土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷（KH2PO4）为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均（MA）、 MA+基线校正（BL）、 MA+标准正态变量（SNV）、 MA+多元散射校正（MSC）对原始光谱（RS）进行预处理, 分析了低浓度（0.02~5 g·L-1）与高浓度（5.21~93.87 g·L-1）区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: （1）低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; （2）低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘（PLSR）模型决定系数R2=0.28~0.36; （3）高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; （4）使用全浓度区间PLSR建模可增加PLSR模型精度（R2=0.73~0.89）。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; （5）通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归（MLR）模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 （6）由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。

叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。

针对中国农田存在种植景观破碎化和复杂的种植结构这一现状, 如何实现目标作物的高精度识别与制图对作物产量估算、 粮食政策调整和国家粮食安全保障具有十分重要意义。 基于Google Earth Engine（GEE）遥感数据处理云平台, 提出一种冬小麦不同生育期的种植结构提取方法, 该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源, 综合考虑光谱波段特征、 光谱指数特征、 纹理特征和地形特征等多维特征变量, 利用GBDT（gradient boosting decision tree）分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取, 并探讨了冬小麦识别的最佳生育期。 此外, 对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。 以河南陈固镇为研究区开展实验, 实验结果显示, 冬小麦在起身拔节期的地物识别准确率相对较高, 总体分类准确率为94.61%, Kappa系数为92.68%; 在抽穗扬花期的识别精度最高, 总体分类准确率为97.01%, Kappa系数为95.52%; 但在灌浆乳熟期的分类精度偏低, 总体分类准确率为86.23%, Kappa系数为81.33%。 研究结果表明, 在冬小麦抽穗扬花期, GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取, 进而取得较好的地物分类识别效果。 此外, 本研究将GBDT与传统分类器如随机森林（random forest, RF）、 CART(classification and regression tree)和朴素贝叶斯（Naive Bayesian, NB）进行相比。 结果表明, GBDT分类器的地物识别效果最佳, 总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%, Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%, 朴素贝叶斯分类器的识别效果最差, 总体分类准确率和Kappa系数分别为84.43%和78.69%。 研究结果可为田块尺度作物精细提取提供有效的技术支持。

为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺的光谱成像传感器, 研究镀膜型光谱成像数据的提取与叶绿素含量分布式检测的方法。 实验采用基于镀膜原理的IMEC 5×5成像单元式多光谱相机, 对47株苗期玉米植株的冠层进行拍摄, 获取673～951 nm范围内的25个波长的光谱图像。 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量指标, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计251个样本数据; 同时使用ASD Handheld2型光谱仪采集相应位置区域的反射率曲线, 以对比分析镀膜型光谱成像传感器提取玉米植株冠层叶片反射率曲线的特性。 首先, 在分析镀膜型光谱成像传感器的成像原理的基础上, 通过对原始图像的拆分和重组分别提取成像单元中相同波段的像素灰度值, 并利用相同波段的像素灰度值重构单波段光谱图像, 获取各波段光谱图像。 其次, 利用4灰度级标准板建立图像灰度值和灰度板反射率之间的线性反演公式, 对提取的反射率进行校准。 然后, 为了准确分割出玉米植株冠层, 提出了大津算法(OTSU)和霍夫圆变换组合的玉米植株冠层图像二次分割方法, 分别剔除图像中土壤和培养盆背景的干扰。 最后, 利用马氏距离算法剔除异常样本数据, 利用SPXY (sample set partitioning based on joint X-Y distance)算法划分建模集和验证集, 采用偏最小二乘回归法(PLSR)建立玉米植株叶绿素含量指标诊断模型, 并绘制其分布伪彩色图用于分析叶绿素含量空间分布特征。 研究结果表明, ①对25波段多光谱图像提取和反射率线性校准拟合模型决定系数均达到0.99以上。 分析校准前和校准后与ASD光谱仪测量反射率曲线, 镀膜型成像传感器获取玉米冠层反射光谱总体与ASD采集反射率体现的光谱特征一致, 且校正后数据比校正前与ASD光谱反射率的一致性得到了提升。 ②建立初次OTSU分割算法和基于霍夫圆变换识别的二次分割算法, 可以有效剔除玉米植株光谱图像中的土壤和培养盆背景噪声的干扰。 ③叶绿素含量指标PLSR诊断模型建模集R2c为0.545 1, 验证集R2v为0.472 6。 玉米作物冠层叶绿素分布可视化图可以直观反映叶绿素含量分布与生长动态情况。 通过对镀膜型光谱成像传感器应用方法的研究, 为后续玉米植株叶绿素动态快速检测奠定基础和提供技术支持。

