小麦产量产前估测关乎农业生产计划制定、 粮食安全保障、 国家经济和宏观决策。 应用无人机能够无损、 快速准确、 及时高效地估测小麦产量, 通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力, 明确多源数据融合对模型估测精度的提升效果, 对于作物田间管理保障小麦高产稳产具有重要意义。 以黄淮麦区140个主栽小麦品种为材料开展冬小麦田间试验, 采用搭载红绿蓝（RGB）和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集, 分别以岭回归、 支持向量回归、 随机森林回归、 高斯过程、 k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型, 采用决定系数（R2）、 均方根误差（RMSE）和相对均方根误差（RRMSE）对估算模型进行评价。 结果表明, 所选取的10个可见光植被指数及13个多光谱被指数特征值均与实测产量呈极显著相关（p<0.01）, 各特征值产量相关系数绝对值由高到低依次为多光谱植被指数（0.54～0.83）、 可见光植被指数（0.45～0.61）、 纹理特征（<0.45）。 全部六种机器学习算法均在采用多源数据融合时产量估测模型精度最高, 多源数据融合产量估测精度（平均决定系数R2=0.50～0.71）>多光谱传感器产量估测精度（R2=0.53～0.69）>RGB传感器产量估测精度（R2=0.35～0.51）。 多源数据融合相对于RGB数据的R2提高0.17～0.23, 平均均方根误差（RMSE）降低0.06～0.09 t·hm-2; 相对于多光谱数据的R2提高0.01～0.06, RMSE降低0.01～0.03 t·hm-2。 Cubist算法与其他5种算法相比, 建立的多源数据融合模型产量估测精度最高, R2为0.71, RMSE为0.29 t·hm-2。 研究表明, 相对于单一传感器数据产量估测模型, 多源数据融合能够有效提升冬小麦品种产量的估测精度, 并且Cubist算法能相对更好地处理多模态融合数据提高产量预测精度, 为预测不同小麦品种的产量提供理论指导。

运用两种光谱仪（SPAD-502叶绿素仪与Sunscan植物冠层分析仪）分析了华北平原不同耐热型春玉米品种的光合性能对灌浆期高温的光谱学特征响应。 田间试验于2011年—2012年在河北省吴桥县进行。 品种选用天玉198、 兴玉998与天润606, 设置2个播种期（4月15日与4月25日）, 于灌浆期测定3个光谱特征值, 即叶绿素相对含量（SPAD）、 叶面积指数（leaf area index, LAI）与光合有效辐射（photosynthetically active radiation, PAR）。 结果表明, 播种期4月15日与4月25日相比, 春玉米灌浆期≥33 ℃日最高气温的天数与日均温分别增加了3.5 d和0.8 ℃, 而日照时数、 降雨量、 气温日较差及生育期长短均相似; 天玉198与兴玉998、 天润606相比, 耐热指数（stress tolerance indices, STI）分别高2.9%, 11.0%; 根据STI由大到小的顺序, 将天玉198、 兴玉998与天润606分别定为耐热型、 较耐热型与不耐热型品种; 播种期4月15日, 天玉198比兴玉998、 天润606的产量分别高4.1%, 13.7%, SPAD分别高12.5%, 19.6%, LAI分别高5.3%, 5.6%, PAR分别高4.0%, 14.0%; 播种期4月25日, 产量分别高1.3%, 2.8%; SPAD分别高3.5%, 6.0%, LAI分别高1.7%, 4.1%, PAR分别高-4.4%, 0.9%; 三个品种在高温胁迫环境下产量差异显著, 耐热型品种具有显著的产量、 SPAD与LAI优势（p＜0.05）。 播种期4月15日相对于4月25日, 天玉198、 兴玉998、 天润606的产量分别降低了3.2%, 5.9%, 12.6%; SPAD分别降低了8.6%, 12.4%, 15.7%; LAI分别降低了11.7%, 17.6%, 19.8%; PAR分别降低了3.4%, 11.3%, 14.5%; STI与SPAD的降幅（r=-0.883, p＜0.05）、 LAI的降幅（r=-0.853, p＜0.05）均呈显著负相关, 与PAR的降幅（r=-0.923, p＜0.01）呈极显著负相关; SPAD的降幅与PAR的降幅（r=0.872, p＜0.05）呈显著正相关; LAI的降幅与PAR的降幅（r=0.943, p＜0.05）呈极显著正相关。 综上所述, 耐热型春玉米品种在灌浆期受高温胁迫时, 能够在个体层面保持相对较高的叶绿素含量, 在群体层面保持相对较高的叶面积, 进而保持了较高的光能截获与利用, 削弱了高温对光合的抑制程度, 缩小了产量降幅, 实现了高产与稳产; 品种的耐热性可以通过其光谱特征（SPAD, LAI和PAR）对高温的响应作为鉴定与评价的主要指标之一, 为利用光谱特征研究玉米耐热性提供了依据。

为了探索运用数码照片中光谱(红、 绿、 蓝)的像素计算得到的冠层覆盖度(canopy cover, CC)对玉米长势及氮素营养状态进行非破坏性监测的技术。 通过获取玉米冠层的数码照片图像, 定量化数码照片色彩参数与作物叶面积指数(leaf area index, LAI)、 冠层干重(shoot dry matter weight, DM)、 叶片氮素含量(leaf nitrogen content percentage, N%)之间的关系。 试验于2012年和2013年在中国农业科学院试验田进行, 运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统, 分析了玉米品种中单909在3个氮素水平条件下分别于9叶展时期、 抽雄期和灌浆期的CC、 11种色彩指数与植株LAI, DM, N%及产量之间的相关性, 并对相关性显著的指标进行了拟合与建模。 结果表明, CC与LAI(r=0.93, p＜0.01), DM(r=0.94, p＜0.01), N%(r=0.82, p＜0.01)之间均达到了极显著水平; 用CC估算LAI, DM和N%的模型均为幂函数, 方程式分别是y=3.281 2x0.763 9, y=283.658 1x0.553 6, y=3.064 5x0.932 9; 用与建模相独立的数据对模型验证, 结果表明, CC估算LAI模型的实测值与模拟值基于1∶1直线的R2, RMSE和RE分别是0.996, 0.035和1.46%; CC估算DM模型的R2, RMSE和RE分别是0.978, 5.408 g和2.43%; CC估算N%模型的R2, RMSE和RE分别是0.990, 0.054和2.62%。 综上所述, 模型能够较准确的通过CC估算不同氮肥水平条件下玉米9叶展时期、 抽雄期和灌浆期的LAI, DM与N%, 表明应用数码相机的光谱信息可实现对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。