基于查找表法和優(yōu)化光譜指數(shù)的馬鈴薯葉綠素反演

劉 楠，楊海波，高 飛，孫 智，賈禹澤，孫 濤，李 斐*

（1.內(nèi)蒙古農(nóng)業(yè)大學草原與資源環(huán)境學院/內(nèi)蒙古土壤質(zhì)量與養(yǎng)分資源重點實驗室/農(nóng)業(yè)生態(tài)安全與綠色發(fā)展自治區(qū)高等學校重點實驗室，內(nèi)蒙古 呼和浩特 010018；2.包頭市園林綠化事業(yè)發(fā)展中心，內(nèi)蒙古 包頭 014010；3.扎蘭屯職業(yè)學院，內(nèi)蒙古 呼倫貝爾 017010）

馬鈴薯是中國繼小麥、玉米和水稻之后的第四大糧食作物，無論在過去解決溫飽問題還是在未來保證糧食安全方面都起到了重要的作用[1]。馬鈴薯葉綠素的實時監(jiān)測對于馬鈴薯的種植監(jiān)管至關(guān)重要。葉綠素是農(nóng)作物生長的重要指示因子，是植物器官的重要組成色素[2]，與作物脅迫、衰老和含氮量有直接關(guān)系，因此精準、高效、便捷的葉綠素含量測定方法，對農(nóng)田管理具有重要意義[3]。然而傳統(tǒng)測定葉綠素含量的方法費時費力，破壞性強，無法測定同一葉片葉綠素含量隨時間的變化情況[4,5]。為了增強葉綠素含量無損測定的實時性，前人開始使用葉綠素儀進行葉綠素相對含量的快速測定，利用CCM-200 手持葉綠素儀對作物葉綠素值進行測定，與葉綠素含量（mg/cm2）之間的相關(guān)性達到了顯著水平[6,7]。研究表明，葉綠素儀讀數(shù)會隨著葉綠素濃度的變化引起誤差，葉綠素濃度不均勻分布會導(dǎo)致校準函數(shù)的偏差[8]。并且葉綠素儀測定值為葉綠素相對含量而不是絕對含量，在使用葉綠素儀測定時會受葉片大小的影響，葉片較小時，易取到葉脈部位，影響測定結(jié)果[9]。

隨著高光譜技術(shù)不斷發(fā)展，其無損、測定面積大的優(yōu)點為估測作物葉綠素含量提供了強有力的工具[10]，目前基于光譜信息的作物葉綠素含量的估算已經(jīng)成為研究熱點，高光譜指數(shù)反演法因計算方式簡單并且具有一定的機理性而被廣泛應(yīng)用[11]。前人的研究表明，基于葉片尺度的高光譜指數(shù)與葉綠素含量具有良好的相關(guān)性，但是運用在冠層尺度上，由于植被結(jié)構(gòu)和土壤背景對光譜反射率的影響，導(dǎo)致高光譜指數(shù)的估測能力降低[12]。隨著生育時期的推進，作物冠層結(jié)構(gòu)不斷變化，作物的葉綠素含量差異也逐漸增大，高光譜反射率特性也隨之變化[13]，這樣很可能造成高光譜指數(shù)的敏感波段組合形式的變化，從而最終影響到高光譜指數(shù)對葉綠素含量的估測能力[14]。目前，用于減少背景效應(yīng)并且增強光譜特征最廣泛的方法是將有限數(shù)量的高光譜波段進行優(yōu)化組合，尋找敏感波段，從而構(gòu)建最佳高光譜指數(shù)[15]。此外，高光譜指數(shù)的方程形式也會影響葉綠素含量的估測。目前，高光譜指數(shù)方程形式種類繁多，對農(nóng)作物葉綠素含量估測能力不盡一致[16]。因此，基于冠層光譜反射率的高光譜指數(shù)估測葉綠素含量不僅受到方程形式的影響，還受到波段組合的影響，使得很難找到具有普適性的高光譜指數(shù)，所以很有必要對指定的高光譜指數(shù)算法方程形式的敏感波段進行優(yōu)化，提高高光譜指數(shù)的估測能力。

