2010年和2011年利用地面高光谱遥感和无人机数字图像对田间2个种植密度下小麦白粉病发生情况进行了研究,并分析了在白粉病为害后小麦产量、千粒重和籽粒蛋白质损失估计研究中的可行性,同时研究了空气中白粉病菌分生孢子浓度的变化动态及其和病情的关系,建立了基于田间数据的白粉病病情预测模型,开发了基于Real-time PCR技术的空气中白粉菌孢子浓度的定量检测技术,结果表明,在扬花期、灌浆初期和灌浆后期,白粉病的发生对2个种植密度下田间小麦冠层的光谱反射率都产生影响,特别是在近红外波段.和可见光波段相比,冠层近红外波段的光谱反射率更适合于田间小麦白粉病病情指数的监测.红边斜率和红边面积在2个年度和2个种植密度下与病情指数间存在显著地相关性.4个植被指数RVI、DVI、NDVI和SAVI中,仅DVI和SAVI在2个年度和2个种植密度下均与病情指数存在显著地相关性.建立了扬花期、灌浆初期和灌浆后期基于冠层光谱反射率的田间小麦白粉病病情指数的估计模型,所建模型的斜率在2种植密度下无显著差异.2010年和2011年利用无人机分别获得距地面200m、300m和400m的数字图像,在对图像进行预处理后分别提取了图像的颜色特征值R、G、B,利用公式将其转换为色调(H)、饱和度(S)和亮度(I)值,并对特征值进行组合后和田间小麦白粉病病情指数关系的分析结果表明,在正常的小麦种植密度条件下(种植密度2),从距地面不同高度的无人机数字图像中提取出来的R、G、B值及其组合以及H、I、S值在2个年度与田间小麦白粉病病情指数存在显著或极显著的相关性,在种植密度较小的条件下(种植密度1),距地面不同高度的无人机数字图像中仅G和I在2年度与病情存在显著地相关性.2个年度基于I所建的白粉病病情指数估计模型在正常种植密度下无显著差异.利用定容式孢子捕捉器对空气中小麦白粉菌分生孢子浓度的变化动态监测结果表明,早春田间接种病菌孢子20天后,开始捕捉到空气中的分生孢子,随后孢子浓度逐渐增加,5月末孢子浓度达到最大,然后开始逐渐降低.空气中的孢子浓度和温度、太阳辐射及风速有关,利用逐步回归法建立了基于环境因子的病原菌孢子浓度的预测模型,时间序列分析结果表明2个年度空气中白粉菌分生孢子浓度均符合ARIMA(1,1,0)模型.小麦冠层内白粉菌分生孢子浓度要显著的高于冠层外(P＜0.01).空气中病原菌孢子浓度存在2种方式的日变化,其中一种和环境因子显著相关,另一种则不相关.分别建立了基于孢子浓度、气象因子,以及孢子浓度和气象因子的田间小麦白粉病病情指数的关系模型,结果发现,基于孢子浓度所建模型的拟合效果要明显优于基于气象因子的拟合效果,但和基于气象因子和孢子浓度所建模型的拟合效果相差不大,而且2个年度基于孢子浓度所建模型无显著差异.另外还可用7天前累积的孢子浓度来预测7天后田间白粉病的病情指数.对孢子捕捉带上白粉菌孢子DNA的提取技术研究表明,在对捕捉带上孢子洗脱和破壁后,传统CTAB法的DNA提取效率优于试剂盒提取法.利用Real-time PCR反应对从孢子捕捉带上提取出来的DNA进行扩增,结果表明,Real-time PCR计算得到的孢子浓度与显微镜镜检的实际孢子浓度具有极显著的正相关性.从两者关系所建模型来看,利用Real-time PCR技术获得的孢子浓度要低于显微镜下计数得到的孢子浓度(2个年度模型斜率分别为0.954 7和0.730 2).