实现对小麦精准有效的监测管理,需要及时准确的监测其长势、营养状况、肥水和病虫害等信息,冬小麦叶面积指数和叶绿素含量作为其生长过程中的生理生化参量,其准确快速获取不仅有助于对病虫害信息进行精准诊断和管理调控,而且对冬小麦长势监测、产量评估以及推进农业信息化、数字化和精准化建设都具有重要意义。现有的冬小麦理化参数反演方法一方面受生育期、环境条件和地域条件等因素的影响,另一方面由于采用的波段信息少,容易受外界因素的干扰,致使模型精度和普适性较低,因此亟需构建高精度的冬小麦叶面积指数和冠层叶绿素含量反演方法,增强模型在冠层和遥感影像上的适应性。近年来,连续小波变换方法和最小二乘支持向量机方法以其强大的优势得到了广泛的应用,但目前将这两种方法的优势相结合并将其应用于提高我国西北旱区冬小麦叶面积指数和冠层叶绿素含量反演精度方面的研究还相对较少。本文以冬小麦叶面积指数和冠层叶绿素含量的精准获取为出发点,通过在杨凌开展野外联合实验,基于星地同步数据,围绕构建冬小麦叶面积指数和冠层叶绿素含量定量反演模型以及模型本地化为主要目标,提高冬小麦叶面积指数和冠层叶绿素含量从地面监测到大范围遥感影像的反演精度,为大范围农业生产、区域指导以及国家精准农业建设提供决策依据,具有很好的理论和实践意义。本文主要研究内容及成果如下:(1)阐述了冬小麦叶面积指数和冠层叶绿素含量对冬小麦长势监测、产量评估以及精准农业建设的重要意义,分析了CHRIS成像光谱数据的优势,总结了国内外植被理化参数反演主要采用的数据源以及反演方法的研究进展情况,得出了当前研究中存在的不足,在此基础上阐述了本文所做的工作、拟定了本文的技术路线,制定了本文的章节结构。(2)在介绍研究区以及三个核心实验基地概况的基础上,详细论述了杨凌野外实验方案设计,并展示了各个实验区样点的分布,阐述了地面实验数据的测定方法、CHRIS成像光谱数据的特点以及其成像模式,并对模型校正集样本和检验集样本进行了分配。(3)系统阐述了冬小麦叶面积指数和冠层叶绿素含量反演模型构建过程中采用的连续小波变换方法、最小二乘支持向量机方法、植被指数法、主成分分析法、逐步线性回归分析以及偏最小二乘回归方法的原理和优势。在缺少CHRIS影像精确光谱响应函数的情况下,采用高斯函数模拟得到了CHRIS影像的光谱响应函数,并利用对地面光谱数据进行重采样。在分析噪声来源和去噪方法的基础上,采用hdfclean对chris影像进行了去条带处理,经比较噪声去除前后的效果,表明噪声去除效果较好。采用经验线性校正法实现了chris影像的经验校正处理,通过与地面实测的光谱数据进行比较,表明经验线性校正光谱与实测光谱曲线的形状和特征基本一致,并且各波段处的绝对误差均小于5%。(4)在对冠层光谱重采样的基础上,分析了冠层光谱和植被指数分别与冬小麦叶面积指数和冠层叶绿素含量之间的相关性,筛选了冠层和影像尺度上对冬小麦叶面积指数和冠层叶绿素含量较为敏感的植被指数。通过对光谱数据进行主成分分析,前两个主成分可以解释原始光谱波段98.275%的有用信息,因此利用这两个主成分代替原始的光谱信息进行相应的分析。光谱数据经连续小波变换处理后,将分解得到的小波能量系数分别与冬小麦叶面积指数和冠层叶绿素含量进行相关性分析,得到小波能量系数分别与冬小麦叶面积指数和冠层叶绿素含量之间的相关系数图,通过对相关系数图进行分析,最终提取了11个对冬小麦叶面积指数较为敏感的小波特征,分别为(b12,scale1)、(b12,scale2)、(b11,scale4)、(b1,scale2)、(b1,scale3)、(b10,scale5)、(b9,scale6)、(b8,scale7)、(b7,scale8)、(b6,scale9)和(b3,scale12),9个对冬小麦冠层叶绿素含量敏感性较高的小波特征,分别为(b12,scale1)、(b16,scale1)、(b11,scale4)、(b9,scale6)、(b8,scale7)、(b7,scale8)、(b1,scale2)、(b1,scale3)以及(b10,scale5)。(5)在提取出11个对叶面积指数敏感小波特征的基础上,利用逐步线性回归方法对小波特征进行筛选,并将筛选的小波特征引入到最小二乘支持向量机方法中,构建了连续小波变换与最小二乘支持向量机方法相结合的冬小麦叶面积指数反演模型(wf-ls-svm),通过在冠层上与基于植被指数、主成分以及光谱波段建立的冬小麦叶面积指数模型进行优化选择,并将优化选择的模型在遥感影像上进行精度评定,结果表明wf-ls-svm模型在影像尺度上的预测精度最高,其r2为0.55,rmse为0.67,wf-slr模型的预测精度次之(r2=0.45,rmse=0.78),其次为r-ls-svm、pc-ls-svm以及msr-lai模型,r-plsr模型在影像尺度的预测精度最低(r2=0.22,rmse=1.22)。与植被指数模型相比,wf-ls-svm模型的精度较高且对生育期有更好的适应性,较好的解决了植被指数模型利用的波段信息少,受植被类型和地域条件等因素的影响而导致模型精度和普适性低的问题,并且模型在冠层和影像尺度具有一定的适应性,结合同步获取的chris高光谱影像实现了杨凌及周边地区冬小麦叶面积指数的遥感填图。(6)连续小波变换方法能够有效的提取出对植被理化参数较为敏感的小波特征信息,最小二乘支持向量机方法在模型回归方面具有强大的优势,结合两者的优势,建立了基于多元小波特征的冬小麦冠层叶绿素含量反演模型,通过在冠层上对冬小麦冠层叶绿素含量模型进行优化选择,然后将其在遥感影像上进行精度评定,结果表明基于多元小波特征与最小二乘支持向量机方法相结合建立的WF-LS-SVM模型在影像尺度的估测精度最高(R2=0.58,RMSE=0.40),这一结果表明连续小波变换方法能够有效的提取出对冬小麦冠层叶绿素含量较为敏感且稳健的小波特征,与原始光谱相比,小波特征增强了与冬小麦冠层叶绿素含量之间的相关性,因此将多元小波特征与最小二乘支持向量机方法相结合建立的模型精度最高,并且模型对拔节期和灌浆期冬小麦叶绿素含量有一定的适应性,最后将WF-LS-SVM模型推广应用至杨凌实验区,实现了杨凌及周边地区冬小麦冠层叶绿素含量地空一体化遥感监测。