1、作物長勢參數是表征作物生長狀態(tài)的重要指標，準確、快速的獲取作物長勢信息對指導農業(yè)生產、預測糧食產量和制定糧食安全策略具有重要的實際意義。在我國目前的農業(yè)生產條件下，大部分農田比較分散并為不同農戶所有，田間管理措施多樣，再加上地域差異和氣候差異，導致區(qū)域內不同地塊內和地塊間的作物長勢差異較大，即作物長勢存在不同程度的空間變異。傳統(tǒng)的田間采樣和實驗室分析方法只能獲取離散點上的作物長勢參數信息，無法獲取宏觀面上的信息，也無法獲取作物長勢空間變

2、異信息。隨著遙感技術的日益成熟，該技術已經成為進行作物長勢參數反演和監(jiān)測、研究作物長勢空間變異和進行相關決策支持的有效手段。本研究立足于獲取作物長勢參數和長勢空間變異信息這一實際需要，圍繞基于高光譜影像的作物種植區(qū)提取、基于冠層高光譜和航空高光譜影像的作物長勢參數遙感反演和監(jiān)測和作物管理分區(qū)中的關鍵問題，開展了如下研究工作:
　　(1)基于高光譜遙感影像的作物種植區(qū)提取
　　為了解決高光譜影像波段維數較高，在利用監(jiān)督分類方法

3、進行分類時出現維數災難的問題，從波段選擇和特征提取兩個方面進行了高光譜影像維數約簡的研究。在波段選擇方面，提出了基于分散矩陣的波段選擇方法ScatterMatrix，該方法將類間可分性作為波段選擇的準則，采用分散矩陣作為類間可分性度量并將它擴展至多個類別的分類問題中，最后結合SFFS搜索算法進行波段選擇。算法驗證結果顯示與JMI、mRMR、CMIM、DISR和JM五種典型的波段選擇方法相比，提出的ScatterMatrix波段選擇方法得

4、到的總體分類識別率最高(90.1％)，由此表明提出的ScatterMatrix方法可以有效的降低波段維數，提高分類識別率。在特征提取方面，針對PCA的非監(jiān)督的本質，變換后得到的新的特征并不能保證好的分類識別效果的問題，將非監(jiān)督的PCA方法與前面提出的監(jiān)督的波段選擇方法ScatterMatrix結合提出了一種混合的特征提取方法PCA ScatterMatrix，算法驗證結果顯示與傳統(tǒng)的PCA相比，PCA_ScatterMatrix方法的總

5、體識別率提高了2.5％。為了獲得更加精確的植被分類結果，在利用光譜信息的基礎上，引入了地物自身的空間信息，提出了一種光譜特征和空間特征融合的高光譜影像分類方法SpeSpaVS_ScatterMatrix，該方法用ScatterMatrix方法進行光譜特征的提取，采用Gabor方法進行空間特征的提取，然后將兩類特征組合成一個特征向量，接著采用ScatterMatrix方法對組成的新的特征集合進行特征選擇，選擇出的特征用于后續(xù)分類識別。實驗

6、結果顯示在所有參與比較的方法中，SpeSpaVS_ScatterMatrix的總體識別率最高(98.4％)，與光譜信息和空間信息決策級融合方法SpeSpaDF相比，總體識別率提高了5.4％，SpeSpaDF方法比僅采用空間信息的Gabor方法相比，總體識別率低了3.7％，由此表明只有將光譜信息和空間信息有效的結合才能提高總體識別率，如果結合方式不當總體識別率并不會比僅采用單一信息的高。
　　(2)基于冠層高光譜的作物長勢參數遙感反

7、演
　　以冬小麥為研究對象，基于2013年小區(qū)實驗和2008年和2009年的大田實驗采集的冠層高光譜數據，圍繞LAI、地上生物量和NNI三個作物長勢參數的反演問題進行了研究。針對高光譜植被指數在反演LAI時出現的“飽和”問題以及傳統(tǒng)的衡量植被指數性能的統(tǒng)計參數如決定系數R2和均方根誤差僅能對植被指數做一個整體的評價，然而實際上植被指數對處于不同范圍的LAI的敏感性是變化的，并不是一個常數。因此引入敏感性函數對植被指數的抗飽和性進行

8、分析，同時考慮反演LAI的高光譜植被指數通常對土壤背景變化和葉片葉綠素含量變化較敏感，從而造成LAI反演精度受限，從這三個方面著手，基于PROSAIL模型模擬的冠層高光譜，系統(tǒng)的分析了二十種常用于作物LAI反演的植被指數得出以下結論:(a)當LAI小于3時，植被指數受土壤背景亮度變化影響較大，其中LAIDI、OSAVI和RDVI是進行LAI反演較好的選擇;(b)當LAI大于3時，植被指數受葉片葉綠素含量變化影響較大，其中EVI2、LAI

