作为水稻种植模式之一,再生稻对改善耕地矛盾和粮食增产具有十分重要的意义。叶绿素含量是评估作物长势状况的重要指标之一,对作物长势监测、生产管理具有重要意义。近地面遥感具有获取信息速度快、无破坏性等优点,是实现农作物叶绿素含量反演的有效途径。然而,很少有研究关注再生稻的叶绿素含量反演,也较少有学者对不同近地面遥感的叶绿素含量反演结果进行比较分析。基于此,文章以再生稻叶片叶绿素含量（Leaf chlorophyll content,LCC）为研究对象,获取再生稻叶片尺度高光谱、冠层尺度高光谱和无人机成像多光谱影像。基于实测的近地面遥感数据和叶片叶绿素含量,文章分析了叶片和冠层尺度的再生稻光谱响应规律,构建了再生稻叶片叶绿素含量反演的物理模型和经验模型,探索了不同数据增强方法（导数处理、纹理信息）对高光谱和无人机多光谱叶片叶绿素含量反演的精度提升效果,并进一步比较了不同模型构建算法、近地面遥感方式对再生稻叶片叶绿素含量反演精度的影响。主要结论如下:（1）叶片高光谱反射率与冠层高光谱反射率的变化规律保持一致,但叶片高光谱反射率值整体高于冠层高光谱反射率值。此外,不同叶片叶绿素含量条件下,叶片尺度高光谱、冠层尺度高光谱响应的区别主要在绿波段和红波段。叶片高光谱在绿波段、红波段与叶片叶绿素含量高度相关,而冠层高光谱在绿波段和红波段与叶片叶绿素含量仅为中度相关。（2）叶片尺度高光谱数据的导数处理不能改善再生稻叶片叶绿素含量反演结果;冠层尺度高光谱数据的二阶导数处理提高了再生稻叶片叶绿素含量反演精度。在无人机多光谱遥感中,多光谱植被指数结合纹理信息能够提供更精确的再生稻叶片叶绿素含量反演结果。（3）对不同模型的再生稻叶片叶绿素含量反演结果进行比较,经验模型的反演精度和稳定性整体较高,物理模型的反演精度略低。此外,3个经验模型在原始高光谱、冠层尺度多光谱及无人机多光谱中的反演结果没有明显差异,在导数高光谱中,偏最小二乘回归模型（Partial Least Squares Regression,PLSR）的反演结果较差。（4）以决定系数（R~2）、均方根误差（Root Mean Square Error,RMSE）、相对均方根误差（relative Root Mean Square Error,r RMSE）作为再生稻叶片叶绿素含量反演精度的评价指标。不同近地面遥感数据的再生稻叶片叶绿素含量反演精度从高到低依次为叶片尺度高光谱（R~2=0.94、RMSE=1.63、r RMSE=7.73%）、无人机多光谱（R~2=0.77、RMSE=3.15、r RMSE=14.90%）、冠层尺度高光谱（R~2=0.73、RMSE=3.47、r RMSE=16.38%）、冠层尺度多光谱（R~2=0.65、RMSE=4.03、r RMSE=19.03%）。虽然叶片尺度高光谱数据取得了最高的反演精度,但叶片尺度高光谱数据采集费时费力、效率较低,相比之下无人机多光谱遥感兼顾了数据采集效率和叶片叶绿素含量反演精度,是实现再生稻叶片叶绿素含量反演的有效途径。综上,文章实现了基于近地面遥感的再生稻叶片叶绿素含量反演,证明了近地面遥感应用于再生稻叶片叶绿素含量反演的可行性,这为精准农业中再生稻叶片叶绿素含量精确反演和有效利用农业资源、确保国家粮食安全提供参考和助力。