马铃薯是继水稻、 小麦、 玉米之后的一种重要的粮食作物, 其优化种植和生产对于保障粮食安全具有重要的意义。 作物的地面生物量(AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估。 现有的研究表明, 遥感植被指数在中高作物覆盖度时会丧失对作物参数的敏感性, 即“饱和现象”, 这制约了作物生长中后期AGB的准确监测。 采用了一个新型垂直生长作物AGB估算模型(VGC-AGB)结合高光谱遥感开展马铃薯多生长阶段的AGB估算研究。 针对多生长时期遥感光谱指数开展作物生物量监测中存在的“饱和问题”, VGC-AGB定义了叶片干物质含量(Cm)和垂直器官干物质含量(Csm)2个参数, 分别描述马铃薯叶片和茎的平均干物质含量, 并通过叶面积指数(LAI)×Cm计算叶片的地上生物量(AGBl), 通过种植密度(Cd)、 马铃薯株高(Ch)和Csm的乘积, 即Cd×Ch×Csm计算垂直器官的地上生物量(AGBv)。 基于国家精准农业研究示范基地2019年马铃薯田间实验, 分别获取了马铃薯4个关键生长时期的地面ASD高光谱数据、 实测株高、 AGB和LAI数据等, 并利用高光谱反射率数据构建了高光谱特征参数, 分别对比了(1)高光谱特征参数+株高, (2)地面测量参数+VGC-AGB模型和(3)高光谱特征参数+VGC-AGB模型的3种马铃薯AGB估算模型的性能。 结果表明, 与传统的高光谱遥感植被指数+株高的AGB估算方法相比, 新型VGC-AGB模型结合高光谱遥感数据可以提供更高性能的马铃薯AGBl、 AGBv和总AGB估算结果, 该方法可为马铃薯AGB的快速无损监测提供技术支撑。

植株氮含量(PNC)是评价作物长势和营养状况的重要指标， 快速准确获取作物的PNC信息可为农田管理策略的制定与实施提供重要依据。 已有研究表明， 仅采用影像的光谱信息估算作物的PNC存在饱和现象， 该研究尝试采用植被指数(VIs)结合二维离散小波分解技术(DWT)提取的多个尺度的高频信息(HFI)构建一种光谱空间特征(VIs+HFI)， 探究VIs、 HFI和VIs+HFI估算PNC的能力。 首先， 以无人机为遥感平台获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期5个氮营养关键生育期的数码影像并实测各生育期的PNC数据。 其次， 基于预处理的无人机影像， 提取各生育期冠层的光谱信息构建VIs， 并采用DWT提取各生育期1~5尺度的HFI。 然后， 将各生育期提取的VIs和HFI与马铃薯PNC进行相关性分析， 分别筛选出相关系数绝对值较大的前7个VIs和前10个HFI。 为降低共线性对实验结果的影响， 根据KMO检验结果对筛选的HFI进行主成分分析(PCA)降维处理。 最后， 采用岭回归和极限学习机(ELM) 2种方法分别以VIs、 HFI主成分和VIs+HFI主成分为模型变量构建马铃薯各生育期的PNC估算模型， 并进行评估。 结果表明: (1)马铃薯各生育期， 1~5尺度的HFI对估算PNC均有贡献。 (2)以VIs+HFI为模型变量构建的马铃薯PNC估算模型的精度和稳定性高于单一VIs和HFI。 (3)马铃薯各生育期， 以岭回归方法构建的PNC估算模型优于ELM方法。 其中， 以VIs+HFI为模型变量构建的PNC估算模型效果最优， 5个生育期的建模R2分别为0.833、 0.764、 0.791、 0.664和0.435， RMSE分别为0.332%、 0.297%、 0.275%、 0.286%和0.396%; NRMSE分别为9.113%、 9.425%、 10.336%、 9.547%和15.166%， 该研究可为马铃薯氮营养状况的实时高效监测提供一种新的技术支撑。

