随着无人机技术的逐渐成熟，越来越多的领域开始引入无人机执行任务。无人机具有使用成本低，环境适应能力强等优点，但其能够顺利执行空中任务的前提是对自身位置的准确定位。传统导航技术主要依赖GNSS，但GNSS存在不稳定、易受干扰等缺点，易出现无人机无法利用GNSS进行定位的情况，即GNSS拒止环境。针对GNSS拒止环境下无人机的导航定位问题，基于已知的卫星正射影像，提出了一种综合利用卫星影像局部和全局深度学习特征的无人机视觉检索定位方法。首先将ConvNeXt作为主干网络，与广义平均池化相结合组成检索特征提取算法，用于提取卫星和无人机影像的全局特征。针对检索定位的任务设计了考虑影像间重叠面积的三元损失函数，训练特征提取算法。然后根据全局特征对一定范围内的卫星影像进行检索。最后为了进一步提高检索得到目标影像的准确率，利用深度学习局部特征进行匹配重新排序。论文建立了面向无人机检索定位任务的训练和试验数据集，试验结果表明，对于完全重叠无人机模拟影像检索不同季节卫星影像，本文方法平均准确率达到90.9%，平均耗时2.22 s。在无人机实拍影像测试中准确率为87.5%，基本能够满足无人机导航定位需求。

地表温度是表征局地热环境的关键地表参数。无人机热红外遥感具有高空间分辨率的优点，为获取高分辨率局地地表温度提供了数据支撑，基于无人机热红外遥感数据的地表温度反演已吸引越来越多的关注。本文系统探索了基于同步大气温湿度廓线的无人机热红外遥感地表温度反演方法，以南京信息工程大学中苑校园及周边地区为研究区，利用无人机搭载WIRIS Pro Sc热像仪和温湿度观测系统同时获取热红外影像和大气温湿度廓线数据，在消除大气影响的基础上，结合地物比辐射率反演得到高精度的地表温度，利用修正后的实测地面点温度数据对地表温度反演结果进行验证，基于反演得到的地表温度分析其空间分布特征。结果表明，基于温湿度传感器获取的同步大气温湿度廓线，可以有效去除大气影响得到准确的离地辐射亮度，反演得到的地表温度与实测地表温度的温度差为0.06~4.96 K之间，R²为0.91，地表温度空间差异明显，其空间分布与地表覆盖类型密切相关，反演结果较为准确。研究为无人机热红外遥感数据的地表温度反演研究提供了借鉴与参考，并能够为局地微热环境监测提供技术支撑。

结合无人机和深度学习目标检测算法自动检测道路病害具有范围广、成本效益高等优势。然而，道路病害的形状和 大小变化剧烈，很难完整检测它们。此外，受限于计算资源，通用的目标检测算法只适用于小尺寸影像（512像素×512像素或640像素×640像素），很难直接应用于大尺寸的无人机影像（5 472像素×3 648像素或7 952像素×5 304像素）。使用传统方法检测大尺寸影像中的多尺度目标会出现大尺寸目标切分、小尺寸目标漏检等问题。针对上述问题，本文提出了一种结合全局-局部多尺度融合策略和YOLOv5-RDD的创新解决方案。① 构建了YOLOv5-RDD模型，在现有YOLOv5模型的基础上，设计多尺度C3（MSC3）模块和上下文特征金字塔网络（CFPN），增强了对多尺度目标的检测能力。② 提出了一种全局-局部多尺度融合策略，利用下采样和切分手段获取大尺寸无人机影像的全局和局部信息，然后叠加全局和局部多尺度信息以获取整个大尺寸影像的多尺度信息，并采用中心非极大值抑制算法优化检测结果。③ 为验证所提方法的有效性，创建了一个专门用于无人机道路病害检测的UAV-RDD数据集。实验结果显示，与原始的YOLOv5模型相比，新模型YOLOv5-RDD在mAP上提升了5.8%，而全局-局部多尺度融合策略相比传统方法在mAP上提升了9.73%，充分证明了本文方法的有效性和优越性。

