病虫害是作物生产面临的主要胁迫之一。近年来，随着无人机产业的快速发展，无人机农业遥感因其图像空间分辨率高、数据获取时效性强和成本低等特点，在作物病虫害胁迫监测应用中发挥了重要作用。本文首先介绍了利用无人机遥感监测作物病虫害胁迫的相关背景；其次对目前无人机遥感监测作物病虫害胁迫中的常用方法进行了概述，主要探讨无人机遥感监测作物病虫害胁迫的数据获取方式和数据处理方法；之后从可见光成像遥感、多光谱成像遥感、高光谱成像遥感、热红外成像遥感、激光雷达成像遥感和多遥感融合与对比六个方面重点综述了近期国内外无人机遥感监测作物病虫害胁迫的研究进展。最后提出了无人机遥感监测作物病虫害胁迫研究与应用中尚未解决的关键技术问题与未来的发展方向。本文为把握无人机遥感监测作物病虫害胁迫研究热点、应用瓶颈、发展趋势提供借鉴和参考，以期助力中国无人机遥感监测作物病虫害胁迫更加标准化、信息化、精准化和智能化。

植物病害准确检测与识别是其早期诊断与智能监测的关键，是病虫害精准化防治与信息化管理的核心。深度学习应用于植物病害检测与识别中，可以克服传统诊断方法的弊端，大幅提升病害检测与识别的准确率，引起了广泛关注。本文首先收集和介绍了部分公开的植物病害图像数据集，然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展，阐述了从早期检测和识别算法到基于深度学习的检测和识别算法的研究进展，以及各算法的优点和存在的问题。调研了相关研究文献，提出了光照、遮挡、复杂背景、病害症状之间相似性、病害在不同时期症状会有不同的变化以及多种病害交叠共存是目前植物病害检测和识别面临的主要挑战。并进一步指出，将性能更好的神经网络、大规模数据集和农业理论基础相结合，是未来主要的发展趋势，同时还指出了多模态数据可以用于植物早期病害的识别，也是未来发展方向之一。本文可为植物病害识别的深入研究与发展提供参考。

番茄病害的及时检测可有效提升番茄的质量和产量。为实现番茄病害的实时无损伤检测，本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法。首先选择轻量级卷积神经网络MobileNetV3，在Image Net数据集上进行预训练，将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理。采用相同的训练方法对VGG16、ResNet50和 Inception-V3 三种深度卷积网络模型也进行迁移学习并进行对比，结果显示MobileNetV3的总体学习效果最好，在Mixup混合增强和focal loss损失函数下对10类番茄病害的平均测试识别准确率达到94.68%。在迁移学习的基础上继续改进 MobileNetV3模型，在卷积层引入空洞卷积和感知机结构，采用GLU（Gated Liner Unit）闸门机制激活函数，训练得到最佳的番茄病害识别模型，平均测试的识别准确率98.25%，模型的数据规模43.57 MB，单张番茄病害图像的检测耗时仅0.27 s。经十折交叉验证（10-Fold Cross-Validation），模型的鲁棒性良好。本研究可为番茄叶片病害的实时检测提供理论基础和技术支持。

种植收入保险已成为中国农业保险的一种重要形式，2022年将在13个粮食主产省的所有主产县开展。本文首先回顾了遥感技术在农业保险中的总体应用历程，其次，通过阐述现有种植收入保险的业务模式，展现了目前遥感技术在该模式下的应用场景，并对各种应用场景下的关键技术的应用研究进展进行了评述，包括耕地地块提取、作物分类提取、作物灾情评估和作物产量估算。最后，列举了目前种植收入保险常用的遥感数据源。通过综述，发现种植收入保险应用场景下最重要的两个技术层面的问题，一是地块提取和作物分类不够自动化，二是产量估算机理性不强、准确度不高。由此又延伸出两个行业层面的问题，一是遥感行业自身局限性问题，二是保险行业的现行业务与遥感技术结合的兼容性问题。对此，本文提出建立数据分发平台解决数据获取和与处理难和初始数据标准化的问题、完善耕地地块和作物类型样本库以促进地块提取和作物分类自动化、多学科交叉研究实现更快更准更科学地产量估算、农业保险遥感技术应用标准化，以及遥感技术应用合同化等五个具体建议。展望未来，种植收入保险乃至所有农业保险中遥感技术的应用模式应该是一个有数据可用、技术上更自动化智能化、有标准可依、有合同背书的新型模式。

