氮素含量是诊断作物生长的重要指标，准确估算氮素含量对实时掌握作物生长状况具有重要意义。本研究以冬小麦为研究对象，以河南省焦作市农林科学院精准农业示范区为研究区域。首先，利用ASD地物高光谱仪获取小麦冠层不同生长时期的高光谱反射率数据，并对原始冠层光谱数据进行分数阶微分和连续小波变换预处理；然后，建立植被指数，选择分数阶微分光谱，与含氮量进行相关性分析；最后，基于小波能量系数和相关性较强的植被指数，采用支持向量机(Support vector machine，SVM)、岭回归（Ridge regression）、逐步回归（Stepwise regression）、高斯过程回归（Gaussian process regression，GPR）和BP神经网络等方法构建小麦不同生育时期氮素含量的估算模型。在不同氮素含量的估算模型基础上，采用R2和均方根误差（Root mean square error，RMSE）指标，对模型进行精度验证，得到各生育时期氮素含量的最佳估算模型。

综合各生育时期氮素含量的最佳估算模型分析表明，在小麦不同生长期，基于分数阶微分、连续小波变换和植被指数三种光谱预处理方法，构建的小麦不同生长阶段的支持向量机、岭回归、逐步回归、高斯过程回归和BP神经模型的氮含量估算模型最大建模和验证R2分别达到0.95和0.93，平均值分别达到0.76和0.71，总体估算效果较好。而通过比较小麦不同生育时期氮素含量估算效果可以看出，氮素含量估算精度在挑旗期较高，建模和验证R2均值分别为0.85和0.81，分别比开花期高1.19%和3.85%，比灌浆期高14.86%和17.39%，比拔节期高37.10%和44.64%。总体相关系数绝对值呈现先增大后减小的趋势，这是由于小麦从拔节期到挑旗期生长迅速，穗、叶、茎等器官同步推进，叶面积和茎穗长度、体积成倍增加，大量干物质积累，导致氮素含量大量增加，相关性也随之增加。而从挑旗期到灌浆期，小麦叶片和茎秆逐渐变黄老化，植被盖度下降，光合能力下降，氮素含量降低，相关性也随之降低。这与小麦不同生育期生化参数的变化是一致的，因此，挑旗阶段模型具有较高的估算精度和较好的氮素含量估算效果。对于不同的生长阶段，氮素含量的最佳估算模型不同，其中，连续小波变换与BP神经网络模型相结合是估计小麦抽穗期氮素含量最有效的方法。为估算小麦氮素含量提供了一种有效的方法，为作物生长监测提供了新思路。

图1 研究区域的位置

表1 植被指数及其计算公式。

图2 不同生育期植被指数与氮含量的相关系数

 图3 不同生长阶段所选植被指数与氮含量的相关矩阵。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

表2 不同建模方法在不同时期的建模精度。

图4 对不同建模方法对氮素含量估算的建模精度进行比较。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

 图5 不同生育时期小波能量系数与氮素含量的相关性。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

 图6 不同生育时期小波能量系数与含素氮量的相关矩阵。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

表3 不同建模方法在不同时期的建模精度

图7 不同建模方法估算氮素含量的精度。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

 图8 分数阶微分光谱与不同生长阶段氮素含量的相关性。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

 图9 分数阶微分光谱与不同生长阶段氮素含量的相关矩阵。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期

表4 不同建模方法在不同时期的精度 

图10 不同建模方法估算氮素含量的精度。（a）拔节期；（b）挑旗期；（c）花期；（d）灌浆期