目前，作物生物量的光谱监测，构建直观可行的反演模型是关键技术之一，前人对此作了广泛而深远的研究[14]。Thenkabil 等[15]基于不同作物的地面测量光谱研究发现：在不同施氮水平上小麦冠层光谱反射率存在明显差异，在可见光区（469~710nm）的反射率和近红外光波段（760~1100nm）组合的NDVI与生物量相关性较好，可以准确拟合光谱和植株生物量。宋开山等[16]建立了以比值植被指数为变量的大豆地上鲜生物量的高光谱估算模型，黄春燕等[17]利用高光谱数据估算棉花地上鲜生物量。Casanova［18］，Hansen［19］利用实测光谱数据，分别建立了水稻、小麦的地上生物量和LAI（叶面积指数）的估算模型，在分析了不同时期NDVI和LAI关系的基础上，形成利用多源遥感数据快速获取大田农作物生长状况，这为冬小麦长势信息监测提供技术支持[20]。基于光谱的作物生物量估算方法，充分发挥了遥感数据在光谱维的优势，并考虑作物生长发育过程中其冠层反射率的不同响应，模型建立相对简单。但考虑到将来随着更多的作物生理生态机制，以及计算机处理能力的增强，多光谱数据的应用，农业光谱监测必将成为作物生物量遥感估算的一种重要手段。

NDVI和RVI是近几十年来使用最频繁的指数，相当一部分实验证明其数值可用于植被生物量预测[21]。NDVI参数和RVI参数的测定作为光谱技术中的一个环节，可以作为快速分析手段可用于估测作物多种生理、生化参数。同时研究表明遥感技术还可用于作物多种群体结构参数反演，如叶面积指数，叶绿素含量，冠层水分含量等[22] ，特别是植被指数和农产品生物量[23]。这种方法是基于光谱信息和作物之间长势指标间的关联性实现的，但是一般模型的经验性较强，而且具有地域性。本文研究了适合淮安地区的小麦生物量快速、无损的光谱监测技术，为提高冬小麦生产的机械化水平构建适用于该地区的生物量的反演模型。

2 材料与方法

2.1 实验设计

本实验在淮安市淮阴区凌桥乡（淮安市国家农业科技园区）进行，实验冬小麦为宁麦13（N、弱筋）、扬辐麦4号（Y、中筋）、淮麦20（H、强筋）3个品种，共4个氮肥处理，3次重复，共36个小区，小区面积为42m2（6m×7m），基本苗为15万苗/667m2。

氮肥水平分别为0、8、15、22kgN/667m2，基追比为5:5，拔节期追肥。磷肥P2O5 7kg/667m2，一次性施入；钾肥K2O 9kg/667m2，基追比为5:5