作物氮含量影响作物的生长状况, 合适的施氮量可以促进作物生长和提高作物产量, 因此准确、 快速地监测作物的氮含量十分必要。 旨在探索将无人机成像高光谱获取的植被指数和光谱特征参数相结合以提高冬小麦关键生育期氮含量估算精度的潜力。 首先, 以无人机为遥感平台, 搭载高光谱传感器获取了冬小麦拔节期、 挑旗期、 开花期和灌浆期4个主要生育期的高光谱遥感影像, 并实测了各生育期的氮含量数据。 其次, 基于预处理后的高光谱影像, 提取冬小麦各生育期的冠层反射率数据, 并构造能较好反映作物氮素营养状况的12种植被指数和12种光谱特征参数。 然后, 计算了各光谱参数与冬小麦氮含量的相关性, 并筛选出各生育期与氮含量相关性较强的植被指数和光谱特征参数； 最后, 利用逐步回归分析（SWR）构建基于植被指数、 植被指数结合光谱特征参数的氮含量估算模型。 结果显示: (1)选取的大部分植被指数和光谱特征参数与冬小麦氮含量都有较高的相关性。 其中, 植被指数的相关性高于光谱特征参数； (2)基于单个植被指数或光谱特征参数估算冬小麦虽然可行, 但精度还有待进一步提高； (3)与单一植被指数或光谱特征参数相比, 植被指数结合光谱特征变量利用SWR方法构建的氮含量估算模型的精度和稳定性更高(拔节期: 建模R2=0.64, RMSE=24.68%, NRMSE=7.96%, 验证R2=0.77, RMSE=23.13%, NRMSE=7.81%； 挑旗期: 建模R2=0.81, RMSE=15.79%, NRMSE=7.41%, 验证R2=0.84, RMSE=15.10%, NRMSE=7.08%； 开花期: 建模R2=0.78, RMSE=9.88%, NRMSE=5.66%, 验证R2=0.85, RMSE=9.12%, NRMSE=4.76%； 灌浆期: 建模R2=0.49, RMSE=13.68%, NRMSE=9.85%, 验证R2=0.40, RMSE=18.29%, NRMSE=14.73%)。 研究结果表明, 结合无人机成像高光谱获取的植被指数和光谱特征参数构建的冬小麦氮含量估算模型精度和稳定性较高, 研究结果可为冬小麦氮含量的空间分布和精准管理提供参考。

地上生物量（AGB）是表征作物生命活动的重要参数, 对作物长势监测和产量预测尤为关键。 因此, 快速准确地获取AGB信息, 对于监测作物生长状况、 指导农业管理和提高产量具有重要的意义。 以无人机为平台搭载数码相机传感器, 因机动性强、 价格低、 空间分辨率高的优势, 能够及时准确的估算作物AGB, 已成为遥感估算研究的热点之一。 由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同, 因此, 尝试在马铃薯的块茎增长期, 通过设置10, 20, 30, 40和50 m共5种无人机飞行高度, 获取不同分辨率的数码影像, 探究其对以光谱信息、 纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。 首先, 基于无人机数码影像, 分别提取光谱信息和纹理特征, 通过光谱信息构建的植被指数和纹理特征, 分别结合地面试验获取的实测地上部生物量数据进行相关性分析, 分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。 然后, 分别以3种输入变量整合方差膨胀因子（VIF）进行主成分分析（PCA）降维处理, 获得最佳主成分后以多元线性回归（MLR）构建AGB估算模型。 最后, 对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。 结果发现: （1）获得的影像分辨率在0.43~2.05 cm之间变化时, 纹理特征与马铃薯AGB相关性弱于植被指数, 但都达到极显著相关水平（p<0.01）, 随着数码影像分辨率降低, 二者相关性差异明显。 （2）同种分辨率影像下, 光谱信息+纹理特征估算AGB的效果最优, 其次为单一纹理特征模型, 而单一光谱模型表现效果最差。 （3）随着数码影像分辨率提高, 光谱信息、 纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。

地上生物量（AGB）是作物长势评价及产量预测的重要指标, 因此快速准确地估算AGB至关重要。 由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象, 因此, 利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数, 探究VIs, VIs+IWD和VIs+CWT对于AGB的估算能力。 首先, 基于无人机平台分别获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。 其次, 利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。 然后, 将植被指数、 高频信息和小波系数分别与AGB进行相关性分析, 并挑选出不同尺度下相关系数绝对值较高的前10波段。 最后, 以VIs, VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型, 并对比不同模型估算AGB的效果。 结果表明: （1）每个生育期选取的6种植被指数、 3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平, 整个生育期相关性均呈现先升高后降低的趋势, 其中以小波系数得到的相关性最高、 高频信息次之, 植被指数最低。 （2）对比分析每个生育期的3种估算模型, 以VIs+CWT为输入变量的估算效果最好, VIs+IWD的估算效果次之, 而VIs的估算效果最差, 说明基于小波分析构建的模型适用性较广、 稳定性较强。 （3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs: 建模R2=0.70, RMSE=98.88 kg·hm-12, NRMSE=11.63%; VIs+IWD: 建模R2=0.78, RMSE=86.45 kg·hm-12, NRMSE=10.17%; VIs+CWT: 建模R2=0.85, RMSE=74.25 kg·hm-12, NRMSE=9.27%）。 通过VIs分别结合IWD和CWT技术利用PLSR建模方法, 可以提高AGB估算精度, 为农业指导管理提供可靠参考。

地上生物量(above-ground biomass, AGB)是评价作物长势及其产量估测的重要指标, 对指导农业管理具有重要的作用。 因此, 快速准确地获取生物量信息, 对于监测马铃薯生长状况, 提高产量具有重要的意义。 于马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期、 成熟期获取成像高光谱影像、 实测株高(heigh, H)、 地上生物量和地面控制点(ground control point, GCP)的三维空间坐标。 首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM(digital surface model, DSM), 利用DSM提取马铃薯的株高(Hdsm); 然后利用无人机高光谱影像计算一阶微分光谱、 植被指数和绿边参数, 进而分析高光谱特征参数(hyperspectral characteristic parameters, HCPs)和绿边参数(green edge parameters, GEPs)与马铃薯AGB的相关性, 每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters, OGEPs); 最后基于HCPs, HCPs加入OGEPs, HCPs加入OGEPs和Hdsm的组合利用偏最小二乘回归(partial least square regression, PLSR)和随机森林(random forest, RF)估算不同生育期的AGB。 结果表明: (1)提取的Hdsm与实测株高H高度拟合(R2=0.84, RMSE=6.85 cm, NRMSE=15.67%); (2)每个生育期得到的最优绿边参数不完全相同, 现蕾期、 块茎增长期和淀粉积累期OGEPs为Rsum, 块茎形成期和成熟期OGEPs分别为Drmin和SDr; (3)与仅使用HCPs估算AGB相比, 使用HCPs加入OGEPs, HCPs加入OGEPs和Hdsm在马铃薯不同生育期可以提高AGB估算精度, 且以后者为自变量提高精度的幅度更大; (4)每个生育期利用PLSR和RF估算AGB的建模和验证R2从现蕾期到块茎增长期呈上升趋势, 随后开始降低, 整体上R2呈先上升后下降的趋势, 通过PLSR方法构建的估算AGB模型效果优于RF方法, 其中块茎增长期表现效果最好。 因此, 高光谱特征参数中结合最优绿边参数和株高, 并使用PLSR方法可以改善马铃薯AGB的估算效果。