作物氮含量影响作物的生长状况, 合适的施氮量可以促进作物生长和提高作物产量, 因此准确、 快速地监测作物的氮含量十分必要。 旨在探索将无人机成像高光谱获取的植被指数和光谱特征参数相结合以提高冬小麦关键生育期氮含量估算精度的潜力。 首先, 以无人机为遥感平台, 搭载高光谱传感器获取了冬小麦拔节期、 挑旗期、 开花期和灌浆期4个主要生育期的高光谱遥感影像, 并实测了各生育期的氮含量数据。 其次, 基于预处理后的高光谱影像, 提取冬小麦各生育期的冠层反射率数据, 并构造能较好反映作物氮素营养状况的12种植被指数和12种光谱特征参数。 然后, 计算了各光谱参数与冬小麦氮含量的相关性, 并筛选出各生育期与氮含量相关性较强的植被指数和光谱特征参数； 最后, 利用逐步回归分析（SWR）构建基于植被指数、 植被指数结合光谱特征参数的氮含量估算模型。 结果显示: (1)选取的大部分植被指数和光谱特征参数与冬小麦氮含量都有较高的相关性。 其中, 植被指数的相关性高于光谱特征参数； (2)基于单个植被指数或光谱特征参数估算冬小麦虽然可行, 但精度还有待进一步提高； (3)与单一植被指数或光谱特征参数相比, 植被指数结合光谱特征变量利用SWR方法构建的氮含量估算模型的精度和稳定性更高(拔节期: 建模R2=0.64, RMSE=24.68%, NRMSE=7.96%, 验证R2=0.77, RMSE=23.13%, NRMSE=7.81%； 挑旗期: 建模R2=0.81, RMSE=15.79%, NRMSE=7.41%, 验证R2=0.84, RMSE=15.10%, NRMSE=7.08%； 开花期: 建模R2=0.78, RMSE=9.88%, NRMSE=5.66%, 验证R2=0.85, RMSE=9.12%, NRMSE=4.76%； 灌浆期: 建模R2=0.49, RMSE=13.68%, NRMSE=9.85%, 验证R2=0.40, RMSE=18.29%, NRMSE=14.73%)。 研究结果表明, 结合无人机成像高光谱获取的植被指数和光谱特征参数构建的冬小麦氮含量估算模型精度和稳定性较高, 研究结果可为冬小麦氮含量的空间分布和精准管理提供参考。

地上生物量(above-ground biomass, AGB)是评价作物长势及其产量估测的重要指标, 对指导农业管理具有重要的作用。 因此, 快速准确地获取生物量信息, 对于监测马铃薯生长状况, 提高产量具有重要的意义。 于马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期、 成熟期获取成像高光谱影像、 实测株高(heigh, H)、 地上生物量和地面控制点(ground control point, GCP)的三维空间坐标。 首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM(digital surface model, DSM), 利用DSM提取马铃薯的株高(Hdsm); 然后利用无人机高光谱影像计算一阶微分光谱、 植被指数和绿边参数, 进而分析高光谱特征参数(hyperspectral characteristic parameters, HCPs)和绿边参数(green edge parameters, GEPs)与马铃薯AGB的相关性, 每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters, OGEPs); 最后基于HCPs, HCPs加入OGEPs, HCPs加入OGEPs和Hdsm的组合利用偏最小二乘回归(partial least square regression, PLSR)和随机森林(random forest, RF)估算不同生育期的AGB。 结果表明: (1)提取的Hdsm与实测株高H高度拟合(R2=0.84, RMSE=6.85 cm, NRMSE=15.67%); (2)每个生育期得到的最优绿边参数不完全相同, 现蕾期、 块茎增长期和淀粉积累期OGEPs为Rsum, 块茎形成期和成熟期OGEPs分别为Drmin和SDr; (3)与仅使用HCPs估算AGB相比, 使用HCPs加入OGEPs, HCPs加入OGEPs和Hdsm在马铃薯不同生育期可以提高AGB估算精度, 且以后者为自变量提高精度的幅度更大; (4)每个生育期利用PLSR和RF估算AGB的建模和验证R2从现蕾期到块茎增长期呈上升趋势, 随后开始降低, 整体上R2呈先上升后下降的趋势, 通过PLSR方法构建的估算AGB模型效果优于RF方法, 其中块茎增长期表现效果最好。 因此, 高光谱特征参数中结合最优绿边参数和株高, 并使用PLSR方法可以改善马铃薯AGB的估算效果。

