遥感技术已在农业领域较为广泛成功地应用。农业遥感在作物长势监测、灾害监测、作物产量和品质估测、对象的识别和信息提取等方面有重要的意义。与此同时，高通量表型信息获取以及图像处理、表型信息分析技术的提高，促进了表型组学的发展，推动了农业的跨越式发展。为集中报道国内外在农业遥感和表型获取分析领域取得的进展，《智慧农业（中英文）》期刊在本期出版“农业遥感与表型信息获取分析”专题。此专题共包括10篇论文，其中2篇综述性论文，8篇研究性论文，作者来自于中国、美国、英国、法国等4个国家。论文聚焦农业遥感与表型领域的机载成像系统应用、遥感监测、农学参量反演、表型检测识别、深度学习等热点话题。
杨成海介绍了用于精准农业的有人机载成像系统，描述了部分定制和商用机载成像系统，并讨论了将不同遥感平台和成像系统用于精准农业上的挑战和未来方向。
徐凌翔等介绍了世界上植物表型研究的最新动向，系统地阐述了室内表型监测平台的特点和各类室内表型性状，分类介绍了室内植物表型平台，并着重讨论了其发展方向。
刘园等基于1990-2015年土地利用数据，利用GIS空间分析，探究了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了生态系统服务价值，最后分析了水田变化的综合影响。
万亮等利用无人机低空遥感平台获取了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。
付元元等针对光谱PCA主成分特征难以保证较高的遥感类别可分性及精度问题，提出了一种基于分散矩阵选择PCA混合光谱特征的提取方法，采用AVIRIS机载高光谱数据验证此法具有更高类别可分性和精度。
于丰华等通过分析寒地水稻关键生育期叶片高光谱反射率信息，结合PROSPECT模型叶绿素含量吸收系数，利用红边优化指数进行叶绿素含量反演，精度比其它植被指数的反演精度更佳。
刘守阳等利用数字化植物表型平台D3P模拟生成小麦5个生育期的三维冠层场景，基于LiDAR模拟的点云数据和人工神经网络算法构建了冠层光截模型。
夏雪等通过改进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，并对比了模型CenterNet和经典SSD网络在检测精度、模型容量和运行速度等方面的综合性能。
吴刚等用无人机在田间上空采集玉米多光谱图像，基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型，向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出了适合于RGB图像和多光谱图像的玉米植株营养状况等级识别模型。
周成全等对深度残差网络ResNet进行改进得到了一种新型的西兰花花球分割模型，实现了低成本高效准确地提取西兰花表型信息。
我们对所有为专题提交论文的作者表示深切的感谢。我们也感谢所有的专题审稿人，在百忙之中抽出宝贵时间负责任地完成审稿工作，通过他们的严格审查、及时的回应以及专业和建设性的意见，最终帮助我们完成了组稿和评审把关。最后特别感谢《智慧农业（中英文）》的编辑团队，在他们的努力推动下，使得这个专题得以顺利出版。
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。
植物化学保护即使用植保机械喷施化学农药是当前最主要的病虫害防控方法，一直以来对保障农业生产安全与粮食有效供给起至关重要作用。能够实现按需精准施药、变量施药、人机分离与人药分离的高效、精准、智能的施药技术和装备是提高农药药效与利用率的保证，也是保障食品安全、降低农民劳动强度的重要措施，是目前国内外研究的热点。本研究对精准施药关键技术及研究现状进行了分析，对适用于不同作业场景的精准施药装备的研究现状、典型代表、应用进展等进行了分类总结，分析了目前精准施药发展中面临的挑战，并提出了对策和建议。本研究可为精准施药技术研究的推进、智能施药装备的研发和现代化农业的发展提供参考和思路。
