株高是动态衡量作物健康和整体生长状况的关键指标，广泛用于估测作物的生物学产量和最终籽粒产量。传统的人工测量方式存在规模小、效率低以及耗时长等问题。近十年来，近地遥感技术在农业领域发展迅速，使得高精度、高频次、高效率的作物株高采集成为可能。本文首先回顾了国内外基于遥感手段获取株高研究的论文发表情况；其次对获取株高的不同平台以及传感器的基本原理、优势及其局限性进行了介绍和评述，重点论述了激光雷达和可见光相机两种传感器的测高流程与涉及的关键技术；在此基础上归纳了株高在作物生物量估算、倒伏监测、产量预测和辅助育种等方面的应用研究进展；最后对近地遥感技术在株高获取上存在的问题进行讨论分析，并从测高平台和传感器、裸土探测和插值算法、株高应用研究及农学与遥感测高差异四个方向进行了展望，可为今后近地遥感测高的研究与方法应用提供参考。
植物显微表型主要是指植物组织、细胞和亚细胞水平的表型信息，是植物表型组学研究的重要组成部分。针对传统籽粒显微性状检测方法效率低、误差大且指标单一等问题，本研究利用Micro-CT扫描技术对5种类型11个品种玉米籽粒开展显微表型精准鉴定研究。基于对CT序列图像的处理解析，共获取籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔的34项显微表型指标。其中，胚乳空腔表面积、籽粒体积、胚乳体积比和胚乳空腔比表面积等4项表型指标在不同类型玉米间差异显著（P-value<0.05）。普通玉米胚乳空腔表面积和籽粒体积显著大于其它类型玉米，高油玉米胚乳空腔比表面积最大，甜玉米胚乳空腔比表面积最小，爆裂玉米胚乳体积比最大。进一步利用34项玉米籽粒表型指标开展差异分析和聚类分析，可将11个不同品种玉米分为四类，其中第一类以普通玉米为主，第二类以爆裂玉米为主，第三类是甜玉米，第四类是高油玉米。结果表明，Micro-CT扫描技术不仅可以实现玉米籽粒显微表型的精准鉴定，还可以为玉米籽粒分类、品种检测等提供技术支撑。
利用高光谱技术获取玉米农学参数信息，有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验，获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像，分析不同种植密度下不同遗传材料的叶面积指数（LAI）和单株地上部生物量，构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型，比较分析两类高光谱数据在玉米表型性状参数上的监测能力。结果表明，野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大；同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均为最低。在可见光波段550 nm的波峰处，4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%，在近红外波段870 nm的波峰处，4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好，测试集决定系数R2为0.70，均方根误差RMSE为0.92，相对均方根误差rRMSE为15.94%。敏感波段反射率（839~893 nm和1336~1348 nm）对玉米单株地上部生物量估算效果最佳，测试集R2为0.71，RMSE为12.31 g，rRMSE为15.89%。综上，田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性，能够快速有效地提取地块尺度玉米农学参数信息，本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。
准确获取作物冠层生化信息对监测作物生长和指导精准施肥具有重要意义。现有的作物生化参数的垂直分布研究以高光谱遥感反演为主，缺乏与光合生理的联系。本研究主要探究了不同氮素处理水平下油菜苗期冠层内的叶绿素、类胡萝卜素、干物质和水分等生化参数的垂直分布变化特性，同时利用快速叶绿素荧光技术测定了叶片的光合性能，并通过线性回归分析和主成分分析进一步剖析了荧光响应与生化参数的内在联系。试验结果表明：（1）苗期中期油菜冠层的叶绿素含量、类胡萝卜素含量、干物质和水分含量均呈抛物线型的非均匀垂直分布，而叶绿素与类胡萝卜素的比值具有与其他生化参数不同的垂直分布模式，其随着叶位升高和施氮量的增加逐渐下降，与推动力DFTotal、电子链末端量子产额φRo等荧光参数的垂直分布模式相同；（2）荧光参数，特别是DFTotal，对油菜叶片叶绿素与类胡萝卜的比值、叶绿素和干物质含量具有较强的评估能力；（3）缺氮会降低苗期油菜叶片的光系统I和II（PSI和PSII）性能，通过最大光化学效率φPo等荧光参数可对氮素胁迫进行诊断；而不同叶位叶片在PSI性能即电子末端传递效率上具有显著差异，通过DFTotal可有效表征冠层生化参数的垂直异质性。上述结果表明，应用快速叶绿素荧光技术对作物进行生化信息的垂直异质性监测具有可行性，可为指导精准施肥和提高优质优产提供新思路和技术支撑。
当前，能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象，采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据，针对棉花植株主干的几何特性，利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取，并对剩余的点云进行区域增长聚类，实现各叶片的分割；在此基础上，完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据，采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时，对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据，分别完成了主干提取、叶片分割，以及表型参数测量和动态量化。试验结果表明，本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0；同时，本研究实现了棉花表型参数的动态量化过程，为三维表型技术的实现提供了一种有效的方法。
针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题，提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法。首先通过边连接操作建立玉米植株点云无向图，利用法向量差异计算边权值，并采用谱聚类方法将植株点云分解为多个超体素子区域；随后结合主成分分析方法和点云直线特征提取植株顶部的子区域；最后利用玉米植株点云的平面局部特征在顶部子区域中识别雄穗点云。对3种点云密度的15株成熟期玉米植株点云进行测试，采用F1分数作为分割精度判别指标，试验结果与手动分割真值相比，当点云密度为0.8、1.3和1.9个点/cm时，雄穗点云分割的平均F1分数分别为0.763、0.875和0.889，分割精度随点云密度增加而增高。结果表明，本研究提出的基于超体素聚类和局部特征的玉米植株点云雄穗分割方法具备在玉米植株点云中提取雄穗的能力，可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。
针对柚子果形和尺寸分级依赖人工经验判断的现状，本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法。以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置，获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据。选择G-B分量灰度图像进行去噪与分割，利用Laplacian算子边缘检测算法提取果实的边缘像素，采用多项式拟合方式完成直角坐标向极坐标的转换从而简化果形描述，利用特征点极角值补偿样本纵横径的随机方向，继而区别类球形和类梨形两种类型计算柚子的纵径和横径。以广东梅州沙田柚为对象进行试验，结果表明，利用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法的方法检测柚子纵径的平均绝对误差、最大绝对误差和平均相对误差分别为2.23 mm、7.39 mm和1.6%，横径的平均绝对误差、最大绝对误差和平均相对误差分别为2.21 mm、7.66 mm和1.4%。从柚子轮廓极坐标的拟合函数中提取3个峰值高度、3个波峰宽度和1个波谷值差值7个特征值，利用BP神经网络算法建立柚子果形判别模型并用独立验证集进行验证，形状判别的总识别率为83.7%。本方法能为柚子尺寸和形状的自动化检测与分级提供快速无损方法。