通过室内盆栽试验, 利用微分技术处理叶片反射光谱数据, 研究铀污染下商陆叶片中的铀含量在不同光谱波段与原始光谱反射率、 一阶导数光谱的相关关系, 找到商陆铀污染诊断的敏感波段范围和最优光谱特征参数, 并以相关性较好的敏感波段及光谱特征参数为自变量, 与商陆叶片铀含量建立对应的估测拟合模型。 如果以该模型为基础创建铀含量的冠层光谱模型, 则有可能实现通过遥感影像监测叶片中的铀含量。 实验结果表明: 当商陆叶片中的铀含量为5.94～71.74 mg·kg-1时, 叶片中铀含量与一阶导数光谱数据的相关性较原始光谱数据好, 在749～766 nm区间内存在较好的相关性和光谱响应; 根据上述相关性分析, 选择14个光谱特征参数, 计算他们与商陆叶片铀含量的相关系数, 其中蓝边面积、 红边位置、 红边面积与蓝边面积的比值及红边面积与蓝边面积的归一化值与叶片铀含量的相关系数达到了0.05显著检验水平; 选取一阶导数光谱中相关系数最高的波段757, 758, 760和761 nm处的值和上述相关性最高的4个光谱特征参数, 与叶片铀含量建立多种形式的估测拟合模型, 通过对拟合模型的精度检验, 发现以红边面积与蓝边面积的比值、 757和760 nm处反射率的一阶导数为自变量的拟合模型的预测效果较好, 其中拟合效果最优的模型是以757 nm波段处反射率的一阶导数为自变量的三次函数模型, 模型预测精度达到了89.8%。

