随着人民生活水平与食物消费水平的提高,粮食加工制品消费量迅速增长,市场对食品加工主要原料之一的小麦品质要求和数量需求越来越高。小麦籽粒蛋白含量(Grain protein content,GPC)是评价其品质优劣的重要指标,精准快速的监测对其品质评价和分级管理有重要帮助。研究表明,小麦籽粒的品质不仅与其种性有关,而且与环境是密切相关的,尤其是蛋白质的含量受生长环境的影响较大。常规小麦蛋白品质监测多通过田间取样,其数据采集受时间跨度、人力、物力等限制,难以进行较大区域的数据采集,且作为小麦籽粒品质的主要影响因子,气候生态条件在不同年份的差异导致品质在时间上的变异也较大。因此,基于田间试验样本进行的品质变异分析不可避免地受到时间和空间的限制。遥感技术的发展为解决大范围内作物长势及品质监控的问题提供了可能,多样遥感平台搭载的传感器可以周期性、瞬时、无损的获取大范围“面状”地物光谱信息,实现了观测方式从传统的地面点观测向遥感区域面观测的转变,为区域农作物长势及品质的定量监测提供了新的途径和方法。本文以北京地区多年冬小麦品质遥感监测试验为基础,获取北京地区多个试验点小麦开花期氮素农学参数、同步卫星遥感影像,小麦生育期内北京地区8个气象站点的气象数据以及小麦籽粒产量、籽粒蛋白含量GPC数据。研究基于多年数据,开展小麦GPC的关键影响因子筛选;其次,基于开花期氮素参数、光谱参数及气象等因子构建小麦籽粒蛋白含量监测模型,通过对比分析,确定模型构建最优参数组合,在此基础上,采用多元线性回归、极限学习机和地理加权回归三种方法构建小麦GPC的预测模型,并对模型精度进行评价,最后基于地理加权回归和空间插值法进行区域小麦GPC的估算预测。论文主要研究成果如下:(1)小麦GPC关键影响因子的选取。根据各关键因子与GPC的相关性分析可知,GPC与大多数的卫星光谱参数、农学参数和气象因子都能达到显著性相关水平,最终选择相关性最大的小麦冠层光谱参数(Greenness,GI),小麦开花期氮素农学参数LNC(Leaf nitrogen content,LNC),气象因子5.26-5.30日降雨和(Rainfall from 26 May to 30May,rain526)、5月中旬-6月上旬日照和(Sunshine time from mid-May to early June,sun5x6s)、3月上旬-6月上旬积温和(Accumulated temperature from early March to early June,jiwen3s6s)作为自变量构建冬小麦GPC预测模型。(2)小麦GPC预测模型构建。研究采用线性回归方法对比基于不同GPC关键影响因子为自变量参数的小麦GPC预测模型,结果显示各模型都有较高的建模精度及验证精度,其中基于光谱参数-农学参数-气象因子的多元线性回归模型的建模集R~2为0.598,验证集检验精度nRMSE=10.36%,RMSE=1.412和MAE=1.091,较基于卫星光谱参数和基于卫星光谱参数-农学氮素参数的预测模型,为较优的一个反演预测模型。以卫星光谱参数、农学氮素参数和气象因子为自变量,分别采用多元线性回归、极限学习机和地理加权回归三种方法构建小麦GPC的预测模型,其中,基于GWR模型建模精度及验证精度相对最优,其建模R~2为0.616,验证nRMSE及MAE分别为8.58%、0.956,为最优选择。通过对比分析得出,相同方法不同自变量个数构建的模型,建模采用适当的多变量其精度要高于某一单变量模型,相同自变量个数的不同模型,地理加权回归模型的预测精度高于其他回归模型。所以,在GPC模型构建时加入地理位置信息,能更加准确的预测冬小麦籽粒蛋白含量,实现冬小麦GPC区域上和年际间的预测。(3)区域小麦GPC的预测。在以上研究的基础上,引入空间插值法,并结合地理加权回归法实现对区域小麦GPC的预测。在区域小麦GPC反演过程中,GI、LNC、rain526、sun5x6s、jiwen3s6s数据用作辅助变量,基于地理加权回归与克里格插值法相结合的方法利用跟随地理空间位置变化的回归系数建立小麦GPC与六种辅助变量之间在区域上动态回归关系。结果表明,气象等生态因子对冬小麦GPC的形成具有很大的影响,采用地理加权回归和克里格插值结合的方法,进行遥感预测的冬小麦GPC空间分布情况与实地调研情况基本吻合,更好的解释了各影响因子对冬小麦GPC影响的空间差异性,改善和提高了模型预测的精度。本论文提出的方法可以有效的分析不同空间位置不同影响因素对冬小麦GPC的影响,对实现利用遥感进行区域冬小麦GPC的快速监测预测具有一定借鉴价值。