高光譜成像技術可以同時獲取目標的光譜特征和圖像特征，目前已經廣泛應用于農業資源調查、環境監控等諸多領域。將光譜信息與圖像信息結合研究，可從多個角度較為直觀、精準地對作物長勢的各項指標監測。健康葉片和病害葉片的圖像亮度、灰度均勾分布的情況均有較大差異。高光譜圖像的灰度值可作為監測農作物長勢的一項重要的參數。
小麥是重要的糧食作物，同時也在能源經濟領域有著不可或缺的地位。傳統長勢監測手段取樣方法大多采具有破壞性，本文以小麥為研究對象，基于通過分析不同生育時期小麥冠層光譜圖像的灰度值，計算光譜植被指數，分別與小麥葉面積指數，地上部干物質重，葉氮含量實測值擬合模型。
1.實驗設計與儀器
1.1實驗設計
共設置N0、N1、N2、N3、N4五個氮素(氮肥為尿素)處理，分別施0、150、300、450、600kg/hm2 純氮，除氮素外還施用磷肥(P2O5)120.0 kg/hm2，鉀肥(K2O)105.0 kg/hm2，田間管理按照高產田的標準進行管理，實驗數據用于構建監測模型的構建。
1.1實驗儀器
實驗儀器為美國SOC公司生產的SOC710VP便攜式成像光譜儀，光譜范圍為400-1000nm，光譜分辨范圍1.3nm，波段數128-512可選，光譜儀總重量為2.95kg，該光譜儀能夠搭載實驗臺和顯微鏡，在野外測量時配備有便攜式三腳架和搖臂。本實驗于野外測量， SOC710VP成像光譜儀采用內置推掃方式，避免了外置推掃的圖形畸變和操作的笨重性，可具有自動校正暗電流，可靈活設置積分時間等優點。
2結果與分析
2.1小麥LAI的高光譜監測模型
植被指數RVI、DVI、NDVI、EVI、SAVI擬合小麥LAI監測模型較為準確，基于圖光譜圖像灰度值計算植被指數GR(670 870)，GD(670 870)，GND(670 870)，GE(670 870)，GSA(670 870)。變化趨勢如下圖所示，植被指數均表現先升高后降低的趨勢，自返青期開始，植被指數逐漸增大，抽穗期附近有最大值;抽穗期過后開始逐漸減小，灌漿期有最小值。植被指數和灰度植被指數的變化特征和小麥LAI相似。
經過對比和分析，GND與小麥LAI相關性系數最大，擬合模型決定系數最高，研究選擇GND為自變量，小麥LAI為因變量建立監測模型y=1.885-15.68X+22.58x2 決定系數0.81 RMSE (%)=1.01。
2.2小麥地上部干物質重高光譜監測模型
灰度植被指數GR(560 810)，GD(560 810)，GND(560 810)的變化如下圖所示：植被指數在整個生育期內呈先升高后降低的趨勢，抽穗期有最大值;灰度植被指數變化和植被指數一致，呈先升高后降低的趨勢，抽穗期有最大值。
經過對比和分析，灰度植被指數中GND(660 760)與小麥地上部干物質重的相關性最強，擬合模型決定系數最高，模型誤差較小。模型以GND(660 760)為自變量，小麥地上部干物質重為因變量，最佳監測模型 y=-0.236+2.63x+2.53x2決定系數0.78 RMSE (%)=0.5。
2.3 小麥葉氮含量的高光譜監測模型
植被指數整個生育期內呈先升高后降低的趨勢，RVI(550 680)、NDVI(550 680)、GRVI(560 680)抽穗期附近有最大值，DVI(550 680)開花期附近有最大值?；叶戎脖恢笖狄渤氏壬吆蠼档偷内厔?，GR(550 680)、GND(550 680)、GGR(550 680)開花期有最大值，GD(550 680)抽穗期有最大值。植被指數變化相對平緩，對比植被指數，灰度植被指數變化幅度較大，與葉氮含量的變化趨勢更為接近。
灰度植被指數中GND與小麥葉氮含量的相關性最強，擬合模型決定系數最高，模型誤差較小，適合建立小麥葉氮含量監測模型。最終選擇GND(550 680)為自變量，小麥葉氮含量為因變量。建立監測模型 y=38.716-2.41/x 決定系數0.723 RMSE (%)=5.7 。
