花叶病是苹果叶片常见的病毒性病害, 患病叶片的花青素含量出现异常。 以叶片花青素含量作为病害严重程度的定量化指标, 使用高光谱成像技术获取感染花叶病的苹果叶片的高光谱图像, 分析叶片的光谱特征, 通过任意两个波段的反射率的不同数学组合, 构建并筛选对染病叶片花青素含量高度敏感的最优光谱指数, 进而建立苹果叶片花青素含量的高光谱估算模型, 最终实现苹果叶片花青素含量分布状况的可视化表达。 结果表明, 随着病害严重程度的增大, 苹果叶片的花青素含量升高; 叶片染病区域的光谱反射率在整个可见光区域明显增加, 而且出现了红边蓝移现象。 通过两两波段组合构建的三种光谱指数(NDSI(770, 722), RSI(717, 770), DSI(581, 520))与苹果叶片花青素含量的相关系数绝对值均达到0.8以上。 在构建的四种苹果叶片花青素含量估算模型中, 选用三个光谱指数为参数、 并使用偏最小二乘回归方法建立的Anth-PLSR模型精度最高(R2=0.823, RMSE=0.056)。 采用Anth-PLSR模型对患病叶片的高光谱图像进行逐像元解算, 得到苹果花青素含量分布图。 进一步通过叶片花青素含量分布图计算苹果叶片整叶的花青素含量平均值, 作为苹果叶片健康程度的定量化指标。 此外, 通过提取整叶光谱均值、 使用同样模型可简洁有效地估算苹果整叶花青素含量平均值。 为苹果叶片花叶病病害监测提供了一种直观、 快速的技术手段。

为获取农田土壤重金属精确空间分布信息, 以某污灌区52个土壤全量镉、 有效镉含量为目标变量, 以土壤一阶微分光谱为辅助协同变量, 采用协同克里格法, 进行空间变异及插值研究。 结果表明, 土壤反射光谱相对有机质、 氧化铁等单一土壤环境变量, 能反映更多土壤表面属性信息, 与土壤镉含量表现出更高显著相关性; 选择其一阶微分光谱作为协同变量, 进行Cokriging插值, 与普通Kriging和以有机质、 氧化铁等协同变量的Cokriging插值结果相比较, 估测精度明显提高。 以土壤光谱作为辅助变量, 能大大提高土壤重金属插值精度, 获取更精确空间分布信息, 而且相对常用协同变量, 具有测定简单、 省时、 无损等优点, 是提高土壤重金属空间插值的理想辅助因子。

使用高光谱仪ASD Field Spec在波长范围400～1000 nm内采集有机质含量不同的土壤反射光谱数据并作对数变换处理; 之后在不同尺度的微分窗口下求取其一阶导数(一阶导数光谱)并进行小波阈值去噪; 从一阶导数光谱中提取特征参数表征有机质含量变化.结果表明, 微分窗口尺度w=1~5时, 土壤一阶导数光谱中含有大量噪声, 对一阶导数光谱曲线形态和有机质吸收特征的识别造成严重干扰; 微分窗口尺度w=6~15时, 土壤一阶导数光谱中的噪声得到一定程度的去除, 但仍无法准确判别有机质的吸收特征; 微分窗口尺度w=16~30时, 土壤一阶导数光谱中的噪声被有效去除, 其中当w=19时, 从一阶导数光谱中提取的特征参数MD19s与土壤有机质含量的相关系数为-0.803.MD19s能够较为准确地指示有机质含量变化, 而且运算简单, 易于实现, 为在精准农业中采用可见/近红外反射光谱分析技术快速检测土壤有机质提供了新的途径.

分别于返青期、 拔节期、 抽穗期和灌浆期采集不同磷素处理的冬小麦叶片原始高光谱数据; 之后求取其一阶导数(一阶导数光谱)并进行小波去噪处理; 通过分析原始光谱和一阶导数光谱对不同磷素处理水平的响应特征, 确定敏感波长范围并提取四种吸收面积; 将每个叶片磷素含量值对应的四种吸收面积的归一化值, 作为样本空间样本点的位置坐标(4维样本输入矢量), 对应叶片磷素含量的归一化值作为该样本点的目标输出, 二者同时提交给径向基函数神经网络。 结果表明： (1)冬小麦叶片原始光谱对叶片磷素含量变化反应敏感的波长范围为426～435 nm和669～680 nm。 (2)一阶导数光谱的敏感波长范围为481～493 nm和685～696 nm。 (3)训练后的径向基函数神经网络模型能够学习和掌握样本点与目标输出之间的线性/非线性映射关系, 并且具有一定的推广能力。