农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程，是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用，促进农业模型进一步研究及应用，推动智慧农业健康、稳定和可持续发展，本研究采用系统分析、比较及关系框图等方法，分析了农业模型的内涵，阐述了农业模型和智慧农业要素与过程的关系，明确了农业模型的作用并附以应用案例，比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明，农业模型研究应用需要考虑农业生物要素的4个水平、农业环境要素的6个尺度、农业技术与农业经济要素的6个层次并采用相应方法进行，农业模型环境要素空间多尺度研究应用有较大发展潜力；农业模型与分子遗传学、感知技术及人工智能技术结合，农业模型研究应用的公私有组织协作，粮食安全挑战将成为农业模型进一步发展的重要推动力，且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列，也融入农业模型的互比较与改进、智慧农业等世界潮流，需要抢抓机遇，加快发展。农业模型是农业系统要素内及要素间关系的定量化表达，是农业科学定量与综合的重要方法，具有认识论价值，它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用，成为信息农业技术落地应用的重要桥梁和纽带。
纳米材料具有特殊的尺寸效应和优异的光电性质，已在传感分析中得到高度重视和广泛应用，大幅提高了传感分析技术的性能。近年来，智慧农业发展迅速，农产品质量安全作为农业生产的重要组成部分，对农业传感技术的灵敏度、稳定性和检测通量等指标要求越来越高。本综述简要阐述了几种常用的纳米材料的性质和特点，包括碳基纳米材料、金属纳米材料和金属-有机框架材料等。重点论述了基于纳米材料的化学传感、生物传感、电化学传感和光谱传感等常用传感分析技术和器件，以及纳米传感分析技术在农产品质量安全，尤其在克伦特罗和三聚氰胺等危害物,甲硝唑、二噁英类化合物,违禁添加物,真菌毒素，锌、镉、铅等目标物，丙烯酰胺、呋喃类、硝基呋喃类抗生素监测等方面的应用。纳米材料的制备和修饰技术扔需要进一步提升，多目标、高通量纳米传感器件在实际应用中的价值广受关注，在线传感分析在农产品质量安全智慧监控方面有迫切需求需要快速、实时、在线监测。
太阳能杀虫灯物联网（SIL-IoTs）是一种基于农业场景与物联网技术的新型物理农业虫害防治工具，通过无线传输太阳能杀虫灯组件状态数据，用户可后台实时查看太阳能杀虫灯运行状态，具有杀虫计数、虫害区域定位、辅助农情监测等功能。但随着SIL-IoTs快速发展与广泛应用，故障诊断难和维护难等矛盾日益突出。基于此，本研究首先阐述了SIL-IoTs的结构和研究现状，分析了故障诊断的重要性，指出了故障诊断是保障其可靠性的主要手段。接着介绍了目前太阳能杀虫灯节点自身存在的故障及其在无线传感网络（WSNs）中的体现，并进一步对WSNs中的故障进行分类，包括基于行为、基于时间、基于组件以及基于影响区域的故障四类。随后讨论了统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法等目前主要使用的WSNs故障诊断方法。此外，还探讨了SIL-IoTs故障诊断策略，将故障诊断从行为上分为主动型诊断与被动型诊断策略，从监测类型上分为连续诊断、定期诊断、直接诊断与间接诊断策略，从设备上分为集中式、分布式与混合式策略。在以上故障诊断方法与策略的基础上，介绍了后台数据异常、部分节点通信异常、整个网络通信异常和未诊断出异常但实际存在异常四种故障现象下适用的WSNs故障诊断调试工具，如Sympathy、Clairvoyant、SNIF和Dustminer。最后，强调了SIL-IoTs的特性对故障诊断带来的潜在挑战，包括部署环境复杂、节点任务冲突、连续性区域节点无法传输数据和多种故障诊断失效等情形，并针对这些潜在挑战指出了合理的研究方向。由于SIL-IoTs为农业物联网中典型应用，因此本研究可扩展至其它农业物联网中，并为这些农业物联网的故障诊断提供参考。
随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况；（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。
溶解氧含量的测量对水产养殖具有极其重要的意义，但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题，难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理，利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜，经激发光照射后产生红色荧光，该荧光寿命可由溶解氧浓度调节；然后利用光信号敏感器件设计光电转化电路实现光信号感知；再以STM32F103微处理器作为主控芯片，编写下位机程序实现激发光脉冲产生，利用相敏检波原理以及快速傅里叶变换（FFT）计算激发光与参照光的相位差，进而转化为溶解氧浓度，实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想，利用屏蔽排线直接插拔连接，便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试，本溶解氧传感器的测量范围是0~20 mg/L，响应延迟小于2 s，溶氧敏感膜使用寿命约1年，可以实时不间断地对溶解氧浓度进行测量。