【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。

【目的】探索无人机遥感在氮效率分类识别中的潜力，构建小麦品种氮效率分类方法，为氮高效品种筛选提供理论依据和技术支持。【方法】通过6个成熟期与氮效率密切相关的农学指标（产量、植株氮积累、氮素生理利用效率、植株干生物量、籽粒总吸氮量、N收获指数）构建主成分综合值，并对其进行K-Means聚类分析，将121个小麦品种划分为氮高效型、氮中效型和氮低效型3种类型。利用无人机遥感平台搭载多光谱相机，在小麦拔节期、孕穗期和开花期获取无人机遥感影像，并提取34种植被指数，分析植被指数与氮效率综合值的相关性；对比支持向量机（SVM）、随机森林（RF）和K最近邻（KNN）分类方法的氮效率分类模型精度，使用总体分类精度（OA）和Kappa系数比较不同生育时期下小麦品种氮效率分类识别的能力；并使用3种不同的特征集筛选方法（ReliefF算法、Boruta算法和RF-RFE算法）对优化的特征子集进行综合评价，确立适宜的小麦品种氮效率分类识别方法。【结果】随着小麦生育时期的不断推进，植被指数与氮效率综合值的相关性逐渐提高，开花期最高（r=0.502）；利用植被指数全特征集对小麦品种氮效率进行分类，对于单生育时期数据而言，以开花期的SVM模型分类效果最好（OA=77.1%,Kappa=0.591），拔节期最差（OA=65.6%,Kappa=0.406）；总体而言，多生育时期数据融合的品种氮效率分类精度高于单生育时期，其中以拔节期+孕穗期+开花期3个生育时期数据融合的SVM模型的分类效果最优（OA=80.6%,Kappa=0.669）。为减少多生育时期数据融合的特征集变量数量，比较分析RF-RFE、Boruta和ReliefF 3种算法的特征优化效果，基于RF-RFE算法得到的优化特征子集分类精度最高，其OA和Kappa系数比全特征集分类模型分别提高了4.0%和10.1%，其中，以3个生育时期数据融合的分类效果最好（OA=85.4%,Kappa=0.749）。【结论】确立6个氮效率指标—主成分分析—K-Means氮效率评价方法；RF-RFE算法有效优化多生育时期组合的特征子集数量，且获得较高的分类精度，确立基于多生育时期组合—RF-RFE—SVM技术融合的小麦品种氮效率分类模型，为小麦氮高效品种的快速准确分类鉴定提供理论依据和技术支撑。

【目的】小麦倒伏严重影响小麦光合及成熟进程，进而造成小麦减产及品质下降。为快速精确获取倒伏信息，评估无人机遥感监测小麦倒伏的能力，构建小麦倒伏监测模式，为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像，经过预处理飞行高度50 m的小麦冠层图像，得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM），从中提取光谱特征、高度特征和光谱纹理共3类特征信息；采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较，使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器；同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价，确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差，“椒盐现象”严重，在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合，小麦倒伏识别的分类准确率最高达91.48%。为减少特征集变量数量，采用3种特征优化方法，与筛选得到的全特征集、Lasso算法、RF-RFE算法相比，基于Boruta算法得到的优化特征子集分类精度更高，整体稳定性更好，从含有DSM的3种特征组合均值来看，总体分类精度和Kappa系数分别提高了0.17%和0.01（全特征集）、2.45%和0.05(Lasso)、2.87%和0.05(RF-RFE)。其中，光谱-纹理-DSM组合效果最好，总体分类精度达92.82%,Kappa系数达0.86。【结论】Boruta算法有效优化光谱-纹理-DSM组合的特征子集数量，让更少的特征参量参与分类，且获得较高的分类精度，确立了精确监测小麦倒伏的多特征组合-Boruta-RFC技术融合模式，为小麦灾情评估及补救措施制定提供参考。

　研究了钾锰配施对旱地冬小麦植株养分含量、产量及品质的影响。结果表明,施钾锰肥处理与不施钾锰肥处理相比,小麦各生育期植株氮、磷含量均降低,钾含量升高;钾锰配施有极显著的增产效应,增产幅度为12.0%～25.5%;钾锰配施处理的小麦湿面筋含量、沉降值、稳定时间及蛋白质含量均比对照有所增加,钾和锰相比,对小麦上述品质指标的影响更为显著,锰仅对湿面筋和蛋白质含量有一定的影响。

在对4 个生态区、6 个不同品质类型小麦品种在不同播期下的试验数据进行系统综合分析的基础上,建立了冬小麦籽粒蛋白质含量的生态预测模型。通过分析籽粒蛋白质含量与气候因子的相关关系,确定了显著影响蛋白质含量的5 个气象因子:开花至成熟期的日平均温度、平均日较差、总日照时数、总降雨量与积温。经逐步回归分析表明,高蛋白品种籽粒蛋白质含量主要受开花至成熟期间的平均日较差的影响;在日较差变异系数<5%的生态环境下,则决定于开花至成熟期日均温与总日照时数的互作。中蛋白品种蛋白质含量取决于开花至成熟期的总日照时数;而低蛋白品种由开花至成熟期的日均温、总降雨量与总日照时数共同决定。影响蛋白质含量的日较差与光照效...

