基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

冬小麦鲜生物量估算敏感波段中心及波宽优选

开展高光谱作物生物量估算敏感波段中心和最优波段宽度筛选对提高作物生物量估算精度具有重要意义。该文以冬小麦为研究对象,利用小麦关键生育期内350～1000 nm 冠层高光谱数据和实测地上鲜生物量,研究任意两波段构建的窄波段归一化植被指数 N-NDVI（narrow band normalized difference vegetation index）与冬小麦地上鲜生物量间的相关关系,构建拟合精度 R2二维图,并以 R2极大值区域重心作为高光谱估算鲜生物量敏感波段中心。通过对敏感波段中心进行波段扩展和相应生物量估算验证,最终确定敏感波段最佳波段宽度。在此基础上,开展基于敏感波段最优波段宽度下冬小麦地上鲜生物量估算和精度验证。结果表明,在 N-NDVI 与冬小麦鲜生物量间拟合 R2≥0.65的二维区域内,确定了401 nm/692 nm、579 nm/698 nm、732 nm/773 nm、725 nm/860 nm、727 nm/977 nm 5个鲜生物量估算的高光谱敏感波段中心;在高光谱估算生物量归一化均方根误差 NRMSE≤10%、相对误差 RE≤10%条件下,上述5个敏感波段中心的最优波段宽度分别为±21 nm、±5 nm、±51 nm、±40 nm 和±23 nm。通过与实测鲜生物量数据对比,利用上述敏感波段中心最优波段宽度进行作物生物量估算,精度在 P<0.01水平上均达到极显著水平,且 RE、NRMSE 分别在8.15%～9.14%、8.69%～9.65%范围内。可见,利用作物冠层高光谱进行冬小麦地上鲜生物量估算时,N-NDVI 与鲜生物量间拟合 R2极大值区域重心的作物高光谱敏感波段筛选和最优波段宽度确定具有一定可行性,为开展作物高光谱数据波段优选提供了新思路,也为多光谱遥感波段设置及遥感数据应用潜力评价提供一定依据。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development, SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法：随机森林回归（random forest regression,RFR）、支持向量回归（support vector regression,SVR）、偏最小二乘回归（partial least squares regression,PLSR）、高斯过程回归（gaussian process regression,GPR）、深度神经网络回归（deep neural networks,DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高,R²为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%～7%,其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214,抽穗期的NRMSE提升最大,从0.201提升到0.128。对茎秆氮含量,全生育期的NRMSE从0.443提升到0.400,抽穗期的NRMSE提升最大,从0.323提升到0.268。在全生育期,结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

应用IKONOS卫星影像监测冬小麦氮营养状况

应用从高精度卫星影像获取的光谱植被指数和单波段光谱反射值与冬小麦拔节期氮素营养状况进行了相关分析,结果发现:高精度卫星光谱归一化植被指数、绿植被指数、比值植被指数、优化土壤调节植被指数和单波段光谱反射值红外波段与拔节期小麦叶片叶绿素仪读数、茎基部硝酸盐含量、地上部生物量和地上部吸氮量等都有显著的线性正相关关系,相关系数范围在0.651~0.860之间。而红光波段、绿光波段则与拔节期小麦氮营养诊断指标呈显著线性负相关关系,相关系数范围在-0.803~-0.574之间。且上述光谱植被指数和单波段反射值均与小麦拔节期优化施氮量有很好的相关关系。因此,可以应用高精度卫星影像结合地面土壤植株测试进行冬小麦拔节期的冠层氮营养诊断和氮肥推荐。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度

