高光谱遥感是目前农作物研究的重要技术手段。为促进农作物生长周期的健康发展和基础研究，提高遥感技术在农作物研究中的应用水平，笔者概述了高光谱遥感在农作物研究中的分析算法，重点讨论了高光谱遥感在农作物长势、农作物信息监测和农作物信息提取方面的研究进展。针对目前仍需深入开展的叶面积指数、生物量估算、氮素监测、叶绿素监测、病虫害监测、重金属监测、农作物碳氮比和水分含量等研究进行了系统综述。分析结果表明，在农作物研究中高光谱遥感技术与人工智能的结合已初见成效，但仍难以满足现代农业的智能化需求，若与新一代信息技术和大模型集成交叉将发挥巨大的研究潜力。

综述了国内棉花氮营养诊断和推荐施氮的研究进展，主要包括土壤矿质氮测定、叶绿素仪速测、叶柄硝态氮测定、数字图像分析、遥感与光谱分析、氮临界浓度稀释模型等。新疆棉区的文献报道居多，但此类研究缺乏持续性和协同性，有待加强协同攻关。

The accurate and nondestructive assessment of leaf nitrogen (N) is very important for N management in winter wheat fields. Mobile phones are now being used as an additional N diagnostic tool. To overcome the drawbacks of traditional digital camera diagnostic methods, a histogram-based method was proposed and compared with the traditional methods. Here, the field N level of six different wheat cultivars was assessed to obtain canopy images, leaf N content, and yield. The stability and accuracy of the index histogram and index mean value of the canopy images in different wheat cultivars were compared based on their correlation with leaf N and yield, following which the best diagnosis and prediction model was selected using the neural network model. The results showed that N application significantly affected the leaf N content and yield of wheat, as well as the hue of the canopy images and plant coverage. Compared with the mean value of the canopy image color parameters, the histogram could reflect both the crop coverage and the overall color information. The histogram thus had a high linear correlation with leaf N content and yield and a relatively stable correlation across different growth stages. Peak b of the histogram changed with the increase in leaf N content during the reviving stage of wheat. The histogram of the canopy image color parameters had a good correlation with leaf N content and yield. Through the neural network training and estimation model, the root mean square error (RMSE) and the mean absolute percentage error (MAPE) of the estimated and measured values of leaf N content and yield were smaller for the index histogram (0.465, 9.65%, and 465.12, 5.5% respectively) than the index mean value of the canopy images (0.526, 12.53% and 593.52, 7.83% respectively), suggesting a good fit for the index histogram image color and robustness in estimating N content and yield. Hence, the use of the histogram model with a smartphone has great potential application in N diagnosis and prediction for wheat and other cereal crops.

【目的】便捷准确地诊断作物氮素营养状况是实现作物精准施肥和氮肥资源合理利用的关键。近年来应用数码相机等工具进行作物营养诊断的研究受到广泛关注。本研究采用智能手机相机获取玉米冠层图像，建立完善的基于手机相机的氮素营养诊断技术，并比较传统的图像均值方法和直方图方法对氮素营养诊断的可靠性，以探明夏玉米氮素营养诊断的最佳适用模型。【方法】基于田间氮肥用量试验，采用智能手机相机获取夏玉米拔节期冠层图像，提取夏玉米冠层图像的G/R、G/B、NRI [R/(R+G+B)]、NGI [G/(R+G+B)]、NBI [B/(R+G+B)]和(G-R)/(R+G+B) 6种颜色指数均值及直方图敏感区间，分别建立冠层图像色彩参数均值模型与直方图模型，分析其与玉米叶片含氮量和产量的关系。利用决定系数（R²）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）对比不同指数模型模拟估算玉米叶片含氮量和产量的稳定性和准确性，建立基于手机相机获取夏玉米冠层图像的氮素营养诊断模型。【结果】施氮量显著影响玉米叶片含氮量、产量及冠层图像色调和植被覆盖度。直方图波峰b随叶片含氮量的增加而发生变化，相较于冠层图像色彩参数指数均值方法，指数直方图法适用于不同品种的氮素诊断。色彩参数(G-R)/(R+G+B)直方图可以更好地反映作物覆盖率及整体颜色信息，指数直方图与玉米叶片含氮量和产量也呈现较好的相关性。基于神经网络模型验证数据集精度评价指标，指数直方图模型中玉米叶片含氮量和产量的MAPE值和RMSE值均低于指数均值模型，R²达到0.753，大于指数均值模型。指数直方图模型验证结果MAPE值达到5.80%，RMSE值为0.07，估算精度高，泛化性强。结果表明，冠层图像色彩参数指数直方图在估算叶片含氮量和产量时具有更高精度和更强鲁棒性，能够有效利用玉米叶片覆盖度、颜色等特点，具有较好的稳定性。【结论】bbbbb利用智能手机相机获取玉米冠层数字图像，结合冠层图像色彩参数直方图方法建立的神经网络模型具有较好的应用效果，提高了估测精度，作为一种新方法在玉米氮素营养快速无损诊断和精准施肥中具有较好的应用潜力。

