森林虫害严重影响着森林的健康情况,如何对森林中的虫害区域进行监测是国内外林业专家一直以来的重要研究课题。随着无人机(UAV)这一新兴的小型遥感平台在农林业信息监测领域的高度发展,为获取森林的相关信息提供了途径。并且基于无人机采集的多光谱数据包含丰富的光谱信息,可以提供森林植被的特征信息从而用于分类模型的建立。为了对森林中虫害区域进行高精度监测,本文基于无人机多光谱图像提出了一种J-M距离和遗传优化的BP神经网络分类方法。本文主要工作如下:1.优化了基于J-M距离的训练样本选取方法。首先搭建了林区八旋翼多光谱图像采集平台,对采集到的图像进行了白板校正和正射校正,基于校正后的图像对覆盖区域范围内的地物划分为四类,分别为虫害木、健康林木、灌木丛和裸地道路,并基于J-M距离建立了样本的选取规则完成了样本集的优化。2.提取并分析了森林多光谱图像的图谱特征。首先通过主成分分析(PCA)对图像样本进行降维,将提取到的第二主成分(PC2)图像作为特征图像,基于灰度共生矩阵从中提取了纹理特征,并基于RGB颜色模型使用颜色矩算法提取了颜色特征,同时通过对样本相对光谱反射率的分析提取了 580、680、800nm共3个波段的相对光谱反射率作为光谱值特征,其次建立了 5个用于判别植被健康的植被指数模型。3.改进了基于遗传优化的BP神经网络分类算法。利用遗传算法优化的BP神经网络分类算法对颜色、纹理、光谱和植被指数4种特征向量进行训练识别,实现了对虫害区域的分割识别。并将本文算法与传统BP神经网络、支持向量机(SVM)和面向对象分类方法进行了对比试验。试验结果表明,本文算法总体分类精度和KapPa指数分别达到了 94.01%和0.92,而且建模效率也得到了提升,总体分类效果优于另外三种算法。同时,综合了光谱特征和植被指数特征生成模型的精度也高于仅使用颜色和纹理特征生成的模型。