分析选择对4类水稻叶片具有显著区分能力的植被指数,使用逐步判别分析、支持向量机和神经网络算法建立基于植被指数的病害识别模型,实验结果表明,基于植被指数的逐步判别分析模型利用12个植被指数达到了最好的分类判别效果,交叉验证和预测准确率分别为96%和96.9%。(2)冠层尺度水稻叶瘟病信息提取与识别研究。在叶片尺度病害、缺氮与健康特征分析和区分研究基础之上,在水稻拔节期获取的水稻冠层高光谱图像中,分别提取冠层尺度叶瘟病、缺氮、健康样本光谱数据,利用标准化处理和S.G平滑预处理方法对样本光谱进行处理,在分析三类样本平均光谱特征之后,采用主成分分析、植被指数和连续小波变换三种方法对标准化和预处理后光谱数据提取特征光谱,结合判别分析、支持向量机和神经网络分类算法建立区分识别模型,模型采用“留一法”进行交叉验证。用PCA提取的前5个主成分作为输入向量的模型中,判别分析和支持向量机模型交叉验证分类结果都达到94.2%。在叶片水平筛选的植被指数基础之上,又增加了冠层水平的8个植被指数,通过两两比较方差分析筛选出39个具有显著影响的植被指数建立模型,其中,采用逐步判别分析算法的识别模型仅仅使用了EVI、m SR705、RVSI和PRI四个植被指数特征因子,对冠层尺度的健康、缺氮和稻瘟病水稻识别的交叉验证准确率达到94.2%。同时,还尝试采用CWA连续小波变换的方法提取小波能量系数特征,提取了11个小波系数特征建立分类识别模型,三类算法建立模型分类精度都在94.2%以上,其中,LDA判别模型的分类结果最好,模型交叉验证的总体分类准确率为97.1%。实验结果表明,对于冠层尺度水稻叶瘟病、缺氮、健康的区分研究中,三种提取特征的方法最好的是CWA方法,提取的小波特征结合三类算法建立模型的分类精度都在94.2%以上;比较三种分类算法发现,判别分析方法分类效果最好,在不同光谱特征的分类模型中,都达到了最好的分类效果。(3)冠层尺度穗颈瘟区分研究。与冠层叶瘟病区分研究相同,在对标准化和预处理后的冠层穗颈瘟样本和健康样本的平均光谱进行对比分析基础上,同样分别采用PCA、CWA和植被指数法提取光谱特征,结合判别分析、支持向量机和神经网络分类算法建立冠层尺度穗颈瘟识别模型:PCA方法根据主成分的贡献率提取前10个主成分建立模型,LDA方法和以RBF为核函数的SVM算法的分类模型分类结果最好,采用“留一法”交叉验证的总体分类准确率为94.2%;基于筛选的34个敏感植被指数分类模型,逐步判别分析只用了GNDVI和DVI两个特征因子,交叉验证的分类精度达到94.2%,为冠层水稻穗颈瘟仪器的制定和大范围监测提供依据;CWA方法提取了10个小波系数特征,建立的模型中LDA和以Linear为核函数的SVM模型的交叉验证的总体分类准确率为94.2%。在冠层尺度穗颈瘟区分研究中,判别分析分类算法(LDA或逐步判别分析)体现出最强的分类效果。最后,利用基于植被指数的逐步判别模型得到的典型标准函数对冠层穗颈瘟图像进行分类填图,ISODATA分类算法的分类精度和Kappa值分别为90.19%和0.7488,分类效果明显高于采用一个具有显著性的植被指数进行分类的效果。(4)采用无人机获取的多光谱数据进行区域尺度的稻瘟病区分研究。研究使用2016年旋翼机机载多光谱相机获取的地块级图像进行区域穗颈瘟模型建立。根据多光谱相机传感器的6个通道覆盖的波段范围,选取冠层尺度对穗颈瘟具有显著区分能力的植被指数加上相机6个通道的反射率光谱,最终筛选出19个具有显著区分能力的光谱特征建立模型。逐步判别分析选择近红(800nm)、NRI和GREEN/RED三个特征建立了模型,模型对2015年两块发病地块进行区分识别,样本识别精度为92.8%,分类填图精度为85.6%。最后,将逐步判别区分模型应用到大区域影像中,从整个地块上看,分类正确率可以达到80.8%。