为提供一种高效、 快速和无损的粳稻叶片氮素含量反演方法, 以粳稻小区试验为基础, 利用高光谱技术和室内化学实验, 获取粳稻分蘖期、 拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据, 分析不同施氮水平的粳稻叶片光谱特征, 采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段, 并将任意两个光谱波段随机组合构建差值植被指数DSI(Ri, Rj)、 比值植被指数RSI(Ri, Rj)和归一化植被指数NDSI(Ri, Rj), 分别将较优的特征波段组合和植被指数组合作为模型输入, 构建BP神经网络、 支持向量机（SVR）和非支配的精英策略遗传算法优化极限学习机（NSGA2-ELM）粳稻叶片氮素含量反演模型, 并对模型进行验证分析。 结果表明: 随着施氮水平的增加, 粳稻叶片近红外波段范围反射率逐渐升高, 在可见光波段范围反射率逐渐降低。 采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段, 其中可见光波段7个, 分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm, 近红外波段仅有1个为999.1 nm, 该方法较好地剔除了干扰信息, 大大降低了波段间的共线性。 同时从三种植被指数（DSI(Ri, Rj), RSI(Ri, Rj), NDSI(Ri, Rj)）与粳稻叶片氮素含量的决定系数等势图中可知, DSI(R648.1, R738.1), RSI(R532.8, R677.3)和NDSI(R654.8, R532.9)与叶片氮素含量相关性最好, R2分别为0.811 4, 0.829 7和0.816 9。 在输入参量不同的建模效果对比分析中, 以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合, R2均大于0.7, RMSE均小于0.57。 而在反演模型间的对比分析中, 提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型, 训练集决定系数R2为0.817 2, 均方根误差RMSE为0.355 5, 验证集R2为0.849 7, RMSE为0.301 1。 鉴于此, random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势, 可为粳稻田间精准施肥提供了参考。

为了明确不同生育时期进行玉米氮素营养诊断的叶片层位, 建立准确稳健的玉米氮素营养诊断模型, 以达到合理追施氮肥, 提高氮肥利用率的目的。 试验采用单因素盆栽试验设计, 以玉米（郑单958）为研究对象, 应用高光谱技术, 分析了不同氮营养水平下不同生育时期不同层位玉米叶片的氮含量分布和变化规律及光谱响应特征; 并依据叶片氮含量与光谱反射率的相关关系, 叶片氮含量与全波段(400～2 000 nm)任意两两波段组合构建的比值光谱指数(RSI)的回归关系, 初步确定了不同生育时期进行氮素营养高光谱诊断的目标叶片, 筛选出最优的比值光谱指数, 建立了叶片氮素含量估算模型。 结果表明: 玉米叶片氮含量: 上层>中层>下层; 随着玉米的生长, 在低氮条件下上层叶片氮含量呈先减少后增加（追肥）再减少趋势, 在高氮条件下呈减少趋势, 中下层叶片氮含量呈递减趋势。 六叶期下层玉米叶片光谱反射率敏感范围较大, 相关性较强; 九叶期和灌浆期上层玉米叶片的光谱反射率敏感范围较广, 相关性较强; 开花吐丝期中层叶片的光谱反射率敏感范围较大, 相关性较强。 六叶期选取下层叶作为诊断目标叶, 选取最佳比值光谱指数RSI(1 811, 1 842)建立线性估算模型, 九叶期和灌浆期选取上层叶片作为诊断目标叶, 选取的最佳比值光谱指数分别为RSI(720, 557), RSI(600, 511)建立线性估算模型, 开花吐丝期选取中层叶片作为诊断目标叶, 选取比值光谱指数RSI(688, 644)建立线性估算模型。 研究结果可为快速准确地利用光谱技术进行玉米叶片氮素营养诊断提供理论依据。

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。

为了探索运用数码照片中光谱(红、 绿、 蓝)的像素计算得到的冠层覆盖度(canopy cover, CC)对玉米长势及氮素营养状态进行非破坏性监测的技术。 通过获取玉米冠层的数码照片图像, 定量化数码照片色彩参数与作物叶面积指数(leaf area index, LAI)、 冠层干重(shoot dry matter weight, DM)、 叶片氮素含量(leaf nitrogen content percentage, N%)之间的关系。 试验于2012年和2013年在中国农业科学院试验田进行, 运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统, 分析了玉米品种中单909在3个氮素水平条件下分别于9叶展时期、 抽雄期和灌浆期的CC、 11种色彩指数与植株LAI, DM, N%及产量之间的相关性, 并对相关性显著的指标进行了拟合与建模。 结果表明, CC与LAI(r=0.93, p＜0.01), DM(r=0.94, p＜0.01), N%(r=0.82, p＜0.01)之间均达到了极显著水平; 用CC估算LAI, DM和N%的模型均为幂函数, 方程式分别是y=3.281 2x0.763 9, y=283.658 1x0.553 6, y=3.064 5x0.932 9; 用与建模相独立的数据对模型验证, 结果表明, CC估算LAI模型的实测值与模拟值基于1∶1直线的R2, RMSE和RE分别是0.996, 0.035和1.46%; CC估算DM模型的R2, RMSE和RE分别是0.978, 5.408 g和2.43%; CC估算N%模型的R2, RMSE和RE分别是0.990, 0.054和2.62%。 综上所述, 模型能够较准确的通过CC估算不同氮肥水平条件下玉米9叶展时期、 抽雄期和灌浆期的LAI, DM与N%, 表明应用数码相机的光谱信息可实现对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。

