为增强304不锈钢表面性能，利用激光熔覆技术在其表面制备了TiC颗粒增强Fe基复合涂层，研究了激光功率对涂层几何特征、组织特征及硬度的影响规律和原因，引入灰关联分析综合表征熔覆层的组织特征，并推测出激光熔覆过程中TiC颗粒的熔解机制。结果表明，随激光功率的增加，熔覆层高度、气孔率、未熔TiC颗粒含量降低，宽度、深度、稀释率、析出TiC的二次枝晶臂间距增加，析出TiC含量先增加后降低、基体的二次枝晶臂间距先降低后升高且在1800 W时分别达到最高和最低。当激光功率为1800 W时，熔覆层表面成形良好，其组织特征均衡发展且灰关联度达到最大，平均硬度为801.5 HV_0.5，达到基体的4.5倍左右。另外，TiC颗粒在激光熔覆中共有两种熔解机制，其特征分别为由外向内和整体分解，两种机制共同作用导致TiC颗粒的完全熔解。

倒伏胁迫下作物的冠层光谱响应机理解析, 是大范围作物倒伏灾情遥感监测的重要基础。 倒伏胁迫直接改变了遥感光谱探测视场内的可视茎叶穗比率, 通过解析冠层光谱与可视茎叶穗比率间的关系, 探索不同强度的倒伏胁迫下水稻可视茎叶穗组分变化规律及其与冠层光谱响应规律, 为大范围作物倒伏灾情遥感监测提供理论支持。 以2017年江苏省兴化市、 大丰区的实发倒伏水稻为研究对象, 在野外观测实验的支持下, 分析不同倒伏强度的倒伏水稻冠层光谱变化规律, 并对不同倒伏强度下的冠层可视茎叶穗比率与倒伏角度进行相关性分析, 筛选能有效表征倒伏强度的敏感农学参数, 采用灰色关联分析法构建倒伏水稻冠层光谱指标与敏感农学参数之间的响应模型, 实现水稻倒伏灾情的光谱诊断, 并利用野外实测样本评价诊断精度。 研究结果表明, 随着倒伏强度的加大, 冠层光谱表现出规律性变化, 红光波段与近红外波段响应较为明显, “红边”位置明显“蓝移”, 且“红边”振幅与“红边”面积增大, 说明红光波段和近红外波段对水稻倒伏胁迫强度较为敏感; 冠层可视叶茎比存在随倒伏强度增加而减少的规律, 其相关性可达0.715, 说明倒伏后的水稻冠层可视叶茎比对于倒伏强度有着较好的表征能力; 通过对可视叶茎比与冠层高光谱反射率进行相关性分析, 分别于红光波段和近红外波段内筛选出698与1 132 nm作为敏感波段, 进而计算特征植被指数; 利用灰色关联分析构建了基于特征植被指数的水稻可视叶茎比光谱响应模型, 检验样本的决定系数为0.635, 以可视叶茎比预测结果进行倒伏灾情等级划分的精度达到82%。 因此, 倒伏发生后水稻冠层的茎、 叶、 穗等组分在光谱探测器视场中的贡献比例发生了规律性改变, 茎、 叶、 穗本身光谱反射率差异和视场内比率差异直接反映于倒伏水稻冠层光谱差异, 其中可视叶茎比能有效表征受倒伏胁迫的水稻群体结构变化, 与倒伏强度具有较好的响应关系, 不同倒伏强度的可视叶茎比与水稻冠层光谱之间的响应规律可以有效区分倒伏灾情等级, 有助于为区域尺度的水稻倒伏灾情遥感监测提供先验知识。

土壤水分含量(SMC)的快速估测能促进干旱、半干旱地区精准农业的发展。以渭干河-库车河绿洲为研究区,采用小波变换对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,并对原始反射率至最大分解层数以内的各层特征光谱进行9种常规数学变换处理,然后将土壤反射率与SMC进行相关性分析,并从每层特征光谱的各种变换中筛选出相关系数最大的波段,将其作为敏感波段,通过灰色关联分析(GRA)从中筛选出最佳波段组合,利用偏最小二乘回归建立SMC预测模型并进行分析。结果显示:在小波变换过程中,随着分解层数增加,土壤反射率与SMC的相关性呈先增后减的趋势,L6处通过0.01水平下的显著性波段最多, L6的特征光谱在去噪的同时还能最大限度地保留光谱细节,为本研究中的最大分解层;将小波变换和微分变换相结合可以深度挖掘光谱的潜在信息,提高土壤反射率与SMC之间的关联度;根据所有SMC模型的统计参数综合对比分析可以确定基于L-GRA建立的模型精度最优,其建模集均方根误差为0.026,建模集决定系数为0.710,预测均方根误差为0.030,验证集决定系数为0.965,相对分析误差为2.800;小波变换和灰色关联分析的结合在建立模型时能尽可能少地损失光谱细节,较为彻底地去除噪声,同时还能对无信息变量进行有效去除。

尝试应用灰色关联分析方法（GRA）分析典型的水分植被指数（WVI）和水分含量(LWC)间的关联度, 然后选择对冬小麦叶片水含量敏感的指数, 比较SRM-PLS（逐步回归-偏最小二乘）方法和PLS方法估算LWC的精度。 首先, 对冬小麦WVI与LWC进行灰色关联分析, 筛选出对冬小麦LWC敏感的WVI; 其次, 利用筛选出的敏感WVI, 分别用PLS-SRM方法和PLS两种方式估算冬小麦LWC; 然后对两种方式进行比较, 选择最高决定系数（R2）和最小均方根误差（RMSE）的LWC估算模型来估算冬小麦LWC。 结果表明: 在整个生育期用PLS和PLS-SRM方法估算LWC, R2和RMSE分别为0.605和0.575, 4.75%和7.35%。 研究表明: 先使用GRA对WVI和LWC进行关联度分析, 再用PLS或PLS-SRM方法可以提高冬小麦的LWC估算精度。

根据中心像元与周围像元之间的临近像元效应，提出了基于动态规划与灰关联分析的最佳拼接线检测算法。首先利用该算法在要进行拼接的图像中找到一条最佳拼接线，然后利用动态宽度的强制改正方法消除拼接缝效应，实现了图像的无缝拼接。为了验证该方法的可行性与有效性，分别以纹理规则、纹理杂乱、不同时相的三组遥感影像进行了实验。研究结果表明，该算法实现简单，达到了较好的视觉效果。