近年来,随着遥感卫星的不断发射,越来越多的遥感数据被用于农作物监测研究,将遥感技术与现代农业结合,以达到农业生产、管理的智能化、高效化,是我国现代农业发展的必然趋势。随着国民生活水平的提高,在追求小麦产量的同时,对小麦品质的需求也越来越高,籽粒蛋白质含量(Grain proteincontent,GPC)是评价冬小麦品质好坏的一项重要标准。目前,常规品质监测无法实现大范围冬小麦籽粒品质的监测和预测。多元遥感探测技术可以周期性、快速实时获取大范围“面状”地物光谱信息,为区域农作物品质的定量监测和预测提供了新的途径和方法。本文以实现区域冬小麦籽粒蛋白质含量预测为研究目标,以冬小麦品质田间试验数据、遥感影像数据、气象数据为数据源,采用分层线性模型(Hierarchical linearmodel,HLM)的方法,充分考虑环境因子对冬小麦长势的影响,将数据在层次间的变化嵌入到模型参数中,构建基于分层线性模型的冬小麦GPC遥感估算模型,并将该模型运用到区域尺度,实现区域尺度GPC遥感估算。论文完成的主要研究工作和取得的成果如下:(1)开展了冬小麦GPC影响因子选取工作。对研究区采样点的GPC及同步获取的遥感、气象数据进行了相关性分析,分析结果表明GPC与大多数光谱参数和气象因子都有较好的相关性;在此基础上,筛选了相关性最大的光谱参数(增强植被指数,EVI)、气象因子3月上旬-6月上旬积温(Tem3s6s)、5月上旬-6月上旬辐射量之和(Rad5s6s)、5月下旬-6月上旬降水量之和(Pre5x6s)等因子为影响冬小麦GPC的关键影响因子。(2)构建了冬小麦GPC定量预测模型。基于筛选的冬小麦GPC关键影响因子,分别采用一元、多元和分层的线性回归统计方法构建了冬小麦GPC定量预测模型。建模结果的对比分析表明相同方法不同自变量个数构建的模型,选择适当个数的多变量参数能取得更高的精度;相同自变量个数的不同模型,GPC-HLM模型的反演精度优于其他回归模型,这也说明在GPC-HLM模型中考虑了反映作物长势的光谱参数与气象因子之间的嵌套关系,能够更加准确的反演冬小麦籽粒蛋白质含量,模型具有较高的可靠性。(3)进行了研究区冬小麦GPC的遥感定量预测。利用研究区11月下旬及5月中旬两个时相冬小麦与其他植被MODIS-NDVI指数差异性较大的特点,分类提取了冬小麦种植区;基于冬小麦种植的区域相对一致性的特点,对采样点品质筋型数据利用最邻点空间插值法,获取了研究区冬小麦品质筋型连续栅格数据;利用最佳光谱参数(EVI)、品质筋型(Glu)以及气象因子(Tem3s6s、Rad5s6s、Pre5x6s)栅格数据作为辅助变量,基于构建的GPC-HLM模型,得到了研究区冬小麦GPC的预测结果,通过与整体调研情况比对,得到的GPC预测结果可靠性较高。论文取得的研究结果可以有效的解释不同层次影响因子对冬小麦籽粒蛋白质含量形成的影响,实现了区域冬小麦GPC的快速遥感定量监测和预测,是进行精准农业战略的有益尝试,具有重要的实际应用意义和价值。