水稻氮素含量的准确监测是稻田精准施肥的重要环节, 水稻叶片氮素含量发生变化会引起叶片、 冠层的光谱发射率发生变化, 高光谱遥感是目前作物氮素无损监测的关键技术之一。 以2018年—2019年湖北监利两年水稻氮肥试验为基础, 分别获取水稻分蘖期、 拔节期、 孕穗期、 扬花期、 灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据, 利用单波段原始光谱和一阶导数光谱的相关性分析、 高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。 针对敏感波段, 利用单波段回归分析、 随机森林（RF）、 支持向量回归（SVR）、 高斯过程回归-随机森林（GPR-RF）、 高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型, 并进行精度对比, 以确定水稻叶片在各生育期的氮素估算最佳模型。 结果表明: GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。 相同条件下, 叶片模型精度整体高于冠层模型。 相关性分析模型中, 叶片尺度原始光谱模型更好, 冠层尺度刚好相反, 冠层一阶导数光谱可以减弱稻田背景噪声的影响。 其中, 叶片最佳模型建模集R2为0.79, 验证集R2为0.84; 冠层最佳模型建模集R2为0.80, 验证集R2为0.77。 与相关性回归分析模型相比, 机器学习模型受生育期影响小（R2>0.80, NRMSE<10%）。 其中, RF比SVR更适合对GPR敏感波段建模, GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。 五种方法中, GPR模型对生育期敏感度最低、 叶片及冠层尺度效果都很好(R2>0.94, NRMSE<6%)。 且与其他四种机器学习方法相比, GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02, NRMSE降低1.2%）。 GPR方法可为筛选作物氮素高光谱敏感波段、 反演各生育期叶片及冠层氮素含量提供方法参考。

水分含量是表征作物水分胁迫生理状况的重要指标, 及时有效地监测作物水分含量对于评估作物水分盈亏平衡, 指导农业生产灌溉具有重要意义。 针对不同形式的归一化差值水分指数(NDWI)存在的饱和性问题, 拟引入增强型植被指数EVI对其加以适当改进, 通过构建新的植被水分指数NDWI#(即NDWI*EVI)来估算作物水分含量。 首先, 利用PROSAIL辐射传输模型分析了由不同水分敏感波段(1 240, 1 450, 1 950和2 500 nm)构建的各种典型NDWIs与相应新植被水分指数NDWI#对植被冠层水分及LAI的饱和响应特征;然后, 利用田间实验光谱和水分数据, 开展作物水分含量的建模和验证分析。 结果表明: 将EVI引入后, 形成的新水分指数NDWI#能够有效提高冬小麦水分含量估算精度, 特别是针对NDWI1450, NDWI1940, NDWI2500这三个指数, 改进后的新指数显著提高了对LAI响应的饱和点, 冬小麦作物水分估算精度也得到较为的明显改善。 研究表明, 将含有可见光波段信息的EVI引入到NDWI中, 构建的新指数NDWI#因融合可见光、 近红外和短波红外更多波段的光谱信息, 对估算冬小麦冠层含水量可能具有更好的优势。

水分含量是表征作物水分胁迫生理状况的重要指标, 及时有效地监测作物水分含量对于评估作物水分亏缺平衡, 指导农业生产灌溉具有重要意义。 基于NIR-Red二维光谱特征空间, 尝试构建一种新的作物水分监测指数PWI来估算作物水分含量。 以冬小麦作物植被水分含量估算为尝试对象。 首先, 利用地面实测小麦冠层高光谱数据, 结合对应卫星光谱响应函数, 模拟当前常用卫星HJ-CCD和ZY-3多光谱数据; 然后, 对基于NIR-Red二维光谱特征空间的现有植被指数PDI（垂直干旱指数）和PVI（垂直植被指数）进行改进, 通过比值变换的方法构建新的指数PWI来估算冬小麦植株含水量(VWC）。 结果显示: 基于模拟的HJ-CCD和ZY-3卫星宽波段多光谱数据生成的PWI估算小麦VWC具有良好的效果, R2分别达到0.684和0.683, 均达到了极显著水平。 利用检验样本得到冬小麦VWC估算的R2和RMSE分别为0.764和0.764, 3.837%和3.840%, 这表明应用提出的新指数PWI估测作物含水量具有一定可行性。 同时, 也为当前利用主要国产卫星遥感数据HJ-CCD和ZY-3开展作物水分遥感监测应用提供了一种新方法。

小麦蛋白质含量是衡量小麦价格的一项重要指标。 本文使用三年冬小麦蛋白质含量和光谱指数数据, 用2008/2009和2009/2010年数据构建新的比率指数和乘积指数, 并将灰色关联算法-偏最小二乘法(GRA-PLS)进行整合, 尝试提高对冬小麦蛋白质含量估算的精度, 用2011年/2012年数据进行验证。 研究结果表明: 比率指数与冬小麦蛋白质含量的相关系数要优于单一指数, 单一指数和比率指数最高相关系数(r)分别为0.726和0.751, 乘积指数也可改善部分单一指数的相关系数。 通过GRA-PLS方法可以提高对冬小麦蛋白质含量的估算精度, 单一指数、 比率指数和乘积指数的决定系数(R2)分别为0.537, 0.631和0.521, 对应的均方根误差(RMSE)分别为0.665%, 0.564%和0.574%。 结果说明用新构建的比率指数和乘积指数, 并使用GRA-PLS方法对冬小麦蛋白质含量估算是可行的。