应用高光谱遥感监测黄萎病胁迫下棉花叶片光合参数。 在350～2 500 nm光谱波段获取207个不同时期不同病情严重度的棉叶样本光谱数据, 同步利用光合仪测量样本光合参数。 采用单因素方差和相关分析研究光合参数特征, 提取样本叶片光合参数的敏感波段并筛选光谱特征参数, 采用线性和非线性回归方法建立预测模型并检验。 结果表明: 随病情严重度增加, 棉叶净光合速率、 气孔导度、 蒸腾速率均下降, 胞间CO2浓度先降后增, 差异显著； 病情严重度与光合参数均达到显著相关, 与净光合速率、 蒸腾速率、 气孔导度、 胞间 CO2浓度相关系数分别为-0.97, -0.957, -0.886和0.715。 选择与光合参数相关性最好的光谱敏感波段R704, R706, R699, R690, FD688, FD732, FD690, FD731, FD681组建新的光谱特征参数并与传统参数一起对净光合速率、 蒸腾速率、 气孔导度和胞间 CO2浓度进行反演, 其中是以光谱参数PRI［FD732, FD688］), R706, RVI［890, 670］), R690为自变量建立的净光合速率、 蒸腾速率、 气孔导度和胞间CO2浓度反演方程精度最高, 预测R2分别为0.827, 0.810, 0.658, 0.573； RMSE分别为5.466, 2.801, 109.500, 63.500； RE分别为0.041, 0.137, 0.158, 0.021。 表明通过高光谱遥感可以实现棉花黄萎病叶片光合生理参数的提取。

小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别, 对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片, 选取8个不同严重度级别(1%, 5%, 10%, 20%, 40%, 60%, 80%和100%)叶片各30片和健康小麦叶片30片, 利用近红外光谱技术分别获取光谱信息, 共获得270条近红外光谱曲线, 依据小麦叶片条锈病发病程度的不同, 将其分为9个类别。从每个类别中随机选择7~8条光谱曲线作为测试集, 共计67条, 将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比(训练集:测试集)和建模谱区对所建模型识别效果的影响。结果表明, 在4 000～9 000 cm-1谱区范围内, 原始近红外光谱数据经中心化预处理后, 建模比为3∶1时, 采用内部交叉验证法建模, 训练集和测试集的总体识别准确率分别为95.57%和97.01%, 所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的, 为小麦条锈病的监测和评估提供了一种新方法。

为实现对受到小麦条锈病菌侵染而尚未表现明显症状的小麦叶片进行早期检测, 利用近红外光谱技术结合定性偏最小二乘法建立了小麦条锈病潜育期叶片定性识别模型。 获取健康叶片30片、 条锈病潜育期叶片330片(每天取30片, 共11天)和发病叶片30片, 扫描获得其近红外光谱曲线。 采用内部交叉验证法建模, 研究了不同谱区、 建模比(建模集∶检验集)、 光谱预处理方法和主成分数对建模识别效果的影响。 在5 400～6 600和7 600～8 900 cm-1组合谱区内, 建模比为4∶1、 预处理方法为“散射校正”和主成分数为14时, 所建模型识别效果较理想, 建模集的识别准确率、 错误率和混淆率分别为95.51%, 1.28%和3.21%; 检验集的识别准确率、 错误率和混淆率分别为100.00%, 0.00%和0.00%。 结果表明, 利用近红外光谱技术可在接种1天后(即提前11天)识别出健康小麦叶片和受到条锈病菌侵染的小麦叶片, 并且可以识别不同潜育期天数的叶片。 因此, 利用近红外光谱技术对条锈病菌潜伏侵染检测是可行的, 为该病早期诊断提供了一种新途径。

利用近红外光谱技术结合定性偏最小二乘法(DPLS)和定量偏最小二乘法(QPLS)分别实现了小麦条锈病菌和叶锈病菌的定性识别和定量测定。 获取两种锈菌单一夏孢子样品各50个以及条锈病菌纯度为25%～100%的混合样品120个。 采集样品光谱后, 将两类样品均按2∶1的比例分为建模集和检验集, 在4 000～10 000 cm-1内采用内部交叉验证法建模。 散射校正预处理方法下、 主成分数为3时, 定性识别模型的建模集和检验集识别准确率均为10000%。 “极差归一+散射校正”预处理方法下、 主成分数为6时, 定量测定模型建模集的决定系数(R2)、 校正标准差(SEC)、 平均相对误差(AARD)分别为9936%, 231%, 894%, 检验集的R2、 预测标准差(SEP)、 AARD分别为9937%, 229%, 540%。 结果表明, 利用该方法对这两种锈菌定性和定量分析是可行的。 本研究为植物病原菌的定性识别和定量分析提供了一种基于近红外光谱技术的新方法。

为实现小麦条锈病和叶锈病的早期诊断, 利用近红外光谱技术结合定性偏最小二乘法（DPLS）建立了一种鉴别这两种病害的方法。 试验将150片小麦叶片（健康叶片、 条锈病潜育叶片、 条锈病发病叶片、 叶锈病潜育叶片、 叶锈病发病叶片各30片）分为5类, 扫描获得近红外光谱, 建立小麦叶片DPLS近红外光谱鉴别模型。 原始光谱数据经二阶导数处理后, 在4 000～8 000 cm-1范围内, 当利用不同建模比建模时, 建模集的平均识别率为96.56％, 检验集的平均识别率为91.85％, 证明了模型的稳定性。 当建模比为2∶1、 主成分数为10时, 模型识别效果较好, 建模集的识别准确率为97.00%, 检验集的识别准确率为96.00%。 表明应用近红外光谱技术建立的小麦条锈病和叶锈病早期诊断的定性鉴别方法是可行的。

应用混合品种控制小麦条锈病在国内外日益受到重视,通过采集田间不同品种混合小麦条锈病各级病情梯度的高光谱遥感数据,将光谱数据与条锈病病情数据进行相关性分析,利用4个光谱参数构建其与病情指数的回归模型。结果表明,不同小麦品种组合在不同的病情指数情况下,其冠层光谱信息都表现了一致的变化规律;冠层反射率在可见光区与病情指数为正相关,而在近红外区则达到了显著的负相关;利用690与850 nm 处的反射率、SDr、NDVI以及RVI与病情指数构建的回归模型拟合效果较好。研究表明利用高光谱反演条锈病病情指数是可行的,并且小麦不同品种对反演效果影响不大。