快速准确获取水稻种植分布对于制定区域农业生产政策、 保护区域农业稳定具有科学意义。 以风云系列为代表的卫星资料在农业遥感方面已得到了广泛使用， 但目前鲜有基于国产风云遥感数据反演水稻种植空间分布的研究。 为快速准确获取水稻种植分布， 挖掘风云遥感资料在反演水稻种植信息领域的数据价值， 以盘锦市作为实验区域， 开展基于FY-3 MERSI卫星资料的水稻种植空间分布反演。 利用5景2019年研究区域水稻生育期风云三号中分辨率MERSI（Medium Resolution Spectral Imager）光谱成像仪数据计算归一化植被指数（NDVI)、 归一化水体指数（NDWI)、 两者之间的差值(NDWI-NDVI)及比值植被指数(RVI)， 对盘锦市水稻以及其他地物类型（建筑用地、 水体、 自然植被、 天然湿地和旱地）感兴趣区域进行植被指数时序分析， 利用NDVI、 NDWI、 RVI和NDWI-NDVI时间序列曲线确定最佳识别模式及其阈值， 发展水稻种植空间分布遥感反演算法。 首先根据水稻移栽期NDWI-NDVI>-0.14和抽穗期NDWI-NDVI<-0.4对水稻种植分布进行粗提取， 在此基础上依据水稻与其他地物类型NDVI、 NDWI和RVI曲线特征差异对其他地物类型进行掩膜， 得到2019年研究区域水稻种植空间分布。 基于实地调查数据对研究区域水稻种植空间分布反演结果开展验证评价， 总体精度为75%。 基于目视解译的水稻空间分布数据开展验证评价， 总体精度、 制图精度以及用户精度均达到了80%以上， Kappa值为0.61。 研究区域2019年水稻面积为116 618.75 hm2， 与2019年盘锦市统计年鉴公布数据基本一致。 研究表明， 基于风云三号卫星资料反演水稻种植空间分布能够满足区域农作物种植分布遥感监测的要求， FY-3 MERSI遥感数据在农作物种植空间分布提取中具有应用价值。 该研究丰富了农作物种植分布监测的遥感数据源， 对于深入风云卫星资料的实际应用具有重要科学意义。

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。

绿潮是我国近海常见的一种海洋生态灾害。为利用无人机(UAV)RGB光学相机准确高效地监测绿潮, 建立高分辨率RGB光学影像中绿藻快速提取算法, 本文提出了一种新的指数用于增强漂浮绿藻的信号, 即以绿色和红色波段形成一个虚拟基线, 此基线以下蓝波段信号的线高即为红绿波段虚拟基线漂浮绿藻指数(RG-FAH)。此外, 利用不同条件的无人机影像与其他植被指数对比进行验证。试验结果表明, RG-FAH在不同条件下的准确率、kappa等指标都在0.91以上。在正常与过曝光的条件下及提取大面积绿藻斑块时, RG-FAH与绿波段和蓝波段的差值(GB)相当, 但在太阳耀光耐受性和小斑块提取方面比GB及其他指数表现更好。该RG-FAH指数在绿藻及类似的水体漂浮绿色植物的监测方面有应用潜力, 能为绿潮的监测、管理提供有效的信息支持。

