湖泊蓝藻水华的精准动态监测, 可为水利及环保部门评价污染水体的防治效果、优化和调整防治政策提供依据。论文以巢湖为研究对象, 利用Landsat TM/OLI、HJ-1B CCD/IRS和NPP-VIIRS三种不同空间分辨率的影像数据, 通过归一化水体指数(Normalized Difference Water Index, NDWI)实现巢湖水域范围提取, 利用归一化植被指数(Normalized Difference Vegetation Index, NDVI)和浮游藻类指数(Floating Algae Index, FAI)提取2010~2014年共22景巢湖蓝藻的爆发区域。进一步的, 对NDVI和FAI两种方法计算的蓝藻爆发区域进行对比分析, 评价Landsat、HJ-1B以及VIIRS三种影像数据对巢湖蓝藻水华空间和时间的监测效果及适用性,进而结合气象因素分析不同气象因子对蓝藻水华爆发的影响。研究结果表明: (1) 相比NDVI指数, FAI指数(Landsat和HJ-1B数据为主, VIIRS数据辅助)能降低薄云对蓝藻水华提取效果的影响, 可提高蓝藻水华爆发区域、程度的识别能力; (2) 气象因子中气温和日照时长加重了蓝藻水华爆发的严重程度, 降水则对蓝藻水华的爆发起到一定的抑制作用。综上所述, 论文引入VIIRS卫星影像研究巢湖蓝藻水华爆发, 利用FAI指数降低薄云对蓝藻水华爆发面积提取精度的影响, 取得的研究结果可为基于多源卫星遥感数据的巢湖蓝藻水华动态监测系统开发提供重要的方法支持, 有利于推进卫星遥感技术在安徽省“河长制”和“湖长制”中发挥重要作用。

高效无损地评估农作物病害等级, 对于实际农业生产和研究都具有重要意义。 研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性, 分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响, 并定量对比两种传感器的病害监测效果。 实验研究区由67个不同品种的水稻小区组成, 每块小区均分为相接的纹枯病接种区和侵染区。 以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台, 分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。 同时, 通过植保专家现场调查的方式识别病害等级, 并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。 基于影像拼接、 波段叠合、 辐射校正后的预处理结果, 对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数, 即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR, B*, G*, R*, 多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。 将计算得到的图像植被指数与地面实测NDVI进行相关性分析, 以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。 相关性分析结果表明, 基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高, 接种区R2为0.914, RMSE为0.024, 侵染区R2为0.863, RMSE为0.024。 对于可见光传感器, NDI与实测NDVI的相关性最好, 接种区R2为0.875, RMSE为0.011, 侵染区R2为0.703, RMSE为0.014。 比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性, 除B*外, NDI, ExR, ExG-ExR, G*, ExG, R*与实测NDVI基本属于高度相关, 在病害严重的接种区, 两种传感器对水稻纹枯病的监测效果相近, 但在病害相对较轻的侵染区, 多光谱传感器的监测更为精确灵敏。 基于多光谱图像NDVI建立的病害等级反演模型, R2达到0.624, RMSE为0.801, 预测精度达到90.04%, 模型效果良好。 而基于可见光图像NDI建立的反演模型, R2为0.580, RMSE为0.847, 预测精度为89.45%, 效果稍差。 对比分析可见光与多光谱传感器的光谱响应曲线, 可见光传感器可获取可见光范围的红、 绿、 蓝三个波段, 波段范围互相重叠, 多光谱传感器包含五个成像单元, 可独立获取从可见光到近红外的五个窄波光谱波段, 提供更加准确的光谱信息。 比较传感器获取的接种区和侵染区水稻平均反射率曲线得出, 多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异, 在红边和近红外波段差异则更加明显, 这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。 综上所述, 基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的, 多光谱传感器精确灵敏, 可用于纹枯病的早期监测, 可见光传感器效果稍差但经济易于推广。 研究结果为病虫害防治提供决策支持, 有助于推动实现精准农业, 保障粮食安全。

