3。2。1 冬小麦NDVI随氮肥处理的变化 11

3。2。2 NDVI随小麦生育期的变化 13

3。2。3 冬小麦生物量NDVI反演模型的构建 15

3。3 冬小麦生物量RVI反演模型的构建 20

3。3。1冬小麦RVI随氮肥处理的变化 20

3。3。2 RVI随小麦生育期的变化 21

3。3。3 冬小麦生物量RVI反演模型的构建 22

3。4 生物量最佳反演模型的选择 25

结论 26

参考文献 27

致谢 29

1 前言

冬小麦是我国重要粮食作物之一，及时、准确、大范围监测其生长状况，对于指导农业生产、国家粮食安全、农村种植规划以及农业外贸都具有重要意义[1]。对于小麦产量的需求上升使得人工化肥、农药和种植技术等方面被优化并且广泛应用，精准农业的迅速发展要求对农作物进行实时的长势信息检测，其目的不仅为早期估产提供依据，也为田间管理提供及时的信息。而农作物长势检测与产量估算是农业信息监测两个重要研究领域，长期以来国内农业遥感的研究重点集中在遥感估产上作物生长过程的状况与趋势监测[2]。对农作物长势的动态监测可以及时了解农作物的生长状况和作物营养状况，便于采取相应管理措施，从而保证农作物的正常生长，并为农业政策的制定和粮食贸易提供决策依据，也是农作物产量估测的必要前提[3]。论文网

生物量是反映冬小麦生长发育状况的重要群体指标,是监测作物的长势、作物的生长发育、估计产量和指导作物生产管理的重要参数[4]。传统的田间获取小麦生物量方法为人工采样，其周期长，破坏性大，且费时费力[1]，而且不利于农业生产统一化管理运营，对作物生物量进行快速监测，可以及时为生产中的变量施肥管理和产量预报提供参考[5]，可以为陆地生态系统中的能量平衡和能量流动研究提供基础数据[6]。而随着监测技术的不断发展，农业资源短缺要求改变这种原始常规方法，除了传统采样法，光谱监测技术凭借其快速、动态、无损等优点，可在短时间内连续获取大范围区域的地表信息，如植物叶面积指数（LAI）、叶绿素含量、植株氮素含量、生物量以及农田水分等信息[7]。近年来遥感技术迅速发展，以其准确、快速、非破坏性、精度高等优点被广泛应用于农业上，利用光谱反射率来监测作物地上生物量已成为农业遥感的重要内容[4]。在农业过程的应用中，这种技术主要体现在作物病害诊断[8]，农产品品质无损检测[9]、作物生长状态监测等[10]。

目前，作物生物量的光谱监测，构建直观可行的反演模型是关键技术之一，前人对此作了广泛而深远的研究[11]。Thenkabil等[12]基于不同作物的地面测量光谱研究发现：在不同施氮水平上小麦冠层光谱反射率存在明显差异，在可见光区（469~710nm）的反射率和近红外光波段（760~1100nm）组合的NDVI与生物量相关性较好，可以准确拟合光谱和植株生物量。宋开山等[13]建立了以比值植被指数为变量的大豆地上鲜生物量的高光谱估算模型。黄春燕等[14]利用高光谱数据估算棉花地上鲜生物量。Haboudane等[15]和Zhao等[16]利用植被指数来减少背景环境的影响。Casanova[17]和Hansen[18]利用实测光谱数据，分别建立了水稻、小麦的地上生物量和LAI（叶面积指数）的估算模型，在分析了不同时期NDVI和LAI关系的基础上，形成利用多源遥感数据快速获取大田农作物生长状况，这为冬小麦长势信息监测提供技术支持[19]。基于光谱的作物生物量估算方法，充分发挥了遥感数据在光谱维的优势，并考虑作物生长发育过程中其冠层反射率的不同响应。