小麦产量产前估测关乎农业生产计划制定、 粮食安全保障、 国家经济和宏观决策。 应用无人机能够无损、 快速准确、 及时高效地估测小麦产量, 通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力, 明确多源数据融合对模型估测精度的提升效果, 对于作物田间管理保障小麦高产稳产具有重要意义。 以黄淮麦区140个主栽小麦品种为材料开展冬小麦田间试验, 采用搭载红绿蓝（RGB）和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集, 分别以岭回归、 支持向量回归、 随机森林回归、 高斯过程、 k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型, 采用决定系数（R2）、 均方根误差（RMSE）和相对均方根误差（RRMSE）对估算模型进行评价。 结果表明, 所选取的10个可见光植被指数及13个多光谱被指数特征值均与实测产量呈极显著相关（p<0.01）, 各特征值产量相关系数绝对值由高到低依次为多光谱植被指数（0.54～0.83）、 可见光植被指数（0.45～0.61）、 纹理特征（<0.45）。 全部六种机器学习算法均在采用多源数据融合时产量估测模型精度最高, 多源数据融合产量估测精度（平均决定系数R2=0.50～0.71）>多光谱传感器产量估测精度（R2=0.53～0.69）>RGB传感器产量估测精度（R2=0.35～0.51）。 多源数据融合相对于RGB数据的R2提高0.17～0.23, 平均均方根误差（RMSE）降低0.06～0.09 t·hm-2; 相对于多光谱数据的R2提高0.01～0.06, RMSE降低0.01～0.03 t·hm-2。 Cubist算法与其他5种算法相比, 建立的多源数据融合模型产量估测精度最高, R2为0.71, RMSE为0.29 t·hm-2。 研究表明, 相对于单一传感器数据产量估测模型, 多源数据融合能够有效提升冬小麦品种产量的估测精度, 并且Cubist算法能相对更好地处理多模态融合数据提高产量预测精度, 为预测不同小麦品种的产量提供理论指导。

具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林， 我国是世界上油茶树分布最广的国家。 提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。 以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区， 该区域分布有大量农田和森林， 且部分植被季节变化较大， 对油茶的遥感提取带来了很大挑战。 提出了基于春夏秋三期的GF-2号高分辨率卫星影像， 综合植被指数、 纹理特征、 PCA主成分3种特征， 以及春夏、 春秋、 夏秋、 春夏秋四种不同时序组合和随机森林（RF）算法共构建了17种分类场景（S1—S17）， 运用随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）三种不同分类算法开展油茶遥感提取实验， 筛选出最优特征组合、 最佳分类季节与最优时序组合、 最优分类方法。 结果表明: 仅基于光谱信息分类精度低， 纹理特征的加入可大幅提升精度， 而PCA对于精度的提升效果微弱; 通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季， 夏季单时期影像在最优特征组合(S8)中油茶生产者精度（PA）为94.06%， 油茶用户精度（UA）为92.57%; 在分类场景S10—S17中实验发现， 采用时序信息要比单时期影像有明显的精度提升， 时序组合分类精度由高到低依次为: 春夏秋、 春夏、 春秋、 夏秋; 综合光谱、 纹理、 时序信息通过随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）进行油茶提取， 随机森林算法分类精度总体表现最好。 采用春夏秋多时相遥感植被指数、 纹理、 PCA的随机森林方法(S17)是分类精度最高的方案， 总体精度（OA）和Kappa系数分别为96.85%和0.961 0， 油茶生产者精度（PA）为98.31%， 油茶用户精度（UA）为94.33%; 采用春夏时相遥感植被指数、 纹理的随机森林方法（S10）为兼顾计算效率与精度的最优方案， 总体精度（OA）和Kappa系数分别为95.62%和0.9458， 油茶生产者精度（PA）为96.93%， 油茶用户精度（UA）为95.09%。 所提出的最佳油茶遥感提取方案能够为亚热带地区油茶及其他经济林的遥感监测提供参考。