Jacquemoud 等[17]將 PROSPECT 模 型 和 SAIL 模型進行耦合得到PROSAIL 模型，可以很好的模擬出高光譜反射率。PROSAIL 模型是一個很好的工具，能夠綜合考慮土壤光學特性和植被的幾何結(jié)構(gòu)特征，根據(jù)輸入?yún)?shù)值的不同組合能夠模擬大量高光譜數(shù)據(jù)，建立查找表，依照實測數(shù)據(jù)，可以對農(nóng)作物生化參數(shù)進行估測[18]。查找表法是一種有效的反演算法，在反演之前模型完成了許多模擬過程，通過查找表利用一階導(dǎo)數(shù)插值法對森林葉面積指數(shù)進行反演，并且證明了方法的準確性（RMSE=1.3）[19]。研究表明，通過PROSAIL模型可以對作物的高光譜反射率進行準確反演，利用查找表法結(jié)合實測數(shù)據(jù)對春小麥進行葉綠素含量估測，雖然相關(guān)性較好，但是估測值大于實測值[20]。經(jīng)過對模型參數(shù)的敏感性分析后，再對實測光譜和模擬光譜進行誤差分析，建立查找表，進行玉米葉綠素含量估測，對模型進行評價，估測值接近實測值[21]。盡管在物理機理方面較為可靠，但是，針對一些難以獲取的參數(shù)例如太陽天頂角等，在模型建立時對其需要進行假設(shè)，隨著外界的變化，模型也需要進行改進；并且由于農(nóng)作物不同，具體的參數(shù)設(shè)置也大不相同，這會限制模型設(shè)置的普適性。在反演中，查找表包含的高光譜信息越多才能保證方法在反演過程中的準確性，輸入模型參數(shù)需要固定范圍值且反演的光譜數(shù)多盡量覆蓋輸入?yún)?shù)的所有組合，這導(dǎo)致實測光譜與數(shù)據(jù)庫進行匹配時計算速度變慢。此外，模型參數(shù)設(shè)置采用步長取值，那么隨機取值匹配參數(shù)設(shè)置的模型能否提高估測水平還有待研究。除了查找表法，PROSAIL 模型的另一個用處是可以對光譜指數(shù)進行優(yōu)化，利用PROSAIL 模擬數(shù)據(jù)對高光譜指數(shù)進行優(yōu)化使光譜指數(shù)克服了本身的缺點[22]。高光譜指數(shù)建立模型準確估測葉綠素含量的前提是對葉綠素含量敏感波段的優(yōu)化，因此針對不同光譜指數(shù)算法方程形式的波段優(yōu)化是非常有必要的。

馬鈴薯植被的冠層結(jié)構(gòu)為地上部莖呈菱形，初生葉為單葉，全緣。隨植株的生長，逐漸形成奇數(shù)不相等的羽狀復(fù)葉。并且馬鈴薯的盛花期較長，冠層分布大量的花朵，導(dǎo)致提取植被信息受到影響。所以，本研究的目的在于探究查找表法對馬鈴薯葉綠素含量的估測能力，評價PROSAIL模型對光譜指數(shù)優(yōu)化后的普適性。最終得到適用于馬鈴薯葉綠素含量的估測模型，為馬鈴薯葉綠素含量診斷提供一種可行的測試手段。

1 材料與方法

1.1 試驗設(shè)計

試驗于2017～2018 年共設(shè)置了2 個田間試驗。試驗地點在內(nèi)蒙古自治區(qū)陰山北麓武川縣，氣候類型屬于溫帶大陸性季風氣候，年平均氣溫為-14.8℃，一年中7 月氣溫最高，月平均氣溫為18.8℃。無霜期約124 d，年均降水量為354.1 mm左右[23]。試驗地土壤類型為栗鈣土，試驗地土壤基礎(chǔ)理化性質(zhì)見表1。田間試驗設(shè)置了不同的氮梯度處理，每個處理4次重復(fù)，管理為農(nóng)戶管理。具體試驗設(shè)計描述如下。

表1 試驗區(qū)土壤基礎(chǔ)理化性質(zhì)Table 1 Physical and chemical properties of tested soil

