【目的】条锈病对小麦生长和产量造成严重威胁，为确保有效防控，精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型，能快速、准确地估测病情指数（DI），为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期（抽穗期、灌浆期和成熟期）高光谱数据，采用随机森林变量选择（VSURF）方法结合相关性分析（CA）对原始光谱（OR）和一阶微分光谱（FD）进行特征波段筛选。使用随机森林（RF）对比不同数据集的特征波段建模结果，确定模型效果最佳的特征集。随后借助偏最小二乘回归（PLSR）、极致梯度提升（XGBoost）以及反向传播神经网络（BPNN），对比特征集在不同算法中的建模效果。通过对比建模效果，确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果，利用特征集在3个生育期重新构建模型，并对比模型效果。【结果】对不同数据集进行特征筛选，并使用RF构建条锈病DI估测模型，通过比较模型效果，确定VSURF-CA-FD特征集（绿光范围的537 nm以及近红外范围的821和846nm）在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度，R ~2为0.89,RMSE为12.34。这些特征波段在其他算法构建的模型中也展现出良好的精度：XGBoost模型的R ~2为0.87,RMSE为13.15;BPNN模型的R ~2为0.84,RMSE为15.19;PLSR模型的R ~2为0.69,RMSE为20.92。使用不同生育期的冠层微分高光谱数据进行验证，利用VSURF-CA-FD特征集构建RF模型，对比模型发现在小麦生长的早期（抽穗期）R ~2为0.54,RMSE为1.29,NRMSE为0.21，能满足估测病害的要求；小麦生长的中期（灌浆期），模型的R ~2表现较好，R ~2为0.66,RMSE为12.24,NRMSE为0.21；小麦生长晚期（成熟期），模型效果好于前两个时期，R ~2为0.75,RMSE为10.77,NRMSE为0.15。【结论】使用VSURF-CA方法筛选出的特征波段，能构建出对小麦条锈病病情指数具有出色估测效果的RF模型。研究结果可为预测早期和中期条锈病病情指数提供有价值的思路和方法。

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(DI)。把冠层光谱一阶微分数据与相应的DI进行相关分析,采用单变量线性和非线性回归技术,建立小麦DI的估测模型,并利用不同品种小麦样本对模型精度进行可靠性检验。结果表明:DI与一阶微分在432~582 nm、637~701 nm以及715~765 nm区域内有极显著相关性,以红边峰值区(725~735 nm)一阶微分总和与绿边峰值区(521~530 nm)一阶微分总和的比值为变量的线性模型估测DI精度最高,且其对小麦品种相对不敏感。上述研究结果对利用高光谱遥感监测农作物病害及其严重程度都具有实际应用价值。

利用ASD地面非成像光谱仪对小麦条锈病进行了单片病叶及冠层的光谱特征研究。结果表明,健康、发病及处于潜育期的小麦植株在某些特定波段的光谱反射率存在显著差异;并且不同孢子堆密度的小麦单片病叶的反射光谱曲线也存在相应差异;对小麦条锈病冠层光谱的研究发现,在930nm附近,病情指数(y)与冠层光谱反射率(x)的相关性达到了极显著水平,二者之间的回归模型为:y=-2.5173x+1.2217(R2=0.9484)。

【目的】利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息,通过机器学习方法对小麦籽粒产量进行估测精度研究,明确产量最佳估测模型,对于育种工作有着重要应用价值。【方法】以黄淮麦区207个主栽小麦品种为材料,于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植,并调查开花期、灌浆前期和灌浆中期的冠层高光谱数据,分别以6种机器学习方法和集成方法建立光谱指数产量估测模型。【结果】2种灌溉处理下,3个生育期各光谱指数均与产量呈极显著相关(P

[目的]利用反射率光谱在作物生物物理方面的优势和日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)、光化学反射率指数(photochemical reflectance index,PRI)在光合生理方面的优势,构建协同冠层SIF和PRI光谱指数(synergistic spectral index of SIF and PRI,SISP),旨在提高作物病害遥感探测精度。[方法]基于3FLD(three-bands fraunhofer line discrimination)算法,估测小麦条锈病在不同病情严重度下的单波段SIF强度,利用对作物冠层几何结构敏感的归一化植被指数(normalized difference vegetation index,NDVI)和重归一化植被指数(re-normalized vegetation index,RDVI)对SIF和PRI进行处理,再利用处理后的SIF和PRI数据构建SISP指数,通过建立传统的光谱指数和SIF、PRI及其组合对小麦条锈病的遥感监测模型,以病情指数(disease index,DI)实测值与预测值之间的决定系数(R~2)、均方根误差(RMSE)和相对分析误差(RPD)评价模型精度,进而与SISP指数建立的模型进行比较,分析SISP指数对作物病害遥感监测的有效性。[结果](1)综合利用SIF和PRI数据能够提高对小麦条锈病的遥感探测精度,3组验证样本数据集中,以PRI和SIF的简单组合PRI+SIF为自变量构建的小麦条锈病监测模型,预测DI值与实测DI值间的R~2比单一PRI和SIF至少提高14.0%和1.7%,RMSE至少降低7.1%和3.7%。(2)利用反射率光谱指数NDVI和RDVI处理后的SIF和PRI构建的SISP指数,对小麦条锈病DI的预测精度优于直接利用PRI和SIF组合的各种指数,验证样本数据集中预测DI值与实测DI值间的R~2至少提高3.7%,RMSE至少降低9%。(3)以SISP和反射率光谱指数为自变量构建的小麦条锈病多元线性回归(multiple linear regression,MLR)和径向基神经网络(radial basis function neural network,RBFN)模型的精度,高于仅利用反射率光谱指数构建的模型精度,其预测DI值与实测DI值间的R~2分别较反射率光谱指数提高13.42%和5.72%,RMSE分别减少29.93%和19.24%,RPD分别提高44.53%和29.80%。[结论]利用NDVI和RDVI处理后的SIF和PRI构建SISP指数,能够减弱作物群体生物量对冠层SIF和PRI信号的影响,提高小麦条锈病的遥感监测精度。

