水稻是我国重要的农业作物,种植面积居世界首位,水稻的生产安全是保障我国粮食稳定的重中之重。水分是水稻的重要组成部分,同时也是水稻光合作用和呼吸作用的主要参与者,对水稻含水量进行实时监测,及时、有效、合理地对水稻进行灌溉是保障水稻健康成长和缓解水资源匮乏问题最有效的方法。随着高光谱技术和无人机技术的发展和运用,快速、无损、大面积地获取水稻含水量成为可能。本文以水稻为研究对象,利用水稻叶片和冠层高光谱数据以及无人机多光谱数据建立了水稻叶片含水量和植株含水量估计模型。主要研究内容包括:(1)分析水稻叶片高光谱与叶片含水量的关系,发现水稻叶片含水量敏感波段主要位于近红外波段,1450 nm、1833 nm、1930 nm、2220 nm和2500 nm为水稻叶片含水量的敏感波段。分析水稻冠层高光谱与植株含水量的关系,发现水稻植株含水量敏感波段与叶片含水量一致,主要位于近红外波段,1200 nm及其附近波段的光谱反射率对植株含水量的变化也比较敏感。(2)利用传统植被指数、构造植被指数、主成分估计、随机森林和梯度提升决策树对水稻四个时期(拔节孕穗期、抽穗开花期、灌浆结实期Ⅰ和灌浆结实期Ⅱ)的叶片含水量进行估计建模。结果表明:在拔节孕穗期,利用一阶导构造归一化植被指数ND_FD(1062,1784)建立的线性回归模型估计效果最优,模型验证决定系数为0.58,均方根误差为3.50,相对分析误差为1.61;在抽穗开花期,利用主成分分析法提取的10个叶片光谱主成分构建的多元线性回归模型估计效果最好,模型验证决定系数为0.61,均方根误差为1.66,相对分析误差达1.73;在灌浆结实期Ⅰ,随机森林估计效果最好,模型验证决定系数为0.86,均方根误差为1.16,相对分析误差为2.33;在灌浆结实期Ⅱ,利用归一化光谱构造差值植被指数DV_NR(2196,2255)估计该时期叶片含水量精度最高,模型验证决定系数为0.62,均方根误差为2.56,相对分析误差为1.70。水稻四个时期最优构造植被指数分别为 NDVI_FD(1062,1784)、DV_RC(1883,2300)、SR_FD(2087,2250)和DV_NR(2196,2255),均由近红外波段构成,近红外波段反射率与叶片含水量关系紧密,是叶片含水量的敏感波段。(3)利用传统植被指数、构造植被指数、主成分估计、随机森林和梯度提升决策树对水稻四个时期(拔节孕穗期、抽穗开花期、灌浆结实期Ⅰ和灌浆结实期Ⅱ)的植株含水量进行估计建模。结果表明:在拔节孕穗期,随机森林估计该时期植株含水量效果最好,模型验证决定系数为0.56,均方根误差为0.68,相对分析误差为1.58;在抽穗开花期,利用一阶导构造差值植被指数DV_FD(590,1720)建立的线性回归模型估计效果最好,验证决定系数为0.55,均方根误差为1.54,相对分析误差为1.57;在灌浆结实期Ⅰ,由梯度提升决策树估计该时期植株含水量效果最佳,模型验证决定系数为0.53,均方根误差为2.05,相对分析误差为1.48;在灌浆结实期Ⅱ,随机森林估计效果最好,模型验证决定系数为0.50,均方根误差为2.32,相对分析误差为1.41。由于田间水分的影响,水稻四个时期植株含水量估计模型的精度随叶面积指数的降低而降低。植株含水量四个时期最优构造指数分别为 DV_FD(790,1250)、DV_FD(590,1720)、SR_RC(745,1114)和DV_FD(775,2040),大多采用近红外波段,由于冠层光谱采集时受空气水分的干扰,1450 nm、1930 nm和2500 nm及其附近的水分吸收波段被剔除,而冠层光谱可见光波段属于水分的次级影响波段,与植株含水量具有一定的相关性,因此最优构造指数出现少数可见光波段。(4)利用无人机多光谱数据估计水稻拔节孕穗期植株含水量,结果表明利用band2和band6建立的多元线性回归模型估计效果最优,模型验证决定系数为0.51,均方根误差为1.04,相对分析误差为1.52。在水稻含水量估计建模中,由于植株含水量建模集和验证集的水稻品种不同以及田间水分的影响,植株含水量的建模效果较叶片含水量差。