3.4.1 不同施氮量对NDVI的影响 12

3.4.2 NDVI随小麦不同采样时期的变化 13

3.4.3 不同施氮量对RVI的影响 14

3.4.4 RVI随小麦不同采样时期的变化 15

3.4.6 PVI随小麦不同采样时期的变化 17

3.5 基于NDVI（GreenSeeker）的LAI反演模型的构建 18

3.6 基于CGMD302的NDVI、RVI、PVI所构建的LAI建立反演模型 19

结 论 22

参 考 文 献 23

致谢 25

1 前言

小麦是重要的粮食作物之一，它的产量和质量直接影响到我国粮食经济的发展。小麦产量形成的大部分干物质来源于小麦的光合作用，叶片是光合作用的主要器官, 是地球上生物生存的基础和能量的来源，同时也是植物本身进行蒸腾作用的主要途径[1]。小麦群体光合速率的高低是与叶面积紧密联系的。叶面积对小麦籽粒产量的形成具有较大的影响[2]。小麦叶面积指数（LAI）是评价其长势和预测产量的重要农学参数, 叶面积指数是指单位土地表面积上植物绿叶总面积，即LAI=绿叶总面积/土地面积[3]。它是反映作物群体大小的动态指标[4]，用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应，为植物冠层表面物质和能量交换的描述提供结构化的定量信息，并在生态系统碳累、植被生产力和土壤、植物、大气间相互作用的能量平衡,植被遥感等方面起重要作用[4-7]。文献综述

叶面积指数方法可用直接测定法和间接方法测定。直接测定方法是一种传统的、具有破坏性的方法,通过直接测量叶面积得到的叶面积指数，可作为间接方法的有效验证。主要包括落叶收集法、分层收割法。间接方法是用一些测量参数或用光学仪器得到叶面积指数，测量方便快捷，但仍需要用直接方法所得结果进行校正[8] 。包括点接触法、消光系数法、经验公式法等。比较而言,传统的破坏性方法,如分层收割法，虽然比较准确，但费时费力，效率不高。光学仪器法和经验公式法因具有快速、破坏性小等优点得到广泛应用，但各种光学仪器应用的范围不同，需要根据测量的冠层选择合适的仪器，有条件地选择几种仪器的组合，才能达到互为验证提高准确性的目的。

光谱成像技术根据波段主要分为多光谱成像技术和高光谱成像技术。高光谱成像技术获取的图像是由大量连续的波段（几十个或几百个）组成，而多光谱成像技术的图像由一系列离散的波段（一般少于10个）组成[9]。多光谱成像系统要求能够快速获取图像、对图像进行简单处理以及快速决策响应，相比较高光谱成像技术，多光谱成像技术更适用于田间的在线监测。随后, 基于多光谱遥感技术的归一化植被指数(NDVI) 、比值植被指数(RVI)等相继提出并被应用于植被LAI的反演研究。

目前主要有2种方法可用来估算叶面积指数[13]，一种是统计模型法[10, 11] ，主要是将遥感图像数据如归一化植被指数NDVI、比植被指数RVI和垂直植被指数PVI[11]与实测LAI建立模型。这种方法输入参数单一，不需要复杂的计算，因此成为估算LAI的常用方法。另一种是光学模型法[10,12] ，它基于植被的双向反射率分布函数是一种建立在辐射传输模型基础上的模型，它把LAI作为输入变量，采用迭代的方法来推算LAI。这种方法的优点是有物理模型基础，不受植被类型的影响，然而由于模型过于复杂，反演非常耗时，且反演估算LAI过程中有些函数并不总是收敛的[10,13]。