2017年試驗在武川縣進行，供試品種為‘夏坡蒂’，小區(qū)面積為72 m2，播種日期為2017年5月20日，收獲日期為9月23日。試驗設(shè)4個氮肥水平，分別為N 0，165，190和350 kg/hm2，期間進行4次追肥。各處理配施P2O590 kg/hm2、K2O 180 kg/hm2。2018年試驗在武川縣進行，供試品種為‘費烏瑞它’，小區(qū)面積為114 m2，播種日期為2018年6月14日，收獲日期為9月15日，設(shè)5個氮肥水平，分別為N 0，90，180，270 和 320 kg/hm2，期間進行 4 次追肥。各處理配施P2O580 kg/hm2、K2O 157 kg/hm2。各小區(qū)隨機排列。灌溉方式為滴灌，田間管理措施與當?shù)剞r(nóng)民習慣一致。

1.2 高光譜數(shù)據(jù)的采集

馬鈴薯冠層高光譜數(shù)據(jù)的測定需要選擇在晴朗，無風的天氣狀況下進行，測定的時間段為10：00～14：00。每個小區(qū)掃描3 次，在不同氮肥梯度小區(qū)隨機選取長勢均勻的馬鈴薯兩壟，最終測定結(jié)果取3 次掃描的平均值。高光譜儀（tec5，Oberursel）的波段范圍為300～1 150 nm，高光譜儀的探頭在測定時距馬鈴薯冠層高度為50～80 cm。400 nm 以下的波段噪聲較大，導(dǎo)致高光譜的不連續(xù)，為了去除噪聲的影響，將采用的波段為400～1 150 nm。對2017 年的馬鈴薯高光譜數(shù)據(jù)進行了3 次采樣分別為苗期、塊莖形成期、淀粉積累期，對2018 年的馬鈴薯數(shù)據(jù)進行了2 次采樣分別為苗期、淀粉積累期。

1.3 葉綠素的測定

葉綠素含量的測定采用SPAD-502型手持式葉綠素儀，在獲取高光譜的當天同步測定馬鈴薯的SPAD 值，每處理選取代表其生長勢的馬鈴薯植株20株，每株取功能葉片（倒4葉）進行測量，取平均值作為該樣本的SPAD 值。Vos 和Bom[24]通過SPAD值與葉綠素含量的線性關(guān)系，將SPAD值轉(zhuǎn)換為葉綠素含量進行估測。

具體計算公式為：

式中：y是SPAD值，x是葉綠素含量，相關(guān)系數(shù)r=0.97，單位mg/g。

本研究為了使用查找表法進行估測，查找表法中參數(shù)為葉綠素含量而不是SPAD值，所以參考上述公式，通過線性關(guān)系將測定的SPAD值進行基于重量的單位轉(zhuǎn)化為葉綠素含量（mg/g）。

1.4 PROSAIL模擬及查找表建立

基于PROSAIL 模型進行高光譜數(shù)據(jù)庫的模擬工作，模型中的參數(shù)取值以LOPEX’93以及前人設(shè)置模型參數(shù)[25]為參考，綜合馬鈴薯有關(guān)參數(shù)實測值的范圍和國內(nèi)外應(yīng)用物理模型模擬冠層高光譜設(shè)定關(guān)鍵參數(shù)時的取值，模型輸入?yún)?shù)具體取值見表2，PROSAIL 模型編寫軟件為R3.6.3。隨后，通過覆蓋輸入?yún)?shù)的所有可能組合，模擬了10 000條高光譜數(shù)據(jù)，波段范圍為400～2 500 nm。本試驗將采取模擬反射率數(shù)據(jù)從400到1 150 nm，構(gòu)建葉綠素含量冠層反射率查找表。為了單位統(tǒng)一，根據(jù)模擬數(shù)據(jù)中有葉綠素含量（單位：μg/cm2）和干物質(zhì)量（單位：g/cm2），可以把PROSAIL 模型模擬的葉綠素含量單位換算成mg/g。

表2 模型輸入?yún)?shù)Table 2 Model input parameter

1.5 高光譜指數(shù)的選擇及優(yōu)化

為了使高光譜指數(shù)消除冠層散射問題，有些研究使用反射率差比（RRD）等式來消除散射因子，其具有獨立校準數(shù)據(jù)集的優(yōu)勢，并且在估測葉綠素含量的過程中具有較好的估測能力[26]。公式為：