基于无人机可见光影像的果树树冠分割易受地形起伏、灌木及杂草等复杂背景影响，尽管现有深度神经网络能在一定程度上提高树冠分割的鲁棒性，但因受感受野和信息交互限制而忽略了树冠全局上下文和局部细节信息，制约了树冠分割精度进一步提高。针对此，本文引入果树高度模型与深度学习算法，提出一种耦合卷积神经网络与注意力机制的无人机摄影测量果树树冠分割方法。该方法首先通过迁移学习构建基于卷积神经网络与注意力机制的耦合深度网络模型来提取果树树冠局部和全局上下文高级语义特征；同时，顾及深度语义特征与果树树冠位置关联性，设计了局部与全局特征融合模块来实现属性与空间位置协同树冠分割。以柑橘果树树冠分割为例，实验结果表明，引入树冠高度模型能有效抑制地形起伏影响，提出的方法总体精度、F1评分和均交并比最高分别达到97.57%、95.49%和94.05%，能显著削弱低矮杂草或灌木对树冠提取的干扰。此外，与SegFormer、SETR_PUP、TransUNet、TransFuse和CCTNet等先进网络模型相比，均交并比分别提升了1.79%、8.83%、1.16%、1.43%和1.85%。提出的方法可实现复杂背景下果树树冠高精度分割，对于掌握果树生长状况和果园精细化管理具有重要的实用价值。

土壤有机质含量是衡量土壤肥力的重要指标，对粮食生产具有重要影响。我国滨海盐碱地分布广阔，土壤有机质呈现显著的空间异质性。传统的“实地采集-实验测量”的方法费时费力，难以快速描绘盐碱地区土壤有机质含量的空间分布特征。因此，采用遥感技术对土壤有机质含量进行高效且精准地反演，可以快速了解土壤肥力，从而调整与优化农业生产与管理。本研究以黄河三角洲典型滨海盐碱地裸土（0~10 cm土层）为研究对象，通过提取土壤的无人机遥感光谱与空间纹理信息，构建并筛选遥感指数。分别采用多元线性逐步回归、偏最小二乘以及随机森林模型对土壤有机质含量进行反演，并对比分析耕作与未耕作处理对反演的影响，同时探究融入对土壤盐分含量敏感的遥感信息是否可提高盐碱地区土壤有机质的反演精度。研究结果表明：① 在土壤有机质含量反演中，随机森林模型的反演精度（R²为0.83~0.95）显著高于多元线性逐步回归（R²为0.26~0.69）和偏最小二乘模型（R²为0.37~0.72）；② 与未耕作土壤（R²为0.26~0.95）相比，耕作处理下的土壤有机质的反演精度较高（R²为0.54~0.94），即土壤的耕作处理能提高光谱指数对于土壤有机质含量的响应，从而提升土壤有机质含量的反演精度，为更加精准地监测土壤有机质提供新思路；③ 融入遥感纹理信息或土壤盐分含量信息（盐分实测值和盐分敏感指数）可显著提高土壤有机质反演精度。本研究将为提升田块尺度滨海盐渍化农田的土壤有机质含量反演提供理论与技术支撑，从而促进滨海盐渍化地区现代化农业的发展。

目前城市植被分类受特征相近、光谱相似影响导致植被漏分、错分。因此,设计了一种多尺度特征感知网络（MFDN）结合高分辨率无人机可见光影像对城市植被分类。该网络针对漏分、错分问题,通过在输入层引入坐标卷积减少空间信息的丢失;构建并行网络增强多尺度特征信息并在网络之间引入重复多尺度融合模块使整个过程保持高分辨率表示,减少细节特征的丢失;同时添加分离特征模块扩大感受野,获取多尺度特征,从而有效缓解了城市植被错分、漏分现象。结果表明,MFDN方法在仅使用无人机可见光影像条件下主要是通过空间模式而不是光谱信息促进了城市植被分类,平均总体精度为89.54%,平均F1得分为75.85%,平均IOU为65.45%,分割结果准确完整。因此,所提方法与易于操作的低成本无人机系统相匹配,适用于城市植被快速调查,可以为城市空间利用和生态资源调查提供技术支持和科学依据。

