叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。

在大区域尺度实现快速、精确的作物产量估测对我国粮食安全、作物种植结构调整、进出口贸易等具有重要意义。遥感技术的发展为农业估产领域带来了新的技术和手段。以湖北省油菜为研究对象，针对如何利用有限的地面观测数据进行大区域范围油菜产量估测的问题，结合遥感数据和气象数据，通过WOFOST模型进行数据同化，模拟油菜生长过程中的叶面积指数（LAI）变化，提取油菜关键生长期的LAI，以弥补大区域尺度数据的不足。之后，利用LAI作为中间量构建基于GF-1 WFV数据的大区域尺度油菜估产算法。研究发现，油菜蕾苔期和花期的综合LAI能够实现提前、准确的油菜产量预估，在蕾苔期SR植被指数与LAI相关性最好，在花期则是可见光大气阻抗（VARI_green）植被指数与LAI相关性最好。为了验证估产算法的有效性和鲁棒性，在阳新县进行了测试。结果表明，与统计年鉴的产量数据相比估产误差低于6%，说明所提算法在大区域尺度油菜估产领域具有很强的潜力。

为了通过植被指数（VI）准确、 可靠的获取不同施肥梯度、 不同品种的水稻叶面积指数（LAI）, 提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。 首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型, 再通过引入组合动态旋转角策略、 单点混沌交叉操作、 混沌变异操作、 确定性选择策略、 量子灾变操作对量子遗传算法（QGA）进行改进, 最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。 为了验证该模型普适性和有效性, 依次建立多元线性回归、 BP、 ELM、 QGA-ELM、 改进的QGA-ELM算法5种模型, 并在不同数据集上进行反演效果比较, 结果表明: （1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程, 改进的算法能有效提升模型寻优能力, 避免算法早熟, 且能寻得更优结果。 （2）对比五种算法在不同数据集上的反演效果, 验证了NDVI, RVI与LAI之间主要为非线性关系, 且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。 （3）对比五种算法在不同数据集上的反演效果, 改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差, 改进后的算法反演精度得到了明显提升, 泛化性能也得到了增强。 （4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差, 且精度较高, 能为不同生长状况水稻LAI反演提供依据。 （5）五种模型对庆和香LAI反演精度均要高于龙稻18, 而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度, 且在不同水稻品种上反演精度相差极小, 远低于其他四种模型, 能很好适应不同水稻品种LAI反演要求, 极大提升模型的稳定性性, 为不同水稻品种反演提供参考意义。

连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况, 预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。 以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测, 但其预测过程依赖于未来的气象数据等难以获取的输入参数。 由于冬小麦的LAI时序变化具有连续性和规律性的特点, 可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测, 但深度学习方法需要大量样本参与训练, 训练样本的稀缺性限制了其在LAI预测方面的实际应用。 针对上述问题, 通过数据同化方法将遥感数据与WOFOST模型相结合, 采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数, 从而构建出京津冀地区15年的逐日冬小麦LAI数据集。 在该数据集基础上, 利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型, 探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。 结果表明: 基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测, 其中当模型输入LAI长度为20时, 预测冬小麦从返青到成熟阶段的LAI精度最高, 其决定系数（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 对于冬小麦生长各个阶段, 预测模型对于返青至开花期的预测精度高, 开花至成熟期的预测精度稍有降低。 总体而言, 构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义, 建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力, 为预测作物未来时序LAI提供了一种有效的方法。