为了准确监测小麦白粉病染病早期病情, 给喷药防治提供技术指导, 论文将染病初期的小麦叶片作为研究对象。首先, 利用高光谱图像数据, 通过图像特征分割出叶片区域和病斑区域, 定量计算病情严重度; 其次引入Relief-F算法提取染病早期最敏感波段和波段差, 计算出白粉病病害指数PMDI(Powdery mildew disease index); 并通过分析病情指数DI(Disease index)与11种植被指数(含PMDI指数)的相关性及线性模型, 得出PMDI模型有最高的决定系数(R2=0.839 9)和最低的均方根误差(RMSE=4.522 0), 效果优于其他病害植被指数的结果(其中, Normalized Difference Vegetation Index, NDVI的模型决定系数最高, R2=0.777 1, RMSE=5.336 4); 最后, 选择PMDI和NDVI植被指数分别构建小麦白粉病染病早期病情严重度的支持向量回归模型。结果表明: 经敏感波段筛选构建的PMDI指数的预测结果更好, 预测模型的R2=0.886 3, RMSE=3.553 2, 可以实现小麦白粉病早期无损诊断, 这为指导作物病害喷药防治提供重要的技术支撑。

便捷可靠的作物营养诊断是作物科学施肥管理的基础, 也是精准农业的核心。 叶绿素含量是作物氮营养含量的重要指标。 以水稻叶片为研究对象, 用改造后的普通单反相机搭载滤波片的方式拍摄叶片的可见光和中心波长为650, 680, 720, 760, 850和950 nm多个波段的近红外图像, 获取不同波段的相对反射率值, 通过可见光与多个近红外波段结合的回归分析与比较, 筛选出精度较高且稳定的模型。 经过对比相机三个成像通道, R通道与叶绿素含量（SPAD值）的相关性要高于B和G通道。 实验结果表明, 植被指数GVI最能反映作物的生长状况, 近红外波段760 nm对SPAD值的预测效果最好, 最小二乘支持向量机法结合多个植被指数建模的预测精度R2为0.831 4, 取得了较为理想的效果。 同时使用高光谱成像仪采集水稻叶片的高光谱影像, 对比消费级近红外相机成像方式下与高光谱成像方式下得到的植被指数多因子预测模型精度, 两者相当。 实验证明消费级近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果。

动态表面增强拉曼光谱是在干态与湿态表面增强拉曼光谱(SERS)检测的基础上发展而来的, 不仅具有极好的信号增强, 还具有良好的重复性与稳定性。 提出了一种基于动态SERS与多元分析方法的敌瘟磷快速定量分析方法。 实验中, 首先测量100, 50, 10, 5, 1, 05和01 mg·L-1敌瘟磷动态SERS谱图, 并使用多项式校正方法去除光谱基线漂移。 然后, 处理后的全范围(600~1 800 cm-1)与特征范围(674~713, 890~1 195, 1 341~1 399和1 549~1 612 cm-1)光谱分别利用支持向量机回归(SVR)构建定量模型, 实现对敌瘟磷的定量分析。 同时, 实验还评估了主成分分析(PCA)对定量分析结果的影响。 实验结果表明特征范围光谱所建立的模型预测误差较小, 而数据经过PCA处理后预测误差得到进一步下降。 最优回归模型是由特征范围光谱经PCA处理后所构建的模型(RMSECV=0065 7 mg·L-1), 模型能够准确地预测敌瘟磷溶液浓度。 为了测试实际检测中的效果, 该方法被用来对苹果表面的敌瘟磷残留进行检测, 并通过气相色谱法进行验证。 结果表明该方法对于同一样本多次检测值波动较小, 且检测均值与气相色谱检测值相差较小, 相对误差最大仅为513%。 此外, 动态SERS检测可在2 min内完成, 且后续数据处理也可在数秒内完成, 同时整个过程的试剂消耗仅在2 μL左右。 因此, 所提出的方法在敌瘟磷快速准确检测具有极大优势。

