精准农业是综合运用现代农业信息技术,直接面向农业生产过程的农业技术思想及实践,是实现农业生产定量决策、变量投入及定量实施的现代化农业生产管理系统。高光谱遥感技术是精准农业生产体系的重要组成部分,凭借其波段连续性强,光谱分辨率高的优势,可以实现作物生态生理参数的实时无损监测。由于不同生态区域、不同营养胁迫、不同生长发育阶段,作物群体冠层结构及光谱反射率都存在一定差异,使高光谱遥感模型监测精度存在局限性。所以,本文针对高光谱遥感监测模型精度问题,在黄土高原地区连续多年定位研究不同氮素、磷素营养水平下不同抗旱程度冬小麦品种从拔节期至成熟期冠层光谱反射率、叶片氮磷含量、叶面积指数、光合有效辐射、生物量、籽粒产量及蛋白质含量等参数,分析不同生育时期、不同氮磷耦合水平下不同参数及冠层光谱反射率的动态变化特征及其相关性,探索不同参数的敏感波段,在前人研究基础上,综合分析不同类型的特征光谱参数及植被指数特性,于不同生育时期选择最佳特征光谱参数或植被指数,建立并筛选精度较高的监测模型,以提高光谱遥感模型监测精度,为实现不同肥力水平下冬小麦田间管理的动态调控提供科学依据。本文主要研究结果如下:(1)从拔节期至抽穗期冠层光谱反射率在可见光波段逐渐降低,在近红外波段逐渐增加;灌浆期和成熟期光谱反射率在可见光波段逐渐增加,在近红外波段逐渐降低。同一生育时期,随着氮磷供应量增加,可见光波段光谱反射率显著降低2.0%-6.0%(P<0.05),近红外波段显著增加4.0%~12.0%(P<0.05)。不同生育时期,叶片氮含量与冠层光谱反射率在可见光波段呈显著负相关(P<0.05),在近红外波段呈显著正相关(P<0.05),叶片氮含量的敏感波段位于530 nm、680 nm、800 nm等可见光及近红外波段。基于修正二次调整土壤植被指数(Modified Second Soil-adjusted Vegetation Index,MSAVI2)、修正红边比值植被指数(Modified Edge Simple Ration Index,m SR705)、绿波段归一化植被指数(Green Normalized Difference Vegetation Index,GREEN-NDVI)、可见光大气阻抗植被指数(Visible Atmospherically Resistant Index,VARI)、微分归一化植被指数(First Derivative Normalized Difference of Nitrogen Index,FD-NDNI)可分别建立拔节期、孕穗期、抽穗期、灌浆期、成熟期叶片氮含量高光谱遥感监测模型,模型决定系数(Determination Coefficient,R2)分别为:0.878、0.889、0.895、0.878、0.882;以不同年度间不同品种实测数据对模型进行验证,田间实测值与模型预测值间相对误差(Relative Error,RE)分别为9.2%、10.1%、11.2%、11.2%、9.8%;均方根误差(Root Mean Square Error,RMSE)分别为1.017%、1.351%、1.017%、1.316%、0.957%。(2)在可见光波段,冠层光谱反射率随着施磷量增加而降低,在近红外波段随着施磷量增加而增加,不同磷水平下不同生育时期间,可见光波段光谱反射率差异较小,在近红外波段差异较大;从拔节期至成熟期,冠层光谱反射率与叶片磷含量在可见光波段呈显著负相关(P<0.05),近红外波段,仅拔节期反射率与叶片磷含量达显著水平(P<0.05);基于相关性分析,选择450 nm、680 nm、880 nm等波段构建归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(Ratio Vegetation Index,RVI),拔节期、孕穗期、抽穗期、灌浆期、成熟期叶片磷含量与NDVI、RVI均达极显著水平(P<0.01),不同生育时期分别基于NDVI(880+450)/(880-450)、RVI450/680、RVI450/680、RVI680/450、RVI680/450能建立较好的拟合模型,决定系数R2分别为:0.975、0.980、0.973、0.975、0.977;以独立数据对模型稳定性进行评价,预测值与实测值间相对误差RE分别为:8.21%、10.17%、9.24%、9.37%、9.55%。(3)通过对不同生育时期冠层光谱反射率与叶面积指数的分析发现:拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数(Optimized Soil Adjusted Vegetation Index,OSAVI)、增强型植被指数(Enhanced Vegetation IndexⅡ,EVIⅡ)、EVIⅡ、修正归一化差异植被指数(Modified Normalized Difference Vegetation Index,m NDVI)、修正简单比值指数(Modified Simple Ratio Index,m SRI)拟合效果较好,决定系数R2分别为0.952、0.979、0.989、0.960、0.993;以独立数据对模型进行验证,实测值与预测值间相对误差RE分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差RMSE分别为:0.313、0.336、0.316、0.316、0.324。因此,OSAVI、EVIⅡ、EVIⅡ、m NDVI、m SRI能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。