松材线虫病又叫松树枯萎病, 是由于松材线虫寄生在松树上引起的毁灭性死亡病害, 其发病速度快、 传播迅速、 防治难度大。 如何识别松材线虫害并对其程度进行估测, 对我国森林资源及生态环境保护具有重要意义。 研究表明, 马尾松叶绿素、 水含量会随着虫害程度的加深逐渐减少, 不同虫害程度的马尾松光谱反射率呈现较大差异, 因此光谱分析技术在虫害程度估测方面具有独特优势。 针对不同虫害程度的马尾松样本, 研究了其光谱特征参数的变化规律, 以实测光谱特征参数为自变量, 样本虫害程度量化值为因变量, 利用线性回归方程构建了虫害程度估测模型。 该研究在光谱特征指标选择和估测模型方法上作了有价值的探索, 对评估松材线虫病害有一定的指导意义, 可为相关研究及当地精准农业提供科学支持和应用参考。 首先针对不同虫害程度的马尾松样本, 研究其在绿光、 红光及近红外波段内的光谱反射率变化规律, 构建指示样本虫害程度的六个光谱特征参数: 绿峰反射率（RGP）、 绿峰位置（GPP）、 红谷反射率（FRB）、 红谷位置（RBP）、 红边斜率（RES）、 红边位置（REP）, 分析光谱特征参数与虫害程度的相关性。 然后构建虫害程度估测模型, 其步骤可描述为: （1）计算健康、 轻度、 中度、 重度四种不同虫害程度下的样本光谱特征参数RGP, FRB和RES; （2）量化健康、 轻度、 中度、 重度四种样本虫害程度值; （3）以实测光谱特征参数为自变量, 样本虫害程度量化值为因变量, 利用线性回归方程构建虫害程度估测模型。 实验中选取重庆市涪陵区永胜林场、 冒合寨工区的马尾松林为研究对象, 随机选取健康、 染病、 完全枯死的马尾松植株进行监测。 数据采集过程中使用ASD野外光谱分析仪FieldSepc4, 采集波段范围为从可见光400 nm到近红外波段1 100 nm处, 分辨率为1 nm。 共采集了70条马尾松植株的有效光谱数据, 根据不同虫害程度, 将其划分为健康、 轻度、 中度、 重度和枯死五种类型, 并利用Matlab软件进行处理分析, 得到其光谱反射率曲线。 选择涵盖绿光区（510～580 nm）、 红光区（620～680 nm）和近红外区（680～780 nm）三个波段, 计算各个波段的光谱特征参数, 构建虫害程度估测模型。 实验结果表明: （1）针对枯死样本, 其“绿峰”和“红谷”特征消失, 红边陡峭上升趋势被拉平。 其他几种类型样本光谱特征参数RGP, FRB和RES与虫害程度呈负相关, 虫害程度越深, 其光谱特征参数值越小, 即健康（RGP）>轻度（RGP）>中度（RGP）>重度（RGP）, 健康（FRB）>轻度（FRB）>中度（FRB）＞重度（FRB）, 健康（RES）>轻度（RES）>中度（RES）>重度（RES）。 （2）随着虫害程度加深, 光谱特征参数GPP向长波方向移动, 即存在“红移”现象, 而光谱特征参数RBP和REP向短波方向移动, 即存在“蓝移”现象。 （3）与一元线性估测模型相比, 二元线性估测模型具有较大的相关系数R2, 较小的估计误差E以及残差。 实验中对两棵马尾松样本虫害程度进行估测, 二元线性估测模型的结果为PD=2.990 7和PD=3.679, 与实际情况相符。 在后续研究中将对1 100~2 500 nm波段特征进行相关性分析。

为了能够精确地测量线性渐变滤光片的光谱特征参数, 提出一种线性渐变滤光片的透过率检测方法.该方法在测量时, 用光谱仪分别采集滤光前和滤光后的光信号, 计算得到测量点的光谱透过率.调节微动位移平台, 对滤光片样品进行多点扫描测量, 数据处理后, 得到线性渐变滤光片的光谱特征参数.推导了测试光谱透过率的理论公式, 仿真结果表明该方法的测量精度随着线性色散系数的增大而减小, 在线性色散系数小于1.5 nm·mm-1时, 该方法测量的中心透过率和带宽的误差小于0.4%.根据该测量方法设计了相应的检测系统, 实际测量了线性渐变滤光片的光谱特征参数.

土壤含水量（θ）是影响作物生长和作物产量的主要因素之一。 旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度, 并比较人工神经网络（BP-ANN）和光谱特征参数模型的性能。 2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。 结果表明: （1）当砂土容重为1.40 g·cm-3时, 900～970 nm最大反射率和900～970 nm反射率总和估算θ达到极显著水平（R2超过0.90）; 容重为1.50 g·cm-3时, 用蓝边最大反射率和900～970 nm反射率总和估算θ相关性最好（超过0.70）; 容重为1.60 g·cm-3时, 780～970 nm反射率总和与560～760 nm归一化吸收深度的R2均超过0.90, 达到极显著水平; 容重为1.70 g·cm-3时, 900～970 nm最大反射率和900～970 nm反射率总和的R2为0.88, 呈极显著水平。 （2）当土壤类型为壤土时, 用900～970 nm最大反射率和900～970 nm反射率总和估算θ相关性最好。 （3）蓝边反射率总和（R2=0.26和RMSE=0.09 m3·m-3）和780～970 nm吸收深度（R2=0.32和RMSE=0.10 m3·m-3）估算砂土的含水量相关性最好。 在估算壤土的含水量时, 900～970 nm最大反射率（R2=0.92和RMSE=0.05 m3·m-3）与900～970 nm反射率总和估算模型的精度最高（R2=0. 92和RMSE=0.04 m3·m-3）。 （4）用人工神经网络模型能够更好地估算两种土壤的含水量（R2=0.87和RMSE=0.05 m3·m-3）。 因此, 人工神经网络模型对θ估算具有巨大的潜力。