通过系统定位轮作试验，建立大豆正茬、迎茬、重茬的种植方式。在不同生育期，测定了大豆植株氮磷钾含量和积累。结果表明；在各个生育期大豆植株氮磷钾含量和积累总量均为正茬＞迎茬＞重茬。影响大豆植株氮磷钾的含量和积累的主要原因是：病虫危害大豆根部导致吸收和运输受阻以及受茬口影响，土壤中的氮磷钾活性变低，大豆固氮能力下降，氮磷钾的积累与产量相关。重茬大豆植株氮磷钾积累总量较正茬分别减少４１．８１％，４８．７８％，３６．０２％；大豆经济产量重茬较正茬减少３１．５５％，迎茬较正茬减少１５．５３％。

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息，在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源，探索森林蓄积量的遥感估测模型，以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象，利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等，计算各特征变量的标准地均值；筛选与云南松林蓄积量相关性显著的特征变量，采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型，以决定系数(R~2)、平均绝对误差(EMA)、均方根误差(ERMS)、平均相对误差(EMR)评价模型精度。【结果】(1) 3种模型中，随机森林的精度最高(R~2=0.89,EMA=4.69m~3·hm~(-2), ERMS=5.45m~3·hm~(-2), EMR=14.5%)，其次为支持向量机(R~2=0.74, EMA=5.27m~3·hm~(-2), ERMS=8.31m~3·hm~(-2),EMR=13.1%)，最低为多元线性回归模型(R~2=0.35,EMA=10.12 m~3·hm~(-2),ERMS=12.85 m~3·hm~(-2),EMR=28.1%);3种模型在测试集上的估测精度均有所降低，随机森林的模型表现最好，支持向量机次之，多元线性最差。(2) 3种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。(3)基于无人机多光谱影像估测云南松林蓄积量，纹理特征仍是不可忽视的重要因子。【结论】基于无人机多光谱影像，在不进行单木分割的情景下，提取标准地的单波段反射率、植被指数、纹理特征均值，筛选适用于蓄积量估算的变量构建估测模型。通过对3种模型进行精度评价，随机森林为云南松林蓄积量估测的最佳模型。图2表5参27

本文研究了荞麦产量与植株幼苗期氮、磷最适合量的关系,提出了氮、磷化肥的诊断施肥指标与失调、失控指标。结果表明,在荞麦出苗后10天,幼苗期植株含氮量最适范围为2.73～2.84％,产量与含氮量呈抛物线模式,y=-402.3+354.2x-62.35x~2;边际含氮量2.84％;低于2.73％时为氮素失调区,氮素供应不足,应补施氮肥。植株全磷含量最适范围为0.43～0.57％,产量与苗期植株含磷量的回归方程y=67.96+100.49x-88.68x~2;边际含磷量0.567％,低于0.43％时为磷失调区,磷素供应不足,应补施磷。施用尿素可以提高苗期含氮量;y=2.476+0.0498x,即亩增施...

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。

利用低空无人机获取农田信息,具有实时以及灵活性高、成本低等优势。为快速、精确监测大田规模化种植作物的生长发育状况,以四旋翼无人机为平台,结合数字图像技术,建立快速获取大田烟株中前期图像的方法。结果表明,在天空辐射条件较稳定的条件下,采用较低的飞行高度(如20m)航拍获取田块图像,能够得到清晰的拼接图像和三维重建效果;采用基于决策树的植被分割算法将烟草和非植被部分分割后,得到较高精度的大田植株图像。在此基础上进行大田烟草缺苗数估测,所估算的缺苗数与实测值吻合较好。

【目的】叶片氮素状况是小麦生产中精确施氮管理与调控的前提,实时无损监测叶片氮素状况对小麦生产管理具有重要意义。本文旨在综合分析不同环境下小麦冠层光谱响应差异,进而构建其估测模型,为小麦氮肥合理运筹提供技术支持。【方法】本研究基于3种不同土壤质地(砂土、壤土和黏土)、5种不同施氮水平(0、120、225、330和435 kg.hm-2)及3种河南省主栽小麦品种(矮抗58、周麦22和郑麦366)连续2年的大田试验,于小麦主要生育时期同步测定冠层光谱反射率和叶片氮含量,对3种不同土壤质地条件下小麦冠层叶片氮含量的高光谱响应差异进行比较,系统分析350—1 050 nm波段范围内任意两波段组合而成的差...

