草地资源是全球陆地生态循环系统中重要的组成部分,是生长最普遍、分布最广袤的陆地植被类型之一,共占全球陆地总面积的41.7%。草原也是除森林外陆地上最大的碳元素汇集源,它们在调节全球碳循环以及支持动植物的生物多样性等方面发挥着至关重要的作用。天然草地牧草在农业生产中不仅为以最原始的方式为畜牧业提供了饲料来源,同时也为反刍动物提供了主要能量和纤维来源。牧草本身的营养成分也决定着畜牧业的生产成本和畜产品品质,是评价草地资源价值的重要指标。因此,对草地牧草的营养成分进行快速分析及评价,可有效地为牧场放牧管理和饲料预算提供关键数据,对生态资源保护及畜牧业的发展也有着重要的指导意义。本研究从精准农业角度出发,以东北地区草地资源中最为普遍的羊草为研究对象,以牧草全生长期各月份数据采集为基础,通过建立牧草营养成分含量与多遥感平台下光谱信息的联合数据库,利用多种光谱特征提取方法和定量分析模型作比较,从室内叶片、无人机冠层和卫星区域三个尺度对牧草的干物质含量(DM),粗蛋白含量(CP),中性洗涤纤维含量(NDF)及酸性洗涤纤维含量(ADF)四种营养成分进行了预测和反演研究,主要研究内容和研究结果如下:本研究于2017年5月17日、6月20日、7月18日、8月18日、9月17日分别每次在研究区域内的人工牧草场内随机放置35个样方作为样本。利用无人机携多光谱相机进行样本点上方30米进行正射拍摄后,将样方内所有牧草的地上部分收割采集。将样本带回实验室后,进行叶片高光谱数据的采集和营养成分化学值的测定。卫星遥感数据选择每月与采样日期相近日期的高质量Sentinel-2卫星数据。研究分别从三个尺度对牧草营养成分进行了模型构建,并在区域尺度进行了反演。在室内叶片尺度的研究中,首先对比了 Savitzky-Golay卷积平滑法(SG)、多元散射校正(MSC)、变量标准化(SNV)、一阶导数(1-Der)和直接正交信号校正(DOSC)五种预处理方法对牧草营养成分含量的偏最小二乘回归(PLSR)预测模型的影响,结果表明,牧草干物质含量的最优预处理方法为1-der;粗蛋白含量的最优预处理方法为SNV;中性洗涤纤维和酸性洗涤纤维含量的最优预处理方法为均DOSC。通过采用连续投影算法(SPA),遗传算法(GA),竞争性加权自适应算法(CARS)和随机蛙跳算法(RF)对牧草四种营养成分进行特征波段选择后发现,牧草干物质含量的敏感波段多分布于450-460nm、750-780nm和840-900nm区间内;粗蛋白含量的敏感波段多分布于800nm-900nm和940nm-1000nm范围区间内;中性洗涤纤维含量的敏感波段多分布于位于450nm-470nm、570-590nm和610-630nm区间内;酸性洗涤纤维含量的敏感波段多分布于580-620nm和920-950nm区间内;分别利用不同算法筛选的特征波长建立PLSR模型后发现,牧草干物质含量的最优特征变量选择方法为SPA,PLSR预测模型的R2-P,RMSEP和RPD分别为0.927,35.852和4.257,因此最优预测模型为1-der-SPA-PLSR;牧草粗蛋白含量的最优特征变量算法选择为RF,PLSR预测模型的R2-P,RMSEP和RPD分别为0.933,6.034和4.322,最优预测模型为SNV-RF-PLSR;牧草中性洗涤纤维含量的最优特征变量选择算法为GA,PLSR预测模型的R2-P,RMSEP和RPD分别为0.797,16.357和2.425,最优预测模型为DOSC-GA-PLSR;牧草酸性含量的最优特征变量选择方法为SPA,PLSR预测模型的R2-P,RMSEP和RPD分别为0.768,14.985和2.280,最优预测模型为DOSC-SPA-PLSR。在无人机冠层尺度的研究中,首先采对无人机获取的多光谱数据进行了分析,并确定了19种植被指数进行构建。然后利用28个光谱特征变量进行了牧草营养成分的相关性分析(CA)和逐步回归分析(SR)。利用相关性分析和逐步回归分析两种方法对计算出的28个光谱特征变量进行了选择。利用相关系数方法挑选与各营养成分含量相关性最高7种光谱特征变量,利用逐步回归方法确定的与牧草干物质建模相关的光谱特征数量为5种,粗蛋白为5种,中性洗涤纤维为3种,酸性洗涤纤维为3种。分别利用两种选择方法确定的光谱特征变量,采用四种建模方法对牧草营养成分含量进行建模,模型包括多元线性回归(MLR)、偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)和极限学习机(ELM),并对建立的预测模型性能进行对比。最终确定无人机冠层尺度牧草干物质含量的最优预测模型为CA-PLSR,预测模型的R2-P,RMSEP和RPD分别为0.734、16.164和2.993;无人机冠层尺度牧草粗蛋白含量的最优预测模型为SR-PLSR,预测模型的R2-P,RMSEP和RPD分别为0.734、16.164和2.993;无人机冠层尺度牧草中性洗涤纤维含量的最优预测模型为CA-ELM,预测模型的R2-P,RMSEP和RPD分别达到了 0.592,24.351,1.554。无人机冠层尺度牧草酸性洗涤纤维含量的最优预测模型为CA-LS-SVM,预测模型的R2-P,RMSEP和RPD分别为0.608,20.045,1.552。在卫星区域尺度的研究中,首先基于非监督分类方法对目标区域内的草原分布进行了提取后,对Sentinel-2数据的8个波段光谱曲线进行了分析。基于冠层尺度各植被指数与营养成分的相关性分析结果,各挑选了 3种相关性最高的植被指数,利用Sentinel-2数据采用了相邻波段组合的方式进行了植被指数的构建和选择。四种与营养成分相关性最高的植被指数为 OSAVI(B8,B4)、NDRE(B8,B6)、MCARI(B8,B4,B3)和 CIred-edge(B8,B5)。基于该四种植被指数分别建立各营养成分的线性模型、指数模型、对数模型和二次模型。以此确定区域尺度牧草干物质最优预测模型为以OSAVI(B8,B4)建立的二次回归模型,粗蛋白含量的最优预测模型是为以NDRE(B8,B6)建立的对数模型,NDF含量的最优模型是为以MCARI(B8,B4,B3)建立的对数模型,ADF含量的最优预测模型是为以CIred-edge(B8,B5)建立的指数模型。最终利用每种营养成分的最优预测模型,结合研究区域内的草原分布,分别绘制了杜尔伯特县6月至9月的牧草干物质含量、粗蛋白含量、中性洗涤纤维含量和酸性洗涤纤维含量的区域分布图。本研究通过在不同尺度对牧草营养成分进行反演研究,为牧草营养成分的快速无损检测提供了理论基础,也为草原和牧场管理提供了新的数据采集思路,同时通过了解区域内牧草营养成分的空间差异,为精准农业中牧场的精确管理提供了研究方法和技术途径。