9、DI、RDVI、SAVI、MTVI2和MCARI2對葉片葉綠素含量變化相對較不敏感且具有較好的抗飽和性，是進行LAI反演較好的選擇。該結論將對今后選擇合適的高光譜植被指數進行LAI反演提供有力的參考。
　　針對利用高光譜指數反演作物地上生物量時的“飽和”問題，系統(tǒng)的比較了高光譜指數包括窄波段植被指數和紅邊位置反演生物量的能力，并提出了基于最優(yōu)NDVI-like和波段深度信息BDR結合的偏最小二乘回歸(PLSR)生物量反演方法。通過

10、分析生物量與所有波段兩兩組合構成的NDVI-like和SAVI-like指數的線性回歸關系得到反演生物量的最優(yōu)NDVI-like指數(1097nm，980nm)和最優(yōu)SAVI-like指數(1084nm，1026nm)。從紅光吸收區(qū)域（550nm-750nm）提取出的波段深度信息用BD、BDR、NBDI和BDNA四個參數表征。實驗結果表明:(a)與NDVI(670 nm，800 nm)、SAVI(670 nm，800 nm)和紅邊位置相

11、比，所選擇出的窄波段植被指數（最優(yōu)NDVI-like和SAVI-like指數）的生物量反演精度更高;(b)基于波段深度信息建立的PLSR生物量反演模型的預測精度比基于最優(yōu)NDVI-like的反演模型的精度高;(c)提出的基于最優(yōu)NDVI-like和波段深度信息BDR集合建立的PLSR生物量反演模型獲得了最好的預測結果（R2=0.840，RMSE=0.177 kg/m2），由此表明提出的基于最優(yōu)光譜指數和波段深度信息結合的PLSR反演模型

12、能較好的緩和生物量反演時的“飽和”問題，提高生物量反演精度。
　　基于2013年小區(qū)實驗獲得的數據分析了各個生育期各小麥氮素營養(yǎng)診斷指標與小麥籽粒蛋白質含量的相關關系，研究發(fā)現孕穗期的小麥NNI與籽粒蛋白質含量的相關性最高。利用DCNI反演小麥植株氮含量，同時采用提出的基于最優(yōu)光譜指數與波段深度信息BDR結合的PLSR方法反演小麥地上干生物量，結合關鍵氮素稀釋曲線，對這一時期的NNI進行了反演，實驗結果表明該方法能獲得較高的NNI

13、反演精度(R2=0.822，RMSE=0.116)，同時進一步說明提出的基于最優(yōu)光譜指數與波段深度信息BDR結合的PLSR方法能夠較好的反演小麥的地上生物量?；诜囱莸腘NI建立小麥籽粒蛋白質含量反演模型，留一法交叉驗證R2cv為0.723，RMSEcv為0.883％。由此表明以NNI作為中間變量鏈接冠層高光譜和小麥籽粒蛋白質含量進行籽粒蛋白質含量預測是可行的。
　　(3)基于CASI高光譜影像的作物長勢參數反演和監(jiān)測
　　

14、為了將作物長勢參數反演和監(jiān)測上升到區(qū)域尺度上，本研究以甘肅黑河流域盈科灌區(qū)的玉米和蔬菜為研究對象，基于2012年7月7日獲取的CASI航空高光譜影像對作物長勢參數反演和監(jiān)測進行了研究。首先采用第三章提出的ScatterMatrix波段選擇方法結合支持向量機分類方法，提取出了作物種植區(qū)域。在此基礎上采用查找表法進行基于PROSAIL輻射傳輸模型的LAI反演，為了保證反演結果的魯棒性，分別選取了取前1、50和100個最優(yōu)模擬光譜對應的參數值

15、的均值作為最終反演結果，實驗結果表明基于查找表多解的方法能夠獲得較好的LAI反演精度，其中取前100個解時，LAI反演精度最高(R2=0.551，RMSE=0.496)，由此表明當地面采樣點不足時，利用查找表法進行基于輻射傳輸模型的LAI反演，能夠較好的避免經驗模型法基于少量樣本建立的模型缺乏穩(wěn)定性的問題。最后對整個CASI航空影像實現查找表反演，最終實現了研究區(qū)域作物長勢參數的遙感監(jiān)測。
　　(4)作物管理分區(qū)研究
　　以

16、冬小麥為研究對象，基于2006年獲取的一景Quickbird的遙感影像以及田間采樣的土壤養(yǎng)分和產量數據，在分析了土壤養(yǎng)分參數空間變異和作物長勢空間變異的基礎上，進行了作物管理分區(qū)研究。從分別基于土壤養(yǎng)分數據和遙感影像數據進行管理分區(qū)的結果可以看出，以這兩種數據源進行管理區(qū)劃分后，每個管理區(qū)的小麥產量變異系數均降低了，由此表明這兩種數據源均可以用于作物管理分區(qū)中，但從成本和時效性的角度來看，遙感影像在作物管理分區(qū)中更具有優(yōu)勢。通過比較模糊