叶绿素相对含量(soil and plant analyzer development,SPAD)是评价水稻健康状况的重要农学参数,为了解决传统监测方法工作量大,效率低的问题,以东北粳稻为研究对象,采用不同施肥处理开展小区试验,利用无人机低空遥感技术分别获取水稻分蘖期、拔节孕穗期、抽穗灌浆期水稻冠层高清数码影像,同时利用叶绿素仪测量水稻冠层SPAD值,并对无人机高清数码影像反演SPAD的可行性及方法进行研究。结合k-means聚类和阈值分割的方法去除背景提取出水稻叶片的RGB值,构建出R、G、B及G/R、

【目的】森林火灾对生态环境的破坏巨大，各种火灾探测方法近年来备受关注，但不同的检测载体与检测数据在森林火灾检测的应用中仍具有各自的局限性。为此，提出一种基于深度学习与无人机红外影像的森林火灾燃烧点检测模型，旨在减少无人机森林火灾检测的延迟和丢失，提升森林火灾检测效率和检测能力。【方法】采集中国北部亚干旱地区森林火灾巡护数据，增加北亚利桑那大学无人机森林燃点数据提升模型的学习范围，同时对数据进行数据增广，提升模型学习的数据量。利用红外影像的成像特点对森林火灾燃烧点进行特征放大，降低检测数据的复杂度。引入计算量适当的目标检测算法，减少无人机森林火灾检测系统的检测时延。【结果】1）红外影像下的森林火灾燃烧点检测模型在非极大抑制IoU阈值为0.3的条件下，其检测AP(Average precision)值达到了0.961 6，检测精度（Precision）达到了0.929 3。2）红外影像森林火灾检测模型在40 fps的实时视频中的检测速度平均达到了31 fps。3）在图像翻转、图像旋转与图像仿射变换3种数据增广模式下，模型的检测性能达到最高。【结论】基于红外影像的森林火灾燃烧点检测模型对森林火灾更敏感，减少了森林火灾检测的计算量，减轻了地面站计算机的计算负担。图像的色域变换对红外数据下的森林火灾燃烧点检测模型提升效果不明显。

目前常用的水稻产量估算方法以卫星遥感估产为主,卫星遥感估产的分辨率较低、缺乏机理性、误差较大。为了能够快速灵活地获取水稻冠层信息、提高分辨率、准确地估测水稻产量,利用无人机平台搭载高清数码相机,拍摄从抽穗期到成熟期的水稻冠层影像,首先应用中值滤波算法对RGB颜色空间下水稻冠层图像进行去噪,然后针对彩色水稻图像的颜色特征,将图像由RGB颜色空间转换到L*a*b*颜色空间,运用K均值聚类算法对水稻冠层图像进行聚类分析、图像分割,提取出水稻穗、获得水稻穗数量、代入水稻产量估算公式进行估产。试验区域共有18块水稻

【目的】研究基于不同传感器的叶片叶绿素含量监测方法,探索建立轻简、高效的柑橘叶绿素含量监测技术。【方法】以枳砧纽荷尔脐橙当年生春梢叶片为试材,采用便携式地物光谱仪Field Spec4、数字图像技术、荧光及多酚含量测量仪Multiplex?Research和SPAD 502分别获取叶片光谱反射率、图像信息、荧光值和叶绿素含量,分析各数字化指标、叶片光谱指标、荧光值与叶绿素含量(SPAD值)的相关性。基于不同指标采用偏最小二乘法(partial least squares regression,PLS)及内

土壤氮元素是土壤肥力的一个重要指标，掌握土壤氮元素含量的变化是观测农作物的发育状况及时空变化规律等的基础。利用高光谱对土壤氮元素进行反演，可为精准农业地表土壤元素快速测定提供参考。为实现对土壤中氮元素含量的快速测定，以沈阳农业大学海城试验田为例，对土壤原始反射率进行了一阶导数变换，运用等距特征映射算法（isometric feature mapping,lsomap）、竞争性自适应重加权采样法（competitive adapative reweighted sampling, CARS）对一阶导数光谱数据进行降维并提取出相关特征。运用BP神经网络（back propagation neural network,BPNN）、GA优化（GA-BPNN）以及经过NSGA-Ⅲ优化后的BP神经网络（NSGA-Ⅲ-BPNN）3种分析方法建立土壤全氮的高光谱反演模型，并利用决定系数（R~2）和均方根误差（root mean square error,RMSE）对反演模型进行评价。结果表明：经过ISOMAP进行的降维相对于CARS能有效的对特征进行提取。优化后的神经网络模型建立的土壤养分含量预测模型优于未优化的神经网络，能极好地预测土壤中的氮元素含量。基于Isomap降维后的NSGA-Ⅲ-BPNN的模型的反演模型预测效果最好，最终预测土壤全氮含量训练集为R~2=0.842、RMSE=0.077，测试集R~2=0.826、RMSE=0.089。反演精度高于GA-BPNN和BPNN的模型反演精度，与其他模型组合相比，该组合可以为土壤氮元素含量的反演研究提出一种新的方法。