为探究无人机可见光遥感技术快速、无损监测马铃薯氮素营养的可能性，于2020—2022年在贵州省威宁县开展马铃薯不同氮肥梯度大田试验，设置7个氮素水平（0、60、120、180、240、300和360 kg·hm^-2），利用无人机搭载可见光传感器获取不同年份马铃薯块茎形成期冠层RGB高清影像，并同步测定马铃薯地上部氮素含量、生物量和氮素累积量等氮素营养指标，以2020—2021年数据作为建模数据，以2022年数据作为验证数据，建立氮素营养指标估测方程模型并绘制实测值和预测值的1∶1线性关系图。结果表明，与其他冠层光谱参数相比，红光和蓝光比值（R/B）能更好地表征马铃薯氮素营养指标，其与地上部氮素含量、生物量、氮素累积量的相关性均达到极显著水平（P<0.01），其中二次函数模型相关性均优于其他函数模型。利用2022年相同独立试验验证该模型准确性，地上部氮素含量、生物量、氮素累积量实测值与预测值的决定系数（R²）分别为0.949、0.977、0.977，均方根误差（RMSE）和相对误差（MRE）分别为0.368、0.149、0.073和10.42%、6.05%、8.85%，表明模型预测精度较好。综上，无人机可见光遥感可用于马铃薯氮素营养的评估预测，块茎形成期最佳预测参数为R/B，二次函数模型为最佳预测模型。本研究为马铃薯氮素营养无损评估预测提供了理论与实践依据。

利用无人机采集影像进行田块尺度的作物氮素含量估算，因其具有无破坏性、时效性强等优势而备受关注。东北黑土区作为我国重要的粮食主产区，精准获取作物的氮素含量对国家粮食安全具有重要意义。研究基于玉米拔节期、吐丝期和成熟期的无人机高光谱影像，提取22种窄波段光谱指数，通过逐步回归方法对黑土区玉米叶片的氮素含量（Leaf Nitrogen Content， LNC）进行定量估算。结果表明：本研究中3个生育期的玉米LNC估算模型均具有较高的估算精度，其中拔节期的估算精度最高，其决定系数（R²）、均方根误差（RMSE）、归一化均方根误差（nRMSE）分别为0.76、0.31%、0.15%；吐丝期的估算精度最低，相应的3个指标分别为0.33、0.27%、0.19%。通过逐步回归模型筛选出在各生育期指示作用较强的光谱指数，拔节期为VARI（Vegetation Atmospherically Resistant Index）、DDI（Desertification Difference Index）、EVI（Enhanced Vegetation Index）；吐丝期为MTCI（MERIS Terrestrial Chlorophyll Index）、SIPI（Simple Insensitive Pigment Index）；成熟期为EVI（Enhanced Vegetation Index）、CCI（Canopy Chlorophyll Index）、NDVI（Normalized Difference Vegetation Index）。最终，利用在玉米各生育期估算精度最高的模型获得玉米叶片氮素含量的空间分布图，其空间分布特征与玉米LNC实测情况相一致，而氮肥施用量对不同田间处理的小区间玉米LNC的影响较大。综上，本研究结果可为东北黑土区玉米叶片氮素含量的无损、快速、动态监测提供数据基础与决策支持。

作物冠层氮素营养的遥感诊断对指导作物精准施氮, 提高作物氮效率和产量具有重要意义。本研究针对玉米冠层纵深大影响无人机估算氮浓度精度的问题, 基于2022年和2023年不同氮肥运筹处理下田间无人机多光谱数据和氮浓度实测数据, 分析玉米冠层氮浓度空间分布特征, 并利用随机森林算法确定估算冠层氮浓度的有效叶层。进一步结合随机森林算法和多光谱植被指数构建有效叶层氮浓度估算模型, 最终将有效叶层氮浓度转换到冠层尺度实现冠层氮浓度的估算。结果表明: (1) 九叶展期和大喇叭口期玉米冠层氮浓度表现为上层叶片>中层叶片>下层叶片, 吐丝期和乳熟期表现为中层叶片>上层叶片>下层叶片。(2) 各时期估算冠层氮浓度的有效叶层分别为下层、中层、中层和中层。与支持向量回归模型相比, 随机森林回归估算冠层氮浓度的精度较高。(3) 结合随机森林算法, 基于有效叶层氮浓度估算冠层氮浓度的平均RMSE、NRMSE和MAE分别为0.10%、4.41%和0.07%, 而直接基于植被指数估算冠层氮浓度的平均RMSE、NRMSE和MAE分别为0.19%、9.00%和0.15%。综上, 玉米冠层氮浓度存在空间分异特征, 估算冠层氮浓度时考虑基于随机森林和植被指数估算的有效叶层氮浓度能明显提高冠层氮浓度的估算精度。本研究确定的考虑空间分异的冠层氮浓度估算框架可为玉米氮素营养实时诊断提供理论支撑。

【目的】叶面积指数（leaf area index，LAI）是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型，明确不同生育期间棉花LAI估测模型变化规律，为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数（NDVI）、绿度归一化差植被指数（GNDVI）、归一化差红边指数（NDRE）、叶片叶绿素指数（LCI）、优化的土壤调节植被指数（OSAVI）5种多光谱指数和修正红绿植被指数（MGRVI）、红绿植被指数（GRVI）、绿叶指数（GLA）、超红指数（EXR）、大气阻抗植被指数（VARI）5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合，结合打孔法获取地面LAI实测数据，使用机器学习算法中偏最小二乘（PLSR）、岭回归（RR）、随机森林（RF）、支持向量机（SVM）、神经网络（BP）构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势，现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧（P<0.05）；选择的指数在各时期彼此间均呈显著相关（P<0.05），总体而言，多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势，选择的指数在各时期均与棉花LAI相关性显著（P<0.05），多光谱指数相关系数介于0.35—0.85，颜色指数相关系数介于0.49—0.71，相关系数绝对值较大的指数多为多光谱指数，颜色指数与棉花LAI的相关系数绝对值较小；估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数，且各指数模型预测性能随着生育期的变化呈现一定规律性，NDVI是预测棉花LAI的最优指数。从模型结果上看，RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高，最优模型验证集R²为0.809，MAE为0.288，NRMSE为0.120。多生育期最优模型验证集R²为0.386，MAE为0.700，NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中，RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好，是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降，最优指数为GNDVI，最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。