高光谱监测技术能够迅速准确地提供精准农业所用数据信息,促进精准农业发展。利用高光谱数据同植物理化参数间的关系,构建两者的数学模型,从而完成植物参数反演与监测,为高光谱监测水稻叶片叶绿素含量提供了一定的理论依据。本文依托辽宁省沈阳市辽中区卡力玛村院士工作站,通过获取水稻叶片高光谱,实验室获取水稻叶片叶绿素含量分析了水稻在分蘖期、拔节期和抽穗期3个时期叶片光谱变化规律和不同叶绿素含量下、不同氮素水平下叶片光谱的变化特征,选取了高光谱最佳特征波段组合、最佳植被指数和最佳“三边”参数,作为后续反演叶绿素含量模型的输入特征。研究基于PLSR、BP神经网络及PSO优化的BP神经网络3种方法构建叶绿素含量反演模型,利用有效的模型验证方式决定系数R~2和均方根误差RMSE对反演模型进行评价,为水稻营养情况监测提供一定的理论支撑。本文主要内容如下:(1)研究分析了水稻在3个生育期内(分蘖期、拔节期和抽穗期)叶片原始光谱、红边变化规律和不同叶绿素含量下、不同氮素水平下原始光谱、红边参数变化规律。研究表明:水稻分蘖期到抽穗期,近红外波段的水稻叶片光谱会逐渐的变大,并保持一个平台的趋势。在拔节期阶段,红边振幅和面积均达到了最大值;在叶绿素含量不同时,红边参数表现出明显的区分度。光谱曲线也呈现一定的规律性;当氮肥的浓度增加时,水稻叶片光谱反射率呈现变小的趋势,且红边位置也出现了变化。水稻叶片光谱出现的一系列变化可以为水稻生长发育情况的监测起到关键的作用。(2)针对多维高光谱数据进行特征提取。首先应用SPA选取高光谱敏感波段,分蘖期、拔节期、抽穗期光谱提取的敏感波段数量均为3个;然后采用任意波段组合的方式,运用水稻3个生育期叶片原始光谱构建植被指数,最佳植被指数与对应叶片叶绿素值相关性达到了0.5以上,且植被指数RVI同叶绿素含量相关性最高;“三边”参数中SDb、SDy和λr3个参数相关程度最高。(3)将得到的最佳高光谱特征波段、植被指数以及“三边参数”作为偏最小二乘法、BP神经网络和PSO优化的BP神经网络的叶绿素反演模型的输入量。研究显示:3个生育期中拔节期反演效果较好,高光谱特征中特征植被指数反演叶绿素含量最佳,最佳反演建模方法为PSO优化BP神经网络,验证集R~2为0.7389,RMSE为1.7689。能够为快速准确获取水稻叶绿素含量以便监测水稻营养情况提供一定的理论支撑。