叶绿素荧光检测技术作为一种无损检测技术应用十分广泛。传统叶绿素荧光检测技术激发信号时使用的阶跃或调制脉冲（PAM）频带窄，而光合系统是一个高阶的宽带系统，难以激发出光合系统所有的动态特性，使叶绿素荧光信号含有的信息丰富度受限。目前市面上的叶绿素荧光仪均不具备宽带激励功能，限制了新兴的人工智能算法能够处理复杂信号、挖掘丰富信息的能力。针对该问题，基于伪随机二进制序列（PRBS）信号，设计开发了一套具有宽带激励功能的叶绿素荧光仪。该仪器同时能测量传统的叶绿素荧光诱导动力学曲线（OJIP）与PAM曲线，对5种不同植物在3种激发光下的叶绿素荧光的信息熵进行对比，结果表明，PRBS激发的叶绿素荧光具有最高的信息熵。该仪器能够提供信息更丰富的叶绿素荧光信号，有望为植物生理及环境胁迫检测提供新型的科学仪器。

植被日光诱导叶绿素荧光是一种可以表征植被光合生产力的重要衡量指标。为了实现对植被日光诱导叶绿素荧光的广域精准探测，设计并研制了一种叶绿素荧光高光谱成像探测仪。该成像探测仪使用了基于棱镜-体相位全息透射光栅的全透射式光学系统，在高数值孔径（0.25）的基础上实现了高光学性能：可在20°视场和670~780 nm（可扩展至650~800 nm）工作波段实现1 mrad的空间角分辨率、0.3 nm的光谱分辨率和优于100的信噪比。由系统设计结果、样机测试结果和应用数据分析结果可知，样机完全满足设计要求。本仪器可为农林监测和碳循环观测提供重要的科学数据，并可作为陆地植被光合作用中有效的新型观测手段。

叶绿素含量是甘蔗在生长监测中非常重要的评估内容, 尤其是在甘蔗受到病害侵染的情况下, 准确估计叶绿素含量有利于病害的早期检测与防治, 在实际生产中具有重要意义。 为了构建花叶病胁迫下甘蔗叶片叶绿素含量估计模型, 于2021年7月到11月通过人工接种病菌, 使甘蔗叶片感染花叶病。 对这些感染了花叶病的叶片重复测量高光谱数据。 并通过化学方法测量叶片的叶绿素含量, 以此建立花叶病胁迫下的甘蔗叶片高光谱数据集。 首先使用Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 变量标准化(SNV)、 一阶导数(1st D)、 二阶导数(2nd D)5种高光谱数据预处理方法建立偏最小二乘回归(PLSR)检测模型, 从而构建高光谱数据最优预处理模型。 利用最优预处理结果, 分别采用相关系数、 连续投影算法(SPA)和随机森林算法(RF)筛选特征波段。 将筛选出的波段分别和BP神经网络(BPNN)、 支持向量回归(SVR)、 K最邻近法(KNN)等机器学习模型结合建立叶绿素含量预测模型。 结果表明, 基于SG处理后建立的PLSR模型精度最高R2p=0.9952, RMSEp=0.235 3 mg·cm-2。 用RF筛选出的特征波段与BPNN学习模型结合的SG-RF-BPNN模型为花叶病胁迫下甘蔗叶片叶绿素含量的最优预测模型, R2p=0.996 4, RMSEp=0.205 8 mg·cm-2。 提出的基于高光谱信息的花叶病胁迫下的叶绿素含量预测模型具有较高的精度和预测能力, 可为大面积种植的甘蔗精准、 无损伤的病害胁迫检测提供科学依据。

