【摘要】粳稻氮素含量的快速、无损、准确反演,可以反映和诊断作物的氮营养状况,为施肥决策提供依据。基于田间试验采集的粳稻分蘖期无人机光谱影像数据与对应氮素含量数据,采用无信息变量消除法(uninformation variable elimination,UVE)筛选得到的特征波段光谱反射率两两组合构建NDVI、DSI、RVI、RDVI、TVI、NRVI、WDRVI、LogR指数变量,根据与粳稻叶片氮素含量的决定系数等势图挑选出9组不同的植被指数组合(8种植被指数的组合共1组,每一种植被指数的组合共8组)分别作为模型的输入量,构建极限学习机(extreme learning machine,ELM)、天牛须搜索算法优化极限学习机(tenniu shall optimize-extreme learning machine,BAS-ELM)粳稻冠层叶片氮素含量反演模型并验证分析。UVE算法较好地剔除了无用及冗余信息波段,得到266个光谱特征波段;在构建植被指数过程中,各指数与粳稻冠层叶片氮含量的决定系数R~2分布在0.7283～0.7580之间,构建的植被指数均与氮含量呈现显著相关关系。从预测结果来看,9组不同输入量建立的BAS-ELM反演建模效果均较好,训练集与验证集的R~2均在0.646以上,RMSE均低于0.564mg·g~(-1);其中以8种植被指数的组合为输入量建立的BAS-ELM预测效果最好,训练集与验证集的R~2分别为0.756和0.753,均方根误差(RMSE)分别为0.431mg·g(-1)和0.466mg·g~(-1),优于单一结构的植被指数组合;通过对比,BASELM在预测能力、稳定性和泛化性上比ELM的预测模型有明显提高。综上研究,基于无人机获取的分蘖期水稻冠层光谱数据,以依特征波段构建的多种植被指数的组合作为输入量结合BAS-ELM建模方法在快速无损反演粳稻叶片氮素含量中具有优势,可为粳稻精准施肥提供参考。