矿区地裂缝精准识别对防灾、减灾和生态环境修复具有重要意义。针对高分辨率无人机影像较难自动精确提取地裂缝的问题，本文提出了一种基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法。首先，采用Otsu算法计算背景和地裂缝初值作为先验知识；其次，构建背景和地裂缝初值的提取能量函数，并引入到传统CV主动轮廓模型，增强地裂缝提取的针对性；最后，通过轮廓的不断演化实现地裂缝的提取。以内蒙古扎赉诺尔矿区为研究区、无人机影像为数据源，采用改进主动轮廓模型方法进行地裂缝提取，并与传统的Canny边缘检测算法、支持向量机（SVM）、最大似然（MLM）和传统CV主动轮廓模型方法进行对比分析。结果表明：在地物类型较为单一的小范围区域，传统的Canny边缘检测算法和传统CV主动轮廓模型提取效果较差，改进主动轮廓模型、SVM和MLM共3种方法均可以取得较好的效果，其中，改进主动轮廓模型方法精度最高；在地物类型相对复杂的大范围区域，传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型方法存在较多的漏提和误提，Kappa系数均低于0.7，而本文改进主动轮廓方法依然可以取得较好的效果，Kappa系数达到0.9左右。因此，本文提出的方法通过引入先验知识可有效提高地裂缝提取的精度和稳定性。

目前水华已成为国内外一个重要的环境问题，单一的光学遥感方法难以实现精细化的水华预测。针对上述问题，本文以无人机多光谱影像、水质、水温及气象数据为数据源，首先通过像素匹配法（Matching Pixel-by-Pixel，MPP）反演水质参数及归一化植被指数（Normalized Difference Vegetation Index, NDVI）阈值法提取水华信息，然后基于地理加权回归（Geographically Weighted Regression, GWR）建立涵盖面积信息和位置信息的水华短时预测模型，并探讨了预测窗口尺寸对预测结果的影响。结果表明：① 本文方法可以实现精细化的水华短时预测，在应用中对水华面积预测精度达到96.19%，在水华空间分布的预测上对水华和非水华的总体分类精度均大于0.97，生产者精度、Kappa系数均大于0.5； ② MPP反演的总氮、总磷和溶解氧浓度与实测数据都有着较高的相关性，其决定系数R²分别达到0.89、0.85、0.89； ③ 不同尺寸的预测窗口直接影响预测结果精度，相比8×8、12×12、14×14，选用10×10预测窗口得到的总体分类精度、生产者精度、Kappa系数最高，分别为0.98、0.77、0.77。该模型可为短时水华预测提供借鉴，有利于水华监测、预测工作的进一步深入与完善。

挪威每年约有210万只羊在森林和山区自由放牧，在放牧季节结束时，农民们必须找到并围拢他们的羊，而这个过程非常耗时费力。现有跟踪羊群的方法包括铃铛、无线电铃、电子耳标和无人机等，这些方法受限于单价、信号覆盖、自动化程度低等缺点，无法高效自动地找到野外的羊。本文提出了一种基于无人机图像的羊群自动检测算法，使用ResNet和ResNeXt作为主干网络，设计了一种针对RGB和红外图像的羊群自动检测模型网络结构。本文分别利用RGB、红外和二者融合图像作为输入数据，对比模型检测效果，同时探讨了不同模型复杂性，并验证了模型泛化能力。实验结果表明，使用融合数据比单独使用一种数据能够获得更好的平均精度结果。不同复杂度和不同输入数据类型，其模型的验证数据集平均精度在69.6%~96.3%之间，处理时间在0.1~0.6 s之间。在置信阈值为0.5时，最优模型取得了97.9%的网格准确率和90.1%的召回率，这对应于在验证数据集中检测到97.5%的羊，因此，本文提出的基于无人机RGB和红外图像的羊群自动检测算法可以为改进羊群围捕做出一定贡献。

