遥感技术可以快速、无损、实时地获取作物生长状态信息,为精细农业提供可靠的技术支撑。近地面遥感平台具有操作简便、灵活多变的特点,可为作物生理生化参数监测提供丰富的数据资料,显著提高作物生长监测的准确性和可靠性。本研究以不同年份、品种、种植密度和施氮水平的4个水稻田间试验数据为依托,利用两种地物光谱仪(ASD FieldSpec Pro spectrometer和GreenSeeker)获取地面冠层反射光谱数据和多种无人机载传感器(RGB相机,近红外相机和多光谱相机)获取冠层影像数据,探寻基于地面光谱指数(归一化植被指数NDVI和叶绿素红边指数CIred edge)时间序列的水稻关键生育时期快速监测方法,比较不同传感器在水稻叶片和植株氮积累估测上的表现,确定估测水稻生物量及植株氮含量的适宜光谱指数和纹理指数,并结合利用光谱和纹理信息建立基于无人机平台的水稻地上部生物量和植株氮含量监测模型。研究结果为近地面遥感技术在作物生长监测中应用提供理论与技术支撑。首先,确定了基于植被指数时间序列的水稻关键生育时期的监测方法。NDVI时间序列曲线一阶导数的最大值、零值和最小值分别可以用来估测有效分蘖临界叶龄期、抽穗中期和完熟日期。NDVIASD估测三个时期的精度(RMSE)分别为5.8天、11.0天和4.8天,NDVIGS估测三个时期的精度分别为4.9天、11.5天和3.2天。高光谱仪ASD获取的CIred edge时间序列曲线一阶导数的最大值、零值和最小值分别可以准确估测拔节期、孕穗中期和乳熟期日期,估测精度分别为3.6天、6.2天和6.6天。有效分蘖临界叶龄期、拔节期和完熟期的日期可以分别用来确定灌溉管理、追肥和收获的日期,有效地指导农业生产管理。其次,分析不同无人机RGB、近红外和多光谱影像提取的光谱指数与水稻叶片和植株氮积累量(leaf nitrogen accumulation,LNA 和 plant nitrogen accumulation,PNA)之间的定量关系,确定了不同传感器在水稻氮积累量估测上的应用范围。结果表明,从多光谱影像中提取的红边指数(CIrededge和DATT)对叶片和植株氮积累量的预测精度最高,验证 R2 和 RMSE 分别为 0.70-0.71,1.43-1.45 g m-2 和 0.69-0.72,2.27-2.38 g m-2。在所有生育时期数据构建的模型中,近红外影像提取的绿度归一化植被指数GNDVI表现中等。相比于三个时期一起建模的模型,RGB影像提取的颜色指数(ExG和NGRDI)在分蘖期和拔节期两个时期构建的模型中表现较好。相比于RGB和近红外影像提取的光谱指数,多光谱影像提取的相同指数在氮积累量估测上表现更好。接着,在分析无人机多光谱影像的光谱和纹理参数与水稻地上部生物量(Aboveground biomass,AGB)定量关系的基础上,构建了基于光谱指数和纹理指数结合的水稻AGB估测模型。结果表明,对于植被指数,优化土壤调节植被指数(OSAVI)与全生育期及抽穗后的AGB均表现出最强的相关性,决定系数分别为0.63和0.65,红边指数(CIrededge和DATT)只在抽穗前表现最佳(R2>0.70)。近红外波段的均值纹理参数(Mean800,MEA800)是估测水稻AGB的最佳纹理参数。归一化纹理指数(NDTI(MEA800,MEA550))在整个生育期和抽穗前对AGB的估测精度均高于植被指数,决定系数分别为0.75和0.84。利用多元线性回归法将纹理指数NDTI(MEA800,MEA550)和植被指数(GNDVI,MTVI2)相结合可进一步提升AGB的估测精度。该多参数模型能够较好地估测整个生育期(R2=0.83,RMSE=1.68 t ha-1)、抽穗前(R2=0.87,RMSE=0.99 t ha-1)及抽穗后(R2=0.75,RMSE=1.73 tha-1)的水稻 AGB。最后,通过比较地面高光谱数据和无人机多光谱影像数据在水稻植株氮含量(PNC)的估测效果,发现无人机影像计算的植被指数只在抽穗前期表现较好(R2=0.52-0.70),地面平台获取的光化学指数PRIg和蓝光氮素指数BNIg在整个生育期均表现稳定。绝大部分纹理特征与PNC相关性很低,只有红边波段的均一性纹理参数(Homogeneity720,HOM720)和MEA800表现出与PNC显著相关,但是纹理指数与PNC的相关性较高,表现最佳的纹理指数与分生育时段和全生育期PNC的决定系数分别为0.61、0.61和0.50。利用多元线性回归将无人机影像的植被指数和纹理指数相结合来估测PNC,结果发现多元线性模型的估测效果相比于最佳的纹理指数和光谱指数没有提升。然而,当地面高光谱计算的植被指数与无人机影像提取的纹理指数结合时,多元线性模型的估测精度明显提升,抽穗前后和全生育期的决定系数分别为0.72,0.73和0.75。