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。

草坪色泽是草坪观赏价值的最直接体现。 探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。 以3种常用草坪草种——“红象”高羊茅（Festuca arundinacea cv. Hongxiang）、 “百灵鸟”多年生黑麦草（Lolium perenne cv. Bailingniao）和“肯塔基”草地早熟禾（Poa pratensis cv. Kentucky）为试样, 通过盆栽实验, 在草坪草生长旺盛期, 使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量（SPAD）, 并通过Person相关系数分析了原始SPAD, 1/SPAD和log（1/SPAD）与10个植被指数: GI（绿度植被指数）、 ARVI（大气阻抗植被指数）、 VARI（可视化气压阻抗指数）、 NDVI705（归一化植被指数705）、 MSR705（改进红边比值植被指数）、 NDVI670（归一化植被指数670）、 CI（叶绿素指数）、 PSRI（植被衰减指数）、 RGI（相对绿色指数）和EVI（增强植被指数）的相关性, 筛选与叶绿素相关性较高的高光谱波段植被指数, 构建植被指数反演叶绿素含量模型, 最后通过精度检验, 筛选最优草坪草叶绿素估算模型。 研究结果如下: (1）不同草坪草光谱曲线整体趋势相差不大, 但不同种间反射率（REF）还是有所区别。 在730~1 000 nm波段, “百灵鸟”多年生黑麦草与“红象”高羊茅REF差异不大, 但“肯塔基”草地早熟禾REF较高, 光谱特征更为明显; (2）10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关, 相关系数R2绝对值均大于0.65, 可作为首选植被指数进行草坪草叶绿素含量估算; （3）植被指数与叶绿素指标逐步回归分析发现, 单因素回归模型中, 利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R2均在0.6以上, 普遍高于SPAD与log（1/SPAD）的估算模型; 而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R2同样最高, 为0.817, 说明SPAD倒数形式适用于草坪草叶绿素反演; (4）选择决定系数较高（>0.7）的模型进行精度检验, 筛选的最优的草坪草叶绿素指标反演模型为: y1/SPAD=0.161xRGI+0.007xGI-0.054（R2=0.817, RMSE=0.023）。

氮素与作物的生长发育、 产量和品质密切相关。 作物冠层氮素含量的快速、 准确、 无损检测对于作物营养诊断和长势评估具有重要意义。 传统的氮素检测方法检测周期长、 操作复杂, 同时具有破坏性, 无法实现作物氮素含量在时间和空间上的连续动态监测。 基于光谱遥感技术快速、 无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。 当前的研究大多基于原始光谱或整数阶微分(一阶、 二阶)预处理后的光谱进行氮素含量预测, 原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息, 影响氮素含量的预测准确度。 与原始光谱和整数阶微分方法相比, 分数阶微分算法在背景噪声去除、 有效信息提取等方面较有优势。 为研究分数阶微分预处理算法在作物氮素检测中的应用, 本文以不同施肥处理下的盆栽大豆作物为研究对象, 获取大豆苗期、 花期、 结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据, 运用分数阶微分算法对光谱数据进行0～2阶微分预处理, 微分间隔为0.1, 分别采用归一化光谱植被指数NDSI、 比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析, 得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC, RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合——最优波段组合NDSIα(opt)和RSIα(opt), 采用线性回归方法, 建立各阶微分下NDSIα(opt)与CNC, RSIα(opt)与CNC的预测模型, 并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较, 研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。 结果表明: (1)在0～2阶微分范围内, 最优波段组合NDSIα(opt), RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。 其中, 0.8阶微分下NDSI0.8(R725, R769)与大豆CNC的相关系数最大, 为0.875 9; 0.7阶微分下RSI0.7(R548, R767)与大豆CNC的相关系数最大, 为0.865 1; (2)分数阶微分预处理能够细化光谱数据中的有效信息, 增强光谱数据对冠层氮素含量的敏感性, 尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性; (3)与整数阶微分、 常用植被指数相比, 分数阶微分能够提高大豆CNC预测模型的准确性。 其中, 基于0.7阶微分RSI0.7(R548, R767)建立的大豆CNC预测模型与0阶微分RSI0(R725, R769)相比建模集决定系数(R2C)和预测集决定系数(R2P)分别提高了0.061 9和0.016 6, 建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9, 预测相对偏差(RPD)提高了0.110 4。 基于0.7阶微分RSI0.7(R548, R767)建立的大豆CNC预测模型与VOG II相比R2C和R2P分别提高了0.086 6和0.025 5, RMSEC和RMSEP分别降低了0.757 5和0.248 3, RPD提高了0.146 88; (4)基于0.7阶微分比值光谱指数RSI(R548, R767)建立的大豆LNC预测模型较优, 其R2C为0.748 4, R2P为0.800 3, RMSEC为4.752 9, RMSEP为3.511 1, RPD为2.253 7, 能够较好的估测大豆冠层氮素含量。 研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势, 为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。