植株氮含量(PNC)是评价作物长势和氮营养状况的重要指标， 因此， 准确高效地获取PNC信息， 对动态监测马铃薯长势及精准施控氮肥具有重要意义。 首先于马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期获取无人机高光谱影像， 并基于预处理的影像提取5个生育期冠层的原始光谱和一阶微分光谱; 其次将提取的冠层光谱与马铃薯PNC进行相关性分析， 筛选出PNC的敏感波长; 然后分别利用灰度共生矩阵和1~3阶颜色矩， 提取冠层原始光谱特征波长处高光谱图像的纹理和颜色2种图像特征， 并将提取的特征与马铃薯PNC进行相关性分析， 筛选出相关性较高的前5个图像特征; 最后分别基于光谱特征、 图像特征和图谱融合特征利用弹性网络回归(ENR)、 贝叶斯线性回归(BLR)和极限学习机(ELM) 3种方法建立马铃薯PNC估算模型。 结果表明: (1)马铃薯5个生育期的冠层光谱特征波长存在差异， 但多数位于可见光区域。 (2)冠层原始光谱特征波长图像的纹理和颜色特征与PNC的相关性较高， 且现蕾期到淀粉积累期的相关性明显高于成熟期。 (3)基于单一光谱特征和单一图像特征构建的马铃薯PNC估算模型在现蕾期到淀粉积累期效果较好， 成熟期效果较差。 (4)现蕾期到淀粉积累期， 基于图谱融合特征的马铃薯PNC估算效果明显优于单一光谱特征和单一图像特征。 (5)马铃薯各生育期， 基于同种变量利用ENR构建的PNC估算模型效果较好， BLR次之， ELM较差。 其中， 以图谱融合特征为模型变量， 利用ENR构建的PNC估算模型精度和稳定性最好， 5个生育期的建模R2分别为0.91、 0.75、 0.82、 0.77和0.69， RMSE分别为0.24%、 0.31%、 0.26%、 0.22%和0.29%， NRMSE分别为6.59%、 9.79%、 9.58%、 7.87%和11.03%。 该研究可为马铃薯的氮营养监测提供一种快捷高效的技术手段。

激光背向散射成像是激光与生物组织相互作用产生散射光的成像, 在农产品的品质分类中有着广泛的应用。利用激光背向散射成像技术与深度学习, 实现马铃薯在不同存储情况下的品质分类。对激光背向散射进行理论分析, 搭建激光背向散射成像的数据采集系统, 对马铃薯样品进行激光背向散射图像采集, 得到新鲜马铃薯、冰箱存储与室温存储马铃薯的激光背向散射成像数据集。对数据集利用改进后的VGG16网络进行训练, 并与DenseNet121网络、原始VGG16网络的训练结果进行对比。结果显示, 改进后的VGG16网络对数据集的分类准确率为95.33%。由此表明, 激光背向散射成像结合深度学习可以实现马铃薯品质的智能分级。

为提高马铃薯近红外光谱快速无损检测的准确性和稳定性, 对比了光纤光源、 卤素灯杯光源和环形光源三种光源条件下的光谱, 结果显示环形光源的光谱噪声最小, 辐照强度与均匀度最好。 该工作对光源功率、 光源距马铃薯表面距离以及光纤距马铃薯表面检测点距离进行研究, 通过三因素三水平响应面试验, 评价不同因素水平条件下对马铃薯可溶性固形物含量的光谱模型预测效果, 得到最优参数组合为光源功率238.33 W, 光纤探头距样品表面距离8.17 mm, 光源距样品表面距离370 mm, 并建立可溶性固形物定量预测模型。 在最优参数条件下, 预测偏最小二乘回归模型(PLSR)的相关系数优化到0.867, 均方根误差0.149°Brix。 为进一步消除设备及环境噪声, 通过不同预处理算法降低噪声的干扰, 结果显示标准变量排序法去噪效果最好, PLSR预测相关系数可达0.914, 预测均方根误差降低到0.132°Brix, 既能有效去噪又有较好的预测效果。 试验结果表明, 响应面试验优化检测环境和条件能有效提高马铃薯品质检测的预测精度, 为近红外光谱马铃薯无损检测环境搭建和设备选型提供技术参考。