式中：h、i、j和k代表全高光譜范圍內(nèi)的隨機波長，三波段高光譜指數(shù)是特殊RRD 型高光譜指數(shù)[27]，本試驗中h、k相等。

本試驗中，假設(shè)RRD 型的高光譜指數(shù)與馬鈴薯葉綠素含量具有較好的相關(guān)性，并且受冠層結(jié)構(gòu)的影響較小，使用波段優(yōu)化算法來確定RRD 型高光譜指數(shù)的最佳波段組合，確定RRD 型高光譜指數(shù)優(yōu)化過程中的固定波段[27]。

為了探究查找表法和高光譜指數(shù)反演方法對馬鈴薯葉綠素含量的估測能力，本試驗從已發(fā)表的多種可用于葉綠素測定的高光譜指數(shù)中選取了具有代表性的6 類高光譜指數(shù)（表3），并且利用PROSAIL模型模擬的數(shù)據(jù)庫對已發(fā)表的高光譜指數(shù)通過波段優(yōu)化算法進行了中心波段的選擇，目的是尋找馬鈴薯葉綠素含量的估測最佳中心波段。

表3 試驗研究指數(shù)Table 3 Indices studied in the experiment

1.6 模型的評價

本試驗綜合已有的查找表法和高光譜指數(shù)算法，通過Excel 2019、Matlab 2018軟件實現(xiàn)。在田間試驗的基礎(chǔ)上，篩選對葉綠素含量敏感的高光譜指數(shù)。查找表法與高光譜指數(shù)建模均使用采集于馬鈴薯苗期、塊莖形成期和淀粉積累期的高光譜數(shù)據(jù)，其中75%試驗田馬鈴薯數(shù)據(jù)用于建立模型，其余25%的數(shù)據(jù)用于模型的驗證。利用決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE）綜合評價模型，并繪制驗證集的1∶1關(guān)系圖。

計算公式為：

式中：n為樣本個數(shù)，yi為實測值，為預(yù)測值，為平均值。

2 結(jié)果與分析

2.1 基于查找表法的馬鈴薯葉綠素反演

通過查找表法（Look-up table，LUT）對馬鈴薯葉綠素含量進行估測（圖1），可以看出模型的估測值與馬鈴薯葉綠素含量的實測值無明顯線性關(guān)系。對各生育時期的估測中，估測值低于實測值，而且年份對模型的估測能力具有一定的影響，2018年的估測值高于2017年的估測值。整體來看，本試驗沒有體現(xiàn)出查找表法對馬鈴薯葉綠素含量的有效估測。

圖1 查找表法估測葉綠素值和實測葉綠素值散點圖Figure 1 Scatter diagram of chlorophyll value estimated by look-up table(LUT)and measured chlorophyll value

2.2 基于PROSAIL模型的高光譜指數(shù)優(yōu)化

高光譜指數(shù)對馬鈴薯葉綠素含量進行估測的過程中，生育前期由于植株較小，葉片無法有效覆蓋掃描區(qū)域，在數(shù)據(jù)采集過程中容易受到土壤背景的影響；生育后期由于葉綠素含量過高時，受計算邏輯的影響，高光譜指數(shù)會出現(xiàn)數(shù)據(jù)飽和現(xiàn)象。為了解決這些問題，提高高光譜指數(shù)在馬鈴薯葉綠素含量上的估測能力，本試驗以選擇的6 類指數(shù)算法為依據(jù)（表3），利用PROSAIL 模型模擬的數(shù)據(jù)庫，通過不同高光譜指數(shù)與葉綠素含量的相關(guān)矩陣圖進行尋優(yōu)，確定不同類型的優(yōu)化高光譜指數(shù)（圖2）。表4 列出了與葉綠素含量相關(guān)性最好的波段組合形式及最優(yōu)方程形式，可以看出，6類高光譜指數(shù)與葉綠素含量的線性決定系數(shù)均在0.55 以上，整體相關(guān)性較好，其中與葉綠素含量相關(guān)性最好的是Opt-BNI，決定系數(shù)（R2）為0.65，波段組合為1 146和730 nm。優(yōu)化后高光譜指數(shù)的敏感區(qū)域主要集中在550～610 nm和700～1 150 nm。RRD形式的優(yōu)化高光譜指數(shù)敏感波段主要集中在550～600 nm和700～750 nm。表4的結(jié)果還表明優(yōu)化后的高光譜指數(shù)與葉綠素含量的決定系數(shù)（R2）因波段的組成形式和擬合函數(shù)方程形式的不同而存在差異，但是都達到了極顯著相關(guān)水平，說明通過優(yōu)化算法得到的高光譜指數(shù)具備葉綠素含量的估測能力。