【目的】作物体内氮素状况是评价长势和预测产量的重要指标。小麦植株氮素营养的快速监测和无损诊断对于精确氮素管理具有重要作用。本文旨在通过对高光谱信息的精细分析和信息提取,探索建立小麦叶片氮含量(LNC,leaf nitrogen content)估算的最佳波段、光谱参数及监测模型。【方法】利用连续4年的系统观测资料,采用精细采样法,详细分析350～2500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段组合而成的主要高光谱指数与小麦冠层叶片氮含量的定量关系。【结果】发现小麦叶片氮含量的最佳波段为位于红边的690、691、700和711nm以及近红外波段的1350nm;基于归一化光谱指数...

【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．．．

采用高光谱近地遥感技术，获取不同氮素水平下的玉米冠层高光谱数据，通过相关性、线性和非线性的分析方法，探讨玉米整个生育期中各营养器官的全氮含量与多种高光谱参数的相关关系，建立全氮含量的定量估测模型，并利用第２年的数据进行精度检验。结果表明：玉米冠层高光谱数据经过微分、倒数、对数处理后与玉米全氮含量的相关性均有所提高，所选波段基本在可见光波段范围内变化，其中微分处理可以显著提高数据间相关性；在１０种植被指数中，玉米叶片全氮含量与植被指数ＲＤＶＩ（８１１，７４３）、ＤＶＩ（８１１，７５４）、ＭＳＡＶＩ（８１１，７５４）相关性都达０．９２＊＊以上，玉米叶鞘、茎秆全氮含量分别与ＲＤＶＩ（９５２，７５１）．．．

[目的] 快速准确识别小麦条锈病病害等级，对其精准防控具有重要意义。[方法]本文利用数码相机获取小麦叶片条锈病RGB图像，构建小麦叶片条锈病不同病害等级数据集，通过对ResNet34模型添加通道注意力模块（SE）和Inception模块加以改进，增强模型对小麦条锈病害特征的关注程度和提取能力，并采用精准率（Precision）、召回率（Recall）、平衡F分数（F-Score）和准确率（Accuracy）等评价指标，对比分析S-ResNet34与VGG16、MobileNetV2、Swin Transformer、ResNet34等多种主流模型的识别精度。[结果]S-ResNet34模型的训练准确率为93.85%，相比于VGG16（84.53%）、MobileNetV2（79.35%）、Swin-Transformer（85.67%）和ResNet34（87.50%）等深度网络模型，准确率分别提高了9.32、14.5、8.18和6.35%。同时模型损失值更小，提出的改进ResNet34模型识别小麦条锈病害特征能力更强，训练收敛更快。[结论]采用深度学习模型能够准确识别小麦条锈病病害程度，通过对ResNet34模型添加注意力模块能有效提高小麦条锈病病害识别精度。

【目的】探讨组合模型在山地红壤有机质含量高光谱估算中应用的可行性,以期为土壤有机质含量估测提供基础数据和科学依据。【方法】基于山地红壤光谱的全波段(400~2 450 nm)研究范围,选择偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归分析(SVMR)3种单一高光谱估测模型,分别获得预测结果,并重构预测结果数据,以绝对误差和最小为目标,计算固定权重与不固定权重两种组合模型的权重值,并基于径向基函数(RBF)神经网络法建立组合模型,探讨不同赋权方法与是否重构数据条件下的最优组合模型。通过均方根误差(RMSE)、预测偏差比(RPD)和决定系数(R2)评价山地红壤有机质含量的预测精度。【结果】单一预测模型中的SVMR估测精度最高,验证决定系数(R2)为0.64,均方根误差为9.76 g·kg-1,测定值标准差与标准预测误差的比值为1.67;在组合模型数据不重构的条件下,不定权组合模型要优于定权组合模型;在组合模型数据重构的条件下,定权组合模型要略优于不定权组合模型,估测精度相差不大;最优模型是数据重构定权组合模型,模型验证决定系数(R2)为0.87,均方根误差为7.91 g·kg-1,测定值标准差与标准预测误差的比值为2.06;组合模型验证精度优于单一模型,说明利用RBF组合模型估算山地红壤有机质含量是可行的。【结论】对山地红壤有机质含量的快速估测而言,单一模型具有操作简单、运算速度快等特点,因而具有较大应用价值,但组合模型能较大限度地利用各种预测样本信息,从而能有效减少应用单一模型时所受随机因素的影响,从而提高山地红壤有机质含量的估测精度。