同时，本传感器具有测量方便、制作成本低、体积小等特点，为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。
土壤养分作为农业生产的重要指标，含量过少会降低农作物产量，过多则会造成环境污染。因此，快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分，但检测过程中土壤的取样及预处理过程繁琐、操作复杂、费时费力，不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱，提出了一种土壤养分主动式近场遥测方法，可有效避免土壤反射自然光的干扰。该方法使用波长范围1260~1610 nm的8通道窄带激光二极管作为近红外光源，通过测量8通道激光光束的土壤反射率，建立土壤养分中氮（N）关于土壤反射率的计量模型，实现了N的快速检测。在74组已知N含量的土壤样品中，选取54组作为训练集，20组作为预测集。基于一般线性模型，对训练集中土壤N含量与土壤反射率的定量化参数进行训练，筛选显著波段后的计量模型R2达到0.97。基于建立的计量模型，预测集中土壤N含量预测值与参考值的决定系数R2达到0.9，结果表明该方法具有土壤养分现场快速检测的能力。
本研究针对农机管理实时数据少、农机实时作业监管困难、服务信息不对称等问题，首先提出专业化远程管理平台设计时应具有五大原则：专业化、标准化、云平台、模块化以及开放性。基于这些原则，本研究设计了基于大田作业智能传感技术、物联网技术、定位技术、遥感技术和地理信息系统的可定制化的通用农机远程智能管理平台。平台分别为各级政府管理部门、农机合作社、农机手、农户设计并实现了基于WebGIS 的农机信息库及农机位置服务、农机作业实时监测与管理、农田基础信息管理、田间作物基本信息管理、农机调度管理、农机补贴管理、农机作业订单管理等多个实用模块。研究着重分析了在当前的技术背景下，平台部分关键技术的实现方法，包括采用低精度GNSS定位系统前提下的作业面积的计算方法、GNSS定位数据处理过程中的数据问题分析、农机调度算法、作业传感器信息的集成等，并提出了以地块为核心的管理平台建设思路；同时提出农机作业管理平台将逐步从简单作业管理转向大田农机综合管理。本平台对同类型管理平台的研发具有一定的参考与借鉴作用。
为解决农场当地当时的复合肥料精准化配料问题，本研究将水肥一体化智能灌溉施肥系统作为研究对象，构建了水肥浓度智能感知与精准配比系统。首先提出现场在线水肥溶液智能感知模型的快速建立方法，利用数据分析算法从传感器实时监测的一系列浓度梯度的肥料溶液中挖掘出模型。其次基于上述模型设计水肥浓度智能感知与精准配比系统的框架结构，阐述系统工作原理；并通过三种水体模拟在线配肥验证了该系统原位指导水肥浓度配比的有效性，同时评价了水体电导率对水肥配比浓度的干扰。试验结果表明，正则化条件下二阶的多项式拟合曲线是表达溶液电导率与水肥浓度的变化关系最优的模型，相关系数R2均大于0.999，由此模型可得出用户关心的复合肥各指标浓度。三种水体模拟在线配肥结果表明，水体会干扰电导率导致无法准确反演水肥配比的浓度，相对偏差值超过了0.1。因此，本研究提出的在线水肥智能感知与精准配比系统实现了消除当地水体电导率对水肥配比准确性的干扰，通过模型计算实现复合肥精准化配比，并得出各指标浓度。该系统结构简单，配比精准，易与现有水肥一体机或者人工配肥系统结合使用，可广泛应用于设施农业栽培、果园栽培和大田经济作物栽培等环境下的精准智能施肥。
