冬小麦的播期信息对小麦分类管理有重要的意义,高时空分辨率的航天数据的稳定获取为区域冬小麦播期的尽早监测提供了可能,本文章对如何从遥感海量数据中进行数据挖掘和时间选择,以及如何利用光谱或者植被指数构建播期监测的模型并对其进行分析做了研究,主要结论有以下几点:(1)利用耦合模型模拟小麦冠层光谱。选择CERES-Wheat模型和PROSAIL模型结合在一起的耦合模型,以北京市小汤山基地的实验数据以及参数为基础,利用经过2006-2007年实测数据对CERES-Wheat模型模拟的LAI验证过后,并结合新的气象及土壤参数模拟得到的相应的LAI,将LAI同其他参数一起作为耦合模型的输入参数,模拟并分析不同播期下,冬小麦的冠层光谱响应差异机制及变化规律,通过光谱响应差异最大化机制选出敏感波段,作为光谱指数选择的理论依据。(2)利用模型得到的数据选择播期监测的最佳时相。通过物理模型模拟得到不同播期冬小麦生长前期的冠层光谱反射率,分析这些数据的变化规律,将光谱响应差异最大的波段选择敏感波段,利用所选的敏感波段分析播期的可分性,首先通过计算J-M距离的方法初步评价不同时段对播期的可分性,选出可分性较好的几个时相,然后对可分性较好的时相利用判别分析法对播期进行判别分析,判定未知播期样本的所属类别,根据正确分类的精度选择播期监测的最佳时相,从而可以选择出不同播期光谱差异大的时相,即可分性最好的时相。(3)选择植被指数并构建播期监测模型。利用冬小麦不同播期光谱响应差异大的敏感波段构建多种植被指数——比值植被指数RVI、归一化植被指数NDVI、大气阻抗植被指数ARVI、增强型植被指数EVI、土壤调整植被指数SAVI以及修改型土壤调整植被指数MSAVI等,利用选择的植被指数与冬小麦播期进行相关性分析,并构建相应的播期监测模型,最后对比分别利用这六种植被指数建立模型的相关系数,得出六个模型中相关系数最大的模型作为冬小麦播期监测的最佳模型,用于指导农业生产。