获取农作物叶面积指数（ｌｅａｆ ａｒｅａ ｉｎｄｅｘ，ｌａｉ）及其动态变化对于农作物长势监测和产量估测等应用具有重要的意义。基于冠层反射率模型（物理模型）的ｌａｉ遥感反演方法具有良好的普适性，对地面数据依赖较少，近年来广泛应用于农作物ｌａｉ高光谱反演研究。然而，当物理模型参数取值尽可能准确（代入参数实测值或依据先验知识取值）时，模拟光谱与实测光谱间仍然存在误差，研究称之为＂光谱模拟误差＂。该研究通过比对实测冬小麦冠层光谱与ａＣｒＭ（ａ ｔｗｏ－ｌａｙｅｒ Ｃａｎｏｐｙ ｒｅｆｌｅＣｔａｎＣｅ Ｍｏｄｅｌ）模型最优模拟光谱，展示了光谱模拟误差在各波段、不同样本点的分布规律。据此，根据对光谱模拟误．．．

【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...

为构建不同施氮条件下，小麦条锈病病情光谱反演模型，设置了在不同氮素水平条件下接种小麦条锈病，将菌情指数与植被指数、一阶微分参数进行回归分析，构建抽穗期、开花期、灌浆期、乳熟期共５个模型。为了评估施氮量对病情反演模型的影响，在模型中加入氮素因子，模型病情反演预测效果表明，抽穗期模型加入氮素因子后预测效果有所提高，抽穗期的模型１－１（Ｒ２＝０．３９２ ８，Ｐ＝０．００５ ４）、１－２（Ｒ２＝０．４４９ ８，Ｐ＝０．０１１ ３）、２－２（Ｒ２＝０．５７３ ３，Ｐ＝０．００１ ７）预测效果较好且较稳定，开花期、灌浆期、乳熟期模型预测效果不理想。本研究结果表明，可以利用植被指数、一阶微分参数较好反演抽穗．．．

【目的】为实现区域尺度上烟田土壤pH的快速估测。【方法】以四川省296份烟田土壤为研究对象，利用高光谱成像获取土壤390～2500 nm波段的光谱反射率，系统研究12种光谱预处理方法、2种特征波段选择方法和4种建模方法对烟田土壤pH高光谱估测模型精度的影响。【结果】在600～2500 nm范围内，不同pH的光谱反射率曲线差异明显；原始光谱经单一预处理或组合预处理方法处理后，建立的估测模型精度均有所提高；其中一阶导数（First derivative， D1）组合标准正态分布（Standard normal variate， SNV）为最佳光谱预处理方法。竞争自适应重加权采样算法（Competitive adaptive reweighted sampling， CARS）筛选出了93个土壤pH特征波段，主要集中在近红外波段800～2500 nm。无论使用光谱全波段还是主成分分析降维得到的光谱特征，核岭回归（Kernel ridge regression， KRR）和支持向量机（Support vector machine， SVM）两种建模方法都取得了比偏最小二乘回归（Partial least square regression， PLSR）和岭回归（Ridge regression， RR）更高的估测精度；但使用CARS筛选的特征波段建模时，PLSR和RR取得了比KRR和SVM更高的估测精度。其中基于D1-SNV预处理方法，使用CARS筛选特征波段建立的土壤pH PLSR估测模型精度较高，模型验证集决定系数为0.758，均方根误差为0.555，相对分析误差为2.034。【结论】运用高光谱成像技术在区域尺度上对烟田土壤pH进行较高精度估测是可行的，pH估测可采用D1-SNV-CARS -PLSR模型。

基于高光谱(350~2 500 nm)数据,研究了我国中、东部地区5种主要类型土壤全氮含量与高光谱反射率之间的定量关系,构建了基于偏最小二乘法(PLS)、BP神经网络(BPNN)和特征光谱指数的土壤全氮含量估算模型。结果表明,以500~900 nm、1 350~1 490 nm区域波段反射率经Norris滤波平滑后的一阶导数光谱为基础,构建的基于PLS和BPNN的土壤全氮含量估算模型精度较高,建模决定系数分别为0.81和0.98;独立观测资料检验结果显示,模型预测决定系数分别为0.81和0.93,均方根误差RMSE为0.219 g.kg-1和0.149 g.kg-1,相对分析误差RPD为2.2...