光是植物进行光合作用的主要能量来源，光照好坏直接影响作物的产量和品质。本研究针对现有植物补光系统多以功能叶光合能力为基准进行冠层补光，导致冠层新生叶光抑制、株间功能叶位补光不足以及补光位置不能适应作物生长进行动态调整的问题，以黄瓜为研究对象，设计了一种基于植株需光差异特性的设施黄瓜立体光环境智能调控系统。该系统由智能控制子系统、冠层-株间LED补光子系统、冠层-株间环境监测子系统和补光灯升降子系统组成，通过ZigBee技术实现各子系统间无线通信。其中冠层-株间环境监测子系统分别获取冠层和株间环境信息并发送至智能控制子系统，智能控制子系统根据环境实时信息调用冠层调控模型和株间适宜叶位调控模型获得相应调控目标值，并将其下发至冠层-株间补光灯，实现冠层与株间补光灯的动态实时调控。在陕西省泾阳县蔬菜产业综合服务区蔬菜基地分别部署立体补光设备和传统冠层补光设备，并进行系统调控效果验证试验。结果表明，立体补光区黄瓜植株的株高和茎粗显著增长，其中相比传统冠层补光区平均株高、茎粗分别增长了8.03%和7.24%，相比自然处理区平均株高、茎粗分别增长了26.51%和36.03%；在一个月的采摘期内，立体补光区相比传统冠层补光区和自然处理区产量分别提升了0.28和1.39 kg/m2，经济效益分别增加了2.82和4.88 CNY/m2，说明立体光环境调控系统能够提高经济效益，具有应用推广价值。
目前，针对蜂群发生崩溃式消失的现象还缺乏有效的观测和分析手段。本研究在分析蜂群行为与检测特征的基础上，设计了一种基于物联网技术的蜂群多特征长期监测系统。该系统采用太阳能供电，融合了多种传感器，能够检测蜂群的多个特征（蜂箱内部的温度、湿度、蜂群重量、声音和蜜蜂的进出量），并利用无线数据同步传输技术将这些数据上传到远程云服务器中。基于该系统，本研究还进行了针对意大利蜜蜂从2018年秋季到2020年春季为期235天的长期连续监测试验，记录了蜂群在秋衰期、越冬期和春繁期蜂箱内部温度、湿度、蜂群重量、声音和进出量的逐小时的细致变化。试验结果表明，在此期间，蜂箱内的平均温度呈现从25℃下降到-5℃再回升至15℃的抛物线变化，相应的进出巢次数也由大约8万次/天减少至0次/天再增加至5万次/天。在越冬期中，蜂群的重量呈现出大约25 g/天的线性下降趋势，同时蜂箱内也更为安静，声音的频率集中于0~64 Hz。由此表明，在不干扰蜂群的情况下，该监测系统获得的特征数据能够有效地揭示蜂群的日常活动和趋势变化，可用来研究蜂群的行为生物学、探索崩溃式的蜂群消失成因以及发展精确化蜜蜂养殖业。
随着信息技术的发展，利用大数据分析、物联网监控、传感器感知、无线通信等技术构建一种蜂箱蜂群实时在线监测系统，是减少因开箱检查造成蜂群应激反应的可行解决方案。本研究针对蜂箱封闭环境进行实时监测困难的现状，利用STM32F103VBT6 32位微控制器，同时融合了温湿度传感器、微麦克风以及激光对射传感器，开发了一套低功耗、可连续工作的蜂群箱体关键参数在线监测系统，实现了养蜂生产过程中多参数信息获取以及蜂箱内蜂群的环境参数和生活状态的实时在线监测。系统主要包括核心处理模块、数据采集模块、数据发送模块以及数据库服务器等。数据采集模块包括蜂箱内部温湿度采集单元、蜂群声音采集单元、蜜蜂进出巢数量计数单元等，通过接入移动通信网络进行数据传输。系统现场部署性能测试结果表明，研制的系统能够实时监测蜂箱内温湿度，有效区别进出蜂箱的蜜蜂并记录进出巢门的蜜蜂数量，且自动获取的蜂群声音与标准的蜂群声音分布相吻合。本系统符合设计要求，采集参数准确可靠，可以作为蜂群相关研究的数据采集方法。
针对温室番茄智能化管理需要，研究茎秆、叶片和绿果等3类相近色目标的多波段图像融合方法，以凸显目标与背景亮度差异，提高目标视觉识别效率。根据其各自在300~1000 nm范围的反射光谱特征差异，建立了针对其光谱数据分类的Lasso正则化逻辑回归模型。基于模型的稀疏解特征，确定具有较大权值系数的450、600和900 nm等3个波段作为最优成像波段，在此基础上构建了温室番茄植株多波段图像在线采集系统。结合最优成像波段下相近色目标图像特征分析，提出了基于NSGA-II的多波段图像加权融合方法，以增强特定目标与近色背景物体的图像亮度差异。最后通过现场试验对多波段图像融合效果进行评估。结果表明，分别以茎秆、叶片和绿果器官作为识别目标，通过多波段图像融合处理后，目标与背景之间的图像灰度差异绝对差值相应达到单波段图像的2.02、8.63和7.89倍，即被识别目标与其他近色背景的亮度差异显著增强，且背景物的亮度波动得到抑制。本研究结果可以为农业环境近色目标视觉识别相关研究提供参考。