为了快速、 准确、 直观估测尖椒叶片的营养水平和生长状况, 利用高光谱成像技术结合化学计量学方法对不同叶位尖椒叶片氮素含量(nitrogen content, NC)的分布进行了可视化研究。 按照叶片位置采摘尖椒叶片, 并采集高光谱数据, 然后测定相应叶片的SPAD和NC。 提取出叶片的光谱信息后, 采用Random-frog(RF)算法提取特征波段, 分别选出5条与10条特征波段。 针对选取的特征波段和全波段, 分别建立偏最小二乘回归(partial least squares regression, PLSR)模型, 结果表明采用特征波段建立的PLSR模型性能较好(SPAD: RC=0.970, RCV=0.965, RP=0.934; NC: RC=0.857, RCV=0.806, RP=0.839)。 根据预测模型计算尖椒叶片高光谱图像每个像素点的SPAD与NC, 从而实现SPAD与NC的可视化分布。 事实上叶片的SPAD在一定程度上可以反映含氮量, 二者分布图的变化趋势基本一致, 验证了可视化结果的正确性。 结果表明: 运用高光谱成像技术可以实现对不同叶位尖椒叶片氮素分布的可视化研究, 这为监测植物的生长状况和养分分布提供理论依据。

小麦籽粒蛋白质含量是衡量小麦营养品质的重要指标, 实现小麦品质快速的预测预报对于粮食收购部门和加工企业具有重要意义。 研究基于作物叶绿素/氮素速测仪SPAD及Multiplex 3, 获取冬小麦不同生育期叶片及冠层叶绿素参数, 从小麦个体及群体参量两方面进行冬小麦收获期籽粒蛋白质含量及蛋白产量的预测研究。 试验于2012年4—6月在国家精准农业研究示范基地开展, 研究结果表明, 冬小麦返青至灌浆初期, 小麦冠层氮素密度与籽粒蛋白质含量的相关性优于叶片氮素含量与蛋白质含量的相关性, 灌浆中期两者与籽粒蛋白质含量相关性差别不大; 小麦叶片SPAD值与叶片氮素含量相关性总体优于其与冠层氮素密度的相关性, 而叶绿素荧光参数SFR_G, SFR_R与冠层氮素密度的相关性优于其与叶片氮素含量的相关性; 叶片SPAD与籽粒蛋白质含量的相关性在拔节期最弱, 在灌浆中期最强, 小麦冠层叶绿素荧光参数SFR_G, SFR_R与籽粒蛋白质含量相关性在返青至拔节期不显著, 但孕穗期开始显著相关, 在灌浆中期相关性最强且明显优于同期叶片SPAD与籽粒蛋白质含量的相关性; 冬小麦籽粒蛋白产量与叶片SPAD值在小麦孕穗期至灌浆期显著相关, 与SFR_G和SFR_R在小麦灌浆期显著相关; 研究基于灌浆中期SPAD值及SFR_R值, 构建了冬小麦籽粒蛋白质含量及籽粒蛋白产量的预测模型, 其中, 籽粒蛋白质含量预测模型复相关指数分别为0.426和0.497, 模型标准误差分别为0.060%和0.055%, 籽粒蛋白产量预测模型复相关指数分别为0.366和0.386, 模型标准误差分别为125.367和123.454 kg·ha-1。 研究表明, 利用叶片SPAD值及冠层叶绿素荧光信息, 在小麦收获前进行品质的快速预测是可行的。

以不同施肥水平下两年玉米田间试验为基础, 利用高光谱技术探讨大喇叭口期不同层次玉米叶片光谱响应的敏感区域, 并依据叶片氮素含量与原始光谱反射率及其一阶导数的相关性, 最终构建了叶片氮素含量的预测模型。 结果表明: 不同施肥水平下叶片光谱反射率差别明显区域集中在550 nm附近波段、 761～1 300 nm波段, 不同层次间叶片光谱反射率差别明显区域集中在550 nm附近波段, 叶片氮素含量与470～760 nm波段光谱反射率及其一阶导数呈极显著相关。 经过对比筛选, 以光谱指数DSI(564, 681)和DSI(681, 707)构建的指数预测模型效果最好, 预测精度达93.43%和93.39%, 能有效估测叶片氮素含量。

苹果花氮素含量是反映其质量高低的重要因素, 利用高光谱技术对苹果花氮素含量进行定量化反演, 可为苹果信息化管理提供理论依据。 在室内条件下, 利用ASD FieldSpec 3地物光谱仪, 测定了120个盛花期苹果花样品的高光谱反射率, 并化验了其氮素含量。 在分析苹果花原始光谱和一阶导数光谱特征的基础上, 与其氮素含量进行相关分析, 确定敏感波段, 构建特征光谱参数, 建立氮素含量预测模型, 对模型进行了优选和检验。 结果表明, 苹果花氮素含量与原始光谱反射率在374～696, 1 340～1 890, 2 052～2 433 nm波段呈极显著负相关, 在736～913 nm呈极显著正相关； 与一阶导数光谱反射率在637～675 nm呈极显著负相关, 在676～746 nm呈极显著正相关。 构建的6个特征光谱参数与苹果花氮素含量均呈极显著相关。 通过进一步比较和筛选, 确定了基于640 nm和676 nm原始光谱反射率的2个苹果花氮素含量最佳预测模型。 经检验, 模型决定系数R2分别为0.825 8和0.893 6, 平均预测精度达92.9%和94%。 研究成果为快速预测苹果花氮素含量及苹果的实时营养诊断提供了理论依据和技术支撑。

植物氮素含量与可见光和近红外光反射系数的比具有很好的相关性，因此利用光谱反射系数可以测定植物氮素含量，为合理的施用养分提供依据。详细讨论了所研制的基于LED光源的植物氮素含量光谱探测仪的设计原理和实现方法，对测量结果进行了分析讨论，结果表明研制的双波长植物氮素含量探测仪满足测量要求。