油菜菌核病为土传病害, 发病早期叶片无可见症状, 从植株表面很难发现。 用叶片的普通光谱图像或RGB图像无法对其进行识别。 采用高光谱图像作为监测技术, 结合深度学习模型构建油菜菌核病发病早期识别模型, 并取得了较好的识别效果。 以油菜菌核病为研究对象, 采用菌丝块接种法, 在油菜根部诱发病害。 分别于发病后第2、 5、 7、 9天采集发病油菜植株和健康植株光谱图像。 对高光谱图像去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理后构建模型训练测试数据集。 以Resnet50深度学习模型为基础, 通过增加特征图数量, 减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。 通过交叉验证、 模型结构改进前后识别能力对比、 模型泛化能力测试等, 验证了改进模型的识别能力和泛化能力。 Resnet50模型结构改进前后, 对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型的识别精度和召回率也得到很大提高。 所提出的识别模型平均识别正确率为88.66%, 精度和召回率达到83%以上, 只有对发病第7天的召回率为79.04%。 把构建的多分类模型设定为是否受病害胁迫的二分类模型, 则模型的正确率97.97%, 精度99.19%, 召回率98.02%, 同时, 模型对第9天测试集的识别正确率达到91.25%。 改进后的Resnet50模型可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别能力显著提高。 该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。 对是否发病的识别能力更高, 模型识别正确率、 精度和召回率均达到97.97%以上。 模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。 因此, 该模型可综合利用高光谱图像的光谱和图像特征, 解决油菜菌核病发病早期无症状、 识别困难的问题; 也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考。

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。

将热红外成像技术和低空遥感技术相结合, 基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。 从冠层尺度分析, 首先获取整株样本的温度值（平均温度与最大温差）, 并采集其生理指数（气孔导度、 CO2浓度、 蒸腾速率及光合速率）。 然后, 将染病样本与健康样本的温度值进行判别分析, 并对其进行单因素方差分析。 从结果可知, 平均温度和最大温差值都可以对染病样本与健康样本进行区分, 且最大温差相较平均温度结果较明显。 同时单因素方差分析也显示, 最大温差三次检测中均存在显著性差异。 对获取的生理指数进行分析, 发现染病样本与健康样本之间可以通过生理指数进行明显区分。 另外, 将生理指数与叶片温度进行相关性分析, 结果表明二氧化碳浓度与叶片温度之间的三次检测均存在显著性差异。 基于叶片尺度, 首先从单一叶片来看健康区域和染病区域的温度差异, 可以明显区分出染病区域和健康区域的温度差异。 然后, 提取健康区域与染病区域的的温度值（最大温度、 最小温度、 平均温度以及最大温差）对进行对比分析, 并对其进行单因素方差分析。 结果表明, 以上四个温度指标均可以区分叶片的染病区域和健康区域。 但根据单因素方差分析结果可知, 与冠层尺度相同, 最大温差三次检测中均存在显著性差异, 可以实现对油菜菌核病的早期识别。

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。 采用近红外高光谱技术, 通过正态变量变换（SNV）、 去趋势化（De-trending）、 多元散射校正（MSC）、 移动平均平滑法（MA）、 多项式卷积平滑法（SG）、 基线校正（baseline）及归一化（normalize）算法对光谱数据进行预处理, 采用主成分载荷（PCA loadings）、 载荷系数法（x-LW）、 回归系数法（RC）、 连续投影算法(SPA)分别进行特征波长提取, 采用偏最小二乘判别分析（PLS-DA）、 极限学习机（ELM）和支持向量机（SVM）建立分类模型。 结果表明, 基于De-trending 预处理, 通过PCA loadings, x-loading weights及SPA特征波长提取方法, 基于极限学习机ELM算法建立的模型取得了最优的分类效果, 建模集和预测集的分类精度均达到100%, 另引入平均分类精度的指标, 发现不同试验时间下, 模型分类精度变化不大, 表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。

油菜菌核病是一种真菌性病害, 可造成油菜产量严重减少, 而快速准确地进行病原物的早期侵染对于植物病害防治意义重大。 采用共聚焦拉曼光谱（500～2 000 cm-1波数范围内)技术结合化学计量学方法对油菜菌核病早期侵染进行判别分析。 采用共聚焦拉曼光谱仪采集健康和接种12 h核盘菌的油菜叶片表面拉曼光谱, 应用小波变换（wavelet transform, WT)进行拉曼光谱预处理以去除荧光背景。 并利用基于全谱范围的偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA)的回归系数（regression coefficient, RC)进行特征峰的识别, 选出983, 1 001, 1 205, 1 521, 1 527, 1 658, 1 670和1 758 cm-1共八个特征峰用于建立PLS-DA模型进行油菜菌核病的早期侵染判别, 其识别准确率为100%。 结果表明: 拉曼光谱技术结合化学计量学方法能够实现油菜叶片中菌核病早期侵染的检测, 这为后续探究核盘菌与油菜叶片互作过程以及为进一步的病害早期监测和预防提供理论参考。