叶面积指数(LAI)是目前最常用的农业生态监测指标, 可以为农作物的病虫害监测、 作物长势监测、 碳循环、 生物量估算及作物估产提供依据。 植被指数(VI)是卫星LAI产品生产的重要数据源, 但不同VIs对植被LAI的响应特征具有一定的差异性。 以江西省水稻为例, 基于实测光谱提取了水稻实测VIs, 结合实测LAI, 讨论了归一化植被指数(NDVI)、 增强型植被指数(EVI)、 土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征, 并与MODIS LAI备用算法的计算结果进行了对比分析, 研究了不同VIs用于LAI产品反演的可行性及存在的问题。 通过对不同实测VIs-LAI模型精度的评估, 分析其应用于LAI反演的适应性, 结果显示EVI, SAVI和MSAVI比NDVI有更好的适应性, 其中EVI效果最优。 此外, 通过对比MODIS LAI备用算法查找表, 发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类, 在LAI>4时, NDVI出现饱和; 而实测水稻作物的NDVI在LAI>2时开始出现饱和; 且当NDVI相同时, 查找表LAI远大于实测LAI, MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。 因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差, 有必要改用其他VIs优化该备用算法。 通过对比分析四种VIs模型对LAI的预测误差, 发现EVI, SAVI和MSAVI精度明显优于NDVI, 基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6, 基于实测NDVI反演算法的1/2, 因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。

叶面积指数(LAI)是衡量湿地生态系统健康状况的重要指标.根据鄱阳湖湿地植被生长密集、LAI动态范围大的特点，针对雷达数据的复杂散射机制，利用Freeman-Durden极化分解技术，定义了一种雷达植被指数，并考虑光学植被指数的饱和性，尝试将光学植被指数和雷达植被指数相结合，构建融合植被指数来估算植被LAI.通过实测数据和理论模型模拟数据与LAI的相关性分析，表明融合植被指数能有效地提高与LAI的相关性.利用融合植被指数、光学植被指数、雷达植被指数与LAI构建最佳拟合模型得出：光学微波融合植被指数能更准确地估算鄱阳湖湿地植被LAI.

为准确且无损测定小麦叶片的反射光谱, 研究了不同背景对叶片表面反射光谱的影响, 在400～1 000 nm波段范围测定了小麦叶片8种背景下的反射光谱以及叶绿素含量。 以PLATE模型为基础, 首次提出了BPLT(background plate)模型, 扣除由不同背景导致的叶片反射光谱的变化。 模型以背景下叶片的反射率R0, 不同背景反射率σ为输入, 空气和致密叶片的界面反射比R12, 致密叶片和空气的界面反射比R21, 致密叶片的透射系数τ三参数中间变量, 得到最终无背景时叶片反射率R值的2-3-1模型。 采用方差分析法(analysis of variance, ANOVA)进行了BPLT模型验证, 对比分析了背景扣除前后10种叶绿素指数值的变化。 结果表明, 当反演的确定系数DC(determination coefficients)>0.90且残差平方和SSE<1时, 反演的灵敏度较高, 对小麦叶片不同叶绿素浓度的背景扣除有着较好的效果; 采用BPLT模型背景扣除后, 背景因素所占的百分比低于5%; 优选了NDI&MCARI的函数关系, NDI&MCARI的斜率和叶绿素浓度的R2由背景扣除前的0.847 4提高到背景扣除后的0.977 8。 为真实测定不同背景下小麦叶片的反射光谱提供了依据。