定量监测植物氮素状况已成为国内外植被遥感的一个重要研究领域。利用快速、无损、准确的方法来估测作物氮素营养状况是精确农业发展的关键技术之一。本研究的目的是以水稻为对象，基于不同年份、不同氮素水平、不同种植密度和不同品种类型的田间试验，运用成像高光谱仪Specim V10E获取水稻近地面的高光谱影像，利用决策树分类法，分出未去背景水稻、去背景水稻、光照水稻和阴影水稻四种目标成分。

    为了评估不同空间分辨率对水稻LNC预测精度的影响，本研究在南京农业大学如皋实验基地进行了为期2年的水稻实验，并采集了水稻各个生育期的高光谱影像数据，同时生成10组空间分辨率在1.3nm、14nm、28nm、56nm、113 nm、225nm和445nm的图像。利用这些图像，可通过三组植被指数（VI）和两种多变量方法——高斯过程回归（GPR）和偏最小二乘回归（PLSR）来确定不同空间分辨率对LNC预测的影响。利用在每个空间分辨率下与背景像素分离的光照、阴影和全叶叶片像素的反射光谱来分别预测具有VI、GPR和PLSR的LNC。

图1  南京农业大学如皋基地试验田及影像采集设备（双利合谱制造）

图2  不同处理不同生育期水稻高光谱影像（RGB真彩色合成）

图3  不同生育期去背景水稻和未去背景水稻的光谱反射率

图 4  空间分辨率在1.3mm、14mm、28mm、56mm、113 mm和225nm的图像

图 5  去背景水稻和未去背景水稻不同生育期不同植被指数与LNC的相关性分析

图 6  去背景水稻、光照水稻和阴影水稻不同生育期在不同空间分辨率下其植被指数与LNC的相关性分析

图 7  去背景水稻、光照水稻和阴影水稻在不同空间分辨率下基于光谱反射率及连续统去除的GPR和PLSR与LNC的相关性分析

    结果表明，无论估计方法如何，全叶片像素通常表现出比光照和阴影叶片像素更稳定的性能。大多数VI在早期分蘖阶段的所有分辨率均小于14 mm，但其他阶段的分辨率均小于56 mm。相比之下，采用GPR或PLSR方法成功建立了整个生长季节预测LNC的全球模型，其中具有最佳预测结果的是GPR，最佳空间分辨率为28 mm。