表4 高光譜指數(shù)與馬鈴薯葉綠素含量的方程式和決定系數(shù)Table 4 Equation and coefficient of determination between hyperspectral index and potato chlorophyll content

圖2 馬鈴薯葉綠素含量與不同波段高光譜指數(shù)之間線性擬合決定系數(shù)（R2）的等值線圖Figure 2 Contour diagrams of coefficient of determination(R2)between potato chlorophyll content and hyperspectral index

2.3 基于大田數(shù)據(jù)的驗證及評價

為了進一步驗證構(gòu)建優(yōu)化高光譜指數(shù)的穩(wěn)定性和魯棒性，利用大田實測數(shù)據(jù)與優(yōu)化后的指數(shù)進行不同生育時期相關(guān)性分析（表5）。在馬鈴薯苗期6類優(yōu)化高光譜指數(shù)與實測數(shù)據(jù)的相關(guān)性較差。在2017年馬鈴薯塊莖形成期的高光譜指數(shù)Opt-EPI與馬鈴薯葉綠素含量的相關(guān)性最好，決定系數(shù)（R2）為0.58，在淀粉積累期，高光譜指數(shù)Opt-PSRI 與馬鈴薯葉綠素含量的相關(guān)性最好，決定系數(shù)（R2）為0.42；在2018 年，馬鈴薯淀粉積累期高光譜指數(shù)Opt-PSRI 與馬鈴薯葉綠素含量的相關(guān)性最好，決定系數(shù)（R2）為0.53。

研究結(jié)果表明（表5），生育時期和種植年份會影響高光譜指數(shù)對馬鈴薯葉綠素含量的估測能力。從整體分析來看，高光譜指數(shù)Opt-PSRI和Opt-EPI與馬鈴薯葉綠素含量的相關(guān)性較高，決定系數(shù)（R2）為0.61、0.52，體現(xiàn)在馬鈴薯塊莖形成期和淀粉積累期的葉綠素含量與優(yōu)化高光譜指數(shù)的相關(guān)性隨著冠層的逐漸穩(wěn)定顯著提高，說明優(yōu)化后的高光譜指數(shù)具備馬鈴薯葉綠素含量的估測潛力。

表5 優(yōu)化高光譜指數(shù)與實測馬鈴薯葉綠素含量的決定系數(shù)Table 5 Coefficient of determination between optimized hyperspectral index and potato chlorophyll content

為了進一步評價兩個優(yōu)化高光譜指數(shù)的估測能力，本試驗運用總樣本的75%進行建模分析（圖3a、3b），其中高光譜指數(shù)Opt-PSRI的建模水平高于Opt-EPI的建模水平。模型驗證是檢查模型適用性的過程，本試驗在總樣本中隨機選取25%的實測數(shù)據(jù)進行模型驗證。通過實測值和估測值的線性關(guān)系的決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE）來檢驗?zāi)Ｐ偷墓罍y能力和精度。驗證結(jié)果如圖3c、3d 所示，基于高光譜指數(shù)Opt-PSRI 和Opt-EPI 模型的馬鈴薯葉綠素含量的估測值與實測值線性擬合決定系數(shù)（R2）分別為0.72、0.63，且RMSE 和RE 明顯較低，其中驗證效果最好的是高光譜指數(shù)Opt-PSRI，估測值與實測值更接近1∶1線，數(shù)據(jù)的離散程度更小，模型的RMSE 和RE 較低，分別為2.22 mg/g、2.00%。

