基于无人机多光谱遥感的台风灾后玉米倒伏信息提取

为快速获取台风过后玉米倒伏信息，该研究以生态无人农场大田玉米作为研究对象，利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析（Principal Component Analysis，PCA）变换多光谱图像，保留信息量最多的前3 个主成分波段；应用最小噪声分离变换（Minimum Noise Fraction Rotation，MNF）对48项纹理特征降维，保留信息量最多的前6项特征；计算选择10种植被指数；对多光谱图像进行低通、高通滤波，将以上特征作为全特征集。使用支持向量机递归（Support Vector Machines-Recursive Feature Elimination，SVM-RFE）、 ReliefF和套索算法（Least Absolute Shrinkage and Selection Operator，Lasso）筛选出3种特征子集，建立5种监督分类模型，对4种数据集进行训练。ReliefF特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%，SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%，与全特征相比仅相差0.58%，表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量；运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息，通过混淆矩阵验证结果可知，K最邻近模型结合SVM-RFE特征筛选方法分类精度最高，达93.49%，Kappa系数为0.9，表明了分类模型普适性较强。该研究使用最少特征数量参与分类，且获得最高分类识别精度，可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。     

极端暴雨下典型小流域重力侵蚀的分布及影响因素

为探究极端暴雨下重力侵蚀分布规律及其环境条件,以2019年"利奇马"台风引发的特大暴雨事件为对象,采用无人机航拍、室内解译等方法,研究了位于暴雨中心的山东省临朐县曾家沟小流域内不同类型重力侵蚀的数量、空间分布特征及其影响因素。结果表明:(1)小流域内发生的重力侵蚀共70处,主要类型为滑坡(49处),其次为泥石流(14处)和崩塌(7处)。(2)重力侵蚀面积、侵蚀量分别与坡度变率、坡度、坡位、高程、坡向和坡向变率呈正相关,与距梯田距离、距道路距离和土地利用类型呈负相关。(3)坡度是影响重力侵蚀的最重要因素,侵蚀易发生在坡度为30°~50°的斜坡。(4)人类活动对重力侵蚀的影响较大,特大暴雨下的严重重力侵蚀多发生在梯田田坎、道路边坡等位置,需将重力侵蚀防治的重心放在加强道路两侧边坡、梯田田坎和坡度>30°的陡坡边坡防护上。研究结果可为应对和预防重力侵蚀灾害提供科学依据。