“基于低空遥感的东北玉米、新疆棉花追肥变量管理技术”进展

正中国科学院地理科学与资源研究所承担的子课题"基于低空遥感的东北玉米、新疆棉花追肥变量管理技术",在吉林四平等地开展了基于低空无人机遥感的东北玉米氮素营养诊断研究。在研究中,基于地面光谱仪ASD对机载高光谱传感器S185获得的影像数据,从光谱反射率曲线波形相似度、整个生育期的变化趋势等方面进行了验证,为进一步依赖无人机高光谱遥感     

基于光谱特征参数的粳稻冠层氮素含量反演方法

粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R~2均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含量反演模型。综上研究,该模型能够快速无损反演粳稻冠层氮素含量,可为后续施肥决策提供支持。     

东北粳稻叶绿素相对含量的无人机高清影像检测方法

叶绿素相对含量(soil and plant analyzer development,SPAD)是评价水稻健康状况的重要农学参数,为了解决传统监测方法工作量大,效率低的问题,以东北粳稻为研究对象,采用不同施肥处理开展小区试验,利用无人机低空遥感技术分别获取水稻分蘖期、拔节孕穗期、抽穗灌浆期水稻冠层高清数码影像,同时利用叶绿素仪测量水稻冠层SPAD值,并对无人机高清数码影像反演SPAD的可行性及方法进行研究。结合k-means聚类和阈值分割的方法去除背景提取出水稻叶片的RGB值,构建出R、G、B及G/R、G/B、B/R、R-B、G-R、NRI、NGI、NBI共11种颜色参数,并分别用11种参数和水稻叶片SPAD做相关性分析,分析结果表明NRI、B/R、R-B 3种参数和SPAD值高度相关。分别采用一元线性回归分析法和BP神经网络法对3种参数和SPAD的关系进行建模并对建模精度进行分析。结果表明:无人机高清影像反演SPAD是可行的,其中一元线性回归分析中,NRI和SPAD的建模精度高于B/R和R-B,均方根误差(RMSE)为1.51;基于NRI、B/R和R-B的多特征输入的BP神经网络预测粳稻SPAD的RMSE为1.354,相比基于NRI的一元线性回归分析模型精度提升11%,BP模型能较好地对东北粳稻的SPAD进行反演,能为无人机低空遥感反演粳稻SPAD提供理论依据和实现方法。     

“基于无人机低空高精度遥感的冬小麦和夏玉米变量施肥管理模型”进展

正中国科学院南京土壤研究所承担的子课题"基于无人机低空高精度遥感的冬小麦和夏玉米变量施肥管理模型",依托封丘农业生态国家实验站,利用无人机载可见-近红外成像光谱仪、高分辨率可见光相机、机载激光雷达(Li DAR)等先进设备,通过定位监测分析氮磷钾养分差异性处理长期试验,获得了该地区不同养分条件下冬小麦、夏玉米的光谱和作物空间形态特征,并建立了     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【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。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息，利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础，利用连续投影算法(SPA)进行有效波段的提取，提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入，利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中，针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80，w为0.9~0.3线性递减，C₁和C₂分别为2.80和1.10，m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887，均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型，前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于无人机遥感的冬小麦追肥推荐模型建立

为提高小麦氮素精准、高效的管理能力,实现实时、便捷、精准的变量施肥.本文在无人机遥感进行冬小麦氮素营养诊断的基础上,依据光谱诊断施肥模型,建立冬小麦返青期、拔节期和抽穗期等关键生育期追肥推荐模型.研究结果表明:无人机影像获得的DVI与冬小麦关键生育时期氮素参数植株氮浓度相关性最好(R2=0.8698);冬小麦返青期、拔节期和抽穗期氮素诊断临界DVI值分别为0.594、0.784和0.807;冬小麦最高产量为11364.3 kg/hm2,最佳产量为11230.9 kg/hm2,总施氮量为272.9 kg/hm2,最佳经济施肥量264.1 kg/hm2,基于光谱诊断的追肥推荐模型分别为返青期y=-39.69x+23.58、拔节期y=-129.97x+101.95、抽穗期y=-159.79x+128.93.诊断指标的建立为冬小麦基于光谱诊断的追肥模型奠定了基础,临界DVI值的确定为诊断冬小麦关键生育期是否补充氮肥提供依据,氮肥效应曲线建立和光谱诊断施肥模型选择实现了定量化的追肥推荐.     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于无人机遥感技术的黄华占水稻施肥决策模型研究

