中耕追肥是提高玉米产量和品质必不可少的农业生产环节。追肥方式是一个区域内或一个地块内使用一个平均追肥量,由于自然条件的影响,不同位置的土壤肥力存在显著性差异,因此平均追肥量在土壤肥力较低的地方出现供肥不足的情况,而在土壤肥力高的地方引起过量追肥,影响玉米的产量和品质。同时造成肥料利用率低和环境污染等问题,严重制约了农业可持续发展。施肥分区是提高肥料利用率的有效手段,其通过农情信息(土壤养分、产量、生长状态参数)建立变量施肥模型,结合农情信息的空间分布规律,建立分区施肥处方图,实现整个地号内不同位置的精准肥料调控。根据施肥分区思想,结合玉米在不同营养状态冠层光谱参数归一化植被指数(Normalized Difference Vegetation Inde x,NDVI)存在显著性差异性原理,提出一种基于光谱反射参数归一化植被指数(NDVI)的智能、实时玉米追肥分区方法。主要内容是通过车载冠层光谱传感器获取中耕时期玉米冠层NDVI,研究其与玉米产量、氮含量间的关系,建立基于NDVI变量施肥模型。在此基础上,分析NDVI空间变异规律确定合理的采样方法,并探讨基于大数据的智能分区算法,从而建立智能的追肥分区方法,实时调控变量施肥机工作。主要研究内容和结果如下。(1)在基于NDVI变量追肥模型建立方面,首先分析车载植物冠层光谱传感器(Gre enseeker)最佳工作参数,在此基础上获取德美亚1号和德美亚3号玉米品种冠层NDVI,基于氮肥推荐算法分析NDVI与产量的关系,建立基于NDVI的不同玉米品种的变量追肥模型,并进行验证。研究结果表明,光照强度对Greenseeker检测精度无显著影响,最佳检测高度为60-100cm。对比常规追肥处理,变量追肥在产量未减少的情况下,追肥量减少了31.5%(德美亚3号)和30.5%(德美亚1号)。(2)在田间实时检测NDVI过程中极易受到误差干扰,因此通过建立不同株距和施氮量处理的小区,得到了差异性的NDVI时间序列数据,并对其进行误差分析。在此基础上,以密植株距的NDVI均值、玉米株高及氮含量的估算准确性为评价指标对不同的误差剔除算法进行比较。结果表明,粗大误差是影响NDVI数据精度的主要原因。在不同株距下箱线法处理后的NDVI均值与密植株距的NDVI均值差异最小,分别为9.2%和22.3%。同时对于玉米株高及氮含量的估算准确性高于其他几种算法。箱线法有效降低误差对玉米冠层NDVI的干扰。(3)在NDVI空间变异性方面,首先对比无人机冠层光谱传感器和车载冠层光谱传感器所获取的玉米冠层NDVI时间序列数据的差值序列的变异性,探讨车载冠层光谱传感器获取的大面积NDVI数据的准确性。在此基础上,利用区域变量理论对NDVI进行空间变异性分析,确定小尺度下NDVI的空间变异规律和尺度依赖性,得到玉米长势分布规律和最佳的采样间距。研究结果表明,不同冠层光谱传感器获取的NDVI时间序列数据变化趋势无显著性差异(sig>0.05),车载光谱传感器所获取的NDVI时间序列数据精度较高。随着检测距离增加,NDVI自相关性减弱,地貌因素是影响玉米长势的主要原因。块金值和基台值比值在检测间距为10米时出现平稳变化,确定最佳的检查间距为10米。(4)利用以获取的NDVI数据,基于聚类评价指数和玉米长势参数的估计准确性评价指标,对聚类算法进行比较,表明K-mean在4个聚类下能够建立合理分区。同时对于动态NDVI增量数据利用网格密度聚类方法,利用数据本身调整聚类算法参数,进行参数自调整,进行实时的聚类分析。在不同数据量下,以两种算法的对应分区簇内NDVI分布直方图重合面积作业相似度评价指标,评价算法性能。结果表明,随着检测的数据量增加K-mean和实时聚类所得到分区图的相似度随之增加,在数据最大的情况下达到最高的相似度(0.72),表明了基于大数据思想的实时分区方法具有可行性。