磷的缺乏对水稻产量有很大影响, 磷的无损快速营养诊断对缺磷水稻生产有十分重要的意义。 该文以水稻不同磷营养水平的顶部三张完全展开叶图像为研究对象, 综合提取图像光谱信息表现出的颜色、 纹理和形状三类共26个叶片特征指数并进行单因子特征分析, 结合CfsSubsetEval+Scattersearch方法对26个特征属性进行优化组合、 评价和选择, 根据不同叶位的特征指数选择结果, 利用粗糙集理论将不同磷营养水平叶片图像样本分为三类: 极缺、 微缺、 正常。 由识别精度可知, 严重缺磷样本识别率最高, 第三叶为水稻磷营养诊断的最佳叶位。

实时、便捷、可靠的作物营养诊断和监测方法是科学施肥的基础。 传统手段在取样、测定、数据分析方面需耗费大量的人力、物力,且时效性差。 通过静态扫描技术采集不同钾营养水平的水稻叶片图像,利用面向对象的光谱分割技术和最近邻分类器,根据扫描图像中目标对象的光谱、空间、形状等特征对钾胁迫叶片特征进行了准确的提取和识别,并从分类结果里初步判断出斑点区域面积比例随钾浓度的增大而减小,用叶片图像进行缺钾叶片量化诊断时,第三完全展开叶优于第一完全展开叶。 随机选取250个点利用误差分析矩阵方法进行精度评价,总体识别精度为96.00%,KAPPA系数为0.945 3。 这一叶片特征提取方法为水稻钾胁迫量化诊断提供了新的方法。

傅里叶变换中红外光谱谱区宽, 搜索空间大, 需要采用高效率和高质量的算法进行波长选择.敏感波段及其 组合的选择是简化分析模型和提高模型预测精度的关键技术之一.本研究以水稻孕穗期叶片干样的中红外光谱透 射率和叶片氮素含量为数据源, 通过协同偏最小二乘算法(siPLS)从宽谱区中初选出波段范围1583.3～992.2 cm -1 , 再采用迭代遗传算法(GA)从中选出了84个水稻叶片氮素含量预测的敏感波段.研究结果显示以此敏感波 段建立的偏最小二乘回归模型的预测均方根误差(RMSEP)和水稻叶片总氮含量的测量值与预测值之间的相关系 数分别为0.1186和0.9120, 该预测结果明显优于协同偏最小二乘法(siPLS)和光谱指数NFSA的预测结果, 说明傅 里叶变换红外光谱技术结合siPLS-GA-PLS算法能够实现水稻叶片氮素含量的预测

当前， 磷素营养诊断的化学分析方法既费力又费时， 使诊断结果难以及时应用到田间生产， 而高光谱遥感技术是一种非破坏性、 快速和有潜力的作物营养诊断技术。 但是， 由于光谱分析技术的限制， 作物磷营养与光谱特性之间的关系研究进展一直较为缓慢。 文章通过室内实验获取了不同磷营养水平水稻典型生育期冠层光谱反射率及其对应的磷、 叶绿素含量等农学参数， 并对农学参数做了LSD多重比较。 利用互信息（MI）理论分析了水稻磷素含量的敏感波段， 结果表明水稻拔节期叶片磷素估测的敏感波段分别为536， 630， 1 040， 551和656 nm， 与其相对应的互信息值分别为1.057 5， 1.103 9， 1.135 3， 1.141 7和1.149 4； 比较了以此敏感波段为自变量构建的BP人工神经网络模型和多元线性回归模型， 结果显示BP人工神经网络模型更优， 其交叉验证均方根误差（RMSE-train）和相关系数（R２）分别为0.038 8和0.988 2， 而预测均方根误差（RMSE-test）和相关系数（R2）分别为0.050 5和0.989 2。 说明利用互信息-神经网络模型（MI-ANN）和高光谱遥感估测田间水稻磷含量是可能的。

选用扫描仪获取水稻叶片的数字图像， 运用数字图像处理技术研究不同氮素水平水稻的叶色、 纹理和形态特征， 尝试建立基于叶色、 纹理和形态特征的综合水稻氮素营养诊断模型。 研究表明： （1）通过水稻叶绿素a含量和叶片颜色特征之间的相关性分析， 得到有效颜色特征参量B， b， b/(r+g)， b/r， b/g， 同时分析叶绿素a含量随叶位的空间分布特征， 选择较为稳定的第三完全展开叶作为指示叶或诊断叶； （2）通过与高光谱遥感数据的相关性分析， 从机理上说明基于机器视觉的水稻氮素营养诊断是有理论依据的， 是可行的； （3）提取水稻叶片颜色、 形态综合特征信息， 与YIQ电视信号彩色坐标系统的CB值建立水稻氮营养水平的识别模型， 得到4个氮素水平的正确识别率为： N0： 74.9％； N1： 52％； N2： 84.7％； N3： 75％。 初步研究结果表明基于扫描图像特征的田间水稻氮素水平诊断方法是有优势和前景的， 有可能建立一种新的实时、 快速、 准确的田间水稻氮素营养诊断的方法。

实时、 高效、 可靠的田间目标作物识别是精确农业中作物科学管理的基础， 也是精确农业的关键技术之一。 而传统的基于象元的信息提取方法已难以胜任复杂图像处理和高精度目标识别的需要。 文章利用高分辨率的传感器获取可见-近红外影像， 运用面向对象光谱分割技术和最邻近分类器， 根据高分辨影像丰富的空间和光谱特征， 利用对象的光谱、 形状、 拓扑等信息准确地进行田间棉株的识别。 最后随机选取了300个样点， 利用误差分析矩阵方法对识别结果进行了精度评价。 结果表明田间棉株识别的总体精度高达96.33%， 而KAPPA系数也达到0.926 7。 尽管识别类型中棉株与背景（土壤， 杂草等）有少量的混淆， 而研究的识别精度完全可以满足精确农业自动化管理和决策的要求。

在全球快速城市化的大背景下, 土地利用变化检测始终是全球变化研究的重点和热点。 文章研究利用2003和2006年高分辨率SPOT-5遥感影像, 在进行高精度的正射纠正后, 运用多时相PCA光谱增强和多源光谱分类器相结合的方法进行城市土地利用变化检测。 结果表明, 多时相PCA光谱增强后得到前３个主成分集中了绝大部分光谱信息, 其中PC1和PC2增强了土地利用未发生变化的光谱信息, 而变化信息主要集中在PC3。 而多源光谱分类器准确地提取出各种变化和未变化信息。 精度评价结果表明, 本文提出的变化检测方法的总体精度达到92.58%, Kappa系数为0.92, 用户精度和生产精度也都取得满意的结果, 并且精度都明显高于常规的方法(分类后比较法)。