草地绿色生物量是监测草地生态系统的重要指标。 高效高精度估算草地绿色生物量对草地生态系统具有重要意义。 遥感技术因方便快捷、 成本较低等优势, 已被广泛应用于生物量估算, 而传统光学遥感技术易受云层、 气候条件等因素影响, 不适用于高密度植被区。 因此, 受外界环境影响较小且具有一定穿透性的合成孔径雷达技术在生物量估算中得到了推广; 但当前SAR技术多用于估算森林生物量与作物生物量, 鲜有估算草地绿色生物量的研究。 故选取内蒙古草原为研究区, 基于Sentinel-1A SLC影像提取后向散射系数、 纹理特征、 极化分解量共11种雷达指数, 并根据已有雷达植被指数(σ0和σ′0)引入2种雷达植被指数(σ１和σ′１), 结合草地绿色生物量实测数据分别对15种雷达指数进行建模分析。 结果表明纹理特征中的均值、 后向散射系数σＶＨ为估算草地绿色生物量最佳雷达指数, 其估算模型R2分别为0.54和0.60, RMSE分别为47.3和44.3 g·m-2, 此外, 雷达植被指数σ0和σ1估算草地绿色生物量也可获得较高精度, 其估算模型R2分别为0.53和0.42, RMSE分别为47.6和53.0 g·m-2。 研究证明SAR技术在高效高精度草地绿色生物量估算中具有较强应用潜力, 但在误差消除方面仍需改进。

光学相干层析技术（OCT）作为一种实时、无创的高分辨率成像手段，能够使用特征提取算法获得丰富的图像信息，为疾病的诊断提供客观依据。利用OCT对17例甲状腺正常组织与乳头状癌组织进行成像。针对甲状腺组织图像的特点，使用灰度共生矩阵（GLCM）、灰度直方图（GH）、中心对称自相关（CSAC）和Laws纹理测度（LM）4种算法提取图像特征值，并结合支持向量机（SVM）算法定量地评估不同特征组合的识别性能。结果显示，GLCM-GH-LM组合性能最优，能够从多个方面获得图像的纹理和灰度特征信息，灵敏度、特异性和准确度分别高达96.3%、92.2%和94.3%。研究表明，基于特征提取和机器学习的算法对甲状腺乳头状癌OCT图像进行量化分析及识别时不仅可以提供实时的监测图像，还对甲状腺恶性肿瘤临床诊断具有重要的参考价值。

在雨雪纷飞、不停波动的湖面等自然背景下，运动目标检测的准确性会受到巨大影响。因此，在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor（Vibe）算法在复杂背景下检测效果较差且易受光照变化影响的问题，提出了一种将Vibe算法与改进局部二值模式（LBP）特征算子结合的运动目标检测算法。首先，计算并保存每一帧的LBP值图像，采用相邻帧补偿策略稳定图像，减少光照对灰度值的影响。然后，使用Vibe算法建立背景模型，用改进的LBP值代替灰度值来进行前景检测。最后，进行形态学操作得到最终的前景目标。实验结果表明，所提算法和其他传统算法相比，对动态背景的抑制效果好，对比原始Vibe算法召回率平均提升25.6%，准确率平均提升12.5%，误检率平均降低22.6%。

强对流云团是气象领域重要的研究对象之一。利用大气气溶胶多角度偏振探测仪(DPC) 观测数据对强对流云团进行偏振辐射特性研究,为强对流云团识别提供多维信息。以强对流云团、台风云团和非降水云团为例,研究表明:强对流云团反射率高于非降水云团,且其反射率空间分布更均匀;在发展旺盛的强对流云团中大部分是冰晶粒子,只有边缘部分有液态水存在,而其他非降水云团的相态分布差异较大;在相近的照明和观测几何条件下,强对流云团偏振角空间分布的离散性大于非降水云团,且两者偏振角均值差异大;强对流云团的偏振角图像可以很好地表征其轮廓特征。