在田间原位对烟叶成熟度进行判别, 能够有效减少由于对成熟度判断错误而导致的烟叶损失率升高、 质量下降的问题, 而传统的人眼结合叶龄的田间成熟度判别方法缺少客观性, 因此提出采用光谱特征参数结合支持向量机的方法对田间原位烟叶成熟度进行判别。 以专家评定并在田间原位进行测量的五个成熟度等级共351个烟叶反射光谱作为试验样品, 五个成熟度等级分别为M1, M2, M3, M4, M5。 通过对反射光谱的分析发现, 不同成熟度烟叶的光谱在可见光波段能够得到区分, 而在近红外波段区分不明显, 因此在可见光波段进行分析建模。 分别采用可见光范围内的连续光谱(350～780 nm)、 特征波段(496～719 nm)、 光谱特征参数(绿峰幅值、 绿峰位置、 红边幅值、 蓝边幅值、 红边面积、 蓝边面积、 红边位置、 蓝边位置)作为输入变量, 采用支持向量机方法(supportvector machine, SVM)建立烟叶成熟度判别模型。 结果表明, 应用可见光光谱特征参数作为输入变量所建立的模型的正确识别率达到98.85%, 而应用可见光连续谱、 可见光特征波段作为输入变量的正确识别率分别为90.80%和93.10%。 因此使用可见光光谱特征参数建立支持向量机的鲜烟叶成熟度判别模型对田间原位烟叶成熟度进行判别是可行的。

传统的与光谱反射率匹配的矿物填图方法受图像质量、 大气及环境背景等因素影响较为明显, 矿物识别效果较差。 针对上述问题提出一种基于多类型光谱特征参数匹配的矿物信息识别方法, 综合利用多种光谱特征参数在大气及环境背景变化中的相对稳定性特点, 实现矿物信息的高精度识别。 选取美国内华达州Cuprite矿区AVIRIS机载可见-红外光谱成像仪高光谱数据, 以USGS美国地质调查局波谱库中的矿物波数为参照光谱, 分别计算AVIRIS影像和USGS波谱库中典型矿物的光谱特征参数, 在对多种光谱特征参数综合分析的基础上, 构建Cuprite矿区矿物识别模型, 进行矿物填图实验。 最后使用Clark等在该地区的矿物填图结果数据, 对实验结果进行了验证, 结果表明: 该方法矿物识别结果与Clark等的填图结果吻合度高, 整体矿物识别精度达到78.96%。

以马尾松针叶野外高光谱数据为基础, 分析了马尾松光谱变化, 构建或借助不同光谱特征参数, 在理论和实践分析的基础上, 建立了马尾松针叶叶绿素含量与光谱反射率及9个特征参数之间的关系。 研究结果表明： (1) 马尾松叶绿素含量在527, 703, 1 364及1 640 nm四个波长附近, 与其反射率具有较好的线性关系, 为马尾松遥感监测在波段选择上提供了依据； (2)红边位置、 红边平均反射率、 红边位置附近平均反射率、 红边斜率、 红边面积、 红谷吸收深度、 绿峰反射高度、 红边归一化植被指数、 红边植被胁迫指数等9个马尾松反射光谱特征参数均与叶绿素含量间存在指数函数关系, 相关系数绝对值在0.5～0.7之间； (3) 采用9个光谱特征参数建立了马尾松针叶叶绿素含量预测模型, 且所建立的基于高斯核函数变换的偏最小二乘回归模型对叶绿素含量的预测精度远远大于传统线性回归模型, 模型的均方误差为0.0088, 平均绝对百分误差为0.7617%。