入海河流是陆源污染物向海洋输送过程的关键环节, 其富营养化对区域生态环境及人类生活安全构成严重威胁。 由于习近平生态文明思想的深入贯彻, “河长制”、 “湾长制”等管理制度的广泛推行, 以及污染防治攻坚战的全面打响, 入海河流与近岸海域的水质状况得到稳步改善, 但仍存在波动, 污染防治形势依然严峻, 实时有效的大范围遥感监测能力亟待加强。 随着近年来高分卫星与无人机遥感技术的迅速发展, 如何将定量遥感技术应用于河流水体的生态环境要素监测, 从而推进污染防治水平进一步提升已成为该领域研究热点。 基于2022年6月期间在连云港境内蔷薇河、 临洪河、 古泊善后河及灌河获取的叶绿素a、 总磷、 总氮浓度等实测数据, 并采用Sentinel-2A MSI L2A卫星影像, 开展了连云港主要入海河流叶绿素a及综合营养状态指数［TLI(Σ)］遥感定量反演研究。 结果表明, 叶绿素a浓度、 综合营养状态指数与可见光波段反射率的相关性明显高于其他波段, 尤以490、 560、 665 nm三个波段最佳, 其中R(λ)与Chl a的相关系数分别为-0.697、 -0.681、 -0.693, R(λ)与TLI(Σ)的相关系数分别为-0.728、 -0.744、 -0.706, 可作为建模的敏感波段； 经反演模型的精度对比发现, 以R(665)为自变量, 在叶绿素a浓度对数坐标下的乘幂模型为其遥感定量反演的最优模型(R2=0.67, MAPE=47.34%, RMSE=12.89 μg·L-1), 而以R(560)为自变量的乘幂模型是综合营养状态指数遥感定量反演的最优模型(R2=0.61, MAPE=4.36%, RMSE=3.45)； 将最优模型应用于2022年6月25日Sentinel-2A MSI L2A影像, 得到连云港主要入海河流叶绿素a浓度和综合营养状态指数的空间分布结果, 发现蔷薇河/临洪河、 古泊善后河及灌河均处于富营养化状态, 叶绿素a浓度和综合营养状态指数均以蔷薇河/临洪河最高, 古泊善后河次之, 灌河最低, 且河流上游反演结果普遍高于下游。

地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标, 可以为其生长的动态监测与管理提供有效的帮助。 紫花苜蓿作为最为重要的饲草作物, 如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。 基于无人机多光谱对不同品种紫花苜蓿的地上生物量和叶绿素含量的估算结果进行研究并为此构建预估模型。 共研究了21个紫花苜蓿品种, 采用无人机搭载多光谱相机在天气晴朗无风时起飞并拍摄图像, 将无人机拍摄得到的多光谱图像采用ENVI 5.3软件进行分析, 挑选出NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE 和MSR共10个植被参数和无人机多光谱相机自带的5个光谱波段（蓝、 绿、 红、 红边、 近红外）进行特征分析, 再使用Matlab 2020b软件, 采用支持向量机（SVM）构建不同品种紫花苜蓿的地上生物量和叶绿素含量的预测模型。 然而在实际操作的运行中, 发现使用SVM构建的预估模型其准确率不理想, 因此使用智能算法鲸鱼(WOA)和灰狼(GWO)对SVM预估模型进行优化, 发现使用SVM预估模型能预估不同品种的紫花苜蓿的地上生物量和叶绿素含量, 其中经WOA智能算法优化后的SVM预估模型在估算不同品种的紫花苜蓿的地上生物量和叶绿素含量时其准确率最高。 研究中构建的预估模型为筛选品质较好的紫花苜蓿品种有一定的指导意义, 同时也为今后无人机多光谱预估紫花苜蓿的生物量及其相关的生理生态指标提供了有效的帮助和合理的参考依据。

不同于传统被动光学传感器， 高光谱激光雷达发射主动式全波段高斯脉冲激光， 和植被叶片表面相互作用后， 不同波段后向散射强度返回至接收器并被记录下来。 以往的高光谱激光雷达植被叶片反射特性研究只聚焦于零度角入射的情况， 对多入射角方向反射光谱特性以及方向反射特性对叶片叶绿素含量估算带来的误差尚未进行过深入研究。 利用实验室研发的32波段高光谱激光雷达获取了不同入射角下的植被叶片反射光谱， 对高信噪比波段下植被叶片的复杂方向反射特性进行了深入分析， 随后选择光谱指数研究了高光谱激光雷达测量条件下植被方向反射特性对叶绿素含量反演的影响。 结果表明， (1)高光谱激光雷达植被叶片回波强度随入射角增大逐渐降低， 但二向反射率因子并不逐渐减小， 在可见光和近红外波段， 二向反射率因子随入射角增大分别呈现出两种不同形状特征， 可见光波段反射率因子最大值出现在0°~10°， 近红外波段最大值出现在60°， 反射率因子最小值均出现在45°处， 最大和最小反射率因子间可差0.1左右， 可见光和近红外波段10°~60°内二向反射率因子均呈现先减小后增大的趋势; (2)通过对不同入射角下光谱指数与叶绿素含量的回归分析发现， 方向反射特性对反演精度有非常大的影响， R2和RMSE并不随着入射角增大统一呈现同步增大或同步减小的趋势， 具体地， R2随入射角的变化趋势是先减小， 再增大， 再减小， 50°左右时最小， 增大发生在60°， RMSE则反之。 对于不同光谱指数， R2随入射角增大变化可达4倍， 波动范围为0.14~0.63， RMSE最大变化为1.5倍左右， 在0.5~0.8 mg·g-1内波动。 R2和RMSE的重大变化揭示了高光谱激光雷达植被叶片方向反射特性对叶绿素含量反演的重要影响。