叶片湿润时间（LWD）是植物病害模型的重要输入变量之一，它与许多叶部病原菌的侵染有关，影响病原侵染和发育速率。为了准确地预测日光温室黄瓜病害的发生时间和方位，本研究于2019年3月和9月在北京两个不同类型日光温室内按照棋盘格法设置了9个采样点部署温湿光传感器和目测叶片湿润时间，每隔1 h采集一次温度、湿度、辐射和叶片湿润数据进行定量估算分析。分析结果表明：BP神经网络模型在两个温室的试验条件下获得了相似的准确度（ACC为0.90和0.92），比相对湿度经验模型估算叶片湿润时间的准确度（ACC为0.82和0.84）更高，平均绝对误差MAE分别为1.81和1.61 h，均方根误差RSME分别为2.10和1.87，决定系数R2分别为0.87和0.85；在晴天和多云天气条件下，叶片湿润时间的空间分布总体规律是南部＞中部＞北部，南面是叶片湿润平均时间（12.17 h/d）最长的区域；由东向西方向上，叶片湿润时间的空间分布总体规律是东部＞西部＞中部，中部是叶片湿润平均时间（4.83 h/d）最短的区域；雨天的叶片湿润平均时间比晴天和多云长，春季和秋季分别为17.15和17.41 h/d。这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响，与大多数高湿性黄瓜病害的发生规律密切相关。本研究为预测温室黄瓜病害分布提供了有价值的参考，对控制病害流行和减少农药使用具有重要意义，提出的区域化分析温室内叶片湿润时间的方法，可以为模拟日光温室叶片湿润时间的空间分布提供参考。
农业大数据是大数据理念、技术和方法在农业方面的实践，是跨行业、跨专业、跨业务的数据分析与挖掘，以及数据可视化的具体展示。人工智能技术是推动智慧农业发展的核心力量之一，在农业领域的应用潜力巨大。大数据与人工智能技术的应用将推进农业智能化发展，促进农业精细化管理，提高农业工作者的生产效率。
《智慧农业（中英文）》期刊实时关注当前农业领域热点研究技术，在2020年第3期组织出版了“农业大数据与人工智能”专题。本专题刊登9篇来自中国农业大学、中国科学院、美国北达科他州州立大学、中国农业科学院、国家农业信息化工程技术研究中心等单位专家团队稿件，希望能对感兴趣的读者们有所启发。
李道亮教授团队总结了近年来人工智能技术在水产养殖中的最新应用研究进展，分析了其面临主要问题和挑战，并从水产养殖的生命信息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人5个方面分析了人工智能在水产养殖中的应用现状和技术特点。
吴建寨研究员团队从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状，指出了奶牛跛行自动识别研究方向和面临的挑战。
李淼和詹凯研究员团队综合设施蛋鸡养殖环境多影响因子，构建了改进的谷鸟搜索算法优化神经网络CS-BP与蛋鸡设施养殖环境质量评价预测模型，实现了蛋鸡生产环境的最优控制，促进了蛋鸡生产性能的提升。
吴华瑞研究员团队设计了一套多自由度设施温室影像采集与环境监测机器人系统，可广泛地应用在设施温室生产与研究中，在北京小汤山国家精准农业基地取得了较好的应用示范效果。
张昭博士团队将相机采集作物彩色图像特征导入机器学习算法中进行模型训练和精度预测，发现VGG-16模型在区分大豆幼苗和玉米杂苗中有较好的表现。
王玉亭博士和王振营研究员团队建立了夜蛾图像数据库，包含草地贪夜蛾在内的7种夜蛾科成虫10,177幅图像，采用迁移学习方式建立了VGG-16、ResNet-50和DenseNet-121 3种夜蛾成虫识别深度学习模型，识别准确率均超过了98%。
张燕博士团队引入核相互子空间法，建立了番茄叶部病害快速识别模型CCHKMSM，并分别以PlantVillage图像和实际场景下采集的病虫害图像数据集开展算法验证试验，结果表明CCHKMSM模型识别准确率高且计算量小，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。
于合龙教授团队提出了一种基于粒子群和模拟退火协同优化的农田物联网混合多跳路由算法PSMR，该算法提高了不同距离簇首的能耗均衡性能，实现了大规模农田复杂环境长时间、高效、稳定的数据采集监测。
为解决蔬菜价格预测精度不高的问题，吴华瑞研究员团队以黄瓜为例分析了影响价格的供给、需求、流通等因素，构建了Lasso回归方法与BP神经网络相结合的组合模型L-BPNN，实现了黄瓜短期价格高精度预测。
中国水产养殖的生产模式已由粗放型向集约型转变，生产结构不断调整升级，生产水平不断提高。但较低的劳动生产率、生产效率和资源利用率，低质量的水产品以及缺乏安全保障等问题都严重制约中国水产养殖业的快速发展。利用现代信息技术，研究智能设备来实现精确、自动化和智能化的水产养殖，提高渔业生产力和资源利用率是解决上述矛盾的主要途径。水产养殖中的人工智能是研究利用计算机实现水产养殖的过程，也就是利用机器和计算机监视水下生物的生长，进行问题判断、讨论和分析，提出养殖相关决策，完成自动化养殖。为深入了解人工智能技术在水产养殖中的研究发展现状，本文从水产养殖的生命信息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人5个具体方面入手，结合生产中面临的实际问题，分析了人工智能在水产养殖中的研究应用现状和技术特点；阐述了人工智能应用的主要技术手段和原理，总结了近年来人工智能技术在水产养殖中的最新应用研究进展，分析了当前人工智能技术在水产养殖发展中面临的主要问题和挑战，并提出了推动水产养殖转型的主要建议，以期为加速推进中国渔业数字化、精准化和智慧化提供参考。
