摘要
高光谱遥感技术是现代农业发展较为重要的一个技术手段，具有分辨率高、波段连续性强、光谱信息量大等特点，可及时、准确、无损的监测小麦长势和预报小麦产量，对精准作物管理和合理施肥具有重要意义。 本研究以田间试验的冬小麦为研究对象，结合地面高光谱遥感技术和生化参数分析技术，系统分析冬小麦冠层高光谱反射率特征，以及与生物量、SPAD值和叶片氮含量的相关性。在国内外已有的研究基础上，基于不同生育期或不同施氮水平，提取植被指数、高光谱特征参数、构建新的敏感光谱指数，分析相关性，获取最佳光谱指数，应用随机森林回归算法、支持向量机回归算法、偏最小二乘回归算法，建立冬小麦特征参数的高光谱监测模型，为动态监测冬小麦生长状况及科学的田间施肥管理提供理论依据和技术支持,主要结论如下： （1）各参数在敏感波段范围内任意两波段组合而成DSI、RSI、NDSI，估测冬小麦生物量最佳植被指数分别是DSI（R1719，R1631）、RSI（R1719，R1629）和NDSI（R1719，R1630），其中DSI（R1719，R1631）的建模决定系数为0.54；RSI（R1719，R1629）的建模决定系数为0.57；NDSI（R1719，R1630）的建模决定系数为0.57。估测冬小麦SPAD值最佳植被指数分别是DSI（R693，R622）、RSI（R764，R699）和NDS（IR763，R691），其中DS（IR693，R622）的建模决定系数为0.75；RS（IR764，R699）的建模决定系数为0.74；NDSI（R763，R691）的建模决定系数为0.70。估测冬小麦叶氮含量最佳植被指数分别是DSI（R495，R494）、RSI（R1202，R723）和NDSI（R1202，R724），其中DSI（R495，R494）的建模决定系数为0.32；RSI（R1202，R723）的建模决定系数为0.37；NDSI（R1202，R724）的建模决定系数为0.37。 （2）基于RF、SVR、PLS三种回归算法建立的冬小麦生物量监测模型，不同生育期，RF-Biomass模型训练R2分别为0.74、0.75、0.75、0.72，验证R2分别为0.66、0.56、0.58、0.67，RMSE分别为（kg/m2）0.15、0.06、0.13、0.13，其中RF-Biomass可看作抽穗期、开花期和灌浆期的最佳监测模型，SVR-Biomass可看作抽穗期前的最佳监测模型；不同施氮水平，RF-Biomass模型训练R2分别为0.86、0.90、0.92，验证R2分别为0.68、0.69、0.75，RMSE分别为（kg/m2）0.14、0.14、0.11，其中RF-Biomassamp;nbsp;可看作N1、N2水平下的最佳监测模型；SVR-Biomass可看作N3水平下的最佳监测模型。 （3）基于RF、SVR、PLS三种回归算法建立的冬小麦SPAD值监测模型，不同生育期，RF-Biomass模型训练R2分别为0.77、0.80、0.77、0.97，验证R2分别为0.79、0.59、0.76、0.81，RMSE分别为3.99、4.33、4.36、5.07，其中PLS-SPAD可看作抽穗期和开花期的最佳监测模型，RF-SPAD可看作抽穗期前的最佳监测模型；不同施氮水平，RF-Biomass模型训练R2分别为0.95、0.93、0.93，验证R2分别为0.59、0.48、0.44，RMSE分别为4.86、5.27、6.99，PLS-SPAD可看作N1和N2水平下的最佳监测模型；SVR-SPAD可看作N3水平下的最佳监测模型。 （4）基于RF、SVR、PLS三种回归算法建立的冬小麦叶片氮含量监测模型，不同生育期，RF-Biomass模型训练R2分别为0.68、0.73、0.74、0.87，验证R2分别为0.67、0.88、0.49、0.91，RMSE分别为0.35、0.08、0.40、0.09，其中RF-LNC可看作抽穗期前、抽穗期和灌浆期的最佳监测模型；不同施氮水平，RF-Biomass模型训练R2分别为0.80、0.84、0.83，验证R2分别为0.61、0.61、0.74，RMSE分别为0.36、0.35、0.22，SVR-LNC可看作开花期的最佳监测模型；RF-LNC可看作N1、N2和N3水平下的最佳监测模型。
NETL