使用高光谱仪ASD Field Spec在波长范围400～1 000 nm内, 采集有机质含量水平不同的土壤反射光谱数据, 之后求取一阶导数(一阶导数光谱）并进行小波去噪; 通过数值积分计算、 相关分析, 从去噪后的一阶导数光谱中提取吸收面积表征有机质含量变化。 结果显示: (1)土壤一阶导数光谱中含有大量噪声, 致使光谱曲线轮廓和有机质的吸收特征难以识别。 (2)当小波分解层数J=3时, 小波去噪在平滑土壤一阶导数光谱曲线的同时, 较好的保持了曲线上多个敏感波段的光谱响应特征。 (3)从去噪后的一阶导数光谱中提取的吸收面积S(538, 586)与有机质含量的相关系数为－0.876 3, 较好的反映了土壤有机质含量的变化情况, 可以用于土壤有机质含量测算。

使用高光谱仪ASD Field Spec于吐丝期采集不同氮素处理的夏玉米叶片光谱, 并进行对数变换处理; 通过对“绿峰”(450~680nm)和“近红外反射平台”(760~1000nm)谱段光谱数据进行多尺度小波分解, 获取第二层离散近似小波系数向量; 采用主成分分析, 从第二层离散近似小波系数向量中提取特征作为输入参数, 建立对叶片氮素含量的广义回归神经网络估算模型.结果表明: 对数变换显著地增强了“绿峰”和“近红外反射平台”谱段夏玉米叶片光谱对不同氮素处理的响应差异; 从第二层离散近似小波系数向量中提取的小波主成分能够反映夏玉米叶片光谱在不同氮素处理下的整体变化趋势; 以小波主成分作为输入参数的广义回归神经网络能够较为准确地预测夏玉米叶片氮素含量, 并且具有一定的推广能力.

利用冠层光谱反射率数据( Rλ )，对处于开花期的7种果树的树种进行了辨识研究.通过光谱数据重采样、植 被指数求算等相关数据处理，比较了6种卫星传感器与4种植被指数对果树树种的辨识效能，并在优选数据形式、 优化模型参数的基础上，建立了辨识果树树种的BP神经网络模型.主要结论为:(1)6种卫星传感器辨识果树树种 的效能由强到弱的排列顺序为:MODIS、ETM+、QUICKBIRD、IKONOS、HRG、ASTER;(2)在4种植被指数中，RVI对 果树树种的辨识效能最强，其次是NDVI，SAVI与DVI的辨识效能相对较弱;(3)用MODIS或ETM+传感器的近红 外通道与蓝光通道上的反射率数据，求算的RVI与NDVI对果树树种的辨识效能相对较强;(4)在 R λ 及其22种变 换数据中，波长间隔设为9nm的d 1 ［log(1/ R λ ) ］，是建立BP神经网络模型的首选数据形式

利用冠层光谱反射率数据（Rλ）， 对处于果实成熟期的七种挂果果树的树种进行了辨识研究。 通过光谱数据重采样、 植被指数求算等相关数据处理， 比较了六种卫星传感器与四种植被指数对果树树种的辨识效能， 并在优选数据形式、 优化模型参数的基础上， 建立了辨识果树树种的BP神经网络模型。 主要结论为：　（1）六种卫星传感器辨识果树树种的效能由强到弱的排列顺序为： MODIS， ASTER， ETM+， HRG， QUICKBIRD， IKONOS； （2）在四种植被指数中， RVI对果树树种的辨识效能最强， 其次是NDVI， SAVI与DVI的辨识效能相对较弱； （3）用MODIS或ETM+传感器的近红外通道与红光通道上的反射率数据， 求算的RVI与NDVI对果树树种的辨识效能相对较强； （4）在Rλ及其22种变换数据中， 波长间隔设为9 nm的d1［log(1/Rλ)］， 是建立BP神经网络模型的首选数据形式； （5）利用波长间隔设为9 nm的d1［log(1/Rλ)］这一数据形式， 建立了辨识果树树种的3层BP神经网络模型。