农业灾害是影响作物产量的重要因素。病虫害是作物生长过程中常见的一种农业灾害,作物病虫害的及时发现与有效防治是减少农业经济损失和提高粮食产量和质量的有效举措。作物在生长过程中也经常遇到倒伏灾害,倒伏不仅降低作物产量,同时增加了后期收割难度。准确的受灾面积与受灾程度估算能为农业保险的理赔等环节提供关键信息,并可为进一步的田间管理提供数据支持。遥感技术可以在不破坏作物生长的基础上大范围快速有效的获取作物的生长状况信息,为作物的病虫害与倒伏监测提供信息。目前作物病虫害与倒伏遥感监测研究多采用试验田人工诱导病菌与人工模拟倒伏,但是实际农业生产过程中,灾害的类型复杂多样,开放田块病虫害与倒伏灾害的光谱特征还与作物生长环境等诸多因素相关。通过植被指数获取植株农学参数进行灾害的等级评估模型一般针对特定的农业灾害与地区,难以大范围展开。代价敏感学习模型可以快速高效的检测作物灾害,可为早期的有效防治与及时采取相关措施提供信息。代价敏感学习模型可以根据应用场景对不同类型设定不同的错分代价,从而提高重点关注目标类比的分类精度,使更多的目标类别被检测出来。本研究主要以河南冬小麦为研究对象,分别研究利用遥感检测作物病虫害与倒伏的方法,具体包括:1)新乡市研究区内,以Sentinel-2A为主要数据源,进行病虫害遥感检测的特征挖掘与优选,探究代价敏感学习模型在提高作物病虫害识别精度的潜力;2)在长葛市研究区内,以国产GF-2数据为主要数据源,进行作物冬小麦倒伏检测的方法研究。采用XGBoost模型对植被指数、纹理指数的分类能力进行定量评估获取最佳的特征组合,在此基础上进行代价敏感模型与对照试验的倒伏检测实验。主要的研究结果与创新点如下:(1)基于代价敏感学习(cost-sensitive learning)分类方法,结合病虫害遥感检测最佳特征组合可实现作物病虫害的有效检测。1)代价敏感学习方法在利用遥感进行作物病虫害检测方面具有明显的优势,能够大幅提高小麦病虫害的查全率,对早期有效防治具有重要意义。其中CS-SVM(cost-sensitive support vector machines)比SVM对冬小麦病虫害类型的制图精度提高了5%,在验证集的整体错分代价下降了22,CS-Na?ve Bayes比Na?ve Bayes病虫害小麦的制图精度提高了5%,达到最高值99%,整体错分代价也达到最小值26.6;2)感染病虫害作物的冠层光谱在红边范围变化明显,尤其705nm、740nm与783nm三个波段上病虫害小麦与健康小麦光谱特征表现明显的差异,非常有利于作物病虫害与健康状况的区分。3)利用Relief特征优选方法可以用来获取与具体的分类模型无关的最佳病虫害识别特征组合;4)虽然代价敏感学习方法面临着将部分健康小麦错分为病虫害的风险,但是通过牺牲部分健康小麦的精度来提高病虫害的制图精度是具有现实的经济意义。(2)利用GF-2数据纹理特征与光谱特征结合代价敏感学习分类模型可以实现小麦倒伏的遥感高精度检测。1)采用代价敏感学习模型可以提高小麦倒伏遥感检测的查全率,其中CS-SVM比SVM制图精度提高了5.79%,在验证集的整体损失代价下降了231.75。CS-Na?ve Bayes比Na?ve Bayes提高了4.19%,在验证集的错分代价下降了138.45。检测结果为所有方法中最好。2)GF-2数据的高空间分辨率特性非常有利于作物倒伏的精细检测,倒伏后的小麦在可见光与近红外波段冠层光谱反射率表现明显的差异。具体的,乳熟期的小麦倒伏后光谱在GF-2多波段的反射率都有所增加,其中近红外的增幅最大,其次是绿波段;3)增加高分辨率的纹理特征可以提高倒伏的检测效果,不同窗口尺寸大小的纹理特征分类能力不同,近红外、红波段的均值特征对倒伏检测的区分能力最大。计算纹理特征测度时窗口尺寸太大容易造成边界错分,如果太小则分类结果零碎,本研究冬小麦倒伏检测的最佳窗口为5X5。4)XGBoost模型除了用作遥感监督分类外也可对特征的分类能力进行定量评估,本研究使用XGBoost获取倒伏检测的最佳特征组合;5)多种特征组合可以充分发挥不同的优势进而提高模型的区分能力。光谱特征、植被指数特征与纹理特征组合对倒伏的检测效果最好。