定量監測植物氮素狀況已成為國內外植被遙感的一個重要研究領域。利用快速、無損、準確的方法來估測作物氮素營養狀況是農業發展的關鍵技術之一。本研究的目的是以水稻為對象，基于不同年份、不同氮素水平、不同種植密度和不同品種類型的田間試驗，運用成像高光譜儀Specim V10E獲取水稻近地面的高光譜影像，利用決策樹分類法，分出未去背景水稻、去背景水稻、光照水稻和陰影水稻四種目標成分。

為了評估不同空間分辨率對水稻LNC預測精度的影響，本研究在南京農業大學如皋實驗基地進行了為期2年的水稻實驗，并采集了水稻各個生育期的高光譜影像數據，同時生成10組空間分辨率在1.3nm、14nm、28nm、56nm、113 nm、225nm和445nm的圖像。利用這些圖像，可通過三組植被指數（VI）和兩種多變量方法——高斯過程回歸（GPR）和偏小二乘回歸（PLSR）來確定不同空間分辨率對LNC預測的影響。利用在每個空間分辨率下與背景像素分離的光照、陰影和全葉葉片像素的反射光譜來分別預測具有VI、GPR和PLSR的LNC。

圖1  南京農業大學如皋基地試驗田及影像采集設備（雙利合譜制造）

圖2  不同處理不同生育期水稻高光譜影像（RGB真彩色合成）

圖3  不同生育期去背景水稻和未去背景水稻的光譜反射率

圖 4  空間分辨率在1.3mm、14mm、28mm、56mm、113 mm和225nm的圖像

圖 5  去背景水稻和未去背景水稻不同生育期不同植被指數與LNC的相關性分析

圖 6  去背景水稻、光照水稻和陰影水稻不同生育期在不同空間分辨率下其植被指數與LNC的相關性分析

圖 7  去背景水稻、光照水稻和陰影水稻在不同空間分辨率下基于光譜反射率及連續統去除的GPR和PLSR與LNC的相關性分析

結果表明，無論估計方法如何，全葉片像素通常表現出比光照和陰影葉片像素更穩定的性能。大多數VI在早期分蘗階段的所有分辨率均小于14 mm，但其他階段的分辨率均小于56 mm。相比之下，采用GPR或PLSR方法成功建立了整個生長季節預測LNC的模型，其中具有zuijia預測結果的是GPR，zuijia空間分辨率為28 mm。