为了提高遥感监测小麦条锈病病害严重度的准确性, 寻找小麦病害的较优反演模型, 在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据, 利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数, 尝试分别采用PLS(偏最小二乘回归)、 BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型, 并进行比较分析。 结果表明: 三种方法病害严重度预测值与实测值间的R2分别为0.936, 0.918, 0.767。 采用偏最小二乘回归方法监测小麦病情指数效果更好, 为探寻不同种类植被指数对模型的贡献, 尝试用代表植被绿度的NDVI, GNDVI, MSR和代表水分含量的NDWI和MSI植被指数分别作为PLS模型的输入变量, 建立病害反演模型。 结果表明: 小麦条锈病中, 叶片叶绿素含量的变化比冠层水含量的变化对病情指数更为敏感, 对病害有更好的解释作用。 然而, 两模型精度都低于七种植被指数全部参与时的预测结果, 即输入变量中采用多种植被指数比用单类指数模拟准确度高。

针对小麦株型对LAI反演精度的制约, 利用地面实测的多角度数据, 提出采用热点指数反演高精度的不同株型小麦LAI。 通过分析京411紧凑型和中优9507披散型两种株型小麦在红光（670 nm）和近红外波段（800和860 nm）的二向反射光谱特征, 借鉴热暗点指数HDS和归一化热暗点信息指数NDHD, 构建了改进的归一化热暗点指数MNDHD和热暗点比值指数HDRI两个新热点指数。 将HDS, NDHD, MNDHD和HDRI与NDVI, SR和EVI相乘得到的热点组合指数用于不同株型小麦LAI的反演。 分析得出对紧凑型小麦京411, 由860 nm近红外波段的NDVI与MNDHD和HDRI的组合指数反演的LAI精度分别为0.943 1和0.909 2； 对披散型小麦中优9507, 由800 nm近红外波段的SR与HDRI和MNDHD的组合指数获得的LAI反演精度分别为0.964 8和0.895 6。 表明基于冠层的热点效应反演不同株型小麦LAI的方法可行, 多角度遥感数据在作物结构参数提取方面比常规观测数据更具优势。

针对当前作物叶面积指数遥感反演过程中, 在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。 以冬小麦为研究对象, 选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数, 分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。 在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5, RMSE=0.320 9。 改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI, 得到的LAI反演值和真实值之间的相关系数r=0.728 7, 均方根误差RMSE=0.297 1; 比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前), 得到的LAI反演值和真实值之间的R2=0.654 6, RMSE=0.306 1; NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI, 得到的LAI反演值和真实值之间的R2=0.679 4, 均方根误差RMSE=0.316 4。 研究表明: 在冬小麦的不同生育时期, 根据地表作物覆盖度的变化和反射率的变化, 选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。 说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。