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、

在不同水氮处理条件下分析红枣植株地上部分各器官N、P、K的含量,结果表明:水氮耦合对植株养分含量产生了一定的影响。灌水量适度的条件下,随氮素施入量的增加,枣叶中氮、磷、钾浓度均先增后减;枣头和枣吊中氮、钾浓度逐渐增大,磷浓度则先增后减;二次枝中氮浓度逐渐增大,磷、钾浓度则逐渐减小。氮素施入量适度的条件下,随灌水量的增加枣叶中氮、磷浓度先增后减,钾浓度则呈逐渐减小趋势;枣头中氮、磷、钾浓度均先增后减;枣吊和二次枝中氮浓先增后减,磷浓度逐渐增大,而钾浓度则逐渐减小。

【目的】生物量是表征植被生命活动的重要参数,对植被长势监测、产量预测有重要意义。以无人机为平台的高光谱遥感技术,具有机动灵活、成本低、空间覆盖广的优势,能够及时准确地估测植被生物量,已成为遥感估算研究的热点之一。由于光谱特征反演生物量存在饱和问题,因此,本研究尝试结合纹理特征与植被指数构建一种"图-谱"融合指标,探究"图-谱"融合指标的抗饱和能力及生物量估测能力。【方法】首先,利用无人机高光谱影像,提取其光谱信息和纹理信息,分别基于植被指数和纹理特征构建生物量模型。其次,针对光谱特征存在的饱和问题,将植被指数与对生物量敏感的纹理指标相乘或相除两种形式构建"图-谱"融合指标,分析"图-谱"融合指标的饱和性,并基于"图-谱"融合指标构建生物量估算模型。最后,对比不同指标构建的生物量模型的估测效果,来分析"图-谱"融合指标估测生物量的能力。【结果】(1)植被指数多在LAI=5时出现饱和现象,而"图-谱"融合指标VI×sm658,VI/ent658,VI/dis658,VI/con658,VI/dis514,VI/con514,VI/var514,VI×con802,VI×dis802均在LAI>5时才出现饱和现象,相比之下,这些"图-谱"融合指标一定程度上改善了饱和问题;(2)与植被指数相比(除了GNDVI、NDVI之外),抗饱和能力提高的"图-谱"融合指标VI×sm658、VI/ent658、VI/dis658、VI/con658、VI/dis514、VI/con514、VI/var514、VI×con802、VI×dis802,其与生物量的相关性也相对提高,所构建的生物量模型精度较高(R2=0.81,RMSE=826.02 kg·hm-2)。(3)对比单一植被指数、纹理特征,将纹理特征与光谱特征相结合的"图-谱"融合指标估算小麦生物量的能力相对最强,模型精度明显高于单一植被指数(R2=0.69)和单一纹理特征(R2=0.71)构建的生物量模型。【结论】"图-谱"融合指标的抗饱和能力明显提高,其构建的生物量模型精度也有效提高,实现了结合光谱信息和纹理信息的冬小麦生物量遥感估测,为生物量定量反演提供一种新思路。

植被地上生物量可作为评价矿山生态修复地生态功能的重要指标，为实现对修复地地上植被生物量快速、准确的预测，以安徽省铜陵市铜官山矿区草本植物地上生物量为研究对象，将无人机高分辨率多光谱影像作为数据源，提取了单波段光谱反射率、植被指数两种光谱特征以及各波段纹理特征变量，并利用高精度DEM (digital elevation model)生成地形特征，再先后使用灰色关联法和熵权法对光谱特征和纹理特征分别进行筛选，进而将筛选出的特征变量和地形特征变量分为光谱特征组和多特征组。采用反向传播神经网络(back propagation neural network,BPNN)、卷积神经网络(convolutional neural network, CNN)以及Elman神经网络3种机器学习算法分别构建基于光谱特征组和多特征组的生物量预测模型，比选精度较高的矿区草本植物地上生物量反演模型。结果表明，在光谱特征基础上引入纹理特征和地形特征后3种反演模型精度都有相应程度提高，其中，基于多特征组构建的BPNN模型表现出最优性能，其决定系数(R2)为0.841，均方根误差为11.813 g·m-2，并同时对3种模型进行交叉验证，进一步证明了基于多特征组的BPNN模型更加稳定，反演精度最优。然后，采用最优反演模型对研究区域内植被生物量进行分级评估，结果显示区内生物量集中于20～40 g·m-2，研究区域内植被生物量整体偏低。研究结果可为矿区草本植物生物量反演研究提供理论支持。