基于随机森林法的棉花叶片叶绿素含量估算

为了高效和无损地估算棉花叶片的叶绿素含量,本研究测定了棉花光谱反射率及叶绿素含量(soilandplant analyzerdevelopment,SPAD)值,对光谱数据进行包络线去除处理、立方根转换和倒数转换,以SPAD值与反射光谱之间的相关性为基础,通过随机森林法筛选出对棉花叶片SPAD值影响较大的特征波段,构建估算棉花叶片SPAD值的BP神经网络(back propagation artificial neural networks, BP ANN)、偏最小二乘回归(partial least squares regression,PLSR)两个模型。结果表明,在605～690nm范围内的反射率与SPAD值相关性达0.01显著水平,均呈负相关,相关系数最高值为-0.619。与原始光谱相比,经过变换后的棉花反射率与SPAD值相关性结果相差较大,其中去除包络线光谱在550～750 nm波段范围有效提高了相关性,相关性效果优于倒数转换数据和立方根转换数据。随机森林法能够有效评出对SPAD值影响较大的特征波段,进而提高模型估算精度。在两种模型中,基于去除包络线光谱建立的PLSR和BP神经网络模型的决定系数R~2分别为0.92、0.83,说明这两种模型的估算能力较好;两种模型RMSE分别为0.88、1.26, RE分别为1.30%、1.89%,表明PLSR模型的估算精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算棉花SPAD值方面有一定的优势和参考价值。     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

淹水胁迫下棉花叶片SPAD高光谱估算模型研究

【目的】建立淹水胁迫下棉花叶片SPAD的高光谱模型。【方法】利用灌排可控的试验田在棉花花铃期模拟淹水处理,分析受涝1 d、3 d、6 d、9 d后棉花叶片光谱反射率、SPAD值的变化特征;并对淹水胁迫后棉花叶片高光谱特征参数与SPAD值进行相关与回归分析,探寻用于估算淹水胁迫下棉花叶片SPAD变化的高光谱模型。【结果】(1)受涝3 d时棉花倒4叶SPAD值就显著低于对照,到受涝9 d时SPAD值比对照减少15%左右。(2)棉花花铃期受涝后倒4叶绿光波段反射峰变陡,近红外短波段的反射率升高。花铃期受涝使棉花倒4叶红边位置"蓝移",涝害持续9 d时红边位置向短波方向移动了4~5 nm,红边幅度和红边面积呈先增大后减小趋势,在受涝6 d时达到最大,红边偏度和红边峰度增大。(3)涝后棉花叶片SPAD值与红边幅值(Dr)、红边位置(λr)、绿峰反射率(Rg)、绿峰位置(λg)、红谷位置(λo)、蓝边面积(SDb)、黄边偏度(Sy)、黄边峰度(Ky)、红边偏度(Sr)、红边峰度(Kr)等光谱特征参数极显著相关;分别以Sy、Sr、Kr为自变量的一元线性、多项式和指数模型估算SPAD值较优,其决定系数(R~2)均大于0.9,均方根误差(RMSE)均小于1;多元逐步回归分析发现以λg、SDr/SDb(VI3)、Sb、Sy、Ky为自变量的多元线性模型估算SPAD值较优,R~2高达0.973,RMSE为0.393。【结论】该模型可以作为估算淹水胁迫棉花叶片SPAD值的遥感模型。     

基于无人机多光谱的华北平原花铃期棉花叶片SPAD建模方法研究

华北平原地区棉花叶片SPAD光谱特征有待探明,其最适宜建模方法亦有待研究。笔者针对华北平原棉区,基于无人机多光谱探索其叶片SPAD光谱特征和最佳建模方法。以德州市夏津县大李庄棉区为研究区,利用无人机获取棉花花铃期的多光谱图像,同步测定棉花叶片SPAD值;对原始光谱进行预处理并组合构建光谱指数,进而采用相关分析筛选出6个棉花SPAD特征光谱指数;分别采用BP神经网络(BPNN)、多元逐步回归(MSR)和支持向量机(SVM)方法构建棉花SPAD值定量分析模型,并对模型验证、对比,优选最佳模型和建模方法,进而定量分析研究区棉花叶片SPAD空间分布。结果表明:棉花叶片SPAD的特征波段为红光和红边波段;入选模型的特征光谱指数为r、r*reg、(reg-r)/(reg+r)、r-g、r/g、$\sqrt{r^{2}+g^{2}}$;对比3种建模方法,BPNN模型精度最高,其建模集R²、RMSE分别为0.747、4.568,验证集R²、RMSE、RPD分别为0.758、4.142、2.135,确定为棉花叶片SPAD的最佳模型。基于BP神经网络模型进行棉花叶片SPAD的空间分布反演,反演值与实测值具有高度一致性,拟合结果较好。BP神经网络可以作为基于无人机多光谱的华北平原棉花叶片SPAD建模的优选方法,该研究可促进棉田定量遥感和棉花长势监测。     

