作物氮素具有随植株高度层垂直分布的特性,快速、无损探测作物氮素垂直分布状况,对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义.本文提出了利用偏最小二乘(partial least square,PLS)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法.分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型;选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型;选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型.针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R700/R670比值,改进七种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型.建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的三个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(green normalized difference vegetation index,GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显著的水平,可用于植被氮素含量的垂直分布探测。

叶面积指数（leaf area index, LAI）是反映作物生长状况和进行产量预测预报的主要指标之一, 对诊断作物生长状况具有重要意义。 遥感技术为大面积、 快速监测植被LAI提供了有效途径。 利用高光谱遥感影像, 结合田间同步实验数据, 探讨不同方法对冬小麦叶面积指数遥感反演的能力。 介绍了支持向量机、 离散小波变换、 连续小波变换和主成分分析四种LAI反演方法。 分别利用上述四种方法构建冬小麦LAI反演模型, 并对不同算法反演的LAI模型进行了真实性检验。 结果显示, 支持向量机非线性回归模型精度最高, 对冬小麦LAI估算能力最强, 反演值与实测值拟合的决定系数为0.823 4、 均方根误差为0.419 5。 离散小波变换法和主成分分析法都是基于特征提取和数据降维, 其多元变量回归分析对LAI估算能力相近, 决定系数分别为0.697 1和0.692 4, 均方根误差分别为0.605 8和0.554 1。 连续小波变换法回归模型精度最低, 不适宜直接用其小波系数来反演LAI。 结果表明, 非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。