采用Nipponbare(粳)/Kasalath(籼)//Nipponbare(粳)杂交衍生的98个株系所组成的回交重组自交系群体(backcross recombinant inbred lines,BILs)为试验材料,在生育前期(苗期-孕穗期),对水稻倒1叶和倒2叶的叶绿素含量进行数量性状基因位点(quantitative trait loci,QTL)分析,结果表明:共检测到12个非条件QTL和3个条件QTL,分布在第1,3,4,5,6和12号染色体上,单个QTL贡献率10.62%～34.41%之间。在苗期检测到的QTL位点相对较多,其中在第4号染色体上检测到一个从苗期到拔节期持续表达...

研究的主要目的是通过QTL分析对水稻叶片叶绿素含量进行遗传剖析。应用由247个株系组成的珍汕97B/密阳46重组自交系群体及其含207个分子标记的连锁图谱。分别在2002年和2003年考察亲本和重组自交系群体剑叶、倒二叶、倒三叶叶绿素a和b的含量,采用QTLMapper1.6统计软件进行QTL定位、上位性分析及其与环境的互作效应分析。在4个标记区间共检测到控制不同叶位叶绿素a、b含量的8个QTL,单个QTL的表型变异贡献率为1.96%～9.77%,其中2个QTL与环境之间存在显著互作;检测到9对影响叶绿素a、b含量的加性×加性上位性互作,其中1对具有显著的上位性×环境互作效应。与该群体产量性状...

利用由籼稻品种七山占与粳稻品种秋光杂交构建的一个包含162个株系(F10)的重组自交系群体,及其相应的包含122个SSR标记的遗传图谱,采用区间定位方法,对控制水稻孕穗期剑叶叶绿素含量的QTL进行定位分析。共检测到22个与孕穗期叶绿素含量有关的QTL,分别位于第3、7、10和12染色体上,包括对6个叶绿素a含量QTL、5个叶绿素b含量QTL、5个类胡萝卜素含量QTL和6个总叶绿素含量QTL,单个QTL对性状表型贡献率为7.4%～14.6%。

【目的】快速、准确监测覆膜玉米叶绿素含量，探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础，以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象，使用监督分类分割影像背景像元和玉米像元，分析背景像元对玉米冠层光谱的影响，计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入，利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】（1）苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。（2）基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g~(-1)，验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g~(-1))。（3）基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著；其中光谱特征+纹理特征为变量输入的BP神经网络模型精度最高（验证R 2、RMSE、MAE分别为0.690、0.468 mg·g~(-1)、0.375 mg·g~(-1)）。【结论】采用剔除背景像元的无人机多光谱影像光谱和纹理特征数据并结合BP神经网络可较好地实现覆膜玉米叶绿素含量的反演，研究结果可为无人机遥感快速、准确反演覆膜玉米叶绿素含量提供理论参考。

