3。2。2 NDVI随水稻生育期的变化 12

3。2。3基于CGMD302 NDVI的生物量反演模型构建 14

3。2。4基于GreenSeeker NDVI的生物量反演模型构建 17

3。3 水稻生物量RVI反演模型构建 19

3。3。1 水稻RVI随氮肥处理的变化 19

3。3。2 RVI随水稻生育期的变化 21

3。3。3 基于CGMD302RVI的生物量反演模型构建 23

2。3。4 基于GreenSeeker RVI的生物量反演模型构建 25

3。4 生物量最佳反演模型的选择 28

结论 29

参考文献 30

致谢 33

1 前言

水稻是中国主要的粮食作物之一，中国60%以上的人口以稻米为主食，种植面积占粮食作物总面积的27%，产量占粮食总产的44%[1]。因此，水稻在我国农业生产中具有重要的研究意义与价值，需要世人不断发展农业技术手段[2]。

对于水稻产量需求的上升使得人工化肥、农药和种植技术等方面被不断优化并且得以广泛应用。然而精准农业的迅速发展要求对农作物进行实时的长势信息监测，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。而农作物长势监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技术研究重点集中在作物生长过程的状况与趋势监测[3, 4]。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[5]，其本质是在作物生长早期阶段就能反应出作物产量的丰欠趋势，通过实时的动态监测逐渐逼近实际的作物产量[6]。

生物量作为指示作物长势状况的重要指标之一，是直接反映作物营养状况及代谢的重要组成部分，并可用于诊断作物氮素营养状况，它的大小与作物群体的光能利用、产量和品质形成密切相关[7, 8]。实时、大面积获取作物生物量信息有利于掌握早期作物长势和产量并构建动态模型，对于生产管理措施制定意义重大，因此作物生物量的实时动态监测始终是农学家关注的热点问题[9]。

长期以来，传统的的作物生物量检测方法一般依靠田间植株取样和室内分析测试，虽然结果较为可靠，但在时间和空间尺度上都很难满足实时、快速、无损诊断的要求[10]。近年来，遥感无损监测技术的发展为作物生理生化参数的监测提供了新的方法和手段，对于作物长势监测、营养诊断和产量估测等均呈现出良好的应用前景[11, 12]。遥感具有覆盖范围大、探测周期短、现势性强、费用成本低等特点[13]，能够为快速、准确、动态地获取生态资源信息提供重要的技术手段和充足的数据源，目前已经成为农作物面积估测、农作物大面积估产、以及农作物长势和品质监测等领域的重要技术手段[14, 15]。

光谱监测技术作为一种新的技术，已经被适用于生活生产中的各个领域，尤其在作物生产领域得到广泛的应用[16]。利用光谱分析技术可以快速有效地评价作物长势和营养状况，实现作物生长特征的动态监测[17]。其中，归一化植被指数NDVI和比值植被指数RVI被广泛应用于叶面积指数[18, 19]，干物质生产[20]，叶片含氮率[21]，氮积累量[22]，叶片碳氮比[23]和产量估测[24]。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，如孟宝平[25]等构建基于多源遥感数据的高寒草地生物量反演模型；何诚[26]等构建基于多光谱数据的永定河流域植被生物量反演模型。已有研究大多基于如CROPSCAN、ASD、Hyperion、OMIS和CASI等不同传感器，其光谱波段不尽相同，从几纳米到上百纳米不等[27]，且这些研究结果进一步对波段宽度做分析,同时发现在不同施氮水平下水稻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与氮含量相关性较好[28]。