目前,水稻生产中氮肥施用过量,肥料利用率和产量相对较低等问题日益突出。无人机遥感能够实现无损、及时、快速大面积地获取作物田间信息,已被广泛应用于精准农业管理中。以黄华占水稻为研究对象,设计了不同施氮梯度的小区试验,利用无人机搭载rededge-M多光谱相机获取水稻生育期冠层多光谱图像,提取NDVI植被指数,分析了不同氮素条件下水稻冠层NDVI值的变化规律,研究了NDVI和标准种植比值指数(RISP)与水稻植株氮含量之间的相关关系;依据有效积温数据,建立了基于标准种植比值法的水稻关键施肥节点的施肥量决策模型。研究结果表明:随施肥量增加,水稻冠层NDVI值也随之变大,整个生育期呈现出"快速增加-缓慢增加-缓慢降低"趋势;NDVI和RISP值均与水稻植株氮含量显著相关,且RISP的相关系数达0.9以上,可更好地用于诊断水稻生育期氮素养分状况;基于标准种植比值法的水稻施肥决策模型拟合决定系数为0.991。模型验证试验发现,模型种植区平均施氮用量为99.64kg·hm-2,而传统种植区平均用量为135.60kg·hm-2,施肥量减少26.52%。且模型种植和传统种植的产量差异不足1%,说明该施肥模型在保证产量的同时提高了氮肥利用率,为实现作物养分管理决策支持系统提供了一种新的模型方法。     

水稻农学理化参量无人机遥感反演研究现状与展望

近几年，无人机遥感技术在水稻理化参量反演上得到了广泛应用，并逐渐发展成为水稻田块尺度遥感信息获取的主要途径之一。深入分析基于无人机遥感的水稻农学理化参量（指在农业领域中可确定某种物理、化学性质的参量）反演研究现状及存在问题，有利于更好地把握水稻无人机遥感未来发展趋势。综述无人机遥感技术在反演生化组分含量、结构参量、生产力等方面的研究现状，其中生化组分含量的反演研究主要集中在氮素和叶绿素方向且目前仍然以数据驱动的方法为主，例如用于反演氮素的窄波段植被指数NDRE，通过对极限学习机与偏最小二乘回归耦合对水稻叶绿素含量的反演等，而基于物理模型的反演方法较少；结构参量的反演研究主要包括叶面积指数、生物量等，方法有用于反演叶面积指数的辐射传输机理模型PROSAIL，用于反演生物量的基于冠层光谱特征的优化高斯过程回归方法；生产力的遥感重点在水稻的产量估算、病害和倒伏检测，方法有用于水稻估算的利用RGB影像使用K-Means与核相关滤波算法融合。对无人机遥感平台、设备、方法进行了总结，梳理近10年水稻农学理化参量无人机遥感反演的研究进展和成果。最后综合国内外的研究现状进行水稻无人机定量遥感讨论分析与...     

一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用

【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。     

低空无人机遥感在油料作物表型分析中的应用

传统的油料作物田间表型数据采集方法费时费力，工作效率低。低空无人机遥感具有快速便捷、成本低、易操控等优势，提高了在中、小尺度区域遥感观测油料作物的形态学参数和生理生化指标的精细化程度，初步实现了油料作物田间生长信息的快速采集、处理与分析应用。本文综述了近年来国内外低空无人机遥感在油菜、大豆、花生、向日葵、油棕等油料作物表型分析上的研究进展，介绍了当前主流的无人机飞行平台、机载传感器以及作业流程，重点梳理了无人机遥感在油料作物形态学分析、生理生化指标检测、产量估测以及逆境胁迫监测等多方面的应用情况，指出了低空无人机遥感在油料作物监测领域存在的不足和未来的发展趋势，以期为智慧农业的后续发展和精准应用提供理论依据。     