基于光谱指数的苹果叶片水分含量估算模型研究

建立快速、无损的苹果叶片水分含量高光谱估算模型,为苹果树干旱预警提供理论依据。以2个不同生育期采集的苹果叶片为研究对象,研究了不同水分含量的苹果叶片高光谱特征,分析了苹果叶片水分含量与光谱指数(WI、WBI、PWI、GVWI、MSI、 NDW)之间的相关关系,建立了苹果叶片水分含量估算模型。结果表明,苹果叶片水分含量的敏感光谱波段主要集中于近红外和短波红外波段;利用6个光谱指数建立的单变量估算模型均达到了极显著水平(P<0.01),但以水分指数（WI）建立的估算模型y=29503x2-57746x+28317的拟合决定系数R2最大,为0.5401;经检验,拟合方程的RMSE为 2.4,RE为 5.8%,检验精度达到了94.2%。采用主成分回归分析方法,建立的苹果叶片水分含量估算模型y=-556.819+347.838x1-17.815x2-27.864x3+299.492x4+25.647x5+9.835x6的拟合决定系数R2为0.6371,经检验,拟合方程的RMSE为 1.26,RE为 1.8%,检验精度达到了98.2%。表明以主成分回归分析建立的苹果叶片水分含量估算模型具有较好的敏感性和稳定性。     

棉花叶绿素密度和叶片氮积累量的高光谱监测研究

利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术,研究表明,棉花冠层叶绿素密度（CH.D）和叶片氮积累量（LNA）分别在反射光谱762 nm和763 nm处的相关系数达最大值（R_CH.D= 0.8845**和R_LNA= 0.7870**,n = 47）;而一阶微分光谱数据对CH.D、LNA最敏感的波段均发生在750 nm处(R_CH.D= 0.9098**和R_LNA = 0.9164**,n = 47);采用47个建模样本的一阶微分光谱750 nm处的数值与棉花冠层CH.D建立线性相关模型方程,估算47个检验样本的棉花冠层CH.D,再根据CH.D与LNA建立的线性相关方程估算检验样本的LNA,47个检验样本的实测LNA与估测LNA极显著线性相关（R = 0.8982**,n = 94）,模型方程的估算精度达86.3%,实测值与估算值的R_MSE = 1.0155,相对误差为0.1380。说明基于高光谱数据的棉花冠层叶绿素密度的遥感估测,可以间接用于棉花冠层叶片氮积累量的监测研究。     

滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型

【目的】利用高光谱数据对新疆北方地区不同生育时期滴灌棉花冠层叶片叶绿素含量进行估测,建立生长时序的叶绿素含量估算模型。【方法】以新陆早45号为试验材料,测定不同施氮水平和生育时期棉花冠层叶片叶绿素含量及对应的光谱反射率,分析了12种指数与叶绿素含量的关系,构建了滴灌棉花冠层叶片叶绿素含量的估测模型。【结果】棉花的4个生育时期(现蕾期、盛蕾期、花铃期和吐絮期)中冠层叶片叶绿素含量与Vogelmann红边指数1的相关系数都高,分别是0.944、0.907、0.895、0.930;采用多元回归方法建立的模型精度高于单指数线性模型,其决定系数都大于0.8,且均方根误差(RMSE)都较小。现蕾期模型(y=82.509x_1+89.937x_2-94.438)精度最好。【结论】针对不同生育时期建立的模型均可对棉花冠层叶片叶绿素含量进行估测,其中现蕾期模型监测效果最好。     