湿地植物物种多样性可以反映湿地生态系统的群落组织水平和稳定性，评价湿地健康、退化程度以及修复状况，快速量化物种多样性对保护湿地生物多样性至关重要，然而传统的实地调查方法费时费力，存在时间成本上的局限性，而高光谱技术的发展为实现这一目的提供了契机。为探究如何通过高光谱技术实现湿地植物物种多样性的精确反演，本研究在陕西汉中朱鹮国家级自然保护区对湿地植物展开调查并同步获取植物冠层的高光谱影像，使用Simpson（D_S）、Margalef（D_M）、Shannon-Weiner（H'）和Pielou（J） 4种指标表征物种多样性，通过随机森林（Random Forest，RF）、BP神经网络（Back Propagation Neural Network，BPNN）和偏最小二乘（Partial Least Squares，PLS） 3种方法建立反演模型，最终实现对区域物种多样性的反演推算。结果表明：一阶微分变换比二阶微分变换能提取出更多的敏感波段，而通过组合任意波段植被指数，可以提高与物种多样性指数的相关性；基于原始光谱数据与基于多特征组合的反演精度接近，且都是RF模型取得较高精度（R² > 0.40）；RF模型对H'和J的反演精度较好， R²高于0.6， D_S的R²高于0.5，表明模型有一定预测能力，而D_M的R²均低于0.5，模型预测能力并不理想。本研究展示了无人机高光谱技术在湿地植物物种多样性精确反演方面的有效性，证实了通过光谱微分变换和特征变量的提取结合随机森林模型实现无人机尺度的物种多样性反演方法的可靠性。该技术对于可为湿地生物多样性的大尺度检测提供技术支撑，为相关管理部门决策提供参考。

【目的】跨视角图像地理定位是指通过将待查询影像与不同视角且具备精确位置信息的参考影像进行匹配从而推断其地理位置的一门技术。该技术已经广泛应用于无人机导航、目标定位等现实任务中。当前基于深度学习的无人机-卫星跨视角图像检索定位方法大多依赖监督学习，但高质量标注样本的稀缺导致监督学习模型的泛化能力受限。同时，由于现有方法对空间布局特征的建模缺失，使得跨视角影像间的显著域差异难以弥补。【方法】针对上述问题，本文提出了一个基于无人机-卫星影像的跨视角图像检索定位新架构——DINO-MSRA，该架构首先利用经Conv-LoRA微调后的Dinov2大模型作为特征编码器，旨在利用较少的参数量增强模型的特征提取能力。其次，设计了一个基于Mamba模块的空间关系感知特征聚合器（MSRA）用于聚合图像特征，通过将空间配置特征嵌入到全局描述符中，为跨视角匹配定位任务带来了显著的性能增益。最后，采用InfoNCE损失函数对模型进行训练。【结果】本文在Univerisity-1652和SUES-200数据集上进行了大量对比实验和消融实验，实验结果表明，当分别面向无人机定位任务和无人机导航任务时，本文方法在Univeirity-1652数据集上的R@1精度达到95.14%、97.29%，相比于目前最优算法CAMP分别提升0.68%、1.14%；在SUES-200数据集上150 m高度的R@1精度分别达到97.2%、98.75%，相较于CAMP提升1.8%、2.5%，并且所需参数量也明显少于现有算法，仅为Sample4Geo的19.2%；【结论】DINO-MSRA在跨视角图像匹配方面优于目前最先进的方法，实现了更高的精度，更快的推理速度，证明了其在具有挑战性的场景中的鲁棒性和实际应用潜力。