【目的】造林是实现林业资源可持续发展的重要手段。造林地块分散、分布偏远、交通条件差，人工造林成活率检查耗费大量人力、物力和时间成本，且效率低、无法及时全面精准掌握造林成活率、采用的抽样检查方法受主观因素和偶然因素影响较大。为解决以上问题，本研究探索了一种基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法。【方法】利用大疆Mavic2多旋翼无人机采集不同时期云杉人工造林地的影像，利用YOLOv5深度学习网络模型训练了苗木对象检测模型，并与DeepSORT多目标追踪算法相结合，在安装Mavic2无人机地面站的安卓平板电脑上进行二次开发。通过整合无人机4G图传，将无人机拍摄的视频实时回传至无人机地面站安卓平板电脑上。利用YOLOv5s+DeepSORT实现了实时苗木检测与动态多目标追踪，通过对跟踪到的苗木进行类别判定和计数汇总，最终自动计算目标小班的造林成活率。【结果】在内蒙古大兴安岭大杨树林业局乌鲁布铁林场2022年春季造林地块中随机抽取了7个造林小班进行试验，结果表明本研究与人工检查相比成活率检测平均相对精度能达到99.62%，可平均节省50.94%人力工时。【结论】文章采用基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法，不仅效率高、精度可靠、容易操作、可以极大地减少人力工时。与传统人工检查方法相比具有以下优势：1）有效提高了检测效率，减少了人力、时间、交通成本，能够实现对所有造林地块的全面检测，减少了抽样检查方法导致的随机误差；2）实现利用基于视频检测的算法自动完成成活率统计，统一了检测标准，避免了人工检测带来的主观误差；3）在检测视频中标注每株苗木的判定类别，可作为过程资料保存输出，为复核提供了有效依据。

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量，探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展，在冬小麦拔节期、孕穗期、开花期和灌浆期，采用M600大疆无人机搭载K6多光谱成像仪获取5波段（Red、Green、Blue、Rededge、Nir）多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征，采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征，采用BP神经网络（BP）、随机森林（RF）、Adaboost、支持向量机（SVR)4种机器学习回归方法构建植株氮含量预测模型，并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】（1）植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。（2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异，RF和Adaboost方法预测植株氮含量集中于95%的置信区间，多分布于1:1直线附近，而BP和SVR方法预测的植株氮含量分布相对较为分散；RF方法构建的预测模型R ~2最大，RMSE最小，MAE中等，分别为0.81、0.42%和0.29%;SVR方法构建的预测模型R ~2最小，RMSE和MAE较大，分别为0.66、0.54%和0.40%。（3）以W1处理（按需灌溉）实测植株氮含量为训练集，采用BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测R ~2分别为0.75、0.72、0.72和0.66；以W0处理（自然状态）实测植株氮含量为训练集，BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测R ~2分别为0.51、0.69、0.61和0.45。【结论】4种机器学习方法构建的冬小麦植株氮含量预测模型均表现出了较强的迁移预测能力，尤以RF和Adaboost方法构建的模型预测效果和迁移能力为好。

为了了解水稻叶片厚度对SPAD(土壤、作物分析仪器开发)值与叶绿素含量相关性的影响,通过研制厚度补偿式叶绿素仪和测定不同生育时期各20株水稻的叶片厚度、SPAD值和叶绿素含量,并分析水稻叶片经过厚度补偿前后SPAD值与叶绿素含量的相关性。结果表明:水稻叶片SPAD值在厚度补偿前后均与叶绿素含量呈显著相关,厚度补偿后的SPAD值与叶绿素含量的相关系数及显著性均得到提高,经过厚度补偿可以一定程度的消除叶片厚度差异带来的影响,且更能准确反映水稻不同生育时期叶绿素含量的变化趋势。

采用反相高效液相色谱分离、紫外检测器检测,建立了鲫血液、肌肉、肝胰脏、肾脏及性腺组织中伊维菌素(IVM)残留的检测方法。将匀浆后的鲫组织用乙酸乙酯提取,离心后取上清液于45℃下氮气吹干,用甲醇-水(4∶1,V/V)混合液溶解残渣,加正己烷,漩涡振荡后离心,取下清液经0.22μm的滤膜过滤后,进样20μL进行分析,检测波长为245nm,外标法定量。结果表明:伊维菌素在血浆和肌肉中的检出限分别为7.5μg/L和7.0μg/kg;肌肉、肝胰脏、肾脏及性腺中IVM为0.025～1.00mg/kg,血液中为0.025～1.00mg/L时,色谱峰峰高与浓度呈良好的线性相关。各组织中IVM的平均回收率为(9...

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测，旨在为叶绿素含量快速准确估测提供参考。【方法】利用ＡＳＤ便携式野外光谱仪和ＳＰＡＤ－５０２叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量，并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析，建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型，并进行检验，从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦（抽穗期）叶绿素含量估算模型拟合精度优于其他４种估算模型，决定系数Ｒ２分别为０．８４７和０．５７２，均方．．．