基于高光谱数据的滴灌甜菜叶片全氮含量估算

本文旨在明确甜菜叶片全氮含量与高光谱地面植被遥感的定量关系,建立干旱区甜菜叶片全氮含量精确估测模型,及时监测甜菜生长状况。本研究选取新疆滴灌甜菜(Beta356)为材料,利用ASD野外高光谱仪在甜菜叶丛快速生长期、块根膨大期与糖分积累期采集各处理反射光谱,并同时测定全氮含量,分析原始光谱反射率及一阶微分光谱反射率与全氮含量的相关性,并进一步建立光谱特征参数与敏感波段植被指数全氮含量估算模型。结果表明,光谱特征参数Dr762幂函数下估算模型具有较好估算甜菜叶片全氮含量的能力,其决定系数R2=0.747,验证相对误差RE(%)为21.635,验证均方根误差RMSE为4.914;通过植被指数与叶片全氮含量建立多种函数估测模型,其中差值植被指数Dr762–Dr496下一元线性函数具有较好估算甜菜叶片全氮含量的能力,其决定系数R2=0.794,验证相对误差RE(%)为23.008,验证均方根误差为5.372。     

基于近地高光谱棉花生物量遥感估算模型

分析棉花地上鲜生物量冠层高光谱反射率变异系数，反射率光谱、一阶微分光谱与地上鲜生物量相关关系得结果表明：在可见光近红外波段棉花冠层反射率光谱变异系数在672 nm波段处最大；棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波段出现在589~700 nm，在近红外波段出现在865~919 nm波段，且前者大于后者。地上鲜生物量与一阶微分光谱相关系数在可见光波段出现524~528 nm、552~588 nm、710~755 nm 3个高值区。基于以上研究，选择19个高光谱特征参数建立了棉花地上鲜生物量高光谱遥感监测模型，经检验，单波段中以F₆₂₉估算水平最高，估算模型为Y = 9.7914 exp(－20.738 F629)，准确度为83.9%、RMSE为0.64 kg m^-2、预测值与实测值相关系数为0.940**；组合参数以[629, 901]指数形式估算模型估算水平最高，模型为Y = 0.0986 exp(4.3696[629, 901])，准确度达84.0%，RMSE为0.55 kg m^-2，预测值与实测值相关系数为0.960**，上述两个模型为参选模型中估算棉花地上鲜生物量最佳高光谱估算模型。     

利用叶片高光谱指数预测水稻群体叶层全氮含量

通过测定叶片高光谱来快速估测整个水稻叶层全氮含量对于水稻氮素诊断有重要意义。本文通过连续3年不同施氮水平和不同品种类型的4个大田试验,分生育期同步测定了不同叶位叶片的高光谱反射率及叶层全氮含量,并系统分析了叶片水平多种高光谱指数与水稻叶层全氮含量的定量关系。结果表明,不同叶位叶片的光谱反射率与叶层全氮含量的相关程度不同,顶二叶(L2)表现最好、顶三叶(L3)次之,而L2和L3的平均光谱(L23)有助于进一步提高光谱指数的敏感性,是估测叶层氮含量的适宜叶位组合。绿光560nm和红边705nm波段附近光谱反射率与叶层全氮含量呈极显著负相关关系,两者分别与近红外波段组合而成的光谱比值指数可较好地监测水稻叶层全氮含量,其中绿光、红边窄波段比值指数SR(R780,R580)和SR(R780,R704)表现较好,与叶层全氮含量的决定系数分别为0.887和0.884;独立试验数据检验的RMSE分别为0.216和0.235。将上述2个窄波段比值指数中的近红外、绿光波段和红边波段宽度分别扩展至100、20和10nm,从而构建的宽波段比值指数SR[AR(750-850),AR(568-588)]和SR[AR(750-850),AR(699-709)]与叶层全氮含量相关性仍具有较高水平,线性回归模型的拟合精度(R2)为0.886和0.883,检验RMSE值分别为0.218和0.237。从而在叶片水平,确立了适于叶层全氮含量估测的基于绿光、红边与近红外波段的比值组合和波段适宜宽度。     

Nitrogen deficiency effects on plant growth, leaf photosynthesis, and hyperspectral reflectance properties of sorghum