不同生育期水稻品种氮素吸收利用的差异

 【目的】研究不同生育期类型水稻品种氮素吸收利用的差异,分析提高其氮素吸收利用的途径。【方法】在群体水培条件下,以88—122个常规籼稻品种（2001—2002）、94个常规粳稻品种（2008—2009）为材料,测定生育期、各器官干物重和氮素含量、产量及其构成因素等,采用组内最小平方和的动态聚类方法将供试品种按播种到抽穗日数（为方便描述本文统称为生育期）从低到高依次分为A、B、C、D、E、F 六类,研究各类品种氮素吸收利用的差异及其原因。【结果】生育期长的品种抽穗期和成熟期氮素累积量大（籼稻）或较大（粳稻）,但结实期吸氮量并无优势;生育期长的品种植株含氮率较低（粳稻）或品种间差异较小（籼稻）,单位面积穗数较少（籼稻）或品种间差异较小（粳稻）,但其生长日数多、干物质生产量大、单穗吸氮量较大、单穗吸氮强度大（籼稻）或较大（粳稻）,干物质生产量、单穗吸氮量、单穗吸氮强度对吸氮量的作用分别大于植株含氮率、单位面积穗数、生长日数对吸氮量的作用;生育期长的品种氮素籽粒生产效率低（籼稻）或中等偏大（粳稻）,氮素干物质生产效率较大（粳稻）;生育期长的品种抽穗期、成熟期茎鞘叶中氮素分配比例大,穗中氮素分配比例小或较小（成熟期粳稻）。【结论】生育期长的品种吸氮能力强（籼稻）或较强（粳稻）,氮素籽粒生产效率低（籼稻）或中等偏大（粳稻）。生育期长的品种植株含氮率、穗数或小或无优势,但生长日数、干物质生产量、单穗吸氮量、单穗吸氮强度大。促进干物质生产,提高单穗吸氮强度和单穗吸氮能力有利于提高生育期长的品种氮素吸收量。无论是籼稻品种还是粳稻品种,促进营养器官中氮素向穗部运转,减少茎鞘叶中氮素分配比例,均有利于生育期长的品种氮素利用效率的提高。对粳稻品种而言,成熟期较低的植株含氮率也是生育期长的品种氮素利用效率高的重要因素。     

无人机遥感设备的自动化控制系统

UAVRS-Ⅱ型无人机低空遥感监测系统以面阵CCD数码相机和稳定平台作为主要机载遥感设备.遥感设备和稳定平台的自动化控制系统重点解决利用单轴稳定平台修正偏流角和根据无人机飞行时的导航参数实时解算曝光间隔来确保航向重叠度的问题.地面和实际飞行试验表明,这套自行开发的无人机遥感设备的自动化控制系统达到了预期的目的、取得了良好的效果.     

无人机遥感的农作物精细分类研究进展

【目的】农作物精细分类是面积估算、长势监测、产量预测及灾害评估的重要前提和基 础。近年来，无人机低空遥感技术因其操作成本低、空间分辨率高、灵活性强等优势，成为田 块尺度下农作物精细分类的重要工具。【方法】文章系统总结了国内外近10 余年无人机遥感在 农作物分类领域的研究进展，介绍了目前常用的无人机平台和传感器，归纳了农作物分类特征 及算法的使用情况，指出了无人机遥感农作物精细分类研究存在的问题。【结果】当前无人机 遥感农作物精细分类研究存在一些不足之处：（1）无人机遥感监测面积小，无法在较大尺度区 域实现农作物精准监测。（2）适用于无人机遥感的农作物分类特征仍需进一步挖掘，面向高光 谱影像的农作物分类特征及特征组合尚需进一步明确。（3）分类器使用单一，分类算法的普适性 和稳定性不强。【结论】无人机遥感农作物精细分类研究的发展趋势主要包括3 个方面：（1）无人 机遥感影像与星载遥感数据的高效融合，拓宽无人机的监测范围。（2）面向无人机遥感影像 的农作物分类特征提取与优化研究。（3）适合无人机遥感的农作物分类算法改进。     

基于可见光波段的无人机超低空遥感图像处理

【目的】探讨低成本的可见光超低空农业遥感平台提取与分析农情信息的可行性,为农用无人机精准施药与农情监测提供技术支持。【方法】以仅包含红光、蓝光和绿光的超低空可见光农田遥感图像为研究对象:首先利用张氏校正法获取相机的畸变矩阵,并校正图像;然后提取与分析图像的可见光植被指数;最后通过分析超低空可见光农田图像中植被与非植被的光谱特性,对可见光超低空遥感图像进行植被信息提取。【结果】获得的农田植被提取图像很好地区分了植被与非植被。【结论】基于可见光的超低空遥感农业信息获取系统应用具有可行性,可为构造低成本的可见光低空遥感监测系统提供参考。     

基于遥感技术的森林树种识别研究进展

基于遥感手段的森林类型/树种（组）的精准识别是森林参数提取和计算的前提,是林业遥感领域的研究前沿,可为宏观尺度快速获取森林资源信息提供重要途径。对多源遥感数据在森林树种识别中的应用研究进行总结分析发现,当前基于遥感数据的树种识别已成为林业遥感的研究热点。利用卫星遥感数据和近地低空遥感数据结合随机森林、支持向量机等分类方法进行树种识别已相对成熟。近年来,无人机技术不断发展,以其灵活性强的特点在林业中有较强的应用潜力,在计算机技术、数字图像处理技术和机器学习领域不断发展成熟背景下,低空遥感数据结合深度学习技术应用于森林树种的精确识别是值得深入研究的科学问题。     

