在气候变化背景下，以霜害为代表的极端天气事件对茶树生长的负面影响越来越大。这给茶叶产业带来了巨大的损失。传统上，茶树田间霜害评估采用目视法，这种方法耗费大量人力且主观性强。本研究采用搭载多光谱(MS)、热红外(TIR)和RGB传感器的无人机(UAV)，采集不同时期茶园自然越冬的多模式遥感数据。通过获取当天茶叶的生理数据，构建了茶叶冷损伤评分（TCIS）。然后，改进卷积神经网络-门循环单元(CNN-GRU)模型，用于评估茶叶冷损伤指数。为了更好的比较CNN-GRU的性能，本研究还使用了单个GRU模型和三个经典的机器学习模型进行比较。研究发现：(1)多模态数据融合优于单模态数据。组合双模态MS + RGB数据的预测效果最佳(Rp2 = 0.862, RMSEP = 0.138, RPD = 2.220)；(2) CNN-GRU混合模型优于其他4种基线模型。基于 MS + RGB（Rp2 = 0.862）或 MS + RGB + TIR（Rp2 = 0.850）的多元输入效果最佳；(3)去除土壤特征后的模型精度低于未去除背景的模型。因此，TCIS-CNN-GRU 模型与多源遥感数据相结合，能客观准确地评价茶树的霜害表型，使 CNN-GRU 模型更具科学性和应用前景。

图1 无人机多元遥感数据的获取与分析

图2 实验区的位置。(a)中国长江以北地区之一——山东省。(b)日照茶叶研究所茶园。(c)无人机Arial Vehicle RGB图像：采样地点。

图3 GRU-CNN混合神经网络。Conv：卷积，BN：批量归一化，ELU：指数线性单元(激活函数层)，Drop：Dropout层，FCL：全连接层，RL：回归层。

图4 四个时期茶树的数据分布。(a)气温变化。(b)冠层物候变化。(c)低温诱导组分的变化。(d) TCIS的变化。

图5 特征变量与茶冠霜害的关系；(a)特征变量与TCSI的相关系数。(红色、蓝色和黄色分别表示MS、RGB和TIR变量与TCIS的相关性较强。) (b)不同低温胁迫时期MS变量和RGB变量的变化。TCIS的建模与估计。

图6 基于多模态数据的CNN-GRU、GRU、PLSR、SVR和RFR模型的TCIS预测。(a) CNN-GRU。(b) GRU。(c) PLSR。(d) SVR。(e) RFR。其中红点为预测值，红线为数据拟合线，黑线为1:1线，黑色虚线之间为样本的95%置信区间。

图7 植被指数阈值分割结果。(a-f)分别表示RE.750、NIR.840、DVI、EVI、SAVI、RDVI。上排为植被指数图像，中排为二值图像，下排为去噪点图像。