An experiment was conducted under outdoor pot-culture conditions to determine effects of nitrogen (N) deficiency on sorghum growth, physiology, and leaf hyperspectral reflectance properties. Sorghum (cv. DK 44C) was seeded in 360 twelve-litre pots filled with fine sand. All pots were irrigated with half-strength Hoagland's nutrient solution from emergence to 25 days after sowing (DAS). Thereafter, pots were separated into three identical groups and the following treatments were initiated: (1) the control (100% N) continued receiving the half-strength nutrient solution; (2) reduced N to 20% of the control (20% N); and (3) withheld N from the solution (0% N). Photosynthetic rate (Pn), chlorophyll (Chl) and N concentrations, and hyperspectral reflectance of the uppermost, fully expanded leaves were determined at 3- to 4-day-interval from 21 to 58 DAS during the N treatments. Plants were harvested 58 DAS to determine effects of N deficiency on leaf area (LA), biomass accumulation, and partitioning. Nitrogen deficiency significantly reduced LA, leaf Chl content and Pn, resulting in lower biomass production. Decreased leaf Pn due to N deficiency was mainly associated with lower stomatal conductance rather than carboxylation capacity of leaf chemistry. Among plant components of dry weights, leaf dry weight had the greatest and root dry weight had the smallest decrease under N deficiency. Nitrogen-deficit stress mainly increased leaf reflectance at 555 (R₅₅₅) and 715 nm (R₇₁₅) and caused a red-edge shift to shorter wavelength. Leaf N and Chl concentrations were linearly correlated with not only the reflectance ratios of R₄₀₅/R₇₁₅ (r² = 0.68^***) and R₁₀₇₅/R₇₃₅ (r² = 0.64^***), respectively, but also the first derivatives of the reflectance (dR/dλ) in red edge centered 730 or 740 nm (r² = 0.73–0.82^***). These specific reflectance ratios or dR/dλ may be used for rapid and non-destructive estimation of sorghum leaf Chl and plant N status.     

基于高光谱的棉花叶片磷含量估测模型

研究不同施磷条件下棉花叶片叶绿素含量的变化规律，旨在建立基于高光谱的叶片磷含量估测模型，实现棉花叶片磷含量快速监测。在盆栽试验条件下，设置不同的磷肥量，测定棉花功能叶叶绿素含量与磷含量，并利用植被指数和叶绿素含量的相关性构建磷含量的光谱变量，从而实现利用高光谱对棉花叶片磷含量的定量监测。结果表明：(1)棉花播种后100天左右，叶片磷含量与叶绿素呈现显著关系(决定系数R²=0.96)。(2)利用多个植被指数(X)和叶绿素含量(I)的相关性构建倒一叶、倒二叶、倒三叶、倒四叶的磷含量光谱变量，其中各叶片相关性最优的模型：倒一叶(L₁)为I₁=2.6131X_RENDVI-0.4275,X_RENDV为红边归一化植被指数，R²=0.71,RMSE=0.2；倒二叶(L₂)为I₅=0.0142X_TVI+0.3274,X_TVI为三角植被指数，R²=0.76,RMSE...     

基于全波段高光谱的冬小麦生长参数估算方法比较

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归（partial least squares regression,PLSR）、支持向量回归（support vector regression,SVR）和前馈神经网络（feedforward neural network,FNN）3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期（拔节、孕穗、扬花和乳熟期）生长参数（地上部生物量、叶面积指数、全氮含量和叶绿素浓度）进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果R²均值为0.89~0.98,MAPE为1.70%~7.53%,对于验证集数据,R²均值为0.90~0.94,MAPE为4.04%~7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。     

土壤水分的高光谱响应特性及定量监测研究

为及时、准确地监测土壤含水量（SMC），采用室内条件下人工模拟不同SMC环境的方法，通过测定各时间段的SMC及其对应的土壤光谱反射率，运用连续投影算法（SPA）提取土壤水分的特征波长，结合多元线性回归（MLR）方法，构建SMC的高光谱定量监测模型。结果表明，光谱反射率随着样本SMC的增加而逐渐降低，二者存在明显的负相关关系；采用SPA方法提取的光谱特征波段为422、629、817、976、1121、1258、1359、1448、1830和2022nm；构建的SPA-MLR土壤水分高光谱监测模型表现出良好的预测效果（校正集的R2=0.930、RMSE=8.845、RPD=3.794，验证集的R2=0.927、RMSE=8.799、RPD=3.581）。研究结果可为土壤水分的高效精准监测提供一定的实践探索和理论参考。     