马铃薯是我国第四大主要粮食作物, 随着马铃薯主食化战略的提出, 其市场占比逐年攀升, 但各地甚至同区域内马铃薯品质参差不齐, 严重影响了马铃薯行业的发展。 实现马铃薯品质快速无损检测对马铃薯主食化产业的发展有着重要的现实意义。 该研究以研发低成本马铃薯品质无损快速检测装置为目的, 采用连续投影算法（SPA）分析光谱仪环境下马铃薯加工品质特征波长的分布情况, 根据标准正态变换（SNV）预处理状态下的模型结果选取了一个包含7个波段（700, 750, 800, 850, 900, 950和1 000 nm）的多通道光谱传感器, 并根据马铃薯特殊的表皮特征及内部质地均匀性, 设计了一种手持式马铃薯多品质可见/近红外局部漫透射检测装置。 利用研发装置建立了马铃薯多品质偏最小二乘预测模型, 马铃薯干物质含量、 淀粉含量预测模型验证集均方根误差分别为1.05％和1.02％。 同时, 基于QT的开发工具, 采用C语言编写了实时分析设备控制软件, 实现了对马铃薯内部品质的一键式实时无损检测。 对研发装置检测稳定性和精度进行了试验验证。 结果表明, 研发的手持式马铃薯多品质传感器检测装置可以满足现场实时检测需求, 为马铃薯主食化产业的发展提供技术支撑。

地上生物量(AGB)是评估作物生长发育和指导田间农业生产管理的重要指标。 因此, 高效精准地获取作物AGB信息, 可以及时准确地估算产量, 对于保障粮食供应和贸易提供有力依据。 传统获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变为困难。 然而, 随着精准农业的快速发展, 无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。 通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、 块茎增长期和淀粉积累期的多光谱影像, 地面实测株高和AGB以及地面控制点(GCP)的空间位置信息。 首先, 基于SFM(structure from motion, SFM)技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM(digital surface model, DSM), 通过DSM提取出马铃薯各生育期的株高(Hdsm); 然后, 选取原始4个单波段植被指数、 9个多波段组合的植被指数、 红边波段的高频信息(HFI)和提取的Hdsm分别与AGB作相关性分析; 最后基于单波段植被指数(x₁)、 多波段组合的植被指数(x₂)、 植被指数结合Hdsm(x₃)、 植被指数结合HFI(x₄)以及植被指数融合HFI和Hdsm(x₅)为模型输入参数, 采用偏最小二乘回归(PLSR)和岭回归(RR)估算各生育期的AGB。 结果表明: (1)提取的Hdsm和实测株高拟合的R²为0.87, NRMSE为14.34%; (2)各模型参数都与AGB达到极显著水平, 相关性均从块茎形成期到淀粉积累期先升高后降低; (3)各生育期以5种变量使用同种方法估算马铃薯AGB的效果, 均从块茎形成期到淀粉积累期先好后变差, 其估算精度由高到低依次为x₅>x₄>x₃>x₂>x₁; (4)各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法, 其中在块茎增长期基于x₅变量估算马铃薯AGB效果最佳, R²为0.73, NRMSE为15.22%。 因此, 选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度, 这为大面积马铃薯作物AGB的监测提供了新的技术支撑。

地上生物量（AGB）是表征作物生命活动的重要参数, 对作物长势监测和产量预测尤为关键。 因此, 快速准确地获取AGB信息, 对于监测作物生长状况、 指导农业管理和提高产量具有重要的意义。 以无人机为平台搭载数码相机传感器, 因机动性强、 价格低、 空间分辨率高的优势, 能够及时准确的估算作物AGB, 已成为遥感估算研究的热点之一。 由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同, 因此, 尝试在马铃薯的块茎增长期, 通过设置10, 20, 30, 40和50 m共5种无人机飞行高度, 获取不同分辨率的数码影像, 探究其对以光谱信息、 纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。 首先, 基于无人机数码影像, 分别提取光谱信息和纹理特征, 通过光谱信息构建的植被指数和纹理特征, 分别结合地面试验获取的实测地上部生物量数据进行相关性分析, 分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。 然后, 分别以3种输入变量整合方差膨胀因子（VIF）进行主成分分析（PCA）降维处理, 获得最佳主成分后以多元线性回归（MLR）构建AGB估算模型。 最后, 对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。 结果发现: （1）获得的影像分辨率在0.43~2.05 cm之间变化时, 纹理特征与马铃薯AGB相关性弱于植被指数, 但都达到极显著相关水平（p<0.01）, 随着数码影像分辨率降低, 二者相关性差异明显。 （2）同种分辨率影像下, 光谱信息+纹理特征估算AGB的效果最优, 其次为单一纹理特征模型, 而单一光谱模型表现效果最差。 （3）随着数码影像分辨率提高, 光谱信息、 纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。