圖3 基于優(yōu)化高光譜指數(shù)的馬鈴薯葉綠素含量建模與驗證Figure 3 Modeling and verification of potato chlorophyll content based on optimized hyperspectral index

為了檢驗優(yōu)化高光譜指數(shù)是否受生育時期的影響，分生育時期進行分析（圖4），結(jié)果表明，在苗期，優(yōu)化高光譜指數(shù)與葉綠素含量的相關(guān)性較低（決定系數(shù)相比較于其他生育時期略低，圖4a、4e）；在塊莖形成期的時候高光譜指數(shù)Opt-EPI與馬鈴薯葉綠素含量的相關(guān)性升高；在淀粉積累期的時候，兩個優(yōu)化高光譜指數(shù)與馬鈴薯葉綠素含量的相關(guān)性最好。從整體數(shù)據(jù)來看，高光譜指數(shù)的估測能力并不高，受苗期的影響較大。對塊莖形成期和淀粉積累期組合生育時期進行計算（圖5），高光譜指數(shù)模型估測能力顯著提高，決定系數(shù)（R2）均為0.69。

圖4 基于優(yōu)化高光譜指數(shù)與馬鈴薯葉綠素含量隨生育時期的估測模型Figure 4 Estimation model with growth stage based on optimized hyperspectral index and potato chlorophyll content

圖5 基于優(yōu)化高光譜指數(shù)Opt-PSRI（R594-R500）/R572和Opt-EPI（R850-R702）/（R850-R676）與馬鈴薯塊莖形成期和淀粉積累期葉綠素含量的估測模型Figure 5 Estimation model of chlorophyll content at potato tuber formation and starch accumulation based on optimized hyperspectral index Opt-PSRI(R594-R500)/R572 and Opt-EPI(R850-R702)/(R850-R676)

3 討 論

實施無損獲取作物的葉綠素含量是大田管理的前提，而高光譜遙感技術(shù)的發(fā)展為快速估測葉綠素含量提供了重要途徑，植被冠層光譜受很多因素影響，如植被結(jié)構(gòu)、太陽高度角等，這些因素都是不可人為控制的，并且不存在函數(shù)關(guān)系。前人為了解決這些問題，研究出多種估測方法和光譜指數(shù)的構(gòu)建。本試驗使用PROSAIL 模型模擬馬鈴薯光譜數(shù)據(jù)庫，利用查找表法對馬鈴薯葉綠素含量進行估測，沒有取得較好的估測效果。利用模擬數(shù)據(jù)庫，結(jié)合波段優(yōu)化算法對6類光譜指數(shù)進行優(yōu)化，并反演馬鈴薯葉綠素含量，結(jié)果發(fā)現(xiàn)光譜指數(shù)Opt-PSRI 和Opt-EPI 均可用于馬鈴薯葉綠素含量的估測，光譜指數(shù)Opt-PSRI 的估測能力優(yōu)于其他光譜指數(shù)，在估測馬鈴薯塊莖形成期和淀粉積累期葉綠素含量具有一定的穩(wěn)定性。

在波段優(yōu)化算法下，利用PROSAIL 模型建立的數(shù)據(jù)庫對傳統(tǒng)光譜指數(shù)進行優(yōu)化，優(yōu)化光譜指數(shù)Opt-EPI 的敏感波段為702 和676 nm，靠近紅光和紅邊范圍，這與前人的研究一致[33]；基于PROSAIL 模型的不同計算形式光譜指數(shù)的波段優(yōu)化顯著提高了光譜指數(shù)葉綠素含量的估測能力，但是在運用到馬鈴薯中發(fā)現(xiàn)，部分優(yōu)化光譜指數(shù)與馬鈴薯葉綠素含量的相關(guān)性較低，無法進行估測模型的構(gòu)建，說明冠層水平的結(jié)構(gòu)效應(yīng)在波長上影響光譜反射率。不同計算形式的光譜指數(shù)與馬鈴薯葉綠素含量相關(guān)性研究發(fā)現(xiàn)，相對于其他類型的光譜指數(shù)，RRD 類型的光譜指數(shù)計算形式優(yōu)化后與葉綠素含量相關(guān)性較好，這與前人的研究一致[27]，說明了該類型光譜指數(shù)計算形式優(yōu)化后在冠層水平估測生物化學參數(shù)上具有一定的優(yōu)勢。