利用无人机遥感测定岷江冷杉单木树干生物量

无人机获取的高分辨率遥感影像,已成为单木生物量估算的有效手段。本文以四川省王朗自然保护区岷江冷杉为研究对象,利用本项目组自行研制的无人机获取无阴影遥感影像。设置2块样地,其中plot 1为建模样本,plot 2为验证样本。通过人机交互的方式提取单木树冠面积(CA)数据,并结合野外实测的胸径(DBH),建立DBH遥感估算模型。最后基于CA-DBH模型的有效性,结合已有DBH-SB(树干生物量)经验方程,计算plot 2岷江冷杉单木树干生物量。结果表明:基于无人机遥感影像提取的单木CA与实测DBH存在较好的非线性相关关系,所建立的模型有较好的拟合度,R2达到0.752(P<0.001,n=94)。采用t检验验证CA-DBH模型预测值与观测值的差异,同时计算皮尔森相关系数(Pearson Correlation Coefficient),检验结果表明:该模型估算的DBH与实测值偏差差异不显著(P>0.05),其皮尔森相关系数可达0.879,证明利用无人机获取的遥感影像,通过提取的CA估算DBH是可行的。本次实验表明:利用无人机遥感获取影像,通过提取的单木CA进行树干生物量的估算是有效的。      

基于无人机的若尔盖高寒草地鼠害程度估算模型研究

【目的】无人机低空遥感能大范围且快速、便捷地动态监测鼠害分布。通过无人机所 提取的高原鼠兔鼠害信息，构建鼠害程度估算模型，探究无人机对草原鼠害快速监测和防 治的可行性。【方法】文章利用无人机低空航拍，获取若尔盖湿地自然保护区中主要存在的 高原鼠兔鼠害的高分辨率无人机正射影像和数字高程模型影像，并对其进行遥感监测，构 建鼠害程度估算模型来对其鼠害发生、发展状况进行探索。【结果】研究结果表明：（1）航 拍区高原鼠兔鼠害程度以轻度危害和中度危害为主，轻度及中度危害面积为90 703.8 m2，面 积占比达65.5%，极度危害占总面积的16%，危害面积为22 096.8 m2。（2）高原鼠兔鼠害程 度均呈半倒U 型曲线，在东西方向上趋势线从西往中间逐渐攀升，总体表明东部鼠害程度 比西部高；在南北方向上趋势线在中间偏南的位置达到最高，总体表明南部的鼠害程度高 于北部；在西北—东南方向与东北—西南方向上鼠害程度从样地中心地区向四周逐渐降低。 【结论】通过对高原鼠兔的鼠害程度估算模型进行分析后发现，高原鼠兔危害程度在样地北 部主要为轻度危害和重度危害，近似呈以东北和西北部极度危害区为核心的圈层结构并向外 扩散递减；极度危害区集中分布在样区的中部区域；在样区南部主要以中度和重度危害为 主，近似呈以西南和东北部两个极度危害为核心的带状结构，并向东北—西南方向延伸分布。     

基于无人机RGB影像的大豆种植区提取方法研究

针对皖北大豆主产区——阜阳市太和县境内的典型破碎农田环境，基于无人机RGB影像与多种机器学习算法构建大豆遥感识别模型，据此实现种植区的精细制图。除了R、G、B波段的相对反射率外，还选取了3个HLS色彩空间分量、9个可见光植被指数、6个纹理特征和1个几何特征共22个候选特征变量扩大RGB影像的信息量。采用与分类器相耦合的特征选择方法筛选出针对4种算法——随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGBoost)和BP神经网络(BPNN)的特征子集，并基于最优特征子集和相应的算法构建监督分类模型进行大豆分布区的提取制图，并对比效果差异。结果表明，在4种算法下，基于优选特征子集构建的监督分类模型的提取效果全部优于基于原始RGB波段的提取效果，其中，RF算法结合优选特征的表现最佳，总体精度为93.96%,Kappa系数达到0.87。总的来看，RF算法结合特征优选方法在无人机大豆遥感识别中具有较大的应用潜力，通过特征筛选可在较高的分类精度与较少的数据量之间取得平衡。