温室蔬菜病害的发生及大面积流行严重影响设施农业的生产管理, 大大降低设施农业的经济效益。 为了实现温室蔬菜病害的无损准确预测, 以黄瓜霜霉病害为例, 利用激光诱导叶绿素荧光构建光谱特征指数, 建立了温室蔬菜病害的预测模型。 在试验中采用对比分析的方法, 通过对作物健康叶片接种病菌孢子, 分别采集健康、 接种2　d、 接种6　d和出现明显病症共4组试验样本的光谱曲线, 定性分析了荧光强度随叶片样本感染病菌孢子的变化规律; 利用光谱曲线不同波段峰谷值创建了叶绿素荧光光谱指数k1=F685/F512和k2=F734/F512, 根据数值的变化范围, 设定k1和k2分别为20和10时可以作为判断样本出现明显病症与未出现明显病症的特征值, 其判断的准确率分别达到96%和94%; 利用构建的光谱指数与样本健康状况的分类结果, 选择光谱指数F685/F512, F685-F734, F715/F612可以定性判断样本健康状况, 并选择光谱指数F685/F512, F734/F512, F685-F734, F715/F612作为建立定量分析模型的输入量, 以预测集分类准确率作为评价标准, 对比判别分析、 BP神经网络、 支持向量机三种数据建模方法, 结果表明支持向量机作为霜霉病害预测的建模方法, 其预测能力达到91.38%。 利用激光诱导叶绿素荧光构建光谱指数方法, 研究植物病害的预测问题, 具有很好的分类和鉴别效果。

以具有代表性的野外实测光谱数据作为端元，对水体遥感反射率进行线性混合光谱分解，基于分解得到的各组分丰度，构建了一种新的水体叶绿素a指数CSI（叶绿素a光谱指数）。以太湖、巢湖、滇池以及三峡水库水体的307 组实测叶绿素a 浓度及高光谱数据为基础，分析了CSI的特性。以该指数为自变量，构建了内陆浑浊二类水体叶绿素a 浓度估算模型，并分析了模型的抗噪性和传感器适应性。结果表明：1) CSI对水体叶绿素a 浓度大小有较好的指示作用，以f_CSI=0 为条件将实测光谱分为2 个类别，可以表征光谱特征的明显差异；2) CSI作为自变量的叶绿素a 浓度估算模型在实测高光谱数据集中的精度与三波段算法(TBA)相近(二者估算结果的平均相对误差分别为0.332和0.330，均方根误差分别为9.892和9.929)；3) 以CSI为自变量得到的估算模型对无偏移噪声和有偏移噪声都有较好的抗性，其中无偏移噪声几乎不影响算法的精度，而三波段算法对两种噪声同样敏感，随着噪声增加，估算结果出现较大误差；4) 新的估算算法对传感器波段设置不敏感，其优势在宽波段多光谱数据集中更加明显。相比于传统水体叶绿素半经验算法，CSI算法具有更高的稳定性和更强的应用潜力。