奶牛跛行是奶牛发生肢蹄病的外在表现。人工识别跛行奶牛存在效率低、成本高、主观性强等问题。奶业对奶牛跛行自动识别技术需求日益强烈。本文从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状。总结发现，当前奶牛跛行自动识别技术研究大多集中在传感器研发和算法开发，而性能验证和决策支持的研究较少，面临的主要挑战包括高质量跛行识别数据获取难度大，缺乏早期跛行识别技术手段，奶牛个体差异干扰模型识别精度，牧场非结构化环境对识别系统性能要求高，以及技术应用效果难评估等。因此，为促进奶牛跛行自动识别技术的发展，建议推动牧场跛行监测数据共享，研究奶牛个体跛行判别模型的构建方法，开发融合跛行检测、体况评分等多功能的一体化智能通道，并分析评价跛行自动识别技术应用在保障动物福利、环境生态、粮食安全等方面的重要意义。
蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统，凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题，本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子，在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上，构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对，结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R2）分别为0.0865、0.0159和0.8569，其各项指标性能均优于上述3种对比模型，该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试，其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价，对实现蛋鸡生产环境的最优控制，促进蛋鸡生产性能的提升具有重要意义。
中国设施园艺近30年来发展迅速，面积目前居世界首位，但由于务农人数呈下降趋势，如何用“机器代替人力”成为当前研究热点。为实现设施温室生产的数据感知环节作物影像和环境监测数据精细化采集，本研究设计了一套多自由度设施温室影像采集与环境监测机器人系统。机器人由感知中枢、决策中枢和执行中枢三部分构成，分别进行机器视角环境感知、数据分析与决策指令生成和动作执行。在感知层实现多角度图像、实时视频和监测数据网格化精确采集，为作物多源异构数据精细化汇聚奠定基础；传输层通过无线网桥将监测数据与控制指令汇聚至本地数据中心；数据处理层通过作物基础模型分析进行控制指令反馈信息，同时对上传图像进行预处理；最终在应用层提供web端和手机端智能服务。系统可广泛地应用在设施温室生产与研究中，用于黄瓜、番茄、大棚桃等作物的全生育期图像、实时视频和监测数据收集与分析处理，已在北京小汤山国家精准农业基地7号日光温室、石家庄市农林科学研究院5号日光温室进行示范应用，取得了较好的效果。
在大豆-玉米轮作生产过程中，玉米杂苗会与大豆苗竞争水和肥料，而且很容易遮住大豆苗，影响害虫（如玉米根虫）的防控，降低大豆品质。因此，在大豆幼苗期及时检测出玉米杂苗并对其进行处理非常重要。传统的人工检测方法主观性强、效率低，传感器和算法的发展为自动检测玉米杂苗提供了更好的解决方案。本研究在温室环境下模仿田间条件，待玉米和大豆发芽后，连续5天用因特尔RealSense D435相机采集彩色图像，并人工裁剪幼苗图像区域，在此基础上对图像进行分割和去噪。在采集图像形状、色彩和纹理特征值后， 对所采集的特征值进行权重分析， 保留前10种重要的特征值导入基于特征的机器学习算法中进行模型训练和预测。预测结果表明，支持向量机模型（SVM）、神经网络（NN）和随机森林（RF）的预测精度分别为85.3%，81.5%和82.6%。将数据集导入GoogLeNet和VGG-16 两种深度学习模型进行训练， 预测精度分别为96.0%和96.2%。VGG-16 模型在区分大豆幼苗和玉米杂苗中有较好的表现，彩色图像和VGG-16 模型组成的系统可以自动检测大豆生长过程中玉米杂苗的情况，为农民提供准确的信息，帮助其进行生产决策和田间管理。