【目的】无人机及卫星遥感技术已经被成功地应用在土壤有机碳等属性的估算研究，但对土壤质地的估算相对较少，因此开展该方面的研究具有重要的应用价值。本研究以青海湟水流域互助县卓扎滩村、湟中区拦隆口镇泥隆口村和鲁沙尔镇白土庄村3个田块为研究对象，探索了无人机和卫星遥感技术在田间尺度上估算土壤质地含量的应用潜力。【方法】基于无人机平台分别搭载2台高光谱相机对各农田土壤进行无人机成像、利用地物光谱仪收集土壤野外原位光谱、采集土壤样品，共获得2022—2024年838份土壤样品；此外，获得相近时间的GF1/2/7 (Gaofen1/2/7)、Sentinel-2 A和ZY1-02D (Ziyuan 1-02D)影像数据；实验室测试各样品的土壤粒径并采集土壤室内光谱数据。在上述数据的支持下，利用XGBoost (Extreme Gradient Boosting)方法分别对土壤质地含量与实验室、野外原位、无人机、GF、ZY1-02D和Sentinel-2光谱进行统计建模与估算，进一步对土壤质地含量进行空间分布制图。【结果】① 在XGBoost方法的模型结果中，无人机影像光谱的最优模型精度RPD为2.441，GF1/2/7、ZY1-02D和Sentinel-2卫星影像的最优模型精度RPD分别为1.815、1.601和1.561； ② 基于无人机和卫星影像的估算精度要低于地物光谱仪测得的光谱估算精度，具体为：实验室光谱>野外原位光谱>无人机影像光谱>GF1/2/7卫星影像光谱>ZY1-02D卫星影像光谱>Sentinel-2卫星影像光谱；在土壤质地含量的估算结果中，黏粒含量的精度最高， RPD最高可达2.70，粉粒次之，RPD为2.24，砂粒含量的精度最低， RPD为1.91； ③ 砂粒和黏粒含量与土壤光谱反射率呈现出负相关关系，而粉粒含量则呈正相关关系，砂粒、粉粒和黏粒的敏感波段主要集中在近红外波段范围（780~2 400 nm）； ④ 砂粒、粉粒和黏粒的含量在3年内变化较小，表现出相对稳定的状态，3个田块通过制图结果得到的土壤质地含量主要为：67%<砂粒≤83%、10.6%<粉粒≤19.1%和3.2%<黏粒≤6.6%。【结论】对田间尺度来说，无人机影像是土壤质地含量制图的最佳数据源，能够有效服务于精准农业管理，而GF1/2/7与ZY1-02D卫星影像基本满足质地制图的要求， Sentinel-2卫星影像对田块尺度制图则较为粗糙。

【目的】多无人机路径规划是保障无人机群在复杂环境中高效协同作业的关键技术，其本质为可行域稀疏的约束多目标优化问题。进化算法因具备较强的全局搜索能力，已被广泛应用于该类问题的求解。然而，现有方法在路径初始化阶段往往忽略路径的空间结构特征，在路径重生成阶段则主要依赖通用的随机搜索算子，缺乏对适应度函数和无人机与飞行环境空间关系的有效利用，限制了算法在有限计算资源下获取高质量全局可行解的能力。【方法】本文提出一种面向多无人机路径规划的多源启发式进化算法（MSHEA）。该算法通过引入路径空间结构、适应度信息及飞行环境特征等多源启发式信息，分别优化路径初始化与重生成过程：设计按序有向膨胀策略，生成兼具空间合理性和解空间覆盖性的高质量初始路径集合；构建融合适应度与飞行环境信息的路径重生成机制，有效提升不可行路径的修复效率与可行路径的局部优化能力。【结果】基于8组不同复杂度的公开多无人机路径规划基准数据开展实证验证，结果表明MSHEA在不同飞行场景下均展现出优越的求解性能和较高的稳定性： ① 相比次优基准算法，其超体积指标提升1%~6%，反世代距离指标降低6%~81%； ② 所设计的路径初始化策略与重生成机制在提升算法性能方面均发挥了显著作用； ③ 对新增超参数的敏感性较低，具有良好的适应性与通用性。【结论】MSHEA通过引入多源启发式信息显著增强了多无人机路径规划的求解能力，为多机协同作业任务中的路径优化问题提供了稳健可靠的技术支撑。