(4)冬小麦群体光合有效辐射分量(Fraction of Photosynthetically Active Radiation,FPAR)与670 nm、850 nm和960 nm处具有较高的相关性;在拔节期、孕穗期、抽穗期、灌浆期、成熟期冠层FPAR与土壤调整植被指数(Soil Adjusted Vegetation Index,SAVI)、红边归一化植被指数(Red Edge Normalized Difference Vegetation Index,NDVI705)、增强植被指数(Enhanced Vegetation Index,EVI)、差值植被指数(Difference Vegetation Index,DVI)、比值植被指数(Ratio Vegetation Index,RVI)均达极显著相关(P<0.01);在不同生育时期,分别基于SAVI、NDVI705、EVI、RVI、RVI能建立较好的FPAR分段监测模型,决定系数R2分别为0.854、0.888、0.811、0.844、0.911;标准误差SE分别为0.054、0.032、0.044、0.047、0.044;以不同年份独立数据对模型进行验证,田间实测值与模型预测值之间均方根误差相对误差RE分别为:14.1%、17.4%、12.8%、18.8%、10.7%;均方根误差RMSE分别为:0.139、0.146、0.136、0.158、0.130。(5)通过分析不同生育时期冬小麦生物量与冠层光谱反射的相关性发现,生物量与光谱反射率在670 nm和930 nm附近具有较高相关性;基于敏感波段组建植被指数,在拔节期、孕穗期、抽穗期、灌浆期、成熟期生物量与绿波段归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、比值植被指数(Ratio Vegetation Index,RVI)、修正二次土壤调整植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)、红边三角植被指数(Red Edge Triangular Vegetation Index,RTVI)、修正三角植被指数Ⅱ(Modified Triangular Vegetation IndexⅡ,MTVIⅡ)均达极显著相关性(P<0.01);在不同生育时期,分别基于GNDVI、RVI、MSAVI、TRVI和MTVIⅡ能建立较好的生物量分段监测模型,决定系数R2分别为:0.987、0.982、0.981、0.985、0.976;标准误差SE分别为:0.157、0.153、0.163、0.133、0.132;预测值与实测值间相对误差RE分别为:8.47%、7.12%、7.56%、8.21%、8.65%;均方根误差RMSE分别为:0.141 kg/m2、0.113 kg/m2、0.137 kg/m2、0.176 kg/m2、0.187 kg/m2。(6)对不同生育时期冬小麦群体吸收性光合有效辐射(Absorbed Photosynthetically Active Radiation,APAR)动态进行分析,依据成熟期小麦籽粒产量与不同生育时期APAR相关性,联合植被指数,建立基于植被指数的成熟期籽粒产量遥感监测模型。结果表明:拔节期、孕穗期、抽穗期、灌浆期、成熟期基于群体APAR可以拟合具有较高精度的籽粒产量模型;基于修正归一化差异指数(Modified Normalized Difference Vegetation Index,m NDVI)、抗大气植被指数(Visible Atmospherically Resistant Index,VARI700)、红边面积与蓝边面积比值(SDr/SDb)、优化土壤调整植被指数(Optimized Soil Adjusted Vegetation Index,OSAVI)、归一化差值短波红外指数(Normalized Difference Shortwave Index,NDSI)等植被指数可以建立拔节期、孕穗期、抽穗期、灌浆期、成熟期APAR监测模型;以APAR为连接点,通过“植被指数—APAR—籽粒产量”路线,将籽粒产量模型和APAR高光谱模型组合,建立籽粒产量监测模型,并以独立数据验证,不同生育时期模型预测值与大田实测值间决定系数R2分别为0.989、0.991、0.991、0.992、0.997;相对误差RE分别为14.26%、12.53%、12.47%、10.36%、10.24%。表明可以基于APAR建立具有光合解释机理的籽粒产量高光谱遥感监测模型,且具有较好的预测精度。(7)通过对植株氮含量(Plant Nitrogen Content,PNC)与成熟期籽粒蛋白质含量(Grain Protein Content,GPC)的相关性分析表明,可以基于不同生育时期PNC对成熟期PNC进行预测;在拔节期、孕穗期、抽穗期、灌浆期、成熟期可基于修正叶绿素吸收反射率指数(Modified Chlorophyll Absorption Reflectance Index,MCARI1)、归一化差值叶绿素指数(Normalized Difference Chlorophyll Index,NDCI)、修正归一化差异指数(Modified Normalized Difference Vegetation Index,m NDVI)、MCARI1、NDCI等植被指数对PNC进行预测,决定系数R2为0.819~0.867;以PNC为连接点,依据“植被指数—PNC—GPC”的技术路线,将PNC模型和GPC模型组合,建立基于植被指数的GPC监测模型,表明在灌浆期通过高光谱遥感监测籽粒GPC具有较高精度,不同生育时期模型预测值与田间实测值间相对误差RE幅度为:11.26%、10.74%、8.41%、10.25%、11.36%,均方根误差分别RMSE为:2.221%、1.825%、1.214%、1.767%、2.137%。说明通过不同生育时期PNC可以对成熟期籽粒GPC进行有效监测。本文通过对从拔节期至成熟期不同参数的统一监测模型与不同生育时期分段监测模型预测精度及验证结果对比,发现于不同生育时期选择最佳植被指数,建立最佳监测模型能有效提高模型监测精度。