以油菜叶片为研究对象, 利用高光谱成像技术, 成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380～1030 nm范围内的高光谱图像。选择500～900 nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares, MC-PLS)剔除了13个异常样本, 基于剩余的147个样本光谱数据与SPAD测量值进行分析, 采用了不同的方法建立了多种预测模型, 包括: 全光谱的偏最小二乘法(partial least squares, PLS)模型, 连续投影算法(successive projections algorithm, SPA)选择特征波长的PLS预测模型, “红边”位置(λred)的简单经验估测模型, 三种植被指数R710/R760, (R750－R705)/(R750－R705)和R860/(R550*R708)分别建立的简单经验估测模型, 以及基于这三种植被指数的PLS预测模型。建模结果显示, 全光谱的PLS模型预测效果最为精确, 其预测相关系数rp为0.833 9, 预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平, 而且在保证一定精度的条件下减少了大量运算, 节省了运算时间, 大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距, 但模型简单、运算量小, 适合用于对精度要求不高的场合, 对后续的便携仪器设备开发有一定的指导作用。

应用高光谱成像技术实现了油菜苗-花-角果整个生命期叶片氮含量的快速检测和氮素水平分布的可视化。 采集三个生长时期共计420个叶片样本的高光谱图像信息(380～1 030 nm), 提取图像中感兴趣区域的平均光谱数据, 经过不同光谱预处理后, 利用连续投影算法(SPA)选择特征波长, 将提取的12个特征波长(467, 557, 665, 686, 706, 752, 874, 879, 886, 900, 978和995 nm)作为自变量, 叶片氮含量作为因变量, 分别建立偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)模型。 SPA-PLS和SPA-LS-SVM模型对叶片氮含量的预测相关系数RP分别为0.807和0.836, 预测均方根误差RMSEP分别为0.387和0.358。 高光谱图像中的每一个像素点都有对应的光谱反射值, 利用结构简单、 更易提取回归系数的SPA-PLS模型, 快速计算出12个特征波长下高光谱图像中每个像素点对应的氮含量预测值, 结合像素点的空间位置生成氮素浓度的叶面分布图。 可视化分布图详细且直观的反应出同一叶片内部或不同叶片之间氮含量的差异。 结果表明, 应用高光谱成像技术分析整个油菜生长期的叶片氮含量及其可视化分布是可行的。

应用近红外光谱技术实现了油菜叶片中丙二醛(MDA)含量的快速无损检测。 对90个油菜叶片样本进行光谱扫描, 用60个样本建模, 30个样本验证。 经过平滑、 变量标准化、 一阶及二阶求导、 去趋势等预处理后, 建立了MDA预测的偏最小二乘法(PLS)模型。 将PLS提取的有效特征变量(LV)和连续投影算法(SPA)提取的有效波长作为最小二乘-支持向量机(LS-SVM)的输入变量, 分别建立了LV-LS-SVM和SPA-LS-SVM模型。 以预测集的预测相关系数(r), 预测标准偏差(RMSEP)作为模型评价指标。 结果表明, 油菜叶片中MDA含量预测的最优模型为LV-LS-SVM模型, LV-LS-SVM在去趋势处理后的预测效果为r=0.999 9, RMSEP=0.530 2; 在二阶求导处理后的预测效果为r=0.999 9, RMSEP=0.395 7。 说明应用光谱技术检测油菜叶片中MDA的含量是可行的, 并能获得满意的预测精度, 为油菜大田生长状况的动态连续监测提供了新的方法。

应用组合模拟波段建立的线性和非线性判别模型实现了油菜菌核病的早期诊断。 采集油菜健康叶片80个, 菌核病染病叶片100个, 采用预处理算法与连续投影算法(SPA)相结合提取组合模拟波段, 分别建立偏最小二乘法(PLS)、 多元线性回归(MLR)和最小二乘-支持向量机(LS-SVM)模型。 通过比较, 最优PLS判别的预处理分别为直接正交信号校正(DOSC)、 De-trending和原始反射光谱(Raw), 准确率分别为100%, 95.7%和95.7%。 应用组合模拟波段的最优线性模型为SPA-MLR(DOSC)和SPA-PLS(DOSC)模型, 准确率均为100%, 基于DOSC、 De-trending和Raw组合模拟波段的SPA-LS-SVM模型的判别准确率均为100%。 结果表明, 基于组合模拟波段进行油菜菌核病早期诊断是可行的, 为油菜菌核病的早期诊断及病害监测仪器的开发提供了方法和依据。