摘要[目的]褐飞虱Nilaparvata lugens种群监测的自动化和智能化尚未实现.本研究旨在探究水稻受褐飞虱危害后冠层光谱和温度以及叶片叶绿素相对含量与为害虫量的关系,建立基于高光谱、热成像和叶绿素等多信息融合的误差反向传播(back propagation,BP)神经网络监测褐飞虱的方法,为田间褐飞虱种群监测向自动化与智能化方向发展提供方法支持.[方法]在可控条件下利用方形塑料框培育水稻,并在分蘖期接入雌雄1:1配对的不同对数(0,1,2,3,4,5,6和7对)的褐飞虱雌、雄成虫,然后连续多次(接虫后16,27,32,44和60 d时)调查接虫区水稻上褐飞虱虫量(每4穴稻上个体数),并采用高光谱仪和热成像仪分别测定水稻冠层光谱反射率和冠层温度,利用土壤和植物分析仪器开发(soil and plant analyzer development,SPAD)叶绿素仪测定叶片叶绿素的相对含量(SPAD值);采用Pearson相关法分析各测量指标与褐飞虱虫量的相关性;采用多元散射校正对光谱反射率数据进行降噪处理;采用连续投影算法对高光谱反射率数据进行降维和敏感波段筛选;分别以光谱反射率单一信息及其与冠层温度和SPAD值融合后的多源信息为输入量,采用普通和加入粒子群算法优化的BP神经网络建模,构建褐飞虱为害不同时段后种群大小的神经网络监测模型.[结果]褐飞虱为害后水稻冠层光谱在近红外的730-930 nm波段反射率、水稻冠层温度与气温的差值(冠气温差)和叶片的SPAD值均与褐飞虱虫量呈显著负相关.利用连续投影算法筛选出的冠层光谱敏感波段处反射率并降噪后建立的BP神经网络监测5个危害时段褐飞虱虫量的预测集决定系数R2在0.504～0.892之间;融合冠层光谱、冠气温差和叶片SPAD值等多信息建立的BP神经网络监测褐飞虱虫量的预测集R2提升到0.640～0.975;在多源信息基础上再选用粒子群优化(particle swarm optimization,PSO)算法优化BP神经网络后监测褐飞虱虫量的精度提高,预测集R2提升到0.931～0.991,模型预测效果好.[结论]基于水稻冠层高光谱与热成像和叶片SPAD值等多信息融合的PSO-BP神经网络方法监测褐飞虱虫量的精度高、效果好,有望用于田间褐飞虱种群的自动监测.