氮素是马铃薯生长发育所必需的大量元素之一,对马铃薯的产量及品质有着较大的影响。近年来,随着人口的增加,对于粮食的需求也在增加,而马铃薯也成为了我国继水稻、小麦、玉米之后的第四大粮食作物。适量的肥料施用可以促进马铃薯的产量,但农民常规施肥方式过于粗放,而马铃薯在不同的生育期内对于氮素的吸收量具有阶段性,不合理的化肥投入不仅导致生产成本增加,还可能造成不必要的环境污染。因此,制定合理的施肥方案,是现代农业发展的重中之重。而近年来随着科技的发展,遥感监测方法以其高效、无损、实时的特点,越来越广泛的应用于作物的养分含量监测。随着种植面积的增加,基于近地面建立的遥感估测模型不足以实现大面积的监测,而卫星科技的进步,为进行区域尺度的大面积监测提供了一种新的方法。本研究利用地面实测高光谱数据通过重采样,模拟近年来发射的典型多光谱卫星Sentinel-2A、GF-2、Rapideye传感器数据,之后经波段优化算法筛选不同光谱指数的最优波段,将模拟波段和优化光谱指数分别与三种机器学习算法结合,建立马铃薯植株吸氮量的估测模型,探讨了不同物候期内各传感器的估测性能,以及不同机器学习算法的估测能力。通过对不同物候期模拟数据进行敏感波段的筛选,发现不同最优光谱指数的敏感波段具有相似性,模拟Sentinel-2A卫星传感器的最优光谱指数为BNI2,相关系数为0.51,敏感波段为红边波段3、近红外波段1以及近红外波段2;模拟GF-2卫星传感器的最优光谱指数为MCARI和TCARI,相关系数均为0.45,敏感波段为绿光波段、红光波段以及近红外波段;模拟Rapideye卫星传感器估的最优光谱指数为MCARI和TCARI,相关系数均为0.45,敏感波段为红光波段、红边波段以及近红外波段。之后将模拟波段及优化光谱指数分别与三种机器学习算法结合建立了不同物候期内的马铃薯植株吸氮量的估测模型,结果发现基于优化光谱指数建立的估测模型精度高于基于模拟波段建立的模型。对比三种机器学习算法得出,随机森林算法的建模精度均在0.9以上,而偏最小二乘和支持向量算法的建模精度最大分别为0.76和0.70,可以看出随机森林算法对吸氮量的估测能力要强于支持向量机和偏最小二乘算法。不同传感器的精度也有所差异,Sentinel-2A卫星传感器的估测能力明显强于GF-2和Rapideye。对比不同物候期内马铃薯植株吸氮量进行估测模型建立结果发现,波段优化算法可以准确的筛选出不同光谱指数的敏感波段,有效提高模型精度;利用Sentinel-2A卫星模拟数据计算的优化光谱指数结合随机森林算法所建立的模型,具有较高的精度,可以用于马铃薯植株吸氮量的估测;并且在花前对植株吸氮量的估测效果要明显强于花后。而随机森林算法对模型精度有较高的提升效果,因此该算法在马铃薯氮素营养诊断模型的建立应用中,具有广泛的前景。