草地贪夜蛾是对粮食安全具有巨大威胁的害虫，早发现、早防治对虫情控制具有重要意义。目前，利用深度学习方法进行草地贪夜蛾及其近缘种成虫识别的相关研究存在数据量严重偏小的情况，有可能造成模型未能真正学习到草地贪夜蛾及其近缘种成虫的环形纹、肾形纹等关键视觉特征。针对上述问题，本研究在建立包含草地贪夜蛾在内的7种夜蛾科成虫，10,177幅图像组成的数据库基础上，采用迁移学习方式建立了VGG-16、ResNet-50和DenseNet-121，3种夜蛾成虫识别深度学习模型，并用相同的测试集测试了所有模型。结果表明，构建的模型识别准确率均超过了98%。此外，本研究用特征可视化技术展现了模型习得的特征，并验证了这些特征和专家进行人工识别的关键视觉特征的一致性——ResNet-50和DenseNet-121的平均特征识别率在85%左右，进一步支持了用深度学习进行草地贪夜蛾成虫实时识别的可行性。研究发现，不同模型对夜蛾科成虫视觉特征的学习能力不一样，在评价模型时不能仅看识别率，还需要加入视觉特征识别率指标对模型的学习内容进行评价。本研究通过试验证明可视化分析可以直观认识模型的特征学习情况，可为行业内或其他领域的研究人员提供参考。
近年来，基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异，通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征，引入核相互子空间法（KMSM），建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数，将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间；然后对映射的高维空间进行主成分分析，建立非线性病害特征空间；最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像，以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明，当每类样本集数量为350张时，本研究所提出的CCHKMSM模型识别率达到100%，模型训练时间为0.1540 s，平均识别时间为0.013 s；同时，在样本数量150张到1000张的测试区间内，模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型，与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中，通过对原始图像切割分块后，对各病害的平均识别率为96.21%。试验结果表明，本研究提出的CCHKMSM模型识别准确率高且计算量小，其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。
农业无线传感器网络对农田土壤、环境和作物生长的多源异构信息的获取起关键作用。针对传感器在农田中非均匀分布且受到能量制约等问题，本研究提出了一种基于粒子群和模拟退火协同优化的农田物联网混合多跳路由算法（PSMR）。首先，通过节点剩余能量和节点度加权选择簇首，采用成簇结构实现异构网络高效动态组网。然后通过簇首间多跳数据结构解决簇首远距离传输能耗过高问题，利用粒子群与模拟退火协同优化方法提高算法收敛速度，实现sink节点加速采集簇首中的聚合数据。对算法的仿真试验结果表明，PSMR算法与基于能量有效负载均衡的多路径路由策略方法（EMR）相比，无线传感器网络生命周期提升了57%；与贪婪外围无状态路由算法（GPSR-A）相比，在相同的网络生命周期内，第1个死亡传感器节点推迟了两轮，剩余能量标准差减少了0.04 J，具有良好的网络能耗均衡性。本研究提出的PSMR算法通过簇首间多跳降低远端簇首额外能耗，提高了不同距离簇首的能耗均衡性能，为实现大规模农田复杂环境的长时间、高效、稳定地数据采集监测提供了技术基础，可提高农业物联网的资源利用效率。