为了探究马铃薯作物叶绿素吸收特征, 充分解析光谱特征波长变量, 建立高精度叶绿素含量检测模型。 在马铃薯发棵期(M1)、 块茎形成期(M2)、 块茎膨大期(M3)和淀粉积累期(M4)4 个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理之后, 分析了马铃薯不同生长期的光谱反射率变化特征。 利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、 随机蛙跳(RF)、 竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长, 建立叶绿素含量检测PLS模型。 对4个生长期的314个样本, 采用SPXY算法分别按照3∶1的比例划分, 得到建模集240个样本、 验证集74个样本。 利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长, 讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、 迭代次数(N)对CARS算法筛选特征波长结果的影响, 对迭代次数设置6个梯度, 分别为N=50, 100, 500, 1 000, 5 000和10 000； 对特征变量数设置4个梯度, 分别为LV=15, 20, 25和30。 以PLSR模型的验证集结果为评价指标, 分析迭代次数(N)和特征变量数(LV)的最优参数组合。 最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型, 分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。 结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、 特征变量数(LV)参数最佳组合分别为: (1)MC-UVE: 迭代次数N=50 特征变量数LV=30； (2)RF: 迭代次数N=500、 特征变量数LV=30； (3)CARS: 迭代次数N=100。 对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测, 发现RF-PLSRRR模型的性能最优, R2v为0.786, RMSEV为3.415 mg·L-1； MC-UVE-PLS模型性能次之, R2v为0.696, RMSEV为4.072 mg·L-1； CARS-PLS模型的性能最差, R2v为0.689, RMSEV为4.183 mg·L-1。 以上结果说明: 在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS, 得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。

为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺光谱成像传感器, 研究了玉米植株冠层叶绿素含量分布式检测方法。 试验采用IMEC 5×5成像传感器, 拍摄47株苗期玉米植株冠层, 获取673～951 nm范围内的25个波长的光谱图像。 实验中, 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计242个样本数据。 对光谱图像数据, 经4灰度级标准板提取并校准反射率。 为了实现玉米植株与花盆、 土壤背景的有效分离, 在分析不同对象光谱反射率与图像像素特征的基础上, 提出了一种基于谱图特征组合的植株分割方法, 即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。 首先, 计算各像素点归一化植被指数(NDVI), 并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。 其次, 采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后, 基于区域标记算法进行精细分割, 获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。 分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长, 并构建750～951 nm近红外(NIR)和673～750 nm红色(R)选中波长集合, 遍历NIR和R集合组合计算比值植被指数(RVI), 差值植被指数(DVI), 归一化植被指数(NDVI)和SPAD转换指数(TSPAD)。 然后, 再次采用CA和RF算法筛选植被指数, 利用SPXY算法将样本按照7∶3比例划分为建模集和验证集, 并建立了叶绿素含量指标检测CA+RF-PLSR模型。 结果表明, 其建模集R2C为0.573 9, RMSEC为3.84%, 验证集R2V为0.420 2, RMSEC为2.3%。 利用建模结果对多光谱图像进行处理, 绘制玉米叶片SPAD值伪彩色分布图, 实现叶绿素含量分布可视化。 研究表明采用镀膜型光谱成像数据, 分析对象光谱与图像特征, 探讨玉米冠层叶绿素含量分布检测的可行性, 可为直观监测作物生长动态提供支持。