随着基于植被光谱特性的高光谱遥感技术迅速发展,使得区域范围内实时快速监测作物氮素含量成为农业遥感领域的重要研究内容。本研究以不同生育期、不同氮素水平下的杨凌示范区冬小麦为研究对象,在2015-2016年进行冬小麦小区试验。采集冬小麦主要生育期的冠层和叶片光谱,测定相应的叶片氮含量,分析基于冠层和叶片两种尺度的光谱及一阶导数光谱变化规律,探索高光谱参数与叶片氮含量的定量关系,利用多种方法构建冬小麦叶片氮含量估算模型。并借助低空无人机获得高光谱影像对冬小麦叶片氮含量进行空间反演。研究旨在为实时无损监测冬小麦氮素营养状况和施肥管理提供依据。主要结论如下:(1)分析不同施氮水平、不同生育期冬小麦反射光谱以及一阶导数光谱变化规律。结果表明,冬小麦在冠层和叶片两种尺度下存在相同的光谱变化特征。原始光谱随氮素水平提高在可见光区域反射率降低而在近红外区域反射率增强;随生育期推进,光谱反射率在可见光区域先降低后升高,在近红外区域先升高后降低,抽穗期“绿峰”峰值最低,而在近红外反射平台达到最高。红边位置随施氮量升高在各个生育期都向长波方向移动,红边振幅和红边面积随之升高;在不同生育期,红边均在抽穗期之前发生“红移”,而在抽穗期之后发生“蓝移”,红边振幅和红边面积也呈先增大后减小的趋势。(2)分析全波段反射率与叶片氮含量的相关性,得出冠层和叶片的原始光谱和一阶导数光谱对叶片氮含量反应敏感的波段基本一致,原始光谱和一阶导数光谱分别在695 nm附近和687 nm处与叶片氮含量呈最大负相关,基于这些敏感波段建立叶片氮含量估算模型。分别从冠层和叶片一阶导数光谱中提取“三边”参数与叶片氮含量做相关分析,选择相关性高的参数建立估算模型。对于冠层光谱,选择红边位置、峰度系数和偏度系数对叶片氮含量进行估算,最佳模型为基于偏度系数建立的多项式模型;基于叶片的红边位置、峰度系数、偏度系数、黄边面积和蓝边振幅建立叶片氮含量估算模型,其精度高于基于冠层光谱参数建立的模型,表现最好的也是基于偏度系数建立的多项式模型,但两者模型存在差异,精度相对基于敏感波段建立的模型精度有所提高。(3)选取归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数四种光谱指数,在350~2500 nm全光谱范围内,将冠层和叶片原始光谱和一阶导数光谱分别进行两两交叉组合生成光谱指数与叶片氮含量进行相关分析、模型构建和精度检验,筛选出预测叶片氮含量的最佳光谱指数。通过一阶导数光谱求得的光谱指数与LNC建立的模型精度略高于原始光谱;基于冠层尺度上的SASI(D741,D525)L=0.001建模结果精度最高且验证结果准确性和稳定性最好;基于叶片尺度上的RSI(D962,D725)表现最好,是估测叶片氮含量的最佳光谱指数模型。基于冠层和叶片不同尺度构成的光谱指数模型不能通用。基于光谱指数建立的叶片氮含量估算模型精度高于基于特征波段建立的模型。(4)将甄选出的精度较高的高光谱参数建立BP和RBF人工神经网络模型,并适当调节网络参数,对模型进行优化,得到冬小麦叶片氮含量人工神经网络估算模型。基于人工神经网络建立的模型较传统单变量模型在精度上有了较大提高,分别在冠层和叶片尺度上基于RBF网络建立的模型具有最大的决定系数和较低的误差,是估算叶片氮含量的最佳模型。(5)借助低空无人机获得高光谱影像,应用冬小麦冠层叶片氮含量估算模型实现了小区域范围内冬小麦叶片氮含量空间反演。通过检验结果对比,基于RBF网络模型反演效果最佳,是一种监测冬小麦氮素营养状况的有效方法。