蔬菜是居民生活饮食的重要组成部分，蔬菜价格预测存在着价格波动幅度大、影响因素复杂多样、精度不高等难点。本研究以黄瓜为研究对象，分析了影响黄瓜价格的供给、需求、流通等因素，引入Lasso回归模型对影响因素进行筛选，获得12项关联度较大的因素。在此基础上，构建了一种基于影响因素的Lasso回归方法与BP神经网络相结合的组合模型（L-BPNN），开展黄瓜短期价格预测，并与Lasso回归模型、BP神经网络模型、RBF神经网络模型等回归分析和智能分析方法等进行了对比验证研究。结果表明：使用L-BPNN模型预测黄瓜价格，其平均相对误差最小，仅为0.66%，比Lasso回归模型、BP神经网络模型和RBF神经网络模型分别低64.52%、82.11%和86.2%，具有较高的预测精度。本研究结果实现了黄瓜的短期价格预测，也可推广到其他蔬菜品种，对于保障菜农收入、稳定蔬菜市场价格等具有重要意义。
无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下，利用无人机多光谱植被指数估算夏玉米LAI的可行性，本研究基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI，选择5种植被指数，包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI），作为模型输入参数，使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型，并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明，在充分灌溉条件下，植被指数的多元线性回归模型可以较好地估算LAI（R2 = 0.83）；在水分胁迫条件下，植被指数的随机森林回归模型可以较好地估算LAI（R2 = 0.74~0.87），水分胁迫因素对该模型影响较小，且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术，使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。
土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测，本研究以山东省烟台市栖霞市苹果园为研究区，采集100个土壤样本，利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率，利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理，分析果园土壤的反射光谱特征，研究光谱反射率与其有机质含量的相关关系，筛选土壤有机质含量的敏感波长并构建光谱指数后，分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型，并对模型精度进行验证比较。结果表明，筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数，最终构建的光谱指数分别为NDSI（678，709）、NDSI（678，1931）、NDSI（678，2201）、NDSI（709，1939）和NDSI（1939，2201）。建立的MLR、SVM和RF回归模型中，以RF模型精度最优，其校正样本集R2为0.8804，RMSE为0.1423，RPD达到2.25；验证模型的R2为0.7466，RMSE为0.1266，RPD为1.79，建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此，可以利用RF方法快速预测苹果果园土壤有机质含量，了解土壤养分分布状况，指导农民合理施肥，从而提高果园生产管理效率。
本研究针对中国近年来重点发展的创新型区域收入保险缺少第三方实时客观产量数据的问题，引入了卫星遥感估产技术，探讨其应用模式和适用性。以山东省嘉祥县大豆区域收入保险为例，基于哨兵2号卫星遥感数据提取大豆种植地块，计算归一化植被指数（NDVI）和作物生理参数，结合气象卫星遥感数据与实地抽样测产数据，建立了多参数线性回归模型估算大豆产量。研究结果显示，卫星遥感获取的研究区大豆种植面积为124 km2，与当地农业局上报的127 km2相差3 km2；采用实测地块验证，种植分布地块遥感识别精度达90%；产量估算结果显示，2018年8月23日大豆结荚期的NDVI和9月7日大豆鼓粒期的NDVI对大豆单产的解释度最佳，多参数回归模型计算全区平均产量为244,500 kg/km2，与常年299,800 kg/km2相比，体现了受灾严重的农情；产量估算数据与实测数据之间的回归系数达0.92，可满足应用需求。结果表明，基于哨兵2号卫星遥感数据能够准确识别研究区大豆种植分布，并能在大豆收获后最快一周完成产量估算，指导保险公司的理赔工作。