馬鈴薯生育時期對優(yōu)化光譜指數(shù)估測能力具有重要的影響。在冠層結(jié)構(gòu)較小的時候光譜指數(shù)很難與生物量建立關(guān)系[34]，從而光譜指數(shù)的估測能力較低，所以在苗期線性關(guān)系較差，由于冠層不穩(wěn)定，導(dǎo)致在掃描光譜的時候受到了土壤背景的影響，并且馬鈴薯在苗期的時候一般不缺氮，通過土壤和種子所提供的養(yǎng)分來維持幼苗的生長，因此馬鈴薯苗期氮的實施診斷在農(nóng)業(yè)生產(chǎn)中不是主要問題[35]；花后馬鈴薯植株冠層結(jié)構(gòu)相對穩(wěn)定，受土壤等因素較小，光譜指數(shù)與馬鈴薯葉綠素含量的相關(guān)性提高。并且可以說明優(yōu)化算法在一定程度上克服了光譜指數(shù)在估測葉綠素含量時出現(xiàn)的飽和問題。馬鈴薯塊莖形成期是關(guān)鍵生育時期，所吸收的氮素占需求量的80%左右[36]，追肥對產(chǎn)量有實質(zhì)性的提高。在精準農(nóng)業(yè)中運用遙感技術(shù)，應(yīng)考慮生育時期的影響，在各生育時期冠層結(jié)構(gòu)的變化將原本在冠層光譜反射率中體現(xiàn)的葉綠素含量變化被掩蓋[27]。

對玉米各生育時期葉綠素含量的估測，查找表法具有良好的實用性，但均是基于單位面積內(nèi)對葉綠素含量進行估測，所以在研究過程中發(fā)現(xiàn)PROSAIL 模型的葉面積指數(shù)作為參數(shù)極為重要[37]。PROSAIL 模型反演過程中會因為自身參數(shù)的不確定性、敏感性以及植被生理參數(shù)之間的相互作用帶來誤差影響[38]。由于在本試驗中，沒有對馬鈴薯葉面積指數(shù)進行測定，并且葉綠素含量轉(zhuǎn)換公式是基于重量進行轉(zhuǎn)換，在取樣的過程中沒有考慮重量的問題，所以葉綠素的估測缺少限制條件，導(dǎo)致估測不準確，這也是理論模型的一個弊端。而且前人研究發(fā)現(xiàn)代價函數(shù)的選擇也會影響查找表法的估測精度[39]，所以利用物理模型估測馬鈴薯葉綠素含量時應(yīng)對參數(shù)設(shè)定、代價函數(shù)的選取等多方面進行深入研究，在大田試驗數(shù)據(jù)的獲取中應(yīng)增加測定項目對物理模型的馬鈴薯葉綠素含量估測加以限制條件，進一步完善基于物理模型對馬鈴薯葉綠素含量的估測，提高估測能力。

本試驗通過PROSAIL 模型模擬和光譜測量獲得馬鈴薯冠層反射率數(shù)據(jù)，利用查找表法對馬鈴薯葉綠素含量沒有得到有效地估測。通過PROSAIL模型模擬數(shù)據(jù)庫可對不同計算形式的光譜指數(shù)中心波段進行優(yōu)化，來實現(xiàn)估測馬鈴薯葉綠素含量，光譜指數(shù)優(yōu)化后的敏感波段主要集中在綠光、紅光和紅邊。優(yōu)化后高光譜指數(shù)對馬鈴薯塊莖形成期和淀粉積累期組合的葉綠素含量進行估測，光譜指數(shù)Opt-PSRI（594 和572 nm）和Opt-EPI（702 和676 nm）與馬鈴薯塊莖形成期和淀粉積累期組合的葉綠素含量相關(guān)性最優(yōu)，估測模型的可靠性和準確性較好為高光譜指數(shù)估測馬鈴薯葉綠素含量的普適性提供了理論支持。