病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度, 成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病——白粉病和条锈病, 采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据, 通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后, 得到识别病斑准确率达到97%; 进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异, 选择第二主成分图像筛选两种病害的敏感波段, 得到识别白粉病的敏感波段为519、643、696、764、795、813 nm, 条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机(SVM)判别模型并验证, 得到两种病害的区分精度为92%。综上, 利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别, 这为开发病害区分仪器提供了重要的理论基础。

自然界中不同种物质拥有不同的偏振特性, 这些特征信号能用于检测不同的目标地物。为了探索偏振光谱技术用于精确识别作物和杂草的可行性, 此研究利用配置偏振片的成像光谱仪FISS-P在室内采集玉米与5种杂草的偏振光谱影像。通过比较和分析0°、60°、120°和无偏4种状态下玉米与各种杂草的光谱响应规律、光谱特征和决策识别模型精度, 结果显示4种偏振状态下玉米和杂草的光谱变化趋势较一致, 无偏状态下玉米和杂草的光谱强度最大; 不同偏振状态下玉米和杂草的敏感波段既存在共性又表现出一定的差异性; 4种偏振状态下玉米杂草识别模型的总体精度和Kappa系数均达到90%以上, 其中, 0°偏振状态下玉米和杂草识别模型的整体精度最高, 接近100%。综上, 偏振光谱能够在叶片尺度较好地识别玉米和杂草, 这为田间尺度进一步应用提供了扎实的数据积累。

遥感技术能被用于大尺度作物化学喷药效果检测, 这为精准农业航空施药发展提供了重要的技术支撑。 利用M-18B农用飞机在4米的飞行高度喷施化学农药混合剂(杀菌剂和植物生长调节剂), 去控制水稻爆发性疾病--叶片纹枯病和促进水稻植株的生长。 施药一周后, 喷药区的卫星影像被获取并计算植被指数, 同时采集了地面化学农药的药液沉积量。 分析了药液雾滴沉积量和植被指数的关系, 结果显示, 单相光谱特征(NDVI)和液滴沉积点密度(DDPD点·cm-2) 的相关系数是0.315, p-value为0.035; 时间变化特征 (MSAVI)和液滴沉积体积密度(DDVD μL·cm-2)之间的相关系数是0.312, p-value为0.038。 另外, 水稻生长活力最旺盛的范围都出现在喷洒区域内, 植株活力随着药液漂移距离的增加逐步减少。 同时, 相同的变化趋势也出现在雾滴沉积量与光谱特征的空间变化插值图中。 由此得知, 从卫星图像中计算的植被指数NDVI和MSAVI, 可以用来评估大尺度农田的农用航空药液喷洒效果。

氧化亚氮（N2O）的过量排放会对臭氧层造成破坏, 合理施肥和采取减排措施对减缓温室效应具有重要的现实意义。 本文利用FTIR光谱法研究了施肥和水分对白菜地土壤排放N2O的影响。 为了提高系统的灵敏度, 我们利用多个反射镜加长了光程。 通过比对施肥前后N2O红外光谱和NIST谱库N2O红外光谱, 最终选取2 160～2 225 cm-1作为定量计算N2O的特征波段。 研究发现, 施肥和水分能促进白菜地土壤N2O气体排放, 这为农田N2O的减排和减缓温室效应提供了理论依据。 最后, 还研究了施肥后土壤N2O的昼夜排放规律, 结果表明, N2O白天的排放量高于晚上, 通过和前人研究结果对比, 验证了此方法的可行性。 本文研究证实, 基于长光程的FTIR光谱法是一种测量土壤排放N2O气体规律的快速有效方法, 它可以对施肥后的白菜地土壤N2O气体排放进行测量, 相对其他传统测量方法具有高速、 简便等优势。