一、文献综述
（一）国内外研究现状
- 国内研究现状
目前国内无人机遥感在农业方面的应用还不够广泛，涉及病虫害监测和作物长势分析等。王翔宇、杨菡等以无人机遥感影像为平台搭载高精度数码相机获取玉米种植区域图像，采用AP-HI作物自动提取算法完成玉米覆盖度提取[1]，并通过冠层空隙率方法构建玉米叶面积指数反演模型为玉米长势监测提供依据。刘峰、刘素红等基于无人直升机平台的低空遥感系统获取板栗的周期性长期影像，对板栗生育期内植被覆盖度变化进行提取并良好地反映了板栗在一年中各个生育期的生长变化情况，从而将低空无人机遥感系统应用于北京园地作物生长监测进行可行性验证[2]。李志铭、赵静等采用无人机遥感获取试验区域玉米、桃树、菜花、大豆的可见光正射影像；利用HSV色彩空间转换和纹理滤波，运用Relief算法及基于支持向量机的递归特征消除算法（SVM-REF）对各模型分类效果进行精度评价得出基于无人机遥感技术的作物分类识别是可行的[3]。
虽然许多学者应用不同的遥感数据源的光谱特征和多种植被指数，通过各种算法计算提取茶园的范围、分类、生长过程和长势以及产量预测等，在茶园遥感监测方面已经取得了很多成功。比如黄邵东,徐伟恒等,采用多尺度分割(MRS)方法对影像进行分割,应用面向对象的监督分类方法（贝叶斯(Bayes)决策树5.0（DT5.0）及随机森林(RF)）对研究区茶园进行提取，并比较了不同分类方法的茶园提取精度。表明面向对象的监督分类方法在对茶园提取方面有应用潜力，尤其面向对象的RF分类精度更高，二分类相较于多分类对于茶园提取更为精细和准确。该方法对于复杂、破碎山地茶园提取精度较高，能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求[4]。朱泽润采用基于场景的遥感影像分类方法完成对茶园的提取，以 Gabor 纹理特征和光谱特征为底层特征，进而提取场景的词袋特征，再使用视觉词袋模型对茶园场景进行提取[5]。许光明将影像进行不同层次的多尺度分割，提取训练样本的光谱、形状、地形、纹理特征，再进行归一化水体指数、NDVI和土壤亮度指数的模糊范围的阈值，将多种光谱信息混合高精度提取茶园[6]。金玉香通过判读遥感影像的纹理、颜色和光谱特征，进行监督分类从而选择茶园信息提取的样本[7]。徐伟燕等提取平原处茶园光谱特征、NDVI和山地处茶园光谱特征、NDVI和纹理特征，进行决策树计算提取茶园[8]。
然而利用无人机平台搭载传感器获取茶园影像数据从而进行的相关研究的还较少。有顾泽鑫等利用无人机遥感提取茶叶可见光、红外、近红外的植被光谱特征，通过对比分析健康与病害虫态茶叶的光谱特征,提前预判茶园的病虫害状况,有效制定具体防治方案[9]。吴伟斌等的专利技术是在无人机上的设置高光谱遥感相机,微控制器,驱动放大电路,变频器,电动离心喷头和水箱，该喷雾系统可利用无人机搭载高光谱遥感相机探测茶园茶树的叶面积指数,根据叶面积指数判断茶树生长状况,调整水肥喷洒量。无人机可以实时监测茶树的生长状况，动态调控水肥喷施量，合理控制水肥喷洒量，提高资源利用率，减轻化肥对环境的污染[10]。
- 国外研究现状
国外对于无人机遥感的研究首先应用于常见作物类，比如Blancon Justin等利用无人机获取玉米的多光谱图像，并利用高通量模型辅助方法对玉米的叶面积指数的动态变化进行了监测分析[11]。Senthilnath等[12]利用多旋翼及固定翼无人机分别获取植被与裸土及不同树冠的正射影像，通过贝叶斯信息准则优化数据集最佳簇数，使用期望最大化算法进行聚类，并利用空间分类算法对聚类结果进行优化，分类精度可达85.5%。
对于茶园方面的研究主要运用卫星遥感数据，比如Dihka等从高分辨率多光谱数字航空图像中提取基于Gabor滤波器的光谱和多尺度纹理特征，并基于传感器的波长范围，采用修正的归一化植被指数MNDVI来区分绿色植被和其他对象，使用支持向量机支持向量机算法对多维纹理和光谱特征组合进行分类，最后提高茶园与类茶植被的分类精度[13]。Akar为解决茶叶和榛子的光谱反射值与周围植被相似,将归一化差异植被指数（NDVI）和纹理提取方法（如灰度共生矩阵（GLCM）和Gabor滤波器）集成到RF算法中，考察了它们对RF分类方法成功的贡献。结果表明，融合纹理信息提高了RF算法的性能[14]。Fauziana等利用多光谱遥感数据估测茶叶产量，采用像素法测定茶叶和非茶叶的含量并基于归一化差异植被指数（NDVI）估算冠幅密度百分比，根据冠幅密度估算茶叶产量。同时线性光谱混合分析（LSMA）用于确定每个像素的分数百分比，读取每个纯端成员的NDVI值。NDVI混合像元采用计数tea-NDVI，应用线性回归分析法估算了茶树冠层密度和产量，结果有很高的准确度[15]。Rajapakse等对不同类型茶树无性系在不同修剪年限下的冠层叶面积指数（LAI）和光谱反射率进行了研究。建立了茶树冠层归一化差异植被指数（NDVI）与LAI（实测）之间的经验模型。研究表明，不同茶树无性系的光谱特征因茶树冠层结构、大小、叶片的绿度和成熟度而不同，不同类型的无性系和苗期茶树的光谱特征存在差异，但这些变化不像基于分光光度计的观测结果那样显著[16]。
对于无人机遥感研究方向较少，例如Tu等[17]通过安装在无人机（UAV）上的高光谱相机收集茶树冠层的高光谱数据，根据其光谱特征对茶树品种进行分类。此外，还对影响茶叶味道的两种主要成分茶多酚（TP）和氨基酸（AA）进行了预测。结果表明，利用UAVW的高光谱遥感对茶树品种进行分类是成功的，并且有可能从UAV平台绘制茶园中与味道相关的化学成分。
（二）研究主要成果
随着近年来遥感技术的迅猛发展，通过遥感手段提取各种植被指数的方法己经较为成熟，目前国内外关于植被指数提取方法多达数十种，并将植被指数广泛应用于植被特征识别、信息提取、植被覆盖动态变化分析、环境变化监测与模拟等方面的研究。将遥感技术在茶园监测应用中所涉及到的各种遥感信息进行汇总，可见归一化植被指数(NDVI)是遥感监测茶园中应用最为广泛的光谱信息，其次是纹理特征、光谱特征以及叶面积指数(LAI)等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
