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。

作物氮含量影响作物的生长状况, 合适的施氮量可以促进作物生长和提高作物产量, 因此准确、 快速地监测作物的氮含量十分必要。 旨在探索将无人机成像高光谱获取的植被指数和光谱特征参数相结合以提高冬小麦关键生育期氮含量估算精度的潜力。 首先, 以无人机为遥感平台, 搭载高光谱传感器获取了冬小麦拔节期、 挑旗期、 开花期和灌浆期4个主要生育期的高光谱遥感影像, 并实测了各生育期的氮含量数据。 其次, 基于预处理后的高光谱影像, 提取冬小麦各生育期的冠层反射率数据, 并构造能较好反映作物氮素营养状况的12种植被指数和12种光谱特征参数。 然后, 计算了各光谱参数与冬小麦氮含量的相关性, 并筛选出各生育期与氮含量相关性较强的植被指数和光谱特征参数； 最后, 利用逐步回归分析（SWR）构建基于植被指数、 植被指数结合光谱特征参数的氮含量估算模型。 结果显示: (1)选取的大部分植被指数和光谱特征参数与冬小麦氮含量都有较高的相关性。 其中, 植被指数的相关性高于光谱特征参数； (2)基于单个植被指数或光谱特征参数估算冬小麦虽然可行, 但精度还有待进一步提高； (3)与单一植被指数或光谱特征参数相比, 植被指数结合光谱特征变量利用SWR方法构建的氮含量估算模型的精度和稳定性更高(拔节期: 建模R2=0.64, RMSE=24.68%, NRMSE=7.96%, 验证R2=0.77, RMSE=23.13%, NRMSE=7.81%； 挑旗期: 建模R2=0.81, RMSE=15.79%, NRMSE=7.41%, 验证R2=0.84, RMSE=15.10%, NRMSE=7.08%； 开花期: 建模R2=0.78, RMSE=9.88%, NRMSE=5.66%, 验证R2=0.85, RMSE=9.12%, NRMSE=4.76%； 灌浆期: 建模R2=0.49, RMSE=13.68%, NRMSE=9.85%, 验证R2=0.40, RMSE=18.29%, NRMSE=14.73%)。 研究结果表明, 结合无人机成像高光谱获取的植被指数和光谱特征参数构建的冬小麦氮含量估算模型精度和稳定性较高, 研究结果可为冬小麦氮含量的空间分布和精准管理提供参考。

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。

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。

水稻氮素含量的准确监测是稻田精准施肥的重要环节, 水稻叶片氮素含量发生变化会引起叶片、 冠层的光谱发射率发生变化, 高光谱遥感是目前作物氮素无损监测的关键技术之一。 以2018年—2019年湖北监利两年水稻氮肥试验为基础, 分别获取水稻分蘖期、 拔节期、 孕穗期、 扬花期、 灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据, 利用单波段原始光谱和一阶导数光谱的相关性分析、 高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。 针对敏感波段, 利用单波段回归分析、 随机森林（RF）、 支持向量回归（SVR）、 高斯过程回归-随机森林（GPR-RF）、 高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型, 并进行精度对比, 以确定水稻叶片在各生育期的氮素估算最佳模型。 结果表明: GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。 相同条件下, 叶片模型精度整体高于冠层模型。 相关性分析模型中, 叶片尺度原始光谱模型更好, 冠层尺度刚好相反, 冠层一阶导数光谱可以减弱稻田背景噪声的影响。 其中, 叶片最佳模型建模集R2为0.79, 验证集R2为0.84; 冠层最佳模型建模集R2为0.80, 验证集R2为0.77。 与相关性回归分析模型相比, 机器学习模型受生育期影响小（R2>0.80, NRMSE<10%）。 其中, RF比SVR更适合对GPR敏感波段建模, GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。 五种方法中, GPR模型对生育期敏感度最低、 叶片及冠层尺度效果都很好(R2>0.94, NRMSE<6%)。 且与其他四种机器学习方法相比, GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02, NRMSE降低1.2%）。 GPR方法可为筛选作物氮素高光谱敏感波段、 反演各生育期叶片及冠层氮素含量提供方法参考。