数十年来，遥感技术一直被用作精准农业的重要数据采集工具。根据距离地面的高度，遥感平台主要包括卫星、有人驾驶飞机、无人驾驶飞机系统和地面车辆。这些遥感平台上搭载的绝大多数传感器是成像传感器，也可以安装激光雷达等其他传感器。近年来，卫星成像传感器的发展极大地缩小了基于飞机的成像传感器在空间、光谱和时间分辨率方面的差距。最近几年，作为低成本遥感平台的无人机系统的出现极大地填补了有人驾驶飞机与地面平台之间的间距。有人飞机具有飞行高度灵活、飞行速度快、载荷量大、飞行时间长、飞行限制少以及耐候性强等优势，因此在未来仍将是主要的精准农业遥感平台。本文的第1部分概述了遥感传感器的类型和三个主要的遥感平台（即卫星、有人驾驶飞机和无人驾驶飞机系统）。接下来的两个部分重点介绍用于精准农业的有人机载成像系统，包括由安装在农用飞机上的消费级相机组成的系统，并详细描述了部分定制和商用机载成像系统，包括多光谱相机、高光谱相机和热成像相机。第4部分提供了五个应用实例，说明如何将不同类型的遥感图像用于精准农业应用中的作物生长评估和作物病虫害管理。最后简要讨论了将不同遥感平台和成像系统用于精准农业上的一些挑战和未来的努力方向。
植物表型组学研究正逐渐向综合化、规模化、多尺度和高通量的方向快速发展。本文首先介绍了植物表型研究的最新动向。然后针对室内表型监测平台的特点和各类室内表型针对的表型性状进行了系统介绍，包括产量、品质、胁迫抗性（包括干旱、抗冷热、盐胁迫、重金属和病虫害）等。在此基础上，本文还根据通量、传感器集成度和平台大小等把一些国内外流行的室内植物表型平台进行了分类，并介绍了这些室内表型平台在植物研究中的应用情况。同时，本文还介绍了室内表型数据的管理和解析方法。最后，本文着重讨论了室内表型平台的发展方向，并结合中国植物研究的实际情况对表型组学在中国的发展提出了展望，以期为中国植物表型研究提供指导和建议。
受经济和气候驱动，长江经济带水田空间格局发生了显著变化，影响区域粮食安全与生态安全。本研究基于1990-2015年土地利用遥感监测数据，利用GIS的空间分析功能，探究长江经济带水田空间格局动态变化特征，采用当量因子法计算生态系统服务价值（ESV），分析了水田变化的综合影响。结果表明：1）1990-2015年长江经济带水田规模持续缩减，共减少了17390km2，减幅呈增长态势具有显著地域差异，长江中上游与下游的水田减幅相差约为9.56%。其中下游减幅较大，水田占区域比例随之降低，中上游恰好相反。2）由于经济建设及水产养殖的发展，水田主要转化为建设用地和水系，水田主要由水系、旱地和湿地等转化而来。长江三角洲城市群、长江中游及成渝城市群的水田变化最为剧烈，建设用地侵占水田扩张的现象分布广泛，水田转为水系主要在两湖平原局部地区。3）水田与其他生态系统的转化对ESV是正影响，水田转为水系对此贡献最大，其转化规模决定了不同时期ESV净增量的大小，水系转化为水田损失的价值最多，建设用地侵占水田次之。不同市域的水田变化情况不一致，因此ESV增减情况具有明显差异。4）生态系统服务中水文调节、水资源供给增强的同时，食物生产、气体调节受到严重损害，与水资源规模扩大和水田资源大量流失有直接关系。研究结果有助于揭示长江流域水田的时空变化过程及其对各项生态系统服务的影响，可为区域土地利用规划、农业政策与生态可持续发展提供理论支持。
含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI771,611实现了更好的预测精度（R2=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R2=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。
植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时，常选择前几个主成分（PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率，分别为82.7%和86.5%。与原始PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。
水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括ND528,587、SR440,690、CARI、MCARI的反演结果进行了对比分析，结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R2分别为0.672、0.630、0.595和0.574；ORVI植被所建立的叶绿素含量反演模型的决定系数R2为0.726，均方根误差RMSE为2.68，精度高于其他植被指数，说明了ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（D3P）模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（GAI）、平均倾角（AIA）和散射光截获率（FIPARdif）信息作为真实值,进一步利用上述三维小麦场景开展了虚拟的激光雷达（LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（H）和绿色分数特征（GF）。最后，利用人工神经网络（ANN）算法分别构建了从不同LiDAR点云特征（H、GF和H+GF）输入到FIPARdif、GAI和AIA的反演模型。结果表明，对于GAI、AIA和FIPARdif，预测精度从高到低对应的点云特征输入为GF+H > H > GF。由此可见，H特征对提高目标表型特性的估算精度起到了重要作用。输入GF + H特征，在中等测量噪音（10%）情况下，FIPARdif和GAI的估算均获得了满意精度，R2分别为0.95和0.98，而AIA的估算精度（R2=0.20）还有待进一步提升。本研究基于D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了D3P协助表型算法开发的能力，展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。
为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的MobileNetV3网络，结合关键点预测的目标检测网络（CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet），并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector，SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%；模型体积和帧率分别为14.2MB和8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为CenterNet网络的1/4；相比于SSD网络，所提网络模型的AP提升了3.9%，模型体积降低了84.3%；本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。
水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像，其中480幅作为训练集，50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和GPS 信息，识别彩色图像模型在验证集的正确率为84.7%，识别多光谱图像模型在验证集的正确率为90.5%，模型训练平均时间为4.5h，五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。
准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤，本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型，并通过花球部位黄绿颜色占比判断其新鲜度，实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集；（2）对训练图像进行预处理并输入模型进行分割；（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割，获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型，4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907，相比于传统方法提升了10%-15%，且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时，在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析，其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取，可以为作物田间长势监测研究提供重要参考。