【目的】 冠层高光谱全波段信息可以在小麦拔节期快速无损地估算叶片的氮含量。本研究结合连续投影算法 (SPA) 和偏最小二乘 (PLS) 技术,筛选了冬小麦拔节期冠层光谱对叶片氮含量的敏感特征波段,以期为冬小麦关键生育期氮素含量的遥感估算提供理论依据和技术支持。 【方法】 以陕西关中地区2015—2016年冬小麦小区试验为基础,基于连续投影算法 (SPA) 提取冬小麦叶片全氮含量的冠层光谱敏感波段,并结合偏最小二乘 (PLS) 回归法建立基于敏感特征波段的冬小麦拔节期叶片氮含量估算模型。 【结果】 SPA算法从冬小麦338～2510 nm的冠层光谱中优选出了1985 nm、2474 nm、1751 nm、1916 nm、2507 nm、1955 nm、2465 nm和344 nm共计8个叶片全氮含量的敏感特征波段,波段数目下降了98.9%,有效降低了光谱信息的冗余;基于敏感特征波段构建的叶片氮含量偏最小二乘回归模型的决定系数和均方根误差分别为0.82和0.28,模型验证方程的决定系数和均方根误差分别为0.84和0.21,模型的相对预测偏差大于2,具有较高的精度和良好的预测能力。 【结论】 与常用植被指数的叶片氮含量估算模型相比,连续投影算法 (SPA) 结合偏最小二乘 (PLS) 方法的叶片氮含量估算精度更高,稳定性更强,可以作为冬小麦拔节期叶片氮含量的高光谱估算方法。      

基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

冬小麦生物量高光谱遥感监测模型研究

【目的】高光谱遥感能快速、实时、无损监测作物长势。研究不同氮磷水平下冬小麦不同生育时期地上部生物量高光谱遥感监测模型,可提高地上部生物量高光谱监测精度。【方法】在西北农林科技大学连续进行了 5 年田间定位试验,设置 5 个施氮水平 (N, 0, 75, 150, 225 和 300 kg/hm2) 和 4 个磷施用水平 (P₂O₅, 0, 60, 120 和 180 kg/hm2),选用不同抗旱类型冬小麦品种,测定了从拔节期至成熟期生物量与冠层光谱反射率,通过相关分析、回归分析等统计方法,建立并筛选基于不同植被指数的冬小麦不同生育时期生物量分段遥感监测模型。【结果】冬小麦生物量与光谱反射率在 670 nm 和 930 nm 附近具有较高相关性,在可见光和近红外波段处均有敏感波段;在拔节期、孕穗期、抽穗期、灌浆期、成熟期,生物量与归一化绿波段差值植被指数 (GNDVI)、比值植被指数 (RVI)、修正土壤调节植被指数 (MSAVI)、红边三角植被指数 (RTVI) 和修正三角植被指数Ⅱ (MTVIⅡ) 均达极显著相关性 (P < 0.01),相关系数 (r) 范围为 0.923～0.979;在不同生育时期,分别基于 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 能建立较好的生物量分段监测模型,决定系数 (R2) 分别为 0.987、0.982、0.981、0.985、0.976;估计标准误差 SE 分别为 0.157、0.153、0.163、0.133、0.132;预测值与实测值间相对误差 (RE) 分别为 8.47%、7.12%、7.56%、8.21%、8.65%;均方根误差 (RMSE), 分别为 0.141 kg/m2、0.113 kg/m2、0.137 kg/m2、0.176 kg/m2、0.187 kg/m2。【结论】在拔节期、孕穗期、抽穗期、灌浆期、成熟期可以用 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 监测冬小麦生物量,具有较好的年度间重演性和品种间适用性。同时,分段监测模型较统一监测模型具有较好的监测效果及验证效果,能有效改善高光谱遥感监测模型精度。     