为确定田块尺度下探地雷达对不同深度及相邻反射层间土壤含水量的反演精度、有效反演深度、最佳反演深度及最优反演模型，本研究采用1000 MHz中心频率探地雷达设备，分别在无降雨偏干旱土壤和降雨后湿润土壤两种条件下，在选定农田区域基于共中心点法采集雷达波数据，提取有效地表波与反射波数据，通过双曲线拟合法分别获取不同深度反射层雷达波的传播速度，计算得出土壤的相对介电常数，最后根据土壤体积含水量和介电常数之间的经验模型计算获得不同深度的土壤体积含水量。通过Topp、Roth、Herkelrath和Ferre四种经验模型分别进行土壤体积含水量反演测定，同时以利用烘干法获取的代表性测定土壤含水量实测值为指标进行精度验证。田间试验结果表明，1000 MHz探地雷达的有效反演深度范围为0~50 cm；土壤偏干旱和偏湿润条件的最佳反演深度分别为50 cm和40 cm；Roth模型相关性最好，决定系数R²最高为0.750，且Roth模型反演土壤含水量值最稳定，在土壤偏干旱和偏湿润条件下均方根误差（Root Mean Square Error，RMSE）平均值分别为0.0401 m³/m³和0.0335 m³/m³；相对误差（Relative Error，RE）最低为3.0%。探地雷达具备对定量深度田间土壤含水量快速、精准监测的能力，但其反演模型需根据不同土壤类型等条件进行相应参数校正。

间作种植形成了异质冠层空间结构，但因此导致的作物生长、表型和光截获的行间差异目前还少有定量化。为解析条带间作生产力的行间差异，本研究基于田间观测数据构建植物功能-结构模型（Functional-Structural Plant Model，FSPM），量化间作系统中光截获的行间差异。于2017—2018年开展了玉米和大豆单作、2行玉米和2行大豆的2:2 MS间作以及3行玉米和6行大豆的3:6 MS间作田间试验。基于植物生长平台GroIMP开发了玉米-大豆间作的FSPM，模型较好地模拟了叶面积指数（Leaf Area Index，LAI）、株高和光截获系数动态三个指标，均方根误差（Root Mean Square Error，RMSE）分别为0.24～0.70 m²/m²、0.06～0.17 m和0.06～0.10。田间试验结果表明，间作种植显著增加了玉米节间直径。受玉米遮阴影响，大豆节间变长、变细，且随大豆条带变窄差异越明显。模型模拟的2:2 MS间作玉米光截获比单作玉米高35.6%，3:6 MS边行玉米和内行玉米的光截获分别比单作玉米高27.8%和20.3%。2:2 MS与3:6 MS边行大豆的光截获比单作大豆分别少36.0%和28.8%；3:6 MS大豆内I行和内II行比单作大豆的光截获分别少4.1%和1.8%。基于三维FSPM，未来可进行不同生长环境下间作种植模式等的布局优化，以达到最佳系统光截获优势。

脱落酸（Abscisic Acid，ABA）是一种重要的植物激素，在种子和芽休眠、器官大小控制、植物衰老和死亡等发育过程中发挥作用，同时调控植物的生物与非生物胁迫。为快速、准确地测定植物体内ABA的含量，本研究开发了一种新型的ABA免疫传感器。通过在电极表面修饰羧基化石墨烯（GR-COOH）及海藻酸钠（Sodium Alginate，SA）来增加抗体的固定量，从而提高传感器的检测性能。对GR-COOH、SA、ABA抗体的浓度进行了优化，根据ABA抗体和抗原的结合导致电极阻抗发生变化的原理，实现了ABA的检测。传感器在10 pmol/L~1 μmol/L范围内与ABA浓度呈线性关系，实测的检测下限为10 pmol/L，具有较好的稳定性和选择性。进一步以感染柑橘黄龙病的脐橙为研究对象，通过制备的基于GR-COOH-SA复合材料的ABA免疫传感器检测了黄龙病菌侵染下脐橙叶片中ABA的含量变化。结果表明，脐橙感染黄龙病后，叶片中ABA的含量增加，从而表明ABA在植物的抗病反应中发挥重要作用。进一步研究了ABA合成途径中关键酶的基因CitZEP表达量的变化，植株感病后基因表达量升高，传感器测得的ABA含量升高与传感器的检测结果相符，表明基于GR-COOH-SA复合材料的ABA免疫传感器具有较好的实用性。

植物激素脱落酸（Abscisic Acid，ABA）在调控植物生长和发育方面具有重要作用。然而，ABA在植物组织中含量较低，迫切需要快速灵敏的检测方法。本研究建立了一种基于适配体识别和表面增强拉曼光谱（Surface-Enhanced Raman Spectroscopy，SERS）检测的ABA快速、定量检测方法。ABA适配体修饰的纳米金颗粒兼具SERS信号增强和选择性识别等特点，实现了复杂植物样品基质中痕量ABA的快速、灵敏检测。当ABA分子出现时，适配体将与ABA分子特异性结合，结合后的适配体折叠成G-四聚体结构，将ABA分子包裹在四聚体结构内，拉近ABA分子与金纳米颗粒之间的距离，获得增强并稳定的ABA分子SERS信号。在适配体浓度优化的条件下，该方法检测限为0.1μmol/L，线性相关系数R²=0.9855，重复性相对标准偏差（Relative Standard Deviation，RSD）≤6.71%，且SERS增强基底的稳定性良好（>6个月）。特别是，该方法用于小麦叶片中ABA的检测，检测结果与酶联免疫吸附剂测定（Enzyme Linked Immunosorbent Assay，ELISA）具有良好的吻合度（相对误差≤9.13%）。该研究为植物激素快速检测提供了有效的解决方案。