玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。

为无损探究种子成分分布与种子活力变化的内在关系, 以玉米种子主要成分淀粉为研究对象, 将太赫兹时域反射成像技术与移动窗口相关系数法相结合, 无损可视化构建不同活力程度的玉米种子淀粉空间分布图。 以郑单958玉米品种为例, 实验通过人工老化方式(40 ℃, 100%RH)制备老化0、 18、 36、 54、 72 h的种子样本, 采用Terapluse 4000太赫兹时域光谱仪及反射成像附件扫描获取不同老化程度的样本和纯玉米淀粉样品的太赫兹光谱图像。 以16.35 cm-1下THz图像为基准, 采用阈值分割法精确提取种子胚乳、 种胚区域, 通过对比不同组织区域内THz平均吸光度可得胚乳和种胚光谱明显差异, 且胚乳和淀粉纯物质在51.96 cm-1附近存在明显的共同吸收峰。 应用移动窗口相关系数法(窗口宽度为20, 移动步长为10), 逐像素点计算种子太赫兹时域光谱与纯玉米淀粉光谱的-相关系数, 并根据相关系数值以及坐标信息绘制伪彩色热力图, 可视化构建玉米种子淀粉分布图。 实验统计5个老化阶段、 6个谱区窗口的淀粉分布图中相关系数>0.8的像素点占比可得: 在29.83～67.36 cm-1区间内, 种子胚乳和种子区域内的淀粉含量在种子活力下降过程中呈现总体下降趋势, 即种子淀粉含量与活力呈现正相关关系。 实验结果表明: 太赫兹时域光谱反射成像技术结合移动窗口相关系数伪彩色成像分析方法可以初步实现种子活力变化过程中玉米种子淀粉空间分布特性的无损探测, 该技术可为深入研究种子化学成分与其自身活力之间的制约关系, 无损解析种子生命活动与自身生理生态规律变化提供崭新的视角和方法。

斑病害在全球玉米产区均有爆发, 严重影响玉米产量与品质, 是一种常见的叶类疾病。 荧光光谱技术能够快速、 无损、 准确地反映作物生理信息, 动态检测其逆境响应规律。 以玉米为研究对象, 基于荧光光谱和生理参数（SPAD和Fv/Fm）融合分析, 探究玉米生理参数对不同程度斑病害的响应规律, 构建荧光光谱反演模型。 首先, 利用相关分析与峰值分析筛选荧光光谱的敏感波段, 采用多元散射校正（MSC）、 标准正态变量变换（SNV）、 多项式平滑（S-G）、 FD光谱一阶导数、 SD光谱二阶导数等5种预处理及MSC-SG-FD, MSC-FD-SG, SNV-SG-FD, SNV-SG-SD等4种建模组合方法, 以相关系数R2和均方根误差RMSE为模型效果评价指标, 确定荧光光谱反演生理参数模型的最优方法。 结果表明: 不同斑病害程度下荧光光谱特性的整体变化趋势一致, 但强度差异显著, 在波段600.000～800.000 nm内, 光谱反射率会出现明显的峰中心, 达到极值。 在波段900.000 nm之后, 反射率趋于平稳, 特征明显减少。 对于潜伏期叶片, SPAD与Fv/Fm的建模最优方法均为SNV-SG-FD, Rc为0.985 2和0.976 8, RMSEC为1.59和2.85。 对于早期发病叶片, SPAD的建模最优方法为SNV-SG-FD, Rc为0.949 7, RMSEC为3.79, Fv/Fm的建模最优方法为SNV-SG-SD, Rc为0.943 8, RMSEC为0.011 7。 模型预测性精度较高, 能够实现对早期斑病害玉米叶片SPAD和Fv/Fm的精准预测, 为玉米斑病害潜伏期与病害早期的生理信息监测提供参考依据。 研究结果可应用于大田作业, 提升田间精细化、 智能化管理水平, 为玉米高产、 优质、 优生提供理论依据与技术支撑。

针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM（多元线性回归模型）, GPR（高斯过程回归模型）, LSTM（长短期记忆人工神经网络模型）, 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN（NDVI与GNDVI组合）这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。

近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。

随着农业机器人技术的不断进步和发展，利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要，针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题，提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取，同时使用RGB通道分离方式对红色的根部分进行图像提取，在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配，并利用随机抽样一致性算法剔除错误的匹配点，最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明，F-B算法相比于传统scale-invariant feature transform（SIFT）、speeded up robust features（SURF）、oriented FAST and rotated BRIEF（ORB）算法在匹配速度、精确度上有所提升且匹配准确度高于80%，使用Sobel算子提取植株图像轮廓，获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。