频率直方图与植被指数结合的冬小麦遥感产量估测

基于机器学习方法建立的作物产量估测模型常因过拟合等问题导致泛化性能偏低,产量估测精度不高。该研究以河南省为研究区,分别对不同波段地表反射率数据采用均值法和频率直方图法构造样本特征集作为输入变量,结合随机森林（Random Forest,RF）算法建立冬小麦遥感估产模型。研究结果表明,频率直方图法预测效果优于均值法,平均绝对误差和均方根误差分别为660和860 kg/hm2,决定系数最高达到0.83,达极显著水平（P<0.01）;7个地表反射率波段中,近红外1波段表现最好;单个合成指数中,归一化水分指数的表现要优于归一化植被指数;波段组合中,归一化植被指数和归一化水分指数的组合验证效果最优,平均绝对误差和均方根误差分别为444和527 kg/hm2,决定系数为0.89,达极显著水平（P<0.01）,其组合预测效果在4月15日至22日时段内表现最佳,该时段对冬小麦产量的影响最大。该研究通过采用基于频率直方图法构建样本特征结合随机森林算法建立冬小麦遥感估产模型,可为县域冬小麦遥感估产提供一种有效的解决方案。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

不同氮水平下小麦植株的碳氮代谢及碳代谢与赤霉病的关系

为明确不同施氮量下小麦植株的碳氮代谢特性及碳代谢与小麦赤霉病的关系,本文采用田间小区试验,以小麦多穗型品种‘豫麦49-198’和大穗型品种‘周麦16’为供试材料,在0 kg(N)·hm-2 、120 kg(N)·hm-2 、180 kg(N)·hm-2 、240 kg(N)·hm-2 、360 kg(N)·hm-2 5个氮肥水平下,探讨了不同施氮水平对小麦植株可溶性糖含量、C/N以及小麦赤霉病发病率和病情指数的影响。结果表明:两个品种小麦植株内的可溶性糖含量和C/N由越冬到开花期呈"V"形变化,拔节期最低,分别为80~200 mg·g-1和3~10。开花期各处理间差异达到最大,且施氮处理植株的可溶性糖含量和C/N比不施氮处理分别低15.4%~47.7%和24.5%~63.1%。植株全氮含量随施氮量的增加而增加,各处理在小麦拔节期和开花期差异最大。两个品种小麦植株的可溶性糖和氮素的累积吸收量在小麦生育期内均呈增加趋势。相关分析表明,植株全氮含量与小麦的可溶性糖含量在小麦拔节期和开花期显著负相关;小麦拔节期和开花期的可溶性糖含量、C/N与小麦赤霉病的发病率和病情指数呈线性关系。说明小麦拔节期到开花期的碳氮代谢对赤霉病的发生影响较大。     

潮土小麦碳氮含量对长期不同施肥模式的响应

【目的】以潮土21年长期定位试验为基础,分析不同施肥模式下冬小麦不同生育期的地上部生物量、碳氮含量、碳氮比及碳氮积累量,探讨冬小麦碳氮含量对不同施肥模式的响应规律。【方法】试验包括不施肥(CK)、单施氮肥(N)、施氮磷肥(NP)、施氮钾肥(NK)、氮磷钾配施(NPK)、氮磷钾肥配施有机肥(NPKM)、施氮磷钾肥及玉米秸秆还田(NPKS)7个处理。在2011 2012年冬小麦生长季,分别采集越冬、拔节、灌浆、成熟四个生育时期地上部植株样品,利用Euro Vector EA3000型元素分析仪对小麦植株样品的全碳、全氮含量进行测定。【结果】NPK、NPKM和NPKS处理均能显著提高各生育期小麦地上部干重,其中NPKM处理小麦地上部干重在越冬、拔节、灌浆、成熟期分别比CK提高了111%、194%、238%、206%,除越冬期外,等量氮肥条件下,NPK、NPKM和NPKS 3个处理间小麦同一生育期地上部干重无显著差异,说明与氮磷钾配施相比,有机无机配施与秸秆还田这两种措施并不能显著提高小麦地上部生物量;小麦地上部碳含量受不同施肥影响很小,不同生育期小麦地上部碳含量平均值为410 g/kg;小麦成熟期地上部氮含量以N和NK处理最高,分别达到19.4和18.1 g/kg,其中N处理小麦地上部氮含量分别比NPKM和NPKS处理高52%和66%。随着生育期的推移,各处理小麦氮含量逐渐降低,总体表现为越冬期拔节期灌浆期≥成熟期;在整个生育期中各施肥处理碳含量基本保持不变而氮含量呈逐渐下降趋势,这就使得各施肥处理地上部分C/N比随生育期的推移呈逐渐增加趋势;不同施肥下小麦碳积累量差异性和地上部干物质重差异性规律一致,而不同施肥下地上部氮积累量差异性不同于干物质重的差异性,以NP处理最高,达545 kg/hm2,分别比NPKM和NPKS处理高61%和68%。【结论】施肥方式不能显著改变小麦碳含量但能影响氮含量,因此小麦生物量大小决定了其碳的积累量,相应地,C/N比大小则由氮含量决定。氮磷钾配施、有机无机配施及秸秆还田处理下,小麦具有较高的生物量从而具有较高的碳氮积累量,这有利于增加农田系统碳、氮积累,提升土壤碳、氮肥力。     