遥感是开展地面/近地面、 航空及航天层次无损伤探测植物叶绿素信息的主要手段。 目前多波段计算光谱指数方法已被广泛地应用于植被冠层叶绿素含量的经验/半经验反演及应用中。 考虑不同作物及同种作物不同品种间存在着一定的植被叶倾角分布(LAD)特征差异, 针对叶倾角分布对光谱指数反演冠层叶绿素含量(CCC)的影响进行分析, 并开展针对叶倾角分布变化不敏感的叶绿素相关光谱指数优选和冠层叶绿素反演建模研究。 基于PROSAIL辐射传输模型模拟了不同叶片叶绿素含量(LCC)、 叶面积指数(LAI)和LAD对应的冠层反射率数据。 模拟结果显示, 在相同LAI和LCC条件下, 不同LAD对应的冠层反射率有明显差异, 冠层反射率随着平均叶倾角的增加而降低。 通过计算12个常用的叶绿素相关光谱指数与CCC的相关性指标, 来评估光谱指数在不同LAD下反演叶绿素含量的敏感性差异, 并依次优选出MTCI, MNDVI8, MNDVI1和CIred-edge4个对LAD变化较不敏感的叶绿素相关光谱指数。 利用玉米实测数据对光谱指数进行冠层叶绿素估测的建模和模型检验, 模型的建立和验证结果显示, MNDVI8对LAD变化最不敏感, 反演模型的精度最高, 决定系数R2=0.70, 均方根误差RMSE=22.47 μg·cm-2。 CIred-edge(R2=0.63, RMSE=24.06 μg·cm-2), MNDVI(R2=0.66, RMSE=24.07 μg·cm-2)和MTCI(R2=0.65, RMSE=26.76 μg·cm-2)反演模型的精度较为接近并稍弱于MNDVI8。 通过对反演结果分析得出结论, 不同的光谱指数对LAD变化的敏感性不同, 优选的光谱指数普遍对叶绿素含量具有较好的相关性和敏感性, 其中MNDVI8受LAD影响最小, 能较高精度的反演LAD变化下的玉米冠层叶绿素含量。 优选的其他光谱指数MTCI, CIred-edge和MNDVI1反演能力虽然稍弱于MNDVI8, 但受LAD影响较小, 同样具有较好的反演能力。 该工作开展LAD对光谱指数叶绿素反演的敏感性分析和光谱指数优选研究, 其实测数据的检验结果和模拟数据的分析结果一致; 基于优选光谱指数的冠层叶绿素含量反演建模结果及精度分析结论, 对开展缺乏叶倾角分布差异先验知识下的大范围作物叶绿素含量遥感估测和应用具有借鉴意义。

叶面积指数(LAI)是目前最常用的农业生态监测指标, 可以为农作物的病虫害监测、 作物长势监测、 碳循环、 生物量估算及作物估产提供依据。 植被指数(VI)是卫星LAI产品生产的重要数据源, 但不同VIs对植被LAI的响应特征具有一定的差异性。 以江西省水稻为例, 基于实测光谱提取了水稻实测VIs, 结合实测LAI, 讨论了归一化植被指数(NDVI)、 增强型植被指数(EVI)、 土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征, 并与MODIS LAI备用算法的计算结果进行了对比分析, 研究了不同VIs用于LAI产品反演的可行性及存在的问题。 通过对不同实测VIs-LAI模型精度的评估, 分析其应用于LAI反演的适应性, 结果显示EVI, SAVI和MSAVI比NDVI有更好的适应性, 其中EVI效果最优。 此外, 通过对比MODIS LAI备用算法查找表, 发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类, 在LAI>4时, NDVI出现饱和; 而实测水稻作物的NDVI在LAI>2时开始出现饱和; 且当NDVI相同时, 查找表LAI远大于实测LAI, MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。 因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差, 有必要改用其他VIs优化该备用算法。 通过对比分析四种VIs模型对LAI的预测误差, 发现EVI, SAVI和MSAVI精度明显优于NDVI, 基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6, 基于实测NDVI反演算法的1/2, 因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。

为寻求最佳有机肥无机肥配施方式, 以山西农业大学培育的山农9801为供试材料, 在山西农业大学试验田进行了低氮(270 kg·hm-2)、高氮(360 kg·hm-2)2个施氮量下无机肥及有机肥各为37 500 kg·hm-2、75 000 kg·hm-2 4个有机肥无机肥配施共6个处理的田间试验, 研究一定量氮肥下不同混施量的有机肥料与无机肥料对小麦群体叶面积指数、群体结构、叶绿素含量及光合特性的影响。结果表明: 高氮情况下, 有机肥为75 000 kg· hm-2的处理组的叶面积指数值最高; 低氮情况下, 有机肥为75 000 kg·hm-2的处理组的群体结构表现最为合理; 高氮情况下, 有机肥为75 000 kg·hm-2的处理组的旗叶叶绿素含量和旗叶净光合速率最高, 综上得出高氮情况下, 有机肥75 000 kg·hm-2、无机肥228.3 kg·hm-2处理组(F组)为最佳试验组。