植被重金属污染监测是当今高光谱遥感监测研究的重要内容。 为了将高光谱遥感技术定性的用于植被重金属污染监测研究, 从盆栽实验采集的反射率光谱数据方面进行研究。 在实验室室内设置不同胁迫浓度的重金属铜铅玉米盆栽实验, 测定了不同浓度Cu2+和Pb2+胁迫下玉米叶片的反射率光谱和Cu2+和Pb2+含量等有关铜铅污染玉米的基础数据, 形成了关于重金属铜铅污染玉米植株的一套完整的数据集。 研究提出了一种铜铅探测指数(CLDI), 实现了不同培育期的两种玉米品种的重金属铜铅胁迫监测, 从而为当前植被重金属污染探测提供了新的思路。 研究设计了不同浓度的铜铅污染实验, 将测量获得的玉米叶片450～850 nm的光谱反射率进行一阶微分(D)和包络线去除(CR)处理后得到微分包络线去除(DCR)光谱曲线, 利用皮尔逊相关系数(r)分析DCR数据和生化数据, 选择对重金属Cu敏感的特征波段。 计算的皮尔逊相关系数表明DCR值在490～520和680～700 nm与土壤和叶片中的Cu2+含量呈现接近于1的线性正相关, 在630～650和710～750 nm呈现接近于-1的线性负相关。 选择波长505, 640, 690和730 nm的DCR值建立CLDI, 通过计算土壤和叶片中的Cu2+含量与CLDI和常规的植被指数(VIs)的皮尔逊相关系数, 将两者进行对比, 从而验证了CLDI的有效性。 选用2017年实验获取的不同品种玉米叶片光谱数据, 将CLDI同样和常规的植被指数(VIs)进行对比, 从而验证了CLDI对不同品种的玉米具有鲁棒性。 将CLDI应用到铅胁迫下玉米叶片的污染程度监测, 验证了其对于不同重金属的普适性。 结果表明, CLDI与Cu2+和Pb2+胁迫浓度相关性显著, 与其他植被指数相比, 相关性更高。 提出的CLDI探测铜铅胁迫下不同品种不同时期的玉米污染程度, 具有计算方便, 鲁棒性, 高效性、 普适性的优点。 该研究基于实验室叶片尺度, 可为冠层尺度的重金属胁迫监测提供理论基础。

长期以来, 学者们致力于将玉米秸秆这类低品位的生物质资源向高附加值的化学品转化, 提高其利用价值。 对玉米秸秆进行常压酸催化多元醇液化试验, 并对其所得液化残渣的主要组成成分、 热解及纤维特性进行研究。 采用傅里叶红外光谱技术(FTIR)、 热裂解气相色谱-质谱联用技术(Py-GC/MS)、 热重分析技术(TGA)、 X射线衍射技术(XRD)及扫描电子显微镜技术(SEM)对玉米秸秆及其液化残渣的化学基团、 热裂解产物、 热失重情况、 晶体结构和微观形貌进行了检测分析。 FTIR分析表明, 液化残渣中三组分(纤维素、 半纤维素和木质素)官能团的特征吸收峰几乎消失, 其主要含有未液化完全的纤维素和三组分降解产生的小分子间通过聚合反应生成的大分子物质。 Py-GC/MS表明, 液化残渣热裂解产物中包含呋喃类(10.64%)、 酚类(18.89%)、 酮类(3.73%)、 烃类(35.23%)、 醇类(4.17%)、 醛类(4.31%)、 醚类(1.25%)和有机酸类(4.79%)及含S或N杂原子化合物(17.00%)等89种可识别的有机物, 这些有机物的含碳数高于玉米秸秆同类族化合物中的含碳数。 通过TGA明确液化残渣热失重的情况, 即加热阶段, 其质量损失约为3%; 快速失重阶段, 质量损失非常明显, 约为45%; 缓慢失重阶段, 质量损失不足4%; 其发生热解的条件比玉米秸秆的更为苛刻。 XRD结果可知, 液化残渣的主峰和次峰消失, 破坏了纤维素Ⅰ晶格结构, 形成球磨纤维素。 SEM图像表明, 玉米秸秆经酸催化多元醇液化后生成杂乱无序、 粗糙、 不规则、 呈颗粒状的液化残渣。 综上, 此条件下玉米秸秆几乎完全液化。 这为液化残渣制备木质基炭材料给予理论基础与应用支持, 促进了生物质资源全组分利用。