为了准确重建正反面叶片叶绿素3维分布, 利用高光谱激光雷达, 采集了不同生长状态的绿萝叶片与植株的空间-光谱域点云数据, 设计了一种基于分类预测的重建方法。通过偏最小二乘回归构建叶片正面与反面光谱的叶绿素含量预测模型, 采用光谱自适应阈值选择方法实现植株点云中叶片正反面的分类, 并根据类别标签选择模型计算叶绿素含量, 重建植株的叶绿素3维分布。结果表明, 该方法得到的植株叶绿素3维分布更接近真实值, 决定系数达到0.69, 均方根误差为4.97。这一结果可为植物表型研究提供新的数据基础和理论方法。

激光在海水传输过程中，接收视场逐渐增大、多次散射逐渐增强，导致叶绿素剖面反演误差较大。针对该问题，以反向传播（BP）神经网络为基础，建立了一个激光雷达回波信号反演叶绿素a浓度剖面的模型。数据集中包含标签-叶绿素a浓度与特征-激光雷达回波信号剖面。获得激光雷达回波剖面后，为了增强输入特征，使用随机抽样一致（RANSAC）算法剔除噪声，完成数据集搭建，进而以不同层网络的均方误差确定模型结构。反演结果显示：相比于传统的利用后向散射系数反演叶绿素浓度的方法，基于激光雷达回波的BP神经网络叶绿素剖面反演算法在验证集上的相对误差、均方根误差、平均误差分别降低了34%、0.363 mg/m³和0.213 mg/m³，相关系数提高了0.18。传统方法在50 m深度水体的叶绿素浓度相对误差为39%~93%，基于神经网络的剖面反演算法对应的相对误差为17%~36%，反演精度具有较大提升。对于实测数据，LIMC-BPNN反演结果的相对误差为13%。结果表明，相比于传统叶绿素反演方法，基于深度学习的叶绿素剖面反演算法能够有效提取激光雷达回波特征，得到更好的反演结果。

以蛋白核小球藻为研究对象，通过毒性胁迫、光照胁迫和温度改变蛋白核小球藻的光合活性，研究蛋白核小球藻叶绿素荧光产量与光合活性参数F_v/F_m的变化关系。结果表明：3种不同生长环境下，蛋白核小球藻的叶绿素荧光产量随着F_v/F_m改变而发生较为明显变化，最大变化范围为235~668 （μg·L^-1）^-1；F_v/F_m与叶绿素荧光产量之间具有明显负线性相关性，线性优度R²超过0.91。该研究结果为发展更为准确的藻类叶绿素a质量浓度活体荧光检测方法提供了重要依据。

为了探究干旱胁迫对茶树幼苗叶绿素荧光参数的影响, 选取龙井茶树幼苗进行干旱胁迫实验。利用叶绿素荧光成像技术提出斜率荧光指数SFI评估茶树幼苗干旱胁迫状况, 计算1~8天内同一时刻灰度均值的极差R, 以R的相对误差δ＜5%确定极差稳定的时间范围, 建立该区间内曲线上各点斜率变化与胁迫天数的相关模型。分析比较了斜率荧光指数SFI、动态荧光指数DFI、光合功能指数PFI、荧光衰减比率Rfd与胁迫天数之间的相关性。结果表明: Rfd和PFI与胁迫天数之间没有明显的相关性, SFI和DFI与胁迫天数之间有相关性。感兴趣区域ROI为50×50pixel时, SFI与干旱胁迫的天数之间的相关性(决定系数R2=0.94)明显高于DFI与胁迫天数之间的相关性(R2=0.60)。利用SFI评估茶树幼苗受干旱胁迫状况具有更高的准确率, 为现代农业中监测植物生长状况提供了参考。