不同施肥决策对冬小麦生长影响的高光谱监测及对比分析

为了明确不同变量施肥算法下的冬小麦冠层光谱特征,以及确定适宜我国气候条件的变量施肥算法,于2006年通过田间试验,分别测量了六种不同施肥决策下的冬小麦冠层光谱和产量,对这六种施肥算法进行了对比分析.结果表明,通过对施肥后冬小麦冠层光谱反射率、施肥前后反射率变化量以及不同时期的归一化植被指数的分析,得知不同施肥处理的冬小麦冠层光谱反射率存在差异,可以反映出冬小麦长势的强弱,其中基于光谱指数和作物生长模型相结合的算法(Z)进行施肥的冬小麦长势最佳.与均一施肥(W)和不施肥(CK)处理相比,变量施肥处理均显著提高小麦产量;除基于土壤养分变量施肥处理(T)外,产量变异系数明显降低,其中基于归一化SPAD值变量施肥处理(S)的变异系数最小.Z变量施肥算法综合效果最佳,S变量施肥算法在降低产量变异度方面效果最佳.拔节期施肥对开花期或灌浆初期小麦生长影响最大;并且这两时期的植被指数与产量的相关性也最好,尤其红边三角光谱指数(RTVI)最好(相关系数达到0.700),可见采用RTVI指数进行产量预测效果更优.     

冬小麦不同生育阶段水分利用对保水剂与氮肥的响应

为探明保水剂和氮肥及其配施后对冬小麦不同生育阶段水分利用的作用机理,通过大田试验,以不施保水剂和氮肥为对照,研究了保水剂(60 kg.hm 2)与氮肥[0、225 kg(N).hm 2、450 kg(N).hm 2]单施及其配施后对冬小麦不同生育阶段的土壤水分、干物质积累及水分利用的作用特征。结果表明:保水剂和氮肥的施用均提高了土壤剖面各层次的含水量及冬小麦干物质积累量、产量和水分利用效率。各处理中以单施450kg(N).hm 2氮肥、单施保水剂及保水剂与450 kg(N).hm 2氮肥配施处理土壤含水量较高。不施保水剂时,随施氮量的增加,冬小麦地上部干物质积累量显著提高。施用保水剂时,氮肥用量过高,干物质积累有所降低。拔节—收获期,保水剂与225 kg(N).hm 2氮肥配施处理冬小麦干物质积累量均较高,且到生育后期效果更明显。在播种—拔节期和孕穗—灌浆期,随氮肥用量的增加水分利用效率提高,且保水剂与氮肥配施处理增加幅度更大。而灌浆—收获期,高氮[450 kg(N).hm 2]和保水剂与225 kg(N).hm 2氮肥配施处理的水分利用效率提高幅度最大,分别较对照增加53.8%和57.8%。而最终产量与水分生产效率以60 kg.hm 2保水剂与225 kg(N).hm 2氮肥配施处理最高。说明氮肥用量适宜时,施用保水剂冬小麦产量和水分利用效率的提高幅度更大。