摘要：籽粒蛋白含量（grain protein content,GPC）是衡量小麦品质的重要指标,及时准确的预测小麦GPC有利于小麦的分类收割和分级存储。为了能够选择一个合适的氮素营养指标作为中间变量来反演小麦GPC,该文研究分别以开花期植株氮素累积量（plant nitrogen accumulation,PNA）、植株氮素含量（plant nitrogen content,PNC）、叶片氮素累积量（leaf nitrogen accumulation,LNA）和叶片氮素含量（leaf nitrogen content,LNC）4个氮素营养指标为中间变量,并运用支持向量机（support vector machines,SVM）算法实现4个氮素营养指标的估测,最后构建及评价基于开花期“植被指数（vegetation index,VI）-氮素营养指标（nitrogen nutrition index,NNI）-GPC”模式的冬小麦GPC预测模型。结果表明：1）通过分析植被指数与氮素营养指标的相关性,选择植被指数MSAVI、PSRI、DVI、RDVI和GNDVI作为氮素营养指标模型的构建变量;2）运用SVM方法构建的VI-NNI模型中LNC的建模精度与验证精度相对最优,其建模决定系数（coefficient of determination,R2）和验证集标准均方根误差（normalized root mean squared error,n RMSE）及验证标准化平均误差（normalized average error,NAE）分别为0.820、9.553%、-1.4%,验证结果稳定性较好;3）构建NNI-GPC模型中PNC的建模精度与验证精度相对最好,其建模R2和验证n RMSE及NAE分别为0.653、9.843%、-0.3%;4）最终构建的VI-NNI-GPC模型中,以开花期PNC为中间变量的模型建模及反演精度最好,其建模R2和验证n RMSE及NAE分别为0.631、8.564%、-0.9%。以氮素营养指标为中间变量的GPC遥感反演是可行的,并且比较4个氮素营养指标为中间变量反演GPC,PNC具有较高精度的预测结果,为精确反演GPC提供一个可靠的依据,具有一定的应用前景。

关键词：遥感 模型 支持向量机 籽粒蛋白质含量 氮素营养指标 

单位：西安科技大学测绘科学与技术学院; 西安710054; 国家农业信息化工程技术研究中心; 北京100097; 农业部农业信息技术重点实验室; 北京100097; 北京市农业物联网工程技术研究中心; 北京100097