氮素是农作物生长发育中重要的营养成分,实时检测和评估农作物的氮素含量对于农作物氮素营养检测、田间精准管理以及农作物长势预测均具有十分重要的意义。目前,农作物的氮素营养诊断方法普遍采用田间破坏性取样并在室内对作物组织进行分析测定,虽然室内实验结果较为精准,但是该方法消耗大量人力、物力且具有滞后性。因此目前的氮素营养诊断方法很难达到实时、快速、无损的诊断要求。随着无人机遥感技术在我国的迅猛发展,为农作物氮素营养诊断提供了一种全新的诊断方法和技术手段。本研究采用无人机遥感平台对粳稻冠层高光谱影像进行采集,对不同分类方法进行验证分析,提取较为纯净的粳稻冠层光谱数据。并以三个不同氮肥梯度水平下不同生育期的粳稻冠层高光谱数据和冠层叶片氮素含量为数据源,对不同光谱预处理方法进行对比分析,确定最佳预处理方法,同时对粳稻冠层叶片氮素含量的特征波段和植被指数进行提取,构建4种粳稻冠层叶片氮素含量反演模型,实现区域范围粳稻氮素含量的精准诊断。具体研究成果如下:(1)本研究基于无人机高光谱遥感平台采集不同生育期的粳稻冠层高光谱遥感影像。采用最小距离法、最大似然法以及支持向量机三种方法对遥感影像进行分类并提取较为纯净的粳稻冠层光谱信息。经对比分析得出,采用支持向量机分类法对粳稻冠层高光谱影像分类处理效果最佳,分类精度为89.1895%,Kappa系数为0.7925。(2)本研究分别采用一阶导数、对数、标准正态变量变换以及SG平滑法对原始光谱数据进行预处理,并构建偏最小二乘回归模型进行对比分析。结果表明,标准正态变量变换处理方法去噪效果较好,训练集与验证集的R~2和RMSE分别为:0.5040、0.7788和0.5399、0.3662,明显优于其他预处理方法,能够有效地消除或降低光照等外界环境因素的影响,提高建模效率与精度。(3)本研究基于预处理的光谱数据,采用无信息变量消除法(UVE)和竞争自适应重加权采样法(CARS)对不同生育期下的全光谱数据进行特征波段筛选。不同生育期下的特征波段数目分别为分蘖期9个、拔节期7个、抽穗期6个,明显降低数据维度,剔除了冗余信息。同时,利用决定系数R~2等势图分别筛选出不同生育期下最佳的归一化、比值以及差值光谱植被指数。(4)本研究采用多元线性回归、BP神经网络、RBF神经网络以及自适应差分优化极限学习机(Sa De-ELM)4种方法分别对不同生育期的粳稻冠层叶片氮素含量进行建模分析。模型反演结果表明,无论以多特征波段组合作为模型输入,还是以多植被指数组合作为模型输入,均以Sa De-ELM反演模型估测效果最佳。