基于GF-1/2卫星数据的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是监测作物生长状况的重要参数,准确、快速、大面积估算LAI不仅有助于更好地监测农作物,而且也有助于其在建模、总体作物管理及精准农业中的应用。本研究为了利用国产遥感影像快速、大面积反演冬小麦LAI,以GF-1/2影像作为数据源,提取常用植被指数,结合不同生育期(起身期、拔节期、开花期)实测LAI数据,建立反演冬小麦LAI的单变量和多变量经验模型,并对其进行验证。结果表明,GF-1起身期、GF-1拔节期以及GF-1开花期提取的植被指数中,MSR(modified simple ratio)、GNDVI(green normalized difference vegetation index)、EVI(enhanced vegetation index)与LAI间的相关系数最大,分别为0.708、0.671和0.743,说明这些植被指数与冬小麦LAI间的相关性较显著;GF-1不同生育期的反演模型相比,基于拔节期GNDVIGF-1建立的二次多项式模型和基于开花期EVIGF-1、GSRGF-1(green simple ratio)、NDVIGF-1(normalized difference vegetation index)建立的PLSR(partial least squares regression)模型R2最大,均为0.783,PLSR模型的RMSE小于二次多项式模型,说明该多变量模型的稳定性优于单变量模型;同一个生育期不同影像相比,基于GF-2的NDVIGF-2建立的二次多项式模型和基于NDVIGF-2、MSRGF-2、SAVIGF-2(soil-adjusted vegetation index)建立的PLSR模型精度高于基于GF-1的2种模型,R2分别为0.768和0.809;不同生育期反演的LAI分布图表明,LAI反演值与实测LAI值基本吻合。以上研究结果说明国产高分辨率遥感影像在农作物生理参数反演中有一定的应用价值,可以为以后的相关研究提供一定的参考。     

旱地果园土壤有机质对氮素含量的影响

旨在研究果园土壤有机质与土壤氮素养分的相关性与空间分布变化,为果园土壤的可持续利用提供依据。对庆阳苹果主产区30个果园土壤有机质含量和土壤氮素养分进行农化分析。结果表明：0~20 cm果园土壤有机质与全氮含量的相关关系为y=0.055x+0.140,相关系数R²=0.940,土壤有机质与碱解氮含量的相关关系为y=3.061x+26.65,相关系数R²=0.414,土壤全氮与碱解氮含量的相关关系为y=55.28x+18.83,相关系数R²=0.441;20~40 cm果园土壤的有机质与全氮含量的相关关系为y=0.045x+0.250,相关系数R²=0.721,土壤的有机质与土壤碱解氮含量的相关关系为y=2.237x+23.84,相关系数R²=0.158,土壤的全氮与碱解氮含量的相关关系为y=57.47x+5.141,相关系数R²=0.298。     

基于无人机多光谱遥感的大豆叶面积指数反演

为给大豆科学管理提供基础数据,利用无人机多光谱遥感数据实现对大豆叶面积指数(LAI)的反演估值。从多种光谱植被指数中选出与LAI相关性较好的5种指数,分析探讨在田块尺度上,适用于东北地区的大豆叶面积指数的低空无人机遥感反演模型。结合田间实测LAI数据及模型精度及拟合效果,NDVI模型精度较好,但拟合效果较差,其余4种植被指数模型精度和拟合效果较好,拟合效果R²均达到了0.6以上;支持向量机模型决定系数R²达到0.688,均方根误差达0.016,具有更好的预测能力。2种模型均表明无人机多光谱遥感系统可以快速反演田间大豆叶面积指数,在指导精准农业生产方面具有实用意义。     

Hyperspectral Estimation Model of Chlorophyll Content in Cotton Canopy Leaves under Drip Irrigation at Different Growth Stages

[Objective] This article is aimed to estimate the chlorophyll content of cotton canopy leaves in drip irrigation fields at different growth stages in northern Xinjiang and establish a model for estimating chlorophyll content in growth time series by using hyperspectral. [Method] Using Xinluzao 45 as the experimental material, the chlorophyll content and the corresponding spectral reflectance of cotton canopy leaves at different nitrogen levels and growing stages were measured, and the relationship between 12 indices and the chlorophyll content was analyzed. The estimation models of the chlorophyll content in cotton canopy leaves under drip irrigation were established. [Result] The correlation coefficient between the chlorophyll content of canopy leaves and Vogelmann red edge index was high in the four growing periods of cotton, and the correlation coefficient was 0.944, 0.907, 0.895, 0.930, respectively. And the spectral reflectivity was the highest at the flowering and boll period. The precision of the model established by the multivariate regression method is higher than that of the single exponential linear model with the determination coefficient more than 0.8 and the root mean square error smaller than that of the single exponential linear model. The model of the budding stage (y＝82.509_x1＋89.937_x2－94.438) has the best precision. [Conclusion] The chlorophyll content can be estimated by the models established at different growth stages, and the budding stage model has the best monitoring effect.     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。